CN114333123A - 基于激光测距元件组的闸机通行检测方法、设备和介质 - Google Patents
基于激光测距元件组的闸机通行检测方法、设备和介质 Download PDFInfo
- Publication number
- CN114333123A CN114333123A CN202111517551.1A CN202111517551A CN114333123A CN 114333123 A CN114333123 A CN 114333123A CN 202111517551 A CN202111517551 A CN 202111517551A CN 114333123 A CN114333123 A CN 114333123A
- Authority
- CN
- China
- Prior art keywords
- gate
- output
- laser ranging
- neural network
- input
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 15
- 241000287107 Passer Species 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于激光测距元件组的闸机通行检测设备、方法和介质,其中方法包括:步骤1:在闸机一侧部署若干激光测距元件,所述激光测距元件获取闸机通行通道内某平面的一组距离信息;步骤2:对所述距离信息采用BP神经网络建立闸机通道内物体位置计算模型,步骤3:对所述BP神经网络进行训练,并依照误差对神经网络进行调整,得到满足使用的基于BP神经网络的闸机通道内物体位置计算模型。本发明利用激光测距元件的元件组代替多对红外对射传感器,降低闸机成本,拓展了在狭小环境下闸机的使用场景,基于训练后神经网络的闸机设备为通行检测提供了安全可靠的保障,具有切实可行的实用价值和广泛的应用前景。
Description
技术领域
本发明涉及闸机通行检测,尤其涉及一种基于激光测距元件组的闸机通行检测方法、设备和介质。
背景技术
闸机设备作为一种规范行人通行的终端,被广泛应用于办公大楼、学校、工厂、地铁、高铁、机场、旅游景区等很多场所,从而对一些关键出入口进行管控。常见的人行通道闸机按闸门的机械结构分类有摆闸、翼闸、三棍闸、平移闸等多种类型。
目前,通常使用的闸机采用直流电机带动门板转动,通过多对红外对射传感器监测人员通行,即从一侧通道的一排多个红外发射模块发出一定波长的激光,另一侧的通道的红外激光接收传感器来接受激光,若是没有正常接收到激光则视为这个通道此处位置被阻挡。
然而,红外对射传感器通行检测的方法存在以下主要缺点。首先,闸机的体积受传感器数量和分布间隔的限制无法减小,尤其机身长度难以缩短,硬件成本较高;其次,无法准确识别成人、儿童、行李等目标,导致可能出现重复开、闭,或者成人通过了儿童不能通过,行李被卡住等情况;再次,闸机打开至闭合的时间区间采用固定时长,该时长被设定为超出一般正常行人的实际通行耗时,累计起来给通行效率带来了不可忽视的影响;最后,通行计数方式的防尾随机制误报率高,例如拖曳行李或者引领儿童通过闸机等行为都可能引发报警。
发明内容
发明目的:针对现有技术的不足,提供一种基于激光测距元件组的闸机通行检测设备及方法,减小闸机体积,提高闸机检测的准确度。
技术方案:一种基于激光测距元件组的闸机通行检测方法,包括:
步骤1:在闸机一侧部署若干激光测距元件,激光测距元件获取闸机通行通道内某平面的一组距离信息;
步骤2:对距离信息采用BP神经网络建立闸机通道内物体位置计算模型,
步骤3:对BP神经网络进行训练,并依照误差对神经网络进行调整,得到满足使用的基于BP神经网络的闸机通道内物体位置计算模型。
进一步地,步骤1具体包括:
步骤1.1:确定闸机通道宽度L,选择合适的角度并部署数量为n的激光测距元件[θ1,θ2,θ3,…,θn],其中,n≥4;
步骤1.2:采集各种情形下,闸机通道内行人或物体在闸机通道中轴线上的投影中心位置[y1,y2,…]以及对应的激光测距原始数据[ρ1,ρ2,ρ3,…,ρn],根据留出法将所有数据划分成训练集和测试集;
步骤1.3:通过最大最小法xk=(xk-xmin)/(xmax-xmin)将训练集和测试集中的数据进行归一化处理,将所有数据转化为[0,1]之间的数,数据被重新整理为input_train,output_train,input_test,output_test;
其中,input_train,input_test为包含多组[ρ1,ρ2,ρ3,…,ρn]的数据集,output_train、output_test为包含多组[y1,y2,…]的数据集。
进一步地,步骤2中的BP神经网络包括了输入层、隐含层、输出层,该网络的建立包括:
步骤2.1:该网络的输入层节点数为该闸机激光测距元件的个数n,输出层节点数m为通道内物体最多可能数量,该数量受到通道长度限制且小于n,隐含层的节点数l遵从如下公式:
其中a为0~10之间的常数。
步骤2.2:BP神经网络的神经元激励函数和损失函数组合选用线性整流函数ReLU,即φ(x)=max(0,x),和距离损失函数MSE,L(y,v(m))=||y-v(m)||2的组合;
步骤2.3:初始化输入层、隐含层、输出层神经元之间的连接权值ωij,ωjk,初始化隐含层阈值a,输出层阈值b。
进一步地,步骤3中设置训练参数:迭代次数t=100,学习效率η=0.03,使用input_train,output_train来完成对所属BP神经网络的训练。
进一步地,BP神经网络的训练具体包括:
步骤3.1:隐含层输出计算:根据输入向量[ρ1,ρ2,ρ3,…,ρn],输入层和隐含层之间的连接权值ωij以及隐含层阈值a,计算隐含层输出H,
其中,l为隐含层节点数,f为隐含层激励函数;
步骤3.2:输出层输出计算:根据隐含层输出H,连接权值ωij和阈值b,计算BP神经网络预测输出O,
步骤3.3:误差计算:根据网络预测输出O和预期输出Y,来计算网络预测误差e,
ek=Yk-Ok k=1,2,…,m
步骤3.4:权值更新:根据网络预测误差e更新网络连接权值ωij,ωjk,
ωjk=ωjk+ηHjek j=1,2,…,m;k=1,2,…,m
式中,η为学习速率;
步骤3.5:阈值更新:根据网络预测误差e更新网络节点阈值a,b,
bk=bk+ek k=1,2,…,m
步骤3.6:重复上述步骤,直到完成全部的迭代次数。
进一步地,使用步骤1中获得测试集数据进行测试,将input_test输入到步骤3中训练好的模型,获得该模型的对应输出数据并将其记为an,将该网络预测的数据进行反归一化处理,得到最终输出结果test_sim,根据神经网络在测试集上所预测的输出结果与output_test进行对比误差,并依照误差对神经网络进行调整,最终得到满足使用的一个基于BP神经网络的闸机通道内物体位置计算模型。
适用于上述方法的基于激光测距元件组的闸机通行检测设备,包括:部署在闸机一侧的激光测距元件,激光测距元件获取闸机通道内某平面的一组距离信息,设备内的主控板采用距离信息并建立如权利要求1中的BP神经网络完成闸机通行检测;还包括身份验证单元对人员身份进行识别,用于分辨被许可的通行者和未被许可通行者,设备对未被许可通行者发出报警命令并阻挡;通过物联网将用户信息、通行记录、人流量、闸机状态的实时信息、设备的故障信息及设备位置信息发送至后台系统,建立用户信息管理体系及设备状态监测模型。
适用于上述方法的计算机可读存储介质,包括供一个或多个处理器执行的一个或多个程序,一个或多个程序包括用于执行如上述任一方法的指令。
有益效果:与现有技术相比,本发明具有如下显著的优点:本发明利用激光测距元件的元件组代替多对红外对射传感器,大幅减少了机身体积,降低闸机成本,拓展了在狭小环境下闸机的使用场景,基于训练后神经网络的闸机设备为通行检测提供了安全可靠的保障。
附图说明
图1为本发明中基于激光测距元件组闸机的结构示意图;
图2为本发明中激光测距元件部署和数据采集示意图;
图3为本发明中设备原理框图;
图4为本发明中闸机通道内物体位置计算模型的BP神经网络拓扑结构图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1和图3所示,闸机设备包括闸机主机机身、从机机身、激光测距元件组、身份验证单元、主控板、通道控制器、伺服控制器、伺服电机、摆门门板等,部件连接关系如下:闸机主控板与两个闸门机构通过CAN总线连接,闸机主控板通过总线命令对两个闸门机构的参数和开合动作进行同步控制;激光测距元件组通过串口与闸机主控板连接,以计算进入通道的人或物体的位置和运动状态;身份验证单元与闸机主控板连接,身份验证单元用于对通行闸机的人员身份进行验证,将用户的身份验证结果发送给通道控制器,当验证通过后才会控制闸门机构开门,并将用户通行数据发送至用户信息管理平台;通道控制器与伺服控制器之间采用通讯线连接,通过通讯的方式,控制伺服电机转动,从而驱动摆门门板动作;物联网控制板也与通道控制器连接,获取通道控制器发送的部件状态信息,并将数据发送至运维支撑平台。
其中,各个部件模块的具体说明如下:
闸机主控板:闸机主控板作为闸机设备的核心控制单元,采用工业控制主板实现,其具备GPIO口、CAN总线接口、以太网接口,以及多个串行通讯接口,身份验证单元通过GPIO口与闸机主控板连接,用于将验证授权信号发送给闸机主控板;激光测距元件组模块通过串口与闸机主控板连接,以计算进入通道的人或物体的位置和运动状态;闸机主控板的CAN总线接口连接两个闸门机构,通过总线对闸门机构进行参数配置及命令控制。
闸门机构:闸门机构根据上位机下发的总线命令,对闸门的开关动作进行控制,从而实现对通行者的阻拦或放行,实现出入口的智能化管控和安全防范。
身份验证单元:身份验证单元可采用人脸识别器、RFID读卡器、二维码识别器中的一种或多种组合,用于对人员身份进行识别;身份验证单元通过以5G传输与后台用户信息管理系统连接,并根据后台用户信息管理系统下发的白名单库,对通行人员识别身份进行比对验证,验证通过后会通过其自身的输出接口将授权信号发送给闸机主控板。例如,身份验证单元可采用型号为PME-820D的人脸识别器。
激光测距元件组模块:该模块由不少于4个以上的激光测距元件组成,部署于约闸机主机机身中心位置。该模块通过激光测距元件采集闸机通道内多个角度上物体与闸机主机机身中心的距离数据,并通过RS-232与主板连接,将距离数据发送至主控板用于计算闸机通道内的物体通行状态。
通道控制模块:通道控制器通过RS-232和主控板连接,接收并处理主控板发送的通道内目标位置信息,并通过RS-485和伺服控制器、蜂鸣器、指示灯等连接,发送开关门、报警等命令。
伺服控制器、伺服电机模块:伺服控制器与通道逻辑控制器通过RS-485连接,通过通讯的方式,控制伺服电机转动,从而驱动联轴器带动闸门门板动作,回传开门到位、关门到位等实时状态,并在异常情况下发送急停指令控制离合器。
物联网控制模块:物联网中间件通过RS-232与通道控制器连接,获取通道控制器发送的部件状态信息,并通过物联网5G传输的方式将数据发送至运维支撑平台。
基于激光测距元件的闸机行人通行检测方法,具体步骤如下:
步骤1:根据实际应用环境对闸机布置进行规划,确定闸机通道宽度L,选择合适的角度部署下数量为n(n≥4)的激光测距元件[θ1,θ2,θ3,…,θn]。
步骤2:采集各种情形下,闸机通道内行人(或物体)在闸机通道中轴线上的投影中心位置[y1,y2,…]以及对应的激光测距原始数据[ρ1,ρ2,ρ3,…,ρn]。根据留出法将所有数据划分成训练集和测试集。
步骤3:通过最大最小法xk=(xk-xmin)/(xmax-xmin)将训练集和测试集中的数据进行归一化处理,将所有数据转化为[0,1]之间的数,以取消各维数据之间的数量级差别。数据被重新整理为input_train,output_train,input_test,output_test。
步骤4:构建基于BP神经网络的闸机通道内物体位置计算模型。
其中,步骤4中的BP神经网络包括了输入层、隐含层、输出层,该网络的建立存在以下具体步骤:
步骤4.1:该网络的输入层节点数取决于该闸机最终所选择激光测距元件的个数n,输出层节点数m一般设为通道内物体最多可能数量,受到通道长度限制且一定小于n。隐含层的节点数l遵从如下公式:
步骤4.2:本BP神经网络的神经元激励函数和损失函数组合将选用线性整流函数ReLU,即φ(x)=max(0,x),和距离损失函数MSE,L(y,v(m))=||y-v(m)||2的组合。
步骤4.3:初始化输入层、隐含层、输出层神经元之间的连接权值ωij,ωjk,初始化隐含层阈值a,输出层阈值b。
步骤5:进行BP神经网络的训练:设置训练参数:迭代次数t=100,学习效率η=0.03。使用input_train,output_train来完成对所属BP神经网络的训练。
其中,BP神经网络的训练经过了以下几个步骤:
步骤5.1:隐含层输出计算。根据输入向量[ρ1,ρ2,ρ3,…,ρn],输入层和隐含层之间的连接权值ωij以及隐含层阈值a,计算隐含层输出H,
其中,l为隐含层节点数,f为隐含层激励函数;
步骤5.2:输出层输出计算。根据隐含层输出H,连接权值ωij和阈值b,计算BP神经网络预测输出O,
步骤5.3:误差计算。根据网络预测输出O和预期输出Y,来计算网络预测误差e,
ek=Yk-Ok k=1,2,…,m
步骤5.4:权值更新。根据网络预测误差e更新网络连接权值ωij,ωjk。
ωjk=ωjk+ηHjek j=1,2,…,m;k=1,2,…,m
式中,η为学习速率。
步骤5.5:阈值更新。根据网络预测误差e更新网络节点阈值a,b。
bk=bk+ek k=1,2,…,m
步骤5.6:重复上述步骤,直到完成全部的迭代次数。
步骤6:使用步骤3中获得测试集数据来进行测试,将input_test输入到步骤5中训练好的模型中,获得该模型的对应输出数据并将其记为an,将该网络预测的数据进行反归一化处理,得到最终输出结果test_sim。
步骤7:根据神经网络在测试集上所预测的输出结果与output_test进行对比误差,并依照误差对神经网络进行调整,最终得到满足使用的一个基于BP神经网络的闸机通道内物体位置计算模型。如下表1所示,为当激光测距元件数量为6,闸机通道宽度为60cm,长度为100cm,仅考虑一人通行情况下的训练好的计算模型在对应测试下的测试结果及误差。
步骤8:闸机的主控板通过步骤7中的通道内物体位置计算模型实时检测通道内的物体位置。在完成身份验证授权后,检查是否有行人(物体)处于闸机摆门开合路径区域,如有物体处在闸机开合危险区范围内,则闸机保持闭合。反之,完成闸机开门过程,直至行人(物体)的位置移动到安全区域后,控制闸机适时开闭摆门。
步骤9:通道逻辑控制器获取闸机设备各部件状态信息,并将各部件的正常或失效数据一并,通过物联网电路板,发送至运维系统后台,运维系统后台将设备状态信息通过外网推送至维保人员手机终端。
本发明的实施例可提供为方法或计算机程序产品,因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明的具体实施方式中,未涉及到的说明属于本领域的公知技术,可参考公知技术加以实施。
Claims (8)
1.一种基于激光测距元件组的闸机通行检测方法,其特征在于,包括:
步骤1:在闸机一侧部署若干激光测距元件,所述激光测距元件获取闸机通行通道内某平面的一组距离信息;
步骤2:对所述距离信息采用BP神经网络建立闸机通道内物体位置计算模型,
步骤3:对所述BP神经网络进行训练,并依照误差对神经网络进行调整,得到满足使用的基于BP神经网络的闸机通道内物体位置计算模型。
2.根据权利要求1所述的基于激光测距元件组的闸机通行检测方法,其特征在于,所述步骤1具体包括:
步骤1.1:确定闸机通道宽度L,选择合适的角度并部署数量为n的激光测距元件[θ1,θ2,θ3,…,θn],其中,n≥4;
步骤1.2:采集各种情形下,闸机通道内行人或物体在闸机通道中轴线上的投影中心位置[y1,y2,…]以及对应的激光测距原始数据[ρ1,ρ2,ρ3,…,ρn],根据留出法将所有数据划分成训练集和测试集;
步骤1.3:通过最大最小法xk=(xk-xmin)/(xmax-xmin)将训练集和测试集中的数据进行归一化处理,将所有数据转化为[0,1]之间的数,数据被重新整理为input_train,output_train,input_test,output_test;
其中,imput_train,imput_test为包含多组[ρ1,ρ2,ρ3,…,ρn]的数据集,output_train、output_test为包含多组[y1,y2,…]的数据集。
3.根据权利要求1所述的基于激光测距元件组的闸机通行检测方法,其特征在于,所述步骤2中的BP神经网络包括了输入层、隐含层、输出层,该网络的建立包括:
步骤2.1:该网络的输入层节点数为该闸机激光测距元件的个数n,输出层节点数m为通道内物体最多可能数量,该数量受到通道长度限制且小于n,隐含层的节点数l遵从如下公式:
其中a为0~10之间的常数。
步骤2.2:BP神经网络的神经元激励函数和损失函数组合选用线性整流函数ReLU,即φ(x)=max(0,x),和距离损失函数MSE,L(y,v(m))=||y-v(m)||2的组合;
步骤2.3:初始化输入层、隐含层、输出层神经元之间的连接权值ωij,ωjk,初始化隐含层阈值a,输出层阈值b。
4.根据权利要求1所述的基于激光测距元件组的闸机通行检测方法,其特征在于,所述步骤3中设置训练参数:迭代次数t=100,学习效率η=0.03,使用input_train,output_train来完成对所属BP神经网络的训练。
5.根据权利要求4所述的基于激光测距元件组的闸机通行检测方法,其特征在于,所述BP神经网络的训练具体包括:
步骤3.1:隐含层输出计算:根据输入向量[ρ1,ρ2,ρ3,…,ρn],输入层和隐含层之间的连接权值ωij以及隐含层阈值a,计算隐含层输出H,
其中,l为隐含层节点数,f为隐含层激励函数;
步骤3.2:输出层输出计算:根据隐含层输出H,连接权值ωij和阈值b,计算BP神经网络预测输出O,
步骤3.3:误差计算:根据网络预测输出O和预期输出Y,来计算网络预测误差e,
ek=Yk-Ok k=1,2,···,m
步骤3.4:权值更新:根据网络预测误差e更新网络连接权值ωij,ωjk,
ωjk=ωjk+ηHjek j=1,2,···,m;k=1,2,···,m
式中,η为学习速率;
步骤3.5:阈值更新:根据网络预测误差e更新网络节点阈值a,b,
bk=bk+ek k=1,2,···,m
步骤3.6:重复上述步骤,直到完成全部的迭代次数。
6.根据权利要求1所述的基于激光测距元件组的闸机通行检测方法,其特征在于,使用步骤1中获得测试集数据进行测试,将input_test输入到步骤3中训练好的模型,获得该模型的对应输出数据并将其记为an,将该网络预测的数据进行反归一化处理,得到最终输出结果test_sim,根据神经网络在测试集上所预测的输出结果与output_test进行对比误差,并依照误差对神经网络进行调整,最终得到满足使用的一个基于BP神经网络的闸机通道内物体位置计算模型。
7.一种适用于权利要求1所述方法的基于激光测距元件组的闸机通行检测设备,其特征在于,该设备包括:部署在闸机一侧的激光测距元件,所述激光测距元件获取闸机通道内某平面的一组距离信息,设备内的主控板采用所述距离信息并建立如权利要求1中所述的BP神经网络完成闸机通行检测;还包括身份验证单元对人员身份进行识别,用于分辨被许可的通行者和未被许可通行者,设备对未被许可通行者发出报警命令并阻挡;通过物联网将用户信息、通行记录、人流量、闸机状态的实时信息、设备的故障信息及设备位置信息发送至后台系统,建立用户信息管理体系及设备状态监测模型。
8.一种计算机可读存储介质,其特征在于,包括供一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-6任一所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111517551.1A CN114333123A (zh) | 2021-12-13 | 2021-12-13 | 基于激光测距元件组的闸机通行检测方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111517551.1A CN114333123A (zh) | 2021-12-13 | 2021-12-13 | 基于激光测距元件组的闸机通行检测方法、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114333123A true CN114333123A (zh) | 2022-04-12 |
Family
ID=81050397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111517551.1A Pending CN114333123A (zh) | 2021-12-13 | 2021-12-13 | 基于激光测距元件组的闸机通行检测方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333123A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017202169A1 (zh) * | 2016-05-25 | 2017-11-30 | 腾讯科技(深圳)有限公司 | 门禁控制数据处理方法、门禁控制方法和电子设备 |
CN108871205A (zh) * | 2018-08-16 | 2018-11-23 | 大连理创科技有限公司 | 一种工程用智能安全帽检测装置 |
CN109657580A (zh) * | 2018-12-07 | 2019-04-19 | 南京高美吉交通科技有限公司 | 一种城市轨道交通闸机通行控制方法 |
CN109816310A (zh) * | 2019-01-22 | 2019-05-28 | 浙江华是科技股份有限公司 | 一种基于人工智能的航道船舶卡口管理系统及其管理方法 |
CN110210373A (zh) * | 2019-05-29 | 2019-09-06 | 中国民航大学 | 一种尾随行为检测的方法 |
WO2020093831A1 (zh) * | 2018-11-09 | 2020-05-14 | 阿里巴巴集团控股有限公司 | 一种人数统计方法、装置、及计算机设备 |
CN111680588A (zh) * | 2020-05-26 | 2020-09-18 | 广州多益网络股份有限公司 | 一种基于可见光和红外光的人脸闸机活体检测方法 |
CN112489266A (zh) * | 2020-12-10 | 2021-03-12 | 熵基科技股份有限公司 | 一种闸机控制方法、装置和闸机系统 |
CN112836634A (zh) * | 2021-02-02 | 2021-05-25 | 厦门瑞为信息技术有限公司 | 一种多传感器信息融合的闸机防尾随方法、装置、设备和介质 |
-
2021
- 2021-12-13 CN CN202111517551.1A patent/CN114333123A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017202169A1 (zh) * | 2016-05-25 | 2017-11-30 | 腾讯科技(深圳)有限公司 | 门禁控制数据处理方法、门禁控制方法和电子设备 |
CN108871205A (zh) * | 2018-08-16 | 2018-11-23 | 大连理创科技有限公司 | 一种工程用智能安全帽检测装置 |
WO2020093831A1 (zh) * | 2018-11-09 | 2020-05-14 | 阿里巴巴集团控股有限公司 | 一种人数统计方法、装置、及计算机设备 |
CN109657580A (zh) * | 2018-12-07 | 2019-04-19 | 南京高美吉交通科技有限公司 | 一种城市轨道交通闸机通行控制方法 |
CN109816310A (zh) * | 2019-01-22 | 2019-05-28 | 浙江华是科技股份有限公司 | 一种基于人工智能的航道船舶卡口管理系统及其管理方法 |
CN110210373A (zh) * | 2019-05-29 | 2019-09-06 | 中国民航大学 | 一种尾随行为检测的方法 |
CN111680588A (zh) * | 2020-05-26 | 2020-09-18 | 广州多益网络股份有限公司 | 一种基于可见光和红外光的人脸闸机活体检测方法 |
CN112489266A (zh) * | 2020-12-10 | 2021-03-12 | 熵基科技股份有限公司 | 一种闸机控制方法、装置和闸机系统 |
CN112836634A (zh) * | 2021-02-02 | 2021-05-25 | 厦门瑞为信息技术有限公司 | 一种多传感器信息融合的闸机防尾随方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
郑志材;: "基于神经网络的机器人激光测距方法研究", 激光杂志, no. 11 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839373B (zh) | 一种突发异常事件智能识别报警装置及报警系统 | |
CN111339867B (zh) | 一种基于生成对抗网络的行人轨迹预测方法 | |
CN109357747B (zh) | 一种基于光纤振动信号的在线列车识别及速度估计方法 | |
CN112669497A (zh) | 基于立体视觉技术的人行通道感知系统及方法 | |
CN106144861A (zh) | 用于乘客运输控制的基于深度传感器的乘客感测 | |
CN104751110A (zh) | 一种活体检测方法和装置 | |
CN102419885A (zh) | 异常检测装置 | |
CN109657580B (zh) | 一种城市轨道交通闸机通行控制方法 | |
CN110209999A (zh) | 一种车载设备故障趋势预测方法 | |
US20230332457A1 (en) | Method for controlling a door system | |
US20220324470A1 (en) | Monitoring of an ai module of a vehicle driving function | |
CN109034211A (zh) | 一种基于机器学习的车位状态检测方法 | |
CN112633262B (zh) | 通道监测方法、装置、电子设备及介质 | |
CN114333123A (zh) | 基于激光测距元件组的闸机通行检测方法、设备和介质 | |
CN116862740A (zh) | 一种基于互联网的智能监狱管控系统 | |
CN115879582B (zh) | 基于人脸识别的酒店智能入住管理系统 | |
CN116720073A (zh) | 一种基于分类器的异常检测提取方法与系统 | |
CN116486526A (zh) | 智能巡检门禁控制方法和系统、巡检机器人 | |
KR102441669B1 (ko) | 알에프아이디(rfid) 및 영상 처리를 이용한 항만 차량출입통제 시스템 및 그 방법 | |
Sun et al. | Vision-based traffic conflict detection using trajectory learning and prediction | |
CN115379198A (zh) | 相机篡改检测 | |
CN217133572U (zh) | 一种通行控制装置及系统 | |
WO2019156599A1 (en) | System and method of people's movement control | |
CN103454936B (zh) | 一种全自动尿液检测仪的数据采集系统 | |
KR102498255B1 (ko) | 버스 정류장의 psd 제어 시스템 |
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 |