CN114511978A - 一种入侵预警方法、装置、车辆和计算机可读存储介质 - Google Patents
一种入侵预警方法、装置、车辆和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114511978A CN114511978A CN202111619624.8A CN202111619624A CN114511978A CN 114511978 A CN114511978 A CN 114511978A CN 202111619624 A CN202111619624 A CN 202111619624A CN 114511978 A CN114511978 A CN 114511978A
- Authority
- CN
- China
- Prior art keywords
- intrusion
- early warning
- preset
- target
- detection result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 110
- 230000000007 visual effect Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000007499 fusion processing Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 79
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 230000001960 triggered effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000004927 fusion Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/16—Actuation by interference with mechanical vibrations in air or other fluid
- G08B13/1609—Actuation by interference with mechanical vibrations in air or other fluid using active vibration detection systems
- G08B13/1645—Actuation by interference with mechanical vibrations in air or other fluid using active vibration detection systems using ultrasonic detection means and other detection means, e.g. microwave or infrared radiation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19608—Tracking movement of a target, e.g. by detecting an object predefined as a target, using target direction and or velocity to predict its new position
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19639—Details of the system layout
- G08B13/19647—Systems specially adapted for intrusion detection in or around a vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Burglar Alarm Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种入侵预警方法、装置、车辆和计算机可读存储介质，该方法包括：在目标车辆的模式为低功率模式时，获取第一视觉数据与超声波数据；分别对第一视觉数据与超声波数据进行入侵检测处理，得到第一入侵检测结果与第二入侵检测结果；对第一入侵检测结果与第二入侵检测结果进行融合处理，得到入侵检测结果；在入侵检测结果中存在入侵事件时，获取第二视觉数据，并对第二视觉数据进行入侵行为分析，得到入侵行为类别并进行预警。通过上述方式，本申请能够满足低功率要求，且提升车辆的安全性。
Description
技术领域
本申请涉及计算机视觉技术领域，具体涉及一种入侵预警方法、装置、车辆和计算机可读存储介质。
背景技术
目前人工智能技术已经被广泛应用于各种智能驾驶系统中，但在车辆闭锁的应用场景中，可能无法对车辆财产安全进行保障，虽然部分行车记录系统可以在车辆处于闭锁状态时，记录车辆前方场景的视频数据，但此类系统存在监控盲区，并且只能提供事后取证素材，无法降低或避免此类车辆财产损失事件发生。
发明内容
本申请提供一种入侵预警方法、装置、车辆和计算机可读存储介质，能够满足低功率要求，且提升车辆的安全性。
为解决上述技术问题，本申请采用的技术方案是：提供一种入侵预警方法，该方法包括：在目标车辆的模式为低功率模式时，获取第一视觉数据与超声波数据；分别对第一视觉数据与超声波数据进行入侵检测处理，得到第一入侵检测结果与第二入侵检测结果；对第一入侵检测结果与第二入侵检测结果进行融合处理，得到入侵检测结果；在入侵检测结果中存在入侵事件时，获取第二视觉数据，并对第二视觉数据进行入侵行为分析，得到入侵行为类别并进行预警。
为解决上述技术问题，本申请采用的另一技术方案是：提供一种入侵预警装置，该入侵预警装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的入侵预警方法。
为解决上述技术问题，本申请采用的另一技术方案是：提供一种车辆，该车辆包括上述技术方案中的入侵预警装置。
为解决上述技术问题，本申请采用的另一技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的入侵预警方法。
通过上述方案，本申请的有益效果是：在目标车辆的模式为低功率模式时，先获取第一视觉数据与超声波数据；然后对第一视觉数据进行入侵检测处理，得到第一入侵检测结果；同时，对超声波数据进行入侵检测处理，得到第二入侵检测结果；然后对第一入侵检测结果与第二入侵检测结果进行融合，生成入侵检测结果；然后判断入侵检测结果中是否存在入侵事件，若该入侵检测结果中存在入侵事件，则对获取到的第二视觉数据进行入侵行为分析，得到入侵行为类别，并执行入侵预警操作；在目标车辆处于低功耗模式时，通过对超声波数据与视觉数据的分析结果进行融合，能够提升检测目标车辆周围是否存在入侵行为的准确性，且能够在存在入侵事件时对入侵目标发出警告以及通知车主，保障车辆以及车内物品的安全，且功耗较低。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的入侵预警方法一实施例的流程示意图；
图2是本申请提供的入侵预警方法另一实施例的流程示意图；
图3是本申请提供的入侵分析模型的结构示意图；
图4是本申请提供的入侵预警装置一实施例的结构示意图；
图5是本申请提供的车辆一实施例的结构示意图；
图6是本申请提供的目标车辆上的雷达以及摄像头的分布示意图；
图7是本申请提供的入侵预警装置另一实施例的结构示意图；
图8是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本申请作进一步的详细描述。特别指出的是，以下实施例仅用于说明本申请，但不对本申请的范围进行限定。同样的，以下实施例仅为本申请的部分实施例而非全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
需要说明的是，本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，图1是本申请提供的入侵预警方法一实施例的流程示意图，该方法包括：
S11：在目标车辆的模式为低功率模式时，获取第一视觉数据与超声波数据。
目标车辆的模式包括待机模式(即低功率模式)和识别模式(即高功率模式)，低功率模式可以是目标车辆处于闭锁状态的模式，高功率模式可以是目标车辆未处于闭锁状态的模式。具体地，目标车辆包括入侵预警装置、摄像设备以及雷达，低功率模式可由超声波雷达信号触发，如果摄像设备的监控场景内不存在超声波雷达信号，则目标车辆处于低功率模式，否则，目标车辆处于高功率模式。可以理解地，高功率模式与低功率模式是相对而言的，本实施例不对这两种模式的功率值进行限定，只要高功率模式对应的功率值大于低功率模式对应的功率值即可。
为了在目标车辆处于低功率模式时，对目标车辆进行周界入侵检测，可采用视觉检测与超声波雷达检测这两种方式，可先进行数据采集，即采集超声波数据与第一视觉数据，然后利用采集到的数据判断目标车辆的周围是否存在入侵目标，下面进行具体描述。
S12：分别对第一视觉数据与超声波数据进行入侵检测处理，得到第一入侵检测结果与第二入侵检测结果。
第一视觉数据为采用摄像设备拍摄到的目标车辆周围情况的视频，对第一视觉数据进行分析处理，比如：采用深度学习技术进行目标检测、识别或跟踪，得到当前监控场景中是否存在可能对目标车辆造成威胁的目标对象的信息(即第一入侵检测结果)，该目标对象可以为人、其他动物或障碍物。同样地，对于获取到的超声波数据来说，通过对该超声波数据进行分析处理，得到目标车辆的周围区域中是否存在可能对目标车辆造成威胁的目标对象的信息(即第二入侵检测结果)。
S13：对第一入侵检测结果与第二入侵检测结果进行融合处理，得到入侵检测结果。
在获取到第一入侵检测结果与第二入侵检测结果之后，可采用融合方法对这两个入侵检测结果进行融合，得到入侵检测结果。具体地，当第一入侵检测结果包括当前存在入侵事件或第二入侵检测结果包括当前存在入侵事件时，判定当前存在入侵事件，即入侵检测结果包括入侵事件，入侵事件可以为有目标对象靠近或敲打目标车辆的事件；或者，当第一入侵检测结果包括当前存在入侵事件且第二入侵检测结果包括当前存在入侵事件时，判定当前存在入侵事件，即入侵检测结果包括入侵事件；当第一入侵检测结果为当前不存在入侵事件且第二入侵检测结果为当前不存在入侵事件时，判定当前不存在入侵事件，此时不做处理。
S14：在入侵检测结果中存在入侵事件时，获取第二视觉数据，并对第二视觉数据进行入侵行为分析，得到入侵行为类别并进行预警。
在检测到目标车辆所在的场景中存在入侵事件时，采用摄像设备拍摄监控场景的视频，得到第二视觉数据；然后采用行为分析方法对第二视觉数据进行处理，得到入侵行为的类别(记作入侵行为类别)，入侵行为类别可以为靠近目标车辆、敲打目标车辆或其他合理类别。在检测到当前的入侵行为对应的类别后，可进行预警，比如：发出警报声、播放预先设置的预警音频、目标车辆的车灯亮起或发送信息至预设联系人(比如：目标车辆的主人)，以提醒入侵目标远离目标车辆，或者提醒车主及时查看车辆，防止车辆受损或车内物体被盗。在检测到目标车辆所在的场景中不存在入侵事件时，不做处理。可以理解地，第二视觉数据还可与第一视觉数据相同，或者第二视觉数据包括第一视觉数据的至少一部分，或者第二视觉数据为第一视觉数据的一部分。
本实施例所提供的方案在目标车辆处于低功耗模式时，分别采用超声波数据与视觉数据进行入侵检测，通过对超声波数据与视觉数据进行融合分析，能够对是否有目标靠近或车辆打砸等事件进行检测，检测的准确性更好，且检测的范围较为广泛，能够实现360°检测，且由于功耗较低，可支持全天检测；此外，在存在入侵事件时，能够对入侵目标进行警告，且可远程提示车主，提升车辆以及车内财产的安全性。
请参阅图2，图2是本申请提供的入侵预警方法另一实施例的流程示意图，该方法包括：
S21：在目标车辆的模式为低功率模式时，获取第一视觉数据与超声波数据。
S21与上述S11相同，在此不再赘述。
S22：对第一抓拍图像进行目标检测处理得到第一位置，并将第一位置转换到目标车辆所在的车辆坐标系中得到第二位置。
第一视觉数据包括多帧第一抓拍图像，第一抓拍图像包括目标对象；采用相关技术中的目标检测方法对第一抓拍图像进行检测，得到该第一抓拍图像中是否存在目标对象的信息、在存在目标对象时该目标对象的位置；如果第一抓拍图像中存在至少一个目标对象，则采用预先建立的映射模型将该目标对象的第一位置转到车辆坐标系下，得到第二位置，第一位置为目标对象在图像坐标系中的位置，该映射模型为图像坐标系与车辆坐标系之间的映射关系。
S23：基于第二位置与预设入侵预警区域，生成第一入侵检测结果。
判断在第一预设时间段内目标对象是否均处于预设入侵预警区域内，该第一预设时间段可以根据应用需要或经验设置；若在第一预设时间段内目标对象均处于预设入侵预警区域内，则触发视觉入侵事件，生成报警信号，第二入侵检测结果包括视觉入侵事件。
在一具体的实施例中，在低功率模式下，可每秒按1Hz的频率进行目标检测，比如：采用目标检测卷积神经网络对4路环视图像(即目标车辆的前、后、左、右这四个方向的图像)进行检测，经目标检测卷积神经网络处理后，输出目标对象i在图像坐标系中的位置(ui，vi)；然后基于环视系统的先验标定参数，计算得到位置(ui，vi)在车辆坐标系中的位置(xi，yi)。
S24：采用雷达对目标车辆所在的场景进行探测，得到回波强度值。
目标车辆包括雷达，超声波数据包括回波强度值；假设雷达探测范围内存在N个目标对象，雷达可以按照预设周期向其雷达探测范围内的N个目标对象发射信号，并接收经N个目标对象反射回的回波信号；然后计算该回波信号的信号强度值(记作回波强度值)。
S25：判断回波强度值是否大于预设信号强度。
预设信号强度可以根据经验或应用场景设置，通过设置预设信号强度，可以探测目标车辆的周围是否存在目标对象；具体地，如果回波强度值大于预设信号强度，则确定预设入侵预警区域内存在目标对象，预设信号强度可以为与预设入侵预警区域对应的信号强度。例如，假设预设入侵预警区域为目标车辆周围2米的区域，雷达探测范围为目标车辆周围5米的区域，通过将雷达探测到的目标对象的信号强度值与预设信号强度进行比较，可以对雷达探测范围内的目标对象进行筛选，得到落在预设入侵预警区域的目标对象。
S26：若回波强度值大于预设信号强度，则获取目标车辆与目标对象之间的距离得到检测距离，并将检测距离转换到车辆坐标系中得到目标掩码。
为了实现超声波雷达入侵检测，可以根据超声波雷达的布置参数，将各个超声波雷达获取到的检测距离变换至车辆坐标系下，生成预设入侵预警区域中的目标对象的目标掩码(Mask)。
S27：基于目标掩码，生成第二入侵检测结果。
计算目标掩码中不存在目标对象的区域的面积，得到无目标面积，目标掩码的尺寸可以与预设入侵预警区域的尺寸相同；判断在第二预设时间段内无目标面积的变化值是否小于第一预设阈值；若在第二预设时间段内无目标面积的变化值小于第一预设阈值，则判断在第二预设时间段内是否有报警信号生成；若在第二预设时间段内有报警信号生成，则将目标掩码确定为参考掩码；基于参考掩码，生成第二入侵检测结果。
进一步地，计算第二预设时间段内每个时刻的无目标面积与参考掩码中无目标面积的差值；判断差值是否均大于第二预设阈值；若至少存在一个差值小于/等于第二预设阈值，则触发雷达入侵事件，生成报警信号，第二入侵检测结果包括入侵事件。
S28：对第一入侵检测结果与第二入侵检测结果进行融合处理，得到入侵检测结果。
在第一入侵检测结果中存在视觉入侵事件或第二入侵检测结果中存在雷达入侵事件时，生成包含入侵事件的入侵检测结果，即按照视觉入侵事件与雷达入侵事件的并集逻辑触发入侵事件。
S29：在入侵检测结果中存在入侵事件时，获取第二视觉数据，采用入侵分析模型对第二视觉数据进行入侵行为识别得到入侵行为类别并进行预警。
第二视觉数据包括多帧第二抓拍图像，第二抓拍图像包括目标对象；入侵分析模型包括区域生成模块与行为分类模块，区域生成模块用于对第二抓拍图像进行目标检测处理，得到图像特征以及目标对象所在的区域(记作行人建议目标区域)；行为分类模块用于对图像特征进行分类处理，生成入侵行为类别。
进一步地，区域生成模块的损失函数包括第一子损失函数与第二子损失函数，第一子损失函数用于表征目标对象的预测类别与真实类别的差异程度，第二子损失函数用于表征目标对象所在的预测区域与真实区域的差异程度；行为分类模块的损失函数用于表征目标对象的行为预测类别与真实行为类别的差异程度。
在一具体的实施例中，入侵分析模型可以为时序神经网络，如图3所示，其中，ct-n为第t-n帧图像对应的行为预测类别，“conv+BN+pooling”为“卷积+批量归一化+池化”，LSTM为长短期记忆(Long short-term memory，LSTM)。在入侵事件被触发后，采用入侵分析模型对关联的环视场景中的第二视觉数据进行入侵行为识别，得到入侵行为类别，具体包括以下几个部分：
1)区域生成模块
可先对第二抓拍图像进行预处理，得到预处理后的RGB图像；然后利用卷积神经网络对预处理后的RGB图像进行多尺度场景特征描述，生成3尺度卷积特征图谱，卷积特征图谱包括细粒度特征描述(即共享特征描述)；卷积神经网络的处理操作包括卷积、池化、激活、上采样以及特征级联(即通道级联)等神经网络运算操作。
然后，基于先验行人目标的尺度以及高宽比，对行人检测感兴趣区域(region ofinterest，ROI)进行潜在的目标分类与位置回归处理，网络的输出经置信度阈值过滤以及极大值抑制等后处理操作后，输出行人建议目标区域，该行人建议目标区域的参数包括中心横坐标、中心纵坐标、宽度以及高度。
进一步地，可采用样本图像训练上述的卷积神经网络，训练过程所采用的第一损失函数L1如下所示：
其中，L11为第一子损失函数，L12为第二子损失函数，k1与k2为权重，n1为一个批次(batch)中目标分类任务对应的样本图像的数量，n2为一个批次中位置回归任务对应的样本图像的数量；Lcross-entropy()为交叉熵损失函数，Pcls,i为第i帧样本图像中目标对象的预测类别，gcls,i为第i帧样本图像中目标对象的真实类别；L1smooth()为Smooth L1损失函数，Pbbox,i为第i帧样本图像中目标对象的预测区域，gbbox,i为第i帧样本图像中目标对象的真实区域。
2)行为分类模块
行为分类模块包括长短期记忆神经网络，可将第二视觉数据拆分为多个时序序列片段，时序序列片段的长度为可以2秒(时序递归单元数为25，默认频率为12.5Hz)；然后利用长短期记忆神经网络对上述的细粒度特征描述进行状态分析。具体地，可先对细粒度特征描述进行池化，然后进行1×1的卷积，以适应行为分析应用；然后将生成的特征送入长短期记忆神经网络，得到时序序列片段对应的行为状态(即入侵行为类别)，入侵行为类别的取值为可以为0-3，“0”表示静止，“1”表示靠近车辆，“2”表示敲打车辆，“3”表示其他情况。
进一步地，可采用样本图像训练长短期记忆神经网络，训练过程所采用的第二损失函数L2如下所示：
其中，N为样本图像的数量，T为时序序列片段的数量，T可以为25；Bi,j为第i个时序序列片段中的第j个样本图像对应的行为预测类别，gi,j为第i个时序序列片段中的第j个样本图像对应的真实行为类别。
可以理解地，可以通过多任务、分步训练的方式，按批量梯度下降方法求解上述的损失函数(包括第一损失函数与第二损失函数)，以更新相应网络模型的权重系数。在训练完成后，对入侵分析模型进行量化或稀疏化等压缩操作，然后部署到嵌入式平台中。
在另一具体的实施例中，在目标车辆的模式为高功率模式时，获取第二视觉数据，并对第二视觉数据进行入侵行为分析，得到入侵行为类别。
在另一具体的实施例中，可获取预设预警策略集，预设预警策略集包括多个预警策略；然后基于入侵行为类别，从预设预警策略集中选择一个预警策略进行预警。
进一步地，多个预设预警策略包括第一预警策略、第二预警策略以及第三预警策略，基于入侵行为类别，按如下逻辑进行分级预警：
1)一级预警
在目标对象处于预设入侵预警区域的时间超过第一预设时间阈值时，确定当前预警等级为第一预设等级，按照第一预警策略进行预警。
2)二级预警
在目标对象处于预设入侵预警区域的时间超过第一预设时间阈值，且入侵行为类别为第一预设行为类别时，确定当前预警等级为第二预设等级，按照第二预警策略进行预警。例如，第一预设行为类别为靠近车辆，在满足一级预警的条件下，若存在行人靠近观察目标车辆的行为，则定义为二级预警。
3)三级预警
在目标对象处于预设入侵预警区域的时间超过第一预设时间阈值，且入侵行为类别为第二预设行为类别时，确定当前预警等级为第三预设等级，按照第三预警策略进行预警。例如，第二预设行为类别为敲打车辆，在满足一级预警的条件下，若存在行人敲打车窗的行为，则定义为三级预警。
可以理解地，在入侵行为类别的取值为“3”时，表明当前未发生威胁目标车辆安全的事件，此时可不做处理。
在另一具体的实施例中，目标车辆还包括扬声器与车灯，预警方式可以为按照预定义的声音与灯光类型，通过扬声器与车灯，向目标车辆周围的目标对象发出分级告警信息。
进一步地，控制扬声器播放预设警告音频和/或车灯以预测发光策略发光，以对目标车辆周围的目标对象进行警告；具体地，预测发光策略包括以预设频率闪烁或以预设亮度发光，例如，第一预警策略为车灯的亮度为L1，第二预警策略为车灯的亮度为L2，第三预警策略为车灯的亮度为L3，L1＜L2＜L3。和/或，生成入侵事件信息，并将入侵事件信息发送至预设移动终端，入侵事件信息包括现场的视频或入侵行为类别；例如，将入侵事件信息通过以太网与目标车辆上的车载网关通信，通过目标车辆上的4G/5G通信模块发送至用户的手机。
在其他具体的实施例中，还可执行事件记录与上传的操作，例如：在入侵事件被触发时，按照预设帧率对第二视觉数据进行缓存；或者，获取与入侵事件的触发时间的时间差为预设时间差的第二视觉数据并进行缓存，得到事件触发视频文件，按照触发时间与入侵行为类别，对事件触发视频文件进行命名。
本实施例提供了一种基于超声波雷达信号触发、视觉验证的车辆周界入侵预警方法，整体功耗低；采用了基于视觉的入侵者行为识别方法，对从图像中提取出的特征进行级联，将识别出的结果作为分级预警的判断依据，能够提升识别的准确度，有效降低区域入侵的虚警次数；而且，采用了车端与用户端分级联合预警方式，通过车辆上的扬声器、车灯进行现场预警，且能够以视频通知方式，远程告知车主现场情况，使得车主及时了解车辆状况，采取相应的保护措施。
请参阅图4，图4是本申请提供的入侵预警装置一实施例的结构示意图，入侵预警装置40包括互相连接的存储器41和处理器42，存储器41用于存储计算机程序，计算机程序在被处理器42执行时，用于实现上述实施例中的入侵预警方法。
本实施例提供了一种基于多感知融合的闭锁车辆的入侵预警方法，将视觉数据分析与超声波雷达数据分析的结果融合，利用融合的结果触发入侵识别，由于工作在低功率模式，能够降低运行功耗；同时，采用入侵分析模型对入侵行为进行分类，通过对视觉数据进行二次分析，能够提升报警的准确性。
请参阅图5，图5是本申请提供的车辆一实施例的结构示意图，该车辆包括雷达51、摄像设备53以及上述实施例中的入侵预警装置52。
雷达51用于对目标车辆所在的场景进行探测，得到超声波数据，将超声波数据发送至入侵预警装置52；具体地，如图6所示，雷达51设置于车辆的四周，雷达51包括壁障雷达-B1、壁障雷达-B2、壁障雷达-B3、壁障雷达-B4、寻车位雷达、壁障雷达-F1、壁障雷达-F2、壁障雷达-F3以及壁障雷达-F4(图中未标识)。
摄像设备53用于对目标车辆所在的场景进行拍摄，得到视觉数据，并将视觉数据发送至入侵预警装置52；具体地，如图5所示，摄像设备53设置于车辆的四周，摄像设备53包括环视摄像头-B、环视摄像头-L、环视摄像头-R、以及环视摄像头-F(图中未标识)；而且，壁障雷达-B1～壁障雷达-B4以及环视摄像头-B设置在车辆的后侧，环视摄像头-L以及两个寻车位雷达设置在车辆的左侧，环视摄像头-R以及两个寻车位雷达设置在车辆的右侧，壁障雷达-F1～壁障雷达-F4以及环视摄像头-F设置在车辆的前侧。
在一具体的实施例中，入侵预警装置52的输入为超声波雷达信号、视觉数据或毫米波雷达信号，其对这些信号进行智能分析处理，生成分析结果；具体地，如图7所示，入侵预警装置52可以为域控制器，其包括采集融合模块521、周界入侵检测模块522以及行为识别模块523。
采集融合模块521用于进行数据采集与融合，主要进行超声波雷达信号采集、视觉信号采集以及数据关联；具体地，对于超声波雷达信号采集来说，可通过输入/输出(Input/Output，I/O)接口(图中未示出)以固定频率采集超声波雷达信号；对于视觉信号采集来说，在低功率模式下，视频采集频率为1Hz，在高功率模式下，视频采集频率为12.5Hz或以上；对于数据关联来说，如图6所示，壁障雷达-F1～壁障雷达-4与环视摄像头F关联，壁障雷达-B1～壁障雷达-4与环视摄像头B关联，侧向的寻车位雷达与相应的环视摄像头-L/环视摄像头-R关联。
周界入侵检测模块522与采集融合模块521连接，其用于对视觉数据与超声波数据进行分析，得到入侵检测结果。
行为识别模块523与周界入侵检测模块522连接，其用于在入侵检测结果中存在入侵事件时，获取第二视觉数据，并对第二视觉数据进行入侵行为分析，得到入侵行为类别。
进一步地，如图7所示，入侵预警装置52还包括分级预警模块524以及事件记录模块525。
分级预警模块524与行为识别模块523连接，其用于基于入侵行为类别，进行预警；例如，通过扬声器(图中未示出)等输出器件发出告警信号，或者，采用4G/5G通信模块(图中未示出)向车主发送告警视频片段。
事件记录模块525与采集融合模块521以及行为识别模块523连接，其用于记录入侵事件对应的视频片段；例如，自触发入侵事件起，按12.5FPS的帧率缓存相应环视通道的视频数据；若触发后续任意级别的预警事件，则基于事件的触发时间，截取触发时间前后五秒的视频并缓存，按H264或H265的文件格式记录视频，而且按照触发时间与入侵行为类别，对事件触发视频文件进行命名。
本实施例对视觉数据与超声波雷达数据进行联合分析以实现入侵检测，并对区域入侵等潜在危险行为进行识别，对于车外复杂多变环境的识别效果较好；在域控制器处于低功率模式时，通过扬声器产生近场报警信号，并且通过4G/5G通信模块向车主的手机发送远场报警信号，提升车辆的安全性；而且，利用环视或泊车系统的硬件资源，实现全天的车辆周界入侵、车辆打砸等事件的分级预警与记录，摄像头所记录的场景较大，满足车辆周围360°场景的覆盖；此外，复用了车辆上的传感器进行信号采集/处理，可应用性较好。
请参阅图8，图8是本申请提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质80用于存储计算机程序81，计算机程序81在被处理器执行时，用于实现上述实施例中的入侵预警方法。
计算机可读存储介质80可以是服务端、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (18)
1.一种入侵预警方法，其特征在于，所述方法包括：
在目标车辆的模式为低功率模式时，获取第一视觉数据与超声波数据；
分别对所述第一视觉数据与所述超声波数据进行入侵检测处理，得到第一入侵检测结果与第二入侵检测结果；
对所述第一入侵检测结果与所述第二入侵检测结果进行融合处理，得到入侵检测结果；
在所述入侵检测结果中存在入侵事件时，获取第二视觉数据，并对所述第二视觉数据进行入侵行为分析，得到入侵行为类别并进行预警。
2.根据权利要求1所述的入侵预警方法，其特征在于，所述第一视觉数据包括多帧第一抓拍图像，所述第一抓拍图像包括目标对象，所述方法还包括：
对所述第一抓拍图像进行目标检测处理，得到第一位置，所述第一位置为所述目标对象在图像坐标系中的位置；
将所述第一位置转换到所述目标车辆所在的车辆坐标系中，得到第二位置；
基于所述第二位置与预设入侵预警区域，生成所述第一入侵检测结果。
3.根据权利要求2所述的入侵预警方法，其特征在于，所述基于所述第二位置与预设入侵预警区域，生成所述第一入侵检测结果的步骤，包括：
判断在第一预设时间段内所述目标对象是否均处于所述预设入侵预警区域内；
若是，则触发视觉入侵事件，所述第二入侵检测结果包括所述视觉入侵事件。
4.根据权利要求1所述的入侵预警方法，其特征在于，所述目标车辆包括雷达，所述超声波数据包括回波强度值，所述方法还包括：
采用所述雷达对所述目标车辆所在的场景进行探测，得到所述回波强度值；
判断所述回波强度值是否大于预设信号强度；
若所述回波强度值大于所述预设信号强度，则确定预设入侵预警区域内存在所述目标对象；
获取所述目标车辆与所述目标对象之间的距离，得到检测距离；
将所述检测距离转换到车辆坐标系中，得到目标掩码；
基于所述目标掩码，生成所述第二入侵检测结果。
5.根据权利要求4所述的入侵预警方法，其特征在于，所述基于所述目标掩码，生成所述第二入侵检测结果的步骤，包括：
计算所述目标掩码中不存在所述目标对象的区域的面积，得到无目标面积；
判断在第二预设时间段内所述无目标面积的变化值是否小于第一预设阈值；
若在所述第二预设时间段内所述无目标面积的变化值小于所述第一预设阈值，则判断在所述第二预设时间段内是否有报警信号生成；
若在所述第二预设时间段内有所述报警信号生成，则将所述目标掩码确定为参考掩码；
基于所述参考掩码，生成所述第二入侵检测结果。
6.根据权利要求5所述的入侵预警方法，其特征在于，所述基于所述参考掩码，生成所述第二入侵检测结果的步骤，包括：
计算所述第二预设时间段内每个时刻的无目标面积与所述参考掩码中无目标面积的差值；
判断所述差值是否均大于第二预设阈值；
若是，则触发雷达入侵事件，所述第二入侵检测结果包括所述入侵事件。
7.根据权利要求1所述的入侵预警方法，其特征在于，所述对所述第一入侵检测结果与所述第二入侵检测结果进行融合处理，得到入侵检测结果的步骤，包括：
在所述第一入侵检测结果中存在视觉入侵事件或所述第二入侵检测结果中存在雷达入侵事件时，生成包含所述入侵事件的入侵检测结果。
8.根据权利要求1所述的入侵预警方法，其特征在于，所述对所述第二视觉数据进行入侵行为分析，得到入侵行为类别的步骤，包括：
采用入侵分析模型对所述第二视觉数据进行入侵行为识别，得到所述入侵行为类别，所述第二视觉数据包括多帧第二抓拍图像，所述第二抓拍图像包括目标对象；
其中，所述入侵分析模型包括区域生成模块与行为分类模块，所述区域生成模块用于对所述第二抓拍图像进行目标检测处理，得到图像特征以及所述目标对象所在的区域；所述行为分类模块用于对所述图像特征进行分类处理，生成所述入侵行为类别。
9.根据权利要求8所述的入侵预警方法，其特征在于，
所述区域生成模块的损失函数包括第一子损失函数与第二子损失函数，所述第一子损失函数用于表征所述目标对象的预测类别与真实类别的差异程度，所述第二子损失函数用于表征所述目标对象所在的预测区域与真实区域的差异程度；所述行为分类模块的损失函数用于表征所述目标对象的行为预测类别与真实行为类别的差异程度。
10.根据权利要求1所述的入侵预警方法，其特征在于，所述方法还包括：
在所述目标车辆的模式为高功率模式时，执行所述获取第二视觉数据，并对所述第二视觉数据进行入侵行为分析，得到入侵行为类别的步骤。
11.根据权利要求1所述的入侵预警方法，其特征在于，所述方法还包括：
获取预设预警策略集，所述预设预警策略集包括多个预警策略；
基于所述入侵行为类别，从所述预设预警策略集中选择一个预警策略进行预警。
12.根据权利要求11所述的入侵预警方法，其特征在于，所述多个预设预警策略包括第一预警策略、第二预警策略以及第三预警策略，所述从所述预设预警策略集中选择一个预警策略进行预警的步骤，包括：
在所述目标对象处于预设入侵预警区域的时间超过第一预设时间阈值时，确定当前预警等级为第一预设等级，按照所述第一预警策略进行预警；
在所述目标对象处于所述预设入侵预警区域的时间超过所述第一预设时间阈值，且所述入侵行为类别为第一预设行为类别时，确定当前预警等级为第二预设等级，按照所述第二预警策略进行预警；
在所述目标对象处于所述预设入侵预警区域的时间超过第一预设时间阈值，且所述入侵行为类别为第二预设行为类别时，确定当前预警等级为第三预设等级，按照所述第三预警策略进行预警。
13.根据权利要求1所述的入侵预警方法，其特征在于，所述目标车辆还包括扬声器与车灯，所述方法还包括：
控制所述扬声器播放预设警告音频和/或所述车灯以预测发光策略发光，以对所述目标车辆周围的目标对象进行警告；和/或
生成入侵事件信息，并将所述入侵事件信息发送至预设移动终端；
其中，所述预测发光策略包括以预设频率闪烁或以预设亮度发光。
14.根据权利要求1所述的入侵预警方法，其特征在于，所述方法还包括：
在所述入侵事件被触发时，按照预设帧率对所述第二视觉数据进行缓存；或
获取与所述入侵事件的触发时间的时间差为预设时间差的第二视觉数据并进行缓存，得到事件触发视频文件；按照所述触发时间与所述入侵行为类别，对所述事件触发视频文件进行命名。
15.一种入侵预警装置，其特征在于，包括互相连接的存储器和处理器，其中，所述存储器用于存储计算机程序，所述计算机程序在被所述处理器执行时，用于实现权利要求1-14中任一项所述的入侵预警方法。
16.一种车辆，其特征在于，所述车辆包括权利要求15所述的入侵预警装置。
17.根据权利要求16所述的车辆，其特征在于，所述车辆还包括：
雷达，用于对所述目标车辆所在的场景进行探测，得到超声波数据，将所述超声波数据发送至所述入侵预警装置；
摄像设备，用于对所述目标车辆所在的场景进行拍摄，得到视觉数据，并将所述视觉数据发送至所述入侵预警装置。
其中，所述雷达与所述摄像设备设置于所述车辆的四周。
18.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序在被处理器执行时，用于实现权利要求1-14中任一项所述的入侵预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111619624.8A CN114511978B (zh) | 2021-12-27 | 2021-12-27 | 一种入侵预警方法、装置、车辆和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111619624.8A CN114511978B (zh) | 2021-12-27 | 2021-12-27 | 一种入侵预警方法、装置、车辆和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114511978A true CN114511978A (zh) | 2022-05-17 |
| CN114511978B CN114511978B (zh) | 2024-02-20 |
Family
ID=81548413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111619624.8A Active CN114511978B (zh) | 2021-12-27 | 2021-12-27 | 一种入侵预警方法、装置、车辆和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114511978B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115761633A (zh) * | 2022-11-17 | 2023-03-07 | 深圳市阳光博睿教育技术有限公司 | 一种基于应用场景的监控预警方法 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060031832A (ko) * | 2006-03-22 | 2006-04-13 | 뷰웨이 주식회사 | 실시간 행위분석 및 상황인지 기반 스마트 영상 보안시스템 |
| DE102009006113A1 (de) * | 2008-03-03 | 2009-09-10 | Volkswagen Ag | Vorrichtung und Verfahren zur Sensorfusion mit dynamischen Objekten |
| JP2011073615A (ja) * | 2009-09-30 | 2011-04-14 | Toyota Motor Corp | 車両監視装置 |
| EP2530651A2 (en) * | 2011-05-28 | 2012-12-05 | Connaught Electronics Ltd. | Method for operating a camera system of a motor vehicle, motor vehicle as well as system with a motor vehicle and a separate computing device |
| CN103827942A (zh) * | 2012-09-21 | 2014-05-28 | 株式会社小松制作所 | 作业车辆用周边监视系统及作业车辆 |
| CN105828029A (zh) * | 2016-03-11 | 2016-08-03 | 乐卡汽车智能科技（北京）有限公司 | 车辆碰撞监测系统、方法及装置 |
| US20170078767A1 (en) * | 2015-09-14 | 2017-03-16 | Logitech Europe S.A. | Video searching for filtered and tagged motion |
| DE102018008436A1 (de) * | 2018-10-26 | 2019-03-28 | Daimler Ag | Verfahren zur Erfassung potentieller Fahrgäste für autonome Omnibusse |
| CN208796402U (zh) * | 2018-08-31 | 2019-04-26 | 惠州市名商实业有限公司 | 车载安全驾驶终端 |
| WO2019106789A1 (ja) * | 2017-11-30 | 2019-06-06 | 三菱電機株式会社 | 処理装置及び処理方法 |
| US20190259259A1 (en) * | 2017-10-26 | 2019-08-22 | Scott Charles Mullins | Behavioral intrusion detection system |
| CN110660186A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 基于雷达信号在视频图像中识别目标对象的方法及装置 |
| CN111002945A (zh) * | 2018-10-04 | 2020-04-14 | 沃尔沃汽车公司 | 处理与车辆的周围环境相关联的参数的方法和车辆系统 |
| CA3068692A1 (en) * | 2019-01-18 | 2020-07-18 | James Carey | Investigation generation in an observation and surveillance system |
| CN111586354A (zh) * | 2020-04-28 | 2020-08-25 | 上海市保安服务(集团)有限公司 | 侦查系统 |
| CN112513873A (zh) * | 2018-07-30 | 2021-03-16 | 康蒂-特米克微电子有限公司 | 根据摄像机图像识别行人的运动意图 |
| CN112904370A (zh) * | 2019-11-15 | 2021-06-04 | 辉达公司 | 用于激光雷达感知的多视图深度神经网络 |
| CN113034828A (zh) * | 2021-02-26 | 2021-06-25 | 中国电子科技集团公司第三十八研究所 | 基于嵌入式计算终端实现目标检测和识别系统及布设方法 |
| CN113484858A (zh) * | 2021-07-07 | 2021-10-08 | 深圳市商汤科技有限公司 | 一种入侵检测方法和系统 |
| US20210374433A1 (en) * | 2020-05-27 | 2021-12-02 | Honda Motor Co., Ltd. | Vehicle control system and vehicle control method |
| CN113740847A (zh) * | 2021-09-24 | 2021-12-03 | 中科蓝卓(北京)信息科技有限公司 | 基于人形目标识别的多雷达协同探测报警系统 |
-
2021
- 2021-12-27 CN CN202111619624.8A patent/CN114511978B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060031832A (ko) * | 2006-03-22 | 2006-04-13 | 뷰웨이 주식회사 | 실시간 행위분석 및 상황인지 기반 스마트 영상 보안시스템 |
| DE102009006113A1 (de) * | 2008-03-03 | 2009-09-10 | Volkswagen Ag | Vorrichtung und Verfahren zur Sensorfusion mit dynamischen Objekten |
| JP2011073615A (ja) * | 2009-09-30 | 2011-04-14 | Toyota Motor Corp | 車両監視装置 |
| EP2530651A2 (en) * | 2011-05-28 | 2012-12-05 | Connaught Electronics Ltd. | Method for operating a camera system of a motor vehicle, motor vehicle as well as system with a motor vehicle and a separate computing device |
| CN103827942A (zh) * | 2012-09-21 | 2014-05-28 | 株式会社小松制作所 | 作业车辆用周边监视系统及作业车辆 |
| US20170078767A1 (en) * | 2015-09-14 | 2017-03-16 | Logitech Europe S.A. | Video searching for filtered and tagged motion |
| CN105828029A (zh) * | 2016-03-11 | 2016-08-03 | 乐卡汽车智能科技（北京）有限公司 | 车辆碰撞监测系统、方法及装置 |
| US20190259259A1 (en) * | 2017-10-26 | 2019-08-22 | Scott Charles Mullins | Behavioral intrusion detection system |
| WO2019106789A1 (ja) * | 2017-11-30 | 2019-06-06 | 三菱電機株式会社 | 処理装置及び処理方法 |
| CN110660186A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 基于雷达信号在视频图像中识别目标对象的方法及装置 |
| CN112513873A (zh) * | 2018-07-30 | 2021-03-16 | 康蒂-特米克微电子有限公司 | 根据摄像机图像识别行人的运动意图 |
| CN208796402U (zh) * | 2018-08-31 | 2019-04-26 | 惠州市名商实业有限公司 | 车载安全驾驶终端 |
| CN111002945A (zh) * | 2018-10-04 | 2020-04-14 | 沃尔沃汽车公司 | 处理与车辆的周围环境相关联的参数的方法和车辆系统 |
| DE102018008436A1 (de) * | 2018-10-26 | 2019-03-28 | Daimler Ag | Verfahren zur Erfassung potentieller Fahrgäste für autonome Omnibusse |
| CA3068692A1 (en) * | 2019-01-18 | 2020-07-18 | James Carey | Investigation generation in an observation and surveillance system |
| CN112904370A (zh) * | 2019-11-15 | 2021-06-04 | 辉达公司 | 用于激光雷达感知的多视图深度神经网络 |
| CN111586354A (zh) * | 2020-04-28 | 2020-08-25 | 上海市保安服务(集团)有限公司 | 侦查系统 |
| US20210374433A1 (en) * | 2020-05-27 | 2021-12-02 | Honda Motor Co., Ltd. | Vehicle control system and vehicle control method |
| CN113034828A (zh) * | 2021-02-26 | 2021-06-25 | 中国电子科技集团公司第三十八研究所 | 基于嵌入式计算终端实现目标检测和识别系统及布设方法 |
| CN113484858A (zh) * | 2021-07-07 | 2021-10-08 | 深圳市商汤科技有限公司 | 一种入侵检测方法和系统 |
| CN113740847A (zh) * | 2021-09-24 | 2021-12-03 | 中科蓝卓(北京)信息科技有限公司 | 基于人形目标识别的多雷达协同探测报警系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115761633A (zh) * | 2022-11-17 | 2023-03-07 | 深圳市阳光博睿教育技术有限公司 | 一种基于应用场景的监控预警方法 |
| CN115761633B (zh) * | 2022-11-17 | 2023-07-21 | 深圳市阳光博睿教育技术有限公司 | 一种基于应用场景的监控预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114511978B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108615321B (zh) | 基于雷达侦测及视频图像行为分析的安防预警系统及方法 | |
| CN112418069B (zh) | 一种高空抛物检测方法、装置、计算机设备及存储介质 | |
| 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 | |
| US9721168B2 (en) | Directional object detection | |
| KR101877294B1 (ko) | 객체, 영역 및 객체가 유발하는 이벤트의 유기적 관계를 기반으로 한 복수 개 기본행동패턴 정의를 통한 복합 상황 설정 및 자동 상황 인지가 가능한 지능형 방범 ｃｃｔｖ 시스템 | |
| Kumar et al. | Study of robust and intelligent surveillance in visible and multi-modal framework | |
| KR101927364B1 (ko) | 딥 러닝 기반의 상황인지 실외 침입감지 레이더 시스템 및 이를 이용한 침입 감지 방법 | |
| CN112686090A (zh) | 一种公交车内异常行为智能监控系统 | |
| US11532221B1 (en) | System and method for vehicle security monitoring | |
| KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
| US10867495B1 (en) | Device and method for adjusting an amount of video analytics data reported by video capturing devices deployed in a given location | |
| CN112633057A (zh) | 一种公交车内异常行为智能监控方法 | |
| CN109996037A (zh) | 一种水域的安全监控方法、装置、设备及系统 | |
| CN113056775A (zh) | 交通监控和证据收集系统 | |
| CN114511978B (zh) | 一种入侵预警方法、装置、车辆和计算机可读存储介质 | |
| KR102111162B1 (ko) | 블랙 박스와 연동된 다채널 카메라 홈 모니터링 시스템 및 방법 | |
| CN113723369A (zh) | 控制方法、装置、电子设备及存储介质 | |
| CN117523807B (zh) | 一种电力设施防外破警示灯的数据处理方法及系统 | |
| KR20230167549A (ko) | 지능형 하이브리드 감시제어모듈을 통한 단계별자율 경보형 스마트 cctv 감시장치 및 감시방법 | |
| US11616932B1 (en) | Car security camera triggering mechanism | |
| KR102538548B1 (ko) | 딥러닝 기반의 객체 인식 및 모니터링 시스템 | |
| Hubner et al. | Audio-video sensor fusion for the detection of security critical events in public spaces | |
| KR102313283B1 (ko) | 영상 분석 기능을 탑재한 인공지능 다목적 비상벨 시스템 | |
| Nishanthini et al. | Smart Video Surveillance system and alert with image capturing using android smart phones | |
| Flammini et al. | Challenges and emerging paradigms for augmented surveillance |
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 |