CN115311209A - 一种基于天空区域分割判别高速公路监控设备转动的方法 - Google Patents
一种基于天空区域分割判别高速公路监控设备转动的方法 Download PDFInfo
- Publication number
- CN115311209A CN115311209A CN202210811640.5A CN202210811640A CN115311209A CN 115311209 A CN115311209 A CN 115311209A CN 202210811640 A CN202210811640 A CN 202210811640A CN 115311209 A CN115311209 A CN 115311209A
- Authority
- CN
- China
- Prior art keywords
- video image
- sky
- area
- rotation
- monitoring equipment
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 241001170121 Rhodiola sacra Species 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 241001165494 Rhodiola Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于天空区域分割判别高速公路监控设备转动的方法,涉及视频分析技术领域,包括以下步骤:S1、获取天空视频图像;S2、分割提取;S3、计算面积以及轮廓;S4、多次对比;S5、结果分析。该基于天空区域分割判别高速公路监控设备转动的方法,在基于天空区域分割判别高速公路监控设备转动的方法,利用yolo算法将拍摄选取的天空视频图像进行分割提取,并对其进行图像增强工序,此后每个间隔时间均会拍摄相应视频图像,而相应的视频图像均会与前一版本的视频图像箱对比,经过多次对比天空区域的面积轮廓与参照物的变化,在变化较大时说明高速公路监控设备发生了转动,该判别方法减少光照影响和车流对路面特征的影响。
Description
技术领域
本发明涉及视频分析领域,具体为一种基于天空区域分割判别高速公路监控设备转动的方法。
背景技术
高速公路,简称高速路,是指专供汽车高速行驶的公路。高速公路在不同国家地区、不同时代和不同的科研学术领域有不同规定,而为了安全行驶,出现了高速公路监控系统,即是指为了解决高速公路运营中存在的两个主要问题——拥挤与安全,而建立起来的监控系统,其目的是保证行车安全和道路畅通,利用监控设备对高速公路进行监控。
目前通过视频判别移位主要是对整张图片进行特征提取来比较判别,也有通过局部的路面特征进行判别,会受到光照变化影响,路面特征容易受到车流影响,因此难以达到预计效果,针对上述情况,我们推出了一种基于天空区域分割判别高速公路监控设备转动的方法。
发明内容
针对现有技术的不足,本发明提供了一种基于天空区域分割判别高速公路监控设备转动的方法,解决了上述背景技术中提出的过视频判别移位主要是对整张图片进行特征提取来比较判别,也有通过局部的路面特征进行判别,会受到光照变化影响,路面特征容易受到车流影响,因此难以达到预计效果的问题。
为实现以上目的,本发明通过以下技术方案予以实现、一种基于天空区域分割判别高速公路监控设备转动的方法,包括以下步骤:
S1、获取天空视频图像;
S2、分割提取;
S3、计算面积以及轮廓;
S4、多次对比;
S5、结果分析。
可选的,所述一种基于天空区域分割判别高速公路监控设备转动的方法包括以下具体步骤:
S1、获取天空视频图像
选择拍摄设备对选景天空进行拍摄,并保存视频图像,随后将保存的视频图像上传至云端,并对其进行图像增强,保证其清晰度,得到视频图像底稿;
S2、分割提取
利用yolo算法对选取的天空区域视频图像进行分割提取,将其分割成若干等分,并对其边界框选,将边界框进行描述,即映射到对象所属种类、高度、宽度和参照物;
S3、计算面积以及轮廓
将计算视频图像中的天空区域面积以及轮廓,并将其记录登记,以方便后续的对其参照;
S4、多次对比
此间拍摄设备每个间隔时间均会拍摄相应视频图像,而相应的视频图像均会与前一版本的视频图像箱对比,经过多次对比天空区域的面积轮廓与参照物的变化,在变化较大时说明高速公路监控设备发生了转动;
S5、结果分析
对比的结果会受到请求记录,并在记录整天后将高速公路监控设备时刻转动次数进行登记并由此构建直角坐标系,并根据时间与转动次数进行描点,随后将点依次连接,用于观测高速公路监控设备转动规律,方便工作人管直观的观察;
可选的,所述S1获取天空视频图像过程中可进行多阶段拍照,并将其中清晰的样本进行图像增强,保证视频图像的清晰度,同时也保证视频检测准度。
可选的,所述S2分割提取过程中YOLO将对象检测重新定义为一个回归问题,它将单个卷积神经网络(CNN)应用于整个图像,将图像分成网格,并预测每个网格的类概率和边界框。
可选的,所述S3计算面积以及轮廓过程中基于视频图像分隔后的单独区域的面积,并在计算后根据参照物计算轮廓,由此提升判别精度。
可选的,所述S4多次对比过程中间隔时间为30min每次,即每30min拍摄一次视频图像,并针对新拍摄的图像依次进行处理,随后将新处理的图像与上一次处理的视频图像进行对比,此对比不仅仅包括分隔后的面积,同时根据参照物对区间内轮廓进行比对,由此判断高速公路监控设备转动情况。
本发明提供了一种基于天空区域分割判别高速公路监控设备转动的方法,具备以下有益效果:该基于天空区域分割判别高速公路监控设备转动的方法利用yolo算法将拍摄选取的天空视频图像进行分割提取,并对其进行图像增强工序,此后每个间隔时间均会拍摄相应视频图像,而相应的视频图像均会与前一版本的视频图像箱对比,经过多次对比天空区域的面积轮廓与参照物的变化,在变化较大时说明高速公路监控设备发生了转动,该判别方法不仅不会受到光照影响,同时还不会受到车流与路面特征的影响,具有高识别性。
附图说明
图1为本发明基于天空区域分割判别高速公路监控设备转动的方法流程示意图。
具体实施方式
一种基于天空区域分割判别高速公路监控设备转动的方法,包括以下步骤:
S1、获取天空视频图像;
S2、分割提取;
S3、计算面积以及轮廓;
S4、多次对比;
S5、结果分析。
一种基于天空区域分割判别高速公路监控设备转动的方法包括以下具体步骤:
S1、获取天空视频图像
选择拍摄设备对选景天空进行拍摄,并保存视频图像,随后将保存的视频图像上传至云端,并对其进行图像增强,保证其清晰度,得到视频图像底稿;
S2、分割提取
利用yolo算法对选取的天空区域视频图像进行分割提取,将其分割成若干等分,并对其边界框选,将边界框进行描述,即映射到对象所属种类、高度、宽度和参照物;
S3、计算面积以及轮廓
将计算视频图像中的天空区域面积以及轮廓,并将其记录登记,以方便后续的对其参照;
S4、多次对比
此间拍摄设备每个间隔时间均会拍摄相应视频图像,而相应的视频图像均会与前一版本的视频图像箱对比,经过多次对比天空区域的面积轮廓与参照物的变化,在变化较大时说明高速公路监控设备发生了转动;
S5、结果分析
对比的结果会受到请求记录,并在记录整天后将高速公路监控设备时刻转动次数进行登记并由此构建直角坐标系,并根据时间与转动次数进行描点,随后将点依次连接,用于观测高速公路监控设备转动规律,方便工作人管直观的观察。
S1获取天空视频图像过程中可进行多阶段拍照,并将其中清晰的样本进行图像增强,保证视频图像的清晰度,同时也保证视频检测准度。
S2分割提取过程中YOLO将对象检测重新定义为一个回归问题,它将单个卷积神经网络(CNN)应用于整个图像,将图像分成网格,并预测每个网格的类概率和边界框。
S3计算面积以及轮廓过程中基于视频图像分隔后的单独区域的面积,并在计算后根据参照物计算轮廓,由此提升判别精度。
S4多次对比过程中间隔时间为30min每次,即每30min拍摄一次视频图像,并针对新拍摄的图像依次进行处理,随后将新处理的图像与上一次处理的视频图像进行对比,此对比不仅仅包括分隔后的面积,同时根据参照物对区间内轮廓进行比对,由此判断高速公路监控设备转动情况。
综上,该基于天空区域分割判别高速公路监控设备转动的方法,使用时基于天空区域分割判别高速公路监控设备转动的方法包括以下具体步骤:
S1、获取天空视频图像:选择拍摄设备对选景天空进行拍摄,并保存视频图像,随后将保存的视频图像上传至云端,并对其进行图像增强,保证其清晰度,得到视频图像底稿,可进行多阶段拍照,并将其中清晰的样本进行图像增强,保证视频图像的清晰度,同时也保证视频检测准度;
S2、分割提取:利用yolo算法对选取的天空区域视频图像进行分割提取,将其分割成若干等分,并对其边界框选,将边界框进行描述,即映射到对象所属种类、高度、宽度和参照物,YOLO将对象检测重新定义为一个回归问题,它将单个卷积神经网络(CNN)应用于整个图像,将图像分成网格,并预测每个网格的类概率和边界框;
S3、计算面积以及轮廓:将计算视频图像中的天空区域面积以及轮廓,并将其记录登记,以方便后续的对其参照,基于视频图像分隔后的单独区域的面积,并在计算后根据参照物计算轮廓,由此提升判别精度;
S4、多次对比:此间拍摄设备每个间隔时间均会拍摄相应视频图像,而相应的视频图像均会与前一版本的视频图像箱对比,经过多次对比天空区域的面积轮廓与参照物的变化,在变化较大时说明高速公路监控设备发生了转动,间隔时间为30min每次,即每30min拍摄一次视频图像,并针对新拍摄的图像依次进行处理,随后将新处理的图像与上一次处理的视频图像进行对比,此对比不仅仅包括分隔后的面积,同时根据参照物对区间内轮廓进行比对,由此判断高速公路监控设备转动情况;
S5、结果分析:对比的结果会受到请求记录,并在记录整天后将高速公路监控设备时刻转动次数进行登记并由此构建直角坐标系,并根据时间与转动次数进行描点,随后将点依次连接,用于观测高速公路监控设备转动规律,方便工作人管直观的观察。
Claims (6)
1.一种基于天空区域分割判别高速公路监控设备转动的方法,其特征在于,包括以下步骤:
S1、获取天空视频图像;
S2、分割提取;
S3、计算面积以及轮廓;
S4、多次对比;
S5、结果分析。
2.根据权利要求1所述的一种基于天空区域分割判别高速公路监控设备转动的方法,其特征在于,所述一种基于天空区域分割判别高速公路监控设备转动的方法包括以下具体步骤:
S1、获取天空视频图像
选择拍摄设备对选景天空进行拍摄,并保存视频图像,随后将保存的视频图像上传至云端,并对其进行图像增强,保证其清晰度,得到视频图像底稿;
S2、分割提取
利用yolo算法对选取的天空区域视频图像进行分割提取,将其分割成若干等分,并对其边界框选,将边界框进行描述,即映射到对象所属种类、高度、宽度和参照物;
S3、计算面积以及轮廓
将计算视频图像中的天空区域面积以及轮廓,并将其记录登记,以方便后续的对其参照;
S4、多次对比
此间拍摄设备每个间隔时间均会拍摄相应视频图像,而相应的视频图像均会与前一版本的视频图像箱对比,经过多次对比天空区域的面积轮廓与参照物的变化,在变化较大时说明高速公路监控设备发生了转动;
S5、结果分析
对比的结果会受到请求记录,并在记录整天后将高速公路监控设备时刻转动次数进行登记并由此构建直角坐标系,并根据时间与转动次数进行描点,随后将点依次连接,用于观测高速公路监控设备转动规律,方便工作人管直观的观察。
3.根据权利要求2所述的一种基于天空区域分割判别高速公路监控设备转动的方法,其特征在于:所述S1获取天空视频图像过程中可进行多阶段拍照,并将其中清晰的样本进行图像增强,保证视频图像的清晰度,同时也保证视频检测准度。
4.根据权利要求2所述的一种基于天空区域分割判别高速公路监控设备转动的方法,其特征在于:所述S2分割提取过程中YOLO将对象检测重新定义为一个回归问题,它将单个卷积神经网络(CNN)应用于整个图像,将图像分成网格,并预测每个网格的类概率和边界框。
5.根据权利要求2所述的一种基于天空区域分割判别高速公路监控设备转动的方法,其特征在于:所述S3计算面积以及轮廓过程中基于视频图像分隔后的单独区域的面积,并在计算后根据参照物计算轮廓,由此提升判别精度。
6.根据权利要求2所述的一种基于天空区域分割判别高速公路监控设备转动的方法,其特征在于:所述S4多次对比过程中间隔时间为30min每次,即每30min拍摄一次视频图像,并针对新拍摄的图像依次进行处理,随后将新处理的图像与上一次处理的视频图像进行对比,此对比不仅仅包括分隔后的面积,同时根据参照物对区间内轮廓进行比对,由此判断高速公路监控设备转动情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811640.5A CN115311209A (zh) | 2022-07-11 | 2022-07-11 | 一种基于天空区域分割判别高速公路监控设备转动的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811640.5A CN115311209A (zh) | 2022-07-11 | 2022-07-11 | 一种基于天空区域分割判别高速公路监控设备转动的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311209A true CN115311209A (zh) | 2022-11-08 |
Family
ID=83857561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210811640.5A Pending CN115311209A (zh) | 2022-07-11 | 2022-07-11 | 一种基于天空区域分割判别高速公路监控设备转动的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311209A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657997A (zh) * | 2015-02-28 | 2015-05-27 | 北京格灵深瞳信息技术有限公司 | 一种镜头移位检测方法及装置 |
CN109146971A (zh) * | 2018-08-13 | 2019-01-04 | 济南大学 | 一种判定摄像头异常移动和场景内异物入侵的检测方法 |
CN109902633A (zh) * | 2019-03-04 | 2019-06-18 | 南京小网科技有限责任公司 | 基于固定位摄像机监控视频的异常事件检测方法及装置 |
CN113353754A (zh) * | 2021-06-09 | 2021-09-07 | 揭阳市聆讯软件有限公司 | 一种人工智能防止梯内摄像头移位方法 |
CN114566052A (zh) * | 2022-04-27 | 2022-05-31 | 华南理工大学 | 一种基于车流方向判别高速公路车流监控设备转动的方法 |
-
2022
- 2022-07-11 CN CN202210811640.5A patent/CN115311209A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657997A (zh) * | 2015-02-28 | 2015-05-27 | 北京格灵深瞳信息技术有限公司 | 一种镜头移位检测方法及装置 |
CN109146971A (zh) * | 2018-08-13 | 2019-01-04 | 济南大学 | 一种判定摄像头异常移动和场景内异物入侵的检测方法 |
CN109902633A (zh) * | 2019-03-04 | 2019-06-18 | 南京小网科技有限责任公司 | 基于固定位摄像机监控视频的异常事件检测方法及装置 |
CN113353754A (zh) * | 2021-06-09 | 2021-09-07 | 揭阳市聆讯软件有限公司 | 一种人工智能防止梯内摄像头移位方法 |
CN114566052A (zh) * | 2022-04-27 | 2022-05-31 | 华南理工大学 | 一种基于车流方向判别高速公路车流监控设备转动的方法 |
Non-Patent Citations (1)
Title |
---|
刘竹林: "《机器人SLAM技术及其ROS系统应用》", vol. 3, 中国科学系技术大学出版社, pages: 246 - 247 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN108898085B (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
WO2021139049A1 (zh) | 检测方法、检测装置、监控设备和计算机可读存储介质 | |
CN112966665A (zh) | 路面病害检测模型训练方法、装置和计算机设备 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN108229473A (zh) | 车辆年检标签检测方法及装置 | |
CN106910334B (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
CN114581764A (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN112036384A (zh) | 精子头部形态识别方法、装置及设备 | |
Crognale et al. | Damage detection with image processing: A comparative study | |
CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN115719475A (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 | |
CN111062437A (zh) | 一种基于深度学习的桥梁结构病害自动目标检测模型 | |
CN110672632A (zh) | 一种隧道病害识别方法 | |
CN113033443B (zh) | 一种基于无人机的行人过街设施全路网自动化排查方法 | |
CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
CN115311209A (zh) | 一种基于天空区域分割判别高速公路监控设备转动的方法 | |
CN115761613B (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
CN113781436B (zh) | 一种基于摄像机和角度测量的高压开关状态监测方法 | |
CN115937684A (zh) | 一种建筑施工进度的识别方法及电子设备 | |
CN114882709A (zh) | 车辆拥堵检测方法、装置及计算机存储介质 | |
Samadzadegan et al. | Automatic Road Crack Recognition Based on Deep Learning Networks from UAV Imagery |
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 |