CN117253193B - 一种包含大型水域景区的智能化安防监控方法及设备 - Google Patents
一种包含大型水域景区的智能化安防监控方法及设备 Download PDFInfo
- Publication number
- CN117253193B CN117253193B CN202311330469.7A CN202311330469A CN117253193B CN 117253193 B CN117253193 B CN 117253193B CN 202311330469 A CN202311330469 A CN 202311330469A CN 117253193 B CN117253193 B CN 117253193B
- Authority
- CN
- China
- Prior art keywords
- image
- water area
- boundary
- area
- dangerous
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 232
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000003643 water by type Substances 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种包含大型水域景区的智能化安防监控方法及设备，属于水域图像监控技术领域，用于解决现有景区中大型水域的安全监控不够及时与全面，容易对危险区域的识别存在滞后性，不利于智慧景区安全管理的技术问题。方法包括：对大型水域进行图像的获取与拼接，得到水域环形图像；根据光谱相机系统，对水域环形图像进行光谱图像分类处理，得到水域边界类型图像；对水域环形图像进行水域边界类型所占面积比例的权重划分，得到危险范围区域；根据深度卷积框架，对边界框中的图像进行多网格偏移量的网络训练，确定出目标对象图像；将目标对象图像与危险范围区域图像进行图像坐标的比对，确定出有关游客所处位置的危险程度等级信息。
Description
技术领域
本申请涉及水域图像监控领域，尤其涉及一种包含大型水域景区的智能化安防监控方法及设备。
背景技术
目前很多旅游景区中都包含了大型水域风景，例如湖泊风景区、人造池塘景区以及自然水体景区等等。游客的安全对景区至关重要，景区以“奇”、“险”等词注重的自然风景往往隐藏许多威胁游客的天然和人工隐患。
随着智慧旅游产业的蓬勃发展，景区人数的日益增加，景区安全问题与日俱增。很多景区、景点拥有着很多自然风景水域，同时也存在众多的点线面形状的隐患威胁区域，有的水域在景区内随机分布，给景区游客安全带来隐患。景区安全隐患的影像范围即隐患的边界因隐患类型而不同，且随着月份或降水等发生一定变化，例如景区内天然湖泊的边界随着降水情况发生改变，就容易使游客难以真正了解水域的深浅以及自身所处的危险地带，也给景区的管理人员带来巨大的管理压力。
现有景区中对大型水域的监控往往难以形成全面的监控，由于水域面积大，巡检人员难以及时准确的覆盖到每一个区域，同时，由于远程视频监控水面往往难以对广大水体实现精准的识别，难以对周边游玩的游客实现对危险区域以及落水人员的及时监控与识别。又加上汛期以及降雨的影响，水域危险区域的位置也随时变化，容易对危险区域的识别存在滞后性，难以实现对大型水域景区智能化的安全防护监控，不利于保障游客的生命安全。
发明内容
本申请实施例提供了一种包含大型水域景区的智能化安防监控方法及设备，用于解决如下技术问题：现有景区中大型水域的安全监控不够及时与全面，容易对危险区域的识别存在滞后性，难以有效的将处于危险区域的游客进行监测与保护，不利于智慧景区的安全管理。
本申请实施例采用下述技术方案：
一方面，本申请实施例提供了一种包含大型水域景区的智能化安防监控方法，包括：通过在大型水域周边预安装的多个监控摄像头组，对所述大型水域中的边界范围区域进行图像的获取与拼接，得到水域环形图像；根据所述监控摄像头组中的光谱相机系统，对所述水域环形图像进行有关最大似然算法的光谱图像分类处理，得到水域边界类型图像；根据所述水域边界类型图像，并基于预设的水域安全数据库，对所述水域环形图像进行水域边界类型所占面积比例的权重划分，得到基于所述水域环形图像的危险范围区域；对所述危险范围区域进行有关游客所处位置的边界框的确定；根据深度卷积框架，对所述边界框中的图像进行多网格偏移量的网络训练，识别并确定出处于所述危险范围区域中的目标对象图像；将所述目标对象图像与危险范围区域图像进行图像坐标的比对，确定出有关游客所处位置的危险程度等级信息；根据所述危险程度等级信息以及巡检人员的实时位置信息，对大型水域景区中的游客安全进行实时监测与保障，以实现对大型水域景区的智能化安防监控。
本申请实施例通过对大型水域进行实时监控，能够根据水域周边、汛期、降雨等等发生变化的因素，及时调整水域附近的危险范围区域，从而避免景区中的游客在周边发生潜在的危险。同时，还能根据游客的实时位置来判断其是否已经处于所在危险区域中，以及将身处于危险区域的游客进行信息的发送与预警，及时通知管理人员和巡检人员对游客进行帮助或者进行危险的提醒，让游客可以安全游玩，减少危险的发生。还能够对景区中大型水域进行全面的安全监控，增加对危险区域识别的及时性与同步性，有效的将处于危险区域的游客进行监测与保护，增强了游客的游玩体验与游玩安全，方便了智慧景区的安全管理。
在一种可行的实施方式中，通过在大型水域周边预安装的多个监控摄像头组，对所述大型水域中的边界范围区域进行图像的获取与拼接，得到水域环形图像，具体包括：根据所述大型水域的边界周长以及边界凹凸曲线，将所述大型水域的二维平面进行网格化处理；并基于所述监控摄像头组的拍摄半径，确定出包含拍摄重叠区域的多个网格点；基于所述多个网格点，将所述多个监控摄像头组进行对应安装，确定出用于大型水域周边拍摄的监控点；通过每个监控点的监控摄像头组，对所述大型水域中的边界范围区域进行图像的获取，得到边界范围图像；其中，所述边界范围区域基于所述拍摄半径所包围的水域范围区域；将所有所述边界范围图像进行相同像素区域的对比匹配，并将匹配成功的若干个相同像素区域进行标号处理，得到匹配标号序列组；根据所述匹配标号序列组，将所有所述边界范围图像进行关联像素窗口的互相依次转移，并将互相依次转移后的所述关联像素窗口进行相同像素区域的缝合拼接处理，得到所述水域环形图像。
在一种可行的实施方式中，根据所述监控摄像头组中的光谱相机系统，对所述水域环形图像进行有关最大似然算法的光谱图像分类处理，得到水域边界类型图像，具体包括：基于所述光谱相机系统，在生成所述水域环形图像时，并对所述水域环形图像对应的光谱图像进行采集，得到水域多光谱图像；通过与所述光谱相机系统相关联的ENVI遥感图像处理平台，提取所述水域环形图像中任意长度的图像片段；其中，所述水域环形图像包括：水面图像、湿地淤泥图像以及硬化岸边图像；将所述图像片段中有关不同光谱的图像区域进行三色颜色填充，确定出基于不同颜色区域的感兴趣区域；其中，所述感兴趣区域的区域种类为三种；将所述感兴趣区域进行相互的拆分组合，并根据任意两个感兴趣区域之间的向量距离以及转换分离度，确定出每种感兴趣区域之间的分离性值；通过所述最大似然算法，将所述图像片段中的每个感兴趣区域以及对应的分离性值进行有关光谱图像分类处理的样本训练，得到光谱图像分类模型；通过所述光谱图像分类模型，对所述水域环形图像进行图像区域的类型分类与定义，确定出所述水域边界类型图像；其中，所述水域边界类型图像包括：水面边界图像、湿地淤泥边界图像以及硬化岸边边界图像。
本申请实施例通过利用光谱图像分类处理以及最大似然算法，能够快速准确的识别出光谱相机系统下的水域边界类型图像，完成对其的不同光谱下的图像划分，更好的识别出所包含的水面边界图像、湿地淤泥边界图像以及硬化岸边边界图像。
在一种可行的实施方式中，通过所述光谱图像分类模型，对所述水域环形图像进行图像区域的类型分类与定义，确定出所述水域边界类型图像，具体包括：通过所述光谱图像分类模型中的每种感兴趣区域之间的分离性值，对所述水域环形图像中每种感兴趣区域进行基于图像边界范围的区域分类，并将相同的感兴趣区域进行相同水域类型边界的统一标记，得到相同水域类型边界图像；基于所述水域环形图像中的不同图像内容，将所述相同水域类型边界图像进行一一对应的定义划分，得到划分后的所述水域边界类型图像。
在一种可行的实施方式中，根据所述水域边界类型图像，并基于预设的水域安全数据库，对所述水域环形图像进行水域边界类型所占面积比例的权重划分，得到基于所述水域环形图像的危险范围区域，具体包括：根据所述水域安全数据库中历史危险范围区域的坐标位置，对所述水域边界类型图像进行像素区域坐标的对应标记，得到基于所述水域边界类型图像的第一标记图像；通过固定长宽比的像素框，将所述第一标记图像进行图像分割，得到若干分割图像；基于所述分割图像中的每种感兴趣区域的像素面积，确定出每种感兴趣区域的像素面积在所述分割图像中的占比数值；其中，所述每种感兴趣区域包括：水面边界图像、湿地淤泥边界图像以及硬化岸边边界图像；获取所述水域安全数据库中历史危险范围区域的平均危险阈值以及每种感兴趣区域的平均权重分配规则；根据所述平均权重分配规则，对最新获取的分割图像中的占比数值进行权重划分计算，得到基于所述分割图像的区域危险系数；并将所述区域危险系数大于或者等于所述平均危险阈值的分割图像确定为危险区域图像；根据与所述危险区域图像对应的像素区域坐标，将所述水域边界类型图像进行像素区域坐标的二次标记，得到第二标记图像；将所述第二标记图像对应的图像范围区域确定为危险范围区域。
本申请实施例通过对水域边界类型图像中三种水域边界类型所占面积比例进行面积的计算以及所占比例的计算，然后确定出每种感兴趣区域的像素面积在所述分割图像中的占比数值，并且基于权重分配，将超出平均危险阈值的分割图像确定为危险区域图像，从而能够更加准确的水域范围内的哪些区域是危险范围区域，也能够对不断变化的水域边界线进行危险识别，从而对大型水域的各个位置实现全面也准确的危险范围判定。
在一种可行的实施方式中，对所述危险范围区域进行有关游客所处位置的边界框的确定，具体包括：通过所述监控摄像头组，逐帧获取与所述危险范围区域对应的危险范围区域图像；基于所述监控摄像头组中的视频流，将每一帧的危险范围区域图像与上一帧的危险范围区域图像进行像素变化的比对，确定出像素变化图像；将所述像素变化图像中变化像素区域的确定为候选区域，并获取所述候选区域的特征向量；其中，所述变化像素区域与所述游客所处位置的像素区域对应；通过Selective Search选择性搜索算法，对每个候选区域的特征向量进行边框回归，并对应调整目标包围框的大小，得到所述边界框。
在一种可行的实施方式中，根据深度卷积框架，对所述边界框中的图像进行多网格偏移量的网络训练，识别并确定出处于所述危险范围区域中的目标对象图像，具体包括：基于YOLOv3算法，将所述边界框中的图像进行网格化划分，得到若干网格图像；对每个网格图像进行像素所含区域的占有预测，确定出相同像素的类别概率；并基于所述类别概率，获取网格边界框的置信度；其中，所述每个网格图像均包含两个网格边界框；所述置信度用于对所述网格边界框内的目标对象进行正样本或者负样本判断的；根据所述网格边界框的置信度以及相同像素的类别概率，将所述边界框中的每个网格图像进行对齐处理，得到所述每个网格图像的偏移量；根据所述每个网格图像的偏移量，对所述每个网格图像进行基于损失误差的网格边界框相交比的标记计算，确定出均包含目标对象的目标网格图像；其中，损失误差包括：网格坐标误差以及网格边界框误差；通过Darknet深度卷积框架，将所述目标网格图像进行网络拟合训练，得到训练后的网络结构；将待监测的边界框中的图像逐帧输入到所述训练后的网络结构中；识别并确定出处于所述危险范围区域中的目标对象图像。
本申请通过YOLOv3算法以及Darknet深度卷积框架，能够对处于危险范围区域的游客进行准确的目标识别，减少因环境因素或者误差因素所造成的目标识别模糊的问题，从而能后准确锁定处于危险范围区域中的目标对象图像以及对应的图像坐标位置。
在一种可行的实施方式中，将所述目标对象图像与危险范围区域图像进行图像坐标的比对，确定出有关游客所处位置的危险程度等级信息，具体包括：获取所述危险范围区域图像中与水面边界图像对应的第一边界图像坐标组、与湿地淤泥边界图像对应的第二边界图像坐标组以及与硬化岸边边界图像对应的第三边界图像坐标组；对所述目标对象图像进行有关图像中心坐标值的计算，得到目标对象坐标；若所述目标对象坐标属于所述第一边界图像坐标组，则将所述危险程度等级信息确定为特级危险等级信息；若所述目标对象坐标属于所述第二边界图像坐标组，则将所述危险程度等级信息确定为高级危险等级信息；若所述目标对象坐标属于所述第三边界图像坐标组，则将所述危险程度等级信息确定为一般危险等级信息；其中，所述危险程度等级信息包括：所述特级危险等级信息、所述高级危险等级信息以及所述一般危险等级信息。
在一种可行的实施方式中，根据所述危险程度等级信息以及巡检人员的实时位置信息，对大型水域景区中的游客安全进行实时监测与保障，具体包括：将所述危险程度等级信息发送给智慧景区管理平台，并生成对应的告警信息，以对大型水域景区中的游客安全进行实时监测；基于所述告警信息以及所述巡检人员的实时位置信息，生成用于巡检人员导航的实时路径信息，以对大型水域景区中的游客安全进行实时保障。
本申请实施例通过将危险程度等级信息发送给智慧景区管理平台，以便于让工作人员及时掌握最新的游客安全信息，还能利用告警信息，让巡检人员快速达到危险范围区域，疏散游客或者救援乘客等等，增强了游客游玩的体验感，提高了人性化的管理方式，同时还能最大程度的保障游客的生命安全。
另一方面，本申请实施例还提供了一种包含大型水域景区的智能化安防监控设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述任意一个实施例所述的一种包含大型水域景区的智能化安防监控方法。
本申请公开了一种包含大型水域景区的智能化安防监控方法及设备，与现有技术相比，本申请实施例的有益效果为：
通过对大型水域进行实时监控，能够根据水域周边、汛期、降雨等等发生变化的因素，及时调整水域附近的危险范围区域，从而避免景区中的游客在周边发生潜在的危险。同时，还能根据游客的实时位置来判断其是否已经处于所在危险区域中，以及将身处于危险区域的游客进行信息的发送与预警，及时通知管理人员和巡检人员对游客进行帮助或者进行危险的提醒，让游客可以安全游玩，减少危险的发生。还能够对景区中大型水域进行全面的安全监控，增加对危险区域识别的及时性与同步性，有效的将处于危险区域的游客进行监测与保护，增强了游客的游玩体验与游玩安全，方便了智慧景区的安全管理。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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中记载的一些实施例，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。在附图中：
图1为本申请实施例提供的一种包含大型水域景区的智能化安防监控方法流程图；
图2为本申请实施例提供的一种大型水域的智能化安防监控示意图；
图3为本申请实施例提供的一种包含大型水域景区的智能化安防监控设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请实施例提供了一种包含大型水域景区的智能化安防监控方法，如图1所示，包含大型水域景区的智能化安防监控方法具体包括步骤S101-S106：
S101、通过在大型水域周边预安装的多个监控摄像头组，对大型水域中的边界范围区域进行图像的获取与拼接，得到水域环形图像。
具体地，根据大型水域的边界周长以及边界凹凸曲线，将大型水域的二维平面进行网格化处理。并基于监控摄像头组的拍摄半径，确定出包含拍摄重叠区域的多个网格点。
进一步地，基于多个网格点，将多个监控摄像头组进行对应安装，确定出用于大型水域周边拍摄的监控点。然后通过每个监控点的监控摄像头组，对大型水域中的边界范围区域进行图像的获取，得到边界范围图像。其中，边界范围区域基于拍摄半径所包围的水域范围区域。
进一步地，先将所有边界范围图像进行相同像素区域的对比匹配，并将匹配成功的若干个相同像素区域进行标号处理，得到匹配标号序列组。再根据匹配标号序列组，将所有边界范围图像进行关联像素窗口的互相依次转移，并将互相依次转移后的关联像素窗口进行相同像素区域的缝合拼接处理，得到水域环形图像。
在一个实施例中，图2为本申请实施例提供的一种大型水域的智能化安防监控示意图，如图2所示，首先基于遥感地图，对大型水域进行网格化处理，并基于对应的二维平面以及监控摄像头组的拍摄半径，预安装多个监控摄像头组以保证对大型水域周边的区域实现监控全覆盖。然后再对每个监控摄像头组获取的某一边界区域的边界范围图像进行环形的图像拼接，并将互相依次转移后的关联像素窗口进行相同像素区域的缝合拼接处理，最终得到了水域环形图像。
S102、根据监控摄像头组中的光谱相机系统，对水域环形图像进行有关最大似然算法的光谱图像分类处理，得到水域边界类型图像。
具体地，基于光谱相机系统，在生成水域环形图像时，并对水域环形图像对应的光谱图像进行采集，得到水域多光谱图像。
进一步地，通过与光谱相机系统相关联的ENVI遥感图像处理平台，提取水域环形图像中任意长度的图像片段。其中，水域环形图像包括：水面图像、湿地淤泥图像以及硬化岸边图像。之后将图像片段中有关不同光谱的图像区域进行三色颜色填充，确定出基于不同颜色区域的感兴趣区域。其中，感兴趣区域的区域种类为三种。然后将感兴趣区域进行相互的拆分组合，并根据任意两个感兴趣区域之间的向量距离以及转换分离度，确定出每种感兴趣区域之间的分离性值。
进一步地，通过最大似然算法，将图像片段中的每个感兴趣区域以及对应的分离性值进行有关光谱图像分类处理的样本训练，得到光谱图像分类模型。
进一步地，通过光谱图像分类模型，对水域环形图像进行图像区域的类型分类与定义，确定出水域边界类型图像。水域边界类型图像包括：水面边界图像、湿地淤泥边界图像以及硬化岸边边界图像。
在一个实施例中，如图2所示，首先利用监控摄像机组中的光谱相机系统，在生成水域环形图像时，并对水域环形图像对应的光谱图像进行采集，得到水域多光谱图像，然后再使用ENVI遥感图像处理平台，将多光谱图像进行三色填充，每种颜色区域则代表每种感兴趣区域，然后再将每种感兴趣区域之间进行互相的拆分组合，再基于任意两个感兴趣区域之间的向量距离以及转换分离度，最终便可计算出每种感兴趣区域之间的分离性值，然后作为训练样本，通过最大似然似然算法，对图像片段中的每个感兴趣区域以及对应的分离性值进行有关光谱图像分类处理的样本训练，最终得到光谱图像分类模型。
其中，先通过光谱图像分类模型中的每种感兴趣区域之间的分离性值，对水域环形图像中每种感兴趣区域进行基于图像边界范围的区域分类，并将相同的感兴趣区域进行相同水域类型边界的统一标记，得到相同水域类型边界图像。再基于水域环形图像中的不同图像内容，将相同水域类型边界图像进行一一对应的定义划分，得到划分后的水域边界类型图像。
S103、根据水域边界类型图像，并基于预设的水域安全数据库，对水域环形图像进行水域边界类型所占面积比例的权重划分，得到基于水域环形图像的危险范围区域。
具体地，根据水域安全数据库中历史危险范围区域的坐标位置，对水域边界类型图像进行像素区域坐标的对应标记，得到基于水域边界类型图像的第一标记图像。
进一步地，通过固定长宽比的像素框，将第一标记图像进行图像分割，得到若干分割图像。然后基于分割图像中的每种感兴趣区域的像素面积，确定出每种感兴趣区域的像素面积在分割图像中的占比数值。其中，每种感兴趣区域包括：水面边界图像、湿地淤泥边界图像以及硬化岸边边界图像。
进一步地，先获取水域安全数据库中历史危险范围区域的平均危险阈值以及每种感兴趣区域的平均权重分配规则。之后根据平均权重分配规则，对最新获取的分割图像中的占比数值进行权重划分计算，得到基于分割图像的区域危险系数。并将区域危险系数大于或者等于平均危险阈值的分割图像确定为危险区域图像。
进一步地，再根据与危险区域图像对应的像素区域坐标，将水域边界类型图像进行像素区域坐标的二次标记，得到第二标记图像。最后将第二标记图像对应的图像范围区域确定为危险范围区域。
在一个实施例中，如图2所示，由于受到汛期、降雨、干旱等自然环境影响，水域边界范围不断的动态变化(例如，汛期时水域边界更外，旱期时水域边界更里等等)，所以利用水域安全数据库中历史危险范围区域的坐标位置，先标记出历史危险范围区域所对应的第一标记图像，即先获取历史危险范围区域图像，之后再根据给固定参数的像素框，将每张第一标记图像进行同一方向的图像分割，划分出多个分割图像，然后再分别计算每个分割图像中不同感兴趣区域所占的像素比例，以确定出每种感兴趣区域的像素面积在分割图像中的占比数值，也就是利用历史危险范围区域图像中的每种感兴趣区域的像素面积，确定出历史信息记录中分割图像中的占比数值，来作为后续最新生成的水域边界类型图像的数据参考标准。
作为一种可行的实施方式，平均危险阈值以及平均权重分配规则均是以水域安全数据库中历史危险范围区域所对应的占比数值与分割图像的区域危险系数，作为数据计算样本的。然后再将平均危险阈值以及平均权重分配规则应用到最新获取的水域边界类型图像中，即根据平均权重分配规则，对最新获取的分割图像中的占比数值进行权重划分计算，得到基于分割图像的区域危险系数。并将最新获取的分割图像中所包含的区域危险系数大于或者等于平均危险阈值的分割图像确定为最新的危险区域图像，并同时获取该最新的危险区域图像所对应的像素区域坐标，最终再将该像素区域坐标所对应的水域区域标记为最新的危险范围区域。
S104、对危险范围区域进行有关游客所处位置的边界框的确定。根据深度卷积框架，对边界框中的图像进行多网格偏移量的网络训练，识别并确定出处于危险范围区域中的目标对象图像。
具体地，通过监控摄像头组，逐帧获取与危险范围区域对应的危险范围区域图像。然后基于监控摄像头组中的视频流，将每一帧的危险范围区域图像与上一帧的危险范围区域图像进行像素变化的比对，确定出像素变化图像。之后将像素变化图像中变化像素区域的确定为候选区域，并获取候选区域的特征向量。其中，变化像素区域与游客所处位置的像素区域对应。
进一步地，通过Selective Search选择性搜索算法，对每个候选区域的特征向量进行边框回归，并对应调整目标包围框的大小，得到边界框。
进一步地，基于YOLOv3算法，将边界框中的图像进行网格化划分，得到若干网格图像。然后对每个网格图像进行像素所含区域的占有预测，确定出相同像素的类别概率。并基于类别概率，获取网格边界框的置信度。其中，每个网格图像均包含两个网格边界框。置信度用于对网格边界框内的目标对象进行正样本或者负样本判断的。
进一步地，再根据网格边界框的置信度以及相同像素的类别概率，将边界框中的每个网格图像进行对齐处理，得到每个网格图像的偏移量。接着根据每个网格图像的偏移量，对每个网格图像进行基于损失误差的网格边界框相交比的标记计算，确定出均包含目标对象的目标网格图像。其中，损失误差包括：网格坐标误差以及网格边界框误差。
进一步地，利用Darknet深度卷积框架，将目标网格图像进行网络拟合训练，得到训练后的网络结构。最后将待监测的边界框中的图像逐帧输入到训练后的网络结构中。识别并确定出处于危险范围区域中的目标对象图像。
在一个实施例中，将目标网格图像输入到Darknet深度卷积框架中，主要参数包括学习率、最大批次数、批次大小以及动量大小等等，以实现对目标网格图像进行网络拟合训练，得到训练后的网络结构。最后再利用训练后的网络结构，将待监测的边界框中的图像逐帧输入到训练后的网络结构中，就可以识别并确定出处于危险范围区域中的目标对象图像。
S105、将目标对象图像与危险范围区域图像进行图像坐标的比对，确定出有关游客所处位置的危险程度等级信息。
具体地，预先获取危险范围区域图像中与水面边界图像对应的第一边界图像坐标组、与湿地淤泥边界图像对应的第二边界图像坐标组以及与硬化岸边边界图像对应的第三边界图像坐标组。以及，对目标对象图像进行有关图像中心坐标值的计算，得到目标对象坐标。
再将目标对象坐标进行图像坐标组的所属判断：
若目标对象坐标属于第一边界图像坐标组，则将危险程度等级信息确定为特级危险等级信息。
若目标对象坐标属于第二边界图像坐标组，则将危险程度等级信息确定为高级危险等级信息。
若目标对象坐标属于第三边界图像坐标组，则将危险程度等级信息确定为一般危险等级信息。
其中，危险程度等级信息包括：特级危险等级信息、高级危险等级信息以及一般危险等级信息。
S106、根据危险程度等级信息以及巡检人员的实时位置信息，对大型水域景区中的游客安全进行实时监测与保障，以实现对大型水域景区的智能化安防监控。
具体地，将判断出的危险程度等级信息发送给智慧景区管理平台，并生成对应的告警信息，以对大型水域景区中的游客安全进行实时监测。还可以基于告警信息以及巡检人员的实时位置信息，生成用于巡检人员导航的实时路径信息，以对大型水域景区中的游客安全进行实时保障。
在一个实施例中，通过将危险程度等级信息发送给智慧景区管理平台，以便于让工作人员及时掌握最新的游客安全信息，还能利用告警信息，让巡检人员快速达到危险范围区域，疏散游客或者救援乘客等等，增强了游客游玩的体验感，提高了人性化的管理方式，同时还能最大程度的保障游客的生命安全。
另外，本申请实施例还提供了一种包含大型水域景区的智能化安防监控设备，如图3所示，包含大型水域景区的智能化安防监控设备300具体包括：
至少一个处理器301；以及，与至少一个处理器301通信连接的存储器302；其中，存储器302存储有能够被至少一个处理器301执行的指令，以使至少一个处理器301能够执行：
通过在大型水域周边预安装的多个监控摄像头组，对大型水域中的边界范围区域进行图像的获取与拼接，得到水域环形图像；
根据监控摄像头组中的光谱相机系统，对水域环形图像进行有关最大似然算法的光谱图像分类处理，得到水域边界类型图像；
根据水域边界类型图像，并基于预设的水域安全数据库，对水域环形图像进行水域边界类型所占面积比例的权重划分，得到基于水域环形图像的危险范围区域；
对危险范围区域进行有关游客所处位置的边界框的确定；根据深度卷积框架，对边界框中的图像进行多网格偏移量的网络训练，识别并确定出处于危险范围区域中的目标对象图像；
将目标对象图像与危险范围区域图像进行图像坐标的比对，确定出有关游客所处位置的危险程度等级信息；
根据危险程度等级信息以及巡检人员的实时位置信息，对大型水域景区中的游客安全进行实时监测与保障，以实现对大型水域景区的智能化安防监控。
本申请通过对大型水域进行实时监控，能够根据水域周边、汛期、降雨等等发生变化的因素，及时调整水域附近的危险范围区域，从而避免景区中的游客在周边发生潜在的危险。同时，还能根据游客的实时位置来判断其是否已经处于所在危险区域中，以及将身处于危险区域的游客进行信息的发送与预警，及时通知管理人员和巡检人员对游客进行帮助或者进行危险的提醒，让游客可以安全游玩，减少危险的发生。还能够对景区中大型水域进行全面的安全监控，增加对危险区域识别的及时性与同步性，有效的将处于危险区域的游客进行监测与保护，增强了游客的游玩体验与游玩安全，方便了智慧景区的安全管理。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种包含大型水域景区的智能化安防监控方法，其特征在于，所述方法包括：
通过在大型水域周边预安装的多个监控摄像头组，对所述大型水域中的边界范围区域进行图像的获取与拼接，得到水域环形图像；
根据所述监控摄像头组中的光谱相机系统，对所述水域环形图像进行有关最大似然算法的光谱图像分类处理，得到水域边界类型图像；
根据所述水域边界类型图像，并基于预设的水域安全数据库，对所述水域环形图像进行水域边界类型所占面积比例的权重划分，得到基于所述水域环形图像的危险范围区域；
对所述危险范围区域进行有关游客所处位置的边界框的确定；根据深度卷积框架，对所述边界框中的图像进行多网格偏移量的网络训练，识别并确定出处于所述危险范围区域中的目标对象图像；
将所述目标对象图像与危险范围区域图像进行图像坐标的比对，确定出有关游客所处位置的危险程度等级信息；
根据所述危险程度等级信息以及巡检人员的实时位置信息，对大型水域景区中的游客安全进行实时监测与保障，以实现对大型水域景区的智能化安防监控。
2.根据权利要求1所述的一种包含大型水域景区的智能化安防监控方法，其特征在于，通过在大型水域周边预安装的多个监控摄像头组，对所述大型水域中的边界范围区域进行图像的获取与拼接，得到水域环形图像，具体包括：
根据所述大型水域的边界周长以及边界凹凸曲线，将所述大型水域的二维平面进行网格化处理；并基于所述监控摄像头组的拍摄半径，确定出包含拍摄重叠区域的多个网格点；
基于所述多个网格点，将所述多个监控摄像头组进行对应安装，确定出用于大型水域周边拍摄的监控点；
通过每个监控点的监控摄像头组，对所述大型水域中的边界范围区域进行图像的获取，得到边界范围图像；其中，所述边界范围区域基于所述拍摄半径所包围的水域范围区域；
将所有所述边界范围图像进行相同像素区域的对比匹配，并将匹配成功的若干个相同像素区域进行标号处理，得到匹配标号序列组；
根据所述匹配标号序列组，将所有所述边界范围图像进行关联像素窗口的互相依次转移，并将互相依次转移后的所述关联像素窗口进行相同像素区域的缝合拼接处理，得到所述水域环形图像。
3.根据权利要求1所述的一种包含大型水域景区的智能化安防监控方法，其特征在于，根据所述监控摄像头组中的光谱相机系统，对所述水域环形图像进行有关最大似然算法的光谱图像分类处理，得到水域边界类型图像，具体包括：
基于所述光谱相机系统，在生成所述水域环形图像时，并对所述水域环形图像对应的光谱图像进行采集，得到水域多光谱图像；
通过与所述光谱相机系统相关联的ENVI遥感图像处理平台，提取所述水域环形图像中任意长度的图像片段；其中，所述水域环形图像包括：水面图像、湿地淤泥图像以及硬化岸边图像；
将所述图像片段中有关不同光谱的图像区域进行三色颜色填充，确定出基于不同颜色区域的感兴趣区域；其中，所述感兴趣区域的区域种类为三种；
将所述感兴趣区域进行相互的拆分组合，并根据任意两个感兴趣区域之间的向量距离以及转换分离度，确定出每种感兴趣区域之间的分离性值；
通过所述最大似然算法，将所述图像片段中的每个感兴趣区域以及对应的分离性值进行有关光谱图像分类处理的样本训练，得到光谱图像分类模型；
通过所述光谱图像分类模型，对所述水域环形图像进行图像区域的类型分类与定义，确定出所述水域边界类型图像；其中，所述水域边界类型图像包括：水面边界图像、湿地淤泥边界图像以及硬化岸边边界图像。
4.根据权利要求3所述的一种包含大型水域景区的智能化安防监控方法，其特征在于，通过所述光谱图像分类模型，对所述水域环形图像进行图像区域的类型分类与定义，确定出所述水域边界类型图像，具体包括：
通过所述光谱图像分类模型中的每种感兴趣区域之间的分离性值，对所述水域环形图像中每种感兴趣区域进行基于图像边界范围的区域分类，并将相同的感兴趣区域进行相同水域类型边界的统一标记，得到相同水域类型边界图像；
基于所述水域环形图像中的不同图像内容，将所述相同水域类型边界图像进行一一对应的定义划分，得到划分后的所述水域边界类型图像。
5.根据权利要求1所述的一种包含大型水域景区的智能化安防监控方法，其特征在于，根据所述水域边界类型图像，并基于预设的水域安全数据库，对所述水域环形图像进行水域边界类型所占面积比例的权重划分，得到基于所述水域环形图像的危险范围区域，具体包括：
根据所述水域安全数据库中历史危险范围区域的坐标位置，对所述水域边界类型图像进行像素区域坐标的对应标记，得到基于所述水域边界类型图像的第一标记图像；
通过固定长宽比的像素框，将所述第一标记图像进行图像分割，得到若干分割图像；
基于所述分割图像中的每种感兴趣区域的像素面积，确定出每种感兴趣区域的像素面积在所述分割图像中的占比数值；其中，所述每种感兴趣区域包括：水面边界图像、湿地淤泥边界图像以及硬化岸边边界图像；
获取所述水域安全数据库中历史危险范围区域的平均危险阈值以及每种感兴趣区域的平均权重分配规则；
根据所述平均权重分配规则，对最新获取的分割图像中的占比数值进行权重划分计算，得到基于所述分割图像的区域危险系数；并将所述区域危险系数大于或者等于所述平均危险阈值的分割图像确定为危险区域图像；
根据与所述危险区域图像对应的像素区域坐标，将所述水域边界类型图像进行像素区域坐标的二次标记，得到第二标记图像；
将所述第二标记图像对应的图像范围区域确定为危险范围区域。
6.根据权利要求1所述的一种包含大型水域景区的智能化安防监控方法，其特征在于，对所述危险范围区域进行有关游客所处位置的边界框的确定，具体包括：
通过所述监控摄像头组，逐帧获取与所述危险范围区域对应的危险范围区域图像；
基于所述监控摄像头组中的视频流，将每一帧的危险范围区域图像与上一帧的危险范围区域图像进行像素变化的比对，确定出像素变化图像；
将所述像素变化图像中变化像素区域的确定为候选区域，并获取所述候选区域的特征向量；其中，所述变化像素区域与所述游客所处位置的像素区域对应；
通过Selective Search选择性搜索算法，对每个候选区域的特征向量进行边框回归，并对应调整目标包围框的大小，得到所述边界框。
7.根据权利要求1所述的一种包含大型水域景区的智能化安防监控方法，其特征在于，根据深度卷积框架，对所述边界框中的图像进行多网格偏移量的网络训练，识别并确定出处于所述危险范围区域中的目标对象图像，具体包括：
基于YOLOv3算法，将所述边界框中的图像进行网格化划分，得到若干网格图像；
对每个网格图像进行像素所含区域的占有预测，确定出相同像素的类别概率；并基于所述类别概率，获取网格边界框的置信度；其中，所述每个网格图像均包含两个网格边界框；所述置信度用于对所述网格边界框内的目标对象进行正样本或者负样本判断的；
根据所述网格边界框的置信度以及相同像素的类别概率，将所述边界框中的每个网格图像进行对齐处理，得到所述每个网格图像的偏移量；
根据所述每个网格图像的偏移量，对所述每个网格图像进行基于损失误差的网格边界框相交比的标记计算，确定出均包含目标对象的目标网格图像；其中，损失误差包括：网格坐标误差以及网格边界框误差；
通过Darknet深度卷积框架，将所述目标网格图像进行网络拟合训练，得到训练后的网络结构；
将待监测的边界框中的图像逐帧输入到所述训练后的网络结构中；识别并确定出处于所述危险范围区域中的目标对象图像。
8.根据权利要求1所述的一种包含大型水域景区的智能化安防监控方法，其特征在于，将所述目标对象图像与危险范围区域图像进行图像坐标的比对，确定出有关游客所处位置的危险程度等级信息，具体包括：
获取所述危险范围区域图像中与水面边界图像对应的第一边界图像坐标组、与湿地淤泥边界图像对应的第二边界图像坐标组以及与硬化岸边边界图像对应的第三边界图像坐标组；
对所述目标对象图像进行有关图像中心坐标值的计算，得到目标对象坐标；
若所述目标对象坐标属于所述第一边界图像坐标组，则将所述危险程度等级信息确定为特级危险等级信息；
若所述目标对象坐标属于所述第二边界图像坐标组，则将所述危险程度等级信息确定为高级危险等级信息；
若所述目标对象坐标属于所述第三边界图像坐标组，则将所述危险程度等级信息确定为一般危险等级信息；
其中，所述危险程度等级信息包括：所述特级危险等级信息、所述高级危险等级信息以及所述一般危险等级信息。
9.根据权利要求1所述的一种包含大型水域景区的智能化安防监控方法，其特征在于，根据所述危险程度等级信息以及巡检人员的实时位置信息，对大型水域景区中的游客安全进行实时监测与保障，具体包括：
将所述危险程度等级信息发送给智慧景区管理平台，并生成对应的告警信息，以对大型水域景区中的游客安全进行实时监测；
基于所述告警信息以及所述巡检人员的实时位置信息，生成用于巡检人员导航的实时路径信息，以对大型水域景区中的游客安全进行实时保障。
10.一种包含大型水域景区的智能化安防监控设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1-9任一项所述的一种包含大型水域景区的智能化安防监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330469.7A CN117253193B (zh) | 2023-10-13 | 2023-10-13 | 一种包含大型水域景区的智能化安防监控方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330469.7A CN117253193B (zh) | 2023-10-13 | 2023-10-13 | 一种包含大型水域景区的智能化安防监控方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117253193A CN117253193A (zh) | 2023-12-19 |
| CN117253193B true CN117253193B (zh) | 2024-04-23 |
Family
ID=89132919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311330469.7A Active CN117253193B (zh) | 2023-10-13 | 2023-10-13 | 一种包含大型水域景区的智能化安防监控方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117253193B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
| CN109961029A (zh) * | 2019-03-15 | 2019-07-02 | Oppo广东移动通信有限公司 | 一种危险物品检测方法、装置及计算机可读存储介质 |
| CN112613668A (zh) * | 2020-12-26 | 2021-04-06 | 西安科锐盛创新科技有限公司 | 基于人工智能的景区危险区域管控方法 |
| CN112966589A (zh) * | 2021-03-03 | 2021-06-15 | 中润油联天下网络科技有限公司 | 一种在危险区域的行为识别方法 |
| CN114125722A (zh) * | 2021-11-21 | 2022-03-01 | 特斯联科技集团有限公司 | 森林草原游客智能管理方法及系统 |
| KR102410833B1 (ko) * | 2021-06-08 | 2022-06-22 | 임태훈 | 국지성 호우에 의한 도심지 저지대 침수 예측 및 조기경보 시스템 및 그 방법 |
| WO2022127912A1 (en) * | 2020-12-18 | 2022-06-23 | Zhejiang Dahua Technology Co., Ltd. | Image segmentation method, network training method, electronic equipment and storage medium |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11741580B2 (en) * | 2018-09-14 | 2023-08-29 | The Johns Hopkins University | Machine learning processing of contiguous slice image data |
-
2023
- 2023-10-13 CN CN202311330469.7A patent/CN117253193B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
| CN109961029A (zh) * | 2019-03-15 | 2019-07-02 | Oppo广东移动通信有限公司 | 一种危险物品检测方法、装置及计算机可读存储介质 |
| WO2022127912A1 (en) * | 2020-12-18 | 2022-06-23 | Zhejiang Dahua Technology Co., Ltd. | Image segmentation method, network training method, electronic equipment and storage medium |
| CN112613668A (zh) * | 2020-12-26 | 2021-04-06 | 西安科锐盛创新科技有限公司 | 基于人工智能的景区危险区域管控方法 |
| CN112966589A (zh) * | 2021-03-03 | 2021-06-15 | 中润油联天下网络科技有限公司 | 一种在危险区域的行为识别方法 |
| KR102410833B1 (ko) * | 2021-06-08 | 2022-06-22 | 임태훈 | 국지성 호우에 의한 도심지 저지대 침수 예측 및 조기경보 시스템 및 그 방법 |
| CN114125722A (zh) * | 2021-11-21 | 2022-03-01 | 特斯联科技集团有限公司 | 森林草原游客智能管理方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| Object Detection With Location-Aware Deformable Convolution and Backward Attention Filtering;Chen Zhang等;《2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;20200109;全文 * |
| 基于YOLOv3算法的高速公路火灾检测;刘俊;张文风;;上海船舶运输科学研究所学报;20191230(第04期);全文 * |
| 基于改进YOLO算法的全景多目标实时检测;蔡成涛;吴科君;刘秋飞;程海涛;马强;;计算机工程与设计;20181016(第10期);全文 * |
| 基于无线网桥技术构建五里湖景区水域CCTV系统;吴海峰;王恺;;中国水运(下半月);20141015(第10期);全文 * |
| 基于特征融合的航拍图像小目标检测;胡涛等;《硕士电子期刊出版信息》;20220115;全文 * |
| 深度卷积神经网络图像语义分割研究进展;青晨;禹晶;肖创柏;段娟;;中国图象图形学报;20200616(第06期);全文 * |
| 细砂岩阶段蠕应变特征与粘滞性试验研究;刘传孝;张加旺;贺加栋;张美政;;矿冶;20101215(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117253193A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2021285832B2 (en) | Method for property feature segmentation | |
| Kong et al. | A federated learning-based license plate recognition scheme for 5G-enabled internet of vehicles | |
| RU2669656C2 (ru) | Обнаружение состояния с использованием обработки изображений | |
| WO2022100470A1 (en) | Systems and methods for target detection | |
| CN103761526B (zh) | 一种基于特征位置优选整合的城区检测方法 | |
| CN113920436A (zh) | 一种基于改进YOLOv4算法的遥感图像海上船舶识别系统及其方法 | |
| CN112669350A (zh) | 一种自适应特征融合的智能变电站人体目标跟踪方法 | |
| CN114898097B (zh) | 图像识别方法及系统 | |
| CN111553204B (zh) | 一种基于遥感影像的输电杆塔检测方法 | |
| CN109002752A (zh) | 一种基于深度学习的复杂公共场景快速行人检测方法 | |
| CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
| EP3770799A1 (en) | A method of identifying topographic features | |
| CN108875803A (zh) | 一种基于视频图像的危化品运输车辆检测与识别方法 | |
| CN107330027A (zh) | 一种弱监督的深度台标检测方法 | |
| CN111626169A (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
| CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
| CN109829426A (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
| Lari et al. | Automated building extraction from high-resolution satellite imagery using spectral and structural information based on artificial neural networks | |
| CN116704386B (zh) | 一种基于ai的精准应急救援方法及装置 | |
| CN117253193B (zh) | 一种包含大型水域景区的智能化安防监控方法及设备 | |
| CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
| CN113361968B (zh) | 基于人工智能和大数据的电网基建人员安全风险评估方法 | |
| CN114898203B (zh) | 一种基于深度学习的轨道交通周边危险源变化检测方法 | |
| CN113936300A (zh) | 建筑工地人员识别方法、可读存储介质和电子设备 | |
| Park et al. | Slash or burn: Power line and vegetation classification for wildfire prevention |
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 |