CN109086681A - 一种基于lhi特征的智能视频黑烟车检测方法 - Google Patents
一种基于lhi特征的智能视频黑烟车检测方法 Download PDFInfo
- Publication number
- CN109086681A CN109086681A CN201810754401.4A CN201810754401A CN109086681A CN 109086681 A CN109086681 A CN 109086681A CN 201810754401 A CN201810754401 A CN 201810754401A CN 109086681 A CN109086681 A CN 109086681A
- Authority
- CN
- China
- Prior art keywords
- feature
- vehicle
- black smoke
- lhi
- lbp
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于LHI特征的智能视频黑烟车检测方法,包括如下步骤:(1)利用前景检测算法从道路监控视频中提取运动目标,并识别车辆目标;(2)利用积分投影技术检测车辆尾部位置;(3)提取车尾部后方区域的LHI特征,该特征包括LBP特征、HOG特征和IP特征;LHI特征是LBP特征、HOG特征和IP特征的融合,FLHI={xLBP,xHOG,xIP};(4)利用BP网络分类器对所提特征向量进行分类,识别黑烟帧,从而进一步识别黑烟车。本发明能够进一步提高识别率,降低误报率。
Description
技术领域
本发明涉及模式识别技术领域,尤其是一种基于LHI特征的智能视频黑烟车检测方法。
背景技术
黑烟车通常指车辆尾气孔冒着浓浓黑烟的车辆。黑烟车排放的黑烟尾气不仅污染空气,还损害人体健康。当前检测黑烟车的方法可分为两大类:
(1)传统方法;传统方法分为依靠人工和依靠设备。依靠人工类有:群众举报、定期路检、夜间巡查人工视频监控。传统方法往往会耗费大量工作人员,且由于机动车保有量的急剧增长、交通的繁忙等,这类方法效率很低;依靠设备类有:安装车辆尾气分析装置、传感器探测等。这些方法在一定程度上提高了黑烟车检测的效率,减少了黑烟车的污染,但设备的购买和维护需要大量财力的支持,并且给每辆车都安装尾气分析装置实施有难度。
(2)智能视频监控方法;该方法利用计算机视觉技术从海量道路监控视频中自动检测黑烟车。这类方法属于远距离监控,不妨碍交通,可实现全天在线值守,适应于双车道和多车道等多种道路环境,并且安装方便,适合城市道路的大范围布控,更容易形成针对高污染黑烟车的在线监控网络,提高执法效率。但这类方法目前仍处于研究的起步阶段。
黑烟车的自动识别是黑烟车监控报警系统自动化智能化的必然发展趋势。目前关于黑烟车智能监控系统的发明并不多,并且大部分存在漏报率和误报率偏高、环境适应性差等问题,并没有真正从技术上和工程上解决黑烟车智能识别的核心问题。因此,如何利用先进的图像处理与分析技术,以黑烟车检测实践中遇到的各种问题为出发点,结合创新性的黑烟车视频识别流程和处理手段,开发出基于视频图像智能分析的黑烟车检测与识别技术,对提高空气质量非常有现实意义。本发明提出了一种基于LHI特征的智能视频黑烟车检测方法,融合了LBP特征、HOG特征和IP特征等各个特征的优势,具有较好的黑烟车识别率。
发明内容
本发明所要解决的技术问题在于,提供一种基于LHI特征的智能视频黑烟车检测方法,能够进一步提高识别率,降低误报率。
为解决上述技术问题,本发明提供一种基于LHI特征的智能视频黑烟车检测方法,包括如下步骤:
(1)利用前景检测算法从道路监控视频中提取运动目标,并识别车辆目标;
(2)利用积分投影技术检测车辆尾部位置;
(3)提取车尾部后方区域的LHI特征,该特征包括LBP特征、HOG特征和IP特征;LHI特征是LBP特征、HOG特征和IP特征的融合,FLHI={xLBP,xHOG,xIP}。
(4)利用BP网络分类器对所提特征向量进行分类,识别黑烟帧,从而进一步识别黑烟车。
优选的,步骤(1)中的前景检测算法采用基于高斯混合模型的背景差算法;识别车辆目标指的是,同时满足如下两个准则即可视为是车辆目标:规则一:运动目标的面积大于某个阈值;规则二:运动目标的外接矩形框的长宽比在某个范围内。
优选的,步骤(2)中的采用积分投影技术检测车辆尾部位置包括如下步骤:
(21)计算车辆目标图像Iobj的水平积分投影F(x),即
其中,Iobj(x,y)为车辆目标图像在点(x,y)处的坐标,w为车辆目标图像的宽,操作norm()是归一化过程;
(22)通过以下方式计算车尾部位置坐标xrear,
其中,Δx是一个与车尾部坐标计算有关的参数。
优选的,步骤(3)中的提取车尾部后方区域的LBP特征包括如下步骤:
(31)确定车尾部位置的后方区域Irear,该区域以车尾部位置为起始线,向后延伸60像素,宽设置为车辆目标的宽;
(32)归一化车尾部后方区域Irear的分辨率为80x120像素,记作Inorm;
(33)采用如下公式计算归一化区域Inorm的LBP编码图LBPP,R,
其中,LBPP,R(x,y)为LBP编码图在位置(x,y)处的数值,R和P分别表示LBP编码的半径和以R为半径的圆周上的邻域像素个数,s(x)是一个分段函数,Ip(x,y)表示图像Inorm的位置(x,y)处圆邻域的第p个像素的灰度值,Ic(x,y)表示图像Inorm的位置(x,y)处像素的灰度值;
(34)将LBP编码图分成1x2小块,对每一块计算直方图,将两小块的直方图连接起来,作为一个重要的特征,记作xLBP。
优选的,步骤(3)中的提取车尾部后方区域的HOG特征包括如下步骤:
(35)对于车尾部后方区域Inorm,分别利用下式计算位置(x,y)处梯度的幅度mag(x,y)和方向ori(x,y),
(36)选择15x15像素的大小作为一个cell,把2x2cells组合成1个block,梯度方向取4个分别为0°,45°,90°和135°;
(37)计算每个cell的方向直方图,权重取梯度的幅度;
(38)将每个block内的cell进行归一化,然后将所有block的直方图连接起来构成HOG特征向量,记作xHOG。
优选的,步骤(3)中的提取车尾部后方区域的IP特征包括如下步骤:
(39)计算车尾部后方归一化区域Inorm的水平积分投影,
(310)计算车尾部后方归一化区域Inorm的垂直积分投影,
(311)连接水平积分投影和垂直积分投影得到IP特征,
优选的,步骤(4)中的识别黑烟车包括如下步骤:
(41)利用训练好的BP网络分类器对当前帧图像中的所有车辆目标图片进行分类,如果有至少一个车辆目标图片被识别为黑烟车图片,则当前帧被识别为黑烟帧;
(42)每连续的100帧中,如果有Ncon帧被识别为黑烟帧,且Ncon满足下式,则认为当前视频序列中存在黑烟车,
Ncon>α
其中,α是控制召回率和精确率的一个调节系数。
本发明的有益效果为:(1)相比于传统方法,本发明的技术方案节省了人力和财力,并提高了执法效率,弥补传统人工监控黑烟车效率低下的不足;(2)相比于智能监控方法,本发明融合了LBP特征、HOG特征和IP特征等各个特征的优势:其中,LBP一种用来描述图像局部纹理特征的算子,具有旋转不变性和灰度不变性等显著的优点;HOG特征用来描述图像边缘(梯度)的结构特征,即局部的形状信息,位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响,采用局部区域归一化直方图,又可以部分抵消光照变化带来的影响,分块分单元的处理方法,也使得图像局部像素点之间的关系可以很好得到表征;IP特征充分刻画了车尾部后方区域的垂直灰度变化特征,能有效的区分有烟和无烟;综合各个特征的优势,该技术发明进一步提高了识别率,降低了误报率。
附图说明
图1为本发明的方法流程示意图。
图2为本发明检测到的黑烟车的一个例子示意图。
具体实施方式
本发明提供一种基于LHI特征的智能视频黑烟车检测方法,其流程图如图1所示,具体按照以下步骤进行:
步骤1:利用前景检测算法从道路监控视频中提取运动目标,并识别车辆目标;
步骤2:利用积分投影技术检测车辆尾部位置;
步骤3:提取车尾部后方区域的LHI特征,该特征包括LBP特征、HOG特征和IP特征;LHI特征是LBP特征、HOG特征和IP特征的融合,FLHI={xLBP,xHOG,xIP};
步骤4:利用BP网络分类器对所提特征向量进行分类,识别黑烟帧,从而进一步识别黑烟车。
所述步骤1中的前景检测算法采用基于高斯混合模型的背景差算法。
所述步骤1中的识别车辆目标指的是,同时满足如下两个准则即可视为是车辆目标:
规则一:运动目标的面积大于某个阈值;
规则二:运动目标的外接矩形框的长宽比在某个范围内。
所述步骤2中的采用积分投影技术检测车辆尾部位置包括如下流程:
步骤2.1:计算车辆目标图像Iobj的水平积分投影F(x),即
其中,Iobj(x,y)为车辆目标图像在点(x,y)处的坐标,w为车辆目标图像的宽,操作norm()是归一化过程;
步骤2.2:通过以下方式计算车尾部位置坐标xrear,
其中,Δx是一个与车尾部坐标计算有关的参数。
所述步骤3中的提取车尾部后方区域的LBP特征包括如下流程:
步骤3.1:确定车尾部位置的后方区域Irear,该区域以车尾部位置为起始线,向后延伸60像素,宽设置为车辆目标的宽;
步骤3.2:归一化车尾部后方区域Irear的分辨率为80x120像素,记作Inorm;
步骤3.3:采用如下公式计算归一化区域Inorm的LBP编码图LBPP,R,
其中,LBPP,R(x,y)为LBP编码图在位置(x,y)处的数值,R和P分别表示LBP编码的半径和以R为半径的圆周上的邻域像素个数,s(x)是一个分段函数,Ip(x,y)表示图像Inorm的位置(x,y)处圆邻域的第p个像素的灰度值,Ic(x,y)表示图像Inorm的位置(x,y)处像素的灰度值;
步骤3.4:将LBP编码图分成1x2小块,对每一块计算直方图,将两小块的直方图连接起来,作为一个重要的特征,记作xLBP。
所述步骤3中的提取车尾部后方区域的HOG特征包括如下流程:
步骤3.5:对于车尾部后方区域Inorm,分别利用下式计算位置(x,y)处梯度的幅度mag(x,y)和方向ori(x,y),
步骤3.6:选择15x15像素的大小作为一个cell,把2x2cells组合成1个block,梯度方向取4个分别为0°,45°,90°和135°。
步骤3.7:计算每个cell的方向直方图,权重取梯度的幅度。
步骤3.8:将每个block内的cell进行归一化,然后将所有block的直方图连接起来构成HOG特征向量,记作xHOG。
所述步骤3中的提取车尾部后方区域的IP特征包括如下流程:
步骤3.9:计算车尾部后方归一化区域Inorm的水平积分投影,
步骤3.10:计算车尾部后方归一化区域Inorm的垂直积分投影,
步骤3.11:连接水平积分投影和垂直积分投影得到IP特征,
所述步骤3中的LHI特征是LBP特征,HOG特征和IP特征的融合,
FLHI={xLBP,xHOG,xIP}。
所述步骤4中的识别黑烟车包括如下步骤:
步骤4.1:利用训练好的BP网络分类器对当前帧图像中的所有车辆目标图片进行分类,如果有至少一个车辆目标图片被识别为黑烟车图片,则当前帧被识别为黑烟帧;
步骤4.2:每连续的100帧中,如果有Ncon帧被识别为黑烟帧,且Ncon满足下式,则认为当前视频序列中存在黑烟车,
Ncon>α
其中,α是控制召回率和精确率的一个调节系数。
图2显示了利用本发明从车辆监控视频中检测到的一个黑烟车的例子,白色细直线表示检测到的车尾部位置,细线黑色矩形框表示检测到的前景目标的位置区域,粗线黑色矩形框表示关键区域的位置。
本发明提供一种基于LHI特征的智能视频黑烟车检测方法,能够进一步提高识别率,降低误报率。
Claims (7)
1.一种基于LHI特征的智能视频黑烟车检测方法,其特征在于,包括如下步骤:
(1)利用前景检测算法从道路监控视频中提取运动目标,并识别车辆目标;
(2)利用积分投影技术检测车辆尾部位置;
(3)提取车尾部后方区域的LHI特征,该特征包括LBP特征、HOG特征和IP特征;LHI特征是LBP特征、HOG特征和IP特征的融合,FLHI={xLBP,xHOG,xIP};
(4)利用BP网络分类器对所提特征向量进行分类,识别黑烟帧,从而进一步识别黑烟车。
2.如权利要求1所述的基于LHI特征的智能视频黑烟车检测方法,其特征在于,步骤(1)中的前景检测算法采用基于高斯混合模型的背景差算法;识别车辆目标指的是,同时满足如下两个准则即可视为是车辆目标:规则一:运动目标的面积大于某个阈值;规则二:运动目标的外接矩形框的长宽比在某个范围内。
3.如权利要求1所述的基于LHI特征的智能视频黑烟车检测方法,其特征在于,步骤(2)中的采用积分投影技术检测车辆尾部位置包括如下步骤:
(21)计算车辆目标图像Iobj的水平积分投影F(x),即
其中,Iobj(x,y)为车辆目标图像在点(x,y)处的坐标,w为车辆目标图像的宽,操作norm()是归一化过程;
(22)通过以下方式计算车尾部位置坐标xrear,
其中,Δx是一个与车尾部坐标计算有关的参数。
4.如权利要求1所述的基于LHI特征的智能视频黑烟车检测方法,其特征在于,步骤(3)中的提取车尾部后方区域的LBP特征包括如下步骤:
(31)确定车尾部位置的后方区域Irear,该区域以车尾部位置为起始线,向后延伸60像素,宽设置为车辆目标的宽;
(32)归一化车尾部后方区域Irear的分辨率为80x120像素,记作Inorm;
(33)采用如下公式计算归一化区域Inorm的LBP编码图LBPP,R,
其中,LBPP,R(x,y)为LBP编码图在位置(x,y)处的数值,R和P分别表示LBP编码的半径和以R为半径的圆周上的邻域像素个数,s(x)是一个分段函数,Ip(x,y)表示图像Inorm的位置(x,y)处圆邻域的第p个像素的灰度值,Ic(x,y)表示图像Inorm的位置(x,y)处像素的灰度值;
(34)将LBP编码图分成1x2小块,对每一块计算直方图,将两小块的直方图连接起来,作为一个重要的特征,记作xLBP。
5.如权利要求1所述的基于LHI特征的智能视频黑烟车检测方法,其特征在于,步骤(3)中的提取车尾部后方区域的HOG特征包括如下步骤:
(35)对于车尾部后方区域Inorm,分别利用下式计算位置(x,y)处梯度的幅度mag(x,y)和方向ori(x,y),
(36)选择15x15像素的大小作为一个cell,把2x2cells组合成1个block,梯度方向取4个分别为0°,45°,90°和135°;
(37)计算每个cell的方向直方图,权重取梯度的幅度;
(38)将每个block内的cell进行归一化,然后将所有block的直方图连接起来构成HOG特征向量,记作xHOG。
6.如权利要求1所述的基于LHI特征的智能视频黑烟车检测方法,其特征在于,步骤(3)中的提取车尾部后方区域的IP特征包括如下步骤:
(39)计算车尾部后方归一化区域Inorm的水平积分投影,
(310)计算车尾部后方归一化区域Inorm的垂直积分投影,
(311)连接水平积分投影和垂直积分投影得到IP特征,
7.如权利要求1所述的基于LHI特征的智能视频黑烟车检测方法,其特征在于,步骤(4)中的识别黑烟车包括如下步骤:
(41)利用训练好的BP网络分类器对当前帧图像中的所有车辆目标图片进行分类,如果有至少一个车辆目标图片被识别为黑烟车图片,则当前帧被识别为黑烟帧;
(42)每连续的100帧中,如果有Ncon帧被识别为黑烟帧,且Ncon满足下式,则认为当前视频序列中存在黑烟车,
Ncon>α
其中,α是控制召回率和精确率的一个调节系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810754401.4A CN109086681A (zh) | 2018-07-11 | 2018-07-11 | 一种基于lhi特征的智能视频黑烟车检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810754401.4A CN109086681A (zh) | 2018-07-11 | 2018-07-11 | 一种基于lhi特征的智能视频黑烟车检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086681A true CN109086681A (zh) | 2018-12-25 |
Family
ID=64837555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810754401.4A Pending CN109086681A (zh) | 2018-07-11 | 2018-07-11 | 一种基于lhi特征的智能视频黑烟车检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086681A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657305A (zh) * | 2021-08-20 | 2021-11-16 | 深圳技术大学 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106414A (zh) * | 2012-12-24 | 2013-05-15 | 厦门大学深圳研究院 | 一种智能视频监控中行人的检测方法 |
CN103324955A (zh) * | 2013-06-14 | 2013-09-25 | 浙江智尔信息技术有限公司 | 一种基于视频处理的行人检测方法 |
CN106951821A (zh) * | 2016-12-27 | 2017-07-14 | 湘潭大学 | 一种基于图像处理技术的黑烟车智能监控识别方法 |
-
2018
- 2018-07-11 CN CN201810754401.4A patent/CN109086681A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106414A (zh) * | 2012-12-24 | 2013-05-15 | 厦门大学深圳研究院 | 一种智能视频监控中行人的检测方法 |
CN103324955A (zh) * | 2013-06-14 | 2013-09-25 | 浙江智尔信息技术有限公司 | 一种基于视频处理的行人检测方法 |
CN106951821A (zh) * | 2016-12-27 | 2017-07-14 | 湘潭大学 | 一种基于图像处理技术的黑烟车智能监控识别方法 |
Non-Patent Citations (1)
Title |
---|
HUANJIE TAO,XIAOBO LU: "Smoky vehicle detection based on multi-feature fusion and ensemble neural networks", 《MULTIMED TOOLS AND APPLICATIONS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657305A (zh) * | 2021-08-20 | 2021-11-16 | 深圳技术大学 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
CN113657305B (zh) * | 2021-08-20 | 2023-08-04 | 深圳技术大学 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3100569C (en) | Ship identity recognition method base on fusion of ais data and video data | |
CN103069434B (zh) | 用于多模式视频事件索引的方法和系统 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN102638013B (zh) | 基于视觉注意机制的标靶图像识别输电线路状态监测系统 | |
CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN110660222B (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
CN102867417B (zh) | 一种出租车防伪系统及方法 | |
CN106951889A (zh) | 井下高危区域动目标监测和管理系统 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN103208185A (zh) | 一种基于车灯识别的夜间车辆检测方法及系统 | |
KR102174556B1 (ko) | 차량번호 인식과 인공지능을 이용해 교통정보를 관제하는 영상감시장치 | |
CN107081765A (zh) | 一种变电站巡视机器人自主识别方法和一种巡视机器人 | |
CN109086682B (zh) | 一种基于多特征融合的智能视频黑烟车检测方法 | |
CN110441320B (zh) | 一种煤矸石检测方法、装置及系统 | |
CN111783700B (zh) | 一种路面异物自动识别预警方法和系统 | |
CN111723704A (zh) | 基于树莓派的厢式货车厢门开度监控方法 | |
CN109271904A (zh) | 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法 | |
CN112308032A (zh) | 一种视频检测的井下风门智能协同联动控制方法 | |
Tao et al. | Smoky vehicle detection based on multi-feature fusion and ensemble neural networks | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
CN115424217A (zh) | 基于ai视觉的车辆智能识别方法、装置和电子设备 | |
CN112668478B (zh) | 一种井盖监控方法、装置、电子设备和存储介质 | |
CN109086681A (zh) | 一种基于lhi特征的智能视频黑烟车检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |
|
RJ01 | Rejection of invention patent application after publication |