CN111046822A - 一种基于人工智能视频识别的大型车辆防盗方法 - Google Patents

一种基于人工智能视频识别的大型车辆防盗方法 Download PDF

Info

Publication number
CN111046822A
CN111046822A CN201911314886.6A CN201911314886A CN111046822A CN 111046822 A CN111046822 A CN 111046822A CN 201911314886 A CN201911314886 A CN 201911314886A CN 111046822 A CN111046822 A CN 111046822A
Authority
CN
China
Prior art keywords
training
large vehicle
image
artificial intelligence
method based
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
CN201911314886.6A
Other languages
English (en)
Inventor
郭强
徐向华
方一帆
蒋晓彤
刘庆淼
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.)
Shandong Rengong Intelligent Technology Co Ltd
Shandong University
Shandong University of Finance and Economics
Original Assignee
Shandong Rengong Intelligent Technology Co Ltd
Shandong University
Shandong University of Finance and Economics
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 Shandong Rengong Intelligent Technology Co Ltd, Shandong University, Shandong University of Finance and Economics filed Critical Shandong Rengong Intelligent Technology Co Ltd
Priority to CN201911314886.6A priority Critical patent/CN111046822A/zh
Publication of CN111046822A publication Critical patent/CN111046822A/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
    • G06V20/40—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Social Psychology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

本发明的基于人工智能视频识别的大型车辆防盗方法，包括：a).在大型车辆停驻的服务区、装货点、卸货点等各种天气环境下盗窃者姿态视频，并截取图像；b).采用人工的方式对图像进行标注，标注点为出现在靠近大型车辆位置的人员；c).首先建立训练模型，按照所建立的神经网络模型进行训练，获得用于检测是否有嫌疑人员靠近大型车辆的专用目标检测模型；d).测试识别准确度并改进优化。本发明的大型车辆防盗方法，可将靠近大型车辆人员中的不法分子给识别出来，并产生报警信息，以便管理人员或车辆驾驶人员采取相应措施，在一定程度上杜绝了不法分子从大型货车上偷油、偷窃货物现象的发生，为大型货车运输过程中的失窃提出了解决方法。

Description

一种基于人工智能视频识别的大型车辆防盗方法
技术领域
本发明涉及一种大型车辆防盗方法，更具体的说，尤其涉及一种可在靠近车辆的人员中自动识别出不法分子的基于人工智能视频识别的大型车辆防盗方法。
背景技术
在物流运输中，货物的失窃不仅给物流公司带来财产损失，而且更严重的是降低了他们在客户心中的信誉，给公司带来巨大的损失。在车辆停驻司机休息时，会有不法分子趁机偷取车上货物或者油箱中的汽油，面对盗贼的防盗措施，通常是驾驶员与副驾或者卡嫂轮流看守，或者是养狗防盗。这种防盗方法简便易行，而且主动性强，但是人力成本很高，且不确定性强，同时对值夜看守人员的人身安全而言也有一定风险。其次很多人选择更换防盗油箱盖，给油箱口加网，或者在油箱上方加挡板，吸油管接头上方加装防护板等方式防止偷油贼。此类防盗措施容易被破拆，面对工具完备的盗贼，这种防盗方法无法有效发挥作用。因此本发明提出一种通过人工智能视频识别技术自动识别靠近车辆偷盗者的有效方法。
发明内容
本发明为了克服上述技术问题的缺点，提供了一种基于人工智能视频识别的大型车辆防盗方法。
本发明的基于人工智能视频识别的大型车辆防盗方法，其特征在于，通过以下步骤来实现：
a).建立训练素材库；在大型车辆停驻的服务区、装货点、卸货点、物流园和路边临时停车点，采集大量现场场景和人员图片，制作样本数据；偷窃者作案时在摄像头视野中的各种姿态包括正对镜头、侧对镜头、背对镜头、站姿、蹲姿、弯腰、仅露上半身、仅露头部，天气环境因素包括雾天、雨天、逆光，用成像设备录取各种天气环境下盗窃者姿态视频，并截取图像；
b).人工标注图像；采用人工的方式对步骤a)获取的图像进行标注，标注点为出现在靠近大型车辆位置的人员，一张图片内可标注多个目标人员，对于图像中出现的人员是否进行标注，按照表1的规则进行：
表1
Figure BDA0002325574930000021
标注完成后，得到一个有嫌疑人员靠近大型车辆的数据集；
c).训练目标检测模型；首先建立基于Caffe-SSD目标检测网络的训练模型，将步骤d)获取的数据集中所有的图片按照7：1：2的比例分为训练接、验证集和测试集，按照所建立的神经网络模型进行训练，共进行不少于60000次迭代，每进行20次迭代通过验证集计算当前损失值和准确率，获得用于检测是否有嫌疑人员靠近大型车辆的专用目标检测模型；
d).测试识别准确度并改进优化；利用测试集对训练后的检测模型进行研究，判断识别速度、识别准确率和跟踪效果是否合格，对出现的不合格情况进行改进；如果存在错误识别则扩大数据集，并根据错误识别的图片类型增加被错误识别的物体类型的相关负样本；如果识别率过低，则调整置信度或者修改学习率进行再次训练；通过测试与改进，使最终模型在测试集上的识别准确率达到99％以上。
本发明的基于人工智能视频识别的大型车辆防盗方法，步骤a)所截取的图像数量不少于10000张；步骤b)标注形成的数据集中，存在靠近大型车辆两侧目标的图片数量不少于4000个，存在大型车辆货厢顶部目标的图片数量不少于3500个。
本发明的基于人工智能视频识别的大型车辆防盗方法，步骤d)中所述的识别准确率通过公式(1)进行求取：
Figure BDA0002325574930000031
公式(1)中，ρ表示识别准确率，cr表示被正确识别的正样本数量，fr表示被错误识别的目标数量，pe表示被识别出的负样本数量。
本发明的基于人工智能视频识别的大型车辆防盗方法，步骤c)中在目标检测模型训练过程中，通过公式(2)进行卷积操作：
Figure BDA0002325574930000032
其中，p表示被卷积图像，t表示卷积核，f表示图像经过卷积后的结果。
本发明的基于人工智能视频识别的大型车辆防盗方法，步骤d)在测试识别准确度并改进优化时，通过公式(3)进行指数减缓式的学习率调整：
αn＝0.9nαn-1 (3)
其中，αn表示第n轮训练的学习率，αn-1表示前一轮训练的学习率，随着迭代轮次的增加而减小学习率，会使得在收敛时，在最优值附近一个更小的区域内摆动。
本发明的基于人工智能视频识别的大型车辆防盗方法，步骤d)中在进行改进训练是加入的负样本应满足以下四个条件：
条件一：负样本中应包括本任务场景的不包含目标物体的背景图像；
条件二：负样本中应包括测试图像中被识别错误的目标所在区域；即对原图像进行裁剪，使得裁剪下来的图像只包含误识别的物体，而不包含目标；
条件三：正负样本必须放在一起训练，不能单独训练负样本；
条件四：正负样本的比例为1：1到1：2之间，数量差距不能太悬殊。
本发明的有益效果是：本发明的大型车辆防盗方法，首先在大型车辆的停车点采集包含偷窃车各种姿态的视频数据，并截取图像，然后对图像中人员目标按照其与车辆的位置关系进行标注，然后利用标记形成的数据集对Caffe-SSD目标检测网络模型进行训练，直至目标检测模型的准确率达到要求；本发明的大型车辆防盗方法，通过在诸如服务区、装货点、卸货点、物流园和路边临时停车点处实时采集视频信息，即可将靠近大型车辆人员中的不法分子给识别出来，并产生报警信息，以便管理人员或车辆驾驶人员采取相应措施，在一定程度上杜绝了不法分子从大型货车上偷油、偷窃货物现象的发生，为大型货车运输过程中的失窃提出了解决方法。
附图说明
图1为本发明的基于人工智能视频识别的大型车辆防盗方法的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示，给出了本发明的基于人工智能视频识别的大型车辆防盗方法的流程图，通过以下步骤来实现：
a).建立训练素材库；在大型车辆停驻的服务区、装货点、卸货点、物流园和路边临时停车点，采集大量现场场景和人员图片，制作样本数据；偷窃者作案时在摄像头视野中的各种姿态包括正对镜头、侧对镜头、背对镜头、站姿、蹲姿、弯腰、仅露上半身、仅露头部，天气环境因素包括雾天、雨天、逆光，用成像设备录取各种天气环境下盗窃者姿态视频，并截取图像；
b).人工标注图像；采用人工的方式对步骤a)获取的图像进行标注，标注点为出现在靠近大型车辆位置的人员，一张图片内可标注多个目标人员，对于图像中出现的人员是否进行标注，按照表1的规则进行：
表1
Figure BDA0002325574930000041
标注完成后，得到一个有嫌疑人员靠近大型车辆的数据集；
c).训练目标检测模型；首先建立基于Caffe-SSD目标检测网络的训练模型，将步骤d)获取的数据集中所有的图片按照7：1：2的比例分为训练接、验证集和测试集，按照所建立的神经网络模型进行训练，共进行不少于60000次迭代，每进行20次迭代通过验证集计算当前损失值和准确率，获得用于检测是否有嫌疑人员靠近大型车辆的专用目标检测模型；
其中，步骤a)所截取的图像数量不少于10000张；步骤b)标注形成的数据集中，存在靠近大型车辆两侧目标的图片数量不少于4000个，存在大型车辆货厢顶部目标的图片数量不少于3500个。
在目标检测模型训练过程中，通过公式(2)进行卷积操作：
Figure BDA0002325574930000051
其中，p表示被卷积图像，t表示卷积核，f表示图像经过卷积后的结果。为了使默认候选框适应标记框大小，采用k-means对长宽比例做了一个聚类分析，最终确定默认框的宽高比例为0.36、0.52、0.87。
d).测试识别准确度并改进优化；利用测试集对训练后的检测模型进行研究，判断识别速度、识别准确率和跟踪效果是否合格，对出现的不合格情况进行改进；如果存在错误识别则扩大数据集，并根据错误识别的图片类型增加被错误识别的物体类型的相关负样本；如果识别率过低，则调整置信度或者修改学习率进行再次训练；通过测试与改进，使最终模型在测试集上的识别准确率达到99％以上。
该步骤中，所述的识别准确率通过公式(1)进行求取：
Figure BDA0002325574930000052
公式(1)中，ρ表示识别准确率，cr表示被正确识别的正样本数量，fr表示被错误识别的目标数量，pe表示被识别出的负样本数量。
在测试识别准确度并改进优化时，通过公式(3)进行指数减缓式的学习率调整：
αn＝0.9nαn-1 (3)
其中，αn表示第n轮训练的学习率，αn-1表示前一轮训练的学习率，随着迭代轮次的增加而减小学习率，会使得在收敛时，在最优值附近一个更小的区域内摆动。
在进行改进训练是加入的负样本应满足以下四个条件：
条件一：负样本中应包括本任务场景的不包含目标物体的背景图像；
条件二：负样本中应包括测试图像中被识别错误的目标所在区域；即对原图像进行裁剪，使得裁剪下来的图像只包含误识别的物体，而不包含目标；
条件三：正负样本必须放在一起训练，不能单独训练负样本；
条件四：正负样本的比例为1：1到1：2之间，数量差距不能太悬殊。

Claims (6)

1.一种基于人工智能视频识别的大型车辆防盗方法，其特征在于，通过以下步骤来实现：
a).建立训练素材库；在大型车辆停驻的服务区、装货点、卸货点、物流园和路边临时停车点，采集大量现场场景和人员图片，制作样本数据；偷窃者作案时在摄像头视野中的各种姿态包括正对镜头、侧对镜头、背对镜头、站姿、蹲姿、弯腰、仅露上半身、仅露头部，天气环境因素包括雾天、雨天、逆光，用成像设备录取各种天气环境下盗窃者姿态视频，并截取图像；
b).人工标注图像；采用人工的方式对步骤a)获取的图像进行标注，标注点为出现在靠近大型车辆位置的人员，一张图片内可标注多个目标人员，对于图像中出现的人员是否进行标注，按照表1的规则进行：
表1
Figure FDA0002325574920000011
标注完成后，得到一个有嫌疑人员靠近大型车辆的数据集；
c).训练目标检测模型；首先建立基于Caffe-SSD目标检测网络的训练模型，将步骤d)获取的数据集中所有的图片按照7：1：2的比例分为训练接、验证集和测试集，按照所建立的神经网络模型进行训练，共进行不少于60000次迭代，每进行20次迭代通过验证集计算当前损失值和准确率，获得用于检测是否有嫌疑人员靠近大型车辆的专用目标检测模型；
d).测试识别准确度并改进优化；利用测试集对训练后的检测模型进行研究，判断识别速度、识别准确率和跟踪效果是否合格，对出现的不合格情况进行改进；如果存在错误识别则扩大数据集，并根据错误识别的图片类型增加被错误识别的物体类型的相关负样本；如果识别率过低，则调整置信度或者修改学习率进行再次训练；通过测试与改进，使最终模型在测试集上的识别准确率达到99％以上。
2.根据权利要求1所述的基于人工智能视频识别的大型车辆防盗方法，其特征在于：步骤a)所截取的图像数量不少于10000张；步骤b)标注形成的数据集中，存在靠近大型车辆两侧目标的图片数量不少于4000个，存在大型车辆货厢顶部目标的图片数量不少于3500个。
3.根据权利要求1或2所述的基于人工智能视频识别的大型车辆防盗方法，其特征在于，步骤d)中所述的识别准确率通过公式(1)进行求取：
Figure FDA0002325574920000021
公式(1)中，ρ表示识别准确率，cr表示被正确识别的正样本数量，fr表示被错误识别的目标数量，pe表示被识别出的负样本数量。
4.根据权利要求1或2所述的基于人工智能视频识别的大型车辆防盗方法，其特征在于，步骤c)中在目标检测模型训练过程中，通过公式(2)进行卷积操作：
Figure FDA0002325574920000022
其中，p表示被卷积图像，t表示卷积核，f表示图像经过卷积后的结果。
5.根据权利要求1或2所述的基于人工智能视频识别的大型车辆防盗方法，其特征在于，步骤d)在测试识别准确度并改进优化时，通过公式(3)进行指数减缓式的学习率调整：
αn＝0.9nαn-1 (3)
其中，αn表示第n轮训练的学习率，αn-1表示前一轮训练的学习率，随着迭代轮次的增加而减小学习率，会使得在收敛时，在最优值附近一个更小的区域内摆动。
6.根据权利要求1或2所述的基于人工智能视频识别的大型车辆防盗方法，其特征在于，步骤d)中在进行改进训练是加入的负样本应满足以下四个条件：
条件一：负样本中应包括本任务场景的不包含目标物体的背景图像；
条件二：负样本中应包括测试图像中被识别错误的目标所在区域；即对原图像进行裁剪，使得裁剪下来的图像只包含误识别的物体，而不包含目标；
条件三：正负样本必须放在一起训练，不能单独训练负样本；
条件四：正负样本的比例为1：1到1：2之间，数量差距不能太悬殊。
CN201911314886.6A 2019-12-19 2019-12-19 一种基于人工智能视频识别的大型车辆防盗方法 Pending CN111046822A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911314886.6A CN111046822A (zh) 2019-12-19 2019-12-19 一种基于人工智能视频识别的大型车辆防盗方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911314886.6A CN111046822A (zh) 2019-12-19 2019-12-19 一种基于人工智能视频识别的大型车辆防盗方法

Publications (1)

Publication Number Publication Date
CN111046822A true CN111046822A (zh) 2020-04-21

Family

ID=70237949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911314886.6A Pending CN111046822A (zh) 2019-12-19 2019-12-19 一种基于人工智能视频识别的大型车辆防盗方法

Country Status (1)

Country Link
CN (1) CN111046822A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114132290A (zh) * 2021-12-01 2022-03-04 阿维塔科技(重庆)有限公司 车门的控制方法、装置、车辆及计算机存储介质
CN114757522A (zh) * 2022-04-07 2022-07-15 南京邮电大学 一种基于大数据的粮仓管理系统及方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102811343A (zh) * 2011-06-03 2012-12-05 南京理工大学 一种基于行为识别的智能视频监控系统
CN106454250A (zh) * 2016-11-02 2017-02-22 北京弘恒科技有限公司 智能识别及预警处理的信息平台
CN108275114A (zh) * 2018-02-27 2018-07-13 苏州清研微视电子科技有限公司 一种油箱防盗监控系统
CN108639008A (zh) * 2018-04-26 2018-10-12 湖北工业大学 一种智能油箱防盗报警系统及方法
CN108734055A (zh) * 2017-04-17 2018-11-02 杭州海康威视数字技术股份有限公司 一种异常人员检测方法、装置及系统
CN108921218A (zh) * 2018-06-29 2018-11-30 炬大科技有限公司 一种目标物体检测方法及装置
CN109040709A (zh) * 2018-09-21 2018-12-18 深圳市九洲电器有限公司 视频监控方法及装置、监控服务器及视频监控系统
CN109389791A (zh) * 2018-09-12 2019-02-26 北京宝驰新风科技有限公司 一种用于车辆的检测物体接近预警系统
CN109409309A (zh) * 2018-11-05 2019-03-01 电子科技大学 一种基于人体检测的智能报警系统和方法
CN109460705A (zh) * 2018-09-26 2019-03-12 北京工业大学 基于机器视觉的输油管道监控方法
CN109711322A (zh) * 2018-12-24 2019-05-03 天津天地伟业信息系统集成有限公司 一种基于rfcn的人车分离方法
CN110084165A (zh) * 2019-04-19 2019-08-02 山东大学 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN110321770A (zh) * 2019-03-25 2019-10-11 西安长城数字软件有限公司 管线监控方法、装置、设备和存储介质
CN110324583A (zh) * 2019-07-15 2019-10-11 深圳中兴网信科技有限公司 一种视频监控方法、视频监控装置及计算机可读存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102811343A (zh) * 2011-06-03 2012-12-05 南京理工大学 一种基于行为识别的智能视频监控系统
CN106454250A (zh) * 2016-11-02 2017-02-22 北京弘恒科技有限公司 智能识别及预警处理的信息平台
CN108734055A (zh) * 2017-04-17 2018-11-02 杭州海康威视数字技术股份有限公司 一种异常人员检测方法、装置及系统
CN108275114A (zh) * 2018-02-27 2018-07-13 苏州清研微视电子科技有限公司 一种油箱防盗监控系统
CN108639008A (zh) * 2018-04-26 2018-10-12 湖北工业大学 一种智能油箱防盗报警系统及方法
CN108921218A (zh) * 2018-06-29 2018-11-30 炬大科技有限公司 一种目标物体检测方法及装置
CN109389791A (zh) * 2018-09-12 2019-02-26 北京宝驰新风科技有限公司 一种用于车辆的检测物体接近预警系统
CN109040709A (zh) * 2018-09-21 2018-12-18 深圳市九洲电器有限公司 视频监控方法及装置、监控服务器及视频监控系统
CN109460705A (zh) * 2018-09-26 2019-03-12 北京工业大学 基于机器视觉的输油管道监控方法
CN109409309A (zh) * 2018-11-05 2019-03-01 电子科技大学 一种基于人体检测的智能报警系统和方法
CN109711322A (zh) * 2018-12-24 2019-05-03 天津天地伟业信息系统集成有限公司 一种基于rfcn的人车分离方法
CN110321770A (zh) * 2019-03-25 2019-10-11 西安长城数字软件有限公司 管线监控方法、装置、设备和存储介质
CN110084165A (zh) * 2019-04-19 2019-08-02 山东大学 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN110324583A (zh) * 2019-07-15 2019-10-11 深圳中兴网信科技有限公司 一种视频监控方法、视频监控装置及计算机可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114132290A (zh) * 2021-12-01 2022-03-04 阿维塔科技(重庆)有限公司 车门的控制方法、装置、车辆及计算机存储介质
CN114757522A (zh) * 2022-04-07 2022-07-15 南京邮电大学 一种基于大数据的粮仓管理系统及方法
CN114757522B (zh) * 2022-04-07 2023-05-12 南京邮电大学 一种基于大数据的粮仓管理系统及方法

Similar Documents

Publication Publication Date Title
CN111259809B (zh) 基于DANet的无人机海岸线漂浮垃圾巡检系统
CN108921068B (zh) 一种基于深度神经网络的汽车外观自动定损方法及系统
CN107657237B (zh) 基于深度学习的汽车碰撞检测方法及系统
CN105844257B (zh) 基于机器视觉雾天行车错失道路标志牌的预警系统及方法
CN103824452B (zh) 一种轻量级的基于全景视觉的违章停车检测装置
CN101214851B (zh) 船舶行驶智能型全天候主动安全预警系统及其预警方法
CN100565555C (zh) 基于计算机视觉的违章停车检测装置
CN101023436B (zh) 交通标志检测方法
CN106650731A (zh) 一种鲁棒的车牌、车标识别方法
CN103258432A (zh) 基于视频的交通事故自动识别处理方法和系统
CN105160330A (zh) 一种车标识别方法及车标识别系统
CN109657599B (zh) 距离自适应的车辆外观部件的图片识别方法
CN111046822A (zh) 一种基于人工智能视频识别的大型车辆防盗方法
CN111191604A (zh) 检测车牌完整性的方法、设备和存储介质
CN111723704A (zh) 基于树莓派的厢式货车厢门开度监控方法
CN103390166B (zh) 基于车前脸特征的车辆型号一致性判别方法
CN113822217A (zh) 基于ais和视频图像分析的船舶尾气监测方法
CN115810134A (zh) 一种车险反欺诈的图像采集质检方法、系统和装置
CN112085018A (zh) 基于神经网络的车牌识别系统
CN111524121A (zh) 一种基于机器视觉技术的路桥病害自动检测方法
CN115880231A (zh) 一种基于深度学习的输电线路隐患检测方法和系统
CN111753610A (zh) 天气识别方法及装置
CN108873097B (zh) 无人停车库中载车板停车时的安全检测方法及装置
CN113723258B (zh) 危险品车辆图像识别方法及其相关设备
Pan et al. Identifying Vehicles Dynamically on Freeway CCTV Images through the YOLO Deep Learning Model.

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