CN110287897A - 一种基于深度学习的轨道列车视觉定位系统 - Google Patents
一种基于深度学习的轨道列车视觉定位系统 Download PDFInfo
- Publication number
- CN110287897A CN110287897A CN201910566506.1A CN201910566506A CN110287897A CN 110287897 A CN110287897 A CN 110287897A CN 201910566506 A CN201910566506 A CN 201910566506A CN 110287897 A CN110287897 A CN 110287897A
- Authority
- CN
- China
- Prior art keywords
- pixel
- information
- train
- unit
- module
- 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
Links
Classifications
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于深度学习的轨道列车视觉定位系统,该系统包括:采集模块,处理模块,识别模块以及提示模块;采集模块用于获取列车运行前方的图像信息和列车的行驶信息;处理模块用于对图像信息进行边缘提取,生成边缘识别图像;识别模块用于利用神经网络模型,获取边缘识别图像对应的特征,并根据特征,识别图像信息中的标志信息;提示模块用于根据行驶信息和标志信息,生成列车驾驶提示信息。通过本申请中的技术方案,在轨道列车定位系统中实现对铁路信号机的识别,提高轨道列车定位的准确性和轨道列车的行驶安全。
Description
技术领域
本申请涉及轨道列车驾驶的技术领域,具体而言,涉及一种基于深度学习的轨道列车视觉定位系统。
背景技术
铁路信号机是向有关人员发出的指示列车运行及调度工作命令的标志,主要分为视觉信号和听觉信号两种,行车人员需要对铁路信号机有着及时准确的判断,从而保证列车运行的安全性、可靠性和准点性。
轨道列车具有运行速度快、运行密度高等特点,需要列车司机能够根据前方铁路信号机做出快速反应,完成列车操纵方式的切换。因此,在轨道交通系统中,列车定位的准确性起着至关重要的作用,在能够有效保证列车运行的高安全、高可靠性的同时,还能够减轻司机的劳动强度,提高司机的驾驶水平,确保列车正点率。
而现有技术中,轨道列车定位系统中运用的技术主要包括车载定位技术、轨旁定位技术。虽然这些轨道列车定位技术能够完成对列车的定位,但其定位精度不高,且车载定位设备和轨旁定位设备的耦合度较高,容错率几乎为0,因此,无法完成对铁路信号机的识别与定位,对驾驶司机驾驶操作的可参考性和辅助度较低。
发明内容
本申请的目的在于:在轨道列车定位系统中实现对铁路信号机的识别,提高轨道列车定位的准确性和轨道列车的行驶安全。
本申请的技术方案是:提供了一种基于深度学习的轨道列车视觉定位系统,该系统包括:采集模块,处理模块,识别模块以及提示模块;采集模块用于获取列车运行前方的图像信息和列车的行驶信息;处理模块用于对图像信息进行边缘提取,生成边缘识别图像;识别模块用于利用神经网络模型,获取边缘识别图像对应的特征,并根据特征,识别图像信息中的标志信息;提示模块用于根据行驶信息和标志信息,生成列车驾驶提示信息。
上述任一项技术方案中,进一步地,处理模块具体包括:滤波单元,增强单元以及提取单元;滤波单元用于计算图像信息中任一像素点的梯度幅值,根据梯度幅值和预设滤波函数,对像素点进行滤波处理,其中,预设滤波函数为:
式中,B(x,y)为梯度幅值,T为梯度阈值,σ,σu,σv为宽度参数, (x,y)为像素点的坐标,α⊥为梯度方向角;
增强单元用于根据像素点增强函数,对滤波后的像素点进行像素值增强;提取单元选取梯度幅度极大值处对应的增强后的像素点,记作准边缘点,选取与准边缘点相邻的增强后的像素点,根据准边缘点的像素值和选取的像素点的像素值,确定边缘像素点,并根据边缘像素点生成边缘识别图像。
上述任一项技术方案中,进一步地,识别模块具体包括:划分单元,聚拢单元;划分单元用于当判定两个特征中的结构属性相同时,将两个特征标记为具有细相似度,当判定两个特征中的结构属性不同时,将两个特征标记为具有粗相似度;聚拢单元用于当判定两个特征具有细相似度时,对两个特征进行两次聚拢处理,当判定两个特征具有粗相似度时,对两个特征进行一次聚拢处理,并根据聚拢处理结果识别标志信息。
上述任一项技术方案中,进一步地,提示模块具体包括:计算单元以及生成单元;计算单元用于根据标志信息中轨距对应的像素点数量,计算相邻两个轨距之间的实际距离,计算单元还用于根据实际距离,采用累加算法,计算列车与标志信息中铁路信号机之间的轨道长度;生成单元用于根据轨道长度和行驶信息,生成驾驶提示信息。
本申请的有益效果是:通过对列车运行前方的图像信息进行采集,针对轨道线、铁路信号机、路标信息等数据,利用深度学习技术进行图像分析,对列车前方的铁路信号机进行定位,提高了轨道列车定位系统中信号机的识别和定位的准确性,提高轨道列车定位的准确性和轨道列车的行驶安全。
本申请通过计算边缘识别图像中每一个像素点对应的实际长度,进而得到相邻轨距间对应的实际距离以及列车与前方铁路信号机之间的轨道长度,再根据轨道长度和行驶信息,生成驾驶提示信息,使得列车驾驶员能够提前得知前方道路信息,能有充分的时间做出相应的驾驶操作转换,有效降低司机驾驶的疲劳程度,同时大大提高了驾驶的安全性和可靠性。
附图说明
本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请的一个实施例的基于深度学习的轨道列车视觉定位系统的示意框图;
图2是根据本申请的一个实施例的边缘点选取示意图;
图3是根据本申请的一个实施例的边缘识别图像的示意图;
图4是根据本申请的一个实施例的相似度划分示意流程图;
图5是根据本申请的一个实施例的轨道长度计算示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中,阐述了很多具体细节以便于充分理解本申请,但是,本申请还可以采用其他不同于在此描述的其他方式来实施,因此,本申请的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本实施例提供了一种基于深度学习的轨道列车视觉定位系统,包括:采集模块10,处理模块20,识别模块30以及提示模块 40;采集模块10用于获取列车运行前方的图像信息和列车的行驶信息,其中,列车的行驶信息包括列车的行驶速度;
具体地,在列车上设置车载列车运行监控装置和车载摄像装置,构成采集模块10。其中,车载列车运行监控装置主要负责采集列车状态信息和线路状态信息,列车状态信息中的状态取值包括行驶中、事故中、正常未行驶及修理检查中等;线路状态信息的状态值包括轨道上临时设立的限速值,是否能通行等。
车载摄像装置主要负责采集列车运行前方的图像信息,在轨道列车内设置工业相机作为图像采集单元,采集到的图像信息主要包括前方铁路信号机信息和轨道线信息。铁路信号机是指示列车和调车运行条件的命令,可用在进站、出站、进路、通过、预告、防护、引导等方面。铁路信号机分为有色灯信号机、壁板信号机和列车信号机三种类型,在我们采集到的图像信息中会包含铁路信号机的形态、颜色等信息,作为后面使用深度神经网络模型训练的数据,用于对上述铁路信号机进行识别及分类。另外,采集的图像信息也会包括铁路轨道线的信息,其中两侧的轨道线可能是弯曲的(遇到转弯的情况),也可能是有多条线(遇到道路分叉的情况),需要注意的是,中间横向的轨道线实际长度是固定的,即列车轨道之间的轨距是固定值。
处理模块20用于对图像信息进行边缘提取,生成边缘识别图像;
进一步地,处理模块20具体包括:滤波单元21,增强单元22以及提取单元23;滤波单元21用于计算图像信息中任一像素点的梯度幅值。
具体地,对于获取到的图像信息,经常会出现边缘模糊、图像朦胧的情况,因此,需要对图像信息进行滤波处理,由于不同的像素点会有不同的水平梯度和垂直梯度,首先需要计算任一个像素点在水平梯度Dx和垂直梯度Dy,对应的计算公式为:
式中,(x,y)为像素点的坐标,σ为宽度参数,I0(x,y)为去噪之前的图像信息。
根据水平梯度Dx和垂直梯度Dy可以计算出像素点的梯度幅值 B(x,y)以及梯度方向角α⊥,具体公式为:
将得到的水平梯度Dx、垂直梯度Dy、梯度幅值B(x,y)以及梯度方向角α⊥输入至滤波单元21,同时在滤波单元21中设定梯度阈值,以便于对不同梯度幅值B(x,y)的像素点用不同的预设滤波函数进行滤波处理。
滤波单元21根据梯度幅值和预设滤波函数,对像素点进行滤波处理,其中,预设滤波函数为:
式中,T为梯度阈值,σu,σv为宽度参数;
增强单元22用于根据像素点增强函数,对滤波后的像素点进行像素值增强。首先计算滤波后的图像信息的灰度直方图,然后利用像素点增强函数将图像信息中的像素点取值变换为范围更宽、灰度分布更均匀的像素点增强值其中,像素点增强函数为:
式中,sk为像素点的像素值,Pmax为滤波后像素点的最大像素值, Pmin为滤波后像素点的最小像素值,n为滤波后像素值总和,nk为当前灰度级的像素个数,L为滤波后像素点的灰度级总数;
提取单元23选取梯度幅度极大值处对应的增强后的像素点,记作准边缘点,选取与准边缘点相邻的增强后的像素点,根据准边缘点的像素值和选取的像素点的像素值,确定边缘像素点,并根据边缘像素点生成边缘识别图像。
具体地,如图2所示,确定准边缘点之后,通过遍历的方法,依次选取一个准边缘点,将一个准边缘点周围的八个像素点进行0、1、2、3 的标记,对角的45°扇形标记相同。任取三个相邻的扇形区域作为对象,每个扇形区域都有一个中心像素,设其像素值为M,如果M不大于其两侧相邻扇形区域的像素值,则令M=0。M=0说明已经将非极大值进行抑制,通过遍历整张图,就可以得到新的图像像素值,从而画出图像。
确定边缘像素点之后,需要对边缘像素点进行提取和连接,利用大小阈值区域限制算法,对每个像素计算出来的算子G预先设定一个阈值,将低于阈值的所有值变为0,这样可以有效地控制虚假边缘,进而将边缘像素点提出出来,再进行像素点连线,得到边缘识别图像,如图3所示。
识别模块30用于利用神经网络模型,获取边缘识别图像对应的特征,并根据特征,识别图像信息中的标志信息;
具体地,使用卷积神经网络对边缘识别图像进行分类,设定固定窗口,根据固定窗口大小,选取边缘识别图像中的像素点,作为输入矩阵,与设定的卷积核进行矩阵相乘,每计算完这一个窗口内的局部数据后,窗口不断移动,直至窗口在图像上全部滑动计算完成得到图像的特征。这样,得到的明暗分明的区域就是卷积神经网络所学习到的区分图像的特征。
神经网络模型是这样的:首先将大量的数据集按场景种类(如按运行前方信号灯的种类、前方铁路轨道状况、雨雪等天气情况等进行场景种类划分)进行标注,生成场景标签,然后将整个大的训练集分成若干个大小相同的小训练集(即mini-batch),利用梯度下降法对神经网络模型进行训练,其中,梯度下降法中的梯度是对神经网络模型中的参数求偏导数,并以向量的形式写出来,梯度下降法便于神经网络模型的训练,否则训练时间过长,训练难度加大。然后是边缘识别图像的伪中心点,即边缘识别图像对应的特征。此处的理解是:伪中心点是描述一个一个图像的特征,通过遍历同一种类特征的图像来更新伪中心点,这个伪中心点就成了这一类图像的特征。那么粗/细相似度的损失函数(lossfunction)是:
式中,f(Ii)标识图像Ii的特征,表示所有与标识图像Ii具有相同场景标签图像的伪中心点,m为mini-batch的大小。那么伪中心点的更新如下两式:
式中,δ()函数是当变量成立时值为1,不成立时值为0;系数α取值区间为[0,1];j表示第j个mini-batch。通过上面三个公式,我们通过 min-batch可以得到同一类图像(即具有相同场景标签的图像)的伪中心点,也就是同一类图像的特征。
进一步地,识别模块30具体包括:划分单元31,聚拢单元32;划分单元31用于当判定两个特征中的结构属性相同时,将两个特征标记为具有细相似度,当判定两个特征中的结构属性不同时,将两个特征标记为具有粗相似度;
相似度划分的过程如图4所示,划分单元31对相似度进行划分,其中,结构属性相同,则表明两个特征取自相同道路结构的同一个场景(即同一个位置),若结构属性不相同,则表明两个特征取自不同场景,比如直行路段上的不同位置的标志。
图4中softmax loss和后面的粗细相似度处理是两种不同的损失函数, softmaxloss负责增大不同特征在特征空间之中的距离,方便分类。
聚拢单元32用于当判定两个特征具有细相似度时,对两个特征进行两次聚拢处理,当判定两个特征具有粗相似度时,对两个特征进行一次聚拢处理,并根据聚拢处理结果识别标志信息。
聚拢处理的意思:先判断图像(边缘识别图像)是否具备粗相似度,如果有的话,让这两张图像的特征聚拢,也就是减小系数α的取值,使得伪中心点的学习速率减慢,两者相似度变化小一些,然后判断是否具有细相似度,如果有的话,那么就再进行聚拢处理,使得两张图象的相似度更强。粗细相似度通过阈值进行划分,在这里设定的阈值为0.5,通过常规方法计算出图像特征的相似度之后,若判定相似度小于0.5,则认为具备细相似度,若判定相似度大于或等于0.5,则认为具备粗相似度。
综上所述,可以得到列车轨道上的标志,完成标志进行识别分类,因为列车的电子地图已经有了各种标志,系统需要做的是将标志进行识别与分类确定其位于地图的哪一个位置,再通过模型计算模块确定具体位置。
提示模块40用于根据行驶信息和标志信息,生成列车驾驶提示信息。
进一步地,提示模块40具体包括:计算单元41以及生成单元42;
计算单元41用于根据标志信息中轨距对应的像素点数量,计算相邻两个轨距之间的实际距离,计算单元41还用于根据实际距离,采用累加算法,计算列车与标志信息中铁路信号机之间的轨道长度;生成单元42 用于根据轨道长度和行驶信息,生成驾驶提示信息。
具体地,如图5所示,由于上文中已经指出,实际运行环境中,列车轨道之间的轨距时固定的,即A1B1、A2B2...AnBn的长度是固定的,设为l,轨距A1B1在滤波后的图像信息中由a个像素点组成,则l/a是每个像素点对应的实际长度,可以认为侧边轨道线A1A2中每个像素点对应的实际长度与A1B1中对应的近似相等,因此,可以计算出侧边轨道线A1A2的实际距离,同理,依次可以计算出A2A3至An-1An(n为铁路信号机距离列车之间的轨距的数量)的实际距离,进而采用累加计算出对应的轨道长度最终,生成发送给列车驾驶员的驾驶提示信息。
优选地,列车视觉定位系统还包括实时传输模块,实时传输模块用于将加速提示信息传输给列车驾驶人员,实时传输模块主要包括车载显示器和语音传输设备两部分。其中,车载显示器将信号机识别的结果(即信号机的类型、编号和传递的指令)通过屏幕的大画面显示出来,为驾驶司机提供图形、图像、文字等多种方式的信息,较为直观,便于司机的快速捕捉到指令信息。具体地,屏幕显示内容可包括列车运输状态的宏观显示,主要为前方信号机的编号、类型及其代表的指令内容,其次包括实际车站的监控视频的细化场景显示,地形地貌、天气状况的显示,突发事件、行车事故的实时显示,重点列车的实时跟踪显示等。
以上结合附图详细说明了本申请的技术方案,本申请提出了一种基于深度学习的轨道列车视觉定位系统,包括:采集模块,处理模块,识别模块以及提示模块;采集模块用于获取列车运行前方的图像信息和列车的行驶信息;处理模块用于对图像信息进行边缘提取,生成边缘识别图像;识别模块用于利用神经网络模型,获取边缘识别图像对应的特征,并根据特征,识别图像信息中的标志信息;提示模块用于根据行驶信息和标志信息,生成列车驾驶提示信息。通过本申请中的技术方案,在轨道列车定位系统中实现对铁路信号机的识别,提高轨道列车定位的准确性和轨道列车的行驶安全。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
本申请装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详地公开了本申请,但应理解的是,这些描述仅仅是示例性的,并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定,并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (4)
1.一种基于深度学习的轨道列车视觉定位系统,其特征在于,该系统包括:采集模块,处理模块,识别模块以及提示模块;
所述采集模块用于获取列车运行前方的图像信息和所述列车的行驶信息;
所述处理模块用于对所述图像信息进行边缘提取,生成边缘识别图像;
所述识别模块用于利用神经网络模型,获取所述边缘识别图像对应的特征,并根据所述特征,识别所述图像信息中的标志信息;
所述提示模块用于根据所述行驶信息和所述标志信息,生成列车驾驶提示信息。
2.如权利要求1所述的基于深度学习的轨道列车视觉定位系统,其特征在于,所述处理模块具体包括:滤波单元,增强单元以及提取单元;
所述滤波单元用于计算所述图像信息中任一像素点的梯度幅值,根据所述梯度幅值和预设滤波函数,对所述像素点进行滤波处理,其中,预设滤波函数为:
式中,B(x,y)为所述梯度幅值,T为梯度阈值,σ,σu,σv为宽度参数,(x,y)为所述像素点的坐标,α⊥为梯度方向角;
所述增强单元用于根据像素点增强函数,对滤波后的所述像素点进行像素值增强,其中,像素点增强函数为:
式中,sk为所述像素点的像素值,Pmax为滤波后所述像素点的最大像素值,Pmin为滤波后所述像素点的最小像素值,n为滤波后像素值总和,nk为当前灰度级的像素个数,L为滤波后所述像素点的灰度级总数;
所述提取单元选取所述梯度幅度极大值处对应的增强后的所述像素点,记作准边缘点,选取与所述准边缘点相邻的增强后的所述像素点,根据所述准边缘点的像素值和选取的所述像素点的像素值,确定边缘像素点,并根据所述边缘像素点生成所述边缘识别图像。
3.如权利要求1所述的基于深度学习的轨道列车视觉定位系统,其特征在于,所述识别模块具体包括:划分单元,聚拢单元;
所述划分单元用于当判定两个所述特征中的结构属性相同时,将两个所述特征标记为具有细相似度,当判定两个所述特征中的结构属性不同时,将两个所述特征标记为具有粗相似度;
所述聚拢单元用于当判定两个所述特征具有细相似度时,对所述两个所述特征进行两次聚拢处理,当判定两个所述特征具有粗相似度时,对所述两个所述特征进行一次聚拢处理,并根据聚拢处理结果识别所述标志信息。
4.如权利要求1所述的基于深度学习的轨道列车视觉定位系统,其特征在于,所述提示模块具体包括:计算单元以及生成单元;
所述计算单元用于根据所述标志信息中轨距对应的像素点数量,计算相邻两个所述轨距之间的实际距离,所述计算单元还用于根据所述实际距离,采用累加算法,计算所述列车与所述标志信息中铁路信号机之间的轨道长度;
所述生成单元用于根据所述轨道长度和所述行驶信息,生成所述驾驶提示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566506.1A CN110287897B (zh) | 2019-06-27 | 2019-06-27 | 一种基于深度学习的轨道列车视觉定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566506.1A CN110287897B (zh) | 2019-06-27 | 2019-06-27 | 一种基于深度学习的轨道列车视觉定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287897A true CN110287897A (zh) | 2019-09-27 |
CN110287897B CN110287897B (zh) | 2021-05-14 |
Family
ID=68007746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910566506.1A Active CN110287897B (zh) | 2019-06-27 | 2019-06-27 | 一种基于深度学习的轨道列车视觉定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287897B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436255A (zh) * | 2021-05-18 | 2021-09-24 | 广东中发星通技术有限公司 | 基于列车定位和视觉信息的轨道异常物体识别方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
US20120180610A1 (en) * | 2008-07-10 | 2012-07-19 | Hjr Equipment Rental, Inc. | Portable profiler for locomotive or railcar wheels |
CN103129585A (zh) * | 2012-07-20 | 2013-06-05 | 上海城基中控技术有限公司 | 列车自动跟踪定位系统 |
CN104331910A (zh) * | 2014-11-24 | 2015-02-04 | 沈阳建筑大学 | 一种基于机器视觉的轨道障碍物检测系统 |
CN107346413A (zh) * | 2017-05-16 | 2017-11-14 | 北京建筑大学 | 一种街景影像中的交通标志识别方法和系统 |
CN108583620A (zh) * | 2018-04-02 | 2018-09-28 | 交控科技股份有限公司 | 列车辅助追踪预警的处理器和预警系统 |
CN108875684A (zh) * | 2018-06-29 | 2018-11-23 | 电子科技大学 | 基于光纤感测时频图处理的列车运行状态参数估计方法 |
CN108974044A (zh) * | 2018-08-09 | 2018-12-11 | 铁路愿景欧洲有限公司 | 铁路轨道资产勘测系统 |
CN109298415A (zh) * | 2018-11-20 | 2019-02-01 | 中车株洲电力机车有限公司 | 一种轨道和道路障碍物检测方法 |
CN109747681A (zh) * | 2019-01-14 | 2019-05-14 | 卡斯柯信号有限公司 | 一种列车定位装置及方法 |
CN109766839A (zh) * | 2019-01-11 | 2019-05-17 | 上海泽高电子工程技术有限公司 | 一种基于图像的轨道异物检测方法 |
-
2019
- 2019-06-27 CN CN201910566506.1A patent/CN110287897B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120180610A1 (en) * | 2008-07-10 | 2012-07-19 | Hjr Equipment Rental, Inc. | Portable profiler for locomotive or railcar wheels |
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
CN103129585A (zh) * | 2012-07-20 | 2013-06-05 | 上海城基中控技术有限公司 | 列车自动跟踪定位系统 |
CN104331910A (zh) * | 2014-11-24 | 2015-02-04 | 沈阳建筑大学 | 一种基于机器视觉的轨道障碍物检测系统 |
CN107346413A (zh) * | 2017-05-16 | 2017-11-14 | 北京建筑大学 | 一种街景影像中的交通标志识别方法和系统 |
CN108583620A (zh) * | 2018-04-02 | 2018-09-28 | 交控科技股份有限公司 | 列车辅助追踪预警的处理器和预警系统 |
CN108875684A (zh) * | 2018-06-29 | 2018-11-23 | 电子科技大学 | 基于光纤感测时频图处理的列车运行状态参数估计方法 |
CN108974044A (zh) * | 2018-08-09 | 2018-12-11 | 铁路愿景欧洲有限公司 | 铁路轨道资产勘测系统 |
CN109298415A (zh) * | 2018-11-20 | 2019-02-01 | 中车株洲电力机车有限公司 | 一种轨道和道路障碍物检测方法 |
CN109766839A (zh) * | 2019-01-11 | 2019-05-17 | 上海泽高电子工程技术有限公司 | 一种基于图像的轨道异物检测方法 |
CN109747681A (zh) * | 2019-01-14 | 2019-05-14 | 卡斯柯信号有限公司 | 一种列车定位装置及方法 |
Non-Patent Citations (2)
Title |
---|
MONICA MALVEZZI 等: "Train Speed and Position Evaluation using Wheel Velocity Measurements", 《2001 IEEE/ASME INTERNATIONAL CONFERENCE ON ADVANCED INTELLIGENT MECHATRONICS PROCEEDINGS》 * |
郭保青 等: "单幅轨距图像中轨道特征识别与定位方法研究", 《电子测量与仪器学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436255A (zh) * | 2021-05-18 | 2021-09-24 | 广东中发星通技术有限公司 | 基于列车定位和视觉信息的轨道异常物体识别方法及系统 |
CN113436255B (zh) * | 2021-05-18 | 2024-06-04 | 安徽正弦空间科学技术有限公司 | 基于列车定位和视觉信息的轨道异常物体识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110287897B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7343531B2 (ja) | レールセグメント化に基づいて、鉄道障害物を検出するための方法およびシステム | |
CN102323070B (zh) | 列车异常检测方法和系统 | |
CN110310255B (zh) | 基于目标检测和图像处理的转辙机缺口检测方法 | |
Mittal et al. | Vision based railway track monitoring using deep learning | |
CN109598187A (zh) | 障碍物识别方法、障碍物识别系统及轨道车自动驾驶装置 | |
CN107462223A (zh) | 一种公路转弯前行车视距自动测量装置及测量方法 | |
CN110386065A (zh) | 车辆盲区的监控方法、装置、计算机设备及存储介质 | |
CN105383381B (zh) | 为了行驶安全的车辆控制方法及其装置 | |
CN109238756B (zh) | 货车运行故障动态图像检测设备及检测方法 | |
CN107886055A (zh) | 一种用于车辆运动方向判定的逆行检测方法 | |
DE102012215533A1 (de) | Positionsbestimmung eines Schienenfahrzeugs | |
CN104599249A (zh) | 缆索承重桥梁桥面车辆载荷分布实时检测方法 | |
CN105260719A (zh) | 铁路站台越线检测方法 | |
CN108297867A (zh) | 一种基于人工智能的车道偏离预警方法及系统 | |
CN107480653A (zh) | 基于计算机视觉的客流量检测方法 | |
CN108447305A (zh) | 一种新交规下礼让行人预警方法及预警系统 | |
Tastimur et al. | Image processing based level crossing detection and foreign objects recognition approach in railways | |
CN109614957A (zh) | 一种铁路调车信号安全预警系统 | |
CN112800974A (zh) | 一种基于机器视觉的地铁轨道障碍物检测系统及方法 | |
CN108163014A (zh) | 一种机车乘务员辅助瞭望预警方法及装置 | |
CN113011252B (zh) | 轨道异物侵限检测系统及方法 | |
CN113298059A (zh) | 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质 | |
CN115527170A (zh) | 货车脱轨自动制动装置塞门手把关闭故障识别方法及系统 | |
CN115601558A (zh) | 单开道岔状态检测系统及检测方法、半自动数据标注方法 | |
CN110287897A (zh) | 一种基于深度学习的轨道列车视觉定位系统 |
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 |