CN110909606A - 基于深度学习的变电站人员行为检测方法 - Google Patents

基于深度学习的变电站人员行为检测方法 Download PDF

Info

Publication number
CN110909606A
CN110909606A CN201911017019.6A CN201911017019A CN110909606A CN 110909606 A CN110909606 A CN 110909606A CN 201911017019 A CN201911017019 A CN 201911017019A CN 110909606 A CN110909606 A CN 110909606A
Authority
CN
China
Prior art keywords
foreground
area
pixel
monitoring image
human
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
CN201911017019.6A
Other languages
English (en)
Inventor
林岩
陈太
王晓蓉
高兀
梁李凡
林文君
胡刚风
刘荣杰
郑家建
颜莹莹
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.)
Fujian Hoshing Hi-Tech Industrial Ltd
Original Assignee
Fujian Hoshing Hi-Tech Industrial 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 Fujian Hoshing Hi-Tech Industrial Ltd filed Critical Fujian Hoshing Hi-Tech Industrial Ltd
Priority to CN201911017019.6A priority Critical patent/CN110909606A/zh
Publication of CN110909606A publication Critical patent/CN110909606A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习的变电站人员行为检测方法，包括如下步骤：步骤S1:通过位于管控区域的摄像头采集所述管控区域的背景监控图像；步骤S2:对背景监控图像进行灰度化处理；步骤S3:进行二值化处理和骨架化操作，得到骨架图像；步骤S4:根采用Hough变换算法检测，获得管控区域的管控边界线；步骤S5:通过位于管控区域的摄像头采集所述管控区域的前景监控图像，并基于混合高斯模型前景运动检测算法在前景监控图像中获得前景区域；步骤S6:根据得到的前景区域，若前景区域小于第一预设值，则输出第一信息；若前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，若区域重心位于所述管控边界线的内侧，则输出第二信息。

Description

基于深度学习的变电站人员行为检测方法
技术领域
本发明涉及电力系统领域，特别涉及一种基于深度学习的变电站人员行为检测方法。
背景技术
变电站属于一个高危环境，由于变电站的结构化比较强，相似程度高，可能会出现检修人员走错区域而导致事故。变电站存在安全管控区域，人员进入安全管控区域或导致事故，目前暂无较好的安全管控区域的管控措施，给站端管理带来了很多隐患。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度学习的变电站人员行为检测方法，实时监测管控区域的人员进入情况并生成相关信息，降低变电站管理隐患。
为实现上述目的，本发明采用如下技术方案：
一种基于深度学习的变电站人员行为检测方法，包括如下步骤：
步骤S1:在背景检测模式下，通过位于管控区域的摄像头采集所述管控区域的背景监控图像；
步骤S2:对背景监控图像进行灰度化处理，得到灰度图像；
步骤S3:根据得到的灰度图像，进行二值化处理，并通过骨架化操作，得到骨架图像；
步骤S4:根据得到的骨架图像，采用Hough变换算法检测，获得管控区域的管控边界线；
步骤S5:在前景检测模式下，通过位于管控区域的摄像头采集所述管控区域的前景监控图像，并基于混合高斯模型前景运动检测算法在前景监控图像中获得前景区域；
步骤S6:根据得到的前景区域，若前景区域小于第一预设值，则输出第一信息；若前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，若区域重心位于所述管控边界线的内侧，则输出第二信息。
进一步的，所述所述第一信息表示未检测到行人，所述第二信息表示人员越过安全警戒线。
进一步的，所述步骤S2还包括：
获取所述第一监控图像的各个像素点的红绿蓝子像素的分量亮度；并根据所述分量亮度，求解所述第二灰度值图像的各个像素点的灰度值f(i,j)；其中，所述f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3，所述R(i,j)为红色子像素的所述分量亮度，所述G(i,j)为绿色子像素的所述分量亮度，所述B(i,j)为蓝色子像素的所述分量亮度。
进一步的，所述步骤S5具体为：
步骤S51:获取前景监控图像的新像素Xt同当前K个模型按|Xt-μt-1|≤2.5σt-1进行比较，直到找到匹配所述新像素的分布模型；所述μt-1为历史像素均值，所述σt-1为历史像素标准差；
步骤S52:若所匹配的所述分布模型符合背景要求，则所述新像素属于背景，否则所述新像素属于前景:
步骤S53：对各个所述分布模式的加权值进行更新；所述加权值的更新求解公式为：Wk,t＝(1-α)Wk,t-1+αMk,t；其中，当所述新像素Xt符合第k个所述分布模式时，Mk,t＝1，反之，则Mk,t＝0；所述α为学习速率，所述0＜α＜1；
其中：Wk,t为新像素Xt在第k个所述分布模式下的加权值；Wk,t-1为上一像素Xt在第k个所述分布模式下的加权值；
当所述新像素Xt符合第k个所述分布模式时，Mk,t＝1，反之，则Mk,t＝0；所述α为学习速率，所述0＜α＜1；
步骤S54：对所述历史像素均值以及历史像素标准差进行更新；
其中，μt＝(1-ρ)μt-1+ρXt，
Figure BDA0002246018830000031
其中：μt为当前的历史像素均值；
Figure BDA0002246018830000033
为当前的历史像素标准差；ρ＝α/Wk,t；
步骤S55：将各个所述分布模式根据Wk,t/α2降序排列；
步骤S56：选取前B个模式作为背景区域；所述B满足：
Figure BDA0002246018830000032
进一步的，所述确定前景区域的区域重心，具体如下：
A1：识别所述第五前景区域的轮廓；
A2：若所述第一轮廓为人形轮廓，获取所述人形轮廓的脚掌区域的中心为所述区域重心；
A3：若所述第一轮廓不为人形轮廓，获取所述第一轮廓的重心点，将所述重心点作为所述区域重心。
进一步的，若所述第一轮廓为人形轮廓，还可采用如下确定前景区域的区域重心：
B1:根据所述人形轮廓判断与所述人形轮廓所对应的真实人类与所述摄像头之间的第一距离；
B2:根据所述人形轮廓的中心在所述第四监控图像中的坐标，确定拍摄角度；
B3:根据所述第一距离以及拍摄角度，确定所述真实人类的站立位置，并确定所述区域重心。
进一步的，所述步骤S6中，若所述第五前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，还包括：
步骤S61：设置第一标记矩阵以及第二标记矩阵分别用来标记有工作人员图像及无人时图像；所述第一标记矩阵以及第二标记矩阵的大小跟每帧所述前景监控图像的大小相同，
步骤S62：依次遍历所述前景监控图像中的每个像素点，判断每个像素点是否符合预设灰阶范围；当所述像素点所述预设灰阶范围，则在相应的第三标记矩阵中进行标记；
步骤S63：计算第三标记矩阵的像素总和以及像素总和的区域重心，并判断是否符合所述第一标记矩阵或第二标记矩阵。
进一步的，所述像素总和的区域重心计算公式为：
Figure BDA0002246018830000051
其中，所述
Figure BDA0002246018830000052
为重心横坐标，所述
Figure BDA0002246018830000053
为重心纵坐标，所述xi为离散横坐标，所述
Figure BDA0002246018830000054
为离散纵坐标。
本发明与现有技术相比具有以下有益效果：
本发明通过对管控边界进行识别，并监控识别包含工作人员影像的前景图，判断工作人员重心是否越过管控边界，当工作人员越过管控边界生成预警信号，有效保护工作人员以及变电站安全。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于深度学习的变电站人员行为检测方法，包括如下步骤：
步骤S1:在背景检测模式下，通过位于管控区域的摄像头采集所述管控区域的背景监控图像；
步骤S2:对背景监控图像进行灰度化处理，得到灰度图像；
步骤S3:根据得到的灰度图像，进行二值化处理，并通过骨架化操作，得到骨架图像；
步骤S4:根据得到的骨架图像，采用Hough变换算法检测，获得管控区域的管控边界线；
步骤S5:在前景检测模式下，通过位于管控区域的摄像头采集所述管控区域的前景监控图像，并基于混合高斯模型前景运动检测算法在前景监控图像中获得前景区域；
步骤S6:根据得到的前景区域，若前景区域小于第一预设值，则输出第一信息；若前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，若区域重心位于所述管控边界线的内侧，则输出第二信息。所述所述第一信息表示未检测到行人，所述第二信息表示人员越过安全警戒线。
在本实施例中，采用Hough变换算法检测直线中，直线的表示，可由斜率和截距表示，而极坐标中用表示。
r＝cos(θ)*x+sin(θ)*y
其中，对应于空间的一条正弦曲线：多个点在(r，θ)平面上就是多条正弦曲线，而多条正弦曲线会相交，交点就是直角坐标系中的直线。直角坐标系中的一条直线上的三个点对应于r-θ空间中三条曲线，并交于一点。统计一个矩阵中多条线相交的点作为检测直线的极坐标表现形式，这样就能求出存在的直线。在寻找边界线的时候，会有很多直线被检测出，在同一水平线上，去顶部和底部直线的中点，作为检测的边界线；
在本实施例中，所述步骤S2还包括：
获取所述第一监控图像的各个像素点的红绿蓝子像素的分量亮度；并根据所述分量亮度，求解所述第二灰度值图像的各个像素点的灰度值f(i,j)；其中，所述f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3，所述R(i,j)为红色子像素的所述分量亮度，所述G(i,j)为绿色子像素的所述分量亮度，所述B(i,j)为蓝色子像素的所述分量亮度。
在本实施例中，所述步骤S5具体为：
步骤S51:获取前景监控图像的新像素Xt同当前K个模型按|Xt-μt-1|≤2.5σt-1进行比较，直到找到匹配所述新像素的分布模型；所述μt-1为历史像素均值，所述σt-1为历史像素标准差；
步骤S52:若所匹配的所述分布模型符合背景要求，则所述新像素属于背景，否则所述新像素属于前景:
步骤S53：对各个所述分布模式的加权值进行更新；所述加权值的更新求解公式为：Wk,t＝(1-α)Wk,t-1+αMk,t；其中，当所述新像素Xt符合第k个所述分布模式时，Mk,t＝1，反之，则Mk,t＝0；所述α为学习速率，所述0＜α＜1；
其中：Wk,t为新像素Xt在第k个所述分布模式下的加权值；Wk,t-1为上一像素Xt在第k个所述分布模式下的加权值；
当所述新像素Xt符合第k个所述分布模式时，Mk,t＝1，反之，则Mk,t＝0；所述α为学习速率，所述0＜α＜1；
步骤S54：对所述历史像素均值以及历史像素标准差进行更新；
其中，μt＝(1-ρ)μt-1+ρXt，
Figure BDA0002246018830000071
其中：μt为当前的历史像素均值；
Figure BDA0002246018830000072
为当前的历史像素标准差；ρ＝α/Wk,t；
步骤S55：将各个所述分布模式根据Wk,t/α2降序排列；
步骤S56：选取前B个模式作为背景区域；所述B满足：
Figure BDA0002246018830000081
A1：识别所述第五前景区域的轮廓；
A2：若所述第一轮廓为人形轮廓，获取所述人形轮廓的脚掌区域的中心为所述区域重心；
A3：若所述第一轮廓不为人形轮廓，获取所述第一轮廓的重心点，将所述重心点作为所述区域重心。
进一步的，若所述第一轮廓为人形轮廓，还可采用如下确定前景区域的区域重心：
B1:根据所述人形轮廓判断与所述人形轮廓所对应的真实人类与所述摄像头之间的第一距离；
B2:根据所述人形轮廓的中心在所述第四监控图像中的坐标，确定拍摄角度；
B3:根据所述第一距离以及拍摄角度，确定所述真实人类的站立位置，并确定所述区域重心。
在本实施例中，所述步骤S6中，若所述第五前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，还包括：
步骤S61：设置第一标记矩阵以及第二标记矩阵分别用来标记有工作人员图像及无人时图像；所述第一标记矩阵以及第二标记矩阵的大小跟每帧所述前景监控图像的大小相同，
步骤S62：依次遍历所述前景监控图像中的每个像素点，判断每个像素点是否符合预设灰阶范围；当所述像素点所述预设灰阶范围，则在相应的第三标记矩阵中进行标记；
步骤S63：计算第三标记矩阵的像素总和以及像素总和的区域重心，并判断是否符合所述第一标记矩阵或第二标记矩阵。
在本实施例中，对第四监控图像的数据分别在几个高斯模型上投影，就会分别得到在各个类上的概率。然后可以选取概率最大的类作为判决结果，使用K(取3-5)个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点。
在本实施例中，所述步骤S62还包括：统计与工作人员的衣服像素颜色及灰度相同的所述第四监控图像上的像素点，获得相应的人体掩模。通过统计每帧图像中颜色的范围以及高斯混合模型前景运动检测算法检测出来的掩模，可以得到行人属性的二值图像，然后统计图像中标记像素的重心以及像素的个数，从而确定工作人员。
在本实施例中，所述像素总和的区域重心计算公式为：
Figure BDA0002246018830000091
其中，所述
Figure BDA0002246018830000092
为重心横坐标，所述
Figure BDA0002246018830000093
为重心纵坐标，所述xi为离散横坐标，所述
Figure BDA0002246018830000094
为离散纵坐标。
在本实施例中，所述步骤S63包括：
采集前后两帧所述前景区域，判断所述前后两帧所述第五前景区域的所述区域重心位于所述管控边界线的两侧，输出所述第二信息。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种基于深度学习的变电站人员行为检测方法，其特征在于，包括如下步骤：
步骤S1:在背景检测模式下，通过位于管控区域的摄像头采集所述管控区域的背景监控图像；
步骤S2:对背景监控图像进行灰度化处理，得到灰度图像；
步骤S3:根据得到的灰度图像，进行二值化处理，并通过骨架化操作，得到骨架图像；
步骤S4:根据得到的骨架图像，采用Hough变换算法检测，获得管控区域的管控边界线；
步骤S5:在前景检测模式下，通过位于管控区域的摄像头采集所述管控区域的前景监控图像，并基于混合高斯模型前景运动检测算法在前景监控图像中获得前景区域；
步骤S6:根据得到的前景区域，若前景区域小于第一预设值，则输出第一信息；若前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，若区域重心位于所述管控边界线的内侧，则输出第二信息。
2.根据权利要求1所述的基于深度学习的变电站人员行为检测方法，其特征在于：所述所述第一信息表示未检测到行人，所述第二信息表示人员越过安全警戒线。
3.根据权利要求1所述的基于深度学习的变电站人员行为检测方法，其特征在于，所述步骤S2还包括：
获取所述第一监控图像的各个像素点的红绿蓝子像素的分量亮度；并根据所述分量亮度，求解所述第二灰度值图像的各个像素点的灰度值f(i,j)；其中，所述f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3，所述R(i,j)为红色子像素的所述分量亮度，所述G(i,j)为绿色子像素的所述分量亮度，所述B(i,j)为蓝色子像素的所述分量亮度。
4.根据权利要求1所述的基于深度学习的变电站人员行为检测方法，其特征在于，所述步骤S5具体为：
步骤S51:获取前景监控图像的新像素Xt同当前K个模型按|Xt-μt-1|≤2.5σt-1进行比较，直到找到匹配所述新像素的分布模型；所述μt-1为历史像素均值，所述σt-1为历史像素标准差；
步骤S52:若所匹配的所述分布模型符合背景要求，则所述新像素属于背景，否则所述新像素属于前景:
步骤S53：对各个所述分布模式的加权值进行更新；所述加权值的更新求解公式为：Wk,t＝(1-α)Wk,t-1+αMk,t；其中，当所述新像素Xt符合第k个所述分布模式时，Mk,t＝1，反之，则Mk,t＝0；所述α为学习速率，所述0＜α＜1；
其中：Wk,t为新像素Xt在第k个所述分布模式下的加权值；Wk,t-1为上一像素Xt在第k个所述分布模式下的加权值；
当所述新像素Xt符合第k个所述分布模式时，Mk,t＝1，反之，则Mk,t＝0；所述α为学习速率，所述0＜α＜1；
步骤S54：对所述历史像素均值以及历史像素标准差进行更新；
其中，μt＝(1-ρ)μt-1+ρXt，
Figure FDA0002246018820000021
其中：μt为当前的历史像素均值；
Figure FDA0002246018820000031
为当前的历史像素标准差；ρ＝α/Wk,t；
步骤S55：将各个所述分布模式根据Wk,t/α2降序排列；
步骤S56：选取前B个模式作为背景区域；所述B满足：
Figure FDA0002246018820000032
5.根据权利要求1所述的基于深度学习的变电站人员行为检测方法，其特征在于，
所述确定前景区域的区域重心，具体如下：
A1：识别所述第五前景区域的轮廓；
A2：若所述第一轮廓为人形轮廓，获取所述人形轮廓的脚掌区域的中心为所述区域重心；
A3：若所述第一轮廓不为人形轮廓，获取所述第一轮廓的重心点，将所述重心点作为所述区域重心。
6.根据权利要求5所述的基于深度学习的变电站人员行为检测方法，其特征在于，
若所述第一轮廓为人形轮廓，还可采用如下确定前景区域的区域重心：
B1:根据所述人形轮廓判断与所述人形轮廓所对应的真实人类与所述摄像头之间的第一距离；
B2:根据所述人形轮廓的中心在所述第四监控图像中的坐标，确定拍摄角度；
B3:根据所述第一距离以及拍摄角度，确定所述真实人类的站立位置，并确定所述区域重心。
7.根据权利要求1所述的基于深度学习的变电站人员行为检测方法，其特征在于，
所述步骤S6中，若所述第五前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，还包括：
步骤S61：设置第一标记矩阵以及第二标记矩阵分别用来标记有工作人员图像及无人时图像；所述第一标记矩阵以及第二标记矩阵的大小跟每帧所述前景监控图像的大小相同，
步骤S62：依次遍历所述前景监控图像中的每个像素点，判断每个像素点是否符合预设灰阶范围；当所述像素点所述预设灰阶范围，则在相应的第三标记矩阵中进行标记；
步骤S63：计算第三标记矩阵的像素总和以及像素总和的区域重心，并判断是否符合所述第一标记矩阵或第二标记矩阵。
8.根据权利要求7所述的基于深度学习的变电站人员行为检测方法，其特征在于，所述像素总和的区域重心计算公式为：
Figure FDA0002246018820000041
其中，所述
Figure FDA0002246018820000042
为重心横坐标，所述
Figure FDA0002246018820000043
为重心纵坐标，所述xi为离散横坐标，所述
Figure FDA0002246018820000044
为离散纵坐标。
CN201911017019.6A 2019-10-24 2019-10-24 基于深度学习的变电站人员行为检测方法 Pending CN110909606A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911017019.6A CN110909606A (zh) 2019-10-24 2019-10-24 基于深度学习的变电站人员行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911017019.6A CN110909606A (zh) 2019-10-24 2019-10-24 基于深度学习的变电站人员行为检测方法

Publications (1)

Publication Number Publication Date
CN110909606A true CN110909606A (zh) 2020-03-24

Family

ID=69814624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911017019.6A Pending CN110909606A (zh) 2019-10-24 2019-10-24 基于深度学习的变电站人员行为检测方法

Country Status (1)

Country Link
CN (1) CN110909606A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184755A (zh) * 2020-09-29 2021-01-05 国网上海市电力公司 一种用于变电站无人巡检系统的巡检流程监控方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7852234B1 (en) * 2007-06-14 2010-12-14 Traffic Safety Corp. Cross-walk safety lighting with multiple enhanced flash rate
CN102902889A (zh) * 2012-09-29 2013-01-30 上海市浦东新区人民医院 一种全自助胸片影像系统及实现方法
CN205113233U (zh) * 2015-11-13 2016-03-30 福建捷联电子有限公司 一种具有疲劳侦测及姿势提醒的车用智能显示装置
CN105894505A (zh) * 2016-03-30 2016-08-24 南京邮电大学 一种基于多摄像机几何约束的快速行人定位方法
CN108009460A (zh) * 2017-12-29 2018-05-08 姚佑霖 复杂背景下多种字符和数字混合的叠加二维码的识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7852234B1 (en) * 2007-06-14 2010-12-14 Traffic Safety Corp. Cross-walk safety lighting with multiple enhanced flash rate
CN102902889A (zh) * 2012-09-29 2013-01-30 上海市浦东新区人民医院 一种全自助胸片影像系统及实现方法
CN205113233U (zh) * 2015-11-13 2016-03-30 福建捷联电子有限公司 一种具有疲劳侦测及姿势提醒的车用智能显示装置
CN105894505A (zh) * 2016-03-30 2016-08-24 南京邮电大学 一种基于多摄像机几何约束的快速行人定位方法
CN108009460A (zh) * 2017-12-29 2018-05-08 姚佑霖 复杂背景下多种字符和数字混合的叠加二维码的识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
夏勇: "指针式仪表的自动检定系统实现", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
王坚: "基于高斯混合建模的扶梯扶手边界区域越界检测方法", 《中国设备工程》 *
高志辉 等: "快速行人越界检测算法研究", 《软件工程与应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184755A (zh) * 2020-09-29 2021-01-05 国网上海市电力公司 一种用于变电站无人巡检系统的巡检流程监控方法

Similar Documents

Publication Publication Date Title
CN110688987B (zh) 一种行人位置检测与跟踪方法及系统
CN110569772B (zh) 一种泳池内人员状态检测方法
CN106295646B (zh) 一种基于深度学习的车牌字符分割方法和装置
CN106599792B (zh) 一种手部驾驶违规行为的检测方法
CN110414400B (zh) 一种施工现场安全帽穿戴自动检测方法及系统
CN104063722B (zh) 一种融合hog人体目标检测和svm分类器的安全帽识别方法
CN105404847B (zh) 一种遗留物实时检测方法
CN103473950A (zh) 一种停车场车位监控方法
CN106127148A (zh) 一种基于机器视觉的手扶电梯乘客异常行为检测算法
CN106127205A (zh) 一种适用于室内轨道机器人的数字仪表图像的识别方法
CN113903081A (zh) 一种水电厂图像视觉识别人工智能报警方法及装置
CN107944407A (zh) 一种基于无人机的路口斑马线识别方法
CN110175547B (zh) 一种多域信息的人群密度预警方法
CN105469069A (zh) 面向生产线数据采集终端的安全帽视频检测方法
CN104143077B (zh) 基于图像的行人目标检索方法和系统
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
CN111738336A (zh) 基于多尺度特征融合的图像检测方法
CN114049589A (zh) 一种基于人工智能的变电站监测系统
CN113240829B (zh) 一种基于机器视觉的闸机智能通行检测方法
CN110909606A (zh) 基于深度学习的变电站人员行为检测方法
CN108197540A (zh) 一种基于surf的火灾图像特征提取与识别方法
KR100543706B1 (ko) 비젼기반 사람 검출방법 및 장치
CN116527850A (zh) 一种基于视频监控防溺水自适应检测方法
CN103093204B (zh) 行为监测方法及装置
CN114581843B (zh) 一种基于深度学习的扶梯乘客危险行为识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200324