CN109447090B - 一种屏蔽门障碍物检测方法及检测系统 - Google Patents

一种屏蔽门障碍物检测方法及检测系统 Download PDF

Info

Publication number
CN109447090B
CN109447090B CN201811211443.XA CN201811211443A CN109447090B CN 109447090 B CN109447090 B CN 109447090B CN 201811211443 A CN201811211443 A CN 201811211443A CN 109447090 B CN109447090 B CN 109447090B
Authority
CN
China
Prior art keywords
image
obstacle
scene
shot
detection area
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
CN201811211443.XA
Other languages
English (en)
Other versions
CN109447090A (zh
Inventor
吕阳
王鹤鸣
周峰
郑良广
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.)
Ningbo CRRC Times Transducer Technology Co Ltd
Original Assignee
Ningbo CRRC Times Transducer 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 Ningbo CRRC Times Transducer Technology Co Ltd filed Critical Ningbo CRRC Times Transducer Technology Co Ltd
Priority to CN201811211443.XA priority Critical patent/CN109447090B/zh
Publication of CN109447090A publication Critical patent/CN109447090A/zh
Application granted granted Critical
Publication of CN109447090B publication Critical patent/CN109447090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (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)
  • Multimedia (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种屏蔽门障碍物检测方法，拍摄图像后首先判断场景是否发生重大变化，如果发生重大变化，则将拍摄图像中的检测区域与训练样本图像中的检测区域进行比较，进而判断是否存在障碍物，如果场景未发生重大变化，则利用障碍物识别模型识别是否存在障碍物。本发明还涉及一种屏蔽门障碍物检测系统，包括设置在屏蔽门与车辆门之间空隙的上方的摄像头，与摄像头电连接的数据处理单元，与数据处理单元电连接的数据存储单元，通过网络通信接口与数据存储单元通信连接的后台计算机。该屏蔽门障碍物检测方法及系统根据场景变化情况对应采取不同识别方案，可以有效避免场景变化对异物识别造成影响，提高了障碍物识别的准确率。

Description

一种屏蔽门障碍物检测方法及检测系统
技术领域
本发明涉及轨道交通技术领域，特别涉及一种屏蔽门障碍物检测方法，还涉及一种屏蔽门障碍物检测系统。
背景技术
在地铁站台中，轨道列车与屏蔽门之间存在25cm-30cm的空隙，这个空隙足以容纳一个人，当列车启动时如果有乘客或者物品夹在这个空间中则很容易造成人员伤害或者车辆损坏，因此必须增设障碍物检测装置以防意外情况发生。目前屏蔽门所采用的障碍物检测传感装置通常采用光电传感器，通过在屏蔽门与车辆们之间的部分安装发射与接收装置，通过发射器发射光电信号，接收器检测发射器与接收器之间是否存在阻隔，从而判断是否出现了障碍物。而通接收装置有时候会因外界的环境光入射而导致判断错误。光电传感装置属于精密仪器，为保证接收器能确实接收到发射器发送的信号，发射器与接收器必须严格处于同一轴线，即使有较小的偏转也会导致接收器无法接收信号，而轨道站台线路由于经常有列车经过，震动比较大，如不定期对设备进行调整维护，传感器会因长期的震动而导致错位。
授权公告号为CN103661491B(申请号为201310642287.3)的中国发明专利《站台屏蔽门智能控制系统及方法》，其中公开的站台屏蔽门智能控制方法采用图像特征提取和匹配的方法，能够实时判断列车车门和站台屏蔽门之间是否存在异物，以及列车进出站的状态，做出智能化的判断和决策。但是该发明中的站台屏蔽门智能控制方法在判断是否存在异物时，参考图像库中的图像是固定的，而站台周围的环境变化多样，且站台还存在翻修的情况，难免出现场景变化较大的情况，此时则会出现检测失误的情况。
发明内容
本发明所要解决的第一个技术问题是针对上述现有技术提供一种能够在场景变化的情况下，放弃模型识别同时进行针对性实时识别，提高场景变化的情况下障碍物识别率的屏蔽门障碍物检测方法。
本发明索要解决的第二个技术问题是针对现有技术提供一种根据场景变化情况对应采取不同识别方案，可以有效避免场景变化对异物识别造成影响的屏蔽门障碍物检测系统。
本发明解决上述第一个技术问题所采用的技术方案为：一种屏蔽门障碍物检测方法，其特征在于：包括以下步骤：
S1、拍摄屏蔽门与车辆们之间区域的图像；
S2、将拍摄的图像与场景变化标定图像进行对比，并判断是否出现场景出现重大变化，如果否，则进行S3；如果是，则进行S5；
S3、将拍摄的图像送至障碍物识别模型中进行障碍物识别；
S4、利用障碍物识别模型计算判断是否存在障碍物；
S5、将拍摄的图像中检测区域的图像与训练样本图像中对应的检测区域的图像进行比较，判断是否存在障碍物；
同时存储新拍摄的图像，待新存储的图像数量达到设定值后，将新存储的图像作为新的训练样本进行障碍物识别模型的更新训练，进而更新障碍物识别模型。
优选地，S2中，判断场景是否出现重大变化的方法为：
S2.1、将拍摄的图像Fr与场景变化标定图像Fi进行绝对值差分操作，进而获取差分图像Fd，Fd＝AbsDiffImage(Fr,Fi)；
S2.2、将Fd转为灰度图，获得灰度图片Fg，Fg＝rgb2gray(Fd)；
S2.3、对Fg执行高斯滤波操作，滤去图片噪点，Fb＝GaussianBlur(Fg(m,n),T)；
其中m、n表示高斯矩阵维度，T表示高斯滤波的标准差；
S2.4、设置灰度阈值Tg，以Tg为阈值对Fb进行二值化处理，获取二值化图片Fbi，Fbi＝threshold(Fb,Tg,255)；其中图片Fb中像素灰度值位于Tg-255之间的像素点设置为1，其余的设置为0；
S2.5、对Fbi进行矩阵求和，获取累加值S，S＝sum(Fbi)；
S2.6、设置差分阈值Td，将累加值S与Td进行比较，若S>Td则表示差分结果较大，则判断当前场景相对于场景变化标定图像中的场景发生较大的变化，同时将当前拍摄到的图片Fr设置为场景变化标定图像。
优选地，S5中，障碍物的判断方法为：
S5.1、随机抽取训练样本图像作为模板图像；
S5.2、读取模板图像的灰度信息数据；
S5.3、对模板图像进行SIFT特征提取，提取模板图像中的所有SIFT特征点；
S5.4、选取模板图像中位于检测区域边界处的特征点以确定检测区域，设模板图像的检测区域为R，并获取模板图像检测区域边界上特征点的特征数据feature1；
S5.5、读取当前拍摄图像的灰度信息数据；
S5.6、对当前拍摄图像进行SIFT特征提取，提取当前拍摄图像中的所有SIFT特征点；
S5.7、检测当前拍摄图像中与模板图像检测区域边界上特征点的特征数据feature1相匹配的边界特征点，并根据边界特征点确定当前拍摄图像的检测区域R’；
S5.8、将当前拍摄图像的检测区域进行裁剪以及变形，进而获取转化后的图像A；
利用Sobel算子计算图像A的水平梯度GradX与垂直梯度GradY；
将图像A的水平梯度GradX与垂直梯度GradY相减，进而获取具有高水平梯度与低垂直梯度的图像B：
采用低通滤波器对图像B进行平滑操作以滤去图像B上的噪点，进而获取模糊后的图像C：
对模糊后的图像C进行二值化操作，进而获取二值化图像D：
求取二值化图像D所有像素点灰度值之和S，将S与设定的二值化检测阈值TBinary进行比较计算，若S≥TBinary，则判断存在障碍物，若S＜TBinary，则判断不存在障碍物。
为了提高障碍物识别的准确性，场景未出现重大变化时，定期将拍摄的图像传送至障碍物识别模型的训练样本库，进而根据更新后的训练样本库训练更新障碍物识别模型。
本发明解决上述第二个技术问题所采用的技术方案为：一种屏蔽门障碍物检测系统，其特征在于：包括
摄像头，设置在屏蔽门与车辆门之间空隙的上方；
数据处理单元，与摄像头电连接，用于对图像进行计算处理；
数据存储单元，与所述数据处理单元电连接，用于存储摄像头拍摄的图像以及障碍物识别模型；
后台计算机，通过网络通信接口与所述数据存储单元通信连接，用于训练障碍物识别模型以及进行障碍物识别计算。
为了方便在光线不足的情况下进行补光处理，保证拍摄图像的清晰度，所述摄像头内置有红外灯。
与现有技术相比，本发明的优点在于：该屏蔽门障碍物检测方法及检测系统配合使用，在出现场景发生重大变化的情况下，能够将当前拍摄的图像实时传送至后台计算机，利用后台计算机进行对比计算，进而快速识别障碍物情况，如此可以有效避免在场景较大变化情况下，障碍物识别模型不能及时更新而造成对障碍物识别率低的问题。同时后台计算机能够有效保证计算速度，能够及时传输障碍物情况结果。另外，该屏蔽门障碍物检测方法还可以将场景发生较大变化的图像作为训练样本进行障碍物识别模型的训练，提高障碍物的识别准确性。
附图说明
图1为本发明实施例中屏蔽门障碍物检测系统的结构框图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示，本实施例中的屏蔽门障碍物检测系统，包括：
摄像头1，设置在屏蔽门与车辆门之间空隙的上方；摄像头1的数量根据需要进行设置，通常对应于每个屏蔽门均设置一个摄像头1，本实施例中的摄像头1内置有红外灯，如此在光线不足的情况下，可以开启红外灯协助摄像头1进行拍摄，保证拍摄图像的清晰度，增加障碍物判断的准确性；
数据处理单元2，对应于每一个摄像头1设置一个数据处理单元2，该数据处理单元2与摄像头1电连接；通常该数据处理单元2采用单片机，该数据处理单元2的数据处理能力有限，主要用于对图像进行计算处理，并将图像送入至存储的障碍物识别模型中进行计算；
数据存储单元3，对应于每个数据处理单元2设置一个数据存储单元3，该数据存储单元3与所述数据处理单元2电连接，用于存储摄像头1拍摄的图像以及障碍物识别模型；
其中摄像头1、数据处理单元2、数据存储单元3均安装在现场前端；
后台计算机4，通常放置在后端，后台计算机4的处理能力强大，该后台计算机4通过网络通信接口与数据存储单元3通信连接，用于训练障碍物识别模型以及进行障碍物识别计算，后台计算机4与数据存储单元3之间还能够进行数据传输，数据存储单元3中的图像可以传送至后台计算机4的训练数据库中，以供后台计算机4进行障碍物识别模型的训练使用，同时后台计算机4训练好的障碍物识别模型可以传送至数据存储单元3中，以供障碍物识别使用。
本发明中的屏蔽门障碍物检测方法，包括以下步骤：
S1、拍摄屏蔽门与车辆们之间区域的图像；
S2、将拍摄的图像与场景变化标定图像进行对比，并判断是否出现场景出现重大变化，如果否，则进行S3；如果是，则进行S5；
其中判断场景是否出现重大变化的方法为：
S2.1、将拍摄的图像Fr与场景变化标定图像Fi进行绝对值差分操作，进而获取差分图像Fd，Fd＝AbsDiffImage(Fr,Fi)；
S2.2、将Fd转为灰度图，获得灰度图片Fg，Fg＝rgb2gray(Fd)；
S2.3、对Fg执行高斯滤波操作，滤去图片噪点，Fb＝GaussianBlur(Fg(m,n),T)；
其中m、n表示高斯矩阵维度，T表示高斯滤波的标准差；
S2.4、设置灰度阈值Tg，以Tg为阈值对Fb进行二值化处理，获取二值化图片Fbi，Fbi＝threshold(Fb,Tg,255)；其中图片Fb中像素灰度值位于Tg-255之间的像素点设置为1，其余的设置为0；
S2.5、对Fbi进行矩阵求和，获取累加值S，S＝sum(Fbi)；
S2.6、设置差分阈值Td，将累加值S与Td进行比较，若S>Td则表示差分结果较大，则判断当前场景相对于场景变化标定图像中的场景发生较大的变化，同时将当前拍摄到的图片Fr设置为场景变化标定图像。
S3、将拍摄的图像送至障碍物识别模型中进行障碍物识别；场景未出现重大变化时，定期将拍摄的一定的图像传送至后台计算机4中，进而将图像放入至障碍物识别模型的训练样本库，后台计算机4可以利用更新后的训练样本库训练更新障碍物识别模型，保证障碍物识别模型的高识别率；
S4、利用障碍物识别模型计算判断是否存在障碍物；由于该过程中的计算量小，通常该过程在数据处理单元2中进行；
S5、将拍摄的图像中检测区域的图像与训练样本图像中对应的检测区域的图像进行比较，判断是否存在障碍物；拍摄出来的图像附带有外围的站台、屏蔽门、车辆壁、车门等这些环境图像，但是对于需要检测的区域，即屏蔽门与车辆门之间的这块区域始终保持空缺状态，因此，及时周围环境发生变化，但是对检测区域进行识别，仍然能够获取准确的障碍物信息；
障碍物的判断方法为：
S5.1、随机抽取训练样本图像作为模板图像；
S5.2、读取模板图像的灰度信息数据；
S5.3、对模板图像进行SIFT特征提取，提取模板图像中的所有SIFT特征点；
S5.4、选取模板图像中位于检测区域边界处的特征点以确定检测区域，设模板图像的检测区域为R，并获取模板图像检测区域边界上特征点的特征数据feature1；
S5.5、读取当前拍摄图像的灰度信息数据；
S5.6、对当前拍摄图像进行SIFT特征提取，提取当前拍摄图像中的所有SIFT特征点；
S5.7、检测当前拍摄图像中与模板图像检测区域边界上特征点的特征数据feature1相匹配的边界特征点，并根据边界特征点确定当前拍摄图像的检测区域R’；
S5.8、将当前拍摄图像的检测区域进行裁剪以及变形，进而获取转化后的图像A；
利用Sobel算子计算图像A的水平梯度GradX与垂直梯度GradY；
将图像A的水平梯度GradX与垂直梯度GradY相减，进而获取具有高水平梯度与低垂直梯度的图像B：
采用低通滤波器对图像B进行平滑操作以滤去图像B上的噪点，进而获取模糊后的图像C：
对模糊后的图像C进行二值化操作，进而获取二值化图像D：
求取二值化图像D所有像素点灰度值之和S，将S与设定的二值化检测阈值TBinary进行比较计算，若S≥TBinary，则判断存在障碍物，若S＜TBinary，则判断不存在障碍物；
同时存储新拍摄的图像，待新存储的图像数量达到设定值后，将新存储的图像作为新的训练样本进行障碍物识别模型的更新训练，进而更新障碍物识别模型。

Claims (5)

1.一种屏蔽门障碍物检测方法，其特征在于：包括以下步骤：
S1、拍摄屏蔽门与车辆们之间区域的图像；
S2、将拍摄的图像与场景变化标定图像进行对比，并判断是否出现场景出现重大变化，如果否，则进行S3；如果是，则进行S5；
S3、将拍摄的图像送至障碍物识别模型中进行障碍物识别；
S4、利用障碍物识别模型计算判断是否存在障碍物；
S5、将拍摄的图像中检测区域的图像与训练样本图像中对应的检测区域的图像进行比较，判断是否存在障碍物；
S5中，障碍物的判断方法为：
S5.1、随机抽取训练样本图像作为模板图像；
S5.2、读取模板图像的灰度信息数据；
S5.3、对模板图像进行SIFT特征提取，提取模板图像中的所有SIFT特征点；
S5.4、选取模板图像中位于检测区域边界处的特征点以确定检测区域，设模板图像的检测区域为R，并获取模板图像检测区域边界上特征点的特征数据feature1；
S5.5、读取当前拍摄图像的灰度信息数据；
S5.6、对当前拍摄图像进行SIFT特征提取，提取当前拍摄图像中的所有SIFT特征点；
S5.7、检测当前拍摄图像中与模板图像检测区域边界上特征点的特征数据feature1相匹配的边界特征点，并根据边界特征点确定当前拍摄图像的检测区域R’；
S5.8、将当前拍摄图像的检测区域进行裁剪以及变形，进而获取转化后的图像A；
利用Sobel算子计算图像A的水平梯度GradX与垂直梯度GradY；
将图像A的水平梯度GradX与垂直梯度GradY相减，进而获取具有高水平梯度与低垂直梯度的图像B：
采用低通滤波器对图像B进行平滑操作以滤去图像B上的噪点，进而获取模糊后的图像C：
对模糊后的图像C进行二值化操作，进而获取二值化图像D：
求取二值化图像D所有像素点灰度值之和S，将S与设定的二值化检测阈值TBinary进行比较计算，若S≥TBinary，则判断存在障碍物，若S＜TBinary，则判断不存在障碍物；
同时存储新拍摄的图像，待新存储的图像数量达到设定值后，将新存储的图像作为新的训练样本进行障碍物识别模型的更新训练，进而更新障碍物识别模型。
2.根据权利要求1所述的屏蔽门障碍物检测方法，其特征在于：S2中，判断场景是否出现重大变化的方法为：
S2.1、将拍摄的图像Fr与场景变化标定图像Fi进行绝对值差分操作，进而获取差分图像Fd，Fd＝AbsDiffImage(Fr,Fi)；
S2.2、将Fd转为灰度图，获得灰度图片Fg，Fg＝rgb2gray(Fd)；
S2.3、对Fg执行高斯滤波操作，滤去图片噪点，Fb＝GaussianBlur(Fg(m,n),T)；
其中m、n表示高斯矩阵维度，T表示高斯滤波的标准差；
S2.4、设置灰度阈值Tg，以Tg为阈值对Fb进行二值化处理，获取二值化图片Fbi，Fbi＝threshold(Fb,Tg,255)；其中图片Fb中像素灰度值位于Tg-255之间的像素点设置为1，其余的设置为0；
S2.5、对Fbi进行矩阵求和，获取累加值S，S＝sum(Fbi)；
S2.6、设置差分阈值Td，将累加值S与Td进行比较，若S>Td则表示差分结果较大，则判断当前场景相对于场景变化标定图像中的场景发生较大的变化，同时将当前拍摄到的图片Fr设置为场景变化标定图像。
3.根据权利要求1或2所述的屏蔽门障碍物检测方法，其特征在于：场景未出现重大变化时，定期将拍摄的图像传送至障碍物识别模型的训练样本库，进而根据更新后的训练样本库训练更新障碍物识别模型。
4.一种应用如权利要求1至3任一项所述的屏蔽门障碍物检测方法的屏蔽门障碍物检测系统，其特征在于：包括
摄像头(1)，设置在屏蔽门与车辆门之间空隙的上方；
数据处理单元(2)，与摄像头(1)电连接，用于对图像进行计算处理；
数据存储单元(3)，与所述数据处理单元(2)电连接，用于存储摄像头(1)拍摄的图像以及障碍物识别模型；
后台计算机(4)，通过网络通信接口与所述数据存储单元(3)通信连接，用于训练障碍物识别模型以及进行障碍物识别计算。
5.根据权利要求4所述的屏蔽门障碍物检测系统，其特征在于：所述摄像头(1)内置有红外灯。
CN201811211443.XA 2018-10-17 2018-10-17 一种屏蔽门障碍物检测方法及检测系统 Active CN109447090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811211443.XA CN109447090B (zh) 2018-10-17 2018-10-17 一种屏蔽门障碍物检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811211443.XA CN109447090B (zh) 2018-10-17 2018-10-17 一种屏蔽门障碍物检测方法及检测系统

Publications (2)

Publication Number Publication Date
CN109447090A CN109447090A (zh) 2019-03-08
CN109447090B true CN109447090B (zh) 2021-12-03

Family

ID=65547356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811211443.XA Active CN109447090B (zh) 2018-10-17 2018-10-17 一种屏蔽门障碍物检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN109447090B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028455A (zh) * 2019-12-26 2020-04-17 王小亮 一种检测列车车门和站台门间隙中异物的系统及方法
CN113128321B (zh) * 2020-01-16 2023-06-16 宁波微科光电股份有限公司 一种地铁门异物检测方法
CN111368785B (zh) * 2020-03-17 2023-08-25 广东智媒云图科技股份有限公司 一种摄像头遮挡判断方法、装置、设备及存储介质
CN112991294A (zh) * 2021-03-12 2021-06-18 梅特勒-托利多(常州)测量技术有限公司 异物检测方法、装置及计算机可读介质
CN113449740A (zh) * 2021-06-30 2021-09-28 上海宇仓智能仓储设备有限公司 移动货架的通道视觉检测方法、系统、设备和存储介质
CN113870304B (zh) * 2021-12-07 2022-06-07 江西中业智能科技有限公司 异常行为检测与跟踪方法、装置、可读存储介质及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104777522A (zh) * 2015-03-24 2015-07-15 广州市地下铁道总公司 一种基于复合检测的列车车门与站台屏蔽门之间异物检测系统及检测方法
CN104951775A (zh) * 2015-07-15 2015-09-30 攀钢集团攀枝花钢钒有限公司 基于视频技术的铁路道口防护区域安全智能识别方法
CN105763768A (zh) * 2014-12-15 2016-07-13 深圳市中兴微电子技术有限公司 一种图像处理方法、装置和系统
CN106203298A (zh) * 2016-06-30 2016-12-07 北京集创北方科技股份有限公司 生物特征识别方法及装置
CN106241534A (zh) * 2016-06-28 2016-12-21 西安特种设备检验检测院 多人乘梯异常活动智能监控方法
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法
CN107191087A (zh) * 2017-05-19 2017-09-22 西南科技大学 一种基于lstm的列车门防夹算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105763768A (zh) * 2014-12-15 2016-07-13 深圳市中兴微电子技术有限公司 一种图像处理方法、装置和系统
CN104777522A (zh) * 2015-03-24 2015-07-15 广州市地下铁道总公司 一种基于复合检测的列车车门与站台屏蔽门之间异物检测系统及检测方法
CN104951775A (zh) * 2015-07-15 2015-09-30 攀钢集团攀枝花钢钒有限公司 基于视频技术的铁路道口防护区域安全智能识别方法
CN106241534A (zh) * 2016-06-28 2016-12-21 西安特种设备检验检测院 多人乘梯异常活动智能监控方法
CN106203298A (zh) * 2016-06-30 2016-12-07 北京集创北方科技股份有限公司 生物特征识别方法及装置
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法
CN107191087A (zh) * 2017-05-19 2017-09-22 西南科技大学 一种基于lstm的列车门防夹算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于机器视觉的地铁曲线型站台异物检测算法;谭飞刚 等;《深圳信息职业技术学院学报》;20170331;第15卷(第1期);第75-77页 *

Also Published As

Publication number Publication date
CN109447090A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109447090B (zh) 一种屏蔽门障碍物检测方法及检测系统
CN110261436B (zh) 基于红外热成像和计算机视觉的轨道故障检测方法及系统
CN109887281B (zh) 一种监控交通事件的方法及系统
US6339375B1 (en) Image monitoring apparatus and image monitoring method
CN107305627A (zh) 一种车辆视频监控方法、服务器及系统
CN102759347B (zh) 一种高铁接触网在线巡检装置、巡检方法以及其检测系统
CN109238756B (zh) 货车运行故障动态图像检测设备及检测方法
CN111564015B (zh) 一种轨道交通周界入侵的监测方法及装置
CN109176513B (zh) 一种智能巡检机器人的巡检方法及巡检系统
CN106548147A (zh) 一种快速的噪声鲁棒性图像异物检测方法及teds系统
KR101492473B1 (ko) 사용자 기반 상황 인지형 씨씨티비 통합관제시스템
CN113011252B (zh) 轨道异物侵限检测系统及方法
CN103914682A (zh) 一种车牌识别方法及系统
CN115600124A (zh) 地铁隧道巡检系统及巡检方法
CN112597965A (zh) 一种驾驶行为识别方法、装置和计算机可读存储介质
KR101686558B1 (ko) 다차선 카메라 인식 시스템 및 그의 학습형 영상분석 방법
CN112769877A (zh) 团雾预警方法、云端服务器及车辆和介质
CN101282419A (zh) 一种自动坏点检测方法与设备
CN111914773A (zh) 一种抓拍违法上下客的设备、方法
KR101804154B1 (ko) 열차 위치 검출 시스템 장치
KR102210571B1 (ko) Gps 좌표와 이동통신시스템을 이용한 교량과 터널의 안전진단 원격감시 경보방법
CN110516551B (zh) 一种基于视觉的巡线位置偏移识别系统、方法及无人机
KR20220120211A (ko) 교통량 측정을 위한 딥러닝 기반의 드론 영상 분석 시스템
Shahrear et al. An automatic traffic rules violation detection and number plate recognition system for Bangladesh
JPH0516811A (ja) 物体検出システム

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
GR01 Patent grant
GR01 Patent grant