CN113673632B - 边坡视频监测方法及装置 - Google Patents

边坡视频监测方法及装置 Download PDF

Info

Publication number
CN113673632B
CN113673632B CN202111229939.1A CN202111229939A CN113673632B CN 113673632 B CN113673632 B CN 113673632B CN 202111229939 A CN202111229939 A CN 202111229939A CN 113673632 B CN113673632 B CN 113673632B
Authority
CN
China
Prior art keywords
image
slope
edge
frame
protection
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
CN202111229939.1A
Other languages
English (en)
Other versions
CN113673632A (zh
Inventor
钱越
阮有力
邓蓉蓉
蒋立乾
刘兴茂
万山
李�杰
贾有方
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.)
Guizhou Highway Development Co ltd
Research Institute of Highway Ministry of Transport
Original Assignee
Guizhou Highway Development Co ltd
Research Institute of Highway Ministry of Transport
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 Guizhou Highway Development Co ltd, Research Institute of Highway Ministry of Transport filed Critical Guizhou Highway Development Co ltd
Priority to CN202111229939.1A priority Critical patent/CN113673632B/zh
Publication of CN113673632A publication Critical patent/CN113673632A/zh
Application granted granted Critical
Publication of CN113673632B publication Critical patent/CN113673632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明是关于一种边坡视频监测方法及装置，方法包括：获取原始的框格防护边坡图像；从框格防护边坡图像中提取出每帧图像的工程特征，组成工程特征集，其中，工程特征集中包括关键点特征集和边缘特征集；确定框格防护边坡图像对应的基准视频帧，将框格防护边坡图像的视频帧与基准视频帧进行特征关联，以确定基准视频帧对应的关联工程特征；将基准视频帧的工程特征和与其对应的关联工程特征进行比对，以得到比对结果；根据比对结果确定边坡的表观特征状态。通过该技术方案，可以实现对边坡风险的非接触监测。

Description

边坡视频监测方法及装置
技术领域
本发明涉及边坡变化监测技术领域，尤其涉及一种边坡视频监测方法及装置。
背景技术
现有高速公路中，由于自然地质条件的限制，许多西部山区的线路都要开挖山体形成高填方和高边坡。其中有些处在地质条件不利于稳定的山体上，这些边坡虽然经过了防护，仍需随时观测不利气象时的滑坡风险，以保障公路运营安全。
目前对于坡体潜在危害的监测，多是对区域性的大面积的山脉或山体的稳定性进行监测。主要以各种类型的接触式感知设备、通过传感器实时监测数据进行监测和预报。如何在灾害监测和预报同时，及时有效的减缓公路边坡灾害对人身安全的威胁，是目前急需解决的问题。
目前边坡监测的常用方法中非视频技术监测方法有：变形观测，观测边坡的倾斜、水平位移、沉降变形或微动位移等情况；应力观测，观测边坡结构物、防护结构的拉力、倾角加速度等；气象水文观测，观测降雨量；渗流观测，监测边坡的渗流、地下水位、泥水位，土壤含水率等，监测泥石流、山洪等灾害的可能性。主要仪器有传统的裂缝计、测斜管、压力计、位移计等，上述方法均是在边坡内部埋置测量计或传感等装置，通过相关计算机软件等辅助手段检测边坡的稳定性指标，都在不同程度上存在专业化程度高、成本高、危险性大等缺点。新兴出现的多种监测技术，如GNSS一体机，INSAR 监测，GPS、北斗光传感器、TDR等虽然可以实现远程监测，安全性好，但专业化程度更高、成本高也不便于公路工程中普及应用。
现有边坡视频技术监测方法有：边坡位移量测法。先在边坡设立观测靶点，利用双目相机成像原理，测算靶点的三维坐标变化，来判断边坡是否有形变。或者边坡外设立基准点，建立观测相机坐标系。然后边坡上设定一个标识目标，观测标识目标与基准点的位移变化关系。对位移变化量精准量测，得到边坡位移变化量。
现有技术存在以下缺陷：
（1）非视频技术边坡稳定监测缺陷：
1)现场操作，风险性高；
2)专业技术强，需了解全站仪、水文仪等专业设备，及专业监测知识；
3)成本高，专业设备的购买、维护、使用培训等所需费用较高。
（2）现有视频技术的边坡检测方法缺陷：虽然能远程自动化监测、实时数据上报查看，但仅对特定观测点进行监测，对特定点的选取要求极高。特定点的选取失误，会加大漏报的机率。
发明内容
为克服相关技术中存在的问题，本发明提供一种边坡视频监测方法及装置。
根据本发明实施例的第一方面，提供一种边坡视频监测方法，方法包括：
获取原始的框格防护边坡图像，包括但不限于方形、拱形和菱形框格图像；
从所述框格防护边坡图像中提取出每帧图像的工程特征，组成工程特征集，其中，所述工程特征集中包括关键点特征集和边缘特征集；
确定所述框格防护边坡图像对应的基准视频帧，将所述框格防护边坡图像的视频帧与所述基准视频帧进行特征关联，以确定所述基准视频帧对应的关联工程特征；
将所述基准视频帧的工程特征和与其对应的关联工程特征进行比对，以得到比对结果；
根据所述比对结果确定边坡的表观特征状态。
在一个实施例中，优选地，从所述框格防护边坡图像中提取出每帧图像的工程特征，组成工程特征集，包括：
对所述框格防护边坡图像进行预处理，以得到处理后的框格防护边坡图像，其中，预处理包括滤波去噪处理、灰度化处理和去除干扰处理；
对所述处理后的框格防护边坡图像进行边缘监测，以得到边缘二值化图像；
对所述边缘二值化图像进行闭运算，以得到连续的边缘；
根据边缘搜索算法搜索边缘二值化图像中每帧图像的每个边坡防护格栅区域的边缘，以得到边缘搜索结果，并提取边缘特征，组成边缘特征集，其中，第i帧图像的边缘特征集表示为：
Figure 948484DEST_PATH_IMAGE001
其中，
Figure 255969DEST_PATH_IMAGE002
表示第i帧图像的边缘特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure 146564DEST_PATH_IMAGE003
表示第i帧图像中第1个边坡防护格栅区域的边缘特征，
Figure 875443DEST_PATH_IMAGE004
表示第i帧图像中第m个边坡防护格栅区域的边缘特征；
根据所述边缘搜索结果计算每帧图像的每个边坡防护格栅区域的像素坐标范围；
根据所述像素坐标范围定位栅格区域，从所述处理后的框格防护边坡图像中提取出对应的栅格区域图像，并利用
Figure 484279DEST_PATH_IMAGE005
算法提取出栅格区域图像中的关键点特征，以组成关键点特征集，其中，第i帧图像的关键点特征集表示为：
Figure 657771DEST_PATH_IMAGE006
其中，
Figure 606136DEST_PATH_IMAGE007
表示第i帧图像的关键点特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure 574092DEST_PATH_IMAGE007
表示第i帧图像中第1个边坡防护格栅区域的关键点特征，
Figure 670224DEST_PATH_IMAGE008
表示第i帧图像中第m个边坡防护格栅区域的关键点特征；
则所述工程特征集表示为：
Figure 319511DEST_PATH_IMAGE009
F表示所述工程特征集，
Figure 184699DEST_PATH_IMAGE010
为第i帧图像中的边缘特征集和关键点特征集，即：
Figure 261239DEST_PATH_IMAGE011
在一个实施例中，优选地，确定所述框格防护边坡图像对应的基准视频帧，将所述框格防护边坡图像的视频帧与所述基准视频帧进行特征关联，以确定所述基准视频帧对应的关联工程特征，包括：
搜索框格防护边坡图像的视频帧中每帧图像的每个边坡防护格栅区域中与所述基准视频帧中每个边坡防护格栅区域相交的区域集，并从中获取面积最大的目标防护格栅区域，在所述目标防护格栅区域中提取对应的关联边缘特征和关联关键点特征。
在一个实施例中，优选地，将所述基准视频帧的工程特征和与其对应的关联工程特征进行比对，以得到比对结果，包括：
将框格防护边坡图像的每帧图像的所述关联边缘特征和基准视频帧中边坡防护格栅区域的边缘特征按照边缘特征匹配算法进行特征匹配计算，以得到边缘特征匹配度；
将框格防护边坡图像的每帧图像的所述关联关键点特征和所述基准视频帧中边坡防护格栅区域的关键点特征按照
Figure 844667DEST_PATH_IMAGE005
特征匹配算法进行特征匹配计算，以得到
Figure 32066DEST_PATH_IMAGE005
特征匹配度；
根据所述边缘特征匹配度和所述
Figure 17339DEST_PATH_IMAGE005
特征匹配度确定每个边坡防护格栅区域是否发生变化，其中，
采用以下公式确定每个边坡防护格栅区域是否发生变化：
Figure 264781DEST_PATH_IMAGE012
其中，M表示特征匹配度阈值，
Figure 335505DEST_PATH_IMAGE013
表示边缘特征匹配度，
Figure 388912DEST_PATH_IMAGE014
表示
Figure 166375DEST_PATH_IMAGE005
特征匹配度，
Figure 647035DEST_PATH_IMAGE015
为1时表示该边坡防护格栅区域已变化，
Figure 939476DEST_PATH_IMAGE015
为0时表示该边坡防护格栅区域未变化，当有多个相邻区域都为变化时，确定图像发生变化。
在一个实施例中，优选地，根据所述比对结果确定边坡的表观特征状态，包括：
当确定图像未发生变化时，判定边坡的表观特征状态处于稳态状态；
当确定图像发生变化时，判定边坡的表观特征状态处于非稳态状态；
当边坡的表观特征状态持续处于稳态状态下，按预设频率截取稳态图像，并将截取的第一帧稳态图像作为目标基准视频帧，后续截取的稳态图像作为对比帧；
根据所述目标基准视频帧和所述对比帧进行特征对比，确定稳态图像是否发生变化；
当所述稳态图像发生变化时，提示边坡发生了表观特征的变形。
根据本发明实施例的第二方面，提供一种边坡视频监测装置，所述装置包括：
获取模块，用于获取原始的框格防护边坡图像，包括但不限于方形、拱形和菱形框格图像；
提取模块，用于从所述框格防护边坡图像中提取出每帧图像的工程特征，组成工程特征集，其中，所述工程特征集中包括关键点特征集和边缘特征集；
第一确定模块，用于确定所述框格防护边坡图像对应的基准视频帧，将所述框格防护边坡图像的视频帧与所述基准视频帧进行特征关联，以确定所述基准视频帧对应的关联工程特征；
比对模块，用于将所述基准视频帧的工程特征和与其对应的关联工程特征进行比对，以得到比对结果；
第二确定模块，用于根据所述比对结果确定边坡的表观特征状态。
在一个实施例中，优选地，所述提取模块包括：
预处理单元，用于对所述框格防护边坡图像进行预处理，以得到处理后的框格防护边坡图像，其中，预处理包括滤波去噪处理、灰度化处理和去除干扰处理；
监测单元，用于对所述处理后的框格防护边坡图像进行边缘监测，以得到边缘二值化图像；
运算单元，用于对所述边缘二值化图像进行闭运算，以得到连续的边缘；
搜索单元，用于根据边缘搜索算法搜索边缘二值化图像中每帧图像的每个边坡防护格栅区域的边缘，以得到边缘搜索结果，并提取边缘特征，组成边缘特征集，其中，第i帧图像的边缘特征集表示为：
Figure 734257DEST_PATH_IMAGE016
其中，
Figure 428543DEST_PATH_IMAGE017
表示第i帧图像的边缘特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure 17788DEST_PATH_IMAGE018
表示第i帧图像中第1个边坡防护格栅区域的边缘特征，
Figure 63104DEST_PATH_IMAGE019
表示第i帧图像中第m个边坡防护格栅区域的边缘特征；
计算单元，用于根据所述边缘搜索结果计算每帧图像的每个边坡防护格栅区域的像素坐标范围；
提取单元，用于根据所述像素坐标范围定位栅格区域，从所述处理后的框格防护边坡图像中提取出对应的栅格区域图像，并利用
Figure 395996DEST_PATH_IMAGE005
算法提取出栅格区域图像中的关键点特征，以组成关键点特征集，其中，第i帧图像的关键点特征集表示为：
Figure 944789DEST_PATH_IMAGE020
其中，
Figure 845880DEST_PATH_IMAGE021
表示第i帧图像的关键点特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure 112914DEST_PATH_IMAGE022
表示第i帧图像中第1个边坡防护格栅区域的关键点特征，
Figure 249497DEST_PATH_IMAGE023
表示第i帧图像中第m个边坡防护格栅区域的关键点特征；
则所述工程特征集表示为：
Figure 652796DEST_PATH_IMAGE024
F表示所述工程特征集，
Figure 911739DEST_PATH_IMAGE010
为第i帧图像中的边缘特征集和关键点特征集，即：
Figure 603752DEST_PATH_IMAGE025
在一个实施例中，优选地，第一确定模块用于：
搜索框格防护边坡图像的视频帧中每帧图像的每个边坡防护格栅区域中与所述基准视频帧中每个边坡防护格栅区域相交的区域集，并从中获取面积最大的目标防护格栅区域，在所述目标防护格栅区域中提取对应的关联边缘特征和关联关键点特征。
在一个实施例中，优选地，所述比对模块包括：
第一匹配单元，用于将框格防护边坡图像的每帧图像的所述关联边缘特征和基准视频帧中边坡防护格栅区域的边缘特征按照边缘特征匹配算法进行特征匹配计算，以得到边缘特征匹配度；
第二匹配单元，用于将框格防护边坡图像的每帧图像的所述关联关键点特征和所述基准视频帧中边坡防护格栅区域的关键点特征按照
Figure 278447DEST_PATH_IMAGE005
特征匹配算法进行特征匹配计算，以得到
Figure 801832DEST_PATH_IMAGE005
特征匹配度；
第一确定单元，用于根据所述边缘特征匹配度和所述
Figure 163500DEST_PATH_IMAGE005
特征匹配度确定每个边坡防护格栅区域是否发生变化，其中，
采用以下公式确定每个边坡防护格栅区域是否发生变化：
Figure 139546DEST_PATH_IMAGE026
其中，M表示特征匹配度阈值，
Figure 617932DEST_PATH_IMAGE027
表示边缘特征匹配度，
Figure 199086DEST_PATH_IMAGE014
表示
Figure 534253DEST_PATH_IMAGE005
特征匹配度，
Figure 200857DEST_PATH_IMAGE015
为1时表示该边坡防护格栅区域已变化，
Figure 217355DEST_PATH_IMAGE015
为0时表示该边坡防护格栅区域未变化，当有多个相邻区域都为变化时，确定图像发生变化。
在一个实施例中，优选地，所述第二确定模块包括：
第一判定单元，用于当确定图像未发生变化时，判定边坡的表观特征状态处于稳态状态；
第二判定单元，用于当确定图像发生变化时，判定边坡的表观特征状态处于非稳态状态；
截取单元，用于当边坡的表观特征状态持续处于稳态状态下，按预设频率截取稳态图像，并将截取的第一帧稳态图像作为目标基准视频帧，后续截取的稳态图像作为对比帧；
第二确定单元，用于根据所述目标基准视频帧和所述对比帧进行特征对比，确定稳态图像是否发生变化；
提示单元，用于当所述稳态图像发生变化时，提示边坡发生了表观特征的变形。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例中，通过视频监测可以在边坡外与潜在风险的边坡实现非接触监测，一来可避免灾害来临时给边坡上直接接触式布设的监测带来的人员伤害，二来可以减少灾害监测所需要的大量人员和设备带来的成本投入。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种边坡视频监测方法的流程图。
图2是根据一示例性实施例示出的一种边坡视频监测方法中步骤S102的流程图。
图3A是根据一示例性实施例示出的一种边坡视频监测方法中步骤S103的流程图。
图3B是根据一示例性实施例示出的一种目标防护格栅区域的示意图。
图4是根据一示例性实施例示出的一种边坡视频监测方法中步骤S104的流程图。
图5是根据一示例性实施例示出的一种边坡视频监测方法中步骤S105的流程图。
图6是根据一示例性实施例示出的一种边坡视频监测装置的框图。
图7是根据一示例性实施例示出的一种边坡视频监测装置中提取模块的框图。
图8是根据一示例性实施例示出的一种边坡视频监测装置中比对模块的框图。
图9是根据一示例性实施例示出的一种边坡视频监测装置中比对模块的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种边坡视频监测方法的流程图，如图1所示，该方法包括：
步骤S101，获取原始的框格防护边坡图像，包括但不限于方形、拱形和菱形框格图像；
步骤S102，从所述框格防护边坡图像中提取出每帧图像的工程特征，组成工程特征集，其中，所述工程特征集中包括关键点特征集和边缘特征集；
步骤S103，确定所述框格防护边坡图像对应的基准视频帧，将所述框格防护边坡图像的视频帧与所述基准视频帧进行特征关联，以确定所述基准视频帧对应的关联工程特征；
步骤S104，将所述基准视频帧的工程特征和与其对应的关联工程特征进行比对，以得到比对结果；
步骤S105，根据所述比对结果确定边坡的表观特征状态。
在该实施例中，通过视频监测可以在边坡外与潜在风险的边坡实现非接触监测，一来可避免灾害来临时给边坡上直接接触式布设的监测带来的人员伤害，二来可以减少灾害监测所需要的大量人员和设备带来的成本投入。
图2是根据一示例性实施例示出的一种边坡视频监测方法中步骤S102的流程图。
在一个实施例中，优选地，上述步骤S102包括：
步骤S201，对所述框格防护边坡图像进行预处理，以得到处理后的框格防护边坡图像，其中，预处理包括滤波去噪处理、灰度化处理和去除干扰处理；
原始的框格防护边坡图像中存在大量噪点，影响后续处理，加入滤波去噪处理，可以提升边缘检测效果。对图像进行灰度化处理，便于后续的边缘检测。去除干扰，利用图像中运动物体的特征，抠除如鸟类、树叶、植物阴影等物体的干扰，用邻近无干扰视频帧中图像代替抠除部分。
步骤S202，对所述处理后的框格防护边坡图像进行边缘监测，以得到边缘二值化图像；具体地，可以挑选边缘检测滤波器，执行梯度检测，得出边缘二值化图像。
步骤S203，对所述边缘二值化图像进行闭运算，以得到连续的边缘；
步骤S204，根据边缘搜索算法搜索边缘二值化图像中每帧图像的每个边坡防护格栅区域的边缘，以得到边缘搜索结果，并提取边缘特征，组成边缘特征集，其中，第i帧图像的边缘特征集表示为：
Figure 715332DEST_PATH_IMAGE001
其中，
Figure 159083DEST_PATH_IMAGE002
表示第i帧图像的边缘特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure 375301DEST_PATH_IMAGE003
表示第i帧图像中第1个边坡防护格栅区域的边缘特征，
Figure 257806DEST_PATH_IMAGE004
表示第i帧图像中第m个边坡防护格栅区域的边缘特征；
步骤S205，根据所述边缘搜索结果计算每帧图像的每个边坡防护格栅区域的像素坐标范围；
步骤S206，根据所述像素坐标范围定位栅格区域，从所述处理后的框格防护边坡图像中提取出对应的栅格区域图像，并利用
Figure 547973DEST_PATH_IMAGE005
算法提取出栅格区域图像中的关键点特征，以组成关键点特征集，其中，第i帧图像的关键点特征集表示为：
Figure 490522DEST_PATH_IMAGE006
其中，
Figure 866139DEST_PATH_IMAGE007
表示第i帧图像的关键点特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure 224439DEST_PATH_IMAGE028
表示第i帧图像中第1个边坡防护格栅区域的关键点特征，
Figure 697009DEST_PATH_IMAGE008
表示第i帧图像中第m个边坡防护格栅区域的关键点特征；
则所述工程特征集表示为：
Figure 544879DEST_PATH_IMAGE009
F表示所述工程特征集，
Figure 407793DEST_PATH_IMAGE010
为第i帧图像中的边缘特征集和关键点特征集，即：
Figure 632101DEST_PATH_IMAGE011
图3A是根据一示例性实施例示出的一种边坡视频监测方法中步骤S103的流程图。
如图3A所示，在一个实施例中，优选地，步骤S103包括：
步骤S301，如图3B所示，搜索框格防护边坡图像的视频帧中每帧图像的每个边坡防护格栅区域311中与所述基准视频帧中每个边坡防护格栅区域312相交的区域集，并从中获取面积最大的目标防护格栅区域313，在所述目标防护格栅区域313中提取对应的关联边缘特征和关联关键点特征。由图3B可知，区域B的面积大于区域A的面积，因此，将区域B作为目标防护格栅区域。
确定边坡视频监测基准视频帧，并将采样视频帧与基准视频帧进行特征关联。假设布设摄像机是静止不动的，视频每个防护格栅在s秒视频帧内相对位置保持稳定。基准视频帧中第
Figure 959177DEST_PATH_IMAGE029
个边坡防护格栅区域的关键点特征和边缘特征为
Figure 181211DEST_PATH_IMAGE030
。
第
Figure 593738DEST_PATH_IMAGE031
帧采样视频帧中包含
Figure 169207DEST_PATH_IMAGE032
边坡防护格栅区域，搜索并记录这
Figure 350789DEST_PATH_IMAGE032
个边坡防护格栅区域中与基准视频帧中每个边坡防护格栅区域相交的区域集，在相交区域集中获取相交区域面积最大的防护格栅区域，获取该区域的两类特征：
Figure 743725DEST_PATH_IMAGE033
。
图4是根据一示例性实施例示出的一种边坡视频监测方法中步骤S104的流程图。
如图4所示，在一个实施例中，优选地，步骤S104包括：
步骤S401，将框格防护边坡图像的每帧图像的所述关联边缘特征和基准视频帧中边坡防护格栅区域的边缘特征按照边缘特征匹配算法进行特征匹配计算，以得到边缘特征匹配度；
步骤S402，将框格防护边坡图像的每帧图像的所述关联关键点特征和所述基准视频帧中边坡防护格栅区域的关键点特征按照
Figure 643548DEST_PATH_IMAGE005
特征匹配算法进行特征匹配计算，以得到
Figure 209658DEST_PATH_IMAGE005
特征匹配度；
设
Figure 183430DEST_PATH_IMAGE030
为基准视频帧中第
Figure 809584DEST_PATH_IMAGE034
个边坡防护格栅区域特征；
Figure 151964DEST_PATH_IMAGE033
为第
Figure 256186DEST_PATH_IMAGE035
图像中与基准视频帧第
Figure 412361DEST_PATH_IMAGE034
边坡防护格栅区域相关联的边坡防护格栅区域特征。
将
Figure 147099DEST_PATH_IMAGE005
特征
Figure 755935DEST_PATH_IMAGE036
与
Figure 929427DEST_PATH_IMAGE037
按照
Figure 877792DEST_PATH_IMAGE005
特征匹配算法进行特征匹配计算，得出
Figure 845748DEST_PATH_IMAGE005
特征匹配度
Figure 941880DEST_PATH_IMAGE038
；将边缘特征
Figure 325588DEST_PATH_IMAGE039
与
Figure 456355DEST_PATH_IMAGE040
按照边缘特征匹配算法进行特征匹配计算，得出边缘特征匹配度
Figure 532895DEST_PATH_IMAGE013
，设置特征匹配度阈值M。
步骤S403，根据所述边缘特征匹配度和所述
Figure 116323DEST_PATH_IMAGE005
特征匹配度确定每个边坡防护格栅区域是否发生变化，其中，
采用以下公式确定每个边坡防护格栅区域是否发生变化：
Figure 366039DEST_PATH_IMAGE012
其中，M表示特征匹配度阈值，
Figure 288995DEST_PATH_IMAGE013
表示边缘特征匹配度，
Figure 598754DEST_PATH_IMAGE014
表示
Figure 669478DEST_PATH_IMAGE005
特征匹配度，
Figure 660568DEST_PATH_IMAGE015
为1时表示该边坡防护格栅区域已变化，
Figure 500348DEST_PATH_IMAGE015
为0时表示该边坡防护格栅区域未变化，当有多个相邻区域都为变化时，确定图像发生变化。
图5是根据一示例性实施例示出的一种边坡视频监测方法中步骤S105的流程图。
如图5所示，在一个实施例中，优选地，上述步骤S105包括：
步骤S501，当确定图像未发生变化时，判定边坡的表观特征状态处于稳态状态；
步骤S502，当确定图像发生变化时，判定边坡的表观特征状态处于非稳态状态；
步骤S503，当边坡的表观特征状态持续处于稳态状态下，按预设频率截取稳态图像，并将截取的第一帧稳态图像作为目标基准视频帧，后续截取的稳态图像作为对比帧；
步骤S504，根据所述目标基准视频帧和所述对比帧进行特征对比，确定稳态图像是否发生变化；
步骤S505，当所述稳态图像发生变化时，提示边坡发生了表观特征的变形。
边坡的表观特征状态包含稳态和非稳态两种。稳态表示在排除鸟类、树叶、植物阴影等快速运动物体的干扰下边坡的表观特征没有大幅变化的状态；非稳态表示边坡表观特征正在持续遭受外部客观因素的影响，包括雨雪天气、光线变化、摄像头抖动等影响。
图6是根据一示例性实施例示出的一种边坡视频监测装置的框图。
如图6所示，根据本发明实施例的第二方面，提供一种边坡视频监测装置，所述装置包括：
获取模块61，用于获取原始的框格防护边坡图像，包括但不限于方形、拱形和菱形框格图像；
提取模块62，用于从所述框格防护边坡图像中提取出每帧图像的工程特征，组成工程特征集，其中，所述工程特征集中包括关键点特征集和边缘特征集；
第一确定模块63，用于确定所述框格防护边坡图像对应的基准视频帧，将所述框格防护边坡图像的视频帧与所述基准视频帧进行特征关联，以确定所述基准视频帧对应的关联工程特征；
比对模块64，用于将所述基准视频帧的工程特征和与其对应的关联工程特征进行比对，以得到比对结果；
第二确定模块65，用于根据所述比对结果确定边坡的表观特征状态。
图7是根据一示例性实施例示出的一种边坡视频监测装置中提取模块的框图。
如图7所示，在一个实施例中，优选地，所述提取模块62包括：
预处理单元71，用于对所述框格防护边坡图像进行预处理，以得到处理后的框格防护边坡图像，其中，预处理包括滤波去噪处理、灰度化处理和去除干扰处理；
监测单元72，用于对所述处理后的框格防护边坡图像进行边缘监测，以得到边缘二值化图像；
运算单元73，用于对所述边缘二值化图像进行闭运算，以得到连续的边缘；
搜索单元74，用于根据边缘搜索算法搜索边缘二值化图像中每帧图像的每个边坡防护格栅区域的边缘，以得到边缘搜索结果，并提取边缘特征，组成边缘特征集，其中，第i帧图像的边缘特征集表示为：
Figure 981008DEST_PATH_IMAGE016
其中，
Figure 211132DEST_PATH_IMAGE017
表示第i帧图像的边缘特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure 68230DEST_PATH_IMAGE018
表示第i帧图像中第1个边坡防护格栅区域的边缘特征，
Figure 762516DEST_PATH_IMAGE019
表示第i帧图像中第m个边坡防护格栅区域的边缘特征；
计算单元75，用于根据所述边缘搜索结果计算每帧图像的每个边坡防护格栅区域的像素坐标范围；
提取单元76，用于根据所述像素坐标范围定位栅格区域，从所述处理后的框格防护边坡图像中提取出对应的栅格区域图像，并利用
Figure 351761DEST_PATH_IMAGE005
算法提取出栅格区域图像中的关键点特征，以组成关键点特征集，其中，第i帧图像的关键点特征集表示为：
Figure 397077DEST_PATH_IMAGE020
其中，
Figure 729969DEST_PATH_IMAGE021
表示第i帧图像的关键点特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure 278762DEST_PATH_IMAGE022
表示第i帧图像中第1个边坡防护格栅区域的关键点特征，
Figure 366804DEST_PATH_IMAGE019
表示第i帧图像中第m个边坡防护格栅区域的关键点特征；
则所述工程特征集表示为：
Figure 571520DEST_PATH_IMAGE024
F表示所述工程特征集，
Figure 504841DEST_PATH_IMAGE010
为第i帧图像中的边缘特征集和关键点特征集，即：
Figure 173720DEST_PATH_IMAGE011
在一个实施例中，优选地，第一确定模块63用于：
搜索框格防护边坡图像的视频帧中每帧图像的每个边坡防护格栅区域中与所述基准视频帧中每个边坡防护格栅区域相交的区域集，并从中获取面积最大的目标防护格栅区域，在所述目标防护格栅区域中提取对应的关联边缘特征和关联关键点特征。
图8是根据一示例性实施例示出的一种边坡视频监测装置中比对模块的框图。
如图8所示，在一个实施例中，优选地，所述比对模块64包括：
第一匹配单元81，用于将框格防护边坡图像的每帧图像的所述关联边缘特征和基准视频帧中边坡防护格栅区域的边缘特征按照边缘特征匹配算法进行特征匹配计算，以得到边缘特征匹配度；
第二匹配单元82，用于将框格防护边坡图像的每帧图像的所述关联关键点特征和所述基准视频帧中边坡防护格栅区域的关键点特征按照
Figure 370346DEST_PATH_IMAGE005
特征匹配算法进行特征匹配计算，以得到
Figure 859096DEST_PATH_IMAGE005
特征匹配度；
第一确定单元83，用于根据所述边缘特征匹配度和所述
Figure 861687DEST_PATH_IMAGE005
特征匹配度确定每个边坡防护格栅区域是否发生变化，其中，
采用以下公式确定每个边坡防护格栅区域是否发生变化：
Figure 322756DEST_PATH_IMAGE026
其中，M表示特征匹配度阈值，
Figure 487021DEST_PATH_IMAGE027
表示边缘特征匹配度，
Figure 728646DEST_PATH_IMAGE014
表示
Figure 207032DEST_PATH_IMAGE005
特征匹配度，
Figure 584924DEST_PATH_IMAGE015
为1时表示该边坡防护格栅区域已变化，
Figure 185670DEST_PATH_IMAGE015
为0时表示该边坡防护格栅区域未变化，当有多个相邻区域都为变化时，确定图像发生变化。
图9是根据一示例性实施例示出的一种边坡视频监测装置中比对模块的框图。
如图9所示，在一个实施例中，优选地，所述第二确定模块65包括：
第一判定单元91，用于当确定图像未发生变化时，判定边坡的表观特征状态处于稳态状态；
第二判定单元92，用于当确定图像发生变化时，判定边坡的表观特征状态处于非稳态状态；
截取单元93，用于当边坡的表观特征状态持续处于稳态状态下，按预设频率截取稳态图像，并将截取的第一帧稳态图像作为目标基准视频帧，后续截取的稳态图像作为对比帧；
第二确定单元94，用于根据所述目标基准视频帧和所述对比帧进行特征对比，确定稳态图像是否发生变化；
提示单元95，用于当所述稳态图像发生变化时，提示边坡发生了表观特征的变形。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
本发明实施例中，抓取了实际工程中的边坡表观特征，边坡防护中常用的菱形格栅、方形格栅、拱形格栅等。分析了高速公路边坡随时间而呈现出来的表观变化特点，总结了表观监测的干扰因素，如鸟、落叶、植物阴影等干扰。利用视频图像分析技术，清洗干扰元素，还原边坡结构格栅的轮廓区域。在深入实地调研格栅类边坡形变特点的基础上定义表观特征状态，利用该特征状态剔除非稳定性影响因素，针对稳定性状态下的边坡变形特征进行识别。实施方式易操作。利用公路既有的线形设计和光缆、电力铺设条件，放杆架设视频设备，监测条件齐全稳定，相比较设计生产自带电源的其他监测设备而言，具有好架设、好维护特点。视频监测可以在边坡外与潜在风险的边坡实现非接触监测，一来可避免灾害来临时给边坡上直接接触式布设的监测带来的人员伤害，二来可以减少灾害监测所需要的大量人员和设备带来的成本投入。
进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (8)

1.一种边坡视频监测方法，其特征在于，所述方法包括：
获取原始的框格防护边坡图像；
从所述框格防护边坡图像中提取出每帧图像的工程特征，组成工程特征集，其中，所述工程特征集中包括关键点特征集和边缘特征集；
确定所述框格防护边坡图像对应的基准视频帧，将所述框格防护边坡图像的视频帧与所述基准视频帧进行特征关联，以确定所述基准视频帧对应的关联工程特征；
将所述基准视频帧的工程特征和与其对应的关联工程特征进行比对，以得到比对结果；
根据所述比对结果确定边坡的表观特征状态;
从所述框格防护边坡图像中提取出每帧图像的工程特征，组成工程特征集，包括：
对所述框格防护边坡图像进行预处理，以得到处理后的框格防护边坡图像，其中，预处理包括滤波去噪处理、灰度化处理和去除干扰处理；
对所述处理后的框格防护边坡图像进行边缘监测，以得到边缘二值化图像；
对所述边缘二值化图像进行闭运算，以得到连续的边缘；
根据边缘搜索算法搜索边缘二值化图像中每帧图像的每个边坡防护格栅区域的边缘，以得到边缘搜索结果，并提取边缘特征，组成边缘特征集，其中，第i帧图像的边缘特征集表示为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示第i帧图像的边缘特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure DEST_PATH_IMAGE003
表示第i帧图像中第1个边坡防护格栅区域的边缘特征，
Figure DEST_PATH_IMAGE004
表示第i帧图像中第m个边坡防护格栅区域的边缘特征；
根据所述边缘搜索结果计算每帧图像的每个边坡防护格栅区域的像素坐标范围；
根据所述像素坐标范围定位栅格区域，从所述处理后的框格防护边坡图像中提取出对应的栅格区域图像，并利用
Figure DEST_PATH_IMAGE005
算法提取出栅格区域图像中的关键点特征，以组成关键点特征集，其中，第i帧图像的关键点特征集表示为：
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
表示第i帧图像的关键点特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure DEST_PATH_IMAGE008
表示第i帧图像中第1个边坡防护格栅区域的关键点特征，
Figure DEST_PATH_IMAGE009
表示第i帧图像中第m个边坡防护格栅区域的关键点特征；
则所述工程特征集表示为：
Figure DEST_PATH_IMAGE010
F表示所述工程特征集，
Figure DEST_PATH_IMAGE011
为第i帧图像中的边缘特征集和关键点特征集，即：
Figure DEST_PATH_IMAGE012
。
2.根据权利要求1所述的方法，其特征在于，确定所述框格防护边坡图像对应的基准视频帧，将所述框格防护边坡图像的视频帧与所述基准视频帧进行特征关联，以确定所述基准视频帧对应的关联工程特征，包括：
搜索框格防护边坡图像的视频帧中每帧图像的每个边坡防护格栅区域中与所述基准视频帧中每个边坡防护格栅区域相交的区域集，并从中获取面积最大的目标防护格栅区域，在所述目标防护格栅区域中提取对应的关联边缘特征和关联关键点特征。
3.根据权利要求2所述的方法，其特征在于，将所述基准视频帧的工程特征和与其对应的关联工程特征进行比对，以得到比对结果，包括：
将框格防护边坡图像的每帧图像的所述关联边缘特征和基准视频帧中边坡防护格栅区域的边缘特征按照边缘特征匹配算法进行特征匹配计算，以得到边缘特征匹配度；
将框格防护边坡图像的每帧图像的所述关联关键点特征和所述基准视频帧中边坡防护格栅区域的关键点特征按照
Figure 764263DEST_PATH_IMAGE005
特征匹配算法进行特征匹配计算，以得到
Figure 868354DEST_PATH_IMAGE005
特征匹配度；
根据所述边缘特征匹配度和所述
Figure 569463DEST_PATH_IMAGE005
特征匹配度确定每个边坡防护格栅区域是否发生变化，其中，
采用以下公式确定每个边坡防护格栅区域是否发生变化：
Figure DEST_PATH_IMAGE013
其中，M表示特征匹配度阈值，
Figure DEST_PATH_IMAGE014
表示边缘特征匹配度，
Figure DEST_PATH_IMAGE015
表示
Figure 247830DEST_PATH_IMAGE005
特征匹配度，
Figure DEST_PATH_IMAGE016
为1时表示该边坡防护格栅区域已变化，
Figure 29579DEST_PATH_IMAGE016
为0时表示该边坡防护格栅区域未变化，当有多个相邻区域都为变化时，确定图像发生变化。
4.根据权利要求3所述的方法，其特征在于，根据所述比对结果确定边坡的表观特征状态，包括：
当确定图像未发生变化时，判定边坡的表观特征状态处于稳态状态；
当确定图像发生变化时，判定边坡的表观特征状态处于非稳态状态；
当边坡的表观特征状态持续处于稳态状态下，按预设频率截取稳态图像，并将截取的第一帧稳态图像作为目标基准视频帧，后续截取的稳态图像作为对比帧；
根据所述目标基准视频帧和所述对比帧进行特征对比，确定稳态图像是否发生变化；
当所述稳态图像发生变化时，提示边坡发生了表观特征的变形。
5.一种边坡视频监测装置，其特征在于，所述装置包括：
获取模块，用于获取原始的框格防护边坡图像；
提取模块，用于从所述框格防护边坡图像中提取出每帧图像的工程特征，组成工程特征集，其中，所述工程特征集中包括关键点特征集和边缘特征集；
第一确定模块，用于确定所述框格防护边坡图像对应的基准视频帧，将所述框格防护边坡图像的视频帧与所述基准视频帧进行特征关联，以确定所述基准视频帧对应的关联工程特征；
比对模块，用于将所述基准视频帧的工程特征和与其对应的关联工程特征进行比对，以得到比对结果；
第二确定模块，用于根据所述比对结果确定边坡的表观特征状态;
所述提取模块包括：
预处理单元，用于对所述框格防护边坡图像进行预处理，以得到处理后的框格防护边坡图像，其中，预处理包括滤波去噪处理、灰度化处理和去除干扰处理；
监测单元，用于对所述处理后的框格防护边坡图像进行边缘监测，以得到边缘二值化图像；
运算单元，用于对所述边缘二值化图像进行闭运算，以得到连续的边缘；
搜索单元，用于根据边缘搜索算法搜索边缘二值化图像中每帧图像的每个边坡防护格栅区域的边缘，以得到边缘搜索结果，并提取边缘特征，组成边缘特征集，其中，第i帧图像的边缘特征集表示为：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
表示第i帧图像的边缘特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure DEST_PATH_IMAGE019
表示第i帧图像中第1个边坡防护格栅区域的边缘特征，
Figure DEST_PATH_IMAGE020
表示第i帧图像中第m个边坡防护格栅区域的边缘特征；
计算单元，用于根据所述边缘搜索结果计算每帧图像的每个边坡防护格栅区域的像素坐标范围；
提取单元，用于根据所述像素坐标范围定位栅格区域，从所述处理后的框格防护边坡图像中提取出对应的栅格区域图像，并利用
Figure 38992DEST_PATH_IMAGE005
算法提取出栅格区域图像中的关键点特征，以组成关键点特征集，其中，第i帧图像的关键点特征集表示为：
Figure DEST_PATH_IMAGE021
其中，
Figure DEST_PATH_IMAGE022
表示第i帧图像的关键点特征集，m表示第i帧图像中包含的边缘防护格栅区域的总数量，
Figure DEST_PATH_IMAGE023
表示第i帧图像中第1个边坡防护格栅区域的关键点特征，
Figure DEST_PATH_IMAGE024
表示第i帧图像中第m个边坡防护格栅区域的关键点特征；
则所述工程特征集表示为：
Figure DEST_PATH_IMAGE025
F表示所述工程特征集，
Figure DEST_PATH_IMAGE026
为第i帧图像中的边缘特征集和关键点特征集，即：
Figure DEST_PATH_IMAGE027
。
6.根据权利要求5所述的装置，其特征在于，第一确定模块用于：
搜索框格防护边坡图像的视频帧中每帧图像的每个边坡防护格栅区域中与所述基准视频帧中每个边坡防护格栅区域相交的区域集，并从中获取面积最大的目标防护格栅区域，在所述目标防护格栅区域中提取对应的关联边缘特征和关联关键点特征。
7.根据权利要求6所述的装置，其特征在于，所述比对模块包括：
第一匹配单元，用于将框格防护边坡图像的每帧图像的所述关联边缘特征和基准视频帧中边坡防护格栅区域的边缘特征按照边缘特征匹配算法进行特征匹配计算，以得到边缘特征匹配度；
第二匹配单元，用于将框格防护边坡图像的每帧图像的所述关联关键点特征和所述基准视频帧中边坡防护格栅区域的关键点特征按照
Figure 75999DEST_PATH_IMAGE005
特征匹配算法进行特征匹配计算，以得到
Figure 478161DEST_PATH_IMAGE005
特征匹配度；
第一确定单元，用于根据所述边缘特征匹配度和所述
Figure 333991DEST_PATH_IMAGE005
特征匹配度确定每个边坡防护格栅区域是否发生变化，其中，
采用以下公式确定每个边坡防护格栅区域是否发生变化：
Figure DEST_PATH_IMAGE028
其中，M表示特征匹配度阈值，
Figure DEST_PATH_IMAGE029
表示边缘特征匹配度，
Figure 389671DEST_PATH_IMAGE015
表示
Figure 330952DEST_PATH_IMAGE005
特征匹配度，
Figure 271226DEST_PATH_IMAGE016
为1时表示该边坡防护格栅区域已变化，
Figure 981562DEST_PATH_IMAGE016
为0时表示该边坡防护格栅区域未变化，当有多个相邻区域都为变化时，确定图像发生变化。
8.根据权利要求7所述的装置，其特征在于，所述第二确定模块包括：
第一判定单元，用于当确定图像未发生变化时，判定边坡的表观特征状态处于稳态状态；
第二判定单元，用于当确定图像发生变化时，判定边坡的表观特征状态处于非稳态状态；
截取单元，用于当边坡的表观特征状态持续处于稳态状态下，按预设频率截取稳态图像，并将截取的第一帧稳态图像作为目标基准视频帧，后续截取的稳态图像作为对比帧；
第二确定单元，用于根据所述目标基准视频帧和所述对比帧进行特征对比，确定稳态图像是否发生变化；
提示单元，用于当所述稳态图像发生变化时，提示边坡发生了表观特征的变形。
CN202111229939.1A 2021-10-22 2021-10-22 边坡视频监测方法及装置 Active CN113673632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111229939.1A CN113673632B (zh) 2021-10-22 2021-10-22 边坡视频监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111229939.1A CN113673632B (zh) 2021-10-22 2021-10-22 边坡视频监测方法及装置

Publications (2)

Publication Number Publication Date
CN113673632A CN113673632A (zh) 2021-11-19
CN113673632B true CN113673632B (zh) 2022-02-01

Family

ID=78550888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111229939.1A Active CN113673632B (zh) 2021-10-22 2021-10-22 边坡视频监测方法及装置

Country Status (1)

Country Link
CN (1) CN113673632B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700399A (zh) * 2015-01-08 2015-06-10 东北大学 一种基于高分遥感影像的大变形滑坡位移场标定方法
CN112593583A (zh) * 2020-12-22 2021-04-02 南京宥安传感科技有限公司 一种基于混凝土框格的边坡监测系统
CN112857246A (zh) * 2021-02-05 2021-05-28 中国矿业大学(北京) 一种利用地面三目视频匹配的露天矿边坡形变在线监测方法
CN113240735A (zh) * 2021-02-01 2021-08-10 北方工业大学 一种边坡位移活动性监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9147113B2 (en) * 2013-10-07 2015-09-29 Hong Kong Applied Science and Technology Research Institute Company Limited Deformable surface tracking in augmented reality applications

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700399A (zh) * 2015-01-08 2015-06-10 东北大学 一种基于高分遥感影像的大变形滑坡位移场标定方法
CN112593583A (zh) * 2020-12-22 2021-04-02 南京宥安传感科技有限公司 一种基于混凝土框格的边坡监测系统
CN113240735A (zh) * 2021-02-01 2021-08-10 北方工业大学 一种边坡位移活动性监测方法
CN112857246A (zh) * 2021-02-05 2021-05-28 中国矿业大学(北京) 一种利用地面三目视频匹配的露天矿边坡形变在线监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于双目视觉的公路边坡表面位移识别方法;许薛军 等;《中国公路学报》;20150430;全文 *
基于目标检测与跟踪算法的边坡危岩监测系统设计;王扬;《中国优秀硕士学位论文全文数据库》;20210115;全文 *

Also Published As

Publication number Publication date
CN113673632A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
Weidner et al. Classification methods for point clouds in rock slope monitoring: A novel machine learning approach and comparative analysis
Mondini et al. Semi-automatic recognition and mapping of rainfall induced shallow landslides using optical satellite images
Hu et al. Monitoring mangrove forest change in China from 1990 to 2015 using Landsat-derived spectral-temporal variability metrics
Sofia et al. High‐resolution topography and anthropogenic feature extraction: Testing geomorphometric parameters in floodplains
Castillo et al. The normalized topographic method: an automated procedure for gully mapping using GIS
Beaton et al. Identifying historic river ice breakup timing using MODIS and Google Earth Engine in support of operational flood monitoring in Northern Ontario
Kashani et al. Automated tornado damage assessment and wind speed estimation based on terrestrial laser scanning
CN107341586A (zh) 一种基于降雨的地质灾害发生频率的计算方法
CN109186706A (zh) 一种用于城市雨洪淹没区预警的方法
CN114612789B (zh) 一种通过长时序卫星遥感提取常绿森林林分变化的方法
Al Saud Flood control management for the city and surroundings of Jeddah, Saudi Arabia
Lubin et al. Remote sensing-based mapping of the destruction to Aleppo during the Syrian Civil War between 2011 and 2017
CN114565313A (zh) 一种地质灾害隐患判识以及分析评估方法及系统
Mora et al. Small landslide susceptibility and hazard assessment based on airborne lidar data
Yang et al. Bank gully extraction from DEMs utilizing the geomorphologic features of a loess hilly area in China
Shakya et al. Statistical quantification of texture visual features for pattern recognition by analyzing pre-and post-multispectral Landsat satellite imagery
Tseng et al. Scale and spatial distribution assessment of rainfall-induced landslides in a catchment with mountain roads
KR101793264B1 (ko) 균열의 발생 및 진행 분석 방법
Sunny et al. Performance study of imageries from MODIS, Landsat 8 and Sentinel-2 on measuring shoreline change at a regional scale
Bescoby Detecting Roman land boundaries in aerial photographs using Radon transforms
CN113673632B (zh) 边坡视频监测方法及装置
JP5628401B1 (ja) マンホール鉄蓋最大段差量測定装置および方法、並びにこれに用いられる画素分解能算出装置、マンホール鉄蓋最大段差箇所検知装置、画素分解能算出方法、マンホール鉄蓋最大段差箇所検知方法
CN115471980B (zh) 泥石流灾害预警方法
Bartsch et al. Identification of geomorphic process units in Kärkevagge, northern Sweden, by remote sensing and digital terrain analysis
CN116045903A (zh) 一种采煤区地面形变识别与评价方法

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