CN110969604A - 一种基于深度学习的智能安防实时开窗检测报警***及方法 - Google Patents
一种基于深度学习的智能安防实时开窗检测报警***及方法 Download PDFInfo
- Publication number
- CN110969604A CN110969604A CN201911176783.8A CN201911176783A CN110969604A CN 110969604 A CN110969604 A CN 110969604A CN 201911176783 A CN201911176783 A CN 201911176783A CN 110969604 A CN110969604 A CN 110969604A
- Authority
- CN
- China
- Prior art keywords
- windowing
- detection
- image
- task
- request
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000004806 packaging method and process Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000006399 behavior Effects 0.000 abstract description 5
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于深度学习的智能安防实时开窗检测报警***及方法，用户通过WEB前端发送HTTP请求，根据HTTP请求的不同执行不同的管理操作；将用于开窗检测的单帧图像送入深度学习算法YOLO V3；使用尺度不变特征变换SIFT得到检测图像和模板图像的特征点，将检测图像的开窗坐标映射到模板图像，根据两相近坐标欧式距离最小的判别准则得到开窗编号，推送到前端进行实时告警。本发明通过将深度学习算法YOLO V3和图像匹配方法结合，提升开窗检测速度，降低光照影响；同时使用Django主流WEB应用框架，将开窗检测算法封装为接口形式。本发明实现对建筑物外立面开窗行为的实时检测与报警定位，实现对居民楼高空抛物以及重点区域周围建筑物的有效监控和危险预警。
Description
技术领域
本发明属于目标检测和图像处理领域，尤其涉及一种基于深度学习的智能安防开窗检测报警***及方法。
背景技术
随着人工智能行业的兴起以及深度学习算法应用领域的日益广泛，同时，使用GPU加速服务可将深度学习算法迅速训练并应用于实际。而将应用于到实际的算法部署到WEB端，使得大量用户可以同时调用此算法接口，降低算法在实体环境中的繁琐部署，单台GPU服务器可同时实现多任务检测处理。目前，对于重大活动的安保现场的视频监控呈现监控点多、分布广的特点，尤其是能够同时实现对周围存在大量建筑物的室外活动现场的建筑物外立面的监测显得非常重要，对于涉及到的开窗抛物、坠物行为等危险行为的监测和及时处理，已经成为安保以及小区治安工作急需解决的问题。因此，开发一种能够实时对多栋大楼外立面的开窗行为以及开窗位置进行检测的***和方法的重要性不言而喻。
发明内容
本发明要解决的技术问题在于，针对现有的使用传统图像处理进行开窗检测的技术上的缺陷，提供一种基于深度学习的智能安防实时开窗检测报警***及方法。通过该方法解决了现有技术中建筑物外立面开窗检测精度和速度低，且算法适应性不强，检测效果易受到环境影响，算法部署繁琐，资源浪费，摄像头抖动的问题。
为了解决上述技术问题，本发明提供了一种基于深度学习的智能安防实时开窗检测报警***，该***包括任务管理单元、待检测视频流采集单元、开窗检测单元、图像匹配单元和检测结果推送单元。
任务管理单元，用于接收WEB前端通过HTTP方式发送过来的请求，包含资源查询请求、任务添加请求、任务删除请求、状态查询请求；
待检测视频流采集单元，使用多线程的方式，一路线程捕获视频帧(视频帧包含窗口)，另一线程获取第一路线程的最新一帧图像用于开窗检测，考虑到由于每个摄像头的分辨率不同且较高，为了提高检测的效率，统一将待检测图像降采样到1920x1080大小；
开窗检测单元，将降采样之后的待检测图像输入到提前训练好的YOLO V3检测算法进行检测，检测之后图片的开窗位置使用红框标记，同时得到每个红框的中心点坐标信息；
图像匹配单元，将输入检测算法的原图像和模板图像进行匹配，将原图像的中心点坐标映射到原图像，得到开窗编号。
检测结果推送单元，将开窗检测得到的编号信息、建筑名称、检测时间结果封装为JSON格式，推送到WEB前端，进行实时告警。
在根据本发明所述的基于深度学习的智能安防实时开窗检测报警***中，所述的任务管理单元包括：
资源查询请求：用户使用GET请求方式调用资源查询接口，返回用户开窗检测报警***还能添加的开窗检测任务数量；
任务添加请求：用户使用POST请求方式调用任务添加接口，开窗检测报警***接收到用户发送的开窗检测请求和待检测视频流地址RTSP_URL，并开始执行检测任务，不同的开窗检测任务添加到不同的线程中，实现对于多个建筑物同时执行开窗检测；
任务删除请求：用户使用GET请求方式调用任务删除接口目的是接收终止检测任务请求，并删除需要关闭的检测任务；
状态查询请求：用户使用GET请求方式调用状态查询接口目的是返回用户当前查询的开窗检测任务是否正在运行；
在根据本发明所述的基于深度学习的智能安防实时开窗检测报警***中，所述的开窗检测单元包括：
图像分块子单元，将降采样之后的大小为1920x1080的待检测图像进行分块处理，按照从上到下、从左到右的原则，切割成6张子图，子图的大小为640x540；
图像检测子单元，将一张图像的6张子图依次送入YOLO V3检测算法，得到子图上每个已开窗户的左上角坐标(x1,y1)和右下角坐标(x2,y2)。将第二幅子图的横坐标加上640，第三幅子图的横坐标加上1280，第三幅子图的纵坐标加上540，第四幅子图的横坐标加上640、纵坐标加上540，第六幅子图的横坐标加上1280、纵坐标加上540，完成所有开窗坐标映射到原图位置。使用如下坐标变换公式得到整个图像上每个开窗中心点坐标(x,y)。；
在根据本发明所述的基于深度学习的智能安防实时开窗报警检测***中，所述的图像匹配单元包括：
图像匹配子单元，为了减少图像匹配的时间，在图像匹配之前对两幅图片进行1/4降采样，保证了既好又快的进行两幅图像匹配。将输入检测算法的原图像和模板图像使用尺度不变特征变换SIFT分别检测出两张图像的关键点，根据两张图像的特征点进行匹配，得到原图像到模板图像匹配的3X3的单应矩阵H以及模板图像到原图像匹配的3X3单应矩阵H1；
开窗中心坐标转换子单元，将开窗检测单元中图像检测子单元所获得的所有开窗中心位置坐标转换为中心齐次坐标(x,y,1)，并和单应矩阵H1进行乘积，计算公式如下,得到转换后的坐标(x1,y1,z1)；
开窗中心坐标匹配子单元，将开窗中心坐标转换子单元得到的窗户中心坐标(x1,y1,z1)和模板图像上使用标注软件提前标记好的所有窗户中心坐标(x2,y2,z2)逐个进行欧式距离判定，计算公式如下，所得最小值所对应的窗户编号即为检测到的开窗编号，为了防止误检，将欧式距离的阈值设定为10以下。最后将所有开窗编号信息汇总，得到此次检测原图像的开窗编号信息；
实施本发明的基于深度学习的智能安防实时开窗检测报警***及方法，具有以下有益效果：本发明通过将深度学习算法YOLO V3和传统图像匹配方法相结合，使用GPU加速服务，单张图片的开窗检测可以达到0.4S以下，最后使用多线程方式，一路线程获取视频流，一张检测视频流，可以对输入本开窗检测服务算法的视频流达到实时处理并进行开窗编号位置信息报警推送。使用尺度不变特征变换SIFT用于图像匹配方法的关键点提取，防止由于摄像头移动或者抖动，无法正确输出开窗楼层和编号。于此同时，本开窗算法嵌入主流WEB服务框架Django，得到能进行实时开窗报警检测服务接口，可同时提供给多路用户使用，降低***部署困难。实现对于建筑物外立面开窗行为的实时检测与报警定位，实现对居民楼高空抛物以及重点区域周围建筑物的有效监控和危险预警。
附图说明
图1为根据本发明优选实例的基于深度学习的智能安防实时开窗报警检测方法的数据前期处理及算法训练模块框图；
图2为根据本发明优选实例的基于深度学习的智能安防实时开窗报警检测方法的模块框图；
图3为根据本发明优选实例的基于深度学习的智能安防实时开窗报警检测方法的开窗算法检测流程框图；
图4为根据本发明优选实例的基于深度学习的智能安防实时开窗报警检测方法的开窗报警检测结果展示图；
图5为根据本发明优选实例的基于深度学习的智能安防实时开窗报警检测方法的原图像和模板图像匹配结果展示图；
图6为根据本发明优选实例的基于深度学习的智能安防实时开窗报警检测方法的原图像和模板图像融合叠加结果展示图；
图7为根据本发明优选实例的基于深度学习的智能安防实时开窗报警检测方法的模板图像使用标注工具标记窗户坐标以及编号结果展示图；
图8为根据本发明优选实例的基于深度学习的智能安防实时开窗报警检测方法的开窗报警检测的开窗编号结果展示图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，为根据发明优选实施例的基于深度学习的智能安防实时开窗报警检测方法的数据前期处理及算法训练单元框图。如图1所示，该实施例提供的单元包括：数据预处理单元101、深度学习算法YOLO V3训练单元102。
数据预处理单元101，将获取到的五栋建筑物外立面的视频监控格式文件使用OpenCV开发库转化为图像格式文件，作为初筛数据，图像尺寸统一降采样大小为1920x1080。使用标注工具对图像上开窗位置进行标记，窗户的标签命名为对应大楼的名称，使用随机裁剪等方式将数据集进行扩增，得到大小为640X640大小的图像作为数据集；
深度学习算法YOLO V3训练单元102，将数据集分为两类：一类是网络训练时需要的检测数据，最终选取2700张图片作为检测训练数据集样本，共有5类。另一类用于测试，共300张。训练过程中使用GPU进行运算，运算环境包括Windows10、CUDA9.0、python3.6、Opencv等常用环境，使用K-MEANS聚类方法得到适合本数据集的anchors,设置学习率大小为0.001，迭代500次，使得整个网络检测的效果达到最优，最终得到训练权重，经测试检测MAP可达到90％以上。
请参阅图2，为根据发明优选实施例的基于深度学习的智能安防实时开窗检测报警***的流程框图。如图2所示，该实施例提供的方法包括：任务管理单元201、待检测视频流接收单元202、开窗检测单元203、图像匹配单元204、检测结果推送单元205。
任务管理单元201，用于接收WEB前端通过HTTP方式发送过来的请求，包含资源查询请求、任务添加请求、任务删除请求、状态查询请求；
待检测视频流采集单元202，考虑到由于每个摄像头的分辨率不同且较高，为了提高检测的效率，统一将待检测图像降采样到1920x1080大小；
开窗检测单元203，将解析之后的视频流依次取出单张图片(此图片和原图像拍摄的角度可能不同)，送入开窗检测算法进行检测，得到开窗的坐标信息、建筑名称；
图像匹配单元204，使用传统图像匹配处理方法，将输入开窗检测模块的原图像和模板图像进行匹配，得到单应矩阵，将原图像的开窗坐标进行映射，使用欧氏距离进行判别，得到开窗编号。
检测结果推送单元205，将检测算法输出的单张图像开窗检测编号信息、建筑名称、检测时间结果封装，进行实时告警。
请参阅图3，为根据发明优选实施例的基于深度学习的智能安防实时开窗报警检测方法的开窗算法单元流程框图。如图3所示，包括：图像处理子单元301、图像分块子单元302、图像检测子单元303、图像匹配子单元304、开窗中心坐标转换子单元305、开窗中心坐标匹配子单元306。
图像处理子单元301，接收视频流，依次获得单帧图像，由于输入视频流较多，且分辨率唯一，将图像分辨率统一为1920x1080；
图像分块子单元302，将单帧图像大小为1920X1080进行分块处理，切割成6张子图，大小为640X540；
图像检测子单元303，将一张图像的6张子图依次送入YOLO V3检测算法，得到子图开窗坐标，将获得的6张子图开窗坐标使用坐标变换对应到未切割原图像，得到原图像的所有开窗坐标信息。并转化为后续所需的开窗中心位置坐标。
图像匹配子单元304，将输入检测算法的原图像到模板图像根据两张相似图像的特征点进行匹配得到单应矩阵；
开窗中心坐标转换子单元305，将开窗检测模块中图像检测单元所获得的所有开窗中心位置坐标(第三维坐标为1，转化为齐次坐标)和单应逆矩阵进行乘积，得到模板图像上对应的窗户坐标；
开窗中心坐标匹配子单元306，将开窗中心坐标转换单元得到的窗户坐标和模板图像上使用标注工具提前标记好的窗户坐标进行欧式距离判定，所得距离最小即为开窗坐标属于模板图像对应的坐标，可找出此打开窗户的位置编号，最后将开窗编号信息汇总，得到此次检测原图像的开窗编号信息；
请参阅图4，为根据发明优选实施例的基于深度学习的智能安防实时开窗报警检测方法的开窗报警检测结果展示图。如图4所示。
请参阅图5，为根据发明优选实施例的基于深度学习的智能安防实时开窗报警检测方法的原图像和模板图像匹配结果展示图。如图5所示。
请参阅图6，为根据发明优选实施例的基于深度学习的智能安防实时开窗报警检测方法的原图像和模板图像匹配结果与模板图像融合叠加结果展示图。如图6所示。
请参阅图7，为根据发明优选实施例的基于深度学习的智能安防实时开窗报警检测方法的模板图像使用标注软件标记窗户坐标以及编号结果展示图。如图7所示。
请参阅图8，为根据发明优选实施例的基于深度学习的智能安防实时开窗报警检测方法的开窗报警检测的开窗编号结果展示图。如图8所示。
Claims (4)
1.一种基于深度学习的智能安防实时开窗检测报警***，其特征在于：该***包括任务管理单元、待检测视频流采集单元、开窗检测单元、图像匹配单元和检测结果推送单元；
任务管理单元，用于接收WEB前端通过HTTP方式发送过来的请求，包含资源查询请求、任务添加请求、任务删除请求、状态查询请求；
待检测视频流采集单元，使用多线程的方式，一路线程捕获视频帧，视频帧包含窗口，另一线程获取第一路线程的最新一帧图像用于开窗检测，考虑到由于每个摄像头的分辨率不同且较高，统一将待检测图像降采样到1920x1080大小；
开窗检测单元，将降采样之后的待检测图像输入到提前训练好的YOLO V3检测算法进行检测，检测之后图片的开窗位置使用红框标记，同时得到每个红框的中心点坐标信息；
图像匹配单元，将输入检测算法的原图像和模板图像进行匹配，将原图像的中心点坐标映射到原图像，得到开窗编号；
检测结果推送单元，将开窗检测得到的编号信息、建筑名称、检测时间结果封装为JSON格式，推送到WEB前端，进行实时告警。
2.根据权利要求1所述的一种基于深度学习的智能安防实时开窗检测报警***，其特征在于：所述的任务管理单元包括：
资源查询请求：用户使用GET请求方式调用资源查询接口，返回用户开窗检测报警***还能添加的开窗检测任务数量；
任务添加请求：用户使用POST请求方式调用任务添加接口，开窗检测报警***接收到用户发送的开窗检测请求和待检测视频流地址RTSP_URL，并开始执行检测任务，不同的开窗检测任务添加到不同的线程中，实现对于多个建筑物同时执行开窗检测；
任务删除请求：用户使用GET请求方式调用任务删除接口目的是接收终止检测任务请求，并删除需要关闭的检测任务；
状态查询请求：用户使用GET请求方式调用状态查询接口目的是返回用户当前查询的开窗检测任务是否正在运行。
3.根据权利要求1所述的一种基于深度学习的智能安防实时开窗检测报警***，其特征在于：所述的开窗检测单元包括：
图像分块子单元，将降采样之后的大小为1920x1080的待检测图像进行分块处理，按照从上到下、从左到右的原则，切割成6张子图，子图的大小为640x540；
图像检测子单元，将一张图像的6张子图依次送入YOLO V3检测算法，得到子图上每个已开窗户的左上角坐标(x1,y1)和右下角坐标(x2,y2)；将第二幅子图的横坐标加上640，第三幅子图的横坐标加上1280，第三幅子图的纵坐标加上540，第四幅子图的横坐标加上640、纵坐标加上540，第六幅子图的横坐标加上1280、纵坐标加上540，完成所有开窗坐标映射到原图位置；使用如下坐标变换公式得到整个图像上每个开窗中心点坐标(x,y)；
4.根据权利要求1所述的一种基于深度学习的智能安防实时开窗检测报警***，其特征在于：所述的图像匹配单元包括：
图像匹配子单元，为了减少图像匹配的时间，在图像匹配之前对两幅图片进行1/4降采样，保证了既好又快的进行两幅图像匹配；将输入检测算法的原图像和模板图像使用尺度不变特征变换SIFT分别检测出两张图像的关键点，根据两张图像的特征点进行匹配，得到原图像到模板图像匹配的3X3的单应矩阵H以及模板图像到原图像匹配的3X3单应矩阵H1；
开窗中心坐标转换子单元，将开窗检测单元中图像检测子单元所获得的所有开窗中心位置坐标转换为中心齐次坐标(x,y,1)，并和单应矩阵H1进行乘积，计算公式如下,得到转换后的坐标(x1,y1,z1)；
开窗中心坐标匹配子单元，将开窗中心坐标转换子单元得到的窗户中心坐标(x1,y1,z1)和模板图像上使用标注软件提前标记好的所有窗户中心坐标(x2,y2,z2)逐个进行欧式距离判定，计算公式如下，所得最小值所对应的窗户编号即为检测到的开窗编号，为了防止误检，将欧式距离的阈值设定为10以下；最后将所有开窗编号信息汇总，得到此次检测原图像的开窗编号信息；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911176783.8A CN110969604B (zh) | 2019-11-26 | 2019-11-26 | 一种基于深度学习的智能安防实时开窗检测报警***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911176783.8A CN110969604B (zh) | 2019-11-26 | 2019-11-26 | 一种基于深度学习的智能安防实时开窗检测报警***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110969604A true CN110969604A (zh) | 2020-04-07 |
| CN110969604B CN110969604B (zh) | 2024-02-27 |
Family
ID=70031674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911176783.8A Active CN110969604B (zh) | 2019-11-26 | 2019-11-26 | 一种基于深度学习的智能安防实时开窗检测报警***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969604B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723654A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子***技术有限公司 | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 |
| CN113269046A (zh) * | 2021-04-28 | 2021-08-17 | 深圳市海清视讯科技有限公司 | 一种高空坠物识别方法及*** |
| CN113435508A (zh) * | 2021-06-28 | 2021-09-24 | 中冶建筑研究总院（深圳）有限公司 | 玻璃幕墙开启窗开启状态检测方法、装置、设备及介质 |
| CN114743163A (zh) * | 2022-04-29 | 2022-07-12 | 北京容联易通信息技术有限公司 | 一种基于深度学习的视频智能监控算法架构方法和*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460357A (zh) * | 2018-03-14 | 2018-08-28 | 北京市公安局警卫局 | 一种基于图像识别的开窗报警检测***及方法 |
| CN109815953A (zh) * | 2019-01-30 | 2019-05-28 | 电子科技大学 | 一种基于车辆年检标的车辆识别匹配*** |
| US20190188729A1 (en) * | 2017-12-18 | 2019-06-20 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for detecting counterfeit product based on deep learning |
-
2019
- 2019-11-26 CN CN201911176783.8A patent/CN110969604B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190188729A1 (en) * | 2017-12-18 | 2019-06-20 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for detecting counterfeit product based on deep learning |
| CN108460357A (zh) * | 2018-03-14 | 2018-08-28 | 北京市公安局警卫局 | 一种基于图像识别的开窗报警检测***及方法 |
| CN109815953A (zh) * | 2019-01-30 | 2019-05-28 | 电子科技大学 | 一种基于车辆年检标的车辆识别匹配*** |
Non-Patent Citations (2)
| Title |
|---|
| KUN ZHAO等: "Small Aircraft Detection in Remote Sensing Images Based on YOLOv3", 《EECR 2019》 * |
| 师燕妮: "基于深度学习目标检测与跟踪技术的研究", 《电子设计工程》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723654A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子***技术有限公司 | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 |
| CN111723654B (zh) * | 2020-05-12 | 2023-04-07 | 中国电子***技术有限公司 | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 |
| CN113269046A (zh) * | 2021-04-28 | 2021-08-17 | 深圳市海清视讯科技有限公司 | 一种高空坠物识别方法及*** |
| CN113435508A (zh) * | 2021-06-28 | 2021-09-24 | 中冶建筑研究总院（深圳）有限公司 | 玻璃幕墙开启窗开启状态检测方法、装置、设备及介质 |
| WO2023273219A1 (zh) * | 2021-06-28 | 2023-01-05 | 中冶建筑研究总院（深圳）有限公司 | 玻璃幕墙开启窗开启状态检测方法、装置、设备及介质 |
| CN113435508B (zh) * | 2021-06-28 | 2024-01-19 | 中冶建筑研究总院（深圳）有限公司 | 玻璃幕墙开启窗开启状态检测方法、装置、设备及介质 |
| CN114743163A (zh) * | 2022-04-29 | 2022-07-12 | 北京容联易通信息技术有限公司 | 一种基于深度学习的视频智能监控算法架构方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110969604B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969604B (zh) | 一种基于深度学习的智能安防实时开窗检测报警***及方法 | |
| CN110232320B (zh) | 实时检测工地现场工人危险靠近施工机械的方法及*** | |
| WO2022135511A1 (zh) | 运动物体的定位方法、装置、电子设备及存储介质 | |
| CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
| CN107590456B (zh) | 一种高空视频监控中小微目标的检测方法 | |
| US20110248995A1 (en) | System and methods for creating interactive virtual content based on machine analysis of freeform physical markup | |
| CN105989608B (zh) | 一种面向智能机器人的视觉捕捉方法及装置 | |
| EP2798611A1 (en) | Camera calibration using feature identification | |
| CN112733690B (zh) | 一种高空抛物检测方法、装置及电子设备 | |
| CN102982341A (zh) | 一种可跨摄像机的自适应人群密度估计方法 | |
| KR101125233B1 (ko) | 융합기술기반 보안방법 및 융합기술기반 보안시스템 | |
| WO2020114116A1 (zh) | 一种基于密集人群的行人检测方法、存储介质及处理器 | |
| Song et al. | Depth driven people counting using deep region proposal network | |
| CN113723361A (zh) | 一种基于深度学习的视频监测方法及设备 | |
| CN103065163B (zh) | 一种基于静态图片的快速目标检测识别***及方法 | |
| EP3762859A1 (en) | 4d tracking | |
| CN112040198A (zh) | 一种基于图像处理的智能水表读数识别***与方法 | |
| CN115690496A (zh) | 基于YOLOv5的实时区域入侵检测方法 | |
| CN110942092A (zh) | 一种图形图像识别方法及识别*** | |
| CN114422720A (zh) | 视频浓缩方法、***、装置和存储介质 | |
| TW202247108A (zh) | 視覺定位方法、設備及電腦可讀儲存媒體 | |
| CN114140753A (zh) | 一种海洋船舶识别的方法、装置及*** | |
| CN109492573A (zh) | 一种指针读取方法及装置 | |
| Kufuor et al. | Automatic MEP component detection with deep learning | |
| CN113643544B (zh) | 一种基于物联网的停车场内违规泊车智能检测方法及*** |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Sun Guangmin Inventor after: Lin Pengfei Inventor after: Li Yu Inventor before: Sun Guangmin Inventor before: Li Yu Inventor before: Lin Pengfei |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |