CN105512633A - 一种电力系统危险目标识别方法及装置 - Google Patents

一种电力系统危险目标识别方法及装置 Download PDF

Info

Publication number
CN105512633A
CN105512633A CN201510926709.9A CN201510926709A CN105512633A CN 105512633 A CN105512633 A CN 105512633A CN 201510926709 A CN201510926709 A CN 201510926709A CN 105512633 A CN105512633 A CN 105512633A
Authority
CN
China
Prior art keywords
invader
image
sorter
threat
segmentation
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
Application number
CN201510926709.9A
Other languages
English (en)
Inventor
谭焕玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201510926709.9A priority Critical patent/CN105512633A/zh
Publication of CN105512633A publication Critical patent/CN105512633A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明提供一种电力系统危险目标识别方法及装置，方法通过使用Haar特征集训练的分类器对检测出的入侵物进行识别，不仅能够识别出确切的入侵物，还能够通过对入侵物尺度大小的计算，确定入侵物的危险等级，为排除危险物提供了准确的参考，方便了排除危险物的操作。

Description

一种电力系统危险目标识别方法及装置
技术领域
本发明涉及电力系统设备保护领域领域，更具体地，涉及一种电力系统危险目标识别方法和装置。
背景技术
为了保证电力设施的安全运行，一般都会给一定区域内的电力设施配备监测系统，现有的电力设施监测系统，通常只能识别出某一监测区域中的入侵物，而对于此入侵物是否对电力设施构成确定的威胁，则无法判别，更加无法确定入侵物对电力设施会造成多大的威胁，因而必然给威胁的排除造成困难，例如，对将没有威胁的入侵物体安排排除工作，造成资源的浪费，或者对排除工作准备的不足，造成安全隐患。
发明内容
本发明提供一种电力系统危险目标识别方法，目的在于解决现有的电力设备监测系统不能明确入侵威胁及威胁程度，而给威胁排除造成困难的问题。
本发明的又一目的在于提供一种电力系统危险目标识别装置。
为了达到上述技术目的，本发明的技术方案如下：
一种电力系统危险目标识别方法，包括：
检测出所述电力监测系统采集到的视频中的入侵物；
利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；
如果是，则计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。
进一步地，所述检测出所述电力监测系统采集到的视频中的入侵物包括：获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；计算所述结构相似性指标对应的图像的直方图；依据所述直方图，确定阈值；利用所述阈值对所述结构相似性指标对应的图像进行阈值分割，得到分割后的图像；将所述分割后的图像分别向其所在坐标系的水平轴和垂直轴做投影，并提取所述投影值大于预设的值的连续区域作为入侵物的图像。
进一步地，在所述得到分割后的图像之后，将所述分割后的图像分别向其所在坐标轴的水平轴和垂直轴做投影之前，还包括：对所述分割后的图像进行先腐蚀再膨胀的数学形态学计算，将计算结果作为分割后的图像。
进一步地，所述预先训练的分类器包括：基于Haar特征基的分类器。
进一步地，所述预先训练的过程包括：将能够对电力设施产生威胁的物体的图像作为正样本，将不含所述物体的图像作为负样本；分别计算所述正样本和所述负样本的Haar特征值，并根据所述特征值确定弱分类器的阈值；将不同的弱分类器按照Adaboot方法的加权方式组合为不同的强分类器；将所述强分类器级联，以组成所述的分类器。
进一步地，所述利用预先训练的分类器对所述入侵物进行分类，确定所述入侵物是否对电力设施构成威胁包括：获取所述入侵物图像的多个相同尺寸的子图像；将所述子图像送入所述分类器，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物对电力设施构成威胁。
进一步地，所述入侵物的参数包括：所述入侵物的尺寸。
一种电力系统危险目标识别装置，包括：入侵物检测模块，用于检测出所述电力监测系统采集到的视频中的入侵物；威胁物确定模块，用于利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；危险等级分类模块，用于当入侵物对电力设施构成威胁时，计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。
进一步地，所述入侵物检测模块包括：图像获取单元，用于获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；阈值分割单元，用于计算所述结构相似性指标对应的图像的直方图，并依据所述直方图，确定阈值，利用所述阈值对所述结构相似性指标对应的图像进行阈值分割，得到分割后的图像；区域提取单元，用于将所述分割后的图像分别向其所在坐标系的水平轴和垂直轴做投影，并提取所述投影值大于预设的值的连续区域作为入侵物的图像。
进一步地，所述危险等级分类模块包括：子图像获取单元，用于获取所述入侵物图像的多个相同尺寸的子图像；分类器，用于将所述子图像进行分类，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物为有威胁物体；危险等级确定单元，用于当所述入侵物为有威胁物体时，计算所述物体的尺寸，以确定其危险等级。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过使用Haar特征集训练的分类器对检测出的入侵物进行识别，不仅能够识别出确切的入侵物，还能够通过对入侵物尺度大小的计算，确定入侵物的危险等级，为排除危险物提供了准确的参考，方便了排除危险物的操作。
附图说明
图1为本发明识别方法的流程图；
图2为本发明识别装置的结构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种电力系统危险目标识别方法，包括步骤：
S101：检测出所述电力监测系统采集到的视频中的入侵物；
电力监测系统的图像采集单元将采集到的电力设施现场的视频传回后，将所述视频包含的图像帧序列进行图像处理的过程，用以检测是否有入侵物。
S102：利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；
需要强调的是，本实施例中预先训练的分类器为使用Haar特征集进行训练后的分类器，Haar特征集中的特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。
S103：如果是，则计算所述入侵物的参数并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。
所述入侵物的危险等级指的是入侵物对电力设施的危害程度，危害程度越大则危险等级越高，入侵物的参数与危险等级间的对应关系可以根据实际情况预先设定，其中，参数可以为入侵物的尺寸。
本实施例公开的危险目标识别方法，除了能够检测出电力设施附件的入侵物外，还能够明确判断出所述入侵物是否为对电力设备造成威胁，并确定出危险等级，从而能够指导是否需要安排排除，以及怎样排除危险。
进一步地，本实施例中所述检测出所述电力监测系统采集到的视频中的入侵物包括：
获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；
其中，结果相似性指标(StructuralSimilarityIndexMeasurement，SSIM)是一种基于颜色空间的衡量两幅图像相似性的指标，两幅图像间的相似性越高，则SSIM值越大，当SSIM值为1时，说明两幅图像完全相同，也就是说，当后一幅图像中包含了前一幅图像中没有的目标时，则认为此目标为入侵物这里，使用SSIM的作用为找出相邻的图像间的不同。
计算所述结构相似性指标对应的图像的直方图；
依据所述直方图，确定阈值；
利用所述阈值对所述结构相似性指标对应的图像进行分割，得到分割后的图像；
图像中结构没有发生明显变化的区域的SSIM值接近或者等于1，而那些结构发生了明显变化的区域的值小于1，因而可以设定某一个阈值来将SSIM结果图二值化，只保留差异部分，而将其他结构没有发生明显变化的部分图像都变化0。
将所述分割后的图像进行先腐蚀后膨胀的数学形态学计算，将计算结果作为新的分割后的图像；
上述为对结构相似性指标对应的图像进行阈值分割的过程，得到的分割后的图像为二值图像，对分割结果进行形态学处理，则是为了去除噪声。
将分割后的图像分别向其所在坐标系的水平轴和垂直轴做投影，并提取所述投影值大于预设的值的连续区域作为入侵物的图像。
所述检测入侵物的方法面对电力设施入侵物的分割，将SSIM指标、阈值分割及投影计算灵活组合，相比于其他目标检测方法，更适用于检测出电力设施附近的入侵物。
进一步地，本实施例所述的预先训练的过程包括：
将能够对电力设施产生威胁的物体的图像作为正样本，将不含所述物体的图像作为负样本；
例如，能够对电力设施产生威胁的物体包括大型工程车辆，其中分为工程车吊臂张开和吊臂闭合两种情况，可以通过改变一个正样本图像的灰度等参数，生成其它正样本。负样本图像可以是不含有正样本的任何图像，大小只要不小于正样本就可以，本实施例中采用的负样本图片主要是工程车出现的常见场景中的背景图片，例如道路，草坪，建筑物等。由于工程车不属于自然物体，其图片的特点是边缘比较明显，有固定的形状，所以选取负样本时着重选取了其它人造物体，以使分类器可以更好的设定阈值。正负样本的尺寸要合适，一般选择为40*40像素的大小。
分别计算所述正样本和所述负样本的Haar特征值，并根据所述特征值确定弱分类器的阈值；
将不同的弱分类器按照Adaboot方法的加权方式组合为不同的强分类器；
将所述强分类器级联，以组成所述的分类器。
使用Haar特征值利用Adaboot方法训练分类器常见于人脸识别领域，而由于图像处理与模式识别领域的方法都是面向处理对象的，所以将Haar特征值及Adaboot方法用于分类电力设施的入侵物，必须要根据待分类目标的形状、灰度等特征，并面向此类目标训练分类器。上述训练方法正是将对电力设施有威胁的正样本和对电力设施没有威胁的负样本与Haar特征结合起来，训练处适用于电力设施监测的分类器。
进一步地，本实施例中所述利用预先训练的分类器对所述入侵物进行分类，确定所述入侵物是否对电力设施构成威胁包括：
获取所述入侵物图像的多个相同尺寸的子图像；
这里，可以选择子图像的尺寸与训练分类器的正负样本的尺寸相同。
将所述子图像送入所述分类器，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物对电力设施构成威胁。
其中预设的数量可以为5个，也就是说，当连续5个子图像都被识别为有威胁物体时，则可以确定次入侵物对电力设施造成威胁，即为危险目标。
为了使得识别结果更加精确，可以选取一个尺度因子，例如1.2，在上述对于一帧图像的处理过程结束后，将入侵物的图像乘以尺度因子后重复上述步骤。
上述过程为针对一帧图像进行识别的过程，对于视频中的所有图像帧，可以按照尺度从小到大的顺序依次进行处理。
与上述方式实施例对应的，本发明还公开了一种电力系统危险目标识别，如图2所示，包括：
入侵物检测模块201，用于检测出所述电力监测系统采集到的视频中的入侵物；
威胁物确定模块202，用于利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；
危险等级分类模块203，用于当入侵物对电力设施构成威胁时，计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。
进一步地，所述入侵检测模块包括：图像获取单元，用于获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；
阈值分割单元，用于计算所述结构相似性指标对应的图像的直方图，并依据所述直方图，确定阈值，利用所述阈值对所述结构相似性指标对应的图像进行阈值分割，得到分割后的图像；
进一步地，本实施例所述危险等级分类模块包括：
子图像获取单元，用于获取所述入侵物图像的多个相同尺寸的子图像；
分类器，用于将所述子图像进行分类，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物为有威胁物体；
危险等级确定单元，用于当所述入侵物为有威胁物体时，计算所述物体的尺寸，以确定其危险等级。
本实施例公开的装置，在检测到入侵物的同时，能够明确判断出其对电力设施能够构成威胁，并能通过计算其参数，给出入侵物的危险等级，方便了后续排除入侵物的工作。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种电力系统危险目标识别方法，其特征在于，包括：
检测出所述电力监测系统采集到的视频中的入侵物；
利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；
如果是，则计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。
2.根据权利要求1所述的电力系统危险目标识别方法，其特征在于，所述检测出所述电力监测系统采集到的视频中的入侵物包括：获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；计算所述结构相似性指标对应的图像的直方图；依据所述直方图，确定阈值；利用所述阈值对所述结构相似性指标对应的图像进行阈值分割，得到分割后的图像；将所述分割后的图像分别向其所在坐标系的水平轴和垂直轴做投影，并提取所述投影值大于预设的值的连续区域作为入侵物的图像。
3.根据权利要求2所述的电力系统危险目标识别方法，其特征在于，在所述得到分割后的图像之后，将所述分割后的图像分别向其所在坐标轴的水平轴和垂直轴做投影之前，还包括：对所述分割后的图像进行先腐蚀再膨胀的数学形态学计算，将计算结果作为分割后的图像。
4.根据权利要求1所述的电力系统危险目标识别方法，其特征在于，所述预先训练的分类器包括：基于Haar特征基的分类器。
5.根据权利要求1或4所述的电力系统危险目标识别方法，其特征在于，所述预先训练的过程包括：将能够对电力设施产生威胁的物体的图像作为正样本，将不含所述物体的图像作为负样本；分别计算所述正样本和所述负样本的Haar特征值，并根据所述特征值确定弱分类器的阈值；将不同的弱分类器按照Adaboot方法的加权方式组合为不同的强分类器；将所述强分类器级联，以组成所述的分类器。
6.根据权利要求1所述的电力系统危险目标识别方法，其特征在于，所述利用预先训练的分类器对所述入侵物进行分类，确定所述入侵物是否对电力设施构成威胁包括：获取所述入侵物图像的多个相同尺寸的子图像；将所述子图像送入所述分类器，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物对电力设施构成威胁。
7.根据权利要求1所述的电力系统危险目标识别方法，其特征在于，所述入侵物的参数包括：所述入侵物的尺寸。
8.一种应用如权利要求1所述的电力系统危险目标识别方法的电力系统危险目标识别装置，其特征在于，包括：入侵物检测模块，用于检测出所述电力监测系统采集到的视频中的入侵物；威胁物确定模块，用于利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；危险等级分类模块，用于当入侵物对电力设施构成威胁时，计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。
9.根据权利要求8所述的电力系统危险目标识别装置，其特征在于，所述入侵物检测模块包括：图像获取单元，用于获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；阈值分割单元，用于计算所述结构相似性指标对应的图像的直方图，并依据所述直方图，确定阈值，利用所述阈值对所述结构相似性指标对应的图像进行阈值分割，得到分割后的图像；区域提取单元，用于将所述分割后的图像分别向其所在坐标系的水平轴和垂直轴做投影，并提取所述投影值大于预设的值的连续区域作为入侵物的图像。
10.根据权利要求8所述的电力系统危险目标识别装置，其特征在于，所述危险等级分类模块包括：子图像获取单元，用于获取所述入侵物图像的多个相同尺寸的子图像；分类器，用于将所述子图像进行分类，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物为有威胁物体；危险等级确定单元，用于当所述入侵物为有威胁物体时，计算所述物体的尺寸，以确定其危险等级。
CN201510926709.9A 2015-12-11 2015-12-11 一种电力系统危险目标识别方法及装置 Pending CN105512633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510926709.9A CN105512633A (zh) 2015-12-11 2015-12-11 一种电力系统危险目标识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510926709.9A CN105512633A (zh) 2015-12-11 2015-12-11 一种电力系统危险目标识别方法及装置

Publications (1)

Publication Number Publication Date
CN105512633A true CN105512633A (zh) 2016-04-20

Family

ID=55720600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510926709.9A Pending CN105512633A (zh) 2015-12-11 2015-12-11 一种电力系统危险目标识别方法及装置

Country Status (1)

Country Link
CN (1) CN105512633A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410496A (zh) * 2018-10-25 2019-03-01 北京交通大学 入侵预警方法、装置及电子设备
WO2020073505A1 (zh) * 2018-10-11 2020-04-16 平安科技（深圳）有限公司 基于图像识别的图像处理方法、装置、设备及存储介质
CN111754713A (zh) * 2019-03-28 2020-10-09 杭州海康威视数字技术股份有限公司 视频监控方法、装置及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1881345A1 (en) * 2000-12-20 2008-01-23 Fujitsu Ten Limited Method for detecting stationary object located above road
CN102496030A (zh) * 2011-12-12 2012-06-13 杭州市电力局 电力监测系统中危险目标的识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1881345A1 (en) * 2000-12-20 2008-01-23 Fujitsu Ten Limited Method for detecting stationary object located above road
CN102496030A (zh) * 2011-12-12 2012-06-13 杭州市电力局 电力监测系统中危险目标的识别方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020073505A1 (zh) * 2018-10-11 2020-04-16 平安科技（深圳）有限公司 基于图像识别的图像处理方法、装置、设备及存储介质
CN109410496A (zh) * 2018-10-25 2019-03-01 北京交通大学 入侵预警方法、装置及电子设备
CN111754713A (zh) * 2019-03-28 2020-10-09 杭州海康威视数字技术股份有限公司 视频监控方法、装置及系统
CN111754713B (zh) * 2019-03-28 2021-12-14 杭州海康威视数字技术股份有限公司 视频监控方法、装置及系统

Similar Documents

Publication Publication Date Title
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
CN109241985B (zh) 一种图像识别方法及装置
CN111310645B (zh) 货物堆积量的溢仓预警方法、装置、设备及存储介质
CN100545867C (zh) 航拍交通视频车辆快速检测方法
CN101389004B (zh) 一种基于在线学习的运动目标分类方法
RU2484531C2 (ru) Устройство обработки видеоинформации системы охранной сигнализации
US9911055B2 (en) Method and system for detection and classification of license plates
CN102542289A (zh) 一种基于多高斯计数模型的人流量统计方法
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
CN102496030B (zh) 电力监测系统中危险目标的识别方法及装置
CN109284664A (zh) 驾驶员辅助系统和护栏检测方法
Russo et al. Smoke detection method based on LBP and SVM from surveillance camera
Malhi et al. Vision based intelligent traffic management system
CN105512633A (zh) 一种电力系统危险目标识别方法及装置
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
CN115512134A (zh) 快件堆积异常预警方法、装置、设备及存储介质
CN111783700A (zh) 一种路面异物自动识别预警方法和系统
Benraya et al. Comparison of background subtraction methods
Im et al. Bigdata analytics on CCTV images for collecting traffic information
Javadzadeh et al. Fast vehicle detection and counting using background subtraction technique and prewitt edge detection
Filonenko et al. Illegally parked vehicle detection using adaptive dual background model
Balci et al. Front-View Vehicle Damage Detection using Roadway Surveillance Camera Images.
Changalasetty et al. Identification and feature extraction of moving vehicles in LabVIEW
Chen et al. Automatic head detection for passenger flow analysis in bus surveillance videos
CN109886120B (zh) 一种斑马线检测方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160420