CN111145197A - 一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法 - Google Patents
一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法 Download PDFInfo
- Publication number
- CN111145197A CN111145197A CN201911258676.XA CN201911258676A CN111145197A CN 111145197 A CN111145197 A CN 111145197A CN 201911258676 A CN201911258676 A CN 201911258676A CN 111145197 A CN111145197 A CN 111145197A
- Authority
- CN
- China
- Prior art keywords
- notch
- curve
- coordinate
- gap
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000003708 edge detection Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
Images
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
- G06T7/0002—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法,可用于精准检测对道岔转辙机的缺口的位置,提供转辙机的状态信息。本发明在转辙机所拍摄的缺口图像之后,提取缺口特征,构建相关曲线,可以精准地检测出缺口的位置,为进一步缺口分析提供可靠信息。本发明的技术方案为:根据直方图构建位置‑灰度映射曲线,计算曲线的局部梯度,将局部变化最大的点作为最终的检测结果。本发明利用利用图像自身特性提取相关特征,适应性强,适合多种条件下的缺口图像;本发明利用设计的曲线进行判断,实现简单,速度快;本发明的结局部的变化确定缺口位置,准确度高。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法。
背景技术
随着国内轨道交通的不断发展,目前轨道交通的建设已经到了发展的高峰阶段,尤其是高速轨道交通的建设,在这样的情况下,对于轨道交通的行车安全也提出了新的要求,道岔转辙机作为轨道交通的一个不可或缺的部分,其自身的正常的运行时保证行车安全的重要部分。
道岔转辙机的缺口值是反映缺口运行状态的重要指标,通过对道岔转辙机的缺口图像进行缺口边缘检测,得到转辙机设备运行的相关状态,对于保证轨道交通行车的安全性具有重要意义。
然而,相较于其他缺口图像,转辙机的缺口图像复杂度更高,而且受外界因素如光照,遮挡物等的影响更大,这样就使得传统的常见边缘检测方法的效果被削减,往往难以准确获取到缺口边缘的具体位置。因此,基于缺口图像的直方图和局部梯度特性实现缺口边缘检测的方法的具有很大优势。
发明内容
本发明的发明目的在于:针对当前转辙机缺口边缘检测困难,检测结果不准确等问题,公开一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法。获取转辙机拍摄图像的检测区域之后,可以统计相关特征构建位置-灰度映射曲线,并计算局部梯度变化,从而精准定位缺口边缘。
本发明所实现的一种本发明所实现的一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法,包括下列步骤:
步骤1:提取待检测区域并预处理:
基于转辙机所拍摄的缺口图像,在缺口部分提取宽度为W,高度为H的方形区域A;
对方形区域进行滤波处理(如双边滤波、中值滤波等),得到滤波后的检测区域A1;
步骤2:对检测区域A1进行特征提取处理:
沿与缺口平行的方向对检测区域A1进行逐行扫描,计算每一行灰度值的均值与标准差;
沿与缺口平行的方向对检测区域A1再次逐行扫描,统计每一行像素的一维灰度直方图,该直方图的X坐标为灰度值范围,Y坐标为当前灰度值的统计个数;
步骤3:构建均值标准差二维直方图:二维直方图的X坐标为步骤2中统计的每一行灰度值的均值,二维直方图的Y坐标为步骤2中统计的每一行的灰度值的标准差,二维直方图的Z坐标为当前均值和方差出现的次数;
步骤4:根据均值标准差二维直方图计算自适应阈值:通过二维最大类间方差法(0TSU)计算出均值的阈值S以及标准差的阈值T;
步骤5:利用阈值对缺口进行分类,得到初步缺口检测范围:
若当前行均值小于S且标准差小于T,则将当前行视为缺口类;不满足以上条件(均值小于S且标准差小于T)的行视为非缺口类;
定义分类结果为缺口类的值为0,分类结果为非缺口类的值为1,由此可以得到沿缺口方向的一条分类曲线,分类曲线的X坐标为缺口区域的位置,根据缺口方向取值范围为[1,W]或者[1,H],分类曲线的Y坐标为分类结果,取值为0或1;
根据以上分类曲线,若分类曲线呈现以下特征:曲线可分为三个连续部分,第一部分取值全为1,第二部分全为0,第三部分全为1,即称此特征为缺口存在特征,可以判断该检测区域缺口存在,则将第二部分定义为初步缺口位置,范围为对应的X坐标[X1,X2],否则判断此缺口不存在;
步骤6:根据步骤2的一维直方图,构建位置-灰度映射曲线:映射曲线的X坐标为缺口区域的位置,根据缺口方向取值范围为[1,W]或者[1,H],曲线的Y坐标为灰度值,取值为统计次数最多的灰度值;
步骤7:根据位置-灰度映射曲线以及局部梯度,精准定位缺口位置:
计算映射曲线在初步缺口位置范围[X1,X2]内固定间隔(预设值)的两点之间的梯度,得到[X1,X2]范围内的局部梯度变化曲线;优选固定间隔为1,即计算相邻两点之间的梯度;
取局部梯度变化曲线最大值的X坐标作为最终的精确的缺口边缘位置。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明利用适应性强,适合多种条件下的缺口图像;
本发明实现简单,速度快;
本发明的利用局部变化进行定位,精度高。
附图说明
图1是道岔转辙机缺口精准定位流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
在本发明的精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法中,通过构建位置-灰度映射曲线,并结合初步检测区域,计算相邻位置的局部梯度,最终确定精准的缺口位置。参见图1,本发明的道岔转辙机缺口精准定位方法具体包括下列步骤:
步骤1:提取待检测区域。具体实现方法如下:
步骤1-1:输入为转辙机所拍摄的缺口图像I,在待检测缺口部分提取宽度为W,高度为H的方形区域A;
步骤1-2:对方形区域灰度处理后进行双边滤波,得到滤波后的检测区域A1;
步骤2:对检测区域A1进行特征提取处理。具体实现方法如下:
步骤2-1:沿与缺口平行的方向对方形区域进行逐行扫描得到向量ci,ci是包含该行所有灰度值的一维向量,为了便于后续步骤说明,现假设区域A1宽度为W的边与缺口平行,则1≤i≤H;
步骤2-2:计算得到每个向量ci所对应的均值ei和标准差σi;
步骤2-3:统计每个向量ci的一维灰度直方图,该直方图的X坐标为灰度值范围,Y坐标为当前灰度值的统计个数;
步骤3:构建均值标准差二维直方图。
步骤3-1:为了便于计算,对标准差σi进行取整操作得到[σi];
步骤3-2:二维直方图是一个三维坐标系。直方图的X坐标为步骤2中计算的每一行ci灰度值的均值ei,直方图的Y坐标为步骤3-1中统计的每一行ci灰度值的取整标准差[σi],直方图的Z坐标为当前均值和方差出现的次数;
步骤4:根据均值标准差二维直方图计算自适应阈值。
步骤4-1:由二维直方图可以计算得到均值和方差的联合概率密度:
pi,j=ri,j/N
其中,ri,j为步骤3-2中统计的当前均值和方差出现的次数,N为总的统计行数;
步骤4-2:自适应阈值的思想是选择阈值向量(S,T),它可以最大化缺口类的后验熵和非缺口类的后验熵。假设阈值向量存在于向量对(s,t)中,则两类的熵可以定义为如下:
H0(s,t)=lnPst+Hst/Pst
H1(s,t)=ln(1-Pst)+(HMN-Hst)/(1-Pst)
于是最终的阈值可由搜索满足下式的(S,T)得到:
即将基于上式搜索得到的向量对(s,t)作为阈值向量(S,T)。
步骤5:利用阈值对缺口进行分类,得到初步缺口范围。
步骤5-1:将均值小于S且标准差小于T的每一行视为缺口类,不满足以上条件的行视为非缺口类;
步骤5-2:定义分类结果为缺口类的值为0,分类结果为非缺口类的值为1,由此可以得到沿缺口变化方向的一条分类曲线y(x),分类曲线的X坐标为缺口区域的位置,取值范围为[1,H],分类曲线的Y坐标为分类结果,取值为0或1;
根据以上分类曲线,若曲线呈现以下特征:曲线可分为三个连续部分,第一部分取值全为1,第二部分全为0,第三部分全为1,即称此特征为缺口存在特征,如以下表达式:
步骤5-3:若满足步骤5-3所述特征则判断该检测区域缺口存在,否则判断此缺口不存在;
步骤6:根据步骤2的一维直方图,构建位置-灰度映射曲线f(x)。
映射曲线的X坐标为缺口区域的位置,根据步骤2假设(区域A1宽度为W的边与缺口平行),取值范围为[1,H],曲线的Y坐标为灰度值,取值为统计次数最多的灰度值;
步骤7:根据位置-灰度映射曲线以及局部梯度,精准定位缺口位置:
步骤7-1:由下式计算映射曲线[X1,X2]范围内相邻两点之间的梯度;
grad=f(xi+1)-f(xi),X1≤xi,xi+1≤X2,xi+1-xi=1
步骤7-2:由此得到[X1,X2]范围内的局部梯度变化曲线grad(x),曲线的X坐标为取值范围为[1,H-1],曲线的Y坐标为该点的梯度变化;
步骤7-3:取局部梯度变化曲线最大值的X坐标的值作为最终的精确的缺口边缘位置。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (3)
1.一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘检测方法,其特征在于,包括下列步骤:
步骤1:提取待检测区域并预处理:
基于转辙机所拍摄的缺口图像,在缺口部分提取宽度为W,高度为H的方形区域A;
对方形区域A进行滤波处理,得到滤波后的检测区域A1;
步骤2:对检测区域A1进行特征提取处理:
沿与缺口平行的方向对检测区域A1进行逐行扫描,计算每一行灰度值的均值与标准差;
沿与缺口平行的方向对检测区域A1再次逐行扫描,统计每一行像素的一维灰度直方图,该直方图的X坐标为灰度值范围,Y坐标为当前灰度值的统计个数;
步骤3:构建均值标准差二维直方图:
二维直方图的X坐标为步骤2中统计的每一行灰度值的均值,二维直方图的Y坐标为步骤2中统计的每一行的灰度值的标准差,二维直方图的Z坐标为当前均值和方差出现的次数;
步骤4:根据均值标准差二维直方图计算自适应阈值:通过二维最大类间方差法计算出均值的阈值S以及标准差的阈值T;
步骤5:利用阈值对缺口进行分类,得到初步缺口检测范围:
基于均值的阈值S与标准差的阈值T对每一行进行缺口判断:若当前行的均值小于S,且标准差小于T,则将当前行视为缺口类;否则将当前行视为非缺口类;
定义分类结果为缺口类的值为0,分类结果为非缺口类的值为1,从而得到沿缺口方向的一条分类曲线,分类曲线的X坐标为缺口区域的位置,根据缺口方向取值范围为[1,W]或者[1,H],分类曲线的Y坐标为分类结果,取值为0或1;
若分类曲线能被划分为三个连续部分,且满足:第一部分取值全为1,第二部分全为0,和第三部分全为1;则判定待检测区域缺口存在,并将第二部分定义为初步缺口位置,即初步缺口位置范围为分类曲线的第二部分对应的X坐标[X1,X2];否则判定待检测区域缺口不存在;
步骤6:根据步骤2得到的一维直方图,构建位置-灰度映射曲线:映射曲线的X坐标为缺口区域的位置,根据缺口方向取值范围为[1,W]或者[1,H],曲线的Y坐标为灰度值,取值为统计次数最多的灰度值;
步骤7:根据位置-灰度映射曲线以及局部梯度,精准定位缺口位置:
计算映射曲线在初步缺口位置范围[X1,X2]内固定间隔的两点之间的梯度,得到初步缺口位置范围[X1,X2]内的局部梯度变化曲线;
取局部梯度变化曲线最大值的X坐标作为最终的精确的缺口边缘位置。
2.如权利要求1所述的方法,其特征在于,步骤1中,滤波处理采用具有边缘保持特性的滤波器。
3.如权利要求1所述的方法,其特征在于,在步骤7中,计算映射曲线在初步缺口位置范围[X1,X2]内的相邻两点之间的梯度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258676.XA CN111145197B (zh) | 2019-12-10 | 2019-12-10 | 一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258676.XA CN111145197B (zh) | 2019-12-10 | 2019-12-10 | 一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145197A true CN111145197A (zh) | 2020-05-12 |
CN111145197B CN111145197B (zh) | 2022-05-03 |
Family
ID=70517938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911258676.XA Expired - Fee Related CN111145197B (zh) | 2019-12-10 | 2019-12-10 | 一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145197B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754460A (zh) * | 2020-05-25 | 2020-10-09 | 北京驿禄轨道交通工程有限公司 | 一种转辙机缺口自动检测方法、系统及存储介质 |
CN112598652A (zh) * | 2020-12-25 | 2021-04-02 | 凌云光技术股份有限公司 | 一种基于梯度变换的液晶屏边缘断线检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61202103A (ja) * | 1985-03-06 | 1986-09-06 | Hitachi Ltd | 磁気ヘツドのヘツドギヤツプ検出方法 |
CN1600611A (zh) * | 2004-10-10 | 2005-03-30 | 北京交通大学 | 一种轮轨道岔转辙机动作状态监测方法和实现系统 |
CN102556119A (zh) * | 2011-12-19 | 2012-07-11 | 济南铁路天龙高新技术开发有限公司 | 直接采集铁路转辙机表示杆缺口图像测得缺口数据的方法 |
CN102673611A (zh) * | 2011-12-19 | 2012-09-19 | 济南铁路天龙高新技术开发有限公司 | 一种铁路转辙机表示杆缺口视频监测方法及系统 |
CN102951183A (zh) * | 2012-10-31 | 2013-03-06 | 同济大学 | 基于线阵图像传感器的转辙机表示缺口位移监测装置 |
US20130304331A1 (en) * | 2012-05-10 | 2013-11-14 | Caterpillar, Inc. | Display-Based Control for Motor Grader |
CN105472355A (zh) * | 2016-01-13 | 2016-04-06 | 江苏金晓电子信息股份有限公司 | 一种基于双目视觉处理识别的转辙机缺口监测系统和方法 |
CN105787511A (zh) * | 2016-02-26 | 2016-07-20 | 清华大学 | 基于支持向量机的道岔故障诊断方法及系统 |
CN107578410A (zh) * | 2017-04-26 | 2018-01-12 | 济南铁路天龙高新技术开发有限公司 | 转辙机缺口图像自动识别方法 |
CN107764177A (zh) * | 2017-09-13 | 2018-03-06 | 浙江大学 | 地铁转辙机表示杆动态缺口宽度的监测系统和方法 |
CN108460798A (zh) * | 2017-12-29 | 2018-08-28 | 江苏金恒信息科技股份有限公司 | 一种试样槽口定位方法及装置 |
CN109682839A (zh) * | 2019-01-25 | 2019-04-26 | 中国船舶重工集团公司第七一六研究所 | 一种金属弧形工件表面缺陷在线检测方法 |
CN110310255A (zh) * | 2019-05-24 | 2019-10-08 | 同济大学 | 基于目标检测和图像处理的转辙机缺口检测方法 |
CN110363742A (zh) * | 2019-04-19 | 2019-10-22 | 上海铁大电信科技股份有限公司 | 一种基于cnn和图像处理的转辙机缺口检测方法 |
-
2019
- 2019-12-10 CN CN201911258676.XA patent/CN111145197B/zh not_active Expired - Fee Related
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61202103A (ja) * | 1985-03-06 | 1986-09-06 | Hitachi Ltd | 磁気ヘツドのヘツドギヤツプ検出方法 |
CN1600611A (zh) * | 2004-10-10 | 2005-03-30 | 北京交通大学 | 一种轮轨道岔转辙机动作状态监测方法和实现系统 |
CN102556119A (zh) * | 2011-12-19 | 2012-07-11 | 济南铁路天龙高新技术开发有限公司 | 直接采集铁路转辙机表示杆缺口图像测得缺口数据的方法 |
CN102673611A (zh) * | 2011-12-19 | 2012-09-19 | 济南铁路天龙高新技术开发有限公司 | 一种铁路转辙机表示杆缺口视频监测方法及系统 |
US20130304331A1 (en) * | 2012-05-10 | 2013-11-14 | Caterpillar, Inc. | Display-Based Control for Motor Grader |
CN102951183A (zh) * | 2012-10-31 | 2013-03-06 | 同济大学 | 基于线阵图像传感器的转辙机表示缺口位移监测装置 |
CN105472355A (zh) * | 2016-01-13 | 2016-04-06 | 江苏金晓电子信息股份有限公司 | 一种基于双目视觉处理识别的转辙机缺口监测系统和方法 |
CN105787511A (zh) * | 2016-02-26 | 2016-07-20 | 清华大学 | 基于支持向量机的道岔故障诊断方法及系统 |
CN107578410A (zh) * | 2017-04-26 | 2018-01-12 | 济南铁路天龙高新技术开发有限公司 | 转辙机缺口图像自动识别方法 |
CN107764177A (zh) * | 2017-09-13 | 2018-03-06 | 浙江大学 | 地铁转辙机表示杆动态缺口宽度的监测系统和方法 |
CN108460798A (zh) * | 2017-12-29 | 2018-08-28 | 江苏金恒信息科技股份有限公司 | 一种试样槽口定位方法及装置 |
CN109682839A (zh) * | 2019-01-25 | 2019-04-26 | 中国船舶重工集团公司第七一六研究所 | 一种金属弧形工件表面缺陷在线检测方法 |
CN110363742A (zh) * | 2019-04-19 | 2019-10-22 | 上海铁大电信科技股份有限公司 | 一种基于cnn和图像处理的转辙机缺口检测方法 |
CN110310255A (zh) * | 2019-05-24 | 2019-10-08 | 同济大学 | 基于目标检测和图像处理的转辙机缺口检测方法 |
Non-Patent Citations (2)
Title |
---|
程龙 等: "基于视频监控的转辙机缺口监测系统设计", 《铁道通信信号》 * |
靖欣: "转辙机缺口监测主机软件设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754460A (zh) * | 2020-05-25 | 2020-10-09 | 北京驿禄轨道交通工程有限公司 | 一种转辙机缺口自动检测方法、系统及存储介质 |
CN112598652A (zh) * | 2020-12-25 | 2021-04-02 | 凌云光技术股份有限公司 | 一种基于梯度变换的液晶屏边缘断线检测方法 |
CN112598652B (zh) * | 2020-12-25 | 2024-01-30 | 凌云光技术股份有限公司 | 一种基于梯度变换的液晶屏边缘断线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111145197B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
Kim et al. | Adaptive smoothness constraints for efficient stereo matching using texture and edge information | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
CN109559324B (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN109461148A (zh) | 基于二维Otsu的钢轨缺陷分割自适应快速算法 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
JP2019505866A (ja) | 通行人の頭部識別方法及びシステム | |
Shivakumara et al. | Efficient video text detection using edge features | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN109636784A (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN111145197B (zh) | 一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法 | |
CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN103942797A (zh) | 基于直方图和超像素的场景图像文字检测方法及系统 | |
CN105787912B (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN105447489A (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN106815851B (zh) | 一种基于视觉测量的栅格圆形油位计自动读数方法 | |
Zhao et al. | Research and implementation of license plate recognition technology | |
CN109543498A (zh) | 一种基于多任务网络的车道线检测方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN106780545A (zh) | 一种结合时空域的弱小目标能量累积增强方法 | |
CN110135382B (zh) | 一种人体检测方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220503 |