-
公开(公告)号：CN111754477A
公开(公告)日：2020-10-09
申请号：CN202010565024.7
申请日：2020-06-19
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于动态候选区多尺度图像的铁路周界异物入侵检测方法。该方法包括：获取铁路周界的监控视频，提取监控视频的第1帧到第N帧图像；采用高斯金字塔算法分别构造第1帧到第N帧图像的多尺度图像；将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算提取第N帧图像的动态目标候选区；将第N帧图像的多尺度图像与背景模型图像做差分运算得到第N帧图像的入侵目标前景信息；将第N帧图像的目标动态候选区和入侵目标前景信息进行信息融合，并进行目标识别分析，输出第N帧图像中的入侵目标特征信息。本发明既能快速、准确地检测出铁路场景内的异物入侵目标，漏报率和误报率均较低，而且计算效率高，占用计算资源少。
-
公开(公告)号：CN111754477B
公开(公告)日：2024-02-09
申请号：CN202010565024.7
申请日：2020-06-19
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于动态候选区多尺度图像的铁路周界异物入侵检测方法。该方法包括：获取铁路周界的监控视频，提取监控视频的第1帧到第N帧图像；采用高斯金字塔算法分别构造第1帧到第N帧图像的多尺度图像；将第N帧图像的多尺度图像与第N‑1帧图像的多尺度图像做差分运算提取第N帧图像的动态目标候选区；将第N帧图像的多尺度图像与背景模型图像做差分运算得到第N帧图像的入侵目标前景信息；将第N帧图像的目标动态候选区和入侵目标前景信息进行信息融合，并进行目标识别分析，输出第N帧图像中的入侵目标特征信息。本发明既能快速、准确地检测出铁路场景内的异物入侵目标，漏报率和误报率均较低，而且计算效率高，占用计算资源少。
-
公开(公告)号：CN111160125B
公开(公告)日：2023-06-30
申请号：CN201911267535.4
申请日：2019-12-11
Applicant: 北京交通大学
IPC: G06V20/52 , G06V20/40 , G06V10/28 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种基于铁路监控的铁路异物入侵检测方法。该方法包括：利用已知的铁路场景下的监控视频的包含异物入侵的原始图像训练YOLOv3，得到训练完成的模型权重，获取待监测的铁路场景下的监控视频，从监控视频中提取一系列的待监测的原始图像，通过现有的高斯混合模型对待监测的原始图像进行处理，输出的二值图像依次使用形态学处理、阈值自适应和非极大值抑制算法处理，获取包含异物入侵的图像区域；将包含异物入侵的图像区域输入YOLOv3中，该YOLOv3根据训练完成的模型权重输出相应的原始图像中的异物类型和异物定位位置信息。本发明降低了高斯混合算法带来的误报率，提高了YOLOv3算法在远距离目标或和小目标上的检测效果，可以有效地监测出铁路异物入侵。
-
公开(公告)号：CN109801232A
公开(公告)日：2019-05-24
申请号：CN201811611677.3
申请日：2018-12-27
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于深度学习的单幅图像去雾方法。该方法包括：获取室内外合成雾和真实雾的数据集，该数据集包括：训练集、测试集和验证集；构造基于残差网络(Residual Network)的端到端(end-to-end)的深度卷积神经网络，将所述训练集和验证集输入所述深度卷积神经网络并训练模型，达到最大迭代次数后训练结束，获取所述深度卷积神经网络在本次迭代中的最优模型，用测试集测试所述深度卷积神经网络和最优模型的去雾效果；利用深度卷积神经网络和最优模型对待去雾的有雾图像进行去雾处理，得到无雾图像。本发明的方法对不同浓度的合成雾图和室外真实雾图实现了端到端的恢复图像清晰化和可视化，具有不错的去雾效果和实际应用价值。
-
Patent Agency Ranking
公开(公告)号：CN109859120B
公开(公告)日：2021-03-02
申请号：CN201910015947.2
申请日：2019-01-08
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于多尺度残差网络的图像去雾方法。该方法包括：获取不同场景下的无雾图像，组成无雾图像数据集；提取无雾图像的深度信息，根据无雾图像的深度信息对无雾图像施加不同浓度的雾干扰，得到有雾图像，将根据无雾图像得到的所有有雾图像构成训练数据集；构建多尺度残差网络，在多尺度残差网络中输入训练数据集，对多尺度残差网络进行训练，得到训练完成的图像去雾模型；将待处理的有雾图像输入到训练完成的图像去雾模型，该图像去雾模型输出待处理的有雾图像对应的无雾图像。本发明的方法能够更好地处理不同浓度和不同尺度下的雾图，解决训练数据较少的问题，以较少的训练数据取得更好的效果，适用于不同浓度和不同尺度下的雾图。
-
公开(公告)号：CN111507235B
公开(公告)日：2024-05-28
申请号：CN202010285277.9
申请日：2020-04-13
Applicant: 北京交通大学
IPC: G06V20/40 , G06V20/52 , G06V10/30 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种基于视频的铁路周界异物入侵检测方法，用以解决克服铁路周界异物入侵检测方法消耗资源大、准确率不高的问题。所述铁路周界异物入侵检测方法，获取当前铁路周界监控视频图像并提取第N帧，采用KNN算法检测第N帧中的异物目标数n，并对满足预定条件的第i帧采用铁路场景YOLOv3模椟检测异物目标数m，再对m、n进行比较，输出检测目标数G＝m＝n或G＝α×m+β×n。本发明入侵异物检测方法消耗的计算机资源小，检测漏报率低、准确率高，提高了识别的精确性；同时，在与YOLOv3算法检测准确率相同的前提下，降低了计算机内存使用情况，更具有可应用性。
-
公开(公告)号：CN111507235A
公开(公告)日：2020-08-07
申请号：CN202010285277.9
申请日：2020-04-13
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于视频的铁路周界异物入侵检测方法，用以解决克服铁路周界异物入侵检测方法消耗资源大、准确率不高的问题。所述铁路周界异物入侵检测方法，获取当前铁路周界监控视频图像并提取第N帧，采用KNN算法检测第N帧中的异物目标数n，并对满足预定条件的第i帧采用铁路场景YOLOv3模椟检测异物目标数m，再对m、n进行比较，输出检测目标数G＝m＝n或G＝α×m+β×n。本发明入侵异物检测方法消耗的计算机资源小，检测漏报率低、准确率高，提高了识别的精确性；同时，在与YOLOv3算法检测准确率相同的前提下，降低了计算机内存使用情况，更具有可应用性。
-
公开(公告)号：CN111160125A
公开(公告)日：2020-05-15
申请号：CN201911267535.4
申请日：2019-12-11
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于铁路监控的铁路异物入侵检测方法。该方法包括：利用已知的铁路场景下的监控视频的包含异物入侵的原始图像训练YOLOv3，得到训练完成的模型权重，获取待监测的铁路场景下的监控视频，从监控视频中提取一系列的待监测的原始图像，通过现有的高斯混合模型对待监测的原始图像进行处理，输出的二值图像依次使用形态学处理、阈值自适应和非极大值抑制算法处理，获取包含异物入侵的图像区域；将包含异物入侵的图像区域输入YOLOv3中，该YOLOv3根据训练完成的模型权重输出相应的原始图像中的异物类型和异物定位位置信息。本发明降低了高斯混合算法带来的误报率，提高了YOLOv3算法在远距离目标或和小目标上的检测效果，可以有效地监测出铁路异物入侵。
-
公开(公告)号：CN109859120A
公开(公告)日：2019-06-07
申请号：CN201910015947.2
申请日：2019-01-08
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于多尺度残差网络的图像去雾方法。该方法包括：获取不同场景下的无雾图像，组成无雾图像数据集；提取无雾图像的深度信息，根据无雾图像的深度信息对无雾图像施加不同浓度的雾干扰，得到有雾图像，将根据无雾图像得到的所有有雾图像构成训练数据集；构建多尺度残差网络，在多尺度残差网络中输入训练数据集，对多尺度残差网络进行训练，得到训练完成的图像去雾模型；将待处理的有雾图像输入到训练完成的图像去雾模型，该图像去雾模型输出待处理的有雾图像对应的无雾图像。本发明的方法能够更好地处理不同浓度和不同尺度下的雾图，解决训练数据较少的问题，以较少的训练数据取得更好的效果，适用于不同浓度和不同尺度下的雾图。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.02 seconds)
