CN112232271A - 一种基于激光的人流检测方法以及设备 - Google Patents
一种基于激光的人流检测方法以及设备 Download PDFInfo
- Publication number
- CN112232271A CN112232271A CN202011182324.3A CN202011182324A CN112232271A CN 112232271 A CN112232271 A CN 112232271A CN 202011182324 A CN202011182324 A CN 202011182324A CN 112232271 A CN112232271 A CN 112232271A
- Authority
- CN
- China
- Prior art keywords
- leg
- target
- curve
- laser
- model
- 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.)
- Granted
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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于激光的人流检测方法以及设备,包括:目标机器人对目标区域进行激光扫描获取多帧激光点云数据,其中,所述多帧激光至少为两帧;将所述多帧激光点云数据通过坐标转化为灰度图;将正样本输入到分类模型中进行训练,通过所述分类模型提取目标特征曲线;基于目标特征曲线确定角点,再采用稀疏光流的方法估计待跟踪的所述角点在灰度图中的位置;再计算所述角点流光变化判断人流的运动状态,其中,所述运动状态包括进入、离开和静止;根据所述运动状态所述机器人将移动或者静止不动;采用稀疏光流的方法估计待跟踪的所述角点在所述灰度图中的位置,可以在灰度图中算出人流的流光变化。
Description
技术领域
本发明涉及智能机器人领域,尤其涉及一种基于激光的人流检测方法以及设备。
背景技术
随着服务机器人行业的快速发展与应用落地,机器人自主进出垂直电梯已成为移动服务机器人的一项基础的功能。在进出电梯的场景中,由于存在人群进出电梯,为避免机器人对进出梯的行人造成影响且自身能够顺利进出梯,机器人需要能够准确感知人流的变化。即:当有人群出电梯时,机器人不可以进电梯。为满足这样的场景需求,需要提出一种可靠的人流检测方法,以进一步指导机器人做出正确的进出电梯的决策。
发明内容
本发明的目的之一在于,用智能机器人检测人流。
为实现上述目的,本发明提供了一种基于激光的人流检测方法,包括:
目标机器人对目标区域进行激光扫描获取多帧激光点云数据,其中,所述多帧激光至少为两帧;
将多帧所述激光点云数据通过坐标转化为灰度图;
将正样本输入到分类模型中进行训练,通过所述分类模型提取目标特征曲线;
基于目标特征曲线确定角点,再采用稀疏光流的方法估计待跟踪的所述角点在所述灰度图中的位置;
再计算所述角点流光变化判断人流的运动状态,其中,所述运动状态包括进入、离开和静止;
根据所述运动状态所述机器人将移动或者静止不动。
进一步地,将正样本输入到分类模型中进行训练,其中,所述正样本为双腿曲线,所述双腿曲线的种类包括双腿并行曲线、双腿并拢、双腿交叉曲线和遮盖型曲线;
确定每帧灰度图中所述目标曲线特征的个数
确定所述目标特征曲线的种类;
模拟出目标特征曲线相对应的简易双腿模型,其中,所述简易双腿模型包括双腿并行模型、双腿并拢模型、双腿交叉模型和遮盖型模型;
在所述灰度图中输出所述目标特征曲线相应的双腿模型。
进一步地,在第一预设时间内,如果多帧所述灰度灰度图中所
述目标特征曲线的个数为0,所述目标机器人移动并停止扫描。进一步地,在第一预设时间内,如果多帧所述灰度灰度图中所述目标特征曲线的个数为1;
确定所述目标特征曲线的角点;
确定所述目标特征曲线的种类为双腿并行曲线、双腿并拢和双腿交叉曲线;
在所述灰度图中输出所述目标特征曲线相应的所述简易双腿模型;
在不同帧中,根据所述灰度图的流光向量的变化来判断人流的流动方方向。
进一步地,在第一预设时间内,如果多帧灰度灰度图中所述目标特征曲线的个数为多个;
确定多个所述目标特征曲线的角点;
对多个所述目标特征曲线进行编号;
确定所述目标特征曲线的种类为双腿并行曲线、双腿并拢、双腿交叉曲线;
在所述灰度图中输出多个所述目标特征曲线相应的所述简易双腿模型;
按照编号的顺序在不同帧所述灰度图的流光向量的变化来判断人流的流动方方向。
进一步地,选取同一目标特征曲线的种类不同的所述灰度图并生成相对应的所述简易双腿模型;
只出现相同简易模型判断出静止,所述目标机器人将对所述目标将不再进行分析;
分析不同的简易模型可以判断目标曲线正在移动。
进一步地,选取同一目标特征曲线的种类相同的所述灰度图并生成相对应的所述简易双腿模型;
在不同帧中,所述双腿模型的交并比落入到第一阈值中,判断出所述目标静止;
基于所有所述目标静止所述目标机器人停止扫描并移动;
在不同帧中,所述双腿模型的交并比没有落入到第一阈值中,判断出所述目标移动;
基于质心点的移动方向判断所述人流是靠近机器人还是远离机器人。
进一步地,确定所述目标特征曲线的种类为遮盖型曲线;
在不同帧中,所述双腿模型的交并比落入到第一阈值中,判断出所述目标静止;
在不同帧中,所述双腿模型的交并比没有落入到第一阈值中,判断出所述目标移动;
基于质心点的移动方向判断所述人流是靠近机器人还是远离机器人。
进一步地,所述模型的产生的具体方式包括:
多个所述角点分别对应模型的多个节点;
基于所述对应模型在所述特征目标曲线中选取多个所述角点并生成相应的模型。
一种基于激光的人流检测设备,其特征在于,包括:
激光发射装置,用来发射激光获取多帧激光点云数据;
旋转装置,与所述激光发射装置连接,用来调整激光扫描的角度
图像处理模块,与激光发射装置连接,用于获取目标特征曲线;
模型生成模块,与所述图像处理模块连接,用于产生相应的双腿模型。
与现有技术相比,本发明具有如下技术效果:
通过将多帧所述激光点云数据通过坐标转化为灰度图,可以将多采集到的灰度图进行数据化处理,方便处理系统对数据的处理;将正样本输入到分类模型中进行训练,通过所述分类模型提取目标特征曲线,可以大致的区分人流腿的特征曲线;基于目标特征曲线确定角点,再采用稀疏光流的方法估计待跟踪的所述角点在所述灰度图中的位置,可以在所述灰度图中算出人流的流光变化;双腿模型包括双腿并行模型、双腿并拢模型、双腿交叉模型和遮盖型模型上可以通过选取多个角点来确定模型的轮廓,和一般选取一个角点画一个矩阵通过稀疏流光追踪相比,本发明追踪的精确度更高。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于激光的人流检测方法的流程图;
图2为本发明实施例提供的机器人进梯示意图技术方案示意图;
图3为本发明实施例提供的坐标转化示意图;
图4为本发明实施例提供的双腿并行模型示意图;
图5为本发明实施例提供的双腿并拢模型示意图;
图6为本发明实施例提供的双腿交叉模型示意图;
图7为本发明实施例提供的遮盖型模型示意图;
图8为本发明实施例提供的一种基于激光的人流检测设备的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。这里将详细地对示例行实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或者相似的要素。以下示例性实施例中所述描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与所述附图权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在一些实施例中,在图1中所示,本发明提供了一种基于激光的人流检测方法,包括:
101、目标机器人对目标区域进行激光扫描获取多帧激光点云数据,其中,所述多帧激光至少为两帧;
201、将多帧所述激光点云数据通过坐标转化为灰度图,在图2中,具体提供了点云数据转化为为灰度图的一种坐标转化形式,其中Tl表示物理激光点坐标,X-l和Y-l分别为水平坐标轴和垂直坐标轴;Ti表示灰度图中图像的坐标,X-i和Y-i,分别为水平坐标轴和垂直坐标轴;
301、将正样本输入到分类模型中进行训练,通过所述分类模型提取目标特征曲线;
401、基于目标特征曲线确定角点,再采用稀疏光流的方法估计待跟踪的所述角点在所述灰度图中的位置;
501、再计算所述角点流光变化判断人流的运动状态,其中,所述运动状态包括进入、离开和静止;
601、根据所述运动状态所述机器人将移动或者静止不动。
通过将多帧所述激光点云数据通过坐标转化为灰度图,可以将多采集到的灰度图进行数据化处理,方便处理系统对数据的处理;将正样本输入到分类模型中进行训练,通过所述分类模型提取目标特征曲线,可以大致的区分人流腿的特征曲线;基于目标特征曲线确定角点,再采用稀疏光流的方法估计待跟踪的所述角点在所述灰度图中的位置,可以在所述灰度图中算出人流的流光变化。
示意性地,在图3中所示,随着服务机器人行业的快速发展与应用落地,机器人自主进出垂直电梯已成为移动服务机器人的一项基础的功能。在进出电梯的场景中,由于存在人群进出电梯,为避免机器人对进出梯的行人造成影响且自身能够顺利进出梯,机器人需要能够准确感知人流的变化。即:当有人群出电梯时,机器人不可以进电梯。为满足这样的场景需求,需要提出一种可靠的人流检测方法,以进一步指导机器人做出正确的进出电梯的决策。
具体地,本发明基于激光传感器检测人流,本方法采用稀疏光流法对相邻帧间的激光数据进行分析得到人流。首先用上一帧的激光数据检测出人腿,将检测到的人腿对应的激光数据映射成灰度图,同时将所有的人腿中心位置作为待跟踪的特征点,然后用当前帧的激光数据检测出人腿,并将检测到的人腿对应的所有激光数据点映射成灰度图,到此会得到两张相邻帧激光数据对应的灰度图,然后再采用稀疏光流的方法估计待跟踪的特征点在当前帧对应的位置,再计算关联特征点的位置变化量从而得到行人的流动方向。
在一些实施例中,将正样本输入到分类模型中进行训练,其中,所述正样本为双腿曲线,所述双腿曲线的种类包括双腿并行曲线、双腿并拢、双腿交叉曲线和遮盖型曲线;
确定每帧灰度图中所述目标曲线特征的个数;
确定所述目标特征曲线的种类;
模拟出目标特征曲线相对应的简易双腿模型,其中,在图4-7中所示,所述简易双腿模型包括双腿并行模型、双腿并拢模型、双腿交叉模型和遮盖型模型,具体地,双腿并行模型由宽度为a,中间距离为b两个相同高度的矩形组成,此模型代表人正在站立着或者行走时图像采集装置捕捉到一帧行走中的一帧图像;双腿并拢模型由宽度为a,中间距离为0两个相同高度的矩形组成,此模型代表人正在站立着或者行走时图像采集装置捕捉到一帧行走中的一帧图像;双腿交叉模型双腿并拢模型由宽度为c,中间距离为0两个不相同高度的矩形组成,此模型代表人正在站立着或者行走时图像采集装置捕捉到一帧行走中的一帧图像;遮盖型模型为上距离为e,下距离为的f的梯形组成,此模型代表无法获取人具体的人腿,示意性地,激光无法穿透的衣物并且穿着长裙子,这种情况比较少;在所述灰度图中输出所述目标特征曲线相应的双腿模型。
在本实施例中,在第一预设时间内,如果多帧所述灰度灰度图中所述目标特征曲线的个数为0,所述目标机器人移动并停止扫描。
在一些实施例中,在第一预设时间内,如果多帧所述灰度灰度图中所述目标特征曲线的个数为1;
确定所述目标特征曲线的角点;
确定所述目标特征曲线的种类为双腿并行曲线、双腿并拢和双腿交叉曲线;
在所述灰度图中输出所述目标特征曲线相应的所述简易双腿模型;
在不同帧中,根据所述灰度图的流光向量的变化来判断人流的流动方方向。
在本实施例中,在第一预设时间内,如果多帧灰度灰度图中所述目标特征曲线的个数为多个;
确定多个所述目标特征曲线的角点;
对多个所述目标特征曲线进行编号;
确定所述目标特征曲线的种类为双腿并行曲线、双腿并拢、双腿交叉曲线;
在所述灰度图中输出多个所述目标特征曲线相应的所述简易双腿模型;
按照编号的顺序在不同帧所述灰度图的流光向量的变化来判断人流的流动方向。
在本实施例中,选取同一目标特征曲线的种类不同的所述灰度图并生成相对应的所述简易双腿模型;
只出现相同简易模型判断出静止,所述目标机器人将对所述目标将不再进行分析;
分析不同的简易模型可以判断目标曲线正在移动。
在本实施例中,选取同一目标特征曲线的种类相同的所述灰度图并生成相对应的所述简易双腿模型;
在不同帧中,所述双腿模型的交并比落入到第一阈值中,判断出所述目标静止;
基于所有所述目标静止所述目标机器人停止扫描并移动;
在不同帧中,所述双腿模型的交并比没有落入到第一阈值中,判断出所述目标移动;
基于质心点的移动方向判断所述人流是靠近机器人还是远离机器人。
通过双腿模型的交并比是否落入第一阈值和第二阈值,来判断所述目标的是否静止或者移动,此种方式主要用来判断遮蔽模型的具体地运动情况。
在本实施例中,确定所述目标特征曲线的种类为遮盖型曲线;
在不同帧中,所述双腿模型的交并比落入到第一阈值中,判断出所述目标静止;
在不同帧中,所述双腿模型的交并比没有落入到第一阈值中,判断出所述目标移动。
在本实施例中,所述模型的产生的具体方式包括:
多个所述角点分别对应模型的多个节点;
基于所述对应模型在所述特征目标曲线中选取多个所述角点并生成相应的模型。
双腿模型包括双腿并行模型、双腿并拢模型、双腿交叉模型和遮盖型模型上可以通过选取多个角点来确定模型的轮廓,和一般选取一个角点画一个矩阵通过稀疏流光追踪相比,本发明追踪的精确度更高。
在一些实施例中,一种基于激光的人流检测设备,在图8中所示,包括:
激光发射装置10,用来发射激光获取多帧激光点云数据;
旋转装置20,与所述激光发射装置连接,用来调整激光扫描的角度
图像处理模块30,与激光发射装置连接,用于获取目标特征曲线;
模型生成模块40,与所述图像处理模块连接,用于产生相应的双腿模型。
一种计算机可读介质,计算机可读储存介质上存储有计算机程序,所述计算机程序被处理器执行时实现。其上存储有计算机程序,当计算机程序被处理器执行时实现上述从调度服务器侧描述的机器人自检控制方法。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于激光的人流检测方法以及设备,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于激光的人流检测方法,其特征在于,包括:
目标机器人对目标区域进行激光扫描获取多帧激光点云数据,其中,所述多帧激光至少为两帧;
将所述多帧激光点云数据通过坐标转化为灰度图;
将正样本输入到分类模型中进行训练,通过所述分类模型提取目标特征曲线;
基于目标特征曲线确定角点,再采用稀疏光流的方法估计待跟踪的角点在所述灰度图中的位置;
再计算所述角点流光变化判断人流的运动状态,其中,所述运动状态包括进入、离开和静止;
根据所述运动状态所述机器人将移动或者静止不动。
2.根据权利要求1所述的基于激光的人流检测方法,其特征在于,将正样本输入到分类模型中进行训练,其中,所述正样本为双腿曲线,所述双腿曲线的种类包括双腿并行曲线、双腿并拢、双腿交叉曲线和遮盖型曲线;
确定每帧灰度图中所述目标曲线特征的个数
确定所述目标特征曲线的种类;
模拟出目标特征曲线相对应的简易双腿模型,其中,所述简易双腿模型包括双腿并行模型、双腿并拢模型、双腿交叉模型和遮盖型模型;
在所述灰度图中输出所述目标特征曲线相应的双腿模型。
3.根据权利要求2所述的基于激光的人流检测方法,其特征在于,在第一预设时间内,如果多帧所述灰度图中所述目标特征曲线的个数为0,所述目标机器人移动并停止扫描。
4.根据权利要求2所述的基于激光的人流检测方法,其特征在于,在第一预设时间内,如果多帧所述灰度灰度图中所述目标特征曲线的个数为1;
确定所述目标特征曲线的角点;
确定所述目标特征曲线的种类为双腿并行曲线、双腿并拢和双腿交叉曲线;
在所述灰度图中输出所述目标特征曲线相应的所述简易双腿模型;
在不同帧中,根据所述灰度图的流光向量的变化来判断人流的流动方方向。
5.根据权利要求2所述的基于激光的人流检测方法,其特征在于,在第一预设时间内,如果多帧灰度灰度图中所述目标特征曲线的个数为多个;
确定多个所述目标特征曲线的角点;
对多个所述目标特征曲线进行编号;
确定所述目标特征曲线的种类为双腿并行曲线、双腿并拢、双腿交叉曲线;
在所述灰度图中输出多个所述目标特征曲线相应的所述简易双腿模型;
按照编号的顺序在不同帧所述灰度图的流光向量的变化来判断人流的流动方方向。
6.根据权利要求4或5所述的基于激光的人流检测方法,其特征在于,选取同一目标特征曲线的种类不同的所述灰度图并生成相对应的所述简易双腿模型;
只出现相同简易模型判断出静止,所述目标机器人将对所述目标将不再进行分析;
分析不同的简易模型可以判断目标曲线正在移动,其中,所述简易模型包括双腿并行模型、双腿并拢模型和双腿交叉模型。
7.根据权利要求6所述的基于激光的人流检测方法,其特征在于,选取同一目标特征曲线的种类相同的所述灰度图并生成相对应的所述简易双腿模型;
在不同帧中,所述双腿模型的交并比落入到第一阈值中,判断出所述目标静止;
基于所有所述目标静止所述目标机器人停止扫描并移动;
在不同帧中,所述双腿模型的交并比没有落入到第一阈值中,判断出所述目标移动;
基于质心点的移动方向判断所述人流是靠近机器人还是远离机器人。
8.根据权利要求7所述的基于激光的人流检测方法,其特征在于,确定所述目标特征曲线的种类为遮盖型曲线;
在不同帧中,所述双腿模型的交并比落入到第一阈值中,判断出所述目标静止;
在不同帧中,所述双腿模型的交并比没有落入到第一阈值中,判断出所述目标移动;
基于质心点的移动方向判断所述人流是靠近机器人还是远离机器人。
9.根据权利要求7所述的基于激光的人流检测方法,其特征在于,所述模型的产生的具体方式包括:
多个所述角点分别对应模型的多个节点;
基于所述对应模型在所述特征目标曲线中选取多个所述角点并生成相应的模型。
10.一种基于激光的人流检测设备,其特征在于,包括:
激光发射装置,用来发射激光获取多帧激光点云数据;
旋转装置,与所述激光发射装置连接,用来调整激光扫描的角度;
图像处理模块,与激光发射装置连接,用于获取目标特征曲线;
模型生成模块,与所述图像处理模块连接,用于产生相应的双腿模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182324.3A CN112232271B (zh) | 2020-10-29 | 2020-10-29 | 一种基于激光的人流检测方法以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182324.3A CN112232271B (zh) | 2020-10-29 | 2020-10-29 | 一种基于激光的人流检测方法以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232271A true CN112232271A (zh) | 2021-01-15 |
CN112232271B CN112232271B (zh) | 2023-09-12 |
Family
ID=74121419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011182324.3A Active CN112232271B (zh) | 2020-10-29 | 2020-10-29 | 一种基于激光的人流检测方法以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232271B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268598A (zh) * | 2014-09-26 | 2015-01-07 | 东南大学 | 一种基于二维扫描激光的人腿检测方法 |
CN106203361A (zh) * | 2016-07-15 | 2016-12-07 | 苏州宾果智能科技有限公司 | 一种机器人跟踪方法和装置 |
CN109003331A (zh) * | 2018-06-13 | 2018-12-14 | 东莞时谛智能科技有限公司 | 一种图像重构方法 |
WO2019232862A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
WO2020073936A1 (zh) * | 2018-10-12 | 2020-04-16 | 腾讯科技(深圳)有限公司 | 地图要素提取方法、装置及服务器 |
CN111241866A (zh) * | 2018-11-27 | 2020-06-05 | 比业电子(北京)有限公司 | 一种用于人流量统计的激光扫描装置及方法 |
CN111476822A (zh) * | 2020-04-08 | 2020-07-31 | 浙江大学 | 一种基于场景流的激光雷达目标检测与运动跟踪方法 |
-
2020
- 2020-10-29 CN CN202011182324.3A patent/CN112232271B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268598A (zh) * | 2014-09-26 | 2015-01-07 | 东南大学 | 一种基于二维扫描激光的人腿检测方法 |
CN106203361A (zh) * | 2016-07-15 | 2016-12-07 | 苏州宾果智能科技有限公司 | 一种机器人跟踪方法和装置 |
WO2019232862A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
CN109003331A (zh) * | 2018-06-13 | 2018-12-14 | 东莞时谛智能科技有限公司 | 一种图像重构方法 |
WO2020073936A1 (zh) * | 2018-10-12 | 2020-04-16 | 腾讯科技(深圳)有限公司 | 地图要素提取方法、装置及服务器 |
CN111241866A (zh) * | 2018-11-27 | 2020-06-05 | 比业电子(北京)有限公司 | 一种用于人流量统计的激光扫描装置及方法 |
CN111476822A (zh) * | 2020-04-08 | 2020-07-31 | 浙江大学 | 一种基于场景流的激光雷达目标检测与运动跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112232271B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175576B (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
US10346720B2 (en) | Rotation variant object detection in Deep Learning | |
JP5822255B2 (ja) | 対象物識別装置及びプログラム | |
CN108363065A (zh) | 物体检测系统 | |
CN110344621A (zh) | 一种面向智能车库的车轮点云检测方法 | |
KR20110013200A (ko) | 인체 자세 식별 방법 및 장치 | |
Ahmad et al. | Overhead view person detection using YOLO | |
CN108648211A (zh) | 一种基于深度学习的小目标检测方法、装置、设备和介质 | |
CN111784737A (zh) | 一种基于无人机平台的目标自动跟踪方法及系统 | |
KR20220047947A (ko) | 사람 계수 방법 및 장치 | |
US11928813B2 (en) | Method and system for detecting change to structure by using drone | |
CN106022266A (zh) | 一种目标跟踪方法及装置 | |
CN114549440A (zh) | 接触网动态几何参数检测方法、装置及电子设备 | |
CN111382637A (zh) | 行人检测跟踪方法、装置、终端设备及介质 | |
CN110147748A (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
CN112613668A (zh) | 基于人工智能的景区危险区域管控方法 | |
CN114353807B (zh) | 一种机器人的定位方法及定位装置 | |
Wang et al. | 3D-LIDAR based branch estimation and intersection location for autonomous vehicles | |
CN112699748B (zh) | 基于yolo及rgb图像的人车距离估计方法 | |
CN112613418A (zh) | 基于目标活动预测的停车场管控方法、装置及电子设备 | |
CN112232271A (zh) | 一种基于激光的人流检测方法以及设备 | |
KR20130075802A (ko) | 기울기 히스토그램을 이용한 사람 검출 추적 시스템 및 방법 | |
JP7226553B2 (ja) | 情報処理装置、データ生成方法、及びプログラム | |
CN113470073A (zh) | 一种基于深度学习的动物中心追踪方法 | |
Tousi et al. | A new approach to estimate depth of cars using a monocular image |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |