[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112927455B - 停车场智能监控方法及应用 - Google Patents

停车场智能监控方法及应用 Download PDF

Info

Publication number
CN112927455B
CN112927455B CN202110099236.5A CN202110099236A CN112927455B CN 112927455 B CN112927455 B CN 112927455B CN 202110099236 A CN202110099236 A CN 202110099236A CN 112927455 B CN112927455 B CN 112927455B
Authority
CN
China
Prior art keywords
parking lot
vehicle
target
targets
preset
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
CN202110099236.5A
Other languages
English (en)
Other versions
CN112927455A (zh
Inventor
李子龙
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.)
Guangdong Saide Automation Technology Co.,Ltd.
Original Assignee
Guangdong Hongyuan Xinke Automation Technology Development 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 Guangdong Hongyuan Xinke Automation Technology Development Co ltd filed Critical Guangdong Hongyuan Xinke Automation Technology Development Co ltd
Priority to CN202110099236.5A priority Critical patent/CN112927455B/zh
Publication of CN112927455A publication Critical patent/CN112927455A/zh
Application granted granted Critical
Publication of CN112927455B publication Critical patent/CN112927455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • G08B13/19608—Tracking movement of a target, e.g. by detecting an object predefined as a target, using target direction and or velocity to predict its new position
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19639—Details of the system layout
    • G08B13/19645—Multiple cameras, each having view on one of a plurality of scenes, e.g. multiple cameras for multi-room surveillance or for tracking an object by view hand-over
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了停车场智能监控方法及应用，包括：获取停车场的实时监控视频图像；根据停车场的实时监控视频图像检测停车场上的人和车辆，进一步检测相关车辆所在停车位是否被入侵；基于停车场的实时监控视频图像通过跟踪停车场内的运动目标，检测出从停车位离开的车辆；针对从停车位离开的车辆，如果是从被入侵的停车位上驶离的车辆则发出报警信息。与现有技术比，能够起到安全监控作用，防止车辆被入侵后从停车场离开时未能及时检查，且智能化程度高，能极大降低大型停车场的监控管理成本。

Description

停车场智能监控方法及应用
技术领域
本发明涉及智能监控技术领域，具体而言，涉及停车场智能监控方法及应用。
背景技术
随着视频监控技术的发展，现有的监控系统应用于停车场所中，例如工厂、商场、学校、医院等场所，针对于现有停车场的监控装置或系统，主要有两种，第一种是通过在入口处设置道闸及摄像头，以及对经过车辆进行计数，从而知晓停车场内的停车信息，并将停车信息传输到后端装置。第二种是停车场内部设置摄像头或其它传感器，以准确知晓每个停车位内的停车情况，最后将停车信息传输至后端装置。其中，停车信息可以是仅包括空置车位信息，也可以仅包括非空置车位信息，还可以两者均包括，后端装置可以是监控室内的监控屏幕，也可以是停车场入口处的显示屏。
也就是说，现有的技术中的停车场监控技术主要是用于停车收费、车辆出入识别、了解车位空置情况等。对于停车场上可能存在的安全问题，例如停车位上的相关车辆可能被入侵，在停车场中的监控设施都只是具有监控摄像功能，通过对定点位置的摄像监控将摄像数据实时记录下来，以便出现问题后通过排查现场监控来恢复现场情景，但是这种监控装置都只是能够通过图像进行后期排查，而不能够及时避免汽车被盗的情况发生，这样并不能避免财产的损失。
为解决这一问题，有的现有技术中通过对司机的人脸进行拍照后与预存的车辆行驶证上的照片进行比对来查证车辆是否被入侵。但该技术存在诸多缺陷，例如录入、存储驾驶证的过程比较繁琐，尤其是对于车辆多、人员经常变动的场合会更加繁琐。而且由于许多驾驶证上的车主照片与车主实际图像差别大、摄像头远程拍摄得到的司机实时图像清晰度有时不高等问题，使得监控系统准确率一般。
发明内容
为了克服现有技术的不足，本发明提供了停车场智能监控方法及应用，用于解决前述技术问题中的至少一个，具体技术方案如下所示：
一种停车场智能监控方法，包括：
获取停车场的实时监控视频图像；
根据停车场的实时监控视频图像检测停车场上的人和车辆，进一步检测相关车辆的停车位是否被入侵；
基于停车场的实时监控视频图像通过跟踪停车场内的运动目标，检测出从停车位离开的车辆；
针对从停车位离开的车辆，如果是从被入侵的停车位上驶离的车辆则发出报警信息。
在一个具体的实施例中，获取停车场实时监控视频图像的方法包括：
在停车场的多处位置分别设置摄像头，按照预设的时间间隔持续采集停车场的图像得到多帧连续视频图像；
对不同摄像头获取的图像中的运动目标进行追踪匹配。
在一个具体的实施例中，根据停车场的实时监控视频图像检测相关车辆的停车位是否被入侵的方法包括：
通过所述多帧连续视频图像识别停车场的人，并对人的运动轨迹进行追踪匹配；
检测是否有人进入相关车辆的停车位；
对于有人进入相关车辆的停车位，在每帧图像中，若人与相关停车位之间的交叉面积除以人的面积的比例大于预设比例b1，则判定该帧图像具有入侵足迹；
统计具有入侵足迹的图像的总帧数，通过具有入侵足迹的总帧数除以所述多帧连续视频图像的帧率，计算相关停车位被入侵所持续的时间，若持续时间超过预设时间t1，则判定相关停车位被入侵；
优选地，所述预设比例b1的取值范围为45％-55％，进一步优选，所述预设比例b1为50％；
优选地，所述预设时间t1的取值范围为4秒-7秒，进一步优选，所述预设时间t1为5秒。
在一个具体的实施例中，跟踪停车场内的运动目标的方法包括：
识别当前帧图像内的所有运动目标：通过比对前预设数量X帧图像与当前帧图像的差异，锁定当前帧图像内的所有运动目标；
跟踪归类同一运动目标，将在当前帧图像以前已确定的所有运动目标设定为已知目标，将当前帧图像内的所有运动目标设定为未归类目标，将已知目标逐一和未归类目标进行追踪匹配并保存每一运动目标的历史运动轨迹：
S01：检测已知目标在上一帧图像和当前帧图像未归类目标之间交叉区域的面积S1、未归类目标在当前帧图像中的面积S，识别是否有未归类目标满足所述面积S1除以所述面积S的结果大于预设比例b2；
S02：若当前帧中存在多个未归类目标满足步骤S01时，
S02_01：通过所述历史运动轨迹逐一计算已知目标的运动方向d1和未归类目标的运动方向d2并计算运动方向d1和运动方向d2之间的交叉角，当有预设数量N个未归类目标时，则每一个已知目标和未归类目标有N个交叉角，当这N个交叉角的最大值大于预设角度时，按最小交叉角跟踪归类目标；
S02_02：若步骤S02_01执行失败，则逐一计算已知目标在上一帧图像和未归类目标在当前帧图像之间的距离，当有预设数量K个未归类目标时，则每一个已知目标和未归类目标有K个距离，计算这K个距离的最大距离和最小距离，若所述最大距离-所述最小距离的差值除以所述最大距离得到的比例大于第三预设比例时，则按最小距离跟踪归类目标；
S02_03：若步骤S02_02执行失败，则逐一计算已知目标在上一帧图像和未归类目标在当前帧图像的面积增量，按照目标在上一帧图像和当前帧图像之间的最小面积增量跟踪归类目标；
优选地，所述预设比例b2的取值范围为30％-50％，进一步优选，所述预设比例b2为40％；
优选地，所述预设角度的取值范围为15-21度，进一步优选，所述预设角度为18度；
优选地，所述第三预设比例的取值范围为15％-25％，进一步优选，所述第三预设比例为20％。
在一个具体的实施例中，检测停车场上的车辆的方法包括：
识别出在多帧图像中存在的时间超过预设时间t2的潜在目标，并通过以下方法L或方法M从潜在目标中检测出车辆：
方法L：通过深度学习算法，包括：
L1：通过深度学习算法识别出潜在目标是车；
L2：潜在目标的面积与停车位的面积比值大于预设比例b3；
L3：在单帧图像中，若潜在目标同时满足步骤L1和步骤L2，则初步判定潜在目标是车；
L4：按照步骤L3的方法对多帧图像进行连续检测，输出在多帧图像中连续是车的时间超过预设时间t3的潜在目标作为最终检测出的车辆；
方法M：通过尺寸检测方法，包括：
M1：潜在目标的长宽比大于预设比例b4；
M2：潜在目标的面积与停车位的面积比值大于预设比例b3；
M3：潜在目标的面积>＝车的最小面积和潜在目标的面积中任一个<＝车的最大面积，其中，车的最小面积按照所有停车位的最小尺寸计算，车的最大面积按照所有停车位的最大小尺寸计算；
M4：在单帧图像中，若潜在目标同时满足步骤M1、步骤M2和步骤M3，则初步判定潜在目标像车；
M5：按照步骤M4的方法对多帧图像进行连续检测，输出在多帧图像中连续像车的时间与预设时间t2的比值超过预设比例b5的潜在目标作为最终检测出的车辆；
优选地，预设时间t2为3秒；
优选地，预设比例b3为90％；
优选地，预设时间t3为0.8秒；
优选地，预设比例b4为80％；
优选地，预设比例b5为90％。
在一个具体的实施例中，按照以下方法对方法L的深度学习算法进行增强：
引入所述方法M的尺寸检测方法与所述方法L的深度学习算法进行结合，从潜在目标中检测出车辆；
相对于潜在目标向前后左右分别搜索，用于处理车辆可能的位移；
将所述方法L的深度学习算法中的困惑图像自动保存来扩展深度学习数据库。
在一个具体的实施例中，检测出从停车位离开的车辆的方法包括：
N1：检测停车场上的车辆；
N2：车辆的当前位置比其出生位置离停车位的距离要远；
N3：车辆当前位置与停车位没有重叠；
N4：车辆的前预设时间t4历史运动足迹中超过预设比例b5在停车场内，优选地，预设时间t4为3秒，预设比例b5为60％；
N5：若车辆满足步骤N1-N4，则判定相应车辆为从停车位离开的车辆。
在一个具体的实施例中，还包括，针对从停车位离开的车辆，如果不是从被入侵的停车位上驶离的车辆则发出提示信息。
一种停车场智能监控系统，用于执行权利前述任一实施例所述的停车场智能监控方法，包括：
实时监控视频图像获取模块，用于获取停车场的实时监控视频图像；
人员检测模块，用于根据停车场的实时监控视频图像检测停车场上的人；
车辆检测模块，用于根据停车场的实时监控视频图像检测停车场上的车辆；
停车位检测模块，用于检测相关车辆的停车位是否被入侵；
离车检测模块，用于基于停车场的实时监控视频图像，通过跟踪停车场的运动目标，检测出从停车位离开的车辆；
报警模块，用于针对从停车位离开的车辆，如果是从被入侵的停车位上驶离的车辆则发出报警信息。
一种计算机设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如前述任一实施例所述的停车场智能监控方法。
本发明至少具有以下有益效果：
根据本发明提供的停车场智能监控方法及应用，根据停车场的实时监控视频图像检测停车场上的人和车辆，进一步检测相关车辆的停车位是否被入侵，基于停车场的实时监控视频图像通过跟踪停车场内的运动目标，检测出从停车位离开的车辆，针对从停车位离开的车辆，如果是从被入侵的停车位上驶离的车辆则发出报警信息。由此，实现了通过机器视觉侦测用户的可疑行为来判断车辆是否被入侵，结合运动目标识别进一步判断车辆是否从停车位离开，进而对离开的被入侵车辆进行报警。与现有技术比，本发明的停车场智能监控方法及应用能够起到安全监控作用，防止车辆被入侵后从停车场离开时未能及时检查，且智能化程度高，能极大降低大型停车场的监控管理成本，无需操作者频繁录入数据。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是实施例1中停车场智能监控方法的总体示意图；
图2是实施例1中检测相关车辆的停车位是否被入侵的方法的示意图；
图3是实施例1中跟踪停车场的运动目标的方法的示意图；
图4是实施例1中方法L的示意图；
图5是实施例1中方法M的示意图。
具体实施方式
实施例1
如图1-图5所示，本实施例提供了一种停车场智能监控方法，包括：
S1：获取停车场的实时监控视频图像。具体地，可在停车场的一处或多处位置分别设置摄像头，按照预设的时间间隔持续采集停车场的图像得到多帧图像，此即为实时监控视频图像。可在停车场的不同位置分别设置摄像头，摄像头连续采集停车场的图像得到多帧图像以对停车场进行实时监控，其中，多帧图像由多个单帧图像形成，每个单帧图像拍摄的停车场照片为静止图像，多个单帧图像连续拍摄时，运动目标在各帧图像上的位置不同，由此可实现对运动目标的视觉追踪。
其中，对于多个摄像头的情形，可预先对多摄像头的方位进行标定。当多个摄像头分别拍摄照片时，对不同摄像头获取的图像中的目标进行匹配，既包括静止目标的匹配，也包括运动目标的匹配。具体地，虽然不同位置的摄像头的位置、拍摄视角不一致得到的图片也不一样，但可通过标定的摄像头的位置和方向对不同摄像头获取的实时监控视频图像中的目标进行匹配。
S2：根据停车场的实时监控视频图像检测停车场上的人和车辆，进一步检测相关车辆的停车位是否被入侵。
其中，检测停车场上的车辆的方法包括：
识别出在多帧图像中存在的时间超过预设时间t2的潜在目标，其中预设时间t2优选为3秒，也可以是2.9秒、3.1秒等3秒附近的其它数值，与现有技术中直接从单帧或多帧图像中识别潜在目标相比，本实施例通过把多帧图像中存在的时间超过预设时间t2的潜在目标予以识别，可有效剔除噪音，对潜在目标的识别准确度更高。并通过以下方法L或方法M从潜在目标中检测出车辆：
方法L：通过深度学习算法，包括：
L1：通过深度学习算法识别出潜在目标是车。其中，深度学习算法是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对图像像等数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别图像。具体而言，本实施例中可先通过大量车辆的图像生成训练数据，将训练数据进行训练得到车辆预测模型，然后通过将采集的潜在目标图像输入到车辆预测模型中即可识别出潜在车辆是否是车。示例性地，本实施例提供三类深度学习模型：基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络，包括自编码以及近年来受到广泛关注的稀疏编码两类；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。以上示例的深度学习模型可以单独使用，或者多种结合使用，以提高深度学习算法的准确性，关于以上各种深度学习模型的具体执行方法，可参考现有技术，本实例中不再赘述。
L2：潜在目标的面积与停车位的面积比值大于预设比例b3。其中，潜在目标的面积和停车位的面积，均可通过图像上的尺寸(例如像素)换算得到。优选地，预设比例b3为90％，也可以是89％、91％等90％附近的其它数值。
L3：在单帧图像中，若潜在目标同时满足步骤L1和步骤L2，则初步判定潜在目标是车。与单纯的深度学习算法相比，本实施例中创造性提出了将深度学习算法与面积比例比较结合，来综合判定潜在目标是否是车，车辆识别的准确度更高。
L4：按照步骤L3的方法对多帧图像进行连续检测，输出在多帧图像中连续是车的时间超过预设时间t3的潜在目标作为最终检测出的车辆。
其中，预设时间t3为0.8秒。由此，一方面通过输出在多帧图像中连续是车的时间超过预设时间t3的潜在目标作为最终检测出的车辆，可有效剔除噪音，对潜在目标的识别准确度更高。另一方面，由于预设时间t3小于预设时间t2，能够避免因为图像清晰度不过、图像过度处理分析等原因可能产生的真实车辆因为时间要求太苛刻而被错误剔除，实现了提高检测准确度和防止遗漏车辆的平衡。
方法M：通过尺寸检测方法，包括：
M1：潜在目标的长宽比大于预设比例b4。其中，本领域技术人员可以理解的是，潜在目标的长和潜在目标的宽并非沿某个固定方向，而是在图像中，潜在目标的长度较大的一边为长度方向、潜在目标的长度较小的一边为宽度方向。优选地，预设比例b4为80％，也可以是79％、81％等80％附近的其它数值。
M2：潜在目标的面积与停车位的面积比值大于预设比例b3。优选地，预设比例b3为90％，也可以是89％、91％等90％附近的其它数值。
M3：潜在目标的面积>＝车的最小面积和潜在目标的面积中任一个<＝车的最大面积，其中，车的最小面积按照所有停车位的最小尺寸计算，车的最大面积按照所有停车位的最大小尺寸计算。
M4：在单帧图像中，若潜在目标同时满足步骤M1、步骤M2和步骤M3，则初步判定潜在目标像车。由此，本实施例创造性地提出了一种特定的通过尺寸检测车辆的方法，即将潜在目标的长宽比，潜在目标的面积与停车位的面积比值，潜在目标的面积、车的最小面积和车的最大面积三者之间的关系，三种检测手段结合共同用于判断潜在目标是否是车辆，不仅准确度高，而且也不容易遗漏车辆。
M5：按照步骤M4的方法对多帧图像进行连续检测，输出在多帧图像中连续像车的时间与预设时间t2的比值超过预设比例b5的潜在目标作为最终检测出的车辆。优选地，预设比例b5为90％，也可以是89％、91％等90％附近的其它数值。本实施例通过输出在多帧图像中连续像车的时间与预设时间t2的比值超过预设比例b5的潜在目标作为最终检测出的车辆，可有效剔除噪音，对潜在目标的识别准确度更高。
优选地，按照以下方法对方法L的深度学习算法进行增强：
(1)引入方法M的尺寸检测方法与方法L的深度学习算法进行结合，从潜在目标中检测出车辆。通过将深度学习算法和尺寸检测方法结合，例如将二者的结果进行比对，若都判定被检测目标为车辆则最终识别为车辆，若二者结果不一致，则可作为困惑图像或者输出给人工进行校正，可进一步提升检测方法的准确度冗余。
(2)相对于潜在目标向前后左右分别搜索，用于处理车辆可能的位移。示例性地，可定义相互垂直的X方向与Y方向，设定一个框住潜在目标的方形检测区域，沿X方向或Y方向移动方形检测区域进行目标识别，进而可以处理在识别车辆时车辆可能的位移。
(3)将方法L的深度学习算法中的困惑图像自动保存来扩展深度学习数据库。
本实例中，根据停车场的实时监控视频图像检测停车场上的人的方法包括深度学习算法检测、尺寸检测、人形检测中的一种或多种。例如，对于深度学习算法检测可参照车辆检测中的深度学习算法，首先训练人的样本数据，然后将待检测目标输入到训练模型中进行预测以识别是否是人。例如对于尺寸检测，可通过分析人的长宽尺寸数值、比例等特征检测是否是人。例如对于人形检测，可以通过检测人的形状，例如头部、躯干、四肢等检测是否是人，本实施例不再赘述。
本实施例中，根据停车场的实时监控视频图像检测相关车辆的停车位是否被入侵的方法包括：
通过多帧连续视频图像识别停车场的人，并对人的运动轨迹进行追踪匹配；
检测是否有人进入相关车辆的停车位；
对于有人进入相关车辆的停车位，在每帧图像中，若人与相关停车位之间的交叉面积除以人的面积的比例大于预设比例b1，则判定该帧图像具有入侵足迹；
统计具有入侵足迹的图像的总帧数，通过具有入侵足迹的总帧数除以多帧连续视频图像的帧率(即每秒传输帧数)，计算相关停车位被入侵所持续的时间，若持续时间超过预设时间t1，则判定相关停车位被入侵；
优选地，预设比例b1的取值范围为45％-55％，进一步优选，预设比例b1为50％；
优选地，预设时间t1的取值范围为4秒-7秒，进一步优选，预设时间t1为5秒。由此，当人在相关车辆的停车位停留超过一定时间时，即可自动判定为可疑行为，即判定相关停车位被入侵，假如该车辆后续从停车场离开，可通过发出报警信息提示停车场的管理者采取措施预防，例如对车辆进行检测等。
S3：基于停车场的实时监控视频图像通过跟踪停车场内的运动目标，检测出从停车位离开的车辆。
S4：针对从停车位离开的车辆，如果是从被入侵的停车位上驶离的车辆则发出报警信息。
本实施例中，跟踪停车场的运动目标(人或车辆)的方法包括：
跟踪停车场内的运动目标的方法包括：
识别当前帧图像内的所有运动目标：通过比对前预设数量X帧图像与当前帧图像的差异，锁定当前帧图像内的所有运动目标，其中X可根据运动目标的运动速度和实时监控视频图像的帧率进行优化设定，示例性地，X为25帧；
跟踪归类同一运动目标，将在当前帧图像以前已确定的所有运动目标设定为已知目标，将当前帧图像内的所有运动目标设定为未归类目标，将已知目标逐一和未归类目标进行追踪匹配并保存每一运动目标的历史运动轨迹：
S01：检测已知目标在上一帧图像和当前帧图像未归类目标之间交叉区域的面积S1、未归类目标在当前帧图像中的面积S，识别是否有未归类目标满足所述面积S1除以所述面积S的结果大于预设比例b2，即同一运动目标在上一帧图像和当前帧图像间必须存在重叠区域且重叠区域需大于预设阈值；
S02：若当前帧中存在多个未归类目标满足步骤S01时，
S02_01：通过所述历史运动轨迹逐一计算已知目标的运动方向d1和未归类目标的运动方向d2并计算运动方向d1和运动方向d2之间的交叉角，当有预设数量N个未归类目标时，则每一个已知目标和未归类目标有N个交叉角，当这N个交叉角的最大值大于预设角度时，按最小交叉角跟踪归类目标，即未归类目标的运动方向存在明显差别时，优先选择运动方向进行归类，将交叉角最小的未归类目标归类为与对应已知目标为同一运动目标，示例性地，N为5；
S02_02：若步骤S02_01执行失败，则逐一计算已知目标在上一帧图像和未归类目标在当前帧图像之间的距离，当有预设数量K个未归类目标时，则每一个已知目标和未归类目标有K个距离，计算这K个距离的最大距离和最小距离，若所述最大距离-所述最小距离的差值除以所述最大距离得到的比例大于第三预设比例时，则按最小距离跟踪归类目标；示例性地，K为5。
S02_03：若步骤S02_02执行失败，则逐一计算已知目标在上一帧图像和未归类目标在当前帧图像的面积增量，按照目标在上一帧图像和当前帧图像之间的最小面积增量跟踪归类目标；
优选地，预设比例b2的取值范围为30％-50％，进一步优选，预设比例b2为40％；
优选地，预设角度的取值范围为15-21度，进一步优选，预设角度为18度；
优选地，第三预设比例的取值范围为15％-25％，进一步优选，第三预设比例为20％。
本实施例中，检测出从停车位离开的车辆的方法包括：
N1：检测停车场上的车辆；
N2：车辆的当前位置比其出生位置(第一个历史足迹)离停车位的距离要远；
N3：车辆当前位置与停车位没有重叠；
N4：车辆的前预设时间t4历史运动足迹中超过预设比例b5在停车场内，优选地，预设时间t4为3秒，预设比例b5为60％；
N5：若车辆满足步骤N1-N4，则判定相应车辆为从停车位离开的车辆。
本实施例中，优选还包括，针对从停车位离开的车辆，如果不是从被入侵的停车位上驶离的车辆则发出提示信息。
本实施例提供的停车场智能监控方法，根据停车场的图像检测停车场上的人和车辆，进一步检测相关车辆的停车位是否被入侵，基于停车场的图像通过跟踪停车场的运动目标，检测出从停车位离开的车辆，针对从停车位离开的车辆，如果是从被入侵的停车位上驶离的车辆则发出报警信息。由此，实现了通过机器视觉侦测用户的可疑行为来判断车辆是否被入侵，结合运动目标识别进一步判断车辆是否。
实施例2
本实施例针对实施例1提出的停车场智能监控方法，如图4所示，一种停车场智能监控系统，用于执行实施例1的停车场智能监控方法，包括：
图像获取模块，用于获取停车场的实时监控视频图像；
人员检测模块，用于根据停车场的实时监控视频图像检测停车场上的人；
车辆检测模块，用于根据停车场的实时监控视频图像检测停车场上的车辆；
停车位检测模块，用于检测相关车辆的停车位是否被入侵；
离车检测模块，用于基于停车场的实时监控视频图像，通过跟踪停车场的运动目标，检测出从停车位离开的车辆；
报警模块，用于针对从停车位离开的车辆，如果是从被入侵的停车位上驶离的车辆则发出报警信息。其中，报警信息包括文字信息、报警灯闪烁、警铃中的一种或多种。
实施例3
本实施例提出了一种计算机设备，包括：
一种计算机设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现前述技术方案任一的停车场智能监控方法。计算机设备可以通用计算设备的形式表现，也可以使机器人形态。计算机设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，系统存储器，连接不同系统组件如系统存储器和处理单元的总线。计算机设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备计算机访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。系统存储器可以包括易失性存储器形式的计算机系统可读介质。
计算机设备也可以与一个或多个外部设备例如键盘、指向设备、显示器等通信，还可与一个或者多个使得用户能与该计算机设备交互的设备通信，和/或与使得该计算机设备能与一个或多个其它计算设备进行通信的任何设备通信。
处理单元通过运行存储在系统存储器中的程序，从而执行各种功能应用以及数据处理。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (14)

1.一种停车场智能监控方法，其特征在于，包括：
获取停车场的实时监控视频图像；
根据停车场的实时监控视频图像检测停车场上的人和车辆，进一步检测相关车辆的停车位是否被入侵；
基于停车场的实时监控视频图像通过跟踪停车场内的运动目标，检测出从停车位离开的车辆；
针对从停车位离开的车辆，如果是从被入侵的停车位上驶离的车辆则发出报警信息；
其中，跟踪停车场内的运动目标的方法包括：
识别当前帧图像内的所有运动目标：通过比对前预设数量X帧图像与当前帧图像的差异，锁定当前帧图像内的所有运动目标；
跟踪归类同一运动目标，将在当前帧图像以前已确定的所有运动目标设定为已知目标，将当前帧图像内的所有运动目标设定为未归类目标，将已知目标逐一和未归类目标进行追踪匹配并保存每一运动目标的历史运动轨迹：
S01：检测已知目标在上一帧图像和当前帧图像未归类目标之间交叉区域的面积S1、未归类目标在当前帧图像中的面积S，识别是否有未归类目标满足所述面积S1除以所述面积S的结果大于预设比例b2；
S02：若当前帧中存在多个未归类目标满足步骤S01时，
S02_01：通过所述历史运动轨迹逐一计算已知目标的运动方向d1和未归类目标的运动方向d2并计算运动方向d1和运动方向d2之间的交叉角，当有预设数量N个未归类目标时，则每一个已知目标和未归类目标有N个交叉角，当这N个交叉角的最大值大于预设角度时，按最小交叉角跟踪归类目标；
S02_02：若步骤S02_01执行失败，则逐一计算已知目标在上一帧图像和未归类目标在当前帧图像之间的距离，当有预设数量K个未归类目标时，则每一个已知目标和未归类目标有K个距离，计算这K个距离的最大距离和最小距离，若所述最大距离-所述最小距离的差值除以所述最大距离得到的比例大于第三预设比例时，则按最小距离跟踪归类目标；
S02_03：若步骤S02_02执行失败，则逐一计算已知目标在上一帧图像和未归类目标在当前帧图像的面积增量，按照目标在上一帧图像和当前帧图像之间的最小面积增量跟踪归类目标。
2.如权利要求1所述的停车场智能监控方法，其特征在于，获取停车场实时监控视频图像的方法包括：
在停车场的多处位置分别设置摄像头，按照预设的时间间隔持续采集停车场的图像得到多帧连续视频图像；
对不同摄像头获取的图像中的运动目标进行追踪匹配。
3.如权利要求2所述的停车场智能监控方法，其特征在于，根据停车场的实时监控视频图像检测相关车辆的停车位是否被入侵的方法包括：
通过所述多帧连续视频图像识别停车场的人，并对人的运动轨迹进行追踪匹配；
检测是否有人进入相关车辆的停车位；
对于有人进入相关车辆的停车位，在每帧图像中，若人与相关停车位之间的交叉面积除以人的面积的比例大于预设比例b1，则判定该帧图像具有入侵足迹；
统计具有入侵足迹的图像的总帧数，通过具有入侵足迹的总帧数除以所述多帧连续视频图像的帧率，计算相关停车位被入侵所持续的时间，若持续时间超过预设时间t1，则判定相关停车位被入侵。
4.如权利要求3所述的停车场智能监控方法，其特征在于，
所述预设比例b1的取值范围为45％-55％；
所述预设时间t1的取值范围为4秒-7秒。
5.如权利要求4所述的停车场智能监控方法，其特征在于，所述预设比例b1为50％；所述预设时间t1为5秒。
6.如权利要求1所述的停车场智能监控方法，其特征在于，
所述预设比例b2的取值范围为30％-50％；
所述预设角度的取值范围为15-21度；
所述第三预设比例的取值范围为15％-25％。
7.如权利要求6所述的停车场智能监控方法，其特征在于，所述预设比例b2为40％；
所述预设角度为18度；
所述第三预设比例为20％。
8.如权利要求1所述的停车场智能监控方法，其特征在于，检测停车场上的车辆的方法包括：
识别出在多帧图像中存在的时间超过预设时间t2的潜在目标，并通过以下方法L或方法M从潜在目标中检测出车辆：
方法L：通过深度学习算法，包括：
L1：通过深度学习算法识别出潜在目标是车；
L2：潜在目标的面积与停车位的面积比值大于预设比例b3；
L3：在单帧图像中，若潜在目标同时满足步骤L1和步骤L2，则初步判定潜在目标是车；
L4：按照步骤L3的方法对多帧图像进行连续检测，输出在多帧图像中连续是车的时间超过预设时间t3的潜在目标作为最终检测出的车辆；
方法M：通过尺寸检测方法，包括：
M1：潜在目标的长宽比大于预设比例b4；
M2：潜在目标的面积与停车位的面积比值大于预设比例b3；
M3：潜在目标的面积>＝车的最小面积和潜在目标的面积中任一个<＝车的最大面积，其中，车的最小面积按照所有停车位的最小尺寸计算，车的最大面积按照所有停车位的最大小尺寸计算；
M4：在单帧图像中，若潜在目标同时满足步骤M1、步骤M2和步骤M3，则初步判定潜在目标像车；
M5：按照步骤M4的方法对多帧图像进行连续检测，输出在多帧图像中连续像车的时间与预设时间t2的比值超过预设比例b5的潜在目标作为最终检测出的车辆。
9.如权利要求8所述的停车场智能监控方法，其特征在于，
所述预设时间t2为3秒；
所述预设比例b3为90％；
所述预设时间t3为0.8秒；
所述预设比例b4为80％；
所述预设比例b5为90％。
10.如权利要求9所述的停车场智能监控方法，其特征在于，按照以下方法对方法L的深度学习算法进行增强：
引入所述方法M的尺寸检测方法与所述方法L的深度学习算法进行结合，从潜在目标中检测出车辆；
相对于潜在目标向前后左右分别搜索，用于处理车辆可能的位移；
将所述方法L的深度学习算法中的困惑图像自动保存来扩展深度学习数据库。
11.如权利要求1所述的停车场智能监控方法，其特征在于，检测出从停车位离开的车辆的方法包括：
N1：检测停车场上的车辆；
N2：车辆的当前位置比其出生位置离停车位的距离要远；
N3：车辆当前位置与停车位没有重叠；
N4：车辆的前3秒历史运动足迹中超过预设比例b5在停车场内，优选地，预设比例b5为60％；
N5：若车辆满足步骤N1-N4，则判定相应车辆为从停车位离开的车辆。
12.如权利要求1所述的停车场智能监控方法，其特征在于，还包括，针对从停车位离开的车辆，如果不是从被入侵的停车位上驶离的车辆则发出提示信息。
13.一种停车场智能监控系统，用于执行权利要求1-12中任一所述的停车场智能监控方法，其特征在于，包括：
实时监控视频图像获取模块，用于获取停车场的实时监控视频图像；
人员检测模块，用于根据停车场的实时监控视频图像检测停车场上的人；
车辆检测模块，用于根据停车场的实时监控视频图像检测停车场上的车辆；
停车位检测模块，用于检测相关车辆的停车位是否被入侵；
离车检测模块，用于基于停车场的实时监控视频图像，通过跟踪停车场的运动目标，检测出从停车位离开的车辆；
报警模块，用于针对从停车位离开的车辆，如果是从被入侵的停车位上驶离的车辆则发出报警信息；
其中，所述离车检测模块具体包括：
识别当前帧图像内的所有运动目标：通过比对前预设数量X帧图像与当前帧图像的差异，锁定当前帧图像内的所有运动目标；
跟踪归类同一运动目标，将在当前帧图像以前已确定的所有运动目标设定为已知目标，将当前帧图像内的所有运动目标设定为未归类目标，将已知目标逐一和未归类目标进行追踪匹配并保存每一运动目标的历史运动轨迹：
S01：检测已知目标在上一帧图像和当前帧图像未归类目标之间交叉区域的面积S1、未归类目标在当前帧图像中的面积S，识别是否有未归类目标满足所述面积S1除以所述面积S的结果大于预设比例b2；
S02：若当前帧中存在多个未归类目标满足步骤S01时，
S02_01：通过所述历史运动轨迹逐一计算已知目标的运动方向d1和未归类目标的运动方向d2并计算运动方向d1和运动方向d2之间的交叉角，当有预设数量N个未归类目标时，则每一个已知目标和未归类目标有N个交叉角，当这N个交叉角的最大值大于预设角度时，按最小交叉角跟踪归类目标；
S02_02：若步骤S02_01执行失败，则逐一计算已知目标在上一帧图像和未归类目标在当前帧图像之间的距离，当有预设数量K个未归类目标时，则每一个已知目标和未归类目标有K个距离，计算这K个距离的最大距离和最小距离，若所述最大距离-所述最小距离的差值除以所述最大距离得到的比例大于第三预设比例时，则按最小距离跟踪归类目标；
S02_03：若步骤S02_02执行失败，则逐一计算已知目标在上一帧图像和未归类目标在当前帧图像的面积增量，按照目标在上一帧图像和当前帧图像之间的最小面积增量跟踪归类目标。
14.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-12中任一所述的停车场智能监控方法。
CN202110099236.5A 2021-01-25 2021-01-25 停车场智能监控方法及应用 Active CN112927455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110099236.5A CN112927455B (zh) 2021-01-25 2021-01-25 停车场智能监控方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110099236.5A CN112927455B (zh) 2021-01-25 2021-01-25 停车场智能监控方法及应用

Publications (2)

Publication Number Publication Date
CN112927455A CN112927455A (zh) 2021-06-08
CN112927455B true CN112927455B (zh) 2022-03-04

Family

ID=76167578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110099236.5A Active CN112927455B (zh) 2021-01-25 2021-01-25 停车场智能监控方法及应用

Country Status (1)

Country Link
CN (1) CN112927455B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104735415A (zh) * 2015-03-27 2015-06-24 成都逸泊科技有限公司 一种基于视频监控的泊车防盗系统
CN104881900A (zh) * 2015-05-26 2015-09-02 深圳市骄冠科技实业有限公司 一种基于具有通讯功能射频车牌的车辆路边停车收费管理系统
CN106447009A (zh) * 2016-10-31 2017-02-22 广东中星电子有限公司 非机动车管理方法、装置及系统
CN107945566A (zh) * 2017-11-17 2018-04-20 张慧 基于多目标跟踪与深度学习的路边停车管理系统及方法
JP2020149088A (ja) * 2019-03-11 2020-09-17 三菱自動車工業株式会社 車両防犯装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222393B (zh) * 2009-06-30 2015-05-27 曹松伟 联网诱导式泊位站立自助快充智能服务器
CN104717471A (zh) * 2015-03-27 2015-06-17 成都逸泊科技有限公司 一种分布式视频监视泊车防盗系统
CN104702918A (zh) * 2015-03-27 2015-06-10 成都逸泊科技有限公司 一种智能视频监视泊车防盗系统
CN107085903A (zh) * 2017-04-24 2017-08-22 苏州合欣美电子科技有限公司 一种停车场防盗提醒系统
KR20190035187A (ko) * 2017-09-26 2019-04-03 주식회사 삼알글로벌 감시 지역 음성 경고 방송 시스템
CN111359122A (zh) * 2020-02-17 2020-07-03 国网安徽电动汽车服务有限公司 电动充电场合使用的防盗型智能消防柜及其智能消防方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104735415A (zh) * 2015-03-27 2015-06-24 成都逸泊科技有限公司 一种基于视频监控的泊车防盗系统
CN104881900A (zh) * 2015-05-26 2015-09-02 深圳市骄冠科技实业有限公司 一种基于具有通讯功能射频车牌的车辆路边停车收费管理系统
CN106447009A (zh) * 2016-10-31 2017-02-22 广东中星电子有限公司 非机动车管理方法、装置及系统
CN107945566A (zh) * 2017-11-17 2018-04-20 张慧 基于多目标跟踪与深度学习的路边停车管理系统及方法
JP2020149088A (ja) * 2019-03-11 2020-09-17 三菱自動車工業株式会社 車両防犯装置

Also Published As

Publication number Publication date
CN112927455A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
KR101850286B1 (ko) 딥 러닝 기반 cctv용 영상 인식 방법
DE102014105351B4 (de) Detektion von menschen aus mehreren ansichten unter verwendung einer teilumfassenden suche
US9569531B2 (en) System and method for multi-agent event detection and recognition
EP2297701B1 (de) Videoanalyse
US8744125B2 (en) Clustering-based object classification
KR102195706B1 (ko) 침입 탐지방법 및 그 장치
CN110348312A (zh) 一种区域视频人体动作行为实时识别方法
JP2013088870A (ja) 不審者検知装置、不審者検知方法およびプログラム
CN110717357B (zh) 预警方法、装置、电子设备及存储介质
CN113963301A (zh) 一种时空特征融合的视频火灾烟雾探测方法及系统
US20090208111A1 (en) Event structure system and controlling method and medium for the same
CN109446926A (zh) 一种交通监控方法及装置、电子设备和存储介质
CN115294519A (zh) 一种基于轻量化网络的异常事件检测及预警方法
CN104112281B (zh) 使用高光谱成像跟踪对象的方法
CN112927455B (zh) 停车场智能监控方法及应用
CN114764895A (zh) 异常行为检测装置和方法
Vrskova et al. Violent Behavioral Activity Classification Using Artificial Neural Network
EP4287147A1 (en) Training method, use, software program and system for the detection of unknown objects
DE102018222683A1 (de) Verfahren zum Erstellen einer Umgebungsrepräsentationskarte zur Überwachung eines Fahrzeugs und/oder eines Fahrzeuganhängers unter Verwendung eines Kamerasystems
Al Jarouf et al. A hybrid method to detect and verify vehicle crash with haar-like features and svm over the web
Ankad et al. Object Size Measurement from CCTV footage using deep learning
CN1988653A (zh) 基于视觉特性的夜间目标检测和跟踪方法
Padmaja et al. Crowd abnormal behaviour detection using convolutional neural network and bidirectional LSTM
KR20220067271A (ko) 영상취득장치 및 영상취득방법
US11580332B2 (en) Method and device for reliably identifying objects in video images

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
CP03 Change of name, title or address

Address after: 523078 Building 3, No. 2, Xinke Road, Nancheng Street, Dongguan City, Guangdong Province

Patentee after: Guangdong Saide Automation Technology Co.,Ltd.

Address before: 523087 d2E, Xinke factory area, Hongyuan Industrial Zone, Xinke Road, Nancheng street, Dongguan City, Guangdong Province

Patentee before: GUANGDONG HONGYUAN XINKE AUTOMATION TECHNOLOGY DEVELOPMENT Co.,Ltd.

CP03 Change of name, title or address