CN115909321A - 一种用于电梯轿厢的识别方法、***和存储介质 - Google Patents
一种用于电梯轿厢的识别方法、***和存储介质 Download PDFInfo
- Publication number
- CN115909321A CN115909321A CN202310216212.2A CN202310216212A CN115909321A CN 115909321 A CN115909321 A CN 115909321A CN 202310216212 A CN202310216212 A CN 202310216212A CN 115909321 A CN115909321 A CN 115909321A
- Authority
- CN
- China
- Prior art keywords
- contour
- image
- point
- trend line
- points
- 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
Landscapes
- Image Analysis (AREA)
- Cage And Drive Apparatuses For Elevators (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种用于电梯轿厢的识别方法、***和存储介质,属于图像识别技术领域,包括步骤S1:获取参考图像,绘制参考图像中目标物体的第一轮廓,基于第一轮廓将目标物体从参考图像中抽出,获得第一图像;步骤S2:对第一图像进行特征识别;步骤S3:获取目标图像,对目标图像进行特征识别,若存在与目标图像相似度大于等于第一阈值的第一图像,将目标图像判定为第一图像的图像类别,否则执行步骤S4;步骤S4:获取目标图像中各个物体的第二轮廓,若存在与第二轮廓相似度大于等于第二阈值的第一轮廓,将目标图像判定为与第一轮廓对应第一图像的图像类别。本发明解决了当电瓶车外覆盖车罩时,摄像机无法准确识别电瓶车的问题。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种用于电梯轿厢的识别方法、***和存储介质。
背景技术
众所周知,当电瓶车发生自燃时,会在短时间内产生大量的有毒气体,由于电梯空间密闭,若电瓶车在电梯内发生自燃,将会对乘坐电梯乘客的生命产生威胁,因此,现在大多数电梯管理机构都明确禁止电瓶车进入电梯。
现有技术中,为防止电瓶车进入电梯,通常在电梯内设置摄像机,通过摄像机获取电梯内的图像,并对其进行识别,从而判断电梯内是否存在电瓶车,如中国专利申请“CN113705357A”公开了基于摄像机识别电瓶车的方法及***、设备及存储介质,通过摄像机内预设的全屏检测小模型识别视频图像中是否存在电瓶车,若视频图像中存在电瓶车,裁剪视频图像中的电瓶车的图像信息,通过摄像机内预设的电瓶车二级过滤小模型对图像信息进行二次识别,若图像信息存在电瓶车,则控制电梯执行阻梯指令并进行预警。又例如中国专利申请“CN110222659B”公开了一种电瓶车识别方法、装置和***,通过基于深度学习的图像识别技术,提取图像信息中的特征信息,再通过预先设置的电瓶车识别模型,对比该特征信息和预先存储的电瓶车特征信息,得到对比信息,从而根据对比信息,确定图像信息中是否存在电瓶车;然而,当电瓶车外存在覆盖物时,由于电瓶车外表的特征信息发生改变,会导致无法完整的采集到电瓶车的特征信息,进而会对电瓶车的判断产生影响。
发明内容
本发明提供了一种用于电梯轿厢的识别方法、***和存储介质,以解决现有技术中当电瓶车表面存在覆盖物时、会影响对电瓶车类别判断的问题。
为了达到上述的发明目的,本发明提出一种用于电梯轿厢的识别方法,包括:
步骤S1:获取多张参考图像,绘制所述参考图像中目标物体的第一轮廓,基于所述第一轮廓将目标物体从所述参考图像中抽出,获得第一图像,对所述第一图像的类别进行标注;
步骤S2:对所述第一图像进行特征识别,获取对应的第一特征集,第一特征集包括所述第一图像中的多个特征点,将各张所述第一图像以及对应的第一特征集存储至参考数据库内;
步骤S3:获取目标图像,对所述目标图像进行特征识别,获取对应的第二特征集,第二特征集包括所述目标图像中的多个特征点,将第二特征集与参考数据库内各个第一特征集进行相似度对比,若存在与第二特征集相似度大于等于第一阈值的第一特征集,则基于该第一特征集获取对应的所述第一图像,以及所述第一图像的类别,将所述第一图像的类别定义为目标类别,将所述目标类别标注于所述目标图像内,若不存在与第二特征集相似度大于等于所述第一阈值的第一特征集,则执行步骤S4;
步骤S4:对所述目标图像进行轮廓识别,获取所述目标图像中各个物体的第二轮廓,将各个物体的所述第二轮廓与各个所述第一图像的所述第一轮廓进行相似度对比,若存在与所述第二轮廓相似度大于等于第二阈值的所述第一轮廓,将所述目标图像判定为与所述第一轮廓对应所述第一图像的图像类别。
进一步的,所述步骤S4中,所述第一轮廓与所述第二轮廓的相似度对比包括以下步骤:
步骤S41:定位所述第一轮廓的轮廓重心,以轮廓重心为起点,沿轮廓重心的周向等间隔绘制多条射线,相邻射线之间间隔第一角度,定义射线与第一轮廓的交点为基点,将轮廓重心与各个基点连接,获得多条基线,对每条基线进行编号,同时测量基线的长度,以基线编号为X轴、基线长度为Y轴建立第一坐标系,将每条基线以坐标点的形式绘制于所述第一坐标系上,将所述第一坐标系内各个坐标点依次连接,获得第一趋势线;
步骤S42:定位所述第二轮廓的轮廓重心,基于所述步骤S41获得第二坐标系以及所述第二轮廓对应的第二趋势线,分别定位所述第一趋势线和所述第二趋势线中同类型的最值点,基于第一公式获得调整比例,所述第一公式为:,其中,为所述调整比例,为所述第一趋势线中的最值点,为所述第二趋势线中的最值点,基于所述调整比例将所述第一趋势线调节为第三趋势线,获取所述第一趋势线和所述第三趋势线的曲线函数,基于曲线函数获取所述第一趋势线与所述第一坐标轴围成的第一面积,所述第三趋势线与所述第二坐标轴围成的第二面积,若所述第一面积和所述第二面积的差值小于第三阈值,则继续执行步骤S43;
步骤S43:计算所述第一趋势线中第一个坐标点与所述第三趋势线中各个坐标点纵坐标差值的绝对值,获取其中绝对值最小的数值,并存储至第一数据集内,继续计算所述第一趋势线中第二个坐标点与所述第三趋势线中各个坐标点纵坐标差值的绝对值,获取其中绝对值最小的数值,并存储至所述第一数据集内,重复此步骤,直至完成所述第一趋势线中所有坐标点的计算;
步骤S44:设定第一数值范围,基于第二公式获取第一相似度,若所述第一相似度超过第四阈值,则判定所述第一轮廓与所述第二轮廓相似,所述第二公式为:,其中,为所述第一相似度,为所述第一数据集中,数值在所述第一数值范围内的绝对值数量,为所述第一数据集包含的绝对值数量。
进一步的,若所述第二轮廓为未封闭图形,基于以下步骤对比所述第一轮廓和所述第二轮廓的所述第一相似度:
获取所述第一轮廓,设定采集距离,沿所述第一轮廓依次选取多个第一采集点,相邻所述第一采集点之间间隔所述采集距离,计算各个所述第一采集点的曲率,筛选出曲率数值中的极值点,定义为第一极值点,建立第一表格,将所述第一极值点填充至所述第一表格内;
沿所述第二轮廓依次选取多个第二采集点,相邻所述第二采集点之间间隔所述采集距离,计算各个所述第二采集点的曲率,筛选出曲率数值中的极值点,定义为第二极值点,建立第二表格,将所述第二极值点填充至所述第二表格内;
从所述第二表格中抽取所述第二极值点,若所述第一表格中存在所述第一极值点,所述第一极值点与所述第二极值点的曲率差值在第二数值范围内,则定位所述第一极值点在所述第一轮廓中的第一弯折区域,所述第二极值点在所述第二轮廓中的第二弯折区域,计算所述第一弯折区域和所述第二弯折区域的第二相似度,重复此步骤,直至完成所述第二表格中所有所述第二极值点的抽取;
若所述第一表格中,存在与各个所述第二极值点一一对应的所述第一极值点,相互对应的所述第一极值点和所述第二极值点曲率数值差值在第二数值范围内,且所述第一极值点所在弯折区域,与对应的所述第二极值点所在的弯折区域形状相同,则将所述第二轮廓判定为与所述第一轮廓相同。
进一步的,判断两个弯折区域形状是否相同包括以下步骤:
获取所述第一极值点对应的第一曲率半径,基于所述第一曲率半径定位所述第一极值点对应的曲率圆圆心,以曲率圆圆心为起点,沿圆心的周向等间隔绘制多条射线,相邻射线之间间隔第二角度,定义射线与圆心对应弯折区域的交点为第一定点,将曲率圆圆心与各个所述第一定点连接,获得多条第一连接线,基于各个所述第一连接线的长度绘制第四趋势线;
获取所述第二极值点对应的第二曲率半径,基于所述第二曲率半径定位所述第二极值点对应的曲率圆圆心,以曲率圆圆心为起点,沿圆心的周向等间隔绘制多条射线,相邻射线之间间隔第二角度,定义射线与圆心对应弯折区域的交点为第二定点,将曲率圆圆心与各个所述第二定点连接,获得多条第二连接线,基于各个所述第二连接线的长度绘制第五趋势线;
基于所述步骤S43和所述步骤S44,确定所述第四趋势线和所述第五趋势线对应弯折区域的所述第二相似度,若所述第二相似度大于等于第五阈值,则将两个弯折区域判断为相同弯折区域。
进一步的,将所述第一趋势线调整为所述第三趋势线包括以下步骤:获取所述第一趋势线的各个坐标点的坐标,将各个坐标点对应Y轴的数值基于调整比例进行缩小,定义缩小后的坐标点为调整坐标点,重新将各个所述调整坐标点绘制于所述第二坐标系内,获得所述第三趋势线。
本发明还提供了一种用于电梯轿厢的识别***,该***用于实现上述所述的一种用于电梯轿厢的识别方法,该***主要包括:
输入模块,用于输入参考图像和所述目标图像,所述参考图像包括目标物体的第一轮廓,基于所述第一轮廓将目标物体从所述参考图像中抽出,获得第一图像,对所述第一图像的类别进行标注;
特征识别模块,用于对所述第一图像和所述参考图像进行特征识别,获取对应的第一特征集和第二特征集,第一特征集包括所述第一图像中的多个特征点,第二特征集包括所述目标图像中的多个特征点,将各张所述第一图像以及对应的第一特征集存储至参考数据库内;
特征对比模块,将第二特征集与参考数据库内各个第一特征集进行相似度对比,若存在与第二特征集相似度大于等于第一阈值的第一特征集,则基于该第一特征集获取对应的所述第一图像,以及所述第一图像的类别,将所述第一图像的类别定义为目标类别,将所述目标类别标注于所述目标图像内;
轮廓对比模块,对所述目标图像进行轮廓识别,获取所述目标图像中各个物体的第二轮廓,将各个物体的所述第二轮廓与各个所述第一图像的所述第一轮廓进行相似度对比,若存在与所述第二轮廓相似度大于等于第二阈值的所述第一轮廓,将所述目标图像判定为与所述第一轮廓对应所述第一图像的图像类别。
本发明还提供了一种计算机存储介质,所述计算机存储介质存储有程序指令,其中,在所述程序指令运行时控制所述计算机存储介质所在设备执行上述所述的一种用于电梯轿厢的识别方法。
与现有技术相比,本发明的有益效果至少如下所述:
本发明首先通过传统图像识别的方法,提取摄像机拍摄到电梯内图像的特征,并对其进行识别,从而初步判断电梯内是否存在电瓶车;之后,根据电瓶车可能会覆盖车罩的情况,通过轮廓相似度对比的方法对其进行识别,由于电瓶车车罩虽然表面光滑,但与周围环境之间的界限仍可以通过边缘检测算法快速的识别出来,因此,在无法较好提取目标物体的表面特征时,通过将目标物体轮廓与参考数据库内各个第一图像的轮廓进行相似度对比,当相似度超过第二阈值时,表明两个物体的轮廓极为相似,此时可将目标物体判断为电瓶车,从而解决了当电瓶车外覆盖车罩时,摄像机无法准确识别电瓶车的问题。
附图说明
图1为本发明一种用于电梯轿厢的识别方法的步骤流程图;
图2为本发明获取第一轮廓中基线的原理示意图;
图3为本发明中趋势线的绘制示意图,其中a为第一坐标轴中第一趋势线的绘制示意图,b为第二坐标轴中第三趋势线的绘制示意图;
图4为本发明获取第一轮廓弯折区域中第一连接线的原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
如图1所示,一种用于电梯轿厢的识别方法,包括:
步骤S1:获取多张参考图像,绘制参考图像中目标物体的第一轮廓,基于第一轮廓将目标物体从参考图像中抽出,获得第一图像,对第一图像的类别进行标注;
具体的,参考图像为事先选取的图像,参考图像为不同形象、不同拍摄角度下的电瓶车照片,在获得参考图像后,通过人工或识别***对参考图像内电瓶车的轮廓进行标记,从而获得第一轮廓,第一轮廓实际为参考图像内电瓶车的轮廓;由于参考图像中存在其他物体,因此在对电瓶车的轮廓进行标记后,将电瓶车从参考图像中抽出,具体可通过抠图的方式,将参考图像的背景改为白色或黑色,仅包括电瓶车的颜色,最后对参考图像进行标注,也即将各个第一图像的类别标注为电瓶车图像。
步骤S2:对第一图像进行特征识别,获取对应的第一特征集,第一特征集包括第一图像中的多个特征点,将各张第一图像以及对应的第一特征集存储至参考数据库内;
步骤S3:获取目标图像,对目标图像进行特征识别,获取对应的第二特征集,第二特征集包括目标图像中的多个特征点,将第二特征集与参考数据库内各个第一特征集进行相似度对比,若存在与第二特征集相似度大于等于第一阈值的第一特征集,则基于该第一特征集获取对应的第一图像,以及第一图像的类别,将第一图像的类别定义为目标类别,将目标类别标注于目标图像内,若不存在与第二特征集相似度大于等于第一阈值的第一特征集,则执行步骤S4;
具体的,第一特征集包括第一图像的多个特征数据,第二特征集包括目标图像内的多个特征数据,在实际应用中,可使用如BP神经网络等技术进行建模识别;若存在第一特征集和第二特征集的相似度大于第一阈值,例如相似度大于80%,则表明目标图像与第一图像极为相似,那么就可以确定,目标图像内大概率包括第一图像内的物体;由于基于特征识别的方法在图像识别领域较为成熟,通过此步骤可以快速的对目标图像进行识别,从而判断目标图像内是否存在电瓶车。
若电瓶车的表面存在覆盖物,例如电瓶车罩,会对电瓶车的外形形成遮挡,致使摄像机无法获得电瓶车上的部分特征点,为解决该问题,可增加电瓶车覆盖车罩的参考图像,然后将特征点设置在车罩一般无法覆盖的轮胎或车把处,或在车罩上设置特征点进行识别,然而,并非所有的车罩都无法覆盖轮胎和车把,乘客若使用车罩将电瓶车全部覆盖,那么此种覆盖方式下存在电瓶车仍能进入电梯的风险;另一方面,由于车罩的表面较为平整,车罩表面的特征点在实际应用场景下难以抓取,因此本发明提出了如下步骤进行判定:
步骤S4:对目标图像进行轮廓识别,获取目标图像中各个物体的第二轮廓,将各个物体的第二轮廓与各个第一图像的第一轮廓进行相似度对比,若存在与第二轮廓相似度大于等于第二阈值的第一轮廓,将目标图像判定为与第一轮廓对应第一图像的图像类别。
在无法通过特征识别对物体类型进行判断时,首先获取目标图像内物体的轮廓,比对时,将物体的轮廓与参考数据库内各个电瓶车或覆盖车罩电瓶车轮廓进行对比,也即获取物体轮廓与不同类型、不同拍摄角度下、不同覆盖程度下电瓶车轮廓的相似度,若存在与物体轮廓相似度大于等于第二阈值的电瓶车轮廓,表明该物体的轮廓与电瓶车的轮廓相似,此时将物体判断为当电瓶车,从而实现对电瓶车类型的识别。特别的,在获取目标图像后,由于目标图像内一般会存在多个物体,为确保不会遗漏目标图像的物体,因此,需要获取目标图像中各个物体的轮廓。
尤为注意的是,通过上述步骤,本发明解决了当电瓶车外覆盖车罩时,摄像机无法准确识别电瓶车的问题。
本发明首先通过传统图像识别的方法,提取摄像机拍摄到电梯内图像的特征,并对其进行识别,从而初步判断电梯内是否存在电瓶车;之后,根据电瓶车可能会覆盖车罩的情况,通过轮廓相似度对比的方法对其进行识别,由于电瓶车车罩虽然表面光滑,但与周围环境之间的界限仍可以通过边缘检测算法快速的识别出来,因此,在无法较好提取目标物体的表面特征时,通过将目标物体轮廓与参考数据库内各个第一图像的轮廓进行相似度对比,当相似度超过第二阈值时,表明两个物体的轮廓极为相似,此时可将目标物体判断为电瓶车,从而解决了当电瓶车外覆盖车罩时,摄像机无法准确识别电瓶车的问题。
步骤S4中,第一轮廓与第二轮廓的相似度对比包括以下步骤:
步骤S41:定位第一轮廓的轮廓重心,以轮廓重心为起点,沿轮廓重心的周向等间隔绘制多条射线,相邻射线之间间隔第一角度,定义射线与第一轮廓的交点为基点,将轮廓重心与各个基点连接,获得多条基线,对每条基线进行编号,同时测量基线的长度,以基线编号为X轴、基线长度为Y轴建立第一坐标系,将每条基线以坐标点的形式绘制于第一坐标系上,将第一坐标系内各个坐标点依次连接,获得第一趋势线;
无论是电瓶车自身的轮廓,还是被电瓶车车罩覆盖后的轮廓,都是不规则图像,例如图2中为一种覆盖车罩下的电瓶车轮廓;因此,在获得轮廓后,可使用例如广义霍夫变换的方法获得轮廓的重心;在获得第一轮廓重心后,以轮廓重心为起点,向其四周绘制多条射线,每条射线之间的间隔角度相等,例如,每隔5度绘制一条射线,那么绘制完成后,会存在360/5=72条射线,射线如图2中的所示,由于重心在轮廓内,那么由重心引出的射线,与第一轮廓会存在72个交点,即基点,将各个基点与轮廓重心连接,获得多条基线,由于第一轮廓为不规则图像,因此各个基线的长度也会不尽相同;在此基础上,对各个基线进行编号,建立第一坐标系,以基线编号为横坐标,基线长度为纵坐标,在第一坐标系上绘制多个坐标点,将各个坐标点进行连接,从而获得各个基线长度的变化趋势。
步骤S42:定位第二轮廓的轮廓重心,基于步骤S41获得第二坐标系以及第二轮廓对应的第二趋势线,分别定位第一趋势线和第二趋势线中同类型的最值点,基于第一公式获得调整比例,第一公式为:,其中,为调整比例,为第一趋势线中的最值点,为第二趋势线中的最值点,基于调整比例将第一趋势线调节为第三趋势线,获取第一趋势线和第三趋势线的曲线函数,基于曲线函数获取第一趋势线与第一坐标轴围成的第一面积,第三趋势线与第二坐标轴围成的第二面积,若第一面积和第二面积的差值小于第三阈值,则继续执行步骤S43;
在获得物体的第二轮廓后,基于步骤S41的方法获得第二趋势线;在进行对比之前,还要确定第一轮廓和第二轮廓的比例是否对应,例如,第一图像中的电瓶车较大,使得第一轮廓中的各条基线长度较长,而目标图像中的电瓶车较小,使得第二轮廓中的各条基线长度较短,在此情况下,即便两者的轮廓形状相同,由于轮廓大小不同,也会导致对应基线的长度不同,从而影响两者相似度的判断,因此,在对第一轮廓和第二轮廓的相似度判断之前,首先将两者的轮廓比例调整为一致;最值点包括最大值点和最小值点。
在本实施例中,将第一趋势线调整为第三趋势线包括以下步骤:获取第一趋势线的各个坐标点,将各个坐标点对应Y轴的数值基于调整比例进行缩小,定义缩小后的坐标点为调整坐标点,建立第三坐标系,将各个调整坐标点绘制于第三坐标系内,获得第三趋势线。
下面针对上述步骤执行过程进行描述,首先选取第一轮廓和第二轮廓中长度最长的基线进行对比,例如第一轮廓最长基线的长度为10cm,第二轮廓最长基线的长度为5cm,则基于第一公式计算出的调整比例为2,那么就将第二轮廓中各个基线的长度缩小两倍,然后再将第一轮廓与第二轮廓进行相似度对比。
如图3所示,图3为第一趋势线和第三趋势线的绘制示意图,其中,a为第一趋势线的示意图,b为第三趋势线的示意图,在第一轮廓和第二轮廓进行相似度对比时,首先将第一趋势线与坐标轴围成的第一面积,第三趋势线与坐标轴围成的第二面积进行对比,如a和b的阴影部分;这是因为,若第一轮廓与第二轮廓相似,那么由轮廓线衍生出的趋势线应该具有相同的走势,当两个趋势线具有相同走势时,趋势线与两个坐标轴所围成的面积也应该接近,即第一面积和第二面积的差值小于第三阈值;若第一面积和第二面积的差值过大,表明第一趋势线与第三趋势线的走势不同,也即第一轮廓和第二轮廓的形状不同;计算面积的方式可通过趋势线上的坐标点,基于如曲线拟合等技术获得曲线函数,然后通过微积分的方式计算曲线与坐标轴围成的面积。
步骤S43:计算第一趋势线中第一个坐标点与第三趋势线中各个坐标点纵坐标差值的绝对值,获取其中绝对值最小的数值,并存储至第一数据集内,继续计算第一趋势线中第二个坐标点与第三趋势线中各个坐标点纵坐标差值的绝对值,获取其中绝对值最小的数值,并存储至第一数据集内,重复此步骤,直至完成第一趋势线中所有坐标点的计算;
步骤S44:设定第一数值范围,基于第二公式获取第一相似度,若第一相似度超过第四阈值,则判定第一轮廓与第二轮廓相似,第二公式为:,其中,为第一相似度,为第一数据集中,数值在第一数值范围内的绝对值数量,为第一数据集包含的绝对值数量。
在对第一轮廓和第二轮廓的基线进行编号时,为了方便对比,理论上应该指定朝向某一方向的基线为起点,然后沿顺时针或逆时针对各个基线进行编号,这样,第一轮廓和第二轮廓若形状相同,各个方向的基线长度应该接近,那么在对比时只需将对应需要的基线长度进行对比即可;但是,由于电瓶车在电梯内并非总朝着一个方向放置,当电瓶车的放置方向与第一图像中电瓶车的方向不相同时,就会导致第一轮廓和第二轮廓发生相对旋转,那么在此情况下,即便第一轮廓和第二轮廓形状相同,且指定朝向某一方向的基线为起点进行编号,那么对应基线长度的也不会相同,也即第一轮廓中序号为1的基线,由于图像旋转,可能与第二轮廓中序号为10的基线对应;需要说明的是,此种情况不影响第一趋势线和第三趋势线为坐标轴围成的第一面积和第二面积大小。
因此,为了应对第二轮廓会相对于第一轮廓发生旋转的情况,本发明首先获取第一趋势线的第一个坐标点与第三趋势线中各个坐标点差值的绝对值,选取第一趋势线中的第一个坐标点,获取该坐标点的纵坐标,然后与第三趋势线中第一个坐标的纵坐标值相减,获取差值的绝对值,然后再与第三趋势线中第二个坐标的纵坐标值相减,重复此过程,此过程也即第一轮廓中第一个基线的长度与第二轮廓中各个基线长度差值的绝对值;若第一个坐标点与某个第二轮廓的坐标点的差值接近于0,则表明两个坐标点对应的基线长度相等,然后再重复此步骤,继续将第一趋势线的第二个坐标点与第二趋势线中各个坐标点对比,直至完成第一趋势线中所有坐标点的计算;例如第一趋势线有72个坐标点,在经过此步骤计算和筛选后,会保留72个绝对值,其中有68个绝对值的数值接近于0,即在第一数值范围内,那么表明,第一轮廓和第二轮廓中,有68个基线的长度相等,带入至第二公式得出,第一轮廓和第二轮廓的第一相似度为94%,若第四阈值为80%,那么相似度超过第四阈值,判断第一轮廓和第二轮廓相似。
通过上述方式获取第一轮廓和第二轮廓的相似度,既避免了由于图像变换、旋转等因素对相似度的判断产生影响,而且只需通过常规计算即可执行,从而降低了布设的硬件成本。
在实际应用中,由于人体遮挡因素的存在,例如处于双手推行电瓶车的状态,会使得获得的第二轮廓存在缺失,在此情况下,便无法获得第二轮廓的重心,若无法获得第二轮廓的重心,也就无法继续获得各条基线长度,致使后续的第一轮廓和第二轮廓无法进行相似度对比,为解决此种问题,本发明还提出了以下步骤:
获取第一轮廓,设定采集距离,沿第一轮廓依次选取多个第一采集点,相邻第一采集点之间间隔采集距离,计算各个第一采集点的曲率,筛选出曲率数值中的极值点,定义为第一极值点,建立第一表格,将第一极值点填充至第一表格内;
具体的,由于第一图像为预先选择的图像,因此,基于第一图像获得第一轮廓都是完整的,在第一轮廓的轮廓线上,沿顺时针方向每隔采集距离选取第一采集点,在本实施例中,在轮廓线上,每隔0.1cm选取第一采集点,若第一轮廓的长度为30cm,则会获得300个第一采集点,在此基础上,计算每个第一采集点的曲率,曲率值的计算为本领域人员所熟知的,此处不再列举计算方法;选取其中的极值点,极值点包括极大值点和极小值点,由于极值点为曲率增长或下降趋势出现变化的点,因此极值点所对应的也是轮廓线发生明显弯折区域的点,所以,通过此步骤可以获得各个第一轮廓中各个弯折点的曲率。
沿第二轮廓依次选取多个第二采集点,相邻第二采集点之间间隔采集距离,计算各个第二采集点的曲率,筛选出曲率数值中的极值点,定义为第二极值点,建立第二表格,将第二极值点填充至第二表格内;
从第二表格中抽取第二极值点,若第一表格中存在第一极值点,第一极值点与第二极值点的曲率差值在第二数值范围内,则定位第一极值点在第一轮廓中的第一弯折区域,第二极值点在第二轮廓中的第二弯折区域,计算第一弯折区域和第二弯折区域的第二相似度,重复此步骤,直至完成第二表格中所有第二极值点的抽取;
若第一表格中,存在与各个第二极值点一一对应的第一极值点,相互对应的第一极值点和第二极值点曲率数值差值在第二数值范围内,且各个第一极值点所在弯折区域,与对应的第二极值点在的弯折区域形状相同,则将第二轮廓判定为与第一轮廓相同。
由于对曲率的计算不涉及重心,因此可以获得第二轮廓上各个第二采集点的曲率,在此基础上,可以同样通过上述步骤计算第二轮廓的弯折区域;若第一极值点和第二极值点的曲率接近,即两者的曲率差值在第二数值范围内,则表明两者的弯折程度一致;通过建立第一表格和第二表格进行判断,若第二表格中的第二极值点,在第一表格中全部能够找到相等或接近的第一极值点,则表明第二轮廓各个第二极值点的曲率全都包含在第一轮廓中,也即第二轮廓存在的弯折区域,在第一轮廓均能找到,也就表明两者的形状可能相同或相似,在此基础上,再对两个弯折点的形状进行判断,就可以对第一轮廓和第二轮廓的相似度进行判断。
第一轮廓和第二轮廓曲率相同的采集点,其对应弯折区域的形状也可能不同,为了避免此问题,本发明还提出以下步骤:
获取第一极值点对应的第一曲率半径,基于第一曲率半径定位第一极值点对应的曲率圆圆心,以曲率圆圆心为起点,沿圆心的周向等间隔绘制多条射线,相邻射线之间间隔第二角度,定义射线与圆心对应弯折区域的交点为第一定点,将曲率圆圆心与各个第一定点连接,获得多条第一连接线,基于各个第一连接线的长度绘制第四趋势线;
获取第二极值点对应的第二曲率半径,基于第二曲率半径定位第二极值点对应的曲率圆圆心,以曲率圆圆心为起点,沿圆心的周向等间隔绘制多条射线,相邻射线之间间隔第二角度,定义射线与圆心对应弯折区域的交点为第二定点,将曲率圆圆心与各个第二定点连接,获得多条第二连接线,基于各个第二连接线的长度绘制第五趋势线;
基于步骤S43和步骤S44,确定第四趋势线和第五趋势线对应弯折区域的第二相似度,若第二相似度大于等于第五阈值,则将两个弯折区域判断为相同弯折区域。
本发明在获得相同曲率的弯折点后,继续获取弯折点所对应的曲率圆心,然后基于曲率圆心计算圆心周围的轮廓形状,具体的,如图4中的A为第一轮廓的放大图,在获得曲率圆心后,将曲率圆心与第一极值点连接,获得第一辅助线,然后绘制垂直于第一辅助线的第二辅助线B,以第二辅助线为分界线,朝向第一轮廓弯折区域绘制射线,如图4中所示,仅在朝向弯折区域内的180度方向绘制射线,从而对射线覆盖范围之内的弯折区域形状进行判断;若第一轮廓和第二轮廓弯折点的曲率、曲率圆心周围的轮廓形状均相同,则表明两个弯折点的形状相同,否则,表明两个弯折点的形状不同。
在本实施例中,将第一趋势线调整为第三趋势线包括以下步骤:获取第一趋势线的各个坐标点的坐标,将各个坐标点对应Y轴的数值基于调整比例进行缩小,定义缩小后的坐标点为调整坐标点,重新将各个调整坐标点绘制于第二坐标系内,获得第三趋势线。
本发明还提供了一种用于电梯轿厢的识别***,该***用于实现上述的一种用于电梯轿厢的识别方法,该***主要包括:
输入模块,用于输入参考图像和目标图像,参考图像包括目标物体的第一轮廓,基于第一轮廓将目标物体从参考图像中抽出,获得第一图像,对第一图像的类别进行标注;
特征识别模块,用于对第一图像和参考图像进行特征识别,获取对应的第一特征集和第二特征集,第一特征集包括第一图像中的多个特征点,第二特征集包括目标图像中的多个特征点,将各张第一图像以及对应的第一特征集存储至参考数据库内;
特征对比模块,将第二特征集与参考数据库内各个第一特征集进行相似度对比,若存在与第二特征集相似度大于等于第一阈值的第一特征集,则基于该第一特征集获取对应的第一图像,以及第一图像的类别,将第一图像的类别定义为目标类别,将目标类别标注于目标图像内;
轮廓对比模块,对目标图像进行轮廓识别,获取目标图像中各个物体的第二轮廓,将各个物体的第二轮廓与各个第一图像的第一轮廓进行相似度对比,若存在与第二轮廓相似度大于等于第二阈值的第一轮廓,将目标图像判定为与第一轮廓对应第一图像的图像类别。
本发明还提供了一种计算机存储介质,计算机存储介质存储有程序指令,其中,在程序指令运行时控制计算机存储介质所在设备执行上述的一种用于电梯轿厢的识别方法。
应该理解的是,虽然本发明各实施例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,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
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,上述的程序可存储于一个非易失性计算机可读取存储介质中,该程序在执行时,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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上上述的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。
以上上述的实施例仅表达了本发明的几种具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上上述的仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于电梯轿厢的识别方法,其特征在于,包括:
步骤S1:获取多张参考图像,绘制所述参考图像中目标物体的第一轮廓,基于所述第一轮廓将目标物体从所述参考图像中抽出,获得第一图像,对所述第一图像的类别进行标注;
步骤S2:对所述第一图像进行特征识别,获取对应的第一特征集,第一特征集包括所述第一图像中的多个特征点,将各张所述第一图像以及对应的第一特征集存储至参考数据库内;
步骤S3:获取目标图像,对所述目标图像进行特征识别,获取对应的第二特征集,第二特征集包括所述目标图像中的多个特征点,将第二特征集与参考数据库内各个第一特征集进行相似度对比,若存在与第二特征集相似度大于等于第一阈值的第一特征集,则基于该第一特征集获取对应的所述第一图像,以及所述第一图像的类别,将所述第一图像的类别定义为目标类别,将所述目标类别标注于所述目标图像内,若不存在与第二特征集相似度大于等于所述第一阈值的第一特征集,则执行步骤S4;
步骤S4:对所述目标图像进行轮廓识别,获取所述目标图像中各个物体的第二轮廓,将各个物体的所述第二轮廓与各个所述第一图像的所述第一轮廓进行相似度对比,若存在与所述第二轮廓相似度大于等于第二阈值的所述第一轮廓,将所述目标图像判定为与所述第一轮廓对应所述第一图像的图像类别。
2.根据权利要求1所述的一种用于电梯轿厢的识别方法,其特征在于,所述步骤S4中,所述第一轮廓与所述第二轮廓的相似度对比包括以下步骤:
步骤S41:定位所述第一轮廓的轮廓重心,以轮廓重心为起点,沿轮廓重心的周向等间隔绘制多条射线,相邻射线之间间隔第一角度,定义射线与第一轮廓的交点为基点,将轮廓重心与各个基点连接,获得多条基线,对每条基线进行编号,同时测量基线的长度,以基线编号为X轴、基线长度为Y轴建立第一坐标系,将每条基线以坐标点的形式绘制于所述第一坐标系上,将所述第一坐标系内各个坐标点依次连接,获得第一趋势线;
步骤S42:定位所述第二轮廓的轮廓重心,基于所述步骤S41获得第二坐标系以及所述第二轮廓对应的第二趋势线,分别定位所述第一趋势线和所述第二趋势线中同类型的最值点,基于第一公式获得调整比例,所述第一公式为:,其中,为所述调整比例,为所述第一趋势线中的最值点,为所述第二趋势线中的最值点,基于所述调整比例将所述第一趋势线调节为第三趋势线,获取所述第一趋势线和所述第三趋势线的曲线函数,基于曲线函数获取所述第一趋势线与所述第一坐标轴围成的第一面积,所述第三趋势线与所述第二坐标轴围成的第二面积,若所述第一面积和所述第二面积的差值小于第三阈值,则继续执行步骤S43;
步骤S43:计算所述第一趋势线中第一个坐标点与所述第三趋势线中各个坐标点纵坐标差值的绝对值,获取其中绝对值最小的数值,并存储至第一数据集内,继续计算所述第一趋势线中第二个坐标点与所述第三趋势线中各个坐标点纵坐标差值的绝对值,获取其中绝对值最小的数值,并存储至所述第一数据集内,重复此步骤,直至完成所述第一趋势线中所有坐标点的计算;
步骤S44:设定第一数值范围,基于第二公式获取第一相似度,若所述第一相似度超过第四阈值,则判定所述第一轮廓与所述第二轮廓相似,所述第二公式为:,其中,为所述第一相似度,为所述第一数据集中,数值在所述第一数值范围内的绝对值数量,为所述第一数据集包含的绝对值数量。
3.根据权利要求2所述的一种用于电梯轿厢的识别方法,其特征在于,若所述第二轮廓为未封闭图形,基于以下步骤对比所述第一轮廓和所述第二轮廓的所述第一相似度:
获取所述第一轮廓,设定采集距离,沿所述第一轮廓依次选取多个第一采集点,相邻所述第一采集点之间间隔所述采集距离,计算各个所述第一采集点的曲率,筛选出曲率数值中的极值点,定义为第一极值点,建立第一表格,将所述第一极值点填充至所述第一表格内;
沿所述第二轮廓依次选取多个第二采集点,相邻所述第二采集点之间间隔所述采集距离,计算各个所述第二采集点的曲率,筛选出曲率数值中的极值点,定义为第二极值点,建立第二表格,将所述第二极值点填充至所述第二表格内;
从所述第二表格中抽取所述第二极值点,若所述第一表格中存在所述第一极值点,所述第一极值点与所述第二极值点的曲率差值在第二数值范围内,则定位所述第一极值点在所述第一轮廓中的第一弯折区域,所述第二极值点在所述第二轮廓中的第二弯折区域,计算所述第一弯折区域和所述第二弯折区域的第二相似度,重复此步骤,直至完成所述第二表格中所有所述第二极值点的抽取;
若所述第一表格中,存在与各个所述第二极值点一一对应的所述第一极值点,相互对应的所述第一极值点和所述第二极值点曲率数值差值在第二数值范围内,且所述第一极值点所在弯折区域,与对应的所述第二极值点所在的弯折区域形状相同,则将所述第二轮廓判定为与所述第一轮廓相同。
4.根据权利要求3所述的一种用于电梯轿厢的识别方法,其特征在于,判断两个弯折区域形状是否相同包括以下步骤:
获取所述第一极值点对应的第一曲率半径,基于所述第一曲率半径定位所述第一极值点对应的曲率圆圆心,以曲率圆圆心为起点,沿圆心的周向等间隔绘制多条射线,相邻射线之间间隔第二角度,定义射线与圆心对应弯折区域的交点为第一定点,将曲率圆圆心与各个所述第一定点连接,获得多条第一连接线,基于各个所述第一连接线的长度绘制第四趋势线;
获取所述第二极值点对应的第二曲率半径,基于所述第二曲率半径定位所述第二极值点对应的曲率圆圆心,以曲率圆圆心为起点,沿圆心的周向等间隔绘制多条射线,相邻射线之间间隔第二角度,定义射线与圆心对应弯折区域的交点为第二定点,将曲率圆圆心与各个所述第二定点连接,获得多条第二连接线,基于各个所述第二连接线的长度绘制第五趋势线;
基于所述步骤S43和所述步骤S44,确定所述第四趋势线和所述第五趋势线对应弯折区域的所述第二相似度,若所述第二相似度大于等于第五阈值,则将两个弯折区域判断为相同弯折区域。
5.根据权利要求2所述的一种用于电梯轿厢的识别方法,其特征在于,将所述第一趋势线调整为所述第三趋势线包括以下步骤:获取所述第一趋势线的各个坐标点的坐标,将各个坐标点对应Y轴的数值基于调整比例进行缩小,定义缩小后的坐标点为调整坐标点,重新将各个所述调整坐标点绘制于所述第二坐标系内,获得所述第三趋势线。
6.一种用于电梯轿厢的识别***,用于实现如权利要求1-5任一项所述的用于电梯轿厢的识别方法,其特征在于,包括:
输入模块,用于输入参考图像和所述目标图像,所述参考图像包括目标物体的第一轮廓,基于所述第一轮廓将目标物体从所述参考图像中抽出,获得第一图像,对所述第一图像的类别进行标注;
特征识别模块,用于对所述第一图像和所述参考图像进行特征识别,获取对应的第一特征集和第二特征集,第一特征集包括所述第一图像中的多个特征点,第二特征集包括所述目标图像中的多个特征点,将各张所述第一图像以及对应的第一特征集存储至参考数据库内;
特征对比模块,将第二特征集与参考数据库内各个第一特征集进行相似度对比,若存在与第二特征集相似度大于等于第一阈值的第一特征集,则基于该第一特征集获取对应的所述第一图像,以及所述第一图像的类别,将所述第一图像的类别定义为目标类别,将所述目标类别标注于所述目标图像内;
轮廓对比模块,对所述目标图像进行轮廓识别,获取所述目标图像中各个物体的第二轮廓,将各个物体的所述第二轮廓与各个所述第一图像的所述第一轮廓进行相似度对比,若存在与所述第二轮廓相似度大于等于第二阈值的所述第一轮廓,将所述目标图像判定为与所述第一轮廓对应所述第一图像的图像类别。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有程序指令,其中,在所述程序指令运行时控制所述计算机存储介质所在设备执行权利要求1-5任意一项所述的一种用于电梯轿厢的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310216212.2A CN115909321B (zh) | 2023-03-08 | 2023-03-08 | 一种用于电梯轿厢的识别方法、***和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310216212.2A CN115909321B (zh) | 2023-03-08 | 2023-03-08 | 一种用于电梯轿厢的识别方法、***和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909321A true CN115909321A (zh) | 2023-04-04 |
CN115909321B CN115909321B (zh) | 2023-05-12 |
Family
ID=85739244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310216212.2A Active CN115909321B (zh) | 2023-03-08 | 2023-03-08 | 一种用于电梯轿厢的识别方法、***和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909321B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180035606A1 (en) * | 2016-08-05 | 2018-02-08 | Romello Burdoucci | Smart Interactive and Autonomous Robotic Property Maintenance Apparatus, System, and Method |
CN108447155A (zh) * | 2018-03-06 | 2018-08-24 | 江苏盛世华安智能科技股份有限公司 | 一种物联网小区电动车智慧门禁*** |
CN109299720A (zh) * | 2018-07-13 | 2019-02-01 | 沈阳理工大学 | 一种基于轮廓片段空间关系的目标识别方法 |
WO2019052318A1 (zh) * | 2017-09-13 | 2019-03-21 | 杭州海康威视数字技术股份有限公司 | 一种电梯轿厢监控方法、装置及*** |
CN110070557A (zh) * | 2019-04-07 | 2019-07-30 | 西北工业大学 | 一种基于边缘特征检测的目标识别与定位方法 |
CN110127481A (zh) * | 2019-05-09 | 2019-08-16 | 苏州博学智能科技有限公司 | 一种防止电动车搭载的电梯*** |
CN110222659A (zh) * | 2019-06-12 | 2019-09-10 | 江苏鼎航电子科技有限公司 | 电动车识别方法、装置和*** |
CN110288667A (zh) * | 2018-03-19 | 2019-09-27 | 北京大学 | 一种基于结构引导的图像纹理迁移方法 |
CN112551298A (zh) * | 2020-12-01 | 2021-03-26 | 慧泉智能科技(苏州)有限公司 | 一种升降梯轿厢内电瓶车进入预警方法 |
CN214298768U (zh) * | 2020-12-01 | 2021-09-28 | 慧泉智能科技(苏州)有限公司 | 一种升降梯轿厢内电瓶车进入预警*** |
CN113705357A (zh) * | 2021-08-02 | 2021-11-26 | 深圳英飞拓智能技术有限公司 | 基于摄像机识别电动车的方法及***、设备及存储介质 |
CN113936252A (zh) * | 2021-11-25 | 2022-01-14 | 深圳市红湾安全智能科技有限公司 | 基于视频监控的电瓶车智能管理***及方法 |
CN114140746A (zh) * | 2021-11-30 | 2022-03-04 | 成都新潮传媒集团有限公司 | 一种箱内摄像头遮挡检测方法、电梯运行控制方法及装置 |
CN114283360A (zh) * | 2021-12-20 | 2022-04-05 | 苏州汇川控制技术有限公司 | 电梯内的电动车检测方法、装置、设备和介质 |
CN114359839A (zh) * | 2021-02-03 | 2022-04-15 | 苏州飞易智能***有限公司 | 识别电动车进入电梯的方法及*** |
CN114394501A (zh) * | 2022-01-20 | 2022-04-26 | 济南博观智能科技有限公司 | 一种电动车禁入电梯的监管方法、装置及电梯 |
CN114701932A (zh) * | 2022-04-02 | 2022-07-05 | 成都睿瞳科技有限责任公司 | 一种基于无线电信号的电梯运行监控***及方法 |
CN216945738U (zh) * | 2021-07-27 | 2022-07-12 | 德尔法电梯有限公司 | 禁止电瓶车驶入的安全电梯 |
WO2023020693A1 (en) * | 2021-08-19 | 2023-02-23 | Kone Corporation | Monitoring elevator door operation |
-
2023
- 2023-03-08 CN CN202310216212.2A patent/CN115909321B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180035606A1 (en) * | 2016-08-05 | 2018-02-08 | Romello Burdoucci | Smart Interactive and Autonomous Robotic Property Maintenance Apparatus, System, and Method |
WO2019052318A1 (zh) * | 2017-09-13 | 2019-03-21 | 杭州海康威视数字技术股份有限公司 | 一种电梯轿厢监控方法、装置及*** |
CN108447155A (zh) * | 2018-03-06 | 2018-08-24 | 江苏盛世华安智能科技股份有限公司 | 一种物联网小区电动车智慧门禁*** |
CN110288667A (zh) * | 2018-03-19 | 2019-09-27 | 北京大学 | 一种基于结构引导的图像纹理迁移方法 |
CN109299720A (zh) * | 2018-07-13 | 2019-02-01 | 沈阳理工大学 | 一种基于轮廓片段空间关系的目标识别方法 |
CN110070557A (zh) * | 2019-04-07 | 2019-07-30 | 西北工业大学 | 一种基于边缘特征检测的目标识别与定位方法 |
CN110127481A (zh) * | 2019-05-09 | 2019-08-16 | 苏州博学智能科技有限公司 | 一种防止电动车搭载的电梯*** |
CN110222659A (zh) * | 2019-06-12 | 2019-09-10 | 江苏鼎航电子科技有限公司 | 电动车识别方法、装置和*** |
CN112551298A (zh) * | 2020-12-01 | 2021-03-26 | 慧泉智能科技(苏州)有限公司 | 一种升降梯轿厢内电瓶车进入预警方法 |
CN214298768U (zh) * | 2020-12-01 | 2021-09-28 | 慧泉智能科技(苏州)有限公司 | 一种升降梯轿厢内电瓶车进入预警*** |
CN114359839A (zh) * | 2021-02-03 | 2022-04-15 | 苏州飞易智能***有限公司 | 识别电动车进入电梯的方法及*** |
CN216945738U (zh) * | 2021-07-27 | 2022-07-12 | 德尔法电梯有限公司 | 禁止电瓶车驶入的安全电梯 |
CN113705357A (zh) * | 2021-08-02 | 2021-11-26 | 深圳英飞拓智能技术有限公司 | 基于摄像机识别电动车的方法及***、设备及存储介质 |
WO2023020693A1 (en) * | 2021-08-19 | 2023-02-23 | Kone Corporation | Monitoring elevator door operation |
CN113936252A (zh) * | 2021-11-25 | 2022-01-14 | 深圳市红湾安全智能科技有限公司 | 基于视频监控的电瓶车智能管理***及方法 |
CN114140746A (zh) * | 2021-11-30 | 2022-03-04 | 成都新潮传媒集团有限公司 | 一种箱内摄像头遮挡检测方法、电梯运行控制方法及装置 |
CN114283360A (zh) * | 2021-12-20 | 2022-04-05 | 苏州汇川控制技术有限公司 | 电梯内的电动车检测方法、装置、设备和介质 |
CN114394501A (zh) * | 2022-01-20 | 2022-04-26 | 济南博观智能科技有限公司 | 一种电动车禁入电梯的监管方法、装置及电梯 |
CN114701932A (zh) * | 2022-04-02 | 2022-07-05 | 成都睿瞳科技有限责任公司 | 一种基于无线电信号的电梯运行监控***及方法 |
Non-Patent Citations (4)
Title |
---|
G. XIONG: "Battery car detection algorithm based on improved convolutional neural network", 2022 IEEE 5TH INTERNATIONAL CONFERENCE ON AUTOMATION, ELECTRONICS AND ELECTRICAL ENGINEERING (AUTEEE) * |
SHI BO GUO 等: "Intelligent Elevator Safety Supervision System Combined with Battery Car Identification", CONFERENCE: 2022 4TH INTERNATIONAL CONFERENCE ON VIDEO, SIGNAL AND IMAGE PROCESSING * |
张媛 等: "基于树莓派和YOLOv3电梯内电动车检测***设计", 信息技术与信息化 * |
朱孝慈: "基于深度学习的电梯智能监控***研究与设计", 中国硕士学位论文全文数据库 (工程科技Ⅱ辑) * |
Also Published As
Publication number | Publication date |
---|---|
CN115909321B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428581B (zh) | 人脸遮挡检测方法及*** | |
CN109815850B (zh) | 基于深度学习的虹膜图像分割及定位方法、***、装置 | |
CN106919941B (zh) | 一种三维手指静脉识别方法及*** | |
CN111583188B (zh) | 手术导航标记点定位方法、存储介质及计算机设备 | |
KR0158038B1 (ko) | 개인식별장치 | |
CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及*** | |
CN108710866A (zh) | 汉字模型训练方法、汉字识别方法、装置、设备及介质 | |
CN108428248B (zh) | 车窗定位方法、***、设备及存储介质 | |
CN106373128B (zh) | 一种嘴唇精确定位的方法和*** | |
CN113436162B (zh) | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 | |
CN112001244B (zh) | 计算机辅助虹膜比对方法及装置 | |
CN111696072B (zh) | 彩色图像的直线检测方法、装置、电子设备及存储介质 | |
CN108090451A (zh) | 一种人脸识别方法及*** | |
CN110909582B (zh) | 一种人脸识别的方法及设备 | |
CN115909321A (zh) | 一种用于电梯轿厢的识别方法、***和存储介质 | |
CN114387329A (zh) | 基于高分遥感影像的建筑物轮廓递进式规则化方法 | |
CN115546073B (zh) | 地砖图像阴影去除方法、装置、计算机设备及存储介质 | |
CN115205418B (zh) | 户型图重构方法、装置及电子设备、存储介质 | |
CN116091596A (zh) | 一种自下而上的多人2d人体姿态估计方法及装置 | |
CN111797828B (zh) | 指静脉图像的roi区域的获取方法、装置及相关设备 | |
CN112199975A (zh) | 基于人脸特征的身份验证方法及装置 | |
CN114821754A (zh) | 半闭眼图像生成方法、装置、可读存储介质及电子设备 | |
KR100893086B1 (ko) | 조명 변화에 강인한 얼굴 검출 방법 | |
CN112380966B (zh) | 基于特征点重投影的单眼虹膜匹配方法 | |
CN115273219A (zh) | 一种瑜伽动作评估方法、***、存储介质和电子设备 |
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 |