CN110796087A - 一种高空抛物训练样本快速生成方法与系统 - Google Patents

一种高空抛物训练样本快速生成方法与系统 Download PDF

Info

Publication number
CN110796087A
CN110796087A CN201911042789.6A CN201911042789A CN110796087A CN 110796087 A CN110796087 A CN 110796087A CN 201911042789 A CN201911042789 A CN 201911042789A CN 110796087 A CN110796087 A CN 110796087A
Authority
CN
China
Prior art keywords
falling object
different
image
background
images
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
CN201911042789.6A
Other languages
English (en)
Inventor
李淑琴
肖勇
廖海斌
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.)
Jiangxi Ganpoyun New Smart City Technology Research Co Ltd
Original Assignee
Jiangxi Ganpoyun New Smart City Technology Research 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 Jiangxi Ganpoyun New Smart City Technology Research Co Ltd filed Critical Jiangxi Ganpoyun New Smart City Technology Research Co Ltd
Priority to CN201911042789.6A priority Critical patent/CN110796087A/zh
Publication of CN110796087A publication Critical patent/CN110796087A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及小区安防监控和图像处理与合成领域，公开了一种高空抛物训练样本快速生成方法，包括如下步骤：S1、高楼监控背景图像生成；S2、不同坠物类别图像生成；S3、高空抛物图像合成；还公开其生成系统，包括背景图像输入模块、坠物图像输入模块、背景图像处理模块、坠物图像处理模块以及高空抛物训练样本合成模块。本发明，利用图像处理与合成技术通过采集少量高楼背景和坠物图像就可以快速合成海量高空抛物训练样本，为高空抛物自动检测的训练学习提供了一种低成本、快速、可行的方法，为大数据样本采集节约了大量人力、物力和财力。

Description

一种高空抛物训练样本快速生成方法与系统
技术领域
本发明涉及小区安防监控和图像处理与合成领域，具体是一种高空抛物训练样本快速生成方法与系统。
背景技术
高空抛物被称为“悬在城市上空的痛”，高空抛物事件的新闻时常会看到，能够产生严重的后果，严重时能够让居民当场死亡，并出现事件追责纠纷问题。由于基于深度学习的人工智能技术的出现，使得高空抛物自动检测和预警成为了可能。通过架设监控摄像头，利用深度学习技术可以快速有效的检测出高空抛物现象，做到事先预警提示和事后取证。深度学习技术是目前最有效的机器学习方法，在图像识别、语音识别和自然语言处理方面已全面应用，并获得了巨大成功。
但是，深度学习技术依赖于海量学习样本，是一种典型的数据驱动方法。对于高空抛物图像检测和识别来说，训练样本不足是其主要应用障碍。因为高空抛物是少数个别现象，很难收集到大量高空抛物训练样本。因此，本发明提出一种高空抛物训练样本快速合成方法与系统。
发明内容
本发明的目的在于提供一种高空抛物训练样本快速生成方法与系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种高空抛物训练样本快速生成方法，包括如下步骤：
S1、高楼监控背景图像生成：采集个不同高楼在不同环境下的外立面作为高楼背景，得到
Figure 460975DEST_PATH_IMAGE004
张高楼背景图像；
S2、不同坠物类别图像生成：收集C类不同类别的坠物实体，针对以上C类坠物实体，收集其不同型号、不同颜色、不同品牌的物体进行拍照采集其图像，对剪切出的纯净坠物图像，利用深度学习等技术生成不同样式、不同环境下的多场景坠物图像，得到
Figure 240712DEST_PATH_IMAGE006
张无背景的坠物图像；
S3、高空抛物图像合成：根据S1和S2得到
Figure 698239DEST_PATH_IMAGE004
张高楼背景图像和
Figure 574928DEST_PATH_IMAGE006
张无背景的坠物图像，合成
Figure DEST_PATH_IMAGE008
张高空抛物训练样本。
作为本发明进一步的方案：S1中，
Figure 459707DEST_PATH_IMAGE002
个不同高楼外立面作为高楼背景图像的具体采集方法为：
1、采集时以高楼50米为聚焦点进行拍摄采集；
2、同一栋楼采集
Figure 157099DEST_PATH_IMAGE010
个不同环境下的高楼背景图像，
Figure DEST_PATH_IMAGE011
个不同环境包括但不限于不同季节环境：春、夏、秋和秋；不同天气环境：晴天、雨天、雪天和阴天；不同时间段：早上、中午、傍晚和深夜。
作为本发明进一步的方案：S2中，C类不同类别的坠物实体，包括但不限于：烟头、玻璃瓶、塑料瓶、花盆、晒架支架、垃圾袋、果皮、砖石、杯子、纸箱、衣物、纸屑、菜刀、砧板、尿布湿和消防瓶。
作为本发明进一步的方案：S2中，C类坠物实体的具体采集方法为：
1、对收集的不同类型物体采用不同拍摄距离或设置不同焦距进行拍照；
2、对拍摄的图像进行背景去除尽量剪切出纯净的物体图像。
作为本发明进一步的方案：S2中，多场景坠物图像的合成方法如下：
1、对剪切出的坠物图像利用生成对抗网络（GAN）进行雨天、雪天、阴天和黑夜不同场景的合成，以便生成不同条件场景下的坠物图像；
2、对上步得出的坠物图像进行旋转、缩放、加噪声和模糊图像处理以生成不同形式下的坠物图像。
作为本发明再进一步的方案：S3中，高空抛物训练样本的具体合成方法为：
1、对于每张高楼背景图像
Figure 480633DEST_PATH_IMAGE013
，与张无背景的坠物图像
Figure 274146DEST_PATH_IMAGE016
进行合成得到高空抛物图像：
A、将无背景的坠物图像
Figure DEST_PATH_IMAGE018
进行任意缩放，使其落入高楼背景图像
Figure DEST_PATH_IMAGE020
的尺度范围，比如将
Figure 454460DEST_PATH_IMAGE021
的长和宽任意缩放到
Figure DEST_PATH_IMAGE022
长和宽的范围内，任意取40张不同分辨率的坠物图像；
无背景的坠物图像
Figure DEST_PATH_IMAGE026
的大小为100*100，高楼背景图像
Figure DEST_PATH_IMAGE028
的大小为200*200，由于缩放比例为
Figure 100002_DEST_PATH_IMAGE030
，因此对
Figure 713184DEST_PATH_IMAGE026
进行缩放处理得到新的坠物图像的长和宽范围为
Figure 100002_DEST_PATH_IMAGE032
即[4, 160]，又由于的大小为100*100，所以最终新的坠物图像的长和宽范围为[4, 100]，即将无背景的坠物图像缩放到此范围内，我们在此范围内任意取40张不同分辨率的缩放图片，如4*100，10*50，50*50，60*60，100*4等。
B、将得到的不同分辨率坠物图像按滑动窗口的方式逐步取代高楼背景图像中的相应部分图像，得到不同分辨率的高空抛物图像；
C、重复以上两步直到所有的
Figure DEST_PATH_IMAGE034
张坠物图像都被处理完毕，共可得到
Figure DEST_PATH_IMAGE036
张在
Figure DEST_PATH_IMAGE038
背景下的高空抛物图像；
2、重复第一步直到所有的
Figure DEST_PATH_IMAGE040
张高楼背景图像都被合成完毕为止，共可得
Figure DEST_PATH_IMAGE042
张高空抛物样本图像。
一种高空抛物训练样本快速生成系统，包括背景图像输入模块、坠物图像输入模块、背景图像处理模块、坠物图像处理模块以及高空抛物训练样本合成模块，其中，
所述背景图像输入模块，用于输入单张或者多张背景图像；
所述坠物图像输入模块，用于输入单张或者多张坠物图像；
所述背景图像处理模块，用于对输入的背景图像的后缀名进行判别以及对符合要求的背景图像进行大小的判断；
所述坠物图形处理模块，用于对输入的坠物图像的后缀名进行判别、对符合要求的坠物图像进行大小的判断、对符合要求的坠物图像合成不同条件场景下的坠物图像以及对合成后的坠物图像进行旋转、缩放、加噪声和模糊图像处理；
所述高空抛物训练样本合成模块，用于对输入的
Figure 347483DEST_PATH_IMAGE040
张高楼背景图像和
Figure 839644DEST_PATH_IMAGE034
张无背景的坠物图像合成
Figure 143586DEST_PATH_IMAGE043
张高空抛物训练样本。
与现有技术相比，本发明的有益效果是：
本发明利用图像处理与合成技术通过采集少量高楼背景和坠物图像就可以快速合成海量高空抛物训练样本，为高空抛物自动检测的训练学习提供了一种低成本、快速、可行的方法，为大数据样本采集节约了大量人力、物力和财力。
附图说明
图1为一种高空抛物训练样本快速生成方法的流程示意图。
图2为一种高空抛物训练样本快速生成系统中各功能模块的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中，一种高空抛物训练样本快速生成方法，包括如下步骤：
S1、高楼监控背景图像生成
采集个不同高楼在不同环境下的外立面作为高楼背景图像，具体采集方法如下：
1、采集时以高楼50米左右为聚焦点进行拍摄采集。
2、同一栋楼采集个不同环境下的高楼背景图像，个不同环境包括但不限于不同季节环境：春、夏、秋、秋等；不同天气环境：晴天、雨天、雪天、阴天等；不同时间段：早上、中午、傍晚、深夜等。
因此，基于不同高楼和不同环境共可采集
Figure 375536DEST_PATH_IMAGE047
张高楼背景图像。
S2、不同坠物类别图像生成
收集C类不同类别的坠物实体，包括但不限于：烟头、玻璃瓶、塑料瓶、花盆、晒架支架、垃圾袋、果皮、砖石、杯子、纸箱、衣物、纸屑、菜刀、砧板、尿布湿、消防瓶等16类。
针对以上C类坠物实体，收集其不同型号、不同颜色、不同品牌的物体进行拍照采集其图像。具体采集方法为：
1、对收集的不同类型物体采用不同拍摄距离或设置不同焦距进行拍照。
2、对拍摄的图像进行背景去除尽量剪切出纯净的物体图像。
对剪切出的纯净坠物图像，利用深度学习等技术生成不同样式、不同环境下的多场景坠物图像，其方法如下：
1、为了模拟不同的场景，对剪切出的坠物图像利用生成对抗网络（GAN）进行雨天、雪天、阴天、黑夜等不同场景的合成，以便生成不同条件场景下的坠物图像。
2、为了模拟不同形状和样式，对上步得出的坠物图像进行旋转、缩放、加噪声和模糊等图像处理以生成不同形式下的坠物图像。
对收集的C类坠物进行以上操作后得到
Figure 516668DEST_PATH_IMAGE034
张无背景的坠物图像。
S3、高空抛物图像合成
根据前两步得到
Figure 76962DEST_PATH_IMAGE040
张高楼背景图像和张无背景的坠物图像，合成
Figure DEST_PATH_IMAGE048
张高空抛物训练样本。合成方法如下：
1、对于每张高楼背景图像，与
Figure 878593DEST_PATH_IMAGE034
张无背景的坠物图像
Figure DEST_PATH_IMAGE052
进行合成得到高空抛物图像：
A、将无背景的坠物图像
Figure 885732DEST_PATH_IMAGE026
进行任意缩放，使其落入高楼背景图像
Figure 300533DEST_PATH_IMAGE028
的尺度范围，比如将
Figure 305398DEST_PATH_IMAGE026
的长和宽任意缩放到
Figure 805650DEST_PATH_IMAGE053
长和宽的
Figure 226267DEST_PATH_IMAGE030
范围内，任意取40张不同分辨率的坠物图像。
B、将得到的不同分辨率坠物图像按滑动窗口的方式逐步取代高楼背景图像中的相应部分图像，得到不同分辨率的高空抛物图像。
C、重复以上两步直到所有的
Figure DEST_PATH_IMAGE054
张坠物图像都被处理完毕，共可得到
Figure 823470DEST_PATH_IMAGE055
张在
Figure 999236DEST_PATH_IMAGE038
背景下的高空抛物图像。
2、重复第一步直到所有的张高楼背景图像都被合成完毕为止，共可得
Figure DEST_PATH_IMAGE057
张高空抛物样本图像。
参阅图2，一种高空抛物训练样本快速合成系统，主要包括如下几大功能模块：
（1）背景图像输入模块
以对话框、选择框和按钮的形式选择背景图像输入，系统可以选择单张图像输入，也可以文件夹的形式批量输入背景图像。
（2）坠物图像输入模块
以对话框、选择框和按钮的形式选择坠物图像输入，系统可以选择单张图像输入，也可以文件夹的形式批量输入坠物图像。
（3）背景图像处理模块
首先，对输入的背景图像的后缀名进行判别，如果超出常用图像格式类别，如.jpg，.bmp，.png，.jif等，则自动进行删除。
其次，对符合要求的背景图像进行大小判断，如果单张图像大小超过某阀值，如10M，则对其进行自动缩放将其大小降到阀值点以下。
（4）坠物图像处理模块
首先，对输入的坠物图像的后缀名进行判别，如果超出常用图像格式类别，如.jpg，.bmp，.png，.jif等，则自动进行删除。
其次，对格式符合要求的坠物图像进行大小判断，如果单张图像大小超过某阀值，如5M，则对其进行自动缩放将其大小降到阀值点以下。
然后，为了模拟不同的场景，对符合要求的坠物图像利用生成对抗网络（GAN）进行雨天、雪天、阴天、黑夜等不同场景的合成，以便生成不同条件场景下的坠物图像。
最后，为了模拟不同形状和样式，对上步得出的坠物图像进行旋转、缩放、加噪声和模糊等图像处理以生成不同形式下的坠物图像。
（5）高空抛物训练样本合成模块
对输入的
Figure 111418DEST_PATH_IMAGE040
张高楼背景图像和
Figure 466219DEST_PATH_IMAGE034
张无背景的坠物图像，利用本发明方法合成
Figure 652350DEST_PATH_IMAGE042
张高空抛物训练样本。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种高空抛物训练样本快速生成方法，其特征在于，包括如下步骤：
S1、高楼监控背景图像生成：采集
Figure DEST_PATH_IMAGE002
个不同高楼在不同环境下的外立面作为高楼背景，得到
Figure DEST_PATH_IMAGE004
张高楼背景图像；
S2、不同坠物类别图像生成：收集C类不同类别的坠物实体，针对以上C类坠物实体，收集其不同型号、不同颜色、不同品牌的物体进行拍照采集其图像，对剪切出的纯净坠物图像，利用深度学习等技术生成不同样式、不同环境下的多场景坠物图像，得到
Figure DEST_PATH_IMAGE006
张无背景的坠物图像；
S3、高空抛物图像合成：根据S1和S2得到
Figure DEST_PATH_IMAGE004A
张高楼背景图像和张无背景的坠物图像，合成
Figure DEST_PATH_IMAGE010
张高空抛物训练样本。
2.根据权利要求1所述的一种高空抛物训练样本快速生成方法，其特征在于，S1中，
Figure DEST_PATH_IMAGE002A
个不同高楼外立面作为高楼背景图像的具体采集方法为：
1、采集时以高楼50米为聚焦点进行拍摄采集；
2、同一栋楼采集
Figure DEST_PATH_IMAGE013
个不同环境下的高楼背景图像，个不同环境包括但不限于不同季节环境：春、夏、秋和秋；不同天气环境：晴天、雨天、雪天和阴天；不同时间段：早上、中午、傍晚和深夜。
3.根据权利要求1所述的一种高空抛物训练样本快速生成方法，其特征在于，S2中，C类不同类别的坠物实体，包括但不限于：烟头、玻璃瓶、塑料瓶、花盆、晒架支架、垃圾袋、果皮、砖石、杯子、纸箱、衣物、纸屑、菜刀、砧板、尿布湿和消防瓶。
4.根据权利要求3所述的一种高空抛物训练样本快速生成方法，其特征在于，S2中，C类坠物实体的具体采集方法为：
1、对收集的不同类型物体采用不同拍摄距离或设置不同焦距进行拍照；
2、对拍摄的图像进行背景去除尽量剪切出纯净的物体图像。
5.根据权利要求4所述的一种高空抛物训练样本快速生成方法，其特征在于，S2中，多场景坠物图像的合成方法如下：
1、对剪切出的坠物图像利用生成对抗网络（GAN）进行雨天、雪天、阴天和黑夜不同场景的合成，以便生成不同条件场景下的坠物图像；
2、对上步得出的坠物图像进行旋转、缩放、加噪声和模糊图像处理以生成不同形式下的坠物图像。
6.根据权利要求1所述的一种高空抛物训练样本快速生成方法，其特征在于，S3中，高空抛物训练样本的具体合成方法为：
1、对于每张高楼背景图像
Figure DEST_PATH_IMAGE016
，与张无背景的坠物图像
Figure DEST_PATH_IMAGE019
进行合成得到高空抛物图像：
A、将无背景的坠物图像
Figure DEST_PATH_IMAGE021
进行任意缩放，使其落入高楼背景图像
Figure DEST_PATH_IMAGE023
的尺度范围，比如将
Figure DEST_PATH_IMAGE021A
的长和宽任意缩放到
Figure DEST_PATH_IMAGE023A
长和宽的
Figure DEST_PATH_IMAGE027
范围内，任意取40张不同分辨率的坠物图像；
B、将得到的不同分辨率坠物图像按滑动窗口的方式逐步取代高楼背景图像中的相应部分图像，得到不同分辨率的高空抛物图像；
C、重复以上两步直到所有的
Figure DEST_PATH_IMAGE006AAA
张坠物图像都被处理完毕，共可得到
Figure DEST_PATH_IMAGE030
张在
Figure DEST_PATH_IMAGE032
背景下的高空抛物图像；
2、重复第一步直到所有的
Figure DEST_PATH_IMAGE004AA
张高楼背景图像都被合成完毕为止，共可得
Figure DEST_PATH_IMAGE010A
张高空抛物样本图像。
7.一种高空抛物训练样本快速生成系统，其特征在于，包括背景图像输入模块、坠物图像输入模块、背景图像处理模块、坠物图像处理模块以及高空抛物训练样本合成模块，其中，
所述背景图像输入模块，用于输入单张或者多张背景图像；
所述坠物图像输入模块，用于输入单张或者多张坠物图像；
所述背景图像处理模块，用于对输入的背景图像的后缀名进行判别以及对符合要求的背景图像进行大小的判断；
所述坠物图形处理模块，用于对输入的坠物图像的后缀名进行判别、对符合要求的坠物图像进行大小的判断、对符合要求的坠物图像合成不同条件场景下的坠物图像以及对合成后的坠物图像进行旋转、缩放、加噪声和模糊图像处理；
所述高空抛物训练样本合成模块，用于对输入的
Figure DEST_PATH_IMAGE004AAA
张高楼背景图像和
Figure DEST_PATH_IMAGE006AAAA
张无背景的坠物图像合成
Figure DEST_PATH_IMAGE010AA
张高空抛物训练样本。
CN201911042789.6A 2019-10-30 2019-10-30 一种高空抛物训练样本快速生成方法与系统 Pending CN110796087A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911042789.6A CN110796087A (zh) 2019-10-30 2019-10-30 一种高空抛物训练样本快速生成方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911042789.6A CN110796087A (zh) 2019-10-30 2019-10-30 一种高空抛物训练样本快速生成方法与系统

Publications (1)

Publication Number Publication Date
CN110796087A true CN110796087A (zh) 2020-02-14

Family

ID=69441971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911042789.6A Pending CN110796087A (zh) 2019-10-30 2019-10-30 一种高空抛物训练样本快速生成方法与系统

Country Status (1)

Country Link
CN (1) CN110796087A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488799A (zh) * 2020-03-13 2020-08-04 安徽小眯当家信息技术有限公司 一种基于图像识别的坠落物识别方法及系统
CN112330743A (zh) * 2020-11-06 2021-02-05 安徽清新互联信息科技有限公司 一种基于深度学习的高空抛物检测方法
CN112347915A (zh) * 2020-11-05 2021-02-09 重庆览辉信息技术有限公司 一种高空抛掷物判别系统
CN114863370A (zh) * 2022-07-08 2022-08-05 合肥中科类脑智能技术有限公司 一种复杂场景高空抛物识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140079314A1 (en) * 2012-09-18 2014-03-20 Yury Yakubovich Method and Apparatus for Improved Training of Object Detecting System
CN104601939A (zh) * 2013-10-31 2015-05-06 深圳市东宝嘉科技有限公司 一种监测高空抛物以及消除其危害的方法和系统
CN109345474A (zh) * 2018-05-22 2019-02-15 南京信息工程大学 基于梯度域和深度学习的图像运动模糊盲去除方法
CN110197190A (zh) * 2018-02-27 2019-09-03 北京猎户星空科技有限公司 模型训练和物体的定位方法及装置
CN112686186A (zh) * 2021-01-05 2021-04-20 润联软件系统(深圳)有限公司 一种基于深度学习的高空抛物识别方法及其相关组件
CN113223081A (zh) * 2021-03-29 2021-08-06 浙江工业大学 一种基于背景建模与深度学习的高空抛物检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140079314A1 (en) * 2012-09-18 2014-03-20 Yury Yakubovich Method and Apparatus for Improved Training of Object Detecting System
CN104601939A (zh) * 2013-10-31 2015-05-06 深圳市东宝嘉科技有限公司 一种监测高空抛物以及消除其危害的方法和系统
CN110197190A (zh) * 2018-02-27 2019-09-03 北京猎户星空科技有限公司 模型训练和物体的定位方法及装置
CN109345474A (zh) * 2018-05-22 2019-02-15 南京信息工程大学 基于梯度域和深度学习的图像运动模糊盲去除方法
CN112686186A (zh) * 2021-01-05 2021-04-20 润联软件系统(深圳)有限公司 一种基于深度学习的高空抛物识别方法及其相关组件
CN113223081A (zh) * 2021-03-29 2021-08-06 浙江工业大学 一种基于背景建模与深度学习的高空抛物检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张双双: "具备智能识别的高空抛物监控设备关键技术浅析", 《中国安全防范技术与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488799A (zh) * 2020-03-13 2020-08-04 安徽小眯当家信息技术有限公司 一种基于图像识别的坠落物识别方法及系统
CN112347915A (zh) * 2020-11-05 2021-02-09 重庆览辉信息技术有限公司 一种高空抛掷物判别系统
CN112347915B (zh) * 2020-11-05 2024-03-12 重庆览辉信息技术有限公司 一种高空抛掷物判别系统
CN112330743A (zh) * 2020-11-06 2021-02-05 安徽清新互联信息科技有限公司 一种基于深度学习的高空抛物检测方法
CN112330743B (zh) * 2020-11-06 2023-03-10 安徽清新互联信息科技有限公司 一种基于深度学习的高空抛物检测方法
CN114863370A (zh) * 2022-07-08 2022-08-05 合肥中科类脑智能技术有限公司 一种复杂场景高空抛物识别方法及系统

Similar Documents

Publication Publication Date Title
CN110796087A (zh) 一种高空抛物训练样本快速生成方法与系统
CN110807353B (zh) 一种基于深度学习的变电站异物识别方法、装置及系统
CN111723654B (zh) 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置
CN110853295A (zh) 一种高空抛物预警方法和装置
CN111462451B (zh) 基于视频信息的秸秆焚烧检测报警系统
CN103778418A (zh) 一种输电线路杆塔图像监测系统的山火图像识别方法
CN110490043A (zh) 一种基于区域划分和特征提取的森林烟火检测方法
CN103530638B (zh) 多摄像头下的行人匹配方法
CN109389185B (zh) 使用三维卷积神经网络的视频烟雾识别方法
CN111178182A (zh) 一种丢垃圾行为的实时检测方法
CN112836657B (zh) 一种基于轻量化YOLOv3的行人检测方法及系统
CN104634784B (zh) 大气能见度监测方法和装置
CN109241902A (zh) 一种基于多尺度特征融合的山体滑坡检测方法
CN112215182A (zh) 一种适用于森林火灾的烟雾识别方法
WO2019048604A1 (de) Automatische früherkennung von rauch, russ und feuer mit erhöhter erkennungssicherheit durch maschinelles lernen
CN113160062A (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN109241847A (zh) 基于视觉图像的油田作业区安全监控系统
CN112686172A (zh) 机场跑道异物检测方法、装置及存储介质
CN111145222A (zh) 一种结合烟雾运动趋势和纹理特征的火灾检测方法
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN115661932A (zh) 一种垂钓行为检测方法
CN115979985A (zh) 基于双光谱的煤堆温度智能监测方法、系统、设备及介质
CN102096273A (zh) 一种基于目标特性的空间相机自动曝光方法
CN111123407B (zh) 一种基于计算机服务的环境监测大数据整合系统
CN110555460B (zh) 一种基于图像切片的移动端输电线路鸟类检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200214

RJ01 Rejection of invention patent application after publication