CN113657144B - 桥梁区域通航船舶的快速检测和跟踪方法 - Google Patents
桥梁区域通航船舶的快速检测和跟踪方法 Download PDFInfo
- Publication number
- CN113657144B CN113657144B CN202110741122.6A CN202110741122A CN113657144B CN 113657144 B CN113657144 B CN 113657144B CN 202110741122 A CN202110741122 A CN 202110741122A CN 113657144 B CN113657144 B CN 113657144B
- Authority
- CN
- China
- Prior art keywords
- ship
- frame
- navigation
- detection
- max
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012946 outsourcing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000012790 confirmation Methods 0.000 abstract 1
- 208000003464 asthenopia Diseases 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种桥梁区域通航船舶的快速检测和跟踪方法，解决了现有桥区通航船舶辨识所需设备昂贵、计算代价大的问题，如下：在对应航道的桥梁关键位置布设监控相机，采集航道监控视频并在视频中标注航道或者河岸位置；对关键帧使用稀疏表示算法对监控图像中水面部分进行处理，得到船舶疑似位置；并利用训练好的船舶判别器对疑似船舶进行确认；建立通航船舶在桥区的像素运动方程，并对所有帧使用运动方程进行船舶位置的预测，同时使用关键帧的船舶确认结果修正运动方程，从而可以对桥区多个通航船舶进行检测和追踪。本发明便捷、准确，提升了桥梁区域船舶定位的准确度和稳定性，有效提升检测效率。
Description
技术领域
本发明具体涉及一种桥梁区域通航船舶的快速检测和跟踪方法。
背景技术
桥梁是交通运输大动脉中的咽喉，随着桥梁的增加以及航运船舶密度的提升，船撞桥事故发生的频率也愈来愈高。人工监控存在两个不可避免的弱点，一是视觉疲劳，人类集中注意力观察事物会迅速产生视觉疲劳，而视觉疲劳又会极大降低判断的准确性；二是无法克服个体主观性影响，不同技术基础和工作经验的人对于船撞桥的风险评判标准不一。
目前随着传感技术的发展，许多学者尝试解决桥梁区域船舶检测和跟踪的问题，然而这些方法存在两个问题，一是设备昂贵，而且信号直观性不强；二是大多基于视觉的方法存在需要在整幅图像中搜索船舶的问题导致效率低下。如何针对现有研究存在的问题提出一个快速检测和跟踪桥梁区域通航船舶的方法，为桥梁区域船舶荷载识别提供一个自动化智能化的解决方案，是一个亟待研究的问题。
发明内容
基于以上不足之处，本发明提出一种桥梁区域通航船舶的快速检测和跟踪方法，解决了现有桥区通航船舶辨识所需设备昂贵、计算代价大的问题。
本发明所采用的技术如下：一种桥梁区域通航船舶的快速检测和跟踪方法，如下：
确定对应航道的桥梁通航跨后架设摄像机，所述确定摄像机架设位置包括：通航跨跨中位置，通航跨其他位置或通航跨桥墩位置；摄像机的竖向转角为桥梁高度与桥区警戒距离的反正切数值，水平转角确定原则为保持航道位于图像正中；
摄像机采集得到的数据以图片序列的形式保存，对第一帧图像使用像素位置标注工具标注出航道两侧边界各两个控制点的像素位置，根据两点确定一条直线的原则计算出航道边界的像素位置，航道像素边界与图片边界合围的图像区域即为关注水面部分；
选取第一帧图像，使用稀疏表示算法对关注水面部分进行稀疏分量提取，对得到的稀疏分量进行形态学运算以形成连通域，从而确定第一帧检测窗口；使用的稀疏表示算法提取到的稀疏分量作为船舶疑似位置权重的目的是用来快速确定检测窗口，此操作可大幅压缩船舶检测时间；
选取合适的关键帧采样间隔，对关键帧的图像提取稀疏分量后形成连通域以确定关键帧检测窗口；为了进一步提升跟踪的效率，仅针对关键帧进行上述的处理目的是得到关键帧的船舶检测结果；
人工采集设置在不同桥梁的不同位置的不同种类的通航船舶的图像序列，同时使用标注工具对其进行有效信息表示，表示的格式为：船舶种类，船舶编号，时刻，船舶外包矩形框的中心点像素坐标，船舶外包矩形框的宽和高，形成船舶检测跟踪数据集；
选取合适的基于的深度卷积神经网络的目标检测网络，将损失函数中的分类设置为需要检测的船舶种类数加一，使用数据集进行训练，而后使用训练好的船舶检测器对第一帧及关键帧的检测窗口进行船舶检测，返回检测结果，即是否存在船舶，如果存在是何种船舶，船舶位置坐标为何，船舶大小为何；
使用统计回归的方式确定不同种类船舶像素运动方程的关键参数；
在第一帧及关键帧检测到船舶后对其分配编号IDship，使用船舶像素运动方程预测接下来该编号船舶在所有帧的运动轨迹；目的是：在检测发现新的船舶并对其进行编号后，使用之前统计回归得到的该种类船舶的像素运动方程进行船舶在接下来所有帧的运动轨迹，可在保持该船舶跟踪轨迹连续的同时将图像处理任务转换为简单的数学任务，大大缩短处理时间。
此时同一个通航船舶在关键帧会产生两个像素数组，一个是船舶检测器检测得到的检测值，一个是船舶像素运动方程计算得到的计算值，当船舶检测器检测概率大于0.7时，检测结果可信，使用检测值作为当前帧的最终结果，此时检测结果被作为新的数据重新进行像素运动方程关键参数的修正；否则，使用计算结果作为当前帧的最终结果，从而实现对船舶的稳定跟踪和自适应修正。
所述的对第一帧及关键帧的检测窗口确定方法如下：
首先确定检测窗口是矩形形状，然后确定的是矩形中心点坐标以及矩形的宽高；
确定矩形中心点坐标：
A.在得到稀疏分量并使用形态学运算后得到连通域，此连通域本质是一个点集，寻找该点集的横坐标最大值S0Xmax及最小值S0Xmin，纵坐标最大值S0Ymax及最小值S0Ymin，四个值可以确定该点集的基准外接矩形的中心点为((S0Xmax+S0Xmin)/2，(S0Ymax+
S0Ymin)/2)，此矩形的面积记为S0＝(S0Xmax–S0Xmin)*(S0Ymax–S0Ymin)；
B.以整幅图像的左上角为中心，以0.1度角度为旋转步长逆时针旋转此点集，并重复上述寻找最值步骤，得到该点集的横坐标最大值SiXmax及最小值SiXmin，纵坐标最大值SiYmax及最小值SiYmin，记录此时的矩形面积为Si＝(SiXmax–SiXmin)×(SiYmax–SiYmin)，其中i是旋转的步数；
C.寻找到矩形面积最小对应的i值，并将其中心点坐标记为(mx,my)，其中mx＝(SiXmax
+SiXmin)/2，my＝(SiYmax+SiYmin)/2；
D.最终检测窗口的中心点坐标(x,y)根据以下公式计算得到：
x＝mxcos0.1i-mysin0.1i，y＝mxsin0.1i+mycos0.1i
确定矩形的宽高：
检测窗口的宽高相等，且需要根据后续基于深度学习的船舶检测器的输入尺寸进行确定。
所述的使用统计回归的方式确定不同种类船舶像素运动方程的关键参数的方法如下：
A.设船舶像素运动方程为线性的，且船舶中心点横纵坐标为独立的；
B.从数据集中筛选出相同种类船舶的不同时刻对应的不同船舶中心点坐标作为训练数据，训练的损失函数为L＝Lx+Ly，其中
xt和yt分别是t时刻对应的中心点左边，其余参数为关键参数；
C.使用训练数据使损失函数最小化，从而得到关键参数的具体取值。
本发明的有益效果及优点为：针对桥区通航船舶快速检测与跟踪问题，本发明仅依赖单个摄像头就实现了通航船舶的自动化快速检测与跟踪。本发明便捷、准确，提升了桥梁区域船舶定位的准确度和稳定性，有效提升检测效率。整个过程显著降低了检测过程中的人工参与度。本发明还能满足桥梁区域船舶荷载统计和实时数据处理需求。本发明提高了桥梁区域通航船舶检测和跟踪的自动化、智能化、准确性和鲁棒性，为桥梁工程防船撞的自动监测提供了解决方案。
附图说明
图1为第一帧中人工标注出航道和关注的水面位置示意图；
图2为第一帧稀疏表示处理结果图。
具体实施方式
本发明针对传统方法对高分辨率整幅图像检测跟踪效率低下的问题，具体考虑到桥梁区域通航船舶密度较低的特点，设计了通过对通航水面进行稀疏表示以获取船舶疑似位置的方法，从而在检测时真需要对疑似位置进行检测，可提高检测效率；考虑到桥梁区域通航船舶运动轨迹较为规则的特点，设计了使用统计其他通航船舶运动轨迹而得到的像素运动方程表示船舶运动轨迹的方法，同时使用关键帧的检测结果对船舶的运动方程进行修正，从而可以进行更加准确的跟踪。本发明的具体实施方案，通过设置在长江上某桥的基于视觉的桥区通航船舶快速检测和跟踪系统进行说明。试验用桥为横跨长江的九跨连续梁公铁两用桥，跨度均为128m。
实施例1
一种桥梁区域通航船舶的快速检测和跟踪方法，步骤如下：
确定对应航道的桥梁通航跨后架设摄像机，所述确定摄像机架设位置的过程包括：架设摄像机的第一优先位置为通航跨跨中位置，第二优先位置为通航跨其他位置，第三优先位置为通航跨桥墩位置，摄像机的竖向转角为桥梁高度与桥区警戒距离的反正切数值，水平转角确定原则为保持航道位于图像正中为宜；在桥梁的1#墩和2#墩的中间跨公路桥部分架设监控相机，相机分辨率为1920×1080；
摄像机采集得到的数据以图片序列的形式保存，对第一帧图像使用像素位置标注工具标注出航道两侧边界各两个控制点的像素位置，根据两点确定一条直线的原则计算出航道边界的像素位置，航道像素边界与图片边界合围的图像区域即为关注水面部分，针对现有技术通常对整幅图像进行稀疏分解从而会导致背景干扰严重，提出使用标记图像控制点以形成关注水面部分(考虑桥区通航船舶只会出现在该部分)从而极大地避免了背景的干扰，有效地提升了稀疏分量的纯净度，如图1所示；
选取第一帧图像，使用匹配追踪算法对关键帧的关注的水面部分进行了处理，处理之后的第一帧的效果如图2所示，对得到的稀疏分量进行形态学运算以形成连通域，从而确定第一帧检测窗口，使用的稀疏表示算法提取到的稀疏分量作为船舶疑似位置权重的目的是用来快速确定检测窗口，此操作可大幅压缩船舶检测时间；
每60帧选取一帧作为关键帧，对关键帧的图像通同样进行上述的处理，即提取稀疏分量后形成连通域以确定关键帧检测窗口，为了进一步提升跟踪的效率，仅针对关键帧进行上述的处理从而得到关键帧的船舶检测结果；
人工采集设置在不同桥梁的不同位置的不同种类的通航船舶的图像序列，同时使用标注工具对其进行有效信息表示，表示的格式为：船舶种类，船舶编号，时刻，船舶外包矩形框的中心点像素坐标，船舶外包矩形框的宽和高，形成船舶检测跟踪数据集；
选取常用的SSD作为船舶检测器进行训练。训练的硬件环境为Nvidia GTX 1080Ti的GPU，软件环境为Pytorch 1.6，训练共迭代了8000次；
使用统计回归的方式确定不同种类船舶像素运动方程的关键参数；
在第一帧及关键帧检测到船舶后对其分配编号IDship，使用船舶像素运动方程预测接下来该编号船舶在所有帧的运动轨迹，在检测发现新的船舶并对其进行编号后，使用之前统计回归得到的该种类船舶的像素运动方程进行船舶在接下来所有帧的运动轨迹，可在保持该船舶跟踪轨迹连续的同时将图像处理任务转换为简单的数学任务，大大缩短处理时间；
此时同一个通航船舶在关键帧会产生两个像素数组，一个是船舶检测器检测得到的检测值，一个是船舶像素运动方程计算得到的计算值。本方法认为当船舶检测器检测概率大于0.7时，检测结果可信，使用检测值作为当前帧的最终结果，此时检测结果被作为新的数据重新进行像素运动方程关键参数的修正；否则，使用计算结果作为当前帧的最终结果，从而实现对船舶的稳定跟踪和自适应修正，本实施例提出了通航船舶的跟踪结果确定策略，关键帧的检测结果不仅可以用来参与跟踪结果的更新还可以对像素运动方程进行修正，从而实现像素运动的自适应修正。
所述的对第一帧及关键帧的检测窗口确定过程包括：
首先确定检测窗口是矩形形状，需要确定的是矩形中心点坐标以及矩形的宽高；
确定矩形中心点坐标：
A.在得到稀疏分量并使用形态学运算后得到连通域，此连通域本质是一个点集，寻找该点集的横坐标最大值(S0Xmax)及最小值(S0Xmin)，纵坐标最大值(S0Ymax)及最小值(S0Ymin)，四个值可以确定该点集的基准外接矩形的中心点为((S0Xmax+
S0Xmin)/2，(S0Ymax+S0Ymin)/2)，此矩形的面积记为S0＝(S0Xmax–S0Xmin)*(S0Ymax–
S0Ymin)。
B.以整幅图像的左上角为中心，以0.1度角度为旋转步长逆时针旋转此点集，并重复上述寻找最值步骤，得到该点集的横坐标最大值(SiXmax)及最小值(SiXmin)，纵坐标最大值(SiYmax)及最小值(SiYmin)记录此时的矩形面积为Si＝(SiXmax–SiXmin)*
(SiYmax–SiYmin)，其中i是旋转的步数。
C.寻找到矩形面积最小对应的i值，并将其中心点坐标记为(mx,my)，其中mx＝(SiXmax
+SiXmin)/2，my＝(SiYmax+SiYmin)/2。
D.最终检测窗口的中心点坐标(x,y)则可以根据以下公式计算得到：
x＝mxcos0.1i-mysin0.1i，y＝mxsin0.1i+mycos0.1i
确定矩形的宽高：
检测窗口的宽高一般来说相等，且需要根据后续基于深度学习的船舶检测器的输入尺寸进行确定。
所述的使用统计回归的方式确定不同种类船舶像素运动方程的关键参数的方法如下：
本实施例结合桥区实际通航船舶的情况，抛弃了复杂的状态转移方程和方法，设船舶像素运动为线性的，由此确定使用简单的拟合方程对统计得到的数据进行训练，并提出了训练损失函数，有效降低了算法的复杂度，实现了通航船舶的像素运动建模。
A.设船舶像素运动方程为线性的，且船舶中心点横纵坐标为独立的；
B.从数据集中筛选出相同种类船舶的不同时刻对应的不同船舶中心点坐标作为训练数据，训练的损失函数为L＝Lx+Ly，其中
xt和yt分别是t时刻对应的中心点左边，其余参数为关键参数。
C.使用训练数据使损失函数最小化，从而得到关键参数的具体取值。
最后得到该通航船舶的时间运动轨迹，如表1所示。
表1通航船舶运动轨迹信息
本实施例验证了本发明所提算法的准确性。
Claims (2)
1.一种桥梁区域通航船舶的快速检测和跟踪方法，其特征在于，方法如下：
确定对应航道的桥梁通航跨后架设摄像机，所述确定摄像机架设位置包括：通航跨跨中位置、通航跨其他位置或通航跨桥墩位置；
摄像机的竖向转角为桥梁高度与桥区警戒距离的反正切数值，水平转角确定原则为保持航道位于图像正中；
摄像机采集得到的数据以图片序列的形式保存，对第一帧图像使用像素位置标注工具标注出航道两侧边界各两个控制点的像素位置，根据两点确定一条直线的原则计算出航道边界的像素位置，航道像素边界与图片边界合围的图像区域即为关注水面部分；
选取第一帧图像，使用稀疏表示算法对关注水面部分进行稀疏分量提取，对得到的稀疏分量进行形态学运算以形成连通域，从而确定第一帧检测窗口；
选取合适的关键帧采样间隔，对关键帧的图像提取稀疏分量后形成连通域以确定关键帧检测窗口；
人工采集设置在不同桥梁的不同位置的不同种类的通航船舶的图像序列，同时使用标注工具对其进行有效信息表示，表示的格式为：船舶种类，船舶编号，时刻，船舶外包矩形框的中心点像素坐标，船舶外包矩形框的宽和高，形成船舶检测跟踪数据集；
选取合适的基于的深度卷积神经网络的目标检测网络，将损失函数中的分类设置为需要检测的船舶种类数加一，使用数据集进行训练，而后使用训练好的船舶检测器对第一帧及关键帧的检测窗口进行船舶检测，返回检测结果，即是否存在船舶，如果存在是何种船舶，船舶位置坐标为何，船舶大小为何；
其中，所述的对第一帧及关键帧的检测窗口确定方法如下：
首先确定检测窗口是矩形形状，然后确定的是矩形中心点坐标以及矩形的宽高；
确定矩形中心点坐标：
A.在得到稀疏分量并使用形态学运算后得到连通域，此连通域本质是一个点集，寻找该点集的横坐标最大值S0Xmax及最小值S0Xmin，纵坐标最大值S0Ymax及最小值S0Ymin，四个值可以确定该点集的基准外接矩形的中心点为((S0Xmax+S0Xmin)/2，(S0Ymax+S0Ymin)/2)，此矩形的面积记为S0＝(S0Xmax–S0Xmin)*(S0Ymax–S0Ymin)；
B.以整幅图像的左上角为中心，以0.1度角度为旋转步长逆时针旋转此点集，并重复上述寻找最值步骤，得到该点集的横坐标最大值SiXmax及最小值SiXmin，纵坐标最大值SiYmax及最小值SiYmin，记录此时的矩形面积为Si＝(SiXmax–SiXmin)×(SiYmax–SiYmin)，
其中i是旋转的步数；
C.寻找到矩形面积最小对应的i值，并将其中心点坐标记为(mx,my)，其中mx＝(SiXmax+SiXmin)/2，my＝(SiYmax+SiYmin)/2；
D.最终检测窗口的中心点坐标(x,y)根据以下公式计算得到：
x＝mxcos0.1i-mysin0.1i，y＝mxsin0.1i+mycos0.1i
确定矩形的宽高：
检测窗口的宽高相等，且需要根据后续基于深度学习的船舶检测器的输入尺寸进行确定使用统计回归的方式确定不同种类船舶像素运动方程的关键参数；
在第一帧及关键帧检测到船舶后对其分配编号IDship，使用船舶像素运动方程预测接下来该编号船舶在所有帧的运动轨迹；
此时同一个通航船舶在关键帧会产生两个像素数组，一个是船舶检测器检测得到的检测值，一个是船舶像素运动方程计算得到的计算值，当船舶检测器检测概率大于0.7时，检测结果可信，使用检测值作为当前帧的最终结果，此时检测结果被作为新的数据重新进行像素运动方程关键参数的修正；否则，使用计算结果作为当前帧的最终结果，从而实现对船舶的稳定跟踪和自适应修正。
2.根据权利要求1所述的一种桥梁区域通航船舶的快速检测和跟踪方法，其特征在于，所述的使用统计回归的方式确定不同种类船舶像素运动方程的关键参数的方法如下：
A.设船舶像素运动方程为线性的，且船舶中心点横纵坐标为独立的；
B.从数据集中筛选出相同种类船舶的不同时刻对应的不同船舶中心点坐标作为训练数据，训练的损失函数为L＝Lx+Ly，其中
xt和yt分别是t时刻对应的中心点左边，其余参数为关键参数；
C.使用训练数据使损失函数最小化，从而得到关键参数的具体取值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110741122.6A CN113657144B (zh) | 2021-07-01 | 2021-07-01 | 桥梁区域通航船舶的快速检测和跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110741122.6A CN113657144B (zh) | 2021-07-01 | 2021-07-01 | 桥梁区域通航船舶的快速检测和跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657144A CN113657144A (zh) | 2021-11-16 |
| CN113657144B true CN113657144B (zh) | 2024-02-27 |
Family
ID=78489805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110741122.6A Active CN113657144B (zh) | 2021-07-01 | 2021-07-01 | 桥梁区域通航船舶的快速检测和跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657144B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133973A (zh) * | 2017-05-12 | 2017-09-05 | 暨南大学 | 一种桥梁防撞系统中的船舶检测方法 |
| CN109284754A (zh) * | 2018-11-01 | 2019-01-29 | 哈尔滨工业大学 | 基于计算机视觉的桥梁区域船舶几何轮廓自动辨识方法 |
| CN112581795A (zh) * | 2020-12-16 | 2021-03-30 | 东南大学 | 一种基于视频的船桥及船间碰撞实时预警方法与系统 |
| CN112967320A (zh) * | 2021-04-02 | 2021-06-15 | 浙江华是科技股份有限公司 | 一种基于桥梁防撞的船舶目标检测跟踪方法 |
-
2021
- 2021-07-01 CN CN202110741122.6A patent/CN113657144B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133973A (zh) * | 2017-05-12 | 2017-09-05 | 暨南大学 | 一种桥梁防撞系统中的船舶检测方法 |
| CN109284754A (zh) * | 2018-11-01 | 2019-01-29 | 哈尔滨工业大学 | 基于计算机视觉的桥梁区域船舶几何轮廓自动辨识方法 |
| CN112581795A (zh) * | 2020-12-16 | 2021-03-30 | 东南大学 | 一种基于视频的船桥及船间碰撞实时预警方法与系统 |
| CN112967320A (zh) * | 2021-04-02 | 2021-06-15 | 浙江华是科技股份有限公司 | 一种基于桥梁防撞的船舶目标检测跟踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657144A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11410002B2 (en) | Ship identity recognition method based on fusion of AIS data and video data | |
| CN111222574B (zh) | 基于多模型决策级融合的舰船与民船目标检测与分类方法 | |
| CN103425967B (zh) | 一种基于行人检测和跟踪的人流监控方法 | |
| CN109460753A (zh) | 一种检测水上漂浮物的方法 | |
| CN108961235A (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
| CN104573659B (zh) | 一种基于svm的驾驶员接打电话监控方法 | |
| CN112270310A (zh) | 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置 | |
| CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
| CN110046659B (zh) | 一种基于tld的长时间单目标跟踪方法 | |
| CN105427342A (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
| CN109410175B (zh) | 基于多子区图像匹配的sar雷达成像质量快速自动评价方法 | |
| CN113947714B (zh) | 一种视频监控和遥感的多模态协同优化方法及系统 | |
| CN117173215B (zh) | 一种跨摄像头的内河航船全程轨迹识别方法及系统 | |
| CN111783672A (zh) | 一种提高桥梁动位移精度的图像特征辨识方法 | |
| CN111967323B (zh) | 一种基于深度学习算法的电力带电作业安全检测方法 | |
| CN115184380A (zh) | 基于机器视觉的印刷电路板焊点异常检测方法 | |
| CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
| CN115713654A (zh) | 基于2d与3d激光图像的轨道扣件螺栓松动自动检测方法 | |
| CN116758421A (zh) | 一种基于弱监督学习的遥感图像有向目标检测方法 | |
| CN111582270A (zh) | 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法 | |
| Murao et al. | Concrete crack detection using uav and deep learning | |
| CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
| CN107169412A (zh) | 基于混合模型决策的遥感图像靠港船只检测方法 | |
| CN117953048A (zh) | 一种基于计算机视觉的转体桥姿态监控系统及方法 |
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 |