CN111191631A - 基于图像域模板匹配的视频监控监管区域多设备联动方法 - Google Patents
基于图像域模板匹配的视频监控监管区域多设备联动方法 Download PDFInfo
- Publication number
- CN111191631A CN111191631A CN202010017961.9A CN202010017961A CN111191631A CN 111191631 A CN111191631 A CN 111191631A CN 202010017961 A CN202010017961 A CN 202010017961A CN 111191631 A CN111191631 A CN 111191631A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- template
- equipment
- video monitoring
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000005282 brightening Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000009776 industrial production Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 4
- 231100001261 hazardous Toxicity 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001769 paralizing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明为基于图像域模板匹配的视频监控监管区域多设备联动方法，涉及本发明涉及图像处理、模式识别与深度学习，属于智能安防领域，包括模板生成、目标定位和设备联动，模板生成部分生成的图像域设备控制模板是设备联动的基础，目标定位部分对输入视频监控画面图像进行检测，定位出目标在视频监控画面中的坐标，并将坐标信息输入到设备联动部分，设备联动部分根据目标坐标信息，通过设备控制模板，判别出目标是否处于监管区域，并进行相应的设备联动。本发明利用模板匹配的方法进行视频监控监管区域多设备联动，并将匹配模板图像化，减少了计算量与逻辑复杂度。在工业高危环境中，可主动预防监管区域的违规闯入，符合实际工业生产中的安全保障需求，实施方便，易于推广应用。
Description
技术领域
本发明涉及图像处理、模式识别与深度学习，属于智能安防领域。
背景技术
目前，在煤炭生产、危险品生成与存储、冶金等高危行业中，存在一些严禁人员靠近的高危险区域，如危险品容器设备、高压变电箱、皮带通廊、高温锅炉等，这些危险区域一旦有人员靠近，不仅容易发生安全事故，威胁工作人员生命安全，而且影响企业正常生产运营，降低企业运行效率。
防止人员靠近危险区最直接的方法是设立警示牌与围栏，但由于侥幸心理、麻痹心理和惰性心理的存在，一些安全意识薄弱的工作人员依然会不顾危险警示违规靠近危险区，为了保障人员安全，目前企业解决该问题的方法通常是采用实时视频监控的方式进行安全监管，但监管水平与视频监控值守人员的注意力息息相关，甚至值守人员工作态度消极懈怠，使监控视频仅能发挥事故追溯的作用，而且一般事故发生时间短，仅靠视频监控值守人员预判危险发生，存在着危险识别不准确、响应滞后等缺点。
发明内容
本发明采用深度学习、模式识别与图像处理技术，实现实时目标监管区域判别与设备联动，应用于工业复杂高危作业环境下的安全保障，针对视频监控图像进行目标定位，对目标所属监管区域进行判别，可在第一时间发现险情，并紧急进行相应的设备联动处理，从而降低事故的发生概率，保障企业安全生产。
本发明的技术方案：
基于图像域模板匹配的视频监控监管区域多设备联动方法,包括模板生成、目标定位和设备联动，模板生成部分生成的图像域设备控制模板是设备联动的基础，目标定位部分对输入视频监控画面图像进行检测，定位出目标在视频监控画面中的坐标，并将坐标信息输入到设备联动部分，设备联动部分根据目标坐标信息，通过设备控制模板，判别出目标是否处于监管区域，并进行相应的设备联动。
进一步地、所述模板生成包括模板初始化和模板填充，模板初始化部分生成一个像素值全零的灰度图，该灰度图的尺寸与视频监控图像的尺寸一致，作为初始设备控制模板；模板填充部分在视频监控图像中选取一个封闭区域作为监管区域，得到该监管区域像素的坐标集合，将设备控制模板中属于该坐标集合的像素值设置为该监管区域相对应的设备编号，循环选取监管区域与设置像素值，直至模板生成结束，设备控制模板用于设备联动部分的模板匹配。
进一步地、所述目标定位包括视频画面获取模块、图像预处理模块和目标定位模块三部分，视频画面获取模块通过读取监控摄像头IP地址，获取摄像头实时视频监控画面图像，并将视频监控图像逐帧输入到图像预处理模块；图像预处理模块将获取的单帧视频监控图像进行去噪、去雾、增亮、对比度拉伸等预处理，获得更易于后续处理的高质量图像；目标定位模块通过基于深度学习的Faster R-CNN方法，利用已训练好的目标识别模型，进行目标检测，判断是否有目标出现，若目标出现，则定位出目标在图像中的坐标，获取目标在视频监控图像中的坐标信息。
进一步地、所述设备联动根据目标定位输入的目标在视频监控图像中的坐标，获取设备控制模板在相同坐标下的像素值n'，若该像素值n'＝0，则判断目标处于非监管区域，否则判断目标处于监管区域，且该监管区域对应的设备编号为n'，进而可进行相应设备的联动。
进一步地、所述模板生成部分生成图像域设备控制模板中，监控区域是不规则的封闭区域，同一个视频监控下的对应设备数目可以是一个或者多个，模板生成部分生成的设备控制模板用于设备联动部分的模板匹配。
进一步地、所述目标定位部分，通过对视频监控图像进行处理，判断是否有目标出现，若目标出现，则定位出目标在图像中的坐标，并将坐标信息输入到设备联动部分。
进一步地、所述设备联动部分根据目标坐标信息，通过模板生成部分生成的图像域设备控制模板，判别目标是否处于监管区域，若目标处于监管区域，则获取设备编号，进行相应的设备联动。
进一步地、所述设备控制模板是一个灰度图，该灰度图与视频监控的尺寸一致。
进一步地、所述设备控制模板在视频监控图像中监管区域对应位置的像素值为相应设备编号，其余位置像素值为0。
进一步地、所述目标定位部分通过基于深度学习的Faster R-CNN方法判断视频监控画面中是否有目标出现，若有目标出现，则给出目标在视频监控画面中的坐标。
本发明相对于现有技术具有以下有益效果：
1.本发明创新性的利用模板匹配的方法进行视频监控监管区域多设备联动，并将匹配模板图像化，减少了计算量与逻辑判断复杂度，具有一定的方法优越性。
2.本发明所提的图像域设备控制模板，对视频监控画面的旋转、尺度缩放变化保持了一定程度的不变性，克服了传统模板匹配法的局限性。
3.本发明对目标所属监管区域进行判别，适合在工业高危环境下防止人员违规进入危险区域，可在第一时间发现险情，并紧急进行相应的设备联动处理，从而降低事故的发生概率，保障企业安全生产。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过发明的实践了解到。
附图说明
图1是基于图像域模板匹配的视频监控监管区域多设备联动方法的流程图；
图2是本发明的模板生成方法流程图；
图3是本发明的方法总体流程图。
具体实施方式
以下将结合附图对本发明进行详细说明。
结合图1-3所示，本实施例公开的基于图像域模板匹配的视频监控监管区域多设备联动方法,包括模板生成、目标定位和设备联动，模板生成部分生成的图像域设备控制模板是设备联动的基础，目标定位部分对输入视频监控画面图像进行检测，定位出目标在视频监控画面中的坐标，并将坐标信息输入到设备联动部分，设备联动部分根据目标坐标信息，通过设备控制模板，判别出目标是否处于监管区域，并进行相应的设备联动。
结合图1-3所示，本实施例公开的基于图像域模板匹配的视频监控监管区域多设备联动方法,所述模板生成包括模板初始化和模板填充，模板初始化部分生成一个像素值全零的灰度图，该灰度图的尺寸与视频监控图像的尺寸一致，作为初始设备控制模板；模板填充部分在视频监控图像中选取一个封闭区域作为监管区域，得到该监管区域像素的坐标集合，将设备控制模板中属于该坐标集合的像素值设置为该监管区域相对应的设备编号，循环选取监管区域与设置像素值，直至模板生成结束，设备控制模板用于设备联动部分的模板匹配，利用模板匹配的方法进行视频监控监管区域多设备联动，并将匹配模板图像化，减少了计算量与逻辑判断复杂度，具有一定的方法优越性。
结合图1-3所示，本实施例公开的基于图像域模板匹配的视频监控监管区域多设备联动方法,所述目标定位包括视频画面获取模块、图像预处理模块和目标定位模块三部分，视频画面获取模块通过读取监控摄像头IP地址，获取摄像头实时视频监控画面图像，并将视频监控图像逐帧输入到图像预处理模块；图像预处理模块将获取的单帧视频监控图像进行去噪、去雾、增亮、对比度拉伸等预处理，获得更易于后续处理的高质量图像；目标定位模块通过基于深度学习的Faster R-CNN方法，利用已训练好的目标识别模型，进行目标检测，判断是否有目标出现，若目标出现，则定位出目标在图像中的坐标，获取目标在视频监控图像中的坐标信息，图像域设备控制模板，对视频监控画面的旋转、尺度缩放变化保持了一定程度的不变性，克服了传统模板匹配法的局限性。
结合图1-3所示，本实施例公开的基于图像域模板匹配的视频监控监管区域多设备联动方法,所述设备联动根据目标定位输入的目标在视频监控图像中的坐标，获取设备控制模板在相同坐标下的像素值n'，若该像素值n'＝0，则判断目标处于非监管区域，否则判断目标处于监管区域，且该监管区域对应的设备编号为n'，进而可进行相应设备的联动。
更为具体地：所述模板生成部分生成图像域设备控制模板中，监控区域是不规则的封闭区域，同一个视频监控下的对应设备数目可以是一个或者多个，模板生成部分生成的设备控制模板用于设备联动部分的模板匹配。
更为具体地：所述目标定位部分，通过对视频监控图像进行处理，判断是否有目标出现，若目标出现，则定位出目标在图像中的坐标，并将坐标信息输入到设备联动部分。
更为具体地：所述设备联动部分根据目标坐标信息，通过模板生成部分生成的图像域设备控制模板，判别目标是否处于监管区域，若目标处于监管区域，则获取设备编号，进行相应的设备联动。
更为具体地：所述设备控制模板是一个灰度图，该灰度图与视频监控的尺寸一致。
更为具体地：所述设备控制模板在视频监控图像中监管区域对应位置的像素值为相应设备编号，其余位置像素值为0。
更为具体地：所述目标定位部分通过基于深度学习的Faster R-CNN方法判断视频监控画面中是否有目标出现，若有目标出现，则给出目标在视频监控画面中的坐标，本发明对目标所属监管区域进行判别，适合在工业高危环境下防止人员违规进入危险区域，可在第一时间发现险情，并紧急进行相应的设备联动处理，从而降低事故的发生概率，保障企业安全生产。
结合图1所示，本实施例公开的基于图像域模板匹配的视频监控监管区域多设备联动方法,模板生成部分的具体方法步骤为：
步骤1，模板初始化，生成一个像素值全零的灰度图，该灰度图的尺寸与视频监控图像的尺寸一致，作为设备控制模板；
步骤2，在视频监控图像中选取一个封闭区域作为监管区域，得到该监管区域像素的坐标集合(X,Y)；
步骤3，将设备控制模板中属于(X,Y)坐标的数值设置为相应的设备编号；
步骤4，判断模板生成是否结束，若未结束，则执行步骤2,否则，方法运行结束。
结合图2所示，本实施例公开的基于图像域模板匹配的视频监控监管区域多设备联动方法,具体方法步骤为：
步骤a，通过读取摄像头IP地址，获取摄像头实时视频流；
步骤b，判断视频输入是否结束，若是，则方法运行结束，否则执行步骤c；
步骤c，获取下一帧摄像头视频监控图像；
步骤d，将获取的视频监控图像进行去噪、去雾、增亮、对比度拉伸等预处理；
步骤e，通过基于深度学习的Faster R-CNN方法，利用已训练好的识别模型，进行目标检测，若有目标则执行步骤f，否则执行步骤b；
步骤f，定位出目标在视频监控图像中的坐标(x,y)；
步骤g，获取设备控制模板在(x,y)坐标下的数值S，若S≠0，则执行步骤h，否则执行步骤b；
步骤h，联动控制设备编号为S的设备，执行步骤b。
以上实施例只是对本专利的示例性说明，并不限定它的保护范围，本领域技术人员还可以对其局部进行改变，只要没有超出本专利的精神实质，都在本专利的保护范围内。
Claims (10)
1.基于图像域模板匹配的视频监控监管区域多设备联动方法,包括模板生成、目标定位和设备联动，模板生成部分生成的图像域设备控制模板是设备联动的基础，目标定位部分对输入视频监控画面图像进行检测，定位出目标在视频监控画面中的坐标，并将坐标信息输入到设备联动部分，设备联动部分根据目标坐标信息，通过设备控制模板，判别出目标是否处于监管区域，并进行相应的设备联动。
2.根据权利要求1所述的基于图像域模板匹配的视频监控监管区域多设备联动方法，其特征在于：所述模板生成包括模板初始化和模板填充，模板初始化部分生成一个像素值全零的灰度图，该灰度图的尺寸与视频监控图像的尺寸一致，作为初始设备控制模板；模板填充部分在视频监控图像中选取一个封闭区域作为监管区域，得到该监管区域像素的坐标集合，将设备控制模板中属于该坐标集合的像素值设置为该监管区域相对应的设备编号，循环选取监管区域与设置像素值，直至模板生成结束，设备控制模板用于设备联动部分的模板匹配。
3.根据权利要求1所述的基于图像域模板匹配的视频监控监管区域多设备联动方法，其特征在于：所述目标定位包括视频画面获取模块、图像预处理模块和目标定位模块三部分，视频画面获取模块通过读取监控摄像头IP地址，获取摄像头实时视频监控画面图像，并将视频监控图像逐帧输入到图像预处理模块；图像预处理模块将获取的单帧视频监控图像进行去噪、去雾、增亮、对比度拉伸等预处理，获得更易于后续处理的高质量图像；目标定位模块通过基于深度学习的Faster R-CNN方法，利用已训练好的目标识别模型，进行目标检测，判断是否有目标出现，若目标出现，则定位出目标在图像中的坐标，获取目标在视频监控图像中的坐标信息。
4.根据权利要求1所述的基于图像域模板匹配的视频监控监管区域多设备联动方法，其特征在于：所述设备联动根据目标定位输入的目标在视频监控图像中的坐标，获取设备控制模板在相同坐标下的像素值n'，若该像素值n'＝0，则判断目标处于非监管区域，否则判断目标处于监管区域，且该监管区域对应的设备编号为n'，进而可进行相应设备的联动。
5.根据权利要求2所述的基于图像域模板匹配的视频监控监管区域多设备联动方法，其特征在于：所述模板生成部分生成图像域设备控制模板中，监控区域是不规则的封闭区域，同一个视频监控下的对应设备数目可以是一个或者多个，模板生成部分生成的设备控制模板用于设备联动部分的模板匹配。
6.根据权利要求3所述的基于图像域模板匹配的视频监控监管区域多设备联动方法，其特征在于：所述目标定位部分，通过对视频监控图像进行处理，判断是否有目标出现，若目标出现，则定位出目标在图像中的坐标，并将坐标信息输入到设备联动部分。
7.根据权利要求4所述的基于图像域模板匹配的视频监控监管区域多设备联动方法，其特征在于：所述设备联动部分根据目标坐标信息，通过模板生成部分生成的图像域设备控制模板，判别目标是否处于监管区域，若目标处于监管区域，则获取设备编号，进行相应的设备联动。
8.根据权利要求5所述的基于图像域模板匹配的视频监控监管区域多设备联动方法，其特征在于：所述设备控制模板是一个灰度图，该灰度图与视频监控的尺寸一致。
9.根据权利要求5所述的基于图像域模板匹配的视频监控监管区域多设备联动方法，其特征在于：所述设备控制模板在视频监控图像中监管区域对应位置的像素值为相应设备编号，其余位置像素值为0。
10.根据权利要求6所述的基于图像域模板匹配的视频监控监管区域多设备联动方法，其特征在于：所述目标定位部分通过基于深度学习的Faster R-CNN方法判断视频监控画面中是否有目标出现，若有目标出现，则给出目标在视频监控画面中的坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010017961.9A CN111191631A (zh) | 2020-01-08 | 2020-01-08 | 基于图像域模板匹配的视频监控监管区域多设备联动方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010017961.9A CN111191631A (zh) | 2020-01-08 | 2020-01-08 | 基于图像域模板匹配的视频监控监管区域多设备联动方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111191631A true CN111191631A (zh) | 2020-05-22 |
Family
ID=70709931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010017961.9A Pending CN111191631A (zh) | 2020-01-08 | 2020-01-08 | 基于图像域模板匹配的视频监控监管区域多设备联动方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191631A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651069A (zh) * | 2020-12-05 | 2021-04-13 | 重庆源道建筑规划设计有限公司 | 基于bim的智慧工地管控方法、系统、装置及存储介质 |
| CN113989698A (zh) * | 2021-09-28 | 2022-01-28 | 广州耘宇电子科技有限公司 | 一种基于视频智能物体检测技术的自动区域设备联动方法 |
| CN115190277A (zh) * | 2022-09-08 | 2022-10-14 | 中达安股份有限公司 | 施工区域的安全监控方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050200453A1 (en) * | 2004-01-27 | 2005-09-15 | Turner Richard H | Method and apparatus for detection and tracking of objects within a defined area |
| JP2007018324A (ja) * | 2005-07-08 | 2007-01-25 | Central Res Inst Of Electric Power Ind | 画像処理による侵入物体検出装置および方法およびプログラム |
| JP2009134488A (ja) * | 2007-11-30 | 2009-06-18 | Toshiba Corp | プラント監視システム |
| CN106791700A (zh) * | 2017-01-20 | 2017-05-31 | 辽宁科技大学 | 一种企业关键区域人员路径安全监控系统及方法 |
| CN109257569A (zh) * | 2018-10-24 | 2019-01-22 | 广东佳鸿达科技股份有限公司 | 安防视频监控分析方法 |
| CN110428522A (zh) * | 2019-07-24 | 2019-11-08 | 青岛联合创智科技有限公司 | 一种智慧新城的智能安防系统 |
-
2020
- 2020-01-08 CN CN202010017961.9A patent/CN111191631A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050200453A1 (en) * | 2004-01-27 | 2005-09-15 | Turner Richard H | Method and apparatus for detection and tracking of objects within a defined area |
| JP2007018324A (ja) * | 2005-07-08 | 2007-01-25 | Central Res Inst Of Electric Power Ind | 画像処理による侵入物体検出装置および方法およびプログラム |
| JP2009134488A (ja) * | 2007-11-30 | 2009-06-18 | Toshiba Corp | プラント監視システム |
| CN106791700A (zh) * | 2017-01-20 | 2017-05-31 | 辽宁科技大学 | 一种企业关键区域人员路径安全监控系统及方法 |
| CN109257569A (zh) * | 2018-10-24 | 2019-01-22 | 广东佳鸿达科技股份有限公司 | 安防视频监控分析方法 |
| CN110428522A (zh) * | 2019-07-24 | 2019-11-08 | 青岛联合创智科技有限公司 | 一种智慧新城的智能安防系统 |
Non-Patent Citations (6)
| Title |
|---|
| 原磊明等: "矿井人身安全视频防护系统设计", 《煤炭技术》 * |
| 原磊明等: "矿井人身安全视频防护系统设计", 《煤炭技术》, no. 11, 10 November 2018 (2018-11-10) * |
| 常政威等: "基于机器学习和图像识别的电力作业现场安全监督方法", 《中国电力》, no. 04, 13 December 2019 (2019-12-13) * |
| 彭斌等: "基于三维场景的电力设施安全区域预警方法", 《电子设计工程》 * |
| 彭斌等: "基于三维场景的电力设施安全区域预警方法", 《电子设计工程》, no. 10, 20 May 2015 (2015-05-20) * |
| 星环科技人工智能平台团队编著: "机器学习实战:基于Sophon平台的机器学习理论与实践", 北京：机械工业出版社, pages: 164 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651069A (zh) * | 2020-12-05 | 2021-04-13 | 重庆源道建筑规划设计有限公司 | 基于bim的智慧工地管控方法、系统、装置及存储介质 |
| CN113989698A (zh) * | 2021-09-28 | 2022-01-28 | 广州耘宇电子科技有限公司 | 一种基于视频智能物体检测技术的自动区域设备联动方法 |
| CN115190277A (zh) * | 2022-09-08 | 2022-10-14 | 中达安股份有限公司 | 施工区域的安全监控方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110188724B (zh) | 基于深度学习的安全帽定位与颜色识别的方法及系统 | |
| CN107527009B (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
| CN111191631A (zh) | 基于图像域模板匹配的视频监控监管区域多设备联动方法 | |
| Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
| CN106331636A (zh) | 基于行为事件触发的输油管道智能视频监控系统及方法 | |
| CN112163477B (zh) | 一种基于Faster R-CNN的扶梯行人位姿目标检测方法及系统 | |
| CN110472574A (zh) | 一种检测着装不规范的方法、装置及系统 | |
| CN113537019B (zh) | 基于关键点识别变电站人员安全帽佩戴的检测方法 | |
| CN116259002A (zh) | 一种基于视频的人体危险行为分析方法 | |
| CN111985387A (zh) | 一种基于深度学习的安全帽佩戴预警方法及系统 | |
| CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
| CN108009574A (zh) | 一种轨道扣件检测方法 | |
| CN111274872B (zh) | 基于模板匹配的视频监控动态不规则多监管区域判别方法 | |
| CN114155492A (zh) | 高空作业安全带挂绳高挂低用识别方法、装置和电子设备 | |
| CN115082850A (zh) | 基于计算机视觉的模板支架安全风险识别方法 | |
| CN111460917A (zh) | 基于多模态信息融合的机场异常行为检测系统及方法 | |
| CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
| CN108108696A (zh) | 一种安全防护方法、装置及系统 | |
| CN111985331A (zh) | 预防商业秘密被窃照的检测方法及装置 | |
| CN116797793A (zh) | 煤矿井下危险区域识别方法及装置 | |
| Zhang et al. | The method for recognizing recognition helmet based on color and shape | |
| CN109472192A (zh) | 一种变电站室外具备抗干扰能力的火焰图像识别方法 | |
| CN109165607A (zh) | 一种基于深度学习的驾驶员手持电话检测方法 | |
| Kumagai et al. | Improving Accuracy of Traffic Sign Detection Using Learning Method | |
| Wang et al. | Pedestrian fall action detection and alarm in video surveillance |
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: 20200522 |
|
| RJ01 | Rejection of invention patent application after publication |