CN117635649A - 一种滑坡监测方法及*** - Google Patents
一种滑坡监测方法及*** Download PDFInfo
- Publication number
- CN117635649A CN117635649A CN202311608134.7A CN202311608134A CN117635649A CN 117635649 A CN117635649 A CN 117635649A CN 202311608134 A CN202311608134 A CN 202311608134A CN 117635649 A CN117635649 A CN 117635649A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- landslide
- deformation
- sequence
- time
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000006073 displacement reaction Methods 0.000 claims abstract description 73
- 230000003287 optical effect Effects 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000001131 transforming effect Effects 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 13
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种滑坡监测方法及***,属于地质灾害监测技术领域,能够解决现有技术无法获取监测时间段内完整的形变时间序列,不利于对滑坡进行多方面监测分析的问题。所述滑坡监测方法包括:S1、根据滑坡的监测图像序列中每相邻两帧图像计算每个像素在每相邻两帧时间段内的光流场位移;S2、根据所述光流场位移和所述滑坡的实际尺寸,计算所述滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移;S3、根据所述实际位移,计算每个监测点在监测时间段内的累计形变时间序列和形变速度时间序列。本发明用于滑坡监测。
Description
技术领域
本发明涉及一种滑坡监测方法及***,属于地质灾害监测技术领域。
背景技术
滑坡是地质灾害中发生数量最多的一种灾害,其分布范围广,危害力度大,给工农业生产以及人民生命财产带来巨大损失。为有效防治滑坡,减少滑坡造成的损失,有必要对滑坡进行长期监测和分析。
目前,滑坡监测和分析的主要方法是从滑坡监测视频中截取部分视频帧进行图像分析,得到监测结果。由于这种方式只对滑坡监测视频中的部分图像进行分析,因此无法获取监测时间段内完整的形变时间序列,不利于进行形变特征准确描述、失稳模式分析等多方面的监测分析。同时,该监测方式需要大量数据做支撑且计算耗时长,存在过程繁琐、效率低下等缺陷。
发明内容
本发明提供了一种滑坡监测方法及***,能够解决现有技术无法获取监测时间段内完整的形变时间序列,不利于对滑坡进行多方面监测分析的问题。
一方面,本发明提供了一种滑坡监测方法,所述方法包括:
S1、根据滑坡的监测图像序列中每相邻两帧图像计算每个像素在每相邻两帧时间段内的光流场位移;
S2、根据所述光流场位移和所述滑坡的实际尺寸,计算所述滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移;
S3、根据所述实际位移,计算每个监测点在监测时间段内的累计形变时间序列和形变速度时间序列。
可选地,所述S3中的根据所述实际位移,计算每个监测点在监测时间段内的累计形变时间序列,具体为:
将每个监测点在每相邻两帧时间段内的实际位移在时间域上进行积分,得到每个监测点在监测时间段内的累计形变时间序列。
可选地,所述S3中的根据所述实际位移,计算每个监测点在监测时间段内的形变速度时间序列,具体为:
将每个监测点在监测时间段内的累计形变时间序列在时间域上进行差分,得到每个监测点在监测时间段内的形变速度时间序列。
可选地,所述S3中的根据所述实际位移,计算每个监测点在监测时间段内的形变速度时间序列,具体为:
计算每个监测点在每相邻两帧时间段内的实际位移与相邻两帧的时间间隔的比值,得到每个监测点在监测时间段内的形变速度时间序列。
可选地,在所述S3之后,所述方法还包括:
S4、将所有监测点的累计形变时间序列和形变速度时间序列变换至RGB坐标系中。
可选地,所述S4具体为:
将所有监测点的累计形变时间序列和形变速度时间序列变换至极坐标系中;
将极坐标系中所述累计形变时间序列和形变速度时间序列变换至HSV坐标系中;
将HSV坐标系中所述累计形变时间序列和形变速度时间序列变换至RGB坐标系中。
可选地,在所述S1之前,所述方法还包括:
对所述监测图像序列中的每一帧图像均进行灰度化处理。
可选地,所述S2具体为:
计算所述监测图像序列上所述滑坡对应的像素数与所述滑坡的实际尺寸的比值,得到像素率;
计算每个像素在每相邻两帧时间段内的光流场位移与像素率的比值,得到所述滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移。
另一方面,本发明提供了一种滑坡监测***,所述***包括:
光流场位移计算模块,用于根据滑坡的监测图像序列中每相邻两帧图像计算每个像素在每相邻两帧时间段内的光流场位移;
实际位移计算模块,用于根据所述光流场位移和所述滑坡的实际尺寸,计算所述滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移;
形变序列计算模块,用于根据所述实际位移,计算每个监测点在监测时间段内的形变速度时间序列和累计形变时间序列。
可选地,所述形变序列计算模块包括:
第一计算单元,用于将每个监测点在每相邻两帧时间段内的实际位移在时间域上进行积分,得到每个监测点在监测时间段内的累计形变时间序列;
第二计算单元,用于将每个监测点在监测时间段内的累计形变时间序列在时间域上进行差分,得到每个监测点在监测时间段内的形变速度时间序列。
本发明能产生的有益效果包括:
本发明通过计算监测图像序列上每个像素在每相邻两帧时间段内的光流场位移,结合滑坡的实际尺寸,得到滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移,进而得到每个监测点在监测时间段内完整的形变速度时间序列和累计形变时间序列。本发明不再局限于对部分图像进行分析,扩大了对滑坡监测分析的时间范围,有利于对滑坡进行形变特征描述、失稳模式分析等多方面的监测分析。
同时,本发明只需根据滑坡的图像监测序列和像素率即可进行监测分析,相比于现有方法需要提供大量数据且计算耗时长,本发明极大地减少了计算量和计算时间。
附图说明
图1为本发明实施例提供的滑坡监测方法的流程图;
图2为本发明的示例提供的第1-16秒的累计形变时间序列;
图3为本发明的示例提供的第19-25秒的累计形变时间序列;
图4为本发明的示例提供的第1-16秒的形变速度时间序列;
图5为本发明的示例提供的第19-25秒的形变速度时间序列;
图6为本发明的示例提供的第1秒、第11秒、第25秒的原始帧图像和形变速度图像;
图7为本发明的示例提供的形变速度时间序列中第1-2帧、第350-351帧、第757-758帧的形变速度图像;
图8为本发明的示例提供的监测点P1、P2、P3的累计形变时间序列;
图9为本发明的示例提供的监测点P1、P2、P3的形变速度时间序列。
具体实施方式
下面结合实施例详述本发明,但本发明并不局限于这些实施例。
本发明实施例提供了一种滑坡监测方法,如图1所示,该方法包括:
S1、根据滑坡的监测图像序列中每相邻两帧图像计算每个像素在每相邻两帧时间段内的光流场位移。
S2、根据光流场位移和滑坡的实际尺寸,计算滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移。
S3、根据实际位移,计算每个监测点在监测时间段内的累计形变时间序列和形变速度时间序列。
具体地,S1中的计算每个像素在每相邻两帧时间段内的光流场位移,可以为:
采用稠密光流法计算每个像素在每相邻两帧时间段内的光流场位移。
采用稠密光流法需要监测图像序列满足两个基本假设:
(1)监测图像序列的拍摄时间连续,且每相邻两帧图像的像素强度基本恒定;
(2)像素在每相邻两帧图像之间的运动位移相对较小。
具体计算方法如下:
利用二次多项式F(X)来表示每个像素的邻域,通过分析相邻两帧图像中对应像素的多项式展开系数,即可计算出每个像素在每相邻两帧时间段内的光流场位移,其中:
F(X)=XTAX+bTX+c (2)
式中,A为利用像素邻域信息通过最小二乘加权得到的对称矩阵;b为二次多项式系数矩阵向量;c为二次多项式系数矩阵标量;X为像素在图像中的二维坐标位置,即X=(x,y)T;F(X)为图像的二维信号函数。根据公式(2)可计算出每个像素在每相邻两帧时间段内的光流场位移。
示例地,若当前帧图像的信号为公式(3)所示的F1(X),下一帧图像的信号为公式(4)所示的F2(X),d为目标像素从当前帧到下一帧时间段内的光流场位移,具体地:
F1(X)=XTA1X+b1 TX+c1 (3)
F2(X)=XTA2X+b2 TX+c2 (4)
F2(X)=F1(X-d) (5)
式中,A1、b1、A2、b2为二次多项式系数矩阵向量;c1、c2为二次多项式系数矩阵标量,对于公式(5),可解得:
F2(X)=XTA1X+(b1-2A1d)TX+dTA1d-b1 Td+c1 (6)
根据两个基本假设有:
A2=A1 (7)
A2=b1-2A1d (8)
c2=dTA1d-b1 Td+c1 (9)
根据上述公式,计算出每个像素在前后两帧时间段内的光流场位移d为:
进一步地,在S1之前,该方法还可以包括:
对监测图像序列中的每一帧图像均进行灰度化处理。
实际中,为提高计算速度,可以对图像进行灰度化处理,并突出对比度和亮度信息,以减少图像上的数据维度,使图像信息更容易被识别和分析,提高图像处理速度。
在本实施例中,对监测图像序列中的每一帧图像均进行灰度化处理,具体可以为:
基于RGB色彩空间对每一帧图像进行加权平均灰度化,即:
gray(x,y)=0.299*R(x,y)+0.587*G(x,y)+0.114*B(x,y) (1)
式中,R(x,y)为图像在红色维度的信息,G(x,y)为图像在绿色维度的信息,B(x,y)为图像在蓝色维度的信息,gray(x,y)为图像的灰度信息。
在本实施例中,S2具体可以为:
先计算监测图像序列上滑坡对应的像素数与滑坡的实际尺寸的比值,得到像素率;再计算每个像素在每相邻两帧时间段内的光流场位移与像素率的比值,得到滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移。
具体地,像素率的计算可根据监测图像序列的参数计算出滑坡在监测图像序列中占用像素数,再结合滑坡的实际尺寸,得到滑坡在监测图像序列中的像素率,即:
式中,D1为选定目标在图像坐标系中占用像素数,其单位为像素;D2为选定目标实地距离,其单位为米;p为滑坡在监测图像序列中的像素率。
在本实施例中,S3中的根据实际位移,计算每个监测点在监测时间段内的累计形变时间序列,具体可以为:
将每个监测点在每相邻两帧时间段内的实际位移在时间域上进行积分,得到每个监测点在监测时间段内的累计形变时间序列。
在本实施例中,S3中的根据实际位移,计算每个监测点在监测时间段内的形变速度时间序列,具体还可以为:
将每个监测点在监测时间段内的累计形变时间序列在时间域上进行差分,得到每个监测点在监测时间段内的形变速度时间序列。
在本实施例中,S3中的根据实际位移,计算每个监测点在监测时间段内的形变速度时间序列,具体可以为:
计算每个监测点在每相邻两帧时间段内的实际位移与相邻两帧的时间间隔的比值,得到每个监测点在监测时间段内的形变速度时间序列。
在本实施例中,将累计形变时间序列在时间域上进行差分,具体为:
计算累计形变时间序列上每一帧时间对应的累计位移与其相邻帧时间对应的累计位移的差值,得到每相邻两帧时间段内的位移差,再计算位移差与相邻两帧时间间隔的比值。
进一步地,在S3之后,该方法还可以包括:
S4、将所有监测点的累计形变时间序列和形变速度时间序列变换至RGB坐标系中。
在本实施例中,S4具体可以为:
先将所有监测点的累计形变时间序列和形变速度时间序列变换至极坐标系中;再将极坐标系中累计形变时间序列和形变速度时间序列变换至HSV坐标系中;最后将HSV坐标系中累计形变时间序列和形变速度时间序列变换至RGB坐标系中。
本发明另一实施例提供了一种滑坡监测***,该***包括:
光流场位移计算模块,用于根据滑坡的监测图像序列中每相邻两帧图像计算每个像素在每相邻两帧时间段内的光流场位移;
实际位移计算模块,用于根据光流场位移和滑坡的实际尺寸,计算滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移;
形变序列计算模块,用于根据实际位移,计算每个监测点在监测时间段内的形变速度时间序列和累计形变时间序列。
具体地,形变序列计算模块可以包括:
第一计算单元,用于将每个监测点在每相邻两帧时间段内的实际位移在时间域上进行积分,得到每个监测点在监测时间段内的累计形变时间序列;
第二计算单元,用于将每个监测点在监测时间段内的累计形变时间序列在时间域上进行差分,得到每个监测点在监测时间段内的形变速度时间序列。
本发明提供了一个示例如下:
示例的测量目标为位于贵州省纳雍县张家湾镇普洒村的滑坡,使用的监测图像序列为由无人机拍摄的滑坡监测视频,该视频的总帧数为759帧、帧率为30帧/秒、时长为25秒。
本示例采用稠密光流法计算得到滑坡的累计形变时间序列和形变速度时间序列,且将两个序列均变换至RGB坐标系中。其中,每隔3秒的累计形变时间序列如图2至图3所示,每隔3秒的形变速度时间序列如图4至图5所示。
实际中,如图6至图7所示,可以先计算滑坡灾害发生前(第1秒中1-2两帧)、发生时(第11秒中350-351帧)和结束后(第25秒中757-758帧)三个时间的形变速度,然后计算监测时间段内每相邻两帧间的形变速度,得到所有监测点在监测时间段内的形变速度时间序列。
为了更好地分析滑坡上不同监测点的形变情况,可以从滑坡上选取三个不稳定的监测点P1、P2和P3,P1、P2和P3在所有监测点的累计形变时间序列和形变速度时间序列上对应的位置如图3和图5所示。然后从所有监测点的累计形变时间序列中提取P1、P2和P3的累计形变时间序列如图8所示,并从所有监测点的形变速度时间序列中提取P1、P2和P3的形变速度时间序列如图9所示,便于对P1、P2和P3三个不稳定监测点进行对比分析。
本示例只需根据滑坡的图像监测序列,再结合其像素率,即可计算出滑坡在监测时间段内的形变时间序列,计算耗时由图像监测序列的参数决定,本实例的计算仅用时40分钟,较现有技术大大缩短了计算时间。
本发明通过计算监测图像序列上每个像素在每相邻两帧时间段内的光流场位移,结合滑坡的实际尺寸,得到滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移,进而得到每个监测点在监测时间段内完整的形变速度时间序列和累计形变时间序列。本发明不再局限于对部分图像进行分析,扩大了对滑坡监测分析的时间范围,有利于对滑坡进行形变特征描述、失稳模式分析等多方面的监测分析。同时,本发明只需根据滑坡的图像监测序列和像素率即可进行监测分析,相比于现有方法需要提供大量数据且计算耗时长,本发明极大地减少了计算量和计算时间。
以上所述,仅是本申请的几个实施例,并非对本申请做任何形式的限制,虽然本申请以较佳实施例揭示如上,然而并非用以限制本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案的范围内,利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例,均属于技术方案范围内。
Claims (10)
1.一种滑坡监测方法,其特征在于,所述方法包括:
S1、根据滑坡的监测图像序列中每相邻两帧图像计算每个像素在每相邻两帧时间段内的光流场位移;
S2、根据所述光流场位移和所述滑坡的实际尺寸,计算所述滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移;
S3、根据所述实际位移,计算每个监测点在监测时间段内的累计形变时间序列和形变速度时间序列。
2.根据权利要求1所述的方法,其特征在于,所述S3中的根据所述实际位移,计算每个监测点在监测时间段内的累计形变时间序列,具体为:
将每个监测点在每相邻两帧时间段内的实际位移在时间域上进行积分,得到每个监测点在监测时间段内的累计形变时间序列。
3.根据权利要求2所述的方法,其特征在于,所述S3中的根据所述实际位移,计算每个监测点在监测时间段内的形变速度时间序列,具体为:
将每个监测点在监测时间段内的累计形变时间序列在时间域上进行差分,得到每个监测点在监测时间段内的形变速度时间序列。
4.根据权利要求1所述的方法,其特征在于,所述S3中的根据所述实际位移,计算每个监测点在监测时间段内的形变速度时间序列,具体为:
计算每个监测点在每相邻两帧时间段内的实际位移与相邻两帧的时间间隔的比值,得到每个监测点在监测时间段内的形变速度时间序列。
5.根据权利要求1所述的方法,其特征在于,在所述S3之后,所述方法还包括:
S4、将所有监测点的累计形变时间序列和形变速度时间序列变换至RGB坐标系中。
6.根据权利要求5所述的方法,其特征在于,所述S4具体为:
将所有监测点的累计形变时间序列和形变速度时间序列变换至极坐标系中;
将极坐标系中所述累计形变时间序列和形变速度时间序列变换至HSV坐标系中;
将HSV坐标系中所述累计形变时间序列和形变速度时间序列变换至RGB坐标系中。
7.根据权利要求1所述的方法,其特征在于,在所述S1之前,所述方法还包括:
对所述监测图像序列中的每一帧图像均进行灰度化处理。
8.根据权利要求1所述的方法,其特征在于,所述S2具体为:
计算所述监测图像序列上所述滑坡对应的像素数与所述滑坡的实际尺寸的比值,得到像素率;
计算每个像素在每相邻两帧时间段内的光流场位移与像素率的比值,得到所述滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移。
9.一种滑坡监测***,其特征在于,所述***包括:
光流场位移计算模块,用于根据滑坡的监测图像序列中每相邻两帧图像计算每个像素在每相邻两帧时间段内的光流场位移;
实际位移计算模块,用于根据所述光流场位移和所述滑坡的实际尺寸,计算所述滑坡上与每个像素对应的监测点在每相邻两帧时间段内的实际位移;
形变序列计算模块,用于根据所述实际位移,计算每个监测点在监测时间段内的形变速度时间序列和累计形变时间序列。
10.根据权利要求9所述的***,其特征在于,所述形变序列计算模块包括:
第一计算单元,用于将每个监测点在每相邻两帧时间段内的实际位移在时间域上进行积分,得到每个监测点在监测时间段内的累计形变时间序列;
第二计算单元,用于将每个监测点在监测时间段内的累计形变时间序列在时间域上进行差分,得到每个监测点在监测时间段内的形变速度时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311608134.7A CN117635649A (zh) | 2023-11-29 | 2023-11-29 | 一种滑坡监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311608134.7A CN117635649A (zh) | 2023-11-29 | 2023-11-29 | 一种滑坡监测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635649A true CN117635649A (zh) | 2024-03-01 |
Family
ID=90019458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311608134.7A Pending CN117635649A (zh) | 2023-11-29 | 2023-11-29 | 一种滑坡监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635649A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854256A (zh) * | 2024-03-05 | 2024-04-09 | 成都理工大学 | 基于无人机视频流分析的地质灾害监测方法 |
-
2023
- 2023-11-29 CN CN202311608134.7A patent/CN117635649A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854256A (zh) * | 2024-03-05 | 2024-04-09 | 成都理工大学 | 基于无人机视频流分析的地质灾害监测方法 |
CN117854256B (zh) * | 2024-03-05 | 2024-06-11 | 成都理工大学 | 基于无人机视频流分析的地质灾害监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631831B (zh) | 一种雾霾条件下视频图像增强方法 | |
US20150256772A1 (en) | Systems and Methods for Reducing Noise in Video Streams | |
US20090278961A1 (en) | Method for digital noise reduction in low light video | |
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
US8922674B2 (en) | Method and system for facilitating color balance synchronization between a plurality of video cameras and for obtaining object tracking between two or more video cameras | |
CN107292830B (zh) | 低照度图像增强及评价方法 | |
US8264614B2 (en) | Systems and methods for video processing based on motion-aligned spatio-temporal steering kernel regression | |
US20150170342A1 (en) | System and method for spatio video image enhancement | |
CN105118027B (zh) | 一种图像的去雾方法 | |
CN104700430A (zh) | 机载显示器的运动检测方法 | |
CN102063704B (zh) | 一种机载视景增强方法及其装置 | |
CN117635649A (zh) | 一种滑坡监测方法及*** | |
KR20190077428A (ko) | 스트리밍된 메타데이터를 사용한 비디오 프레임 레이트 변환 | |
CN110084201B (zh) | 一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法 | |
US20090244365A1 (en) | Systems and methods for increasing the temporal resolution of video data | |
CN102457724B (zh) | 一种图像运动检测***及方法 | |
CN111798395B (zh) | 基于tv约束的事件相机图像重建方法及*** | |
CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
CN111460964A (zh) | 一种广电传输机房低照度条件下运动目标检测方法 | |
CN103226816A (zh) | 基于快速高斯滤波的雾霾图像介质传输率估算与优化方法 | |
CN116403152A (zh) | 一种基于空间上下文学习网络的人群密度估计方法 | |
Har-Noy et al. | LCD motion blur reduction: A signal processing approach | |
Li et al. | Space–time super-resolution with patch group cuts prior | |
CN111582076A (zh) | 一种基于像素运动智能感知的画面冻结检测方法 | |
Kouamou et al. | Extraction of video features for real-time detection of neonatal seizures |
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 |