CN113034828A - 基于嵌入式计算终端实现目标检测和识别系统及布设方法 - Google Patents
基于嵌入式计算终端实现目标检测和识别系统及布设方法 Download PDFInfo
- Publication number
- CN113034828A CN113034828A CN202110216651.4A CN202110216651A CN113034828A CN 113034828 A CN113034828 A CN 113034828A CN 202110216651 A CN202110216651 A CN 202110216651A CN 113034828 A CN113034828 A CN 113034828A
- Authority
- CN
- China
- Prior art keywords
- alarm
- radar
- target
- embedded computing
- computing terminal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000012790 confirmation Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000007717 exclusion Effects 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 102100030148 Integrator complex subunit 8 Human genes 0.000 claims description 3
- 101710092891 Integrator complex subunit 8 Proteins 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000004297 night vision Effects 0.000 description 3
- 230000007123 defense Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/22—Electrical actuation
- G08B13/24—Electrical actuation by interference with electromagnetic field distribution
- G08B13/2491—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于嵌入式计算终端实现目标检测和识别的系统和布设方法,该系统应用于周界雷达报警系统中,具体的为在周界雷达报警系统中,嵌入式计算终端接收雷达的数据并分析,当雷达发现在限制范围的可疑目标时,将坐标发给高清相机进行拍摄,拍摄的图片发送到嵌入式计算终端上的深度卷积神经网络模型进行目标识别和确认,确认为危险目标后,嵌入式计算终端通知报警器发出报警信号,同时将目标出现时间、位置、图片、识别结果等信息传送到监控平台,供用户查看处理。
Description
技术领域
本发明涉及安防报警技术领域,特别是涉及一种基于嵌入式计算终端实现目标检测和识别系统及布设方法。
背景技术
随着国家的安防形势越发严峻,为控制要地防护中可能出现的意外情况及各类突发隐患,防止非法入侵,做到及时预警,进行有效的周界防护迫在眉睫。现有的周界雷达产品(参考文献《电子技术与软件工程》2020年第3期《融合雷达和视频的目标检测系统》),主要包括雷达、相机、GPU(深度学习)服务器、报警器等,当雷达检测到可疑目标后,通知相机抓拍图片,并将图片发送到GPU(深度学习)服务器进行目标识别和确认,确认为报警目标后,将报警信息发送给系统客户端,供用户查看和处理。
在GPU服务器上部署深度学习网络模型在实际应用中存在两个问题:一是当周界距离比较远时需要的GPU服务器的数量就会非常多,需要单独建一个机房,场地限制和成本额外增加;二是因为GPU服务器需要放置在机房或控制室,与前端的雷达、相机、报警设备需要通过网络连接,一旦出现网络问题会造成前端设备不报警,不能有效的警示非法入侵和提醒外场值班人员。
目前机场及铁路场景在周界防护方面为了节约成本,大多采用栅栏,滚网和视频技术,但是该技术检测精度无法满足要求,且施工时间长,难度大。
申请号为201910777545.6公开了本发明公开了一种基于深度学习的人工智能周界安防方法及服务端,将热源成像雷达采集的雷达图像与可见光系统采集的可见光图像进行融合,以得到周界图像,存储周界图像至图像大数据集,雷达图像为热源成像雷达探测到不同物体所发射的辐射温度信号而形成的图像;通过基于深度学习技术的周界入侵训练优化模型对实时监控的录像视频以不同颜色框图和中文标记的方式对目标进行报警和定位跟踪,颜色框图用于对不同类型目标进行区分,中文标记用于标出了报警总体类型,报警总体类型包括入侵物数量以及危险等级;本发明能在准确的获取到实时监控信息后,快速识别入侵目标并进行分类并及时进行预警,以满足高等级周界安防需求。虽然该技术能够一定程度上实现周界安防的高级别要求,但是并没有解决长距离周界服务区布设的成本问题。
发明内容
本发明所要解决的技术问题在于针对长距离场景提供一种成本低、精度高的周界防护系统。
本发明通过以下技术手段实现解决上述技术问题的:
一种基于嵌入式计算终端实现目标检测系统,包括:
周界雷达设备终端,周界雷达设备终端包括相控阵雷达、视频拍摄器、声光报警器、嵌入式计算终端;所述嵌入式计算终端负责接收上位机发送的设备配置信息,接收并处理雷达、视频信号并进行目标检测和识别,控制报警设备;
中心服务,负责组织协调嵌入式计算终端、监控平台的请求和运行,将监控平台的请求入库并转发给嵌入式计算终端,接收嵌入式计算终端的上传的告警信息、图片、运维信息并保存到数据库和告警图片库,并推送给监控平台,接收嵌入式计算终端的请求并返回请求的数据;
监控平台,用于设置设备信息、实时告警展示;
数据库,用于保存周界雷达设备终端的设备配置信息,保存告警信息;
告警图片库,用于保存告警图片;
所述嵌入式计算终端进行目标检测和识别的判断算法以YOLOv3系统为基础,通过K-means聚类选择满足训练数据集对象尺度的锚框,并将表示纹理信息的低层深层特征和表示语义信息的高层深层特征逐层组合,在将YOLOv3网络模型移植到嵌入式计算终端平台上时进行Int8量化操作,并生成离线识别模型。
本发明采用将目标检测和识别算法量化整形后移植到嵌入式计算终端,量化后的离线识别模型很小,嵌入式计算终端体积小,无需设置独立机房,便于与雷达、视频拍摄器、报警器等设备共同安装在一个设备箱。由于采用离线识别模型,即使在无网络的情况下,也能实现前端报警。本发明的系统在目标检测时分为两次检测,第一次是针对整张图片,第二次是针对目标区域二次识别,从而提高检测的识别率。
进一步的,所述嵌入式计算终端进行目标检测和识别包括以下步骤:
嵌入式计算终端系统启动,向上位机请求获取配置信息;
启动数据接收服务,采用多线程的方式接收并处理雷达、视频和报警器;
启动报警器线程,嵌入式计算终端与报警器建立并保持socket连接,当收到需要报警的信号时启动报警器报警;
启动雷达数据处理线程,接收雷达目标数据并分析,当发现移动目标时通知相机处理;
启动相机数据处理线程,接收视频信息并保存图片,当收到雷达需要告警的信号时抓拍一张图片并启动相机数据处理线程,接收视频信息并保存图片,当收到雷达需要告警的信号时抓拍一张图片并调用离线识别模型进行目标识别,得到目标区域,然后将目标区域和图片送入离线识别模型进行二次识别确认,进一步判断为需要告警的目标时通知报警器,并上传报警信息到上位机;
启动一个定时线程,每30秒向上位机请求获取一次配置信息,在上位机返回配置信息后更新嵌入式终端的配置文件;
启动一个设备运行状态监测线程,当设备的运行状态发生变化时通过通信接口发送到上位机。
进一步的,所述上位机是指向嵌入式计算终端发送控制指令和接收嵌入式计算终端上传的数据的计算机。
进一步的,所述雷达数据处理线程,包括:
解析接收到的雷达目标数据,判断目标是否在雷达警戒区,速度是否在限制的范围内,如果在则通知相机抓拍一张图片并进行算法识别,算法识别后返回识别的目标个数以及目标种类信息,如果不在则此次检测流程结束,继续下一次雷达目标数据的解析;
所述判断算法识别出的目标种类是否在用户选择的检测目标种类范围,目标坐标是否在相机的警戒区,不在相机的排除区,若不满足则此次检测流程结束,继续下一次雷达目标数据的解析;
嵌入式终端向报警器发送报警指令,报警求接到报警指令后进行声光报警;
嵌入式终端将告警数据信息,告警图片通过通信接口上传到上位机。
进一步的,所述监控平台,可以是第三方平台或者系统客户端软件。
进一步的,所述第三方平台为智能管控平台。
本发明还提供一种基于嵌入式计算终端实现目标检测系统的布设方法,包括以下步骤:
步骤1.根据待防护周界长度,将待防护周界划分为多个前端设备布设点;
步骤2.在前端设备布设点架设雷达、视频拍摄器、报警器;
步骤3.将一个或多个前端布设点的所有设备作为一组,该组设备通过光缆连接至嵌入式计算终端,所述嵌入式计算终端布设在机房或当前组的某个布设点。
步骤4.将嵌入式计算终端与服务器连接。
进一步的,所述待防护周界为铁路沿线或机场环状周界。
进一步的,所述步骤2中在布设点先架设设备箱,将雷达、视频拍摄器、报警器布设在设备箱内,雷达、视频拍摄器、报警器为一体机。
本发明的优点在于:
本发明采用将目标检测和识别算法量化整形后移植到嵌入式计算终端,量化后的离线识别模型很小,使得嵌入式计算终端体积小,无需设置独立机房,便于与雷达、视频拍摄器、报警器等设备共同安装在一个设备箱形成一体机。由于采用离线识别模型,即使在无网络的情况下,也能实现前端报警。本发明的系统在目标检测时分为两次检测,第一次是针对整张图片,第二次是针对目标区域二次识别,从而提高检测的识别率。
本发明的嵌入式计算终端在执行目标检测过中,仅启动一个服务进程,然后起不同的线程,雷达处理、视频处理、报警器处理是线程之间的通信,处理速度更快。
附图说明
图1为本发明基于嵌入式计算终端实现目标检测系统的结构框图;
图2为本发明基于嵌入式计算终端实现目标检测系统的目标检测和识别流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
本实施例提供一种基于嵌入式计算终端实现目标检测系统,参见图1,给出了本申请实施例中一种嵌入式计算终端实现目标检测和识别的周界雷达防护系统的结构示意图,所述系统具体包括:周界雷达设备终端201、中心服务202、监控平台203、数据库204、告警图片库205,其中:
所述周界雷达设备终端201主要包括:相控阵雷达2011、高清夜视相机2012、声光报警器2013、嵌入式计算终端2014。根据实际的周界距离和地形来确定所需要的周界雷达设备终端201的套数。
所述相控阵雷达2011,通过电磁波对周界防区进行实时扫描,并结合MIMO、数字波束形成等技术,对防区内目标的距离、速度、角度进行精准测量。有效探测距离可达120米。
所述高清夜视相机2012,采用星光级超低照度低功耗的全高清网络摄像机,红外补光距离达120米,和雷达联动拍摄目标视频图像。
所述声光报警器2013,用于当收到嵌入式计算终端发出的报警指令时进行报警。
所述嵌入式计算终端2014,负责接收上位机发送过来的设备配置信息,接收并处理雷达、视频信号并进行目标检测和识别,控制报警设备,上传告警信息和图片到上位机中心服务,检测雷达、报警器、相机的运行状态并上传给上位机中心服务。当由于异常情况与中心服务连接断开时,会继续控制报警器报警,只是不上传告警信息到上位机。
所述中心服务202,接收嵌入式计算终端上传的告警信息和图片并保存到数据库和告警图片库,收到告警信息的同时推送给客户端;接收嵌入式计算终端的读取配置信息请求时读取数据库配置信息并返回给嵌入式计算终端;负责对接第三方平台请求返回请求的数据;将设备运行状态等运维信息通报给客户端。
所述监控平台203,可以是第三方平台2031,或者是客户端2032;
所述第三方平台2031,是指其他厂家的智能管控平台,本实施例中的系统可同第三方平台进行对接和集成。
所述客户端2032,是指系统自带的客户端软件,用于设置设备信息、实时告警展示、历史告警信息查询、用户权限设置、运维信息展示等。
其中周界雷达终端设备包括相控阵雷达、高清夜视相机、报警器、嵌入式计算终端、交换机、电源模块、485转网口模块、网线布线等。雷达、报警器都通过485转网口模块与相机、嵌入式计算终端通过一个8口光电交换机组成一个小型局域网。上位机包括中心服务和客户端。首先,用户在上位机的客户端上设置设备信息并保存到数据库,设备信息包括周界雷达终端设备的雷达、相机、报警器、嵌入式计算终端的基本信息等。然后,中心服务收到嵌入式计算终端的请求配置信息时将配置信息通过接口发送给嵌入式计算终端,嵌入式计算终端接收中心服务上传的配置信息保存到配置文件中。嵌入式计算终端接收雷达、相机数据并分析处理,当识别到需要告警的目标时通知报警器报警,并将告警信息和图片通过接口上传到中心服务,中心服务接受到上传的告警信息和图片将其保存到数据库和图片库中并推送到客户端进行展示。
下面结合附图2,通过实施例来详细说明本申请实施例中一种基于嵌入式计算终端实现目标检测和识别的方法和系统的具体实现方式。
在本实施例中,介绍了一种嵌入式计算终端实现目标检测和识别的处理流程,具体步骤包括:
步骤S101、嵌入式计算终端系统启动,获取配置信息。
所述的配置信息是指由客户在上位机客户端设置并保存到数据库的设备基本信息。设备基本信息包括:雷达IP、端口、雷达警戒区、限制速度范围、所属嵌入式计算终端等基本信息,相机IP、端口、通道号、相机警戒区、相机排除区、所属嵌入式计算终端等基本信息、报警器IP、端口、所属雷达等基本信息,嵌入式计算终端IP、网关、子网掩码、上位机IP、检测目标种类、告警目标种类等基本信息。嵌入式终端通过与上位机的通信接口向上位机发出请求获取配置信息的任务,上位机收到请求任务后从数据库读取配置信息并返回给嵌入式终端,嵌入式终端收到返回的配置信息后保存到配置文件中。
步骤S102、接收雷达数据。
嵌入式计算终端启动后,启动雷达数据接收服务,接收雷达数据并保存到缓存中。
步骤S103、判断目标是否在雷达警戒区,速度是否在限制的范围内。
启动数据处理线程,分析接收到的雷达数据,判断运动目标的坐标信息是否在雷达警戒区并且目标的速度在设置的速度范围内。所述的雷达警戒区,速度限制范围为步骤S101所获取的配置信息。如果目标不在雷达警戒区,或者速度不在限制的范围内,则本次检测流程结束步骤S110,继续下一次雷达目标数据的解析;否则进入流程S104。
步骤S104、相机抓图,调用离线识别模型对整图进行一次识别,得到目标区域。
若目标在雷达警戒区并且速度在限制的范围内,则通知相机抓拍一张图片并保存到缓存中。对相机抓拍的图片调用训练好的深度学习网络模型进行算法识别,返回识别的目标个数以及目标种类信息。所述算法识别以YOLOv3系统为基础,通过K-means聚类选择满足我们训练数据集对象尺度的锚框,并将表示纹理信息的低层深层特征和表示语义信息的高层深层特征逐层组合,提高目标检测的准确性。在将YOLOv3网络模型移植到嵌入式计算终端平台上时进行Int8量化操作,并生成离线识别模型,目标确认的检测速度为6FPS,满足工程实践中的实时性要求。
离线模型需要搭建样本数据库,数据库的建立对深度学习算法尤为重要。模型训练使用的样本数据根据场景的应用和要识别的目标种类选择不同的样本数据库,比如针对铁路的应用,需要识别的目标主要为火车、人,那就需要搭建火车样本数据库和人样本数据库。比如火车样本数据库:需要统计目前在使用的各种火车类型,如普通火车、动车、高铁,每种类型火车采集20个以上个体火车,每个个体火车收集300~400张图片。每个个体火车的图片数量在背景、角度、光线、车头形状等主要特征纬度上平均分布,构建20000个类别。每类车辆数据按9:1比例划分成训练集和测试集分别用于深度神经网络模型的训练与验证。
步骤S105、将目标区域和图片送入离线识别模型进行二次识别确认;
步骤S106、识别的目标数量是否为无。
如果识别的目标数量为无,则本次检测流程结束S111,继续下一次雷达目标数据的解析;若识别的目标数量不为无,则进入流程S107。
步骤S107、是否为用户选择的检测目标种类范围。
判断算法识别出的目标种类是否在用户选择的检测目标种类范围。如果识别的目标种类均不在用户选择的检测目标种类范围内,则本次检测流程结束S111,继续下一次雷达目标数据的解析;否则进入流程S108。
步骤S108、目标是否在相机警戒区,相机排除区。
如果算法识别的目标的坐标信息不在相机的警戒区,或者在相机的排除区,则本次检测流程结束步骤S111,继续下一次雷达目标数据的解析;否则进入流程S109。
步骤S109、控制报警器报警。
嵌入式终端向报警器发送报警指令,报警求接到报警指令后进行声光报警。
步骤S110、告警数据、图片上传到上位机。
嵌入式终端将告警数据信息,告警图片通过通信接口上传到上位机。
步骤S111、一次流程结束。
一次雷达数据分析处理的检测结束。
步骤S112、定时向上位机请求读取配置信息,接收配置信息并保存。
嵌入式终端启动后,启动一个定时线程,每30秒向上位机请求获取一次配置信息,在上位机返回配置信息后更新嵌入式终端的配置文件。
步骤S113、设备运行状态监测并上传到上位机。
嵌入式终端启动后,启动一个设备运行状态监测线程,所述设备包含嵌入式终端、雷达、相机、报警器,当设备的运行状态发生变化时通过通信接口发送到上位机。
举例来说,本实施例的场景之一,可以是应用机场,机场的周界为环状,将环状周界按照周界雷达的探测距离划分成多个布设点,在每个布设点布设周界防护系统。
本实施例场景之二,可以是轨道,轨道为线性,在轨道的两侧分别布设周界防护系统。
以上两种场景的布设原则一致,具体如下:
步骤1.根据待防护周界长度,或环状周界的周长,将待防护周界划分为多个前端设备布设点;
步骤2.在前端设备布设点架设雷达、视频拍摄器、报警器;一般在布设点先架设设备箱,将雷达、视频拍摄器、报警器布设在设备箱内,雷达、视频拍摄器、报警器为一体机;
步骤3.将一个或多个前端布设点的所有设备作为一组,该组设备通过光缆连接至嵌入式计算终端,所述嵌入式计算终端布设在机场或铁路现有的机房或当前组的某个布设点的设备箱内。
步骤4.将嵌入式计算终端与服务器连接。
周界防护系统中,周界雷达终端设备多套、上位机一套。周界雷达终端设备的有效探测距离为200m,根据机场周界的实际距离和边界情况计算所需要部署的实际设备套数,周界雷达终端设备和上位机通过光电交换机连接到同一个网络中。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于嵌入式计算终端实现目标检测系统,其特征在于,包括:
周界雷达设备终端,周界雷达设备终端包括相控阵雷达、视频拍摄器、声光报警器、嵌入式计算终端;所述嵌入式计算终端负责接收上位机发送的设备配置信息,接收并处理雷达、视频信号并进行目标检测和识别,控制报警设备;
中心服务,负责组织协调嵌入式计算终端、监控平台的请求和运行,将监控平台的请求入库并转发给嵌入式计算终端,接收嵌入式计算终端的上传的告警信息、图片、运维信息并保存到数据库和告警图片库,并推送给监控平台,接收嵌入式计算终端的请求并返回请求的数据;
监控平台,用于设置设备信息、实时告警展示;
数据库,用于保存周界雷达设备终端的设备配置信息,保存告警信息;
告警图片库,用于保存告警图片;
所述嵌入式计算终端进行目标检测和识别的判断算法以YOLOv3系统为基础,通过K-means聚类选择满足训练数据集对象尺度的锚框,并将表示纹理信息的低层深层特征和表示语义信息的高层深层特征逐层组合,在将YOLOv3网络模型移植到嵌入式计算终端平台上时进行Int8量化操作,并生成离线识别模型。
2.根据权利要求1所述的系统,其特征在于:所述嵌入式计算终端进行目标检测和识别包括以下步骤:
嵌入式计算终端系统启动,向上位机请求获取配置信息;
启动数据接收服务,采用多线程的方式接收并处理雷达、视频和报警器;
启动报警器线程,嵌入式计算终端与报警器建立并保持socket连接,当收到需要报警的信号时启动报警器报警;
启动雷达数据处理线程,接收雷达目标数据并分析,当发现移动目标时通知相机处理;
启动相机数据处理线程,接收视频信息并保存图片,当收到雷达需要告警的信号时抓拍一张图片并调用离线识别模型进行目标识别,得到目标区域,然后将目标区域和图片送入离线识别模型进行二次识别确认,进一步判断为需要告警的目标时通知报警器,并上传报警信息到上位机;
启动一个定时线程,每30秒向上位机请求获取一次配置信息,在上位机返回配置信息后更新嵌入式终端的配置文件;
启动一个设备运行状态监测线程,当设备的运行状态发生变化时通过通信接口发送到上位机。
3.根据权利要求1所述的系统,其特征在于,所述上位机是指向嵌入式计算终端发送控制指令和接收嵌入式计算终端上传的数据的计算机。
4.根据权利要求2所述的系统,其特征在于,所述雷达数据处理线程,包括:
解析接收到的雷达目标数据,判断目标是否在雷达警戒区,速度是否在限制的范围内,如果在则通知相机抓拍一张图片并进行算法识别,算法识别后返回识别的目标个数以及目标种类信息,如果不在则此次检测流程结束,继续下一次雷达目标数据的解析;
所述判断算法识别出的目标种类是否在用户选择的检测目标种类范围,目标坐标是否在相机的警戒区,不在相机的排除区,若不满足则此次检测流程结束,继续下一次雷达目标数据的解析;
嵌入式终端向报警器发送报警指令,报警求接到报警指令后进行声光报警;
嵌入式终端将告警数据信息,告警图片通过通信接口上传到上位机。
5.根据权利要求1所述的系统,其特征在于,所述监控平台,可以是第三方平台或者系统客户端软件。
6.根据权利要求5所述的系统,其特征在于,所述第三方平台为智能管控平台。
7.一种如权利要求1至6任一所述的基于嵌入式计算终端实现目标检测系统的布设方法,其特征在于,包括以下步骤:
步骤1.根据待防护周界长度,将待防护周界划分为多个前端设备布设点;
步骤2.在前端设备布设点架设雷达、视频拍摄器、报警器;
步骤3.将一个或多个前端布设点的所有设备作为一组,该组设备通过光缆连接至嵌入式计算终端,所述嵌入式计算终端布设在机房或当前组的某个布设点。
步骤4.将嵌入式计算终端与服务器连接。
8.根据权利要求7所述的布设方法,其特征在于:所述待防护周界为铁路沿线或机场环状周界。
9.根据权利要求7所述的布设方法,其特征在于:所述步骤2中在布设点先架设设备箱,将雷达、视频拍摄器、报警器布设在设备箱内,雷达、视频拍摄器、报警器为一体机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110216651.4A CN113034828A (zh) | 2021-02-26 | 2021-02-26 | 基于嵌入式计算终端实现目标检测和识别系统及布设方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110216651.4A CN113034828A (zh) | 2021-02-26 | 2021-02-26 | 基于嵌入式计算终端实现目标检测和识别系统及布设方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034828A true CN113034828A (zh) | 2021-06-25 |
Family
ID=76461731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110216651.4A Pending CN113034828A (zh) | 2021-02-26 | 2021-02-26 | 基于嵌入式计算终端实现目标检测和识别系统及布设方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034828A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744480A (zh) * | 2021-09-14 | 2021-12-03 | 国网辽宁省电力有限公司沈阳供电公司 | 一种输变电工程边界防御方法及装置 |
CN114419473A (zh) * | 2021-11-17 | 2022-04-29 | 中国电子科技集团公司第三十八研究所 | 一种基于嵌入式设备的深度学习实时目标检测方法 |
CN114511978A (zh) * | 2021-12-27 | 2022-05-17 | 浙江华锐捷技术有限公司 | 一种入侵预警方法、装置、车辆和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108965809A (zh) * | 2018-07-20 | 2018-12-07 | 长安大学 | 雷达引导的视频联动监控系统及控制方法 |
CN109993061A (zh) * | 2019-03-01 | 2019-07-09 | 珠海亿智电子科技有限公司 | 一种人脸检测与识别方法、系统以及终端设备 |
AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
CN110796168A (zh) * | 2019-09-26 | 2020-02-14 | 江苏大学 | 一种基于改进YOLOv3的车辆检测方法 |
CN112382033A (zh) * | 2020-12-07 | 2021-02-19 | 中科蓝卓(北京)信息科技有限公司 | 一种区域型入侵报警系统 |
-
2021
- 2021-02-26 CN CN202110216651.4A patent/CN113034828A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108965809A (zh) * | 2018-07-20 | 2018-12-07 | 长安大学 | 雷达引导的视频联动监控系统及控制方法 |
CN109993061A (zh) * | 2019-03-01 | 2019-07-09 | 珠海亿智电子科技有限公司 | 一种人脸检测与识别方法、系统以及终端设备 |
CN110796168A (zh) * | 2019-09-26 | 2020-02-14 | 江苏大学 | 一种基于改进YOLOv3的车辆检测方法 |
AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
CN112382033A (zh) * | 2020-12-07 | 2021-02-19 | 中科蓝卓(北京)信息科技有限公司 | 一种区域型入侵报警系统 |
Non-Patent Citations (1)
Title |
---|
周龙等: "基于深度学习的复杂背景雷达图像多目标检测", 《系统工程与电子技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744480A (zh) * | 2021-09-14 | 2021-12-03 | 国网辽宁省电力有限公司沈阳供电公司 | 一种输变电工程边界防御方法及装置 |
CN114419473A (zh) * | 2021-11-17 | 2022-04-29 | 中国电子科技集团公司第三十八研究所 | 一种基于嵌入式设备的深度学习实时目标检测方法 |
CN114419473B (zh) * | 2021-11-17 | 2024-04-16 | 中国电子科技集团公司第三十八研究所 | 一种基于嵌入式设备的深度学习实时目标检测方法 |
CN114511978A (zh) * | 2021-12-27 | 2022-05-17 | 浙江华锐捷技术有限公司 | 一种入侵预警方法、装置、车辆和计算机可读存储介质 |
CN114511978B (zh) * | 2021-12-27 | 2024-02-20 | 浙江华锐捷技术有限公司 | 一种入侵预警方法、装置、车辆和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034828A (zh) | 基于嵌入式计算终端实现目标检测和识别系统及布设方法 | |
CN108615321B (zh) | 基于雷达侦测及视频图像行为分析的安防预警系统及方法 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
US7889232B2 (en) | Method and system for surveillance of vessels | |
CN108983806B (zh) | 区域检测、航线规划数据的生成方法和系统、飞行器 | |
KR102104088B1 (ko) | Uwb 기반 위치 추적 및 인공지능 융합 지능형 객체 추적 영상 감시 시스템 | |
KR101877294B1 (ko) | 객체, 영역 및 객체가 유발하는 이벤트의 유기적 관계를 기반으로 한 복수 개 기본행동패턴 정의를 통한 복합 상황 설정 및 자동 상황 인지가 가능한 지능형 방범 cctv 시스템 | |
CN103606236B (zh) | 一种基于分布式光纤入侵报警单元的实时安全监测系统 | |
CN104754302A (zh) | 一种基于枪球联动系统的目标检测跟踪方法 | |
CN110070155B (zh) | 一种基于可穿戴设备的服刑人员综合行为识别方法及系统 | |
CN102646309A (zh) | 一种智能视频周界围栏系统及其控制方法 | |
CN208208040U (zh) | 跑道防侵入监控系统 | |
CN103929592A (zh) | 全方位智能监控设备及方法 | |
CN112382033A (zh) | 一种区域型入侵报警系统 | |
CN112485781B (zh) | 一种基于深度学习的反无人机无人值守系统及方法 | |
CN112257683A (zh) | 一种面向车辆运行轨迹监测的跨镜追踪方法 | |
CN112804454A (zh) | 一种广域警戒系统及其警戒方法 | |
CN114283544B (zh) | 一种基于人工智能的铁路站台入侵监测系统及方法 | |
CN112349055A (zh) | 一种基于雷达与视频联动的目标监测装置和方法 | |
CN208768193U (zh) | 近空智能监控系统 | |
CN109785562B (zh) | 一种立式光电地面威胁警戒系统及可疑目标识别方法 | |
KR101579275B1 (ko) | 위험객체 위치추적을 통한 실시간 모니터링을 이용한 방범보안 시스템 | |
CN112802100A (zh) | 一种入侵检测方法、装置、设备和计算机可读存储介质 | |
CN111063148A (zh) | 一种远距离夜视目标视频检测方法 | |
CN112532927A (zh) | 一种施工现场智能安全管控系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |