CN117152892B - 基于视频监控识别的防偷砂方法及*** - Google Patents
基于视频监控识别的防偷砂方法及*** Download PDFInfo
- Publication number
- CN117152892B CN117152892B CN202311247543.9A CN202311247543A CN117152892B CN 117152892 B CN117152892 B CN 117152892B CN 202311247543 A CN202311247543 A CN 202311247543A CN 117152892 B CN117152892 B CN 117152892B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- sand
- monitors
- monitor
- road
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 219
- 239000004576 sand Substances 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000002265 prevention Effects 0.000 title claims description 11
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 230000000903 blocking effect Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 10
- 238000005316 response function Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000013461 design Methods 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 36
- 238000007726 management method Methods 0.000 description 14
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 229910052742 iron Inorganic materials 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于视频监控识别的防偷砂方法及***,包括:获取待监控区域的地图,并在地图上勾画监控道路;根据监控道路布局监控设备,监控设备包括监管中心平台和多个监控器,监管中心平台与所有监控器通信连接;监管中心平台根据所有监控器拍摄的监控视频分析判断是否发生了偷砂行为;若判断发生了偷砂行为,则监管中心平台发出警报信息。通过对待监控区域进行布局设计,使得监控器被合理高效的设置,在控制成本的基础上保证监控的有效性;通过监管中心平台对所有监控视频进行分析判断,提高了判断的准确性,进而可以避免因误判而导致的在发出警报信息后造成的人力浪费,解决了现有监控非法采砂的方案成本高昂、效果较差的问题。
Description
技术领域
本发明涉及视频监控识别技术领域,特别涉及一种基于视频监控识别的防偷砂方法及***。
背景技术
随着芯片半导体行业的发展,以及土木工程行业的发展,对砂石的需求量越来越大。目前,天然砂石主要通过采砂船等设备在河道等地获取。由于天然砂石为非可再生资源,有些地区的天然砂石资源已近枯竭。在利益的驱使下,非法采砂行为屡禁不止,不仅破坏了江河堤坝及周边环境的生态平衡,还会造成国家自然资源的流失和经济利益的损失。
为了控制非法采砂行为,相关部门派设了人力来进行稽查,但此种方式不仅需耗费大量人力,而且由于人力管控范围有限,监管效果并不理想。基于此,相关部门还增设了智能监控设备,通过获取河道附近的视频图像来利用计算机技术智能判断是否发生了非法采砂行为,然而此种方式需要架设大量的监控设备,其架设和后期维护成本较高,且在河道部分区域由于难以架设监控设备,或受地理因素影响,会造成监控死角,且人员不便靠近,为非法采砂提供了可乘之机。
发明内容
本发明的目的在于提供一种基于视频监控识别的防偷砂方法及***,以解决现有监控非法采砂的方案成本高昂、效果较差的问题。
为解决上述技术问题,本发明提供一种基于视频监控识别的防偷砂方法,包括:
获取待监控区域的地图,并在所述地图上勾画监控道路;
根据所述监控道路布局监控设备,所述监控设备包括监管中心平台和多个监控器,所述监管中心平台与所有所述监控器通信连接;
所述监管中心平台根据所有所述监控器拍摄的监控视频分析判断是否发生了偷砂行为;
若判断发生了偷砂行为,则所述监管中心平台发出警报信息。
可选的,在所述的基于视频监控识别的防偷砂方法中,所述根据所述监控道路布局监控设备的方法包括:
在所述监控道路上设置非关键路段、关键路段,关键点和其他路段,所述非关键路段的两端为关键点;
获取所述关键点的坐标和所述非关键路段的两端点的坐标;
汇总所述关键点的坐标和所述非关键路段的两端点的坐标,并剔除其中重复的坐标,得到坐标数量和坐标合集,所述坐标数量为监控器数量,所述坐标合集中的每一坐标为每一监控器的安装位置。
可选的,在所述的基于视频监控识别的防偷砂方法中,所述根据所述监控道路布局监控设备的方法还包括:
在所述监控道路上剔除所述非关键路段,以得到一类监控道路;
根据所述监控器的拍摄范围对所述一类监控道路进行网格化处理,每一网格中设置有一个监控器。
可选的,在所述的基于视频监控识别的防偷砂方法中,所述根据所述监控器的拍摄范围对所述一类监控道路进行网格化处理,每一网格中设置有一个监控器的方法包括:
设监控器的拍摄范围为圆锥形,且所述圆锥形的底部半径为r,则:
其中,R为监控器的安装高度,θ为监控器的视角;
将所述一类监控道路进行网格化处理,以使每一网格的边长尺寸不小于2r;
获取每一网格的中心坐标,所述中心坐标为每一网格中安装监控器的位置。
可选的,在所述的基于视频监控识别的防偷砂方法中,所述根据所述监控道路布局监控设备的方法还包括:
若所述网格中包括关键点,则所述关键点的坐标为监控器的安装位置。
可选的,在所述的基于视频监控识别的防偷砂方法中,所述监管中心平台根据所有所述监控器拍摄的监控视频分析判断是否发生了偷砂行为的方法包括:
获取所有所述监控器的监控视频,并从所述监控视频中提取目标物;
判断从不同监控器的监控视频中提取的目标物是否一致,若一致,则将监控视频汇总,获取目标物存在的时长;
若目标物存在的时长超过预设时间阈值,则判定发生了偷砂行为。
可选的,在所述的基于视频监控识别的防偷砂方法中,所述获取所有所述监控器的监控视频,并从所述监控视频中提取目标物的方法包括:
按照所述监控器的安装位置对所有所述监控器进行编码,以得到监控器的识别码;
获取所有所述监控器的监控视频,并对每一所述监控视频进行分帧处理,以得到每一监控器对应的帧图像;
利用全要素AI标签算法对所述帧图像进行处理,以提取所述帧图像中的目标物。
可选的,在所述的基于视频监控识别的防偷砂方法中,所述判断从不同监控器的监控视频中提取的目标物是否一致的方法包括:
获取不同监控视频中的目标物的相关信息,所述相关信息包括视频时间点;
判断具有目标物的不同监控视频的视频时间点之间的时间间隔是否超出间隔阈值,若未超出间隔阈值,则提取目标物的关键特征点;
计算每一关键特征点的特征向量,并赋予每一特征向量权重,以得到每一目标物的特征向量集合;
基于最近邻匹配,获得特征点一致的特征向量,并基于特征点一致的特征向量的数量和权重,得到目标物的相似度;
若目标物的相似度大于相似度阈值,则判定目标物一致。
可选的,在所述的基于视频监控识别的防偷砂方法中,所述若判断发生了偷砂行为,则所述监管中心平台发出警报信息的方法包括:
若判断发生了偷砂行为,则所述监管中心平台触发应急响应功能,所述应急响应功能包括:
根据预设应急响应规则,通知值班人员;
获取偷砂行为对应的目标物最终出现的位置,并将位置发送至值班人员;和/或,根据偷砂行为对应的目标物最终出现的位置,规划围堵路线,并将围堵路线发送至值班人员。
为解决上述技术问题,本发明还提供一种基于视频监控识别的防偷砂***,包括:多个监控器;监管中心平台,所述监管中心平台与所有所述监控器通信连接;所述监管中心平台包括视频获取模块、分析处理模块和决策通知模块;所述视频获取模块用于获取每一所述监控器拍摄的监控视频;所述分析处理模块用于对所述监控视频进行分析处理,以判断是否发生了偷砂行为;所述决策通知模块用于在所述分析处理模块判断发生了偷砂行为时发出警报信息。
本发明提供的基于视频监控识别的防偷砂方法及***,包括:获取待监控区域的地图,并在所述地图上勾画监控道路;根据所述监控道路布局监控设备,所述监控设备包括监管中心平台和多个监控器,所述监管中心平台与所有所述监控器通信连接;所述监管中心平台根据所有所述监控器拍摄的监控视频分析判断是否发生了偷砂行为;若判断发生了偷砂行为,则所述监管中心平台发出警报信息。通过对待监控区域进行布局设计,使得监控器被合理高效的设置,在控制成本的基础上保证监控的有效性;通过监管中心平台对所有监控视频进行分析判断,提高了判断的准确性,进而可以避免因误判而导致的在发出警报信息后造成的人力浪费,解决了现有监控非法采砂的方案成本高昂、效果较差的问题。
附图说明
图1为本实施例提供的基于视频监控识别的防偷砂方法的流程图;
图2为本实施例提供的监控道路的示例图;
图3为本实施例提供的目标物一致性判断的逻辑图;
图4为本实施例提供的基于视频监控识别的防偷砂***的结构示意图;
图5为本实施例提供的防偷砂***的具体结构及功能示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的基于视频监控识别的防偷砂方法及***作进一步详细说明。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。此外,附图所展示的结构往往是实际结构的一部分。特别的,各附图需要展示的侧重点不同,有时会采用不同的比例。
需要说明的是,本发明的说明书和权利要求书及附图说明中的“第一”、“第二”等是用于区别类似的对象,以便描述本发明的实施例,而不用于描述特定的顺序或先后次序,应该理解这样使用的结构在适当情况下可以互换。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本实施例提供一种基于视频监控识别的防偷砂方法,如图1所示,所述基于视频监控识别的防偷砂方法包括:
S1,获取待监控区域的地图,并在所述地图上勾画监控道路;
S2,根据所述监控道路布局监控设备,所述监控设备包括监管中心平台和多个监控器,所述监管中心平台与所有所述监控器通信连接;
S3,所述监管中心平台根据所有所述监控器拍摄的监控视频分析判断是否发生了偷砂行为;
S4,若判断发生了偷砂行为,则所述监管中心平台发出警报信息。
本实施例提供的基于视频监控识别的防偷砂方法,通过对待监控区域进行布局设计,使得监控器被合理高效的设置,在控制成本的基础上保证监控的有效性;通过监管中心平台对所有监控视频进行分析判断,提高了判断的准确性,进而可以避免因误判而导致的在发出警报信息后造成的人力浪费,解决了现有监控非法采砂的方案成本高昂、效果较差的问题。
需要说明的是,在具体应用过程中,还可以在上述方法步骤之间增设其他步骤,以提高其防偷砂性能或具备其他额外功能。在不违背本申请主旨前提下的其他基于本申请上述方法的改进,也应当属于本申请的保护范围。
进一步的,在本实施例中,步骤S1,获取待监控区域的地图,并在所述地图上勾画监控道路的方法包括:
S11,获取待监控区域的地图。具体的,待监控区域一般包括采砂场附近的河道,可以通过卫星获取高精度的采砂场附近的河道的地图,或根据开采证及相关文件中的图纸等资料绘制待监控区域的地图。地图中应当可以体现采砂船可以行驶的航道,货车、三轮车以及人员可以通行的道路,以及砂石堆积、存留或待开采的地点等。更细致的,地图还应当可以识别航道、道路等的长度、宽度等,以便后续对监控器的布局的计算。
S12,按照地理条件、历史偷砂行为发生地及高风险区域等调节,在所述地图上勾画监控道路。地理条件包括已形成的自然河道、人工铺设的道路、码头等;历史偷砂行为发生地为之前已经发生过偷砂的地点,避免有非法采砂人员持续作案;高风险地区一般为稽查人员不易到达的地方,或监控不易覆盖的地方,可以针对该地区专门设置一个监控器以避免监控死角。
当然,在其他具体实施例中,地图的来源和监控道路勾画的原则可以有其他不同的设计,本实施例仅以上述实例说明本申请可实现的方案,本申请的保护范围不应当以此为限。
再进一步的,在本实施例中,步骤S2,根据所述监控道路布局监控设备的方法包括:
S21,在所述监控道路上设置非关键路段、关键路段,关键点和其他路段,所述非关键路段的两端为关键点。具体的,在本实施例中,将一些发生偷砂行为概率较低的路段设置为非关键路段,如发生偷砂行为概率在20%以下的路段;将发生偷砂行为概率较高的路段设置为关键路段,如发生偷砂行为概率在60%以上的路段;除了非关键路段和关键路段外的为其他路段。在实际应用中,一般远离砂矿以及远离河岸的区域发生偷砂行为的概率较低,靠近砂矿、仓库以及位置隐蔽的区域发生偷砂行为的概率较高。以及,在本实施例中,关键点可以包括道路的交叉口、村落的进出口、道路的终点、码头口等,以及发生偷砂行为概率较高的点,比如砂矿存储点、砂矿挖掘点等。
S22,获取所述关键点的坐标和所述非关键路段的两端点的坐标。具体的,为了便于后续监控器的安装,坐标可以为经纬度坐标,或者以某一具体参照物形成的比例尺坐标。坐标的获取方式为本领域技术人员所熟知的,此处不再赘述。
S23,汇总所述关键点的坐标和所述非关键路段的两端点的坐标,并剔除其中重复的坐标,得到坐标数量和坐标合集,所述坐标数量为监控器数量,所述坐标合集中的每一坐标为每一监控器的安装位置。考虑到非关键路段的一端一般会与另一路段相联通,而道路的交叉口为关键点坐标,所以在本实施例中,将重复的坐标进行剔除,避免计算错误。当然,在实际应用过程中,考虑到道路宽度等实际情况造成的端点和交叉点的计算偏差,还可以将坐标距离差值在一定范围内的坐标认定为重复坐标,如两个坐标之间的距离差距小于2m,则认定这两个坐标为重复坐标,需剔除其中之一。
图2给出了一种监控器的布局实例。如图2所示,图中灰色线条代表监控道路,黑点表示安装的监控器。该实例中,可以看出,待监控区域中需要部署监控器的路段包括有y1,y2,……,y10十条路段,因此需要部署监控器的路段的总长度L=y1+y2+……+y10;其中,每条路段的两端均设置有监控器,y10与y1、y3、y5、y7和y9的交叉口处也均设置有监控器,y9和y10的道路中间还另外设置有监控器。如此,可以利用监控器将所有监控道路进行覆盖,避免存在监控死角。当然,在其他实施例中,由于监控道路的布局不同,其监控路段的总长度L(总长度=所有监控路段的长度之和)也会不同,以及,监控路段中的非关键路段的选择也需要根据实际情况进行选择,本实施例在此不再赘述。
以图2所示的实例为例,根据监控区域沿线和重点关注区域得到监控器关键点的点位集合A={x1,x2,x3,……},并将关键点对应的监控器的数量记为sumA;非关键监控区域路段集合B={y3,y5,....},并将非关键路段的数量记为sumB,由于在非关键路段,仅需在路段两端前后位置设置有监控器即可,因此,非关键路段所需的监控器的数量为2sumB;进而,在本实施例中,此时的总监控器的数量sumC=sumA-2sumB。
较佳的,为了保证监控的有效性,在本实施例中,步骤S2,根据所述监控道路布局监控设备的方法还包括:
S24,在所述监控道路上剔除所述非关键路段,以得到一类监控道路;
S25,根据所述监控器的拍摄范围对所述一类监控道路进行网格化处理,每一网格中设置有一个监控器。
通过网格化处理,保证多个监控器拍摄的监控视频具有地理位置连贯性,可以在避免监控盲区的同时尽可能的减少监控器的数量,从而降低成本。
具体的,在本实施例中,根据所述监控器的拍摄范围对所述一类监控道路进行网格化处理,每一网格中设置有一个监控器的方法包括:
设监控器的拍摄范围为圆锥形(不考虑监控器视线被遮挡的情形),所述圆锥形的底部半径为r(也就是监控器能够拍摄的最远距离),则:
其中,R为监控器的安装高度,θ为监控器的视角;
将所述一类监控道路进行网格化处理,对每个网格进行编号,例如得到n个网格,对每一网格分别记为D1,D2,……,Dn,网格的总数记为sumg。
获取每一网格的中心坐标,所述中心坐标为每一网格中安装监控器的位置。具体的,在本实施例中,若每一网格的中心坐标为(mi,ni),一类监控道路的横坐标方向的最大值为h,纵坐标方向的最大值为l,则对于每个网格来说,部署监控器的坐标位置为:
PDi=(h,ni)或(mi-h,ni),其中ni<l,i=1,2,……,n
由于监控器的拍摄范围半径为r,则通过控制网格的边长尺寸保证相邻监控器的拍摄范围不发生重叠,从而在减少监控器数量的同时保证监控效果。
在具体应用过程中,每一网格的面积可以不同,以适应不同的地理环境,避免产生监控死角。当然,每一网格的面积还可以与使用的监控器规格相适配,当***中存在多种监控范围不同的监控器时,监控器安装的网格面积及位置也应当存在差别。
较佳的,在本实施例中,一类监控道路所需的监控器数量等于网格的数量sumg,因此,一类监控道路所需的监控器数量应满足:
上式中,由于道路的宽度一般能够被监控器所覆盖,因此仅考虑道路的长度,yi为一类监控道路各个路段的长度,yi÷l即代表以l为网格长度,该路段能够被划分的网格数量。当然,在其他实施例中,道路尺寸与网格尺寸的相互关系还需要根据监控器的监控范围合理设定。
在本实施例中,优选每一个网格的边长尺寸l不小于2r,即l≥2r,以控制监控器的数量。通常监控器的监控范围2r能够覆盖整条道路的宽度,因此,在监控道路上设置监控器时,控制监控器之间的间距不小于2r能够保证在监控器数量较少的同时,保证不会出现监控盲区。在实际应用中,可以将每一网格的边长尺寸设为2r,如此,不仅可以降低监控器布局方案的计算复杂度,还可以保证相邻监控器拍摄的监控视频能够连贯拼接。
为了在保证监控效果的基础上进一步减少监控器的数量,在本实施例中,步骤S2,根据所述监控道路布局监控设备的方法还包括:
S26,若所述网格中包括关键点,则所述关键点的坐标为监控器的安装位置。也就是说,利用关键点处的监控器能够实现对当前网格区域的监控,而无需再额外增加网格中心点处的监控器,从而保证在对关键点有效监控的同时还能够对网格区域的监控。
S27,所述一类监控道路中的监控器的坐标之间的距离d不小于2r即,d≥2r。本领域技术人员可以理解,由于一类监控道路包括关键路段、其他路段和关键点,且一类监控道路与非关键路段相互连通,因此可以充分利用关键点和非关键路段两端的监控器来实现在监控器数量尽可能少的前提下,对一类监控道路的有效监控。一类监控道路的监控器设计可以依据实际情况进行布局,此处不再赘述。
S28,若所述关键点的坐标、所述非关键路段的两端点的坐标和网格的中心坐标中,不同种类坐标之间的任意两个坐标之间的距离小于2r,则剔除其中任一坐标,以使任意两个坐标之间的距离不小于2r。
具体的,假设对于一项监控项目,受成本限制,只能配置总量为sum的监控器,其中关键点和非关键路段共使用了sumc个监控器,n个网格共需sumg个监控器,则需控制sumc+sumg≤sum。如此,则必须减少关键点、非关键路段两端以及网格中相邻较近而导致监控范围重合的监控器。在本实施例中,通过保证任意两个坐标之间的距离不小于2r来获得监控器数量最小的方案。当然,若当前计算得到的监控器数量sumc+sumg小于已购买的监控器总数sum,则针对多余的监控器,可以根据监控道路特点,补填一些点位。
此外,考虑到非关键路段一般与一类监控道路相交汇,因此,在本实施例中,还约束网格的长度l不小于相邻网格中监控器的坐标之间的距离d,即l≥d,如此,能够保证每一网格中监控器的监控视野构成的监控视频不存在盲区。
在本实施例中,通过对关键点、非关键路段的监控器部署进行设定,再通过网格化对一类监控道路的监控器部署进行设定,能够满足对整个待监控区域的全覆盖。此外,为了在保证监控效果的同时减少监控器数量以节约成本,本实施例以监控器的监控范围为限,剔除监控范围重合的监控器,以保证在关键点有监控器以保证监控效果的同时,减少不必要的监控器。
在具体应用过程中,可以采用计算机编程来实现对监控器布局的具体计算。计算机编程的实现方式为相关领域技术人员所可以根据实现功能而形成的,本实施例在此不再赘述。
进一步的,在本实施例中,步骤S3,监管中心平台根据所有所述监控器拍摄的监控视频分析判断是否发生了偷砂行为的方法包括:
S31,获取所有所述监控器的监控视频,并从所述监控视频中提取目标物。
具体的,在本实施例中,首先,按照所述监控器的安装位置对所有所述监控器进行编码,以得到监控器的识别码;然后,获取所有所述监控器的监控视频,并对每一所述监控视频进行分帧处理,以得到每一监控器对应的帧图像;接着利用全要素AI标签算法对所述帧图像进行处理,以提取所述帧图像中的目标物。
在本实施例中,通过全要素AI标签算法可以对视频图像中的物体、场景、人脸等进行识别和分类,比如可识别图像中人员、农用车、三轮车、拖拉机、货车、采砂船、铁板、铁耙、抽沙泵等。
全要素AI标签算法可以集成在监控器端,从而利用每一监控器自带的全要素AI标签算法对其自身拍摄的监控视频进行处理;全要素AI标签算法也可以设置在监管中心平台,监管中心平台可以按照监控器的识别码将每一监控器的监控视频分类储存并进行全要素AI标签算法处理,本实施例在此不做限制。
需要说明的是,本实施例采用的AI算法功能为本领域技术人员可以通过现有技术获得的,例如,在本实施例中,具体采用最近邻算法KNN来实现目标物的识别。
S32,判断从不同监控器的监控视频中提取的目标物是否一致,若一致,则将监控视频汇总,获取目标物存在的时长。
具体的,在本实施例中,参考图3,首先,获取不同监控视频中的目标物的相关信息,所述相关信息包括但不限于视频时间点、目标物存在的位置、目标物类别(如人员、车辆、船舶、工具等)、车牌号/船号,以及其他目标特征,如目标物颜色、对应监控器的识别码等。
然后,判断具有目标物的不同监控视频的视频时间点之间的时间间隔是否超出(大于)间隔阈值,若未超出间隔阈值,则提取目标物的关键特征点。间隔阈值是可以根据实际情况进行调整的,例如基于经验,设置间隔阈值为12小时,如此,当两个监控视频的时间超过12小时后,则认为两个监控视频没有可比性,因为即使两个监控视频中识别的目标物一致,也可能因为监控视频拍摄的前后间隔太久而不具有连贯性,从而避免误判。
接着,计算每一关键特征点的特征向量,并赋予每一特征向量权重,以得到每一目标物的特征向量集合。在本实施例中,是基于信息熵的权重分配方法来设置特征向量的权重,包括准备数据集、计算每个特征向量的信息熵、归一化信息熵、最终得到分配的权重等步骤,本实施例采用的信息熵权重分配方法为本领域技术人员所熟知的,此处不再赘述。当然,在其他实施例中,也可以采用其他的方式来对特征向量进行权重的配置,例如根据监控经验。
之后,基于最近邻匹配,获得特征点一致的特征向量,并基于特征点一致的特征向量的数量和权重,得到目标物的相似度。具体的,基于最近邻匹配,根据第一张图像(帧图像)中的特征向量找到第二张图像中的距离最近的特征向量;根据匹配得到的特征向量配对计算角度和距离差判断特征点是否一致;根据匹配一致性的特征点的数量和权重,得到目标物的相似程度。本实施例采用的最近邻匹配方法为本领域技术人员所熟知的,此处不再赘述。
最后,若目标物的相似度大于相似度阈值,则判定目标物一致。相似度阈值是可以根据实际情况进行设定的,在本实施例中,基于上述目标物一致性的判定方法,可以有较高精准度的相似度判定结果,因此将相似度阈值设置在90%。当然,若采用了其他目标物一致性的判断方法,或由于监控视频清晰度分辨率影响,相似度阈值也可以设置为一个较低的值,如75%。此外,基于上述的目标物一致性的判定方法,在本实施例中,使用特征匹配算法(一般为SIFT算法)来获取相似度,如此,可以利用SIFT算法自身的判断功能实现目标物相似度的自动判断,提高了***的智能化程度。
在具体应用过程中,为了减少相似度计算的复杂性,可以针对具有明显特征的目标物进行特征识别,例如当目标物提取的相关信息中含有车牌号,则可以判断车牌号是否一致;若无法通过车牌号判定,则可以通过车身特征(车辆颜色、车载物、装饰品、品牌标识、车轮及车头部位特征等)来进行判断;若没有明显特征,可以采用上述的特征识别方法。
S33,若目标物存在的时长超过预设时间阈值,则判定发生了偷砂行为。
具体的,在本实施例中,可以对监控器的识别码进行分类管理,例如在关键点的监控器标识为I类,在偷砂行为出现的高风险区域的监控器标识为II类,其余地区的监控器标识为III类;如此,可以针对不同类别的监控器拍摄的监控画面进行不同优先级和不同频次的处理,以在降低***运行负荷的同时保证不会出现监控漏洞。
在本实施例中,对于识别出的目标物按照时间先后顺序和监控器识别码进行排序,若目标物在所有监控器拍摄的监控视频中存在的长超过预设时间阈值,则判定发生了偷砂行为。可以理解为,若一辆车辆长时间处于监控***的拍摄范围内,则有可能在进行偷砂作业。根据经验,本实施例中的预设时间阈值设置为半小时。当然,在其他实施例中,还可以根据监控范围的面积、路面行驶平均通过时长等因素合理设置预设时间阈值。
此外,考虑到同一监控视频中可能出现多个目标物,不同监控视频中不可能将所有目标物均一一对应匹配,则对于相似度低于相似度阈值的目标物作为待定事件连同监控视频等资料一同暂存。若在同一监控视频中的多个目标物中的一个被认定为发生了偷砂行为,且其他目标物与该目标物的行动轨迹(监控视频中出现的时间和位置)一致,且均超过了(大于)预设时间阈值,则该待定事件与该目标物一同认定为发生了偷砂行为。当然,考虑到实际情况,例如车辆先行,人员下车后尾随的情况,在其他目标物与该目标物的行动轨迹的一致性判断上,可以设置一个容差值,例如目标物之间的时间差在5分钟之内,其行动轨迹认为是一致的。以及,若待定事件在一定时间内没有被判断发生了偷砂行为,则可以将其标记为其他,例如待定事件在12小时内未被判断发生了偷砂行为,则将其标记为其他。具体的判定时间可以依据实际情况进行设定。
进一步的,在本实施例中,步骤S4,若判断发生了偷砂行为,则所述监管中心平台发出警报信息的方法包括:
若判断发生了偷砂行为,则所述监管中心平台触发应急响应功能,所述应急响应功能包括:
A.根据预设应急响应规则,通知值班人员。在本实施例中,考虑到值班人员按照排班表按日值班,不同日期值班人员不同,因此,应急响应规则中可以列入排班表,如此可以按照偷砂行为发生的日期通知当日的值班人员。通知方式不局限于自动发送短信至值班人员或自动呼叫值班人员的电话等。此外,还可以使监管中心平台对发生偷砂行为所对应的监控器发出警报,如指示灯变色、发出警报蜂鸣、显示屏放大显示该监控器的监控画面等。
B.获取偷砂行为对应的目标物最终出现的位置,并将位置发送至值班人员。在本实施例中,可以利用监控器的识别码获知监控器所在的地理位置坐标,进而根据监控视频来自动计算目标物的位置。当然,考虑到目标物的可移动性,还可以基于模型算法推算目标物的可能移动路径,并预测其可能到达的位置及对应的时间点,方便值班人员抓捕。
C.根据偷砂行为对应的目标物最终出现的位置,规划围堵路线,并将围堵路线发送至值班人员。在本实施例中,可以根据监控器所在的地理位置、目标物的移动方向等利用模型算法自动规划围堵路线。
本实施例用于实现位置预测和围堵路线规划的模型算法等为本领域技术人员所熟知的,此处不再赘述。需要说明的是,在不违背本申请主旨前提下的任何位置预测和围堵路线规划的方案应当属于本申请的保护范围。
本实施例还提供一种基于视频监控识别的防偷砂***,如图4所示,所述基于视频监控识别的防偷砂***包括:多个监控器;监管中心平台,所述监管中心平台与所有所述监控器通信连接;所述监管中心平台包括视频获取模块、分析处理模块和决策通知模块;所述视频获取模块用于获取每一所述监控器拍摄的监控视频;所述分析处理模块用于对所述监控视频进行分析处理,以判断是否发生了偷砂行为;所述决策通知模块用于在所述分析处理模块判断发生了偷砂行为时发出警报信息。
本实施例提供的基于视频监控识别的防偷砂***,通过对待监控区域进行布局设计,使得监控器被合理高效的设置,在控制成本的基础上保证监控的有效性;通过监管中心平台对所有监控视频进行分析判断,提高了判断的准确性,进而可以避免因误判而导致的在发出警报信息后造成的人力浪费,解决了现有监控非法采砂的方案成本高昂、效果较差的问题。
具体的,在本实施例中,监控器按照预设的布局方式被设置与待监控区域的指定位置,并与监管中心平台的视频获取模块通信连接。视频获取模块在获取到监控器的监控视频后,对监控视频进行预处理,包括对监控视频做好与监控器的对应关系(例如可以在监控视频上标识监控器的识别码)。分析处理模块接收视频获取模块预处理后的监控视频,并对监控视频进行分帧处理、目标物识别提取、目标物相似度判断等;然后对于重点关注的目标物进行停留区域和时间的判断,例如出现货车、卡车、采砂船或者是抽沙泵、拖拉机、三轮车等可以用来偷砂的设备,则将其列为重点关注的目标物,当目标物在关键区域(关键点和其他易于发生偷砂行为的区域)停留的时间超过预设时间阈值时,则判断为发生了偷砂行为。决策通知模块获取发生偷砂行为的相关数据,包括拍摄的监控器(包括识别码、位置信息等)、判断的原始监控视频、监控视频的时间等,然后根据这些信息对值班人员发出警报,包括通知值班人员,告知发生偷砂行为的地点、偷砂行为目前的状态、可能的逃跑路线,以及围堵路线等。
较佳的,为了提高抓捕的有效性,围堵路线可以提供多条,具体可以根据值班人员数量进行设定。此外,还可以在监管中心平台设置调度模块,通过调度模块可以在监管中心平台实时显示偷砂行为的当前监控视频,便于值班人员通过通讯的方式实时沟通,调整抓捕方案。甚至,在判断发生了偷砂行为后,监管中心平台自动保存相关监控视频和目标物的相关信息,以便后续执法部门调阅证据。
图5给出了一种基于视频监控识别的防偷砂***的具体结构及对应关系的具体示例示意图。从图5所示的一种具体示例中可以看出,该防偷砂***包括采集管理模块、图像识别模块、行为分析模块和应急响应模块。在本实施例中,由于监控器自身具备AI分析功能,因此监控器具备采集管理模块,用于实现监控视频的拍摄(数据采集)、数据传输与存储、数据预处理和视频数据的识别等功能。图像识别模块、行为分析模块和应急响应模块集成在监管中心平台,其中图像识别模块和行为分析模块相当于分析处理模块,应急响应模块相当于决策通知模块。
采集管理模块是***中用于获取监控数据的模块,主要负责与监控器进行数据通信,接收监控器发送的视频数据、AI识别结果数据等,对这些数据进行预处理、数据格式解析、验证数据的合法性等。采集管理模块还负责将这些数据存储到数据库(可以搭建在监管中心平台中)中,或通过消息队列发送给其他模块进行进一步处理和分析。
如果监控器不具备AI功能,则采集管理模块采集到监控器的视频数据后,会发送给图像识别模块进行梳理。如果本身监控器具备AI功能,那么监控器会将识别出人员、车辆(农用车、三轮车、拖拉机等)、工具(铁板,铁耙、抽沙泵等)的视频流或图片发送到采集管理模块后,采集管理模块对数据预处理后将这些数据发送直接给行为分析模块。
图像识别模块的主要作用是通过一系列的AI模型,对视频图像中的物体、场景、人脸等进行识别和分类,比如可识别图像中人员、农用车、三轮车、拖拉机、铁板、铁耙、抽沙泵等。具体步骤包括:针对视频分解为一系列帧图像;将每一帧的图像通过全要素AI标签算法找到图像中的目标物;对图像中找到的目标物并标注其位置、类别,并提取目标物的相关信息记录,比如图像时间、车辆车牌号、车辆颜色、拍摄此视频的监控器编码等;将标注好的视频图像及提取的其相关信息发送给行为分析模块进行进一步的处理和分析。
行为分析模块的主要用于检测和识别出异常行为,提高异常事件的发现概率。在具体应用场景中,主要是通过传送的视频综合分析后识别出偷砂的行为。具体步骤包括:实时发送的标注好的视频图像进入对比区,需要与样本中前n小时(n可根据实际情况调整,默认是12小时)标注的视频图像中进行对比;如果目标物相似度大于相似度阈值(此处相似度阈值设置为90%),则认为此两种图像中的目标物一致;否则则标记是一个新出现的目标物的视频并给予样本编号;将判断目标物相同的视频图像及其相关信息按照时间先后顺序排序进入同一待定事件;对待定事件中的监控器编码进行位置判断,如果有关键监控区域的监控器出现,则提取这些监控器的视频信息,如果这些关键监控区域的视频信息所显示的最后时间与待定事件最新时间一致且与当下时间相差超过m小时(m可根据实际调整,默认是半小时),则判断此待定事件大概率为一起偷砂行为事件;如果待定事件在s小时(s可根据实际情况调整,默认是12小时)内没有判断为偷砂行为,则标签更新为其他。
具体的,在采集管理模块已识别到视频数据时,行为分析模块将这些视频标记为重点关注,并进行分析:如果重点关注车辆进入重点关注区域的停留时间超过设定值,则标记为异常事件,认为发生了偷砂行为,并结合视频情况给出可阻止偷砂行为的建议路径,行为分析模块将判断结果连同建议路径一同发送至应急响应模块,应急响应模块按照设置的通知规则将判断结果连同建议路径一同发送至值班人员,以使值班人员及时做出处理。
以及,在采集管理模块未识别到视频数据时,图像识别模块对视频数据进行分析判断,以确认是否出现了农用车、三轮车、拖拉机、抽沙泵等重点目标物,若确认出现了目标物,则行为分析模块将这些视频标记为重点关注,并进行分析:如果重点关注车辆进入重点关注区域的停留时间超过设定值,则标记为异常事件,认为发生了偷砂行为,并结合视频情况给出可阻止偷砂行为的建议路径,行为分析模块将判断结果连同建议路径一同发送至应急响应模块,应急响应模块按照设置的通知规则将判断结果连同建议路径一同发送至值班人员,以使值班人员及时做出处理。
较佳的,在本实施例中,还可以设置设备管理模块,其主要用于管理和监控连接到监管中心平台的监控器。例如,设备管理模块可以提供监控器注册、识别、鉴权、维护和配置等功能;还能够查看监控器的在线状态、运行情况等;以及,还能够对监控器进行批量管理,比如分组管理(主要用于对监控器按照是否在关键监控区,是否在非关键监控区、是否是关键点、采集频次等情况进行分组)、权限管理(主要用于对监控器赋予谁可以查看、操作、修改等权限)等。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可,此外,各个实施例之间不同的部分也可互相组合使用,本发明对此不作限定。
本实施例提供的基于视频监控识别的防偷砂方法及***,包括:获取待监控区域的地图,并在所述地图上勾画监控道路;根据所述监控道路布局监控设备,所述监控设备包括监管中心平台和多个监控器,所述监管中心平台与所有所述监控器通信连接;所述监管中心平台根据所有所述监控器拍摄的监控视频分析判断是否发生了偷砂行为;若判断发生了偷砂行为,则所述监管中心平台发出警报信息。通过对待监控区域进行布局设计,使得监控器被合理高效的设置,在控制成本的基础上保证监控的有效性;通过监管中心平台对所有监控视频进行分析判断,提高了判断的准确性,进而可以避免因误判而导致的在发出警报信息后造成的人力浪费,解决了现有监控非法采砂的方案成本高昂、效果较差的问题。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (8)
1.一种基于视频监控识别的防偷砂方法,其特征在于,包括:
获取待监控区域的地图,并在所述地图上勾画监控道路;
根据所述监控道路布局监控设备,所述监控设备包括监管中心平台和多个监控器,所述监管中心平台与所有所述监控器通信连接;
所述监管中心平台根据所有所述监控器拍摄的监控视频分析判断是否发生了偷砂行为;
若判断发生了偷砂行为,则所述监管中心平台发出警报信息;
其中,所述根据所述监控道路布局监控设备的方法包括:
在所述监控道路上设置非关键路段、关键路段,关键点和其他路段,所述非关键路段的两端为关键点;
获取所述关键点的坐标和所述非关键路段的两端点的坐标;
汇总所述关键点的坐标和所述非关键路段的两端点的坐标,并剔除其中重复的坐标,得到坐标数量和坐标合集,所述坐标数量为监控器数量,所述坐标合集中的每一坐标为每一监控器的安装位置。
2.根据权利要求1所述的基于视频监控识别的防偷砂方法,其特征在于,所述根据所述监控道路布局监控设备的方法还包括:
在所述监控道路上剔除所述非关键路段,以得到一类监控道路;
根据所述监控器的拍摄范围对所述一类监控道路进行网格化处理,每一网格中设置有一个监控器。
3.根据权利要求2所述的基于视频监控识别的防偷砂方法,其特征在于,所述根据所述监控器的拍摄范围对所述一类监控道路进行网格化处理,每一网格中设置有一个监控器的方法包括:
设监控器的拍摄范围为圆锥形,且所述圆锥形的底部半径为r,则:
其中,R为监控器的安装高度,θ为监控器的视角;
将所述一类监控道路进行网格化处理,以使每一网格的边长尺寸不小于2r;
获取每一网格的中心坐标,所述中心坐标为每一网格中安装监控器的位置。
4.根据权利要求3所述的基于视频监控识别的防偷砂方法,其特征在于,所述根据所述监控道路布局监控设备的方法还包括:
若所述网格中包括关键点,则所述关键点的坐标为监控器的安装位置。
5.根据权利要求1所述的基于视频监控识别的防偷砂方法,其特征在于,所述监管中心平台根据所有所述监控器拍摄的监控视频分析判断是否发生了偷砂行为的方法包括:
获取所有所述监控器的监控视频,并从所述监控视频中提取目标物;
判断从不同监控器的监控视频中提取的目标物是否一致,若一致,则将监控视频汇总,获取目标物存在的时长;
若目标物存在的时长超过预设时间阈值,则判定发生了偷砂行为。
6.根据权利要求5所述的基于视频监控识别的防偷砂方法,其特征在于,所述获取所有所述监控器的监控视频,并从所述监控视频中提取目标物的方法包括:
按照所述监控器的安装位置对所有所述监控器进行编码,以得到监控器的识别码;
获取所有所述监控器的监控视频,并对每一所述监控视频进行分帧处理,以得到每一监控器对应的帧图像;
利用全要素AI标签算法对所述帧图像进行处理,以提取所述帧图像中的目标物。
7.根据权利要求5所述的基于视频监控识别的防偷砂方法,其特征在于,所述判断从不同监控器的监控视频中提取的目标物是否一致的方法包括:
获取不同监控视频中的目标物的相关信息,所述相关信息包括视频时间点;
判断具有目标物的不同监控视频的视频时间点之间的时间间隔是否超出间隔阈值,若未超出间隔阈值,则提取目标物的关键特征点;
计算每一关键特征点的特征向量,并赋予每一特征向量权重,以得到每一目标物的特征向量集合;
基于最近邻匹配,获得特征点一致的特征向量,并基于特征点一致的特征向量的数量和权重,得到目标物的相似度;
若目标物的相似度大于相似度阈值,则判定目标物一致。
8.根据权利要求5所述的基于视频监控识别的防偷砂方法,其特征在于,所述若判断发生了偷砂行为,则所述监管中心平台发出警报信息的方法包括:
若判断发生了偷砂行为,则所述监管中心平台触发应急响应功能,所述应急响应功能包括:
根据预设应急响应规则,通知值班人员;
获取偷砂行为对应的目标物最终出现的位置,并将位置发送至值班人员;和/或,根据偷砂行为对应的目标物最终出现的位置,规划围堵路线,并将围堵路线发送至值班人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311247543.9A CN117152892B (zh) | 2023-09-25 | 2023-09-25 | 基于视频监控识别的防偷砂方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311247543.9A CN117152892B (zh) | 2023-09-25 | 2023-09-25 | 基于视频监控识别的防偷砂方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152892A CN117152892A (zh) | 2023-12-01 |
CN117152892B true CN117152892B (zh) | 2024-03-19 |
Family
ID=88910050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311247543.9A Active CN117152892B (zh) | 2023-09-25 | 2023-09-25 | 基于视频监控识别的防偷砂方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152892B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339723A (zh) * | 2016-08-30 | 2017-01-18 | 天津天地伟业数码科技有限公司 | 基于视频河道盗采的检测方法 |
CN207457225U (zh) * | 2017-10-19 | 2018-06-05 | 沂沭河水利管理局郯城河道管理局 | 河道采砂精细化管理*** |
CN110111519A (zh) * | 2018-07-23 | 2019-08-09 | 李苏宁 | 基于视频图像识别技术的长江河道禁采执法工作*** |
CN112804486A (zh) * | 2020-12-30 | 2021-05-14 | 厦门路桥信息股份有限公司 | 砂石采运监管***及方法 |
WO2022116763A1 (zh) * | 2020-12-04 | 2022-06-09 | 江苏科技大学 | 一种采砂船水下智能监测的设备及方法 |
CN115171054A (zh) * | 2022-06-28 | 2022-10-11 | 中国铁塔股份有限公司重庆市分公司 | 渔政巡逻方法及*** |
CN116246204A (zh) * | 2023-01-16 | 2023-06-09 | 罗普特科技集团股份有限公司 | 一种采砂行为的监控方法、装置、***及存储介质 |
-
2023
- 2023-09-25 CN CN202311247543.9A patent/CN117152892B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339723A (zh) * | 2016-08-30 | 2017-01-18 | 天津天地伟业数码科技有限公司 | 基于视频河道盗采的检测方法 |
CN207457225U (zh) * | 2017-10-19 | 2018-06-05 | 沂沭河水利管理局郯城河道管理局 | 河道采砂精细化管理*** |
CN110111519A (zh) * | 2018-07-23 | 2019-08-09 | 李苏宁 | 基于视频图像识别技术的长江河道禁采执法工作*** |
WO2022116763A1 (zh) * | 2020-12-04 | 2022-06-09 | 江苏科技大学 | 一种采砂船水下智能监测的设备及方法 |
CN112804486A (zh) * | 2020-12-30 | 2021-05-14 | 厦门路桥信息股份有限公司 | 砂石采运监管***及方法 |
CN115171054A (zh) * | 2022-06-28 | 2022-10-11 | 中国铁塔股份有限公司重庆市分公司 | 渔政巡逻方法及*** |
CN116246204A (zh) * | 2023-01-16 | 2023-06-09 | 罗普特科技集团股份有限公司 | 一种采砂行为的监控方法、装置、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117152892A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109212520B (zh) | 全方位检测雷达的路况感知异常事件检测报警***及方法 | |
Kim et al. | Vision-based nonintrusive context documentation for earthmoving productivity simulation | |
CN104851295A (zh) | 获取路况信息的方法和*** | |
CN103186982B (zh) | 一种治安智能卡口*** | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN104200466A (zh) | 一种预警方法及摄像机 | |
CN116208745A (zh) | 一种码头船舶靠泊监测记录***及方法 | |
WO2020183345A1 (en) | A monitoring and recording system | |
CN109670673A (zh) | 露天矿生产管控*** | |
CN102496000A (zh) | 一种城市交通事故检测方法 | |
CN111127507A (zh) | 一种抛洒物的确定方法和*** | |
CN111404874A (zh) | 出租车嫌疑车辆甄别分析体系架构 | |
CN114648748A (zh) | 一种基于深度学习的机动车违停智能识别方法及*** | |
CN202887219U (zh) | 危险品运输识别*** | |
CN113674314A (zh) | 抛洒事件检测方法、装置、电子装置和存储介质 | |
US20240203249A1 (en) | Method, electronic device, and system for detecting overspeeding | |
CN113361914B (zh) | 一种危险废物运输风险管控预警的方法与*** | |
CN108427718A (zh) | 一种车辆行驶信息时空索引及大数据分析方法 | |
CN117152892B (zh) | 基于视频监控识别的防偷砂方法及*** | |
CN111368626B (zh) | 车辆识别方法、装置、电子设备和存储介质 | |
CN105844848B (zh) | 一种地下管线的安全管理方法及装置 | |
CN116957495A (zh) | 一种基于大数据的城市公共安全管理方法及*** | |
US20220335730A1 (en) | System and method for traffic signage inspection through collection, processing and transmission of data | |
CN114724356B (zh) | 基于气象数据整合的gis高速公路事故预警的方法及*** | |
US11823572B2 (en) | Method, electronic device, and system for predicting future overspeeding |
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 |