CN111709345A - 一种固定环境内异常物品实时检测方法 - Google Patents
一种固定环境内异常物品实时检测方法 Download PDFInfo
- Publication number
- CN111709345A CN111709345A CN202010520863.7A CN202010520863A CN111709345A CN 111709345 A CN111709345 A CN 111709345A CN 202010520863 A CN202010520863 A CN 202010520863A CN 111709345 A CN111709345 A CN 111709345A
- Authority
- CN
- China
- Prior art keywords
- value
- articles
- dct
- prediction
- normal
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 206010037180 Psychiatric symptoms Diseases 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 238000003491 array Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 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
- G06V20/50—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
- G06F18/24—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
- 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
Abstract
本发明公开了提供一种固定环境内异常物品实时检测方法，能够对固定环境中的正常物品和异常物品进行识别。建立固定环境内正常物品数据库，运用目标识别算法将固定环境中所有物体进行检测，设计感知哈希算法对检测物品和正常物品数据库中物品进行一一比对，获得相似度值。当相似度值低于设定阈值时，即视为异常物品，并加入异常物品数据库。本发明的优点在于：可以检测到场景中本来不应该出现的异常物品，极大地解放了人力，提高了人们的生活质量。对于环境中的物品，可以实时动态监测，加快了预警，提高安全性能。
Description
技术领域
本发明涉及异常物品实时监测方法，属于深度强化学习技术领域。
背景技术
通常，对于某一特定的环境中，异常物品的出现容易引发不安全性。比如消防通道中的占道物品、地铁站内的异常物品等，对异常物品的实时检测具有重要的社会意义和经济价值。
然而，在现有的监控系统中，主要还是依靠视频监控系统，有工作人员进行人眼识别，虽然已经存在一些人体行为的异常检测及预警方式，但是地铁站内的各类异常也可能是由其他原因导致的；由此可见，现有的检测和预警方式无法让控制中心直观的获取各类信息，同时各类应急方案也无法进行预演，无法验证应急方案的准确性。
发明内容
因此，本发明的目的在于克服上述现有技术的缺陷，提供一种固定环境内异常物品实时检测方法，能够对固定环境中的正常物品和异常物品进行识别。建立固定环境内正常物品数据库，运用目标识别算法将固定环境中所有物体进行检测，设计感知哈希算法对检测物品和正常物品数据库中物品进行一一比对，获得相似度值。当相似度值低于设定阈值时，即视为异常物品，并加入异常物品数据库。具体方案如下：
标记原始固定环境内的正常物品，并将其从原图片中取出放入正常物品数据库。
初始化标定：标记原始固定环境内的正常物品，采用的方式为人工标定主导，自动检测辅助的方式。当模型首次运行时，采用人工标记的方式标记已有的固定物品，框定物品的区域，保存到正常物品数据库。随后模型对输入的视频帧进行检测，输出模型识别的目标，框定到图片中，由人工继续操作，确认模型框定的区域为正常物品，并且添加到正常物品数据库。
动态标定：随着模型的运行，环境可能存在细微的变化，每当因环境变化产生物品增加或者减少的情况，可在模型检测出异常的情况下，进行人工干预，修正正常物品数据库。
利用VOC数据集训练yolo v3算法模型。
Pascal VOC作为基准数据集之一，在对象检测、图像分割网络对比实验与模型效果评估中被频频使用。本发明采用Pascal VOC 2012对模型进行训练，主要使用的数据为Main(存放的是图像物体识别的数据，总共分为20类)和Segmentation(存放的是可用于分割的数据)两类数据来训练Yolo v3目标识别模型。
在基本的图像特征提取方面，YOLO3采用了称之为Darknet-53的网络结构(含有53个卷积层)，它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路(shortcut connections)。YOLOv3一共有9个Anchor，不过被平均分在了3个特征层中，这也实现了多尺度检测。
对预测的中心坐标做损失：
该等式计算了相对于预测的边界框位置(x，y)的loss数值。该函数计算了每一个网格单元(i＝0，...，S2)的每一个边界框预测值(j＝0，...，B)的总和。λcoord表示做x相对坐标回归的系数。
的含义为，如果网网格单元i中存在目标，则第j个边界框预测值对该预测有效，
的值为1。如果网格单元i中不不存在目标，
的值为0。
对边界框的宽高做损失：
YOLOv3的误差度量反应出大箱子的小偏差要小于小箱子。为了逐步解决这个问题，YOLOv3预测了边界框的宽度和高度的平方根，而不是直接预测宽度和高度。wi表示预测宽度，
表示真值宽度，hi表示预测高度，
表示真值高度，当在一个单元格中有对象时，
等于1，否则取值为0。
对预测的类别做损失
pi(c)为预测类别，
为真实类别。
除了
项外，(3)式类似于分类的正常求和平方误差。
对预测的置信度做损失
此处YOLOv3模型计算了与每个边界框预测值的置信度得分相关的损失。C是置信度得分，
是预测边界框与基本事实的交叉部分。当在一个单元格中有对象时，
等于1，否则取值为0。
将训练好的模型输出h5文件保存到本地，以便调用。
测试图片首先通过yolov3算法进行目标识别，检测结果依次和正常物品数据库中的图片共同送入感知哈希算法，进行一一计算，并获得相似度的值。
Yolo v3识别场景中出现的物品，得到框选之后的图片，使用opencv对框选物体进行裁剪，将图片缩小到8x8的尺寸，总共64个像素。摒弃不同尺寸、比例带来的图片差异。使得一张图片中的物品分离成各个单独的图像，送入感知哈希检测模型。
将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。然后使用DCT是把图片分解频率聚集和梯状形，虽然JPEG使用8*8的DCT变换，在本发明中是使用的32*32的DCT变换。虽然DCT的结果是32*32大小的矩阵，但只要保留左上角的8*8的矩阵，这部分呈现了图片中的最低频率。式(5)为DCT算法计算公式，c(u)定义为(6)式。其中，f(i)为原始的信号，F(u)是DCT变换后的系数，N为原始信号的点数，c(u)可以认为是一个补偿系数，可以使DCT变换矩阵为正交矩阵。
得到8*8矩阵之后，通过计算64个值的平均值，根据8*8的DCT矩阵，设置0或1的64位的哈希值，大于等于DCT均值的设为1，小于DCT均值的设为0。但是，结果并不能表示真实性的低频率，只能粗略地表示相对于平均值频率的相对比例。只要图片的整体结构保持不变，哈希结果值就不变。能够避免伽马校正或颜色直方图被调整带来的影响。
组合64个bit位生成hash值，顺序随意但前后保持一致性即可，将32*32的DCT转换成32*32的图像，得到图片的指纹。得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算汉明距离(Hammingdistance)。
当相似度的值大于阈值时，则认为该检测结果为正常物品，并将该图片放置正常物品数据库。
本质上两张图片经过感知哈希算法计算之后，等同于得到了二进制化的一个输出数组，有多那么只需要计算两个输出数组有多少个不同的位，就得到了汉明距离是多少，式(7)为汉明距离的计算方法，x，y为两个数组。如果不相同的数据位不超过5，就说明两张图片很相似；则检测物品为正常物品。否则，如果汉明距离大于10，可以认为这是两张不同的图片。则将该图片放置于异常物品数据库。
与现有技术相比，本发明的优点在于：
可以检测到场景中本来不应该出现的异常物品，极大地解放了人力，提高了人们的生活质量。对于环境中的物品，可以实时动态监测，加快了预警，提高安全性能。
附图说明
图1为根据本发明一个实施例的系统框架图；
图2为根据本发明一个实施例的YOLOv3模型框架图。
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。基于本发明中的实施例，本领域普通技术人员在没有付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。具体技术方案如下：
本发明公开了一种固定环境内异常物品实时检测方法，能够对固定环境中的正常物品和异常物品进行识别。建立固定环境内正常物品数据库，运用目标识别算法将固定环境中所有物体进行检测，设计感知哈希算法对检测物品和正常物品数据库中物品进行一一比对，获得相似度值。当相似度值低于设定阈值时，即视为异常物品，并加入异常物品数据库。具体方案如下：
1)标记原始固定环境内的正常物品，并将其从原图片中取出放入正常物品数据库。
初始化标定：标记原始固定环境内的正常物品，采用的方式为人工标定主导，自动检测辅助的方式。当模型首次运行时，采用人工标记的方式标记已有的固定物品，框定物品的区域，保存到正常物品数据库。随后模型对输入的视频帧进行检测，输出模型识别的目标，框定到图片中，由人工继续操作，确认模型框定的区域为正常物品，并且添加到正常物品数据库。
动态标定：随着模型的运行，环境可能存在细微的变化，每当因环境变化产生物品增加或者减少的情况，可在模型检测出异常的情况下，进行人工干预，修正正常物品数据库。
2)利用VOC数据集训练yolo v3算法模型。
在YOLO算法问世之前，有效的目标检测方法以R-CNN为代表两阶段算法，他们存在一个通用的响应速度过慢的问题。YOLO提出直接一步完成检测的思想，创新性地提出了将输入图片进行N*N的栅格化(每个小单元叫grid cell)，然后将图片中某个对象的位置的预测任务交与该对象中心位置所在的grid cell的bouding box。简单理解的话，可以认为这也是一种很粗糙的区域推荐(region proposal)，在训练的时候，我们通过grid cell的方式告诉模型，图片中对象A应该是由中心落在特定grid cell的某个范围内的某些像素组成，模型接收到这些信息后就在grid cell周围以一定大小范围去寻找所有满足对象A特征的像素，经过很多次带惩罚的尝试训练后，它就能找到这个准确的范围了。
Pascal VOC作为基准数据集之一，在对象检测、图像分割网络对比实验与模型效果评估中被频频使用。本发明采用Pascal VOC 2012对模型进行训练，主要使用的数据为Main(存放的是图像物体识别的数据，总共分为20类)和Segmentation(存放的是可用于分割的数据)两类数据来训练Yolo v3目标识别模型。
在基本的图像特征提取方面，YOLO3采用了称之为Darknet-53的网络结构(含有53个卷积层)，它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路(shortcut connections)。
如图2模型框架图所示，结构表示YOLOv3有三个输出，输出的维度分别是(batchsize，52，52，75)，(batchsize，26，26，75)，(batchsize，13，13，75)。这里的75代表的3×(20+5)，其中20代表的是VOC数据集目标类别数，5代表的是每个目标预测框的t_x，t_y，t_w，t_h，t_o，3代表的是某一个特征图的Anchor，也即先验框的数目。所以YOLOv3一共有9个Anchor，不过被平均分在了3个特征层中，这也实现了多尺度检测。
对预测的中心坐标做损失：
该等式计算了相对于预测的边界框位置(x，y)的loss数值。该函数计算了每一个网格单元(i＝0，...，S2)的每一个边界框预测值(j＝0，...，B)的总和。λcoord表示做x相对坐标回归的系数。
的含义为，如果网网格单元i中存在目标，则第j个边界框预测值对该预测有效，
的值为1。如果网格单元i中不不存在目标，
的值为0。
对边界框的宽高做损失：
YOLOv3的误差度量反应出大箱子的小偏差要小于小箱子。为了逐步解决这个问题，YOLOv3预测了边界框的宽度和高度的平方根，而不是直接预测宽度和高度。wi表示预测宽度，
表示真值宽度，hi表示预测高度，
表示真值高度，当在一个单元格中有对象时，
等于1，否则取值为0。
对预测的类别做损失
pi(c)为预测类别，
为真实类别。
除了
项外，(3)式类似于分类的正常求和平方误差。
对预测的置信度做损失
此处YOLOv3模型计算了与每个边界框预测值的置信度得分相关的损失。C是置信度得分，
是预测边界框与基本事实的交叉部分。当在一个单元格中有对象时，
等于1，否则取值为0。
将训练好的模型输出h5文件保存到本地，以便调用。
测试图片首先通过yolov3算法进行目标识别，检测结果依次和正常物品数据库中的图片共同送入感知哈希算法，进行一一计算，并获得相似度的值。
Yolo v3识别场景中出现的物品，得到框选之后的图片，使用opencv对框选物体进行裁剪，将图片缩小到8x8的尺寸，总共64个像素。摒弃不同尺寸、比例带来的图片差异。使得一张图片中的物品分离成各个单独的图像，送入感知哈希检测模型。
将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。然后使用DCT是把图片分解频率聚集和梯状形，虽然JPEG使用8*8的DCT变换，在本发明中是使用的32*32的DCT变换。虽然DCT的结果是32*32大小的矩阵，但只要保留左上角的8*8的矩阵，这部分呈现了图片中的最低频率。式(5)为DCT算法计算公式，c(u)定义为(6)式。其中，f(i)为原始的信号，F(u)是DCT变换后的系数，N为原始信号的点数，c(u)可以认为是一个补偿系数，可以使DCT变换矩阵为正交矩阵。
得到8*8矩阵之后，通过计算64个值的平均值，根据8*8的DCT矩阵，设置0或1的64位的哈希值，大于等于DCT均值的设为1，小于DCT均值的设为0。但是，结果并不能表示真实性的低频率，只能粗略地表示相对于平均值频率的相对比例。只要图片的整体结构保持不变，哈希结果值就不变。能够避免伽马校正或颜色直方图被调整带来的影响。
组合64个bit位生成hash值，顺序随意但前后保持一致性即可，将32*32的DCT转换成32*32的图像，得到图片的指纹。得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算汉明距离(Hammingdistance)。
当相似度的值大于阈值时，则认为该检测结果为正常物品，并将该图片放置正常物品数据库。
本质上两张图片经过感知哈希算法计算之后，等同于得到了二进制化的一个输出数组，有多那么只需要计算两个输出数组有多少个不同的位，就得到了汉明距离是多少，式(7)为汉明距离的计算方法，x，y为两个数组。如果不相同的数据位不超过5，就说明两张图片很相似；则检测物品为正常物品。否则，如果汉明距离大于10，可以认为这是两张不同的图片。则将该图片放置于异常物品数据库。
本发明不限于上述实施例，对于本领域技术人员来说，对本发明的上述实施例所做出的任何改进或变更都不会超出仅以举例的方式示出的本发明的实施例和所附权利要求的保护范围，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
Claims (7)
1.一种固定环境内异常物品实时检测方法，该方法包括以下步骤：
步骤1)标记原始固定环境内的正常物品，并将其从原图片中取出放入正常物品数据库；
步骤2)利用VOC数据集训练yolo v3算法模型，将训练好的模型输出文件保存到本地，以便调用；
步骤3)测试图片首先通过yolo v3算法进行目标识别，检测结果依次和正常物品数据库中的图片共同送入感知哈希算法，进行一一计算，并获得相似度的值；
步骤4)当相似度的值大于阈值时，则认为该检测结果为正常物品，并将该图片放置正常物品数据库。
2.根据权利要求1所述的方法，所述步骤2)中的算法模型包括对预测的中心坐标做损失：
该函数计算了每一个网格单元(i＝0，...，S2)的每一个边界框预测值(j＝0，...，B)的总和；λcoord表示做x相对坐标回归的系数；
的含义为，如果网网格单元i中存在目标，则第j个边界框预测值对该预测有效，
的值为1，如果网网格单元i中不不存在目标，
的值为0。
3.根据权利要求1所述的方法，所述步骤2)中的算法模型还包括对边界框的宽高做损失：
wi表示预测宽度，
表示真值宽度，hi表示预测高度，
表示真值高度，当在一个单元格中有对象时，
等于1，否则取值为0。
4.根据权利要求1所述的方法，所述步骤2)中的算法模型还包括对预测的类别做损失：
pi(c)为预测类别，
为真实类别。
5.根据权利要求1所述的方法，所述步骤2)中的算法模型还包括对预测的置信度做损失：
C是置信度得分，
是预测边界框与基本事实的交叉部分。
6.根据权利要求1所述的方法，所述步骤3)中识别的图片经裁剪后缩小，然后使用DCT是把图片分解频率聚集和梯状形，DCT算法计算公式如下：
f(i)为原始的信号，F(u)是DCT变换后的系数，N为原始信号的点数，
c(u)可以认为是一个补偿系数，可以使DCT变换矩阵为正交矩阵，
根据DCT矩阵，设置哈希值，大于等于DCT均值的设为1，小于DCT均值的设为0，组合生成hash值，顺序随意但前后保持一致性即可，将DCT转换成图像，得到图片的指纹，对比不同的图片。
7.根据权利要求1所述的方法，所述步骤4)相似度的值计算为
d(x,y)＝∑(xi⊕yi)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010520863.7A CN111709345A (zh) | 2020-06-12 | 2020-06-12 | 一种固定环境内异常物品实时检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010520863.7A CN111709345A (zh) | 2020-06-12 | 2020-06-12 | 一种固定环境内异常物品实时检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111709345A true CN111709345A (zh) | 2020-09-25 |
Family
ID=72539005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010520863.7A Pending CN111709345A (zh) | 2020-06-12 | 2020-06-12 | 一种固定环境内异常物品实时检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709345A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836775A (zh) * | 2021-02-04 | 2021-05-25 | 浙江科技学院 | 不同货物的出入库信息录入系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090257628A1 (en) * | 2008-04-15 | 2009-10-15 | General Electric Company | Standardized normal database having anatomical phase information |
| CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
| CN105224872A (zh) * | 2015-09-30 | 2016-01-06 | 河南科技大学 | 一种基于神经网络聚类的用户异常行为检测方法 |
| CN107256262A (zh) * | 2017-06-13 | 2017-10-17 | 西安电子科技大学 | 一种基于物体检测的图像检索方法 |
| CN109359697A (zh) * | 2018-10-30 | 2019-02-19 | 国网四川省电力公司广元供电公司 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
| CN109829429A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 基于YOLOv3的监控场景下的安防敏感物品检测方法 |
| CN109902633A (zh) * | 2019-03-04 | 2019-06-18 | 南京小网科技有限责任公司 | 基于固定位摄像机监控视频的异常事件检测方法及装置 |
| CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
| CN110349191A (zh) * | 2019-06-25 | 2019-10-18 | 昆明理工大学 | 一种基于感知哈希算法的视觉跟踪方法 |
| CN110443196A (zh) * | 2019-08-05 | 2019-11-12 | 上海天诚比集科技有限公司 | 基于ssim算法的消防占道检测方法 |
| CN110532889A (zh) * | 2019-08-02 | 2019-12-03 | 南京理工大学 | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 |
| CN111241931A (zh) * | 2019-12-30 | 2020-06-05 | 沈阳理工大学 | 一种基于YOLOv3的空中无人机目标识别和跟踪方法 |
-
2020
- 2020-06-12 CN CN202010520863.7A patent/CN111709345A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090257628A1 (en) * | 2008-04-15 | 2009-10-15 | General Electric Company | Standardized normal database having anatomical phase information |
| CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
| CN105224872A (zh) * | 2015-09-30 | 2016-01-06 | 河南科技大学 | 一种基于神经网络聚类的用户异常行为检测方法 |
| CN107256262A (zh) * | 2017-06-13 | 2017-10-17 | 西安电子科技大学 | 一种基于物体检测的图像检索方法 |
| CN109359697A (zh) * | 2018-10-30 | 2019-02-19 | 国网四川省电力公司广元供电公司 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
| CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
| CN109829429A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 基于YOLOv3的监控场景下的安防敏感物品检测方法 |
| CN109902633A (zh) * | 2019-03-04 | 2019-06-18 | 南京小网科技有限责任公司 | 基于固定位摄像机监控视频的异常事件检测方法及装置 |
| CN110349191A (zh) * | 2019-06-25 | 2019-10-18 | 昆明理工大学 | 一种基于感知哈希算法的视觉跟踪方法 |
| CN110532889A (zh) * | 2019-08-02 | 2019-12-03 | 南京理工大学 | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 |
| CN110443196A (zh) * | 2019-08-05 | 2019-11-12 | 上海天诚比集科技有限公司 | 基于ssim算法的消防占道检测方法 |
| CN111241931A (zh) * | 2019-12-30 | 2020-06-05 | 沈阳理工大学 | 一种基于YOLOv3的空中无人机目标识别和跟踪方法 |
Non-Patent Citations (3)
| Title |
|---|
| 姚永明等: "关于对图像哈希算法的研究与应用", 《西安文理学院学报(自然科学版)》 * |
| 姚永明等: "关于对图像哈希算法的研究与应用", 《西安文理学院学报(自然科学版)》, vol. 19, no. 05, 15 September 2016 (2016-09-15), pages 30 - 33 * |
| 武洁;吴剡青;芦国庆;唐海腾;刘小琳;: "智能视频技术在预防狱内安全事件的应用", 电脑知识与技术, no. 13, pages 220 - 222 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836775A (zh) * | 2021-02-04 | 2021-05-25 | 浙江科技学院 | 不同货物的出入库信息录入系统 |
| CN112836775B (zh) * | 2021-02-04 | 2022-07-29 | 浙江科技学院 | 不同货物的出入库信息录入系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110765964B (zh) | 基于计算机视觉的电梯轿厢内异常行为的检测方法 | |
| CN109241985B (zh) | 一种图像识别方法及装置 | |
| CN113537099B (zh) | 一种公路隧道火灾烟雾动态检测方法 | |
| CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
| CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
| CN111626141B (zh) | 基于生成图像的人群计数模型建立方法、计数方法及系统 | |
| CN114283469A (zh) | 一种基于改进YOLOv4-tiny的轻量型目标检测方法及系统 | |
| CN111807183A (zh) | 基于深度学习的电梯门状态智能检测方法 | |
| CN112104869B (zh) | 一种视频大数据存储及转码优化系统 | |
| CN110827432B (zh) | 一种基于人脸识别的课堂考勤方法及系统 | |
| CN115331172A (zh) | 一种基于监控视频的车间危险行为识别报警方法及系统 | |
| CN111414807A (zh) | 一种基于yolo技术的潮水识别与危机预警方法 | |
| CN112149533A (zh) | 一种基于改进ssd模型的目标检测方法 | |
| CN109902613A (zh) | 一种基于迁移学习和图像增强的人体特征提取方法 | |
| CN112819068A (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
| CN114463788A (zh) | 一种跌倒检测方法、系统、计算机设备及存储介质 | |
| CN115205604A (zh) | 基于改进YOLOv5的化工生产过程中安全防护品佩戴检测方法 | |
| CN115512387A (zh) | 基于改进yolov5模型的工地安全帽佩戴检测方法 | |
| CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
| CN111709345A (zh) | 一种固定环境内异常物品实时检测方法 | |
| CN113963162A (zh) | 安全帽佩戴识别方法、装置、计算机设备和存储介质 | |
| CN112989958A (zh) | 基于YOLOv4与显著性检测的安全帽佩戴识别方法 | |
| CN113128412A (zh) | 一种基于深度学习及火灾监控视频的火灾趋势预测方法 | |
| CN112633179A (zh) | 基于视频分析的农贸市场过道物体占道检测方法 | |
| CN115995097A (zh) | 一种基于深度学习的安全头盔佩戴标准判断方法 |
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: 20200925 |
|
| RJ01 | Rejection of invention patent application after publication |