CN115082860A - 一种基于图像处理和uwb技术的工厂区域车辆管理方法 - Google Patents

一种基于图像处理和uwb技术的工厂区域车辆管理方法 Download PDF

Info

Publication number
CN115082860A
CN115082860A CN202210771588.5A CN202210771588A CN115082860A CN 115082860 A CN115082860 A CN 115082860A CN 202210771588 A CN202210771588 A CN 202210771588A CN 115082860 A CN115082860 A CN 115082860A
Authority
CN
China
Prior art keywords
vehicle
image
factory area
representing
carrying
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
CN202210771588.5A
Other languages
English (en)
Inventor
江大白
胡增
杨坤龙
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.)
China Applied Technology Co Ltd
Original Assignee
China Applied 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 China Applied Technology Co Ltd filed Critical China Applied Technology Co Ltd
Priority to CN202210771588.5A priority Critical patent/CN115082860A/zh
Publication of CN115082860A publication Critical patent/CN115082860A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30232—Surveillance
    • 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
    • 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
    • G06T2207/30264—Parking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于图像处理和UWB技术的工厂区域车辆管理方法,该方法包括：对车辆的图像信息进行中值滤波处理用于杂点和噪音的消除，利用颜色分量模型对车辆的图像进行色彩调整；利用颜色极值函数对车辆图像中的背景图像进行擦除处理；对车辆图像的边缘信息利用Canny算法进行特征提取；对特征提取的结果进行求导和梯度方向、梯度值的计算；在工厂区域内利用距离差值法同时计算出车辆与两个基站的距离，对测得的距离利用滑动平均滤波进行误差处理；对在工厂区域内车辆的状态进行解算；利用位置偏差方程对车辆定位的结果进行误差估算，车辆出门的时候工作人员收回UWB定位卡，该方法定位精度高，节约了人力成本，有利于工厂的管理。

Description

一种基于图像处理和UWB技术的工厂区域车辆管理方法
技术领域
本发明涉及工厂区域车辆管理领域,尤其涉及一种基于图像处理和UWB技术的工厂区域车辆管理方法。
背景技术
对于有一些工厂，其规定外部的车辆在进出厂区内需要按照规定的行驶路线，或者需要停靠在指定的区域范围内。如果不按规定，可能会带来安全隐患。虽然可以通过人员进行监督管理，但是需要浪费较多的人力成本，且容易造成监管疏忽。
公开号为CN108414968A的专利申请公开了一种停车场的车辆定位系统及车辆定位方法，系统包括停车场内的定位基站和服务器，定位基站将定位数据包发送至服务器；服务器根据预设MD5函数以及第二整合信息，生成第二整合信息的第二散列值，检测第二散列值与第一散列值是否相同，倘若不同，判定定位数据包被篡改，将定位数据包标记为被篡改定位数据包，采用预设的定位可靠度生成模型以及被篡改定位数据包个数，生成定位基站当前的定位可靠度，判断当前的定位可靠度是否小于预设阈值，倘若小于，判定定位基站为恶意定位基站，屏蔽恶意定位基站发送的定位数据包。该发明能杜绝恶意定位基站给车辆定位带来的安全威胁，因此提高了车辆定位的安全性
公开号为CN107230375A的专利申请公开了一种车辆定位方法及系统，该系统包括只设置在辅路或主路一侧的车辆定位装置、定位数据存储模块和安装有车载单元的车辆；车辆定位装置包括第一DSRC模块、通信区域调整模块和监测模块，车载单元包括第二DSRC模块和车辆定位模块；该方法包括：将车辆定位装置的位置信息与其所对应的地图上的道路信息关联存储到定位数据存储模块中；调整第一DSRC模块的通信区域只覆盖辅路或主路；当监测到待定位的当前车辆处于第一DSRC模块预设的通信区域时，第一DSRC模块将定位装置的位置信息发送到当前车辆的车载单元，车载单元根据是否接收到了所述位置信息进行车辆所在道路的定位。该发明在实现主辅路精确定位的基础上，能够有效节约定位装置的建设和维护成本。
目前，现有的关于工厂区域内的车辆定位方法大多采用单一的监控设备或者GPS定位方式，监控设备会出现监控盲区或者在天气不好的情况下监控设备易受干扰、GPS定位方式当车辆出现在地下车库等信号较弱的区域，会导致无法对进入厂区的车辆进行准确定位。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种基于图像处理和UWB技术的工厂区域车辆管理方法。
本发明所采用的技术方案是，该方法包括如下：
步骤S1：对进入工厂区域车辆安装UWB定位卡，并关联对应的车牌号信息，在车辆进入厂区后利用UWB基站和高清摄像头对车辆进行位置和图像信息的采集；
步骤S2：对车辆的图像信息进行中值滤波处理用于杂点和噪音的消除，利用颜色分量模型对车辆的图像进行色彩调整；
步骤S3：利用颜色极值函数对车辆图像中的背景图像进行擦除处理；
步骤S4：对车辆图像的边缘信息利用Canny算法进行特征提取；
步骤S5：对特征提取的结果进行求导和梯度方向、梯度值的计算；
步骤S6：在工厂区域内利用两个基站分别为1号基站和2号基站同时对车辆进行定位，利用距离差值法同时计算出车辆与两个基站的距离，对测得的距离利用滑动平均滤波进行误差处理；
步骤S7：建立车辆的速度估算方程与位置估算方程，对在工厂区域内车辆的状态进行解算；
步骤S8：利用位置偏差方程对车辆定位的结果进行误差估算，车辆出门的时候工作人员收回UWB定位卡。
进一步地，所述中值滤波，表达式为：
A(x，y)＝median(B(x，y))
其中，A(x，y)表示车辆图像经滤波后的输出图像，B(x，y)表示车辆图像滤波前的输入图像，median()表示中值滤波函数，x和y表示图像像素点和横坐标和纵坐标；
所述颜色分量模型，表达式为：
C＝x(D)+y(E)+z(F)
其中，C表示车辆图像颜色调整结果，D表示红色，E表示黄色，F表示蓝色，x表示红色分量系数，y表示黄色分量系数，x表示蓝色分量系数，
进一步地，所述颜色极值函数，表达式为：
Figure BDA0003724359060000041
其中，a(n)表示颜色极值运算后的车辆图像，b(n，m)表示车辆原始灰度图像的二元函数，G表示分割阈值。
进一步地，所述Canny算法进行特征提取，表达式为：
Figure BDA0003724359060000042
其中，H(x，y)表示车辆图像边缘信息特征提取结果，η表示高斯标准差，π表示圆周率，x和y分别表示为像素点的横坐标和纵坐标。
5.如权利要求1所述的一种基于图像处理和UWB技术的工厂区域车辆管理方法，其特征在于，所述特征提取的结果进行求导，表达式为：
In(x，y)＝[P(x，y+1)-P(x，y)+P(x+1，y+1)-P(x+1，y)]/2
Im(x，y)＝[P(x，y)-P(x+1，y)+P(x，y+1)-P(x+1，y+1)]/2其中，In(x，y)和Im(x，y)表示在两个方向求偏导的结果，P()表示经过卷积运算后的图像，
所述梯度方向，表达式为：
Figure BDA0003724359060000043
其中，I(x，y)表达梯度方向；
所述梯度值，表达式为：
Figure BDA0003724359060000044
其中，β(x，y)表达梯度值。
进一步地，所述距离差值法，表达式为：
Figure BDA0003724359060000051
其中，be表示车辆位置，bd表示1号基站的位置，bg表示2号基站的位置，bc表示车辆与1号基站的距离，bf表示车辆与2号基站的距离；
所述滑动平均滤波，表达式为：
Figure BDA0003724359060000052
其中，h(q)表示滤波后的输出值，Q表示需要滤波的数据数量，x表示数据编号，q表示输出数据的序号，k表示输入数据。
进一步地，所述速度估算方程，表达式为：
Rs＝ψ(Rs-1)+Ts
其中，Rs表示车辆在s时刻的速度向量包括横向速度和纵向速度，Rs-1表示车辆在s-1时刻的速度向量，ψ表示速度系数矩阵，Ts表示速度噪声矩阵；
所述位置估算方程，表达式为：
Us＝v(Rs)+Ws
其中，Us表示车辆在s时刻的位置，υ表示位置系数矩阵，Ws表示位置噪声矩阵。
进一步地，所述位置偏差方程，表达式为：
Figure BDA0003724359060000053
其中，z表示位置预测差值，in表示车辆真实位置的横坐标，i’n表示车辆预测位置的横坐标，jn表示车辆真实位置的纵坐标，j’n表示车辆预测位置的纵坐标。
有益效果：
本发明提出一种基于图像处理和UWB技术的工厂区域车辆管理方法，该方法通过对进入工厂区域内的车辆进行图像采集和UWB定位的方式可以实时准确的定位车辆的位置，以及判断车辆是否在指定路线行驶或在指定区域停靠，节约了人力成本，有利于工厂的管理。
附图说明
图1为本发明具体实施方式1步骤流程图；
图2为本发明具体实施方式2步骤流程图。
具体实施方式
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结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
具体实施例1：
在考虑成本时，行驶路线上不安装摄像头，只安装UWB基站，在停车区域内安装摄像头；
如图1所示,一种基于图像处理和UWB技术的工厂区域车辆管理方法，该方法包括如下：
步骤S1：对进入工厂区域车辆安装UWB定位卡，并关联对应的车牌号信息，在车辆进入厂区后利用UWB基站和高清摄像头对车辆进行位置和图像信息的采集，图像信息包括待识别区域的界限图像和车辆的图像信息，UWB基站监测UWB定位卡的信号；
步骤S2：对车辆的图像信息进行中值滤波处理，用于杂点和噪音的消除，利用颜色分量模型对车辆的图像进行色彩调整；
步骤S3：利用颜色极值函数对车辆图像中的背景图像进行擦除处理；
步骤S4：对区域的界限图像与车辆图像的边缘信息利用Canny算法进行特征提取；
步骤S5：对特征提取的结果进行求导和梯度方向、梯度值的计算，比对区域的界限图像的梯度方向、梯度值与车辆图像的边缘信息的梯度方向、梯度值是否重合，如果重合则说明，车辆停在框定的区域内，如果不重合说明车辆未停在框定的区域内；
步骤S6：在工厂区域内利用两个基站分别为1号基站和2号基站同时对车辆进行定位，监测车辆的行驶轨迹并在监控软件上显示，利用距离差值法同时计算出车辆与两个基站的距离，对测得的距离利用滑动平均滤波进行误差处理；
步骤S7：建立车辆的速度估算方程与位置估算方程，对在工厂区域内车辆的状态进行解算，如果车辆未停在规定的区域内，或者车辆未按照规定的路线行驶，联动路线周边或区域附近的报警设备发出告警。
步骤S8：利用位置偏差方程对车辆定位的结果进行误差估算，车辆出门的时候工作人员收回UWB定位卡。
具体实施例2：
不考虑成本的情况下，但是考虑到雨雪雾天的情况下，摄像头可能无法准确判断，UWB技术不受雨雪雾天的影响，在规定的区域或者指定的路线附近安装UWB定位基站和摄像头；
如图2所示,一种基于图像处理和UWB技术的工厂区域车辆管理方法，该方法包括如下：
步骤S1：对进入工厂区域车辆安装UWB定位卡，并关联对应的车牌号信息，在车辆进入厂区后利用UWB基站和高清摄像头对车辆进行位置和图像信息的采集，图像信息包括待识别道路和指定区域图像以及车辆的图像信息，UWB基站监测UWB定位卡的信号；
步骤S2：对车辆的图像信息进行中值滤波处理用于杂点和噪音的消除，利用颜色分量模型对车辆的图像进行色彩调整；
步骤S3：利用颜色极值函数对车辆图像中的背景图像进行擦除处理；
步骤S4：对道路和指定区域图像以及车辆图像的边缘信息利用Canny算法进行特征提取；
步骤S5：对特征提取的结果进行求导和梯度方向、梯度值的计算；比对道路和指定区域图像的梯度方向、梯度值与车辆图像的边缘信息的梯度方向、梯度值是否重合，如果重合则说明，车辆停在框定的区域内，如果不重合说明车辆未停在框定的区域内；
步骤S6：在工厂区域内利用两个基站分别为1号基站和2号基站同时对车辆进行定位，监测车辆的运行轨迹，以及监测车辆是否停在规定的区域，利用距离差值法同时计算出车辆与两个基站的距离，对测得的距离利用滑动平均滤波进行误差处理；
步骤S7：在天气恶劣情况下，只通过监控摄像头的图像分析结果无法准确判断，需要结合UWB定位的位置信息，综合判定车辆是否按照规定的路线行驶或停在固定的区域内。
步骤S8：建立车辆的速度估算方程与位置估算方程，对在工厂区域内车辆的状态进行解算；
步骤S9：利用位置偏差方程对车辆定位的结果进行误差估算，车辆出门的时候工作人员收回UWB定位卡。
在具体实施例1和具体实施例2中：
中值滤波，表达式为：
A(x，y)＝median(B(x，y))
其中，A(x，y)表示车辆图像经滤波后的输出图像，B(x，y)表示车辆图像滤波前的输入图像，median()表示中值滤波函数，x和y表示图像像素点和横坐标和纵坐标；
颜色分量模型，表达式为：
C＝x(D)+y(E)+z(F)
其中，C表示车辆图像颜色调整结果，D表示红色，E表示黄色，F表示蓝色，x表示红色分量系数，y表示黄色分量系数，z表示蓝色分量系数，
颜色极值函数，表达式为：
Figure BDA0003724359060000091
其中，a(n)表示颜色极值运算后的车辆图像，b(n，m)表示车辆原始灰度图像的二元函数，G表示分割阈值。
Canny算法进行特征提取，表达式为：
Figure BDA0003724359060000101
其中，H(x，y)表示车辆图像边缘信息特征提取结果，η表示高斯标准差，π表示圆周率，x和y分别表示为像素点的横坐标和纵坐标。
特征提取的结果进行求导，表达式为：
In(x，y)＝[P(x，y+1)-P(x，y)+P(x+1，y+1)-P(x+1，y)]/2
Im(x，y)＝[P(x，y)-P(x+1，y)+P(x，y+1)-P(x+1，y+1)]/2
其中，In(x，y)和Im(x，y)表示在两个方向求偏导的结果，P()表示经过卷积运算后的图像，
梯度方向，表达式为：
Figure BDA0003724359060000102
其中，I(x，y)表达梯度方向；
梯度值，表达式为：
Figure BDA0003724359060000103
其中，β(x，y)表达梯度值。
距离差值法，表达式为：
Figure BDA0003724359060000104
其中，be表示车辆位置，bd表示1号基站的位置，bg表示2号基站的位置，bc表示车辆与1号基站的距离，bf表示车辆与2号基站的距离；
滑动平均滤波，表达式为：
Figure BDA0003724359060000111
其中，h(q)表示滤波后的输出值，Q表示需要滤波的数据数量，x表示数据编号，q表示输出数据的序号，k表示输入数据。
速度估算方程，表达式为：
Rs＝ψ(Rs-1)+Ts
其中，Rs表示车辆在s时刻的速度向量包括横向速度和纵向速度，Rs-1表示车辆在s-1时刻的速度向量，ψ表示速度系数矩阵，Ts表示速度噪声矩阵；
位置估算方程，表达式为：
Us＝v(Rs)+Ws
其中，Us表示车辆在s时刻的位置，υ表示位置系数矩阵，Ws表示位置噪声矩阵。
位置偏差方程，表达式为：
Figure BDA0003724359060000112
其中，z表示位置预测差值，in表示车辆真实位置的横坐标，i’n表示车辆预测位置的横坐标，jn表示车辆真实位置的纵坐标，j’n表示车辆预测位置的纵坐标。
本发明提出一种基于图像处理和UWB技术的工厂区域车辆管理方法，该方法通过对进入工厂区域内的车辆进行图像采集和UWB定位的方式可以实时准确的定位车辆的位置，以及判断车辆是否在指定路线行驶或在指定区域停靠，节约了人力成本，有利于工厂的管理。
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。

Claims (8)

1.一种基于图像处理和UWB技术的工厂区域车辆管理方法，其特征在于,该方法包括如下：
步骤S1：对进入工厂区域车辆安装UWB定位卡，并关联对应的车牌号信息，在车辆进入厂区后利用UWB基站和高清摄像头对车辆进行位置和图像信息的采集；
步骤S2：对车辆的图像信息进行中值滤波处理用于杂点和噪音的消除，利用颜色分量模型对车辆的图像进行色彩调整；
步骤S3：利用颜色极值函数对车辆图像中的背景图像进行擦除处理；
步骤S4：对车辆图像的边缘信息利用Canny算法进行特征提取；
步骤S5：对特征提取的结果进行求导和梯度方向、梯度值的计算；
步骤S6：在工厂区域内利用两个基站分别为1号基站和2号基站同时对车辆进行定位，利用距离差值法同时计算出车辆与两个基站的距离，对测得的距离利用滑动平均滤波进行误差处理；
步骤S7：建立车辆的速度估算方程与位置估算方程，对在工厂区域内车辆的状态进行解算；
步骤S8：利用位置偏差方程对车辆定位的结果进行误差估算，车辆出门的时候工作人员收回UWB定位卡。
2.如权利要求1所述的一种基于图像处理和UWB技术的工厂区域车辆管理方法，其特征在于，所述中值滤波，表达式为：
A(x,y)＝median(B(x,y))
其中，A(x,y)表示车辆图像经滤波后的输出图像，B(x,y)表示车辆图像滤波前的输入图像，median()表示中值滤波函数，x和y表示图像像素点和横坐标和纵坐标；
所述颜色分量模型，表达式为：
C＝x(D)+y(E)+z(F)
其中，C表示车辆图像颜色调整结果，D表示红色，E表示黄色，F表示蓝色，x表示红色分量系数，y表示黄色分量系数，x表示蓝色分量系数。
3.如权利要求1所述的一种基于图像处理和UWB技术的工厂区域车辆管理方法，其特征在于，所述颜色极值函数，表达式为：
Figure FDA0003724359050000021
其中，a(n)表示颜色极值运算后的车辆图像，b(n，m)表示车辆原始灰度图像的二元函数，G表示分割阈值。
4.如权利要求1所述的一种基于图像处理和UWB技术的工厂区域车辆管理方法，其特征在于，所述Canny算法进行特征提取，表达式为：
Figure FDA0003724359050000022
其中，H(x，y)表示车辆图像边缘信息特征提取结果，η表示高斯标准差，π表示圆周率，x和y分别表示为像素点的横坐标和纵坐标。
5.如权利要求1所述的一种基于图像处理和UWB技术的工厂区域车辆管理方法，其特征在于，所述特征提取的结果进行求导，表达式为：
In(x，y)＝[P(x，y+1)-P(x，y)+P(x+1，y+1)-P(x+1，y)]/2
Im(x，y)＝[P(x，y)-P(x+1，y)+P(x，y+1)-P(x+1，y+1)]/2
其中，In(x，y)和Im(x，y)表示在两个方向求偏导的结果，P()表示经过卷积运算后的图像，
所述梯度方向，表达式为：
Figure FDA0003724359050000031
其中，I(x，y)表达梯度方向；
所述梯度值，表达式为：
Figure FDA0003724359050000032
其中，β(x，y)表达梯度值。
6.如权利要求1所述的一种基于图像处理和UWB技术的工厂区域车辆管理方法，其特征在于，所述距离差值法，表达式为：
Figure FDA0003724359050000033
其中，be表示车辆位置，bd表示1号基站的位置，bg表示2号基站的位置，bc表示车辆与1号基站的距离，bf表示车辆与2号基站的距离；
所述滑动平均滤波，表达式为：
Figure FDA0003724359050000034
其中，h(q)表示滤波后的输出值，Q表示需要滤波的数据数量，x表示数据编号，q表示输出数据的序号，k表示输入数据。
7.如权利要求1所述的一种基于图像处理和UWB技术的工厂区域车辆管理方法，其特征在于，所述速度估算方程，表达式为：
Rs＝ψ(Rs-1)+Ts
其中，Rs表示车辆在s时刻的速度向量包括横向速度和纵向速度，Rs-1表示车辆在s-1时刻的速度向量，ψ表示速度系数矩阵，Ts表示速度噪声矩阵；
所述位置估算方程，表达式为：
Us＝v(Rs)+Ws
其中，Us表示车辆在s时刻的位置，υ表示位置系数矩阵，Ws表示位置噪声矩阵。
8.如权利要求1所述的一种基于图像处理和UWB技术的工厂区域车辆管理方法，所述位置偏差方程，表达式为：
Figure FDA0003724359050000041
其中，z表示位置预测差值，in表示车辆真实位置的横坐标，i’n表示车辆预测位置的横坐标，jn表示车辆真实位置的纵坐标，j’n表示车辆预测位置的纵坐标。
CN202210771588.5A 2022-06-30 2022-06-30 一种基于图像处理和uwb技术的工厂区域车辆管理方法 Pending CN115082860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210771588.5A CN115082860A (zh) 2022-06-30 2022-06-30 一种基于图像处理和uwb技术的工厂区域车辆管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210771588.5A CN115082860A (zh) 2022-06-30 2022-06-30 一种基于图像处理和uwb技术的工厂区域车辆管理方法

Publications (1)

Publication Number Publication Date
CN115082860A true CN115082860A (zh) 2022-09-20

Family

ID=83258173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210771588.5A Pending CN115082860A (zh) 2022-06-30 2022-06-30 一种基于图像处理和uwb技术的工厂区域车辆管理方法

Country Status (1)

Country Link
CN (1) CN115082860A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116700290A (zh) * 2023-07-12 2023-09-05 湖南人文科技学院 一种基于uwb的智能小车定位控制系统和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116700290A (zh) * 2023-07-12 2023-09-05 湖南人文科技学院 一种基于uwb的智能小车定位控制系统和方法
CN116700290B (zh) * 2023-07-12 2024-01-26 湖南人文科技学院 一种基于uwb的智能小车定位控制系统和方法

Similar Documents

Publication Publication Date Title
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
US9292750B2 (en) Method and apparatus for detecting traffic monitoring video
CN101303735B (zh) 探测车辆盲点区域内运动物体的方法及盲点探测装置
CN103021186B (zh) 一种车辆监控的方法及系统
CN105741546A (zh) 路侧设备与车传感器融合的智能车辆目标跟踪系统及方法
CN109064495A (zh) 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法
CN111325872A (zh) 基于计算机视觉的司机驾驶异常检测设备及检测方法
CN104021541A (zh) 车至车距离计算装置和方法
CN110837800A (zh) 一种面向港口恶劣天气的目标检测和识别的方法
CN112466141A (zh) 一种面向车路协同的智能网联路端设备交互方法、系统及存储介质
CN103500503A (zh) 一种基于众包模式的精准路况分析方法及系统
CN111460938B (zh) 一种车辆行驶行为实时监测方法及装置
CN105488453A (zh) 一种基于图像处理的驾驶员未系安全带检测识别方法
CN110335467B (zh) 一种利用计算机视觉实现高速公路车辆行为检测的方法
CN109816971B (zh) 基于多源数据融合的危险品运输车辆预防跟踪系统及方法
CN109398422A (zh) 一种停车时车辆位置确定方法及对标停车方法
CN105574502A (zh) 一种自助发卡机违章行为自动检测方法
CN114387785A (zh) 一种基于智慧公路的安全管控方法、系统及可存储介质
CN115082860A (zh) 一种基于图像处理和uwb技术的工厂区域车辆管理方法
CN109035239A (zh) 基于自动驾驶技术的道路设施检查方法和车辆
CN103294997A (zh) 一种基于静态图像的列车车号识别方法
CN111783666A (zh) 一种基于连续视频帧角点特征匹配的快速车道线检测方法
CN115600124A (zh) 地铁隧道巡检系统及巡检方法
CN111899521A (zh) 一种高速公路的车辆违规行为检测方法
CN113029185B (zh) 众包式高精度地图更新中道路标线变化检测方法及系统

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