CN111832548B - 一种列车定位方法 - Google Patents

一种列车定位方法 Download PDF

Info

Publication number
CN111832548B
CN111832548B CN202010603484.4A CN202010603484A CN111832548B CN 111832548 B CN111832548 B CN 111832548B CN 202010603484 A CN202010603484 A CN 202010603484A CN 111832548 B CN111832548 B CN 111832548B
Authority
CN
China
Prior art keywords
image
equal
track
target
positioning
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
Application number
CN202010603484.4A
Other languages
English (en)
Other versions
CN111832548A (zh
Inventor
吴松荣
韦若禹
郑英杰
胡洁宇
张皓琰
李若凡
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202010603484.4A priority Critical patent/CN111832548B/zh
Publication of CN111832548A publication Critical patent/CN111832548A/zh
Application granted granted Critical
Publication of CN111832548B publication Critical patent/CN111832548B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种列车定位方法，通过实时采集轨道内的图像，并采用轨道定位点图像检测模型，精确检测定位标志，实现精确定位，定位标志的选择灵活、方便，且减少了施工难度；通过轨道定位点图像检测模型初步筛选得到具备目标检测框的轨道位置图像，再对其进行特征提取、降维和聚类操作，多次筛选，得到准确的轨道定位点图像。

Description

一种列车定位方法
技术领域
本发明涉及图像处理领域，具体涉及一种列车定位方法。
背景技术
列车定位系统是轨道交通列车控制系统的重要组成部分，目前列车定位方法主要包括：里程数计算、轨道电路、无线电信标、GPS(全球定位系统)和北斗卫星定位这四种定位方法。
轨道电路和无线电信标是运用最广的定位方法，但是这两种方法基础建设投入巨大，并且这两种定位方法只能大致判断车辆所处的区间范围，无法判断车辆的精确位置。卫星定位方法受环境影响较大，如列车在隧道内行驶则无法进行定位。里程数定位方法是通过在轮轴上加装转速传感器，通过轮径和转速计算速度从而得到定位信息的方法，其会受到车轮磨损、因加速或刹车导致的车轮打滑的影响致使定位准确度下降。
发明内容
针对现有技术中的上述不足，本发明提供的一种列车定位方法解决了轨道电路和无线电信标存在投入巨大和位置判断不精确、卫星定位方法受环境影响较大以及里程数定位方法定位准确度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种列车定位方法，包括以下步骤：
S1、采集轨道定位点图像数据集；
S2、在图像数据集中画出目标框，框出定位标志，得到轨道定位点图像训练数据集；
S3、将训练数据集输入YOLO V3神经网络进行训练，得到轨道定位点图像检测模型；
S4、采集列车运行时轨道位置图像，并将其输入轨道定位点图像检测模型中，得到具备目标检测框的轨道位置图像；
S5、对具有目标检测框的轨道位置图像进行特征提取，得到目标检测框的特征数据；
S6、通过主成分分析法对特征数据进行数据降维处理，得到主成分变量；
S7、采用层次聚类法对主成分变量进行聚类，得到轨道位置图像的正确分类结果；
S8、对轨道位置图像的正确分类结果进行筛选，得到准确的轨道定位点图像，获取该图像的位置信息，实现列车定位。
进一步地，所述步骤S4包括以下分步骤：
S41、将轨道位置图像缩放，并划分成S*S个相同的单元格；
S42、在包含目标中心点的单元格生成B个边界框，通过B个边界框对该目标进行检测，得到多个预测边界框的置信度分数；
S＝P(Ci|Object)*P(Object)*IOU
其中，S为置信度分数，P(Cc|Object)为包含目标的单元格预测c类的类别概率，P(Object)为预测目标框中包含目标的概率，IOU为预测目标框与真实目标框的交并比；
S43、采用轨道定位点图像检测模型将多个预测边界框的置信度分数按大到小进行排序，并采用非极大值抑制算法处理排序后置信度分数，得到具备目标检测框的轨道位置图像。
进一步地，所述步骤S6包括以下分步骤：
S61、根据目标检测框的特征数据，得到样本初始矩阵；
S62、根据样本初始矩阵，计算其相关系数矩阵；
S63、采用雅克比迭代法计算相关系数矩阵的特征值；
S64、根据特征值，计算各成分的累计贡献率；
S65、筛选出各成分的累计贡献率超过贡献率阈值的成分，得到主成分变量。
进一步地，所述步骤S61中样本初始矩阵为：
Figure BDA0002559988770000031
其中，X为样本初始矩阵，p为特征数据的维度，n为具备目标检测框的轨道位置图像的数量，xli为样本初始矩阵中的元素，1≤l≤n，1≤i≤p，xi为第i个特征数据向量。
进一步地，所述步骤S62中相关系数矩阵为：
Figure BDA0002559988770000032
Figure BDA0002559988770000033
其中，R为样本初始矩阵的相关系数矩阵，ρij为xi与xj的相关系数，cov(xi，xj)为xi与xj的协方差，D(xi)为xi的方差，D(xj)为xj的方差，xi为第i个特征数据向量，xj为第j个特征数据向量，1≤i≤p，1≤j≤p，p为特征数据的维度。
进一步地，所述步骤S64中各成分的累计贡献率的计算公式为：
Figure BDA0002559988770000034
其中，Ag为前g个成分的累计贡献率，λk为相关系数矩阵的第k个特征值，1≤k≤p，1≤g≤p。
进一步地，所述步骤S7包括以下分步骤：
S71、将主成分变量构建成N个类；
S72、采用欧式距离计算两个类之间的相似度；
S73、根据相似度从强到弱连接相应节点对，形成树状图；
S74、横切树状图，得到轨道位置图像的正确分类结果。
进一步地，所述步骤S72中欧式距离的计算公式为：
Figure BDA0002559988770000041
其中，D为相似度，x1为其中一个类的横坐标，y1为其中一个类的纵坐标，x2为其中另一个类的横坐标，y2为其中另一个类的纵坐标。
综上，本发明的有益效果为：
(1)、通过实时采集轨道内的图像，并采用轨道定位点图像检测模型，精确检测定位标志，实现精确定位，定位标志的选择灵活、方便，且减少了施工难度；
(2)、通过轨道定位点图像检测模型初步筛选得到具备目标检测框的轨道位置图像，再对其进行特征提取、降维和聚类操作，多次筛选，得到准确的轨道定位点图像。
附图说明
图1为一种列车定位方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种列车定位方法，包括以下步骤：
S1、采集轨道定位点图像数据集；
S2、在图像数据集中画出目标框，框出定位标志，得到轨道定位点图像训练数据集；
S3、将训练数据集输入YOLO V3神经网络进行训练，得到轨道定位点图像检测模型；
S4、采集列车运行时轨道位置图像，并将其输入轨道定位点图像检测模型中，得到具备目标检测框的轨道位置图像；
所述步骤S4包括以下分步骤：
S41、将轨道位置图像缩放，并划分成S*S个相同的单元格；
S42、在包含目标中心点的单元格生成B个边界框，通过B个边界框对该目标进行检测，得到多个预测边界框的置信度分数；
S＝P(Ci|Object)*P(Object)*IOU
其中，S为置信度分数，P(Cc|Object)为包含目标的单元格预测c类的类别概率，P(Object)为预测目标框中包含目标的概率，IOU为预测目标框与真实目标框的交并比；
S43、采用轨道定位点图像检测模型将多个预测边界框的置信度分数按大到小进行排序，并采用非极大值抑制算法处理排序后置信度分数，得到具备目标检测框的轨道位置图像。
S5、对具有目标检测框的轨道位置图像进行特征提取，得到目标检测框的特征数据；
S6、通过主成分分析法对特征数据进行数据降维处理，得到主成分变量；
所述步骤S6包括以下分步骤：
S61、根据目标检测框的特征数据，得到样本初始矩阵；
所述步骤S61中样本初始矩阵为：
Figure BDA0002559988770000061
其中，X为样本初始矩阵，p为特征数据的维度，n为具备目标检测框的轨道位置图像的数量，xli为样本初始矩阵中的元素，1≤l≤n，1≤i≤p，xi为第i个特征数据向量。
S62、根据样本初始矩阵，计算其相关系数矩阵；
所述步骤S62中相关系数矩阵为：
Figure BDA0002559988770000062
Figure BDA0002559988770000063
其中，R为样本初始矩阵的相关系数矩阵，ρij为xi与xj的相关系数，cov(xi，xj)为xi与xj的协方差，D(xi)为xi的方差，D(xj)为xj的方差，xi为第i个特征数据向量，xj为第j个特征数据向量，1≤i≤p，1≤j≤p，p为特征数据的维度。
S63、采用雅克比迭代法计算相关系数矩阵的特征值；
S64、根据特征值，计算各成分的累计贡献率；
所述步骤S64中各成分的累计贡献率的计算公式为：
Figure BDA0002559988770000071
其中，Ag为前g个成分的累计贡献率，λk为相关系数矩阵的第k个特征值，1≤k≤p，1≤g≤p。
S65、筛选出各成分的累计贡献率超过贡献率阈值的成分，得到主成分变量。
S7、采用层次聚类法对主成分变量进行聚类，得到轨道位置图像的正确分类结果；
所述步骤S7包括以下分步骤：
S71、将主成分变量构建成N个类；
S72、采用欧式距离计算两个类之间的相似度；
所述步骤S72中欧式距离的计算公式为：
Figure BDA0002559988770000072
其中，D为相似度，x1为其中一个类的横坐标，y1为其中一个类的纵坐标，x2为其中另一个类的横坐标，y2为其中另一个类的纵坐标。
S73、根据相似度从强到弱连接相应节点对，形成树状图；
S74、横切树状图，得到轨道位置图像的正确分类结果。
S8、对轨道位置图像的正确分类结果进行筛选，得到准确的轨道定位点图像，获取该图像的位置信息，实现列车定位。
综上，本发明的有益效果为：
(1)、通过实时采集轨道内的图像，并采用轨道定位点图像检测模型，精确检测定位标志，实现精确定位，定位标志的选择灵活、方便，且减少了施工难度；
(2)、通过轨道定位点图像检测模型初步筛选得到具备目标检测框的轨道位置图像，再对其进行特征提取、降维和聚类操作，多次筛选，得到准确的轨道定位点图像。

Claims (1)

1.一种列车定位方法，其特征在于，包括以下步骤：
S1、采集轨道定位点图像数据集；
S2、在图像数据集中画出目标框，框出定位标志，得到轨道定位点图像训练数据集；
S3、将训练数据集输入YOLO V3神经网络进行训练，得到轨道定位点图像检测模型；
S4、采集列车运行时轨道位置图像，并将其输入轨道定位点图像检测模型中，得到具备目标检测框的轨道位置图像；
S5、对具有目标检测框的轨道位置图像进行特征提取，得到目标检测框的特征数据；
S6、通过主成分分析法对特征数据进行数据降维处理，得到主成分变量；
S7、采用层次聚类法对主成分变量进行聚类，得到轨道位置图像的正确分类结果；
S8、对轨道位置图像的正确分类结果进行筛选，得到准确的轨道定位点图像，获取该图像的位置信息，实现列车定位；
所述步骤S4包括以下分步骤：
S41、将轨道位置图像缩放，并划分成S*S个相同的单元格；
S42、在包含目标中心点的单元格生成B个边界框，通过B个边界框对该目标进行检测，得到多个预测边界框的置信度分数；
S＝P(Ci|Object)*P(Object)*IOU
其中，S为置信度分数，P(Cc|Object)为包含目标的单元格预测c类的类别概率，P(Object)为预测目标框中包含目标的概率，IOU为预测目标框与真实目标框的交并比；
S43、采用轨道定位点图像检测模型将多个预测边界框的置信度分数按大到小进行排序，并采用非极大值抑制算法处理排序后置信度分数，得到具备目标检测框的轨道位置图像；
所述步骤S6包括以下分步骤：
S61、根据目标检测框的特征数据，得到样本初始矩阵；
S62、根据样本初始矩阵，计算其相关系数矩阵；
S63、采用雅克比迭代法计算相关系数矩阵的特征值；
S64、根据特征值，计算各成分的累计贡献率；
S65、筛选出各成分的累计贡献率超过贡献率阈值的成分，得到主成分变量；
所述步骤S61中样本初始矩阵为：
Figure FDA0003773635690000021
其中，X为样本初始矩阵，p为特征数据的维度，n为具备目标检测框的轨道位置图像的数量，xli为样本初始矩阵中的元素，1≤l≤n，1≤i≤p，xi为第i个特征数据向量；
所述步骤S62中相关系数矩阵为：
Figure FDA0003773635690000022
Figure FDA0003773635690000023
其中，R为样本初始矩阵的相关系数矩阵，ρij为xi与xj的相关系数，cov(xi,xj)为xi与xj的协方差，D(xi)为xi的方差，D(xj)为xj的方差，xi为第i个特征数据向量，xj为第j个特征数据向量，1≤i≤p，1≤j≤p，p为特征数据的维度；
所述步骤S64中各成分的累计贡献率的计算公式为：
Figure FDA0003773635690000031
其中，Ag为前g个成分的累计贡献率，λk为相关系数矩阵的第k个特征值，1≤k≤p，1≤g≤p，p为特征数据的维度；
所述步骤S7包括以下分步骤：
S71、将主成分变量构建成N个类；
S72、采用欧式距离计算两个类之间的相似度；
S73、根据相似度从强到弱连接相应节点对，形成树状图；
S74、横切树状图，得到轨道位置图像的正确分类结果；
所述步骤S72中欧式距离的计算公式为：
Figure FDA0003773635690000032
其中，D为相似度，x1为其中一个类的横坐标，y1为其中一个类的纵坐标，x2为其中另一个类的横坐标，y2为其中另一个类的纵坐标。
CN202010603484.4A 2020-06-29 2020-06-29 一种列车定位方法 Active CN111832548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010603484.4A CN111832548B (zh) 2020-06-29 2020-06-29 一种列车定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010603484.4A CN111832548B (zh) 2020-06-29 2020-06-29 一种列车定位方法

Publications (2)

Publication Number Publication Date
CN111832548A CN111832548A (zh) 2020-10-27
CN111832548B true CN111832548B (zh) 2022-11-15

Family

ID=72899250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010603484.4A Active CN111832548B (zh) 2020-06-29 2020-06-29 一种列车定位方法

Country Status (1)

Country Link
CN (1) CN111832548B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663438A (zh) * 2022-05-26 2022-06-24 浙江银轮智能装备有限公司 轨道检测方法、系统、装置、存储介质和计算机程序产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016118672A2 (en) * 2015-01-20 2016-07-28 Solfice Research, Inc. Real time machine vision and point-cloud analysis for remote sensing and vehicle control
CN110059554A (zh) * 2019-03-13 2019-07-26 重庆邮电大学 一种基于交通场景的多支路目标检测方法
CN110175557A (zh) * 2019-05-24 2019-08-27 北京交通大学 基于驾驶特征群的驾驶员驾驶行为识别分类方法及系统
CN110503070A (zh) * 2019-08-29 2019-11-26 电子科技大学 基于航拍图像目标检测处理技术的交通自动化监测方法
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN111024072A (zh) * 2019-12-27 2020-04-17 浙江大学 一种基于深度学习的卫星地图辅助导航定位方法
CN111243022A (zh) * 2020-01-10 2020-06-05 成都协创信和科技有限公司 基于轨道路径上的底层绝对定位方法及定位系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9916508B2 (en) * 2015-03-12 2018-03-13 Toyota Jidosha Kabushiki Kaisha Detecting roadway objects in real-time images
US10628961B2 (en) * 2017-10-13 2020-04-21 Qualcomm Incorporated Object tracking for neural network systems
JP2020507137A (ja) * 2017-12-11 2020-03-05 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド 車両周辺の物体を識別して測位するためのシステムおよび方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016118672A2 (en) * 2015-01-20 2016-07-28 Solfice Research, Inc. Real time machine vision and point-cloud analysis for remote sensing and vehicle control
CN110059554A (zh) * 2019-03-13 2019-07-26 重庆邮电大学 一种基于交通场景的多支路目标检测方法
CN110175557A (zh) * 2019-05-24 2019-08-27 北京交通大学 基于驾驶特征群的驾驶员驾驶行为识别分类方法及系统
CN110503070A (zh) * 2019-08-29 2019-11-26 电子科技大学 基于航拍图像目标检测处理技术的交通自动化监测方法
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN111024072A (zh) * 2019-12-27 2020-04-17 浙江大学 一种基于深度学习的卫星地图辅助导航定位方法
CN111243022A (zh) * 2020-01-10 2020-06-05 成都协创信和科技有限公司 基于轨道路径上的底层绝对定位方法及定位系统

Also Published As

Publication number Publication date
CN111832548A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN107609525B (zh) 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法
CN108830188B (zh) 基于深度学习的车辆检测方法
EP3633615A1 (en) Deep learning network and average drift-based automatic vessel tracking method and system
CN110412635A (zh) 一种环境信标支持下的gnss/sins/视觉紧组合方法
Tao et al. Scene context-driven vehicle detection in high-resolution aerial images
CN110798805B (zh) 基于gps轨迹的数据处理方法、装置及存储介质
CN111931582A (zh) 基于图像处理的高速公路交通事件检测方法
CN105654139A (zh) 一种采用时间动态表观模型的实时在线多目标跟踪方法
CN111460919A (zh) 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法
CN110569843A (zh) 一种矿井目标智能检测与识别方法
CN115620518B (zh) 基于深度学习的交叉口交通冲突判别方法
CN110532546B (zh) 一种融合地理位置和文本相似性的警情自动下发方法
CN109284705A (zh) 一种交通监控视频的异常检测方法
CN101710422A (zh) 基于全局流形原型聚类算法与分水岭算法的图像分割方法
CN114440900A (zh) 改进的隐马尔科夫模型地图匹配方法及装置
CN110929670A (zh) 基于yolo3技术的渣土车洁净度视频识别分析方法
CN104778699A (zh) 一种自适应对象特征的跟踪方法
CN111598155A (zh) 一种基于深度学习的细粒度图像弱监督目标定位方法
CN111832548B (zh) 一种列车定位方法
CN114882069A (zh) 基于lstm网络和注意力机制的出租车轨迹异常检测方法
CN111310675A (zh) 基于卷积神经网络的高架识别辅助定位方法
CN116704490B (zh) 车牌识别方法、装置和计算机设备
CN112800934A (zh) 一种多类别工程车的行为识别方法及装置
CN112418118A (zh) 一种无监督桥下行人入侵检测方法及装置
CN115311617A (zh) 城轨车站区域客流信息获取方法及系统

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
GR01 Patent grant
GR01 Patent grant