CN113689671A - 一种城市地下空间安防警报方法及系统 - Google Patents

一种城市地下空间安防警报方法及系统 Download PDF

Info

Publication number
CN113689671A
CN113689671A CN202110821574.5A CN202110821574A CN113689671A CN 113689671 A CN113689671 A CN 113689671A CN 202110821574 A CN202110821574 A CN 202110821574A CN 113689671 A CN113689671 A CN 113689671A
Authority
CN
China
Prior art keywords
vehicle
parked
image
parking space
distance
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
Application number
CN202110821574.5A
Other languages
English (en)
Other versions
CN113689671B (zh
Inventor
杨鸿�
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.)
Guangzhou Judun Technology Development Co ltd
Original Assignee
Guangzhou Judun Technology Development Co 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 Guangzhou Judun Technology Development Co ltd filed Critical Guangzhou Judun Technology Development Co ltd
Priority to CN202110821574.5A priority Critical patent/CN113689671B/zh
Publication of CN113689671A publication Critical patent/CN113689671A/zh
Application granted granted Critical
Publication of CN113689671B publication Critical patent/CN113689671B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/148—Management of a network of parking areas
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/265—Mixing
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Emergency Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及地下空间安防的技术领域，尤其是涉及一种城市地下空间安防警报方法及系统，其包括：获取待泊车车辆在地下车库行驶的视频流数据，所述视频流数据是由前端摄像设备对进入地下停车场的车辆进行拍摄得到的；根据视频流数据确定待泊车车位；在待泊车车位的相邻车位上存在车辆的情况下，获取待泊车车辆在泊车过程中与相邻车位上车辆的最小间隔距离；在所述最小间隔距离不大于第一阈值的情况下，生成并发送第一警报信息给低距车辆的车主，所述低距车辆为与待泊车车辆最小间隔距离小于第一阈值的车辆。本申请具有便于车主及时知悉爱车在地下车库内的情况的效果。

Description

一种城市地下空间安防警报方法及系统
技术领域
本发明涉及地下空间安防的技术领域，尤其是涉及一种城市地下空间安防警报方法及系统。
背景技术
城市地下空间是指在城市地面以下通过开发为城市服务的空间，比如地下商城，地下停车场，地铁，矿井，军事，穿海隧道等建筑空间。
发明人认为，现在的地下车库，当车主将车停在地下车库后，当相邻车位有车停入时，可能会剐蹭到车辆，或是相邻车位的车和爱车距离过近，车主对自己爱车的状态不能够及时知悉，后续追责不便。
发明内容
为了便于车主及时知悉爱车在地下车库内的情况，本申请提供一种城市地下空间安防警报方法及系统。
本申请的上述发明目的一是通过以下技术方案得以实现的：
一种城市地下空间安防警报方法，包括：
获取待泊车车辆在地下车库行驶的视频流数据，所述视频流数据是由前端摄像设备对进入地下停车场的车辆进行拍摄得到的；
根据视频流数据确定待泊车车位；
在待泊车车位的相邻车位上存在车辆的情况下，获取待泊车车辆在泊车过程中与相邻车位上车辆的最小间隔距离；
在所述最小间隔距离不大于第一阈值的情况下，生成并发送第一警报信息给低距车辆的车主，所述低距车辆为与待泊车车辆最小间隔距离小于第一阈值的车辆。
通过采用上述技术方案，前端摄像设备对地下车库内的车辆进行拍摄监控，根据前端摄像设备采集到的视频流数据，确定待泊车车辆的待泊车车位，在待泊车车位的相邻车位上存在车辆的情况下，获取待泊车车辆在泊车过程中与相邻车位上车辆的最小间隔距离，当最小间隔距离不大于预先设定的第一阈值时，生成第一警报信息并发送给低距车辆的车主，从而便于车主及时知悉爱车在地下车库内的情况，车主接收到第一警报信息后，可以及时采取后续操作。
本申请在一较佳示例中可以进一步配置为：所述根据视频流数据确定待泊车车位包括：
对视频流数据中符合预设条件的多帧连续的图像进行拼接，得到拼接后得到待定图像，其中，当图像中的目标区域内有车辆驶入时，判定为符合预设条件，所述目标区域为待定图像中车位周围指定尺寸的区域；
在待定图像中符合预设条件的目标区域内标记出待泊车车辆的运动轨迹；
对目标区域内的待泊车车辆的运动轨迹进行分析以确定待泊车车位。
通过采用上述技术方案，将多帧连续的图像拼接后，通过标记出拼接后的待定图像内目标区域中的待泊车车辆的运动轨迹，对运动轨迹进行分析，从而能够确定出待泊车车位。
本申请在一较佳示例中可以进一步配置为：所述对目标区域内的待泊车车辆的运动轨迹进行分析以确定待泊车车位包括：
截取标记后的全景图像中的目标区域作为轨迹图像；
将轨迹图像输入预先训练好的神经网络模型以推理出待泊车车位。
通过采用上述技术方案，通过神经网络模型进行推理的方式，使得待泊车车位的确定较为准确，且随着输入的数据增加，准确度会进一步提高。
本申请在一较佳示例中可以进一步配置为：还包括：
在所述最小间隔距离不大于第二阈值的情况下，生成并发送第二警报信息给低距车辆的车主和待泊车车辆的车主，所述第二阈值为零，所述第一阈值大于第二阈值。
通过采用上述技术方案，当最小间隔距离不大于零，则表示待泊车车辆和低距车辆产生碰撞，此时发送第二警报信息给车主。
本申请在一较佳示例中可以进一步配置为：还包括：
在所述最小间隔距离不大于第二阈值的情况下，根据所述低距车辆的停车信息生成第二警报信息，将第二警报信息发送给低距车辆和待泊车车辆的车主。
本申请还公开一种城市地下空间安防系统，其包括：
数据获取模块，用于获取待泊车车辆在地下车库行驶的视频流数据，所述视频流数据是由前端摄像设备对进入地下停车场的车辆进行拍摄得到的；
车位确定模块，用于根据视频流数据确定待泊车车位；
距离获取模块，用于在待泊车车位的相邻车位上存在车辆的情况下，获取待泊车车辆在泊车过程中与相邻车位上车辆的最小间隔距离；
第一警报模块，用于在所述最小间隔距离不大于第一阈值的情况下，生成并发送第一警报信息给低距车辆的车主，所述低距车辆为与待泊车车辆最小间隔距离小于第一阈值的车辆。
本申请在一较佳示例中可以进一步配置为：所述车位确定模块包括：
图像拼接子模块，用于对视频流数据中符合预设条件的多帧连续的图像进行拼接，得到拼接后得到待定图像，其中，当图像中的目标区域内有车辆驶入时，判定为符合预设条件，所述目标区域为待定图像中车位周围指定尺寸的区域；
轨迹标记子模块，用于在待定图像中符合预设条件的目标区域内标记出待泊车车辆的运动轨迹；
图像分析子模块，用于对目标区域内的待泊车车辆的运动轨迹进行分析以确定待泊车车位。
本申请在一较佳示例中可以进一步配置为：所述图像分析子模块包括：
图像截取单元，用于截取标记后的全景图像中的目标区域作为轨迹图像；
信息推理单元，用于将轨迹图像输入预先训练好的神经网络模型以推理出待泊车车位。
综上所述，本申请包括以下至少一种有益技术效果：
1、前端摄像设备对地下车库内的车辆进行拍摄监控，根据前端摄像设备采集到的视频流数据，确定待泊车车辆的待泊车车位，在待泊车车位的相邻车位上存在车辆的情况下，获取待泊车车辆在泊车过程中与相邻车位上车辆的最小间隔距离，当最小间隔距离不大于预先设定的第一阈值时，生成第一警报信息并发送给低距车辆的车主，从而便于车主及时知悉爱车在地下车库内的情况，车主接收到第一警报信息后，可以及时采取后续操作；
2、将多帧连续的图像拼接后，通过标记出拼接后的待定图像内目标区域中的待泊车车辆的运动轨迹，对运动轨迹进行分析，从而能够确定出待泊车车位；
3、通过神经网络模型进行推理的方式，使得待泊车车位的确定较为准确，且随着输入的数据增加，准确度会进一步提高。
附图说明
图1是本申请一实施例中城市地下空间安防警报方法的一流程图；
图2是本申请一实施例中城市地下空间安防警报方法中步骤S2的实现流程图；
图3是本申请一实施例中城市地下空间安防警报方法中步骤S23的实现流程图；
图4是本申请一实施例中城市地下空间安防警报系统的一原理框图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请公开了一种城市地下空间安防警报方法，具体包括如下步骤：
S1、获取待泊车车辆在地下车库行驶的视频流数据，视频流数据是由前端摄像设备对进入地下停车场的车辆进行拍摄得到的；
在一实施例中，前端摄像设备包括至少一个摄像头以用于监控拍摄一个区域，摄像头可以是设置在地下车库库顶，光轴朝向地下车库地面设置。
S2、根据视频流数据确定待泊车车位；
具体地，包括以下步骤：
S21、对视频流数据中符合预设条件的多帧连续的图像进行拼接，得到拼接后得到待定图像，其中，当图像中的目标区域内有车辆驶入时，判定为符合预设条件，目标区域为待定图像中车位周围指定尺寸的区域。
指定尺寸可以是像素尺寸，可以是预先设置的，例如，识别图像中的车位，然后将车位周围预设像素值的范围作为目标区域。
S22、在待定图像中符合预设条件的目标区域内标记出待泊车车辆的运动轨迹；
标记可以是在符合预设条件的多帧连续的图像中取待泊车车辆的几何中心点或是取一参照点，追踪该几何中心点或是参照点在待定图像中的位置，从而标记出运动轨迹；
S23、对目标区域内的待泊车车辆的运动轨迹进行分析以确定待泊车车位。
具体地，包括以下步骤：
S231、截取标记后的全景图像中的目标区域作为轨迹图像；
S232、将轨迹图像输入预先训练好的神经网络模型以推理出待泊车车位。
其中，神经网络模型由多组实验数据通过机器学习训练得出的，多组实验数据中的每组实验数据均包括：轨迹图像，以及对应轨迹图像的待泊车车位。
例如，在目标区域内具有车位A、车位B、车位C、车位D、车位E和车位F，能够根据神经网络模型推理出待泊车车位为车位C。
S3、在待泊车车位的相邻车位上存在车辆的情况下，获取待泊车车辆在泊车过程中与相邻车位上车辆的最小间隔距离；
最小间隔距离的获取，可以是在符合预设条件的多帧连续的图像中，获取待泊车车辆轮廓和与待泊车车位相邻的车位上的车辆之间最近的像素点的第一像素距离。
S4、在最小间隔距离不大于第一阈值的情况下，生成并发送第一警报信息给低距车辆的车主，低距车辆为与待泊车车辆最小间隔距离小于第一阈值的车辆；
S5、在最小间隔距离不大于第二阈值的情况下，生成并发送第二警报信息给低距车辆的车主和待泊车车辆的车主，第二阈值为零，第一阈值大于第二阈值。
其中，第一阈值为预先根据实际情况设定，第一警报信息可以是包括待泊车车辆的车牌号码，或是待泊车车辆的照片。
第二阈值为零，最小间隔距离不大于第二阈值时，则表明待泊车车位和低距车辆之间发生了碰撞或是擦碰，则发送第二警报信息给低距车辆的车主，第二警报信息。
S6、在最小间隔距离不大于第二阈值的情况下，根据低距车辆的停车信息生成第二警报信息，将第二警报信息发送给低距车辆和待泊车车辆的车主。
低距车辆的停车信息包括：低距车辆所在车位靠近待泊车车位一侧的框线与低距车辆的第二像素距离，指的是在任一符合预设条件的多帧连续的图像、待定图像或是轨迹图形中，低距车辆轮廓各像素点和其所在车位靠近待泊车车位一侧的框线各像素点之间的第二像素距离；将第二像素距离和预设值进行比较，预设值可以是负值，即表明低距车辆的轮廓线超出低距车辆所在的车位框线，当至少具有一个第二像素距离小于预设值时，生成的第二警报信息为低距车辆责任，第二警报信息还包括待泊车车辆的泊车视频信息；当第二像素距离均不小于预设值时，生成的第二警报信息为待泊车车辆责任，第二警报信息还包括待泊车车辆的泊车视频信息，第一警报信息和第二警报信息的发送，可通过车牌号码相关联的手机号码进行信息传输，手机号码的获取，可以是在进入地下车库时获取。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种城市地下空间安防系统，该城市地下空间安防系统与上述实施例中城市地下空间安防方法一一对应。如图3所示，该城市地下空间安防系统包括数据获取模块、车位确定模块、距离获取模块和第一警报模块。各功能模块详细说明如下：
数据获取模块，用于获取待泊车车辆在地下车库行驶的视频流数据，视频流数据是由前端摄像设备对进入地下停车场的车辆进行拍摄得到的；
车位确定模块，用于根据视频流数据确定待泊车车位；
距离获取模块，用于在待泊车车位的相邻车位上存在车辆的情况下，获取待泊车车辆在泊车过程中与相邻车位上车辆的最小间隔距离；
第一警报模块，用于在最小间隔距离不大于第一阈值的情况下，生成并发送第一警报信息给低距车辆的车主，低距车辆为与待泊车车辆最小间隔距离小于第一阈值的车辆。
可选的，车位确定模块包括：
图像拼接子模块，用于对视频流数据中符合预设条件的多帧连续的图像进行拼接，得到拼接后得到待定图像，其中，当图像中的目标区域内有车辆驶入时，判定为符合预设条件，目标区域为待定图像中车位周围指定尺寸的区域；
轨迹标记子模块，用于在待定图像中符合预设条件的目标区域内标记出待泊车车辆的运动轨迹；
图像分析子模块，用于对目标区域内的待泊车车辆的运动轨迹进行分析以确定待泊车车位。
可选的，图像分析子模块包括：
图像截取单元，用于截取标记后的全景图像中的目标区域作为轨迹图像；
信息推理单元，用于将轨迹图像输入预先训练好的神经网络模型以推理出待泊车车位。
关于城市地下空间安防系统的具体限定可以参见上文中对于城市地下空间安防方法的限定，在此不再赘述。上述城市地下空间安防系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种城市地下空间安防警报方法，其特征在于，包括：
获取待泊车车辆在地下车库行驶的视频流数据，所述视频流数据是由前端摄像设备对进入地下停车场的车辆进行拍摄得到的；
根据视频流数据确定待泊车车位；
在待泊车车位的相邻车位上存在车辆的情况下，获取待泊车车辆在泊车过程中与相邻车位上车辆的最小间隔距离；
在所述最小间隔距离不大于第一阈值的情况下，生成并发送第一警报信息给低距车辆的车主，所述低距车辆为与待泊车车辆最小间隔距离小于第一阈值的车辆。
2.根据权利要求1所述的城市地下空间安防警报方法，其特征在于，所述根据视频流数据确定待泊车车位包括：
对视频流数据中符合预设条件的多帧连续的图像进行拼接，得到拼接后得到待定图像，其中，当图像中的目标区域内有车辆驶入时，判定为符合预设条件，所述目标区域为待定图像中车位周围指定尺寸的区域；
在待定图像中符合预设条件的目标区域内标记出待泊车车辆的运动轨迹；
对目标区域内的待泊车车辆的运动轨迹进行分析以确定待泊车车位。
3.根据权利要求1所述的城市地下空间安防警报方法，其特征在于，所述对目标区域内的待泊车车辆的运动轨迹进行分析以确定待泊车车位包括：
截取标记后的全景图像中的目标区域作为轨迹图像；
将轨迹图像输入预先训练好的神经网络模型以推理出待泊车车位。
4. 根据权利要求1所述的城市地下空间安防警报方法，其特征在于， 还包括：
在所述最小间隔距离不大于第二阈值的情况下，生成并发送第二警报信息给低距车辆的车主和待泊车车辆的车主，所述第二阈值为零，所述第一阈值大于第二阈值。
5.根据权利要求4所述的城市地下空间安防警报方法，其特征在于，还包括：
在所述最小间隔距离不大于第二阈值的情况下，根据所述低距车辆的停车信息生成第二警报信息，将第二警报信息发送给低距车辆和待泊车车辆的车主。
6.一种城市地下空间安防系统，其特征在于，包括：
数据获取模块，用于获取待泊车车辆在地下车库行驶的视频流数据，所述视频流数据是由前端摄像设备对进入地下停车场的车辆进行拍摄得到的；
车位确定模块，用于根据视频流数据确定待泊车车位；
距离获取模块，用于在待泊车车位的相邻车位上存在车辆的情况下，获取待泊车车辆在泊车过程中与相邻车位上车辆的最小间隔距离；
第一警报模块，用于在所述最小间隔距离不大于第一阈值的情况下，生成并发送第一警报信息给低距车辆的车主，所述低距车辆为与待泊车车辆最小间隔距离小于第一阈值的车辆。
7.根据权利要求6所述的城市地下空间安防系统，其特征在于，所述车位确定模块包括：
图像拼接子模块，用于对视频流数据中符合预设条件的多帧连续的图像进行拼接，得到拼接后得到待定图像，其中，当图像中的目标区域内有车辆驶入时，判定为符合预设条件，所述目标区域为待定图像中车位周围指定尺寸的区域；
轨迹标记子模块，用于在待定图像中符合预设条件的目标区域内标记出待泊车车辆的运动轨迹；
图像分析子模块，用于对目标区域内的待泊车车辆的运动轨迹进行分析以确定待泊车车位。
8.根据权利要求7所述的城市地下空间安防系统，其特征在于，所述图像分析子模块包括：
图像截取单元，用于截取标记后的全景图像中的目标区域作为轨迹图像；
信息推理单元，用于将轨迹图像输入预先训练好的神经网络模型以推理出待泊车车位。
CN202110821574.5A 2021-07-20 2021-07-20 一种城市地下空间安防警报方法及系统 Active CN113689671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110821574.5A CN113689671B (zh) 2021-07-20 2021-07-20 一种城市地下空间安防警报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110821574.5A CN113689671B (zh) 2021-07-20 2021-07-20 一种城市地下空间安防警报方法及系统

Publications (2)

Publication Number Publication Date
CN113689671A true CN113689671A (zh) 2021-11-23
CN113689671B CN113689671B (zh) 2022-11-22

Family

ID=78577491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110821574.5A Active CN113689671B (zh) 2021-07-20 2021-07-20 一种城市地下空间安防警报方法及系统

Country Status (1)

Country Link
CN (1) CN113689671B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101011967A (zh) * 2006-12-22 2007-08-08 东风汽车有限公司 一种驻车警示系统及使用该系统的机动车
CN201633695U (zh) * 2010-01-26 2010-11-17 徐云武 一种车辆防盗报警器
CN202686117U (zh) * 2012-06-13 2013-01-23 浙江吉利汽车研究院有限公司杭州分公司 一种汽车防碰撞预警装置
CN202952894U (zh) * 2012-12-03 2013-05-29 张超 一种汽车感应提示防撞装置
CN105763845A (zh) * 2016-01-29 2016-07-13 腾讯科技（深圳）有限公司 车辆监控的方法和装置
CN106945660A (zh) * 2017-02-24 2017-07-14 宁波吉利汽车研究开发有限公司 一种自动泊车系统
CN206678951U (zh) * 2017-05-02 2017-11-28 瑞安市鹏蕾机动车部件有限公司 一种运动感应报警式汽车锁
CN107492113A (zh) * 2017-06-01 2017-12-19 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
CN107554472A (zh) * 2017-08-23 2018-01-09 中国科学院自动化研究所 一种车辆碰撞警示系统和方法
CN108616816A (zh) * 2018-05-07 2018-10-02 重庆邮电大学 一种基于极限学习的车辆轨迹预测和mec应用迁移方法
CN109389791A (zh) * 2018-09-12 2019-02-26 北京宝驰新风科技有限公司 一种用于车辆的检测物体接近预警系统
CN109712428A (zh) * 2019-02-27 2019-05-03 爱笔（北京）智能科技有限公司 一种停车位置定位方法及装置、系统
CN110239522A (zh) * 2019-05-17 2019-09-17 浙江吉利控股集团有限公司 一种自动泊车方法、装置及设备
CN111405196A (zh) * 2019-12-31 2020-07-10 智慧互通科技有限公司 一种基于视频拼接的车辆管理的方法及系统
CN212009589U (zh) * 2020-04-15 2020-11-24 华南理工大学 一种基于深度学习的视频识别行车车轨迹获取装置
CN112150857A (zh) * 2020-08-21 2020-12-29 山东科技大学 基于视频图像处理的泊车入位指示系统及指示方法
CN112330968A (zh) * 2020-11-19 2021-02-05 朱新培 一种基于微波雷达的城市路边停车场的数据采集装置及其方法
CN112417926A (zh) * 2019-08-22 2021-02-26 广州汽车集团股份有限公司 车位识别方法、装置、计算机设备及可读存储介质
CN112509375A (zh) * 2020-10-20 2021-03-16 东风汽车集团有限公司 一种泊车动态显示方法及系统

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101011967A (zh) * 2006-12-22 2007-08-08 东风汽车有限公司 一种驻车警示系统及使用该系统的机动车
CN201633695U (zh) * 2010-01-26 2010-11-17 徐云武 一种车辆防盗报警器
CN202686117U (zh) * 2012-06-13 2013-01-23 浙江吉利汽车研究院有限公司杭州分公司 一种汽车防碰撞预警装置
CN202952894U (zh) * 2012-12-03 2013-05-29 张超 一种汽车感应提示防撞装置
CN105763845A (zh) * 2016-01-29 2016-07-13 腾讯科技（深圳）有限公司 车辆监控的方法和装置
CN106945660A (zh) * 2017-02-24 2017-07-14 宁波吉利汽车研究开发有限公司 一种自动泊车系统
CN206678951U (zh) * 2017-05-02 2017-11-28 瑞安市鹏蕾机动车部件有限公司 一种运动感应报警式汽车锁
CN107492113A (zh) * 2017-06-01 2017-12-19 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
CN107554472A (zh) * 2017-08-23 2018-01-09 中国科学院自动化研究所 一种车辆碰撞警示系统和方法
CN108616816A (zh) * 2018-05-07 2018-10-02 重庆邮电大学 一种基于极限学习的车辆轨迹预测和mec应用迁移方法
CN109389791A (zh) * 2018-09-12 2019-02-26 北京宝驰新风科技有限公司 一种用于车辆的检测物体接近预警系统
CN109712428A (zh) * 2019-02-27 2019-05-03 爱笔（北京）智能科技有限公司 一种停车位置定位方法及装置、系统
CN110239522A (zh) * 2019-05-17 2019-09-17 浙江吉利控股集团有限公司 一种自动泊车方法、装置及设备
CN112417926A (zh) * 2019-08-22 2021-02-26 广州汽车集团股份有限公司 车位识别方法、装置、计算机设备及可读存储介质
CN111405196A (zh) * 2019-12-31 2020-07-10 智慧互通科技有限公司 一种基于视频拼接的车辆管理的方法及系统
CN212009589U (zh) * 2020-04-15 2020-11-24 华南理工大学 一种基于深度学习的视频识别行车车轨迹获取装置
CN112150857A (zh) * 2020-08-21 2020-12-29 山东科技大学 基于视频图像处理的泊车入位指示系统及指示方法
CN112509375A (zh) * 2020-10-20 2021-03-16 东风汽车集团有限公司 一种泊车动态显示方法及系统
CN112330968A (zh) * 2020-11-19 2021-02-05 朱新培 一种基于微波雷达的城市路边停车场的数据采集装置及其方法

Also Published As

Publication number Publication date
CN113689671B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
WO2022222095A1 (zh) 轨迹预测方法、装置、计算机设备和存储介质
CN113811830B (zh) 轨迹预测方法、装置、计算机设备和存储介质
CN112509364B (zh) 车辆停车状态的确定方法、装置、计算机设备及存储介质
CN113470374B (zh) 车辆超速监测方法、装置、计算机设备及存储介质
CN112633152B (zh) 停车位检测方法、装置、计算机设备和存储介质
CN112365719B (zh) 一种车位管理方法、装置、计算机设备及存储介质
DE102016003424A1 (de) Verfahren und Vorrichtung zum Erkennen von Verkehrszeichen
WO2021223116A1 (zh) 感知地图生成方法、装置、计算机设备和存储介质
CN115204044A (zh) 轨迹预测模型的生成以及轨迹信息处理方法、设备及介质
CN112364898A (zh) 图像识别自动标注方法、装置、设备及存储介质
Giese et al. Road course estimation using deep learning on radar data
CN111753639A (zh) 感知地图生成方法、装置、计算机设备和存储介质
DE102015205978A1 (de) Dokumentieren eines Kraftfahrzeug-Zustands
CN108986249B (zh) 基于全景环视图像的车辆远程定损方法和系统
CN113689671B (zh) 一种城市地下空间安防警报方法及系统
CN113160272A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN116681739A (zh) 目标运动轨迹生成方法、装置及电子设备
CN113361299A (zh) 一种异常停车的检测方法、装置、存储介质及电子设备
CN113537238B (zh) 一种信息处理方法及图像识别装置
CN114241398A (zh) 基于人工智能的车辆定损方法、装置、设备及存储介质
US11157755B2 (en) Image processing apparatus
CN112382101B (zh) 一种车位管理方法、装置、计算机设备及存储介质
CN115620244A (zh) 基于车路协同的图像检测方法、装置、设备及存储介质
CN112818847A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN115131892B (zh) 基于巡逻机器人的异常停车检测方法、装置、介质及设备

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