CN105719308A - 基于稀疏表示的有砟铁路路基病害特征表示方法 - Google Patents
基于稀疏表示的有砟铁路路基病害特征表示方法 Download PDFInfo
- Publication number
- CN105719308A CN105719308A CN201610055050.9A CN201610055050A CN105719308A CN 105719308 A CN105719308 A CN 105719308A CN 201610055050 A CN201610055050 A CN 201610055050A CN 105719308 A CN105719308 A CN 105719308A
- Authority
- CN
- China
- Prior art keywords
- image
- roadbed
- railway
- stone
- coal
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于稀疏表示的有砟铁路路基病害特征表示方法,涉及铁路路基的病害特征表示方法技术领域。所述方法利用有砟铁路路基的物理尺寸特性,结合稀疏成像中路基病害的分布特性和投影的规律性对路基病害进行检测,可进行有砟铁路路基病害的快速识别,为病害的整治处理提供技术支持,满足未来线路快速养护的需求,保障运营安全。
Description
技术领域
本发明涉及铁路路基的病害特征表示方法技术领域,尤其涉及一种基于稀疏表示的有砟铁路路基病害特征表示方法。
背景技术
有砟铁路路基雷达图像的特征提取是一个复杂的数字图像分割问题,路基图像本身不具有特定形状,也不具有规范的回波特征,而是一种非均质的、非特定回波信号特征的物体。目前常用的数字图像自动分割方法主要有阈值分割法、区域分割法以及边缘分割法等。阈值分割技术根据图像的直方图,选取合适的阈值,将图像中的物体与背景分开,但是该方法适用于物体和背景对比比较明显的图像,然而路基图像与背景的对比并不明显。区域分割法主要包括区域生长法和分水岭分割法,该方法要求分割对象有较好的封闭性,而路基图像特征不存在封闭特征。边缘分割法同样是利用物体和背景在图像特性的差异来实现的,但边缘检测方法易受到图像噪声的影响,难以得到目标边界的连续边缘,容易出现不连续的断点,这就需要采用一定的方法对边界进行修正,从而得到连续的边界。路基的雷达图像有时呈现一定的边界界线,比如路基下沉、道碴陷槽等典型路基病害,而当路基发生翻浆冒泥病害时,翻浆冒泥的雷达图像则不会出现边界界线。
目前有砟铁路路基及其典型病害的特征提取,集中于时域形态特征的特征提取,方法主要针对具有明显的同相轴雷达图像,而对于图像无明显同相轴且病害区域回波频率有较大变化的图像(如翻浆冒泥),该方法不能够有效地提取其雷达图像特征,且对于雷达图像连续的界面,由于道间信号强度的不均衡性,可能造成ROI(感兴趣区域)的不连续,使得界面不能连续的追踪,尤其是时域特征不明显的病害识别率不高;而基于时域与频域的联合特征提取,特征值数量过多,运算效率低;同时这两种特征提取算法均未考虑道间的相关性,不利于空间具有三维特征的目标的识别;再者其特征值的提取未能考虑各种病害的差异性特征。
发明内容
本发明所要解决的技术问题是提供一种基于稀疏表示的有砟铁路路基病害特征表示方法,所述方法可实现有砟铁路路基病害的快速识别,为有砟铁路路基病害的整治处理提供技术支持,满足未来线路快速养护的需求,保障运营安全。
为解决上述技术问题,本发明所采取的技术方案是:一种基于稀疏表示的有砟铁路路基病害特征表示方法,其特征在于包括如下步骤:
1)通过探地雷达获取有砟铁路路基典型病害在所述路基的长度及深度方向上的空间分布规律,提取出能够区分各种铁路路基状态的物性指标;
2)对探地雷达获取的铁路路基雷达信号进行预处理;
3)将预处理后的铁路路基雷达信号进行图像变换,对所述图像进行梯度处理;
4)对梯度处理后的图像进行边界分割处理提取感兴趣区域;
5)利用投影变换将二维的路基图像转换成水平和垂直方向的投影,通过投影线段范围确定病害的类型;
6)将有砟铁路路基雷达图像的投影起始位置和线段范围作为铁路路基病害识别的特征表示。
进一步的技术方案在于:所述步骤1)中:有砟铁路路基典型病害包括:翻浆冒泡,深度范围为0.7m-2.5m,长度范围为1.2m-1.9m;道碴囊,深度范围为0.1m-2.6m,长度范围为0.4m-2m;路基下沉,深度范围为0.05m-0.5m,长度范围为0m-600m。
进一步的技术方案在于:所述的步骤2)具体为:采用均值消去法,消除探地雷达天线耦合波;根据雷达脉冲的宽度,将脉冲宽度范围内信号置零,消除直达波;通过寻找回波信号中的极大值位置,确定直达波界面的位置,通过删除各道直达波位置之前的数据,矫正天线起伏;采用中值滤波法对雷达接收的信号按幅值排序,将排序后的中间值作为原信号的幅值,抑制路基图像的射频干扰。
进一步的技术方案在于:所述的步骤3)具体为:
将铁路路基雷达信号每25道看成像素为256*256的图像,,把图像表示成一个M×N的二维数字阵列式(1):
求解其二次梯度图像:
G(x,y)=dx+dy(2)
dx(i,j)=f(i+1,y)-f(i,j)(3)
dy(i,j)=f(i,j+1)-f(i,j)(4)
其中,G(x,y)为图像梯度,f为图像像素值,(i,j)为像素坐标。
进一步的技术方案在于:所述的步骤4)中:利用梯度法提取雷达图像的特征,并采用幅度角度阈值方法去除图像的伪边缘。
进一步的技术方案在于:所述步骤5)中:所述步骤5)中:
路基垂直投影图像中的水平坐标:
L=256×t1/t(5)
其中t1为界面位置探地雷达回波时间,t为路基图像的总回波时间;
根据L的大小,可以分析铁路路基状况及其发生的深度范围:
H=t1×vp(6)
其中vp为速度,ε为介电常数;将(5)和(6)两式合并后,得出路基病害在投影图中的线段范围:
H=L×t×vp/256(7)
根据式得出:
采用上述技术方案所产生的有益效果在于:所述方法利用有砟铁路路基的物理尺寸特性,结合稀疏成像中路基病害的分布特性和投影的规律性对路基病害进行检测,可进行有砟铁路路基病害的快速识别,为病害的整治处理提供技术支持,满足未来线路快速养护的需求,保障运营安全。
附图说明
图1是本发明所述方法的流程图;
图2是路基下沉的二次梯度处理图;
图3是路基陷槽的梯度处理图;
图4是正常路基的梯度处理图;
图5a是正常路基的边界处理图;
图5b是道碴陷槽的边界处理图;
图5c是路基下沉的边界处理图;
图5d是翻浆冒泡的边界处理图;
图6a是正常路基的水平投影变换图;
图6b是正常路基的垂直投影变换图;
图7a是道碴陷槽的水平投影变换图;
图7b是道碴陷槽的垂直投影变换图;
图8a是路基下沉的水平投影变换图;
图8b是路基下沉的垂直投影变换图;
图9a是典型的道碴陷槽的水平投影变换图;
图9b是典型的道碴陷槽的垂直投影变换图;
图10a是典型的路基下沉的水平投影变换图;
图10b是典型的路基下沉的垂直投影变换图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
总体的,如图1所示,本发明公开了一种基于稀疏表示的有砟铁路路基病害特征表示方法,其特征在于包括如下步骤:
1)通过探地雷达获取有砟铁路路基典型病害在所述路基的长度及深度方向上的空间分布规律,提取出能够区分各种铁路路基状态的物性指标;
2)对探地雷达获取的铁路路基雷达信号进行预处理;
3)将预处理后的铁路路基雷达信号进行图像变换,对所述图像进行梯度处理;
4)对梯度处理后的图像进行边界分割处理提取感兴趣区域;
5)利用投影变换将二维的路基图像转换成水平和垂直方向的投影,通过投影线段范围确定病害的类型;
6)将有砟铁路路基雷达图像的投影起始位置和线段范围作为铁路路基病害识别的特征表示。
具体的:
1、结合数十条铁路路基的实测雷达数据,分析铁路路基病害的空间分布规律,从而提出能够区分各种铁路路基状态的物性指标。
表1铁路路基病害的空间分布规律
2、采用均值消去法,消除天线耦合波;并根据雷达脉冲的宽度,将脉冲宽度范围内信号置零,消除直达波;通过寻找回波信号中的极大值位置,确定直达波界面的位置,通过删除各道直达波位置之前的数据,矫正天线起伏;采用中值滤波法对雷达接收的信号按幅值排序,将排序后的中间值作为原信号的幅值,抑制路基图像的射频干扰。
3、有砟铁路路基雷达图像梯度处理
采用二次梯度法进行雷达图像的特征提取,具体处理方法如下:
将铁路路基雷达信号每25道看成像素为256*256的图像,,把图像表示成一个M×N的二维数字阵列式:
求解其二次梯度图像:
G(x,y)=dx+dy(2)
dx(i,j)=f(i+1,y)-f(i,j)(3)
dy(i,j)=f(i,j+1)-f(i,j)(4)
其中,G(x,y)为图像梯度,f为图像像素值,(i,j)为像素坐标。
路基下沉病害的雷达图像在x方向的梯度处理结果,如图2所示。从图2可以看出,铁路路基下沉病害的雷达图像呈现出明显的抛物线特征。可以看出路基下沉的雷达图像具有明显的下沉规律和曲线特征,即路基下沉的雷达图像在边缘阶段呈现出明显的半抛物线和底部直线特征,类似于“浴盆”的形式。针对有砟铁路路基的路基陷槽和正常路基的雷达图像,同样采用边界特征法进行图像处理,处理结果分别如图3和图4所示。
从图3中可以看出,路基陷槽病害的雷达图像经过边界处理后,雷达图像的界面清晰,并呈现出明显的双曲线特征。从图4中可以看出,正常铁路路基的雷达图像经边界处理后,在道碴层、砂垫层和基床层有明显的分界面,呈直线分布的特征。
4、边界分割处理提取感兴趣区域
利用梯度法提取雷达图像的特征,并采用幅度角度阈值方法去除图像的伪边缘,如图5a-5d所示。从图5a-5d中可以看出,经过边界处理后,图像能够明显呈现出一定规律的曲线变化特征。正常路基的雷达图像呈直线特征,道碴陷槽的雷达图像呈双曲线特征,路基下沉的雷达图像呈抛物线特征,翻浆冒泥的雷达图像呈杂乱无章的分布特征。
5、铁路路基雷达图像的物理几何特征
为了便于图像曲线的识别,利用投影变换将二维的路基图像转换成水平和垂直方向的投影,如图6a-6b至图8a-8b所示。通过以上6幅图可以看出,正常路基和典型路基病害的投影行像素和列像素的位置和大小,结合提取的路基状态边缘曲线特征,从而获得投影变化规律和特征。
根据铁路路基图像的特点及处理结果可知:路基图像的投影位置和宽度是路基病害识别的有效特征,是路基病害的特征体现。由于受杂波、噪声、系统误差等外在因素的影响,投影图像可能会产生干扰点,这就需要通过铁路路基病害分布规律特征进行判断。典型的路基病害的水平和垂直投影结果如图9a-9b和图10a-10b所示。
铁路路基图像经过边界分析和阈值处理后,其图像的变化规律更加明显,投影变换后的图像其行像素和列像素的位置和大小呈现一定的变化特征。正常路基呈现出两条类平行直线,在垂直投影位置上应该得到两条直线,由于路基的复杂性、杂波、噪声、系统误差的存在,实际铁路路基图像在垂直投影如图1所示。路基垂直投影图像中的水平坐标:
L=256×t1/t(5)
其中t1为界面位置探地雷达回波时间,t为路基图像的总回波时间。
根据L的大小,可以分析铁路路基状况及其发生的深度范围:
H=t1×vp(6)
其中vp为速度,ε为介电常数。将(5)和(6)两式合并后,得出路基病害在投影图中的线段范围:
H=L×t×vp/256(7)
根据式得出:
通过投影线段范围H可以确定病害的类型。
通过各种铁路路基性状特点的分析,我们得到几种铁路路基病害情况:
表2铁路路基病害分布特性
所述方法利用有砟铁路路基的物理尺寸特性,结合稀疏成像中路基病害的分布特性和投影的规律性对铁路路基病害进行检测,可进行有砟铁路路基病害的快速识别,为病害的整治处理提供技术支持,满足未来线路快速养护的需求,保障运营安全。
Claims (6)
1.一种基于稀疏表示的有砟铁路路基病害特征表示方法,其特征在于包括如下步骤:
1)通过探地雷达获取有砟铁路路基典型病害在所述路基的长度及深度方向上的空间分布规律,提取出能够区分各种铁路路基状态的物性指标;
2)对探地雷达获取的铁路路基雷达信号进行预处理;
3)将预处理后的铁路路基雷达信号进行图像变换,对所述图像进行梯度处理;
4)对梯度处理后的图像进行边界分割处理提取感兴趣区域;
5)利用投影变换将二维的路基图像转换成水平和垂直方向的投影,通过投影线段范围确定病害的类型;
6)将有砟铁路路基雷达图像的投影起始位置和线段范围作为铁路路基病害识别的特征表示。
2.如权利要求1所述的基于稀疏表示的有砟铁路路基病害特征表示方法,其特征在于所述步骤1)中:有砟铁路路基典型病害包括:翻浆冒泡,深度范围为0.7m-2.5m,长度范围为1.2m-1.9m;道碴囊,深度范围为0.1m-2.6m,长度范围为0.4m-2m;路基下沉,深度范围为0.05m-0.5m,长度范围为0m-600m。
3.如权利要求1所述的基于稀疏表示的有砟铁路路基病害特征表示方法,其特征在于所述的步骤2)具体为:采用均值消去法,消除探地雷达天线耦合波;根据雷达脉冲的宽度,将脉冲宽度范围内信号置零,消除直达波;通过寻找回波信号中的极大值位置,确定直达波界面的位置,通过删除各道直达波位置之前的数据,矫正天线起伏;采用中值滤波法对雷达接收的信号按幅值排序,将排序后的中间值作为原信号的幅值,抑制路基图像的射频干扰。
4.如权利要求1所述的基于稀疏表示的有砟铁路路基病害特征表示方法,其特征在于所述的步骤3)具体为:
将铁路路基雷达信号每25道看成像素为256*256的图像,把图像表示成一个M×N的二维数字阵列式:
求解其二次梯度图像:
G(x,y)=dx+dy(2)
dx(i,j)=f(i+1,y)-f(i,j)(3)
dy(i,j)=f(i,j+1)-f(i,j)(4)
其中,G(x,y)为图像梯度,f为图像像素值,(i,j)为像素坐标。
5.如权利要求1所述的基于稀疏表示的有砟铁路路基病害特征表示方法,其特征在于所述的步骤4)中:利用梯度法提取雷达图像的特征,并采用幅度角度阈值方法去除图像的伪边缘。
6.如权利要求1所述的基于稀疏表示的有砟铁路路基病害特征表示方法,其特征在于所述步骤5)中:
路基垂直投影图像中的水平坐标:
L=256×t1/t(5)
其中t1为界面位置探地雷达回波时间,t为路基图像的总回波时间;
根据L的大小,可以分析铁路路基状况及其发生的深度范围:
H=t1×vp(6)
其中vp为速度,ε为介电常数;将(5)和(6)两式合并后,得出路基病害在投影图中的线段范围:
H=L×t×vp/256(7)
根据式得出:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610055050.9A CN105719308B (zh) | 2016-01-27 | 2016-01-27 | 基于稀疏表示的有砟铁路路基病害特征表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610055050.9A CN105719308B (zh) | 2016-01-27 | 2016-01-27 | 基于稀疏表示的有砟铁路路基病害特征表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105719308A true CN105719308A (zh) | 2016-06-29 |
CN105719308B CN105719308B (zh) | 2018-07-10 |
Family
ID=56154187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610055050.9A Expired - Fee Related CN105719308B (zh) | 2016-01-27 | 2016-01-27 | 基于稀疏表示的有砟铁路路基病害特征表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719308B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338729A (zh) * | 2016-08-02 | 2017-01-18 | 中南大学 | 一种运用探地雷达反演铁路路基道床污染率的方法 |
CN106842192A (zh) * | 2017-01-14 | 2017-06-13 | 石家庄铁道大学 | 一种有砟轨道病害自动检测识别方法 |
CN107169981A (zh) * | 2017-05-12 | 2017-09-15 | 西南交通大学 | 一种道砟颗粒三维廓形的检测方法及装置 |
CN107527067A (zh) * | 2017-08-01 | 2017-12-29 | 中国铁道科学研究院铁道建筑研究所 | 一种基于探地雷达的铁路路基病害智能识别方法 |
CN109740598A (zh) * | 2018-12-29 | 2019-05-10 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 结构化场景下的目标定位方法及装置 |
CN110988839A (zh) * | 2019-12-25 | 2020-04-10 | 中南大学 | 基于一维卷积神经网络的墙体健康状况的快速识别方法 |
CN114818998A (zh) * | 2022-06-28 | 2022-07-29 | 浙江大学 | 一种无砟轨道基床翻浆冒泥病害状态判别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11138282A (ja) * | 1997-11-04 | 1999-05-25 | Kobe Steel Ltd | アルミニウム合金材の溶接方法 |
CN101319485A (zh) * | 2008-07-16 | 2008-12-10 | 张小虎 | 检测公路路面平整度的摄像测量方法 |
-
2016
- 2016-01-27 CN CN201610055050.9A patent/CN105719308B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11138282A (ja) * | 1997-11-04 | 1999-05-25 | Kobe Steel Ltd | アルミニウム合金材の溶接方法 |
CN101319485A (zh) * | 2008-07-16 | 2008-12-10 | 张小虎 | 检测公路路面平整度的摄像测量方法 |
Non-Patent Citations (4)
Title |
---|
DEBAKANTA MISHRA等: "Investigation of differential movement at railroad bridge approaches through geotechnical instrumentation", 《JOURNAL OF ZHEJIANG UNIVERSITY-SCIENCE A(APPLIED PHYSICS & ENGINEERING)》 * |
张洋: "巡道车视频处理系统关键技术的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
杜彦良等: "一种基于稀疏表示的重载铁路路基病害快速识别方法", 《土木工程学报》 * |
秦存昌: "隧道病害的探地雷达图像检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338729A (zh) * | 2016-08-02 | 2017-01-18 | 中南大学 | 一种运用探地雷达反演铁路路基道床污染率的方法 |
CN106338729B (zh) * | 2016-08-02 | 2019-02-22 | 中南大学 | 一种运用探地雷达反演铁路路基道床污染率的方法 |
CN106842192B (zh) * | 2017-01-14 | 2019-05-10 | 石家庄铁道大学 | 一种有砟轨道病害自动检测识别方法 |
CN106842192A (zh) * | 2017-01-14 | 2017-06-13 | 石家庄铁道大学 | 一种有砟轨道病害自动检测识别方法 |
CN107169981A (zh) * | 2017-05-12 | 2017-09-15 | 西南交通大学 | 一种道砟颗粒三维廓形的检测方法及装置 |
CN107169981B (zh) * | 2017-05-12 | 2020-07-07 | 西南交通大学 | 一种道砟颗粒三维廓形的检测方法及装置 |
CN107527067A (zh) * | 2017-08-01 | 2017-12-29 | 中国铁道科学研究院铁道建筑研究所 | 一种基于探地雷达的铁路路基病害智能识别方法 |
CN107527067B (zh) * | 2017-08-01 | 2021-06-29 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于探地雷达的铁路路基病害智能识别方法 |
CN109740598A (zh) * | 2018-12-29 | 2019-05-10 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 结构化场景下的目标定位方法及装置 |
CN110988839A (zh) * | 2019-12-25 | 2020-04-10 | 中南大学 | 基于一维卷积神经网络的墙体健康状况的快速识别方法 |
CN110988839B (zh) * | 2019-12-25 | 2023-10-10 | 中南大学 | 基于一维卷积神经网络的墙体健康状况的快速识别方法 |
CN114818998A (zh) * | 2022-06-28 | 2022-07-29 | 浙江大学 | 一种无砟轨道基床翻浆冒泥病害状态判别方法 |
CN114818998B (zh) * | 2022-06-28 | 2022-09-13 | 浙江大学 | 一种无砟轨道基床翻浆冒泥病害状态判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105719308B (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719308A (zh) | 基于稀疏表示的有砟铁路路基病害特征表示方法 | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
CN103413276B (zh) | 一种基于纹理分布特征的深度增强方法 | |
CN101777263B (zh) | 一种基于视频的交通车流量检测方法 | |
CN101551456B (zh) | 基于改进剪切波变换的sar图像水域边缘检测方法 | |
Mason et al. | Extraction of tidal channel networks from airborne scanning laser altimetry | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN106446919B (zh) | 一种探地雷达双曲线目标快速检测方法 | |
CN102629322B (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和系统 | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
CN102609701A (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN104794425B (zh) | 一种基于行驶轨迹的车辆统计方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN101777181A (zh) | 基于脊波双框架系统的sar图像机场跑道提取方法 | |
CN111025285B (zh) | 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 | |
CN105528585A (zh) | 基于舰船尾迹和海底地形内波模型的水下航行器检测方法 | |
Liu et al. | The target detection for GPR images based on curve fitting | |
CN102034103B (zh) | 一种遥感影像的线性要素提取方法 | |
CN108537116A (zh) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 | |
CN105139410A (zh) | 使用空间截面投影的脑肿瘤mri图像分割算法 | |
CN104463126A (zh) | 一种扫描文档图像的倾斜角自动检测方法 | |
CN114842166A (zh) | 应用于结构化道路的负障碍检测方法、系统、介质及设备 | |
CN110473255A (zh) | 一种基于多重网格划分的船舶系船柱定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20180710 Termination date: 20220127 |