CN112949566A - 一种监控方法、装置、***及计算机存储介质 - Google Patents
一种监控方法、装置、***及计算机存储介质 Download PDFInfo
- Publication number
- CN112949566A CN112949566A CN202110320174.6A CN202110320174A CN112949566A CN 112949566 A CN112949566 A CN 112949566A CN 202110320174 A CN202110320174 A CN 202110320174A CN 112949566 A CN112949566 A CN 112949566A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cluster
- cloud data
- sub
- current
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Analysis (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明实施例公开了一种监控方法、装置、***及计算机存储介质,其中,监控方法包括:实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt;将所述当前增集Padt进行点云分割得到多个点云子集聚类;对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型。在三维点云空间下对入侵物进行识别,提高了测量的精度;采用差分的方式确定所有入侵物,减少了数据处理量;采用先确定点云数据增集再对其进行分析的方法,减少了漏报,误报情况,提高了监控入侵物的准确度。
Description
技术领域
本发明涉及周界防范领域,尤其涉及一种监控方法、装置、***及计算机存储介质。
背景技术
现有的监控方法大多采用红外、雷达、振动光缆以及AI分析等方式对入侵物体进行监控,但上述方法均存在特定问题,不能准确对入侵物体进行监控。其中,红外监控方法易受天气、遮挡物等环境影响造成监测误差引起误报;雷达监控方法存在反射干扰大,易受信号干扰的问题,容易造成误报;振动光缆与AI分析的监控方法均受多种因素影响易引起误报。
发明内容
为解决上述问题,本发明提供了一种监控方法、装置、***及计算机存储介质,将当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算得到当前增集Padt,即在现有的固定场景中差分出入侵物,并将当前增集Padt进行点云分割后再进行物体类型分析,即分析入侵物的类型,以对入侵物进行监控。在上述过程中,将当前帧的点云数据与背景点云数据进行对比,可将当前帧中不同于背景的所有入侵物区别出来,提高监控入侵物的准确度;之后对入侵物进行分析,得到入侵物的类型,以便之后对入侵物进行危险性判断,提高对入侵物的识别度,减少误报率。
为达到上述目的,本发明提供了一种监控方法,包括:实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt;将所述当前增集Padt进行点云分割得到多个点云子集聚类;对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型。
可选的,所述将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到增集Padt,其中,根据下式进行差分运算:Padt=Pcurr-(Pcurr∩Pbg)。
可选的,所述将所述当前增集Padt进行点云分割得到多个点云子集聚类之后,包括:计算所述每个点云子集聚类的分割结果Iobj(Amax,Amin,Psub);其中,Psub为构成分割结果的所有点,Amax表示为(xmax,ymax,zmax),分别指Psub中边缘点的x、y、z达到的最大值,Amin表示为(xmin,ymin,zmin),分别指Psub中边缘点的x、y、z达到的最小值;所述对所述每个点云子集聚类进行物体类型分析,包括:根据所述分割结果对所述每个点云子集聚类进行物体类型分析。
可选的,所述对所述每个点云子集聚类进行物体类型分析,以确定每个点云子集聚类的物体类型,包括:将所述每个点云子集聚类分别与预设的多个物体类型模型逐一进行匹配,以确定每个点云子集聚类的物体类型。
可选的,该方法还包括:将当前帧的所述每个点云子集聚类与上一帧对应的所述每个点云子集聚类进行对比,得到所述每个点云子集聚类的运动状态;根据所述每个点云子集聚类的运动状态作出相应级别的预警。
可选的,所述将当前帧的所述每个点云子集聚类与上一帧对应的所述每个点云子集聚类进行对比,得到所述每个点云子集聚类的运动状态之前,包括:计算当前帧的每个点云子集聚类与上一帧每个点云子集聚类的位移距离;取位移距离最小值与预定阈值进行比较;若所述位移距离最小值大于预定阈值,则判断所述位移距离对应的两个点云子集聚类不匹配;若所述位移距离最小值不大于预定阈值,则判断所述位移距离对应的两个点云子集聚类匹配。
可选的,所述对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型之后,包括:对所述每个点云子集聚类进行聚类运算,得到所述每个点云子集聚类的多个部分;计算各个部分的密度中心点;将各个部分的密度中心点使用直线进行拟合,得到所述每个点云子集聚类的结构。
可选的,将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt,包括:确定当前场景的地平面点云数据;根据所述地平面点云数据进行地面拟合,滤除不高于地平面的点云数据,得到过滤后的当前增集Padt。
可选的,所述根据所述地平面点云数据进行地面拟合,滤除不高于地平面的点云数据,包括:若当前点云数据的反射距离满足:d<dg±Δdg,则滤除该点云数据;其中,dg为所述地平面点云数据在任一方向的反射距离;Δdg为预设误差允许范围。
可选的,所述实时对当前场景进行扫描以得到当前帧的点云数据Pcurr之前,包括:预先对背景进行三维点云扫描得到背景点云数据Pbg;根据背景点云数据Pbg在Y轴上的断层关系,计算出遮挡边缘点集Pocc;在背景发生变化时,更新所述背景点云数据Pbg以及遮挡边缘点集Pocc。
另一方面,本发明实施例提供了一种监控装置,包括:第一扫描单元,用于实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;差分单元,用于将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt;分割单元,用于将所述当前增集Padt进行点云分割得到多个点云子集聚类;类型分析单元,用于对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型。
可选的,所述类型分析单元包括:匹配子单元,用于将所述每个点云子集聚类分别与预设的多个物体类型模型逐一进行匹配,以确定每个点云子集聚类的物体类型。
可选的,该装置还包括:动态分析单元,用于将当前帧的所述每个点云子集聚类与上一帧对应的所述每个点云子集聚类进行对比,得到所述每个点云子集聚类的运动状态;预警单元,用于根据所述每个点云子集聚类的运动状态作出相应级别的预警。
可选的,该装置还包括:第二扫描单元,用于预先对背景进行三维点云扫描得到背景点云数据Pbg;计算单元,用于根据背景点云数据Pbg在Y轴上的断层关系,计算出遮挡边缘点集Pocc;更新单元,用于在背景发生变化时,更新所述背景点云数据Pbg以及遮挡边缘点集Pocc。
另一方面,本发明实施例还提供了一种监控***,包括上述的监控装置。
另一方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述监控方法。
上述技术方案具有如下有益效果:在点云空间的背景下对物体进行高精度测量,提高监控入侵物的精准度;采用将当前帧的点云数据Pcurr与背景点云数据Pbg进行差分的方式,获得所有变动的物体,避免出现遗漏入侵物的情况,减少漏报率,且查分后的数据量较全部场景的数据量少,减少了数据处理量;通过采用对点云数据进行分析的方法,对物体进行探测,识别,测量等,获得入侵物的具体物体类型,可根据不同入侵物的类型进行同强度的告警措施,减少了误报率,提高了对入侵物监控的准确度。
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,对于本领域普通技术人员来讲,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是本发明实施例提供的一种监控方法的流程图;
图2是本发明实施例提供的一种监控装置的结构框图。
具体实施方式
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。
如图1所示,本发明提供了一种监控方法,包括:
S100、实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;
通过激光束对当前场景进行高速扫描,利用不同物体的反射,对三位空间场景进行高精度测量,从而形成三维的点云数据Pcurr,对每一帧均进行扫描,得到每一帧的点云数据Pcurr。采用激光点云技术,可使距离定位精度小于0.05米、宽度精度小于0.1米;高度精度小于0.15米,能精确识别活动物体目标。
S101、将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt,该增集Padt为当前帧区别于背景的所有点云数据。
在所有扫描开始之前,预先设置一个背景模型,使用背景点云数据Pbg进行描述。周界监控场景常常基于一个固定的场景,即范围内的建筑物、仪器设备等在三维数据上长时间处于不变状态,构成这些固定景物的点在计算时隶属于背景数据点云,即(x,y,z)∈Pbg。对于任意场景,首先对无动态目标下的监控范围进行一次三维点云的扫描以确立Pbg的范围。当场景内固定景物发生变动时,重新扫描即可更新Pbg。
将当前帧的点云数据Pcurr与背景点云数据Pbg进行差分,得到区别于背景点云数据Pbg的增集Padt。
S102、将所述当前增集Padt进行点云分割得到多个点云子集聚类;
在该步骤中对增集Padt进行聚类分析,得到多个点云子集聚类,每个点云子集聚类为表示一个物体。
S103、对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型。
将每个点云子集聚类进行物体类型分析,得到每个物体的具体物体类型,过滤掉不重要的物体,如草、树叶等,对人、鸟,猫或车辆等物体采用告警措施。
在上述过程中,对当前帧进行扫描得到的点云数据Pcurr与预先扫描得到的背景点云数据Pbg进行差分,得到当前帧的点云数据Pcurr区别于背景点云数据Pbg的增集Padt,该增集Padt中包括当前帧的扫描图像与背景的扫描图像相对比而得到的所有变化的物体,避免了出现遗漏物体;且分割出每个物体后将每个物体进行物体类型分析,得到每个物体的具体类型,可根据每个物体的类型进行相应等级的告警,以降低误报率。
具体实施例一,当一个目标进入监控范围内时,实时对当前场景进行扫描,得到包括当前场景的背景点云数据以及入侵目标点云数据的全部点云数据Pcurr,之后将该点云数据Pcurr与预设的背景点云数据Pbg进行差分,得到只含入侵目标点云数据的增集Padt,之后将该增集Padt进行点云分割,即对该增集Padt进行聚类分析,过滤掉增集Padt中的其它细小物(如草,树叶等),并分割出入侵目标,之后对入侵目标进行物体类型分析,以得到该入侵目标的物体类型,并以该入侵目标的物体类型为依据进行相应等级的告警。
具体实施例二,当多个目标进入监控范围内时,实时对当前场景进行扫描,得到包括当前场景的背景点云数据以及多个入侵目标点云数据的全部点云数据Pcurr,之后将该点云数据Pcurr与预设的背景点云数据Pbg进行差分,得到只含多个入侵目标点云数据的增集Padt,之后将该增集Padt进行点云分割,即对该增集Padt进行聚类分析,过滤掉增集Padt中的其它细小物(如草,树叶等),并分割出每个入侵目标,之后对每个入侵目标进行物体类型分析,以得到每个入侵目标的物体类型,并以每个入侵目标的物体类型为依据进行不同等级的告警。
作为一种可能的实施方式,所述将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到增集Padt,其中,根据下式进行差分运算:Padt=Pcurr-(Pcurr∩Pbg)。
具体的交集运算中,得益于硬件的校准,每一帧数据中的每一束激光方向恒定(即该帧数据通过一束激光依次扫描预设方向得到,则在数据中预存有各个预设方向(α,β),其中α表示激光的水平角度,β表示激光的垂直角度)每次扫描仅返回距离d,对比背景模型中在该方向上的距离d0,若两者差在阈值内,则认为是同一个点。需要注意的是,随d0增大,阈值也随之增大,表示为loge Ad0,其中A为给定系数。
需要注意的是,上述操作完成后,所有点仍在角度坐标系(α,β,d)下,此时需进行坐标转换,将所有点置入直角坐标系(x,y,z)。
将当前帧的点云数据Pcurr与背景点云数据Pbg进行差分后得到的增集Padt为:当前帧的扫描图像相对于背景图像的区别物体,即疑似入侵物。增集Padt中包括所有的变动物体,差分后所有的变动物体能够全部被检测到,因为所有的疑似入侵物全部包含在差分结果中,所以不会出现遗漏入侵物的情况,且后续的分析是在增集Padt的基础上进行的,监控时不会出现入侵物遗漏,因此该方法能够减少漏报率,以提高监控的准确度。
作为一种优选的实施方式,在得到增集Padt后,对增集Padt进行滤波和抽稀。
将增集Padt进行滤波后,可过滤掉一些非固定细小物,如树叶、草,电线等,这些非固定细小物发生晃动时,可通过滤波方式进行滤除,以减少后续步骤的数据处理量。另外,由于本监控方法最终目的是为了提高对入侵物的识别准确度,因此在滤波时,可酌情降低对噪点的敏感度。由于本方法是连续监测的,有前一帧的数据作为参考,对于有疑似入侵物出现过的区域可以降低对噪点的敏感度,尽可能多的保留噪点,如此,可确保在敏感区域保留更多的特征点的同时,滤去噪点。
例如,某一入侵物进入到监控范围内后,扫描得到的第一帧划定出了该入侵物的位置,则在下一帧中,降低对以该入侵物为中心一定范围内的噪点的敏感度,以求尽可能多的保留与该入侵物相关的噪点。与入侵物相关的噪点更多,则后续用来对入侵物进行分析的特征数据越多,对入侵物的分析更准确,因此本方法提高了对入侵物监控的准确性。
关于抽稀步骤,由于后续对物体的分析需要使用点云数据的特征点,因此抽稀时应尽量抽取具有代表性的点集作为特征点集合,且在抽稀时不应破坏点云数据的结构语义。在该步骤中可抽取集合密度中心点、离散中心点、边缘点得到处理后的点云数据Pcurr’,在处理后的点云数据Pcurr’的基础上进行点云分割及物体类型分析。
作为一种可能的实施方式,所述将所述当前增集Padt进行点云分割得到多个点云子集聚类之后,包括:计算得到所述每个点云子集聚类的分割结果Iobj(Amax,Amin,Psub);其中,Psub为构成分割结果的所有点,Amax表示为(xmax,ymax,zmax),分别指Psub中边缘点的x、y、z达到的最大值,Amin表示为(xmin,ymin,zmin),分别指Psub中边缘点的x、y、z达到的最小值;所述对所述每个点云子集聚类进行物体类型分析,包括:根据所述分割结果对所述每个点云子集聚类进行物体类型分析。
该步骤中采用聚类分析的方法进行点云分割,聚类分析是依据研究对象的特征,对其进行分类的方法。在该步骤中,将增集Padt中的点云数据进行聚类,得到多个点云子集聚类,每一个点云子集聚类即表示一个物体,最终分割结果为Iobj,由点集组成,可表示为(Amax,Amin,Psub)∈Iobj,可由这些坐标参数对物体的位置参数及长、宽、高参数进行计算,以得到物体的各种特征信息,进一步提高对物体的识别精度。
作为一种可能的实施方式,所述对所述每个点云子集聚类进行物体类型分析,以确定每个点云子集聚类的物体类型,包括:将所述每个点云子集聚类分别与预设的多个物体类型模型逐一进行匹配,以确定每个点云子集聚类的物体类型。
为确定每个点云子集聚类的物体类型,应预先设置多个物体类型模型,每个物体类型模型对应于一种物体类型,每一种物体类型采用该物体一定范围的长、宽、高进行描述。将每个点云子集聚类与多个物体类型模型进行匹配,若当前点云子集聚类的长、宽、高均对应落入某一物体类型模型的长、宽、高的范围内,或当前点云子集聚类的宽和高均对应落入某一物体类型模型的宽、高的范围内,则判断当前点云子集聚类的物体类型为该物体类型模型对应的物体类型。
作为一种优选的实施方式,对于物体类型,由于除人以外的物体如车和小型动物(猫、鸟等)特征相对固定,故可以根据大小区分出车和小型动物(车在2米宽,2米高左右,小型动物0.2米宽,0.15米高左右),剩余目标则预设为人。
当确定某一物体的物体类型后,即可根据其类型进行相应程度的告警处理,例如,当识别到的物体为猫时,不对其进行跟踪驱离或警报,或采用轻微程度的跟踪驱离告警措施,直到猫离开当前场景。当识别的物体为人时,对人进行高强度的跟踪驱离以及告警措施,直到人离开当前场景。
当场景内出现多个目标时,根据目标的类型设置,并根据告警优先级从高到低对目标进行处理。以一个具体的实施例进行说明,当场景中出现一人一猫时,因人的告警优先级大于猫的告警优先级,因此首先对人进行一级告警处理,对人一直进行跟踪驱离直到一级告警解除,当一级告警解除后对猫进行二级告警处理,对猫一直进行跟踪驱离直到二级告警解除,其中,一级告警的强度大于二级告警的强度。具体的,一级告警包括:声光告警、视频联动追光灯捕捉追踪,后台报警数据记录。二级报警包括:现场进行追踪,后台报警信息记录留存,声光报警不提示。二级告警状态下,可根据设置情况人工进行处理,并可以回查。
作为一种可能的实施方式,该方法还包括:将当前帧的所述每个点云子集聚类与上一帧对应的所述每个点云子集聚类进行对比,得到所述每个点云子集聚类的运动状态;根据所述每个点云子集聚类的运动状态作出相应级别的预警。
为提高物体识别的准确性,进一步的可对物体进行动态分析,将当前帧的点云子集与上一帧对应的点云子集进行对比并分析,得到该点云子集的动态参数。
作为一种优选的实施方式,获取当前帧该点云子集聚类的分割结果Iobj以及上一帧该点云子集聚类的分割结果Iobj’,并将当前帧该点云子集聚类的分割结果Iobj以及上一帧该点云子集聚类的分割结果Iobj’进行对比,以获得该点云子集聚类即该物体的运动状况。
作为一种优选的实现方式,根据每个点云子集聚类的分割结果Iobj(Amax,Amin,Psub)对物体的位置及长、宽、高等数据进行计算。以作为物体的中心点(xcen,ycen,zcen);以Amax-Amin分别作为物体的长、宽、高数据;以zmin作为物体的离地高度;以(xcen,ycen,zmin)作为物体的下底面位置。以上数据均可作为对于物体进行类型分析或动态分析的数据基础。
还可根据上述数据计算物体的移动情况,具体为,计算当前帧的物体与上一帧的该物体之间的位移差,使该位移差除以两帧的扫描时间间隔,即可得到该物体速度向量,根据该物体的速度向量可知该物体的行进速度以及行进方向,并可根据该速度向量进行相应等级的告警处理。
在对物体的运动状态进行识别后,即可通过物体的不同运动状态进行相应等级的预警。以一种具体的实施例进行说明,提前预设两个速度阈值,若当前物体的运动速度小于第一速度阈值,即开启第一等级预警;若当前物体的运动速度大于等于第一速度阈值切小于第二速度阈值,即开启第二等级预警;若当前物体的运动速度大于等于第二速度阈值,即开启第三等级预警。其中,第一速度阈值小于第二速度阈值,第一等级预警到第三等级预警警告程度逐渐增加,预警方式可以为对物体进行直射驱离,发出警报音,对物体进行追踪跟拍和提醒警卫人员中的一种或多种,直射强度增加,警报音音量和时间的增加均可用作告警强度增加的方式。
作为一种可能的实施方式,所述将当前帧的所述每个点云子集聚类与上一帧对应的所述每个点云子集聚类进行对比,得到所述每个点云子集聚类的运动状态之前,包括:计算当前帧的每个点云子集聚类与上一帧每个点云子集聚类的位移距离;取位移距离最小值与预定阈值进行比较;若所述位移距离最小值大于预定阈值,则判断所述位移距离对应的两个点云子集聚类不匹配;若所述位移距离最小值不大于预定阈值,则判断所述位移距离对应的两个点云子集聚类匹配。
关于上一帧的物体和当前帧的物体的对应关系,通过下底面位置变化的全局最小情况作为依据。即对于各个对应的匹配情况,取总位移距离最小解,若匹配结果中两物体之间距离最小值大于等于预设阈值,则认为两者无关,若总位移距离最小解小于该预设阈值,则认为上一帧的某物体与当前帧的某物体相对应。
作为一种可能的实施方式,所述对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型之后,包括:对所述每个点云子集聚类进行聚类运算,得到所述每个点云子集聚类的多个部分;计算各个部分的密度中心点;将各个部分的密度中心点使用直线进行拟合,得到所述每个点云子集聚类的结构。
在判断出当前物体的类型后还可以进一步进行聚类,以分割出该物体的各个部分,并通过各个部分的相互位置以及各个部分与地平面的位置来判断该物体的姿态。
例如,当判断该物体为人后,将该物体进行聚类,分割出四肢、躯干、头部六个部分,计算出每个部分的密度中心点,并采用直线拟合各部分的密度中心点,从而得到人体的结构,在此基础上,根据各部分间的角度关系以及躯干相对于地平面的倾斜程度,即可进一步判断人的姿态。
进一步的,可根据入侵物的不同姿态进行不同强度的告警。预先设置不同种姿态的模型,例如,目标弓背前进姿势的优先级大于目标正常行进姿势的优先级,对弓背前进的目标进行一级告警,对正常行进姿势的目标进行二级告警,其中,一级告警强度大于二级告警强度。
再进一步的,分割出人的各个部分后,识别人的各个部分是否持有装备,例如,识别手部是否持有工具。若检测到目标持有装备则开启高强度告警,并将具体定位发送到警卫人员处,通知警卫人员处理。
作为一种可能的实施方式,将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt,包括:确定当前场景的地平面点云数据;根据所述地平面点云数据进行地面拟合,滤除不高于地平面的点云数据,得到过滤后的当前增集Padt。
在周界监控的领域中,由于地面的地平面数据几乎不发生变化,因此可以滤除地平面以下的点,以减少数据处理量。给定区域的地平面点云集合表示为Mesh(x,y,z),在差分运算的同时进行地面拟合,根据Mesh(x,y,z),过滤掉地面和地面以下(倒影)的点云数据。
作为一种可能的实施方式,所述根据所述地平面点云数据进行地面拟合,滤除不高于地平面的点云数据,包括:若当前点云数据的反射距离满足:d<dg±Δdg,则滤除该点云数据;其中,dg为所述地平面点云数据在任一方向的反射距离;Δdg为预设误差允许范围。
在预设数据时,地平面点云数据通过人为设定的精度进行分段拟合,并根据该分段内的拟合偏差和y值计算误差允许范围Δdg。拟合结果和误差范围可由用户进行手动调整。
作为一种可能的实施方式,所述实时对当前场景进行扫描以得到当前帧的点云数据Pcurr之前,包括:预先对背景进行三维点云扫描得到背景点云数据Pbg;根据背景点云数据Pbg在Y轴上的断层关系,计算出遮挡边缘点集Pocc;在背景发生变化时,更新所述背景点云数据Pbg以及遮挡边缘点集Pocc。
由于某些场景中可能会存在建筑物堆叠的情况,为避免出现入侵物靠掩体行进时,监控方法出现无法准确确定入侵物的情况,本方法在对背景点云数据Pbg进行确定的同时,根据背景点云数据Pbg在Y轴上的断层关系,标注出边缘点集Pocc。如此,在入侵物紧靠掩体行进的情况下,将当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,可得到当前帧的点云数据Pcurr相对于背景点云数据Pbg以及边缘点集Pocc的差分结果,以识别出该紧靠掩体行进的入侵物,提高特殊情况下对于入侵物的识别精度。
另外,若当前场景的固定场景发生了变化,则同时对背景点云数据Pbg以及遮挡边缘点集Pocc进行更新,以得到符合当前场景的背景数据,提高监控识别准确度。
另一方面,本发明提供了一种监控装置,包括:
第一扫描单元100,用于实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;
通过激光束对当前场景进行高速扫描,利用不同物体的反射,对三位空间场景进行高精度测量,从而形成三维的点云数据Pcurr,对每一帧均进行扫描,得到每一帧的点云数据Pcurr。采用激光点云技术,可使距离定位精度小于0.05米、宽度精度小于0.1米;高度精度小于0.15米,能精确识别活动物体目标。
差分单元200,用于将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt;
在所有扫描开始之前,预先设置一个背景模型,使用背景点云数据Pbg进行描述。周界监控场景常常基于一个固定的场景,即范围内的建筑物、仪器设备等在三维数据上长时间处于不变状态,构成这些固定景物的点在计算时隶属于背景数据点云,即(x,y,z)∈Pbg。对于任意场景,首先对无动态目标下的监控范围进行一次三维点云的扫描以确立Pbg的范围。当场景内固定景物发生变动时,重新扫描即可更新Pbg。
将当前帧的点云数据Pcurr与背景点云数据Pbg进行差分,得到区别于背景点云数据Pbg的增集Padt。
分割单元300,用于将所述当前增集Padt进行点云分割得到多个点云子集聚类;
在该步骤中对增集Padt进行聚类分析,得到多个点云子集聚类,每个点云子集聚类为表示一个物体。
类型分析单元400,用于对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型。
将每个点云子集聚类进行物体类型分析,得到每个物体的具体物体类型,过滤掉不重要的物体,如草、树叶等,对人、鸟,猫或车辆等物体采用告警措施。
在上述过程中,对当前帧进行扫描得到的点云数据Pcurr与预先扫描得到的背景点云数据Pbg进行差分,得到当前帧的点云数据Pcurr区别于背景点云数据Pbg的增集Padt,该增集Padt中包括当前帧的扫描图像与背景的扫描图像相对比而得到的所有变化的物体,避免了出现遗漏物体;且分割出每个物体后将每个物体进行物体类型分析,得到每个物体的具体类型,可根据每个物体的类型进行相应等级的告警,以降低误报率。
具体实施例一,当一个目标进入监控范围内时,实时对当前场景进行扫描,得到包括当前场景的背景点云数据以及入侵目标点云数据的全部点云数据Pcurr,之后将该点云数据Pcurr与预设的背景点云数据Pbg进行差分,得到只含入侵目标点云数据的增集Padt,之后将该增集Padt进行点云分割,即对该增集Padt进行聚类分析,过滤掉增集Padt中的其它细小物(如草,树叶等),并分割出入侵目标,之后对入侵目标进行物体类型分析,以得到该入侵目标的物体类型,并以该入侵目标的物体类型为依据进行相应等级的告警。
具体实施例二,当多个目标进入监控范围内时,实时对当前场景进行扫描,得到包括当前场景的背景点云数据以及多个入侵目标点云数据的全部点云数据Pcurr,之后将该点云数据Pcurr与预设的背景点云数据Pbg进行差分,得到只含多个入侵目标点云数据的增集Padt,之后将该增集Padt进行点云分割,即对该增集Padt进行聚类分析,过滤掉增集Padt中的其它细小物(如草,树叶等),并分割出每个入侵目标,之后对每个入侵目标进行物体类型分析,以得到每个入侵目标的物体类型,并以每个入侵目标的物体类型为依据进行不同等级的告警。
作为一种可选的实施方式,所述类型分析单元400包括:匹配子单元,用于将所述每个点云子集聚类分别与预设的多个物体类型模型逐一进行匹配,以确定每个点云子集聚类的物体类型。
为确定每个点云子集聚类的物体类型,应预先设置多个物体类型模型,每个物体类型模型对应于一种物体类型,每一种物体类型采用该物体一定范围的长、宽、高进行描述。将每个点云子集聚类与多个物体类型模型进行匹配,若当前点云子集聚类的长、宽、高均对应落入某一物体类型模型的长、宽、高的范围内,或当前点云子集聚类的宽和高均对应落入某一物体类型模型的宽、高的范围内,则判断当前点云子集聚类的物体类型为该物体类型模型对应的物体类型。
作为一种优选的实施方式,对于物体类型,由于除人以外的物体如车和小型动物(猫、鸟等)特征相对固定,故可以根据大小区分出车和小型动物(车在2米宽,2米高左右,小型动物0.2米宽,0.15米高左右),剩余目标则预设为人。
当确定某一物体的物体类型后,即可根据其类型进行相应程度的告警处理,例如,当识别到的物体为猫时,不对其进行跟踪驱离或警报,或采用轻微程度的跟踪驱离告警措施,直到猫离开当前场景。当识别的物体为人时,对人进行高强度的跟踪驱离以及告警措施,直到人离开当前场景。
当场景内出现多个目标时,根据目标的类型设置,并根据告警优先级从高到低对目标进行处理。以一个具体的实施例进行说明,当场景中出现一人一猫时,因人的告警优先级大于猫的告警优先级,因此首先对人进行一级告警处理,对人一直进行跟踪驱离直到一级告警解除,当一级告警解除后对猫进行二级告警处理,对猫一直进行跟踪驱离直到二级告警解除,其中,一级告警的强度大于二级告警的强度。具体的,一级告警包括:声光告警、视频联动追光灯捕捉追踪,后台报警数据记录。二级报警包括:现场进行追踪,后台报警信息记录留存,声光报警不提示。二级告警状态下,可根据设置情况人工进行处理,并可以回查。
作为一种可选的实施方式,该装置还包括:动态分析单元,用于将当前帧的所述每个点云子集聚类与上一帧对应的所述每个点云子集聚类进行对比,得到所述每个点云子集聚类的运动状态;预警单元,用于根据所述每个点云子集聚类的运动状态作出相应级别的预警。
为提高物体识别的准确性,进一步的可对物体进行动态分析,将当前帧的点云子集与上一帧对应的点云子集进行对比并分析,得到该点云子集的动态参数。
作为一种优选的实施方式,获取当前帧该点云子集聚类的分割结果Iobj以及上一帧该点云子集聚类的分割结果Iobj’,并将当前帧该点云子集聚类的分割结果Iobj以及上一帧该点云子集聚类的分割结果Iobj’进行对比,以获得该点云子集聚类即该物体的运动状况。
作为一种优选的实现方式,根据每个点云子集聚类的分割结果Iobj(Amax,Amin,Psub)对物体的位置及长、宽、高等数据进行计算。以作为物体的中心点(xcen,ycen,zcen);以Amax-Amin分别作为物体的长、宽、高数据;以zmin作为物体的离地高度;以(xcen,ycen,zmin)作为物体的下底面位置。以上数据均可作为对于物体进行类型分析或动态分析的数据基础。
还可根据上述数据计算物体的移动情况,具体为,计算当前帧的物体与上一帧的该物体之间的位移差,使该位移差除以两帧的扫描时间间隔,即可得到该物体速度向量,根据该物体的速度向量可知该物体的行进速度以及行进方向,并可根据该速度向量进行相应等级的告警处理。
在对物体的运动状态进行识别后,即可通过物体的不同运动状态进行相应等级的预警。以一种具体的实施例进行说明,提前预设两个速度阈值,若当前物体的运动速度小于第一速度阈值,即开启第一等级预警;若当前物体的运动速度大于等于第一速度阈值切小于第二速度阈值,即开启第二等级预警;若当前物体的运动速度大于等于第二速度阈值,即开启第三等级预警。其中,第一速度阈值小于第二速度阈值,第一等级预警到第三等级预警警告程度逐渐增加,预警方式可以为对物体进行直射驱离,发出警报音,对物体进行追踪跟拍和提醒警卫人员中的一种或多种,直射强度增加,警报音音量和时间的增加均可用作告警强度增加的方式。
作为一种可选的实施方式,该装置还包括:第二扫描单元,用于预先对背景进行三维点云扫描得到背景点云数据Pbg;计算单元,用于根据背景点云数据Pbg在Y轴上的断层关系,计算出遮挡边缘点集Pocc;更新单元,用于在背景发生变化时,更新所述背景点云数据Pbg以及遮挡边缘点集Pocc。
由于某些场景中可能会存在建筑物堆叠的情况,为避免出现入侵物靠掩体行进时,监控方法出现无法准确确定入侵物的情况,本方法在对背景点云数据Pbg进行确定的同时,根据背景点云数据Pbg在Y轴上的断层关系,标注出边缘点集Pocc。如此,在入侵物紧靠掩体行进的情况下,将当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,可得到当前帧的点云数据Pcurr相对于背景点云数据Pbg以及边缘点集Pocc的差分结果,以识别出该紧靠掩体行进的入侵物,提高特殊情况下对于入侵物的识别精度。
另外,若当前场景的固定场景发生了变化,则同时对背景点云数据Pbg以及遮挡边缘点集Pocc进行更新,以得到符合当前场景的背景数据,提高监控识别准确度。
另一方面,本发明还提供了一种监控***,包括上述的监控装置。
监控***可用于对周界进行防范,若当前环境下出现入侵目标,则可以通过实时扫描与一系列的计算方式获取当前环境下的入侵目标的物体类型,并可根据该入侵目标的物体类型分级进行预警。在该过程中,先确定点云数据增集在对其进行分析的方法,减少了漏报情况,并对入侵目标进行物体类型分析,以减少误报的情况。
另一方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的监控方法。
上述存储介质中存储有上述软件,该存储介质包括但不限于:光盘、软盘、硬盘、可擦写存储器等。
上述技术方案具有如下有益效果:在点云空间的背景下对物体进行高精度测量,提高监控入侵物的精准度;采用将当前帧的点云数据Pcurr与背景点云数据Pbg进行差分的方式,获得所有变动的物体,避免出现遗漏入侵物的情况,减少漏报率,且查分后的数据量较全部场景的数据量少,减少了数据处理量;通过采用对点云数据进行分析的方法,对物体进行探测,识别,测量等,获得入侵物的具体物体类型,可根据不同入侵物的类型进行同强度的告警措施,减少了误报率,提高了对入侵物监控的准确度。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种监控方法,其特征在于,包括:
实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;
将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt;
将所述当前增集Padt进行点云分割得到多个点云子集聚类;
对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型。
2.根据权利要求1所述的监控方法,其特征在于,所述将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到增集Padt,其中,根据下式进行差分运算:
Padt=Pcurr-(Pcurr∩Pbg)。
3.根据权利要求1所述的监控方法,其特征在于,所述将所述当前增集Padt进行点云分割得到多个点云子集聚类之后,包括:
计算得到所述每个点云子集聚类的分割结果Iobj(Amax,Amin,Psub);
其中,Psub为构成分割结果的所有点,Amax表示为(xmax,ymax,zmax),分别指Psub中边缘点的x、y、z达到的最大值,Amin表示为(xmin,ymin,zmin),分别指Psub中边缘点的x、y、z达到的最小值;
所述对所述每个点云子集聚类进行物体类型分析,包括:
根据所述分割结果对所述每个点云子集聚类进行物体类型分析。
4.根据权利要求1所述的监控方法,其特征在于,所述对所述每个点云子集聚类进行物体类型分析,以确定每个点云子集聚类的物体类型,包括:
将所述每个点云子集聚类分别与预设的多个物体类型模型逐一进行匹配,以确定每个点云子集聚类的物体类型。
5.根据权利要求1所述的监控方法,其特征在于,包括:
将当前帧的所述每个点云子集聚类与上一帧对应的所述每个点云子集聚类进行对比,得到所述每个点云子集聚类的运动状态;
根据所述每个点云子集聚类的运动状态作出相应级别的预警。
6.根据权利要求5所述的监控方法,其特征在于,所述将当前帧的所述每个点云子集聚类与上一帧对应的所述每个点云子集聚类进行对比,得到所述每个点云子集聚类的运动状态之前,包括:
计算当前帧的每个点云子集聚类与上一帧每个点云子集聚类的位移距离;
取位移距离最小值与预定阈值进行比较;
若所述位移距离最小值大于预定阈值,则判断所述位移距离对应的两个点云子集聚类不匹配;
若所述位移距离最小值不大于预定阈值,则判断所述位移距离对应的两个点云子集聚类匹配。
7.根据权利要求1所述的监控方法,其特征在于,所述对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型之后,包括:
对所述每个点云子集聚类进行聚类运算,得到所述每个点云子集聚类的多个部分;
计算各个部分的密度中心点;
将各个部分的密度中心点使用直线进行拟合,得到所述每个点云子集聚类的结构。
8.根据权利要求1所述的监控方法,其特征在于,将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt,包括:
确定当前场景的地平面点云数据;
根据所述地平面点云数据进行地面拟合,滤除不高于地平面的点云数据,得到过滤后的当前增集Padt。
9.根据权利要求8所述的监控方法,其特征在于,所述根据所述地平面点云数据进行地面拟合,滤除不高于地平面的点云数据,包括:
若当前点云数据的反射距离满足:d<dg±Δdg,则滤除该点云数据;
其中,dg为所述地平面点云数据在任一方向的反射距离;Δdg为预设误差允许范围。
10.根据权利要求1所述的监控方法,其特征在于,所述实时对当前场景进行扫描以得到当前帧的点云数据Pcurr之前,包括:
预先对背景进行三维点云扫描得到背景点云数据Pbg;
根据背景点云数据Pbg在Y轴上的断层关系,计算出遮挡边缘点集Pocc;
在背景发生变化时,更新所述背景点云数据Pbg以及遮挡边缘点集Pocc。
11.一种监控装置,其特征在于,包括:
第一扫描单元,用于实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;
差分单元,用于将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前增集Padt;
分割单元,用于将所述当前增集Padt进行点云分割得到多个点云子集聚类;
类型分析单元,用于对所述每个点云子集聚类进行物体类型分析,以确定所述每个点云子集聚类的物体类型。
12.根据权利要求11所述的监控装置,其特征在于,所述类型分析单元包括:
匹配子单元,用于将所述每个点云子集聚类分别与预设的多个物体类型模型逐一进行匹配,以确定每个点云子集聚类的物体类型。
13.根据权利要求11所述的监控装置,其特征在于,包括:
动态分析单元,用于将当前帧的所述每个点云子集聚类与上一帧对应的所述每个点云子集聚类进行对比,得到所述每个点云子集聚类的运动状态;
预警单元,用于根据所述每个点云子集聚类的运动状态作出相应级别的预警。
14.根据权利要求11所述的监控装置,其特征在于,包括:
第二扫描单元,用于预先对背景进行三维点云扫描得到背景点云数据Pbg;
计算单元,用于根据背景点云数据Pbg在Y轴上的断层关系,计算出遮挡边缘点集Pocc;
更新单元,用于在背景发生变化时,更新所述背景点云数据Pbg以及遮挡边缘点集Pocc。
15.一种监控***,其特征在于,包括权利要求11-14任一项所述的监控装置。
16.一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,所述程序被处理器执行时实现如权利要求1至10中任一项所述的监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320174.6A CN112949566B (zh) | 2021-03-25 | 2021-03-25 | 一种监控方法、装置、***及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320174.6A CN112949566B (zh) | 2021-03-25 | 2021-03-25 | 一种监控方法、装置、***及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949566A true CN112949566A (zh) | 2021-06-11 |
CN112949566B CN112949566B (zh) | 2022-02-15 |
Family
ID=76228444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110320174.6A Active CN112949566B (zh) | 2021-03-25 | 2021-03-25 | 一种监控方法、装置、***及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949566B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505667A (zh) * | 2021-06-29 | 2021-10-15 | 浙江华是科技股份有限公司 | 一种变电站监控方法、装置、***及计算机存储介质 |
CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及*** |
CN115272425A (zh) * | 2022-08-29 | 2022-11-01 | 中铁云网信息科技有限公司 | 一种基于三维点云的铁路工地区域入侵检测方法及*** |
CN117576325A (zh) * | 2024-01-16 | 2024-02-20 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 点云数据处理方法和装置以及点云数据管理***和方法 |
CN117894015A (zh) * | 2024-03-15 | 2024-04-16 | 浙江华是科技股份有限公司 | 点云标注数据优选方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096555A (zh) * | 2016-06-15 | 2016-11-09 | 湖南拓视觉信息技术有限公司 | 三维面部检测的方法和装置 |
CN108961254A (zh) * | 2018-06-26 | 2018-12-07 | 天津城建大学 | 一种激光视觉融合下矫正运动检测方法 |
CN110889350A (zh) * | 2019-11-18 | 2020-03-17 | 四川西南交大铁路发展股份有限公司 | 一种基于三维成像的线路障碍物监测报警***及方法 |
CN111260683A (zh) * | 2020-01-09 | 2020-06-09 | 合肥工业大学 | 一种三维点云数据的目标检测与跟踪方法及其装置 |
-
2021
- 2021-03-25 CN CN202110320174.6A patent/CN112949566B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096555A (zh) * | 2016-06-15 | 2016-11-09 | 湖南拓视觉信息技术有限公司 | 三维面部检测的方法和装置 |
CN108961254A (zh) * | 2018-06-26 | 2018-12-07 | 天津城建大学 | 一种激光视觉融合下矫正运动检测方法 |
CN110889350A (zh) * | 2019-11-18 | 2020-03-17 | 四川西南交大铁路发展股份有限公司 | 一种基于三维成像的线路障碍物监测报警***及方法 |
CN111260683A (zh) * | 2020-01-09 | 2020-06-09 | 合肥工业大学 | 一种三维点云数据的目标检测与跟踪方法及其装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505667A (zh) * | 2021-06-29 | 2021-10-15 | 浙江华是科技股份有限公司 | 一种变电站监控方法、装置、***及计算机存储介质 |
CN113505667B (zh) * | 2021-06-29 | 2023-11-17 | 浙江华是科技股份有限公司 | 一种变电站监控方法、装置、***及计算机存储介质 |
CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及*** |
CN114879160B (zh) * | 2022-07-12 | 2022-10-14 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及*** |
CN115272425A (zh) * | 2022-08-29 | 2022-11-01 | 中铁云网信息科技有限公司 | 一种基于三维点云的铁路工地区域入侵检测方法及*** |
CN115272425B (zh) * | 2022-08-29 | 2023-08-15 | 中铁云网信息科技有限公司 | 一种基于三维点云的铁路工地区域入侵检测方法及*** |
CN117576325A (zh) * | 2024-01-16 | 2024-02-20 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 点云数据处理方法和装置以及点云数据管理***和方法 |
CN117894015A (zh) * | 2024-03-15 | 2024-04-16 | 浙江华是科技股份有限公司 | 点云标注数据优选方法及*** |
CN117894015B (zh) * | 2024-03-15 | 2024-05-24 | 浙江华是科技股份有限公司 | 点云标注数据优选方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112949566B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949566B (zh) | 一种监控方法、装置、***及计算机存储介质 | |
CN110764108B (zh) | 一种用于港口自动驾驶场景的障碍物检测方法及装置 | |
CN111753609B (zh) | 一种目标识别的方法、装置及摄像机 | |
CN109686031B (zh) | 基于安防的识别跟随方法 | |
AU2017359142B2 (en) | Systems and methods for detecting flying animals | |
CN109993192B (zh) | 目标对象识别方法及装置、电子设备、存储介质 | |
CN110865393A (zh) | 基于激光雷达的定位方法及***、存储介质和处理器 | |
CN112698301B (zh) | 基于距离强度关联的激光雷达目标识别方法、装置及设备 | |
CN110794406A (zh) | 多源传感器数据融合***和方法 | |
CN111913177A (zh) | 对目标物探测方法、装置以及存储介质 | |
CN111724558A (zh) | 一种监控方法、装置及入侵报警*** | |
CN115272425B (zh) | 一种基于三维点云的铁路工地区域入侵检测方法及*** | |
Elseberg et al. | Full wave analysis in 3D laser scans for vegetation detection in urban environments | |
CN117115784A (zh) | 目标数据融合的车辆检测方法及检测装置 | |
CN112991234B (zh) | 一种监控数据处理方法及装置 | |
US11668799B2 (en) | Histogram based L-shape detection of target objects | |
CN117115752A (zh) | 一种高速公路视频监控方法及*** | |
CN116935551A (zh) | 周界入侵检测方法、***、设备及存储介质 | |
KR102616571B1 (ko) | 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템 | |
CN114821978B (zh) | 一种误报警的消除方法、装置以及介质 | |
CN116206286A (zh) | 高速路况下的障碍物检测方法、装置、设备和介质 | |
CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 | |
KR20240111448A (ko) | 객체 검출장치 및 객체 검출방법 | |
CN116580380A (zh) | 针对目标物体的识别***、识别方法、车辆和存储介质 | |
CN115700397A (zh) | 雷达传感器的融合方法、装置、计算设备和存储介质 |
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 |