CN112347915B - 一种高空抛掷物判别系统 - Google Patents
一种高空抛掷物判别系统 Download PDFInfo
- Publication number
- CN112347915B CN112347915B CN202011224094.2A CN202011224094A CN112347915B CN 112347915 B CN112347915 B CN 112347915B CN 202011224094 A CN202011224094 A CN 202011224094A CN 112347915 B CN112347915 B CN 112347915B
- Authority
- CN
- China
- Prior art keywords
- projectile
- thrower
- module
- iteration
- motion
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000007935 neutral effect Effects 0.000 claims description 10
- 238000005094 computer simulation Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000005266 casting Methods 0.000 claims 5
- 238000010276 construction Methods 0.000 claims 1
- 230000005484 gravity Effects 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
Abstract
本发明公开了一种高空抛掷物判别系统,包括:视频图像采集模块,用于拍摄建筑物楼面;网络传输模块,用于传输拍摄建筑物楼面的画面;运动目标检测模块,用于接收来自网络传输模块的建筑物楼面的画面,以及检测并提取拍摄画面中的运动目标;运动目标检测模块与视频图像采集模块连接;图像处理模块,用于提取运动目标的运动轨迹坐标序列并输入高空抛物判别模块;图像处理模块与所述运动目标检测模块连接;高空抛物判别模块,用于判别输入的运动目标是否属于高空抛物,高空抛物判别模块与图像处理模块连接,所述高空抛物判别模块中建立有神经网络判别模型。本发明的高空抛掷物判别系统,在提升了检测性能的同时,还降低了检测系统的复杂度。
Description
技术领域
本发明涉及高空抛物检测技术领域,尤其涉及一种高空抛掷物判别系统。
背景技术
高空抛物被称为“悬在城市上空的痛”,一直以来高空抛物行为备受关注,作为城市不文明行为的同时,它所带来的社会危害也很大。由于其实施场所多为高楼层,少有目击者,抛物时间短,甚至有人在抛物时故意隐去身影,使得相关部门很难追究抛物者的法律责任,此类事件屡见不鲜、屡禁不止。因此对高空抛物行为进行识别和取证,已经成为当前城市管理和物业管理的迫切需要。
抛物行为的识别和取证,可以通过对抛物目标轨迹检测的方式进行,当前对抛物目标运动轨迹的检测,主要是通过运动目标检测和轨迹拟合的方式实现的,这种方法首先通过经典的运动目标检测方法,例如背景建模或帧差法,实现连续帧中运动目标的提取,然后通过每帧图像中运动目标的坐标,拟合出连续帧中运动目标的轨迹,并与已知抛物轨迹或抛物线公式计算得到抛物轨迹进行比对,最终确定目标运动轨迹是否为抛物运动轨迹。在实际应用中,上述方式存在一定问题,由于高层建筑物屋面受大气活动的影响,屋面存在湍流,且抛物目标种类繁杂,气动外形千差万别,因此高空抛物目标的运动轨迹非常复杂,难以用一条理论公式来进行描述,而采取与已知高空抛物轨迹样本进行比对,则存在轨迹样本难以获取的问题,同时,进行轨迹比对时需要对整个样本库进行遍历,计算复杂度高,系统复杂;而采取实验的模拟的方式,由于实验场地限制,实验费用开销较大,且无法模拟实际场景中多变的风场条件,难以获取到不同气动外形的抛掷物在不同风场下的运动轨迹,这造成模型在训练过程中缺乏有效的训练样本数据,直接影响模型的判别性能。
发明内容
本发明的目的是提供一种高空抛掷物判别系统,将高空抛物目标运动检测与识别转化为一个序列分类问题,提升检测性能的同时,降低检测系统的复杂度。
为实现上述目的,本发明提供了一种高空抛掷物判别系统,包括:
视频图像采集模块,用于拍摄建筑物楼面;
网络传输模块,用于传输拍摄建筑物楼面的画面;
运动目标检测模块,用于接收来自网络传输模块的建筑物楼面的画面,以及检测并提取拍摄画面中的运动目标;所述运动目标检测模块与视频图像采集模块连接;
图像处理模块,用于提取运动目标的运动轨迹坐标序列并输入高空抛物判别模块;所述图像处理模块与所述运动目标检测模块连接;
高空抛物判别模块,用于判别输入的运动目标是否属于高空抛物,所述高空抛物判别模块与图像处理模块连接,所述高空抛物判别模块中建立有用于判别输入的运动目标是否属于高空抛物的神经网络判别模型。
进一步,所述高空抛物判别模块还包括模型迭代模块,用于将属于高空抛物的运动目标的运动特征加入到神经网络判别模型的训练集中,进行模型迭代。
进一步,所述神经网络判别模型通过以下步骤获得:
(S41)通过计算机仿真,获得不同气动外形的抛掷物在不同风场条件下的运动轨迹坐标序列样本;
(S42)将抛掷物运动轨迹坐标序列样本集合作为训练集,对判别神经网络进行训练,以得到训练好的神经网络判别模型。
进一步,所述通过计算机仿真,获得不同气动外形的抛掷物在不同模拟风场条件下的运动轨迹样本,具体包括以下步骤:
(S411)通过计算机仿真,随机生成1个抛掷物,抛掷物形态在块、棒、板这3种形态中随机确定;
(S412)初始化抛掷物运动状态及设定计算抛掷物几何中心点坐标的迭代时间步长Δt及总迭代步数,计算并记录每个迭代时间步上的几何中心点坐标,将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库;
(S413)通过设置不同气动外形的抛掷物在不同风场条件下运动,获得运动轨迹样本Ptag1、Ptag2···Ptagm,生成1个轨迹样本集P={Ptag1,Ptag2,...,Ptagm};可选的,所述初始化抛掷物运动状态,具体包括以下内容:随机设定抛掷物初始速度矢量其角度任意选择,/> 的单位为m/s;抛掷物旋转速度/>模拟时间与风场模拟时间同步;抛掷物运动起始点为模拟风场上部边缘正中;其中,板状抛掷物迎风角/>随机取值,
进一步,所述计算并记录每个迭代时间步上的几何中心点坐标,将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库;具体执行以下步骤:
(Q1)从模拟风场中获取在tn-1时刻抛掷物运动位置处风速矢量结合抛掷物形态特征参数,计算tn-1时刻抛掷物的表面风力/>和/>其中,和/>分别为tn-1时刻抛掷物在空间3个维度x、y和z方向上的表面风力,/>为tn-1时刻抛掷物所受翻转作用力;其中,tn=t0+nΔt,n大于等于1,小于等于总迭代步数;当n=1时,tn-1=t0,t0表示抛掷物初始状态下的初始时刻,tn表示当前经过n次迭代时间步后的当前时刻;
(Q2)根据抛掷物的表面风力和/>分别计算抛掷物加速度 和/>其中,/>和/>分别为抛掷物在空间3个维度x、y和z上受力所产生的加速度,/>为抛掷物翻转加速度;
(Q3)通过tn-1时刻抛掷物加速度和tn-1时刻抛掷物在空间3个维度x、y和z上的速度/>和/>分别计算tn时刻抛掷物在空间3个维度x、y和z上的速度/>和/>和位移/>和/>以及抛掷物翻转速度/>和位移/>进而得到tn时刻下当前迭代时间步上的几何中心点坐标;
(Q4)迭代开始时,按照设定的时间步长Δt依次序迭代,每次迭代均需重复执行步骤(Q1)至步骤(Q3),直至达到总迭代步数停止,记录下抛掷物在每个迭代时间步上的几何中心点坐标,将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库。
进一步,对于块状抛掷物,随机生成球体、球状多面体和立方体抛掷物,球体和球状多面体直径在[10cm,50cm]范围内随机选取,立方体边长在[10cm,30cm]范围内随机选取;
对于棒状抛掷物,随机生成圆柱体、多棱柱抛掷物,长度在[30cm,300cm]内随机选择,截面直径在[5cm,20cm]范围内随机选取;
对于板状抛掷物,随机生成矩形、圆形和多边形板状抛掷物,面积在[0.1m2,1m2]内随机选择;
其中,抛掷物质量随机选取,m∈[50,5000],质量单位为g。
进一步,所述模拟风场生成步骤如下:
(D1)设置一个用于模拟风场的计算空间,并设定模拟风场的边界层条件;
(D2)根据设定模拟风场的边界层条件,计算各计算点在tn时刻、坐标xi时的风速在x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn),最终得到在tn时刻各计算点的合成风速V(xi,tn),其中,tn=t0+nΔt,n大于等于1,小于等于总迭代步数;当n=1时,tn-1=t0,t0表示抛掷物初始状态下的初始时刻,tn表示当前经过n次迭代时间步后的当前时刻;
(D3)根据设定的时间步长Δt依次序迭代重复执行步骤(D1)至步骤(D2),直到达到总迭代步数后停止计算,得到对应该模拟风场边界层条件的模拟风场的数值模型VX,T;可选的,x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)通过对风速计算公式:拆分得到,拆分后的v(xi,tn)、u(xi,tn)和w(xi,tn)的公式为:
对于v方向上,R(Δt)=exp(-Δt/TLv'),v”(xi,tn-1)=σv′[1-R2(Δt)]12ξ;
对于u方向上,R(Δt)=exp(-Δt/TLu'),u”(xi,tn-1)=σu′[1-R2(Δt)]12ξ;
对于w方向上,R(Δt)=exp(-Δt/TLw'),w”(xi,tn-1)=σw′[1-R2(Δt)]12ξ;
其中,和/>为tn时刻的风速平均分量/>在v、u和w方向上的风速平均分量;v”(xi,tn-1)、u”(xi,tn-1)和w”(xi,tn-1)为tn-1时刻的风速脉冲分量V”(xi,tn-1)在v、u和w方向上的风速脉冲分量;ξ为1组符合标准正态分布的随机数;σ则根据边界层大气状态计算得出,σv'、σu'和σw'分别为σ在v、u和w方向上的取值;TL为tn时刻风速V(xi,tn)的脉动分量V'(xi,tn)的拉格朗日时间尺度,TLv'、TLu'和TLw'分别为TL在v、u和w方向上拉格朗日时间尺度;Δt为计算时间步长;R(Δt)为指数形式的相关系数。
进一步,所述边界层条件包括不稳定边界层、中性边界层和稳定边界层,分别通过步骤(D1)至(D3)获得对应不稳定边界层、中性边界层和稳定边界层的模拟风场的数值模型VX,T;可选的,对于不稳定边界层,则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为:
σu′=σv′=u*(12+0.5zi/|L|)1/3;
TLu′=TLv′=0.15zi/σu′;
对于中性边界层,则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为:
σu′=2u*exp(-3fz/u*);
σv′=σw′=1.3u*exp(-2fz/u*);
对于稳定边界层,则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为:
σu′=2u*(1-z/zi);
σv′=σw′=1.3u*(1-z/zi);
其中,z为计算点高度,u*为摩擦速度,w*为对流特征速度。zi为混合层高度,L为莫宁-奥布霍夫长度,根据边界条件取值。f为科氏力长度,根据我国的纬度分布,取7.29×10-5。
进一步,训练集的构建步骤包括:
(S421)在模拟环境中根据实际使用环境中摄像机布设的位置模拟摄像机机位,模拟摄像机光轴与模拟楼面的夹角等于实际环境中摄像机光轴与楼面的夹角;
(S422)模拟抛掷物运动轨迹,获得各种抛掷物形态及各种风场条件下,各种抛掷物在模拟摄像机中的轨迹图像;
(S423)模拟非抛掷物运动轨迹,随机生成横向飞行目标、纵向上升目标、横向往返运动目标、纵向往复运动目标、随机闪烁目标,并记录其运动轨迹,获得各种类型的非抛掷物及各种风场条件下,各类非抛掷物运动目标的运动轨迹图像;
(S424)将抛掷物运动轨迹图像样本与非抛掷物运动轨迹图像样本按1:1的比例混合;
(S425)将混合后的样本集按训练样本数量:测试样本数量=7:3的比例进行采样,构建训练数据集和测试数据集。
进一步,抛掷物和非抛掷物均通过以下步骤获得各种类型抛掷物或非抛掷物及各种风场条件下的运动轨迹:
(F1)设摄像机的坐标为(xc,yc,zc),非抛掷物或抛掷物的运动轨迹通过仿真得出,设t时刻非抛掷物或抛掷物的坐标为(xtag,ytag,ztag),非抛掷物或抛掷物轨迹点在摄像机成像画面的坐标(xt'ag,yt'ag,zt'ag),xt'ag和yt'ag的计算公式分别为:
其中,f为摄像机镜头焦距;
(F2)重复执行步骤(F1),直至1条轨迹上所有的非抛掷物或抛掷物位置点均在模拟摄像机中成像并形成轨迹图像,然后执行步骤(F3);
(F3)重复步骤(F1)和步骤(F2),获得各种抛掷物形态各种风场条件下,各种非抛掷物或抛掷物在模拟摄像机中的轨迹图像;可选的,所述神经网络判别模型通过卷积神经网络训练得到;可选的,所述神经网络判别模型分为输入层、特征抽取层和判别输出层;输入层接收输入的运动轨迹坐标序列,并向特征抽取层馈送;特征抽取层由3个卷积池化层堆叠而成,即每个卷积层之后接1个1维池化层;判别输出层由1个全连接层和1个softmax层构成,softmax进行二分类判别,即输入轨迹是否为高空抛掷物运动轨迹;可选的,输入的运动轨迹坐标序列长度为125,超过125的序列保留从第1位到125位数据,不足125的序列在序列末尾补0;可选的,每个卷积池化层中,卷积层卷积核大小为1×5,卷积核步长为1;池化大小为1×5,步长为2。
本发明与现有技术相比较具有以下优点:
本发明的高空抛掷物判别系统,将高空抛物目标运动检测与识别转化为一个序列分类问题,提升检测性能的同时,降低检测系统的复杂度;还解决了在轨迹样本难以获取的问题;系统简单,大大降低了计算,降低了成本,且能够模拟实际场景中多变的风场条件,能够获取到不同气动外形的抛掷物在不同风场下的运动轨迹,使得模型在训练过程中获取到有效的训练样本数据,提升了模型的判别性能。
附图说明
图1为本发明高空抛掷物判别方法的结构示意图;
图2为本发明高空抛掷物判别系统的结构示意图。
图中:
1-视频图像采集模块;2-运动目标检测模块;3-图像处理模块;4-高空抛物判别模块;41-模型迭代模块;5-网络传输模块。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
参见图1所示,本实施例公开一种高空抛掷物判别方法,包括以下步骤:
(S1)摄像机对建筑物楼面进行拍摄;
(S2)使用帧差法检测并提取摄像机画面中的运动目标;
(S3)提取运动目标的运动轨迹坐标序列;
(S4)将运动目标的运动轨迹坐标序列输入到预先训练好的神经网络判别模型中,判别该运动目标是否属于高空抛物。
在本实施例中,若运动目标属于高空抛物,则将该运动目标的运动特征加入到神经网络判别模型的训练集中,进行模型迭代。
在本实施例中,所述预先训练好的神经网络判别模型通过以下步骤获得:
(S41)通过计算机仿真,获得不同气动外形的抛掷物在不同风场条件下的运动轨迹坐标序列样本;
(S42)将抛掷物运动轨迹坐标序列样本集合作为训练集,对判别神经网络进行训练,以得到训练好的神经网络判别模型。
在本实施例中,所述通过计算机仿真,获得不同气动外形的抛掷物在不同模拟风场条件下的运动轨迹样本,具体包括以下步骤:
(S411)通过计算机仿真,随机生成1个抛掷物,抛掷物形态在块、棒、板这3种形态中随机确定;
(S412)初始化抛掷物运动状态及设定计算抛掷物几何中心点坐标的迭代时间步长Δt及总迭代步数,计算并记录每个迭代时间步上的几何中心点坐标,将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库;
(S413)通过设置不同气动外形的抛掷物在不同风场条件下运动,获得运动轨迹样本Ptag1、Ptag2···Ptagm,生成1个轨迹样本集P={Ptag1,Ptag2,...,Ptagm}。
在本实施例中,所述初始化抛掷物运动状态,具体包括以下内容:随机设定抛掷物初始速度矢量其角度任意选择,/> 的单位为m/s;抛掷物旋转速度
模拟时间与风场模拟时间同步;
抛掷物运动起始点为模拟风场上部边缘正中。其中,板状抛掷物迎风角随机取值,/>板状抛掷物迎风角/>是用于输入Fluent计算用。
在本实施例中,所述计算并记录每个迭代时间步上的几何中心点坐标,将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库;具体执行以下步骤:
(Q1)从模拟风场中获取在tn-1时刻抛掷物运动位置处风速矢量结合抛掷物形态特征参数,计算tn-1时刻抛掷物的表面风力/>和/>其中,和/>分别为tn-1时刻抛掷物在空间3个维度x、y和z方向上的表面风力,/>为tn-1时刻抛掷物所受翻转作用力;其中,tn=t0+nΔt,n大于等于1,小于等于总迭代步数;当n=1时,tn-1=t0,t0表示抛掷物初始状态下的初始时刻,tn表示当前经过n次迭代时间步后的当前时刻;
(Q2)根据抛掷物的表面风力和/>分别计算抛掷物加速度 和/>其中,/>和/>分别为抛掷物在空间3个维度x、y和z上受力所产生的加速度,/>为抛掷物翻转加速度;
(Q3)通过tn-1时刻抛掷物加速度和tn-1时刻抛掷物在空间3个维度x、y和z上的速度/>和/>分别计算tn时刻抛掷物在空间3个维度x、y和z上的速度/>和/>和位移/>和/>以及抛掷物翻转速度/>和位移/>进而得到tn时刻下当前迭代时间步上的几何中心点坐标;
(Q4)迭代开始时,按照设定的时间步长Δt依次序迭代,每次迭代均需重复执行步骤(Q1)至步骤(Q3),直至达到总迭代步数停止,记录下抛掷物在每个迭代时间步上的几何中心点坐标,将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库;其中,达到预设迭代步数即此时的抛掷物落地或飞出模拟风场边界;抛掷物落地即Vtag,y,t=0。
在本实施例中,对于块状抛掷物,随机生成球体、球状多面体和立方体抛掷物,球体和球状多面体直径在[10cm,50cm]范围内随机选取,立方体边长在[10cm,30cm]范围内随机选取;
对于棒状抛掷物,随机生成圆柱体、多棱柱抛掷物,长度在[30cm,300cm]内随机选择,截面直径在[5cm,20cm]范围内随机选取;
对于板状抛掷物,随机生成矩形、圆形和多边形板状抛掷物,面积在[0.1m2,1m2]内随机选择;
其中,抛掷物质量随机选取,m∈[50,5000],质量单位为g。
在本实施例中,所述表面风力和/>的计算公式分别为:
其中,ρa为空气密度,A为抛掷物最大参考面积,为tn-1时刻抛掷物运动速度矢量,/>为抛掷物旋转速度矢量;/>为tn-1时刻下抛掷物运动位置处风速矢量;和/>分别为tn-1时刻抛掷物在空间3个维度x、y和z方向上的表面风力系数,为tn-1时刻抛掷物所受翻转作用力对应表面风力系数。在本实施例中,每次迭代时,以下数据需进行更新:抛掷物的位置坐标;抛掷物的速度矢量/>抛掷物当前运动位置处风速矢量/>抛掷物在tn-1时刻抛掷物表面风力系数/>和/> 和/>是根据tn-1时刻下抛掷物运动位置处风速矢量/>并结合抛射物形态特征参数,采用RANS均时应力模型、CFD计算软件Fluent计算得到。tn时刻抛掷物的表面风力/>和/>采用RANS均时应力模型及CFD计算软件Fluent进行计算。
在本实施例中,计算抛掷物加速度和/>的公式分别为:
计算抛掷物在空间3个维度x、y和z上的速度和/>和位移 和/>以及抛掷物翻转速度/>和位移/>的公式分别为:
在本实施例中,所述模拟风场生成步骤如下:
(D1)设置一个用于模拟风场的计算空间,并设定模拟风场的边界层条件;
(D2)根据设定模拟风场的边界层条件,计算各计算点在tn时刻、坐标xi时的风速在x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn),最终得到在tn时刻各计算点的合成风速V(xi,tn),其中,tn=t0+nΔt,n大于等于1,小于等于总迭代步数;当n=1时,tn-1=t0,t0表示抛掷物初始状态下的初始时刻,tn表示当前经过n次迭代时间步后的当前时刻;
(D3)根据设定的时间步长Δt依次序迭代重复执行步骤(D1)至步骤(D2),直到达到总迭代步数后停止计算,得到对应该模拟风场边界层条件的模拟风场的数值模型VX,T。
在本实施例中,所述计算空间的大小为高120m,宽300m,纵深300m;在某些实施例中,所述计算空间还可以为其他大小,在此不作限定。各计算点划分:根据计算能力,确定风场计算点网格尺寸,模拟网格大小在1mX1m至5mX5m内可选。不稳定边界层的风场模拟选择小尺度、较密集的网格,中性和稳定边界层的模拟选择大尺度、稀疏的网格。确认风场模拟时间与抛掷物运动状态下总迭代步数相同。
在本实施例中,在[0m/s,5m/s]之间进行随机设定。
在本实施例中,通过公式(1)至公式(4)可以推导出x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)的计算公式,具体推算过程如下:
模拟风场中每个计算点在t时刻的风速:
式(1)可以拆分为3个速度分量来表示:
上述3个速度分量生成合成风速的公式为:
其中,将气流涡旋过程作为1个连续过程,在遵从Markov假定条件下,经过1个时间步长,计算点风速为:
V′(xi,tn)=R(Δt)V′(xi,tn-1)+V″(xi,tn-1) (2);
式(2)可以拆分为3个速度分量来表示:
R(Δt)=exp(-Δt/TL) (3);
V″(xi,tn)=σ[1-R2(Δt)]1/2ξ (4);
综上所述,得到风速计算公式:在x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn),拆分后的v(xi,tn)、u(xi,tn)和w(xi,tn)的公式为:
对于v方向上,R(Δt)=exp(-Δt/TLv'),v”(xi,tn-1)=σv′[1-R2(Δt)]1/2ξ;
对于u方向上,R(Δt)=exp(-Δt/TLu'),u”(xi,tn-1)=σu′[1-R2(Δt)]1/2ξ;
对于w方向上,R(Δt)=exp(-Δt/TLw'),w”(xi,tn-1)=σw′[1-R2(Δt)]1/2ξ;
其中,和/>为tn时刻的风速平均分量/>在v、u和w方向上的风速平均分量;v”(xi,tn-1)、u”(xi,tn-1)和w”(xi,tn-1)为tn-1时刻的风速脉冲分量V”(xi,tn-1)在v、u和w方向上的风速脉冲分量;ξ为1组符合标准正态分布的随机数;σ则根据边界层大气状态计算得出,σv'、σu'和σw'分别为σ在v、u和w方向上的取值;TL为tn时刻风速V(xi,tn)的脉动分量V'(xi,tn)的拉格朗日时间尺度,TLv'、TLu'和TLw'分别为TL在v、u和w方向上拉格朗日时间尺度;Δt为计算时间步长;R(Δt)为指数形式的相关系数。此处平均分量原则上由1个诊断风场软件给出,但是由于抛物时间较短,风速的平均分量变化不大,因此在本方案中,每次仿真计算中,风速的平均分量均人为设定且保持恒定不变,因此/>和的取值在[1,10]区间内,/>的取值在[0,3]区间内。时间步长根据实际需要进行取值,在此不作限定,在本实施例中,时间步长取值为1s。在计算上,上面3个式子的中右边第二项需要对v'(xi,tn)、u'(xi,tn)、w'(xi,tn)进行迭代。采用上面三个式子进行描述时。在实际计算中V’的初始值为0或者1个很小的值。
在本实施例中,所述边界层条件包括不稳定边界层、中性边界层和稳定边界层,分别通过步骤(D1)至(D3)获得对应不稳定边界层、中性边界层和稳定边界层的模拟风场的数值模型VX,T。
在本实施例中,对于不稳定边界层,则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为:
σu′=σv′=u*(12+0.5zi/|L|)1/3;
TLu′=TLv′=0.15zi/σu′;
/>
对于中性边界层,则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为:
σu′=2u*exp(-3fz/u*);
σv′=σw′=1.3u*exp(-2fz/u*);
对于稳定边界层,则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为:
σu′=2u*(1-z/zi);
σv′=σw′=1.3u*(1-z/zi);
其中,z为计算点高度,u*为摩擦速度,w*为对流特征速度。zi为混合层高度,L为莫宁-奥布霍夫长度(Monin–Obukhov length),根据边界条件取值。f为科氏力长度,根据我国的纬度分布,取7.29×10-5。
在本实施例中,训练集的构建步骤包括:
(S421)在模拟环境中根据实际使用环境中摄像机布设的位置模拟摄像机机位,模拟摄像机光轴与模拟楼面的夹角等于实际环境中摄像机光轴与楼面的夹角;
(S422)模拟抛掷物运动轨迹,获得各种抛掷物形态及各种风场条件下,各种抛掷物在模拟摄像机中的轨迹图像;
(S423)模拟非抛掷物运动轨迹,随机生成横向飞行目标、纵向上升目标、横向往返运动目标、纵向往复运动目标、随机闪烁目标,并记录其运动轨迹,获得各种类型的非抛掷物及各种风场条件下,各类非抛掷物运动目标的运动轨迹图像;
(S424)将抛掷物运动轨迹图像样本与非抛掷物运动轨迹图像样本按1:1的比例混合;
(S425)将混合后的样本集按训练样本数量:测试样本数量=7:3的比例进行采样,构建训练数据集和测试数据集。
在本实施例中,抛掷物和非抛掷物均通过以下步骤获得各种类型抛掷物或非抛掷物及各种风场条件下的运动轨迹:
(F1)设摄像机的坐标为(xc,yc,zc),非抛掷物或抛掷物的运动轨迹通过仿真得出,设t时刻非抛掷物或抛掷物的坐标为(xtag,ytag,ztag),非抛掷物或抛掷物轨迹点在摄像机成像画面的坐标(xt'ag,yt'ag,zt'ag),xt'ag和yt'ag的计算公式分别为:
其中,f为摄像机镜头焦距;采用针孔成像模型,在针孔成像模型中不对Z轴上的数据进行计算。
(F2)重复执行步骤(F1),直至1条轨迹上所有的非抛掷物或抛掷物位置点均在模拟摄像机中成像并形成轨迹图像,然后执行步骤(F3);
(F3)重复步骤(F1)和步骤(F2),获得各种抛掷物形态各种风场条件下,不同非抛掷物或抛掷物在模拟摄像机中的轨迹图像。
在本实施例中,所述神经网络判别模型通过卷积神经网络训练得到。所述神经网络判别模型分为输入层、特征抽取层和判别输出层;输入层接收输入的坐标序列轨迹坐标序列,并向特征抽取层馈送;特征抽取层由3个卷积池化层堆叠而成,即每个卷积层之后接1个1维池化层;判别输出层由1个全连接层和1个softmax层构成,softmax进行二分类判别,即输入轨迹是否为高空抛掷物运动轨迹。
在本实施例中,输入的运动轨迹坐标序列长度为125,超过125的序列保留从第1位到125位数据,不足125的序列在序列末尾补0;每个卷积池化层中,卷积层卷积核大小为1×5,卷积核步长为1;池化大小为1×5,步长为2。
在本实施例中,神经网络使用Binary Cross Entropy作为损失函数:
式中:
y为轨迹样本的类别;
p(yi)为神经网络给出的样本类别分类概率;
N为样本个数。抛掷物在风场中的运动轨迹,通过摄像机拍摄后,离散化为1个轨迹坐标序列。将该序列输入1个判别网络,实现轨迹的分类判别。
参见图2所示,本实施例还公开了一种高空抛掷物判别系统,执行上述高空抛掷物判别方法,包括:
视频图像采集模块1,用于拍摄建筑物楼面;
网络传输模块5,用于传输拍摄建筑物楼面的画面;
运动目标检测模块2,用于接收来自网络传输模块5的建筑物楼面的画面,以及检测并提取拍摄画面中的运动目标;所述运动目标检测模块2与视频图像采集模块1连接;
图像处理模块3,用于提取运动目标的运动轨迹坐标序列并输入高空抛物判别模块4;所述图像处理模块3与所述运动目标检测模块2连接;
高空抛物判别模块4,用于判别输入的运动目标是否属于高空抛物,所述高空抛物判别模块4与图像处理模块3连接,所述高空抛物判别模块4中建立有用于判别输入的运动目标是否属于高空抛物的神经网络判别模型。
在本实施例中,所述高空抛物判别模块4包括模型迭代模块41,用于将属于高空抛物的运动目标的运动特征加入到神经网络判别模型的训练集中,进行模型迭代。
本发明的高空抛掷物判别系统,将高空抛物目标运动检测与识别转化为一个序列分类问题,提升检测性能的同时,降低检测系统的复杂度;还解决了在轨迹样本难以获取的问题;系统简单,大大降低了计算,降低了成本,且能够模拟实际场景中多变的风场条件,能够获取到不同气动外形的抛掷物在不同风场下的运动轨迹,使得模型在训练过程中获取到有效的训练样本数据,提升了模型的判别性能。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种高空抛掷物判别系统,其特征在于,包括:
视频图像采集模块(1),用于拍摄建筑物楼面;
网络传输模块(5),用于传输拍摄建筑物楼面的画面;
运动目标检测模块(2),用于接收来自网络传输模块(5)的建筑物楼面的画面,以及检测并提取拍摄画面中的运动目标;所述运动目标检测模块(2)与视频图像采集模块(1)
连接;
图像处理模块(3),用于提取运动目标的运动轨迹坐标序列并输入高空抛物判别模块(4);所述图像处理模块(3)与所述运动目标检测模块(2)连接;
高空抛物判别模块(4),用于判别输入的运动目标是否属于高空抛物,所述高空抛物判别模块(4)与图像处理模块(3)连接,所述高空抛物判别模块(4)中建立有用于判别输入的运动目标是否属于高空抛物的神经网络判别模型;
所述神经网络判别模型通过以下步骤获得:(S41)通过计算机仿真,获得不同气动外形的抛掷物在不同模拟风场条件下的运动轨迹坐标序列样本;具体包括:(S411)通过计算机仿真,随机生成1个抛掷物,抛掷物形态在块、棒、板这3种形态中随机确定;(S412)初始化抛掷物运动状态及设定计算抛掷物几何中心点坐标的迭代时间步长Δt及总迭代步数,计算并记录每个迭代时间步上的几何中心点坐标,将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库;(S413)通过设置不同气动外形的抛掷物在不同风场条件下运动,获得运动轨迹样本Ptag1、Ptag2…Ptagm,生成1个轨迹样本集P={Ptag1,Ptag2,…,Ptagm};所述初始化抛掷物运动状态,具体包括以下内容:随机设定抛掷物初始速度矢量其角度任意选择,/> 的单位为m/s;抛物线旋转速度/>模拟时间与风场模拟时间同步;抛掷物运动起始点为模拟风场上部边缘正中;其中,板状抛掷物迎风角/>随机取值,/>
(S42)将抛掷物运动轨迹坐标序列样本集合作为训练集,对判别神经网络进行训练,以得到训练好的神经网络判别模型;
还包括:
计算抛掷物加速度计/>的公式分别为:
其中:的/>表示tn-1时刻抛掷物的表面风力,m为抛掷物的质量,g表示重力加速度。
2.根据权利要求1所述的高空抛掷物判别系统,其特征在于,所述计算并记录每个迭代时间步上的几何中心点坐标,将抛掷物在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库;具体执行以下步骤:
(Q1)从模拟风场中获取在tn-1时刻抛掷物运动位置处风速矢量结合抛掷物形态特征参数,计算tn-1时刻抛掷物的表面风力/>和/>其中,和/>分别为tn-1时刻抛掷物在空间3个维度x、y和z方向上的表面风力,/>为tn-1时刻抛掷物所受翻转作用力;其中,tn=t0+nΔt,n大于等于1,小于等于总迭代步数;当n=1时,tn-1=t0,t0表示抛掷物初始状态下的初始时刻,tn表示当前经过n次迭代时间步后的当前时刻;
(Q2)根据抛掷物的表面风力和/>分别计算抛掷物加速度 和/>其中,/>和/>分别为抛掷物在空间3个维度x、y和z上受力所产生的加速度,/>为抛掷物翻转加速度;
(Q3)通过tn-1时刻抛掷物加速度和tn-1时刻抛掷物在空间3个维度x、y和z上的速度/>和/>分别计算tn时刻抛掷物在空间3个维度x、y和z上的速度/>和/>和位移/>和/>以及抛掷物翻转速度/>和位移/>进而得到tn时刻下当前迭代时间步上的几何中心点坐标;
(Q4)迭代开始时,按照设定的时间步长Δt依次序迭代,每次迭代均需重复执行步骤(Q1)至步骤(Q3),直至达到总迭代步数停止,记录下抛掷物在每个迭代时间步上的几何中心点坐标,将抛掷物在在初始状态下的几何中心点坐标和每个迭代时间步上的几何中心点坐标组成1个坐标序列Ptag保存至数据库。
3.根据权利要求1或2所述的高空抛掷物判别系统,其特征在于,
对于块状抛掷物,随机生成球体、球状多面体和立方体抛掷物,球体和球状多面体直径在[10cm,50cm]范围内随机选取,立方体边长在[10cm,30cm]范围内随机选取;
对于棒状抛掷物,随机生成圆柱体、多棱柱抛掷物,长度在[30cm,300cm]内随机选择,截面直径在[5cm,20cm]范围内随机选取;
对于板状抛掷物,随机生成矩形、圆形和多边形板状抛掷物,面积在[0.1m2,1m2]内随机选择;
其中,抛掷物质量随机选取,m∈[50,5000],质量单位为g。
4.根据权利要求3所述的高空抛掷物判别系统,其特征在于,所述模拟风场生成步骤如下:
(D1)设置一个用于模拟风场的计算空间,并设定模拟风场的边界层条件;
(D2)根据设定模拟风场的边界层条件,计算各计算点在tn时刻、坐标xi时的风速在x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn),最终得到在tn时刻各计算点的合成风速V(xi,tn),其中,tn=t0+nΔt,n大于等于1,小于等于总迭代步数;当n=1时,tn-1=t0,t0表示抛掷物初始状态下的初始时刻,tn表示当前经过n次迭代时间步后的当前时刻;
(D3)根据设定的时间步长Δt依次序迭代重复执行步骤(D1)至步骤(D2),直到达到总迭代步数后停止计算,得到对应该模拟风场边界层条件的模拟风场的数值模型VX,T;
x,y,z方向上的风速分量v(xi,tn)、u(xi,tn)和w(xi,tn)通过对风速计算公式:拆分得到,拆分后的v(xi,tn)、u(xi,tn)和w(xi,tn)的公式为:
对于v方向上,R(Δt)=exp(-Δt/TLv'),v”(xi,tn-1)=σv′[1-R2(Δt)]1/2ξ;
对于u方向上,R(Δt)=exp(-Δt/TLu'),u”(xi,tn-1)=σu′[1-R2(Δt)]1/2ξ;
对于w方向上,R(Δt)=exp(-Δt/TLw'),w''(xi,tn-1)=σw′[1-R2(Δt)]1/2ξ;
其中,和/>为tn时刻的风速平均分量/>在v、u和w方向上的风速平均分量;v”(xi,tn-1)、u”(xi,tn-1)和w”(xi,tn-1)为tn-1时刻的风速脉冲分量V”(xi,tn-1)在v、u和w方向上的风速脉冲分量;ξ为1组符合标准正态分布的随机数;σ则根据边界层大气状态计算得出,σv'、σu'和σw'分别为σ在v、u和w方向上的取值;TL为tn时刻风速V(xi,tn)的脉动分量V'(xi,tn)的拉格朗日时间尺度,TLv'、TLu'和TLw'分别为TL在v、u和w方向上拉格朗日时间尺度;Δt为计算时间步长;R(Δt)为指数形式的相关系数。
5.根据权利要求4所述的高空抛掷物判别系统,其特征在于,所述边界层条件包括不稳定边界层、中性边界层和稳定边界层,分别通过步骤(D1)至(D3)获得对应不稳定边界层、中性边界层和稳定边界层的模拟风场的数值模型VX,T;对于不稳定边界层,则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为:
σu′=σv′=u*(12+0.5zi/|L|)1/3;
TLu′=TLv′=0.15zi/σu′;
对于中性边界层,则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为:
σu′=2u*exp(-3fz/u*);
σv′=σw′=1.3u*exp(-2fz/u*);
对于稳定边界层,则σu'、σv'、σw'、TLu'、TLv'和TLw'的公式分别为:
σu′=2u*(1-z/zi);
σv′=σw′=1.3u*(1-z/zi);
其中,z为计算点高度,u*为摩擦速度,w*为对流特征速度,zi为混合层高度,L为莫宁-奥布霍夫长度,根据边界条件取值,f为科氏力长度,根据我国的纬度分布,取7.29×10-5。
6.根据权利要求1或2或5所述的高空抛掷物判别系统,其特征在于,训练集的构建步骤包括:
(S421)在模拟环境中根据实际使用环境中摄像机布设的位置模拟摄像机机位,模拟摄像机光轴与模拟楼面的夹角等于实际环境中摄像机光轴与楼面的夹角;
(S422)模拟抛掷物运动轨迹,获得各种抛掷物形态及各种风场条件下,各种抛掷物在模拟摄像机中的轨迹图像;
(S423)模拟非抛掷物运动轨迹,随机生成横向飞行目标、纵向上升目标、横向往返运动目标、纵向往复运动目标、随机闪烁目标,并记录其运动轨迹,获得各种类型的非抛掷物及各种风场条件下,各类非抛掷物运动目标的运动轨迹图像;
(S424)将抛掷物运动轨迹图像样本与非抛掷物运动轨迹图像样本按1:1的比例混合;
(S425)将混合后的样本集按训练样本数量:测试样本数量=7:3的比例进行采样,构建训练数据集和测试数据集。
7.根据权利要求6所述的高空抛掷物判别系统,其特征在于,抛掷物和非抛掷物均通过以下步骤获得各种类型抛掷物或非抛掷物及各种风场条件下的运动轨迹:
(F1)设摄像机的坐标为(xc,yc,zc),非抛掷物或抛掷物的运动轨迹通过仿真得出,设t时刻非抛掷物或抛掷物的坐标为(xtag,ytag,ztag),非抛掷物或抛掷物轨迹点在摄像机成像画面的坐标(x'tag,y'tag,z'tag),x'tag和y'tag的计算公式分别为:
其中,f为摄像机镜头焦距;
(F2)重复执行步骤(F1),直至1条轨迹上所有的非抛掷物或抛掷物位置点均在模拟摄像机中成像并形成轨迹图像,然后执行步骤(F3);
(F3)重复步骤(F1)和步骤(F2),获得各种抛掷物形态各种风场条件下,各种非抛掷物或抛掷物在模拟摄像机中的轨迹图像;所述神经网络判别模型通过卷积神经网络训练得到;所述神经网络判别模型分为输入层、特征抽取层和判别输出层;输入层接收输入的运动轨迹坐标序列,并向特征抽取层馈送;特征抽取层由3个卷积池化层堆叠而成,即每个卷积层之后接1个1维池化层;判别输出层由1个全连接层和1个softmax层构成,softmax进行二分类判别,即输入轨迹是否为高空抛掷物运动轨迹;输入的运动轨迹坐标序列长度为125,超过125的序列保留从第1位到125位数据,不足125的序列在序列末尾补0;每个卷积池化层中,卷积层卷积核大小为1×5,卷积核步长为1;池化大小为1×5,步长为2。
8.根据权利要求1或2或7所述的高空抛掷物判别系统,其特征在于,所述高空抛物判别模块(4)包括模型迭代模块(41),用于将属于高空抛物的运动目标的运动特征加入到神经网络判别模型的训练集中,进行模型迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224094.2A CN112347915B (zh) | 2020-11-05 | 2020-11-05 | 一种高空抛掷物判别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224094.2A CN112347915B (zh) | 2020-11-05 | 2020-11-05 | 一种高空抛掷物判别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347915A CN112347915A (zh) | 2021-02-09 |
CN112347915B true CN112347915B (zh) | 2024-03-12 |
Family
ID=74428598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011224094.2A Active CN112347915B (zh) | 2020-11-05 | 2020-11-05 | 一种高空抛掷物判别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347915B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991680B (zh) * | 2021-04-27 | 2021-09-03 | 广州弘一信息科技股份有限公司 | 一种基于物联网的安全防范报警系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009508A (zh) * | 2017-12-11 | 2018-05-08 | 惠州市德赛西威汽车电子股份有限公司 | 基于景深估计运动物体视觉检测方法与系统 |
CN109309811A (zh) * | 2018-08-31 | 2019-02-05 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测系统与方法 |
CN110796087A (zh) * | 2019-10-30 | 2020-02-14 | 江西赣鄱云新型智慧城市技术研究有限公司 | 一种高空抛物训练样本快速生成方法与系统 |
KR102097908B1 (ko) * | 2019-07-25 | 2020-05-27 | 남성모 | 대상체 촬영시스템 |
CN111488799A (zh) * | 2020-03-13 | 2020-08-04 | 安徽小眯当家信息技术有限公司 | 一种基于图像识别的坠落物识别方法及系统 |
CN111553257A (zh) * | 2020-04-26 | 2020-08-18 | 上海天诚比集科技有限公司 | 一种高空抛物预警方法 |
CN111723654A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 |
-
2020
- 2020-11-05 CN CN202011224094.2A patent/CN112347915B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009508A (zh) * | 2017-12-11 | 2018-05-08 | 惠州市德赛西威汽车电子股份有限公司 | 基于景深估计运动物体视觉检测方法与系统 |
CN109309811A (zh) * | 2018-08-31 | 2019-02-05 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测系统与方法 |
KR102097908B1 (ko) * | 2019-07-25 | 2020-05-27 | 남성모 | 대상체 촬영시스템 |
CN110796087A (zh) * | 2019-10-30 | 2020-02-14 | 江西赣鄱云新型智慧城市技术研究有限公司 | 一种高空抛物训练样本快速生成方法与系统 |
CN111488799A (zh) * | 2020-03-13 | 2020-08-04 | 安徽小眯当家信息技术有限公司 | 一种基于图像识别的坠落物识别方法及系统 |
CN111553257A (zh) * | 2020-04-26 | 2020-08-18 | 上海天诚比集科技有限公司 | 一种高空抛物预警方法 |
CN111723654A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112347915A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Adversarial objects against lidar-based autonomous driving systems | |
Xia et al. | Gibson env: Real-world perception for embodied agents | |
Saqib et al. | A study on detecting drones using deep convolutional neural networks | |
CN112329627B (zh) | 一种高空抛掷物判别方法 | |
CN110222769B (zh) | 一种基于YOLOV3-tiny的改进目标检测方法 | |
CN109061703A (zh) | 用于定位的方法、装置、设备和计算机可读存储介质 | |
CN109410307A (zh) | 一种场景点云语义分割方法 | |
Long et al. | Lira-YOLO: A lightweight model for ship detection in radar images | |
Josifovski et al. | Object detection and pose estimation based on convolutional neural networks trained with synthetic data | |
CN111666919B (zh) | 一种对象识别方法、装置、计算机设备和存储介质 | |
CN109543285B (zh) | 一种融合数据驱动与强化学习的人群疏散仿真方法和系统 | |
CN105550484A (zh) | 动态数据驱动的突发灾害下群体疏运行为建模仿真方法 | |
CN113313123B (zh) | 一种基于语义推断的扫视路径预测方法 | |
CN111582091B (zh) | 基于多分支卷积神经网络的行人识别方法 | |
Kim et al. | Convolutional neural network for monocular vision-based multi-target tracking | |
Li et al. | Intelligent mobile drone system based on real-time object detection | |
CN112347915B (zh) | 一种高空抛掷物判别系统 | |
CN106875403B (zh) | 一种用于空中加油的仿鹰眼视觉运动目标检测方法 | |
CN109948457A (zh) | 基于卷积神经网络和cuda加速的实时目标识别算法 | |
CN109063549A (zh) | 基于深度神经网络的高分辨率航拍视频运动目标检测方法 | |
CN108564600A (zh) | 运动物体姿态跟踪方法及装置 | |
CN111612898B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
Yan et al. | A novel data augmentation method for detection of specific aircraft in remote sensing RGB images | |
CN114299607A (zh) | 一种基于自动驾驶汽车的人车碰撞危险度分析方法 | |
Zhai et al. | Target detection of low-altitude uav based on improved yolov3 network |
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 |