CN112749630A - 一种道路路况智能视频监控方法及*** - Google Patents
一种道路路况智能视频监控方法及*** Download PDFInfo
- Publication number
- CN112749630A CN112749630A CN202011492048.0A CN202011492048A CN112749630A CN 112749630 A CN112749630 A CN 112749630A CN 202011492048 A CN202011492048 A CN 202011492048A CN 112749630 A CN112749630 A CN 112749630A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- video monitoring
- neural network
- deep learning
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 230000006399 behavior Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- -1 license plate types Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种道路路况智能视频监控方法及***，方法包括：获取道路过往车辆场景视频，基于深度学***台，进行预警决策。运用该种道路路况智能视频监控方法及***，通过深度学***台，后端交通平台通知相关工作人员立刻处理，确保道路通行安全。
Description
技术领域
本发明涉及视频安防监控领域，尤其涉及一种道路路况智能视频监控方法 及***。
背景技术
目前，道路是城市的一个主要组成部分，道路智能化能够实现城市服务能力提升。智慧道路建设，有如下意义和效果：弥补道路交通现状的信息采集覆盖不足、数据整合难的缺陷；实现运输管理的智能化监管、智能化调度；实现道路一侧情况智能识别和自动预警；融合实时路况实现对道路险情、交通拥堵及突发事件的预判和预警。因此需要一种道路路况智能视频监控方法及***来实现道路实时路况智能识别和自动预警。
发明内容
本发明实施例提供了一种道路路况智能视频监控方法及***，可以解决现 有技术中道路视频安防监控主要依赖人工，效率低，预警不及时及信息采集覆 盖不足、数据整合难的技术问题。
为实现上述目的，本发明第一方面提供一种道路路况智能视频监控方法， 所述方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述 过往车辆视频进行识别分析，实时分析采集车辆数据；
对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计 固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；
利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决 策。
进一步地，还包括基于深度学习的神经网络对所述过往车辆场景进行识别 车辆数据分析模型训练。
进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模 型训练还包括路面险情识别。
进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模 型训练还包括识别交通违法事件。
进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模 型训练还包括识别非机动车违法事件。
进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模 型训练还包括识别行人出行状态。
进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模 型训练还包括识别机动车，行人，非机动车的越区越线行为。
进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析之 后，还包括将识别的道路路况结果发送至后台。
进一步地，利用所述得到车流量，车速结果推导道路路况至大数据平台， 进行预警决策包括设置相应道路路况阈值，若超过阈值则进行报警提示。
为实现上述目的，本发明实施例还提供一种道路路况智能视频监控***， 包括获取识别模块，车流车速结果确定模块，预警决策模块，
所述获取识别模块用于获取道路过往车辆场景视频，基于深度学习的神经 网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；
所述车流车速结果确定模块用于对同一路段不同地点所获取的道路过往车 辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数， 得到车流量，车速结果；
所述预警决策模块用于利用所述得到车流量，车速结果推导道路路况至大 数据平台，进行预警决策。
本发明实施例提供一种道路路况智能视频监控方法，所述方法包括：获取 道路过往车辆场景视频，基于深度学*** 台，进行预警决策。运用该种道路路况智能视频监控方法，通过深度学***台，进行预警决策，及时发现交通通行状况， 违反安全规范的行为、人员，同时对行人和车辆的拥堵状态进行判断，并自动 报警上传后端交通平台，后端交通平台通知相关工作人员立刻处理，确保道路 通行安全，且该道路路况智能视频监控方法及***选择普通摄像机安装嵌入式 智能分析盒子，降低了整个***的成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创 造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例中一种道路路况智能视频监控方法步骤流程示意 图；
图2为本发明第二实施例中一种道路路况智能视频监控******示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基 于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的 所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明第一实施例中一种道路路况智能视频监控方法 步骤流程示意图，本发明实施例中，一种道路路况智能视频监控方法，所述方 法包括：
步骤101、获取道路过往车辆场景视频，基于深度学***台，进行预 警决策，及时发现交通通行状况，违反安全规范的行为、人员，同时对行人和 车辆的拥堵状态进行判断，并自动报警上传后端交通平台，后端交通平台通知 相关工作人员立刻处理，确保道路通行安全，且该道路路况智能视频监控方法 及***选择普通摄像机安装嵌入式智能分析盒子，降低了整个***的成本。
步骤102、对同一路段不同地点所获取的道路过往车辆场景视频进行识别， 确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果； 具体地，对出现在摄像机的视场角内每辆车进行车辆ID跟踪，并在摄像机视频 内配置一个区域，计算固定时间间隔内，通过该区域的车辆ID个数，从而计算 得到车流量，同一车辆ID车速。所采集的数据自动上传给后端智慧交通大数据 平台，同一车辆ID车速可以根据距离时间公式得出，这里对道路过往车辆场景 视频进行识别确定了车辆ID个数即车流量，同一车辆ID车速。
步骤103、利用所述得到车流量，车速结果推导道路路况至大数据平台， 进行预警决策，具体实现中，管理人员可以对所述得到车流量，车速结果设置 一个报警阈值，当超过报警阈值，预警出该路段的交通拥堵状况，比如车流量 大，车速够慢时出现交通极度拥堵预警，从而及时调动周围警力及时舒缓交通， 不用人工实时监控，预警及时，效率高，大大提升城市出行交通顺畅度。
以上步骤的具体细分步骤如下：
进一步地，还包括基于深度学习的神经网络对所述过往车辆场景进行识别 车辆数据分析模型训练，如训练深度学习的神经网络通过车辆检测、车辆跟踪、 车辆优选、车辆属性识别，实时识别采集车辆数据，车辆数据包括车牌号码、 车牌颜色、车牌类型、车身颜色、车型、车辆品牌、车速、车流量，从而对过 往车辆识别确定通过区域的车辆ID个数，得到车流量，车速结果。
进一步地，基于深度学***台，后端交通平台通知相关工作人员立刻处理，防止事 故发生。
进一步地，基于深度学***均值，若超过设置的阈值，表示当前道路拥堵，可以设置 多个阈值，表示当前道路的不同拥堵状态，若发现拥堵，即使上传给后端交通 平台，派工作人员协助处理。为了减少成本，部署球机，通过设置不同的预置 位轮询监控不同的违停区域。在盒子接入视频上配置违停区域，若发现车辆传入该区域，并且超过设置阈值时间才离开，识别为非法停车。同时可设置违停 区域和时间段、配合识别的车辆类型，进行特定类型车辆的违停识别，比如机 动车占用公交专用车道等。识别该车辆的车牌号码、车牌种类、车牌颜色、车 身颜色、车型、车辆品牌，自动上传给后端交通平台，包含车辆属性、非法停 车图片。
进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别非机动车违法事件，
进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别行人出行状态。
具体地，如非机动车不带安全帽、超载、加装伞具、闯红灯、逆行。可以识别 行人属性识别，识别属性包括：上衣颜色、上衣款式、下衣颜色、下衣款式、 是否背包、是否戴帽子、是否抱小孩。同时对行人和车辆的拥堵状态进行判断。 进行行人属性识别，实时采集行人交通状况。智能分析盒子对接入的摄像机进 行行人检测、行人跟踪、行人优选、根据优选的结果进行行人属性识别，识别 属性包括：上衣颜色、上衣款式、下衣颜色、下衣款式、是否背包、是否戴帽 子、是否抱小孩。盒子对出现在摄像机的区域内行人车进行检测，统计行人个数，配合摄像机区域标定，统计该摄像机的人群密度,若超过设置的阈值，表示 当前道路拥堵，可以设置多个阈值，表示当前道路的不同拥堵状态，若发现拥 堵，即使上传给后端交通平台，派工作人员协助处理。
进一步地，基于深度学***台。
进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析之 后，还包括将识别的道路路况结果发送至后台。
进一步地，利用所述得到车流量，车速结果推导道路路况至大数据平台， 进行预警决策包括设置相应道路路况阈值，若超过阈值则进行报警提示。
本实施例中，具体的实施步骤包括:
步骤1：在需要做实时智能监控地方安装普通摄像机，并调整好摄像机的 高度、视场角。
步骤2：在普通摄像机上安装智能分析盒子，并配置每个摄像机检测区域、 智能分析类型。
步骤3：后端部署智能预警平台，接入智能分析盒子。
为实现上述目的，请参阅图2，本发明实施例还提供一种道路路况智能视 频监控***包括：获取识别模块，车流车速结果确定模块，预警决策模块，
所述获取识别模块用于获取道路过往车辆场景视频，基于深度学习的神经 网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；
所述车流车速结果确定模块用于对同一路段不同地点所获取的道路过往车 辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数， 得到车流量，车速结果；
所述预警决策模块用于利用所述得到车流量，车速结果推导道路路况至大 数据平台，进行预警决策。
以上***模块均为实现上述方法实例制定，这里不再一一重复说明，深度 学习的神经网络采用现有的开源模型训练框架进行训练，不做特别限定。
本发明实施例提供一种道路路况智能视频监控方法，所述方法包括：获取 道路过往车辆场景视频，基于深度学*** 台，进行预警决策。运用该种道路路况智能视频监控方法，通过深度学***台，进行预警决策，及时发现交通通行状况， 违反安全规范的行为、人员，同时对行人和车辆的拥堵状态进行判断，并自动 报警上传后端交通平台，后端交通平台通知相关工作人员立刻处理，确保道路 通行安全，且该道路路况智能视频监控方法及***选择普通摄像机安装嵌入式 智能分析盒子，降低了整个***的成本。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述 为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的 动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。 其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施 例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的描述，对于本领域的技术人员，依据本发明实施 例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内 容不应理解为对本发明的限制。
Claims (10)
1.一种道路路况智能视频监控方法，其特征在于，所述方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；
对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；
利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。
2.根据权利要求1所述的视频监控方法，其特征在于，还包括基于深度学习的神经网络对所述过往车辆场景进行识别车辆数据分析模型训练。
3.根据权利要求2所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括路面险情识别。
4.根据权利要求2所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别交通违法事件。
5.根据权利要求2所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别非机动车违法事件。
6.根据权利要求2所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别行人出行状态。
7.根据权利要求2所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别机动车，行人，非机动车的越区越线行为。
8.根据权利要求1所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆场景进行识别分析之后，还包括将识别的道路路况结果发送至后台。
9.根据权利要求1所述的视频监控方法，其特征在于，利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策包括设置相应道路路况阈值，若超过阈值则进行报警提示。
10.一种道路路况智能视频监控***，其特征在于，包括获取识别模块，车流车速结果确定模块，预警决策模块，
所述获取识别模块用于获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；
所述车流车速结果确定模块用于对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；
所述预警决策模块用于利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011492048.0A CN112749630A (zh) | 2020-12-17 | 2020-12-17 | 一种道路路况智能视频监控方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011492048.0A CN112749630A (zh) | 2020-12-17 | 2020-12-17 | 一种道路路况智能视频监控方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112749630A true CN112749630A (zh) | 2021-05-04 |
Family
ID=75649277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011492048.0A Pending CN112749630A (zh) | 2020-12-17 | 2020-12-17 | 一种道路路况智能视频监控方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112749630A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762255A (zh) * | 2021-09-14 | 2021-12-07 | 陕西科云信息技术有限公司 | 一种基于多源数据融合深度学习的非现场超载监测方法 |
| CN114446062A (zh) * | 2022-01-28 | 2022-05-06 | 刘银环 | 基于大数据服务的动态调配***及方法 |
| CN115311849A (zh) * | 2022-07-07 | 2022-11-08 | 开研(宁波)信息科技有限公司 | 一种基于大数据***的交通组织问题诊断装置及诊断方法 |
| CN115331440A (zh) * | 2022-08-09 | 2022-11-11 | 山东旗帜信息有限公司 | 一种基于监测阈值信息的高适配预警方法及*** |
-
2020
- 2020-12-17 CN CN202011492048.0A patent/CN112749630A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762255A (zh) * | 2021-09-14 | 2021-12-07 | 陕西科云信息技术有限公司 | 一种基于多源数据融合深度学习的非现场超载监测方法 |
| CN114446062A (zh) * | 2022-01-28 | 2022-05-06 | 刘银环 | 基于大数据服务的动态调配***及方法 |
| CN114446062B (zh) * | 2022-01-28 | 2022-09-27 | 深圳市八度云计算信息技术有限公司 | 基于大数据服务的动态调配***及方法 |
| CN115311849A (zh) * | 2022-07-07 | 2022-11-08 | 开研(宁波)信息科技有限公司 | 一种基于大数据***的交通组织问题诊断装置及诊断方法 |
| CN115331440A (zh) * | 2022-08-09 | 2022-11-11 | 山东旗帜信息有限公司 | 一种基于监测阈值信息的高适配预警方法及*** |
| CN115331440B (zh) * | 2022-08-09 | 2023-08-18 | 山东旗帜信息有限公司 | 一种基于监测阈值信息的高适配预警方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112749630A (zh) | 一种道路路况智能视频监控方法及*** | |
| CN101313345B (zh) | 检测道路交通违章的***和方法 | |
| CN109326124A (zh) | 一种基于机器视觉的城市环境停放车辆行为识别*** | |
| KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
| CA2925843C (en) | System for traffic behaviour surveillance | |
| CN107067730B (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
| CN101739809A (zh) | 行人闯红灯自动报警监控*** | |
| CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
| CN109166319A (zh) | 一种基于区块链技术的高速公路违法行为识别方法 | |
| KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
| CN202472943U (zh) | 一种基于高清视频技术的车辆违章检测*** | |
| CN110288738B (zh) | 一种自行车专用车道智能综合管控***和管控方法 | |
| CN109146914B (zh) | 一种高速公路基于视频分析的醉酒驾驶行为预警方法 | |
| CN110796862B (zh) | 一种基于人工智能的高速公路交通状况检测***及方法 | |
| CN104809887A (zh) | 一种高速公路上车辆逆行检测方法与自动报警装置 | |
| CN103456024A (zh) | 一种运动目标越线判断方法 | |
| CN109348179A (zh) | 一种基于人工智能的道路监控检测***及方法 | |
| CN113055649A (zh) | 一种隧道智能视频监控方法、装置、智能终端及存储介质 | |
| CN111754786A (zh) | 一种识别高速公路交通工具通行事件的*** | |
| CN112071058A (zh) | 基于深度学习的道路交通监控及车辆异常、违禁、火灾的检测方法及*** | |
| CN113112804A (zh) | 一种智慧高速综合管控方法 | |
| CN114387785A (zh) | 一种基于智慧公路的安全管控方法、***及可存储介质 | |
| KR102107791B1 (ko) | 어린이 보호구역의 안전속도준수 제어시스템 | |
| CN114401387A (zh) | 轨道交通线路异物入侵监测***和方法 | |
| CN110809137A (zh) | 一种校园安全防踩踏监控***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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230110 Address after: 518000 Yingfei Haocheng Science Park, Guansheng 5th Road, Luhu Community, Guanhu Street, Longhua District, Shenzhen, Guangdong 1515 Applicant after: Shenzhen Infineon Information Co.,Ltd. Address before: 518000 yingfeituo workshop, Guanlan high tech Industrial Park, Longhua New District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN INFINOVA Ltd. |