CN113920467A - 一种摊位检测与场景分割结合的游商检测方法及其系统 - Google Patents
一种摊位检测与场景分割结合的游商检测方法及其系统 Download PDFInfo
- Publication number
- CN113920467A CN113920467A CN202111516031.9A CN202111516031A CN113920467A CN 113920467 A CN113920467 A CN 113920467A CN 202111516031 A CN202111516031 A CN 202111516031A CN 113920467 A CN113920467 A CN 113920467A
- Authority
- CN
- China
- Prior art keywords
- frame
- code stream
- detection
- target detection
- video compression
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种摊位检测与场景分割结合的游商检测方法及其系统，包括：获取视频压缩码流，并提取所述视频压缩码流包含的多帧图像数据；获取预训练的神经网络模型，将所述图像数据逐帧输入所述神经网络模型生成用于表征游商摊位的目标检测框；获取预训练的语义分割模型，将所述图像数据逐帧输入所述语义分割模型生成用于表征区域类别的原始分割图；逐一计算所述目标检测框在与其时间上对应的所述原始分割图中的场景语义信息，生成游商摊位检测结果。本发明通过提取目标检测框在原始分割图上对应的场景语义信息，使得用户无需预先配置摄像单元检测区域内的场景属性即可完成游商摊位检测，并使得摄像单元检测区域能够自由变换。
Description
技术领域
本发明涉及图像检测技术领域，具体涉及一种摊位检测与场景分割结合的游商检测方法及其系统。
背景技术
违法摆摊经营，是指经营者占用城市道路、桥梁及城市广场等公共场所进行盈利性买卖商品或服务的行为。随着城市的不断发展，出店经营者和居民的利益冲突不断升级，许多出店经营者为挤占市民公共道路资源，严重破坏城市市容和经营秩序，其经营行为的弊端日益显现，城管部门对其取缔和整治任务迫在眉睫。
城管部门可以通过城市治安动态视频监控系统对违法摆摊事件进行监控。城市治安动态视频监控系统是以打击、预防违法犯罪为目的，在治安复杂场所、重点部位、主要街道、案件多发地段、重要路口、卡口等地点设立视频监控点，将监控图像实时传输到各级公安机关和其它相关部门，通过对图像的浏览、记录等方式，使各级公安机关和其它相关部门直观地了解和掌握监控区域的治安动态的视频监控系统。
传统的视频监控系统大多采取传统的人工判读方法，需要工作人员日夜值守在视频图像前，不间断地用肉眼判断视频图像中是否出现突发的异常情况。近年来出现了部分自动识别摊位的检测系统，但是其需要通过检测桌子、凳子、雨棚、摊位、地摊，配合手工绘制警戒区域达到识别游商摊贩行为。该方法需要手工绘制区域，实际应用中需要人工完成摄像头区域配置，一但摄像区域改变，其检测结果将失真。
综上所述，现有的自动识别摊位的检测方法存在适应性差、可靠性较低的问题。
发明内容
有鉴于此，本发明提供一种摊位检测与场景分割结合的游商检测方法及其系统，通过改进数据处理方法，解决了传统的自动识别摊位的检测方法存在的适应性差、可靠性较低的问题。
为解决以上问题，本发明的技术方案为采用一种摊位检测与场景分割结合的游商检测方法，包括：获取视频压缩码流，并提取所述视频压缩码流包含的多帧图像数据；获取预训练的神经网络模型，将所述图像数据逐帧输入所述神经网络模型生成用于表征游商摊位的目标检测框；获取预训练的语义分割模型，将所述图像数据逐帧输入所述语义分割模型生成用于表征区域类别的原始分割图；逐一计算所述目标检测框在与其时间上对应的所述原始分割图中的场景语义信息，生成游商摊位检测结果。
可选地，所述游商检测方法还包括：基于同类的所述目标检测框在单位时间内的所述视频压缩码流中的出现时间、基于单位时间内的所述视频压缩码流中出现的所述目标检测框的种类数量和基于不同类的所述目标检测框在单位时间内的所述视频压缩码流中出现的位置，生成重点检测区域。
可选地，计算同类的所述目标检测框在单位时间内的所述视频压缩码流中的出现时间，包括：若所述目标检测框仅在单位时间内的所述视频压缩码流的连续图像帧中存在，则基于所述连续图像帧的帧数和摄像单元的采集频率生成所述出现时间；若所述目标检测框在单位时间内的所述视频压缩码流的连续图像帧中存在且在单位时间内的所述视频压缩码流的非连续图像帧中存在，则计算所述目标检测框在单位时间内的所述视频压缩码流中的消失帧数，并基于所述消失帧数和摄像单元的采集频率生成间隔时间，若所述间隔时间小于时间阈值，则基于所述目标检测框在单位时间内的所述视频压缩码流中首次出现的图像帧和所述目标检测框在单位时间内的所述视频压缩码流中最后出现的图像帧生成持续帧数，并基于所述持续帧数和摄像单元的采集频率生成所述出现时间。
可选地，训练所述语义分割模型，包括：构建所述语义分割模型；获取包含人工标记行人的图像样本构成的训练数据集和测试数据集；基于所述训练数据集和所述测试数据集训练并测试所述语义分割模型。
可选地，构建的所述语义分割模型包括特征图提取层、池化金字塔和上采样降维结构。
相应地，本发明提供，一种摊位检测与场景分割结合的游商检测系统，包括：摄像单元，用于采集视频压缩码流；数据处理单元，用于获取视频压缩码流，并提取所述视频压缩码流包含的多帧图像数据；获取预训练的神经网络模型，将所述图像数据逐帧输入所述神经网络模型生成用于表征游商摊位的目标检测框；获取预训练的语义分割模型，将所述图像数据逐帧输入所述语义分割模型生成用于表征区域类别的原始分割图；逐一计算所述目标检测框在与其时间上对应的所述原始分割图中的场景语义信息，生成游商摊位检测结果。
可选地，所述摄像单元被配置为在采集视频压缩码流时，检测区域不固定。
可选地，所述数据处理单元还包括缓存模块，用于存储所述视频压缩码流、所述目标检测框和所述游商摊位检测结果。
本发明的首要改进之处为提供的摊位检测与场景分割结合的游商检测方法，通过在摊位检测的基础上进行场景分割，在提取了用于表征游商摊位的目标检测框，通过提取目标检测框所属的图像帧对应的原始分割图，使得目标检测框能够与原始分割图相匹配，提取目标检测框在原始分割图上对应的场景语义信息，从而完成游商摊位检测结果，使得用户无需预先配置摄像单元检测区域内的场景属性即可完成游商摊位检测，并使得摄像单元检测区域能够自由变换，解决了传统的自动识别摊位的检测方法存在的适应性差、可靠性较低的问题。
附图说明
图1是本发明的摊位检测与场景分割结合的游商检测方法的简化流程图；
图2是本发明的语义分割模型的示例图；
图3是本发明生成的原始分割图的示例图；
图4是本发明的摊位检测与场景分割结合的游商检测系统的简化单元连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，一种摊位检测与场景分割结合的游商检测方法，包括：获取视频压缩码流，并提取所述视频压缩码流包含的多帧图像数据；获取预训练的神经网络模型，将所述图像数据逐帧输入所述神经网络模型生成用于表征游商摊位的目标检测框；获取预训练的语义分割模型，将所述图像数据逐帧输入所述语义分割模型生成用于表征区域类别的原始分割图；逐一计算所述目标检测框在与其时间上对应的所述原始分割图中的场景语义信息，生成游商摊位检测结果。其中，所述目标检测框与其时间上对应的所述原始分割图被定义为：目标检测框所属的图像帧与所述原始分割图所属的图像帧相同；
进一步的，所述游商检测方法还包括：基于同类的所述目标检测框在单位时间内的所述视频压缩码流中的出现时间、基于单位时间内的所述视频压缩码流中出现的所述目标检测框的种类数量和基于不同类的所述目标检测框在单位时间内的所述视频压缩码流中出现的位置，生成重点检测区域，从而根据所述重点检测区域调节摄像单元的检测区域，调节方法包括但不限于：将摄像单元的检测区域直接调节为所述重点检测区域；在摄像单元周期性检测一较大检测区域时，更新所述重点检测区域的权重，使得摄像头的检测区域与所述重点检测区域重合或摄像头的检测区域包含所述重点检测区域时，摄像头的停滞时间延长。并进一步基于所述重点检测区域动态调整计算资源。
更进一步的，计算同类的所述目标检测框在单位时间内的所述视频压缩码流中的出现时间，包括：若所述目标检测框仅在单位时间内的所述视频压缩码流的连续图像帧中存在，则基于所述连续图像帧的帧数和摄像单元的采集频率生成所述出现时间；若所述目标检测框在单位时间内的所述视频压缩码流的连续图像帧中存在且在单位时间内的所述视频压缩码流的非连续图像帧中存在，则计算所述目标检测框在单位时间内的所述视频压缩码流中的消失帧数，并基于所述消失帧数和摄像单元的采集频率生成间隔时间，若所述间隔时间小于时间阈值，则基于所述目标检测框在单位时间内的所述视频压缩码流中首次出现的图像帧和所述目标检测框在单位时间内的所述视频压缩码流中最后出现的图像帧生成持续帧数，并基于所述持续帧数和摄像单元的采集频率生成所述出现时间。其中，时间阈值可由用户自行定义；判断所述目标检测框是否为同类的方法可以是：通过检测框的重合度以及摊位特征的相似度进行计算。本发明通过设置所述时间间隔有效解决了摊位短时间被行人、物体遮挡时导致的检测结果产生误差的问题。
进一步的，训练所述语义分割模型，包括：构建所述语义分割模型；获取包含人工标记行人的图像样本构成的训练数据集和测试数据集；基于所述训练数据集和所述测试数据集训练并测试所述语义分割模型。具体的，构建的所述语义分割模型包括特征图提取层、池化金字塔和上采样降维结构。其中，本申请所使用的神经网络模型的训练方法与所述语义分割模型的训练方法相同，且神经网络模型为本领域常规现有技术，不涉及对模型架构的进一步改进，因此不对神经网络模型的类型、架构做具体限定。神经网络模型可以是yolo-v3、RCNN等。
更进一步的，如图2所示，语义分割模型可以被配置为：池化金字塔的输入和输出特征图都是1/32倍的图像大小，首先对输入特征图做全局平均池化以及步长和窗口大小都是输入特征图1/2、1/3、1/4大小的平均池化，分别得到四个池化特征图，形成池化金字塔；其次，对四个池化特征图双线性插值到1/32倍的图像大小；最后进行加性融合。金字塔结构的池化层在损失较少细节信息的情况下大大提高了有效感受野和特征对于图像的旋转、平移以及多尺度变化等的不变性。为了进一步加快语义分割网络的速度、降低模型特征图的复杂度以及增强特征图的细节信息，设计了上采样降维结构：首先，将通道数为1024的池化特征图用1×1大小的滤波器降低为256，经过两倍上采样后，再对其做通道数为128，滤波器大小为3×3，扩张率为2的扩张卷积；其次，将骨干网络中Conv3_1残差块的输出特征图的通道数用1×1大小的滤波器降低为128；最后，加性融合上述两个过程的输出特征图后，再做相同的上采样和扩张卷积处理。该结构在降低特征图维度的同时融合具有较为丰富细节信息的低层特征信息。
更进一步的，特征图提取层可以被配置为：在自主学习特征工程特征编码器参数的基础上将Resnet网络设计成下采样与扩张卷积的网络结构D2Resnet(Resnet withdownsampling and dilated convolution)：首先，摒弃网络最后的平均池化、特征拉伸和全连接层，只留下特征图提取层用于提取语义特征；其次，将除Conv1_x之外模块的输出特征图的通道数更改为Conv2_x的128、Conv3_1的256、Conv3_2~x的512以及Dilated_ Conv4~5_x的1024用于减小网络的特征维度，并且将Conv3_1的输出特征图双线性插值为该输入特征图的一半，进一步提高语义特征提取的速度；最后为了避免语义的表达能力不足，提高网络的有效感受野，将Conv4_x和Conv5_x中3×3的标准卷积更改为Dilated_ Conv4~5_x的3×3，扩张率为2的扩张卷积（Dilated Convolution）。
本发明通过在摊位检测的基础上进行场景分割，在提取了用于表征游商摊位的目标检测框，通过提取目标检测框所属的图像帧对应的原始分割图，使得目标检测框能够与原始分割图相匹配，提取目标检测框在原始分割图上对应的场景语义信息，从而完成游商摊位检测结果，使得用户无需预先配置摄像单元检测区域内的场景属性即可完成游商摊位检测，并使得摄像单元检测区域能够自由变换，解决了传统的自动识别摊位的检测方法存在的适应性差、可靠性较低的问题。
为便于理解本申请的工作方式，在获取视频压缩码流，并提取所述视频压缩码流包含的多帧图像数据后，将所述图像数据逐帧输入所述神经网络模型生成用于表征游商摊位的目标检测框，其中，每个所述目标检测框包含（class,score,location[top,left,width,height]），其中，class代表类别，score代表可信度，location代表位置（左上角x坐标，左上角y坐标，宽，高）；将所述图像数据逐帧输入所述语义分割模型生成用于表征区域类别的原始分割图，其中，原始分割图中各点的场景语义信息被定义为I = f(x,y)，满足条件: 0≤f(x,y)≤cls ， 0≤x≤w , 0≤y≤h ，其中x，y为空间坐标，f(x,y)为分割后类别，其中0为背景类，cls为类别总数，w为图片宽度，h为图片高度；计算所述目标检测框在与其时间上对应的所述原始分割图中的场景语义信息，生成游商摊位检测结果，其中，所述目标检测框在与其时间上对应的所述原始分割图中的场景语义信息被定义为：根据目标检测框的位置location[top,left,width,height]生成其在原始分割图上的场景语义信息I = f(x+top,y+left)，满足条件: 0≤f(x,y)≤cls ， top≤x≤top+width, 0≤y≤width，其中x，y为该物体矩形框的空间坐标，f(x,y)为分割后类别，其中0为背景类，cls为类别总数。如图3所示，该摊位的场景语义信息中包含大部分人行道和少部分车道，即生成该摊位占人行道的游商摊位检测结果。
相应的，如图4所示，本发明提供，一种摊位检测与场景分割结合的游商检测系统，包括：摄像单元，用于采集视频压缩码流；数据处理单元，用于获取视频压缩码流，并提取所述视频压缩码流包含的多帧图像数据；获取预训练的神经网络模型，将所述图像数据逐帧输入所述神经网络模型生成用于表征游商摊位的目标检测框；获取预训练的语义分割模型，将所述图像数据逐帧输入所述语义分割模型生成用于表征区域类别的原始分割图；逐一计算所述目标检测框在与其时间上对应的所述原始分割图中的场景语义信息，生成游商摊位检测结果。
进一步的，所述摄像单元被配置为在采集视频压缩码流时，检测区域不固定。
进一步的，所述数据处理单元还包括缓存模块，用于存储所述视频压缩码流、所述目标检测框和所述游商摊位检测结果。
进一步的，所述数据处理单元基于同类的所述目标检测框在单位时间内的所述视频压缩码流中的出现时间、基于单位时间内的所述视频压缩码流中出现的所述目标检测框的种类数量和基于不同类的所述目标检测框在单位时间内的所述视频压缩码流中出现的位置，生成重点检测区域。其中，计算同类的所述目标检测框在单位时间内的所述视频压缩码流中的出现时间，包括：若所述目标检测框仅在单位时间内的所述视频压缩码流的连续图像帧中存在，则基于所述连续图像帧的帧数和摄像单元的采集频率生成所述出现时间；若所述目标检测框在单位时间内的所述视频压缩码流的连续图像帧中存在且在单位时间内的所述视频压缩码流的非连续图像帧中存在，则计算所述目标检测框在单位时间内的所述视频压缩码流中的消失帧数，并基于所述消失帧数和摄像单元的采集频率生成间隔时间，若所述间隔时间小于时间阈值，则基于所述目标检测框在单位时间内的所述视频压缩码流中首次出现的图像帧和所述目标检测框在单位时间内的所述视频压缩码流中最后出现的图像帧生成持续帧数，并基于所述持续帧数和摄像单元的采集频率生成所述出现时间。其中，时间阈值可由用户自行定义；判断所述目标检测框是否为同类的方法可以是：通过检测框的重合度以及摊位特征的相似度进行计算。本发明通过设置所述时间间隔有效解决了摊位短时间被行人、物体遮挡时导致的检测结果产生误差的问题。
以上对本发明实施例所提供的摊位检测与场景分割结合的游商检测方法进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (8)
1.一种摊位检测与场景分割结合的游商检测方法，其特征在于，包括：
获取视频压缩码流，并提取所述视频压缩码流包含的多帧图像数据；
获取预训练的神经网络模型，将所述图像数据逐帧输入所述神经网络模型生成用于表征游商摊位的目标检测框；
获取预训练的语义分割模型，将所述图像数据逐帧输入所述语义分割模型生成用于表征区域类别的原始分割图；
逐一计算所述目标检测框在与其时间上对应的所述原始分割图中的场景语义信息，生成游商摊位检测结果。
2.根据权利要求1所述的游商检测方法，其特征在于，所述游商检测方法还包括：
基于同类的所述目标检测框在单位时间内的所述视频压缩码流中的出现时间、基于单位时间内的所述视频压缩码流中出现的所述目标检测框的种类数量和基于不同类的所述目标检测框在单位时间内的所述视频压缩码流中出现的位置，生成重点检测区域。
3.根据权利要求2所述的游商检测方法，其特征在于，计算同类的所述目标检测框在单位时间内的所述视频压缩码流中的出现时间，包括：
若所述目标检测框仅在单位时间内的所述视频压缩码流的连续图像帧中存在，则基于所述连续图像帧的帧数和摄像单元的采集频率生成所述出现时间；
若所述目标检测框在单位时间内的所述视频压缩码流的连续图像帧中存在且在单位时间内的所述视频压缩码流的非连续图像帧中存在，则计算所述目标检测框在单位时间内的所述视频压缩码流中的消失帧数，并基于所述消失帧数和摄像单元的采集频率生成间隔时间，若所述间隔时间小于时间阈值，则基于所述目标检测框在单位时间内的所述视频压缩码流中首次出现的图像帧和所述目标检测框在单位时间内的所述视频压缩码流中最后出现的图像帧生成持续帧数，并基于所述持续帧数和摄像单元的采集频率生成所述出现时间。
4.根据权利要求1所述的游商检测方法，其特征在于，训练所述语义分割模型，包括：
构建所述语义分割模型；
获取包含人工标记行人的图像样本构成的训练数据集和测试数据集；
基于所述训练数据集和所述测试数据集训练并测试所述语义分割模型。
5.根据权利要求1所述的游商检测方法，其特征在于，构建的所述语义分割模型包括特征图提取层、池化金字塔和上采样降维结构。
6.一种摊位检测与场景分割结合的游商检测系统，其特征在于，包括：
摄像单元，用于采集视频压缩码流；数据处理单元，用于获取视频压缩码流，并提取所述视频压缩码流包含的多帧图像数据；获取预训练的神经网络模型，将所述图像数据逐帧输入所述神经网络模型生成用于表征游商摊位的目标检测框；获取预训练的语义分割模型，将所述图像数据逐帧输入所述语义分割模型生成用于表征区域类别的原始分割图；逐一计算所述目标检测框在与其时间上对应的所述原始分割图中的场景语义信息，生成游商摊位检测结果。
7.根据权利要求6所述的游商检测系统，其特征在于，所述摄像单元被配置为在采集视频压缩码流时，检测区域不固定。
8.根据权利要求6所述的游商检测系统，其特征在于，所述数据处理单元还包括缓存模块，用于存储所述视频压缩码流、所述目标检测框和所述游商摊位检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111516031.9A CN113920467B (zh) | 2021-12-13 | 2021-12-13 | 一种摊位检测与场景分割结合的游商检测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111516031.9A CN113920467B (zh) | 2021-12-13 | 2021-12-13 | 一种摊位检测与场景分割结合的游商检测方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113920467A true CN113920467A (zh) | 2022-01-11 |
| CN113920467B CN113920467B (zh) | 2022-03-15 |
Family
ID=79248851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111516031.9A Active CN113920467B (zh) | 2021-12-13 | 2021-12-13 | 一种摊位检测与场景分割结合的游商检测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113920467B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102388398A (zh) * | 2009-03-01 | 2012-03-21 | 因科信息技术有限公司 | 用于实现展览会参与者的自动匹配的系统和方法 |
| CN108985169A (zh) * | 2018-06-15 | 2018-12-11 | 浙江工业大学 | 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法 |
| CN109637151A (zh) * | 2018-12-31 | 2019-04-16 | 上海眼控科技股份有限公司 | 一种高速公路应急车道违章行驶的识别方法 |
| CN110659546A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种违法摊位检测方法及装置 |
| US10681095B1 (en) * | 2018-01-17 | 2020-06-09 | Sure Market, LLC | Distributed messaging communication system integrated with a cross-entity collaboration platform |
| CN111368687A (zh) * | 2020-02-28 | 2020-07-03 | 成都市微泊科技有限公司 | 一种基于目标检测和语义分割的人行道车辆违停检测方法 |
| CN111914766A (zh) * | 2020-08-05 | 2020-11-10 | 杭州像素元科技有限公司 | 一种城市管理业务游商行为检测方法、设备及可读存储介质 |
| CN112560620A (zh) * | 2020-12-08 | 2021-03-26 | 齐鲁工业大学 | 一种基于目标检测和特征融合的目标跟踪方法及系统 |
| CN112651293A (zh) * | 2020-10-30 | 2021-04-13 | 华设设计集团股份有限公司 | 一种公路违法设摊事件视频检测方法 |
| CN113255570A (zh) * | 2021-06-15 | 2021-08-13 | 成都考拉悠然科技有限公司 | 一种感知视频片段关系的时序动作检测方法 |
| CN113762272A (zh) * | 2021-09-10 | 2021-12-07 | 北京精英路通科技有限公司 | 道路信息的确定方法、装置和电子设备 |
-
2021
- 2021-12-13 CN CN202111516031.9A patent/CN113920467B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102388398A (zh) * | 2009-03-01 | 2012-03-21 | 因科信息技术有限公司 | 用于实现展览会参与者的自动匹配的系统和方法 |
| US10681095B1 (en) * | 2018-01-17 | 2020-06-09 | Sure Market, LLC | Distributed messaging communication system integrated with a cross-entity collaboration platform |
| CN108985169A (zh) * | 2018-06-15 | 2018-12-11 | 浙江工业大学 | 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法 |
| CN110659546A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种违法摊位检测方法及装置 |
| CN109637151A (zh) * | 2018-12-31 | 2019-04-16 | 上海眼控科技股份有限公司 | 一种高速公路应急车道违章行驶的识别方法 |
| CN111368687A (zh) * | 2020-02-28 | 2020-07-03 | 成都市微泊科技有限公司 | 一种基于目标检测和语义分割的人行道车辆违停检测方法 |
| CN111914766A (zh) * | 2020-08-05 | 2020-11-10 | 杭州像素元科技有限公司 | 一种城市管理业务游商行为检测方法、设备及可读存储介质 |
| CN112651293A (zh) * | 2020-10-30 | 2021-04-13 | 华设设计集团股份有限公司 | 一种公路违法设摊事件视频检测方法 |
| CN112560620A (zh) * | 2020-12-08 | 2021-03-26 | 齐鲁工业大学 | 一种基于目标检测和特征融合的目标跟踪方法及系统 |
| CN113255570A (zh) * | 2021-06-15 | 2021-08-13 | 成都考拉悠然科技有限公司 | 一种感知视频片段关系的时序动作检测方法 |
| CN113762272A (zh) * | 2021-09-10 | 2021-12-07 | 北京精英路通科技有限公司 | 道路信息的确定方法、装置和电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| CAIRONG ZHAO等: "《Salience-Guided Iterative Asymmetric Mutual Hashing for Fast Person Re-Identification》", 《IEEE TRANS IMAGE PROCESS》 * |
| 张静然 等: "《AI城市大脑助推智慧城市建设》", 《人工智能》 * |
| 魏书法: "《基于三维点云与二维图像的场景理解》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113920467B (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Deep learning-based video system for accurate and real-time parking measurement | |
| CN111598030B (zh) | 一种航拍图像中车辆检测和分割的方法及系统 | |
| CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
| Chen et al. | Reconstruction bias U-Net for road extraction from optical remote sensing images | |
| Chen et al. | Learning-based spatio-temporal vehicle tracking and indexing for transportation multimedia database systems | |
| CN108830327B (zh) | 一种人群密度估计方法 | |
| CN110874362A (zh) | 一种数据关联分析方法及装置 | |
| CN109598794B (zh) | 三维gis动态模型的构建方法 | |
| CN111191570B (zh) | 图像识别方法和装置 | |
| CN102880692A (zh) | 一种面向检索的监控视频语义描述和检测建模方法 | |
| CN110659546B (zh) | 一种违法摊位检测方法及装置 | |
| Balchandani et al. | A deep learning framework for smart street cleaning | |
| Li et al. | Fusing taxi trajectories and RS images to build road map via DCNN | |
| CN114241325A (zh) | 基于街景图片的空调挂机空间分布自动识别方法及系统 | |
| Marathe et al. | Wedge: A multi-weather autonomous driving dataset built from generative vision-language models | |
| CN114358660A (zh) | 一种城市街道品质评估方法、系统及存储介质 | |
| CN116343103A (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
| CN113688839B (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
| Ren et al. | Towards efficient video detection object super-resolution with deep fusion network for public safety | |
| CN114399692A (zh) | 基于深度学习的违建识别监控检测方法及系统 | |
| CN114140719A (zh) | 一种ai交通视频分析技术 | |
| CN112738725B (zh) | 半封闭区域目标人群的实时识别方法、装置、设备和介质 | |
| Liu et al. | Road network-guided fine-grained urban traffic flow inference | |
| CN113920467B (zh) | 一种摊位检测与场景分割结合的游商检测方法及其系统 | |
| CN115908493A (zh) | 一种小区人员轨迹管理与展示方法及其系统 |
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 |