CN112607542A - 电梯控制方法、装置、计算机设备和存储介质 - Google Patents
电梯控制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112607542A CN112607542A CN202011434347.9A CN202011434347A CN112607542A CN 112607542 A CN112607542 A CN 112607542A CN 202011434347 A CN202011434347 A CN 202011434347A CN 112607542 A CN112607542 A CN 112607542A
- Authority
- CN
- China
- Prior art keywords
- result
- tracking
- model
- classification
- detection
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
- B66B1/46—Adaptations of switches or switchgear
- B66B1/468—Call registering systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/02—Control systems without regulation, i.e. without retroactive action
- B66B1/06—Control systems without regulation, i.e. without retroactive action electric
- B66B1/14—Control systems without regulation, i.e. without retroactive action electric with devices, e.g. push-buttons, for indirect control of movements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/40—Details of the change of control mode
- B66B2201/46—Switches or switchgear
- B66B2201/4607—Call registering systems
- B66B2201/4676—Call registering systems for checking authorization of the passengers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本申请涉及一种电梯控制方法、装置、计算机设备和存储介质。所述方法包括:获取视频采集设备在目标电梯中采集到的视频图像;将所述视频图像输入至分类模型,得到所述分类模型输出的分类结果,将所述视频图像输入至探测模型,得到所述探测模型输出的探测结果,将多张所述视频图像输入至追踪模型,得到所述追踪模型输出的追踪结果;其中,分类结果、探测结果和追踪结果均用于指示目标电梯中存在电动车的概率;根据所述分类结果、所述探测结果和所述追踪结果进行决策,得到决策结果;所述决策结果用于指示所述目标电梯中存在电动车的概率;根据所述决策结果控制所述目标电梯执行相应的运行方式。采用本方法能够有效地禁止电动车搭乘电梯进入居民楼。
Description
技术领域
本申请涉及电梯控制技术领域,特别是涉及一种电梯控制方法、装置、计算机设备和存储介质。
背景技术
电动车,以其节能、环保、轻便、价格低廉等优势,成为现代交通中不可缺少的工具之一。但是,电动车在居民楼中违规充电而导致火灾的现象层出不穷,严重威胁着居民的生命财产安全。
相关技术中,为了避免电动车通过搭乘电梯而进入居民楼,主要依靠监控人员查看电梯监控来监督的。
但是,由于存在人力不足、人员容易疲劳等问题,可能会出现漏查的情况,因此难以有效地禁止电动车搭乘电梯进入居民楼。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效禁止电动车搭乘电梯进入居民楼的电梯控制方法、装置、计算机设备和存储介质。
一种电梯控制方法,该方法包括:
获取视频采集设备在目标电梯中采集到的视频图像;
将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果;其中,分类结果、探测结果和追踪结果均用于指示目标电梯中存在电动车的概率;
根据分类结果、探测结果和追踪结果进行决策,得到决策结果;决策结果用于指示目标电梯中存在电动车的概率;
根据决策结果控制目标电梯执行相应的运行方式。
上述实施例中,利用分类模型、探测模型和追踪模型可以自动确定目标电梯中是否存在电动车,可以解决人力不足、人员容易疲劳等问题,避免漏查的情况。并且,由于分类模型、探测模型和追踪模型从不同角度确定目标电梯中是否存在电动车,因而模型之间可以取长补短,从而提高决策结果的准确性,进而有效地禁止电动车搭乘电梯进入居民楼。
在其中一个实施例中,上述根据分类结果、探测结果和追踪结果进行决策,得到决策结果,包括:
根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果;
根据预先设置的权重对追踪结果、与追踪结果对应的分类结果和探测结果进行加权求和计算,得到决策结果。
上述实施例中,用户可以根据实际需求设置权重,从而影响最终的决策结果,使决策结果更符合实际情况。
在其中一个实施例中,上述将视频图像输入至分类模型,得到分类模型输出的分类结果,包括:
将视频图像输入到分类模型中,得到分类模型对视频图像进行局部特征提取和全局特征提取,并根据提取出的局部特征和全局特征进行分类得到的分类结果。
上述实施例中,不论电动车是只有小部分在视频图像中,还是大部分都在视频图像中,分类模型均可以从视频图像中识别出电动车,分类结果较为准确。
在其中一个实施例中,上述将视频图像输入至探测模型,得到探测模型输出的探测结果,包括:
将视频图像输入到探测模型中,得到探测模型对视频图像进行分区,并对分出的每个子视频图像进行探测得到的探测结果。
上述实施例中,采用探测模型可以准确探测出电动车的位置。
在其中一个实施例中,上述将多张视频图像输入到追踪模型中,得到追踪模型输出的追踪结果,包括:
将多张视频图像依次输入到追踪模型中,得到追踪模型对第一张视频图像进行探测,并对第一张视频图像的探测结果进行追踪得到的追踪结果。
上述实施例中,追踪模型可以对电动车的位置变化进行追踪,从而避免电动车在搭乘电梯的过程中被遮挡而未被探测出的问题。
在其中一个实施例中,上述根据决策结果控制目标电梯执行相应的运行方式,包括:
若确定决策结果符合第一预设条件,则控制目标电梯停止运行;其中,第一预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第一预设阈值。
上述实施例中,控制目标电梯停止运行,可以有效禁止电动车搭乘电梯进入居民楼。
在其中一个实施例中,上述根据决策结果控制目标电梯执行相应的运行方式,包括:
若确定决策结果符合第二预设条件,则控制目标电梯播放预设提示信息;其中,第二预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第二预设阈值;预设提示信息用于提示用户电动车禁止进入电梯。
上述实施例中,控制目标电梯播放预设提示信息,可以有效提醒用户电动车禁止进入电梯。
一种电梯控制装置,该装置包括:
图像获取模块,用于获取视频采集设备在目标电梯中采集到的视频图像;
识别模块,用于将所述视频图像输入至分类模型,得到所述分类模型输出的分类结果,将所述视频图像输入至探测模型,得到所述探测模型输出的探测结果,将多张所述视频图像输入至追踪模型,得到所述追踪模型输出的追踪结果;其中,所述分类结果、所述探测结果和所述追踪结果均用于指示所述目标电梯中存在电动车的概率;
决策模块,用于根据所述分类结果、所述探测结果和所述追踪结果进行决策,得到决策结果;所述决策结果用于指示所述目标电梯中存在电动车的概率;
电梯控制模块,用于根据所述决策结果控制所述目标电梯执行相应的运行方式。
在其中一个实施例中,上述决策模块,具体用于根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果;根据预先设置的权重对追踪结果、与追踪结果对应的分类结果和探测结果进行加权求和计算,得到决策结果。
在其中一个实施例中,上述识别模块,具体用于将视频图像输入到分类模型中,得到分类模型对视频图像进行局部特征提取和全局特征提取,并根据提取出的局部特征和全局特征进行分类得到的分类结果。
在其中一个实施例中,上述识别模块,具体用于将视频图像输入到探测模型中,得到探测模型对视频图像进行分区,并对分出的每个子视频图像进行探测得到的探测结果。
在其中一个实施例中,上述识别模块,具体用于将多张视频图像依次输入到追踪模型中,得到追踪模型对第一张视频图像进行探测,并对第一张视频图像的探测结果进行追踪得到的追踪结果。
在其中一个实施例中,上述控制模块,具体用于若确定决策结果符合第一预设条件,则控制目标电梯停止运行;其中,第一预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第一预设阈值。
在其中一个实施例中,上述控制模块,具体用于若确定决策结果符合第二预设条件,则控制目标电梯播放预设提示信息;其中,第二预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第二预设阈值;预设提示信息用于提示用户电动车禁止进入电梯。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取视频采集设备在目标电梯中采集到的视频图像;
将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果;其中,分类结果、探测结果和追踪结果均用于指示目标电梯中存在电动车的概率;
根据分类结果、探测结果和追踪结果进行决策,得到决策结果;决策结果用于指示目标电梯中存在电动车的概率;
根据决策结果控制目标电梯执行相应的运行方式。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取视频采集设备在目标电梯中采集到的视频图像;
将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果;其中,分类结果、探测结果和追踪结果均用于指示目标电梯中存在电动车的概率;
根据分类结果、探测结果和追踪结果进行决策,得到决策结果;决策结果用于指示目标电梯中存在电动车的概率;
根据决策结果控制目标电梯执行相应的运行方式。
上述电梯控制方法、装置、计算机设备和存储介质,终端获取视频采集设备在目标电梯中采集到的视频图像;将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果;根据分类结果、探测结果和追踪结果进行决策,得到决策结果;根据决策结果控制目标电梯执行相应的运行方式。本公开实施例中,利用分类模型、探测模型和追踪模型可以自动确定目标电梯中是否存在电动车,可以解决人力不足、人员容易疲劳等问题,避免漏查的情况,从而有效地禁止电动车搭乘电梯进入居民楼。
附图说明
图1为一个实施例中电梯控制方法的应用环境图;
图2为一个实施例中电梯控制方法的流程示意图;
图3为一个实施例中根据分类结果、探测结果和追踪结果进行决策,得到决策结果步骤的流程示意图;
图4为另一个实施例中电梯控制方法的流程示意图;
图5为一个实施例中电梯控制装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的电梯控制方法,可以应用于如图1所示的应用环境中。该应用环境包括视频采集设备101、电梯102和终端103。其中,视频采集设备101设置在电梯102中,视频采集设备101和电梯102分别与终端103通过网络进行通信。上述视频采集设备101可以包括但不限于是摄像头,上述终端103可以包括但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。
在一个实施例中,如图2所示,提供了一种电梯控制方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤201,获取视频采集设备在目标电梯中采集到的视频图像。
视频采集设备在目标电梯中采集视频图像,并将视频图像发送到终端。对应地,终端接收视频采集设备发送的视频图像。
例如,目标电梯中的摄像头采集视频图像,并将视频图像发送到监控室中的电脑;对应地,监控室中的电脑接收摄像头发送的视频图像。
步骤202,将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果。
其中,分类结果、探测结果和追踪结果均用于指示目标电梯中存在电动车的概率。
终端中预先设置有分类模型、探测模型和追踪模型。在获取到视频图像后,终端将视频图像输入到分类模型中,分类模型对视频图像中的各物体进行分类,然后输出目标电梯中存在电动车的概率。例如,将视频图像输入到分类模型中,分类模型对视频图像中的各物体进行分类,得到视频图像中物体的分类结果包括电动车、人和狗,其中,电动车对应的置信度为90%,人对应的置信度为95%,狗对应的置信度为83%,分类模型输出目标电梯中存在电动车的概率为90%。
终端也将视频图像输入到探测模型中,探测模型在视频图像中进行探测,然后输出目标电梯中存在电动车的概率。例如,将视频图像输入到探测模型中,探测模型在视频图像中进行探测,得到电动车位于视频图像左上角的置信度为87%,则探测模型输出目标电梯中存在电动车的概率为87%。
终端还将多张视频图像输入到追踪模型中,追踪模型对多张视频图像中的物体进行追踪,得到每张视频图像存在电动车的置信度以及电动车的位置变化。之后,追踪模型可以对应每张视频图像中存在电动车的置信度,均输出一个目标电梯中存在电动车的概率;也可以计算多张视频图像存在电动车的置信度的平均值,然后根据平均值输出一个目标电梯中存在电动车的概率;还可以根据最后一张视频图像中存在电动车的置信度输出一个目标电梯中存在电动车的概率。本公开实施例对此不做限定。
步骤203,根据分类结果、探测结果和追踪结果进行决策,得到决策结果。
其中,决策结果用于指示目标电梯中存在电动车的概率。
在实际应用中,如果对于多张视频图像,追踪模型针对每张视频图像均输出一个目标电梯中存在电动车的概率,即输出多个追踪结果,则每张视频图像均有一个对应的分类结果、探测结果和追踪结果。因此,对于每张视频图像,都可以根据分类结果、探测结果和追踪结果进行决策得到决策结果。
例如,终端将视频图像1、2、3、4分别输入到分类模型、探测模型和追踪模型中,得到视频图像1对应的分类结果1、探测结果1和追踪结果1,视频图像2对应的分类结果2、探测结果2和追踪结果2……。对于视频图像1,根据分类结果1、探测结果1和追踪结果1进行决策得到决策结果1;对于视频图像2,根据分类结果2、探测结果2和追踪结果2进行决策得到决策结果2。以此类推,得到每张视频图像对应的决策结果。可以理解地,探测结果1是探测模型对视频图像1进行探测得到的,追踪结果1是追踪模型对视频图像1进行探测得到的;但是,探测结果2是探测模型对视频图像2进行探测得到的,而追踪结果2是追踪模型对视频图像2进行追踪计算得到的。探测结果2和追踪结果2是采用两种算法确定的,存在一定差异。
如果对于多张视频图像,追踪模型只输出一个目标电梯中存在电动车的概率,即只输出一个追踪结果,则需要确定与追踪结果对应的分类结果和探测结果,根据追踪结果以及与追踪结果对应的分类结果和探测结果进行决策得到决策结果。
上述分类模型可以对视频图像中的各物体进行分类,但是不能探测物体的位置;而探测模型可以在单张视频图像中探测出物体的位置,但是不能确定物体的位置变化;追踪模型可以追踪物体的位置变化,但是,只能对探测到的物体进行追踪,如果物体在视频图像中很小,则难以进行追踪。因此,终端在获得分类结果、探测结果和追踪结果后,对分类结果、探测结果和追踪结果进行综合分析并决策,得到目标电梯中存在电动车的概率,可以使多模型之间取长补短,提高电动车的识别准确度。
步骤204,根据决策结果控制目标电梯执行相应的运行方式。
如果决策结果表明目标电梯中存在电动车,终端可以向目标电梯发送控制信号,控制目标电梯停止运行,避免电动车搭乘电梯进行居民楼。
上述电梯控制方法中,终端获取视频采集设备在目标电梯中采集到的视频图像;将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果;根据分类结果、探测结果和追踪结果进行决策,得到决策结果;根据决策结果控制目标电梯执行相应的运行方式。本公开实施例中,利用分类模型、探测模型和追踪模型可以自动确定目标电梯中是否存在电动车,可以解决人力不足、人员容易疲劳等问题,避免漏查的情况。进一步地,由于分类模型、探测模型和追踪模型从不同角度确定目标电梯中是否存在电动车,因而模型之间可以取长补短,从而提高决策结果的准确性,进而有效地禁止电动车搭乘电梯进入居民楼。
在一个实施例中,如图3所示,上述根据分类结果、探测结果和追踪结果进行决策,得到决策结果的步骤,可以包括:
步骤301,根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果。
在实际应用中,视频采集设备持续采集视频图像,并将采集到的视频图像发送到终端。终端将接收到的视频图像依次输入到分类模型中,得到各视频图像对应的分类结果。同时,终端将接收到的视频图像也依次输入到探测模型中,得到各视频图像对应的探测结果。并且,终端还将接收到的多张视频图像输入到追踪模型中,得到多张视频图像对应的多个追踪结果或一个追踪结果。当追踪模型根据多张视频图像输出一个追踪结果时,分类结果和探测结果的数量与追踪结果的数量不对应,因此,在进行决策过程中,需要在得到追踪结果后,根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果。
例如,终端将视频图像1、2、3、4分别输入到分类模型、探测模型和追踪模型中,得到分类结果1、2、3、4,探测结果1、2、3、4和追踪结果1,根据追踪模型输出追踪结果的时刻,可以确定与追踪结果1对应的是分类结果4和探测结果4。
步骤302,根据预先设置的权重对追踪结果、与追踪结果对应的分类结果和探测结果进行加权求和计算,得到决策结果。
终端中预先设置分类结果对应的第一权重,探测结果对应的第二权重和追踪结果对应的第三权重。在获得追踪结果并确定与追踪结果对应的分类结果和探测结果之后,根据第一权重、第二权重和第三权重对分类结果、探测结果和追踪结果进行加权求和计算,得到决策结果。
例如,分类结果O1对应的第一权重k1,探测结果O2对应的第二权重,追踪结果O3对应的第三权重,其中,O1为90%、O2为87%、O3为85%、k1为0.5,k2为0.3,k3为0.2,则决策结果O=O1*k1+O2*k2+O3*k3=90%*0.5+87%*0.3+85%*0.2=88.1%。上述第一权重、第二权重和第三权重,是在分类模型、探测模型和追踪模型训练完成后,采用测试图像进行测试时,根据测试结果确定的,本公开实施例对第一权重、第二权重和第三权重不作限定。
上述实施例中,终端根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果;根据预先设置的权重对追踪结果、与追踪结果对应的分类结果和探测结果进行加权求和计算,得到决策结果。本公开实施例中,用户可以根据实际需求设置权重,从而影响最终的决策结果,使决策结果更符合实际情况。
在其中一个实施例中,上述将视频图像输入至分类模型,得到分类模型输出的分类结果的步骤,可以包括:将视频图像输入到分类模型中,得到分类模型对视频图像进行局部特征提取和全局特征提取,并根据提取出的局部特征和全局特征进行分类得到的分类结果。
上述分类模型可以采用轻量级的卷积神经网络,该卷积神经网络采用金字塔结构,包括特征提取层和分类层。本公开实施例中,终端将视频图像输入到分类模型中之后,分类模型中的特征提取层对视频图像进行局部特征提取和全局特征提取,得到局部特征和全局特征;接着,分类模型中的分类层根据局部特征和全局特征进行分类,得到分类结果。
可以理解地,分类模型对视频图像进行局部特征提取和全局特征提取,不论电动车是只有小部分在视频图像中,还是大部分都在视频图像中,分类模型均能识别出电动车,分类结果较为准确。
在其中一个实施例中,上述将视频图像输入至探测模型,得到探测模型输出的探测结果的步骤,可以包括:将视频图像输入到探测模型中,得到探测模型对视频图像进行分区,并对分出的每个子视频图像进行探测得到的探测结果。
上述探测模型可以采用轻量级的one-stage物体探测网络。本公开实施例中,终端将视频图像输入到探测模型中,探测模型对视频图像进行分区,得到多个子视频图像。之后,在分出的每个子视频图像中均采用探测框进行物体探测,得到每个子视频图像对应的探测框修正参数(offset)和存在电动车的置信度。接着,根据多个子视频图像对应的置信度计算该视频图像中存在电动车的概率,若计算出的概率大于预设概率阈值,则将多个子视频图像对应的置信度中最大的置信度作为探测结果输出。
例如,探测模型将视频图像分为7×7的子视频图像,如果49个子视频图像中,30个子视频图像对应的置信度大于预设置信度阈值,19个子视频图像对应的置信度小于或等于预设置信度阈值,则根据30个子视频图像占49个子视频图像的比例计算出该视频图像中存在电动车的概率为61%。如果61%大于预设概率阈值,则将多个子视频图像对应的置信度中最大的置信度作为探测结果输出。
可以理解地,探测模型对视频图像进行分区,之后对分出的每个子视频图像进行探测,可以准确得到电动车的位置。
在其中一个实施例中,上述将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果的步骤,可以包括:将多张视频图像依次输入到追踪模型中,得到追踪模型对第一张视频图像进行探测,并对第一张视频图像的探测结果进行追踪得到的追踪结果。
上述追踪模型可以包括探测子模型和追踪子模型。终端将视频采集设备采集到的视频图像按照预设时间间隔划分为多个视频图像集合。例如,将每2s采集到多张视频图像作为一个视频图像集合。本公开实施例对预设时间间隔不做限定。
然后,终端将一个视频图像集合中的第一张视频图像输入到探测子模型中,探测子模型对第一张视频图像进行分区,对分出的子视频图像进行探测,并输出第一视频图像中存在电动车的概率和电动车的位置。之后,追踪子模型采用MOSSE物体追踪算法,根据探测子模型输出的电动车位置和该视频图像集合中的第二张视频图像进行物体追踪,得到第二张视频图像中的电动车位置。接着,追踪子模型再根据第二张视频图像中的电动车位置和该视频图像集合中的第三张视频进行物体追踪,得到第三张视频图像中的电动车位置。得到该视频图像集合中每张视频图像中的电动车位置后,根据多个电动车位置输出一个目标电梯中存在电动车的概率。同样地,终端再将下一个视频图像集合中的第一张视频图像输入到探测子模型中,追踪子模型再根据探测子模型输出的电动车位置进行追踪,并输出追踪结果。
可以理解地,追踪模型可以对电动车的位置变化进行追踪,从而避免电动车在搭乘电梯的过程中被遮挡而未被探测出的问题。
在其中一个实施例中,还可以包括预先训练分类模型、探测模型、追踪模型的步骤:针对任意一个模型,获取训练样本集;训练样本集包括多张训练图像和各训练图像对应的标注;基于训练样本集进行模型训练,得到初始模型;对初始模型进行压缩处理,得到目标模型。压缩处理可以包括模型剪枝、知识蒸馏和半精度量化等方式。模型压缩可以缩小模型规模,从而减少磁盘占用空间,并且,还可以提高模型的运行效率。
在一个实施例中,如图4所示,提供了一种电梯控制方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤401,获取视频采集设备在目标电梯中采集到的视频图像。
步骤402,将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果。
步骤403,根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果。
步骤404,根据预先设置的权重对追踪结果、与追踪结果对应的分类结果和探测结果进行加权求和计算,得到决策结果。
步骤405,若确定决策结果符合第一预设条件,则控制目标电梯停止运行。
其中,第一预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第一预设阈值。
终端在得到决策结果后,判断决策结果是否满足第一预设条件。具体地,终端判断决策结果所指示的目标电梯中存在电动车的概率是否大于第一预设阈值。如果确定决策结果所指示的目标电梯中存在电动车的概率大于第一预设阈值,则确定决策结果符合第一预设条件。此时,终端可以生成停运控制信号,并将停运控制信号发送到目标电梯。对应地,目标电梯接收终端发送的停运控制信号,并根据停运控制信号停止运行。
步骤406,若确定决策结果符合第二预设条件,则控制目标电梯播放预设提示信息。
其中,第二预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第二预设阈值;预设提示信息用于提示用户电动车禁止进入电梯。
终端在得到决策结果后,还可以判断决策结果是否满足第二预设条件。具体地,终端判断决策结果所指示的目标电梯中存在电动车的概率是否大于第二预设阈值。如果确定决策结果所指示的目标电梯中存在电动车的概率大于第二预设阈值,则确定决策结果符合第二预设条件。此时,终端可以生成播放控制信号,并将播放控制信号发送到目标电梯。对应地,目标电梯接收终端发送的播放控制信号,并根据播放控制信号播放预设提示信息。
其中,预设提示信息可以是声光报警信息,目标电梯在接收到播放控制信号后,根据播放控制信号进行声光报警,提示用户电动车禁止进入电梯。预设提示信息也可以是语音播报信息,目标电梯在接收到播放控制信号后,根据播放控制信号进行语音播报,提示用户电动车禁止进入电梯。本公开实施例对预设提示信息不做限定。
在其中一个实施例中,上述第一预设阈值和第二预设阈值可以是相同的,那么,终端在确定决策结果符合第一预设条件和第二预设条件后,在控制目标电梯停止运行的同时,还可以控制目标电梯播放预设提示信息。
在其中一个实施例中,终端在确定决策结果符合第一预设条件或第二预设条件后,输出告警信息,则监控室的监控人员可以根据告警信息获知有电动车搭乘目标电梯,从而采取相应的措施。
上述实施例中,获取视频采集设备在目标电梯中采集到的视频图像;将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果;根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果根据预先设置的权重对追踪结果、与追踪结果对应的分类结果和探测结果进行加权求和计算,得到决策结果;若确定决策结果符合第一预设条件,则控制目标电梯停止运行;若确定决策结果符合第二预设条件,则控制目标电梯播放预设提示信息。通过本公开实施例,可以自动确定目标电梯中是否存在电动车,从而解决了人力不足、人员疲劳等问题;并且,确定过程中采用了分类模型、探测模型和追踪模型,可以从不同角度确定目标电梯中是否存在电动车,从而提高决策结果的准确性。进一步地,根据决策结果控制电梯停运或播放预设提示信息,可以有效地禁止电动车搭乘电梯进行居民楼。
应该理解的是,虽然图2-图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种电梯控制装置,包括:
图像获取模块501,用于获取视频采集设备在目标电梯中采集到的视频图像;
识别模块502,用于将所述视频图像输入至分类模型,得到所述分类模型输出的分类结果,将所述视频图像输入至探测模型,得到所述探测模型输出的探测结果,将多张所述视频图像输入至追踪模型,得到所述追踪模型输出的追踪结果;其中,所述分类结果、所述探测结果和所述追踪结果均用于指示所述目标电梯中存在电动车的概率;
决策模块503,用于根据所述分类结果、所述探测结果和所述追踪结果进行决策,得到决策结果;所述决策结果用于指示所述目标电梯中存在电动车的概率;
电梯控制模块504,用于根据所述决策结果控制所述目标电梯执行相应的运行方式。
在其中一个实施例中,上述决策模块503,具体用于根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果;根据预先设置的权重对追踪结果、与追踪结果对应的分类结果和探测结果进行加权求和计算,得到决策结果。
在其中一个实施例中,上述识别模块502,具体用于将视频图像输入到分类模型中,得到分类模型对视频图像进行局部特征提取和全局特征提取,并根据提取出的局部特征和全局特征进行分类得到的分类结果。
在其中一个实施例中,上述识别模块502,具体用于将视频图像输入到探测模型中,得到探测模型对视频图像进行分区,并对分出的每个子视频图像进行探测得到的探测结果。
在其中一个实施例中,上述识别模块502,具体用于将多张视频图像依次输入到追踪模型中,得到追踪模型对第一张视频图像进行探测,并对第一张视频图像的探测结果进行追踪得到的追踪结果。
在其中一个实施例中,上述控制模块504,具体用于若确定决策结果符合第一预设条件,则控制目标电梯停止运行;其中,第一预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第一预设阈值。
在其中一个实施例中,上述控制模块504,具体用于若确定决策结果符合第二预设条件,则控制目标电梯播放预设提示信息;其中,第二预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第二预设阈值;预设提示信息用于提示用户电动车禁止进入电梯。
关于电梯控制装置的具体限定可以参见上文中对于电梯控制方法的限定,在此不再赘述。上述电梯控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电梯控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取视频采集设备在目标电梯中采集到的视频图像;
将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果;其中,分类结果、探测结果和追踪结果均用于指示目标电梯中存在电动车的概率;
根据分类结果、探测结果和追踪结果进行决策,得到决策结果;决策结果用于指示目标电梯中存在电动车的概率;
根据决策结果控制目标电梯执行相应的运行方式。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果;
根据预先设置的权重对追踪结果、与追踪结果对应的分类结果和探测结果进行加权求和计算,得到决策结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将视频图像输入到分类模型中,得到分类模型对视频图像进行局部特征提取和全局特征提取,并根据提取出的局部特征和全局特征进行分类得到的分类结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将视频图像输入到探测模型中,得到探测模型对视频图像进行分区,并对分出的每个子视频图像进行探测得到的探测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将多张视频图像依次输入到追踪模型中,得到追踪模型对第一张视频图像进行探测,并对第一张视频图像的探测结果进行追踪得到的追踪结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若确定决策结果符合第一预设条件,则控制目标电梯停止运行;其中,第一预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第一预设阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若确定决策结果符合第二预设条件,则控制目标电梯播放预设提示信息;其中,第二预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第二预设阈值;预设提示信息用于提示用户电动车禁止进入电梯。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取视频采集设备在目标电梯中采集到的视频图像;
将视频图像输入至分类模型,得到分类模型输出的分类结果,将视频图像输入至探测模型,得到探测模型输出的探测结果,将多张视频图像输入至追踪模型,得到追踪模型输出的追踪结果;其中,分类结果、探测结果和追踪结果均用于指示目标电梯中存在电动车的概率;
根据分类结果、探测结果和追踪结果进行决策,得到决策结果;决策结果用于指示目标电梯中存在电动车的概率;
根据决策结果控制目标电梯执行相应的运行方式。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据追踪模型输出追踪结果的时刻,确定输出时刻对应的分类结果和探测结果;
根据预先设置的权重对追踪结果、与追踪结果对应的分类结果和探测结果进行加权求和计算,得到决策结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将视频图像输入到分类模型中,得到分类模型对视频图像进行局部特征提取和全局特征提取,并根据提取出的局部特征和全局特征进行分类得到的分类结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将视频图像输入到探测模型中,得到探测模型对视频图像进行分区,并对分出的每个子视频图像进行探测得到的探测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将多张视频图像依次输入到追踪模型中,得到追踪模型对第一张视频图像进行探测,并对第一张视频图像的探测结果进行追踪得到的追踪结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若确定决策结果符合第一预设条件,则控制目标电梯停止运行;其中,第一预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第一预设阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若确定决策结果符合第二预设条件,则控制目标电梯播放预设提示信息;其中,第二预设条件包括:决策结果所指示的目标电梯中存在电动车的概率大于第二预设阈值;预设提示信息用于提示用户电动车禁止进入电梯。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电梯控制方法,其特征在于,所述方法包括:
获取视频采集设备在目标电梯中采集到的视频图像;
将所述视频图像输入至分类模型,得到所述分类模型输出的分类结果,将所述视频图像输入至探测模型,得到所述探测模型输出的探测结果,将多张所述视频图像输入至追踪模型,得到所述追踪模型输出的追踪结果;其中,所述分类结果、所述探测结果和所述追踪结果均用于指示所述目标电梯中存在电动车的概率;
根据所述分类结果、所述探测结果和所述追踪结果进行决策,得到决策结果;所述决策结果用于指示所述目标电梯中存在电动车的概率;
根据所述决策结果控制所述目标电梯执行相应的运行方式。
2.根据权利要求1所述的方法,其特征在于,所述根据所述分类结果、所述探测结果和所述追踪结果进行决策,得到决策结果,包括:
根据所述追踪模型输出所述追踪结果的时刻,确定输出时刻对应的分类结果和探测结果;
根据预先设置的权重对所述追踪结果、与所述追踪结果对应的分类结果和探测结果进行加权求和计算,得到所述决策结果。
3.根据权利要求1所述的方法,其特征在于,所述将所述视频图像输入至分类模型,得到所述分类模型输出的分类结果,包括:
将所述视频图像输入到所述分类模型中,得到所述分类模型对所述视频图像进行局部特征提取和全局特征提取,并根据提取出的局部特征和全局特征进行分类得到的所述分类结果。
4.根据权利要求1所述的方法,其特征在于,所述将所述视频图像输入至探测模型,得到所述探测模型输出的探测结果,包括:
将所述视频图像输入到所述探测模型中,得到所述探测模型对所述视频图像进行分区,并对分出的每个子视频图像进行探测得到的所述探测结果。
5.根据权利要求1所述的方法,其特征在于,所述将多张所述视频图像输入到追踪模型中,得到所述追踪模型输出的追踪结果,包括:
将多张所述视频图像依次输入到所述追踪模型中,得到所述追踪模型对第一张视频图像进行探测,并对所述第一张视频图像的探测结果进行追踪得到的所述追踪结果。
6.根据权利要求1所述的方法,其特征在于,所述根据所述决策结果控制所述目标电梯执行相应的运行方式,包括:
若确定所述决策结果符合第一预设条件,则控制所述目标电梯停止运行;其中,所述第一预设条件包括:所述决策结果所指示的所述目标电梯中存在电动车的概率大于第一预设阈值。
7.根据权利要求1所述的方法,其特征在于,所述根据所述决策结果控制所述目标电梯执行相应的运行方式,包括:
若确定所述决策结果符合第二预设条件,则控制所述目标电梯播放预设提示信息;其中,所述第二预设条件包括:所述决策结果所指示的所述目标电梯中存在电动车的概率大于第二预设阈值;所述预设提示信息用于提示用户电动车禁止进入电梯。
8.一种电梯控制装置,其特征在于,所述装置包括:
图像获取模块,用于获取视频采集设备在目标电梯中采集到的视频图像;
识别模块,用于将所述视频图像输入至分类模型,得到所述分类模型输出的分类结果,将所述视频图像输入至探测模型,得到所述探测模型输出的探测结果,将多张所述视频图像输入至追踪模型,得到所述追踪模型输出的追踪结果;其中,所述分类结果、所述探测结果和所述追踪结果均用于指示所述目标电梯中存在电动车的概率;
决策模块,用于根据所述分类结果、所述探测结果和所述追踪结果进行决策,得到决策结果;所述决策结果用于指示所述目标电梯中存在电动车的概率;
电梯控制模块,用于根据所述决策结果控制所述目标电梯执行相应的运行方式。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434347.9A CN112607542B (zh) | 2020-12-10 | 2020-12-10 | 电梯控制方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434347.9A CN112607542B (zh) | 2020-12-10 | 2020-12-10 | 电梯控制方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112607542A true CN112607542A (zh) | 2021-04-06 |
CN112607542B CN112607542B (zh) | 2022-07-26 |
Family
ID=75232574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011434347.9A Active CN112607542B (zh) | 2020-12-10 | 2020-12-10 | 电梯控制方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112607542B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113666216A (zh) * | 2021-08-12 | 2021-11-19 | 新疆爱华盈通信息技术有限公司 | 一种防止电动车乘电梯的方法、装置、电子设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622237A (zh) * | 2017-09-18 | 2018-01-23 | 江苏省特种设备安全监督检验研究院 | 一种电梯中目标的检测方法 |
CN109165620A (zh) * | 2018-09-04 | 2019-01-08 | 张晓飞 | 一种电动车的检测方法、***及终端设备 |
CN110759189A (zh) * | 2019-10-30 | 2020-02-07 | 河南宙为电子技术有限公司 | 电梯管理方法、装置及*** |
CN111353451A (zh) * | 2020-03-06 | 2020-06-30 | 深圳市赛为智能股份有限公司 | 电瓶车检测方法、装置、计算机设备及存储介质 |
CN111439644A (zh) * | 2020-02-28 | 2020-07-24 | 浙江大华技术股份有限公司 | 电梯内电瓶车的报警方法及相关装置 |
CN111476179A (zh) * | 2020-04-10 | 2020-07-31 | 深圳市五元科技有限公司 | 关键目标的行为预测方法、ai追踪相机及存储介质 |
CN211198262U (zh) * | 2019-12-31 | 2020-08-07 | 日照安泰科技发展有限公司 | 社区智能安防监控外机 |
CN212084172U (zh) * | 2020-02-26 | 2020-12-04 | 安徽鑫光洋信息技术有限公司 | 一种电动车智能识别预警摄像机 |
-
2020
- 2020-12-10 CN CN202011434347.9A patent/CN112607542B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622237A (zh) * | 2017-09-18 | 2018-01-23 | 江苏省特种设备安全监督检验研究院 | 一种电梯中目标的检测方法 |
CN109165620A (zh) * | 2018-09-04 | 2019-01-08 | 张晓飞 | 一种电动车的检测方法、***及终端设备 |
CN110759189A (zh) * | 2019-10-30 | 2020-02-07 | 河南宙为电子技术有限公司 | 电梯管理方法、装置及*** |
CN211198262U (zh) * | 2019-12-31 | 2020-08-07 | 日照安泰科技发展有限公司 | 社区智能安防监控外机 |
CN212084172U (zh) * | 2020-02-26 | 2020-12-04 | 安徽鑫光洋信息技术有限公司 | 一种电动车智能识别预警摄像机 |
CN111439644A (zh) * | 2020-02-28 | 2020-07-24 | 浙江大华技术股份有限公司 | 电梯内电瓶车的报警方法及相关装置 |
CN111353451A (zh) * | 2020-03-06 | 2020-06-30 | 深圳市赛为智能股份有限公司 | 电瓶车检测方法、装置、计算机设备及存储介质 |
CN111476179A (zh) * | 2020-04-10 | 2020-07-31 | 深圳市五元科技有限公司 | 关键目标的行为预测方法、ai追踪相机及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113666216A (zh) * | 2021-08-12 | 2021-11-19 | 新疆爱华盈通信息技术有限公司 | 一种防止电动车乘电梯的方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112607542B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10929644B2 (en) | Face detection training method and apparatus, and electronic device | |
CN110807385A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
WO2022160413A1 (zh) | 电力生产异常监控方法、装置、计算机设备和存储介质 | |
CN110490902B (zh) | 应用于智慧城市的目标跟踪方法、装置、计算机设备 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
WO2021043074A1 (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
CN110189355A (zh) | 安全疏散通道占用检测方法、装置、电子设备及存储介质 | |
CN113139403A (zh) | 违规行为识别方法、装置、计算机设备和存储介质 | |
US11928813B2 (en) | Method and system for detecting change to structure by using drone | |
CN110717449A (zh) | 车辆年检人员的行为检测方法、装置和计算机设备 | |
CN112607542B (zh) | 电梯控制方法、装置、计算机设备和存储介质 | |
CN115512387A (zh) | 基于改进yolov5模型的工地安全帽佩戴检测方法 | |
CN114882251A (zh) | 一种物联网大数据智能视频安防监控方法及装置 | |
CN110516559B (zh) | 适用于精准监控的目标跟踪方法及装置、计算机设备 | |
CN111581436A (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN113269111B (zh) | 一种基于视频监控的电梯异常行为检测方法及*** | |
US20220300774A1 (en) | Methods, apparatuses, devices and storage media for detecting correlated objects involved in image | |
WO2021068589A1 (zh) | 一种图像中物体及其关键点的确定方法和装置 | |
CN111985413A (zh) | 一种智能楼宇监控终端、监控***及监控方法 | |
CN115393791A (zh) | 一种异物检测方法、设备和计算机可读存储介质 | |
CN114359839A (zh) | 识别电动车进入电梯的方法及*** | |
CN111145558B (zh) | 一种基于高点视频监控的违法行为识别方法 | |
CN111476086A (zh) | 烟火识别方法、装置、计算机设备和可读存储介质 | |
CN116259110B (zh) | Atm防护舱的安全检测方法、装置、设备及存储介质 | |
CN112734568B (zh) | 信用评分卡模型构建方法、装置、设备及可读存储介质 |
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 |