CN113014870A - 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法 - Google Patents
一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法 Download PDFInfo
- Publication number
- CN113014870A CN113014870A CN202110192793.1A CN202110192793A CN113014870A CN 113014870 A CN113014870 A CN 113014870A CN 202110192793 A CN202110192793 A CN 202110192793A CN 113014870 A CN113014870 A CN 113014870A
- Authority
- CN
- China
- Prior art keywords
- gate
- passenger
- ticket
- subway
- evasion
- 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
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
-
- 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
- G08B13/19639—Details of the system layout
- G08B13/19645—Multiple cameras, each having view on one of a plurality of scenes, e.g. multiple cameras for multi-room surveillance or for tracking an object by view hand-over
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明涉及一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法,包括以下步骤:1)地铁闸机视频监控信息采集;2)地铁乘客骨骼关键点检测;3)闸机通行乘客逃票行为识别。与现有技术相比,本发明在不需要增设硬件设备的前提下,通过设计乘客姿态快速估计的地铁闸机通行逃票识别方法,既能够降低乘客身高和体重等因素对逃票识别精度的影响,又能对单个乘客和乘客群体翻越、下钻和尾随等多种通行逃票行为进行快速识别,有助于实现闸机通行异常智能报警及无人值守自动运行的闸机通道管理。
Description
技术领域
本发明属于地铁智慧车站运营管理技术领域,涉及视频监控数据在地铁车站中的应用,尤其是涉及一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法。
背景技术
随着我国上海、北京等城市的轨道交通网络化运营程度的加深,闸机是乘客进入付费区的重要关口,承受着强大的劳动负荷并与乘客的出行安全和效率息息相关,闸机逃票行为不仅破坏公共秩序,还会产生巨大的安全隐患,实际运营场景中存在复杂多样的闸机通行逃票事件且逃票行为通常在很短的时间内发生,因此,如何提高闸机通行逃票行为的智能识别精度和速度对保障地铁运营安全和效率,特别是保证高峰时段大客流运营效率具有重要意义。
现有方法仅能针对单一的乘客通行逃票行为进行检测,鲜有考虑单个乘客和乘客群体翻越、下钻和尾随等多种逃票行为,与复杂多变的应用实际场景仍存在一定差距,此外,中国专利CN201620292646.6通过在闸机通道地面上安装薄型检测装置,并采用称重原理来判断乘客是否有逃票行为,但检测精度容易受到乘客体重的影响;而中国专利CN201510144081.7基于图像信息判定人体是否发生逃票行为,但依旧无法识别出复杂多变的乘客逃票行为,目前对闸机通行逃票的识别主要依靠于现场观察,需要投入大量的工作人员,增加了地铁车站的运营成本,且存在一定的逃票漏检率,无法满足智慧地铁无人车站的发展要求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法,该方法在降低乘客身高和体重等因素对逃票识别精度影响的同时,能够对单个乘客和乘客群体翻越、下钻和尾随等多种通行逃票行为进行快速识别和智能报警,有助于有效提高地铁车站服务效率和智慧化水平。
本发明的目的可以通过以下技术方案来实现:
一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法,包括以下步骤:
1)地铁闸机视频监控信息采集;
2)地铁乘客骨骼关键点检测;
3)闸机通行乘客逃票行为识别。
所述的步骤1)具体包括以下步骤:
11)根据布设在车站闸机控制区域周围的视频监控设备,获取闸机周围区域内的视频图像数据;
12)将视频图像数据上传,采用数据预处理技术进行视频数据实时清洗;
13)采用空间卷积神经网络实现清洗后视频图像中闸机控制区域的分割,将乘客通道根据闸机数量划分为多个无重叠的闸机子区域。
所述的步骤2)具体包括以下步骤:
21)采用乘客姿态估计模型HRNet将视频图像中不同分辨率的特征映射并行;
22)检测得到视频图像中各无重叠的闸机子区域内每位乘客的骨骼关键点的坐标信息;
23)连接每位乘客身体骨骼关键点与关节坐标点,得到对应乘客的骨架信息;
24)根据各闸机子区域内乘客的骨架信息,采用多目标追踪算法对视频图像中乘客进行追踪。
所述的步骤22)中,骨骼关键点包括胸部、双胯部、两膝关节和两踝关节。
所述的步骤3)中,闸机通行乘客逃票行为包括翻越逃票、下钻闸机逃票和尾随逃票三类,将乘客闸机通行的三类逃票行为的识别方法作为先验知识嵌入长短期记忆网络模型中进行训练学习,实现闸机通行逃票事件自动学习。
对于翻越逃票行为,具体的识别过程如下:
其中,L为翻越闸机高度阈值,其设置为闸机的高度,t为时刻且t∈T,T为时间集合,i为闸机子区域编号且i∈I,I为闸机子区域总数,j为各区域内检测到的乘客编号且j∈J,J为视频图像中检测出的乘客总数。
对于下钻闸机逃票行为,具体的识别过程如下:
其中,β为下钻闸机高度阈值,且β的值设置为闸机高度的一半。
对于尾随逃票行为,具体的识别过程如下:
其中,j和k分别为乘客编号,D为乘客尾随逃票阈值,其设置为地铁车站楼梯台阶的宽度;
该方法还包括以下步骤:
4)地铁闸机通行逻辑控制设计,具体为:
根据地铁乘客闸机通行逃票行为识别结果,通过闸机执行机构逻辑判断,实现闸机的自动开闭控制,当识别出某个闸机子区域内存在乘客逃票行为时,对应的闸机立即启动自动关闭模式,待乘客付费后再放行;
5)地铁闸机通行异常智能报警,具体为:
实时显示闸机的运行状态和各个闸机通道内乘客的通行状态,并且在识别出乘客的逃票行为时,将逃票事件信息在地铁智能监控***可视化界面上进行实时显示,同时发出声光等报警信息,所述的报警信息包括逃票事件发生的时间、闸机区域编号、逃票事件类型以及乘客逃票过程的视频记录信息。
一种基于乘客姿态快速估计的地铁闸机通行逃票识别***,该***包括:
地铁闸机视频监控信息采集模块:用以通过布设在车站闸机控制区域周围的视频监控设备,实时获取闸机周围区域内的视频数据;
地铁乘客骨骼关键点检测模块:用以获取每位乘客的骨架信息;
闸机通行乘客逃票行为识别模块:用以根据骨架信息识别出翻越逃票、下钻闸机逃票和尾随逃票三类逃票行为;
地铁闸机通行逻辑控制设计模块:用以根据逃票行为识别结果实现闸机的自动开闭控制;
地铁闸机通行异常智能报警模块:用以根据逃票行为识别结果进行实时显示和报警;
中央处理单元和中央控制器:用以完成乘客的检票和放行以及基于视频监控的地铁车站闸机通行逃票智能报警任务。
与现有技术相比,本发明具有以下优点:
一、本发明提出的乘客闸机通行逃票行为识别准则能够对单个乘客和乘客群体翻越、下钻和尾随多种逃票行为进行快速精确识别,与地铁实际运营场景更加贴近,能够更加有效地满足智慧车站的运营管理要求。
二、本发明的乘客姿态快速估计的地铁闸机通行逃票识别方法,基于地铁视频监控数据,在不需要增设硬件设备的前提下,能够降低乘客身高和体重等因素对逃票识别精度的影响,同时具有闸机通行逃票事件自动学习能力。
三、本发明所涉及的方法有助于推动无人值守自动运行的闸机通道管理及运营异常智能检测报警的实现,此外,该方法具有较高的普适性,能够迁移运用于高铁站、景区和公司等多种公共场景中。
附图说明
图1为本发明的***结构原理图。
图2为本发明实施例的步骤示意图。
图3为乘客翻越闸机逃票识别示意图。
图4为乘客下钻闸机逃票识别示意图。
图5为乘客尾随逃票识别示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
为了实现闸机通行逃票行为的高效识别,本发明克服了现有技术需要增设检测设备、识别效率不高或识别逃票行为不全面等不足,提出了一种乘客姿态快速估计的地铁闸机通行逃票识别***及方法。本发明在降低乘客身高和体重等因素对逃票识别精度影响的同时,能够对单个乘客和乘客群体翻越、下钻和尾随等多种通行逃票行为进行快速识别和智能报警。如图1所示,该***由地铁闸机视频监控信息采集、地铁乘客骨骼关键点检测、闸机通行乘客逃票行为识别、地铁闸机通行逻辑控制设计和地铁闸机通行异常智能报警五个功能模块组成。此外,需要将闸机通行乘客逃票行为识别、地铁闸机通行逻辑控制设计两个模块通过RS485连接到中央控制器和中央处理单元,共同完成乘客的检票和放行任务。另一方面,中央处理单元再与地铁闸机视频监控信息采集模块、闸机通行乘客逃票行为识别和地铁闸机通行异常智能报警,完成基于视频监控的地铁车站闸机通行逃票智能报警任务。
各功能模块对应的步骤如下:
S1、地铁闸机视频监控信息采集:基于地铁车站视频监控的乘客数据实时采集模块,通过布设在车站闸机控制区域周围的视频监控设备,实时获取闸机周围区域内的视频数据;然后,将视频数据上传至后台的服务器,采用数据预处理技术进行视频数据实时清洗,利用计算机视频处理技术对视频数据进行预处理,能够准确识别乘客的通行行为特征,具有实时高效和维护性强的优点;最后,引入空间卷积神经网络算法实现清洗后视频图像中闸机控制区域的分割,将乘客通道根据闸机数量划分为多个无重叠的闸机子区域。
S2、地铁乘客骨骼关键点检测:基于乘客姿态估计模型HRNet将视频图像中不同分辨率的特征映射并行起来进行计算;然后,测出视频图像中各无重叠区域内每位乘客的胸部、双胯部、两膝关节和两踝关节等骨骼关键点的坐标信息;最后,连接每位乘客身体骨骼关键点与关节坐标点,获取乘客的骨架信息;依据各个闸机子区域内乘客的骨架信息,采用多目标追踪算法对视频中乘客进行追踪。
S3、闸机通行乘客逃票行为识别:依次设计单个乘客和乘客群体翻越、下钻和尾随等乘客闸机通行逃票行为识别准则和阈值,然后,将乘客闸机通行逃票行为识别准则作为先验知识嵌入长短期记忆网络模型中进行训练学习,实现闸机通行逃票事件自动学习。
式(1)中,L为翻越闸机高度阈值,考虑到乘客身高差异对翻越逃票行为识别存在一定的影响,本发明将其设为闸机的高度,t表示时刻且t∈T,T为时间集合,i代表闸机子区域编号且i∈I,I是闸机子区域总数,j为各区域内检测到的乘客编号且j∈J,J表示视频图像中检测出的乘客总数;
式(2)中,β表示下钻闸机高度阈值,为了尽量降低乘客身高差异对下钻闸机逃票行为的误判率,本发明设置β的值为L/2;
式(3)中,j和k分别代表乘客编号,D表示乘客尾随逃票阈值,为了避免由于拥挤造成尾随逃票误判,本发明设定相邻两帧图像中相同两位乘客躯干水平距离均小于阈值的情况下D,才判定发生尾随逃票异常,为了降低乘客体型对逃票行为识别精度的影响,本发明令D的值为地铁车站楼梯台阶的宽度;
S4、地铁闸机通行逻辑控制设计:基于地铁乘客闸机通行逃票行为识别结果,通过闸机执行机构逻辑判断,实现闸机的自动开闭控制;当识别出某个闸机子区域内存在乘客逃票行为时,对应闸机立即启动自动关闭模式,待乘客付费后再放行。
S5、地铁闸机通行异常智能报警:采用地铁车站闸机通行异常智能报警模块实时显示闸机的运行状态和各个闸机通道内乘客的通行状态,并且在识别出乘客的逃票行为时,将逃票事件信息在地铁智能监控***可视化界面上进行实时显示,同时发出声光等报警信息;具体地,报警信息包括逃票事件发生的时间、闸机区域编号、逃票事件类型及乘客逃票过程的视频记录等信息。
如图2所示,闸机周围布设的摄像头能够实时采集闸机通道中乘客的动态视频信息,采用数据预处理技术进行视频数据实时清洗,引入空间卷积神经网络算法进行闸机控制区域分割,获得多个无重叠的闸机子区域。然后,基于乘客姿态估计模型HRNet并行计算测出视频图像中各闸机子区域内每位乘客的胸部、双胯部、两膝关节和两踝关节等骨骼关键点坐标信息,通过连接每位乘客身体骨骼关键点与关节坐标点,获取乘客的骨架信息,并采用多目标追踪算法实现视频中乘客的追踪。接着,通过闸机通行逃票行为识别准则和阈值快速判定,如果未检测出乘客有翻越(图3)、下钻(图4)和尾随(图5)等逃票行为,则可以顺利通过闸机。如果检测出其中某一种逃票行为则自动触发地铁车站闸机通行异常智能报警模块,立即启动关闭模式,待乘客完成刷卡后再放行。同时将乘客逃票事件发生的时间、闸机区域编号、逃票事件类型及乘客逃票过程的视频记录等信息在地铁智能监控***可视化界面上进行实时显示,提醒工作人员及时采取处置措施。
综上,本发明在不需要增设硬件设备的前提下,通过设计乘客姿态快速估计的地铁闸机通行逃票识别方法,既能够降低乘客身高和体重等因素对逃票识别精度的影响,又能对单个乘客和乘客群体翻越、下钻和尾随等多种通行逃票行为进行快速识别。因此,本发明基于地铁车站视频监控数据特征和逃票行为识别准则设计,能精准识别出复杂多变的闸机通行逃票事件,实现闸机通行异常智能报警及无人值守自动运行的闸机通道管理,可见,本发明设计的方法对于提高车站智慧化管理水平具有重要意义。
Claims (10)
1.一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法,其特征在于,包括以下步骤:
1)地铁闸机视频监控信息采集;
2)地铁乘客骨骼关键点检测;
3)闸机通行乘客逃票行为识别。
2.根据权利要求1所述的一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法,其特征在于,所述的步骤1)具体包括以下步骤:
11)根据布设在车站闸机控制区域周围的视频监控设备,获取闸机周围区域内的视频图像数据;
12)将视频图像数据上传,采用数据预处理技术进行视频数据实时清洗;
13)采用空间卷积神经网络实现清洗后视频图像中闸机控制区域的分割,将乘客通道根据闸机数量划分为多个无重叠的闸机子区域。
3.根据权利要求1所述的一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法,其特征在于,所述的步骤2)具体包括以下步骤:
21)采用乘客姿态估计模型HRNet将视频图像中不同分辨率的特征映射并行;
22)检测得到视频图像中各无重叠的闸机子区域内每位乘客的骨骼关键点的坐标信息;
23)连接每位乘客身体骨骼关键点与关节坐标点,得到对应乘客的骨架信息;
24)根据各闸机子区域内乘客的骨架信息,采用多目标追踪算法对视频图像中乘客进行追踪。
4.根据权利要求3所述的一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法,其特征在于,所述的步骤22)中,骨骼关键点包括胸部、双胯部、两膝关节和两踝关节。
5.根据权利要求1所述的一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法,其特征在于,所述的步骤3)中,闸机通行乘客逃票行为包括翻越逃票、下钻闸机逃票和尾随逃票三类,将乘客闸机通行的三类逃票行为的识别方法作为先验知识嵌入长短期记忆网络模型中进行训练学习,实现闸机通行逃票事件自动学习。
9.根据权利要求1所述的一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法,其特征在于,该方法还包括以下步骤:
4)地铁闸机通行逻辑控制设计,具体为:
根据地铁乘客闸机通行逃票行为识别结果,通过闸机执行机构逻辑判断,实现闸机的自动开闭控制,当识别出某个闸机子区域内存在乘客逃票行为时,对应的闸机立即启动自动关闭模式,待乘客付费后再放行;
5)地铁闸机通行异常智能报警,具体为:
实时显示闸机的运行状态和各个闸机通道内乘客的通行状态,并且在识别出乘客的逃票行为时,将逃票事件信息在地铁智能监控***可视化界面上进行实时显示,同时发出声光等报警信息,所述的报警信息包括逃票事件发生的时间、闸机区域编号、逃票事件类型以及乘客逃票过程的视频记录信息。
10.一种实现如权利要求1-9任一项所述的基于乘客姿态快速估计的地铁闸机通行逃票识别方法的识别***,其特征在于,该***包括:
地铁闸机视频监控信息采集模块:用以通过布设在车站闸机控制区域周围的视频监控设备,实时获取闸机周围区域内的视频数据;
地铁乘客骨骼关键点检测模块:用以获取每位乘客的骨架信息;
闸机通行乘客逃票行为识别模块:用以根据骨架信息识别出翻越逃票、下钻闸机逃票和尾随逃票三类逃票行为;
地铁闸机通行逻辑控制设计模块:用以根据逃票行为识别结果实现闸机的自动开闭控制;
地铁闸机通行异常智能报警模块:用以根据逃票行为识别结果进行实时显示和报警;
中央处理单元和中央控制器:用以完成乘客的检票和放行以及基于视频监控的地铁车站闸机通行逃票智能报警任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192793.1A CN113014870B (zh) | 2021-02-20 | 2021-02-20 | 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192793.1A CN113014870B (zh) | 2021-02-20 | 2021-02-20 | 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113014870A true CN113014870A (zh) | 2021-06-22 |
CN113014870B CN113014870B (zh) | 2022-09-20 |
Family
ID=76404262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110192793.1A Active CN113014870B (zh) | 2021-02-20 | 2021-02-20 | 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113014870B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159009A (zh) * | 2021-06-25 | 2021-07-23 | 华东交通大学 | 一种车站预防逃票的智能监控识别方法及*** |
CN113611025A (zh) * | 2021-07-14 | 2021-11-05 | 北京声迅电子股份有限公司 | 一种新型轨道交通快速检人***及方法 |
CN114549867A (zh) * | 2022-02-16 | 2022-05-27 | 深圳市赛为智能股份有限公司 | 闸机逃票检测方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2571264A1 (en) * | 2011-09-13 | 2013-03-20 | Siemens Schweiz AG | Method of surveillance for security in public transport |
CN106709461A (zh) * | 2016-12-28 | 2017-05-24 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法及装置 |
CN107025418A (zh) * | 2016-01-29 | 2017-08-08 | 广州地铁集团有限公司 | 基于图像处理的防逃票检测方法、检测***及其*** |
CN109657581A (zh) * | 2018-12-07 | 2019-04-19 | 南京高美吉交通科技有限公司 | 基于双目相机行为检测的城市轨道交通闸机通行控制方法 |
CN109739144A (zh) * | 2019-01-21 | 2019-05-10 | 常州方可为机械科技有限公司 | 用于闸机的智能驱动装置 |
CN109784316A (zh) * | 2019-02-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 一种追溯地铁闸机逃票的方法、装置及存储介质 |
CN111064925A (zh) * | 2019-12-04 | 2020-04-24 | 常州工业职业技术学院 | 地铁乘客逃票行为检测方法和*** |
CN111144260A (zh) * | 2019-12-19 | 2020-05-12 | 北京文安智能技术股份有限公司 | 一种翻越闸机的检测方法、装置及*** |
-
2021
- 2021-02-20 CN CN202110192793.1A patent/CN113014870B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2571264A1 (en) * | 2011-09-13 | 2013-03-20 | Siemens Schweiz AG | Method of surveillance for security in public transport |
CN107025418A (zh) * | 2016-01-29 | 2017-08-08 | 广州地铁集团有限公司 | 基于图像处理的防逃票检测方法、检测***及其*** |
CN106709461A (zh) * | 2016-12-28 | 2017-05-24 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法及装置 |
CN109657581A (zh) * | 2018-12-07 | 2019-04-19 | 南京高美吉交通科技有限公司 | 基于双目相机行为检测的城市轨道交通闸机通行控制方法 |
CN109739144A (zh) * | 2019-01-21 | 2019-05-10 | 常州方可为机械科技有限公司 | 用于闸机的智能驱动装置 |
CN109784316A (zh) * | 2019-02-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 一种追溯地铁闸机逃票的方法、装置及存储介质 |
CN111064925A (zh) * | 2019-12-04 | 2020-04-24 | 常州工业职业技术学院 | 地铁乘客逃票行为检测方法和*** |
CN111144260A (zh) * | 2019-12-19 | 2020-05-12 | 北京文安智能技术股份有限公司 | 一种翻越闸机的检测方法、装置及*** |
Non-Patent Citations (1)
Title |
---|
江志彬等: "地铁智慧车站的内涵和实践途径", 《城市轨道交通研究》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159009A (zh) * | 2021-06-25 | 2021-07-23 | 华东交通大学 | 一种车站预防逃票的智能监控识别方法及*** |
CN113611025A (zh) * | 2021-07-14 | 2021-11-05 | 北京声迅电子股份有限公司 | 一种新型轨道交通快速检人***及方法 |
CN114549867A (zh) * | 2022-02-16 | 2022-05-27 | 深圳市赛为智能股份有限公司 | 闸机逃票检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113014870B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113014870B (zh) | 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法 | |
CN108216252B (zh) | 一种地铁司机车载驾驶行为分析方法、车载终端及*** | |
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN101577812B (zh) | 一种岗位监测的方法和*** | |
CN106980829B (zh) | 基于视频分析的打架斗殴异常行为自动检测方法 | |
CN105303191A (zh) | 一种前视监视场景下的行人计数方法和装置 | |
CN108491758A (zh) | 一种轨道检测方法及机器人 | |
CN108055501A (zh) | 一种目标检测及跟踪的视频监控***及方法 | |
CN109887281A (zh) | 一种监控交通事件的方法及*** | |
CN101456501B (zh) | 一种控制电梯按钮的方法及装置 | |
CN107886055A (zh) | 一种用于车辆运动方向判定的逆行检测方法 | |
CN103310444B (zh) | 一种基于头顶摄像头的监控行人计数的方法 | |
CN105139425A (zh) | 一种人数统计方法及装置 | |
CN107948465A (zh) | 一种检测摄像头被干扰的方法和装置 | |
CN108764167A (zh) | 一种时空关联的目标重识别方法和*** | |
Liu et al. | An efficient method for high-speed railway dropper fault detection based on depthwise separable convolution | |
CN104318578A (zh) | 一种视频图像分析方法及*** | |
CN107452015A (zh) | 一种具有重检测机制的目标跟踪*** | |
CN106981150A (zh) | 一种超市智能防盗***及方法 | |
CN110569843A (zh) | 一种矿井目标智能检测与识别方法 | |
CN111460924A (zh) | 一种基于目标检测的闸机通过逃票行为检测方法 | |
CN115841651B (zh) | 基于计算机视觉与深度学习的施工人员智能监测*** | |
CN104159088A (zh) | 一种远程智能车辆监控***及方法 | |
CN114494998B (zh) | 一种车辆数据智能分析方法及*** | |
CN111062238A (zh) | 基于人体骨架信息及多目标跟踪的扶梯流量监测方法及*** |
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 |