CN113297976B - 一种基于深度学习的基站入侵检测方法和系统 - Google Patents

一种基于深度学习的基站入侵检测方法和系统 Download PDF

Info

Publication number
CN113297976B
CN113297976B CN202110575087.5A CN202110575087A CN113297976B CN 113297976 B CN113297976 B CN 113297976B CN 202110575087 A CN202110575087 A CN 202110575087A CN 113297976 B CN113297976 B CN 113297976B
Authority
CN
China
Prior art keywords
face
base station
score
intrusion detection
camera
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
Application number
CN202110575087.5A
Other languages
English (en)
Other versions
CN113297976A (zh
Inventor
王奕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Branch Of China Tower Corp ltd
Original Assignee
Dalian Branch Of China Tower Corp ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Branch Of China Tower Corp ltd filed Critical Dalian Branch Of China Tower Corp ltd
Priority to CN202110575087.5A priority Critical patent/CN113297976B/zh
Publication of CN113297976A publication Critical patent/CN113297976A/zh
Application granted granted Critical
Publication of CN113297976B publication Critical patent/CN113297976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Alarm Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及防入侵检测技术领域，提供一种基于深度学习的基站入侵检测方法和系统，该方法用于基站入侵检测系统，所述基站入侵检测系统包括主机、主机上摄像头、基站门上摄像头和报警装置；主机上摄像头、基站门上摄像头和报警装置分别与主机信号连接；所述基站入侵检测方法包括以下步骤：步骤100，将训练好的基于深度学习的人脸检测模型、人脸防伪模型、人脸识别模型和动作识别模型，部署到基站入侵检测系统的主机中；步骤200，识别机房外铁塔周围人员的行为，判断其是否有异常行为；步骤300，判断要进入机房的人是否具有权限。本发明能够自动化判断是否有没有权限的人员进入基站范围并进行异常行为检测。

Description

一种基于深度学习的基站入侵检测方法和系统
技术领域
本发明涉及防入侵检测技术领域，尤其涉及一种基于深度学习的基站入侵检测方法和系统。
背景技术
通讯基站作为重要的通信辅助设施，其工作状态直接影响着通信网络的通信质量。近年来，随着通讯事业的飞速发展，相应的基础建设越来越多，其中通信基站数量也越来越多。然而，基站大多处于无人看管的地方，经常会有一些非工作计划内的人员自拆装设备，给管理人员带来很大的困扰，同时会给通讯基站带来很大的安全隐患。
目前基站的维护普遍采用的方式是人工巡视检查，这种方式占用了大量的人力，而且观测周期较长，不能实时监测。
发明内容
本发明主要解决目前基站的维护普遍采用的方式是人工巡视检查，这种方式占用了大量的人力，而且观测周期较长，不能实时监测的技术问题，提出一种基于深度学习的基站入侵检测方法和系统，能够自动化判断是否有没有权限的人员进入基站范围并进行异常行为检测，提高动作识别准确率，减少误报。
本发明提供了一种基于深度学习的基站入侵检测方法，该方法用于基站入侵检测系统，所述基站入侵检测系统包括主机、主机上摄像头、基站门上摄像头和报警装置；主机上摄像头、基站门上摄像头和报警装置分别与主机信号连接；所述主机设置数据库；
所述主机上摄像头，用于拍摄铁塔周围环境；所述基站门上摄像头，用于拍摄机房门操作者的人脸信息；
所述基站入侵检测方法包括以下步骤：
步骤100，将训练好的基于深度学习的人脸检测模型、人脸防伪模型、人脸识别模型和动作识别模型，部署到基站入侵检测系统的主机中；
步骤200，识别机房外铁塔周围人员的行为，判断其是否有异常行为；
步骤201，主机上摄像头实时采集铁塔周围环境；
步骤202，利用铁塔周围环境信息，进行人脸检测，当检测到人脸信息时，进行下一步人脸防伪检测；
步骤203，进行人脸防伪检测，如果检测到人脸带面具，则控制报警装置进行报警；如果未检测到人脸带面具，则进行下一步人脸特征提取；
步骤204，进行人脸特征提取，与数据库内的所有人脸特征进行比对，得到人脸比对最高得分；利用人脸比对最高得分，自适应确定动作识别异常行为得分阈值；
步骤205，截取检测到该人脸信息前后指定时间段内的视频；将视频输入到动作识别模型，如果得到的异常行为得分超过异常行为得分阈值，则控制报警装置进行报警。
进一步的，在步骤204中，如果人脸比对得分小于A分，则异常行为得分阈值为B1分；
如果人脸比对得分在A到100之间，则异常行为得分阈值为y＝B1+(x-A)/(100-A)*(A-B1)＝B1+3*(x-A)分，其中，其中x为人脸比对最高得分，y为自适应阈值；
如果人脸比对得分为100分，则异常行为得分阈值为B2分。
进一步的，还包括：步骤300，判断要进入机房的人是否具有权限；
步骤301，基站门上摄像头实时采集基站门口的环境；
步骤302，利用基站门口的环境信息，进行人脸检测，当检测到人脸信息时，进行下一步人脸防伪检测；
步骤303，进行人脸防伪检测，如果检测到人脸带面具，则控制报警装置进行报警；如果未检测到人脸带面具，则进行下一步人脸特征提取；
步骤304，进行人脸特征提取，与数据库内的所有人脸特征进行比对，得到人脸比对最高得分；如果人脸比对最高得分超过阈值，则允许开门；如果人脸比对最高得分未超过阈值，则控制报警装置进行报警。
本发明提供的一种基于深度学习的基站入侵检测方法和系统，通过基于深度学习的人脸防伪、人脸识别、动作识别技术自动化判断是否有没有权限的人员进入基站范围并进行异常行为；并通过自适应阈值的方法减少误报，实现防止入侵检测。机房门禁通过基于深度学习的人脸检测技术、人脸防伪技术和人脸识别技术识别要进入机房的人员是否为已经注册的有权限的人员；通过人脸防伪技术和人脸识别技术判断进入铁塔周围人员是否具有权限，通过基于深度学习的动作识别判断其行为是否异常。考虑到有权限人员异常行为可能性低，无权限人员异常行为可能性高，提出使用自适应阈值的方法提高动作识别准确率，减少误报。
附图说明
图1是本发明提供的基站入侵检测系统的系统框图；
图2是本发明提供的基站入侵检测系统的布置示意图；
图3是本发明提供的异常行为识别过程的处理流程图；
图4是本发明提供的人脸门禁识别过程的处理流程图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
本发明实施例提供的基于深度学习的基站入侵检测方法，该方法用于基站入侵检测系统，如图1所示，所述基站入侵检测系统包括主机、主机上摄像头、基站门上摄像头和报警装置；主机上摄像头、基站门上摄像头和报警装置分别与主机信号连接；所述主机上摄像头，用于拍摄铁塔周围环境，如图2所示，主机上摄像头安装在机房上，能够拍摄铁塔周围环境。所述基站门上摄像头，用于拍摄机房门操作者的人脸信息，安装在机房的门上。
所述主机设置数据库、CPU、GPU和网卡；主机中CPU负责接收摄像头视频数据并预处理；GPU负责运算深度学习算法；网卡使主机与互联网以及两个摄像头相连。用户可通过网络向主机中注册授权人员的人脸特征；授权人员的信息保存在数据库中；主机连接报警系统，在发生异常行为或者异常开门时进行报警。
所述基站入侵检测方法包括以下步骤：
步骤100，将训练好的基于深度学习的人脸检测模型、人脸防伪模型、人脸识别模型和动作识别模型，部署到基站入侵检测系统的主机中；
人脸检测模型用来检测一张图像中是否包含人脸，该模型结构可以选择MTCNN、RetinaFace等结构，训练数据可通过基站门上摄像头实际采集数据标注后获得，此外可通过添加开源数据集，如Wider Face数据集提升模型性能。
人脸防伪模型用来识别是否有人通过戴面具攻击系统；模型结构可以选择mobilenet。考虑到防伪数据集制作成本过高，则训练数据只选择开源数据集如大规模高保真度3D人脸面具数据集(CASIA-SURF HiFiMask)，利用以上网络结构和数据集训练一个二分类器，模型输入为一张人脸。
人脸识别模型用来提取人脸特征，模型主干网络可选择ResNet网络，训练数据可通过基站门上摄像头实际采集数据后标注获得，此外，可通过添加开源数据集，如DeepGlint数据集提升模型性能。人脸识别模型能够进行一个人脸特征与数据库内所有人脸特征的相似度计算。
动作识别模型用来识别某一段动作是否为异常行为，可通过ST-GCN网络识别动作。本发明将动作分为正常行为和异常行为两种，其中异常行为包括：破坏、攀爬等行为。训练数据通过基站门上摄像头采集后标注生成。利用以上网络和数据训练一个动作识别模型。
模型训练好的各模型可部署到基站入侵检测系统的主机中；基站入侵检测系统使用包括两步骤：注册阶段和入侵检测阶段。
注册阶段，需要去特定基站作业或者参观等人员，通过注册将人员信息、人脸特征信息保存到指定基站的主机数据库中。其中，人脸特征提取包括人脸检测(判断图片中是否有人脸，没有则注册失败)、人脸防伪(如果检测到照片中人脸戴了面具则注册失败)、人脸特征提取(检测到人脸且没戴面具则提取特征并保存到数据库)。人脸注册所需的照片可通过一个带有拍照功能、图片上传功能的手机应用实现，该应用同时可以上传该操作人员的姓名、身份证号等其他信息。
入侵检测阶段，包括异常行为识别(步骤200)以及人脸门禁识别(步骤300)。
步骤200，识别机房外铁塔周围人员的行为，判断其是否有异常行为。如图3所示，异常行为识别过程具体如下：
步骤201，主机上摄像头实时采集铁塔周围环境；
步骤202，利用铁塔周围环境信息，进行人脸检测，当检测到人脸信息时，进行下一步人脸防伪检测；
步骤203，进行人脸防伪检测，如果检测到人脸带面具，则控制报警装置进行报警；如果未检测到人脸带面具，则进行下一步人脸特征提取；
步骤204，进行人脸特征提取，与数据库内的所有人脸特征进行比对，得到人脸比对最高得分；利用人脸比对最高得分，自适应确定动作识别异常行为得分阈值；
在本步骤中，一个人脸特征与数据库内所有人脸特征进行相似度计算，总有一个相似度最高的，这个最高的相似度即为最高得分。
所述动作识别得分阈值为判断一个动作为异常行为的置信度阈值。即动作识别时也会有个异常动作的得分，该得分超过阈值，即确定为异常行为。考虑到有权限的人员发生异常行为的可能性较小，而没权限的人发生异常行为的可能性大，所以不能对所有人使用同一个阈值，而需要自适应的确定阈值。即人脸比对最高得分越高，判断其行为为异常行为的动作识别得分阈值应该更高，两个得分都设为百分制。
如果人脸比对得分小于A分，则异常行为得分阈值为B1分；如果人脸比对得分在A到100之间，则异常行为得分阈值为y＝B1+(x-A)/(100-A)*(A-B1)＝B1+3*(x-A)分，其中，其中x为人脸比对最高得分，y为自适应阈值；如果人脸比对得分为100分，则异常行为得分阈值为B2分。A为根据实际情况规定的人脸比对得分阈值，B1、B2为根据实际情况规定的异常行为得分阈值。
下面以映射表的形式举例说明：
人脸比对得分 小于90分 90到100之间 100分
异常行为得分阈值 60分 公式映射到60到90之间 90分
由上表可见，当人脸比对得分低于90时，系统认为该人不具有权限，其很可能发生异常行为，即当有60％把握确认其行为时异常行为时，即发出警报；当人脸比对得分达到一百分时，该人员确定为库内的人员，其发生异常行为可能性低，只有当有90％把握判断其异常时才发出警报；90到100之间的得分可通过线性映射方法自适应得到60-90分之间的阈值，公式为y＝60+(x-90)/(100-90)*(90-60)＝60+3*(x-90)，其中x为人脸比对最高得分，y为自适应阈值。
步骤205，截取检测到该人脸信息前后指定时间段内的视频；将视频输入到动作识别模型，如果得到的异常行为得分超过异常行为得分阈值，则控制报警装置进行报警。
在本实施例中，指定时间段可以为检测到该人脸信息前后2s。如果人脸比对得分小于90分，则判断异常行为得分是否超过60分；如果人脸比对得分在90到100之间，则判断异常行为得分是否超过y＝60+(x-90)/(100-90)*(90-60)＝60+3*(x-90)分；如果人脸比对得分为100分，则异常行为得分是否超过90分。
步骤300，判断要进入机房的人是否具有权限。如图4所示，人脸门禁识别过程具体如下：
步骤301，基站门上摄像头实时采集基站门口的环境；
步骤302，利用基站门口的环境信息，进行人脸检测，当检测到人脸信息时，进行下一步人脸防伪检测；
步骤303，进行人脸防伪检测，如果检测到人脸带面具，则控制报警装置进行报警；如果未检测到人脸带面具，则进行下一步人脸特征提取；
步骤304，进行人脸特征提取，与数据库内的所有人脸特征进行比对，得到人脸比对最高得分；如果人脸比对最高得分超过阈值，则允许开门；如果人脸比对最高得分未超过阈值，则控制报警装置进行报警。
本发明能够及时发现陌生人或检测到异常行为，并发出警报；利用基于深度学习的人脸检测、人脸防伪、人脸识别、动作识别自动化的进行基站入侵检测，及时发现异常行为，更好的保护基站设施。利用自适应阈值，将异常行为识别阈值与人脸识别得分联系起来，降低误报。本发明硬件实现简单、成本低，可以自动对通信基站进行陌生人员入侵检测，有效地提升通信基础设施的安全防护。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部技术特征进行等同替换，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范围。

Claims (3)

1.一种基于深度学习的基站入侵检测方法，该方法用于基站入侵检测系统，所述基站入侵检测系统包括主机、主机上摄像头、基站门上摄像头和报警装置；主机上摄像头、基站门上摄像头和报警装置分别与主机信号连接；所述主机设置数据库；
所述主机上摄像头，用于拍摄铁塔周围环境；所述基站门上摄像头，用于拍摄机房门操作者的人脸信息；
其特征在于，所述基站入侵检测方法包括以下步骤：
步骤100，将训练好的基于深度学习的人脸检测模型、人脸防伪模型、人脸识别模型和动作识别模型，部署到基站入侵检测系统的主机中；
步骤200，识别机房外铁塔周围人员的行为，判断其是否有异常行为；
步骤201，主机上摄像头实时采集铁塔周围环境；
步骤202，利用铁塔周围环境信息，进行人脸检测，当检测到人脸信息时，进行下一步人脸防伪检测；
步骤203，进行人脸防伪检测，如果检测到人脸带面具，则控制报警装置进行报警；如果未检测到人脸带面具，则进行下一步人脸特征提取；
步骤204，进行人脸特征提取，与数据库内的所有人脸特征进行比对，得到人脸比对最高得分；利用人脸比对最高得分，自适应确定动作识别异常行为得分阈值；
步骤205，截取检测到该人脸信息前后指定时间段内的视频；将视频输入到动作识别模型，如果得到的异常行为得分超过异常行为得分阈值，则控制报警装置进行报警。
2.根据权利要求1所述的基于深度学习的基站入侵检测方法，其特征在于，在步骤204中，如果人脸比对得分小于A分，则异常行为得分阈值为B1分；
如果人脸比对得分在A到100之间，则异常行为得分阈值为y＝B1+(x-A)/(100-A)*(A-B1)＝B1+3*(x-A)分，其中，其中x为人脸比对最高得分，y为自适应阈值；
如果人脸比对得分为100分，则异常行为得分阈值为B2分。
3.根据权利要求1或2所述的基于深度学习的基站入侵检测方法，其特征在于，还包括：步骤300，判断要进入机房的人是否具有权限；
步骤301，基站门上摄像头实时采集基站门口的环境；
步骤302，利用基站门口的环境信息，进行人脸检测，当检测到人脸信息时，进行下一步人脸防伪检测；
步骤303，进行人脸防伪检测，如果检测到人脸带面具，则控制报警装置进行报警；如果未检测到人脸带面具，则进行下一步人脸特征提取；
步骤304，进行人脸特征提取，与数据库内的所有人脸特征进行比对，得到人脸比对最高得分；如果人脸比对最高得分超过阈值，则允许开门；如果人脸比对最高得分未超过阈值，则控制报警装置进行报警。
CN202110575087.5A 2021-05-26 2021-05-26 一种基于深度学习的基站入侵检测方法和系统 Active CN113297976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110575087.5A CN113297976B (zh) 2021-05-26 2021-05-26 一种基于深度学习的基站入侵检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110575087.5A CN113297976B (zh) 2021-05-26 2021-05-26 一种基于深度学习的基站入侵检测方法和系统

Publications (2)

Publication Number Publication Date
CN113297976A CN113297976A (zh) 2021-08-24
CN113297976B true CN113297976B (zh) 2023-06-23

Family

ID=77324958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110575087.5A Active CN113297976B (zh) 2021-05-26 2021-05-26 一种基于深度学习的基站入侵检测方法和系统

Country Status (1)

Country Link
CN (1) CN113297976B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114666546B (zh) * 2022-03-24 2023-06-23 中国铁塔股份有限公司江苏省分公司 一种通信铁塔用监控方法、装置及通信铁塔

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013131407A1 (zh) * 2012-03-08 2013-09-12 无锡中科奥森科技有限公司 双验证人脸防伪方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7856558B2 (en) * 2004-10-21 2010-12-21 Honeywell International Inc. Biometric verification and duress detection system and method
KR101637653B1 (ko) * 2014-06-09 2016-07-07 박상래 영상열선장치 및 이를 이용한 침입 감지 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013131407A1 (zh) * 2012-03-08 2013-09-12 无锡中科奥森科技有限公司 双验证人脸防伪方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
项目计算机辅助受理的研究方向与关键词――2012年度受理情况与2013年度注意事项;马惠珠;宋朝晖;季飞;侯嘉;熊小芸;;电子与信息学报(第01期);全文 *
高效防伪人脸识别系统;纪侨斌;徐树公;;工业控制计算机(第05期);全文 *

Also Published As

Publication number Publication date
CN113297976A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN109446936A (zh) 一种用于监控场景的身份识别方法及装置
CN111428617A (zh) 一种基于视频图像的配网违规检修行为的识别方法和系统
CN112183265A (zh) 基于图像识别的电力施工视频监控告警方法及系统
CN108416256A (zh) 基于特征识别的家庭云智能监控系统和监控方法
CN110674761B (zh) 一种区域行为预警方法及系统
CN114155614B (zh) 一种作业现场反违章行为识别方法及系统
CN112861826B (zh) 基于视频图像的煤矿监管方法、系统、设备及存储介质
CN113297976B (zh) 一种基于深度学习的基站入侵检测方法和系统
CN114937237A (zh) 一种基于ai智能识别的工地安全监测方法及系统
WO2022055023A1 (ko) 스마트 객체인식이 가능한 IoT 통합 지능형 영상분석 플랫폼 시스템
CN113111771A (zh) 一种发电厂工作人员不安全行为的识别方法
CN113569682A (zh) 一种智能捕捉矿井识别要素的视频监测方法及装置
CN113947795B (zh) 口罩佩戴检测方法、装置、设备及存储介质
CN111885349A (zh) 一种管廊异常检测系统及方法
Pitafi et al. Revolutionizing Perimeter Intrusion Detection: A Machine Learning-Driven Approach with Curated Dataset Generation for Enhanced Security
CN116546438A (zh) 一种基于蓝牙mesh网络的楼宇监测系统
CN116682162A (zh) 一种基于实时视频流的机器人人员检测算法
CN116778657A (zh) 一种智能识别入侵行为的方法及系统
CN111862430A (zh) 一种人脸识别无闸机的门禁系统及其方法
KR102367584B1 (ko) 스켈레톤 영상 분석 기법을 이용한 자동 영상 감시 시스템
CN116366319A (zh) 一种检测网络安全的方法及系统
CN106127903A (zh) 电子设备探测门禁管控装置及其方法
CN115860979A (zh) 一种用于电力电网现场作业的人工智能管理系统
CN116052356A (zh) 一种智能工地监控平台
CN209993020U (zh) 一种人脸识别无闸机的门禁系统

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
GR01 Patent grant
GR01 Patent grant