CN111028455A - 一种检测列车车门和站台门间隙中异物的***及方法 - Google Patents
一种检测列车车门和站台门间隙中异物的***及方法 Download PDFInfo
- Publication number
- CN111028455A CN111028455A CN201911365150.1A CN201911365150A CN111028455A CN 111028455 A CN111028455 A CN 111028455A CN 201911365150 A CN201911365150 A CN 201911365150A CN 111028455 A CN111028455 A CN 111028455A
- Authority
- CN
- China
- Prior art keywords
- stack
- target data
- data set
- suspicious target
- jumping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种检测列车车门和站台门间隙中异物的***及方法,包括:补光摄像子***、智能视频分析***、报警子***和客户端;所述智能视频分析***分别与补光摄像子***、报警子***和客户端通信连接;所述客户端用于客户登陆查看历史报警数据;所述智能视频分析***用于视频分析和数据存储;本发明解决了现有检测异物***存在安装部署复杂,场景受限和检测误报率高的问题。
Description
技术领域
本发明属于通信领域,具体涉及一种检测列车车门和站台门间隙中异物的***及方法。
背景技术
目前检测列车车门与站台门间隙内是否存在异物的方法有基于红外对射的***、基于激光探测的***和传统的视频检测技术等。
红外对射方式存在问题有:自身光源缺陷,该种光源能量不集中,极易扩散,加之在雨、雾、强光等自然天气下易受天气干扰穿透力减弱,产品运行受影响极大;树木、飞鸟等动物干扰都会造成红外线发射强度立即衰减或射束偏移,接收端接收不到完整的射束,便会频繁引起误报;安装应用场所局限,红外对射产品接收两端需完整接收红外线,也因此对安装环境十分苛刻。
激光对射***属于主动入侵探测器类,由激光发射机和激光接收机两部分组成。在防护区域的开始端设置激光发射主机,将其发射出的定向激光光束直接发射到接收机。在接收机通过光电器件与芯片将接收到的光信号转换成开关量信号,并经鉴别器处理。当确认信号正常时,接收主机正常工作,保持监视状态;而当光束被遮断时,则信号失常,输出报警开关信号。
在铁路上实际应用中,激光对射探测***存在如下问题:由于地面沉降,造成激光发射机、激光接收机不处于同一水平面,发射的光束无法传输到接收机,导致***功能失灵;安装应用场所受限,激光发射机与接收机需要探出支架进行部署,支架容易对列车安全造成影响,部分车站将支架制作成摇臂式,这种摇臂式支架寿命很短;此***无法查看报警时刻现场环境,需要摄像机辅助;当列车车门与屏蔽门间的间隙较大时,为了提高检测精度需要部署多组激光设备。
基于传统的视频检测技术,异物目标检测即从视频数据图像检测是否存在相对于背景图像运动或静止的物体,又称前景提取,主要方法有光流法、背景差分法和帧间差分法。光流法利用图像数据中的像素在时域上的变化、相邻帧之间的相关性来找前一帧与当前帧存在的对应关系,计算出相邻帧之间物体的运动信息,受噪声、遮挡物等影响较大,运算复杂,计算量大。背景差分法将当前帧图像与背景图像相减,再二值化得到差分图像,从而提取不同于背景图像的目标区域。这种方法原理简单,易于实现且检测速度快,但实际场景中背景图像会因天气光照等动态变化,需要不断运行背景更新。帧间差分法对视频数据图像中相邻两帧图像进行差分运算,通过比较帧间的差异来提取运动目标。该方法算法简单,对光线的变化不敏感,环境适应能力强,但目标的运动速度和差分帧间的时间间隔对检测结果的影响较大。
用于基于视频判断策略,根据站台最前端的摄像机采集安装在站台尾端的光带,根据光带是否完整来判断间隙是否安全,当光带不完整时,输出报警信号给到其他***。此方法的缺点如下:检查技术的原理类似于激光对射,检查的范围是摄像机与光带间的线段,检查范围小;该方法受光照、阴影等因素影响误报较多;当间隙间存在较小的异物时,未遮挡住摄像机与光带间的视觉通道,容易漏报。
发明内容
针对现有技术中的上述不足,本发明提供的一种检测列车车门和站台门间隙中异物的***及方法解决了现有检测异物***存在运算量大和检测失误率高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种检测列车车门和站台门间隙中异物的***包括:补光摄像子***、智能视频分析***、报警子***和客户端;
所述智能视频分析***分别与补光摄像子***、报警子***和客户端通信连接;
所述客户端用于客户登陆查看历史报警数据;
所述智能视频分析***用于视频分析和数据存储;
所述补光摄像子***用于获取车门及站台间隙间的图像数据;
所述报警子***用于接收智能视频分析***发送的异物报警信号,并进行报警。
进一步地:补光摄像子***包括多组补光灯和摄像机,每一台摄像机搭配一组补光灯;所述摄像机部署在车门及站台间隙的正上方,其相机探头俯视前方,并向间隙方向延伸。
一种检测列车车门和站台门间隙中异物的方法,包括以下步骤:
S1、在智能视频分析***中开辟内存空间,建立背景堆栈、异物堆栈和可疑目标堆栈,在背景堆栈中预存完整的一帧列车车门和站台门间隙处无异物的视频图像数据,并将可疑目标堆栈和异物堆栈设为空;
S2、通过补光摄像子***摄取列车车门和站台门间隙处的视频图像,得到高清视频流,并传输给智能视频分析***;
S3、采用YOLOv2算法和ResNets残差神经网络建立视频分析处理模型,并根据视频分析处理模型,通过智能视频分析***处理高清视频流,得到检测目标数据集;
S4、计算检测目标数据集分别与背景堆栈所存数据和可疑目标堆栈所存数据的重叠度,得到检测目标数据集与背景堆栈的重叠度和检测目标数据集与可疑目标堆栈的重叠度;
S5、判断检测目标数据集与背景堆栈的重叠度是否大于背景重叠度阈值,若是,则跳转至步骤S6,若否,则跳转至步骤S7;
S6、判定检测目标数据集为背景数据,并丢弃该数据,跳转至步骤S2;
S7、判断检测目标数据集与可疑目标堆栈的重叠度是否大于可疑目标重叠度阈值,若是,跳转至步骤S9,若否,则跳转至步骤S8;
S8、将目标数据集记为历史可疑目标数据,并将其存入可疑目标堆栈中,同时记录存入时刻的时间,跳转至步骤S2;
S9、判定检测目标数据集为可疑目标数据,并检测可疑目标堆栈中是否存在与可疑目标数据所示疑似异物相同的历史可疑目标数据,若是,则跳转至步骤S11,若否,则跳转至步骤S10;
S10、将可疑目标数据集记为历史可疑目标数据,并将其存入可疑目标堆栈中,同时记录存入时刻的时间,跳转至步骤S2;
S11、计算历史可疑目标数据存入堆栈的时间与当前时间的差值,并判断该差值是否超过静止时间阈值,若是,则跳转至步骤S12,若否,则跳转至步骤S2;
S12、则对历史可疑目标数据进行类别值过滤,判定历史可疑目标数据为异物数据,并将历史可疑目标数据存入异物堆栈,通过智能视频分析***将异物信号传输给报警子***和客户端;
S13、判断异物数据是否消失,若是,则对异物消失时间跟踪计时,跳转至步骤S14,若否,则跳转至步骤S2;
S14、判断跟踪计时的时间是否超消失时间阈值,若是,则在异物堆栈删除异物堆栈中异物数据对应的历史可疑目标数据,则异物已被移除,并通过智能视频分析***将异物信号移除信号发送至客户端;若否,则跳转至步骤S2。
进一步地:步骤S2中补光摄像子***与智能视频分析***的通信协议为RTSP协议。
进一步地:步骤S4中得到检测目标数据集与背景堆栈的重叠度的计算公式为
进一步地:步骤S4中检测目标数据集与可疑目标堆栈所存数据的重叠度的计算公式为:
本发明的有益效果为:本***通过摄像机获取视频图像,对视频图像上的目标数据集进行处理,克服红外对射方式和激光对射***的安装场景受限的问题,计算对目标数据集与背景堆栈和可疑目标堆栈的重叠度,去判定目标数据集中的目标是属于背景、可疑目标或新的可疑目标,降低了计算难度;若是在某个时间段内,持续出现的可疑目标,则归为异物,降低了检测的失误率,并对异物消失的时间做出跟踪,及时反馈列车车门和站台门间隙处的异物情况,防止意外发生。
附图说明
图1为一种检测列车车门和站台门间隙中异物的***框图;
图2为一种检测列车车门和站台门间隙中异物的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种检测列车车门和站台门间隙中异物的***包括:补光摄像子***、智能视频分析***、报警子***和客户端;
所述智能视频分析***分别与补光摄像子***、报警子***和客户端通信连接;
所述客户端用于客户登陆查看历史报警数据;
所述智能视频分析***用于视频分析和数据存储;
所述补光摄像子***用于获取车门及站台间隙间的图像数据;
所述报警子***用于接收智能视频分析***发送的异物报警信号,并进行报警。
补光摄像子***包括多组补光灯和摄像机,每一台摄像机搭配一组补光灯;所述摄像机部署在车门及站台间隙的正上方,其相机探头俯视前方,并向间隙方向延伸。
如图2所示,一种检测列车车门和站台门间隙中异物的方法,包括以下步骤:
S1、在智能视频分析***中开辟内存空间,建立背景堆栈、异物堆栈和可疑目标堆栈,在背景堆栈中预存完整的一帧列车车门和站台门间隙处无异物的视频图像数据,并将可疑目标堆栈和异物堆栈设为空;
S2、通过补光摄像子***摄取列车车门和站台门间隙处的视频图像,得到高清视频流,并传输给智能视频分析***;
S3、采用YOLOv2算法和ResNets残差神经网络建立视频分析处理模型,并根据视频分析处理模型,通过智能视频分析***处理高清视频流,得到检测目标数据集;
S4、计算检测目标数据集分别与背景堆栈所存数据和可疑目标堆栈所存数据的重叠度,得到检测目标数据集与背景堆栈的重叠度和检测目标数据集与可疑目标堆栈的重叠度;
S5、判断检测目标数据集与背景堆栈的重叠度是否大于背景重叠度阈值,若是,则跳转至步骤S6,若否,则跳转至步骤S7;
S6、判定检测目标数据集为背景数据,并丢弃该数据,跳转至步骤S2;
S7、判断检测目标数据集与可疑目标堆栈的重叠度是否大于可疑目标重叠度阈值,若是,跳转至步骤S9,若否,则跳转至步骤S8;
S8、将目标数据集记为历史可疑目标数据,并将其存入可疑目标堆栈中,同时记录存入时刻的时间,跳转至步骤S2;
S9、判定检测目标数据集为可疑目标数据,并检测可疑目标堆栈中是否存在与可疑目标数据所示疑似异物相同的历史可疑目标数据,若是,则跳转至步骤S11,若否,则跳转至步骤S10;
S10、将可疑目标数据集记为历史可疑目标数据,并将其存入可疑目标堆栈中,同时记录存入时刻的时间,跳转至步骤S2;
S11、计算历史可疑目标数据存入堆栈的时间与当前时间的差值,并判断该差值是否超过静止时间阈值,若是,则跳转至步骤S12,若否,则跳转至步骤S2;
S12、则对历史可疑目标数据进行类别值过滤,判定历史可疑目标数据为异物数据,并将历史可疑目标数据存入异物堆栈,通过智能视频分析***将异物信号传输给报警子***和客户端;
S13、判断异物数据是否消失,若是,则对异物消失时间跟踪计时,跳转至步骤S14,若否,则跳转至步骤S2;
S14、判断跟踪计时的时间是否超消失时间阈值,若是,则在异物堆栈删除异物堆栈中异物数据对应的历史可疑目标数据,则异物已被移除,并通过智能视频分析***将异物信号移除信号发送至客户端;若否,则跳转至步骤S2。
步骤S2中补光摄像子***与智能视频分析***的通信协议为RTSP协议。
步骤S4中得到检测目标数据集与背景堆栈的重叠度的计算公式为
步骤S4中检测目标数据集与可疑目标堆栈所存数据的重叠度的计算公式为:
本发明的有益效果为:本***通过摄像机获取视频图像,对视频图像上的目标数据集进行处理,克服红外对射方式和激光对射***的安装场景受限的问题,计算对目标数据集与背景堆栈和可疑目标堆栈的重叠度,去判定目标数据集中的目标是属于背景、可疑目标或新的可疑目标,降低了计算难度;若是在某个时间段内,持续出现的可疑目标,则归为异物,降低了检测的失误率,并对异物消失的时间做出跟踪,及时反馈列车车门和站台门间隙处的异物情况,防止意外发生。
Claims (6)
1.一种检测列车车门和站台门间隙中异物的***,其特征在于,包括:补光摄像子***、智能视频分析***、报警子***和客户端;
所述智能视频分析***分别与补光摄像子***、报警子***和客户端通信连接;
所述客户端用于客户登陆查看历史报警数据;
所述智能视频分析***用于视频分析和数据存储;
所述补光摄像子***用于获取车门及站台间隙间的图像数据;
所述报警子***用于接收智能视频分析***发送的异物报警信号,并进行报警。
2.根据权力要求1所述的检测列车车门和站台门间隙中异物的***,其特征在于,所述补光摄像子***包括多组补光灯和摄像机,每一台摄像机搭配一组补光灯;所述摄像机部署在车门及站台间隙的正上方,其相机探头俯视前方,并向间隙方向延伸。
3.一种检测列车车门和站台门间隙中异物的方法,其特征在于,包括以下步骤:
S1、在智能视频分析***中开辟内存空间,建立背景堆栈、异物堆栈和可疑目标堆栈,在背景堆栈中预存完整的一帧列车车门和站台门间隙处无异物的视频图像数据,并将可疑目标堆栈和异物堆栈设为空;
S2、通过补光摄像子***摄取列车车门和站台门间隙处的视频图像,得到高清视频流,并传输给智能视频分析***;
S3、采用YOLOv2算法和ResNets残差神经网络建立视频分析处理模型,并根据视频分析处理模型,通过智能视频分析***处理高清视频流,得到检测目标数据集;
S4、计算检测目标数据集分别与背景堆栈所存数据和可疑目标堆栈所存数据的重叠度,得到检测目标数据集与背景堆栈的重叠度和检测目标数据集与可疑目标堆栈的重叠度;
S5、判断检测目标数据集与背景堆栈的重叠度是否大于背景重叠度阈值,若是,则跳转至步骤S6,若否,则跳转至步骤S7;
S6、判定检测目标数据集为背景数据,并丢弃该数据,跳转至步骤S2;
S7、判断检测目标数据集与可疑目标堆栈的重叠度是否大于可疑目标重叠度阈值,若是,跳转至步骤S9,若否,则跳转至步骤S8;
S8、将目标数据集记为历史可疑目标数据,并将其存入可疑目标堆栈中,同时记录存入时刻的时间,跳转至步骤S2;
S9、判定检测目标数据集为可疑目标数据,并检测可疑目标堆栈中是否存在与可疑目标数据所示疑似异物相同的历史可疑目标数据,若是,则跳转至步骤S11,若否,则跳转至步骤S10;
S10、将可疑目标数据集记为历史可疑目标数据,并将其存入可疑目标堆栈中,同时记录存入时刻的时间,跳转至步骤S2;
S11、计算历史可疑目标数据存入堆栈的时间与当前时间的差值,并判断该差值是否超过静止时间阈值,若是,则跳转至步骤S12,若否,则跳转至步骤S2;
S12、则对历史可疑目标数据进行类别值过滤,判定历史可疑目标数据为异物数据,并将历史可疑目标数据存入异物堆栈,通过智能视频分析***将异物信号传输给报警子***和客户端;
S13、判断异物数据是否消失,若是,则对异物消失时间跟踪计时,跳转至步骤S14,若否,则跳转至步骤S2;
S14、判断跟踪计时的时间是否超消失时间阈值,若是,则在异物堆栈删除异物堆栈中异物数据对应的历史可疑目标数据,则异物已被移除,并通过智能视频分析***将异物信号移除信号发送至客户端;若否,则跳转至步骤S2。
4.根据权利要求3所述的检测列车车门和站台门间隙中异物的方法,其特征在于,所述步骤S2中补光摄像子***与智能视频分析***的通信协议为RTSP协议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365150.1A CN111028455A (zh) | 2019-12-26 | 2019-12-26 | 一种检测列车车门和站台门间隙中异物的***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365150.1A CN111028455A (zh) | 2019-12-26 | 2019-12-26 | 一种检测列车车门和站台门间隙中异物的***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111028455A true CN111028455A (zh) | 2020-04-17 |
Family
ID=70214605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911365150.1A Pending CN111028455A (zh) | 2019-12-26 | 2019-12-26 | 一种检测列车车门和站台门间隙中异物的***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028455A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049281A (zh) * | 2014-07-02 | 2014-09-17 | 广州市地下铁道总公司 | 曲线地铁站台屏蔽门与列车间异物自动检测装置及方法 |
CN104691559A (zh) * | 2015-03-24 | 2015-06-10 | 江苏科技大学 | 监测站台安全门与车门区间安全的辅助***及其实现方法 |
CN104777521A (zh) * | 2015-03-24 | 2015-07-15 | 广州市地下铁道总公司 | 一种基于双目视觉的列车车门与站台屏蔽门之间异物检测***及其检测方法 |
CN107527009A (zh) * | 2017-07-11 | 2017-12-29 | 浙江汉凡软件科技有限公司 | 一种基于yolo目标检测的遗留物检测方法 |
CN109398370A (zh) * | 2018-10-22 | 2019-03-01 | 广州佳都信息技术研发有限公司 | 异物提醒方法、装置、设备、存储介质及*** |
CN109447090A (zh) * | 2018-10-17 | 2019-03-08 | 宁波中车时代传感技术有限公司 | 一种屏蔽门障碍物检测方法及检测*** |
CN109816909A (zh) * | 2019-02-26 | 2019-05-28 | 北京疯马科技有限公司 | 一种基于视频识别地铁屏蔽门安全防护预警*** |
US20190332897A1 (en) * | 2018-04-26 | 2019-10-31 | Qualcomm Incorporated | Systems and methods for object detection |
-
2019
- 2019-12-26 CN CN201911365150.1A patent/CN111028455A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049281A (zh) * | 2014-07-02 | 2014-09-17 | 广州市地下铁道总公司 | 曲线地铁站台屏蔽门与列车间异物自动检测装置及方法 |
CN104691559A (zh) * | 2015-03-24 | 2015-06-10 | 江苏科技大学 | 监测站台安全门与车门区间安全的辅助***及其实现方法 |
CN104777521A (zh) * | 2015-03-24 | 2015-07-15 | 广州市地下铁道总公司 | 一种基于双目视觉的列车车门与站台屏蔽门之间异物检测***及其检测方法 |
CN107527009A (zh) * | 2017-07-11 | 2017-12-29 | 浙江汉凡软件科技有限公司 | 一种基于yolo目标检测的遗留物检测方法 |
US20190332897A1 (en) * | 2018-04-26 | 2019-10-31 | Qualcomm Incorporated | Systems and methods for object detection |
CN109447090A (zh) * | 2018-10-17 | 2019-03-08 | 宁波中车时代传感技术有限公司 | 一种屏蔽门障碍物检测方法及检测*** |
CN109398370A (zh) * | 2018-10-22 | 2019-03-01 | 广州佳都信息技术研发有限公司 | 异物提醒方法、装置、设备、存储介质及*** |
CN109816909A (zh) * | 2019-02-26 | 2019-05-28 | 北京疯马科技有限公司 | 一种基于视频识别地铁屏蔽门安全防护预警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9984559B2 (en) | Intrusion detection with motion sensing | |
JP3965614B2 (ja) | 火災検知装置 | |
CN102117484B (zh) | 使用图像色彩信息的处理***、处理方法与图像分类方法 | |
CN104971458A (zh) | 基于自动跟踪定位射流灭火装置的多火源识别方法 | |
CN113011252B (zh) | 轨道异物侵限检测***及方法 | |
WO2023221425A1 (zh) | 一种用于船舶过闸安全检测方法 | |
KR101893875B1 (ko) | 유기 행위 검출 시스템 및 유기 행위 검출 방법 | |
CN114283544B (zh) | 一种基于人工智能的铁路站台入侵监测***及方法 | |
CN106353763A (zh) | 一种具有铁道轨面异物扫描功能的激光雷达 | |
DE60212991D1 (de) | Sicherheitssystem und warnmethode mit randerkennung eines bildsignals | |
JP4025007B2 (ja) | 踏切障害物検知装置 | |
CN111028455A (zh) | 一种检测列车车门和站台门间隙中异物的***及方法 | |
CN104766422A (zh) | 一种周界入侵监测***及方法 | |
KR102507540B1 (ko) | 인공지능 기반의 통합 화재 감시 시스템 | |
CN111460949B (zh) | 一种输电线路防外力破坏实时监测方法和*** | |
CN110481600B (zh) | 无人自主综合报警*** | |
KR101798756B1 (ko) | 재귀 반사체를 이용한 침입 감지 시스템 및 방법 | |
CN105338304A (zh) | 一种基于视频识别的隧道运行安全事件检测*** | |
KR20200106810A (ko) | 데이터 융합을 통한 돌발상황 감시 제어 시스템 | |
CN110633625A (zh) | 识别方法和*** | |
JP4467254B2 (ja) | 監視装置 | |
JPH0337356B2 (zh) | ||
JP3830616B2 (ja) | 監視用画像処理装置 | |
KR101596015B1 (ko) | 다수의 카메라를 이용한 독립건물 침입방지 시스템 | |
CN108986371A (zh) | 一种周界安防感知通信方法及通信装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |