CN114170272A - 一种云端环境下基于感知传感器的事故报告、储存方法 - Google Patents
一种云端环境下基于感知传感器的事故报告、储存方法 Download PDFInfo
- Publication number
- CN114170272A CN114170272A CN202111434351.XA CN202111434351A CN114170272A CN 114170272 A CN114170272 A CN 114170272A CN 202111434351 A CN202111434351 A CN 202111434351A CN 114170272 A CN114170272 A CN 114170272A
- Authority
- CN
- China
- Prior art keywords
- accident
- information
- sensor
- vehicle
- cloud
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Abstract
本发明提供了一种云端环境下基于感知传感器的事故报告、储存方法。通过路基传感器、道路视频、车辆自身传感器以及人员穿戴的智能设备、智能手机实时向云端服务平台上传信息;云端服务平台将采集到的的信息进行筛选提取,然后对提取出来的信息进行特征识别;将信息输入训练好的双隐层神经网络事故判别模型进行事故判别;本发明可以最大限度主动判断及上报事故,有效缓解事故救援问题,提高路侧以及车辆自身传感器的利用效率,节约了人力物力资源;同时数据库的建立保存了完整的事故发生过程中的一手证据资料,为后续事故鉴定调查提供真实的现场资料和证据。
Description
技术领域
本发明专利涉及交通信息采集领域,具体为一种云端环境下基于感知传感器的人车事故报告、储存方法。
背景技术
汽车行业的飞速发展以及汽车保有量的急剧增加在为人们带来方便的同时,也为我们带来碳排放增加,城市交通拥堵严重,交通事故频发等社会问题。2018年世界卫生组织的《全球道路安全现状报告》中提到全球每年死于交通事故的人数为135万人,道路交通事故是全球所有年龄阶段的第八大死亡原因,并且是5-29岁青少年的第一大死因。警察以及医生未能及时赶到现场以致交通事故参与者错过最佳救治时间是困扰许多交通安全研究者以及警方医生的一个难题。由此,如何第一时间发现事故的发生,如何第一时间通知110平台、120平台、事故参与者紧急联系人以及保险公司就显得尤为重要。
近些年,随着车联网以及智能交通技术的迅速发展,事故场景识别以及交通事故检测方法得到了广泛的关注。如何加强事故检测的准确性以及检测方法的环境适应性一直是该领域研究者的研究重点,致使大家对于事故信息的全面性以及事故发生后如何及时处理没有得到足够的重视。此外,由于现有的交通基础设施比较简单,与研究者预想智能交通系统有着一定的差距,并且在事故发生后大多由人员手动测量、记录各项事故数据,误差较大,不便于后续调查鉴定,现有的文献中大部分检测方法也很难应用于实际交通道路上。
本文提出的一种云端通信环境下基于感知传感器的事故报告方法依靠机器学习的方式对事故信息进行识别提取,系统通过不断的正负强化反馈,加强事故信息识别提取的准确性以及系统对各类复杂交通系统的适应性。然后通过云服务平台快速地将相关信息提供给110平台、120平台、事故参与者紧急联系人以及保险公司,使得相关部门以及人员可以做出最快速的反应。同时在云端将事故数据自动录入云端事故数据库,便于对交通事故后续的查阅和研究。
发明内容
本发明提供一种云端环境下基于感知传感器的事故报告方法,其目的是通过各类感知传感器以及后台运服务实现快速准确的识别提取事故相关信息,并将相关信息迅速提供给相关部门以及人员,为警方、医务工作者以及事故伤员争取更多宝贵的时间,同时在云端生成的事故数据库也可为事故鉴定工作者以及保险公司提供第一手事故相关信息。
为实现上述技术目的,本发明采用如下技术方案:一种云端环境下基于感知传感器的事故报告、储存方法,其特征在于,包括:
道路架设的交警视频监控摄像头等感知传感器设备以及车辆自身的传感器、人员穿戴的智能设备,等每隔固定的时间采集一次图像序列、道路信息、车辆参数以及人员信息;将传感器及车辆采集到的包括但不局限于图像序列的信息,通过无线加密通信传输到云服务后台;云服务后台对信息进行特征提取、使用双隐层神经网络对特征信息进行事故判定,若出现事故则自动将事故信息存入云端数据库,并通过无线加密方式向交警、医院、保险、鉴定部门发送报告;道路架设的交警视频监控摄像头等感知传感器设备以及车辆自身的传感器、人员穿戴的智能设备,包括:道路摄像头、地磁流量传感器、道路温度、湿度传感器、车辆自身传感器及EDR信息、智能手机、智能穿戴装置;每隔固定的时间采集一次图像序列、道路信息、车辆参数以及人员信息,包括:每隔0.1s采集一次道路视频、图像、环境温度、湿度、车流量情况、车辆横向纵向运动参数、EDR信息、人员信息、人员运动参数;将传感器及车辆采集到的包括但不局限于图像序列的信息,通过无线通信传输到云服务后台,包括:采用基于LoRa协议的无线加密传输来对数据进行上传,并用128bits的AES秘钥来对数据进行加密。
进一步地,云服务后台对信息进行特征提取、根据特征信息进行事故判定,若出现事故则自动将事故信息存入云端数据库,并向交警、医院、保险、鉴定部门发送报告;包括:数据提取系统、事故判定系统、数据库系统、事故上报系统。
进一步地,对信息进行特征提取,包括:
预处理:相机标定,将图像坐标转换为真实坐标;
使用Faster R-CNN进行目标检测:候选区域,目标分类;
使用Deep SORT进行目标追踪;
后处理:单应性变换,交通环境检测,标注特征。
进一步地,对特征信息进行事故判定,包括使用基于事故信息权重的双隐层神经网络事故判别模型;使用双隐层感知器神经网络来对提取出来的信息进行事故判别,其中两个隐藏层分别为对特征信息进行权重分配以及对事故进行判定。
进一步地,包括将事故信息用表格分类储存、包含事故涉及到的车辆信息、人员信息、道路信息、环境信息.
进一步地,将完整的一手事故信息通过基于LoRa协议的无线加密传输方式发给交警、医院、保险、家属、鉴定部门。
有益效果:本发明提供的是一种云端环境下基于感知传感器的事故报告、储存方法,在有接入视觉传感器的路口或者路段基础上,采集视频或图像序列不断送入存储器上传至云端,同时车辆自身传感器数据,记录人员信息的智能设备的传感器数据也会同步在云端;在云端,所需的算法和程序都将在云服务上运行,基于机器学习的事故判断系统能够较为准确的判断事故,并及时上报事故信息、储存事故一手信息和证据资料;有益效果包括但不局限于:能够记录捕捉事故视频,为交警记录第一手资料,为后期事故重建或者判责提供有力证据;在车祸发生时候捕捉当时事故环境,现场资料,天气环境,行人行为等,更为有用的事故信息包括事故车辆的EDR,事故人员的个人信息,如性别年龄,病史,药物过敏等;这些均会随着事故发生录入到云端数据库中,保存完整真实的事故数据资料;事故上报系统能够及时将事故报告给第三方,从而使伤员能及时得到救助,事故现场能得到及时管控和疏通;总之,此专利能够让交通管理者,道路使用者,保险公司,汽车厂都人道享有第一手资料,能够造福于社会。
此本发明可以最大限度主动判断及上报事故,有效缓解事故救援问题,简化了交警出警流程,提高路侧以及车辆自身传感器的利用效率,优势包括节约了人力物力资源,提高资源利用率;同时数据库的建立保存了完整的事故发生过程中的一手证据资料,为后续事故鉴定调查提供真实的现场资料和证据。
附图说明
图1为本发明实施例的系统框架图;
图2为本发明实施例的坐标变换方式图;
图3为目标识别与追踪流程图;
图4为双隐层神经网络事故判别模型图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本发明提供一种云端环境下基于感知传感器的事故报告方法,如图1所示,以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅应用于说明和解释本发明,并不用于限定本发明;包括以下步骤:
路口和路段的视频传感器工作状态正常,采集的视频存储在服务器,通过有线或者无线传输到云服务后台,信息实时提取系统每隔0.1s视频图像数据对象包括机动车和非机动以及行人;同时车辆的自身传感器数据和人员穿戴的智能设备也会将记录的信息同步在云端。
云服务后台接收到视频图像以及车辆传感器和人员信息数据,基于机器学习的事故报告系统开始工作。
该系统由两个功能组成:事故特征信息提取功能和基于机器学习的事故判断功能;基于机器学习的事故判断实现事故判断;这些功能的具体实现描述如下。
该系统以机器学习为基础,前期准备包括高质量的事故数据进行预训练,事故数据为事故视频、事故照片,数据包含车辆识别信息、人员伤情信息、事故参与各方位置信息,轨迹信息等,这些照片、视频均被标注特征,经过足够的训练,该系统能达到一定的判断精度。
采用基于图像处理的目标检测与跟踪技术来获取事故特征;信息提取功能的框架如下。
(1)预处理:相机标定,将图像坐标转换为真实坐标。
摄像机图像是通过将三维空间中的点投影到二维图像平面上获得的;二维平面上的投影图像通常受到摄像机位置、方位等多种因素的影响,特别是摄像机的固有参数;因此,需要对摄像机内部参数进行标定,以获得精确的真实世界坐标;如图2所示。
(2)使用Faster R-CNN进行目标检测:候选区域,目标分类。
如图3所示,使用候选区域网络(RPN)估计图像中对象可能位于的区域,RPN通过在CNN生成的特征图上滑动大小为n*n的窗口来执行卷积运算;目标分类:即输出每个区域的对象类别,通过Deep CNN提取图像特征,再将不同大小的区域统一到相同的大小,以通过完全连接的层确定区域中的对象。
(3)使用Deep SORT进行目标追踪。
目标追踪基于检测的追踪(Detection-based tracking),DBT能够自动发现新的目标并终止消失的目标,其优势在于能跟踪图像上随机出现的交通对象;包括提取交通对象深度特征,为了在多幅图像中检测同一目标,需要通过CNN提取每个目标的特征,提取的特征是作为跟踪过程中检测同一目标的依据;此外还需状态估计和级联匹配,当一个对象连续移动时,该对象的状态发生变化,先前计算的特征也相应地发生变化,利用状态估计结果通过级联匹配可实现继续追踪。
(4)后处理:单应性变换(投影变换),交通环境检测,标注特征。
单应性变换(投影变换):将图像上每个对象的位置转换为实际坐标,在交通对象检测之后,将不同的特征信息提取并打上标签。
基于事故信息权重的双隐层神经网络事故判别模型;使用双隐层(Two hiddenlayered,THL)感知器神经网络来对事故进行判别,图4显示了上述学习模型的体系结构。每个机器学习模型的输入层有包括n个输入神经元,可以输入包括但不限于与事故或者环境相关的特征,如事故位置信息(X和Y坐标)、事故形态、事故对象、交通信号、速度、加速度、行人性别等。
上述模型根据实时收集的交通信息来输出判断事故结果,为了给后续上报提供足够的时间,设计为在1.5s内做出基本判断;也可以根据不同要求的情况下找到更合适的时间范围,总之这个时间与软硬件设备以及机器学习的发展相关。
事故判定上报系统。云服务将判断为事故的信息进行上报第三方,第三方包括但不限于交警,医院,亲属,保险公司等;信息包含系统自动生成的事故简报视频图像,检测出来的事故位置,事故形态,事故对象,事故环境,车辆EDR信息等。
数据库生成系统,在上报各方的同时在云端会自动将涉及该事故的各项数据自动存入事故数据库,数据包含但不局限于事故参与方车辆信息、人员信息、现场道路信息等能为事故还原和鉴定调查提供真实证据的各项信息,便于事故调查重建以及为保险理赔提供有力的一手证据。
本发明主要包括信息采集部分、云服务平台以及第三方,其中信息采集部分又分为视觉传感器采集、车辆或手机等可通讯设备将相关事故信息上传云服务平台。视频监控摄像头每隔固定的时间采集一次图像序列,间隔时间根据采集地点的交通流量来定;此外,信息采集还可通过行人以及车辆驾驶员的手机、车辆上的通讯设施将事故参与方的年龄、性别,车辆位置甚至是车辆损坏大致情况直接上传至云服务,根据需求,移动端设备已经为智能交通系统或本发明系统物联网设备,车主以及行人已对此方式进行授权;云服务平台对视觉传感器拍下图像序列交由信息提取系统进行处理,随后将整理的信息以及移动端设备上传的车辆位置、EDR等信息交给基于机器学习的事故报告系统,系统将对信息进行分析并判断是否发生事故;若发生事故,云服务平台将迅速呼叫110、120平台,并将所采集相关信息迅速传给警方、医院、事故参与者紧急联系人,以便各方可以在事故第一时间做好预备工作并赶到事故现场;并且在云端会生成专门的事故数据库来对事故数据和相关证据信息进行分类储存,便于后续的调用和查阅。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种云端环境下基于感知传感器的事故报告、储存方法,其特征在于,包括:
通过道路架设的交警视频监控摄像头感知传感器设备以及车辆自身的传感器、人员穿戴的智能设备,每隔固定的时间采集一次图像序列、道路信息、车辆参数以及人员信息;
将传感器及车辆采集到的包括但不局限于图像序列的信息,通过无线加密通信传输到云服务后台;云服务后台对信息进行特征提取、使用双隐层神经网络对特征信息进行事故判定,若出现事故则自动将事故信息存入云端数据库,并通过无线加密方式向交警、医院、保险、鉴定部门发送报告;
道路架设的交警视频监控摄像头感知传感器设备以及车辆自身的传感器、人员穿戴的智能设备包括:道路摄像头、地磁流量传感器、道路温度、湿度传感器、车辆自身传感器及EDR信息、智能手机、智能穿戴装置;
每隔固定的时间采集一次图像序列、道路信息、车辆参数以及人员信息,包括:每隔0.1s采集一次道路视频、图像、环境温度、湿度、车流量情况、车辆横向纵向运动参数、EDR信息、人员信息、人员运动参数;
将传感器及车辆采集到的包括但不局限于图像序列的信息,通过无线通信传输到云服务后台,包括:采用基于LoRa协议的无线加密传输来对数据进行上传,并用128bits的AES秘钥来对数据进行加密。
2.根据权利要求1所述的云端环境下基于感知传感器的事故报告、储存方法,其特征在于:云服务后台对信息进行特征提取、根据特征信息进行事故判定,若出现事故则自动将事故信息存入云端数据库,并向交警、医院、保险、鉴定部门发送报告;包括:数据提取系统、事故判定系统、数据库系统、事故上报系统。
3.根据权利要求2所述的云端环境下基于感知传感器的事故报告、储存方法,其特征在于:对信息进行特征提取,包括:
预处理:相机标定,将图像坐标转换为真实坐标;
使用Faster R-CNN进行目标检测:候选区域,目标分类;
使用Deep SORT进行目标追踪;
后处理:单应性变换,交通环境检测,标注特征。
4.根据权利要求2所述的云端环境下基于感知传感器的事故报告、储存方法,其特征在于:对特征信息进行事故判定,包括使用基于事故信息权重的双隐层神经网络事故判别模型;使用双隐层感知器神经网络来对提取出来的信息进行事故判别,其中两个隐藏层分别为对特征信息进行权重分配以及对事故进行判定。
5.根据权利要求2所述的云端环境下基于感知传感器的事故报告、储存方法,其特征在于:包括将事故信息用表格分类储存、包含事故涉及到的车辆信息、人员信息、道路信息、环境信息。
6.根据权利要求2所述的云端环境下基于感知传感器的事故报告、储存方法,其特征在于:将完整的一手事故信息通过基于LoRa协议的无线加密传输方式发给交警、医院、保险、家属、鉴定部门。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434351.XA CN114170272A (zh) | 2021-11-29 | 2021-11-29 | 一种云端环境下基于感知传感器的事故报告、储存方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434351.XA CN114170272A (zh) | 2021-11-29 | 2021-11-29 | 一种云端环境下基于感知传感器的事故报告、储存方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170272A true CN114170272A (zh) | 2022-03-11 |
Family
ID=80481487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111434351.XA Pending CN114170272A (zh) | 2021-11-29 | 2021-11-29 | 一种云端环境下基于感知传感器的事故报告、储存方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170272A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240421A (zh) * | 2022-07-20 | 2022-10-25 | 安徽远航交通科技有限公司 | 一种基于作业区的事故高效提报方法 |
WO2024000754A1 (zh) * | 2022-06-30 | 2024-01-04 | 青岛海尔科技有限公司 | 感知事件上报方法、装置、存储介质及电子装置 |
-
2021
- 2021-11-29 CN CN202111434351.XA patent/CN114170272A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024000754A1 (zh) * | 2022-06-30 | 2024-01-04 | 青岛海尔科技有限公司 | 感知事件上报方法、装置、存储介质及电子装置 |
CN115240421A (zh) * | 2022-07-20 | 2022-10-25 | 安徽远航交通科技有限公司 | 一种基于作业区的事故高效提报方法 |
CN115240421B (zh) * | 2022-07-20 | 2024-02-09 | 安徽远航交通科技有限公司 | 一种基于作业区的事故高效提报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10475337B2 (en) | Investigation assist device, investigation assist method and investigation assist system | |
CN109686109B (zh) | 一种基于人工智能的停车场安全监控管理系统及方法 | |
CN108062349B (zh) | 基于视频结构化数据及深度学习的视频监控方法和系统 | |
US10152858B2 (en) | Systems, apparatuses and methods for triggering actions based on data capture and characterization | |
JP6905850B2 (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
CN106951885A (zh) | 一种基于视频分析的人流量统计方法 | |
CN114170272A (zh) | 一种云端环境下基于感知传感器的事故报告、储存方法 | |
CN109788242B (zh) | 救援系统、救援方法及其所使用的服务器 | |
CN106341661A (zh) | 巡逻机器人 | |
CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
CN110674761B (zh) | 一种区域行为预警方法及系统 | |
KR102282800B1 (ko) | 라이다와 영상카메라를 이용한 멀티 표적 추적 방법 | |
CN112071084A (zh) | 一种利用深度学习判断违章停车的方法和系统 | |
CN112836657A (zh) | 一种基于轻量化YOLOv3的行人检测方法及系统 | |
CN114445780A (zh) | 裸土苫盖的检测方法及装置、识别模型的训练方法及装置 | |
CN113111749A (zh) | 一种基于城市移动车辆视频监控ai分析的追踪系统 | |
CN117319609A (zh) | 一种物联网大数据智能视频监控系统及方法 | |
CN115546742A (zh) | 一种基于单目热红外摄像头的铁轨异物识别方法及系统 | |
CN113901946A (zh) | 一种异常行为检测的方法、装置、电子设备及存储介质 | |
CN110837753A (zh) | 一种人车物识别布控的集分模型及其使用方法 | |
Thevendran et al. | Deep Learning & Computer Vision for IoT based Intelligent Driver Assistant System | |
CN111400415A (zh) | 涉稳人员的管理方法及相关装置 | |
KR102434154B1 (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 |
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 |