CN114596657A - 一种基于深度数据的闸机通行*** - Google Patents

一种基于深度数据的闸机通行*** Download PDF

Info

Publication number
CN114596657A
CN114596657A CN202210125630.6A CN202210125630A CN114596657A CN 114596657 A CN114596657 A CN 114596657A CN 202210125630 A CN202210125630 A CN 202210125630A CN 114596657 A CN114596657 A CN 114596657A
Authority
CN
China
Prior art keywords
distance
height
data
depth
pedestrian
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
Application number
CN202210125630.6A
Other languages
English (en)
Other versions
CN114596657B (zh
Inventor
林春雨
王会心
王昱婷
贺桢
聂浪
赵耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210125630.6A priority Critical patent/CN114596657B/zh
Publication of CN114596657A publication Critical patent/CN114596657A/zh
Application granted granted Critical
Publication of CN114596657B publication Critical patent/CN114596657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Dentistry (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度数据的闸机通行***，包括：数据采集模块、数据对齐模块、行人定位模块、身高检测模块、距离检测模块、数据储存模块；其中，数据采集模块用于数据深度采集，数据对齐模块是将RGB颜色图和深度数据的对齐，行人定位模块将深度相机采集到的彩色照片通过YOLOv3目标检测算法进行识别，框出行人并保存框的位置信息；身高检测模块用于采集行人的身高数据；距离检测模块用于计算行人间的距离；数据储存模块将所有采集和检测数据直接存储到数据库***中，进行留存和后期取证使用。利用本***可以计算身高以区分成人与儿童，同时测量前后行人间距，识别连续通行者，实现更为智能化的闸机通行检测。

Description

一种基于深度数据的闸机通行***
技术领域
本发明涉及城市轨道交通技术领域，特别涉及一种基于深度数据的闸机通行***。
背景技术
随着我国经济的发展，人口数量逐渐增多，乘坐地铁和高铁是大部分人出行的首要选择，其中地铁的人流密度大，在上下班高峰期，人流量更是达到了最高值，给地铁的管理造成较大的负担。
闸机***是控制行人行进速度的重要设施，当人流密度较大时，闸机易出现识别精准度降低、无法识别连续通行者等问题，从而造成跟票逃票问题难以控制。同时由于无法区分人群中的成人与随行儿童，在人流量较大的情况下，将给儿童群体带来安全隐患。
基于以上问题，国内开展了利用计算机视觉或者传感器等技术进行智能化检测，提高检票的效率和精准度，有效地缓解了交通压力。有些学者研究出了人工智能双目闸机、人脸识别闸机等方案，进一步升级闸机***。
其中，运用传感器进行检测的误差在10％-15％，精度较低，并且应用场景较少，无法检测行人携带的背包等大件物品。
而采用的人工智能双目技术，是将双目传感器放置在闸机正上方，经过深度图像计算和识别，实现视野内多个目标的判断。该技术相比于光电传感器，大大提升了检测精度，但由于垂直采集信息，视野范围较小。
以上这些***在检测精度、视野范围上有待进一步优化。
发明内容
本发明的目的在于提供一种基于深度数据的闸机通行***，以解决上述背景讨论中技术存在的问题。
本发明的技术方案是：
一种基于深度数据的闸机通行***，包括：数据采集模块、数据对齐模块、行人定位模块、身高检测模块、距离检测模块、数据储存模块；其中，数据采集模块通过深度相机进行数据深度采集，深度相机为微软Kinect，深度相机为RGB和深度同时进行采集的设备，深度相机放置在距离地面的高度2.3米，深度相机的摄像头以与水平线成45度左右的俯仰角向下拍摄；数据对齐模块是RGB颜色图和深度数据的对齐，可以通过棋盘格标定的方法实现；行人定位模块将深度相机采集到的彩色照片通过YOLOv3目标检测算法进行识别，框出行人并保存框的位置信息，便于后续计算使用；身高检测模块用于采集行人的身高数据；距离检测模块用于计算行人间的距离；数据储存模块将所有采集和检测数据直接存储到数据库***中，进行留存和后期取证使用。
优选地，身高检测模块的具体工作过程为：步骤一，导入深度信息以及框的位置信息，将深度信息剪裁，只保留框内的深度信息，从而更集中地对行人所在区域进行处理，排除行人外的环境的干扰；步骤二，建立数学模型，计算行人身高：深度相机到行人头顶的最小距离MinDepth，深度相机与行人头顶延深至地面点之间的距离MaxDepth，深度相机距离地面的垂直高度距离KinectHeight，根据公式
Figure BDA0003500228510000021
计算出行人的身高Height；步骤三，根据不同场景下采集到的行人图片，多次通过上述过程计算得出的行人身高，并取平均值，然后计算出特定行人的实际身高Personheight。
优选地，距离检测模块测算行人之间的距离的具体过程为：步骤一，计算深度相机的俯仰角α：α＝arctan(Dmin/KinectHeight)和深度相机的垂直视角θ：θ＝arctan(Dmax/KinectHeight)-α，其中，图像底边距离深度相机实际距离为Dmax，图像顶边距深度相机的实际距离设置为Dmin，深度相机距离地面的垂直高度距离KinectHeight；步骤二，根据比例关系公式：
Figure BDA0003500228510000031
得到Ylength的计算公式：Ylength＝Kinectheight*tan(α+Δθ)，其中，Ylength为图像一点的纵坐标Y0到深度相机的垂直距离，Photoheight是kinect采集到的图片的高度、Dq为采集到的图片中人的头部与图片底部之间的夹角、q为垂直场视角，即图片顶部与底部之间的夹角；步骤三，带入身高检测模块中计算出的行人身高Personheight，计算行人脚部与深度相机的地面水平距离TempDis为：
Figure BDA0003500228510000032
步骤四，将计算出的两个行人的TempDis做差，从而得到行人的间距Distence。
本***基于计算机视觉和深度学习的行人识别技术，使用RGB和深度相机，利用深度数据实现智能化行人检测，计算身高以区分成人与儿童，同时测量前后行人间距，识别连续通行者，实现更为智能化的闸机通行检测。具体而言，该***具有如下优点：
(1)高精度：1％左右的身高测算误差，精确测量行人的身高，以区分成人和儿童；有效把控行人间距，以检测尾随违规过闸行为。
(2)算法创新：传统单目测距算法只能测量平面距离，摄像头只能平行于地面拍摄，无法检测三维场景下的深度信息，我们融合了单目测距算法及身高检测模块得到的身高信息，改进单目测距算法，实现二维到三维的场景重建。
(3)视野开阔，高效快捷：相比于普通闸机***，此项目摄像头从高往低进行拍摄，视角开阔、减少人与人之间遮挡，方便信息采集，在人群量大的情况下，可以快速获取多人信息，高效检测，减少排队时间。除此之外，采用深度学习算法对拍摄到的照片进行行人加框处理，在此基础上，仅对框选的行人进行深度信息提取，提高了照片处理的整体效率。
(4)具有较好的可扩展性：相比于普通闸机，此***可以根据视觉信息检测行人通行速度、人脸识别实现无接触式检票、行人大件行李检测等，具有很强的可扩展性
附图说明
图1为本发明实施例提供的一种基于深度数据的闸机通行***完整流程图；
图2为本发明实施例提供的一种基于深度数据的闸机通行***中身高检测示意图；
图3为本发明实施例提供的一种基于深度数据的闸机通行***中单目测距几何关系侧视图；
图4为本发明实施例提供的一种基于深度数据的闸机通行***中单目测距几何关系俯视图；
图5为本发明实施例提供的一种基于深度数据的闸机通行***中单目测距几何关系平面示意图；
图6为本发明实施例提供的一种基于深度数据的闸机通行***中基于单目测距的两人距离测量模型。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
如图1所示，一种基于深度数据的闸机通行***，包括：数据采集模块、数据对齐模块、行人定位模块、身高检测模块、距离检测模块、数据储存模块；其中，数据采集模块通过深度相机进行数据深度采集，深度相机为微软Kinect，深度相机为RGB和深度同时进行采集的设备，深度相机放置在距离地面的高度2.3米，深度相机的摄像头以与水平线成45度左右的俯仰角向下拍摄；数据对齐模块是RGB颜色图和深度数据的对齐，可以通过棋盘格标定的方法实现；行人定位模块将深度相机采集到的彩色照片通过YOLOv3目标检测算法进行识别，框出行人并保存框的位置信息，便于后续计算使用；身高检测模块用于采集行人的身高数据；距离检测模块用于计算行人间的距离；数据储存模块将所有采集和检测数据直接存储到数据库***中，进行留存和后期取证使用。
如图2所示，身高检测模块的具体工作过程为：步骤一，导入深度信息以及框的位置信息，将深度信息剪裁，只保留框内的深度信息，从而更集中地对行人所在区域进行处理，排除行人外的环境的干扰；步骤二，建立数学模型，计算行人身高：深度相机到行人头顶的最小距离MinDepth，深度相机与行人头顶延深至地面点之间的距离MaxDepth，深度相机距离地面的垂直高度距离KinectHeight，根据公式
Figure BDA0003500228510000051
计算出行人的身高Height；步骤三，根据不同场景下采集到的行人图片，多次通过上述过程计算得出的行人身高，并取平均值，然后计算出特定行人的实际身高Personheight。
表1是测量数据，对于每种场景，连续采集多帧图片并取平均，以消除误差影响。实验结果显示，身高检测误差控制在1％左右，精度较高，可以作为行人身高判别的依据。
表1身高检测的数据(单位：cm)
Figure BDA0003500228510000052
Figure BDA0003500228510000061
如图3所示，距离检测模块测算行人之间的距离的具体过程为：步骤一，计算深度相机的俯仰角α：α＝arctan(Dmin/KinectHeight)和深度相机的垂直视角θ：θ＝arctan(Dmax/KinectHeight)-α，其中，图像底边距离深度相机实际距离为Dmax，图像顶边距深度相机的实际距离设置为Dmin，深度相机距离地面的垂直高度距离KinectHeight；
如图4、图5所示，距离检测模块测算行人之间的距离的具体过程，其中，步骤二，根据比例关系公式：
Figure BDA0003500228510000062
得到Ylength的计算公式：Ylength＝Kinectheight*tan(α+Δθ)，其中，Ylength为图像一点的纵坐标Y0到深度相机的垂直距离，Photoheight是kinect采集到的图片的高度、Dq为采集到的图片中人的头部与图片底部之间的夹角、q为垂直场视角，即图片顶部与底部之间的夹角；
如图6所示，距离检测模块测算行人之间的距离的具体过程，其中，步骤三，带入身高检测模块中计算出的行人身高Personheight，计算行人脚部与深度相机的地面水平距离TempDis为：
Figure BDA0003500228510000063
步骤四，将计算出的两个行人的TempDis做差，从而得到行人的间距Distence。
在完成基于单目测距的距离检测模型后，采集多种场景下的数据，包括固定距离、逆行、超越、掉头障碍物等，测量的结果如表2所示。
表2结合单目测距的距离检测实验结果(cm)
Figure BDA0003500228510000064
Figure BDA0003500228510000071
结合表2数据可发现，基于单目测距的距离检测误差大大减小。因此，在视觉闸机通行***中，选择单目测距作为测量行人间距的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种基于深度数据的闸机通行***，其特征在于，包括：数据采集模块、数据对齐模块、行人定位模块、身高检测模块、距离检测模块、数据储存模块；其中，所述数据采集模块通过深度相机进行数据深度采集，所述深度相机为微软Kinect，所述深度相机为RGB和深度同时进行采集的设备，所述深度相机放置在距离地面的高度2.3米，所述深度相机的摄像头以与水平线成45度左右的俯仰角向下拍摄；所述数据对齐模块是RGB颜色图和深度数据的对齐，可以通过棋盘格标定的方法实现；所述行人定位模块将所述深度相机采集到的彩色照片通过YOLOv3目标检测算法进行识别，框出行人并保存框的位置信息，便于后续计算使用；所述身高检测模块用于采集行人的身高数据；所述距离检测模块用于计算行人间的距离；所述数据储存模块将所有采集和检测数据直接存储到数据库***中，进行留存和后期取证使用。
2.根据权利要求1所述的一种基于深度数据的闸机通行***，其特征在于，所述身高检测模块的具体工作过程为：步骤一，导入深度信息以及框的位置信息，将深度信息剪裁，只保留框内的深度信息，从而更集中地对行人所在区域进行处理，排除行人外的环境的干扰；步骤二，建立数学模型，计算行人身高：所述深度相机到行人头顶的最小距离MinDepth，所述深度相机与行人头顶延深至地面点之间的距离MaxDepth，所述深度相机距离地面的垂直高度距离KinectHeight，根据公式
Figure FDA0003500228500000011
计算出行人的身高Height；步骤三，根据不同场景下采集到的行人图片，多次通过上述过程计算得出的行人身高，并取平均值，然后计算出特定行人的实际身高Personheight。
3.根据权利要求1所述的一种基于深度数据的闸机通行***，其特征在于，所述距离检测模块测算行人之间的距离的具体过程为：步骤一，计算所述深度相机的俯仰角α：α＝arctan(Dmin/KinectHeight)和所述深度相机的垂直视角θ：θ＝arctan(Dmax/KinectHeight)-α，其中，图像底边距离所述深度相机实际距离为Dmax，图像顶边距所述深度相机的实际距离设置为Dmin，所述深度相机距离地面的垂直高度距离KinectHeight；步骤二，根据比例关系公式：
Figure FDA0003500228500000021
得到Ylength的计算公式：Ylength＝Kinectheight*tan(α+Δθ)，其中，Ylength为图像一点的纵坐标Y0到所述深度相机的垂直距离，Photoheight是kinect采集到的图片的高度、Dq为采集到的图片中人的头部与图片底部之间的夹角、q为垂直场视角，即图片顶部与底部之间的夹角；步骤三，带入身高检测模块中计算出的行人身高Personheight，计算行人脚部与所述深度相机的地面水平距离TempDis为：
Figure FDA0003500228500000022
步骤四，将计算出的两个行人的TempDis做差，从而得到行人的间距Distence。
CN202210125630.6A 2022-02-10 2022-02-10 一种基于深度数据的闸机通行*** Active CN114596657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210125630.6A CN114596657B (zh) 2022-02-10 2022-02-10 一种基于深度数据的闸机通行***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210125630.6A CN114596657B (zh) 2022-02-10 2022-02-10 一种基于深度数据的闸机通行***

Publications (2)

Publication Number Publication Date
CN114596657A true CN114596657A (zh) 2022-06-07
CN114596657B CN114596657B (zh) 2023-07-25

Family

ID=81806890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210125630.6A Active CN114596657B (zh) 2022-02-10 2022-02-10 一种基于深度数据的闸机通行***

Country Status (1)

Country Link
CN (1) CN114596657B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117765651A (zh) * 2023-12-27 2024-03-26 暗物质(北京)智能科技有限公司 基于顶视视角深度融合的闸门通行识别方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002024986A (ja) * 2000-07-06 2002-01-25 Nippon Signal Co Ltd:The 歩行者検出装置
JP2010122078A (ja) * 2008-11-20 2010-06-03 Nippon Signal Co Ltd:The 身長検出システムおよびこれを用いた自動改札機
CN110705432A (zh) * 2019-09-26 2020-01-17 长安大学 一种基于彩色和深度摄像头的行人检测装置及方法
CN112131917A (zh) * 2019-06-25 2020-12-25 北京京东尚科信息技术有限公司 测量方法、装置、***和计算机可读存储介质
CN112232279A (zh) * 2020-11-04 2021-01-15 杭州海康威视数字技术股份有限公司 一种人员间距检测方法和装置
CN112507781A (zh) * 2020-10-21 2021-03-16 天津中科智能识别产业技术研究院有限公司 一种多维度多模态群体生物特征识别***以及方法
CN112880642A (zh) * 2021-03-01 2021-06-01 苏州挚途科技有限公司 测距***和测距方法
CN113749646A (zh) * 2021-09-03 2021-12-07 中科视语(北京)科技有限公司 基于单目视觉的人体身高测量方法、装置及电子设备
CN113781578A (zh) * 2021-09-09 2021-12-10 南京康尼电子科技有限公司 结合目标检测与双目视觉的闸机通行行为识别与控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002024986A (ja) * 2000-07-06 2002-01-25 Nippon Signal Co Ltd:The 歩行者検出装置
JP2010122078A (ja) * 2008-11-20 2010-06-03 Nippon Signal Co Ltd:The 身長検出システムおよびこれを用いた自動改札機
CN112131917A (zh) * 2019-06-25 2020-12-25 北京京东尚科信息技术有限公司 测量方法、装置、***和计算机可读存储介质
CN110705432A (zh) * 2019-09-26 2020-01-17 长安大学 一种基于彩色和深度摄像头的行人检测装置及方法
CN112507781A (zh) * 2020-10-21 2021-03-16 天津中科智能识别产业技术研究院有限公司 一种多维度多模态群体生物特征识别***以及方法
CN112232279A (zh) * 2020-11-04 2021-01-15 杭州海康威视数字技术股份有限公司 一种人员间距检测方法和装置
CN112880642A (zh) * 2021-03-01 2021-06-01 苏州挚途科技有限公司 测距***和测距方法
CN113749646A (zh) * 2021-09-03 2021-12-07 中科视语(北京)科技有限公司 基于单目视觉的人体身高测量方法、装置及电子设备
CN113781578A (zh) * 2021-09-09 2021-12-10 南京康尼电子科技有限公司 结合目标检测与双目视觉的闸机通行行为识别与控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜健芃: "基于多向点云拼合的快速三维人体测量技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
张汝峰;胡钊政;: "基于RGB-D图像与头肩区域编码的实时人流量统计", 交通信息与安全, no. 06 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117765651A (zh) * 2023-12-27 2024-03-26 暗物质(北京)智能科技有限公司 基于顶视视角深度融合的闸门通行识别方法及***

Also Published As

Publication number Publication date
CN114596657B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
US11900619B2 (en) Intelligent vehicle trajectory measurement method based on binocular stereo vision system
US11922643B2 (en) Vehicle speed intelligent measurement method based on binocular stereo vision system
CN105225482B (zh) 基于双目立体视觉的车辆检测***和方法
CN106681353B (zh) 基于双目视觉与光流融合的无人机避障方法及***
CN102389361B (zh) 一种基于计算机视觉的盲人户外支援***
US7899211B2 (en) Object detecting system and object detecting method
CN105286871A (zh) 一种基于视频处理的人体身高测量方法
CN102156537A (zh) 一种头部姿态检测设备及方法
WO2015096507A1 (zh) 一种利用山体轮廓区域约束识别定位建筑物的方法
CN108280401B (zh) 一种路面检测方法、装置、云端服务器及计算机程序产品
CN104517095A (zh) 一种基于深度图像的人头分割方法
CN106033614B (zh) 一种强视差下的移动相机运动目标检测方法
CN107430774A (zh) 行驶道路识别装置和使用其的行驶辅助***
EP2476999B1 (en) Method for measuring displacement, device for measuring displacement, and program for measuring displacement
Li et al. Automatic parking slot detection based on around view monitor (AVM) systems
CN103438834A (zh) 基于结构光投影的层级式快速三维测量装置及测量方法
CN108416798A (zh) 一种基于光流的车辆距离估计方法
CN202058221U (zh) 一种基于双目视觉的客流统计装置
CN109035343A (zh) 一种基于监控相机的楼层相对位移测量方法
CN106709432B (zh) 基于双目立体视觉的人头检测计数方法
JPH09297849A (ja) 車両検出装置
CN114596657A (zh) 一种基于深度数据的闸机通行***
CN108876798A (zh) 一种楼梯检测***及方法
CN117253203A (zh) 一种基于视觉传感器的障碍物检测***
CN115880643B (zh) 一种基于目标检测算法的社交距离监测方法和装置

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