CN110414340A - 一种船闸监控系统中的船舶识别方法 - Google Patents

一种船闸监控系统中的船舶识别方法 Download PDF

Info

Publication number
CN110414340A
CN110414340A CN201910545182.3A CN201910545182A CN110414340A CN 110414340 A CN110414340 A CN 110414340A CN 201910545182 A CN201910545182 A CN 201910545182A CN 110414340 A CN110414340 A CN 110414340A
Authority
CN
China
Prior art keywords
ship
frame
video
model
pixel
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
Application number
CN201910545182.3A
Other languages
English (en)
Inventor
陈启明
王淑青
徐建文
周博文
吕在生
万英杰
王华军
赵红
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.)
WUHAN SICHUANG AUTOMATIC CONTROL TECHNOLOGY Co Ltd
Original Assignee
WUHAN SICHUANG AUTOMATIC CONTROL 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 WUHAN SICHUANG AUTOMATIC CONTROL TECHNOLOGY Co Ltd filed Critical WUHAN SICHUANG AUTOMATIC CONTROL TECHNOLOGY Co Ltd
Priority to CN201910545182.3A priority Critical patent/CN110414340A/zh
Publication of CN110414340A publication Critical patent/CN110414340A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
    • G01C11/08—Interpretation of pictures by comparison of two or more pictures of the same area the pictures not being supported in the same relative position as when they were taken
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种船闸监控系统中的船舶识别方法，其包括如下步骤：1)获取拍摄自船闸入口区域的视频，并根据所述视频的前f帧视频帧进行基于Vibe算法的背景建模，得到背景模型，进而确定所述视频的第f+1帧及之后的帧中是否存在运动物体；2)若所述第n+1帧及之后的帧中存在运动物体，则将该帧输入至预先训练完成的船舶进闸检测Mobilenet‑ssd模型中，识别到船舶的类别信息和空间位置信息；3)对于步骤2)中所给出的空间信息，人工事先在图像上标记好两个监测点0和1，通过记录图像中船舶经过这两个监测点的时间计算每一艘船舶的实际行驶速度。本发明可为水力发电厂通航船闸控制系统中船舶的识别技术提供有效参考。

Description

一种船闸监控系统中的船舶识别方法
技术领域
本发明涉及图像处理领域，尤其涉及一种船闸监控系统中的船舶识别方法。
背景技术
船闸是在河流中水电站为了通航设置的机构，就船闸的监控系统而言，其监控视频往往只起到信息采集和存储的作用，视频里的船舶常常被人工发现并分析，其形状规模、位置、运动速度等都由人工来进行识别和判定。因此在船闸监控系统中通过图像算法自动地识别船舶是实现船闸控制系统自动化的一项关键技术，其主要目的是识别河道上存在的船舶类别及所在位置并计算其速度，所得到的类别、位置以及速度信息会被用到船闸控制系统中去。传统的目标识别方法通常是提取训练集某种指定特征的值，比如Haar特征或者LBP特征特征，然后将其送入诸如SVM、Adaboost的分类器中训练得到一个较好的模型，再用这个模型来对实时监控视频中每一帧图像进行监测。该方法存在很多不足：指定的训练特征是人们根据经验总结出来，其泛化性不强，不能用在所有的目标识别中；在检测时，传统算法使用滑动窗口来计算特征值，该过程计算量大，计算数据冗余，导致识别时间过长，无法达到实时的目的，进而造成后期计算速度的时间延长，影响整个船闸控制系统。因此，设计一种适应性强且识别速度较快的船舶识别方法是船闸智能监控系统中需要解决的主要难点。该方法可节约人力、物力、财力，且实现方法简单易行，方法创新性和实用性均比较高，可为水力发电厂通航船闸控制系统中船舶的识别技术参与船闸自动调节与控制，节约水利资源提供有效参考。
发明内容
本发明针对现有技术中存在的技术问题，提供一种船闸监控系统中的船舶识别方法，该方法能够实现自动识别船舶的类型和位置，并计算出船舶的速度，以代替目前的人工判定，为后续开闸工作做准备，为优化船闸自动调节与控制，节约水利资源提供有效参考。
本发明解决上述技术问题的技术方案如下：
1)训练Mobilenet-ssd模型，使其能够识别船舶；
2)获获取拍摄自船闸入口区域的视频，并根据所述视频的前f帧视频帧进行基于Vibe算法的背景建模，得到背景模型，利用所述背景模型，确定所述视频的第f+1帧及之后的帧中是否存在运动物体；
3)若所述第n+1帧及之后的帧中存在运动物体，则将该帧输入至预先训练完成的船舶进闸检测Mobilenet-ssd模型中，识别到船舶的类别信息和空间位置信息，该模型的输出会使每一个识别到的船舶周围产生一个外界正矩形包围框；
4)对于步骤3)中所给出的空间信息，人工事先在图像上标记好两个监测点0和1，通过记录图像中船舶经过这两个监测点的时间计算每一艘船舶的实际行驶速度；
与现有技术相比，本发明的有益效果：
本发明极大地降低船舶目标检测的检测误差和漏检率，提高检测的准确性，并可节省闸门控制中的人力、物力和时间等成本。
附图说明
图1是本发明的所用算法整体流程图。
图2是本发明的船舶Mobilenet-ssd模型训练流程图。
图3是本发明的不同时刻图像帧中船舶的位置示意图。
图4是本发明的实际测速的现场示意图
图5是本发明的船体在两帧图像中的移动示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
一种船闸监控系统中的船舶识别方法，包括如下步骤：
步骤(1)预先收集拍摄自目标检测区域的样本图像；
步骤(2)标记各所述样本图像对应的标准检测结果；
步骤(3)将各所述样本图像输入至所述mobileNet-ssd模型，得到所述Mobilenet-ssd模型输出的训练检测结果；
步骤(4)计算所述训练检测结果与所述标准检测结果之间的误差；
步骤(5)判断所述误差是否小于预设条件，在此，所述预设条件可以在训练具体的mobileNet_ssd模型时确定，例如设定预设条件为误差小于特定阈值，该特定阈值可以是一个百分比数值，如1％～5％。其中，特定阈值越小，则最后训练完成得到的mobileNet_ssd模型越稳定，识别精确度越高。；
步骤(6)若所述误差满足所述预设条件，则确定所述Mobilenet-ssd模型训练完成；
步骤(7)若所述误差不满足预设条件，则调整所述Mobilenet-ssd模型的模型参数，并将模型参数调整后的Mobilenet-ssd模型作为初始的Mobilenet-ssd模型，返回执行将各所述样本图像输入至Mobilenet-ssd模型，得到Mobilenet-ssd模型输出的训练检测结果的步骤以及后续步骤。
步骤(8)获取拍摄自目标检测区域的视频，并根据所述视频的前五帧进行ViBe背景建模，得到背景模型，背景模型M(x)表达式如下：
M(x)＝{v1,v2,...,vN}(1)
步骤(9)表达式中x为当前处理的像素点的位置，该样本集(即背景模型)包含N个样本点的像素值，即v1,v2,...,vN，这里，N＝25。
步骤(10)在每一帧中以某个像素点为中心的8邻域像素随机采样作为该像素的背景模型值，每一帧图像中随机采样5次，在前五帧一共采集25个背景值。
步骤(11)在之后的视频帧中采用传统的ViBe算法进行运动物体检测。
步骤(12)若所述第n+1帧及之后的帧中存在运动物体，则将该帧输入至预先训练完成的船舶进闸检测Mobilenet-ssd模型中，识别到船舶的类别信息和空间位置信息，该模型的输出会使每一个识别到的船舶周围产生一个外界正矩形包围框。
步骤(13)当船的正矩形包围框最下方线段刚到监测点0时，记录此时图像帧为第k帧；当正矩形包围框最下方线段刚到监测点1时，记此时图像帧为第k+i帧。
步骤(14)定义船到达监测点0和监测点1的时刻分别为t0和t1时刻，定义监测点0和监测点1在图像中的位置分别为s0和s1,则相减可以得到对应船舶在(t1-t0)时间内移动的像素距离(s1-s0)。根据速度公式,自然可以求得该块在图像中的移动速度Vi为：
步骤(15)移动速度Vi的单位为“像素/秒”，记两次的时间间隔Δt＝t1-t0，移动的像素距离ΔS＝s1-s0
步骤(16)为了求得船舶的实际速度Vs，采用如下步骤将像素速度转换为实际速度。
步骤(17)记摄像机的俯仰角为θ。找到监测点0和1在实际水面上的位置，记监测点0到摄像机的水平距离为d0，监测点1到摄像机的水平距离为d1，则船的实际移动距离Δd如下式，其中Δd的单位为米，θ∈[60°,75°]：
Δd＝|d0-d1|(3)
步骤(18)由于视距c和监测点距摄像机的距离d一般比较大(通常c>23m,d>20m),所以当Δt很小时,Δd与d相比很小,可以忽略图5中θ的变化Δθ,而仅考虑由θ产生的透视,此时,可以认为视野范围内所有点相对于摄像头的仰角均为θ。
步骤(19)记视频图像帧的高、宽分别为H个像素和W个像素,对于船道监控视频,记视频视野中的实际船道宽为ws(此值在安装摄像机时调节镜头方向、焦距后固定),记视野范围内可以看到的河道长度为x，即视频高度所代表的河道实际距离为x。则有：
步骤(20)像素距离与实际距离的比例关系可以得到：
步骤(21)联立公式(4)和(5)可以得到船舶实际移动的距离为：
步骤(22)记图像采集设备的帧率为P，则每相邻两帧的时间间隔为1/P，则：
步骤(23)记实际船速为Vt，由式(6)和(7)可得实际船速为：
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种船闸监控系统中的船舶识别方法，其特征在于，包括：
1)获取拍摄自船闸入口区域的视频，并根据所述视频的前f帧视频帧进行基于Vibe算法的背景建模，得到背景模型，利用所述背景模型，确定所述视频的第f+1帧及之后的帧中是否存在运动物体；
2)若所述第n+1帧及之后的帧中存在运动物体，则将该帧输入至预先训练完成的船舶进闸检测Mobilenet-ssd模型中，识别到船舶的类别信息和空间位置信息，该模型的输出会使每一个识别到的船舶周围产生一个外界正矩形包围框；
3)对于步骤2)中所给出的空间信息，人工事先在图像上标记好两个监测点0和1，通过记录图像中船舶经过这两个监测点的时间计算每一艘船舶的实际行驶速度。
2.根据权利要求1所述的方法，其特征在于，所述的船舶进闸检测Mobilenet-ssd模型的训练过程，包括：
步骤(1)预先收集拍摄自目标检测区域的样本图像；
步骤(2)标记各所述样本图像对应的标准检测结果；
步骤(3)将各所述样本图像输入至所述mobileNet-ssd模型，得到所述Mobilenet-ssd模型输出的训练检测结果；
步骤(4)计算所述训练检测结果与所述标准检测结果之间的误差；
步骤(5)判断所述误差是否小于预设条件；
步骤(6)若所述误差满足所述预设条件，则确定所述Mobilenet-ssd模型训练完成；
步骤(7)若所述误差不满足预设条件，则调整所述Mobilenet-ssd模型的模型参数，并将模型参数调整后的Mobilenet-ssd模型作为初始的Mobilenet-ssd模型，返回执行将各所述样本图像输入至Mobilenet-ssd模型，得到Mobilenet-ssd模型输出的训练检测结果的步骤以及后续步骤。
3.根据权利要求2所述的方法，其特征在于，所述预设条件在训练具体的mobileNet_ssd模型时确定。
4.根据权利要求3所述的方法，其特征在于，所述预设条件为误差范围阈值，其为一个百分比数值。
5.根据权利要求1或2所述的方法，其特征在于，所述的获取拍摄自船闸入口区域的视频，并根据所述视频的前f帧视频帧进行基于Vibe算法的背景建模，得到背景模型，利用所述背景模型，确定所述视频的第f+1帧及之后的帧中是否存在运动物体，包括：
步骤(1)获取拍摄自目标检测区域的视频，并根据所述视频的前五帧进行ViBe背景建模，得到背景模型,背景模型M(x)表达式如下：
M(x)＝{v1,v2,...,vN} (1)
步骤(2)表达式中x为当前处理的像素点的位置，该样本集包含N个样本点的像素值，即v1,v2,...,vN；
步骤(3)在每一帧中以某个像素点为中心的邻域像素随机采样作为该像素的背景模型值，每一帧图像中随机采样，获取前五帧图像背景值；
步骤(4)在之后的视频帧中采用传统的ViBe算法进行运动物体检测。
6.根据权利要求1所述的方法，其特征在于，所述的对于步骤2)中所给出的空间信息，人工事先在图像上标记好两个监测点0和1，通过记录图像中船舶经过这两个监测点的时间计算每一艘船舶的实际行驶速度，包括：
步骤(1)当船的正矩形包围框最下方线段刚到监测点0时，记录此时图像帧为第k帧；当正矩形包围框最下方线段刚到监测点1时，记此时图像帧为第k+i帧；
步骤(2)定义船到达监测点0和监测点1的时刻分别为t0和t1时刻，定义监测点0和监测点1在图像中的位置分别为s0和s1,则相减可以得到对应船舶在(t1-t0)时间内移动的像素距离(s1-s0)；根据速度公式,自然可以求得该块在图像中的移动速度Vi为：
步骤(3)移动速度Vi的单位为“像素/秒”，记两次的时间间隔Δt＝t1-t0，移动的像素距离ΔS＝s1-s0；
步骤(4)将像素速度转换为实际速度。
7.根据权利要求6所述的方法，其特征在于，所述的将像素速度转换为实际速度，包括：
记摄像机的俯仰角为θ；找到监测点0和1在实际水面上的位置，记监测点0到摄像机的水平距离为d0，监测点1到摄像机的水平距离为d1，则船的实际移动距离Δd如下式，其中Δd的单位为米，θ∈[60°,75°]：
Δd＝|d0-d1| (3)
记视频图像帧的高、宽分别为H个像素和W个像素,对于船道监控视频,记视频视野中的实际船道宽为ws(此值在安装摄像机时调节镜头方向、焦距后固定),记视野范围内可以看到的河道长度为x，即视频高度所代表的河道实际距离为x；则有：
像素距离与实际距离的比例关系可以得到：
联立公式(4)和(5)可以得到船舶实际移动的距离为：
记图像采集设备的帧率为P，则每相邻两帧的时间间隔为1/P，则：
记实际船速为Vt，由式(6)和(7)可得实际船速为：
CN201910545182.3A 2019-06-21 2019-06-21 一种船闸监控系统中的船舶识别方法 Pending CN110414340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910545182.3A CN110414340A (zh) 2019-06-21 2019-06-21 一种船闸监控系统中的船舶识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910545182.3A CN110414340A (zh) 2019-06-21 2019-06-21 一种船闸监控系统中的船舶识别方法

Publications (1)

Publication Number Publication Date
CN110414340A true CN110414340A (zh) 2019-11-05

Family

ID=68359673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910545182.3A Pending CN110414340A (zh) 2019-06-21 2019-06-21 一种船闸监控系统中的船舶识别方法

Country Status (1)

Country Link
CN (1) CN110414340A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826529A (zh) * 2019-11-21 2020-02-21 桂林电子科技大学 一种基于深度学习的海面船只检测方法
CN112257811A (zh) * 2020-11-11 2021-01-22 珠海大横琴科技发展有限公司 一种船只分类方法、装置、电子设备及存储介质
CN112733896A (zh) * 2020-12-30 2021-04-30 深圳市镭神智能系统有限公司 一种船舶过闸管理方法、装置、系统及存储介质
CN113419075A (zh) * 2021-05-31 2021-09-21 广州忘平信息科技有限公司 基于双目视觉的船舶测速方法、系统、装置和介质
CN114937157A (zh) * 2022-07-26 2022-08-23 北京千尧新能源科技开发有限公司 一种海上风电运维船靠泊定位方法及系统
CN115424187A (zh) * 2022-11-07 2022-12-02 松立控股集团股份有限公司 多角度相机协同重要性排名约束的辅助驾驶方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288166A (zh) * 2011-05-13 2011-12-21 河海大学 基于视频的多模型结合水面船舶检测方法
CN102842036A (zh) * 2011-11-30 2012-12-26 三峡大学 面向船闸视频监控的智能多目标检测方法
CN106643683A (zh) * 2016-10-15 2017-05-10 中国人民解放军海军大连舰艇学院 一种海面目标自动检测装置及目标检测方法
CN109165585A (zh) * 2018-06-15 2019-01-08 沈阳理工大学 一种改进的基于yolo v2的船舶目标检测方法
CN109657564A (zh) * 2018-11-28 2019-04-19 深圳市中电数通智慧安全科技股份有限公司 一种人员在岗检测方法、装置、存储介质及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288166A (zh) * 2011-05-13 2011-12-21 河海大学 基于视频的多模型结合水面船舶检测方法
CN102842036A (zh) * 2011-11-30 2012-12-26 三峡大学 面向船闸视频监控的智能多目标检测方法
CN106643683A (zh) * 2016-10-15 2017-05-10 中国人民解放军海军大连舰艇学院 一种海面目标自动检测装置及目标检测方法
CN109165585A (zh) * 2018-06-15 2019-01-08 沈阳理工大学 一种改进的基于yolo v2的船舶目标检测方法
CN109657564A (zh) * 2018-11-28 2019-04-19 深圳市中电数通智慧安全科技股份有限公司 一种人员在岗检测方法、装置、存储介质及终端设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AG HOWARD等: "《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》", 《ARXIV》 *
孙水发 等: "《视频前景检测及其在水电工程监测中的应用》", 31 December 2014 *
王言鹏 等: "《用于内河船舶目标检测的单次多框检测器算法》", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/23.1390.U.20181223.1612.020.HTML》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826529A (zh) * 2019-11-21 2020-02-21 桂林电子科技大学 一种基于深度学习的海面船只检测方法
CN112257811A (zh) * 2020-11-11 2021-01-22 珠海大横琴科技发展有限公司 一种船只分类方法、装置、电子设备及存储介质
CN112257811B (zh) * 2020-11-11 2022-04-19 珠海大横琴科技发展有限公司 一种船只分类方法、装置、电子设备及存储介质
CN112733896A (zh) * 2020-12-30 2021-04-30 深圳市镭神智能系统有限公司 一种船舶过闸管理方法、装置、系统及存储介质
CN113419075A (zh) * 2021-05-31 2021-09-21 广州忘平信息科技有限公司 基于双目视觉的船舶测速方法、系统、装置和介质
CN113419075B (zh) * 2021-05-31 2022-08-16 广州忘平信息科技有限公司 基于双目视觉的船舶测速方法、系统、装置和介质
CN114937157A (zh) * 2022-07-26 2022-08-23 北京千尧新能源科技开发有限公司 一种海上风电运维船靠泊定位方法及系统
CN115424187A (zh) * 2022-11-07 2022-12-02 松立控股集团股份有限公司 多角度相机协同重要性排名约束的辅助驾驶方法

Similar Documents

Publication Publication Date Title
CN110414340A (zh) 一种船闸监控系统中的船舶识别方法
US11410002B2 (en) Ship identity recognition method based on fusion of AIS data and video data
WO2016015547A1 (zh) 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统
CN102542289B (zh) 一种基于多高斯计数模型的人流量统计方法
CN107609597B (zh) 一种电梯轿厢人数检测系统及其检测方法
CN106447680B (zh) 动态背景环境下雷达与视觉融合的目标检测与跟踪方法
CN106682603B (zh) 一种基于多源信息融合的实时驾驶员疲劳预警系统
CN102214291A (zh) 一种快速准确的基于视频序列的人脸检测跟踪方法
CN108776974B (zh) 一种适用于公共交通场景的实时目标跟踪方法
CN103886325B (zh) 一种分块的循环矩阵视频跟踪方法
CN109445453A (zh) 一种基于OpenCV的无人机实时压缩跟踪方法
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
CN103310194A (zh) 视频中基于头顶像素点梯度方向的行人头肩部检测方法
CN106570490B (zh) 一种基于快速聚类的行人实时跟踪方法
CN107798691B (zh) 一种基于视觉的无人机自主着陆地标实时检测跟踪方法
CN109697430A (zh) 基于图像识别的工作区域安全帽佩戴的检测方法
CN103824070A (zh) 一种基于计算机视觉的快速行人检测方法
CN104794439A (zh) 基于多相机的准正面人脸图像实时优选方法及系统
CN107301376B (zh) 一种基于深度学习多层刺激的行人检测方法
CN104680559A (zh) 基于运动行为模式的多视角室内行人跟踪方法
CN103871081A (zh) 一种自适应鲁棒在线目标跟踪方法
CN106296743A (zh) 一种自适应运动目标跟踪方法及无人机跟踪系统
CN103106414A (zh) 一种智能视频监控中行人的检测方法
CN106778570A (zh) 一种行人实时检测与跟踪方法
CN113362374A (zh) 一种基于目标跟踪网络的高空抛物检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191105

RJ01 Rejection of invention patent application after publication