CN112149768A - 一种融合视频监控和射频识别统计影院观众数目的方法 - Google Patents
一种融合视频监控和射频识别统计影院观众数目的方法 Download PDFInfo
- Publication number
- CN112149768A CN112149768A CN202010991479.5A CN202010991479A CN112149768A CN 112149768 A CN112149768 A CN 112149768A CN 202010991479 A CN202010991479 A CN 202010991479A CN 112149768 A CN112149768 A CN 112149768A
- Authority
- CN
- China
- Prior art keywords
- seat
- images
- cinema
- seats
- audiences
- 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 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 17
- 230000004927 fusion Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种融合视频监控和射频识别统计影院观众数目的方法，包括：在正常入座情况下，计算机控制摄像头拍摄图像，对图像中每个座位进行标定，然后根据各个座位在图像中的坐标，截取各个座位的图像，进行基准校正；将有无观众的座位图像，输入深度神经网络进行训练，得到判定座位是否有人的深度神经网络模型，读写器识别一个影院中全部座位的标签，统计各个座位的射频识别标签的信号强度范围，建立信号强度模型；在放映过程中指定时刻，计算机控制摄像头拍摄图像，输入深度神经网络模型，对有无观众座位的准确识别，计算机根据基准识别得到的标签数目和一次放映过程中多次实时识别得到的标签数目，按照约定的准则，计算观众数目。
Description
技术领域
本发明涉及一种影院监控技术，特别涉及一种融合视频监控和射频识别统计影院观众数目的方法。
背景技术
近年来，我国电影行业迅猛发展，但影院“偷漏瞒报”票房的现象仍然客观存在。在电影市场中，为了防止票房造假现象的出现，通常需要统计每场放映过程中观众的数目，对影视作品的票房做出准确的统计，方便制作方、影院拥有方、观众等对影视作品的质量和价值做出正确的判断。
目前常用的票房监管手段主要是人工统计门票的销售情况，这种方式效率低且不易保证票房的真实性。通常采用射频识别和视频监控放还是来统计观众人数。
视频监控是一种利用深度学习智能识别观众的设备，包括上下摆动支架和摄像头部分，将摄像头安装到影院座位上方，通过上下支架调节至摄像头可以拍摄整个影院的座位。在影院放映过程中，计算机对拍摄的图像进行识别，就完成对观众的检测。当遇到拍摄的图像过亮过暗时，视频监控检测的结果会不准确。
射频识别是一种无线通信技术，包括读写器、读写器天线、标签等部分，读写器通过读写器天线向标签辐射电磁波，为标签提供能量，并向标签发送命令。标签进入读写器天线工作范围后，获得能量开始工作，向读写器天线返回自己的标识和其他信息，读写器就完成对标签的识别。在公开的201911290776.0《一种利用射频识别统计剧场观众数目的方法》中，当座位上放有液体或金属干扰物时，射频识别的结果会不准确，此时融合视频监控技术，可以克服射频识别的缺陷。
因此，若仅考虑采用视频监控，可能会出现拍摄图像模糊或过亮过暗的情况；若仅考虑采用射频识别技术，也有可能存在干扰物等情况。采用视频监控和射频识别相结合的方式，互补空缺，实现双重准确统计，能够满足电影市场监管的需求。本发明正是为满足这种现实需求而产生的。
发明内容
本发明的目的在于提供一种融合视频监控和射频识别统计影院观众数目的方法，用于解决上述现有技术的问题。
本发明一种融合视频监控和射频识别统计影院观众数目的方法，其中，包括：(1)安装射频识别读写器及天线、摄像头和计算机；(2)在影院座位的坐面中安装唯一标识每个座位的射频识别标签，实现对影院全部座位的识别，在正常入座情况下，计算机控制摄像头拍摄图像，对图像中每个座位进行标定，然后根据各个座位在图像中的坐标，截取各个座位的图像，进行基准校正；(3)将有无观众的座位图像，输入深度神经网络进行训练，得到判定座位是否有人的深度神经网络模型，在正常入座情况下，读写器识别一个影院中全部座位的标签，统计各个座位的射频识别标签的信号强度范围，建立信号强度模型；(4)在放映过程中指定时刻，计算机控制摄像头拍摄图像，输入深度神经网络模型，对有无观众座位的准确识别，统计出观众数目，计算机根据基准识别得到的标签数目和一次放映过程中多次实时识别得到的标签数目，按照约定的准则，计算观众数目。
根据本发明的方法的一实施例，其中，一个影院安装一个摄像头，将支架固定到天花板上，将摄像头固定到支架上，通过对比视频监控上的图像，调节支架旋钮，调整角度能拍摄到全部座位，确保摄像头拍摄的图像能够成功传给计算机，实现摄像头和计算机互联互通。
根据本发明的方法的一实施例，其中，一台读写器通过电缆连接一个影院的多个天线，一台计算机通过网络连接多台读写器。
根据本发明的方法的一实施例，其中，射频识别标签采用800/900MHz频段的超高频标签。
根据本发明的方法的一实施例，其中，卷积神经网络结构：第一层输入层输入图像大小为224*224*3，第二层卷积层使用7*7的64通道的滑动步长为2的卷积核，第三层最大池化层使用大小为3*3的滑动步长为2的卷积核，第四层为卷积残差模块，第五层为平均池化层和软最大输出层。
根据本发明的方法的一实施例，其中，平均池化层和1000维的全链接软最大输出层，用于区分1000个不同的类别。
根据本发明的方法的一实施例，其中，卷积残差模块包括四种：第一种包含conv2_1[1*1,64]、conv2_2[3*3,64]、conv2_3[1*1,256]三个卷积层，其输出为56*56*256大小，第二种包含conv3_1[1*1,128]、conv3_2[3*3,128]以及conv3_3[1*1,512]三个卷积层，其输出为28*28*512大小，第三种包含conv4_1[1*1,256]、conv4_2[3*3,256]以及conv4_3[1*1,1024]三个卷积层，输出为14*14*1024大小，第四种包含conv5_1[1*1,256]、conv5_2[3*3,512]以及conv5_3[1*1,2048]三个卷积层，其输出为7*7*2048；四种卷积残差模块同时存在卷积神经网络结构或只存在部分在卷积神经网络结构。
根据本发明的方法的一实施例，其中，计算机控制摄像头拍摄影院座位图像，并输入神经网络进行识别座位是否有人；控制读写器识别一个影院中的标签，根据各个座位标签的信号强度模型，如果标签的信号强度在信号强度模型的范围内，则认为标签没有被遮挡和异常，座位空闲无人。
根据本发明的方法的一实施例，其中，对于视频监控采用观众数目＝多张图像识别的观众数目/图像数目，计算平均观众数目，采用观众数目＝基准标签数目-最小空闲座位标签数目，或观众数目＝基准标签数目-平均空闲座位标签数目，计算影院观众数目。
根据本发明的方法的一实施例，其中，还包括：确定观众人数包括：如果计算机控制摄像头拍摄影院座位图像，并输入神经网络进行识别座位无人，且通过标签的信号强度在信号强度模型的范围内的方式，判定座位无人，则判定这个座位无人；否则，判定这个座位有人。
本发明针对视频监控图像模糊或过亮过暗等情况，使用射频识别补缺；针对座位上放有干扰物影响射频识别等情况，使用视频监控识别补缺。两种统计结果融合需要排除各自的缺陷之后，才能判定有无观众。实现了影院中观众数目的实时双重准确统计，有助于保证票房的真实性和保障各方的利益。本发明在演出市场监管领域将发挥重要作用。
附图说明
图1是本发明的一种融合视频监控和射频识别统计影院观众数目的方法的流程图；
图2是本发明的一种融合视频监控和射频识别统计影院观众数目的方法的组成示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明公开了一种融合视频监控和射频识别统计影院观众数目的方法。该方法的步骤包括：(1)射频识别读写器及天线、摄像头和计算机安装步骤。在影院的座位上方安装读写器天线，在影院天花板上安装能够识别到整个影院座位的摄像头，在影院其他位置安装读写器和计算机，并连接读写器天线、读写器、摄像头和计算机，实现计算机控制摄像头和读写器识别影院座位上的观众和标签。(2)射频识别标签安装步骤。在影院座位的坐面中安装唯一标识每个座位的射频识别标签，实现对影院全部座位的识别。在正常入座情况下，计算机控制摄像头拍摄图像，人工方式对图像中每个座位进行标定，然后根据各个座位在图像中的坐标，截取各个座位的图像，进行基准校正。(3)基准识别步骤。将规范化后的有无观众的座位图像，输入深度神经网络进行训练，得到判定座位是否有人的深度神经网络模型。在正常入座情况下，读写器识别一个影院中全部座位的标签，建立各个座位标签的信号强度模型。(4)实时统计步骤。在放映过程中指定时刻：计算机控制摄像头拍摄图像，输入深度神经网络模型，实现对有无观众座位的准确识别，统计出观众数目。计算机根据基准识别得到的标签数目和一次放映过程中多次实时识别得到的标签数目，按照约定的准则，计算观众数目。(5)双重统计融合步骤。如果两种技术识别的观众数目不一致，根据一定的准则，判断实际的观众数目。
双重统计融合步骤具体包括：按照一定的准则确定观众人数。如果两种技术都判断某个座位上无人，则判定这个座位无人；如果两种技术都判断某个座位上有人，则判定这个座位有人；如果射频识别技术判断某个座位上无人，视频监控别技术判断这个座位上有人，说明光线过亮过暗导致视频错误识别，则判定这个座位无人；如果射频识别技术判断某个座位上有人，视频监控别技术判断这个座位上无人，说明座位上放有干扰物(例，液体或者金属)，则判定这个座位无人。
结合图1和图2，本发明的实施流程如下；
(1)射频识别读写器及天线、摄像头和计算机安装步骤。在影院的座位上方安装读写器天线，在影院天花板上安装能够识别到整个影院座位的摄像头，在影院其他位置安装读写器和计算机，并连接读写器天线、读写器、摄像头和计算机，实现计算机控制摄像头和读写器识别影院座位上的观众和标签。
具体实施时，一个影院安装一个摄像头，将支架固定到天花板上，将摄像头固定到支架上。通过对比视频监控上的图像，调节支架旋钮，调整角度能拍摄到全部座位。确保摄像头拍摄的图像能够成功传给计算机，实现摄像头和计算机互联互通，
安装多个读写器天线，天线之间的作用范围可以有部分重叠，多个读写器天线作用范围需要覆盖整个影院，避免漏读影院中的标签。一台读写器可以通过电缆连接一个影院的多个天线，一台计算机可以通过网络连接多台读写器。
(2)射频识别标签安装步骤。在影院座位的坐面中安装唯一标识每个座位的射频识别标签，实现对影院全部座位的识别。
具体实施时，射频识别标签采用800/900MHz频段的超高频标签，识别距离远，不带电池。标签采用加固设计，避免被压坏。标签安装在座位的坐面上，使得当有物体在座位上时，物体能遮挡射频识别标签，读写器无法识别标签。标签中的标识可以采用影院编号和座位编号联合的方式，实现唯一识别。
在无人情况下，计算机控制摄像头拍摄图像，人工方式对图像中每个座位进行标定，然后根据各个座位在图像中的坐标，截取各个座位的图像，进行基准校正。
(3)基准识别步骤。将规范化后的有无观众的座位图像，输入深度神经网络进行训练，得到判定座位是否有人的深度神经网络模型。在正常入座情况下，读写器识别一个影院中全部座位的标签，统计各个座位的射频识别标签的信号强度范围，建立信号强度模型。
具体实施时，卷积神经网络结构为，第一层输入层输入图像大小为224*224*3，第二层卷积层使用7*7的，64通道的，滑动步长为2的卷积核，第三层最大池化层使用大小为3*3的，滑动步长为2的卷积核，第四层为卷积残差模块，第一种包含conv2_1[1*1,64]、conv2_2[3*3,64]、conv2_3[1*1,256]三个卷积层，其输出为56*56*256大小，第二种包含conv3_1[1*1,128]、conv3_2[3*3,128]、conv3_3[1*1,512]三个卷积层，其输出为28*28*512大小，第三种包含conv4_1[1*1,256]、conv4_2[3*3,256]、conv4_3[1*1,1024]三个卷积层，其输出为14*14*1024大小，第四种包含conv5_1[1*1,256]、conv5_2[3*3,512]、conv5_3[1*1,2048]三个卷积层，其输出为7*7*2048，第五层为平均池化层和软最大输出层，平均池化层和1000维的全链接软最大输出层，用于区分1000个不同的类别。
确保摄像头能够识别到全部的座位，计算机记录每个影院的全部座位上的标签标识，确保每个座位的标签都被识别。
(4)实时统计步骤。在放映过程中指定时刻：计算机控制摄像头拍摄图像，输入深度神经网络模型，实现对有无观众座位的准确识别，统计出观众数目。计算机根据基准识别得到的标签数目和一次放映过程中多次实时识别得到的标签数目，按照约定的准则，计算观众数目。
具体实施时，可以在放映过程中的多个时刻，如开始后5分钟、中间、结束前5分钟，计算机控制摄像头拍摄影院座位图像，并输入神经网络进行识别座位是否有人。同时控制读写器识别一个影院中的标签，根据各个座位标签的信号强度模型，如果标签的信号强度在信号强度模型的范围内，则认为标签没有被遮挡和异常，座位空闲无人。
对于视频监控可以采用观众数目＝多张图像识别的观众数目/图像数目方式，计算平均观众数目。可以采用观众数目＝基准标签数目-最小空闲座位标签数目，或观众数目＝基准标签数目-平均空闲座位标签数目等方式，计算影院观众数目。
(5)双重统计融合步骤。按照一定的准则确定观众人数。如果两种技术都判断某个座位上无人，则判定这个座位无人；如果两种技术都判断某个座位上有人，则判定这个座位有人；如果射频识别技术判断某个座位上无人，视频监控别技术判断这个座位上有人，说明座位上放有干扰物(例，液体或者金属)，则判定这个座位无人；如果射频识别技术判断某个座位上有人，视频监控别技术判断这个座位上无人，说明光线过亮过暗导致视频错误识别，，则判定这个座位有人。
本发明对影院中的座位进行识别和标识，识别出座位上有无观众，实现对观众数目的双重准确统计，从而保护了票房的公正性，有利于制作方、影院拥有方、观众等对影视作品的质量和价值作出准确判断。因此，本发明在电影市场监管领域中将发挥重要作用。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种融合视频监控和射频识别统计影院观众数目的方法，其特征在于，包括：
(1)安装射频识别读写器及天线、摄像头和计算机；
(2)在影院座位的坐面中安装唯一标识每个座位的射频识别标签，实现对影院全部座位的识别，在正常入座情况下，计算机控制摄像头拍摄图像，对图像中每个座位进行标定，然后根据各个座位在图像中的坐标，截取各个座位的图像，进行基准校正；
(3)将有无观众的座位图像，输入深度神经网络进行训练，得到判定座位是否有人的深度神经网络模型，在正常入座情况下，读写器识别一个影院中全部座位的标签，统计各个座位的射频识别标签的信号强度范围，建立信号强度模型；
(4)在放映过程中指定时刻，计算机控制摄像头拍摄图像，输入深度神经网络模型，对有无观众座位的准确识别，统计出观众数目，计算机根据基准识别得到的标签数目和一次放映过程中多次实时识别得到的标签数目，按照约定的准则，计算观众数目。
2.如权利要求1所述的方法，其特征在于，一个影院安装一个摄像头，将支架固定到天花板上，将摄像头固定到支架上，通过对比视频监控上的图像，调节支架旋钮，调整角度能拍摄到全部座位，确保摄像头拍摄的图像能够成功传给计算机，实现摄像头和计算机互联互通。
3.如权利要求2所述的方法，其特征在于，一台读写器通过电缆连接一个影院的多个天线，一台计算机通过网络连接多台读写器。
4.如权利要求1所述的方法，其特征在于，射频识别标签采用800/900MHz频段的超高频标签。
5.如权利要求1所述的方法，其特征在于，卷积神经网络结构：第一层输入层输入图像大小为224*224*3，第二层卷积层使用7*7的64通道的滑动步长为2的卷积核，第三层最大池化层使用大小为3*3的滑动步长为2的卷积核，第四层为卷积残差模块，第五层为平均池化层和软最大输出层。
6.如权利要求5所述的方法，其特征在于，平均池化层和1000维的全链接软最大输出层，用于区分1000个不同的类别。
7.如权利要求5所述的方法，其特征在于，卷积残差模块包括四种：
第一种包含conv2_1[1*1,64]、conv2_2[3*3,64]、conv2_3[1*1,256]三个卷积层，其输出为56*56*256大小，第二种包含conv3_1[1*1,128]、conv3_2[3*3,128]以及conv3_3[1*1,512]三个卷积层，其输出为28*28*512大小，第三种包含conv4_1[1*1,256]、conv4_2[3*3,256]以及conv4_3[1*1,1024]三个卷积层，输出为14*14*1024大小，第四种包含conv5_1[1*1,256]、conv5_2[3*3,512]以及conv5_3[1*1,2048]三个卷积层，其输出为7*7*2048；四种卷积残差模块同时存在卷积神经网络结构或只存在部分在卷积神经网络结构。
8.如权利要求1所述的方法，其特征在于，计算机控制摄像头拍摄影院座位图像，并输入神经网络进行识别座位是否有人；控制读写器识别一个影院中的标签，根据各个座位标签的信号强度模型，如果标签的信号强度在信号强度模型的范围内，则认为标签没有被遮挡和异常，座位空闲无人。
9.如权利要求1所述的方法，其特征在于，对于视频监控采用观众数目＝多张图像识别的观众数目/图像数目，计算平均观众数目，采用观众数目＝基准标签数目-最小空闲座位标签数目，或观众数目＝基准标签数目-平均空闲座位标签数目，计算影院观众数目。
10.如权利要求8所述的方法，其特征在于，还包括：确定观众人数包括：
如果计算机控制摄像头拍摄影院座位图像，并输入神经网络进行识别座位无人，且通过标签的信号强度在信号强度模型的范围内的方式，判定座位无人，则判定这个座位无人；否则，判定这个座位有人。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010991479.5A CN112149768B (zh) | 2020-09-17 | 2020-09-17 | 一种融合视频监控和射频识别统计影院观众数目的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010991479.5A CN112149768B (zh) | 2020-09-17 | 2020-09-17 | 一种融合视频监控和射频识别统计影院观众数目的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112149768A true CN112149768A (zh) | 2020-12-29 |
| CN112149768B CN112149768B (zh) | 2024-05-14 |
Family
ID=73893300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010991479.5A Active CN112149768B (zh) | 2020-09-17 | 2020-09-17 | 一种融合视频监控和射频识别统计影院观众数目的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149768B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113014756A (zh) * | 2021-02-02 | 2021-06-22 | 刘毅 | ***构驱动*** |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070004294A (ko) * | 2005-07-04 | 2007-01-09 | 정제창 | 관객수 집계시스템 및 그 운영방법 |
| CN101188743A (zh) * | 2007-09-17 | 2008-05-28 | 深圳先进技术研究院 | 一种基于视频的智能数人***及其处理方法 |
| JP2011004050A (ja) * | 2009-06-17 | 2011-01-06 | Panasonic Corp | 監視カメラシステム及び記録装置 |
| CN103345653A (zh) * | 2013-06-17 | 2013-10-09 | 复旦大学 | 基于多摄像头融合的上座率统计方法 |
| CN103942850A (zh) * | 2014-04-24 | 2014-07-23 | 中国人民武装警察部队浙江省总队医院 | 基于视频分析和rfid技术的医护人员在岗监测方法 |
| CN104809909A (zh) * | 2015-03-05 | 2015-07-29 | 桑田智能工程技术(上海)有限公司 | 一种基于rfid信号强度和辅助摄像头视频小区空车位识别*** |
| CN104899556A (zh) * | 2015-05-14 | 2015-09-09 | 中国农业大学 | 基于图像识别的教室人数统计*** |
| CN105447880A (zh) * | 2015-12-15 | 2016-03-30 | 北京文安科技发展有限公司 | 一种票房人数核验方法、装置及*** |
| CN107122698A (zh) * | 2016-07-19 | 2017-09-01 | 安徽大学 | 一种基于卷积神经网络的电影院实时上座率统计方法 |
| CN107341538A (zh) * | 2017-06-30 | 2017-11-10 | 上海上大海润信息***有限公司 | 一种基于视觉的统计数量方法 |
| CN107610477A (zh) * | 2017-09-22 | 2018-01-19 | 深圳鼎识科技有限公司 | 一种智能交通射频与视频信息融合处理方法 |
| JP2019200533A (ja) * | 2018-05-15 | 2019-11-21 | パナソニックＩｐマネジメント株式会社 | 計数装置、会計システム、学習装置、及び、制御方法 |
| CN210274297U (zh) * | 2019-04-11 | 2020-04-07 | 金色大田科技有限公司 | 一种畜牧养殖种群数量监控*** |
| CN111126090A (zh) * | 2019-12-16 | 2020-05-08 | 北京计算机技术及应用研究所 | 一种利用射频识别统计剧场观众数目的方法 |
-
2020
- 2020-09-17 CN CN202010991479.5A patent/CN112149768B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070004294A (ko) * | 2005-07-04 | 2007-01-09 | 정제창 | 관객수 집계시스템 및 그 운영방법 |
| CN101188743A (zh) * | 2007-09-17 | 2008-05-28 | 深圳先进技术研究院 | 一种基于视频的智能数人***及其处理方法 |
| JP2011004050A (ja) * | 2009-06-17 | 2011-01-06 | Panasonic Corp | 監視カメラシステム及び記録装置 |
| CN103345653A (zh) * | 2013-06-17 | 2013-10-09 | 复旦大学 | 基于多摄像头融合的上座率统计方法 |
| CN103942850A (zh) * | 2014-04-24 | 2014-07-23 | 中国人民武装警察部队浙江省总队医院 | 基于视频分析和rfid技术的医护人员在岗监测方法 |
| CN104809909A (zh) * | 2015-03-05 | 2015-07-29 | 桑田智能工程技术(上海)有限公司 | 一种基于rfid信号强度和辅助摄像头视频小区空车位识别*** |
| CN104899556A (zh) * | 2015-05-14 | 2015-09-09 | 中国农业大学 | 基于图像识别的教室人数统计*** |
| CN105447880A (zh) * | 2015-12-15 | 2016-03-30 | 北京文安科技发展有限公司 | 一种票房人数核验方法、装置及*** |
| CN107122698A (zh) * | 2016-07-19 | 2017-09-01 | 安徽大学 | 一种基于卷积神经网络的电影院实时上座率统计方法 |
| CN107341538A (zh) * | 2017-06-30 | 2017-11-10 | 上海上大海润信息***有限公司 | 一种基于视觉的统计数量方法 |
| CN107610477A (zh) * | 2017-09-22 | 2018-01-19 | 深圳鼎识科技有限公司 | 一种智能交通射频与视频信息融合处理方法 |
| JP2019200533A (ja) * | 2018-05-15 | 2019-11-21 | パナソニックＩｐマネジメント株式会社 | 計数装置、会計システム、学習装置、及び、制御方法 |
| CN210274297U (zh) * | 2019-04-11 | 2020-04-07 | 金色大田科技有限公司 | 一种畜牧养殖种群数量监控*** |
| CN111126090A (zh) * | 2019-12-16 | 2020-05-08 | 北京计算机技术及应用研究所 | 一种利用射频识别统计剧场观众数目的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张超宇;: "基于射频识别技术的地铁车厢人数检测方法研究", 科技风, no. 11, 15 June 2016 (2016-06-15), pages 115 * |
| 张超宇;: "基于射频识别技术的地铁车厢人数检测方法研究", 科技风, no. 11, pages 115 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113014756A (zh) * | 2021-02-02 | 2021-06-22 | 刘毅 | ***构驱动*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149768B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8885048B2 (en) | Computer vision and radio frequency identification technology based book enrolment management apparatus | |
| CN108351967A (zh) | 一种多人脸检测方法、装置、服务器、***及存储介质 | |
| CN111770285B (zh) | 一种曝光亮度控制方法、装置、电子设备和存储介质 | |
| CA2538301A1 (en) | Computerized method and apparatus for determining field-of-view relationships among multiple image sensors | |
| CN107103330A (zh) | 一种指示灯状态识别方法和装置 | |
| US20200257917A1 (en) | System and method for extracting information from a non-planar surface | |
| CN112149768A (zh) | 一种融合视频监控和射频识别统计影院观众数目的方法 | |
| CA3180672A1 (en) | System and method to use machine learning to ensure proper installation and/or repair by technicians | |
| CN108805184A (zh) | 一种固定空间、车辆上的图像识别方法及*** | |
| CN107972001A (zh) | 一种送餐机器人 | |
| CN110247328A (zh) | 开关柜内基于图像识别的位置判断方法 | |
| CN105229665A (zh) | 对基于图像的蛇形带子磨损评估的增强分析 | |
| CN111275756B (zh) | 线轴定位方法及装置 | |
| CN115953726B (zh) | 机器视觉的集装箱箱面破损检测方法和*** | |
| US8958598B2 (en) | System and method for detecting moving objects using video capturing device | |
| CN111126374A (zh) | 一种基于大数据高速公路etc客流图像采集方法 | |
| CN111160299A (zh) | 活体识别方法及装置 | |
| US12002196B2 (en) | Electronic device and method for marking defects of products | |
| CN104464288A (zh) | 具有语音播报功能的车位车辆停入检测*** | |
| CN112183158B (zh) | 一种谷物烹饪设备的谷物种类识别方法和谷物烹饪设备 | |
| CN108628189A (zh) | 一种多媒体信息采集处理*** | |
| CN209087158U (zh) | 水上物体预警*** | |
| CN113301315B (zh) | 一种基于红外线触屏框的投影*** | |
| CN111160330A (zh) | 电子标签识别辅助提升图像识别准确度的训练方法 | |
| CN220383156U (zh) | 图像采集装置及净水设备 |
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 |