CN117253330A - 一种立体停车库安全控制*** - Google Patents
一种立体停车库安全控制*** Download PDFInfo
- Publication number
- CN117253330A CN117253330A CN202311314379.9A CN202311314379A CN117253330A CN 117253330 A CN117253330 A CN 117253330A CN 202311314379 A CN202311314379 A CN 202311314379A CN 117253330 A CN117253330 A CN 117253330A
- Authority
- CN
- China
- Prior art keywords
- driver
- getting
- human body
- control system
- alarm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000000877 morphologic effect Effects 0.000 claims abstract description 45
- 230000004888 barrier function Effects 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 42
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 27
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000000758 substrate Substances 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
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04H—BUILDINGS OR LIKE STRUCTURES FOR PARTICULAR PURPOSES; SWIMMING OR SPLASH BATHS OR POOLS; MASTS; FENCING; TENTS OR CANOPIES, IN GENERAL
- E04H6/00—Buildings for parking cars, rolling-stock, aircraft, vessels or like vehicles, e.g. garages
- E04H6/42—Devices or arrangements peculiar to garages, not covered elsewhere, e.g. securing devices, safety devices, monitoring and operating schemes; centering devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B15/00—Identifying, scaring or incapacitating burglars, thieves or intruders, e.g. by explosives
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及立体停车库辅助设备技术领域,尤指一种立体停车库安全控制***,包括:图像采集子***、控制中心和道闸机控制装置,控制中心与图像采集子***和道闸机控制装置通信连接;图像采集子***,用于采集临时停车的驾驶员下车和上车的视频图像,并将驾驶员下车和上车的视频图像上传给控制中心;控制中心,用于提取视频图像中下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征;并判断下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征是否匹配,若不匹配,则发出警报信号;道闸机控制装置,用于根据警报信号触发目标车辆的驾驶员身份验证任务。本发明可以解决在立体车库内临时停车被盗的安全隐患。
Description
技术领域
本发明涉及立体停车库辅助设备技术领域,尤指一种立体停车库安全控制***。
背景技术
立体车库是用来最大量存取储放车辆的机械设备***,是针对专业车场管理公司提高停车场容量和收益的有效工具。
立体车库的车牌识别停车管理***在实现无卡管理方面确实具有许多优势。然而,这种***也带来了一个令人头痛的问题,即在车辆出场时无法准确判断车辆是否属于车主开车。尤其是对于临时停车的车辆而言,由于车辆停车后通常不需要拔钥匙,存在车辆被盗的风险。目前现有的车牌识别停车管理***无法解决这个问题。
发明内容
为解决上述问题,本发明提供一种立体停车库安全控制***,其可以解决在立体车库内临时停车被盗的安全隐患。
为实现上述目的,本发明采用的技术方案是:
一种立体停车库安全控制***,包括:图像采集子***、控制中心和道闸机控制装置,所述控制中心与所述图像采集子***和道闸机控制装置通信连接;其中,
所述图像采集子***,用于采集临时停车的驾驶员下车和上车的视频图像,并将驾驶员下车和上车的视频图像上传给所述控制中心;
所述控制中心,用于提取所述视频图像中下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征;并判断下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征是否匹配,若不匹配,则发出警报信号;
所述道闸机控制装置,用于根据所述警报信号触发目标车辆的驾驶员身份验证任务。
进一步,所述立体停车库安全控制***还包括声光警报子***,所述声光警报子***与所述控制中心通信连接,用于根据所述警报信号发出声光警报。
进一步,所述立体停车库安全控制***还包括信息通知模块,所述信息通知模块与所述控制中心通信连接,用于根据所述警报信号生成警报信息,并将所述警报信息发送给车主。
进一步,所述提取所述视频图像中下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征;包括以下步骤:
对所述视频图像进行预处理,包括视频分割、帧提取和图像增强;
通过基于深度学习的目标检测算法对预处理后的每个视频帧进行人体检测;
在检测到的驾驶员人体上,通过关键点检测算法估计关键点的位置;
根据估计的关键点位置,通过姿态估计算法计算得到驾驶员的人体形态特征。
进一步,所述基于深度学习的目标检测算法为Faster R-CNN算法。
进一步,所述关键点检测算法为OpenPose算法。
进一步,所述姿态估计算法为AlphaPose算法。
进一步,所述声光警报子***包括警报控制器、声警报器和警示灯,所述警报控制器与所述控制中心、声警报器和警示灯通信连接。
进一步,所述立体停车库安全控制***还包括道闸机,所述道闸机设置在立体停车库的出入口,所述道闸机与所述道闸机控制装置通信连接。
进一步,所述道闸机设有防撞横杆。
本发明的有益效果在于:
1.本发明的图像采集子***用于采集临时停车的驾驶员下车和上车的视频图像,并将这些图像上传给控制中心。通过采集到的视频图像,可以实时记录并监测车主的停车过程,为后续的驾驶员人体形态特征识别提供素材。控制中心用于提取所采集视频图像中下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征,通过对比判断这两个特征是否匹配。如果不匹配,即表示可能存在安全问题,控制中心会发出警报信号。道闸机控制装置负责根据控制中心发出的警报信号触发目标车辆的驾驶员身份验证任务。一旦控制中心判断存在安全问题并发出警报信号,道闸机控制装置会执行相应的控制操作,例如要求目标车辆的驾驶员进行身份验证后才允许通行。通过以上分析可知,本发明的立体停车库安全控制***能够利用图像采集、人体形态特征提取和警报触发等技术手段来确保临时停车的安全性。它通过对比驾驶员上下车过程中的人体形态特征,实现了对车主身份的验证和临时停车被盗风险的控制,有效提高了停车场安全性和防盗能力。
2.本发明还包括声光警报子***,该子***与控制中心通信连接。当***判断驾驶员人体形态特征不匹配时,会向控制中心发送警报信号。控制中心再通过声警报器和警示灯等设备,发出声光警报,以引起周围人们的注意,并对盗车者起到震慑的作用,迫使其停止盗车行为。
3.本发明的信息通知模块与控制中心通信连接,当立体停车库安全控制***检测到驾驶员在上下车过程中的人体形态特征不匹配时,会触发警报信号。信息通知模块能够根据这一警报信号生成相应的警报信息,并将该信息发送给车主。通过及时的警报通知,车主能够得知自己的车辆是否存在被盗窃的风险。换言之,立体停车库安全控制***通过驾驶员人体形态特征的识别与匹配,以及警报信号的触发和信息通知的功能,可以有效地确保驾驶员的身份合法性以及车辆的安全性。当驾驶员上、下车过程中的人体形态特征不匹配时,会发出警报信号,提醒车主存在安全风险。
4.本发明通过驾驶员身份验证任务,可以有效确认目标车辆的合法性,防止未经授权的车辆离开停车库,防止车辆被盗。设有防撞道闸的道闸机可以避免偷车者等不合法车辆强行冲出道闸,有效预防车辆被盗窃的风险。立体停车库安全控制***的道闸机与控制装置的通信连接,实现了自动化管理,提高了工作效率和便捷性。
附图说明
图1是本发明的立体停车库安全控制***的示意图。
具体实施方式
请参阅图1所示,提供一种立体停车库安全控制***,其可以解决在立体车库内临时停车被盗的安全隐患。
实施例1
一种立体停车库安全控制***,包括:图像采集子***、控制中心和道闸机控制装置,所述控制中心与所述图像采集子***和道闸机控制装置通信连接;控制中心是一个集中管理和监控***的中心节点,它通过统一的界面和功能,对各个子***或设备进行监控、管理和控制。需要说明的是,控制中心可以连接到各种传感器、执行器和控制设备,通过收集和处理实时数据,实现对立体停车库的实时监控和控制。其通过集中管理和控制各个子***或设备,可以提高工作效率、优化资源分配、增强安全监控。
其中,
所述图像采集子***,用于采集临时停车的驾驶员下车和上车的视频图像,并将驾驶员下车和上车的视频图像上传给所述控制中心;
所述控制中心,用于提取所述视频图像中下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征;并判断下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征是否匹配,若不匹配,则发出警报信号;
所述道闸机控制装置,用于根据所述警报信号触发目标车辆的驾驶员身份验证任务。
在上述方案中,图像采集子***用于采集临时停车的驾驶员下车和上车的视频图像,并将这些图像上传给控制中心。通过采集到的视频图像,可以实时记录并监测车主的停车过程,为后续的驾驶员人体形态特征识别提供素材。控制中心用于提取所采集视频图像中下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征,通过对比判断这两个特征是否匹配。如果不匹配,即表示可能存在安全问题,控制中心会发出警报信号。道闸机控制装置负责根据控制中心发出的警报信号触发目标车辆的驾驶员身份验证任务。一旦控制中心判断存在安全问题并发出警报信号,道闸机控制装置会执行相应的控制操作,例如要求目标车辆的驾驶员进行身份验证后才允许通行。通过以上分析可知,本发明的立体停车库安全控制***能够利用图像采集、人体形态特征提取和警报触发等技术手段来确保临时停车的安全性。它通过对比驾驶员上下车过程中的人体形态特征,实现了对车主身份的验证和临时停车被盗风险的控制,有效提高了停车场安全性和防盗能力。
进一步地,所述提取所述视频图像中下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征;包括以下步骤:
对所述视频图像进行预处理,包括视频分割、帧提取和图像增强;
通过基于深度学习的目标检测算法对预处理后的每个视频帧进行人体检测;进一步地,所述基于深度学习的目标检测算法为Faster R-CNN算法。
在检测到的驾驶员人体上,通过关键点检测算法估计关键点的位置;进一步地,所述关键点检测算法为OpenPose算法。
根据估计的关键点位置,通过姿态估计算法计算得到驾驶员的人体形态特征。进一步地,所述姿态估计算法为AlphaPose算法。
需要说明的是,
Faster R-CNN(Region-based Convolutional Neural Networks)是一个用于目标检测的深度学习模型。它由R-CNN的改进版本演变而来,主要解决了R-CNN的速度慢的问题。Faster R-CNN引入了两个关键的改进:Region Proposal Network(RPN)和共享卷积特征。RPN负责生成候选区域(region proposals),而共享卷积特征则可以在整个图像上高效地提取特征。Faster R-CNN的运行过程如下:1.输入图像被送入一个卷积神经网络(通常是一个预训练好的网络如VGG16或ResNet),从中提取特征。2.在特征图上应用RegionProposal Network(RPN),它会生成一系列候选区域,这些区域被认为可能包含目标对象。3.对每个候选区域,使用RoI Pooling将其调整为固定大小的特征图,然后输入全连接层进行分类和边界框回归。4.最后,根据分类结果和边界框回归参数,对候选区域进行分类和位置调整,得到最终的目标检测结果。相比于R-CNN以及其后续改进版本(如Fast R-CNN),Faster R-CNN的速度更快,主要因为RPN的引入使得候选区域的生成和特征提取可以共享计算。
OpenPose算法是一种用于人体姿态估计的开源算法,可以从图像或者视频中检测人体的关键点以及骨骼连接。这个算法首先使用深度学习技术提取人体的特征,然后将这些特征匹配到具体的关节点上,最终得到每个关节点的准确位置。OpenPose算法的核心是使用卷积神经网络(Convolutional Neural Network,CNN)进行图像处理和特征提取。它可以通过对大量的样本进行训练来学习到人体姿态的特征表示,从而实现对关节点的精确检测。OpenPose算法主要包含两个阶段:人体部分检测和关键点定位。在人体部分检测阶段,该算法首先使用深度学习网络对整个图像进行处理,得到每个像素属于人体部分的概率。然后,通过对概率图进行解析,找到连续的人体部分,并将它们进行分割。在关键点定位阶段,OpenPose算法通过进一步使用CNN网络对每个人体部分进行特征提取,从而定位每个关节点。通过在特征图上进行极值点检测和匹配,可以得到关节点的位置。同时,通过建立骨骼连接关系,可以将这些关节点连接起来,形成完整的人体姿态。OpenPose算法具有很高的准确度和鲁棒性,在人体姿态估计、动作分析、行为识别等领域具有广泛的应用。
AlphaPose算法是一种用于人体姿态估计的深度学习算法。该算法通过分析图像或视频中的人体获得关节的位置和姿态信息。AlphaPose使用了一种称为卷积神经网络(Convolutional Neural Network,CNN)的计算模型。它的训练过程通常需要大量的标注数据和计算资源。AlphaPose算法主要通过两个阶段实现人体姿态估计:检测和关键点定位。在检测阶段,算法将图像输入经过预先训练好的目标检测模型,用于检测图中是否存在人体。在关键点定位阶段,算法将检测到的人体区域输入另一个卷积神经网络模型,用于定位关节点的位置。关键点通常包括头部、手臂、腿部等身体部位的关联关节。AlphaPose算法的目标是准确地估计这些关节点的位置,以便进一步分析和应用,如行为识别、动作生成、虚拟现实等。总的来说,AlphaPose算法是一种基于深度学习的人体姿态估计算法,通过检测和关键点定位两个阶段实现人体姿态的准确估计。
在本实施例中,对视频图像进行预处理,包括视频分割、帧提取和图像增强。这些步骤可以帮助提高后续处理算法的准确性和效率。利用基于深度学习的目标检测算法(Faster R-CNN算法)对预处理后的每个视频帧进行人体检测。通过该算法,可以检测到驾驶员的人***置。在检测到的驾驶员人体上,使用关键点检测算法(OpenPose算法)估计关键点的位置。这些关键点可以代表人体的各个部位,如头部、手臂、腿部等。根据估计的关键点位置,采用姿态估计算法(AlphaPose算法)计算得到驾驶员的人体形态特征。姿态估计可以从关键点位置推断出人体的姿势和动作,如站立、行走、坐下等。通过以上步骤,可以实现对视频图像中驾驶员下车和上车过程中的人体形态特征的提取。
实施例2
根据实施例1所述的一种立体停车库安全控制***,进一步地,所述立体停车库安全控制***还包括声光警报子***,所述声光警报子***与所述控制中心通信连接,用于根据所述警报信号发出声光警报。其中,所述声光警报子***包括警报控制器、声警报器和警示灯,所述警报控制器与所述控制中心、声警报器和警示灯通信连接。
在本实施例中,立体停车库安全控制***通过某种图像识别技术,可以获取驾驶员在下车过程和上车过程中的人体形态特征信息。***会将下车过程和上车过程中驾驶员的人体形态特征信息进行比对,并判断其是否匹配。如果不匹配,***将发出警报信号,提醒可能存在异常或盗车行为。立体停车库安全控制***还包括声光警报子***,该子***与控制中心通信连接。当***判断驾驶员人体形态特征不匹配时,会向控制中心发送警报信号。控制中心再通过声警报器和警示灯等设备,发出声光警报,以引起周围人们的注意,并对盗车者起到震慑的作用,迫使其停止盗车行为。综上所述,立体停车库安全控制***通过分析驾驶员的人体形态特征,可以判断下车过程和上车过程中驾驶员的身份是否匹配,并在不匹配时发出警报信号,以保障停车场内的安全。声光警报子***则通过声警报器和警示灯等方式,引起大家的注意,对盗车者起到震慑的作用,让其及时停止盗车行为。
实施例3
根据实施例2所述的一种立体停车库安全控制***,进一步地,所述立体停车库安全控制***还包括信息通知模块,所述信息通知模块与所述控制中心通信连接,用于根据所述警报信号生成警报信息,并将所述警报信息发送给车主。
在本实施例中,信息通知模块与控制中心通信连接,当立体停车库安全控制***检测到驾驶员在上下车过程中的人体形态特征不匹配时,会触发警报信号。信息通知模块能够根据这一警报信号生成相应的警报信息,并将该信息发送给车主。通过及时的警报通知,车主能够得知自己的车辆是否存在被盗窃的风险。换言之,立体停车库安全控制***通过驾驶员人体形态特征的识别与匹配,以及警报信号的触发和信息通知的功能,可以有效地确保驾驶员的身份合法性以及车辆的安全性。当驾驶员上、下车过程中的人体形态特征不匹配时,会发出警报信号,提醒车主存在安全风险。因此,立体停车库安全控制***在防止临时停车的车辆被盗窃,并能提醒车主及时了解自己的车辆是否存在被盗窃的情况。
实施例4
根据实施例3所述的一种立体停车库安全控制***,进一步地,所述立体停车库安全控制***还包括道闸机,所述道闸机设置在立体停车库的出入口,所述道闸机与所述道闸机控制装置通信连接,所述道闸机控制装置,用于根据所述警报信号触发目标车辆的驾驶员身份验证任务。其中,所述道闸机设有防撞横杆。
在本实施例中,所述立体停车库安全控制***中的道闸机是一种用于管理停车库入口和出口的设备,通过与道闸机控制装置进行通信连接,实现对目标车辆的驾驶员身份验证任务。其中,道闸机设有防撞道闸,主要是为了防止偷车者等不合法车辆强行冲出道闸。当警报信号触发时,道闸机控制装置将启动驾驶员身份验证任务,以确认目标车辆的合法性。通过这种方式,可以增加停车库的安全性,防止未经授权的车辆进入或离开停车库,从而有效保护车辆和停车库安全。具体地:通过驾驶员身份验证任务,可以有效确认目标车辆的合法性,防止未经授权的车辆离开停车库,防止车辆被盗。设有防撞道闸的道闸机可以避免偷车者等不合法车辆强行冲出道闸,有效预防车辆被盗窃的风险。立体停车库安全控制***的道闸机与控制装置的通信连接,实现了自动化管理,提高了工作效率和便捷性。综上所述,立体停车库安全控制***中的道闸机及其防撞功能对于提升停车库的安全性和车辆管理效果具有积极作用。
以上实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (10)
1.一种立体停车库安全控制***,其特征在于,包括:图像采集子***、控制中心和道闸机控制装置,所述控制中心与所述图像采集子***和道闸机控制装置通信连接;其中,
所述图像采集子***,用于采集临时停车的驾驶员下车和上车的视频图像,并将驾驶员下车和上车的视频图像上传给所述控制中心;
所述控制中心,用于提取所述视频图像中下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征;并判断下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征是否匹配,若不匹配,则发出警报信号;
所述道闸机控制装置,用于根据所述警报信号触发目标车辆的驾驶员身份验证任务。
2.根据权利要求1所述的立体停车库安全控制***,其特征在于,所述立体停车库安全控制***还包括声光警报子***,所述声光警报子***与所述控制中心通信连接,用于根据所述警报信号发出声光警报。
3.根据权利要求1所述的立体停车库安全控制***,其特征在于,所述立体停车库安全控制***还包括信息通知模块,所述信息通知模块与所述控制中心通信连接,用于根据所述警报信号生成警报信息,并将所述警报信息发送给车主。
4.根据权利要求1所述的立体停车库安全控制***,其特征在于,所述提取所述视频图像中下车过程驾驶员的人体形态特征和上车过程驾驶员的人体形态特征;包括以下步骤:
对所述视频图像进行预处理,包括视频分割、帧提取和图像增强;
通过基于深度学习的目标检测算法对预处理后的每个视频帧进行人体检测;
在检测到的驾驶员人体上,通过关键点检测算法估计关键点的位置;
根据估计的关键点位置,通过姿态估计算法计算得到驾驶员的人体形态特征。
5.根据权利要求4所述的立体停车库安全控制***,其特征在于,所述基于深度学习的目标检测算法为Faster R-CNN算法。
6.根据权利要求4所述的立体停车库安全控制***,其特征在于,所述关键点检测算法为OpenPose算法。
7.根据权利要求4所述的立体停车库安全控制***,其特征在于,所述姿态估计算法为AlphaPose算法。
8.根据权利要求2所述的立体停车库安全控制***,其特征在于,所述声光警报子***包括警报控制器、声警报器和警示灯,所述警报控制器与所述控制中心、声警报器和警示灯通信连接。
9.根据权利要求1所述的立体停车库安全控制***,其特征在于,所述立体停车库安全控制***还包括道闸机,所述道闸机设置在立体停车库的出入口,所述道闸机与所述道闸机控制装置通信连接。
10.根据权利要求1所述的立体停车库安全控制***,其特征在于,所述道闸机设有防撞横杆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311314379.9A CN117253330A (zh) | 2023-10-11 | 2023-10-11 | 一种立体停车库安全控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311314379.9A CN117253330A (zh) | 2023-10-11 | 2023-10-11 | 一种立体停车库安全控制*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117253330A true CN117253330A (zh) | 2023-12-19 |
Family
ID=89132890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311314379.9A Pending CN117253330A (zh) | 2023-10-11 | 2023-10-11 | 一种立体停车库安全控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253330A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815874A (zh) * | 2019-01-17 | 2019-05-28 | 苏州科达科技股份有限公司 | 一种人员身份识别方法、装置、设备及可读存储介质 |
CN111968367A (zh) * | 2020-08-12 | 2020-11-20 | 上海宝通汎球电子有限公司 | 一种物联网通信管理***和管理方法 |
CN112001217A (zh) * | 2020-06-18 | 2020-11-27 | 天津博诺智创机器人技术有限公司 | 基于深度学习的多人人体姿态估计算法 |
CN112785732A (zh) * | 2020-12-23 | 2021-05-11 | 沈阳格林豪森物业管理有限公司 | 车场安全管理方法及*** |
CN113033293A (zh) * | 2021-02-03 | 2021-06-25 | 北京睿家科技有限公司 | 一种出入口管理设备、***和方法 |
CN113378649A (zh) * | 2021-05-19 | 2021-09-10 | 北京建筑大学 | 身份、位置和动作识别方法、***、电子设备及存储介质 |
CN113920491A (zh) * | 2021-09-07 | 2022-01-11 | 哈尔滨工业大学(威海) | 基于面部骨架模型的疲劳检测***、方法、介质、检测设备 |
-
2023
- 2023-10-11 CN CN202311314379.9A patent/CN117253330A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815874A (zh) * | 2019-01-17 | 2019-05-28 | 苏州科达科技股份有限公司 | 一种人员身份识别方法、装置、设备及可读存储介质 |
CN112001217A (zh) * | 2020-06-18 | 2020-11-27 | 天津博诺智创机器人技术有限公司 | 基于深度学习的多人人体姿态估计算法 |
CN111968367A (zh) * | 2020-08-12 | 2020-11-20 | 上海宝通汎球电子有限公司 | 一种物联网通信管理***和管理方法 |
CN112785732A (zh) * | 2020-12-23 | 2021-05-11 | 沈阳格林豪森物业管理有限公司 | 车场安全管理方法及*** |
CN113033293A (zh) * | 2021-02-03 | 2021-06-25 | 北京睿家科技有限公司 | 一种出入口管理设备、***和方法 |
CN113378649A (zh) * | 2021-05-19 | 2021-09-10 | 北京建筑大学 | 身份、位置和动作识别方法、***、电子设备及存储介质 |
CN113920491A (zh) * | 2021-09-07 | 2022-01-11 | 哈尔滨工业大学(威海) | 基于面部骨架模型的疲劳检测***、方法、介质、检测设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019153193A1 (zh) | 一种出租车运营监测方法、设备、存储介质和*** | |
CN103544481A (zh) | 一种基于人脸识别的道路卡口监控方法及*** | |
CN108335489A (zh) | 高速公路车辆行为语义分析及异常行为监控***及方法 | |
CN105931467B (zh) | 一种跟踪目标的方法及装置 | |
CN103093528A (zh) | 一种小区车辆和人员智能监控*** | |
CN113469115B (zh) | 用于输出信息的方法和装置 | |
CN111753711A (zh) | 电动车及其控制方法、装置、电子设备和存储介质 | |
CN1769107A (zh) | 一种基于人脸认证技术的汽车防盗方法 | |
CN104680133B (zh) | 一种违规车让人行为实时检测方法 | |
CN112733598A (zh) | 车辆违法判别方法、装置、计算机设备和存储介质 | |
CN112380892B (zh) | 一种图像识别方法、装置、设备及介质 | |
CN107358236A (zh) | 一种基于摄像装置的车牌号码识别***及方法 | |
CN106951820B (zh) | 基于环形模板和椭圆拟合的客流统计方法 | |
CN105227918A (zh) | 一种智能监控方法及装置 | |
CN104765859A (zh) | 违停车辆信息的录入方法及*** | |
CN117253330A (zh) | 一种立体停车库安全控制*** | |
WO2023124451A1 (zh) | 用于生成告警事件的方法、装置、设备和存储介质 | |
CN215663738U (zh) | 一种电瓶车的智能安防*** | |
KR20200074351A (ko) | 무임 승객 정보 관리 시스템 및 그 방법 | |
NL2025140B1 (en) | Green signal control method and apparatus dedicated for old person crossing the street | |
KR101460902B1 (ko) | 차량 주변의 도난 징후 감지를 위한 지능형 블랙박스 시스템 및 그 동작 방법 | |
CN112686136B (zh) | 一种对象检测方法、装置及*** | |
CN113128540B (zh) | 非机动车盗车行为的检测方法、装置及电子设备 | |
KR102369824B1 (ko) | 교행 다차로를 위한 차량번호 인식방법 및 장치 | |
Juyal et al. | Anomalous Activity Detection Using Deep Learning Techniques in Autonomous Vehicles |
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 |