CN103077387B - 视频中货运列车车厢自动检测方法 - Google Patents
视频中货运列车车厢自动检测方法 Download PDFInfo
- Publication number
- CN103077387B CN103077387B CN201310049861.4A CN201310049861A CN103077387B CN 103077387 B CN103077387 B CN 103077387B CN 201310049861 A CN201310049861 A CN 201310049861A CN 103077387 B CN103077387 B CN 103077387B
- Authority
- CN
- China
- Prior art keywords
- image
- train
- video
- background
- obtains
- 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.)
- Expired - Fee Related
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 13
- 239000002356 single layer Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002924 energy minimization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频中货运列车车厢前景的自动检测方法，该方法基于计算机视觉技术，对货运列车车厢进行自动视频检测，其包括以下步骤：分割得到视频每一帧图像中列车车厢的运动前景；根据不同帧图像中车厢边界的变化，估计列车的行驶速度；根据所述列车的行驶速度对所述步骤1得到的列车车厢前景图像进行拼接，得到所述列车车厢的全景图像，完成视频中对于列车车辆的自动检测。本发明具有易于实现、鲁棒性强、精确度高、实时性强等优点，可以为智能火车视频监控系统中货运列车车厢装载情况的检测和识别提供可靠的关键技术。
Description
技术领域
本发明属于视频监控技术领域，尤其是一种视频中货运列车车厢自动检测方法，本发明利用计算机视觉技术，结合视频图像的频域信息和空间域信息，对货运列车车厢进行自动地前景分割、速度检测和前景拼接。
背景技术
随着视频监控技术的发展，视频摄像机已经被广泛用来对各种环境、区域和目标进行实时监控和检测。在智能铁路运输系统中，视频传感器已经用于对列车车厢、轮轴和铁轨的监控和检测。货运列车是由一节一节的集装箱车厢组成的，每节集装箱车箱长约35-40米，一辆列车一般由几十节车厢组成，这样一辆列车的长度往往超过1公里。这种火车的速度可以达到100-120千米/小时。由于具有如此长的长度和如此高的行驶速度，每两节车厢之间的空隙会带来很强的空气阻力，从而造成巨大的燃料消耗。但是，由于火车的长度太长、车厢太多，人工地检查装载的情况是非常费时费力的。因此，研发一种自动、可靠和有效的集装箱装载模式检测方法是非常有意义和应用价值的工作。
经对现有技术文献的检索发现，目前在视频中检测运动目标的方法主要分为三类：一类是基于高斯混合模型(GaussianMixtureModel)的方法，如：C.Stauffer和W.E.L.Grimson1999年发表在《ProceedingsofIEEEConferenceonComputerVisionandPatternRecognition(IEEE计算机视觉和模式识别会议论文集)》中的论文“Adaptivebackgroundmixturemodelsforreal-timetracking(用于实时跟踪的自适应背景混合模型)”。对于这种方法来说，由于火车车厢经常包含与背景相似的颜色像素，因此车厢的部分区域经常会被分类成背景区域，从而产生误检。一类是能量最小化方法，如：Y.Boykov等人2001年发表在《IEEETransactionsonPatternAnalysisandMachineIntelligence(IEEE模式分析与机器智能会刊)》中的论文“Fastapproximateenergyminimizationviagraphcuts(通过图切割的快速近似能量最小化)”。这种方法虽然能获得比较高的检测准确率，但是其优化过程需要耗费大量的计算时间，因此不能满足快速检测系统的应用需求。最后一类是基于边缘检测的方法，如：A.Kumar等人2007年发表在《ProceedingsofIEEEWorkshoponApplicationsofComputerVision(IEEE计算机视觉应用研讨会论文集)》中的论文“Avisionsystemformonitoringintermodalfreighttrains(用于监控联邦货运列车的视觉系统)”。这种方法所检测出来的边缘特征不总是所需的车厢与背景之间的边缘，还经常包含车厢表面图案和纹理的边缘特征，准确地区分开它们是非常困难的，因此也达不到所要求的检测准确率和鲁棒性。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种货运列车车厢的自动视频检测方法，能在背景转换、光照变化、检测噪声等实际工程应用的复杂环境下，实时准确地检测出货运列车车厢，得以实现对车厢装载情况的自动监控和识别。
为实现上述目的，本发明提出一种视频中货运列车车厢自动检测方法，该方法包括以下步骤：
步骤1，分割得到视频每一帧图像中列车车厢的运动前景；
步骤2，根据不同帧图像中车厢边界的变化，估计列车的行驶速度；
步骤3，根据所述列车的行驶速度对所述步骤1得到的列车车厢前景图像进行拼接，得到所述列车车厢的全景图像，完成视频中对于列车车辆的自动检测。本发明与现有技术相比的显著效果在于：不需要对摄像机镜头进行事先标定，对实际监控视频中所出现的背景改变、光照变化、摄像机抖动、检测噪声等干扰同时具有较高的鲁棒性。由于克服了这些现有技术在实际工程应用方面难以解决的困难，因此真正实现了对视频中货运列车车厢的自动检测。
本发明针对智能火车视频监控系统中自动检测货运列车车厢的需要，利用计算机视觉技术，实现了对货运列车车厢的自动检测，具有不需要人工参与、精确度高、鲁棒性强等优点。特别是不需要事先对摄像机镜头进行标定，自动实现车厢检测，克服了以往技术方法都难以克服的难点，也消除了实现真正工程应用的主要障碍。本发明使用计算机视觉理论中的运动目标前景分割技术，实现了货运列车车厢的自动检测，最终为智能火车视频监控系统中货运列车车厢装载情况的检测和识别提供了可靠的关键技术。
附图说明
图1是本发明检测方法的流程图。
图2是根据本发明一实施例的区域B中某位置像素的时间序列值及其功率谱。
图3是根据本发明一实施例的车厢区域检测流程及结果。
图4是根据本发明一实施例的背景窗选择及其灰度特征提取示意图。
图5是根据本发明一实施例的背景检测与去除示意图。
图6是根据本发明一实施例的单层集装箱检测示意图。
图7是根据本发明一实施例检测得到的三种车厢的全景图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
为了更好地理解本发明所提出的方法，接下来选取一段监控摄像机拍摄的视频片段为例对本发明的检测方法进行说明，所述视频片段中有一列货运列车从视域中经过，这段视频中记录了这辆列车从车头进入该监控场景开始，到车尾离开该场景为止的全过程，所述视频图像的大小为640×480，帧率为15帧/秒。
图1是本发明检测方法的流程图，如图1所示，所述检测方法包括以下步骤：
步骤1，分割得到视频每一帧图像中列车车厢的运动前景；
所述步骤1进一步包括以下步骤：
步骤11，利用列车车厢所经过区域的像素值变化的周期性特征来检测每一帧图像中列车的运动区域；
由于视频的每一帧图像中列车车厢所经过的区域的像素与背景区域的像素呈现出不同的周期变化规律，因此该步骤可利用列车车厢所经过区域的像素值变化的周期性特征来检测得到列车的运动区域。如图2(a)所示，图中，区域B为列车车厢在视频图像中的运动区域，该区域的视频图像像素值呈周期性变化；区域A为像素值不呈周期性变化的其它像素区域。
具体地，所述步骤11进一步包括以下步骤：
步骤111，随着视频的播放，记录每一帧视频图像中每一个像素位置上的像素的灰度值，得到与每一帧视频图像对应的一个时间序列信号，如图2(b)所示。
令I(i，j)(t)表示第t帧视频图像第i行、第j列位置上像素的灰度值，由于视频图像的尺寸为M×N(比如640×480)，且每一个像素位置上都可以获得一个时间序列信号，这样就得到M×N个时间序列信号。
步骤112，利用下式对所述时间序列信号进行滤波，以去除其中的噪声：
其中，I′(i，j)(t+1)表示第t+1帧(i，j)位置上经过滤波后的像素灰度值；表示控制滤波强度的阈值。
步骤113，对每一个经过滤波的时间序列信号进行快速傅立叶变换(FastFourierTransform，FFT)，得到每个时间序列信号的周期和功率谱，如图2(c)所示；
步骤114，对于每一个时间序列信号只选择功率最大的频率作为其固有频率，得到与每一帧视频图像对应的频率图像；
具体地，将所述固有频率赋给一个大小为M×N的二维矩阵中的相应位置，从而获得一个新的图像，该图像中的每个像素都保存了视频图像(如图3(a)所示)中相应位置时间序列信号的主要频率值，该图像称为该视频图像的频率图像，如图3(b)所示。图中，每个像素位置的频率值都被正规化到0-255之间。从图中可以看出，区域B中大部分像素的频率值要高于区域A中像素的频率值。
步骤115，计算所述频率图像像素值的直方图，如图3(c)所示；
步骤116，基于所述像素值的直方图中的频率值，得到每一帧图像中列车所在的运动区域；
根据区域A和区域B中时间序列信号的频率性质，可以把所述直方图中的频率值分为三个区间：
区间a：视频图像区域A中属于天空和地面区域静止像素的时间序列信号的频率值，其值为零；
区间b：视频图像区域A中属于云彩等变化较慢区域像素的时间序列信号的频率范围；
区间c：视频图像中区域B(列车车厢区域)像素的时间序列信号的频率范围。
在经过大量的视频数据实验之后，发现频率图像中列车车厢运动区域的像素的频率值总是在0.004和0.02之间。那么，根据这个频率范围，就可以用阈值法来得到该视频图像中列车车厢的运动区域，如图3(d)所示。
步骤117，对所述步骤116得到的列车所在的运动区域进行腐蚀和膨胀处理，将处理后的图像的像素值累加映射到y轴上，得到准确的列车车厢区域，如图3(e)所示。
步骤12，去除每一帧图像中列车车厢间的背景区域；
所述步骤12进一步包括以下步骤：
步骤121，在所述视频中截取一帧列车到来前的背景图像，作为背景建模的参考图像，如图4(a)所示，该背景图像中只包含背景，而不包含任何列车车厢的前景信息；
步骤122，根据所述步骤11得到的列车运动区域，在所述背景图像中对应于所述列车运动区域的天空背景的位置处选择一个矩形背景区域，所述矩形背景区域的宽度与图像的宽度一致，高度不超过列车车厢中最低车厢的高度(如图4(a)的方框所示)，之后的背景建模都针对这一背景区域进行，该背景区域这里称作检测窗；
步骤123，计算所述背景区域中背景的灰度直方图，如图4(b)所示；
步骤124，利用阈值法获得所述背景区域的主要灰度范围，作为背景模型，以实现对车厢间背景区域的检测，如图4(b)中的区域D所示。
在得到所述背景区域的灰度直方图之后，该背景区域的主要灰度范围可以这样获得：先设置一个阈值p，然后把灰度直方图中大于p的灰度范围定义为该背景图像的灰度范围；然后通过调整p的取值，使得无论直方图的形状如何变化，总是能有90％以上的灰度值被包含在这个灰度范围中。
步骤125，将当前帧图像中与所述背景区域位置相应区域中的像素的灰度值与所述主要灰度范围进行比较，得到当前帧中属于背景的区域；
该步骤中，在对灰度值进行比较之前，先用中值滤波器对当前帧进行滤波，来去除图像中由摄像机产生的椒盐噪声。灰度值比较的结果如图5(a)所示，图中白色的区域是判断为背景的区域，黑色的区域是判断为车厢前景的区域；
进一步地，如果对于当前帧图像中属于背景的像素区域再进行一系列的形态学的腐蚀膨胀处理，就可以得到更加精细的结果，如图5(b)所示。
步骤126，从当前帧图像中去除检测到的属于背景的区域，得到当前帧图像中的列车车厢区域；
从属于背景的区域的检测结果中，可以很容易地获得列车车厢间背景区域的左右边界，从而实现对属于背景的区域的检测与去除，当前帧图像中的列车车厢区域如图5(c)所示。
进一步地，在列车监测视频中可以发现，两节车厢之间的背景每隔一段时间就会出现，而且会随着列车的行进扫过整个视域，因此可以把在每一帧图像中检测到的车厢间的背景区域拼接起来，形成一副新的背景图像，再重复前面的背景建模过程获得新的背景模型，即属于背景的区域：
步骤127，利用每一帧图像中检测到的车厢间的背景区域对所述步骤121中的背景图像进行更新，重复所述步骤122-126，得到更为精准的当前帧图像中的列车车厢区域。
步骤13，对于视频中出现单层列车车厢的帧图像进行检测；
完成以上几个步骤之后，大部分集装箱装载模式的列车车厢都可以被成功地检测出来。但是，由于步骤122中检测窗的宽度和位置的限制，图6(a)中的单层列车车厢还无法被检测到，如图6(b)所示，接下来就采用减背景的方法利用目前得到的检测结果检测单层列车车厢。
所述步骤13进一步包括以下步骤：
步骤131，在视频图像中出现单层列车车厢的位置处设置一检测窗，如图6(c)中的方框所示，所述检测窗的宽度与图像的宽度一致，高度不超过单层列车车厢中最低车厢的高度；
步骤132，在所述检测窗内对当前帧图像进行减背景计算，即在检测窗区域的原始图像中将背景图像减掉，只保留每一帧中的前景图像，计算的图像区域范围仅涉及在前一步被认为是背景的区域。对于单层列车车厢的检测结果如图6(d)所示。
进一步地，为了达到更高的检测准确率，本发明在利用检测窗进行检测时，还结合每一像素的颜色信息进行检测：
对于所述检测窗中的每一个像素，如果其被分类为背景，就令它的值为1；反之，令它的值为0。然后再用下式来综合三个颜色通道的类别结果，从而得到一个综合的分类结果：
C(i，j)＝CR(i，j)∩CG(i，j)∩CB(i，j)
式中：CR/G/B(i，j)分别表示RGB三个通道中像素(i，j)的类别标签：0或1；∩表示“与”运算。
步骤2，根据不同帧图像中车厢边界的变化，估计列车的行驶速度；
由于摄像机视域的限制，通过前景分割算法只能得到车厢在每一帧图像中出现的部分厢体，尤其是当两节车厢间的距离大于视域的宽度时，仅仅依靠前景分割的结果还无法测量两节车厢间的距离。因此，需要把每一帧得到的车厢前景，连同车厢间的背景空缺拼接恢复成车厢的全图，才能对每一节车厢进行识别。然而，要对车厢前景进行准确地拼接，首先需要知道火车当时的行驶速度。
在实现了车厢前景的准确分割之后，每节车厢的左右边界在每一帧图像中都可以准确地得到。因此该步骤中，就可以利用车厢的边界来估计当时列车行驶的即时速度，速度的单位是像素/帧：
v(It，It-1)＝It(j+v)-It-1(j)
其中：It(j+v)表示当前帧中，车厢的左边界或右边界在图像平面x轴上的像素坐标位置；It(j)表示前一帧中，该边界在图像平面x轴上的像素坐标位置。
步骤3，根据所述列车的行驶速度对所述步骤1得到的列车车厢前景图像进行拼接，得到所述列车车厢的全景图像，完成视频中对于列车车辆的自动检测。
根据所述列车行驶速度，在视频图像的中间部分选择一定宽度的区域作为子图像采集区域，该区域的高度与图像帧一致，然后在所述步骤1车厢前景分割的结果视频中，逐帧采集区域内的图像，并把采集得到的图像拼接得到车厢的全景图像。根据本发明一实施例检测得到的三种车厢的全景图像如图7(a)、(b)、(c)所示。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种视频中货运列车车厢自动检测方法，其特征在于，该方法包括以下步骤：
步骤1，分割得到视频每一帧图像中列车车厢的运动前景；
步骤2，根据不同帧图像中车厢边界的变化，估计列车的行驶速度；
步骤3，根据所述列车的行驶速度对所述步骤1得到的列车车厢前景图像进行拼接，得到所述列车车厢的全景图像，完成视频中对于列车车辆的自动检测；
所述步骤1进一步包括以下步骤：
步骤11，利用列车车厢所经过区域的像素值变化的周期性特征来检测每一帧图像中列车的运动区域；
步骤12，去除每一帧图像中列车车厢间的背景区域；
步骤13，对于视频中出现单层列车车厢的帧图像进行检测。
2.根据权利要求1所述的方法，其特征在于，所述步骤11进一步包括以下步骤：
步骤111，记录每一帧视频图像中每一个像素位置上的像素的灰度值，得到与每一帧视频图像对应的一个时间序列信号；
步骤112，对所述时间序列信号进行滤波，以去除其中的噪声；
步骤113，对每一个经过滤波的时间序列信号进行快速傅立叶变换，得到每个时间序列信号的周期和功率谱；
步骤114，对于每一个时间序列信号只选择功率最大的频率作为其固有频率，得到与每一帧视频图像对应的频率图像；
步骤115，计算所述频率图像像素值的直方图；
步骤116，基于所述像素值的直方图中的频率值，利用阈值法得到每一帧图像中列车所在的运动区域；
步骤117，对所述步骤116得到的列车所在的运动区域进行腐蚀和膨胀处理，将处理后的图像的像素值累加映射到y轴上，得到准确的列车车厢区域。
3.根据权利要求1所述的方法，其特征在于，所述步骤12进一步包括以下步骤：
步骤121，在所述视频中截取一帧列车到来前的背景图像，作为背景建模的参考图像；
步骤122，根据所述步骤11得到的列车运动区域，在所述背景图像中对应于所述列车运动区域的天空背景的位置处选择一个矩形背景区域作为检测窗；
步骤123，计算所述背景区域中背景的灰度直方图；
步骤124，利用阈值法获得所述背景区域的主要灰度范围，作为背景模型，以实现对车厢间背景区域的检测；
步骤125，将当前帧图像中与所述背景区域位置相应区域中的像素的灰度值与所述主要灰度范围进行比较，得到当前帧中属于背景的区域；
步骤126，从当前帧图像中去除检测到的属于背景的区域，得到当前帧图像中的列车车厢区域；
步骤127，利用每一帧图像中检测到的车厢间的背景区域对所述步骤121中的背景图像进行更新，重复所述步骤122-126，得到更为精准的当前帧图像中的列车车厢区域。
4.根据权利要求3所述的方法，其特征在于，所述步骤125中，在对灰度值进行比较之前，先用中值滤波器对当前帧进行滤波，来去除图像中由摄像机产生的噪声；且所述步骤125进一步包括对于当前帧图像中属于背景的像素区域进行腐蚀膨胀处理的步骤。
5.根据权利要求3所述的方法，其特征在于，所述步骤127中，利用每一帧图像中检测到的车厢间的背景区域对所述步骤121中的背景图像进行更新具体为：把在每一帧图像中检测到的车厢间的背景区域拼接起来，形成一副新的背景图像。
6.根据权利要求1所述的方法，其特征在于，所述步骤13进一步包括以下步骤：
步骤131，在视频图像中出现单层列车车厢的位置处设置一检测窗，所述检测窗的宽度与图像的宽度一致，高度不超过单层列车车厢中最低车厢的高度；
步骤132，在所述检测窗内对当前帧图像进行减背景计算，即在检测窗区域的原始图像中将背景图像减掉，只保留每一帧中的前景图像，得到单层列车车厢的检测结果。
7.根据权利要求3或6所述的方法，其特征在于，利用检测窗进行检测时，还结合每一像素的颜色信息进行检测：
对于所述检测窗中的每一个像素，如果其被分类为背景，就令它的值为1；反之，令它的值为0；
然后利用下式来综合三个颜色通道的类别结果，从而得到一个综合的分类结果：
C(i,j)＝CR(i,j)∩CG(i,j)∩CB(i,j)
其中：CR/G/B(i,j)分别表示RGB三个通道中像素(i,j)的类别标签：0或1；∩表示“与”运算。
8.根据权利要求1所述的方法，其特征在于，列车行驶的速度利用下式来计算：
v(It,It-1)＝It(j+v)-It-1(j)
其中：It(j+v)表示当前帧中，车厢的左边界或右边界在图像平面x轴上的像素坐标位置；It(j)表示前一帧中，该边界在图像平面x轴上的像素坐标位置。
9.根据权利要求1所述的方法，其特征在于，所述步骤3中，根据所述列车的行驶速度对所述步骤1得到的列车车厢前景图像进行拼接具体为：根据所述列车的行驶速度，在视频图像的中间部分选择一定宽度的区域作为子图像采集区域，该区域的高度与图像帧一致，然后在所述步骤1得到的车厢前景分割的结果中，逐帧采集区域内的图像，并把采集得到的图像拼接得到车厢的全景图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310049861.4A CN103077387B (zh) | 2013-02-07 | 2013-02-07 | 视频中货运列车车厢自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310049861.4A CN103077387B (zh) | 2013-02-07 | 2013-02-07 | 视频中货运列车车厢自动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103077387A CN103077387A (zh) | 2013-05-01 |
| CN103077387B true CN103077387B (zh) | 2015-11-18 |
Family
ID=48153911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310049861.4A Expired - Fee Related CN103077387B (zh) | 2013-02-07 | 2013-02-07 | 视频中货运列车车厢自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103077387B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598916B (zh) * | 2014-09-11 | 2019-03-26 | 单勇 | 一种火车识别系统的构建方法和火车识别的方法 |
| CN105095851B (zh) * | 2015-03-04 | 2018-04-24 | 武汉利德测控技术有限公司 | 一种钢卷位置识别方法 |
| CN109754410B (zh) * | 2019-01-03 | 2020-12-11 | 北京化工大学 | 一种基于机器视觉的铁路车辆车厢计数方法 |
| CN110264470B (zh) * | 2019-05-07 | 2024-05-28 | 平安科技（深圳）有限公司 | 货运列车篷布监测方法、装置、终端及存储介质 |
| CN110191324B (zh) * | 2019-06-28 | 2021-09-14 | Oppo广东移动通信有限公司 | 图像处理方法、装置、服务器及存储介质 |
| CN111860303A (zh) * | 2020-07-17 | 2020-10-30 | 成都铁安科技有限责任公司 | 列车受电弓图像采集系统及其控制方法 |
| CN111966857B (zh) * | 2020-08-19 | 2023-09-29 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测系统 |
| CN112132751B (zh) * | 2020-09-28 | 2023-02-07 | 广西信路威科技发展有限公司 | 基于频域变换的视频流车身全景图像拼接装置和方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004355456A (ja) * | 2003-05-30 | 2004-12-16 | Matsushita Electric Ind Co Ltd | 物体識別方法、物体識別装置及び交通量計測システム、線路監視システム、及び侵入者監視システム |
| CN101424529A (zh) * | 2007-11-02 | 2009-05-06 | 北京华旗资讯数码科技有限公司 | 列车扫描系统 |
| CN102136196A (zh) * | 2011-03-10 | 2011-07-27 | 北京大学深圳研究生院 | 一种基于图像特征的车辆测速方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100568237B1 (ko) * | 2004-06-10 | 2006-04-07 | 삼성전자주식회사 | 비디오 영상으로부터 이동 물체를 추출하는 장치 및 방법 |
-
2013
- 2013-02-07 CN CN201310049861.4A patent/CN103077387B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004355456A (ja) * | 2003-05-30 | 2004-12-16 | Matsushita Electric Ind Co Ltd | 物体識別方法、物体識別装置及び交通量計測システム、線路監視システム、及び侵入者監視システム |
| CN101424529A (zh) * | 2007-11-02 | 2009-05-06 | 北京华旗资讯数码科技有限公司 | 列车扫描系统 |
| CN102136196A (zh) * | 2011-03-10 | 2011-07-27 | 北京大学深圳研究生院 | 一种基于图像特征的车辆测速方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于边缘特征的背景差分运动目标检测方法;董久敏 等;《海军航空工程学院学报》;20111231;第26卷(第2期);173-176 * |
| 图像检测技术在运煤列车抑尘作业中的应用研究;杨绍华;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20080515(第05期);C033-96，54页第1段至第4段，58页第1段至59页最后一段，图5-1，5-5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103077387A (zh) | 2013-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103077387B (zh) | 视频中货运列车车厢自动检测方法 | |
| CN110178167B (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
| CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统 | |
| CN102810250B (zh) | 基于视频的多车型交通信息检测方法 | |
| CN100544446C (zh) | 用于视频监控的实时运动检测方法 | |
| CN103093249B (zh) | 一种基于高清视频的出租车识别方法及系统 | |
| CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
| CN102073846B (zh) | 基于航拍图像的交通信息获取方法 | |
| CN103150903B (zh) | 一种自适应学习的视频车辆检测方法 | |
| CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
| CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
| CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
| CN104021574A (zh) | 路面病害自动识别方法 | |
| CN112329747B (zh) | 基于视频识别和深度学习的车辆参数检测方法及相关装置 | |
| CN102073852B (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
| CN102044151A (zh) | 基于光照可见度辨识的夜间车辆视频检测方法 | |
| EP2813973B1 (en) | Method and system for processing video image | |
| CN104134079A (zh) | 一种基于极值区域和极限学习机的车牌识别方法 | |
| CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 | |
| CN105740835A (zh) | 夜视环境下基于车载相机的前方车辆检测方法 | |
| Jiang et al. | Lane line detection optimization algorithm based on improved Hough transform and R-least squares with dual removal | |
| Moizumi et al. | Traffic light detection considering color saturation using in-vehicle stereo camera | |
| CN103336965A (zh) | 基于轮廓差异及区块主方向直方图的前景与特征提取方法 | |
| CN105574490A (zh) | 基于车前灯图像特征的车辆品牌识别方法和系统 | |
| Dong et al. | Detection method for vehicles in tunnels based on surveillance images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151118 Termination date: 20210207 |