CN111310736A - 一种保护区内车辆卸载堆土的快速识别方法 - Google Patents

一种保护区内车辆卸载堆土的快速识别方法 Download PDF

Info

Publication number
CN111310736A
CN111310736A CN202010221558.8A CN202010221558A CN111310736A CN 111310736 A CN111310736 A CN 111310736A CN 202010221558 A CN202010221558 A CN 202010221558A CN 111310736 A CN111310736 A CN 111310736A
Authority
CN
China
Prior art keywords
vehicle
area
image
unloading
soil
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
CN202010221558.8A
Other languages
English (en)
Other versions
CN111310736B (zh
Inventor
刘学增
刘新根
陈莹莹
赵大伟
陈国富
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.)
SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Original Assignee
SHANGHAI TONGYAN CIVIL ENGINEERING 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 SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD filed Critical SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Priority to CN202010221558.8A priority Critical patent/CN111310736B/zh
Publication of CN111310736A publication Critical patent/CN111310736A/zh
Application granted granted Critical
Publication of CN111310736B publication Critical patent/CN111310736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06—Systems determining the position data of a target
    • G01S15/08—Systems for measuring distance only
    • 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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种保护区内车辆卸载堆土的快速识别方法，主要解决现有隧道、基坑等地下工程的地面保护区车辆卸载堆土监管不及时、不智能等技术问题。本发明技术方案包括保护区监控区域内的视频影像和超声波数据采集系统，还包括步骤：S1、保护区边界图像划定、图像像素分辨率标定及基础地形高程数据扫描；S2、基于视频图像，通过图像边缘检测算法对区域内的移动物体进行动态监测，并进行大型车辆初步判定；S3、大型车辆于保护区区域内滞留时间计算及车辆类型识别；S4、车辆卸载堆土三维重构及体积远程非接触测量；S5、车辆卸载堆土告警信息发送；S6、重复步骤S1步骤（3）、步骤S2、步骤S3、步骤S4、步骤S5，实现保护区车辆卸载堆土的持续监测。

Description

一种保护区内车辆卸载堆土的快速识别方法
技术领域
本发明涉及车辆卸载堆土的快速识别方法，特别是公开一种隧道、基坑等地下工程的地面保护区内车辆违规卸载堆土的快速识别方法，应用于保护区安全监控领域。
背景技术
随着城镇化的快速发展，隧道、基坑等地下工程亦越来越多，由于工程身处市区，其安全愈发重要。特别是地铁由于具有运量大、节约土地、环保节能等诸多优点，已成为城市交通的重要组成部分，发挥着越来越大的作用。依据国家住房和城乡建设部《城市轨道交通结构安全保护技术规范》CJJT 202-2013规定，地铁沿线应设置控制保护区，在保护区内严禁进行违规作业，如违规堆土、打桩、开挖等作业。地铁系隐蔽的线性工程，跨越区域长，在保护区内违规作业，对地铁结构安全形成了严重的威胁。在地铁运营线路上方违规堆土易造成地铁隧道结构不均匀沉降或偏移，危及列车行驶安全。
目前对地铁、基坑等地面保护区内车辆卸载堆土监管技术手段主要有人工巡查、警示标识、视频监控、无人机巡查等。人工巡查工作量大、投入大、效率低，夜间巡检更困难，巡查难以全域覆盖，存在较多巡查遗漏。警示标识措施仅仅是文字警示预防，对阻止执意违规卸载堆土作业作用不大。视频监控和无人机巡查可以有效全域覆盖，但往往事后发现，难以及时有效地判断出违规卸载堆土情况，特别是夜间和凌晨时段等问题突出。
因此，迫切需要一种保护区内车辆卸载堆土的快速识别方法，实现对车辆违规卸载堆土进行实时、自动化和智能化监测。
发明内容
本发明的目的是设计一种保护区内车辆卸载堆土快速识别的方法，主要解决保护区内车辆违规卸载堆土监管不及时、难以追踪的技术问题。本发明能快速准确地识别保护区内车辆卸载堆土的违规作业行为并及时发出告警信息，实现远程信息化、自动化监测，有效提升保护区监管技术水平。
本发明是这样实现的：一种保护区内车辆卸载堆土快速识别的方法，包括保护区监控区域内的视频影像和超声波数据采集系统，其特征在于，还包括以下步骤：
S1、保护区边界图像划定、图像像素分辨率标定及基础地形高程数据扫描。即基于视频图像，利用多线段对保护区边界进行图像划定，利用像素分辨率标识板对视频采集图像像素分辨率进行标定，计算确定视频图像每个像素点X方向和Y方向的像素分辨率，通过超声波设备对基础地形高程数据进行扫描，获得地表初始距离数字模型。
所述步骤S1的具体操作如下：
（1）监控站点安装时，基于视频图像，利用多线段对保护区实际边界进行人工划定，并将保护区域和非保护区域分别标记为
Figure DEST_PATH_IMAGE001
和
Figure 41067DEST_PATH_IMAGE002
，存储图像边界和区域数据，作为后续图像识别和超声波测量的边界基准数据；
（2）于视频拍摄画面中，将像素分辨率标识板分别放置于画面的两斜对角处，像素分辨率标识板尺寸为
Figure DEST_PATH_IMAGE003
（宽度）×
Figure 558636DEST_PATH_IMAGE004
（高度），标识板两边角与画面边缘对齐，并确保标识板完全位于画面中，存储视频图片，图片像素尺寸为
Figure DEST_PATH_IMAGE005
（宽度）×
Figure 84557DEST_PATH_IMAGE006
（高度），基于像素分辨率标识板成像区域，通过线性插值方法确定视频图像各像素分辨率
Figure DEST_PATH_IMAGE007
、
Figure 712985DEST_PATH_IMAGE008
，计算方法：
Figure DEST_PATH_IMAGE009
，
Figure 372243DEST_PATH_IMAGE010
公式（1）
Figure DEST_PATH_IMAGE011
，
Figure 60713DEST_PATH_IMAGE012
公式（2）
Figure DEST_PATH_IMAGE013
，
Figure 510149DEST_PATH_IMAGE014
公式（3）
其中
Figure DEST_PATH_IMAGE015
、
Figure 676688DEST_PATH_IMAGE016
分别是图像像素在像素坐标系中的像素X方向和Y方向的坐标，
Figure DEST_PATH_IMAGE017
、
Figure 583595DEST_PATH_IMAGE018
是像素分辨率标识板位于图像右上角时X方向和Y方向的像素个数，
Figure DEST_PATH_IMAGE019
、
Figure 941502DEST_PATH_IMAGE020
是像素分辨率标识板位于图像左下角时X方向和Y方向的像素个数；
（3）启动旋转云平台，通过超声波设备对拍摄区域进行阵列式距离测量，获得拍摄区域地表距离数字模型并存储，作为地表初始距离数字模型，模型记为
Figure DEST_PATH_IMAGE021
S2、基于视频图像，通过图像边缘检测算法对区域内的移动物体进行动态监测，并进行大型车辆初步判定。即基于视频图像，通过图像边缘检测算法对区域内的移动物体进行动态监测，通过移动物体的区域像素面积
Figure 674972DEST_PATH_IMAGE022
与预设面积阈值
Figure DEST_PATH_IMAGE023
进行比较，对大型车辆进行初步判定。
所述步骤S2的具体操作如下：
（1）从视频图像中提取最新一帧的图片，记为
Figure 910781DEST_PATH_IMAGE024
，并通过图像边缘检测算法将
Figure 921462DEST_PATH_IMAGE024
与视频上一帧的图片
Figure DEST_PATH_IMAGE025
进行比较，判断是否有移动物体进入监控区域；
（2.1）如无，则提取新的一帧图片，重复步骤S2的步骤（1）；
（2.2）如有，则确定移动物体的像素边界，并计算移动物体的像素中心点和区域像素面积，分别记为
Figure 515517DEST_PATH_IMAGE026
和
Figure 611649DEST_PATH_IMAGE022
，计算方法：
Figure DEST_PATH_IMAGE027
，
Figure 182307DEST_PATH_IMAGE028
公式（3）
Figure DEST_PATH_IMAGE029
公式（4）
其中
Figure 873927DEST_PATH_IMAGE030
为移动物体区域像素个数，
Figure 75101DEST_PATH_IMAGE015
、
Figure 720846DEST_PATH_IMAGE016
分别为移动物体区域内第
Figure DEST_PATH_IMAGE031
个像素的x和y坐标，
Figure 32878DEST_PATH_IMAGE032
为移动物体区域内第
Figure 18152DEST_PATH_IMAGE031
个像素对应面积；
（3.1）如移动物体的面积
Figure 891692DEST_PATH_IMAGE022
小于或等于设定面积阈值
Figure 24733DEST_PATH_IMAGE023
，则说明移动物体目标较小，不是所要监控的大型车辆，则回到步骤S2的步骤（1）；
（3.2）如移动物体的面积
Figure 78140DEST_PATH_IMAGE022
大于设定面积阈值
Figure 980237DEST_PATH_IMAGE023
，则说明移动物体目标较大，进一步判断移动物体的像素中心点
Figure 523214DEST_PATH_IMAGE026
是否位于保护区域内
Figure 815655DEST_PATH_IMAGE001
，如果没有，则不在有效监控区域内，回到步骤S2的步骤（1）；如果位于保护区域内
Figure 233604DEST_PATH_IMAGE001
内，则初步判断为大型车辆侵入。
S3、大型车辆于保护区区域
Figure 990208DEST_PATH_IMAGE001
内滞留时间
Figure DEST_PATH_IMAGE033
计算及车辆类型识别。即基于图像流的移动目标检测追踪方法对位于保护区区域内的大型车辆进行持续跟踪，并计算其滞留时间
Figure 704086DEST_PATH_IMAGE033
，通过滞留时间
Figure 811719DEST_PATH_IMAGE033
与预设时间阈值
Figure 206928DEST_PATH_IMAGE034
进行比较及卸土车图像机器学习识别，对大型车辆于保护区区域内进行车辆类型识别。
所述步骤S3的具体操作如下：
（1）利用基于图像流的移动目标检测追踪方法对位于保护区区域
Figure 319503DEST_PATH_IMAGE001
内的大型车辆进行持续跟踪，并计算其滞留时间
Figure 407545DEST_PATH_IMAGE033
，计算方法：
Figure DEST_PATH_IMAGE035
公式（5）
其中
Figure 799212DEST_PATH_IMAGE036
为大型车辆的图像帧数，
Figure DEST_PATH_IMAGE037
为每图像帧的时间间隔；
（2）判断大型车辆滞留时间
Figure 794850DEST_PATH_IMAGE033
是否超过设定的时间阈值
Figure 24581DEST_PATH_IMAGE034
，如果没有超过，则说明大型车辆系经过，则回到步骤S2的步骤（1）；如果超过，则进入下一步，
（3）以图上大型车辆所处最大外包围盒为界截取车辆图像，记为
Figure 283524DEST_PATH_IMAGE038
，通过已训练好的卸土车机器学习模型，将图像
Figure 896908DEST_PATH_IMAGE038
进行深度学习类型识别，判别车辆是否属于卸土车，如果不是则回到步骤S2的步骤（1）；如果是，则判定为卸土车，启动现场声光报警，并进入下一步重点监测。
S4、车辆卸载堆土三维重构及体积远程非接触测量。即通过超声波距离测量、平面三角网格约束剖分及网格空间缝合技术，实现车辆卸载堆土三维重构及体积远程非接触测量。
所述步骤S4的具体操作如下：
（1）启动旋转云平台，通过超声波测量设备对堆土区域进行阵列式距离测量，获得堆土区域地表距离数字模型，记为
Figure DEST_PATH_IMAGE039
；
（2）以地表初始距离数字模型
Figure 899499DEST_PATH_IMAGE021
为基准，将堆土区域地表距离数字模型
Figure 485201DEST_PATH_IMAGE039
减去相应点地表初始距离，可获得堆土区域内各规则离散点的斜向高度数据，记为
Figure 213248DEST_PATH_IMAGE040
，依据离散点所处的摄像机拍摄夹角
Figure DEST_PATH_IMAGE041
，可计算得出相应离散点的竖向高度
Figure 517190DEST_PATH_IMAGE042
，计算方法：
Figure DEST_PATH_IMAGE043
公式（6）
（3）以已知规则离散点作为点约束，对堆土区域进行平面三角网格约束剖分，形成堆土底部基础网格记为
Figure 120210DEST_PATH_IMAGE044
；
（4）以堆土区域内各已知离散点的竖向高度数据集
Figure 560418DEST_PATH_IMAGE042
为基准，通过反距离或克里金插值方法，对网格
Figure 722016DEST_PATH_IMAGE044
内其他节点的竖向高度数据进行插值计算，形成堆土表面三角网格
Figure DEST_PATH_IMAGE045
；
（5）对网格
Figure 247675DEST_PATH_IMAGE044
和网格
Figure 654386DEST_PATH_IMAGE045
进行缝合形成一个三维网格实体，即为堆土三维实体，通过流形元方法，对三维网格实体进行体积计算，体积记为
Figure 152363DEST_PATH_IMAGE046
；
Figure DEST_PATH_IMAGE047
公式（7）
Figure 284530DEST_PATH_IMAGE048
公式（8）
其中
Figure DEST_PATH_IMAGE049
是三维网格第
Figure DEST_PATH_IMAGE051
个三角面片与基准点连接而成四面体的体积，基准点坐标取（0,0,0），
Figure 625381DEST_PATH_IMAGE052
为三维网格三角面片个数。
S5、车辆卸载堆土告警信息远程发送给管理人员。
车辆卸载堆土告警信息包括监测点编号、监测点地址、监测点负责人姓名、监测点负责人电话、车辆卸土作业图片、车辆卸土时间、车辆卸土体积等信息，告警信息通过有线或无线网络发送至管理人员。
S6、重复步骤S1的步骤（3）、步骤S2、步骤S3、步骤S4、步骤S5，可实现保护区车辆卸载堆土的持续监测。
本发明的有益效果是：
（1）本发明是基于数字图像和超声波雷达测距工作特点，方法适应性和稳定性较高；
（2）本发明是采用图像轮廓几何尺寸比对、滞留时间判定、图像深度学习类型识别、超声波测距三维重构等多重探测手段，可实现目标物多层次筛选，可有效提高识别效率和准确度；
（3）本发明解决了保护区车辆卸载堆土监管不及时、不智能的问题，技术方案完整，识别算法易于编程实现，全自动化智能识别监控，用户无须干预。
附图说明
图1 是本发明方法的操作步骤流程示意图。
图2 是本发明方法的保护区实际边界进行人工划定示意图。
图3 是本发明方法的像素分辨率标识板放置示意图。
图4 是本发明方法的像素分辨率标识图案示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
根据附图1，本发明是一种地铁保护区内车辆卸载堆土快速识别的方法，包括地铁保护区监控区域内的视频影像和超声波数据采集系统，还包括以下步骤S1～S6：
S1、地铁保护区边界图像划定、图像像素分辨率标定及基础地形高程数据扫描。
所述步骤S1的具体操作如下：
（1）监控站点安装时，基于视频图像，如图2所示，利用多线段对地铁保护区实际边界进行人工划定，并将保护区域和非保护区域分别标记为
Figure 507886DEST_PATH_IMAGE001
和
Figure 922687DEST_PATH_IMAGE002
，存储图像边界和区域数据，作为后续图像识别和超声波测量的边界基准数据，进一步依据国家住房和城乡建设部《城市轨道交通结构安全保护技术规范》CJJT 202-2013规定，地铁沿线控制保护区外边线外侧10m~100m不等；
（2）于视频拍摄画面中，如图3所示，将像素分辨率标识板分别放置于画面的两斜对角处，像素分辨率标识板尺寸为100cm（宽度）×100cm（高度），标识板两边角与画面边缘对齐，并确保标识板完全位于画面中，存储视频图片，图片像素尺寸为
Figure 183946DEST_PATH_IMAGE005
（宽度）×
Figure 621880DEST_PATH_IMAGE006
（高度），基于像素分辨率标识板成像区域，通过线性插值方法确定视频图像各像素分辨率
Figure 370394DEST_PATH_IMAGE007
、
Figure 577384DEST_PATH_IMAGE008
，计算方法：
Figure 753150DEST_PATH_IMAGE009
，
Figure 740698DEST_PATH_IMAGE010
公式（1）
Figure 965006DEST_PATH_IMAGE011
，
Figure 855864DEST_PATH_IMAGE012
公式（2）
Figure 202531DEST_PATH_IMAGE013
，
Figure 349479DEST_PATH_IMAGE014
公式（3）
其中
Figure 439795DEST_PATH_IMAGE015
、
Figure 683694DEST_PATH_IMAGE016
分别是图像像素在像素坐标系中的像素X方向和Y方向的坐标，
Figure 138946DEST_PATH_IMAGE017
、
Figure 599621DEST_PATH_IMAGE018
是像素分辨率标识板位于图像右上角时X方向和Y方向的像素个数，
Figure 228049DEST_PATH_IMAGE019
、
Figure 264138DEST_PATH_IMAGE020
是像素分辨率标识板位于图像左下角时X方向和Y方向的像素个数；
进一步，像素分辨率标识板底板可采用厚度2mm、边长100cm的正方形硬塑PC板， PC板上绘制或粘贴如图4所示的像素分辨率标识图案；
（3）启动旋转云平台，通过超声波设备对拍摄区域进行阵列式距离测量，获得拍摄区域地表距离数字模型并存储，作为地表初始距离数字模型，模型记为
Figure 952608DEST_PATH_IMAGE021
，
其中阵列式距离测量可将拍摄区域划分成M行×N列个测点，M和N值可依据拍摄区域进行等份或等距离划分。
S2、基于视频图像，通过图像边缘检测算法对区域内的移动物体进行动态监测，并进行大型车辆初步判定。
所述步骤S2的具体操作如下：
（1）从视频图像中提取最新一帧的图片，记为
Figure 136465DEST_PATH_IMAGE024
，并通过图像边缘检测算法将
Figure 506266DEST_PATH_IMAGE024
与视频上一帧的图片
Figure 226223DEST_PATH_IMAGE025
进行比较，判断是否有移动物体进入监控区域；
进一步，对
Figure DEST_PATH_IMAGE053
和
Figure 85595DEST_PATH_IMAGE025
分别进行Canny边缘提取，得到二值化边缘图像
Figure 756747DEST_PATH_IMAGE054
和
Figure DEST_PATH_IMAGE055
，对
Figure 726977DEST_PATH_IMAGE054
和
Figure 298511DEST_PATH_IMAGE055
按像素相减得到D，统计D中不为0的像素个数，若超过设定的阈值
Figure 266467DEST_PATH_IMAGE056
，则有移动物体进入监控区域，否则，则没有移动物体进入监控区域；
所用的Canny边缘提取函数如下:
Canny(InputArray image,OutputArray edges,double threshold1, doublethreshold2,int apertureSize,bool L2gradient=false)
（2.1）如无，则提取新的一帧图片，重复步骤S2的步骤（1）；
（2.2）如有，则确定移动物体的像素边界，并计算移动物体的像素中心点和区域像素面积，分别记为
Figure 424916DEST_PATH_IMAGE026
和
Figure 261153DEST_PATH_IMAGE022
，计算方法：
Figure 391921DEST_PATH_IMAGE027
，
Figure 530778DEST_PATH_IMAGE028
公式（3）
Figure 412408DEST_PATH_IMAGE029
公式（4）
其中
Figure 927703DEST_PATH_IMAGE030
为移动物体区域像素个数，
Figure 975294DEST_PATH_IMAGE015
、
Figure 347369DEST_PATH_IMAGE016
分别为移动物体区域内第
Figure 214831DEST_PATH_IMAGE031
个像素的x和y坐标，
Figure 829090DEST_PATH_IMAGE032
为移动物体区域内第
Figure 668870DEST_PATH_IMAGE031
个像素对应面积；
（3.1）如移动物体的面积
Figure 211847DEST_PATH_IMAGE022
小于或等于设定面积阈值
Figure 832184DEST_PATH_IMAGE023
，则说明移动物体目标较小，不是所要监控的大型车辆，则回到步骤S2的步骤（1）；
（3.2）如移动物体的面积
Figure 423702DEST_PATH_IMAGE022
大于设定面积阈值
Figure 445885DEST_PATH_IMAGE023
，则说明移动物体目标较大，进一步判断移动物体的像素中心点
Figure 661228DEST_PATH_IMAGE026
是否位于保护区域内
Figure 503282DEST_PATH_IMAGE001
，如果没有，则不在有效监控区域内，回到步骤S2的步骤（1）；如果位于保护区域内
Figure 898491DEST_PATH_IMAGE001
内，则初步判断为大型车辆侵入。
S3、大型车辆于保护区区域
Figure 775180DEST_PATH_IMAGE001
内滞留时间
Figure 597643DEST_PATH_IMAGE033
计算及车辆类型识别
所述步骤S3的具体操作如下：
（1）利用基于图像流的移动目标检测追踪方法对位于地铁保护区区域
Figure 926993DEST_PATH_IMAGE001
内的大型车辆进行持续跟踪，并计算其滞留时间
Figure 686745DEST_PATH_IMAGE033
，计算方法：
Figure 417941DEST_PATH_IMAGE035
公式（5）
其中
Figure 411305DEST_PATH_IMAGE036
为大型车辆的图像帧数，
Figure 227951DEST_PATH_IMAGE037
为每图像帧的时间间隔；
进一步，对相邻两帧内的所有移动物体利用FAST算法来提取关键点，特征点描述使用BRIEF算法，相似度计算使用汉明距离，相邻两帧之间相似度最高的移动物体为同一目标，将同一目标在图像帧之间的位置信息存储到同一向量中，实现对移动目标的追踪；
（2）判断大型车辆滞留时间
Figure 292859DEST_PATH_IMAGE033
是否超过设定的时间阈值
Figure 816244DEST_PATH_IMAGE034
，如果没有超过，则说明大型车辆系经过，则回到步骤S2的步骤（1）；如果超过，则进入下一步，
（3）以图上大型车辆所处最大外包围盒为界截取车辆图像，记为
Figure 544291DEST_PATH_IMAGE038
，通过已训练好的卸土车机器学习模型，将图像
Figure 848233DEST_PATH_IMAGE038
进行深度学习类型识别，判别车辆是否属于卸土车，如果不是则回到步骤S2的步骤（1）；如果是，则判定为卸土车，启动现场声光报警，并进入下一步重点监测。
提前筛选正样本和负样本，正样本为卸土车图片，负样本为其他车辆图片，对正负样本提取HOG特征，利用支持向量机SVM对样本特征进行学习，得到可对卸土车进行判别的二分类器。将图像
Figure 388936DEST_PATH_IMAGE038
提取HOG特征后可通过二分类器进行卸土车识别。
所用的HOG特征提取算子如下：
HOGDescriptor(Size win_size,Size block_size,Size block_stride,Size cell_size,int nbins, double win_sigma,double threshold_L2hys,bool gamma_correction,int nlevels)。
S4、车辆卸载堆土三维重构及体积远程非接触测量。
所述步骤S4的具体操作如下：
（1）启动旋转云平台，通过超声波测量设备对堆土区域进行阵列式距离测量，获得堆土区域地表距离数字模型，记为
Figure 829145DEST_PATH_IMAGE039
；
（2）以地表初始距离数字模型
Figure 492207DEST_PATH_IMAGE021
为基准，将堆土区域地表距离数字模型
Figure 955550DEST_PATH_IMAGE039
减去相应点地表初始距离，可获得堆土区域内各规则离散点的斜向高度数据，记为
Figure 860795DEST_PATH_IMAGE040
，依据离散点所处的摄像机拍摄夹角
Figure 155510DEST_PATH_IMAGE041
，可计算得出相应离散点的竖向高度
Figure 927157DEST_PATH_IMAGE042
，计算方法：
Figure 940113DEST_PATH_IMAGE043
公式（6）
（3）以已知规则离散点作为点约束，对堆土区域进行平面三角网格约束剖分，形成堆土底部基础网格记为
Figure 884935DEST_PATH_IMAGE044
；
（4）以堆土区域内各已知离散点的竖向高度数据集
Figure 237419DEST_PATH_IMAGE042
为基准，通过反距离或克里金插值方法，对网格
Figure 743749DEST_PATH_IMAGE044
内其他节点的竖向高度数据进行插值计算，形成堆土表面三角网格
Figure 244000DEST_PATH_IMAGE045
；
（5）对网格
Figure 930197DEST_PATH_IMAGE044
和网格
Figure 199504DEST_PATH_IMAGE045
进行缝合形成一个三维网格实体，即为堆土三维实体，通过流形元方法，对三维网格实体进行体积计算，体积记为
Figure 375270DEST_PATH_IMAGE046
；
Figure 300501DEST_PATH_IMAGE047
公式（7）
Figure 85661DEST_PATH_IMAGE048
公式（8）
其中
Figure 412737DEST_PATH_IMAGE049
是三维网格第
Figure DEST_PATH_IMAGE057
个三角面片与基准点连接而成四面体的体积，基准点坐标取（0,0,0），
Figure 556142DEST_PATH_IMAGE052
为三维网格三角面片个数。
S5、车辆卸载堆土告警信息远程发送。
车辆卸载堆土告警信息包括监测点编号、监测点地址、监测点负责人姓名、监测点负责人电话、车辆卸土作业图片、车辆卸土时间、车辆卸土体积等信息，告警信息通过有线或无线网络发送至管理人员。
S6、重复步骤S1的步骤（3）、步骤S2、步骤S3、步骤S4、步骤S5，可实现地铁保护区车辆卸载堆土的持续监测。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由本发明的权利要求书所要求的保护范围内。

Claims (6)

1.一种保护区内车辆卸载堆土的快速识别方法，包括地下工程的地面保护区监控区域内的视频影像和超声波数据采集系统，其特征在于，还包括以下步骤：
S1、基于视频图像，利用多线段对保护区边界进行图像划定，利用像素分辨率标识板对视频采集图像像素分辨率进行标定，计算确定视频图像每个像素点X方向和Y方向的像素分辨率，通过超声波设备对基础地形高程数据进行扫描，获得地表初始距离数字模型；
S2、基于视频图像，通过图像边缘检测算法对区域内的移动物体进行动态监测，通过移动物体的区域像素面积
Figure DEST_PATH_IMAGE002
与预设面积阈值
Figure DEST_PATH_IMAGE004
进行比较，对大型车辆进行初步判定；
S3、基于图像流的移动目标检测追踪方法对位于保护区区域内的大型车辆进行持续跟踪，并计算其滞留时间
Figure DEST_PATH_IMAGE006
，通过滞留时间
Figure 598293DEST_PATH_IMAGE006
与预设时间阈值
Figure DEST_PATH_IMAGE008
进行比较及卸土车图像机器学习识别，对大型车辆于保护区区域内进行车辆类型识别；
S4、通过超声波距离测量、平面三角网格约束剖分及网格空间缝合技术，实现车辆卸载堆土三维重构及体积远程非接触测量；
S5、车辆卸载堆土告警信息远程发送至管理人员；
S6、重复步骤S1的步骤（3）、步骤S2、步骤S3、步骤S4、步骤S5，实现保护区车辆卸载堆土的持续监测。
2.根据权利要求1所述一种保护区内车辆卸载堆土的快速识别方法，其特征在于，所述步骤S1的具体操作如下：
（1）监控站点安装时，基于视频图像，利用多线段对保护区实际边界进行人工划定，并将保护区域和非保护区域分别标记为
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE012
，存储图像边界和区域数据，作为后续图像识别和超声波测量的边界基准数据；
（2）于视频拍摄画面中，将像素分辨率标识板分别放置于画面的两斜对角处，像素分辨率标识板尺寸为宽度
Figure DEST_PATH_IMAGE014
×高度
Figure DEST_PATH_IMAGE016
，标识板两边角与画面边缘对齐，并确保标识板完全位于画面中，存储视频图片，图片像素尺寸为宽度
Figure DEST_PATH_IMAGE018
×高度
Figure DEST_PATH_IMAGE020
，基于像素分辨率标识板成像区域，通过线性插值方法确定视频图像各像素分辨率
Figure DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE024
，计算方法：
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE028
公式（1）
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE032
公式（2）
Figure DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE036
公式（3）
其中
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE040
分别是图像像素在像素坐标系中的像素X方向和Y方向的坐标，
Figure DEST_PATH_IMAGE042
、
Figure DEST_PATH_IMAGE044
是像素分辨率标识板位于图像右上角时X方向和Y方向的像素个数，
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE048
是像素分辨率标识板位于图像左下角时X方向和Y方向的像素个数；
（3）启动旋转云平台，通过超声波设备对拍摄区域进行阵列式距离测量，获得拍摄区域地表距离数字模型并存储，作为地表初始距离数字模型，模型记为
Figure DEST_PATH_IMAGE050
。
3.根据权利要求1所述的一种保护区内车辆卸载堆土的快速识别方法，其特征在于，所述步骤S2的具体操作如下：
（1）从视频图像中提取最新一帧的图片，记为
Figure DEST_PATH_IMAGE052
，并通过图像边缘检测算法将
Figure 384941DEST_PATH_IMAGE052
与视频上一帧的图片
Figure DEST_PATH_IMAGE054
进行比较，判断是否有移动物体进入监控区域；
（2.1）如无，则提取新的一帧图片，重复步骤S2的步骤（1）；
（2.2）如有，则确定移动物体的像素边界，并计算移动物体的像素中心点和区域像素面积，分别记为
Figure DEST_PATH_IMAGE056
和
Figure 40044DEST_PATH_IMAGE002
，计算方法：
Figure DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE060
公式（3）
Figure DEST_PATH_IMAGE062
公式（4）
其中
Figure DEST_PATH_IMAGE064
为移动物体区域像素个数，
Figure 123669DEST_PATH_IMAGE038
、
Figure 358DEST_PATH_IMAGE040
分别为移动物体区域内第
Figure DEST_PATH_IMAGE066
个像素的x和y坐标，
Figure DEST_PATH_IMAGE068
为移动物体区域内第
Figure 695257DEST_PATH_IMAGE066
个像素对应面积；
（3.1）如移动物体的面积
Figure 775340DEST_PATH_IMAGE002
小于或等于设定面积阈值
Figure 974240DEST_PATH_IMAGE004
，则说明移动物体目标较小，不是所要监控的大型车辆，则回到步骤S2的步骤（1）；
（3.2）如移动物体的面积
Figure 705435DEST_PATH_IMAGE002
大于设定面积阈值
Figure 511849DEST_PATH_IMAGE004
，则说明移动物体目标较大，进一步判断移动物体的像素中心点
Figure 266178DEST_PATH_IMAGE056
是否位于保护区域内
Figure 65507DEST_PATH_IMAGE010
，如果没有，则不在有效监控区域内，回到步骤S2的步骤（1）；如果位于保护区域内
Figure 401941DEST_PATH_IMAGE010
内，则初步判断为大型车辆侵入。
4.根据权利要求1所述的一种保护区内车辆卸载堆土的快速识别方法，其特征在于，所述步骤S3的具体操作如下：
（1）利用基于图像流的移动目标检测追踪方法对位于保护区区域
Figure 894102DEST_PATH_IMAGE010
内的大型车辆进行持续跟踪，并计算其滞留时间
Figure 135728DEST_PATH_IMAGE006
，计算方法：
Figure DEST_PATH_IMAGE070
公式（5）
其中
Figure DEST_PATH_IMAGE072
为大型车辆的图像帧数，
Figure DEST_PATH_IMAGE074
为每图像帧的时间间隔；
（2）判断大型车辆滞留时间
Figure 96337DEST_PATH_IMAGE006
是否超过设定的时间阈值
Figure 802125DEST_PATH_IMAGE008
，如果没有超过，则说明大型车辆系经过，则回到步骤S2的步骤（1）；如果超过，则进入下一步；
（3）以图上大型车辆所处最大外包围盒为界截取车辆图像，记为
Figure DEST_PATH_IMAGE076
，通过已训练好的卸土车机器学习模型，将图像
Figure 950341DEST_PATH_IMAGE076
进行深度学习类型识别，判别车辆是否属于卸土车，如果不是则回到步骤S2的步骤（1）；如果是，则判定为卸土车，启动现场声光报警，并进入下一步重点监测。
5.根据权利要求1所述的一种保护区内车辆卸载堆土的快速识别方法，其特征在于，所述步骤S4的具体操作如下：
（1）启动旋转云平台，通过超声波测量设备对堆土区域进行阵列式距离测量，获得堆土区域地表距离数字模型，记为
Figure DEST_PATH_IMAGE078
；
（2）以地表初始距离数字模型
Figure 554629DEST_PATH_IMAGE050
为基准，将堆土区域地表距离数字模型
Figure 695760DEST_PATH_IMAGE078
减去相应点地表初始距离，可获得堆土区域内各规则离散点的斜向高度数据，记为
Figure DEST_PATH_IMAGE080
，依据离散点所处的摄像机拍摄夹角
Figure DEST_PATH_IMAGE082
，可计算得出相应离散点的竖向高度
Figure DEST_PATH_IMAGE084
，计算方法：
Figure DEST_PATH_IMAGE086
公式（6）
（3）以已知规则离散点作为点约束，对堆土区域进行平面三角网格约束剖分，形成堆土底部基础网格记为
Figure DEST_PATH_IMAGE088
；
（4）以堆土区域内各已知离散点的竖向高度数据集
Figure 941540DEST_PATH_IMAGE084
为基准，通过反距离或克里金插值方法，对网格
Figure 526236DEST_PATH_IMAGE088
内其他节点的竖向高度数据进行插值计算，形成堆土表面三角网格
Figure DEST_PATH_IMAGE090
；
（5）对网格
Figure 539192DEST_PATH_IMAGE088
和网格
Figure 234746DEST_PATH_IMAGE090
进行缝合形成一个三维网格实体，即为堆土三维实体，通过流形元方法，对三维网格实体进行体积计算，体积记为
Figure DEST_PATH_IMAGE092
。
6.根据权利要求1所述的一种保护区内车辆卸载堆土的快速识别方法，其特征在于，所述步骤S5的具体操作如下：
车辆卸载堆土告警信息包括监测点编号、监测点地址、监测点负责人姓名、监测点负责人电话、车辆卸土作业图片、车辆卸土时间、车辆卸土体积等信息，告警信息通过有线或无线网络发送至管理人员。
CN202010221558.8A 2020-03-26 2020-03-26 一种保护区内车辆卸载堆土的快速识别方法 Active CN111310736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010221558.8A CN111310736B (zh) 2020-03-26 2020-03-26 一种保护区内车辆卸载堆土的快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010221558.8A CN111310736B (zh) 2020-03-26 2020-03-26 一种保护区内车辆卸载堆土的快速识别方法

Publications (2)

Publication Number Publication Date
CN111310736A true CN111310736A (zh) 2020-06-19
CN111310736B CN111310736B (zh) 2023-06-13

Family

ID=71157348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010221558.8A Active CN111310736B (zh) 2020-03-26 2020-03-26 一种保护区内车辆卸载堆土的快速识别方法

Country Status (1)

Country Link
CN (1) CN111310736B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734907A (zh) * 2020-12-30 2021-04-30 华东师范大学 一种超声或ct医学影像三维重建方法
CN112949106A (zh) * 2020-11-26 2021-06-11 中南大学 一种岩土工程地质地表移动变形状态的检测方法
CN113255494A (zh) * 2021-05-17 2021-08-13 开放智能机器（上海）有限公司 一种用于实时监测非法侵入车辆的方法以及系统
CN113358516A (zh) * 2021-04-21 2021-09-07 长江水利委员会长江科学院 适用于旱采监管的河道采砂管理系统
CN114590604A (zh) * 2022-01-28 2022-06-07 三一专用汽车有限责任公司 一种物料运输车辆监控方法、装置及物料运输车辆

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1493744A (zh) * 2002-10-28 2004-05-05 李兰英 一种路面结构层
JP2007267343A (ja) * 2006-03-01 2007-10-11 Nissan Motor Co Ltd 車両周辺画像提供装置および方法
CN101966846A (zh) * 2009-05-08 2011-02-09 通用汽车环球科技运作公司 通过物体检测优化的检测车辆行驶的畅通路径的方法
CN102834309A (zh) * 2010-02-26 2012-12-19 金泰克斯公司 自动车辆设备监控、报警和控制系统
CN102867411A (zh) * 2012-09-21 2013-01-09 博康智能网络科技股份有限公司 一种基于视频监控系统的出租车调度方法及调度系统
CN104166836A (zh) * 2014-05-08 2014-11-26 清华大学深圳研究生院 一种基于多特征建模的分块多尺度工程车识别方法及系统
CN105488454A (zh) * 2015-11-17 2016-04-13 天津工业大学 基于单目视觉的前方车辆检测与测距
GB2533581A (en) * 2014-12-22 2016-06-29 Ibm Image processing
CN105894701A (zh) * 2016-04-05 2016-08-24 江苏电力信息技术有限公司 输电线路防外破大型施工车辆的识别报警方法
CN106157574A (zh) * 2016-06-28 2016-11-23 福建南威软件有限公司 一种水政执法动态监控智能预警的方法
CN106844845A (zh) * 2016-12-15 2017-06-13 长江水利委员会长江科学院 考虑弯扭贡献效应的三维时效破裂模型构建方法
CN106878674A (zh) * 2017-01-10 2017-06-20 哈尔滨工业大学深圳研究生院 一种基于监控视频的停车检测方法及装置
CN107016820A (zh) * 2017-05-18 2017-08-04 南京云计趟信息技术有限公司 一种用于渣土车举升监测的视频识别方法
CN107071368A (zh) * 2017-05-18 2017-08-18 南京云计趟信息技术有限公司 一种用于渣土车举升卸货的视频监测方法
CN107122758A (zh) * 2017-05-11 2017-09-01 南宁市正祥科技有限公司 一种车型识别和车流量检测方法
CN107273880A (zh) * 2017-07-31 2017-10-20 秦皇岛玥朋科技有限公司 一种基于智能视频监控的立体车库安防系统及方法
CN108026714A (zh) * 2015-11-30 2018-05-11 住友重机械工业株式会社 施工机械用周边监视系统
CN108062349A (zh) * 2017-10-31 2018-05-22 深圳大学 基于视频结构化数据及深度学习的视频监控方法和系统
CN108777070A (zh) * 2018-06-14 2018-11-09 浙江希仁通信技术有限公司 基于车道网格和车辆采样的道路实时监测方法和系统
CN109345626A (zh) * 2018-10-31 2019-02-15 广西路桥工程集团有限公司 一种用于土石方测量及施工系统
CN110033479A (zh) * 2019-04-15 2019-07-19 四川九洲视讯科技有限责任公司 基于交通监控视频的交通流参数实时检测方法
CN110223511A (zh) * 2019-04-29 2019-09-10 合刃科技（武汉）有限公司 一种汽车路边违停智能监测方法及系统
CN110261573A (zh) * 2019-05-16 2019-09-20 同济大学 一种高位岩质滑坡稳定性动态数值评价方法
CN110610478A (zh) * 2019-07-24 2019-12-24 浙江大学 一种基于邻域拓扑的医学图像三维重建方法
CN110910420A (zh) * 2019-10-23 2020-03-24 同济大学 一种基于图像流的移动目标检测追踪方法

Patent Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1493744A (zh) * 2002-10-28 2004-05-05 李兰英 一种路面结构层
JP2007267343A (ja) * 2006-03-01 2007-10-11 Nissan Motor Co Ltd 車両周辺画像提供装置および方法
CN101966846A (zh) * 2009-05-08 2011-02-09 通用汽车环球科技运作公司 通过物体检测优化的检测车辆行驶的畅通路径的方法
CN102834309A (zh) * 2010-02-26 2012-12-19 金泰克斯公司 自动车辆设备监控、报警和控制系统
CN102867411A (zh) * 2012-09-21 2013-01-09 博康智能网络科技股份有限公司 一种基于视频监控系统的出租车调度方法及调度系统
CN104166836A (zh) * 2014-05-08 2014-11-26 清华大学深圳研究生院 一种基于多特征建模的分块多尺度工程车识别方法及系统
GB2533581A (en) * 2014-12-22 2016-06-29 Ibm Image processing
CN105488454A (zh) * 2015-11-17 2016-04-13 天津工业大学 基于单目视觉的前方车辆检测与测距
CN108026714A (zh) * 2015-11-30 2018-05-11 住友重机械工业株式会社 施工机械用周边监视系统
CN105894701A (zh) * 2016-04-05 2016-08-24 江苏电力信息技术有限公司 输电线路防外破大型施工车辆的识别报警方法
CN106157574A (zh) * 2016-06-28 2016-11-23 福建南威软件有限公司 一种水政执法动态监控智能预警的方法
CN106844845A (zh) * 2016-12-15 2017-06-13 长江水利委员会长江科学院 考虑弯扭贡献效应的三维时效破裂模型构建方法
CN106878674A (zh) * 2017-01-10 2017-06-20 哈尔滨工业大学深圳研究生院 一种基于监控视频的停车检测方法及装置
CN107122758A (zh) * 2017-05-11 2017-09-01 南宁市正祥科技有限公司 一种车型识别和车流量检测方法
CN107016820A (zh) * 2017-05-18 2017-08-04 南京云计趟信息技术有限公司 一种用于渣土车举升监测的视频识别方法
CN107071368A (zh) * 2017-05-18 2017-08-18 南京云计趟信息技术有限公司 一种用于渣土车举升卸货的视频监测方法
CN107273880A (zh) * 2017-07-31 2017-10-20 秦皇岛玥朋科技有限公司 一种基于智能视频监控的立体车库安防系统及方法
CN108062349A (zh) * 2017-10-31 2018-05-22 深圳大学 基于视频结构化数据及深度学习的视频监控方法和系统
CN108777070A (zh) * 2018-06-14 2018-11-09 浙江希仁通信技术有限公司 基于车道网格和车辆采样的道路实时监测方法和系统
CN109345626A (zh) * 2018-10-31 2019-02-15 广西路桥工程集团有限公司 一种用于土石方测量及施工系统
CN110033479A (zh) * 2019-04-15 2019-07-19 四川九洲视讯科技有限责任公司 基于交通监控视频的交通流参数实时检测方法
CN110223511A (zh) * 2019-04-29 2019-09-10 合刃科技（武汉）有限公司 一种汽车路边违停智能监测方法及系统
CN110261573A (zh) * 2019-05-16 2019-09-20 同济大学 一种高位岩质滑坡稳定性动态数值评价方法
CN110610478A (zh) * 2019-07-24 2019-12-24 浙江大学 一种基于邻域拓扑的医学图像三维重建方法
CN110910420A (zh) * 2019-10-23 2020-03-24 同济大学 一种基于图像流的移动目标检测追踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于激光扫描技术的车辆识别与三维重构系统" *
彭述平: "河滨软基场地高堆土施工监控" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949106A (zh) * 2020-11-26 2021-06-11 中南大学 一种岩土工程地质地表移动变形状态的检测方法
CN112734907A (zh) * 2020-12-30 2021-04-30 华东师范大学 一种超声或ct医学影像三维重建方法
CN112734907B (zh) * 2020-12-30 2022-07-08 华东师范大学 一种超声或ct医学影像三维重建方法
CN113358516A (zh) * 2021-04-21 2021-09-07 长江水利委员会长江科学院 适用于旱采监管的河道采砂管理系统
CN113255494A (zh) * 2021-05-17 2021-08-13 开放智能机器（上海）有限公司 一种用于实时监测非法侵入车辆的方法以及系统
CN114590604A (zh) * 2022-01-28 2022-06-07 三一专用汽车有限责任公司 一种物料运输车辆监控方法、装置及物料运输车辆
CN114590604B (zh) * 2022-01-28 2023-11-10 三一专用汽车有限责任公司 一种物料运输车辆监控方法、装置及物料运输车辆

Also Published As

Publication number Publication date
CN111310736B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN111310736B (zh) 一种保护区内车辆卸载堆土的快速识别方法
Kumar et al. Automated road markings extraction from mobile laser scanning data
CN104637073B (zh) 一种基于太阳照射阴影补偿的带状地下结构探测方法
CN102622886B (zh) 一种基于视频的车辆违章变道事件检测方法
CN110223302A (zh) 一种基于旋转区域提取的舰船多目标检测方法
CN111062361B (zh) 一种河湖岸线采砂监测分析的方法及装置
CN107045629A (zh) 一种多车道线检测方法
CN103714538B (zh) 道路边缘检测方法、装置及车辆
CN107092877A (zh) 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法
CN113536836A (zh) 一种基于无人机遥感技术监测河湖水域侵占方法
CN102842130B (zh) 由合成孔径雷达图像中检测建筑和提取数目信息的方法
CN102081801A (zh) 多特征自适应融合船舶跟踪和航迹检测方法
CN103206957B (zh) 车辆自主导航的车道线检测与跟踪方法
CN102324183A (zh) 基于复合虚拟线圈的车辆检测与抓拍方法
CN114821355B (zh) 海岸线自动化识别方法和装置
CN104063882A (zh) 一种基于双目的车辆视频测速方法
CN102024148A (zh) 一种出租车绿色标志识别方法
CN103049904B (zh) 一种图像提取方法及其系统、电子证书制作方法及其系统
CN103632376A (zh) 一种两级框架的车辆部分遮挡消除方法
Nazir et al. Kiln-net: A gated neural network for detection of brick kilns in South Asia
CN113378844A (zh) 工程垃圾堆放的分割方法、装置、设备及计算机存储介质
CN110349172B (zh) 基于图像处理和双目立体测距的输电线路防外破预警方法
CN111783690A (zh) 基于车辆密度感知的城市可行驶区域cim信息处理方法
CN112017432B (zh) 一种高速公路交通运行状态感知雷达的布设方法
CN104573655A (zh) 一种基于视频的盲道方向检测方法

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