CN112164116A - 一种基于改进fcm算法的列车定位方法及系统 - Google Patents

一种基于改进fcm算法的列车定位方法及系统 Download PDF

Info

Publication number
CN112164116A
CN112164116A CN202011029723.6A CN202011029723A CN112164116A CN 112164116 A CN112164116 A CN 112164116A CN 202011029723 A CN202011029723 A CN 202011029723A CN 112164116 A CN112164116 A CN 112164116A
Authority
CN
China
Prior art keywords
sample
track
positioning
train
picture
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
CN202011029723.6A
Other languages
English (en)
Inventor
吴松荣
李振伟
徐睿
衡熙丹
刘洋
康世豪
张皓琰
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 CN202011029723.6A priority Critical patent/CN112164116A/zh
Publication of CN112164116A publication Critical patent/CN112164116A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种基于改进FCM算法的列车定位方法及系统，训练关于定位点物体的识别模型，利用识别模型对列车行进过程中采集的轨道区域图片信息进行定位点物体识别，通过计算机对图像进行处理进而识别出具有独立特征的定位点物体，从而得知其包含的绝对位置信息，实现列车的绝对定位。本发明无需在铁路轨道上添加其他设备，具有施工简单和降低维护成本的优势，且提高了行车安全性和可靠性，改善了定位点的误报情况。

Description

一种基于改进FCM算法的列车定位方法及系统
技术领域
本发明涉及图像识别及定位技术领域，具体涉及一种基于改进FCM算法的列车定位方法及系统。
背景技术
目前轨道交通领域中对于列车的绝对定位主要有信标定位、卫星、计轴和轨道电路等技术方案。信标定位，信标是安装在线路沿线反映线路绝对位置的物理标志，信标类似于非接触式IC卡，在列车经过信标所在位置时，车载天线发射的电磁波激励信标工作，并传递绝对位置信息给列车。卫星定位，包括北斗/GPS等无线电导航系统，卫星作为最早应用于导航定位系统的高新技术，有着在全球范围内、在任意时刻、任意气象条件下为用户提供连续不断的高精度三维位置、速度和时间信息的特点。计轴和轨道电路定位原理，在线路设计时，根据用户对列车运行密度的要求，将整个线路分割成若干个轨道区段，并对所有轨道区段进行统一编号。
传统的绝对定位方法存在许多缺点，信标定位法的信标布置间距与投资规模相矛盾，轨道电路法的定位精度较低，GPS的抗干扰能力弱。
采用深度卷积神经网络模型来识别轨道定位点(指轨道路径上具有独立特征的物体)时，由于受到定位点样本量较少和复杂线路环境等影响，模型检测结果中往往会存在误报的情况，这就会给列车的运行留下安全隐患。故需要增加一种辅助手段来进一步区分出模型检测结果中的定位点图片与误报点图片。此外，传统FCM算法事先假定待分析样本的每一维特征量对分类的贡献都是相同的，忽略了各特征量对分类结果的不同影响。
发明内容
本发明为了克服上述问题提出一种基于改进FCM算法的列车定位方法及系统，通过下述技术方案实现：
一种基于改进FCM算法的列车定位方法，包括如下步骤：
S1、获取轨道路径上的轨道区域图片并进行预处理；
S2、根据预处理后的轨道区域图片训练定位点物体识别模型，利用改进FCM算法对识别模型进行聚类优化；
S3、利用训练完成的识别模型识别列车行进过程中所采集的轨道区域图片中的定位点物体的类别和对应类别的数量；
S4、根据所识别的定位点物体的绝对位置信息确定列车当前的绝对位置。
本发明的有益效果是，通过使用改进FCM算法改善了原有基于深度卷积神经的YOLO V3目标检测算法识别轨道定位点中存在的定位点和误报点问题，提高了列车运行的安全性和可靠性。
进一步的，轨道区域图片包括轨道路径上定位点物体图片和任意位置的轨道图片，其中，定位点物体为轨道路径上具有独立特征的物体，包括轨道沿线的弹条、螺栓、电缆、道钉、轨枕中的一种或多种组合。
上述进一步方案的有益效果是，可以灵活选择定位点物体，无需增设其它装置，节约了安装成本和维护成本，同时定位点物体目标明确且可靠性高。
进一步的，步骤S1中预处理方法具体如下：
通过旋转、裁剪、调节对比度、亮度、色调、增噪以及伽马变换对特征物品样本进行处理，通过不同的处理方式得到一张对应的处理后的图片；
将分别经过上述手段处理后的多张图片分为训练数据集和检测集；
选用任意位置的轨道图片加入训练数据集，形成最终的训练样本集。
上述进一步方案的有益效果是，对训练样本进行扩充，使模型在进行训练的时候拥有足够多的参考量，并且能适应各种复杂线路环境下的目标识别。
进一步的，步骤S2中识别模型采用基于darknet-53框架的YOLOV3算法进行训练，具体方法为：
根据定位点目标尺寸优化YOLOV3网络结构及输入尺寸；
采集轨道区域图片，通过预处理方法对图片训练样本进行扩充；
使用改进FCM算法对训练集聚类分析，并通过手肘法获得三组最优的先验框尺寸；
通过定位点物体参数及轨道图片特征，优化识别模型的训练参数。
上述进一步方案的有益效果是，改进后的YOLO V3算法在召回率和检测速度方面有明显改善，实现以一种低成本、实时及可靠的方式对列车进行绝对定位。
进一步的，步骤S2中的改进FCM算法为：采用ReliefF算法为训练样本的每一个特征引入相应的权重，具体方法为包括，
从训练样本集中随机抽取一个样本R；
从与R同类的样本集中根据隶属度大小找出多个与样本R最近邻样本集合Ai，并从与R不同类的样本集中找出多个与样本R最近邻样本Bi；
根据权重更新规则对样本R中每个特征的权重值进行更新；
重复上述步骤最终求得样本R各特征的权重值。
上述进一步方案的有益效果是，解决深度卷积神经网络模型检测结果中存在的误报问题，根据样本集聚类效果的不同就可以区分定位点和误报点，让模型具备区别样本集，即轨道图片集中正确识别的定位点和误报点的能力。
进一步的，权重更新规则为：
若R与Ai中某一个最近邻样本在任意特征上的距离小于R与Bi中任意最近邻样本在相应特征上的距离，则增加该特征的权重；
若R与Ai中某一个最近邻样本在任意特征上的距离大于或等于R与Bi中任意最近邻样本在相应特征上的距离，则降低该特征的权重。
本发明还提供一种基于改进FCM算法的列车定位系统，用以提供定位方法的实施主体，包括：
采集模块，用于获取轨道路径上的轨道区域图片并进行预处理；
训练模块，用于根据预处理后的轨道区域图片训练定位点物体识别模型，利用改进FCM算法对识别模型进行聚类优化；
识别模块，用于利用训练完成的识别模型识别列车行进过程中所采集的轨道区域图片中的定位点物体的类别和对应类别的数量；
定位模块，用于根据所识别的定位点物体的绝对位置信息确定列车当前的绝对位置。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的定位方法流程示意图。
图2为本发明的定位系统结构示意图。
具体实施方式
在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
一种基于改进FCM算法的列车定位方法，如图1所示，包括如下步骤：
S1、获取轨道路径上的轨道区域图片并进行预处理，具体而言，
轨道区域图片包括轨道定位点物体图片和任意位置的轨道图片。轨道定位点物体是指轨道路径上具有独立特征的物体，比如轨道沿线的弹条、螺栓、电缆、道钉、轨枕中的一种或多种组合；任意位置的轨道图片为误报点图片，在误报点图片中的特征物体是误识别的物体，而不是实际预先标定的。
在轨道路径中，轨道定位点物体的组合多种多样，需要识别出的类别以及计算出这些类别各自的数量，类别和数量都必须和定位点标志图像相同时才可以被确认为该定位点以轨道区域图片为依据。
在本实施例里识别模型的训练需要收集轨道路径上具有独立特征的定位点物体图片和任意位置的轨道图片作为训练数据集，训练算法识别出定位点目标物体的类别。轨道路径上的定位点物体的获取采用车头位置的高速摄像头获取，定位点物体的目标框信息由MATLAB图像处理工具从视频影像中获取，具体包括目标框的数量、相对位置、长宽比和面积。在同一个图片中，定位点标志数量越多其定位精度也越高。
在实际使用过程中，由于定位点样本量较少以及复杂线路环境的影响，需要对训练样本进行扩充，其具体的方法为：
首先通过旋转、裁剪、调节对比度、亮度、色调、增噪以及伽马变换对特征物品样本进行处理，通过不同的处理方式得到一张对应的处理后的图片；
然后将分别经过上述手段处理后的多张图片分为训练数据集和检测集；
最后，为了保证样本的均衡性，选用任意位置的轨道图片，形成最终的训练样本集。
S2、根据预处理后的轨道区域图片训练定位点物体识别模型，利用改进FCM算法对识别模型进行聚类优化。
在本方案中，定位点物体的识别模型采用基于Darknet-53框架的YOLOV3算法进行训练，Darknet-53框架中包括52个卷积层和1个全连接层，YOLOV3算法的特征提取网络采用该框架的前52个卷积层，其中包含了5个残差块，每一个残差块包括多个残差单元，而每个残差单元包括多个DBL单元，其具体的识别方法为：
根据定位点目标尺寸优化YOLOV3网络结构及输入尺寸，以匹配完整的定位点目标；
进行轨道区域图片采集后，利用预处理对图片样本进行扩充，形成训练样本集；
使用改进FCM算法对训练样本进行聚类优化，并通过手肘法获得三组最优的先验框尺寸，识别定位点物体类别和数量；
通过定位点物体参数及轨道图片特征，调优网络的训练参数。
在本方案中，考虑到使用过程中模型监测结果会存在误报的问题，而模型本身不会判断是否有误报情况的发生，故而增加了一种辅助手段来进一步区分出模型检测结果中的定位点图片与误报点图片。传统FCM算法事先假定待分析样本的每一维特征量对分类的贡献都是相同的，忽略了各特征量对分类结果的不同影响。因此，在本方案中采用ReliefF算法为定位点物体的每一个特征引入对应权重值并将该权重值引入到原FCM算法的欧氏距离公式中，提升传统FCM算法的聚类效果，具体方法为：
从训练样本集中随机抽取一个样本R；
从与R同类的样本集中根据隶属度大小找出多个与样本R最近邻样本集合Ai，并从与R不同类的样本集中找出多个与样本R最近邻样本Bi；
根据如下规则更新样本R中各特征的权重值：
若R与Ai中某一个最近邻样本在任意特征上的距离小于R与Bi中任意最近邻样本在相应特征上的距离，则表明该特征对区分同类和不同类的最近邻样本是有益的，需要增加该特征的权重；
若R与Ai中某一个最近邻样本在任意特征上的距离大于或等于R与Bi中任意最近邻样本在相应特征上的距离，则表明该特征对区分同类和不同类的最近邻样本是无益的，需要降低该特征的权重。
重复上述步骤最终求得样本R各特征的权重值。
该算法的核心是通过优化目标函数来获得每个数据点相对聚类中心的隶属度，根据样本集聚类效果的不同就可以区分定位点和误报点，以此改进的FCM算法来解决深度卷积神经网络模型检测结果中存在的误报问题，让模型具备区别样本集，即轨道图片集中正确识别的定位点和误报点的能力。
S3、利用训练完成的识别模型识别列车行进过程中所采集的轨道区域图片中的定位点物体的类别和对应类别的数量。列车行进过程中采集的轨道区域图片中，包含了定位点物体和大量的误报点图片，识别模型需要识别出其中定位点物体图片，则可以确定当前帧画面为定位点物体图像。
S4、根据所识别的定位点物体的位置确定列车当前的绝对位置。每一个确定的定位点物体均包含了其自身的绝对位置信息，识别出了定位点物体能确定列车的当前位置。
实施例2
本实施例提供一种应用上述方法的列车定位系统，如图2所示，包括
采集模块，用于获取轨道路径上的轨道区域图片并进行预处理；
训练模块，用于根据预处理后的轨道区域图片训练定位点物体识别模型，利用改进FCM算法对识别模型进行聚类优化；
识别模块，用于利用训练完成的识别模型识别列车行进过程中所采集的轨道区域图片中的定位点物体的类别和对应类别的数量；
定位模块，用于根据所识别的定位点物体的绝对位置信息确定列车当前的绝对位置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于改进FCM算法的列车定位方法，其特征在于，包括如下步骤：
S1、获取轨道路径上的轨道区域图片并进行预处理；
S2、根据预处理后的轨道区域图片训练定位点物体识别模型，利用改进FCM算法对识别模型进行聚类优化；
S3、利用训练完成的识别模型识别列车行进过程中所采集的轨道区域图片中的定位点物体的类别和对应类别的数量；
S4、根据所识别的定位点物体的绝对位置信息确定列车当前的绝对位置。
2.根据权利要求1所述的一种基于改进FCM算法的列车定位方法，其特征在于，所述步骤S1中的轨道区域图片包括轨道定位点物体图片和任意位置的轨道图片；其中，轨道定位点物体为轨道上具有独立特征的物体，包括弹条、螺栓、电缆、道钉、轨枕中的一种或多种组合。
3.根据权利要求2所述的一种基于改进FCM算法的列车定位方法，其特征在于，所述步骤S1中的预处理方法包括如下步骤：
通过旋转、裁剪、调节对比度、亮度、色调、增噪以及伽马变换对采集的轨道区域图片进行处理，通过不同的处理方式得到一张对应的处理后的图片；
将分别经过上述手段处理后的多张图片分为训练数据集和检测集；
选用任意位置的轨道图片加入训练数据集，形成最终的训练样本集。
4.根据权利要求1所述的一种基于改进FCM算法的列车定位方法，其特征在于，所述步骤S2中识别模型采用基于Darknet-53框架的YOLOV3算法进行训练，具体方法为：
根据定位点目标尺寸优化YOLOV3网络结构及输入尺寸；
采集轨道区域图片，通过预处理方法对图片训练样本进行扩充；
使用改进FCM算法对训练集聚类分析，并通过手肘法获得三组最优的先验框尺寸；
通过定位点物体参数及轨道图片特征，优化识别模型的训练参数。
5.根据权利要求4所述的一种基于改进FCM算法的列车定位方法，其特征在于，所述步骤S2中的识别模型包括52个卷积层和1个全连接层，YOLOV3特征提取网络采用前52个卷积层，该特征提取网络中包含5个残差块，每一个残差块包括多个残差单元，每个残差单元包括多个DBL单元。
6.根据权利要求1所述的一种基于改进FCM算法的列车定位方法，其特征在于，所述步骤S2中的改进FCM算法为：采用ReliefF算法为训练样本的每一个特征引入相应的权重。
7.根据权利要求6所述的一种基于改进FCM算法的列车定位方法，其特征在于，所述采用ReliefF算法为训练样本的每一个特征引入相应的权重的方法为：
从训练样本集中随机抽取一个样本R；
从与R同类的样本集中根据隶属度大小找出多个与样本R最近邻样本集合Ai，并从与R不同类的样本集中找出多个与样本R最近邻样本Bi；
根据权重更新规则对样本R中每个特征的权重值进行更新；
重复上述步骤最终求得样本R各特征的权重值。
8.根据权利要求7所述的一种基于改进FCM算法的列车定位方法，其特征在于，所述权重更新规则为：
若R与Ai中某一个最近邻样本在任意特征上的距离小于R与Bi中任意最近邻样本在相应特征上的距离，则增加该特征的权重；
若R与Ai中某一个最近邻样本在任意特征上的距离大于或等于R与Bi中任意最近邻样本在相应特征上的距离，则降低该特征的权重。
9.一种应用权利要求1-8中任意一项所述方法的列车定位系统，其特征在于，包括：
采集模块，用于获取轨道路径上的轨道区域图片并进行预处理；
训练模块，用于根据预处理后的轨道区域图片训练定位点物体识别模型，利用改进FCM算法对识别模型进行聚类优化；
识别模块，用于利用训练完成的识别模型识别列车行进过程中所采集的轨道区域图片中的定位点物体的类别和对应类别的数量；
定位模块，用于根据所识别的定位点物体的绝对位置信息确定列车当前的绝对位置。
CN202011029723.6A 2020-09-27 2020-09-27 一种基于改进fcm算法的列车定位方法及系统 Pending CN112164116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011029723.6A CN112164116A (zh) 2020-09-27 2020-09-27 一种基于改进fcm算法的列车定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011029723.6A CN112164116A (zh) 2020-09-27 2020-09-27 一种基于改进fcm算法的列车定位方法及系统

Publications (1)

Publication Number Publication Date
CN112164116A true CN112164116A (zh) 2021-01-01

Family

ID=73864204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011029723.6A Pending CN112164116A (zh) 2020-09-27 2020-09-27 一种基于改进fcm算法的列车定位方法及系统

Country Status (1)

Country Link
CN (1) CN112164116A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298113A (zh) * 2021-04-06 2021-08-24 北京交通大学 基于列车车载卫星定位观测数据的轨道沿线环境分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104994366A (zh) * 2015-06-02 2015-10-21 陕西科技大学 一种基于特征加权的fcm视频关键帧提取方法
CN109409389A (zh) * 2017-08-16 2019-03-01 香港理工大学深圳研究院 一种融合多特征的面向对象变化检测方法
CN110472572A (zh) * 2019-08-14 2019-11-19 西北工业大学 一种复杂环境下海上目标的快速识别和分类方法
CN111062282A (zh) * 2019-12-05 2020-04-24 武汉科技大学 基于改进yolov3模型的变电站指针式仪表识别方法
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
CN111242919A (zh) * 2020-01-10 2020-06-05 成都协创信和科技有限公司 一种基于轨道路径上轨枕缺陷的绝对定位方法及定位系统
US20200265254A1 (en) * 2019-02-19 2020-08-20 Fujitsu Limited Object recognition method, apparatus and network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104994366A (zh) * 2015-06-02 2015-10-21 陕西科技大学 一种基于特征加权的fcm视频关键帧提取方法
CN109409389A (zh) * 2017-08-16 2019-03-01 香港理工大学深圳研究院 一种融合多特征的面向对象变化检测方法
US20200265254A1 (en) * 2019-02-19 2020-08-20 Fujitsu Limited Object recognition method, apparatus and network
CN110472572A (zh) * 2019-08-14 2019-11-19 西北工业大学 一种复杂环境下海上目标的快速识别和分类方法
CN111062282A (zh) * 2019-12-05 2020-04-24 武汉科技大学 基于改进yolov3模型的变电站指针式仪表识别方法
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
CN111242919A (zh) * 2020-01-10 2020-06-05 成都协创信和科技有限公司 一种基于轨道路径上轨枕缺陷的绝对定位方法及定位系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
彭荫荣: "货运列车检测图像的特征定位与信息识别", 《万方数据》 *
白梅: "基于内容的视频检索方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298113A (zh) * 2021-04-06 2021-08-24 北京交通大学 基于列车车载卫星定位观测数据的轨道沿线环境分类方法
CN113298113B (zh) * 2021-04-06 2023-09-26 北京交通大学 基于列车车载卫星定位观测数据的轨道沿线环境分类方法

Similar Documents

Publication Publication Date Title
CN105788273A (zh) 基于低精度时空轨迹数据的城市交叉口自动识别的方法
CN110377682B (zh) 轨迹类型确定方法、装置、计算设备和存储介质
CN105868691A (zh) 基于快速区域卷积神经网络的城市车辆追踪方法
CN110288032B (zh) 一种车辆行驶轨迹类型检测方法及装置
CN107292870A (zh) 基于图像对齐与检测网络模型的轨道塞钉故障检测方法与系统
CN112395978A (zh) 行为检测方法、装置及计算机可读存储介质
CN110717464B (zh) 一种基于雷达数据的铁路路基病害智能识别方法
CN103575279B (zh) 基于模糊信息的航迹关联方法及系统
CN110990661B (zh) 一种基于路网约束和密度聚类的兴趣区域出入口提取方法
CN113553482B (zh) 停留点识别和出行链构建系统、算法、设备及存储介质
CN110598999B (zh) 基于个体数据的交通出行分析方法、系统及存储介质
CN111121797B (zh) 道路筛选方法、装置、服务器及存储介质
CN109029373A (zh) 一种隧道内检测车的综合定位方法及装置
CN111414878B (zh) 一种关于地块的社会属性分析、图像处理方法及装置
CN108573244A (zh) 一种车辆检测方法、装置及系统
CN112164116A (zh) 一种基于改进fcm算法的列车定位方法及系统
CN108289279A (zh) 定位信息的处理方法、装置和计算机可读存储介质
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN110428398A (zh) 一种基于深度学习的高铁接触网拉线缺陷检测方法
CN110647877B (zh) 一种基于神经网络的立体交通设施定位纠偏方法及装置
CN108932839A (zh) 一种同行车辆判断方法及装置
CN110081890B (zh) 一种结合深度网络的动态k最近邻地图匹配方法
CN110728309B (zh) 一种基于铁路信号与北斗定位的行车轨迹聚类方法
CN107622667B (zh) 一种变造车牌号码检测方法及系统
CN115440071B (zh) 一种自动驾驶违规停车检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210101

RJ01 Rejection of invention patent application after publication