CN111598024B - 一种基于图像的铁路限界区域识别方法 - Google Patents
一种基于图像的铁路限界区域识别方法 Download PDFInfo
- Publication number
- CN111598024B CN111598024B CN202010431402.2A CN202010431402A CN111598024B CN 111598024 B CN111598024 B CN 111598024B CN 202010431402 A CN202010431402 A CN 202010431402A CN 111598024 B CN111598024 B CN 111598024B
- Authority
- CN
- China
- Prior art keywords
- railway
- line
- pixel
- image
- distance
- 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
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了铁路异物侵限领域的一种基于图像的铁路限界区域识别方法,方法的步骤包括A,获取包含铁路的图像;B,从包含铁路场景的图像中提取出铁轨坐标;C,计算铁轨限界区域边缘线与铁轨之间的实际限界距离,所述限界距离包括当铁路线路为直线情况时的限界距离和当铁路线路为曲线情况时的限界距离;D,根据铁轨坐标和实际限界距离确定图像中限界区域。本发明提出的一种基于图像的铁路限界区域识别方法,提升了在铁路复杂场景下对铁路限界区域自动化识别的准确度,使得应用该方法的周界入侵监测等视频监控系统可以自动确定限界范围。
Description
技术领域
本发明涉及铁路异物侵限领域,特别是一种基于图像的铁路限界区域识别方法。
背景技术
随着我国的铁路建设进程迅速发展,列车在露天环境中高速行驶时触发行车安全问题的环境因素也明显增加,给铁路安全监控带来巨大的压力。其中异物侵限和周界入侵事件严重影响到列车的行车安全。异物侵限是指铁路线路周边影响正常行车的障碍物侵入铁路界限范围内,危及行车安全。周界入侵是指采用穿越、翻越、破坏等方式非法侵入高速铁路周界。
对于异物侵限和周界入侵事件的监测除了采用电网、光纤光栅等技术外,近年来随着铁路视频监控设施日趋完善,视频监控技术成为一种主流手段。视频监控技术通常是在划定区域内对铁路侵限异物进行监控,而划定的区域一般为铁路的建筑物基本限界区域。
建筑物基本限界是铁路行业的一个专有技术名词,是指一个和线路中心线垂直的极限横断面轮廓。在此轮廓内,除机车车辆和与机车车辆有相互作用的设备(车辆减速器,路签授受器,接触电线及其他)外,其他设备或建筑物均不得侵入。
采用视频监控手段监测异物侵限和周界入侵事件,就避免不了在图像中画限界区域。现有技术中铁路侵限限界划定主要包括两类方法,一类是基于视频分析的方法,另一类是防护网+电传感器或者光纤传感器的方法,相比较而言,由于现在铁路沿线覆盖了视频监控设备,基于视频分析的方法利用现有的设备就能完成监测,成本低廉,准确性较高。
但是存在的问题在于,目前一般采用手动方式在视频图像中划分限界区域,精度不高,影响图像识别结果,需找到一种自动划分限界区域的方法。并且,由于监控的对象是铁路沿线,根据相关标准,铁路限界的区域划分并不是完全相同的,根据铁路的区段有相应调整,而现有技术中并未针对铁路限界的特点进行适应性的改进,造成识别准确率不高。
发明内容
本发明为了克服上述不足之处,按照直线段和曲线段,分别确定了限界区域划分的计算方法,并且在图像预处理中进行了像素尺寸的统一,提出了一种基于图像的铁路限界区域识别方法。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于图像的铁路限界区域识别方法,步骤包括:
A,获取包含铁路的图像;并从包含铁路场景的图像中提取出铁轨坐标;
B,计算铁轨限界区域边缘线与铁轨之间的实际限界距离,实际限界距离包括当铁路线路为直线情况时的实际限界距离和当铁路线路为曲线情况时的实际限界距离;
C,根据铁轨坐标和实际限界距离确定图像中限界区域。
作为本发明的优选方案,实际限界距离的计算公式为M=(X-L)/2,其中,X是建筑物基本限界长度,L是轨距。
作为本发明的优选方案,当铁路线路为曲线情况时,建筑物基本限界长度计算公式为X=X0+2W,其中,X是建筑物基本限界长度,X0是标准轨距铁路的建筑物基本限界长度基准值,W是线路极限弯曲情况下单侧加宽量,W取W1和W2中较大的值,W1是轨道曲线内侧加宽量,W2是轨道曲线外侧加宽量。
进一步的,轨道曲线内侧加宽量的计算公式为:W1=40500/Ri+H1×H2/1500;轨道曲线外侧加宽量的计算公式为:W2=44000/Ri,其中,Ri是轨道曲率半径,H1是超高值,H2是计算点高度值。
进一步的,当铁路线路为曲线情况时,建筑物基本限界长度的取值范围是[4880,5986],单位为mm。
作为本发明的优选方案,步骤C中的步骤包括:
将实际限界距离转换为限界像素距离;
根据限界像素距离和铁轨坐标,确定限界边缘线的像素坐标。
根据预设的边界条件,确定限界区域。
作为本发明的优选方案,限界边缘线的像素坐标分为铁路右侧限界线的像素坐标和铁路左侧限界线的像素坐标,铁路右侧限界线的像素坐标为(D+xright,yright);铁路左侧限界线的像素坐标为(xleft-D,yleft),其中,(xright,yright)是铁轨坐标中的右侧内边缘线的像素坐标矩阵,(xleft,yleft)是铁轨坐标中的左侧内边缘线的像素坐标矩阵,D为限界像素距离。
进一步的,限界像素距离D的计算公式为:
D=AA'·M/L
其中:L是轨距,M表示在铁轨同侧其限界区域边缘线与铁轨之间的实际距离,A(xleft,yleft)、A'(xright,yright)两点分别表示图像中铁轨左右两条内边缘线上的点,AA'=xright-xleft,AA'表示在图像坐标系中,当yleft=yright时,轨距的像素距离。
作为本发明的优选方案,步骤C中的步骤还包括:当限界边缘线的像素坐标中的横坐标超出图像的像素点横坐标范围时,根据预设的边界条件,确定限界区域,
预设的边界条件设置的横坐标最大阈值为Pmax,横坐标最小阈值为Pmin;其中,Pmax设置为图像像素横坐标的最大值;Pmin设置为图像像素横坐标的最小值;
当铁路右侧限界线上像素坐标的横坐标大于等于Pmax时,则设定限界边缘线的像素坐标中的横坐标为Pmax;当铁路左侧限界线上像素坐标的横坐标小于等于Pmin时,则设定限界边缘线的像素坐标中的横坐标为Pmin。
基于相同的构思,本发明还提出了一种基于图像的铁路限界区域识别装置,包括至少一个处理器,以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任一项的方法。
与现有技术相比,本发明的有益效果:
1、本发明提出的一种基于图像的铁路限界区域识别方法,提升了在铁路复杂场景下对铁路限界区域识别的准确度,使得应用该方法的周界入侵监测等视频监控系统可以自动确定限界范围。进一步细化了铁路限界区域识别方法,根据相关标准,针对铁路直线情况下和曲线情况下的特点,进行限界划定,使得本发明的方法对铁路限界区域识别具有自适应性,提高了识别的准确率。
2、本发明的方法在识别前对获取的图像进行了像素尺寸的标准化处理,使得无论提取的图像是何种大小,均能采用后续的方法划定区域限界,并且当计算出的区域限界像素坐标超出范围时,给出了区域限界划定的依据。
附图说明:
图1为本发明实施例1中一种基于图像的铁路限界区域识别方法流程图;
图2为本发明实施例1中计算铁轨限界区域边缘线与同侧铁轨之间的实际距离的关系示意图;
图3为本发明实施例1中计算铁轨限界区域边缘线与同侧铁轨之间的像素距离的关系示意图。
标记说明:21-实际两条铁轨的内边缘线,22-实际建筑物基本限界区域边缘线,23-摄像机,24-图像中两条铁轨的内边缘线,25-图像中建筑物基本限界区域边缘线。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
一种基于图像的铁路限界区域识别方法的流程图如图1所示,该方法的步骤包括:
A,调整摄像头角度使拍摄画面正向面对铁轨,获取包含铁路场景的图像,并从所述包含铁路场景的图像中提取出铁轨坐标;
B,计算铁轨限界区域边缘线与铁轨之间的实际限界距离,所述实际限界距离包括当铁路线路为直线情况时的实际限界距离和当铁路线路为曲线情况时的实际限界距离;
C,根据所述铁轨坐标和所述限界距离在图像中确定限界区域。
进一步的,步骤A中的步骤包括:
S11,将获取的图像进行标准化图像尺寸调整,获取同一像素尺寸下的预处理图。主要的预处理过程为:通过铁路监控视频得到视频的图像序列,将图像序列拆分成视频帧图片,将每一视频帧图片作为输入,并调整每帧图像的像素尺寸为(m×n),其中,m是每帧图像的像素点的横坐标,n是每帧图像的像素点的纵坐标,作为优选方案,每帧图像的像素尺寸为500×375。
S12,对预处理后的视频帧图片进行二值化处理。
S13,将处理完的单通道二值化帧图片作为霍夫线变换的输入,进行霍夫线变换,获得霍夫线变换图;
S14,检测霍夫线变换图中是否包含两条铁轨的内外边缘共4条线,如果有则所述霍夫线变换图为包含铁路场景的图像,否则,该霍夫线变换图不能作为限界区域识别的图像,返回步骤S11,重新提取视频帧图片。
进一步的,步骤A中的步骤还包括:从霍夫线变换图中提取出铁轨内外边缘的像素坐标矩阵。
由于已经进行了像素点的尺寸统一变换,从步骤S14中包含铁路场景的图像的霍夫线变换图中,可以直接提取两条铁轨的内外边缘共4条线,得到4条线的像素坐标矩阵,其中,靠内的两条线定义为两条铁轨内边缘线,包括左侧内边缘线和右侧内边缘线;靠外的两条线定义为两条铁轨外边缘线,包括左侧外边缘线和右侧外边缘线,因此,可以提取出左侧内边缘线的像素坐标矩阵(xleft,yleft)和右侧内边缘线的像素坐标矩阵(xright,yright),用于后续限界区域的划定。
进一步的,步骤B中的步骤包括:计算铁轨限界区域边缘线与同侧铁轨之间的实际限界距离。
中华人民共和国国家标准《标准轨距铁路建筑限界》(GB 146.2-83)中写明:
(1)当铁路线路为直线情况下,轨距L=1435mm的标准轨距铁路的建筑物基本限界尺寸为4880mm。
(2)当铁路线路为曲线情况下,由于车体朝曲线内侧倾斜,会比在直线情况下的建筑物基本限界尺寸的基础上产生加宽量,曲线内侧加宽量较大,外侧加宽量较小。
根据上述(1),可以设置标准轨距铁路的建筑物基本限界长度基准值为X0,X0=4880mm作为铁路线路为直线情况下建筑物基本限界长度的优选取值。
根据上述(2),可以知道,线路曲线半径越小,代表线路弯曲程度越大,产生的加宽量就越大。通过采用铁路线路极限弯曲情况下的各项参数来在计算曲线内外两侧最大的加宽量。
轨道曲线内侧加宽量的计算公式为:W1=Wm+H1×H2/1500;
轨道曲线外侧加宽量的计算公式为:W2=We=44000/R;
其中,Wm是机车车辆中部最大偏移量,单位是毫米;We是机车车辆端部最大偏移量,单位是毫米;R是轨道曲率半径;H1是超高值;H2是计算点高度值。
作为优选方案,根据标准《GB 146.1-1983标准轨距铁路机车车辆限界》可知,机车车辆中部最大偏移量计算公式为:
Wm=(Q2/8R+S2/8R)×1000
机车车辆端部最大偏移量计算公式为:
We=((N2-Q2)/8R+S2/8R)×1000
式中:N是车体长度,单位是米;Q是转向架中心距,单位是米;S是转向架轴距,单位是米;R是计算曲线半径,通常R设定为300米。
通常取N=26m,Q=18m,S=0,带入车车辆中部最大偏移量和机车车辆端部
最大偏移量计算公式中,得到:
Wm=40500/R
We=44000/R
因此,轨道曲线内侧加宽量的计算公式为W1=40500/Ri+H1×H2/1500;轨道曲线外侧加宽量的计算公式为:W2=44000/Ri,其中,Ri是轨道曲率半径,H1是超高值,H2是计算点高度值。
各项参数如下表所示:
R曲线半径(m) | H1超高值(mm) | H2计算点高度(mm) |
200 | 175 | 3000 |
带入表格中的数值计算得到:W1=553mm,W2=220mm。表示极限弯曲情况下,曲线内侧最大加宽量为553mm,曲线外侧最大加宽量为220mm。
因为不确定线路左、右线哪侧是曲线的内侧和外侧,因此本方法中线路极限弯曲情况下单侧加宽量W取W1和W2之间的最大值,若采用表格中的数据,此时,W=553mm。故当铁路线路为曲线情况时,单侧加宽量W的取值范围为[0,553],单位为mm。由图2可知单侧轨道实际限界距离的计算公式为M=(X-L)/2,其中,X是建筑物基本限界长度,L是轨距。当铁路线路为直线情况时,实际限界距离计算值为:Mz=(X0-L0)/2=(4880-1435)/2=1722.5mm,其中,X0=4880mm,L0=1435mm。当铁路线路为曲线情况时,实际限界距离的计算公式为M=(X-L)/2,建筑物基本限界长度计算公式为X=X0+2W,则Mq=(X0+2W-L)/2,W的取值范围在[0,553],单位为mm。其中,X是线路弯曲时建筑物基本限界长度,X0是标准轨距铁路的建筑物基本限界长度基准值,L是轨距,W是线路极限弯曲情况下单侧加宽量,W取W1和W2中较大的值,W1是轨道曲线内侧加宽量,W2是轨道曲线外侧加宽量。加入加宽量(W=553mm)之后,轨距L=1435mm时,标准轨距铁路的建筑物基本限界长度的最大值为Xmax=4880+2W=4880+1106=5986mm。
综上所述,建筑物基本限界长度X的取值范围是[4880,5986],单位为mm。
进一步的,步骤B中的步骤包括:将实际限界距离转换为限界像素距离;根据像素距离和所述铁轨坐标,确定限界边缘线的像素坐标。
由图2铁轨限界区域边缘线与同侧铁轨之间的实际距离的关系示意图所示,21为实际两条铁轨的内边缘线,22为实际建筑物基本限界区域边缘线。可以得到图2相应的像素距离,如图3铁轨限界区域边缘线与同侧铁轨之间的像素距离的关系示意图所示,23为摄像机,24为图像中两条铁轨的内边缘线,25为图像中建筑物基本限界区域边缘线。可以知道,虽然图1是实际限界距离,而图2是像素距离,但是图1和图2中各部分之间的比例关系是相等的,于是图1与图2有以下换算关系成立:
D/AA'=M/L
其中:L是轨距,M表示在铁轨同侧其限界区域边缘线与铁轨之间的实际距离,A(xleft,yleft)、A'(xright,yright)两点分别表示图像中铁轨左右两条内边缘线上的点,AA'=xright-xleft,AA'表示在图像坐标系中,当yleft=yright时,轨距的像素距离;D表示在图像中,铁轨同侧其限界区域边缘线与铁轨之间的像素距离,当铁路为直线段时,Mz=1722.5mm,当铁路为曲线段时,Mq=(X0+2W-L)/2=(3445+2W)/2,W的取值范围在[0,553],单位为mm。
因此,当yleft=yright=y时,得到铁路右侧限界线上一点的像素坐标为(D+xright,yright);铁路左侧限界线上像素坐标为(xleft-D,yleft),由上述铁路左右侧限界线上的像素坐标,即可得到限界区域,其中,(xright,yright)是所述铁轨坐标中的右侧内边缘线的像素坐标矩阵,(xleft,yleft)是所述铁轨坐标中的左侧内边缘线的像素坐标矩阵,D为所述限界像素距离。
特殊的,当铁路处于直线段时,即D=1.2·(xright-xleft),此时铁路右侧限界线上像素坐标为(2.2xright-1.2xleft,yright),铁路左侧限界线上像素坐标为(2.2xleft-1.2xright,yleft)。
通常情况下,根据铁路左右侧限界线上的像素坐标,就可以得到限界区域,然后,还需要考虑到计算出的铁路左右侧限界线上的像素坐标超出原图片像素尺寸范围的情况,因此设定了边界条件。
设定边界条件的横坐标最大阈值为Pmax,横坐标最小阈值为Pmin;其中,Pmax设置为图像像素横坐标的最大值;Pmin设置为图像像素横坐标的最小值;
当铁路右侧限界线上像素坐标的横坐标D+xright大于或等于Pmax时,则设定铁路右侧限界线的像素坐标的横坐标为Pmax,此时铁路右侧限界线的像素坐标为(Pmax,yright)。
当铁路左侧限界线上像素坐标的横坐标xleft-D小于或等于Pmin时,则设定铁路左侧限界线的像素坐标的横坐标为Pmin,此时铁路左侧限界线的像素坐标为(Pmin,yleft)。左右两条限界区域边缘线围起来的区域为限界区域。
作为优选方案,可以设置Pmax=500,Pmin=0,则当D+xright≥500时,铁路右侧限界线的像素坐标为(500,yright);当xleft-D≤0时,铁路左侧限界线的像素坐标为(0,yleft),铁路右侧限界线的像素坐标和铁路左侧限界线的像素坐标为围起来的区域为限界区域。
特殊的,当铁路为直线段时,铁路右侧限界区域边缘线的像素坐标矩阵为(2.2xright-1.2xleft,yright),若2.2xright-1.2xleft≥500,则令当前点的坐标为(500,yright);铁路左侧限界区域边缘线的像素坐标矩阵为(2.2xleft-1.2xright,yleft),若2.2xleft-1.2xright≤0,则令当前点的坐标为(0,yleft),左右两条限界区域边缘线围起来的区域为限界区域。
以上所述,仅为本发明具体实施方式的详细说明,而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下,做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像的铁路限界区域识别方法,其特征在于,步骤包括:
A,获取包含铁路的图像;并从所述包含铁路场景的图像中提取出铁轨坐标;
B,计算铁轨限界区域边缘线与铁轨之间的实际限界距离,所述实际限界距离包括当铁路线路为直线情况时的实际限界距离和当铁路线路为曲线情况时的实际限界距离;
C,根据所述铁轨坐标和所述实际限界距离确定图像中限界区域;
步骤C中的步骤包括:
将所述实际限界距离转换为限界像素距离;
根据所述限界像素距离和所述铁轨坐标,确定限界边缘线的像素坐标;
根据预设的边界条件,确定限界区域;
所述限界边缘线的像素坐标分为铁路右侧限界线的像素坐标和铁路左侧限界线的像素坐标,所述铁路右侧限界线的像素坐标为(D+xright,yright);所述铁路左侧限界线的像素坐标为(xleft-D,yleft),其中,(xright,yright)是所述铁轨坐标中的右侧内边缘线的像素坐标矩阵,(xleft,yleft)是所述铁轨坐标中的左侧内边缘线的像素坐标矩阵,D为所述限界像素距离;
所述限界像素距离D的计算公式为:
D=AA'·M/L
其中:L是轨距,M表示在铁轨同侧其限界区域边缘线与铁轨之间的实际距离,A(xleft,yleft)、A'(xright,yright)两点分别表示图像中铁轨左右两条内边缘线上的点,AA'=xright-xleft,AA'表示在图像坐标系中,当yleft=yright时,轨距的像素距离。
2.如权利要求1所述的一种基于图像的铁路限界区域识别方法,其特征在于,所述实际限界距离的计算公式为M=(X-L)/2,其中,X是建筑物基本限界长度,L是轨距。
3.如权利要求2所述的一种基于图像的铁路限界区域识别方法,其特征在于,当铁路线路为曲线情况时,所述建筑物基本限界长度计算公式为X=X0+2W,其中,X是建筑物基本限界长度,X0是标准轨距铁路的建筑物基本限界长度基准值,W是线路极限弯曲情况下单侧加宽量,W取W1和W2中较大的值,W1是轨道曲线内侧加宽量,W2是轨道曲线外侧加宽量。
4.如权利要求3所述的一种基于图像的铁路限界区域识别方法,其特征在于,所述轨道曲线内侧加宽量的计算公式为:W1=40500/Ri+H1×H2/1500;所述轨道曲线外侧加宽量的计算公式为:W2=44000/Ri,其中,Ri是轨道曲率半径,H1是超高值,H2是计算点高度值。
5.如权利要求3所述的一种基于图像的铁路限界区域识别方法,其特征在于,当铁路线路为曲线情况时,所述建筑物基本限界长度的取值范围是[4880,5986],单位为mm。
6.如权利要求1所述的一种基于图像的铁路限界区域识别方法,其特征在于,步骤C中的步骤还包括:当所述限界边缘线的像素坐标中的横坐标超出图像的像素点横坐标范围时,根据预设的边界条件,确定限界区域,
所述预设的边界条件设置的横坐标最大阈值为Pmax,横坐标最小阈值为Pmin;其中,Pmax设置为图像像素横坐标的最大值;Pmin设置为图像像素横坐标的最小值;
当铁路右侧限界线上像素坐标的横坐标大于等于Pmax时,则设定所述限界边缘线的像素坐标中的横坐标为Pmax;当铁路左侧限界线上像素坐标的横坐标小于等于Pmin时,则设定所述限界边缘线的像素坐标中的横坐标为Pmin。
7.一种基于图像的铁路限界区域识别装置,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431402.2A CN111598024B (zh) | 2020-05-20 | 2020-05-20 | 一种基于图像的铁路限界区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431402.2A CN111598024B (zh) | 2020-05-20 | 2020-05-20 | 一种基于图像的铁路限界区域识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598024A CN111598024A (zh) | 2020-08-28 |
CN111598024B true CN111598024B (zh) | 2023-04-07 |
Family
ID=72190439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010431402.2A Active CN111598024B (zh) | 2020-05-20 | 2020-05-20 | 一种基于图像的铁路限界区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598024B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114248819B (zh) * | 2020-09-25 | 2023-12-29 | 中车株洲电力机车研究所有限公司 | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 |
CN117011322B (zh) * | 2023-09-26 | 2024-02-23 | 天津七一二移动通信有限公司 | 一种基于图像的铁路入侵物体识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5018212A (en) * | 1988-03-25 | 1991-05-21 | Texas Instruments Incorporated | Defect area consolidation for pattern inspector |
CN105933611A (zh) * | 2016-06-29 | 2016-09-07 | 南京雅信科技集团有限公司 | 轨道异物侵限识别中防摄像头抖动的动态包络线绘制方法 |
CN106960179A (zh) * | 2017-02-24 | 2017-07-18 | 北京交通大学 | 轨道交通线路环境安全智能监测方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737252B (zh) * | 2012-06-01 | 2014-05-28 | 西南交通大学 | 基于仿射不变矩的电气化铁路绝缘子片间异物污染故障检测方法 |
CN104590319B (zh) * | 2014-06-11 | 2016-07-06 | 北京交通大学 | 异物侵入检测装置和异物侵入检测方法 |
CN104787084B (zh) * | 2015-04-16 | 2017-06-23 | 北京交通大学 | 一种铁路异物侵限检测系统及检测方法 |
JP6699179B2 (ja) * | 2016-01-06 | 2020-05-27 | サクサ株式会社 | 画像処理装置 |
CN110516532B (zh) * | 2019-07-11 | 2022-03-11 | 北京交通大学 | 基于计算机视觉的无人机铁路轨道线路识别方法 |
CN110989026A (zh) * | 2019-11-16 | 2020-04-10 | 南京派光智慧感知信息技术有限公司 | 一种用于跨铁路桥的安全监测方法 |
CN111160125B (zh) * | 2019-12-11 | 2023-06-30 | 北京交通大学 | 基于铁路监控的铁路异物入侵检测方法 |
-
2020
- 2020-05-20 CN CN202010431402.2A patent/CN111598024B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5018212A (en) * | 1988-03-25 | 1991-05-21 | Texas Instruments Incorporated | Defect area consolidation for pattern inspector |
CN105933611A (zh) * | 2016-06-29 | 2016-09-07 | 南京雅信科技集团有限公司 | 轨道异物侵限识别中防摄像头抖动的动态包络线绘制方法 |
CN106960179A (zh) * | 2017-02-24 | 2017-07-18 | 北京交通大学 | 轨道交通线路环境安全智能监测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111598024A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Defect detection of pantograph slide based on deep learning and image processing technology | |
CN111598024B (zh) | 一种基于图像的铁路限界区域识别方法 | |
CN109489584B (zh) | 一种基于3d技术的隧道限界检测系统及隧道限界识别方法 | |
EP3321860B1 (en) | Method and system for identifying train number and model, and safety check method and system | |
CN107678036B (zh) | 一种车载非接触式接触网几何参数动态检测系统及方法 | |
CN103149222A (zh) | 射线实时成像中缺陷检测方法 | |
CN111274843A (zh) | 基于监控视频的货车超载监测方法及系统 | |
CN110120155A (zh) | 一种化工厂区车辆超限超载智能监控报警系统 | |
CN109934135B (zh) | 一种基于低秩矩阵分解的铁轨异物检测方法 | |
CN113465541A (zh) | 一种接触线磨耗测量方法及系统 | |
CN113012335A (zh) | 一种基于YOLOv3人脸检测的地铁站台引导排队系统 | |
CN113112470A (zh) | 一种基于人工智能的冷轧过程钢材弯曲检测分析方法 | |
CN113487561B (zh) | 基于灰度梯度异常投票的受电弓异物检测方法及装置 | |
CN111127381B (zh) | 一种受电弓滑板不平行检测方法 | |
CN113433560B (zh) | 一种机器人侧边巡检的定位方法、装置、电子设备及介质 | |
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 | |
CN107038702A (zh) | 基于三背景建模的三重差分的铁路轨道异物侵限检测方法 | |
CN114882452B (zh) | 轨道线路安全监测方法、列车运行控制方法及控制系统 | |
CN114030395B (zh) | 一种接触悬挂吊弦区域异物检测方法及系统 | |
CN107150701A (zh) | 列车车轮几何尺寸测量方法及其检测装置 | |
CN109064417B (zh) | 地铁隧道图像处理方法及装置 | |
CN115857040A (zh) | 一种机车车顶异物动态视觉检测装置及方法 | |
CN112097693A (zh) | 一种基于无人机的直线度测量系统及方法 | |
CN116091870B (zh) | 从板座破损故障识别检测网络训练及检测方法、系统及介质 | |
CN112614351B (zh) | 基于机器视觉的货车超载检测系统及方法 |
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 |