CN113870356A - 一种结合目标检测与双目视觉的闸机通行行为识别与控制方法 - Google Patents

一种结合目标检测与双目视觉的闸机通行行为识别与控制方法 Download PDF

Info

Publication number
CN113870356A
CN113870356A CN202111030993.3A CN202111030993A CN113870356A CN 113870356 A CN113870356 A CN 113870356A CN 202111030993 A CN202111030993 A CN 202111030993A CN 113870356 A CN113870356 A CN 113870356A
Authority
CN
China
Prior art keywords
camera
target
gate
target detection
information
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
Application number
CN202111030993.3A
Other languages
English (en)
Inventor
万彬
刘光杰
刘伟伟
赵华伟
陆赛杰
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Publication of CN113870356A publication Critical patent/CN113870356A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85—Stereo camera calibration
    • 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
    • G06N3/08—Learning 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
    • G06T2207/20—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种结合目标检测与双目视觉的闸机通行行为识别与控制方法，对摄像头拍摄到的左右图像进行匹配，生成对应的视差图；采集俯视角度的多张包含行人和行李的目标图片，训练目标检测模型；利用训练好的目标检测模型对摄像头拍摄区域进行目标检测，获取区域内所有的行人和行李目标位置信息；将检测到的目标中心点坐标传入视差图中获取对应的视差信息，并将视差信息转换为目标离摄像头的距离，进而计算目标的实际高度；对每个目标的位置信息、目标与目标之间的位置关系以及行人的身高信息进行分析，判别行人通行行为，并将通行行为判定的结果发送给闸机，控制闸机动作。本发明能够有效提升闸机智能化水平，提高了闸机通行效率和安全性。

Description

一种结合目标检测与双目视觉的闸机通行行为识别与控制 方法
技术领域
本发明涉及城市轨道交通智能化技术领域，具体涉及一种结合目标检测与双目视觉的闸机通行行为识别与控制方法。
背景技术
随着城市轨道交通的发展，越来越多的城市人群选择乘坐地铁出行，闸机作为必要的通行控制通道，在轨道交通中起者重要的作用。在现有的闸机通行控制技术中，主要通过16对红外对射传感器来判断乘客的通行行为，通过红外对射传感器的遮挡情况来判断乘客的通行状态，这种通行逻辑判断方法对于部分通行逻辑无法有效识别，如无法区分成人携带儿童与尾随闯门的区别，无法识别下钻和上跳行为，无法区分行李和乘客等。为了能够更准确地识别乘客通行的行为，可以引入目标检测技术，准确识别乘客和行李目标，并采用双目视觉技术，对乘客身高和行李的大小进行准确的计算，根据目标检测与双目视觉的结果，判断乘客通行逻辑，能有有效提升闸机智能化水平，提高通行效率和安全性。
发明内容
本发明的目的在于提供一种结合目标检测与双目视觉的闸机通行行为识别与控制方法，解决目前闸机对乘客通行行为识别不充分的问题。
实现本发明目的的技术解决方案为：一种结合目标检测与双目视觉的闸机通行行为识别与控制方法，包括以下步骤：
步骤1：在闸机顶部安装双目摄像头；
步骤2：制作标定板并利用双目摄像头多角度采集标定板图片，利用matlab标定工具箱对左右相机采集到的图片分别进行单目标定获得左右相机的内参数矩阵；
步骤3：对步骤2中左右摄像头分别经过单目标定获得的内参数矩阵结果，利用matlab标定工具箱进行立体校准和对齐，获得相机的外参数矩阵；
步骤4：利用立体匹配算法对摄像头拍摄到的左右图像进行匹配，生成对应的视差图；
步骤5：采集俯视角度的多张包含行人和行李的目标图片，并标注制作成数据集，使用目标检测模型进行训练，利用训练好的目标检测模型对摄像头所拍摄区域内进行目标检测，获取区域内所有的行人和行李目标位置信息；
步骤6：将检测到的目标中心点坐标传入视差图中获取对应的视差信息，并利用视差信息与距离的转换公式将视差信息转换为目标离摄像头的距离，将摄像头的高度减去目标离摄像头的距离，得到目标的实际高度；
步骤7：连续多帧获取使用步骤5所得到的目标位置信息和步骤6所得到的目标高度信息，对每个目标的位置信息、目标与目标之间的位置关系以及行人的身高信息进行分析，判别行人通行行为；
步骤8：将通行行为判定的结果发送给闸机，闸机产生相应的控制，对于正常通行行为，通过实时的行人与物体的坐标位置，防止夹到行人或行李，对于异常通行行为，播放相应的声光告警信息。
进一步的，步骤1中，要求安装的双目摄像头必须正对闸机，并且双目摄像头之间相互平行，处于同一水平线上。
进一步的，步骤2中，使用的标定板为黑白格棋盘，双目摄像头多角度采集标定板图片时要求双目摄像头固定不动，且采集完图片后不能随意转动摄像头。
进一步的，步骤4中，使用的立体匹配算法为BM局部立体匹配算法。
进一步的，步骤5中，训练使用的深度学习框架为caffe，使用的目标检测模型是在mobilenet-yolov3目标检测模型的基础上进行修改，修改如下：
将最后的输出分支从3个分别为(52×52,26×26,13×13)feature map输出,减小到只剩13×13大小的feature map输出，并且在每层卷积和可分离卷积之后都加入BN层和Scale层，对于修改后的目标检测模型的网络结构，网络的输入先经过一层卷积+BN层+Scale层+ReLu层的结构，然后经过14层深度可分离卷积+BN层+Scale层+ReLu层结构，最后连接一层全卷积层得到网络输出。
进一步的，步骤6中，将视差信息转换为目标与摄像头的距离，计算公式为：
depth＝(f*baseline)/disp
其中，depth表示距离，f表示归一化的焦距，baseline是两个相机光心之间的距离，称作基线距离，由相机安装的物理位置决定，disp是视差图中对应坐标点的像素值即视差信息。
进一步的，步骤7中的行人通行行为判别逻辑如表1所示：
表1行人通行行为判别逻辑表
Figure BDA0003245252610000021
Figure BDA0003245252610000031
表1中判定方法双目测距模块是通过将检测到的行人位置的中心点即行人头部位置坐标传入对应的视差图中，得到对应的位置的视差信息，根据视差信息与距离的转换公式得到行人头顶离摄像头的距离，再利用摄像头的安装高度减去行人头顶离摄像头的距离即得到行人的身高，通过身高来区分行人是成人还是儿童。
一种结合目标检测与双目视觉的闸机通行行为识别与控制系统，基于任一项所述的方法，完成结合目标检测与双目视觉的闸机通行行为识别与控制。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一项所述的方法，完成结合目标检测与双目视觉的闸机通行行为识别与控制。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一项所述的方法，完成结合目标检测与双目视觉的闸机通行行为识别与控制。
本发明与现有技术相比，其显著优点在于：通过在现有闸机上增加目标检测和双目视觉设备，采用目标检测算法能够准确识别目标的属性和确定位置信息，并采用双目视觉判断行人的身高，结合目标检测和双目视觉方法，能够有效判断乘客通过闸机的逻辑，进而判断通行行为是否正常，从而控制闸机，防止夹人夹物，且对异常通行行为产生声光告警，提醒乘客和工作人员，有利于提高闸机安全性和乘客通行感受，有利于辅助轨道交通安全运营和管理。
附图说明
图1是本发明的设备结构示意图。
图2是本发明中的目标检测与识别方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
一种结合目标检测与双目视觉的闸机通行行为识别与控制的方法，包括以下步骤：
步骤1：在闸机顶部安装双目视觉设备。
要求安装的双目摄像头必须正对闸机并且双目摄像头之间相互平行，处于同一水平线上。
步骤2：制作标定板并利用双目摄像头多角度采集标定板图片，利用matlab标定工具箱对左右相机采集到的图片分别进行单目标定获得左右相机的内参数矩阵。
使用的标定板为黑白格棋盘，双目摄像头多角度采集的标定板图片时要求双目摄像头固定不动且采集完图片后不能随意转动摄像头。
步骤3：对步骤2中左右摄像头分别经过单目标定获得的内参数矩阵结果，利用matlab标定工具箱进行立体校准和对齐获得相机的外参数矩阵。
步骤4：利用立体匹配算法来对摄像头拍摄到得左右图像进行匹配生成对应的视差图。
使用的立体匹配算法为BM局部立体匹配算法。
步骤5：采集俯视角度的多张包含行人和行李的目标图片，并标注制作成数据集，使用改进后的目标检测模型进行训练，利用训练好的改进后的目标检测模型对相机所拍摄区域内进行目标检测，检测并获取区域内所有的行人和行李目标位置信息。
采集俯视角度的多张含行人和行李的目标图片后按照训练集：测试集为8：2的比例来制作数据集，训练使用的深度学习框架为caffe，使用的目标检测模型是在mobilenet-yolov3目标检测模型的基础上进行修改，修改如下：
将最后的输出分支从3个分别为(52×52,26×26,13×13)feature map输出，减小到只剩13×13大小的feature map输出，并且在每层卷积和可分离卷积之后都加入BN层和Scale层。修改后的目标检测模型的网络结构为对于网络的输入先经过一层卷积+BN层+Scale层+ReLu层的结构，然后经过14层深度可分离卷积+BN层+Scale层+ReLu层结构，最后连接一层全卷积层得到网络输出。
步骤6：将检测到的目标中心点坐标传入视差图中获取对应的视差信息，并利用视差信息与距离的转换公式将视差信息转换为目标离摄像头的距离，将摄像头的高度减去目标离摄像头的距离即可得到目标的实际高度。
将视差信息转换为目标与摄像头的距离，计算公式为：
depth＝(f*baseline)/disp
其中，depth表示距离，f表示归一化的焦距，baseline是两个相机光心之间的距离，称作基线距离，由相机安装的物理位置决定，disp是视差图中对应坐标点的像素值即视差信息。
步骤7：连续多帧获取使用步骤5所得到的目标位置信息和步骤6所得到的目标高度信息，对每个目标的位置信息、目标与目标之间的位置关系以及行人的身高信息进行分析，判别行人通行行为。
行人通行行为判别逻辑如表1所示。
表1行人通行行为判别逻辑表
Figure BDA0003245252610000051
表1中判定方法双目测距模块是通过将检测到的行人位置的中心点即行人头部位置坐标传入对应的视差图中，得到对应的位置的视差信息，根据视差信息与距离的转换公式得到行人头顶离摄像头的距离，再利用摄像头的安装高度减去行人头顶离摄像头的距离即可得到行人的身高，通过身高来区分行人是成人还是儿童。
步骤8：将通行行为判定的结果发送给闸机，闸机产生相应的控制，对于正常通行行为，通过实时的行人与物体的坐标位置，防止夹到行人或行李，对于异常通行行为，播放相应的声光告警信息。
本发明还提出一种结合目标检测与双目视觉的闸机通行行为识别与控制系统，基于任一项所述的方法，完成结合目标检测与双目视觉的闸机通行行为识别与控制。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一项所述的方法，完成结合目标检测与双目视觉的闸机通行行为识别与控制。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一项所述的方法，完成结合目标检测与双目视觉的闸机通行行为识别与控制。
实施例
为了验证本发明方案的有效性，进行如下仿真实验。
一种结合目标检测与双目视觉的闸机通行行为识别与控制方法，通过在闸机顶部安装双目视觉设备，并利用双目摄像头采集到的标定板图片通过matlab工具箱进行标定，获取双目测距所需的内参矩阵和外参矩阵，然后通过双目视觉立体匹配算法获取视差图，使用训练好的目标检测模型对视野范围内的行人和行李目标进行检测，然后通过将检测到的目标位置的中心点坐标传入视差图中获取对应的视差信息，再根据视差信息与距离的转换公式获得目标距离摄像头的距离，结合摄像头的安装高度，将摄像头的安装高度减去目标离摄像头的距离即可获取目标的实际高度，通过行人身高来区分是成人还是儿童，通过行李的高度来区分是大件行李还是小件行李，利用摄像头中检测到的目标框结合摄像头所拍摄的视野范围大小按照对应的比例，计算出目标之间的实际位置关系，结合连续多帧行人和行李目标的坐标位置关系和属性信息判断行人通行逻辑，并根据通行行为控制闸机扇门或剪式门，并对异常通行行为产生声光告警信息。具体步骤如下：
步骤1：在闸机顶部安装双目视觉设备，安装方式如图1所示。在闸机旁增加一个金属支架，在闸机正上方安装双目视觉设备，保证双目摄像头的两个摄像头之间相互平行。在本实施例中，双目视觉设备内置海思3559C芯片作为双目视觉和目标检测计算芯片。
步骤2：使用黑白棋盘格标定板多个角度采集标定图片，并使用matlab标定工具箱分别对左右摄像头分别进行单目标定，求出左右相机的内参数矩阵。
步骤3：对左右摄像头分别标定后获得的内参数矩阵结果利用matlab标定工具箱进行立体校准和对齐获得相机的外参数矩阵。
步骤4：利用立体匹配算法来将双目摄像头采集的左右图片进行匹配生成对应每一帧的视差图。本实施例采用海思3559C芯片内置的DPU模块进行双目视觉匹配，获取视差图。
步骤5：采集顶视角度的多种含行人和行李的目标图片，并标注制作成数据集，使用改进后的目标检测模型进行训练，利用训练好的改进后的目标检测模型对相机所拍摄区域内目标区域进行检测，检测并获取区域内所有的行人和行李目标位置信息。在本实施例中，将采集到的图片按照训练集：验证集为8：2的比例制作数据集，并在深度学习框架caffe中训练。
步骤6：对每一帧图像进行目标检测，获取检测目标区域的坐标信息，并将检测到的目标的中心点坐标传入视差图中获取对应的视差信息，并利用视差信息与距离的转换公式将视差信息转换为目标离摄像头的距离，距离计算公式为：
depth＝(f*baseline)/disp
其中，depth表示距离，f表示归一化的焦距，baseline是两个相机光心之间的距离，称作基线距离，由相机安装的物理位置决定，disp是视差图中每个坐标点的像素值即视差信息。
步骤7：将摄像头安装的高度减去步骤6中所获得的目标离摄像头的距离，即可得到目标的高度，利用行人身高来判断行人为成人还是儿童，利用行李的高度来区分是大件行李还是小件行李，利用步骤5中目标检测模块获得的目标位置信息来判断行人与行人、行人与行李之间的位置关系，结合多帧信息来判断行人的通行行为。
步骤8：将通行行为判定的结果发送给闸机，闸机产生相应的控制，对于正常通行行为，通过实时的行人与物体的坐标位置，防止夹到行人或行李，对于异常通行行为，播放相应的声光告警信息。本实施例中，双目视觉设备与闸机采用RS232串口通信。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种结合目标检测与双目视觉的闸机通行行为识别与控制方法，其特征在于，包括以下步骤:
步骤1:在闸机顶部安装双目摄像头；
步骤2:制作标定板并利用双目摄像头多角度采集标定板图片，利用matlab标定工具箱对左右相机采集到的图片分别进行单目标定获得左右相机的内参数矩阵；
步骤3:对步骤2中左右摄像头分别经过单目标定获得的内参数矩阵结果，利用matlab标定工具箱进行立体校准和对齐，获得相机的外参数矩阵；
步骤4：利用立体匹配算法对摄像头拍摄到的左右图像进行匹配，生成对应的视差图；
步骤5:采集俯视角度的多张包含行人和行李的目标图片，并标注制作成数据集，使用目标检测模型进行训练，利用训练好的目标检测模型对摄像头所拍摄区域内进行目标检测，获取区域内所有的行人和行李目标位置信息；
步骤6:将检测到的目标中心点坐标传入视差图中获取对应的视差信息，并利用视差信息与距离的转换公式将视差信息转换为目标离摄像头的距离，将摄像头的高度减去目标离摄像头的距离，得到目标的实际高度；
步骤7：连续多帧获取使用步骤5所得到的目标位置信息和步骤6所得到的目标高度信息，对每个目标的位置信息、目标与目标之间的位置关系以及行人的身高信息进行分析，判别行人通行行为；
步骤8：将通行行为判定的结果发送给闸机，闸机产生相应的控制，对于正常通行行为，通过实时的行人与物体的坐标位置，防止夹到行人或行李，对于异常通行行为，播放相应的声光告警信息。
2.如权利要求1所述的结合目标检测与双目视觉的闸机通行行为识别与控制的方法，其特征在于，步骤1中，要求安装的双目摄像头必须正对闸机，并且双目摄像头之间相互平行，处于同一水平线上。
3.如权利要求1所述的结合目标检测与双目视觉的闸机通行行为识别与控制的方法，其特征在于，步骤2中，使用的标定板为黑白格棋盘，双目摄像头多角度采集标定板图片时要求双目摄像头固定不动，且采集完图片后不能随意转动摄像头。
4.如权利要求1所述的结合目标检测与双目视觉的闸机通行行为识别与控制的方法，其特征在于，步骤4中，使用的立体匹配算法为BM局部立体匹配算法。
5.如权利要求1所述的结合目标检测与双目视觉的闸机通行行为识别与控制的方法，其特征在于，步骤5中，训练使用的深度学习框架为caffe，使用的目标检测模型是在mobilenet-yolov3目标检测模型的基础上进行修改，修改如下：
将最后的输出分支从3个分别为(52×52,26×26,13×13)feature map输出,减小到只剩13×13大小的feature map输出，并且在每层卷积和可分离卷积之后都加入BN层和Scale层，对于修改后的目标检测模型的网络结构，网络的输入先经过一层卷积+BN层+Scale层+ReLu层的结构，然后经过14层深度可分离卷积+BN层+Scale层+ReLu层结构，最后连接一层全卷积层得到网络输出。
6.如权利要求1所述的结合目标检测与双目视觉的闸机通行行为识别与控制的方法，其特征在于，步骤6中，将视差信息转换为目标与摄像头的距离，计算公式为：
depth＝(f*baseline)/disp
其中，depth表示距离，f表示归一化的焦距，baseline是两个相机光心之间的距离，称作基线距离，由相机安装的物理位置决定，disp是视差图中对应坐标点的像素值即视差信息。
7.如权利要求1所述的结合目标检测与双目视觉的闸机通行行为识别与控制的方法，其特征在于，步骤7中的行人通行行为判别逻辑如表1所示：
表1 行人通行行为判别逻辑表
Figure FDA0003245252600000021
Figure FDA0003245252600000031
表1中判定方法双目测距模块是通过将检测到的行人位置的中心点即行人头部位置坐标传入对应的视差图中，得到对应的位置的视差信息，根据视差信息与距离的转换公式得到行人头顶离摄像头的距离，再利用摄像头的安装高度减去行人头顶离摄像头的距离即得到行人的身高，通过身高来区分行人是成人还是儿童。
8.一种结合目标检测与双目视觉的闸机通行行为识别与控制系统，其特征在于，基于权利要求1-7任一项所述的方法，完成结合目标检测与双目视觉的闸机通行行为识别与控制。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的方法，完成结合目标检测与双目视觉的闸机通行行为识别与控制。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法，完成结合目标检测与双目视觉的闸机通行行为识别与控制。
CN202111030993.3A 2020-12-14 2021-09-03 一种结合目标检测与双目视觉的闸机通行行为识别与控制方法 Pending CN113870356A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020114693241 2020-12-14
CN202011469324 2020-12-14

Publications (1)

Publication Number Publication Date
CN113870356A true CN113870356A (zh) 2021-12-31

Family

ID=75249173

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011604566.7A Active CN112613461B (zh) 2020-12-14 2020-12-29 结合人脸识别的智能闸机通行和考勤的方法及其系统
CN202111030993.3A Pending CN113870356A (zh) 2020-12-14 2021-09-03 一种结合目标检测与双目视觉的闸机通行行为识别与控制方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011604566.7A Active CN112613461B (zh) 2020-12-14 2020-12-29 结合人脸识别的智能闸机通行和考勤的方法及其系统

Country Status (1)

Country Link
CN (2) CN112613461B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445393A (zh) * 2022-02-07 2022-05-06 无锡雪浪数制科技有限公司 一种基于多视觉传感器的螺栓装配工序检测方法
CN116403284A (zh) * 2023-04-07 2023-07-07 北京奥康达体育产业股份有限公司 一种基于蓝牙传输技术的智慧跑步考核训练系统
CN117765651A (zh) * 2023-12-27 2024-03-26 暗物质(北京)智能科技有限公司 基于顶视视角深度融合的闸门通行识别方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569676B (zh) * 2021-07-16 2024-06-11 北京市商汤科技开发有限公司 图像处理方法、装置、电子设备及存储介质
CN114241590B (zh) * 2022-02-28 2022-07-22 深圳前海清正科技有限公司 一种自学习式人脸识别终端

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6409929B1 (ja) * 2017-09-19 2018-10-24 日本電気株式会社 照合システム
CN107507289A (zh) * 2017-09-30 2017-12-22 四川长虹电器股份有限公司 一种移动端人脸识别考勤方法及系统
CN109816838A (zh) * 2019-03-14 2019-05-28 福建票付通信息科技有限公司 一种人脸识别闸机及其检票方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445393A (zh) * 2022-02-07 2022-05-06 无锡雪浪数制科技有限公司 一种基于多视觉传感器的螺栓装配工序检测方法
CN114445393B (zh) * 2022-02-07 2023-04-07 无锡雪浪数制科技有限公司 一种基于多视觉传感器的螺栓装配工序检测方法
CN116403284A (zh) * 2023-04-07 2023-07-07 北京奥康达体育产业股份有限公司 一种基于蓝牙传输技术的智慧跑步考核训练系统
CN116403284B (zh) * 2023-04-07 2023-09-12 北京奥康达体育产业股份有限公司 一种基于蓝牙传输技术的智慧跑步考核训练系统
CN117765651A (zh) * 2023-12-27 2024-03-26 暗物质(北京)智能科技有限公司 基于顶视视角深度融合的闸门通行识别方法及系统

Also Published As

Publication number Publication date
CN112613461A (zh) 2021-04-06
CN112613461B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN113870356A (zh) 一种结合目标检测与双目视觉的闸机通行行为识别与控制方法
CN109670441B (zh) 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN106128115B (zh) 一种基于双摄像机检测道路交通信息的融合方法
US7826964B2 (en) Intelligent driving safety monitoring system and method integrating multiple direction information
CN104464290B (zh) 一种基于嵌入式双核芯片的道路交通参数采集及违章抓拍系统
RU2431190C2 (ru) Способ и устройство распознавания рельефности лица
JP4851364B2 (ja) 列車前方鉄道信号・標識認識装置
US9064157B2 (en) Pedestrian detection systems and methods
CN103077526A (zh) 具有深度检测功能的列车异常检测方法及系统
WO2023155483A1 (zh) 一种车型识别方法、装置和系统
CN103700220A (zh) 一种疲劳驾驶监控装置
Kumtepe et al. Driver aggressiveness detection via multisensory data fusion
CN110245544A (zh) 一种确定停车状态的方法及装置
CN104574993A (zh) 一种道路监控的方法及装置
CN111967396A (zh) 障碍物检测的处理方法、装置、设备及存储介质
KR101905538B1 (ko) 다중 카메라를 이용한 속도 계도 시스템
US20140334682A1 (en) Monitoring device using selective attention model and method for monitoring same
CN103473925B (zh) 一种道路车辆检测系统的验证方法
CN106991376A (zh) 结合深度信息的侧脸验证方法及装置与电子装置
TW201443836A (zh) 平交道障礙物多重電腦視覺辨識系統
CN109829401A (zh) 基于双拍摄设备的交通标志识别方法及装置
CN104299219A (zh) 物体检测方法和装置
JP6089456B2 (ja) 運転行動診断装置、運転行動診断方法および運転行動診断プログラム
CN104063689A (zh) 一种基于双目立体视觉的人脸图像识别方法
CN116152855A (zh) 基于多模态镜头的牵小孩过闸识别方法、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