CN115690219A - 一种复杂环境下运行列车三维信息的检测方法及*** - Google Patents
一种复杂环境下运行列车三维信息的检测方法及*** Download PDFInfo
- Publication number
- CN115690219A CN115690219A CN202310000536.2A CN202310000536A CN115690219A CN 115690219 A CN115690219 A CN 115690219A CN 202310000536 A CN202310000536 A CN 202310000536A CN 115690219 A CN115690219 A CN 115690219A
- Authority
- CN
- China
- Prior art keywords
- paths
- point cloud
- cloud data
- train
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 208000037805 labour Diseases 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及信息检测的技术领域，尤其涉及一种复杂环境下运行列车三维信息的检测方法及***，方法包括：在货运列车通过时，获取货运列车的三路视频信息、三路点云数据以及顶部点云数据；将三路视频信息分解为三路图像信息，并从三路图像信息中提取三路最优帧图片；对三路最优帧图片进行畸变矫正，并对畸变校正后的三路最优帧图片进行同比例处理，得到三路同比例图片；根据顶部点云数据进行列车轮廓定位，得到列车轮廓信息；利用列车轮廓信息对三路点云数据进行等比例缩放还原，得到等比例点云数据；将三路同比例图片以及等比例点云数据联合标定，并进行融合，得到三维点云实景图，便于在各类复杂环境下能够采集到符合要求的车辆多维信息。
Description
技术领域
本申请涉及信息检测的技术领域，尤其是涉及一种复杂环境下运行列车三维信息的检测方法及***。
背景技术
随着国家经济的发展，物流行业也随之达到了新的高点，尤其是铁路货运，已成为物流的重要组成部分，在铁路货运的发展过程中，列车安全是提高铁路运输生产效率的前提。
为确保铁路货运的安全，提高铁路货物运输效率，需要对货运列车的安全性进行检查，即需要对货运列车的左、右、顶三面进行检查。
之前采取了由人工绕车一周，到安装安防视频监控，再到高清线阵监控来检查列车的安全是否到位，发展到今天仍然存在一些问题。人工绕车一周必须在货运列车静止的状态下，工作人员爬车登顶检查，劳动风险大，作业量大，并且车辆信息不能留存。安装安防视频监控，监控盲区大，车辆信息可留存但清晰度不够，面对现场不同的复杂环境，例如安装距离远，高压线干扰，不具备临线施工条件，多股道，双向过车遮挡等限制，信息更不清晰且畸变也不能同步、同比例展示，无多维立体信息，易遗漏威胁安全项。高清线阵监控需配备测速雷达，常有比例不统一和丢车现象，且只能采集平面图像，对安装环境要求高，对于残留种类、体积、厚度、膨胀类等多维信息识别的安全异常现象无法采集。
因此亟需一种在各类复杂环境下能够采集到符合要求的车辆多维信息的检测方法。
发明内容
为了在各类复杂环境下能够采集到符合要求的车辆多维信息，本申请提供一种复杂环境下运行列车三维信息的检测方法及***。
第一方面，本申请提供的一种复杂环境下运行列车三维信息的检测方法，采用如下的技术方案：
一种复杂环境下运行列车三维信息的检测方法，包括：
在货运列车通过时，获取货运列车的三路视频信息、三路点云数据以及顶部点云数据；其中，所述三路视频信息包括左、右、顶三侧的视频信息，所述三路点云数据包括左、右、顶三侧的点云数据；
将所述三路视频信息分解为三路图像信息，并从所述三路图像信息中提取三路最优帧图片；
对所述三路最优帧图片进行畸变矫正，并对畸变校正后的三路最优帧图片进行同比例处理，得到三路同比例图片；
根据所述顶部点云数据进行列车轮廓定位，得到列车轮廓信息；
利用所述列车轮廓信息对三路点云数据进行等比例缩放还原，得到等比例点云数据；
将所述三路同比例图片以及等比例点云数据联合标定，并进行融合，得到三维点云实景图。
通过采用上述技术方案，可以获取不同复杂环境下货运列车的左、右、顶三面的三维信息，完成三维信息的存储和展示，从而在时效性要求较强的生产环境中能够采集到更高规格的三维点云实景图，最终达到智能分析，安全检车的目的。另外，本方案中既有图像又有三维点云，便于对残留种类、体积、厚度、膨胀类等多位信息进行测量。
可选的，所述在货运列车通过时，获取货运列车的三路视频信息、三路点云数据以及顶部点云数据之前，还包括：
获取检测处图像；
基于所述检测处图像，判断匹配对象出现在目标区域内，如果是，则确认货运列车通过。
可选的，所述对畸变校正后的三路最优帧图片进行同比例处理，得到三路同比例图片步骤，包括：
对畸变校正后的三路最优帧图片进行特征提取，生成特征图像；
将所述特征图像与预设的特征标准图像进行匹配；
基于匹配后的特征图像对畸变校正后的三路最优帧图片进行对齐操作，得到三路同比例图片。
可选的，所述利用所述列车轮廓信息对三路点云数据进行等比例缩放还原，得到等比例点云数据步骤之后，还包括：
将等比例点云数据选取地面做参照物，利用罗德里格变换将旋转向量转换成旋转矩阵，通过旋转矩阵和校准矩阵，对等比例点云数据统一坐标系。
可选的，所述对等比例点云数据统一坐标系步骤之后，还包括：
对所述等比例点云数据进行标定对齐。
第一方面，本申请提供的一种复杂环境下运行列车三维信息的检测方法，采用如下的技术方案：
一种复杂环境下运行列车三维信息的检测***，包括栅栏以及设置在栅栏两侧的竖向支架，任意一个所述竖向支架的顶端设置有横向支架，所述横向支架与竖向支架上均设置有线扫雷达、摄像机以及补光光源，且所述横向支架上还设置有多线激光雷达；
还包括设置在机房内的主机和存储服务器，所述主机与存储服务器连接，所述线扫雷达、摄像机以及多线激光雷达均与主机连接。
第三方面，本申请提供的提供的一种计算机存储介质，采用如下的技术方案：
一种计算机存储介质，存储有能够被处理器加载并执行如第一方面所述方法中的计算机程序。
综上所述，本申请包括以下有益技术效果：
可以获取不同复杂环境下货运列车的左、右、顶三面的三维信息，完成三维信息的存储和展示，从而在时效性要求较强的生产环境中能够采集到更高规格的三维点云实景图，最终达到智能分析，安全检车的目的。另外，本方案中既有图像又有三维点云，便于对残留种类、体积、厚度、膨胀类等多位信息进行测量。
附图说明
图1是本申请其中一实施例示出的复杂环境下运行列车三维信息的检测***的结构示意图。
图2是本申请其中一实施例示出的机房的结构示意图。
图3是本申请其中一实施例示出的复杂环境下运行列车三维信息的检测方法的流程图。
图4是本申请其中一实施例示出的点云和图像融合的示意图。
附图标记说明：1、补光光源；2、线扫雷达；3、多线激光雷达；4、摄像机；5、竖向支架；6、栅栏；7、铁轨；8、货运列车；9、高压线；10、主机；11、存储服务器；12、机房。
具体实施方式
以下结合图1-图4对本申请作进一步详细说明。
在现场环境复杂但信息质量要求高的情况下，存在以下问题：如图1所示，两个栅栏6内设两条或多条铁轨7，两个栅栏6距离货运列车8的距离不等，采集到的左、右、顶部三侧信息的大小、畸变程度、处理时间不同；栅栏6内部不允许进入，以往所需的触发设备需要安装在轨道上，无法实行；货运列车8运行需要接触网或顶部设有高压线9，对顶部安装的硬件设备距离要求高；货运列车8实际运行中不是匀速，线扫雷达2获取的点云与现实车辆比例不符，使车辆点云拉长或缩短。
针对以上情况，本申请实施例公开一种复杂环境下运行列车三维信息的检测***。
作为检测***的一种实施方式，如图1所示，包括设置在栅栏6两侧的竖向支架5，其中一竖向支架5的顶端设置有横向支架。横向支架与竖向支架5上均设置有线扫雷达2、摄像机4以及补光光源1，且横向支架上还设置有多线激光雷达3。
结合图2，还包括设置在机房12内的主机10和存储服务器11，主机10与存储服务器11连接，且线扫雷达2、摄像机4以及多线激光雷达3均与主机10连接，主机10内存储有下述检测方法。
基于上述复杂环境下运行列车三维信息的检测***，本申请实施例还公开了一种复杂环境下运行列车三维信息的检测方法。
作为检测方法的一种实施方式，如图3所示，包括：
100，在货运列车通过时，获取货运列车的三路视频信息、三路点云数据以及顶部点云数据；其中，所述三路视频信息包括左、右、顶三侧的视频信息，所述三路点云数据包括左、右、顶三侧的点云数据。
具体的，获取检测处图像，判断匹配对象出现在目标区域内，如果是，则确认货运列车通过。
其中，使用车头或者其他具有标识特征的图片进行模型匹配，如果发现匹配对象出现在目标区域内，则判断货运列车驶过；此时，通过线扫雷达、摄像机以及多线激光雷达获取该货运列车的三路视频信息、三路点云数据以及顶部点云数据。
200，将所述三路视频信息分解为三路图像信息，并从所述三路图像信息中提取三路最优帧图片。
具体来说，三个摄像机分别拍摄货运列车视频，通过网络传输至主机，主机将三路视频信息分解为每一帧的图像，并依据打分规则，在众多图像帧之中选取图像质量最高的三路最优帧图片。
需要说明的是，打分规则由人为设定，并选取标准图像，即整体清晰、周围没有光斑杂质的图像。人为从图像清晰度和匹配度两方面将图像帧与标准图像进行对比，并按照10分制的打分规则对图像帧进行标注打分；其中，10分是整体清晰、周围没有光斑杂质的图像，0分是趋于空白的图像，9分-1分是介于10分和0分之间，且质量依次递减的图像。
300，对所述三路最优帧图片进行畸变矫正。
由于摄像头安装距离不一致，每个镜头的畸变程度各不相同，通过校正这种畸变，生成畸变校正后的三路最优帧图片。
需要说明的是，畸变校正是一种映射，将畸变的像素投影到校正的像素位置上，一般可以分为径向畸变和切向畸变，采用如下公式：
其中，(
)表示畸变前的位置坐标，(
)表示畸变后的位置坐标，且
，
、
、
为径向畸变参数，
、
为切向畸变参数，
、
、
、
、
通过相机标定获取。
其相机标定指建立相机图像像素位置与场景点位置之间的关系，根据相机成像模型，由特征点在图像中坐标与世界坐标的对应关系，求解相机模型的参数，即径向畸变参数和切向畸变参数。
400，对畸变校正后的三路最优帧图片进行同比例处理，得到三路同比例图片。
其中，步骤400具体包括：
401，对畸变校正后的三路最优帧图片进行特征提取，生成特征图像；
402，将所述特征图像与预设的特征标准图像进行匹配；
403，基于匹配后的特征图像对畸变校正后的三路最优帧图片进行对齐操作，得到三路同比例图片。
由于安装距离的不同，选取的焦距镜头不同，且获取的图像大小不一，为了工作人员能够清晰舒服的查看需要将三路最优帧图像同等比例展示，需找到同一车辆左右两侧的同一起始位置 ，对不同尺寸的车辆图片进行特征提取，即通过预先生成的模型对图像中的某个特定区域进行图像数据提取，将提取后的特征图像与存储的特征标准图像进行匹配，然后针对上述匹配的特征图像进行图像整体的对齐操作。
需要说明的是，车辆都有轮廓，不管从三面中哪一面看都有一定的轮廓。某个特定区域指的是同一个识别目标上指定的三维区域，该三维区域由左、右、顶部三个可见区域共同构成，每一个组成部分都拥有自身的特征点集合，如：三维纹理特征、三维几何特征、二维文字特征等。
500，根据所述顶部点云数据进行列车轮廓定位，得到列车轮廓信息。
由于顶部的多线激光雷达安装距离高，视野范围广，可以扫描出列车的轮廓，进行列车轮廓定位。
需要说明的是，步骤200和步骤500无先后顺序，可同步进行。
600，利用所述列车轮廓信息对三路点云数据进行等比例缩放还原，得到等比例点云数据。
具体的，线扫雷达获取的三路点云数据成像宽度高，点云密集，点云精度高，但是在现实生产环境中使用时，想要获得列车的整体点云集需要根据货运列车速度计算拼接；利用多线激光雷达获取列车轮廓，并可以辅助测算列车速度，然后用列车轮廓信息对三路点云数据进行等比例缩放还原，即将三路点云数据按照列车的实际尺寸（列车轮廓信息）进行融合互补叠加，拼接得出对应的点云图像数据以提高点云精度，同时能提高点云的识别准确率。
其中，以多线激光雷达标定货运列车的空间坐标区域和行驶速度，然后截取线扫雷达在这个空间坐标区域内的数据，再通过速度和线扫频率进行拼接。假设货运列车的行驶速度为1米/秒，线扫雷达的速度是500hz，那么就要按照时间的先后顺序按照1/500的间隔依次拼接500个线扫雷达的点云，此时点云数量比例关系应该是多线激光雷达：线扫雷达=1:500。
700，将等比例点云数据选取地面做参照物，利用罗德里格变换将旋转向量转换成旋转矩阵，通过旋转矩阵和校准矩阵，对等比例点云数据统一坐标系。
需要说明的是，由于线扫雷达受测量方式的限制和货运列车集合形状的限制，每个线扫雷达只能扫描货运列车一侧的点云数据，然而每个线扫雷达得到点云数据都具有独立的坐标系，无法直接进行拼接。所以需要对每个视角下获取的点云数据进行坐标转换，即需要将三路等比例点云数据统一到全局坐标系下。
即通过一个等比例点云数据（目标）中的每一个点与另一个等比例点云数据（原始点集）中的对应点的相互关系来实现点集与点集坐标系之间的转化，实现配准。可以表示为以下公式：
其中，
、
就是目标点云与原始点云中的一对对应点，
为旋转矩阵，
为校准矩阵。
800，对等比例点云数据进行标定对齐。
具体来说，利用多线激光雷达对等比例点云数据的坐标范围进行标定，使用线扫雷达的点云数据集对数据进行填充，填充的优先级以更高精度的数据优先，即多线激光雷达获取的数据优先，其数据用作矫正。并在统一坐标的基础上，对等比例点云数据进行排序，将每个点云尺寸缩放进行对齐。
900，将所述三路同比例图片以及等比例点云数据联合标定，并进行融合，得到三维点云实景图。
具体的，根据多线激光雷达和摄像机联合标定得到的外部转化参数，将同步获取的三路同比例图片以及等比例点云数据统一到同一坐标系下，并进行融合，即从三路同比例图片中提取颜色信息，准确的映射到每一个等比例点云数据中，实现对点云着色，使等比例点云数据更加真实，提供更好的可视化效果。
还包括，根据三路同比例图片对多线激光雷达扫描不到的位置补充点云，提升点云密度；并对摄像机标定，获取摄像机内参数和畸变参数，对三路同比例图片做去畸变处理；根据三路同比例图片和已有点云数据计算待补充点云的起始坐标。
具体的，结合图4，x坐标轴代表列车的行进方向，z坐标轴代表点云的z值，即高度值。x坐标轴上最左侧和最右侧两个点是点云上的点，是实际存在的点，两个点中间的点是根据点云和图像融合技术，将图像上的点融合到点云上。由于图像是具有色彩的，颜色相同的点代表灰度值一致，表示这两个点在同一高度上，颜色变化时，高度值发生变化，运用该技术对点云和图像进行融合，形成三维点云实景图，并以RGB-D格式进行存储。
由于现有技术中的高清线阵监控需配备测速雷达，是通过图像识别，没有三维点云，测速雷达只是触发和配合拼接图像使用，高清线阵监控需配备测速雷达的虽然可识别大部分残留的类别，但是有光斑影响的时候就没有办法识别；本方案中既有图像又有三维点云，便于对残留种类、体积、厚度、膨胀类等多位信息进行测量。
本申请实施例还公开了一种计算机可读存储介质，存储有能够被处理器加载并执行如上述中央摆渡车运行控制方法的计算机程序，该计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (7)
1.一种复杂环境下运行列车三维信息的检测方法，其特征在于，包括：
在货运列车通过时，获取货运列车的三路视频信息、三路点云数据以及顶部点云数据；其中，所述三路视频信息包括左、右、顶三侧的视频信息，所述三路点云数据包括左、右、顶三侧的点云数据；
将所述三路视频信息分解为三路图像信息，并从所述三路图像信息中提取三路最优帧图片；
对所述三路最优帧图片进行畸变矫正，并对畸变校正后的三路最优帧图片进行同比例处理，得到三路同比例图片；
根据所述顶部点云数据进行列车轮廓定位，得到列车轮廓信息；
利用所述列车轮廓信息对三路点云数据进行等比例缩放还原，得到等比例点云数据；
将所述三路同比例图片以及等比例点云数据联合标定，并进行融合，得到三维点云实景图。
2.根据权利要求1所述的一种复杂环境下运行列车三维信息的检测方法，其特征在于，所述在货运列车通过时，获取货运列车的三路视频信息、三路点云数据以及顶部点云数据之前，还包括：
获取检测处图像；
基于所述检测处图像，判断匹配对象出现在目标区域内，如果是，则确认货运列车通过。
3.根据权利要求1所述的一种复杂环境下运行列车三维信息的检测方法，其特征在于：所述对畸变校正后的三路最优帧图片进行同比例处理，得到三路同比例图片步骤，包括：
对畸变校正后的三路最优帧图片进行特征提取，生成特征图像；
将所述特征图像与预设的特征标准图像进行匹配；
基于匹配后的特征图像对畸变校正后的三路最优帧图片进行对齐操作，得到三路同比例图片。
4.根据权利要求1所述的一种复杂环境下运行列车三维信息的检测方法，其特征在于：所述利用所述列车轮廓信息对三路点云数据进行等比例缩放还原，得到等比例点云数据步骤之后，还包括：
将等比例点云数据选取地面做参照物，利用罗德里格变换将旋转向量转换成旋转矩阵，通过旋转矩阵和校准矩阵，对等比例点云数据统一坐标系。
5.根据权利要求4所述的一种复杂环境下运行列车三维信息的检测方法，其特征在于，所述对等比例点云数据统一坐标系步骤之后，还包括：
对所述等比例点云数据进行标定对齐。
6.一种复杂环境下运行列车三维信息的检测***，其特征在于，包括栅栏（6）以及设置在栅栏（6）两侧的竖向支架（5），任意一个所述竖向支架（5）的顶端设置有横向支架，所述横向支架与竖向支架（5）上均设置有线扫雷达（2）、摄像机（4）以及补光光源（1），且所述横向支架上还设置有多线激光雷达（3）；
还包括设置在机房（12）内的主机（10）和存储服务器（11），所述主机（10）与存储服务器（11）连接，所述线扫雷达（2）、摄像机（4）以及多线激光雷达（3）均与主机（10）连接。
7.一种计算机存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1-5中任一种方法中的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310000536.2A CN115690219A (zh) | 2023-01-03 | 2023-01-03 | 一种复杂环境下运行列车三维信息的检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310000536.2A CN115690219A (zh) | 2023-01-03 | 2023-01-03 | 一种复杂环境下运行列车三维信息的检测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115690219A true CN115690219A (zh) | 2023-02-03 |
Family
ID=85056905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310000536.2A Pending CN115690219A (zh) | 2023-01-03 | 2023-01-03 | 一种复杂环境下运行列车三维信息的检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115690219A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364299A (zh) * | 2011-08-30 | 2012-02-29 | 刘桂华 | 一种多个结构光投影三维型面测量头的标定技术 |
| CN103091331A (zh) * | 2013-01-11 | 2013-05-08 | 华中科技大学 | 一种rfid天线毛刺和污点缺陷的视觉检测***及方法 |
| CN104156972A (zh) * | 2014-08-25 | 2014-11-19 | 西北工业大学 | 基于激光扫描测距仪与多相机融合的透视成像方法 |
| CN106683089A (zh) * | 2016-12-30 | 2017-05-17 | 南京南瑞信息通信科技有限公司 | 一种带约束配准的杆塔变形检测方法 |
| CN107945220A (zh) * | 2017-11-30 | 2018-04-20 | 华中科技大学 | 一种基于双目视觉的重建方法 |
| CN110910382A (zh) * | 2019-11-29 | 2020-03-24 | 添维信息科技(天津)有限公司 | 一种集装箱检测*** |
| CN111007485A (zh) * | 2020-03-09 | 2020-04-14 | 中智行科技有限公司 | 一种图像处理方法、装置、以及计算机存储介质 |
| CN111145271A (zh) * | 2019-12-30 | 2020-05-12 | 广东博智林机器人有限公司 | 相机参数的精确度的确定方法、装置、存储介质及终端 |
| CN111757021A (zh) * | 2020-07-06 | 2020-10-09 | 浙江大学 | 面向移动机器人远程接管场景的多传感器实时融合方法 |
-
2023
- 2023-01-03 CN CN202310000536.2A patent/CN115690219A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364299A (zh) * | 2011-08-30 | 2012-02-29 | 刘桂华 | 一种多个结构光投影三维型面测量头的标定技术 |
| CN103091331A (zh) * | 2013-01-11 | 2013-05-08 | 华中科技大学 | 一种rfid天线毛刺和污点缺陷的视觉检测***及方法 |
| CN104156972A (zh) * | 2014-08-25 | 2014-11-19 | 西北工业大学 | 基于激光扫描测距仪与多相机融合的透视成像方法 |
| CN106683089A (zh) * | 2016-12-30 | 2017-05-17 | 南京南瑞信息通信科技有限公司 | 一种带约束配准的杆塔变形检测方法 |
| CN107945220A (zh) * | 2017-11-30 | 2018-04-20 | 华中科技大学 | 一种基于双目视觉的重建方法 |
| CN110910382A (zh) * | 2019-11-29 | 2020-03-24 | 添维信息科技(天津)有限公司 | 一种集装箱检测*** |
| CN111145271A (zh) * | 2019-12-30 | 2020-05-12 | 广东博智林机器人有限公司 | 相机参数的精确度的确定方法、装置、存储介质及终端 |
| CN111007485A (zh) * | 2020-03-09 | 2020-04-14 | 中智行科技有限公司 | 一种图像处理方法、装置、以及计算机存储介质 |
| CN111757021A (zh) * | 2020-07-06 | 2020-10-09 | 浙江大学 | 面向移动机器人远程接管场景的多传感器实时融合方法 |
Non-Patent Citations (1)
| Title |
|---|
| 上官晋太, 北京：北京航空航天大学出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148169B (zh) | 一种基于ptz云台相机的车辆目标三维信息获取方法 | |
| CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
| CN111473739B (zh) | 一种基于视频监控的隧道塌方区围岩变形实时监测方法 | |
| CN115439424B (zh) | 一种无人机航拍视频图像智能检测方法 | |
| CA2395257C (en) | Any aspect passive volumetric image processing method | |
| CN110032949A (zh) | 一种基于轻量化卷积神经网络的目标检测与定位方法 | |
| JP5109294B2 (ja) | ３次元位置補正装置 | |
| CN109255808B (zh) | 基于倾斜影像的建筑物纹理提取方法和装置 | |
| CN109544635B (zh) | 一种基于枚举试探的相机自动标定方法 | |
| CN109685855A (zh) | 一种道路云监控平台下的摄像机标定优化方法 | |
| CN111383204A (zh) | 视频图像融合方法、融合装置、全景监控***及存储介质 | |
| de Oliveira et al. | Surface gradient approach for occlusion detection based on triangulated irregular network for true orthophoto generation | |
| CN114280599A (zh) | 基于毫米波雷达与视频数据的坐标转换匹配车辆检测方法 | |
| CN114973028A (zh) | 一种航拍视频图像实时变化检测方法及*** | |
| CN114998545A (zh) | 一种基于深度学习的三维建模阴影识别*** | |
| CN113763484A (zh) | 基于视频图像分析技术的船舶目标定位及速度估算方法 | |
| CN117492026A (zh) | 结合激光雷达扫描的铁路货车装载状态检测方法及*** | |
| CN115330684A (zh) | 基于双目视觉与线结构光的水下构筑物表观缺陷检测方法 | |
| JP5274173B2 (ja) | 車両検査装置 | |
| CN110415299B (zh) | 一种运动约束下基于设定路牌的车辆位置估计方法 | |
| EP4250245A1 (en) | System and method for determining a viewpoint of a traffic camera | |
| Deng et al. | Automatic true orthophoto generation based on three-dimensional building model using multiview urban aerial images | |
| CN116125489A (zh) | 一种室内物体三维检测方法、计算机设备及存储介质 | |
| CN115690219A (zh) | 一种复杂环境下运行列车三维信息的检测方法及*** | |
| CN115249345A (zh) | 一种基于倾斜摄影三维实景地图的交通拥堵检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230203 |
|
| RJ01 | Rejection of invention patent application after publication |