CN108275114B - 一种油箱防盗监控*** - Google Patents
一种油箱防盗监控*** Download PDFInfo
- Publication number
- CN108275114B CN108275114B CN201810160927.XA CN201810160927A CN108275114B CN 108275114 B CN108275114 B CN 108275114B CN 201810160927 A CN201810160927 A CN 201810160927A CN 108275114 B CN108275114 B CN 108275114B
- Authority
- CN
- China
- Prior art keywords
- oil tank
- image
- suspicious
- early warning
- pedestrian
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 239000002828 fuel tank Substances 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 5
- 238000000034 method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
- B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
- B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
- B60R25/102—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device a signal being sent to a remote location, e.g. a radio signal being transmitted to a police station, a security company or the owner
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种油箱防盗监控***,包括设置于油箱支架上用于采集油箱前方区域图像的图像采集装置,所述图像采集装置连接处理模块,所述处理模块连接预警装置和通讯模块,所述通讯模块连接监控终端,所述处理模块,内置有行人识别与动目标识别结合的深度学习算法,用于对采集到的图像进行识别,判断是否有可疑人物,若判断为可疑人物通过预警装置预警,保存可疑人物图像信息,并与监控终端通讯,将可疑人物图像信息发送至监控终端。利用行人识别与动目标识别结合的深度学习算法对图像进行识别分析,判断是否有人在油箱附近活动,在检测到有可疑目标时,***进行本地声光预警,同时将可疑目标图像发送到驾驶员手机端,提醒驾驶员及时查看。
Description
技术领域
本发明涉及一种油箱防盗***,具体地涉及一种基于机器视觉的油箱防盗监控***。
背景技术
近年来,油价一直居高不下,偷油现象却日益猖獗,给车主带来了巨大的经济损失。在被偷油的目标车辆中,以重型货车为主,因为重型货车的油箱一般安装在外面,且油箱较大,加满一箱油,有的价值高达4000元以上,一旦偷盗得手则收益不菲,而且,许多重型货车经常在夜晚单独停靠在路边休息,也便于盗贼作案。针对偷油现象,目前市面上也有许多防偷油装置,一类是纯机械式的,如加强油箱盖锁,使其不易打开,或者在油箱盖上加装一个类似漏斗的金属装置,使其只能加油进去,而不能插油管吸油,但这些办法只是增加了偷油的难度,无法真正起到防治作用,还有可能使盗贼采取切除整个油箱等极端手段,使车主损失更大;另一类是电子式的,如设置油量检测装置,在车辆熄火时检测到油量减少则发出报警,这种方式存在报警延迟或车主不在车边时无法及时收到报警信息的问题,还有的在油箱上设置红外线扫描器或震动传感器来检测是否偷油,这种方式也存在误报率高,车主接收报警不及时的问题。因此,现有技术与产品并没有起到良好的防偷油效果,偷油现象依旧屡见不鲜。
中国专利文献CN 105774754公开了一种油箱防盗***,***中的信号检测电路采用四个红外传感器模块来实现,其中三个红外传感器模块安装在同一平面上,剩下的一个红外传感器模块垂直于该平面设置,由此实现360度全方位探测,避免探测盲区的出现;通过在控制器中设置安全区阈值和报警区阈值来降低误报率。该***通过红外传感器来进行探测,虽然可以提高一定的误报率,但是还是存在很大的误报率。
发明内容
为了解决上述技术问题,本发明提出了一种油箱防盗监控***,利用行人识别与动目标识别结合的深度学习算法对图像进行识别分析,判断是否有人在油箱附近活动,在检测到有可疑目标时,***进行本地声光预警,同时将可疑目标图像发送到驾驶员手机端,提醒驾驶员及时查看。
本发明所采用的技术方案是:
一种油箱防盗监控***,包括设置于油箱支架上用于采集油箱前方区域图像的图像采集装置,所述图像采集装置连接处理模块,所述处理模块连接预警装置和通讯模块,所述通讯模块连接监控终端,所述处理模块,内置有行人识别与动目标识别结合的深度学习算法,用于对采集到的图像进行识别,判断是否有可疑人物,若判断为可疑人物通过预警装置预警,保存可疑人物图像信息,并与监控终端通讯,将可疑人物图像信息发送至监控终端。
优选的技术方案中,与监控终端通讯时,监控终端发出提示音。
优选的技术方案中,所述行人识别与动目标识别结合的深度学习算法,包括以下步骤:
1)采用深度学习对图像进行分析,训练得到人体分类检测特征;
2)通过卷积神经网络进行大样本训练,得到人体分类器,用于提取图像中的人体;
3)对油箱部分进行静态背景建模,得到没有行人的背景模型,在行人经过该区域时,将该区域与背景模型进行比对,得到运动区域;
4)将步骤2)得到的结果与步骤3)得到的结果进行比对,判断是否有可疑人物。
优选的技术方案中,所述步骤1)具体包括:
将特征以卷积核级联的形式表达,每一级特征均由若干个卷积核构成,每一个卷积核都按照高斯分布随机初始化;训练时,采用无监督自编码训练的策略,以自编码器生成结果和原始值差异的平方和为反向传播的误差;通过大量图片的训练,得到能够表征人体和周围环境的分类检测特征。
优选的技术方案中,所述步骤2)中得到人体分类器的步骤包括:
基于步骤1)提取的特征,设计一种基于卷积神经网络的分类器;该分类器由步骤1)得出的卷积核连续在图像上滑动计算并级联,通过回归得到对行人位置的预测;训练时,根据标注数据中行人的位置和实际预测位置的差异调节神经网络参数,使其逐渐趋近真值。
优选的技术方案中,所述步骤3)的背景建模采用混合高斯模型聚类分析对背景进行实时建模,当背景无变化时,像素分布的混合高斯模型趋于稳定,当有运动物体进入时,计算得到新的模型,通过背景减除得到运动区域。
与现有技术相比,本发明的有益效果是:
1、利用行人识别与动目标识别结合的深度学习算法对图像进行识别分析,判断是否有人在油箱附近活动,可以大大提高识别准确率。通过油箱前活动人体检测可以识别可疑目标,可以在偷油行为进行前就进行预警,达到提前防治的目的。
2、通过主机本地预警与驾驶员手机端远程预警提示相结合的方式,既可以吓阻盗贼,又可以在驾驶员不在车边时,及时知道油箱被盗情况;***向驾驶员手机发送的可疑图像,可以作为偷油事件发生后的追踪证据,为案件追踪提供线索。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为油箱防盗监控***的原理图;
图2为油箱防盗监控***的硬件框图;
图3为油箱防盗监控***的***工作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例
一种油箱防盗监控***,主要基于机器视觉技术与深度学习算法,通过在油箱支架上配置一个朝向油箱前方区域的摄像头,在车辆静止时,摄像头采集油箱前方区域图像,***利用行人识别与动目标识别结合的深度学习算法对图像进行识别分析,判断是否有人在油箱附近活动,在检测到有可疑目标时,***进行本地声光预警,同时将可疑目标图像发送到驾驶员手机端,提醒驾驶员及时查看。
如图1、2所示,本发明的油箱防盗监控***包括硬件***与软件***。其中,硬件***包括图像采集装置、***处理器、预警控制电路、预警装置、4G通讯模块、监控终端。软件***包括信息采集与传输模块、信息识别判断模块、预警控制模块、通讯控制模块。
硬件***各部分功能如下:
图像采集装置:图像采集装置包括摄像头、相关***电路及用于固定摄像头的外壳和底座,整个装置设置在油箱支架上,使摄像头能拍摄到油箱前方区域,底座可以调节设备的俯仰及水平角度。摄像头一般为高清广角摄像头,用于采集油箱前方及周围区域图像信息,并将图像信息传输至***处理器。
***处理器:一般为ARM处理器,用于搭载运行行人识别与动目标识别算法,并具备信息接收、储存与传输功能;
预警控制电路:主要为示警装置控制开关,用于控制示警装置开闭;
预警装置:一般为声光报警器,用于在***识别出可疑人物时,进行声光报警;
4G通讯模块:4G传输芯片,用于将***保存的可疑人物图像信息传输至驾驶员手机终端;
监控终端:驾驶员手机终端,用于接收可疑人物图像信息。
软件***各部分功能如下:
信息采集与传输模块:利用摄像头与其传输电路进行图像采集与传输;
信息识别处理模块:利用行人识别与动目标识别结合的深度学习算法对采集到的图像进行识别,判断在油箱周围是否有可疑人物,并将可疑人物图像信息保存下来。
具体识别实现过程为:
1)采用深度学***方和为反向传播的误差;通过大量图片的训练,得到能够表征人体和周围环境的分类检测特征。
2)通过CNN卷积学习网络,进行大样本训练,得到分类器,从而能够将行人从图片中提取出来;基于步骤1提取的特征,设计一种基于卷积神经网络的分类器;该分类器由步骤1得出的卷积核连续在图片上滑动计算并级联,通过回归得到对行人位置的预测;训练时,根据标注数据中行人的位置和实际预测位置的差异调节神经网络参数,使其逐渐趋近真值。
3)通过对油箱部分,进行静态背景建模,得到没有行人的背景模型;在行人经过该区域时,将该区域与模型进行比对,背景减除等方法,得到运动区域;背景建模采用混合高斯模型聚类分析的技术,对背景进行实时建模,当背景无变化时,像素分布的混合高斯模型趋于稳定,当有运动物体进入时,会有新的模型被计算出来,从而反推出运动物体的区域。
4)将CNN提取得到的行人结果与动态区域检测得到的行人结果进行比对,最终确认是否有行人在油箱区域;
预警控制模块:根据***识别结果,向示警装置发送控制信号,控制其开闭;
通讯控制模块:在***保存可疑人物图像信息后,向4G通讯模块发送通讯信号。
如图3所示,***的工作流程如下:
(1)当检测到车辆静止时,该***自动启动;
(2)摄像头实时采集油箱前方区域图像,并将图像信息传输至***处理器;
(3)***处理器接收到图像信息后,利用深度学习fast-RCNN算法对图片进行分析,训练得到人体分类检测特征;然后,通过CNN卷积学习网络,进行大样本训练,得到分类器,从而能够将行人从图片中提取出来。同时,通过对油箱部分,进行静态背景建模,得到没有行人的背景模型。在行人经过该区域时,将该区域与模型进行比对,背景减除等方法,得到运动区域。最后,将CNN提取得到的行人结果与动态区域检测得到的行人结果进行比对,最终确认是否有行人在油箱区域;
(4)在未检测出行人时,***返回上一步操作,继续对实时传输的图像进行检测;
(5)在检测出行人时,向预警控制器发送预警信号,预警控制器启动本地示警器的开关,本地示警器启动,发出声光报警;同时,***将检测到的行人图像保存下来,通过4G通讯模块发送到绑定的驾驶员手机上,通过预警提示音提醒驾驶员查看。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (5)
1.一种油箱防盗监控***,其特征在于,包括设置于油箱支架上用于采集油箱前方区域图像的图像采集装置,所述图像采集装置连接处理模块,所述处理模块连接预警装置和通讯模块,所述通讯模块连接监控终端,所述处理模块,内置有行人识别与动目标识别结合的深度学习算法,用于对采集到的图像进行识别,判断是否有可疑人物,若判断为可疑人物通过预警装置预警,保存可疑人物图像信息,并与监控终端通讯,将可疑人物图像信息发送至监控终端;
所述行人识别与动目标识别结合的深度学习算法,包括以下步骤:
1)采用深度学习对图像进行分析,训练得到人体分类检测特征;
2)通过卷积神经网络进行大样本训练,得到人体分类器,用于提取图像中的人体;
3)对油箱部分进行静态背景建模,得到没有行人的背景模型,在行人经过该区域时,将该区域与背景模型进行比对,得到运动区域;
4)将通过步骤2)提取得到的行人结果与通过步骤3)检测得到的行人结果进行比对,判断是否有可疑人物。
2.根据权利要求1所述的油箱防盗监控***,其特征在于,与监控终端通讯时,监控终端发出提示音。
3.根据权利要求1所述的油箱防盗监控***,其特征在于,所述步骤1)具体包括:
将特征以卷积核级联的形式表达,每一级特征均由若干个卷积核构成,每一个卷积核都按照高斯分布随机初始化;训练时,采用无监督自编码训练的策略,以自编码器生成结果和原始值差异的平方和为反向传播的误差;通过大量图片的训练,得到能够表征人体和周围环境的分类检测特征。
4.根据权利要求3所述的油箱防盗监控***,其特征在于,所述步骤2)中得到人体分类器的步骤包括:
基于步骤1)提取的特征,设计基于卷积神经网络的分类器;该分类器由步骤1)得出的卷积核连续在图像上滑动计算并级联,通过回归得到对行人位置的预测;训练时,根据标注数据中行人的位置和实际预测位置的差异调节神经网络参数,使其逐渐趋近真值。
5.根据权利要求1所述的油箱防盗监控***,其特征在于,所述步骤3)的背景建模采用混合高斯模型聚类分析对背景进行实时建模,当背景无变化时,像素分布的混合高斯模型趋于稳定,当有运动物体进入时,计算得到新的模型,通过背景减除得到运动区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810160927.XA CN108275114B (zh) | 2018-02-27 | 2018-02-27 | 一种油箱防盗监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810160927.XA CN108275114B (zh) | 2018-02-27 | 2018-02-27 | 一种油箱防盗监控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108275114A CN108275114A (zh) | 2018-07-13 |
CN108275114B true CN108275114B (zh) | 2020-06-23 |
Family
ID=62808764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810160927.XA Active CN108275114B (zh) | 2018-02-27 | 2018-02-27 | 一种油箱防盗监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108275114B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871788A (zh) * | 2019-01-30 | 2019-06-11 | 云南电网有限责任公司电力科学研究院 | 一种输电走廊自然灾害影像识别方法 |
CN110321770B (zh) * | 2019-03-25 | 2022-05-31 | 西安长城数字软件有限公司 | 管线监控方法、装置、设备和存储介质 |
CN110490126B (zh) * | 2019-08-15 | 2023-04-18 | 成都睿晓科技有限公司 | 一种基于人工智能的保险柜安全管控*** |
CN111046822A (zh) * | 2019-12-19 | 2020-04-21 | 山东财经大学 | 一种基于人工智能视频识别的大型车辆防盗方法 |
CN111243223B (zh) * | 2020-02-26 | 2022-05-10 | 福州大学 | 一种汽车防刮擦监控报警方法及*** |
CN111591251B (zh) * | 2020-04-29 | 2021-09-21 | 惠州华阳通用电子有限公司 | 一种基于摄像模组的车辆燃油防盗预警方法、***及车辆 |
CN112307916A (zh) * | 2020-10-21 | 2021-02-02 | 山东神戎电子股份有限公司 | 一种基于可见光摄像机的报警监控方法 |
CN112949439A (zh) * | 2021-02-19 | 2021-06-11 | 中国石油天然气集团有限公司 | 一种油罐车重点区域人员入侵监测方法和*** |
CN113112724B (zh) * | 2021-03-19 | 2023-05-26 | 深圳市海吉星智慧城市科技有限公司 | 基于机器学习的油罐车防盗方法 |
CN113103946B (zh) * | 2021-03-19 | 2023-08-01 | 深圳恩联科技有限公司 | 基于机器学习的油罐车防盗*** |
CN114043869B (zh) * | 2021-11-25 | 2024-04-12 | 南京智鹤电子科技有限公司 | 一种物流车辆燃油防盗报警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1858551A (zh) * | 2006-05-26 | 2006-11-08 | 浙江工业大学 | 基于全方位计算机视觉的工程车防盗报警*** |
CN103593672A (zh) * | 2013-05-27 | 2014-02-19 | 深圳市智美达科技有限公司 | Adaboost分类器在线学习方法及*** |
CN105774754A (zh) * | 2016-04-15 | 2016-07-20 | 宁波钱湖创想智能科技有限公司 | 一种油箱防盗*** |
CN205601787U (zh) * | 2016-03-17 | 2016-09-28 | 南京信息工程大学 | 油箱防盗监控设备 |
CN106564466A (zh) * | 2015-10-12 | 2017-04-19 | 安徽大学 | 一种基于行为检测的汽车防盗报警*** |
CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160045345A (ko) * | 2014-10-17 | 2016-04-27 | 현대자동차주식회사 | 차량의 연료 도난 감시 시스템 및 그 방법 |
JP6590281B2 (ja) * | 2016-02-04 | 2019-10-16 | みこらった株式会社 | 自動車及び自動車用プログラム |
-
2018
- 2018-02-27 CN CN201810160927.XA patent/CN108275114B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1858551A (zh) * | 2006-05-26 | 2006-11-08 | 浙江工业大学 | 基于全方位计算机视觉的工程车防盗报警*** |
CN103593672A (zh) * | 2013-05-27 | 2014-02-19 | 深圳市智美达科技有限公司 | Adaboost分类器在线学习方法及*** |
CN106564466A (zh) * | 2015-10-12 | 2017-04-19 | 安徽大学 | 一种基于行为检测的汽车防盗报警*** |
CN205601787U (zh) * | 2016-03-17 | 2016-09-28 | 南京信息工程大学 | 油箱防盗监控设备 |
CN105774754A (zh) * | 2016-04-15 | 2016-07-20 | 宁波钱湖创想智能科技有限公司 | 一种油箱防盗*** |
CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108275114A (zh) | 2018-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108275114B (zh) | 一种油箱防盗监控*** | |
CN110491135B (zh) | 检测违章停车的方法及相关装置 | |
US10810866B2 (en) | Perimeter breach warning system | |
US10572737B2 (en) | Methods and system for detecting a threat or other suspicious activity in the vicinity of a person | |
KR101218257B1 (ko) | 레이더를 이용한 야생동물 침입 탐지 방법 및 그 시스템 | |
KR102543161B1 (ko) | 산만 운전 모니터링 방법, 시스템 및 전자기기 | |
US11265508B2 (en) | Recording control device, recording control system, recording control method, and recording control program | |
US20140375808A1 (en) | Apparatus, method, and computer readable medium for monitoring a number of passengers in an automobile | |
CN109389791A (zh) | 一种用于车辆的检测物体接近预警*** | |
CN111422057B (zh) | 一种卡车油箱偷油监控方法及*** | |
CN110867046A (zh) | 一种基于云计算的智能洗车机视频监控预警*** | |
CN111599140A (zh) | 一种车辆后排活体监测***及方法 | |
US11972669B2 (en) | System and method for vehicle security monitoring | |
CN111932889B (zh) | 一种基于车路协同的交通疏导*** | |
WO2020194584A1 (ja) | 物体追跡装置、制御方法、及びプログラム | |
CN110929606A (zh) | 车辆盲区行人监控方法和装置 | |
US11417214B2 (en) | Vehicle to vehicle security | |
CN113055651A (zh) | 一种人工智能型车辆安防***及计算机可读存储介质 | |
CN205706545U (zh) | 车辆的报警***及车辆 | |
CN109204226B (zh) | 车辆报警方法和装置 | |
US11616932B1 (en) | Car security camera triggering mechanism | |
CN109243150A (zh) | 一种车辆预警方法及终端 | |
CN113393701A (zh) | 停车场管理方法、装置以及*** | |
CN208233005U (zh) | 一种智能汽车防盗*** | |
CN109398074B (zh) | 一种基于人脸识别和指纹识别的油箱防盗***及方法 |
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 | ||
PP01 | Preservation of patent right |
Effective date of registration: 20240705 Granted publication date: 20200623 |