CN110188777A - 一种基于数据挖掘的多周期钢轨伤损数据对齐方法 - Google Patents

一种基于数据挖掘的多周期钢轨伤损数据对齐方法 Download PDF

Info

Publication number
CN110188777A
CN110188777A CN201910466679.6A CN201910466679A CN110188777A CN 110188777 A CN110188777 A CN 110188777A CN 201910466679 A CN201910466679 A CN 201910466679A CN 110188777 A CN110188777 A CN 110188777A
Authority
CN
China
Prior art keywords
alignment
image
hurt
multicycle
feature
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
Application number
CN201910466679.6A
Other languages
English (en)
Other versions
CN110188777B (zh
Inventor
余旸
梁帆
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.)
Guangdong Prophet Big Data Co ltd
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 CN201910466679.6A priority Critical patent/CN110188777B/zh
Publication of CN110188777A publication Critical patent/CN110188777A/zh
Application granted granted Critical
Publication of CN110188777B publication Critical patent/CN110188777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明涉及轨道交通及钢轨探伤领域，具体涉及一种基于数据挖掘的多周期钢轨伤损数据对齐方法，具体步骤如下：S1，将探伤车轨迹GPS转化为轨迹图像；S2，通过特征提取算法提取图像特征点；S3，对两张图像的特征点进行点对点匹配；S4，根据匹配的特征点集，计算单应性矩阵；S5，根据单应性矩阵对图像所有点进行变换，得到对齐后的图像；S6，根据对齐的图像回溯到伤损位置，即得到对齐的伤损。这种方法和传统的人工基于里程的对齐方式相比，其优势在于利用数据挖掘的方法充分利用地理轨迹特征，能够更加精准地对伤损进行对齐，在判断时了解伤损历史情况，进而提高伤损分析人员的工作效率。

Description

一种基于数据挖掘的多周期钢轨伤损数据对齐方法
技术领域
本发明涉及轨道交通及钢轨探伤领域，具体涉及一种多周期钢轨伤损数据对齐方法。
背景技术
目前多周期对齐主要依赖人工基于里程或GPS的直接对齐。基于里程对齐通过人工在多周期数据的相同里程附近寻找相似的超声波波形，结合探伤领域知识判定为同一伤损。这种伤损对齐方式有以下特点：里程对齐带来的系统误差较大。探伤车工作过程中通常经过回退和道岔等情况，且里程计存在老化等情况，导致里程存在较大的系统误差；对齐效率低。目前的多周期对齐依赖人工对里程的手动拖拽和波形判定，耗时长且精确度较低；受人员主观影响大。对相似波形的判定与分析人员的判伤经验和领域知识密切相关，在很大程度上会影响对齐精度。另一种人工对齐方式采用根据两点之间的GPS距离直接对齐。它的问题在于GPS数据存在较大的系统误差，导致对齐精度较低。
基于数据挖掘的多周期伤损对齐方法能够充分利用伤损的GPS地理信息，根据探伤车运行轨迹特征，采用基于特征的图像配准方式，将探伤车轨迹进行对齐后，对相对应的伤损信息进行对齐。这种方法和传统的人工基于里程的对齐方式相比，其优势在于利用数据挖掘的方法充分利用地理轨迹特征，能够更加精准地对伤损进行对齐，精确的对齐可以是探伤分析工作人员在本次作业的过程中知道以前伤损的发展情况，进而提高伤损分析人员的工作效率。
发明内容
有鉴于此，针对现有的伤损分析方法存在的问题，本发明提出一种基于数据挖掘的多周期伤损数据对齐方法，以解决上述背景技术中的缺点。
本发明采用以下技术方案实现。
一种基于数据挖掘的多周期钢轨伤损数据对齐方法的特征在于，包含以下步骤：
S2，根据Harris角点检测(Harris Corner Detection)算法提取轨迹图像中的形状特征点。Harris角点检测算法的主要计算步骤如下：
S21，计算图像沿X方向与Y方向的一阶高斯偏导数Ix，Iy；
S22，计算Ix 2，Iy 2，Ix*Iy；
S23，对S22中的三个值做高斯模糊运算，分别得到Sxx，Syy，Sxy；
S24，根据Harris矩阵的定义M＝∑x，计算出矩阵的两个特征值，λ1，λ2；
S25，根据R＝det(M)-k(trace(M))2计算每个像素的R值。其中det(M)＝λ1λ2，trace(M)＝λ1+λ2。
S26，使用n*n的窗口，进行非最大信号压制(non-max value suppression)；
S27，设定阈值对角点检测的结果进行过滤，提取图像特征点。
S31，在S2中检测的特征点周围取m*m的窗口，对窗口内的每一个像素计算梯度方向，使用占比达到p％以上的方向作为主方向。
S32，以S31中计算得出的主方向为轴，特征点为中心取m1*m1的窗口，计算每个像素的梯度幅值和梯度方向。然后利用高斯窗口对齐进行加权运算。最后在每个(m1/2)*(m1/2)窗口上绘制八个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点。
S33，对每个特征值采用周围的种子点进行来描述，形成对应的SIFT特征向量。
S34，计算SIFT特征向量的欧式距离，取欧式距离最小的匹配为最优匹配。匹配后的两个特征点矩阵分别为A和B。
S4，根据点对点的匹配结果，计算单应性矩阵H(homography matrix)，计算公式为H＝A-1B。
S5，将单应性矩阵应用于图像中的所有轨迹点，对整张图片进行变换对齐，得到对齐后的图像；
S6，根据对齐后的图片，回溯到对应的GPS信息和伤损信息。根据对齐的伤损信息对偏差的里程数据进行校准，从而得到精确对齐的里程信息，可用于伤损溯源。
本发明的有益效果：
基于数据挖掘的多周期伤损对齐方法能够充分利用伤损的GPS地理信息，根据探伤车运行轨迹特征，采用基于特征的图像配准方式，将探伤车轨迹进行对齐后，对相对应的伤损信息进行高精度对齐，为多周期判伤提供有力支撑。
附图说明
图1是一种基于数据挖掘的多周期钢轨伤损数据对齐方法的流程示意图；
图2，图3是两个不同周期的探伤车轨迹图根据Harris角点检测提取出的图像特征点；
图4是使用基于特征的图像配准的对齐结果图；
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。
如图1所示，一种基于数据挖掘的多周期钢轨伤损数据对齐方法的特征在于，包含以下步骤：
S1，绘出探伤车轨迹的GPS坐标，并转换为轨迹图像；
S2，根据Harris角点检测(Harris Corner Detection)算法提取轨迹图像中的形状特征点。Harris角点检测算法的主要计算步骤如下：
S21，计算图像沿X方向与Y方向的一阶高斯偏导数Ix，Iy；
S22，计算Ix 2，Iy 2，Ix*Iy；
S23，对S22中的三个值做高斯模糊运算，分别得到Sxx，Syy，Sxy；
S24，根据Harris矩阵的定义M＝∑x，计算出矩阵的两个特征值，λ1，λ2；
S25，根据R＝det(M)-k(trace(M))2计算每个像素的R值。其中det(M)＝λ1λ2，trace(M)＝λ1+λ2。在对探伤车轨迹对齐时，k取0.04效果最好。
S26，使用n*n的窗口，进行非最大信号压制(non-max value suppression)；在对探伤车轨迹对齐时，窗口的取值是3*3。
S27，设定阈值对角点检测的结果进行过滤，提取图像特征点。两张图像特征点提取并标注的效果图如图2，图3所示。
S3，对两个图像中的形状特征点进行基于SIFT算法的匹配。具体步骤如下：
S31，在S2中检测的特征点周围取16*16的窗口，对窗口内的每一个像素计算梯度方向，使用占比达到80％以上的方向作为主方向。
S32，以S31中计算得出的主方向为轴，特征点为中心取16*16的窗口，计算每个像素的梯度幅值和梯度方向。然后利用高斯窗口对齐进行加权运算。最后在每个8*8窗口上绘制八个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点。
S33，对每个特征值采用周围的种子点进行来描述，形成对应的SIFT特征向量。
S34，计算SIFT特征向量的欧式距离，取欧式距离最小的匹配为最优匹配。匹配后的两个特征点矩阵分别为A和B。
S4，根据点对点的匹配结果，计算单应性矩阵(Homography Matrix)。在对探伤车轨迹对齐时，使用随机抽样一致算法(Random Sample Consensus)计算对齐点的转换矩阵。
S5，将单应性矩阵应用于图像中的所有轨迹点，对整张图片进行变换对齐。对齐后的探伤车轨迹图像如图4所示。
S6，根据对齐后的图片，回溯到对应的GPS信息和伤损信息。根据对齐的伤损信息对偏差的里程数据进行校准，从而得到精确对齐的里程信息，可用于伤损溯源。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于数据挖掘的多周期钢轨伤损数据对齐方法的特征在于，包含以下步骤：
S1，绘出探伤车轨迹的GPS坐标，并转换为轨迹图像；
S2，根据特征算法提取轨迹图像中的形状特征点；
S3，对两个图像中的形状特征点进行匹配；
S4，根据点对点的匹配结果，计算单应性矩阵H(homography matrix)；
S5，将单应性矩阵应用于图像中的所有轨迹点，对整张图片进行变换对齐，得到对齐后的图像；
S6，根据对齐后的图片，回溯到对应的GPS信息和伤损信息。根据对齐的伤损信息对偏差的里程数据进行校准，从而得到精确对齐的里程信息，可用于伤损溯源。
2.根据权利要求1所述的一种基于数据挖掘的多周期钢轨伤损数据对齐方法，其特征在于，所述的S2特征提取算法是Harris角点检测算法(Harris Corner Detection)。
3.根据权利要求2所述的一种基于数据挖掘的多周期钢轨伤损数据对齐方法，其特征在于，所述Harris角点检测算法(Harris Corner Detection)的主要计算步骤如下：
S21，计算图像沿X方向与Y方向的一阶高斯偏导数Ix，Iy；
S22，计算Ix 2，Iy 2，Ix*Iy；
S23，对S22中的三个值做高斯模糊运算，分别得到Sxx，Syy，Sxy；
S24，根据Harris矩阵的定义计算出矩阵的两个特征值，λ1，λ2；
S25，根据R＝det(M)-k(trace(M))2计算每个像素的R值。其中det(M)＝λ1λ2，trace(M)＝λ1+λ2。
S26，使用n*n的窗口，进行非最大信号压制(non-max value suppression)；
S27，设定阈值对角点检测的结果进行过滤，提取图像特征点。
4.根据权利要求1所述的一种基于数据挖掘的多周期钢轨伤损数据对齐方法，其特征在于，所述S3的匹配方法是基于SIFT算法。
5.根据权利要求4所述的一种基于数据挖掘的多周期钢轨伤损数据对齐方法，其特征在于，所述的SIFT算法的主要步骤如下：
S31，在S2中检测的特征点周围取m*m的窗口，对窗口内的每一个像素计算梯度方向，使用占比达到p％以上的方向作为主方向。
S32，以S31中计算得出的主方向为轴，特征点为中心取m1*m1的窗口，计算每个像素的梯度幅值和梯度方向。然后利用高斯窗口对齐进行加权运算。最后在每个(m1/2)*(m1/2)窗口上绘制八个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点。
S33，对每个特征值采用周围的种子点进行来描述，形成对应的SIFT特征向量。
S34，计算SIFT特征向量的欧式距离，取欧式距离最小的匹配为最优匹配。匹配后的两个特征点矩阵分别为A和B。
6.根据权利要求1所述的一种基于数据挖掘的多周期钢轨伤损数据对齐方法，其特征在于，单应性矩阵H(homography matrix)，其计算公式为H＝A-1B。
CN201910466679.6A 2019-05-31 2019-05-31 一种基于数据挖掘的多周期钢轨伤损数据对齐方法 Active CN110188777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910466679.6A CN110188777B (zh) 2019-05-31 2019-05-31 一种基于数据挖掘的多周期钢轨伤损数据对齐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910466679.6A CN110188777B (zh) 2019-05-31 2019-05-31 一种基于数据挖掘的多周期钢轨伤损数据对齐方法

Publications (2)

Publication Number Publication Date
CN110188777A true CN110188777A (zh) 2019-08-30
CN110188777B CN110188777B (zh) 2023-08-25

Family

ID=67719193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910466679.6A Active CN110188777B (zh) 2019-05-31 2019-05-31 一种基于数据挖掘的多周期钢轨伤损数据对齐方法

Country Status (1)

Country Link
CN (1) CN110188777B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485751A (zh) * 2022-01-21 2022-05-13 中国铁道科学研究院集团有限公司 钢轨探伤车检测数据空间同步系统及方法
CN115311254A (zh) * 2022-09-13 2022-11-08 万岩铁路装备(成都)有限责任公司 基于Harris-SIFT算法的钢轨轮廓匹配方法

Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04128650A (ja) * 1990-09-19 1992-04-30 Kinki Nippon Tetsudo Kk レール探傷用自動走査装置
JPH0868656A (ja) * 1994-08-31 1996-03-12 Alpine Electron Inc 車載用ナビゲーション装置
JP2002054938A (ja) * 2000-08-11 2002-02-20 Denso Corp 車両用現在位置表示装置、ナビゲーション装置および記録媒体
US20070031004A1 (en) * 2005-08-02 2007-02-08 Casio Computer Co., Ltd. Apparatus and method for aligning images by detecting features
CN101758837A (zh) * 2008-12-25 2010-06-30 中国铁道科学研究院基础设施检测研究所 钢轨探伤车信息自动校正方法、装置及系统
US20110038540A1 (en) * 2009-08-11 2011-02-17 Samsung Electronics Co., Ltd. Method and apparatus extracting feature points and image based localization method using extracted feature points
CN102034355A (zh) * 2010-12-28 2011-04-27 丁天 一种基于特征点匹配的车辆检测及跟踪方法
KR20110048753A (ko) * 2009-11-03 2011-05-12 삼성전자주식회사 사용자 단말 장치, 경로 안내 시스템 및 그 경로 안내 방법
CN102722731A (zh) * 2012-05-28 2012-10-10 南京航空航天大学 一种基于改进sift算法的高效图像匹配方法
KR101241171B1 (ko) * 2011-11-22 2013-03-11 현대자동차주식회사 영상센서를 이용한 ｇｐｓ 위치정보 보정방법
US20130238578A1 (en) * 2012-03-12 2013-09-12 Strava, Inc. Segment validation
CN103646389A (zh) * 2013-03-26 2014-03-19 中国科学院电子学研究所 一种基于几何模型的sar斜距图像同名点自动提取方法
KR20140049332A (ko) * 2012-10-17 2014-04-25 현대모비스 주식회사 Ｖ２ｉ 통신 기반의 영상 제공 시스템 및 이 시스템을 이용한 영상 제공 방법
US20140160012A1 (en) * 2012-12-11 2014-06-12 Automotive Research & Test Center Automatic correction device of vehicle display system and method thereof
US20140180451A1 (en) * 2006-08-21 2014-06-26 Pillar Vision, Inc. Trajectory detection and feedback system for tennis
US20140177968A1 (en) * 2012-12-20 2014-06-26 Chung-Ang University Industry-Academy Cooperation Foundation Homography estimation apparatus and method
US20150199797A1 (en) * 2014-01-10 2015-07-16 Perkinelmer Cellular Technologies Germany Gmbh Method and system for image correction using a quasiperiodic grid
WO2017049994A1 (zh) * 2015-09-25 2017-03-30 深圳大学 一种高光谱图像角点检测方法与系统
WO2017079349A1 (en) * 2015-11-04 2017-05-11 Zoox, Inc. System for implementing an active safety system in an autonomous vehicle
US20170236284A1 (en) * 2016-02-13 2017-08-17 University Of Rochester Registration of aerial imagery to vector road maps with on-road vehicular detection and tracking
US20170286781A1 (en) * 2016-04-05 2017-10-05 Omni Al, Inc. Trajectory cluster model for learning trajectory patterns in videos data
CN107316353A (zh) * 2017-07-03 2017-11-03 国网冀北电力有限公司承德供电公司 一种无人机巡检信息管理方法、系统和服务器
CN107451593A (zh) * 2017-07-07 2017-12-08 西安交通大学 一种基于图像特征点的高精度gps定位方法
CN107543558A (zh) * 2016-06-29 2018-01-05 高德软件有限公司 公交站点间行驶耗时确定方法、公交导航方法及装置
CN107610166A (zh) * 2017-09-26 2018-01-19 上海海事大学 一种基于线性特征区域分割的平面地图图像配准方法
US10049463B1 (en) * 2017-02-14 2018-08-14 Pinnacle Imaging Corporation Method for accurately aligning and correcting images in high dynamic range video and image processing
CN108830842A (zh) * 2018-06-04 2018-11-16 哈尔滨工程大学 一种基于角点检测的医学图像处理方法
CN109307510A (zh) * 2017-07-28 2019-02-05 广州极飞科技有限公司 飞行导航方法、装置和无人飞行器
KR20190038739A (ko) * 2017-09-30 2019-04-09 현대엠엔소프트 주식회사 도로 변경 지점 검출 방법

Patent Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04128650A (ja) * 1990-09-19 1992-04-30 Kinki Nippon Tetsudo Kk レール探傷用自動走査装置
JPH0868656A (ja) * 1994-08-31 1996-03-12 Alpine Electron Inc 車載用ナビゲーション装置
JP2002054938A (ja) * 2000-08-11 2002-02-20 Denso Corp 車両用現在位置表示装置、ナビゲーション装置および記録媒体
US20070031004A1 (en) * 2005-08-02 2007-02-08 Casio Computer Co., Ltd. Apparatus and method for aligning images by detecting features
US20140180451A1 (en) * 2006-08-21 2014-06-26 Pillar Vision, Inc. Trajectory detection and feedback system for tennis
CN101758837A (zh) * 2008-12-25 2010-06-30 中国铁道科学研究院基础设施检测研究所 钢轨探伤车信息自动校正方法、装置及系统
US20110038540A1 (en) * 2009-08-11 2011-02-17 Samsung Electronics Co., Ltd. Method and apparatus extracting feature points and image based localization method using extracted feature points
KR20110048753A (ko) * 2009-11-03 2011-05-12 삼성전자주식회사 사용자 단말 장치, 경로 안내 시스템 및 그 경로 안내 방법
CN102034355A (zh) * 2010-12-28 2011-04-27 丁天 一种基于特征点匹配的车辆检测及跟踪方法
KR101241171B1 (ko) * 2011-11-22 2013-03-11 현대자동차주식회사 영상센서를 이용한 ｇｐｓ 위치정보 보정방법
US20130238578A1 (en) * 2012-03-12 2013-09-12 Strava, Inc. Segment validation
CN102722731A (zh) * 2012-05-28 2012-10-10 南京航空航天大学 一种基于改进sift算法的高效图像匹配方法
KR20140049332A (ko) * 2012-10-17 2014-04-25 현대모비스 주식회사 Ｖ２ｉ 통신 기반의 영상 제공 시스템 및 이 시스템을 이용한 영상 제공 방법
US20140160012A1 (en) * 2012-12-11 2014-06-12 Automotive Research & Test Center Automatic correction device of vehicle display system and method thereof
US20140177968A1 (en) * 2012-12-20 2014-06-26 Chung-Ang University Industry-Academy Cooperation Foundation Homography estimation apparatus and method
CN103646389A (zh) * 2013-03-26 2014-03-19 中国科学院电子学研究所 一种基于几何模型的sar斜距图像同名点自动提取方法
US20150199797A1 (en) * 2014-01-10 2015-07-16 Perkinelmer Cellular Technologies Germany Gmbh Method and system for image correction using a quasiperiodic grid
WO2017049994A1 (zh) * 2015-09-25 2017-03-30 深圳大学 一种高光谱图像角点检测方法与系统
WO2017079349A1 (en) * 2015-11-04 2017-05-11 Zoox, Inc. System for implementing an active safety system in an autonomous vehicle
US20170236284A1 (en) * 2016-02-13 2017-08-17 University Of Rochester Registration of aerial imagery to vector road maps with on-road vehicular detection and tracking
US20170286781A1 (en) * 2016-04-05 2017-10-05 Omni Al, Inc. Trajectory cluster model for learning trajectory patterns in videos data
CN107543558A (zh) * 2016-06-29 2018-01-05 高德软件有限公司 公交站点间行驶耗时确定方法、公交导航方法及装置
US10049463B1 (en) * 2017-02-14 2018-08-14 Pinnacle Imaging Corporation Method for accurately aligning and correcting images in high dynamic range video and image processing
CN107316353A (zh) * 2017-07-03 2017-11-03 国网冀北电力有限公司承德供电公司 一种无人机巡检信息管理方法、系统和服务器
CN107451593A (zh) * 2017-07-07 2017-12-08 西安交通大学 一种基于图像特征点的高精度gps定位方法
CN109307510A (zh) * 2017-07-28 2019-02-05 广州极飞科技有限公司 飞行导航方法、装置和无人飞行器
CN107610166A (zh) * 2017-09-26 2018-01-19 上海海事大学 一种基于线性特征区域分割的平面地图图像配准方法
KR20190038739A (ko) * 2017-09-30 2019-04-09 현대엠엔소프트 주식회사 도로 변경 지점 검출 방법
CN108830842A (zh) * 2018-06-04 2018-11-16 哈尔滨工程大学 一种基于角点检测的医学图像处理方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
孙次锁;刘军;秦勇;张玉华;: "基于深度学习的钢轨伤损智能识别方法", 中国铁道科学, no. 05 *
李承;胡钊政;胡月志;吴华伟;: "基于GPS与图像融合的智能车辆高精度定位算法", 交通运输系统工程与信息, no. 03 *
王小华等: "基于互信息和单应性原理的图像自动配准研究", 《杭州电子科技大学学报》 *
王小华等: "基于互信息和单应性原理的图像自动配准研究", 《杭州电子科技大学学报》, no. 01, 15 February 2009 (2009-02-15), pages 54 - 57 *
赵峰等: "一种基于奇异值分解的图像匹配算法", 《计算机研究与发展》 *
赵峰等: "一种基于奇异值分解的图像匹配算法", 《计算机研究与发展》, no. 01, 15 January 2010 (2010-01-15), pages 23 - 32 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485751A (zh) * 2022-01-21 2022-05-13 中国铁道科学研究院集团有限公司 钢轨探伤车检测数据空间同步系统及方法
CN114485751B (zh) * 2022-01-21 2023-09-12 中国铁道科学研究院集团有限公司 钢轨探伤车检测数据空间同步系统及方法
CN115311254A (zh) * 2022-09-13 2022-11-08 万岩铁路装备(成都)有限责任公司 基于Harris-SIFT算法的钢轨轮廓匹配方法

Also Published As

Publication number Publication date
CN110188777B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN103324913B (zh) 一种基于形状特征和轨迹分析的行人事件检测方法
Heipke et al. Evaluation of automatic road extraction
CN111210477B (zh) 一种运动目标的定位方法及系统
CN110929710B (zh) 一种基于视觉的仪表指针读数自动识别方法与系统
Kim et al. Tracking road centerlines from high resolution remote sensing images by least squares correlation matching
Gikas et al. A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior
CN107066806B (zh) 航迹关联方法及装置
CN110910359B (zh) 一种基于特征跟踪与骨架特征匹配的fpc线路检测方法
CN103593832A (zh) 一种基于高斯二阶差分特征检测算子的图像拼接方法
CN110188777A (zh) 一种基于数据挖掘的多周期钢轨伤损数据对齐方法
CN107270891B (zh) 基于抗差估计的惯性地磁匹配定位方法
CN109737968B (zh) 基于二维LiDAR和智能手机的室内融合定位方法
CN105608703A (zh) 一种变电站智能巡检机器人的电流互感器油位检测方法
CN106056121A (zh) 基于sift图像特征匹配的卫星装配工件快速识别方法
CN107808524A (zh) 一种基于无人机的道路交叉口车辆检测方法
CN101714211A (zh) 高分辨率遥感影像道路中心线的检测的方法
CN111563896A (zh) 一种用于接触网异常检测的图像处理方法
CN104200483B (zh) 多摄像头环境中基于人体中心线的目标检测方法
CN103839274A (zh) 一种基于几何比例关系的扩展目标跟踪方法
CN104075710B (zh) 一种基于航迹预测的机动扩展目标轴向姿态实时估计方法
CN113673011A (zh) 基于点云数据智能识别运营期隧道侵界的方法
CN111257588B (zh) 一种基于orb和ransac的油相流速测量方法
CN106761685A (zh) 利用工具面角识别井眼轨迹模式的方法
CN109146863A (zh) 一种路面标志线缺陷检测装置
CN110647877B (zh) 一种基于神经网络的立体交通设施定位纠偏方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220915

Address after: Room 102, Building 7, No. 124, Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015

Applicant after: Dongguan prophet big data Co.,Ltd.

Address before: Room 303, R&D Building, No. 2, Weifeng Road, Niushan Foreign Economics Industrial Park, Dongcheng Street, Dongguan City, Guangdong 523000

Applicant before: Yu Yang

Applicant before: Liang Fan

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015

Patentee after: Guangdong Prophet Big Data Co.,Ltd.

Country or region after: China

Address before: Room 102, Building 7, No. 124, Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015

Patentee before: Dongguan prophet big data Co.,Ltd.

Country or region before: China