CN110276742B - 列车尾灯监测方法、装置、终端及存储介质 - Google Patents
列车尾灯监测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN110276742B CN110276742B CN201910377517.5A CN201910377517A CN110276742B CN 110276742 B CN110276742 B CN 110276742B CN 201910377517 A CN201910377517 A CN 201910377517A CN 110276742 B CN110276742 B CN 110276742B
- Authority
- CN
- China
- Prior art keywords
- images
- train
- areas
- target
- tail
- 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
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
一种列车尾灯监测方法,包括:连续获取列车行驶过程中的多张图像;采用YOLO目标检测算法检测出每张图像中的多个轮廓区域,作为列车的尾灯的候选轮廓区域;根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域;当确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域且所述至少两个所述目标轮廓区域的面积一致时,输出所述列车的尾灯存在的结果。本发明还提供一种列车尾灯监测装置、终端及存储介质。本发明能够通过视频监控技术,在非站点路段,连续获取列车的多张图像,并对多张图像进行分析来确定列车的尾灯是否存在,为列车的安全监测提供了有效的辅助技术手段,提高了列车运行的安全性。
Description
技术领域
本发明涉及视频监控技术领域,具体涉及一种列车尾灯监测方法、装置、终端及存储介质。
背景技术
由于红色在光谱里是传播最快的波段,而且穿透力最强,即使在雾天雨天也能明显的看到,且红色也比较符合心理学中警示的特性。因此,列车通常会在尾部设置红色的尾灯。列车尾灯对保障列车运行安全、进站对标提醒、实现列车编组完整性诊断起到了非常重要的作用。
随着铁路运输的不断发展,传统的铁路安全管理已经适应不了实际发展的需要。传统的铁路安全运输采用纯人工操作,需要列车停车后才能获取相关数据信息,人工监测需耗费大量的时间和人力,而且监测效率低下,容易出现错误,且在非站点的路段也无法通过人工进行监测。
因此,有必要提供一种不依靠人工且在非站点路段的列车的尾灯的监测的技术方案。
发明内容
鉴于以上内容,有必要提出一种列车尾灯监测方法、装置、终端及存储介质,能够通过视频监控技术,在非站点路段,连续获取列车的多张图像,并对多张图像进行分析来确定列车的尾灯是否存在,为列车的安全监测提供了有效的辅助技术手段,提高了列车运行的安全性。
本发明的第一方面提供一种列车尾灯监测方法,所述方法包括:
连续获取列车行驶过程中的多张图像;
采用YOLO目标检测算法检测出每张图像中的多个轮廓区域,作为列车的尾灯的候选轮廓区域;
根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域;
当确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域时,判断至少两个所述目标轮廓区域的面积是否一致;
当确定所述至少两个所述目标轮廓区域的面积一致时,输出所述列车的尾灯存在的结果。
优选的,所述根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域包括:
获取所述每张图像中的每个所述候选轮廓区域的每个像素点的像素值;
获取每个所述候选轮廓区域中所述像素值满足预设像素条件的目标像素值;
从所述多个候选轮廓区域中筛选出目标像素值的个数在预设个数范围内的目标轮廓区域。
优选的,所述判断所述多张图像中的连续预设张数的图像中是否都存在至少两个所述目标轮廓区域包括:
从所述多张图像中获取连续预设张数的图像;
判断所述连续预设张数的图像中是否都存在所述目标轮廓区域;
当确定所述连续预设张数的图像中都存在所述目标轮廓区域时,判断所述目标轮廓区域的个数是否大于或者等于2。
优选的,当确定所述多张图像中的连续预设张数的图像中不都存在至少两个所述目标轮廓区域时,所述方法还包括:
输出所述列车的尾灯不存在的结果;
当确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域,但确定所述至少两个所述目标轮廓区域的面积不一致时,所述方法还包括:
输出所述列车的尾灯不存在的结果。
优选的,在所述输出所述列车的尾灯存在的结果之后,所述方法还包括:
计算所述至少两个所述目标轮廓区域的像素值的均值;
判断所述至少两个所述均值是否都大于预设均值阈值;
当所述至少两个所述均值都大于所述预设均值阈值时,输出所述列车的两个尾灯存在且正常点亮的结果;当只有一个所述均值大于所述预设均值阈值时,输出所述列车的两个尾灯存在但只有一个正常点亮的结果;当所述至少两个所述均值都小于所述预设均值阈值时,输出所述列车的两个尾灯存在但均无法点亮的结果。
优选的,在所述输出所述列车的尾灯不存在的结果之后,所述方法还包括:
向所述列车的列车司机发送告警信息;
同时,向前方车站的调度室发送包含所述列车的机车号的告警信息。
优选的,在所述连续获取列车行驶过程中的多张图像之后,所述方法还包括:
对所述多张图像进行照度或对比度归一化处理;
采用双边滤波算法对进行所述归一化处理后的多张图像进行降噪处理。
本发明的第二方面提供一种列车尾灯监测装置,所述装置包括:
获取模块,用于连续获取列车行驶过程中的多张图像;
检测模块,用于采用YOLO目标检测算法检测出每张图像中的多个轮廓区域,作为列车的尾灯的候选轮廓区域;
筛选模块,用于根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域;
第一判断模块,用于判断所述多张图像中的连续预设张数的图像中是否都存在至少两个所述目标轮廓区域;
第二判断模块,用于当所述第一判断模块确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域时,判断所述至少两个所述目标轮廓区域的面积是否一致;
输出模块,用于当所述第二判断模块确定所述至少两个所述目标轮廓区域的面积一致时,输出所述列车的尾灯存在的结果。
本发明的第三方面提供一种计算机终端,所述计算机终端包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现所述列车尾灯监测方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述列车尾灯监测方法。
综上所述,本发明所述的列车尾灯监测方法、装置、终端及存储介质,在列车行驶的过程中,获取连续多张图像,采用YOLO目标检测算法检测多个候选轮廓区域,再进一步的对每张图像中的多个候选轮廓区域进行筛选得到目标轮廓区域,然后通过确定所述连续预设张数的图像中都存在至少两个目标轮廓区域时,再确定所述至少两个目标轮廓区域的面积一致的前提下,方才认为所述列车的尾灯存在。为车站接发车作业的安全检测提供有效的辅助技术手段,打破了完全依靠纯人工视觉、听觉、触觉被动判断列车是否有尾灯的机制,避免了人工操作容易出错的风险,大大减轻现场工作人员的工作量,提高了列车运行的安全性,提高了工作人员的工作效率,实现了对运输安全生产的有效控制,并为车站的调度室提供了有效的高清晰图像依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本发明实施例一提供的列车尾灯监测方法的流程图。
图2是本发明实施例二提供的列车尾灯监测装置的结构图。
图3是本发明实施例三提供的终端的结构示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
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,所描述的实施例仅仅是本发明一部分实施例,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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的列车尾灯监测方法的流程图。
在本实施例中,所述列车尾灯监测方法可以应用于列车管理调度室内的终端中,对于需要进行列车尾灯监测的终端,可以直接在终端上集成本发明的方法所提供的列车尾灯监测的功能,或者以软件开发工具包(Software Development Kit,SKD)的形式运行在终端中。
如图1所示,所述列车尾灯监测方法应用于列车行驶过程中的这一特定场景,所述列车尾灯监测方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11:连续获取列车行驶过程中的多张图像。
本实施例中的列车是由十几甚至几十节的集装箱车厢组成的,每节集装箱车箱长约35-40米。列车一般包括头部和尾部,头部位于第一节车厢的前端,尾部位于最后一节车厢的末端。列车的尾灯一般安装在所述尾部上。
本实施例中,可以通过高清数字图像采集设备获取列车在行驶过程中的多张图像。由于列车运行速度较快,可高达几百米每秒,而通过单一图像无法精确的确定列车尾灯是否存在,因此可以采用高速连拍数字照相技术,在列车经过时,通过高清数字图像采集设备快速对所述列车进行连拍从而获取多张包含列车在内的高清数字图像。或者通过高清数字图像采集设备采集视频流,通过提取视频流中的帧得到多张图像,以便通过多张连续性的图像综合识别列车的尾灯是否存在。
本实施例中,所述高清数字图像采集设备可以包括多台高清相机,所述高清相机安装在被监视列车轨道的两侧沿所述列车行进路线设置的至少一个支撑架上,用于实时获取列车的尾部图像并发送至流媒体存储装置。当然在其它实施例中,所述高清相机还可以有其他的安装位置,只要能清晰地获取列车的尾部的清晰图像即可。
高清数字图像采集设备可以通过专用视频光端机、有线网络等技术向各个车站调度室的室内视频分析服务器发送采集的所述高清图像,使得列车管理部门随时通过室内视频分析服务器掌握列车的运行情况。
优选的,在所述连续获取列车行驶过程中的多张图像之后,所述方法还包括:
对所述多张图像进行预处理。
本实施例中,对所述多张图像进行预处理包括:对所述多张图像进行照度或对比度归一化处理;采用双边滤波算法对进行所述归一化处理后的多张图像进行降噪处理。
由于监控的是全天候(不同时段、不同光线强度、不同气候特征)的列车运行状态,对多张高清图像进行预处理之后,可解决不同时段、不同光照条件下图像的照度或者对比度的归一化,从而将图像中所需要识别部分的特征进行优化凸显,将其余不需要识别部分的特征进行弱化处理,以提高图像识别的准确性和识别速度。
所述双边滤波算法能够有效的去除噪声,例如,由高清数字图像采集设备产生的椒盐噪声,同时,还具有良好的边缘细节保持能力。关于双边滤波算法的处理过程为现有技术,本发明在此不再详细赘述。
应当理解的是,本实施例中,尾灯一般设置为红色,因而,所述多张图像需要为彩色图像,即无需对所述多张图像进行图像灰度归一化处理。
S12:采用YOLO目标检测算法检测出每张图像中的多个轮廓区域,作为列车的尾灯的候选轮廓区域。
本实施例中,当获取到多张连续性或者时序性的彩色图像后,需要根据预先设置的YOLO目标检测算法来检测每张图像中存在的多个目标。YOLO(You Only Look Once:Better,Faster,Stronger)目标检测算法为快速多目标检测算法,能够同时检测出多种目标,且用矩形框的形式框选出每个目标的轮廓区域。
S13:根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域。
本实施例中,提取出的每张图像中包括多个候选轮廓区域,但每辆列车的列车尾灯为两个且呈对称设置,当列车的尾灯出现异常,例如,漏装列车尾灯或者列车尾灯丢失时,提取的多个候选轮廓区域中的任何一个候选轮廓区域不是真正的列车尾灯的轮廓区域。即,所述多个候选轮廓区域中有且最多只有两个候选轮廓区域是真正的列车尾灯的轮廓区域。
因此,需要对提取出的每张图像中的多个候选轮廓区域进行筛选,舍弃不符合筛选条件的候选轮廓区域,保留符合筛选条件的候选轮廓区域。经过筛选之后,符合筛选条件的候选轮廓区域的数量将大大减少,后续仅需对保留下来的较少的候选轮廓区域进行分析即可,节省时间,提高分析效率,且可确保分析结果的精确度。
优选的,所述根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域。包括:
131)获取所述每张图像中的每个候选轮廓区域的每个像素点的像素值;
132)获取每个所述候选轮廓区域中所述像素值满足预设像素条件的目标像素值;
133)从所述多个候选轮廓区域中筛选出目标像素值的个数在预设个数范围内的目标轮廓区域。
本实施例中,预先设置符合要求的像素条件,可以根据尾灯本身的红色属性设置像素条件。
所述预设像素条件为:像素点的R分量的像素值在180-255之间,像素点的G分量的像素值在0-60之间,像素点的B分量的像素值在0-60之间。
当获取到一张图像中的每个候选轮廓区域的每个像素点的像素值之后,针对每个像素点,分别提取该像素点的R分量像素值、G分量像素值、B分量像素值;同时比较R分量像素值是否在180-255之间,像素点的G分量的像素值是否在0-60之间,像素点的B分量的像素值是否在0-60之间。当某一个像素点的R分量像素值在180-255之间,且像素点的G分量的像素值在0-60之间,且像素点的B分量的像素值在0-60之间时,认为该像素点的像素值满足预设像素条件;否则,当某一个像素点的R分量像素值不在180-255之间,或者像素点的G分量的像素值不在0-60之间,或者像素点的B分量的像素值不在0-60之间时,认为该像素点的像素值不满足预设像素条件。将所有满足预设像素条件的像素值均提取出来作为目标像素值,目标像素值对应的像素点为目标像素点。从所述多个候选轮廓区域中筛选出目标像素值的个数在预设个数范围内的候选轮廓区域,作为目标轮廓区域。
示例性的,假设获取了列车行驶过程中的7张连续性图像,采用YOLO目标检测算法检测出每张图像中存在5个候选轮廓区域。首先,从每张图像中的5个候选轮廓区域中获取像素点的R分量的像素值在180-255之间,且像素点的G分量的像素值在0-60之间,且像素点的B分量的像素值在0-60的目标候选轮廓区域(假设有3个目标候选轮廓区域)。接着统计这3个目标候选轮廓区域中的所述目标像素值的个数是否在预设个数范围(例如,40-50)内;从所述多个候选轮廓区域中筛选出目标像素值的个数在预设个数范围内的目标轮廓区域。
经过筛选,最后得到的每张图像的目标轮廓区域的数量就非常少,可能有些图像中只有两三个目标轮廓区域,也可能有些图像中一个目标轮廓区域也不存在。
S14:判断所述多张图像中的连续预设张数的图像中是否都存在至少两个所述目标轮廓区域。
本实施例中,所述多张图像具有连续性和时序性,即按照时间顺序连续拍摄的多张图像,假如列车的尾灯存在,那么多张图像中必定存在连续预设张数的图像都有目标轮廓区域。因而,可以从所述多张图像中获取连续预设张数的图像,然后判断连续预设张数的图像中是否都存在至少两个所述目标轮廓区域,来判断列车的尾灯是否存在。
所述预设张数为预先设置的数值,例如,3张。
具体的,所述判断所述多张图像中的连续预设张数的图像中是否都存在至少两个所述目标轮廓区域包括:
从所述多张图像中获取连续预设张数的图像;
判断所述连续预设张数的图像中是否都存在所述目标轮廓区域;
当确定所述连续预设张数的图像中都存在所述目标轮廓区域时,判断所述目标轮廓区域的个数是否大于或者等于2。
示例性的,假设获取了列车行驶过程中的7张连续性图像,则从所述7张图像中获取连续的3张图像,例如,第2张、第3张及第4张。然后分别判断第2张图像、第3张图像及第4张图像中是否都有目标轮廓区域。当第2张图像、第3张图像及第4张图像中都有目标轮廓区域时,接着判断第2张图像、第3张图像及第4张图像中的目标轮廓区域的个数是否都大于或者等于2。
当判断所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域,执行S15;否则,当判断所述多张图像中的连续预设张数的图像中不都存在至少两个所述目标轮廓区域,执行S16。
S15:判断至少两个所述目标轮廓区域的面积是否一致。
本实施例中,即使所述多张图像中连续预设张数的图像都存在至少两个所述目标轮廓区域,也无法确保尾灯一定存在,原因在于,假设列车尾部上挂了一个红色的袋子,从而提取出的每张图像中也有符合筛选条件的的目标轮廓区域,进而将目标轮廓区域误认为尾灯。
示例性的,当判断第2张图像、第3张图像及第4张图像中都有3个目标轮廓区域,则判断第2张图像中的3个目标轮廓区域是否存在至少两个大小一致的目标轮廓区域,接着判断第3张图像中的3个目标轮廓区域是否存在至少两个大小一致的目标轮廓区域,再判断第4张图像中的3个目标轮廓区域是否存在至少两个大小一致的目标轮廓区域。
若确定至少两个所述目标轮廓区域的面积不一致时,执行S16;若确定至少两个所述目标轮廓区域的面积一致时,执行S17。
S16:输出所述列车的尾灯不存在的结果。
本实施例中,当确定所述多张图像中的连续预设张数的图像中不都存在至少两个所述目标轮廓区域时;或者,即使确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域时,但至少两个所述目标轮廓区域的面积不一致的情形下,认为所述列车的尾灯不存在。
S17:输出所述列车的尾灯存在的结果。
本实施例中,通过确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域,再确定至少两个所述目标轮廓区域的面积一致的前提下,认为所述列车的尾灯存在。
优选的,在所述输出所述列车的尾灯存在的结果之后,所述方法还包括:
计算所述至少两个所述目标轮廓区域的像素值的均值;
判断所述至少两个所述均值是否都大于预设均值阈值;
当所述至少两个所述均值都大于所述预设均值阈值时,输出所述列车的两个尾灯存在且正常点亮的结果;当只有一个所述均值大于所述预设均值阈值时,输出所述列车的两个尾灯存在但只有一个正常点亮的结果;当所述至少两个所述均值都小于所述预设均值阈值时,输出所述列车的两个尾灯存在但均无法点亮的结果。
通过检测出列车的两个尾灯存在,还进一步检测两个尾灯是否正常点亮。由于点亮的尾灯的图像更偏红,可以通过预先设置一个均值阈值,比较所述至少两个目标轮廓区域的像素值的均值与预先设置的均值阈值的大小关系来判断两个尾灯是否都正常点亮。
进一步的,在所述在所述输出所述列车的尾灯不存在的结果之后,所述方法还包括:
向所述列车的列车司机发送告警信息;
同时,向前方车站的调度室发送包含所述列车的机车号的告警信息。
本实施例中,机车号为永久标示列车的号码,包括:型号和编号,机车号在全路管辖范围内是唯一的。在确定列车的尾灯不存在时,同时向司机室和前方站的调度室发送告警信息。向所述列车的列车司机发送告警信息,便于司机能实时了解正在运行的列车的状况,提高警惕性,也能够起到提醒司机在前方车站做停车处理,并通知列车维修人员前来检修;而向前方车站发送包含机动车的告警信息,便于前方车站工作人员在接车时能第一时间对有异常的尾灯进行检修或者更换。即,起到了双重保障对有异常的尾灯进行及时处理的效果。
综上所述,本发明所述一种列车尾灯监测方法,在列车行驶的过程中,获取连续多张图像,采用YOLO目标检测算法检测多个候选轮廓区域,再进一步的对每张图像中的多个候选轮廓区域进行筛选得到目标轮廓区域,然后通过确定所述连续预设张数的图像中都存在至少两个目标轮廓区域时,再确定所述至少两个目标轮廓区域的面积一致的前提下,方才认为所述列车的尾灯存在。为车站接发车作业的安全检测提供有效的辅助技术手段,打破了完全依靠纯人工视觉、听觉、触觉被动判断列车是否有尾灯的机制,避免了人工操作容易出错的风险,大大减轻现场工作人员的工作量,提高了列车运行的安全性,提高了工作人员的工作效率,实现了对运输安全生产的有效控制,并为车站的调度室提供了有效的高清晰图像依据。其次,对有问题的列车进行实时报警,可及时处理因无尾灯或者尾灯无法正常点亮造成的停车、延误等事件的发生,提高了铁路运输的效率。
实施例二
图2是本发明实施例二提供的列车尾灯监测装置的结构图。
在一些实施例中,所述列车尾灯监测装置20可以包括多个由程序代码段所组成的功能模块。所述列车尾灯监测装置20中的各个程序段的程序代码可以存储于终端的存储器中,并由所述至少一个处理器所执行,以执行(详见图1描述)对存在列车尾灯故障进行检测。
本实施例中,所述列车尾灯监测装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:获取模块201、预处理模块202、检测模块203、筛选模块204、第一判断模块205、第二判断模块206、输出模块207及发送模块208。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
获取模块201,用于连续获取列车行驶过程中的多张图像。
本实施例中的列车是由十几甚至几十节的集装箱车厢组成的,每节集装箱车箱长约35-40米。列车一般包括头部和尾部,头部位于第一节车厢的前端,尾部位于最后一节车厢的末端。列车的尾灯一般安装在所述尾部上。
本实施例中,可以通过高清数字图像采集设备获取列车在行驶过程中的多张图像。由于列车运行速度较快,可高达几百米每秒,而通过单一图像无法精确的确定列车尾灯是否存在,因此可以采用高速连拍数字照相技术,在列车经过时,通过高清数字图像采集设备快速对所述列车进行连拍从而获取多张包含列车在内的高清数字图像。或者通过高清数字图像采集设备采集视频流,通过提取视频流中的帧得到多张图像,以便通过多张连续性的图像综合识别列车的尾灯是否存在。
本实施例中,所述高清数字图像采集设备可以包括多台高清相机,所述高清相机安装在被监视列车轨道的两侧沿所述列车行进路线设置的至少一个支撑架上,用于实时获取列车的尾部图像并发送至流媒体存储装置。当然在其它实施例中,所述高清相机还可以有其他的安装位置,只要能清晰地获取列车的尾部的清晰图像即可。
高清数字图像采集设备可以通过专用视频光端机、有线网络等技术向各个车站调度室的室内视频分析服务器发送采集的所述高清图像,使得列车管理部门随时通过室内视频分析服务器掌握列车的运行情况。
优选的,在所述获取模块201连续获取列车行驶过程中的多张图像之后,所述列车尾灯监测装置20还包括:
预处理模块202,用于对所述多张图像进行预处理。
本实施例中,对所述多张图像进行预处理包括:对所述多张图像进行照度或对比度归一化处理;采用双边滤波算法对进行所述归一化处理后的多张图像进行降噪处理。
由于监控的是全天候(不同时段、不同光线强度、不同气候特征)的列车运行状态,对多张高清图像进行预处理之后,可解决不同时段、不同光照条件下图像的照度或者对比度的归一化,从而将图像中所需要识别部分的特征进行优化凸显,将其余不需要识别部分的特征进行弱化处理,以提高图像识别的准确性和识别速度。
所述双边滤波算法能够有效的去除噪声,例如,由高清数字图像采集设备产生的椒盐噪声,同时,还具有良好的边缘细节保持能力。关于双边滤波算法的处理过程为现有技术,本发明在此不再详细赘述。
应当理解的是,本实施例中,尾灯一般设置为红色,因而,所述多张图像需要为彩色图像,即无需对所述多张图像进行图像灰度归一化处理。
检测模块203,用于采用YOLO目标检测算法检测出每张图像中的多个轮廓区域,作为列车的尾灯的候选轮廓区域。
本实施例中,当获取到多张连续性或者时序性的彩色图像后,需要根据预先设置的YOLO目标检测算法来检测每张图像中存在的多个目标。YOLO(You Only Look Once:Better,Faster,Stronger)目标检测算法为快速多目标检测算法,能够同时检测出多种目标,且用矩形框的形式框选出每个目标的轮廓区域。
筛选模块204,用于根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域。
本实施例中,提取出的每张图像中包括多个候选轮廓区域,但每辆列车的列车尾灯为两个且呈对称设置,当列车的尾灯出现异常,例如,漏装列车尾灯或者列车尾灯丢失时,提取的多个候选轮廓区域中的任何一个候选轮廓区域不是真正的列车尾灯的轮廓区域。即,所述多个候选轮廓区域中有且最多只有两个候选轮廓区域是真正的列车尾灯的轮廓区域。
因此,需要对提取出的每张图像中的多个候选轮廓区域进行筛选,舍弃不符合筛选条件的候选轮廓区域,保留符合筛选条件的候选轮廓区域。经过筛选之后,符合筛选条件的候选轮廓区域的数量将大大减少,后续仅需对保留下来的较少的候选轮廓区域进行分析即可,节省时间,提高分析效率,且可确保分析结果的精确度。
优选的,所述筛选模块204根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域包括:
131)获取所述每张图像中的每个候选轮廓区域的每个像素点的像素值;
132)获取每个所述候选轮廓区域中所述像素值满足预设像素条件的目标像素值;
133)从所述多个候选轮廓区域中筛选出目标像素值的个数在预设个数范围内的目标轮廓区域。
本实施例中,预先设置符合要求的像素条件,可以根据尾灯本身的红色属性设置像素条件。
所述预设像素条件为:像素点的R分量的像素值在180-255之间,像素点的G分量的像素值在0-60之间,像素点的B分量的像素值在0-60之间。
当获取到一张图像中的每个候选轮廓区域的每个像素点的像素值之后,针对每个像素点,分别提取该像素点的R分量像素值、G分量像素值、B分量像素值;同时比较R分量像素值是否在180-255之间,像素点的G分量的像素值是否在0-60之间,像素点的B分量的像素值是否在0-60之间。当某一个像素点的R分量像素值在180-255之间,且像素点的G分量的像素值在0-60之间,且像素点的B分量的像素值在0-60之间时,认为该像素点的像素值满足预设像素条件;否则,当某一个像素点的R分量像素值不在180-255之间,或者像素点的G分量的像素值不在0-60之间,或者像素点的B分量的像素值不在0-60之间时,认为该像素点的像素值不满足预设像素条件。将所有满足预设像素条件的像素值均提取出来作为目标像素值,目标像素值对应的像素点为目标像素点。从所述多个候选轮廓区域中筛选出目标像素值的个数在预设个数范围内的候选轮廓区域,作为目标轮廓区域。
示例性的,假设获取了列车行驶过程中的7张连续性图像,采用YOLO目标检测算法检测出每张图像中存在5个候选轮廓区域。首先,从每张图像中的5个候选轮廓区域中获取像素点的R分量的像素值在180-255之间,且像素点的G分量的像素值在0-60之间,且像素点的B分量的像素值在0-60的目标候选轮廓区域(假设有3个目标候选轮廓区域)。接着统计这3个目标候选轮廓区域中的所述目标像素值的个数是否在预设个数范围(例如,40-50)内;从所述多个候选轮廓区域中筛选出目标像素值的个数在预设个数范围内的目标轮廓区域。
经过筛选,最后得到的每张图像的目标轮廓区域的数量就非常少,可能有些图像中只有两三个目标轮廓区域,也可能有些图像中一个目标轮廓区域也不存在。
第一判断模块205,用于判断所述多张图像中的连续预设张数的图像中是否都存在至少两个所述目标轮廓区域。
本实施例中,所述多张图像具有连续性和时序性,即按照时间顺序连续拍摄的多张图像,假如列车的尾灯存在,那么多张图像中必定存在连续预设张数的图像都有目标轮廓区域。因而,可以从所述多张图像中获取连续预设张数的图像,然后判断连续预设张数的图像中是否都存在至少两个所述目标轮廓区域,来判断列车的尾灯是否存在。
所述预设张数为预先设置的数值,例如,3张。
具体的,所述第一判断模块205判断所述多张图像中的连续预设张数的图像中是否都存在至少两个所述目标轮廓区域包括:
从所述多张图像中获取连续预设张数的图像;
判断所述连续预设张数的图像中是否都存在所述目标轮廓区域;
当确定所述连续预设张数的图像中都存在所述目标轮廓区域时,判断所述目标轮廓区域的个数是否大于或者等于2。
示例性的,假设获取了列车行驶过程中的7张连续性图像,则从所述7张图像中获取连续的3张图像,例如,第2张、第3张及第4张。然后分别判断第2张图像、第3张图像及第4张图像中是否都有目标轮廓区域。当第2张图像、第3张图像及第4张图像中都有目标轮廓区域时,接着判断第2张图像、第3张图像及第4张图像中的目标轮廓区域的个数是否都大于或者等于2。
第二判断模块206,用于当所述第一判断模块205确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域时,判断至少两个所述目标轮廓区域的面积是否一致。
本实施例中,即使所述多张图像中连续预设张数的图像都存在至少两个所述目标轮廓区域,也无法确保尾灯一定存在,原因在于,假设列车尾部上挂了一个红色的袋子,从而提取出的每张图像中也有符合筛选条件的的目标轮廓区域,进而将目标轮廓区域误认为尾灯。
示例性的,当判断第2张图像、第3张图像及第4张图像中都有3个目标轮廓区域,则判断第2张图像中的3个目标轮廓区域是否存在至少两个大小一致的目标轮廓区域,接着判断第3张图像中的3个目标轮廓区域是否存在至少两个大小一致的目标轮廓区域,再判断第4张图像中的3个目标轮廓区域是否存在至少两个大小一致的目标轮廓区域。
输出模块207,用于当所述第一判断模块205确定所述多张图像中的连续预设张数的图像中不都存在至少两个所述目标轮廓区域时,输出所述列车尾灯不存在的结果。
本实施例中,当所述多张图像中的连续预设张数的图像中不都存在至少两个所述目标轮廓区域时,认为所述列车的尾灯不存在。
所述输出模块207,还用于当所述第一判断模块205确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域,且确定所述至少两个所述目标轮廓区域的面积不一致时,输出所述列车的尾灯不存在的结果。
本实施例中,当确定所述多张图像中的连续预设张数的图像中不都存在至少两个所述目标轮廓区域时;或者,即使确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域时,但至少两个所述目标轮廓区域的面积不一致的情形下,认为所述列车的尾灯不存在。
所述输出模块207,还用于当所述第二判断模块206确定所述至少两个所述目标轮廓区域的面积一致时,输出所述列车的尾灯存在的结果。
本实施例中,通过确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域,再确定至少两个所述目标轮廓区域的面积一致的前提下,认为所述列车的尾灯存在。所述获取模块201,还用于在所述输出模块207输出所述列车的尾灯存在的结果之后,计算所述至少两个所述目标轮廓区域的像素值的均值;
所述第二判断模块206,还用于判断所述至少两个所述均值是否都大于预设均值阈值;
所述输出模块207,还用于当所述第二判断模块206确定至少两个所述均值都大于所述预设均值阈值时,输出所述列车的两个尾灯存在且正常点亮的结果;当所述第二判断模块206确定只有一个所述均值大于所述预设均值阈值时,输出所述列车的两个尾灯存在但只有一个正常点亮的结果;当所述第二判断模块206确定所述至少两个所述均值都小于所述预设均值阈值时,输出所述列车的两个尾灯存在但均无法点亮的结果。
通过检测出列车的两个尾灯存在,还进一步检测两个尾灯是否正常点亮。由于点亮的尾灯的图像更偏红,可以通过预先设置一个均值阈值,比较所述至少两个目标轮廓区域的像素值的均值与预先设置的均值阈值的大小关系来判断两个尾灯是否都正常点亮。
进一步的,在所述输出所述列车的尾灯不存在的结果之后,所述列车尾灯监测装置20还包括:
发送模块208,用于向所述列车的列车司机发送告警信息;
同时,所述发送模块208,还用于向前方车站的调度室发送包含所述列车的机车号的告警信息
本实施例中,机车号为永久标示列车的号码,包括:型号和编号,机车号在全路管辖范围内是唯一的。在确定列车的尾灯不存在时,同时向司机室和前方站的调度室发送告警信息。向所述列车的列车司机发送告警信息,便于司机能实时了解正在运行的列车的状况,提高警惕性,也能够起到提醒司机在前方车站做停车处理,并通知列车维修人员前来检修;而向前方车站发送包含机动车的告警信息,便于前方车站工作人员在接车时能第一时间对有异常的尾灯进行检修或者更换。即,起到了双重保障对有异常的尾灯进行及时处理的效果。
综上所述,本发明所述一种列车尾灯监测装置,在列车行驶的过程中,获取连续多张图像,采用YOLO目标检测算法检测多个候选轮廓区域,再进一步的对每张图像中的多个候选轮廓区域进行筛选得到目标轮廓区域,然后通过确定所述连续预设张数的图像中都存在至少两个目标轮廓区域时,再确定所述至少两个目标轮廓区域的面积一致的前提下,方才认为所述列车的尾灯存在。为车站接发车作业的安全检测提供有效的辅助技术手段,打破了完全依靠纯人工视觉、听觉、触觉被动判断列车是否有尾灯的机制,避免了人工操作容易出错的风险,大大减轻现场工作人员的工作量,提高了列车运行的安全性,提高了工作人员的工作效率,实现了对运输安全生产的有效控制,并为车站的调度室提供了有效的高清晰图像依据。其次,对有问题的列车进行实时报警,可及时处理因无尾灯或者尾灯无法正常点亮造成的停车、延误等事件的发生,提高了铁路运输的效率。
实施例三
参阅图3所示,为本发明实施例三提供的终端的结构示意图。在本发明较佳实施例中,所述终端3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的终端的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述终端3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述终端3包括一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的终端,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述终端3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述终端3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31用于存储程序代码和各种数据,例如安装在所述终端3中的列车尾灯监测装置20,并在终端3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory,ROM)、随机存储器(RandomAccess Memory,RAM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中,所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述终端3的控制核心(Control Unit),利用各种接口和线路连接整个终端3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行终端3的各种功能和处理数据,例如执行列车尾灯故障的检测。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述终端3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述终端3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中,结合图2,所述至少一个处理器32可执行所述终端3的操作装置以及安装的各类应用程序(如所述的列车尾灯监测装置20)、程序代码等,例如,上述的各个模块。
所述存储器31中存储有程序代码,且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如,图2中所述的各个模块是存储在所述存储器31中的程序代码,并由所述至少一个处理器32所执行,从而实现所述各个模块的功能以达到列车尾灯监测的目的。
在本发明的一个实施例中,所述存储器31存储多个指令,所述多个指令被所述至少一个处理器32所执行以实现列车尾灯故障的检测。
具体地,所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种列车尾灯监测方法,其特征在于,所述方法包括:
连续获取列车行驶过程中的多张图像,所述多张图像均包括所述列车的尾部;
采用YOLO目标检测算法检测出每张图像中的多个轮廓区域,作为列车的尾灯的候选轮廓区域;
根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域,包括:获取所述每张图像中的每个所述候选轮廓区域的每个像素点的像素值;获取每个所述候选轮廓区域中所述像素值满足预设像素条件的目标像素值;从所述多个候选轮廓区域中筛选出目标像素值的个数在预设个数范围内的目标轮廓区域;
判断所述多张图像中的连续预设张数的图像中是否都存在至少两个所述目标轮廓区域,包括:从所述多张图像中获取连续预设张数的图像;判断所述连续预设张数的图像中是否都存在所述目标轮廓区域;当确定所述连续预设张数的图像中都存在所述目标轮廓区域时,判断所述目标轮廓区域的个数是否大于或者等于2;
当确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域时,判断至少两个所述目标轮廓区域的面积是否一致;
当确定所述至少两个所述目标轮廓区域的面积一致时,输出所述列车的尾灯存在的结果。
2.如权利要求1所述的方法,其特征在于,
当确定所述多张图像中的连续预设张数的图像中不都存在至少两个所述目标轮廓区域时,所述方法还包括:
输出所述列车的尾灯不存在的结果;
当确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域,但确定所述至少两个所述目标轮廓区域的面积不一致时,所述方法还包括:
输出所述列车的尾灯不存在的结果。
3.如权利要求1所述的方法,其特征在于,在所述输出所述列车的尾灯存在的结果之后,所述方法还包括:
计算所述至少两个所述目标轮廓区域的像素值的均值;
判断所述至少两个所述均值是否都大于预设均值阈值;
当所述至少两个所述均值都大于所述预设均值阈值时,输出所述列车的两个尾灯存在且正常点亮的结果;当只有一个所述均值大于所述预设均值阈值时,输出所述列车的两个尾灯存在但只有一个正常点亮的结果;当所述至少两个所述均值都小于所述预设均值阈值时,输出所述列车的两个尾灯存在但均无法点亮的结果。
4.如权利要求3所述的方法,其特征在于,在所述输出所述列车的尾灯不存在的结果之后,所述方法还包括:
向所述列车的列车司机发送告警信息;
同时,向前方车站的调度室发送包含所述列车的机车号的告警信息。
5.如权利要求1至4中任意一项所述的方法,其特征在于,在所述连续获取列车行驶过程中的多张图像之后,所述方法还包括:
对所述多张图像进行照度或对比度归一化处理;
采用双边滤波算法对进行所述归一化处理后的多张图像进行降噪处理。
6.一种列车尾灯监测装置,其特征在于,所述装置包括:
获取模块,用于连续获取列车行驶过程中的多张图像,所述多张图像均包括所述列车的尾部;
检测模块,用于采用YOLO目标检测算法检测出每张图像中的多个轮廓区域,作为列车的尾灯的候选轮廓区域;
筛选模块,用于根据预设筛选条件从每张图像中的所述多个候选轮廓区域中筛选出目标轮廓区域,包括:获取所述每张图像中的每个所述候选轮廓区域的每个像素点的像素值;获取每个所述候选轮廓区域中所述像素值满足预设像素条件的目标像素值;从所述多个候选轮廓区域中筛选出目标像素值的个数在预设个数范围内的目标轮廓区域;
第一判断模块,用于判断所述多张图像中的连续预设张数的图像中是否都存在至少两个所述目标轮廓区域,包括:从所述多张图像中获取连续预设张数的图像;判断所述连续预设张数的图像中是否都存在所述目标轮廓区域;当确定所述连续预设张数的图像中都存在所述目标轮廓区域时,判断所述目标轮廓区域的个数是否大于或者等于2;
第二判断模块,用于当所述第一判断模块确定所述多张图像中的连续预设张数的图像中都存在至少两个所述目标轮廓区域时,判断所述至少两个所述目标轮廓区域的面积是否一致;
输出模块,用于当所述第二判断模块确定所述至少两个所述目标轮廓区域的面积一致时,输出所述列车的尾灯存在的结果。
7.一种计算机终端,其特征在于,所述计算机终端包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5中任意一项所述列车尾灯监测方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述列车尾灯监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910377517.5A CN110276742B (zh) | 2019-05-07 | 2019-05-07 | 列车尾灯监测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910377517.5A CN110276742B (zh) | 2019-05-07 | 2019-05-07 | 列车尾灯监测方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276742A CN110276742A (zh) | 2019-09-24 |
CN110276742B true CN110276742B (zh) | 2023-10-10 |
Family
ID=67960367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910377517.5A Active CN110276742B (zh) | 2019-05-07 | 2019-05-07 | 列车尾灯监测方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276742B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070115510A (ko) * | 2006-06-02 | 2007-12-06 | 엠텍비젼 주식회사 | 무접점 기능을 수행하는 장치 및 방법 |
CN103400113A (zh) * | 2013-07-10 | 2013-11-20 | 重庆大学 | 基于图像处理的高速公路隧道行人检测方法 |
CN103984917A (zh) * | 2014-04-10 | 2014-08-13 | 杭州电子科技大学 | 一种基于机器视觉的多特征夜间车辆检测方法 |
CN105654038A (zh) * | 2015-12-22 | 2016-06-08 | 上海汽车集团股份有限公司 | 车灯识别方法及装置 |
CN106114558A (zh) * | 2016-06-29 | 2016-11-16 | 南京雅信科技集团有限公司 | 适用于地铁隧道弯曲段的前车尾灯探测方法 |
CN107563977A (zh) * | 2017-08-28 | 2018-01-09 | 维沃移动通信有限公司 | 一种图像处理方法、移动终端及计算机可读存储介质 |
WO2018010391A1 (zh) * | 2016-07-13 | 2018-01-18 | 广州视源电子科技股份有限公司 | 一种板卡的检测方法及装置 |
CN108021856A (zh) * | 2016-10-31 | 2018-05-11 | 比亚迪股份有限公司 | 车辆尾灯识别方法、装置及车辆 |
CN108037505A (zh) * | 2017-12-08 | 2018-05-15 | 吉林大学 | 一种夜间前方车辆检测方法及系统 |
WO2018120038A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种目标检测的方法及装置 |
CN108263439A (zh) * | 2016-12-30 | 2018-07-10 | 河南辉煌软件有限公司 | 一种列车安全运行监测系统 |
CN109614873A (zh) * | 2018-11-15 | 2019-04-12 | 中兴飞流信息科技有限公司 | 基于神经网络的列车安全标志检测方法、服务器及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4914234B2 (ja) * | 2007-01-31 | 2012-04-11 | 富士重工業株式会社 | 先行車両検出装置 |
CN106845453B (zh) * | 2017-02-24 | 2019-10-15 | 太原理工大学 | 基于图像的尾灯检测与识别方法 |
-
2019
- 2019-05-07 CN CN201910377517.5A patent/CN110276742B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070115510A (ko) * | 2006-06-02 | 2007-12-06 | 엠텍비젼 주식회사 | 무접점 기능을 수행하는 장치 및 방법 |
CN103400113A (zh) * | 2013-07-10 | 2013-11-20 | 重庆大学 | 基于图像处理的高速公路隧道行人检测方法 |
CN103984917A (zh) * | 2014-04-10 | 2014-08-13 | 杭州电子科技大学 | 一种基于机器视觉的多特征夜间车辆检测方法 |
CN105654038A (zh) * | 2015-12-22 | 2016-06-08 | 上海汽车集团股份有限公司 | 车灯识别方法及装置 |
CN106114558A (zh) * | 2016-06-29 | 2016-11-16 | 南京雅信科技集团有限公司 | 适用于地铁隧道弯曲段的前车尾灯探测方法 |
WO2018010391A1 (zh) * | 2016-07-13 | 2018-01-18 | 广州视源电子科技股份有限公司 | 一种板卡的检测方法及装置 |
CN108021856A (zh) * | 2016-10-31 | 2018-05-11 | 比亚迪股份有限公司 | 车辆尾灯识别方法、装置及车辆 |
WO2018120038A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种目标检测的方法及装置 |
CN108263439A (zh) * | 2016-12-30 | 2018-07-10 | 河南辉煌软件有限公司 | 一种列车安全运行监测系统 |
CN107563977A (zh) * | 2017-08-28 | 2018-01-09 | 维沃移动通信有限公司 | 一种图像处理方法、移动终端及计算机可读存储介质 |
CN108037505A (zh) * | 2017-12-08 | 2018-05-15 | 吉林大学 | 一种夜间前方车辆检测方法及系统 |
CN109614873A (zh) * | 2018-11-15 | 2019-04-12 | 中兴飞流信息科技有限公司 | 基于神经网络的列车安全标志检测方法、服务器及存储介质 |
Non-Patent Citations (3)
Title |
---|
基于 HSI 颜色空间的前车尾灯检测方法及研究;霍威 等;《科技创新》;第18-24页 * |
基于尾灯的夜间前方车辆检测与跟踪方法;于莉媛 等;《天津工业 大学学报》;第38卷(第1期);第61-68页 * |
杨露菁 等.《智能图像处理及应用》.北京:中国铁道出版社,2019,第180-184页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110276742A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106448180B (zh) | 一种长大隧道交通事件实时检测方法及检测系统 | |
EP3859708B1 (en) | Traffic light image processing method and device, and roadside device | |
CN103236181B (zh) | 一种基于机器视觉的交通信号灯状态监控系统及方法 | |
CN111009117A (zh) | 一种公交车人工智能服务终端综合一体机及方法 | |
CN107123274A (zh) | 双车位视频检测装置及方法 | |
CN110263623A (zh) | 列车攀爬监测方法、装置、终端及存储介质 | |
CN110175533A (zh) | 高架桥交通状况实时监测方法、装置、终端及存储介质 | |
CN110264651A (zh) | 列车站台行人越线监测方法、装置、终端及存储介质 | |
CN103315754A (zh) | 一种疲劳检测方法及装置 | |
CN110782681A (zh) | 交通指示灯自适应控制方法、装置、终端及存储介质 | |
CN110852155A (zh) | 公交乘客拥挤度检测方法、系统、装置及存储介质 | |
CN109858338A (zh) | 一种人群密度估计的识别及人群行为分析算法 | |
CN111931726A (zh) | 交通灯检测的方法、装置、计算机存储介质和路侧设备 | |
CN106710253B (zh) | 一种高可靠性智能路口交通控制系统及控制方法 | |
CN113788051A (zh) | 列车在站运行状态监测分析系统 | |
CN110263622A (zh) | 列车火情监测方法、装置、终端及存储介质 | |
CN110276742B (zh) | 列车尾灯监测方法、装置、终端及存储介质 | |
CN107393304A (zh) | 一种基于卡口通行的交通状态检测系统 | |
CN205827659U (zh) | 一种具有电子标签的车牌识别系统 | |
CN110287769B (zh) | 列车列尾装置监测方法、系统、终端及存储介质 | |
CN112036332A (zh) | 公共交通的乘客密度检测系统、检测方法 | |
CN109131453B (zh) | 一种微机联锁控制台操作轨迹跟踪系统 | |
CN116740617A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN110769042B (zh) | 一种用于铁路装卸作业信息采集的系统 | |
CN105574870A (zh) | 多功能轨道扣件图像检测系统及其检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |