CN113642403A - 基于边缘计算的人群异动智能安全检测系统 - Google Patents
基于边缘计算的人群异动智能安全检测系统 Download PDFInfo
- Publication number
- CN113642403A CN113642403A CN202110791713.4A CN202110791713A CN113642403A CN 113642403 A CN113642403 A CN 113642403A CN 202110791713 A CN202110791713 A CN 202110791713A CN 113642403 A CN113642403 A CN 113642403A
- Authority
- CN
- China
- Prior art keywords
- crowd
- model
- people
- edge
- monitoring
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于边缘计算的人群异动智能安全检测系统,系统主要包括监控设备的部署,边缘计算端和云端平台。监控设备用于实时获取人群聚集场所中人员流动信息;智能预警系统以边缘端设备为载体,用于实现人数监测,人群异动的预警,将结果展示在边缘端服务器上;云端服务器用于智能预警系统模型的训练以及参数的更新。本系统的目的为搭建视频监控报警平台,部署摄像头,添加边缘计算的规则,实现人数监测,人群异常行为报警功能,降低报警时延。
Description
技术领域
本发明涉及图像处理,人工智能、边缘计算等技术领域,具体涉及一种基于边缘计算的施工作业区的智能安全检测系统。
背景技术
随着经济的快速发展,旅游行业,体育赛事,演唱会的发展也是蒸蒸日上,如何保证在这些人群大量聚集的活动中不发生拥挤踩踏事件是目前急需解决的问题。针对这一问题,目前主要两种检测方式:一是依靠人工监察,但无法实时获取人数以及判断异常行为,增加了拥挤踩踏事故发生的可能性;二是采用智能视频检测系统,但其识别准确率低,并且需要将视频传入云端进行计算,导致传输有延时,实时性差。
为了解决上述问题,边缘计算应运而生。边缘计算属于一种分布式计算,在网络边缘侧的智能网关上,就近处理采集到的数据,而不需要将大量数据上传到远端的核心管理平台。和云端计算相比,边缘计算以利用云服务器上已有的数据和计算能力,得到识别结果的响应时间大大缩短,而且当识别结果返回的同时,将会把图像的特征信息发送给云服务器作为新的训练集。
发明内容
本申请实施例通过提出一种基于边缘计算的人群异动智能安全检测系统,系统主要包括监控设备,边缘计算端和云端平台。目的为搭建视频监控报警平台,部署摄像头,添加边缘计算的规则,实现人数监测,人群异常行为报警功能,降低报警时延。
为实现上述目的,本申请采用以下技术方案予以实现:
步骤1:一种基于边缘计算的人群异动智能安全检测系统,其特征在于:由摄像头、边缘端、智能预警系统以及云端服务器组成,所述摄像头用于实时获取景区游客动向信息;所述智能预警系统以边缘端设备为载体,用于实现人数监测,人群异动的预警,将结果展示在边缘端服务器上;所述云端服务器用于智能预警系统模型的训练以及参数的更新。整体结构如图(1)所示。
步骤2:基于边缘端设备的智能预警系统,其特征在于:所述设备中包含人数监测,人群异动检测,暴力行为识别三种深度学习模型,对通过摄像头传入的视频数据进行分析判断。边缘端的构成如图(2)所示。
步骤3:基于边缘端设备的智能预警系统检测过程如图(3)所示,其特征在于包括以下步骤:
A、用于实现人数监测的步骤:
摄像头将获取到人群的视频数据传到边缘端设备Jetson TX2中,通过Csr-net模型进行人数统计;该模型包括数据预处理部分,模型训练部分和人数统计部分;数据预处理部分将监控设备获取到当前人群图像通过高斯核函数对图像进行卷积操作,转化为二值化的真实密度图作为训练的标签,在转化过程中,高斯核函数的关键值σ在人群稀疏的情况下可以采用固定值,在人群密集的情况下可以采用自适应的值;模型训练部分通过输入原图像与真实密度图,输出预测密度图进行训练,该过程模型不断更新参数,使得预测密度图与真实密度图之间的误差尽可能小,训练固定轮数之后将误差最小的模型参数保存下来,并传输给人数统计部分;人数统计部分使用该参数进行人数统计,将监控设备获取到当前人群彩色图像转化为二值化的人群的密度图,最后对密度图中的像素值进行相加从而得到人数。
B、用于实现人群异动检测的步骤:
摄像头将获取到人群的视频数据在经过人群计数模型后会传输给人群异常行为识别模型,其特征在于:由于帧差图得到的是人群变化的剧烈程度,理论上只有人的变化。光流得到的是所有物体的变化程度,有背景的噪音。所以将帧差图与光流图结合在一起进行人群异动的判断,有助于减少背景噪音带来的误差,提升判断的准确率;
使用视频数据的光流图和Csr-net生成的密度视频的帧差图作为输入,然后分别经过2个Conv Block1的卷积模块,Conv Block1卷积模块由16个1*3*3的3D卷积核,16个3*1*1的3D卷积核,1*2*2的3D最大池化层组成,输出为两组特征图;再分别经过2个ConvBlock2的卷积模块,Conv Block2卷积模块由32个1*3*3的3D卷积核,32个3*1*1的3D卷积核,1*2*2的3D最大池化层组成,输出为两组特征图,帧差图对应特征图A,光流图对应特征图B;然后对这两组特征图分别使用1*1*32的全连接层,再用Relu激活函数输出,此时输出为两个数,帧差图对应A1,光流图对应B1;然后对A和B使用激活函数为Sigmoid,具有1个64节点的隐藏层与2节点的输出层的BP神经网络,最终得到帧差图的权重系数W1和光流图的权重系数W2;
接着,使用W1*A+W2*B作为新的输入,经过2个Merging Block卷积模块,MergingBlock卷积模块由64个1*3*3的3D卷积核,64个3*1*1的3D卷积核,2*2*2的3D最大池化层组成,输出为两组特征图;然后将这两组特征图输入到全连接层中,再利用Softmax函数判断其是否为人群异动情况;若输出置信度大于设定阈值(本系统中阈值设定为90%),则在边缘服务器端判定为暴力行为;若小于设定阈值,则将相应视频片段传入云端服务器再做判断。
步骤4:用于实现智能预警系统模型的训练以及参数的更新,其特征在于边缘端服务器将边缘端设备汇总的包含人数检测结果的视频与发出报警信息的视频上传到云端服务器,服务器使用相关视频对所对应的模型进行进一步训练,更新模型的参数,提高模型的精度。
步骤5:用于汇总信息并更新模型的云端服务器,其特征在于:云端服务器包括软件模块,管理模块,硬件模块和接入模块;软件模块为云端服务器中的各个应用模块提供软件支撑,例如视频数据存储模块接口,人群计数模块接口,人群异动判断模块接口,能够使工作人员在云端的客户端上更加便捷对功能模块进行操作;管理模块进行资源管理和任务管理,资源管理实现系统数据的存储与定期删除,任务管理实现对边缘端传输来的报警视频进行识别并再次训练,从而使模型的参数得到更新;硬件层提供硬件资源,对存储资源、计算资源和网络资源使用不同的硬件资源进行管理;接入层为其它模块的数据提供网络接入服务,既能够使监控视频数据传输至云端服务器中,也能够使云端服务器将更新的模型参数下发至边缘端。
附图说明
图1为边云架构图;
图2为边缘端算法图;
图3为检测流程图;
图4为人群异动判断网络模型图;
具体实施方式
本申请实施例通过提供一种基于边缘计算的人群异动智能安全检测系统,以解决现有技术中检测准确率低,传输延迟高的技术问题。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式,对上述技术方案进行详细的说明。
实施例
步骤1:摄像头将获取到人群的视频数据传到边缘端设备Jetson TX2中,通过Csr-net模型进行人数统计;该模型包括数据预处理部分,模型训练部分和人数统计部分;数据预处理部分将监控设备获取到当前人群图像通过高斯核函数对图像进行卷积操作,转化为二值化的真实密度图作为训练的标签,在转化过程中,选用的高斯核函数的关键值σ为15;模型训练部分通过输入原图像与真实密度图,输出预测密度图进行训练,该过程模型不断更新参数,使得预测密度图与真实密度图之间的误差尽可能小,每训练100轮数之后将误差最小的模型参数保存下来,并传输给人数统计部分;人数统计部分使用该参数进行人数统计,将监控设备获取到当前人群彩色图像转化为二值化的人群的密度图,最后对密度图中的像素值进行相加从而得到人数。
步骤2:摄像头将获取到人群的视频数据在经过人群计数模型后会传输给人群异常行为识别模型,其特征在于:由于帧差图得到的是人群变化的剧烈程度,理论上只有人的变化。光流得到的是所有物体的变化程度,有背景的噪音。所以将帧差图与光流图结合在一起进行人群异动的判断,有助于减少背景噪音带来的误差,提升判断的准确率;
使用视频数据的光流图和Csr-net生成的密度视频的帧差图作为输入,输入时的视频尺寸均为224*224*1*64,然后分别经过2个Conv Block1的卷积模块,Conv Block1卷积模块由16个1*3*3的3D卷积核,16个3*1*1的3D卷积核,1*2*2的3D最大池化层组成,输出为两组56*56*16*64的特征图;再分别经过2个Conv Block2的卷积模块,Conv Block2卷积模块由32个1*3*3的3D卷积核,32个3*1*1的3D卷积核,1*2*2的3D最大池化层组成,输出为两组14*14*32*64的特征图,帧差图对应特征图A,光流图对应特征图B;然后对这两组特征图分别使用1*1*32的全连接层,再用Relu激活函数输出,此时输出为两个数,帧差图对应A1,光流图对应B1;然后对A和B使用激活函数为Sigmoid,具有1个64节点的隐藏层与2节点的输出层的BP神经网络,最终得到帧差图的权重系数W1和光流图的权重系数W2;
接着,我们使用W1*A+W2*B作为新的输入,经过2个Merging Block卷积模块,Merging Block卷积模块由64个1*3*3的3D卷积核,64个3*1*1的3D卷积核,2*2*2的3D最大池化层组成,输出为3*3*64*64的两组特征图;然后将这两组特征图输入到1*1*64的全连接层中,再利用Softmax函数判断其是否为人群异动情况;若输出置信度大于设定阈值(本系统中阈值设定为90%),则在边缘服务器端判定为人群异动;若小于设定阈值,则将相应视频片段传入云端服务器再做判断。
步骤3:边缘端服务器将边缘端设备汇总的包含人数检测结果的视频与发出报警信息的视频上传到云端服务器,服务器使用相关视频对所对应的模型进行进一步训练,更新模型的参数,提高模型的精度。
步骤4:云端服务器包括软件模块,管理模块,硬件模块和接入模块;软件模块为云端服务器中的各个应用模块提供软件支撑,例如视频数据存储模块接口,人群计数模块接口,人群异动判断模块接口,能够使工作人员在云端的客户端上更加便捷对功能模块进行操作;管理模块进行资源管理和任务管理,资源管理实现系统数据的存储与定期删除,任务管理实现对边缘端传输来的报警视频进行识别并再次训练,从而使模型的参数得到更新;硬件层提供硬件资源,对存储资源、计算资源和网络资源使用不同的硬件资源进行管理;接入层为其它模块的数据提供网络接入服务,既能够使监控视频数据传输至云端服务器中,也能够使云端服务器将更新的模型参数下发至边缘端。
Claims (5)
1.一种基于边缘计算的人群异动监测系统,其特征在于:由监控设备、边缘端、智能预警系统以及云端服务器组成,所述监控设备包含视频摄像头,用于实时获取人群密集区域的人数以及动向信息;所述智能预警系统以边缘端设备为载体,设备中包含人数监测,人群异动检测,两种深度学习模型,对通过摄像头传入的视频数据进行分析判断,将结果展示在边缘端服务器上;所述云端服务器用于智能预警系统模型的训练以及参数的更新。
2.根据权利要求1所述一种基于边缘计算的人群异动监测系统,其特征在于基于边缘端设备的智能预警系统,包括以下步骤:
S21用于实现人数监测的步骤:
摄像头将获取到人群的视频数据传到边缘设备Jetson TX2中,设备中部署好的人群计数模型对视频帧进行计算,从而得到当前帧人数,将其显示到边缘端服务器上;
S22用于实现人群异动检测的步骤:
摄像头将获取到人群的视频数据在经过人群计数模型后会传输给人群异常行为识别模型,通过边缘端服务器来判断是否需要发出警报;
S23用于实现智能预警系统模型的训练以及参数的更新的步骤:
边缘端服务器将边缘端设备汇总的包含人数检测结果的视频与发出报警信息的视频上传到云端服务器,服务器使用相关视频对所对应的模型进行进一步训练,更新模型的参数,提高模型的精度。
3.根据权利要求2所述一种基于边缘计算的人群异动监测系统,其特征在于步骤S21:通过Csr-net模型进行人数统计;该模型包括数据预处理部分,模型训练部分和人数统计部分;数据预处理部分将监控设备获取到当前人群图像通过高斯核函数转化为二值化的真实密度图,作为训练的标签,在转化过程中,高斯核函数的关键值σ在人群稀疏的情况下可以采用固定值,在人群密集的情况下可以采用自适应的值;模型训练部分通过输入原图像与真实密度图,输出预测密度图进行训练,该过程模型不断更新参数,使得预测密度图与真实密度图之间的误差尽可能小,训练固定轮数之后将误差最小的模型参数保存下来,并传输给人数统计部分;人数统计部分使用该参数进行人数统计,将监控设备获取到当前人群彩色图像转化为二值化的人群的密度图,最后对密度图中的像素值进行相加从而得到人数。
4.根据权利要求2所述一种基于边缘计算的人群异动监测系统,其特征在于步骤S22:由于帧差图得到的是人群变化的剧烈程度,理论上只有人的变化;光流得到的是所有物体的变化程度,有背景的噪音;所以将帧差图与光流图结合在一起进行人群异动的判断,有助于减少背景噪音带来的误差,提升判断的准确率;
使用视频数据的光流图和Csr-net生成的密度视频的帧差图作为输入,分别经过两种具有不同卷积核的卷积模块,输出为两组特征图,帧差图对应特征图A,光流图对应特征图B;然后对这两组特征图分别使用全连接层,再用Relu激活函数输出,此时输出为两个数,帧差图对应A1,光流图对应B1;然后对A和B使用BP神经网络,最终得到帧差图的权重系数W1和光流图的权重系数W2;
接着,使用W1*A+W2*B作为新的输入,经过2个卷积模块,输出两组特征图;然后将这两组特征图输入到全连接层中,再利用Softmax函数判断其是否为人群异动情况;若输出置信度大于设定阈值(本系统中阈值设定为90%),则在边缘服务器端判定为暴力行为;若小于设定阈值,则将相应视频片段传入云端服务器再做判断。
5.根据权利要求1所述一种基于边缘计算的人群异动监测系统,其特征在于云端服务器:云端服务器包括软件模块,管理模块,硬件模块和接入模块;软件模块为云端服务器中的各个应用模块提供软件支撑,例如视频数据存储模块接口,人群计数模块接口,人群异动判断模块接口,能够使工作人员在云端的客户端上更加便捷对功能模块进行操作;管理模块进行资源管理和任务管理,资源管理实现系统数据的存储与定期删除,任务管理实现对边缘端传输来的报警视频进行识别并再次训练,从而使模型的参数得到更新;硬件层提供硬件资源,对存储资源、计算资源和网络资源使用不同的硬件资源进行管理;接入层为其它模块的数据提供网络接入服务,既能够使监控视频数据传输至云端服务器中,也能够使云端服务器将更新的模型参数下发至边缘端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791713.4A CN113642403B (zh) | 2021-07-13 | 2021-07-13 | 基于边缘计算的人群异动智能安全检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791713.4A CN113642403B (zh) | 2021-07-13 | 2021-07-13 | 基于边缘计算的人群异动智能安全检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642403A true CN113642403A (zh) | 2021-11-12 |
CN113642403B CN113642403B (zh) | 2023-07-18 |
Family
ID=78417307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791713.4A Active CN113642403B (zh) | 2021-07-13 | 2021-07-13 | 基于边缘计算的人群异动智能安全检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642403B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814973A (zh) * | 2022-03-28 | 2022-07-29 | 北京中盾安民分析技术有限公司 | 一种人机混合决策的智能安检系统及方法 |
CN116546023A (zh) * | 2023-07-06 | 2023-08-04 | 北京宝隆泓瑞科技有限公司 | 一种油气作业区暴力行为识别方法及系统 |
CN117237994A (zh) * | 2023-11-13 | 2023-12-15 | 四川泓宝润业工程技术有限公司 | 一种油气作业区人员计数及行为检测方法、装置及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548158A (zh) * | 2016-11-07 | 2017-03-29 | 华南理工大学 | 基于机器视觉的人群密度智能监测系统及方法 |
CN107169426A (zh) * | 2017-04-27 | 2017-09-15 | 广东工业大学 | 一种基于深度神经网络的人群情绪异常检测和定位方法 |
CN108012121A (zh) * | 2017-12-14 | 2018-05-08 | 安徽大学 | 一种边缘计算和云计算融合的实时视频监控方法及系统 |
US20190147584A1 (en) * | 2017-11-15 | 2019-05-16 | NEC Laboratories Europe GmbH | System and method for single image object density estimation |
US20200175306A1 (en) * | 2018-11-29 | 2020-06-04 | NEC Laboratories Europe GmbH | Method and system for contextualizing automatic image segmentation and regression |
CN111950518A (zh) * | 2020-08-27 | 2020-11-17 | 重庆科技学院 | 一种用于暴力行为识别的视频图像增强方法 |
CN113052048A (zh) * | 2021-03-18 | 2021-06-29 | 北京百度网讯科技有限公司 | 交通事件检测方法、装置、路侧设备以及云控平台 |
CN113095246A (zh) * | 2021-04-19 | 2021-07-09 | 首都师范大学 | 一种基于迁移学习和场景感知的跨域自适应人数统计方法 |
-
2021
- 2021-07-13 CN CN202110791713.4A patent/CN113642403B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548158A (zh) * | 2016-11-07 | 2017-03-29 | 华南理工大学 | 基于机器视觉的人群密度智能监测系统及方法 |
CN107169426A (zh) * | 2017-04-27 | 2017-09-15 | 广东工业大学 | 一种基于深度神经网络的人群情绪异常检测和定位方法 |
US20190147584A1 (en) * | 2017-11-15 | 2019-05-16 | NEC Laboratories Europe GmbH | System and method for single image object density estimation |
CN108012121A (zh) * | 2017-12-14 | 2018-05-08 | 安徽大学 | 一种边缘计算和云计算融合的实时视频监控方法及系统 |
US20200175306A1 (en) * | 2018-11-29 | 2020-06-04 | NEC Laboratories Europe GmbH | Method and system for contextualizing automatic image segmentation and regression |
CN111950518A (zh) * | 2020-08-27 | 2020-11-17 | 重庆科技学院 | 一种用于暴力行为识别的视频图像增强方法 |
CN113052048A (zh) * | 2021-03-18 | 2021-06-29 | 北京百度网讯科技有限公司 | 交通事件检测方法、装置、路侧设备以及云控平台 |
CN113095246A (zh) * | 2021-04-19 | 2021-07-09 | 首都师范大学 | 一种基于迁移学习和场景感知的跨域自适应人数统计方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814973A (zh) * | 2022-03-28 | 2022-07-29 | 北京中盾安民分析技术有限公司 | 一种人机混合决策的智能安检系统及方法 |
CN114814973B (zh) * | 2022-03-28 | 2024-03-08 | 北京中盾安民分析技术有限公司 | 一种人机混合决策的智能安检系统及方法 |
CN116546023A (zh) * | 2023-07-06 | 2023-08-04 | 北京宝隆泓瑞科技有限公司 | 一种油气作业区暴力行为识别方法及系统 |
CN116546023B (zh) * | 2023-07-06 | 2023-09-29 | 北京宝隆泓瑞科技有限公司 | 一种油气作业区暴力行为识别方法及系统 |
CN117237994A (zh) * | 2023-11-13 | 2023-12-15 | 四川泓宝润业工程技术有限公司 | 一种油气作业区人员计数及行为检测方法、装置及系统 |
CN117237994B (zh) * | 2023-11-13 | 2024-02-13 | 四川泓宝润业工程技术有限公司 | 一种油气作业区人员计数及行为检测方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113642403B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Forest fire recognition based on feature extraction from multi-view images. | |
CN110428522B (zh) | 一种智慧新城的智能安防系统 | |
Qin et al. | Applying the convolutional neural network deep learning technology to behavioural recognition in intelligent video | |
CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测系统 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
Nguyen et al. | Artificial intelligence based data processing algorithm for video surveillance to empower industry 3.5 | |
CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN110390246A (zh) | 一种边云环境中的视频分析方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN108921039A (zh) | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 | |
CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和系统 | |
CN110852222A (zh) | 一种基于目标检测的校园走廊场景智能监控方法 | |
CN112309068B (zh) | 一种基于深度学习的森林火灾预警方法 | |
KR102309111B1 (ko) | 딥러닝 기반 비정상 행동을 탐지하여 인식하는 비정상 행동 탐지 시스템 및 탐지 방법 | |
Zhang et al. | Transmission line abnormal target detection based on machine learning yolo v3 | |
CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
CN112232316B (zh) | 人群聚集检测方法、装置、电子设备及存储介质 | |
CN110087041A (zh) | 基于5g基站的视频数据处理及传输方法和系统 | |
CN113887272A (zh) | 基于边缘计算的暴力行为智能安全检测系统 | |
CN112686111B (zh) | 基于注意力机制多视角自适应网络的交警手势识别方法 | |
CN117456730A (zh) | 一种基于自适应部分注意力扩散图卷积神经网络的交通流量预测方法 | |
CN113095160A (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
Singh et al. | An intelligent video surveillance system using edge computing based deep learning model | |
Hao et al. | A detection method of abnormal event in crowds based on image entropy | |
CN115909144A (zh) | 一种基于对抗学习的监控视频异常检测方法及系统 |
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 |