CN113609987A - 基于Boost行人防误判的变电站视频监控系统及其方法 - Google Patents
基于Boost行人防误判的变电站视频监控系统及其方法 Download PDFInfo
- Publication number
- CN113609987A CN113609987A CN202110899829.XA CN202110899829A CN113609987A CN 113609987 A CN113609987 A CN 113609987A CN 202110899829 A CN202110899829 A CN 202110899829A CN 113609987 A CN113609987 A CN 113609987A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- boost
- misjudgment
- infrared
- main control
- 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
Images
Classifications
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开基于Boost行人防误判的变电站视频监控系统及其方法,通过红外温度传感器和红外生命传感器根据是否存在生命特征分辨植物与动物,来解决摇动的植物对报警系统产生的误判;利用HOG特征+SVM分类器以及Boost算法来分辨行人与其他动物,消除其他动物对报警系统产生的误判;若检测结果为行人,则将数据上传到PC端并同步到云端,及时提醒相关人员。
Description
技术领域
本发明涉及行人的防误判检测领域,尤其涉及基于Boost行人防误判的变电站视频监控系统及其方法。
背景技术
变电站属于一个危险区域,为了防止非相关人员靠近或误闯变电站,本发明提出一种基于Boost行人防误判算法的变电站视频监控系统。此系统可以连接云端,当陌生人出现在在变电站门口时,系统产生报警并连接云端,相关工作人员可以及时了解情况。
由于传统的行人识别系统会存在较严重的误判问题,例如变电站门口的绿植,当风起时,植物会随风摇曳,此时报警系统会捕捉到摇动的绿植,并发出警报,产生误报;再比如当有动物路过变电站门口时,传统的行人识别系统会因为捕捉到移动的动物,并发出警报,产生误报。
发明内容
本发明的目的在于提供基于Boost行人防误判的变电站视频监控系统及其方法,可以让现有的门禁报警系统更加精确地识别其他移动物体和目标行人,极大地降低了原有系统的误报率。
本发明采用的技术方案是:
基于Boost行人防误判的变电站视频监控系统,其包括主控单元以及与主控单元连接红外温度传感器、红外生命探测仪、视频图像采集单元和行人判断单元;红外温度传感器探测目标物体的红外辐射能量以获取目标物体的红外温度信号,红外温度传感器的输出端连接A/D转换器,并红外温度信号转换为数字信号输出主控单元,主控单元判断红外温度传感器的探测数值处在设定的目标温度范围时激活红外生命探测仪,红外生命探测仪接收人体发出的热辐射并输出生命探测信号至主控单元,视频图像采集单元采集获取目标区域的图像并传输至主控单元和行人判断单元,主控单元在接收到生命体特征信号时激活行人判断单元,行人判断单元利用HOG特征、SVM分类器以及Boost算法对目标区域的图像进行行人识别。
进一步地,主控单元的输出端连接PC主机,主控单元将识别的行人数据上传到PC端并同步到云端服务器。
进一步地,视频图像采集单元通过型号为AD9235的数模转换器将模拟信号转换为数字信号上传到主控单元,经过压缩和编码后采用TCP/IP协议,将数据通过网络接口直接上传到PC端并同步到云端服务器进行存储。
具体地,红外温度传感器型号采用桑尼奇的MTP10-B7F55,支持UATR、SPI、IIC、GPIO、ISO7816等通信接口,该型号温度传感器还内置环境温度传感器,在计算人体温度时会对环境温度进行补偿,自动删除掉环境温度的影响。
进一步地,设定的目标温度范围为35-40℃。
进一步地,红外生命探测仪的芯片采用ADS115芯片,
进一步地,视频图像采集部分、红外测温部分、信号转化部分、温度判断部分、红外生命检测部分、行人识别与判断部分和数据上传到PC端并同步到云端系统。
进一步的,所述的视频图像采集部分,通过型号为AD9235的数模转换器将模拟信号转换为数字信号上传到主控单元,经过压缩和编码后采用TCP/IP协议,将数据通过网络接口直接上传到PC端并同步到云端服务器,进行存储。
基于Boost行人防误判的变电站视频监控方法,其包括以下步骤:
步骤1,启动红外温度传感器探测目标物体的温度,同时设定目标温度区间;
步骤2,将探测的红外辐射转换为电信号并放大数字化得到探测的温度数值,
步骤3,判断探测的温度数值是否处在目标温度区间;是则,执行步骤4;否则,执行步骤2;
步骤4,激活红外生命探测仪并输出生命探测信号;
步骤5,判断生命探测信号是否具有生命特征;是则执行步骤6;否则,执行步骤2;
步骤6,获取视频图像采集单元采集的图像;
步骤7,利用HOG特征+SVM分类器以及Boost算法构建强分类器,
步骤8,将采集图像与训练样本输入强分类器进行识别行人判断是否为行人;是则,发出警报报警;否则,执行步骤2.
进一步地,步骤7的具体步骤如下:
步骤7-1,先计算出像素点的轮廓能量直方图,然后形成梯度直方图;
步骤7-2,将当前检测窗口中的所有块的方向梯度直方图特征描述子组合得到HOG特征向量,进而构建SVM分类器;
步骤7-3,Boost算法将多个简单的SVM弱分类器构建成一个精确度和准确度更高的强分类器。
进一步地,步骤7-3中Boost算法构建一个强分类器的具体过程如下:
步骤7-3-1,由320个样本组成第一个训练集,对第一个训练集进行数据学习得到一个弱分类器A1;
步骤7-3-2,由A1中分类错误的数据和新的数据选取320个样本组成第二个训练集,再对第二个训练集进行数据学习得到一个弱分类器A2;
步骤7-3-3,由A1和A2中分类错误的数据和新的数据再选取新的320个样本组成第三个训练集,再对第三个训练集进行数据学习得到一个弱分类器A3;
步骤7-3-4,以此类推直到An;
步骤7-3-5,对于训练结果较好的分类器给予较大的权值,训练结果较差的分类器给予较小的权值;
步骤7-3-6,通过A1、A2……An弱分类器的加权组合得到最终的强分类器。
进一步地,步骤8中利用帧差法来检测运动中的物体,帧差法判断两像素点灰度值差距的方法如下:设定一个阈值将两像素点的灰度值相减的绝对值与阈值进行比较;当小于设定的阈值,则认为相邻两帧图像是相同的,即是背景图;大于设定的阈值,则认为相邻两帧图像是不相同的,进行阈值化处理并提取出运动图像。
进一步地,步骤8中当检测的结果为行人,则通过主控单元将捕捉并确认为行人的视频或图片数据进行压缩和编码生成数据流,并上传到PC端并同步到云端服务器。
进一步地,数据流采用TCP/IP协议通过网络接口直接上传到PC端并同步到云端服务器,进行存储。
进一步地,云端服务器将收到的数据在客户端对用户及时提醒,防止非相关人员靠近或进入危险的变电站。
本发明采用以上技术方案,通过红外温度传感器和红外生命传感器根据是否存在生命特征分辨植物与动物,来解决摇动的植物对报警系统产生的误判;利用HOG特征+SVM分类器以及Boost算法来分辨行人与其他动物,消除其他动物对报警系统产生的误判;若检测结果为行人,则将数据上传到PC端并同步到云端,及时提醒相关人员。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明;
图1为基于Boost行人防误判算法的变电站视频监控系统结构图;
图2为基于Boost行人防误判算法的变电站视频监控系统流程框图;
图3为基于Boost行人防误判算法的变电站视频监控系统主控单元的框图;
图4为帧差法的基本原理框图。。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
本发明主要通过由各个模块器件的布局来组成变电站行人防误判系统,构建一种行人检测的方法,对于不在本发明技术方案范围之内的常规技术手段,本实施例无必要将每一个器件的设备型号、安装配置方法、各模块组件等细化出来。
如图1至图4之一所示,本发明公开了基于Boost行人防误判的变电站视频监控系统基于Boost行人防误判的变电站视频监控系统,其包括主控单元以及与主控单元连接红外温度传感器、红外生命探测仪、视频图像采集单元和行人判断单元;红外温度传感器探测目标物体的红外辐射能量以获取目标物体的红外温度信号,红外温度传感器的输出端连接A/D转换器,并红外温度信号转换为数字信号输出主控单元,主控单元判断红外温度传感器的探测数值处在设定的目标温度范围时激活红外生命探测仪,红外生命探测仪接收人体发出的热辐射并输出生命探测信号至主控单元,视频图像采集单元采集获取目标区域的图像并传输至主控单元和行人判断单元,主控单元在接收到生命体特征信号时激活行人判断单元,行人判断单元利用HOG特征、SVM分类器以及Boost算法对目标区域的图像进行行人识别。
进一步地,主控单元的输出端连接PC主机,主控单元将识别的行人数据上传到PC端并同步到云端服务器。
进一步地,视频图像采集单元通过型号为AD9235的数模转换器将模拟信号转换为数字信号上传到主控单元,经过压缩和编码后采用TCP/IP协议,将数据通过网络接口直接上传到PC端并同步到云端服务器进行存储。
具体地,红外温度传感器型号采用桑尼奇的MTP10-B7F55,支持UATR、SPI、IIC、GPIO、ISO7816等通信接口,该型号温度传感器还内置环境温度传感器,在计算人体温度时会对环境温度进行补偿,自动删除掉环境温度的影响。
进一步地,设定的目标温度范围为35-40℃。
进一步地,红外生命探测仪的芯片采用ADS115芯片,
进一步地,视频图像采集部分、红外测温部分、信号转化部分、温度判断部分、红外生命检测部分、行人识别与判断部分和数据上传到PC端并同步到云端系统。
进一步的,所述的视频图像采集部分,通过型号为AD9235的数模转换器将模拟信号转换为数字信号上传到主控单元,经过压缩和编码后采用TCP/IP协议,将数据通过网络接口直接上传到PC端并同步到云端服务器,进行存储。
基于Boost行人防误判的变电站视频监控方法,其包括以下步骤:
步骤1,启动红外温度传感器探测目标物体的温度,同时设定目标温度区间;
步骤2,将探测的红外辐射转换为电信号并放大数字化得到探测的温度数值,
步骤3,判断探测的温度数值是否处在目标温度区间;是则,执行步骤4;否则,执行步骤2;
步骤4,激活红外生命探测仪并输出生命探测信号;
步骤5,判断生命探测信号是否具有生命特征;是则执行步骤6;否则,执行步骤2;
步骤6,获取视频图像采集单元采集的图像;
步骤7,利用HOG特征+SVM分类器以及Boost算法构建强分类器,
步骤8,将采集图像与训练样本输入强分类器进行识别行人判断是否为行人;是则,发出警报报警;否则,执行步骤2.
进一步地,步骤7的具体步骤如下:
步骤7-1,先计算出像素点的轮廓能量直方图,然后形成梯度直方图;
步骤7-2,将当前检测窗口中的所有块的方向梯度直方图特征描述子组合得到HOG特征向量,进而构建SVM分类器;
步骤7-3,Boost算法将多个简单的SVM弱分类器构建成一个精确度和准确度更高的强分类器。
进一步地,步骤7-3中Boost算法构建一个强分类器的具体过程如下:
步骤7-3-1,由320个样本组成第一个训练集,对第一个训练集进行数据学习得到一个弱分类器A1;
步骤7-3-2,由A1中分类错误的数据和新的数据选取320个样本组成第二个训练集,再对第二个训练集进行数据学习得到一个弱分类器A2;
步骤7-3-3,由A1和A2中分类错误的数据和新的数据再选取新的320个样本组成第三个训练集,再对第三个训练集进行数据学习得到一个弱分类器A3;
步骤7-3-4,以此类推直到An;
步骤7-3-5,对于训练结果较好的分类器给予较大的权值,训练结果较差的分类器给予较小的权值;
步骤7-3-6,通过A1、A2……An弱分类器的加权组合得到最终的强分类器。
进一步地,步骤8中利用帧差法来检测运动中的物体,帧差法判断两像素点灰度值差距的方法如下:设定一个阈值将两像素点的灰度值相减的绝对值与阈值进行比较;当小于设定的阈值,则认为相邻两帧图像是相同的,即是背景图;大于设定的阈值,则认为相邻两帧图像是不相同的,进行阈值化处理并提取出运动图像。
进一步地,步骤8中当检测的结果为行人,则通过主控单元将捕捉并确认为行人的视频或图片数据进行压缩和编码生成数据流,并上传到PC端并同步到云端服务器。
进一步地,数据流采用TCP/IP协议通过网络接口直接上传到PC端并同步到云端服务器,进行存储。
进一步地,云端服务器将收到的数据在客户端对用户及时提醒,防止非相关人员靠近或进入危险的变电站。
下面就本发明的具体原理做详细说明:
如图3所示,变电站行人防误判系统由主控单元1进行总体的数据分析和处理;分别有电源、红外温度传感器、红外生命探测仪、视频图像采集单元、行人判断单元、网络接口以及数据上传到PC端并同步到云端系统组成。
本装置正常供电,系统开始对变电站周围的移动物体进行实时监控并捕捉移动物体图像数据。
实施例一:本发明拟实施变电站防误判系统对于柳树树枝的监控判断结果。
首先通过视频图像采集单元收集变电站周围实时图像数据。通过背景帧差法判定柳树树枝为移动物体并提取出柳树树枝的相关图像数据。
由视频图像采集单元提取出的移动图像,通过主控单元让红外温度传感器中的红外温度传感器对柳树树枝的红外辐射能量进行采集;再由柳树树枝辐射出的红外能量波长计算出其温度,计算出柳树树枝温度在14.7℃;最后通过红外温度传感器中的温度判断模块,判定14.7℃不在系统设定的35-40℃的范围。
则实施例一中柳树树枝被确定为非行人,变电站行人防误判系统回到对变电站周围的移动物体进行实时监控并捕捉移动物体图像数据状态。
实施例二:本发明拟实施变电站防误判系统对于小猫的监控判断结果。
首先通过视频图像采集单元收集变电站周围实时图像数据。通过背景帧差法判定小猫为移动物体并提取出小猫的相关图像数据。
由视频图像采集单元提取出的移动图像,通过主控单元让红外温度传感器中的红外温度传感器对小猫的红外辐射能量进行采集;再由小猫辐射出的红外能量波长计算出其温度,计算出小猫温度在35.7℃;最后通过红外温度传感器中的温度判断模块判定35.7℃在系统设定的35-40℃的范围,则通过主控单元激活红外生命探测仪。
红外生命探测仪对小猫的生命体征进行检测,判定小猫是存在生命体征的动物,则通过主控单元激活行人判断单元。
行人判断单元由梯度直方图特征(HOG)所构建的一个弱分类器,经过Boost算法构建一个强分类器。
将提取出来的小猫相关图像数据通过强分类器的辨识,判定实施例二中小猫为非行人,变电站行人防误判系统回到对变电站周围的移动物体进行实时监控并捕捉移动物体图像数据状态。
实施例三:本发明拟实施变电站防误判系统对于行人的监控判断结果。
首先通过视频图像采集单元收集变电站周围实时图像数据。通过背景帧差法判定行人为移动物体并提取出行人的相关图像数据。
由视频图像采集单元提取出的移动图像,通过主控单元让红外温度传感器中的红外温度传感器对行人的红外辐射能量进行采集;再由行人辐射出的红外能量波长计算出其温度,计算出行人温度在37.2℃;最后通过红外温度传感器中的温度判断模块判定37.2℃在系统设定的35-40℃的范围,则通过主控单元激活红外生命探测仪。
红外生命探测仪对行人的生命体征进行检测,判定行人是存在生命体征的动物,则通过主控单元激活行人判断单元。
行人判断单元由梯度直方图(HOG)特征所构建的一个弱分类器,经过Boost算法构建一个强分类器。
将提取出来的行人相关图像数据通过强分类器的辨识,判定实施例三中行人是行人,则将数据上传到主控单元。
主控单元将提取出来的行人图像数据进行压缩和编码,生成数据流;采用TCP/IP协议,通过网络接口直接上传到PC端并同步到云端服务器,进行存储。
客户端对用户进行提醒:“有行人正在靠近或进入变电站。”
提醒完成后,变电站行人防误判系统回到对变电站周围的移动物体进行实时监控并捕捉移动物体图像数据状态。
本发明采用以上技术方案,通过红外温度传感器和红外生命传感器根据是否存在生命特征分辨植物与动物,来解决摇动的植物对报警系统产生的误判;利用HOG特征+SVM分类器以及Boost算法来分辨行人与其他动物,消除其他动物对报警系统产生的误判;若检测结果为行人,则将数据上传到PC端并同步到云端,及时提醒相关人员。
显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
Claims (10)
1.基于Boost行人防误判的变电站视频监控系统,其特征在于:其包括主控单元以及与主控单元连接红外温度传感器、红外生命探测仪、视频图像采集单元和行人判断单元;红外温度传感器探测目标物体的红外辐射能量以获取目标物体的红外温度信号,红外温度传感器的输出端连接A/D转换器,并红外温度信号转换为数字信号输出主控单元,主控单元判断红外温度传感器的探测数值处在设定的目标温度范围时激活红外生命探测仪,红外生命探测仪接收人体发出的热辐射并输出生命探测信号至主控单元,视频图像采集单元采集获取目标区域的图像并传输至主控单元和行人判断单元,主控单元在接收到生命体特征信号时激活行人判断单元,行人判断单元利用HOG特征、SVM分类器以及Boost算法对目标区域的图像进行行人识别。
2.根据权利要求1所述的基于Boost行人防误判的变电站视频监控系统,其特征在于:视频图像采集单元通过型号为AD9235的数模转换器将模拟信号转换为数字信号上传到主控单元,经过压缩和编码后采用TCP/IP协议,将数据通过网络接口直接上传到PC端并同步到云端服务器进行存储。
3.根据权利要求1所述的基于Boost行人防误判的变电站视频监控系统,其特征在于:红外温度传感器型号采用桑尼奇的MTP10-B7F55,温度传感器还内置环境温度传感器,在计算人体温度时会对环境温度进行补偿,自动删除掉环境温度的影响。
4.根据权利要求1所述的基于Boost行人防误判的变电站视频监控系统,其特征在于:设定的目标温度范围为35-40℃,红外生命探测仪的芯片采用ADS115芯片。
5.根据权利要求1所述的基于Boost行人防误判的变电站视频监控系统,其特征在于:视频图像采集部分,通过型号为AD9235的数模转换器将模拟信号转换为数字信号上传到主控单元,经过压缩和编码后采用TCP/IP协议,将数据通过网络接口直接上传到PC端并同步到云端服务器,进行存储。
6.基于Boost行人防误判的变电站视频监控方法,采用权利要求1至5任一所述的基于Boost行人防误判的变电站视频监控系统,其特征在于:方法包括以下步骤:
步骤1,启动红外温度传感器探测目标物体的温度,同时设定目标温度区间;
步骤2,将探测的红外辐射转换为电信号并放大数字化得到探测的温度数值,
步骤3,判断探测的温度数值是否处在目标温度区间;是则,执行步骤4;否则,执行步骤2;
步骤4,激活红外生命探测仪并输出生命探测信号;
步骤5,判断生命探测信号是否具有生命特征;是则执行步骤6;否则,执行步骤2;
步骤6,获取视频图像采集单元采集的图像;
步骤7,利用HOG特征+SVM分类器以及Boost算法构建强分类器,
步骤8,将采集图像与训练样本输入强分类器进行识别行人判断是否为行人;是则,发出警报报警;否则,执行步骤2。
7.根据权利要求6所述的基于Boost行人防误判的变电站视频监控方法,其特征在于:步骤7的具体步骤如下:
步骤7-1,先计算出像素点的轮廓能量直方图,然后形成梯度直方图;
步骤7-2,将当前检测窗口中的所有块的方向梯度直方图特征描述子组合得到HOG特征向量,进而构建SVM分类器;
步骤7-3,Boost算法将多个简单的SVM弱分类器构建成一个精确度和准确度更高的强分类器。
8.根据权利要求7所述的基于Boost行人防误判的变电站视频监控方法,其特征在于:步骤7-3中Boost算法构建一个强分类器的具体过程如下:
步骤7-3-1,由320个样本组成第一个训练集,对第一个训练集进行数据学习得到一个弱分类器A1;
步骤7-3-2,由A1中分类错误的数据和新的数据选取320个样本组成第二个训练集,再对第二个训练集进行数据学习得到一个弱分类器A2;
步骤7-3-3,由A1和A2中分类错误的数据和新的数据再选取新的320个样本组成第三个训练集,再对第三个训练集进行数据学习得到一个弱分类器A3;
步骤7-3-4,以此类推直到An;
步骤7-3-5,对于训练结果较好的分类器给予较大的权值,训练结果较差的分类器给予较小的权值;
步骤7-3-6,通过A1、A2……An弱分类器的加权组合得到最终的强分类器。
9.根据权利要求1所述的基于Boost行人防误判的变电站视频监控方法,其特征在于:步骤8中利用帧差法来检测运动中的物体,帧差法判断两像素点灰度值差距的方法如下:设定一个阈值将两像素点的灰度值相减的绝对值与阈值进行比较;当小于设定的阈值,则认为相邻两帧图像是相同的,即是背景图;大于设定的阈值,则认为相邻两帧图像是不相同的,进行阈值化处理并提取出运动图像。
10.根据权利要求1所述的基于Boost行人防误判的变电站视频监控方法,其特征在于:步骤8中当检测的结果为行人,则通过主控单元将捕捉并确认为行人的视频或图片数据进行压缩和编码生成数据流,并上传到PC端并同步到云端服务器,云端服务器将收到的数据在客户端对用户及时提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899829.XA CN113609987A (zh) | 2021-08-06 | 2021-08-06 | 基于Boost行人防误判的变电站视频监控系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899829.XA CN113609987A (zh) | 2021-08-06 | 2021-08-06 | 基于Boost行人防误判的变电站视频监控系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113609987A true CN113609987A (zh) | 2021-11-05 |
Family
ID=78307362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110899829.XA Pending CN113609987A (zh) | 2021-08-06 | 2021-08-06 | 基于Boost行人防误判的变电站视频监控系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609987A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114305404A (zh) * | 2021-12-28 | 2022-04-12 | 乐普(北京)医疗器械股份有限公司 | 一种辐射热采集放大电路及其应用 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000125744A (ja) * | 1998-10-22 | 2000-05-09 | Mitsubishi Electric Corp | エリア侵入検出装置 |
US20140336479A1 (en) * | 2013-05-07 | 2014-11-13 | Hideo Ando | Detection method of life activity, measuring device of life activity, transmission method of life activity detection signal, or service based on life activity information |
CN104318691A (zh) * | 2014-10-17 | 2015-01-28 | 国家电网公司 | 一种超高压电磁环境下输电线路的监测系统 |
CN106463043A (zh) * | 2014-03-03 | 2017-02-22 | Vsk电子有限公司 | 利用动作感应的侵入侦测技术 |
TW201820260A (zh) * | 2016-11-25 | 2018-06-01 | 國家中山科學研究院 | 全天候熱影像式行人偵測方法 |
CN109444871A (zh) * | 2018-11-01 | 2019-03-08 | 深圳市戴升智能科技有限公司 | 行人及动物检测方法、装置、计算机设备及存储介质 |
US20190174045A1 (en) * | 2017-12-01 | 2019-06-06 | Getac Technology Corporation | Control method for surveillance system |
-
2021
- 2021-08-06 CN CN202110899829.XA patent/CN113609987A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000125744A (ja) * | 1998-10-22 | 2000-05-09 | Mitsubishi Electric Corp | エリア侵入検出装置 |
US20140336479A1 (en) * | 2013-05-07 | 2014-11-13 | Hideo Ando | Detection method of life activity, measuring device of life activity, transmission method of life activity detection signal, or service based on life activity information |
CN106463043A (zh) * | 2014-03-03 | 2017-02-22 | Vsk电子有限公司 | 利用动作感应的侵入侦测技术 |
CN104318691A (zh) * | 2014-10-17 | 2015-01-28 | 国家电网公司 | 一种超高压电磁环境下输电线路的监测系统 |
TW201820260A (zh) * | 2016-11-25 | 2018-06-01 | 國家中山科學研究院 | 全天候熱影像式行人偵測方法 |
US20190174045A1 (en) * | 2017-12-01 | 2019-06-06 | Getac Technology Corporation | Control method for surveillance system |
CN109444871A (zh) * | 2018-11-01 | 2019-03-08 | 深圳市戴升智能科技有限公司 | 行人及动物检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张向荣 等: "《拓扑同构与视频目标跟踪》", 西安电子科技大学出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114305404A (zh) * | 2021-12-28 | 2022-04-12 | 乐普(北京)医疗器械股份有限公司 | 一种辐射热采集放大电路及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461168B (zh) | 目标对象的识别方法和装置、存储介质、电子装置 | |
CN108446630B (zh) | 机场跑道智能监控方法、应用服务器及计算机存储介质 | |
CN109299683B (zh) | 一种基于人脸识别和行为大数据的安防评估系统 | |
CN104573679B (zh) | 监控场景下基于深度学习的人脸识别系统 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN103324919B (zh) | 基于人脸识别的视频监控系统及其数据处理方法 | |
CN111738060A (zh) | 基于毫米波雷达的人体步态识别系统 | |
CN112435440B (zh) | 一种基于物联网平台的非接触式室内人员跌倒识别方法 | |
CN102521578A (zh) | 一种入侵检测和识别方法 | |
JP3924171B2 (ja) | 監視対象物を識別する監視装置 | |
CN111899452A (zh) | 基于边缘计算的森林防火预警系统 | |
CN110956118B (zh) | 目标对象检测方法和装置、存储介质及电子装置 | |
Joshi et al. | A fall detection and alert system for an elderly using computer vision and Internet of Things | |
CN116602663B (zh) | 一种基于毫米波雷达的智能监测方法及系统 | |
CN112188164A (zh) | 一种基于ai视觉的违规行为实时监测系统及方法 | |
CN113609987A (zh) | 基于Boost行人防误判的变电站视频监控系统及其方法 | |
CN207883073U (zh) | 一种热成像人体识别监控报警装置 | |
TW201618539A (zh) | 監控系統與監控方法 | |
CN111938604A (zh) | 一种基于多模态技术的呼吸系统疾病远程监控系统 | |
CN111339970B (zh) | 一种适用于公共环境下的吸烟行为检测方法 | |
CN114246767B (zh) | 基于云端计算的盲人智能导航眼镜系统及装置 | |
CN113378702B (zh) | 一种用于登杆作业的多特征融合的疲劳监测识别方法 | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN112597961B (zh) | 一种基于大数据的兴趣目标提取方法及系统 | |
CN115410113A (zh) | 基于计算机视觉的跌倒检测方法、装置及存储介质 |
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 |