CN113343933A - 一种基于视频目标识别定位的机场场面监视方法 - Google Patents

一种基于视频目标识别定位的机场场面监视方法 Download PDF

Info

Publication number
CN113343933A
CN113343933A CN202110761829.3A CN202110761829A CN113343933A CN 113343933 A CN113343933 A CN 113343933A CN 202110761829 A CN202110761829 A CN 202110761829A CN 113343933 A CN113343933 A CN 113343933A
Authority
CN
China
Prior art keywords
target
image
longitude
latitude
video
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
CN202110761829.3A
Other languages
English (en)
Inventor
曾杰
黄�俊
汤本俊
杨东升
王健
刘连忠
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.)
Anhui Civio Information And Technology Co ltd
Original Assignee
Anhui Civio Information And 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 Anhui Civio Information And Technology Co ltd filed Critical Anhui Civio Information And Technology Co ltd
Priority to CN202110761829.3A priority Critical patent/CN113343933A/zh
Publication of CN113343933A publication Critical patent/CN113343933A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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

Landscapes

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

Abstract

本发明提供了一种基于视频目标识别定位的机场场面监视方法，包括如下步骤：在机场场面范围内架设若干台前端摄像头，使其视频画面之间存在一定重合区域从而能够覆盖整个机场场面，并采集摄像头的视频图像；利用深度学习算法构建目标识别模型，采集待监视目标的图像样本，对模型进行训练；利用目标识别模型对视频图像中的监视目标进行识别定位，获取目标的分类信息及图像坐标信息；根据目标在视频画面中的图像坐标以及事先标定的经纬度坐标数据，通过图像坐标与经纬度坐标转换获得目标的实际经纬度坐标信息。本发明可自主探测和识别机场场面上的航空器、车辆、行人等目标，快速获取目标的图像坐标和经纬度等信息，造价低、使用方便、能够无盲区监视。

Description

一种基于视频目标识别定位的机场场面监视方法
技术领域
本发明涉及机场场面监视技术领域，尤其是涉及一种基于视频画面目标识别定位的机场场面监视方法。
背景技术
机场场面监视是指对机场跑道、停机坪上航空器和车辆等目标的活动情况进行监视，以便管制员全面了解和掌握机场场面上各类目标的分布位置和活动情况，从而实现机场场面的安全管控。
目前，机场场面监视主要采用场面监视雷达、广播式自动相关监视(ADS-B)以及多点定位技术等获取目标的活动信息。但是，上述三种机场场面监视技术都存在着一些缺点。场面监视雷达成本高、不能确定航空器识别代码，同时还存在着一定的探测盲区；广播式自动相关监视要求航空器和车辆必须安装ADS-B应答机；多点定位技术同样要求航空器和车辆安装应答机，存在着一定的探测盲区。另外，行人也是机场场面监视的重要目标，而以上技术均不能对行人进行探测和定位，导致机场场面监视的目标不够全面。
因此，亟需建立一种更全面更高准确性的场面监视方法以便更好地进行场内各类目标的分析识别，从而提高安全生产作业的能力。
发明内容
本发明的目的是为了克服现有技术存在的以上不足或改进需求，研究设计了一种基于视频目标识别定位的机场场面监视方法，以更好地进行全方位的场内监测。
为了解决上述技术问题，本发明提供了一种基于视频目标识别定位的机场场面监视方法，其特征在于，包括如下步骤：
S1、在机场场面范围内架设若干台前端摄像头，使其视频画面之间存在一定重合区域从而能够覆盖整个机场场面，并采集摄像头的视频图像；
S2、利用深度学习算法构建目标识别模型，采集待监视目标的图像样本，对模型进行训练；
S3、利用目标识别模型对视频图像中的监视目标进行识别定位，获取目标的分类信息及图像坐标信息；
S4、根据目标在视频画面中的图像坐标以及事先标定的经纬度坐标数据，通过图像坐标与经纬度坐标转换获得目标的实际经纬度坐标信息。
进一步的，所述摄像头使用200万像素及以上分辨率的枪式摄像头。所述待监视目标包括航空器、车辆及行人。
此外，所述事先标定的经纬度坐标数据是与采集到所述目标的摄像头所对应的数据。所述摄像头在机场塔台上方架设，并采用多层扇形安装。
其中，所述的目标识别模型基于深度学习技术进行构建，对目标进行识别定位的步骤如下：
S31、获取机场场面某个摄像头的视频图像；
S32、基于深度神经网络，通过卷积层提取图像的特征图，并采用选择性搜索算法得到图像的感兴趣区域；
S33、对感兴趣区域进行池化，在特征图上得到感兴趣区域的特征，并统一特征大小，得到感兴趣区域的特征向量；
S34、将感兴趣区域的特征向量与全连接层相连，并定义损失函数，得到当前感兴趣区域的类别及坐标包围框；
S35、对所有包围框进行非极大值抑制，得到最终的目标类别及坐标包围框，从而获取目标的分类信息及图像坐标信息。
所述的图像坐标与经纬度坐标转换采用数据拟合技术实现，步骤如下：
S41、在原始摄像头画面中人工选取若干个标定点，记录对应的图像坐标，再通过经纬度测量设备或者GIS影像地图获取每个标定点对应的经纬度坐标，所有标定点的图像坐标及其对应的经纬度坐标构成经纬度坐标标定数据；
S42、获取目标的图像坐标，从上述经纬度坐标标定数据中找到与目标图像坐标像素距离最近的若干个标定点，通过数据拟合求解出拟合参数，进而计算出目标图像坐标对应的经纬度坐标。
进一步的，每个摄像头画面标定点不少于8个。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述步骤。
本发明还提供了一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行上述步骤。
本发明所述的方案与现有的技术相比，具有如下的有益效果是：
1)本发明可自主探测和识别机场场面上的航空器、车辆、行人等目标，快速获取目标的图像坐标和经纬度等信息，不需要在监测目标上安装ADS-B应答机，具有造价低、使用方便的优点。
2)同时，本发明克服了场面监视雷达和多点定位等技术存在的探测盲区问题，能够对整个机场场面进行无盲区监视，同时也能够提供更丰富、更全面的机场场面目标信息。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的机场场面监视方法的流程示意图；
图2是本发明一实施例所提供的目标识别定位的流程示意图；
图3是本发明一实施例所提供的目标经纬度坐标计算的流程示意图。
具体实施方式
为使相关技术人员能更好的理解本发明，对本次申请的目的、技术方案和优点有更加清晰的了解，下面将结合具体实例和附图对本发明做进一步说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
视频智能处理技术的进步为机场场面监视技术提供了新的技术手段，本发明利用视频处理技术来实现目标的识别分析。通过对视频目标的智能分析，能够实现场面内监视目标(包括航空器、车辆、行人等)的快速识别和定位，不需要在监视目标上安装特定的识别和定位装置，监视范围也可以根据实际需要进行有效扩展，从而实现整个机场场面目标的全覆盖、无盲区监视。
本发明提供了一种基于视频目标识别定位的机场场面监视方法，图1所示为本发明的流程示意图，主要包括如下步骤：
1)在机场场面范围内架设若干台前端摄像头，并使其视频画面之间存在一定重合区域，且能够覆盖整个机场场面；
2)利用深度学习算法构建目标识别模型，采集航空器、车辆及行人等监视目标的图像样本，对模型进行训练；
3)将摄像头采集的实时视频流数据输入到目标识别模块，利用目标识别模型对视频画面中的监视目标进行识别定位，获取目标的分类信息及图像坐标信息；
4)根据目标在视频画面中的图像坐标以及事先标定的经纬度坐标数据，通过图像坐标与经纬度坐标关系转换获得目标的实际经纬度坐标信息。
所述在机场场面范围内架设若干摄像头，优选地，使用200万像素及以上分辨率的枪式摄像头。选择两种方式进行架设：第一种是在跑道、滑行道两边及停机坪四周架设，摄像头安装高度8-10米，间隔30-50米；第二种是在机场塔台上方架设，摄像头采用多层扇形安装。相邻摄像头的视频画面要有一定重合区域，所有摄像头的视频画面经拼接后要能覆盖整个机场场面的监视区域。
所述的目标识别模型是基于YOLO模型进行构建，其目标识别定位流程如图2所示，具体步骤如下：
1)采集摄像头视频图像；
2)对摄像头视频图像人工采集样本数据，制作训练测试集；
3)通过深度网络自定义网络层；
4)结合网络层对训练测试集进行模型训练，获取模型文件；
5)通过训练获取到模型文件后，即可对实时输入的摄像头视频图像中的目标进行识别；
6)通过选择性搜索算法得到图像的感兴趣区域；
7)对得到的感兴趣区域进行感兴趣区域池化，即通过坐标投影的方法，在特征图上得到输入图像中的感兴趣区域对应的特征区域，并对该区域进行最大值池化，得到感兴趣区域的特征，并且统一特征大小；
8)对感兴趣区域池化层的输出及感兴趣区域对应的特征图最大值池化后的特征作为每个感兴趣区域的特征向量；
9)将感兴趣区域的特征向量与全连接层相连，并定义多任务损失函数，分别得到当前感兴趣区域的类别及坐标包围框；
10)对所有得到的包围框进行非极大值抑制，得到最终的目标属性及目标定位位置矩形框。
更进一步的，所述目标的图像坐标与经纬度坐标转换采用最小二乘拟合方法实现，目标经纬度坐标计算流程如图3所示，具体步骤如下：
1)在原始摄像头画面中人工选取若干个特征明显的标定点，记录对应的图像坐标，再通过手持GPS测量设备或者影像地图等方式对原始摄像头画面中选取的标定点，测量、获取并记录对应的经纬度坐标。每个摄像头画面标定点不少于8个；
2)对采集的多个图像标定点及相对应的经纬度，构成标定样本数据。每个标定数据格式包含：图像x坐标、图像y坐标、经度、纬度及高程；
3)获取目标识别得到的目标图像坐标(x,y)，计算目标图像坐标与坐标样本数据中的图像坐标距离，并获取距离最近的6个样本点，图像像素距离D计算公式如下所示：
Figure BDA0003149332220000051
其中，(x，y)为目标图像坐标,(x1，y1)为标定样本数据中标定点图像坐标；
4)对计算获取到的6个样本点，通过最小二乘拟合求解出拟合参数；
5)根据拟合参数计算出目标经纬度坐标，公式如下所示：
Lon＝a1+a2*x
Lat＝a1+a2*y
其中，(x，y)为目标图像坐标,a1和a2为拟合参数，(Lon，Lat)为目标实际经纬度坐标。
更进一步的，所述监视方法首先监视行人，在监视到行人后才会触发后续的监视行人周围其他待监视目标的任务。
本发明还提供了一种处理器，所述处理器用于执行上述的方法。
本发明还提供了一种计算机设备，包括存储器、上述处理器及存储在存储器上并可在处理器上运行的计算机程序。其中，所述处理器执行所述程序时实现上述步骤。
综上，本发明视频智能处理技术应用到了机场场面监视中，只需对机场监控设备进行复用，而对具体的目标并无额外的配置要求，可以以更少的作业成本来达到更优的效果。并通过智能化手段克服传统监视方法的高昂成本、以及人工监视的疏漏缺陷，提高了机场监视的全面性和准确性。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和原则的前提下，可以在实施的形式及细节上进行任何的修改与变化、等同替换等，这些都属于本发明的保护范围。因此，本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种基于视频目标识别定位的机场场面监视方法，其特征在于，包括如下步骤：
S1、在机场场面范围内架设若干台前端摄像头，使其视频画面之间存在一定重合区域从而能够覆盖整个机场场面，并采集摄像头的视频图像；
S2、利用深度学习算法构建目标识别模型，采集待监视目标的图像样本，对模型进行训练；
S3、利用目标识别模型对视频图像中的监视目标进行识别定位，获取目标的分类信息及图像坐标信息；
S4、根据目标在视频画面中的图像坐标以及事先标定的经纬度坐标数据，通过图像坐标与经纬度坐标转换获得目标的实际经纬度坐标信息。
2.如权利要求1所述的方法，其特征在于：所述摄像头使用200万像素及以上分辨率的枪式摄像头。
3.如权利要求1所述的方法，其特征在于：待监视目标包括航空器、车辆及行人。
4.如权利要求1所述的方法，其特征在于：所述事先标定的经纬度坐标数据是与采集到所述目标的摄像头所对应的数据。
5.如权利要求2所述的方法，其特征在于：所述摄像头在机场塔台上方架设，并采用多层扇形安装。
6.如权利要求1-5任一项所述的方法，其特征在于，所述的目标识别模型基于深度学习技术进行构建，对目标进行识别定位的步骤如下：
S31、获取机场场面某个摄像头的视频图像；
S32、基于深度神经网络，通过卷积层提取图像的特征图，并采用选择性搜索算法得到图像的感兴趣区域；
S33、对感兴趣区域进行池化，在特征图上得到感兴趣区域的特征，并统一特征大小，得到感兴趣区域的特征向量；
S34、将感兴趣区域的特征向量与全连接层相连，并定义损失函数，得到当前感兴趣区域的类别及坐标包围框；
S35、对所有包围框进行非极大值抑制，得到最终的目标类别及坐标包围框，从而获取目标的分类信息及图像坐标信息。
7.如权利要求4所述的方法，其特征在于，所述的图像坐标与经纬度坐标转换采用数据拟合技术实现，步骤如下：
S41、在原始摄像头画面中人工选取若干个标定点，记录对应的图像坐标，再通过经纬度测量设备或者GIS影像地图获取每个标定点对应的经纬度坐标，所有标定点的图像坐标及其对应的经纬度坐标构成经纬度坐标标定数据；
S42、获取目标的图像坐标，从上述经纬度坐标标定数据中找到与目标图像坐标像素距离最近的若干个标定点，通过数据拟合求解出拟合参数，进而计算出目标图像坐标对应的经纬度坐标。
8.如权利要求7所述的方法，其特征在于，每个摄像头画面标定点不少于8个。
9.如权利要求7所述的方法，其特征在于，所述监视方法首先监视行人，在监视到行人后再继续监视行人周围的其他待监视目标。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行如权利要求1-8任一项所述的方法。
CN202110761829.3A 2021-07-06 2021-07-06 一种基于视频目标识别定位的机场场面监视方法 Pending CN113343933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110761829.3A CN113343933A (zh) 2021-07-06 2021-07-06 一种基于视频目标识别定位的机场场面监视方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110761829.3A CN113343933A (zh) 2021-07-06 2021-07-06 一种基于视频目标识别定位的机场场面监视方法

Publications (1)

Publication Number Publication Date
CN113343933A true CN113343933A (zh) 2021-09-03

Family

ID=77482701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110761829.3A Pending CN113343933A (zh) 2021-07-06 2021-07-06 一种基于视频目标识别定位的机场场面监视方法

Country Status (1)

Country Link
CN (1) CN113343933A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115410139A (zh) * 2022-11-02 2022-11-29 青岛民航凯亚系统集成有限公司 基于视频分析的机坪车辆超速安全事件识别系统及其方法
CN115424002A (zh) * 2022-10-31 2022-12-02 青岛民航凯亚系统集成有限公司 机坪摄像头目标物位置计算的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670462A (zh) * 2018-12-24 2019-04-23 北京天睿空间科技股份有限公司 基于定位信息的航空器跨全景持续跟踪方法
CN109977840A (zh) * 2019-03-20 2019-07-05 四川川大智胜软件股份有限公司 一种基于深度学习的机场场面监视方法
CN110533067A (zh) * 2019-07-22 2019-12-03 杭州电子科技大学 基于深度学习的边框回归的端到端弱监督目标检测方法
CN111210474A (zh) * 2020-02-26 2020-05-29 上海麦图信息科技有限公司 一种获取机场飞机实时地面位置的方法
CN111241988A (zh) * 2020-01-08 2020-06-05 北京天睿空间科技股份有限公司 一种结合定位信息的大场景内运动目标检测识别方法
CN112101253A (zh) * 2020-09-18 2020-12-18 广东机场白云信息科技有限公司 一种基于视频动作识别的民用机场地面保障状态识别方法
CN112818780A (zh) * 2021-01-21 2021-05-18 北京首都机场航空安保有限公司 一种航空器监控识别系统的布防区域设置方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670462A (zh) * 2018-12-24 2019-04-23 北京天睿空间科技股份有限公司 基于定位信息的航空器跨全景持续跟踪方法
CN109977840A (zh) * 2019-03-20 2019-07-05 四川川大智胜软件股份有限公司 一种基于深度学习的机场场面监视方法
CN110533067A (zh) * 2019-07-22 2019-12-03 杭州电子科技大学 基于深度学习的边框回归的端到端弱监督目标检测方法
CN111241988A (zh) * 2020-01-08 2020-06-05 北京天睿空间科技股份有限公司 一种结合定位信息的大场景内运动目标检测识别方法
CN111210474A (zh) * 2020-02-26 2020-05-29 上海麦图信息科技有限公司 一种获取机场飞机实时地面位置的方法
CN112101253A (zh) * 2020-09-18 2020-12-18 广东机场白云信息科技有限公司 一种基于视频动作识别的民用机场地面保障状态识别方法
CN112818780A (zh) * 2021-01-21 2021-05-18 北京首都机场航空安保有限公司 一种航空器监控识别系统的布防区域设置方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任立平: "智能视频监控系统在民航机场中的应用研究进展", 《自动化应用》 *
张璧程: "基于区域卷积神经网络的目标检测与识别算法", 《中国优秀硕博士学位论文全文数据库（硕士）信息科技辑》 *
曹诗雨 等: "基于Fast R-CNN的车辆目标检测", 《中国图象图形学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115424002A (zh) * 2022-10-31 2022-12-02 青岛民航凯亚系统集成有限公司 机坪摄像头目标物位置计算的方法
CN115410139A (zh) * 2022-11-02 2022-11-29 青岛民航凯亚系统集成有限公司 基于视频分析的机坪车辆超速安全事件识别系统及其方法

Similar Documents

Publication Publication Date Title
Ali et al. Real-time multiple damage mapping using autonomous UAV and deep faster region-based neural networks for GPS-denied structures
Spencer Jr et al. Advances in computer vision-based civil infrastructure inspection and monitoring
EP2798611B1 (en) Camera calibration using feature identification
CN109598794B (zh) 三维gis动态模型的构建方法
Dai et al. Residential building facade segmentation in the urban environment
CN111241988B (zh) 一种结合定位信息的大场景内运动目标检测识别方法
US11371851B2 (en) Method and system for determining landmarks in an environment of a vehicle
CN111079600A (zh) 多摄像头的行人识别方法及识别系统
CN115943439A (zh) 一种基于雷视融合的多目标车辆检测及重识别方法
CN113343933A (zh) 一种基于视频目标识别定位的机场场面监视方法
Balaska et al. Enhancing satellite semantic maps with ground-level imagery
Tavasoli et al. Real-time autonomous indoor navigation and vision-based damage assessment of reinforced concrete structures using low-cost nano aerial vehicles
WO2020211593A1 (zh) 交通道路的数字化重建方法、装置和系统
CN113286081B (zh) 机场全景视频的目标识别方法、装置、设备及介质
CN107067813A (zh) 一种基于图像处理和模式识别的车位引导方法和系统
Fitzgerald et al. A vision based forced landing site selection system for an autonomous UAV
CN112084892A (zh) 一种道路异常事件检测管理装置及其方法
CN114155489A (zh) 一种多设备协同的无人机飞手检测方法、设备及存储介质
WO2021138372A1 (en) Feature coverage analysis
CN114252859A (zh) 目标区域的确定方法、装置、计算机设备和存储介质
CN115083209B (zh) 一种基于视觉定位的车路协同方法及系统
Bauda et al. Real-time ground marking analysis for safe trajectories of autonomous mobile robots
CN112818837B (zh) 一种基于姿态校正和困难样本感知的航拍车辆重识别方法
KR102516890B1 (ko) 드론 영상과 인공지능 기술을 이용한 불법 주정차 차량 번호 식별 시스템
Amarasooriya et al. Implementation of Smart Parking System Using Image Processing

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210903