CN106339677B - 一种基于视频的铁路货车洒落物自动检测方法 - Google Patents

一种基于视频的铁路货车洒落物自动检测方法 Download PDF

Info

Publication number
CN106339677B
CN106339677B CN201610705364.9A CN201610705364A CN106339677B CN 106339677 B CN106339677 B CN 106339677B CN 201610705364 A CN201610705364 A CN 201610705364A CN 106339677 B CN106339677 B CN 106339677B
Authority
CN
China
Prior art keywords
gradient
region
sample
unrestrained
background
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.)
Active
Application number
CN201610705364.9A
Other languages
English (en)
Other versions
CN106339677A (zh
Inventor
俞大海
李均
李飞
单玉堂
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.)
TIANJIN OPTICAL ELECTRICAL GAOSI COMMUNICATION ENGINEERING TECHNOLOGY Co Ltd
Original Assignee
TIANJIN OPTICAL ELECTRICAL GAOSI COMMUNICATION ENGINEERING TECHNOLOGY Co Ltd
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 TIANJIN OPTICAL ELECTRICAL GAOSI COMMUNICATION ENGINEERING TECHNOLOGY Co Ltd filed Critical TIANJIN OPTICAL ELECTRICAL GAOSI COMMUNICATION ENGINEERING TECHNOLOGY Co Ltd
Priority to CN201610705364.9A priority Critical patent/CN106339677B/zh
Publication of CN106339677A publication Critical patent/CN106339677A/zh
Application granted granted Critical
Publication of CN106339677B publication Critical patent/CN106339677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/40Scenes; Scene-specific elements in video content
    • G06V20/41Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods
    • G06N3/084Back-propagation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/40Scenes; Scene-specific elements in video content
    • G06V20/44Event detection

Abstract

本发明属于视频处理和模式识别领域,具体涉及基于背景建模的运动目标检测和基于神经网络的目标识别算法的一种基于视频的铁路货车洒落物自动检测方法。其基于背景建模的运动目标检测和基于神经网络的目标识别算法,包括如下步骤:步骤1.获取视频;步骤2.建立火车走行部直方图梯度特征模型;步骤3.使用背景建模技术提取疑似洒落物;步骤4.基于神经网络(ANN)的疑似洒落物识别。本发明实现在火车高速运行的状态下对货车洒落物进行自动检测识别,具有较高的检测精度和较低的误分率,较快的检测速度也满足实际工程需要。

Description

一种基于视频的铁路货车洒落物自动检测方法
技术领域
本发明属于视频处理和模式识别领域,具体涉及基于背景建模的运动目标检测和基于神经网络的目标识别算法的一种基于视频的铁路货车洒落物自动检测方法。
背景技术
火车运行途中,尤其是货车和普通客车,是要求对车厢进行密封处理的。列车在运行的动态状态下,如果所装载货物产生洒落现象,轻则腐蚀铁轨、污染环境,重则破坏走行部稳定性,造成抱闸、刹车不灵等问题,从而引发重大安全事故。现阶段对于车厢是否有物品洒落的检测识别只能通过人眼进行,所以不仅工作量大,并且当车辆距离人较远时不容易观察到,而当距离较近且速度较快时,人眼的分辨能力较差,导致很容易出现漏检。鉴于目前接发车人工检查困难的现实,为降低人工检查风险,加强对物品洒落现象的发现手段,需要在接发车作业中增加视频检测与识别预警系统,来辅助接发车人员进行洒落物品排查。因此,如何自动的对火车运行中的物品洒落现象进行快速检测识别,是目前智能接发车辅助系统的一个关键问题和前提条件。
发明内容
为了解决现有技术中存在的铁路漏检问题,本发明提供一种基于视频的铁路货车洒落物自动检测方法,该方法能有效对运行中的火车物品洒落现象进行快速检测识别。
本发明解决技术问题所采用的技术方案是:一种基于视频的铁路货车洒落物自动检测方法,其基于背景建模的运动目标检测和基于神经网络的目标识别算法,包括如下步骤:
步骤1获取视频;
利用高速高清网络摄像机,在铁路现场获得分辨率为1280*720的高清视频,视频中轴与列车行驶方向成30度;
步骤2建立火车走行部直方图梯度特征模型;
步骤a、搜集走行部样本和非走行部样本并进行标注,所有样本都截取为64*64大小;
步骤b、计算每一个样本的直方图梯度特征;
直方图梯度特征的计算方法如下:
图像水平梯度和垂直梯度如(1)(2)式进行计算:
Gh(x,y)=f(x+1,y)-f(x-1,y) (1)
Gv(x,y)=f(x,y+1)-f(x,y-1) (2)
式中,(x,y)为图像坐标点;Gh(x,y),Gv(x,y)分别表示该像素点的水平、垂直梯度值;f(x,y)表示图像在坐标(x,y)处的灰度值;该像素点的梯度值(即梯度强度)以及梯度方向计算公式如式(3)(4)所示:
θ(x,y)=arctanθ(Gh(x,y)/Gv(x,y)) (4)
如上所示,使用矩形块结构,将64*64的样本分割为4个区域,分别计算每个区域的直方图梯度特征;再将每个区域分为4*4个cell,每个cell包含4*4个block,每个block包含2*2个像素;每个block实现按照9个方向进行梯度直方图统计;再以block为单位,采用遍历扫描的方式可以得到每个block的36维特征向量,使得每个样本的一个区域可得到一个9216维的特征向量;最后将特征向量归一化,得到该样本的直方图梯度特征;
步骤c、使用反向传播神经网络训练走行部模型;
采用反向传播(back-propagation,BP)算法,用梯度下降方法对网络输出值和目标值之间的误差平方进行最小化处理:
其中,Outputs是网络输出单元的集合,tkd和okd是与训练样例d和第k个输出单元的相关输出值;
步骤3使用背景建模技术提取疑似洒落物;
步骤a、基于梯度的背景建模;
利用单帧视频序列初始化背景作为模型,对其中一个像素点,利用其相邻像素点拥有相近像素值的空间分布特性,随机的选择它的邻域点的像素值作为它的模型样本值;当检测到背景突然变化明显时,需舍弃原始的模型,重新利用变化后的首帧图像建立背景模型;
步骤b、基于梯度前景检测;
背景模型为每个背景点存储一个样本集,再对每个新的像素值和样本集进行比较,判断其是否属于背景;计算新像素值和样本集中每个样本值的距离,若距离小于阈值,则近似样本点数目增加;如果近似样本点数目大于阈值,则将新的像素点设为背景;
步骤c、形态学处理与团块检测;
在完成前景检测后,得到一幅二值化图像,对二值化图像进行形态学处理:用腐蚀操作去除孤立点和噪点,再用二倍膨胀尽可能的连通多个运动区域;经过处理得到膨胀后的二值化图像后,再对每个运动区域的位置进行团块检测:使用边缘检测得到不规则运动区域的边缘信息,并将每个区域的边缘点存入一个对应的队列中,统计每个队列中的最大最小高度和最大最小宽度,得到该不规则运动区域的最小外接矩形;当最小外接矩形的矩形面积小于32*32时,由于无法计算充足的梯度特征,会将这些区域滤除;同时,根据上层设置的最大区域面积滤除过大的运动区域;
步骤4基于神经网络(ANN)的疑似洒落物识别;
步骤a、计算疑似洒落物的直方图梯度特征;
在得到所有的运动区域后,对每一个区域计算2*2个梯度特征:选取区域的4个顶角,每个顶角截取一幅32*32的图像;当区域不足64*64时会产生重叠区域,当区域大于64*64时会有忽略区域;分别计算每一个顶角图像的直方图梯度特征,即选取4*4个cell和2*2像素的block,计算9216维特征;
步骤b、使用神经网络(ANN)判断是否为真实洒落物;
将每一个顶角图像的特征向量与训练好的模型使用神经网络算法进行匹配,当匹配得分大于阈值时认为其符合走行部特征,反之认为其为洒落物;当4个顶角图像都认为为洒落物时,才认定之前的运动区域为真实洒落发生区域;只要有一个顶角图像符合走行部特征即判断为非洒落。
为了解决在高速运行条件下自动进行火车物品洒落的检测识别问题,本发明基于高速高清监控摄像机得到的实时列车高清视频来实现检测识别火车物品洒落。由于洒落物一般具有相似的梯度特征,并且与一般的列车走行部特征具有较大反差,所以本发明首先利用基于梯度的背景建模技术将疑似洒落物检的兴趣区域提取出来,然后计算这些兴趣区域的直方图梯度特征,最后将这些特征与事先训练好的走行部模型利用神经网络决策算法进行比较,这样就判断出疑似洒落物的兴趣区域是否为真实洒落物。
本发明的思想在于:利用基于梯度的背景建模技术可以很好的通过调整参数将运动的火车部分进行过滤,同时,又能将不常见的洒落物部分作为前景进行检测。而且,洒落物的梯度特征很难达到穷举,但火车走行部尤其是非高铁列车的走行部却相对固定,因此可以对走行部进行建模分析,过滤疑似目标中与走行部差异过小的部分,可以有效的去处光照、噪声等视频干扰造成的前景误报。
本发明的有益效果是,一种基于视频的铁路货车洒落物自动检测方法,实现在火车高速运行的状态下对货车洒落物进行自动检测识别,具有较高的检测精度和较低的误分率,降低人工检查风险,加强对货车的监督管理,有效减少安全事故,提高安全防范能力,同时,较快的检测速度也满足实际工程需要。
附图说明
图1:本发明的方法流程图。
图2:基于梯度的背景建模和基于梯度背景检测的流程图。
图3:直方梯度特征提取流程图。
具体实施方式
参照附图,一种基于视频的铁路货车洒落物自动检测方法,其基于背景建模的运动目标检测和基于神经网络的目标识别算法,包括如下步骤:
步骤1获取视频;
利用高速高清网络摄像机,在铁路现场获得分辨率为1280*720的高清视频,视频中轴与列车行驶方向成30度;
步骤2建立火车走行部直方图梯度特征模型;
步骤a、搜集走行部样本和非走行部样本并进行标注,所有样本都截取为64*64大小;
步骤b、计算每一个样本的直方图梯度特征;
直方图梯度特征的计算方法如下:
图像水平梯度和垂直梯度如(1)(2)式进行计算:
Gh(x,y)=f(x+1,y)-f(x-1,y) (1)
Gv(x,y)=f(x,y+1)-f(x,y-1) (2)
式中,(x,y)为图像坐标点;Gh(x,y),Gv(x,y)分别表示该像素点的水平、垂直梯度值;f(x,y)表示图像在坐标(x,y)处的灰度值;该像素点的梯度值(即梯度强度)以及梯度方向计算公式如式(3)(4)所示:
θ(x,y)=arctanθ(Gh(x,y)/Gv(x,y)) (4)
如上所示,使用矩形块结构,将64*64的样本分割为4个区域,分别计算每个区域的直方图梯度特征;再将每个区域分为4*4个cell,每个cell包含4*4个block,每个block包含2*2个像素;每个block实现按照9个方向进行梯度直方图统计;再以block为单位,采用遍历扫描的方式可以得到每个block的36维特征向量,使得每个样本的一个区域可得到一个9216维的特征向量;最后将特征向量归一化,得到该样本的直方图梯度特征;
步骤c、使用反向传播神经网络训练走行部模型;
反向传播(back-propagation,BP)算法是一种计算单个权值变化引起网络性能变化值的较为简单的方法。采用反向传播(back-propagation,BP)算法,用梯度下降方法对网络输出值和目标值之间的误差平方进行最小化:因为需要考虑多个输出单元的网络,而不是只考虑单个单元,所以需要重新计算误差E,以便对所有网络输出的误差求和:
式中,Outputs是网络输出单元的集合,tkd和okd是与训练样例d和第k个输出单元的相关输出值;
步骤3使用背景建模技术提取疑似洒落物;
步骤a、基于梯度的背景建模;
利用单帧视频序列初始化背景作为模型,对其中一个像素点,利用其相邻像素点拥有相近像素值的空间分布特性,随机的选择它的邻域点的像素值作为它的模型样本值;当检测到背景突然变化明显时,需舍弃原始的模型,重新利用变化后的首帧图像建立背景模型;
背景建模方法是根据背景图像建立像素级的背景模型后,对后续帧判断哪些点符合模型,即被判断为背景点,不符合模型的点判断为前景点,最后利用背景点更新背景模型,达到前景检测的目的。
初始化是建立背景模型的过程,一般的检测算法需要一定长度的视频序列学习完成,影响了检测的实时性,而且当视频画面突然变化时,重新学习背景模型需要较长时间。
本发明提出的基于梯度的背景建模算法,是利用单帧视频序列初始化背景模型,对于一个像素点,结合相邻像素点拥有相近像素值的空间分布特性,随机的选择它的邻域点的像素值作为它的模型样本值。这样,不仅减少了背景模型建立的过程,还可以处理背景突然变化的情况,当检测到背景突然变化明显时,只需要舍弃原始的模型,重新利用变化后的首帧图像建立背景模型。
步骤b、基于梯度背景检测;
背景模型为每个背景点存储一个样本集,然后对每个新的像素值和样本集进行比较,判断其是否属于背景;计算新像素值和样本集中每个样本值的距离,若距离小于阈值,则近似样本点数目增加;如果近似样本点数目大于阈值,则将新的像素点设为背景;
检测过程主要由三个参数决定:样本集数目SampleNum,阈值CountThreshold和距离相近判定的阈值DistenceThreshold,同时引入生命周期阈值LifeThreshold来调整背景更新速度。
步骤c、形态学处理与团块检测;
在完成前景检测后,得到一幅二值化图像,此时除了运动目标外还包含许多噪点或孤立点,且运动区域经常会产生不连通状况,需对二值化图像进行形态学处理:用腐蚀操作去除孤立点和噪点,再用二倍膨胀尽可能的连通多个运动区域,并扩大运动区域,有利于下一步进行识别;经过处理得到膨胀后的二值化图像后,再对每个运动区域的位置进行团块检测:用边缘检测得到不规则运动区域的边缘信息,并将每个区域的边缘点存入一个对应的队列中,统计每个队列中的最大最小高度和最大最小宽度,得到该不规则运动区域的最小外接矩形,当最小外接矩形的矩形面积小于32*32时,由于无法计算充足的梯度特征,会将这些区域滤除;同时,根据上层设置的最大区域面积滤除过大的运动区域;
步骤4基于神经网络(ANN)的疑似洒落物识别;
步骤a、计算疑似洒落物的直方图梯度特征;
在得到所有的运动区域后,对每一个区域计算2*2个梯度特征:选取区域的4个顶角,每个顶角截取一幅32*32的图像;当区域不足64*64时会产生重叠区域,当区域大于64*64时会有忽略区域;分别计算每一个顶角图像的直方图梯度特征,即选取4*4个cell和2*2像素的block,计算9216维特征;
步骤b、使用神经网络(ANN)判断是否为真实洒落物;
将每一个顶角图像的特征向量与训练好的模型使用神经网络算法进行匹配,当匹配得分大于阈值时认为其符合走行部特征,反之认为其为洒落物;当4个顶角图像都认为为洒落物时,才认定之前的运动区域为真实洒落发生区域;只要有一个顶角图像符合走行部特征即判断为非洒落。
本发明方法中一共选取了2142段铁路火车运行视频进行了实验,最后选用正确识别率和每段视频的平均检测识别时间对本发明的有效性进行评估。其中:正确识别率定义为正确识别的图片个数与总的图片数目之比;结果如表1所示。正确识别率和每幅图片的平均检测识别时间两个评价指标均表明了本发明方法的有效性。
表1

Claims (1)

1.一种基于视频的铁路货车洒落物自动检测方法,其基于背景建模的运动目标检测和基于神经网络的目标识别算法,其特征在于,包括如下步骤:
步骤1获取视频;
利用高速高清网络摄像机,在铁路现场获得分辨率为1280*720的高清视频,视频中轴与列车行驶方向成30度;
步骤2建立火车走行部直方图梯度特征模型;
步骤a、搜集走行部样本和非走行部样本并进行标注,所有样本都截取为64*64大小;
步骤b、计算每一个样本的直方图梯度特征;
直方图梯度特征的计算方法如下:
图像水平梯度和垂直梯度如(1)(2)式进行计算:
Gh(x,y)=f(x+1,y)-f(x-1,y) (1)
Gv(x,y)=f(x,y+1)-f(x,y-1) (2)
式中,(x,y)为图像坐标点;Gh(x,y),Gv(x,y)分别表示该像素点的水平、垂直梯度值;f(x,y)表示图像在坐标(x,y)处的灰度值;该像素点的梯度值以及梯度方向计算公式如式(3)(4)所示:
θ(x,y)=arctanθ(Gh(x,y)/Gv(x,y)) (4)
如上所示,使用矩形块结构,将64*64的样本分割为4个区域,分别计算每个区域的直方图梯度特征;再将每个区域分为4*4个cell,每个cell包含4*4个block,每个block包含2*2个像素;每个block实现按照9个方向进行梯度直方图统计;再以block为单位,采用遍历扫描的方式可以得到每个block的36维特征向量,使得每个样本的一个区域可得到一个9216维的特征向量;最后将特征向量归一化,得到该样本的直方图梯度特征;
步骤c、使用反向传播神经网络训练走行部模型;
采用反向传播算法,用梯度下降方法对网络输出值和目标值之间的误差平方进行最小化处理:
其中,Outputs是网络输出单元的集合,tkd和okd是与训练样例d和第k个输出单元的相关输出值;
步骤3使用背景建模技术提取疑似洒落物;
步骤a、基于梯度的背景建模;
利用单帧视频序列初始化背景作为模型,对其中一个像素点,利用其相邻像素点拥有相近像素值的空间分布特性,随机的选择它的邻域点的像素值作为它的模型样本值;当检测到背景突然变化明显时,需舍弃原始的模型,重新利用变化后的首帧图像建立背景模型;
步骤b、基于梯度前景检测;
背景模型为每个背景点存储一个样本集,再对每个新的像素值和样本集进行比较,判断其是否属于背景;计算新像素值和样本集中每个样本值的距离,若距离小于阈值,则近似样本点数目增加;如果近似样本点数目大于阈值,则将新的像素点设为背景;
步骤c、形态学处理与团块检测;
在完成前景检测后,得到一幅二值化图像,对二值化图像进行形态学处理:用腐蚀操作去除孤立点和噪点,再用二倍膨胀尽可能的连通多个运动区域;经过处理得到膨胀后的二值化图像后,再对每个运动区域的位置进行团块检测:使用边缘检测得到不规则运动区域的边缘信息,并将每个区域的边缘点存入一个对应的队列中,统计每个队列中的最大最小高度和最大最小宽度,得到该不规则运动区域的最小外接矩形;当最小外接矩形的矩形面积小于32*32时,由于无法计算充足的梯度特征,会将这些区域滤除;同时,根据上层设置的最大区域面积滤除过大的运动区域;
步骤4基于神经网络(ANN)的疑似洒落物识别;
步骤a、计算疑似洒落物的直方图梯度特征;
在得到所有的运动区域后,对每一个区域计算2*2个梯度特征:选取区域的4个顶角,每个顶角截取一幅32*32的图像;当区域不足64*64时会产生重叠区域,当区域大于64*64时会有忽略区域;分别计算每一个顶角图像的直方图梯度特征,即选取4*4个cell和2*2像素的block,计算9216维特征;
步骤b、使用神经网络(ANN)判断是否为真实洒落物;
将每一个顶角图像的特征向量与训练好的模型使用神经网络算法进行匹配,当匹配得分大于阈值时认为其符合走行部特征,反之认为其为洒落物;当4个顶角图像都认为为洒落物时,才认定之前的运动区域为真实洒落发生区域;只要有一个顶角图像符合走行部特征即判断为非洒落。
CN201610705364.9A 2016-08-23 2016-08-23 一种基于视频的铁路货车洒落物自动检测方法 Active CN106339677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610705364.9A CN106339677B (zh) 2016-08-23 2016-08-23 一种基于视频的铁路货车洒落物自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610705364.9A CN106339677B (zh) 2016-08-23 2016-08-23 一种基于视频的铁路货车洒落物自动检测方法

Publications (2)

Publication Number Publication Date
CN106339677A CN106339677A (zh) 2017-01-18
CN106339677B true CN106339677B (zh) 2019-06-28

Family

ID=57824299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610705364.9A Active CN106339677B (zh) 2016-08-23 2016-08-23 一种基于视频的铁路货车洒落物自动检测方法

Country Status (1)

Country Link
CN (1) CN106339677B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944384B (zh) * 2017-11-21 2021-08-20 天地伟业技术有限公司 一种基于视频的递物行为检测方法
CN110135383A (zh) * 2019-05-22 2019-08-16 辽宁鼎汉奇辉电子系统工程有限公司 铁路货车装载视频智能监视系统
CN110780356A (zh) * 2019-10-16 2020-02-11 上海众应信息科技有限公司 地铁站台间隙异物检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102700572A (zh) * 2012-06-06 2012-10-03 西安电子科技大学 铁路安全行车闭塞区间可视化接力监控预警方法
CN103745224A (zh) * 2013-12-24 2014-04-23 西南交通大学 基于图像的铁路接触网鸟窝异常情况检测方法
CN103971457A (zh) * 2013-01-24 2014-08-06 鸿富锦精密工业(武汉)有限公司 掉货检测系统
KR101600980B1 (ko) * 2015-03-26 2016-03-08 주식회사 블루웨이브 지게차용 무선 영상 감시 시스템
CN105620352A (zh) * 2016-02-04 2016-06-01 成都跟驰科技有限公司 用于跟驰车队的货车货物异常监测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102700572A (zh) * 2012-06-06 2012-10-03 西安电子科技大学 铁路安全行车闭塞区间可视化接力监控预警方法
CN103971457A (zh) * 2013-01-24 2014-08-06 鸿富锦精密工业(武汉)有限公司 掉货检测系统
CN103745224A (zh) * 2013-12-24 2014-04-23 西南交通大学 基于图像的铁路接触网鸟窝异常情况检测方法
KR101600980B1 (ko) * 2015-03-26 2016-03-08 주식회사 블루웨이브 지게차용 무선 영상 감시 시스템
CN105620352A (zh) * 2016-02-04 2016-06-01 成都跟驰科技有限公司 用于跟驰车队的货车货物异常监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
道路交通事故再现及预防关键技术研究;张勇刚;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20150515;全文

Also Published As

Publication number Publication date
CN106339677A (zh) 2017-01-18

Similar Documents

Publication Publication Date Title
TWI409718B (zh) 移動中車輛之車牌定位方法
CN106339677B (zh) 一种基于视频的铁路货车洒落物自动检测方法
CN111079747B (zh) 铁路货车转向架侧架断裂故障图像识别方法
CN105678803B (zh) 基于w4算法和帧间差分的视频监控目标检测方法
US20090309966A1 (en) Method of detecting moving objects
CN107833221A (zh) 一种基于多通道特征融合和机器学习的漏水监测方法
CN102982313B (zh) 烟雾检测的方法
CN103048329B (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN104318258A (zh) 一种基于时域模糊和卡尔曼滤波器的车道线检测方法
CN104658011A (zh) 一种智能交通运动目标检测跟踪方法
CN107133973B (zh) 一种桥梁防撞系统中的船舶检测方法
CN101893580A (zh) 基于数字图像的钢轨表面缺陷检测方法
CN103034870B (zh) 基于特征的船舶快速识别方法
CN102165493A (zh) 对图像中的车辆的检测
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
CN104966304A (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
US8599261B1 (en) Vision-based car counting for multi-story carparks
CN107392885A (zh) 一种基于视觉对比机制的红外弱小目标检测方法
CN104978567A (zh) 基于场景分类的车辆检测方法
CN107273852A (zh) 基于机器视觉的手扶电梯楼层板物件及乘客行为检测算法
CN104484680A (zh) 一种多模型多阈值组合的行人检测方法
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
CN112528861A (zh) 应用于铁路隧道内道床的异物检测方法及装置
CN103324951A (zh) 一种多元异构水环境监测数据评价与预警方法
Xia et al. Automatic multi-vehicle tracking using video cameras: An improved CAMShift approach

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: 300450 West 3-303, 18 Haitai West Road, Huayuan Industrial Zone, Binhai New Area, Tianjin

Patentee after: TIANJIN OPTICAL ELECTRICAL GAOSI COMMUNICATION ENGINEERING TECHNOLOGY Co.,Ltd.

Address before: 300110 West 3-303, 18 Haitai West Road, Huayuan Industrial Zone, Nankai District, Tianjin

Patentee before: TIANJIN OPTICAL ELECTRICAL GAOSI COMMUNICATION ENGINEERING TECHNOLOGY Co.,Ltd.

CP02 Change in the address of a patent holder