CN100386771C - 使用变化检测和分类的视频场景背景保持 - Google Patents

使用变化检测和分类的视频场景背景保持 Download PDF

Info

Publication number
CN100386771C
CN100386771C CNB2003801101194A CN200380110119A CN100386771C CN 100386771 C CN100386771 C CN 100386771C CN B2003801101194 A CNB2003801101194 A CN B2003801101194A CN 200380110119 A CN200380110119 A CN 200380110119A CN 100386771 C CN100386771 C CN 100386771C
Authority
CN
China
Prior art keywords
target
background model
video
fixed target
pixel
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.)
Expired - Lifetime
Application number
CNB2003801101194A
Other languages
English (en)
Other versions
CN1757037A (zh
Inventor
彼得·L·韦奈蒂阿奈尔
艾伦·J·利普顿
安德鲁·J·肖克
尼尔斯·黑林
张忠
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.)
Motorola Solutions Inc
Original Assignee
Diamondback Vision Inc
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 Diamondback Vision Inc filed Critical Diamondback Vision Inc
Publication of CN1757037A publication Critical patent/CN1757037A/zh
Application granted granted Critical
Publication of CN100386771C publication Critical patent/CN100386771C/zh
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Burglar Alarm Systems (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Studio Circuits (AREA)
  • Television Signal Processing For Recording (AREA)

Abstract

本发明涉及一种视频处理，其为视频保持了背景模型，在该视频中检测目标，检测该目标是否是固定目标，并将固定目标分类为插入在背景模型中或从背景模型中移走。

Description

使用变化检测和分类的视频场景背景保持
发明领域
本发明总地涉及视频处理领域，更具体地涉及分割视频处理领域。特别地，本发明涉及在分割视频中背景模型的保持以及对背景模型变化的分类。
背景技术
许多视频处理应用都需要视频对象分割(即，从视频序列所显示的静态背景中适当地移动对象的分化)。这样的应用包括，视频拼接，基于对象的视频压缩，基于对象的视频编辑，以及自动视频监测。许多视频对象的分割算法都使用视频场景背景模型(可以简称为“背景模型”)来作为辅助。其总的构想是，视频序列的每一帧都可以被记录到背景模型并可以一个像素一个像素地压缩成背景模型。显示出充分差异的像素认为是前景或移动像素。但导致像素水平变化的因素很广泛，例如，不稳定的背景(如，有波纹的水面，吹落的树叶，等)；光影现象(如，浮云掠日，阴影，等)；以及摄影现象(例如，自动增益控制(AGC)，自动虹膜，自动对焦，等)。
使用视频对象分割(或其中的变量)，通常能检测到显示独立运动的对象或部分对象。但场景中的对象长时间固定时会出现两个基本的问题，而这两种现象中的任何一种都能使任意的应用降低视频对象分割的性能。
首先，如果对象长时间保持固定，则该对象就“永久地”被检测为前景对象。但，就所有的实际目的而言，该对象已变为了背景的一部分。在图1A中，显示了当车11驶入视频序列中并停在其中时出现的这种问题。该车连续地作为前景对象12而被监视但实际上它已经成了背景的一部分(即，“永久”的分割)。
第二，如果对象开始时静止并作为背景模型的一部分(例如，被“嵌入”burned in)而后开始移动，则该对象就会暴露还未建模的背景模型区域中(例如，静态背景)。所暴露的背景模型区域会被错误地检测为前景对象。在图1B中，显示了停泊的车13驶出了视频序列时出现的这种问题。该车13在背景模型中露出了一个分割后所形成的车形的“洞”14。
如在1999年12月27日提交的申请序列号为N0.09/472,162，标题为“Method，Apparatus，and System for Compressing/Decompressing Digital Video Data(用于对数字视频数据压缩/解压缩的方法，装置，和系统)”的美国专利申请以及2000年7月3日提交的申请序列号为No.09/609,919，标题为“Scene Model Generation fromVideo for Use in Video Processing(在视频处理中所使用的从视频所产生的场景模型)”的美国专利申请中所讨论的(其共同受让，引用在此作为参考)，当构建图像镶嵌图，视频镶嵌，或视频场景模型时，常常需要剔除源图像中那些表示“真正”背景的部分。例如，在视频序列(或任意其他的图像集)中在整个视频序列中都在停泊的车辆就可以认为是真正的背景。但，在视频序列中刚开始是停止的而后来在视频序列的某一点驶走的车就应当认为它“不是背景”。
如果不仔细确定真正的背景区域，则就会产生假象。如果目标是产生镶嵌或背景图像，则前景对象能“嵌入”到看起来不自然的成像所产生的背景模型中。如果目标是构建作为视频分割基础的场景模型，则结果会是拙劣的分割，在其中会检测不到部分前景对象，而一些暴露的背景区域会被检测为前景对象。
图2图示了现有技术中前景对象使背景模型讹误的实例。视频序列描述了一个打高尔夫球的人正准备发球。源自视频序列的源图像的子集21描述了该视频序列的一部分。源图像用于产生背景模型22和前景对象23。但，背景模型22包含了已嵌入到背景模型22之中的前景对象23(例如，在左边的打高尔夫球的人，和在右边的打高尔夫球的人的衬衫部分)，而且前景对象23并没有被完全地分割(例如，打高尔夫球的人残缺的部分，和高尔夫俱乐部的部分)。
发明内容
本发明提出了用于保持视频序列的背景模型变化的检测和分类。而且，本发明保持了视频序列的背景模型并对背景模型的变化进行了分类。
一种处理视频的方法，包括步骤：
为所述的视频保持背景模型；
在所述视频中检测目标；
检测所述目标是否是固定目标，其中，检测所述目标是否是固定目标包括步骤：
确定所述目标的一般性运动和大小变化属性；
确定所述目标的独立运动属性；
基于所述的一般性运动和大小变化属性以及所述独立运动属性确定所述目标是否是所述的固定目标；
将所述固定目标分类为插入所述背景模型中或从所述背景模型中移走。
本发明还包括用于处理视频的计算机系统，该系统包括：视频的背景模型；基于背景模型的像素分类，产生基于视频和背景模型的变化掩码和成像；背景模型更新，基于变化掩码和成像而更新背景模型；基于运动的像素分类，产生基于视频的运动掩码；斑块产生，产生基于变化掩码和运动掩码的至少一个斑块；斑块跟踪，产生基于斑块的至少一个斑块；固定目标检测和分类，产生基于每个目标的固定目标描述，该固定目标描述用来确定每个目标是插入背景模型还是从背景模型中移走；背景模型局部更新，基于固定目标描述更新背景模型。
本发明的系统包括了包含具有按照本发明而操作计算机的软件的计算机可读介质的计算机系统。
本发明的设备包括了包含具有按照本发明而操作计算机的软件的计算机可读介质的计算机。
制造本发明的主题包括了具有按照本发明而操作计算机的软件的计算机可读介质。
本发明的其他特性和优点，以及本发明的各种实施例的结构和操作将在以下参考附图详细描述。
定义
“计算机”是指任何能够接受结构化输入，根据规定的规则处理结构化输入，并将处理结果作为输出的设备。这样的计算机的实例如：计算机；通用计算机；超级计算机；主机；超小型计算机；小型计算机；工作站；微型计算机；服务器；交互式电视；网络设备；具有互连网接入的通信设备；计算机和交互式电视的结合；以及模拟计算机和/或软件的特定应用的硬件。计算机可以是固定的或便携式的。计算机可以具有一个或多个并行或非并行的处理器。计算机也可以指两个或多个通过网络连接的用于在计算机之间发送和接收信息的计算机。这样的计算机的实例包括通过由网络链接的计算机来处理信息的分布式计算机系统。
“计算机可读介质”是指任何用来存储计算机可以访问的数据的存储设备。计算机可读介质的实例如：磁盘；软盘；诸如CD-ROM和DVD的光盘；磁带；存储芯片；以及诸如在发送和接收电子邮件或在接入网络中所使用的可以加载计算机可读电子数据的载波。
“软件”是指所规定的操作计算机的规则。软件的实例如：软件；代码段；指令；计算机程序；以及可编程的逻辑。
“计算机系统”是指具有计算机的系统，其中计算机包括了提供操作计算机的软件的计算机可读介质。
“网络”是指通过通信设备连接的多个计算机和关联设备。网络包括了诸如有线的永久性连接以及诸如通过电话，无线，或其他通信链路等连接的暂时性连接。网络的实例如：互联网，例如因特网；企业内部互联网；局域网(LAN)；广域网(WAN)；以及例如互联网和企业内部互联网的网络组合。
“视频”是指以模拟和/或数字形式表示的运动画面。视频的实例如：电视，电影，从照相机或其他捕获装置而来的图像序列，和计算机生成的图像序列。这些都能通过例如实况传送，存储设备，基于IEEE1394的接口，视频数字转换器，计算机图形引擎，或网络连接而获取。
“视频处理”是指任何视频的操作，例如压缩和编辑。
“帧”是指在视频中特定的图像或其他离散的单元。
附图说明
本发明前述的以及其他特性和优点将从以下结合附图而对本发明的优选实施例所作的详细描述中变得更为清楚。在相应的参考数字最左边的阿拉伯数字表示在附图中第一次出现的元素。
图1A和1B图示了现有技术中使用视频对象分割来显示独立移动的对象或对象的一部分所出现的问题；
图2图示了现有技术中前景对象使背景模型讹误的实例；
图3图示了本发明的第一实施例的流程图；
图4图示了用于检测前景像素的像素统计背景建模；
图5图示了用来处理光线变化的像素统计背景建模；
图6图示了用于移动检测的使用三帧的区分；
图7图示了检测移动像素和变化了的像素；
图8图示了固定目标检测和分类的流程图；
图9图示了背景变化检测；
图10图示了前景对象的插入；
图11图示了背景部分的移走；
图12图示了用于检测强边缘的流程；
图13图示了用于检测强边缘的另一个流程；
图14图示了检测边缘强度的流程；
图15图示了确定边缘强度；
图16图示了本发明的第二实施例的流程。
具体实施方式
以下详细讨论本发明的示例性实施例。虽然讨论的是特定的示例性实施例，但可以理解的是，其仅仅起到示意性的目的。本领域的技术人员在不背离本发明的精神和范围的情况下也能使用其他的组件和结构。这里所讨论的实施例和实例也不是限制性的。
本发明为保持视频序列的背景模型而提供了变化的检测和分类。本发明能用于实时的视频处理应用(例如，实时的基于对象的压缩，或视频监视)其中视频序列可以不是任何时候都能完全得到的，并且背景模型递增的变化可能需要保持其有效性。本发明还能用于非实时的视频处理应用。视频序列是指视频的一部分或全部。
根据本发明，首先，检测在背景模型中的局部变化并用其来保持背景模型，其次，对这种检测到的变化分类并做进一步处理。所检测到的变化被分成两大主类：第一，在场景中放置并且长时间保持静止的对象(即，插入)；第二，从场景中移走并且暴露出了背景模型(例如，静态的背景)的一部分的对象(即，移走)。这两大类的相同方面是在背景模型中存在永久性的局部变化。
将变化分成这两类在例如视频监视应用等的大范围应用中是很重要的。用于视频监视应用的第一类(即，插入)的实例如：监视不能停车的区域(例如，如果车在不能停车的区域中待的时间超过了特定的时间则就发出警报)；检测在机场中无人照顾的袋子；并检测在诸如军事设施和发电厂等敏感区域附近未被注意的物体。用于视频监视应用的第二类(即，移走)的实例如：检测高价值物品的移动，例如博物馆的艺术品，硬件设备的昂贵部分，或停了很久的车。
图3图示了本发明第一实施例在通用视频处理系统的一个可能的处理流程图。视频序列首先输入到系统中，接着产生并保持背景模型31，32，和33。输入的视频通过两种独立的低级像素分类技术进行处理：基于背景模型的像素分类31和基于运动的像素分类34。这两种技术都产生表示所感兴趣的像素的像素掩码(每帧)。基于背景模型的像素分类31产生变化掩码和成像，基于运动的像素分类34产生运动掩码。变化掩码和运动掩码都提供给斑块产生35，其将掩码转换成在每帧中表示每个可见的前景对象轮廓的一个或多个独立的斑块组。总的来说，如果看不见前景对象，则就不产生斑块。斑块使用斑块跟踪36来记录追踪，其将一帧中的斑块与其他帧中的斑块连接以产生表示场景中的每个对象的“目标”。目标是随时间推移的视频对象的时空上的描述。目标通过固定目标的检测和分类37而分析，其确定目标中的任何一个是否表示背景模型33的“永久”变化以及变化是表示“插入”(例如，对象进入场景)还是“移走”(例如，对象离开并暴露了背景模型的一部分)。最后，任何检测到的固定目标都能通过背景模型局部更新38而插入背景模型33。
产生和保持背景模型包括基于背景模型的像素分类31，背景模型更新32，以及背景模型33。基于背景模型的路径31，32，和33的一个选项采用了动态统计像素建模。动态统计像素建模保持了图像背景的精确表示并将背景像素从前景像素中区分开来。在示例性的实施例中，动态统计像素建模通过共同受让的2001年3月23日申请的题目为“Video Segmentation Using Statistical PixelModeling(使用统计像素建模的视频分割)”美国专利申请No.09/815,385所公开的技术而实现，其引入在此作为参考。该示例性的技术的总的构想是，在几个帧中保留所有像素的历史，包括像素色彩(或亮度)值及其统计值。静态的，未变化的像素作为背景。如果像素的统计变化显著，则该像素就为前景。如果像素转换成了它的原始状态，则能转换的像素就认为是背景像素。这种技术能降低传感器噪声并能自动地解决由于光线条件和照相机的自动增益控制(AGC)在背景中的缓慢变化。除了动态统计像素建模，基于背景模型的像素分类能使用静态背景模型、高斯背景模型混合或高斯模型的动态适应性混合而实现。
背景模型33为在任意给定时间上的视频中所描述的静态场景的内部表示。每当分析一个新帧时，背景模型33都能通过背景模型更新32而递增地更新。除了递增性的更新外，背景模型33在检测到背景变化时也需要更新。例如，表示新的局部静态背景区域的色彩信息应当被“嵌入”到背景模型33中，这由背景模型局部更新38来完成。
图4和5图示了使用像素建模来产生并保持背景模型。在图4中，图示了用于检测前景像素的像素统计背景建模。帧41是源自一个人从一排椅子前走过并扔下手提箱的视频的当前帧。在帧41中，那人已经扔掉了手提箱并继续向前走。如所绘的视频中像素的亮度和时间的曲线图42所示，每个像素43的亮度平均值和标准偏差用来建模背景44。背景模型33包含了每个像素的平均值和标准偏差。像素分类法则31将当前帧41的每个像素与背景模型33的相应像素进行比较。当物体移动“通过”当前帧41中的像素时，它的值与在背景模型33中所捕获的统计值不一致，从而认为其是前景45。前景像素的变化掩码通过基于背景模型的分类31而创建并发送给斑块产生35。这个变化掩码和当前帧41都发送给背景模型更新32以便更新包括背景模型33的像素统计。
在图5中，图示了用于处理光线变化的像素统计背景建模。帧51图示了在视频中光线的缓慢变化。如所绘制的视频像素的亮度与时间曲线图52所示，每个像素53的亮度平均值和标准偏差都被用来建模背景。由于每个像素的平均值和标准偏差仅仅是从最近的帧计算所得的，因此背景模型33适于遵从缓慢变化的像素亮度54。
基于运动的像素分类34确定像素是否在实际上经历一帧帧的独立运动。基于运动的像素分类34的一种可能的例子是三帧区分，如在共同受让的2000年10月24日提交的美国专利申请No.09/694,712中所描述的，其引用在此作为参考。运动像素分类34的其他可能的例子还包括两帧区分和光流。
图6图示了在基于运动的像素分类34中用于运动检测的三帧区分。帧61，62和63分别为源于一个人在一排椅子前走过并扔掉手提箱的视频的过去、当前和将来帧。差分掩码64通过比较帧61和62得到，而差分掩码65通过比较帧62和63而得到。运动掩码66通过使用逻辑与(AND)比较差分掩码64和65而得到。运动掩码66发送给斑块产生35。
从基于背景模型的像素分类31和基于运动的像素分类34来的输出不会同时检测一个新的背景对象。例如，新近停泊的车辆根据基于背景模型的分类31而作为前景对象出现。但，由于停泊的车辆并未显示出任何实际的独立运动，因此基于运动的分类34不会检测任何的前景对象。
在变化像素和移动像素之间的这种差异的另一个例子如图7所示。帧71为源自一个人走过一排椅子并扔掉手提箱的视频的一帧。由基于运动的像素分类34而产生的运动掩码72，只检测人而不检测手提箱。由基于背景模型的分类31所产生的变化掩码73则既检测人又检测手提箱。在该例子中，新近插入的前景对象(即，手提箱)由基于背景模型的像素分类31而不是基于运动的像素分类34检测。
斑块产生35和斑块跟踪36将每帧像素运动掩码和变化掩码集成到目标(视频对象的时空描述)中。对于斑块产生35来说，有很多现有的技术来将像素聚集成斑块，例如：如在D.Ballard和C.Brown的，“Computer Vision”，Prentice-Hall，1982年5月所公开的连接组件，现将其引用在此作为参考；以及如在T.E.Boult，R.J.Micheals，X.Gao，P.Lewis，C.Power，W.Yin，和A.Erkan的“Frame-RateOmnidirectional Surveillance and Tracking of Camouflaged and Occluded Targets”，关于视频监视的IEEE会议的会议论文集，1999年6月所提出的准连接组件，现将其引用在此作为参考。对于斑块跟踪36来说，也有很多现有技术可以随时间而跟踪斑块以形成目标。示例性的跟踪技术如以下所讨论的，其也全部引用在此作为参考：2000年10月24日申请的标题为“Interactive Video Manipulation”的共同受让的美国专利申请No.09/694,712；Wren，C.R.等的，“Pfinder：Real-TimeTracking of Human Body”，IEEE Trans.On Pattern Matching and MachineIntelligence，Vol.19，pp.780-784，1997；Grimson，W.E.L.等的“Using Adaptive Trackingto Classify and Monitor Activities in a Site”，CVPR，pp.22-29，1998年6月；和Olson，T.J.and Brill，F.Z.的“Moving Object Detection and Event Recognition Algorithmfor Smart Cameras”，IUW，pp.159-175，1997年5月。
固定目标检测和分类17分析由斑块跟踪36所产生的目标以确定每个目标是否是固定的。如果目标表示在背景模型33中的局部变化，则就能确定该目标是固定的。如果视频对象已经停止了移动(即，插入)或先前固定的视频对象已经暴露出了作为目标出现的静态背景的一部分(即，移走)，则目标就能表示在背景模型33中的变化。
一旦检测到了固定的目标，则该信息就反馈到背景模型局部更新38以更新背景模型33。根据该反馈，背景模型33就能保持涉及构成静态背景和合法的前景行为的日期。
固定目标检测和分类37确定目标是否固定，如果是，则它是否应该加上插入，移走或未知的标签，如果不可能确定差别，则是否加上不知道的标签。在区分插入和移走时，在用于插入和移走的时标之间的关系是很重要的。插入可以比移走涉及更多的不同时标，而这些时标也可以是应用依赖的。例如，应用可能需要对象在被认为是插入之前在左边的适当位置待很长时间而在被认为是移走之前待很短的时间。如具体的例子，在机场的路边停了大约5分钟的车辆可以不考虑并可以认为不是插入，但在机场的路边停大约十五分钟的车辆就应当被考虑并认为是一个插入。而且，对同一辆车，只要它从路旁移开，就可以认为是移走。在这个例子中，插入的时标要比移走的时标长。在另一种应用中，插入和移走的相对时标可以与上述例子中的相反以使移走的时标比插入的时标长。而且，插入和移走的时标都能由用户来配置。
图8图示了用于固定目标检测和分类37的流程图。用于执行固定目标检测和分类37的伪码如下：
if(target is POTENTIALLY_STATIONARY)
             if(insertion_time_threshold＜removal_time_threshold)
             1st_time_threshold←insertion_time_threshold
             1st_test←insertion_test
             1st_label←INSERTION
             2nd_time_threshold←removal_time_threshold
             2nd_test←removal_test
             2nd_label←REMOVAL
          else
             2nd_time_threshold←insertion_time_threshold
             2nd_test←insertion_test
             2nd_label←INSERTION
             1st_time_threshold←removal_time_threshold
        1st_test←removal_test
        1st_label←REMOVAL
      end
        if(target_age＞1st_time_threshold)
            if(1st_est is true for target)
                target_label←1st_label
       else if(target_age＞2nd_time_threshold)
           if(2nd_test is true for target)
                target_label←2nd_label
        else
               target_label←UNKNOWN
        end
     end
    end
 end
在模块81中，检测每个由斑块产生35提供的目标以确定该目标是否可能是固定的。该模块相应于上述伪码中的第一个“if”条件(即，if(target isPOTENTIALLY_STATIONARY))。如果该目标不是固定的，则流程转到模块82并结束。
确定目标是否可能是固定的示例性的技术使用了目标的各种时空属性和特征。如果目标实际上在很长的时间中并没有改变其形状和大小，则该目标就可能是固定的目标。而且，如果目标与背景呈现出了很大的变化(如变化检测31，32，33所检测的)，但只是非常小的独立运动(如运动检测34所检测的)，那么该目标几乎可以确认为固定目标。
可能的固定目标的两个例子如图9所示。图像91是源自一个人走过一排椅子并扔掉手提箱的视频的当前帧，而图像94是源自一个人从屋子中移走艺术品的视频的当前帧。运动掩码92和95由基于运动的像素分类34产生，并显示“移动”像素的像素掩码(即，显示出移动的像素)。在帧91中，运动掩码92检测该人但未检测出手提箱，而运动掩码95检测到艺术品与人一起走，但没有检测出墙上的缺失。变化掩码93和96由基于背景模型的像素分类31产生并显示出了“变化”像素的像素掩码(即，与背景模型33不同的像素)。变化掩码93检测人和手提箱，而变化掩码96检测艺术品与人一起走动并从墙上缺失。如在变化掩码93和96上的覆盖的正方形所示，存在与背景模型33明显变化的区域，但并未呈现出任何独立的运动。在变化掩码93中，手提箱的插入并未显现出任何独立的运动，并且在变化掩码96中，将艺术品从墙上移走也并未显示出任何独立的运动。这些区域都由固定目标检测和分类37确定为可能的固定目标。
在本发明确定固定目标的一个实施例中，确定示例性的可以计量的目标属性。例如，用μΔC和σΔC表示目标的重心轨迹的统计属性。具体地，μΔC表示在连续帧之间重心位置(以像素计)差异的平均数(按时间)，而σΔC表示在连续帧之间重心位置(以像素计)差异的标准偏差(按时间)。总的来说，μΔC和σΔC表示固定目标的重心轨迹的统计属性。
而且，μR和σR表示目标的像素区域的统计属性。具体地，μR表示在连续帧之间的目标(以像素计)区域比率的平均值(按当前时期的时间)，而σR表示在连续帧之间的目标(以像素计)的区域比率的标准偏移(按当前时期的时间)。这四个示例性的目标属性(即，μΔC，σΔC，μR和σR)捕获目标的一般性运动和大小变化。
此外，μM和σM表示固定目标的移动像素的统计属性。具体地，μM表示“移动”像素数与目标区域(按像素计)比率的平均数(按当前时期的时间)，而σM表示“移动”像素数与目标区域(按像素计)比率的标准偏差(按当前时期的时间)。这两个示例性的目标属性(即，μM和σM)捕获显示出独立运动的目标范围，正如以上所讨论的。
使用这六个示例性的目标属性，一种可能的技术基于以下的伪码来确定目标是否可能是固定的：
If(μΔC＜THRESHOLD1 && σΔC＜THRESHOLD2 && μR＜THRESHOLD3 && σR＜THRESHOLD4 && μM＜THRESHOLD5 && σM＜THRESHOLD6)
   target←potentially_stationary
end
在伪码中，六个阀值(即，THRESHOLD1，THRESHOLD2，THRESHOLD3，THRESHOLD4，THRESHOLD5和THRESHOLD6)用来执行与示例性的目标属性的阀值比较。这六个阀值能作为用户参数而预设和/或任意设定。
虽然四个示例性的目标属性(即，μΔC，σΔC，μR和σR)如所讨论的表示随时间的目标的一般性运动和大小变化，而对本领域的普通技术人员来说，使用其他的属性也是显然的。
虽然两个示例性的目标属性(即，μM和σM)如所讨论的表示所呈现的独立运动，而对本领域的普通技术人员来说，使用其他的属性也是显然的。
虽然讨论了以上的六个统计属性(即，μΔC，σΔC，μR，σR，μM和σM)，但对本领域的普通技术人员来说使用这些统计属性的组合，或其他的统计属性，和/或其他的属性是显然的。
在模块83中，确定在插入的阀值和移走的阀值之间的关系。该模块相应于在上述伪码中的第二个“if”条件(即，if(insertion_time_threshold＜removal_time_threshold))。用于对所检测的目标分类的伪码取决于在插入时间阀值和移走时间阀值之间的关系。该关系决定了两个检测，即插入检测或移走检测中的哪个首先执行。插入时间阀值和移走时间阀值是基于为插入和移走所设定的时标的点，如以上所讨论的。在伪码中，插入时间阀值和移走时间阀值均与目标时长进行比较。
在模块84中，提供了插入检测和/或移走检测。，如果应用这些检测确定了目标是插入，则流程转到模块85，并将目标分类为插入。如果应用这些检测确定目标是移走，则流程转到模块86，并将目标分类为移走。如果应用这些检测不能确定目标是插入还是移走，则流程转到模块87，并且将目标分类为未知。模块84-86相应于在上述伪码中的第三个“if”条件(即，if(target_age＞1st_time_threshold))。一旦通过插入检测和/或移走检测而认为可能的固定目标是固定的，则将对它的描述发送给背景模型局部更新38，其在可能的固定目标的处修改背景模型33。该处理涉及重置表示可能的固定目标的像素的背景模型统计(平均值和变量)。表示固定目标的平均值和变量的值被修改为表示从表示可能的固定目标的更近的帧来的像素的平均值和变量。
图10和11图示了插入检测和移走检测。本发明示例性分类技术所用的理论是插入的特征在于，在当前图像中在其外围显示强边缘而在背景模型中的相同区域的外围没有显示强边缘的区域。相反地，移走的特征在于，在背景模型中在其外围显示强边缘而在当前图像中在其外围没有显示强边缘的区域。
图10图示了对插入的分类。在该例子中的视频为一个人在一排椅子前走过并扔掉手提箱。图像101显示了背景模型的图像，而背景边缘图像102则显示了使用Sobel边缘检测器所确定的图像101相应的边缘。图像103显示了当前帧的图像，而当前帧的边缘图像104则显示了使用Sobel边缘检测器所确定的图像103相应的边缘。正如所看见的，在当前帧中的手提箱显示出了非常强的边缘(即，当前帧的边缘图像104)，而在背景模型(即，背景的边缘图像102)中则没有。变化掩码105显示了检测到的变化像素，其包括了固定的对象(即，手提箱)。图像106是在变化掩码105中的手提箱区域的特写，而图像107则是在图像106中的手提箱区域外围部分的特写。图像108和109分别显示了相应于用于背景边缘图像102和当前帧边缘图像104的图像107部分的边缘。正如所看见的，在用于当前帧的图像109中的边缘强度要大于在用于背景模型的图像108中的边缘强度。因此，目标(即，手提箱)分类为插入。
图11显示了对移走的分类。在该例子中的视频为一个人从房间中移走艺术品。图像111显示了背景模型的图像，而背景边缘图像112则显示了使用Sobel边缘检测器所确定图像111相应的边缘。图像113显示了当前帧的图像，而当前帧边缘图像114显示了使用Sobel边缘检测器所确定图像113相应的边缘。正如所看见的，艺术品在背景模型(即，背景模型边缘图像112)中显示出了很强的边缘，而在当前帧(即，当前帧图像114)中则没有。变化掩码115显示了检测到的包括了固定目标(即，艺术品)的变化像素。图像116是在变化掩码115中的艺术品区域的特写，而图像117是在图像116中的艺术品区域外围部分的特写。图像118和119分别显示了相应于用于背景边缘图像112和当前帧边缘图像114的图像117部分的边缘。正如所看见的，在用于背景模型的图像118中的边缘强度大于在用于当前帧的图像119中的边缘强度。因此，目标(即，艺术品)分类为移走。
图12和13显示了用于图8中的模块84-87的两个实例。图12显示了插入时间阀值比移走时间阀值要短的情况的实例，而图13显示了插入时间阀值不少于移走时间阀值相应的其他情况。
在图12中，对于模块1201，背景的边缘强度EB沿着可能固定的目标(即，检测到的变化)的边界而确定。
在模块1202中，当前帧的边缘强度EF沿着固定目标的边界而确定。
在模块1203中，确定在背景的边缘强度EB和当前帧的边缘强度EF之间的差别(即，ΔE＝EB-EF)。
在模块1204中，将目标的时长与插入时间阀值进行比较。如果目标的时长比插入阀值要大，则流程转到模块1205。否则，流程转到模块1211并结束。
在模块1205中，将差别ΔE与插入阀值THI进行比较。此处所用的公式为，如果ΔE＜THI(THI＜0)，则固定目标为插入，并且流程转到模块1206。否则，流程转到模块1207。
在模块1206中，将固定的目标被分类为插入。
在模块1207中，将目标的时长与移走时间阀值进行比较。如果目标的时长比移走时间阀值要大，则流程转到模块1208。否则，流程转到模块1211并结束。
在模块1208中，将差别ΔE与移走阀值THR进行比较。这里所用的公式为，如果ΔE＞THR，则固定目标为移走，并且流程转到模块1209。否则，流程转到模块1210。
在模块1209中，将固定的目标被分类为移走。
在模块1210中，固定目标不能被分成插入或移走，而应当分为未知。
在模块1206，1208，和1210后，固定目标的描述被发送到背景模型局部更新38，其修改背景模型33以修正由检测的固定目标所产生的变化。即便固定目标不能被分类为插入或移走(模块1210)，背景模型也依然更新。
为了增加强壮性(robustness)，在边缘强度EB和EF能够在模块1201和1202中根据连续帧和平均时间而确定。
图13除了用于模块1204-1206和模块1207-1209的流程顺序发生变化外，其余均与图12相同。
图14图示了用于确定模块1201和1202的边缘强度EB和EF的示例性技术的流程。但，对本领域的普通技术人员来说也可以使用其他可以得到的技术。图14所讨论的内容涉及到了图15，图15图示了根据边缘强度所确定的示例性的固定目标。根据图14所示的示例性技术，可以调节在检测到的变化中的一些不确定因素，并且可以忽略在对象上的孔和细小缝隙。
在模块141中，选择图像的色带。例如，在YCrCb图像中选择Y色带。除了Y色带外，也能选择其他的色带。同时，作为选择，也可以选定多个色带。此外，本发明也提供了其他类型的图像，例如RGB或CMYK图像。
在模块142中，选择经过目标的外围像素Pp和重心Pc的一条直线。在图15中，目标151的重心Pc由一个星形来表示，而示例性的外围像素152，153和154由沿着目标151的重心的圆圈来表示。在图15中确定了三个示例性的外围像素，对每个外围像素而言，都通过外围像素Pp和重心Pc来选择一条直线。
在模块143中，在直线上的两个像素P1和P2从与外围像素相等的+/-距离选取。在图15中，每条线上的两个像素用黑圈来表示。
在模块144中，如果两边的像素都在目标之内或之外，则流程转到模块145。否则，如果一边的像素在目标之内而另一边的像素在目标之外，则流程转到模块146。在图15中，外围像素152和153都具有在目标151之内的两边的像素，而外围像素154具有一边在目标之内而另一边在目标之外的像素。
在模块145中，如果两边的像素都在目标之内或之外，则忽略该外围像素，流程转到模块147。在图15中，忽略外围像素152和153。
在模块146中，具有一边在目标内部而另一边在目标外部的像素的外围像素的反差Cp基于两边的像素的Ip1和Ip2的亮度而确定，即：Cp＝|Ip1-Ip2|。
在模块147中，如果所有的外围像素都已检查过了，则流程转到模块148。否则，流程转到模块142以继续检查外围像素。
在模块148中，平均反差通过在模块146中所确定的所有外围像素的反差Cp而确定。这个平均的反差能分别用作在模块1201和1202中的边缘强度EB和EF。
在以上对图15的讨论中，同时针对三个示例性的外围像素151，152和153。但，在根据图14而对外围像素的检测中，每个外围像素均独立地检测直到根据从模块147到模块142的循环，所有的外围像素都已检测过了。
而且，根据图14的示例性技术，可以忽略在图15中的目标151的孔以及细小缝隙，从而增强了技术的强壮性。
在根据本发明的另一个实施例中，还监视检测的目标以确定新近检测的目标是否已经被固定目标的检测和分类37作为在背景模型中的变化而检测过了。例如，在监视程序中，感兴趣的话可以在目标进入场景并停止移动(例如，停车)时检测并随后监视该目标(或目标停止移动的场景区域)以确定目标是否以及何时再次移动(例如，所停的车辆离开)。
图16图示了用于本发明的第二实施例的流程图。图16除了加入固定目标监视器161外，与图3相同。固定目标监视器161接收从固定目标的检测和分类37来的固定目标描述并将目标的再次恢复活动提供给斑块跟踪36。如果固定目标被分类为插入，则固定目标监视器161记录下目标(例如，时间，大小，颜色，和位置)并监视该目标任何进一步的活动。在这点上，目标被系统其余部分“忘记”并集成到背景模型33中，并有效地进入睡眠。此后的任何时候，如果固定目标被检测为移走并通过在以前插入的临近中的固定目标的检测和分类37而报告，则固定目标监视器161根据睡眠的固定目标而记录下该移走并通知斑块跟踪36以重新激活该目标。
本发明的实施例能够用计算机系统来执行。图17显示了一个示例性的计算机系统171，其包括计算机172和计算机可读介质173。参照图3和16，模块31-38和161都能通过驻留在计算机系统171中的一个或多个计算机可读介质173上的软件来执行。根据本发明的要处理的视频和/或图像都能驻留在一个或多个计算机可读介质173上，或通过例如视频或图像输入174或网络175而提供。
虽然以上描述了本发明的各种实施例，但可以理解的是，它们仅仅是示例性的，而非限制性的。因此，本发明的广度和范围不应当通过以上所描述的任何示例性实施例而限定，而应当仅仅根据以下的权利要求及其等同而限定。

Claims (16)

1.一种处理视频的方法，包括步骤：
为所述的视频保持背景模型；
在所述视频中检测目标；
检测所述目标是否是固定目标，其中，检测所述目标是否是固定目标包括步骤：
确定所述目标的一般性运动和大小变化属性；
确定所述目标的独立运动属生；
基于所述的一般性运动和大小变化属性以及所述独立运动属性确定所述目标是否是所述的固定目标；
将所述固定目标分类为插入所述背景模型中或从所述背景模型中移走。
2.根据权利要求1所述的方法，其特征在于所述一般性运动和大小变化属性包括所述目标的重心轨迹的统计属性和所述目标的区域统计属性。
3.根据权利要求1所述的方法，其特征在于所述独立运动属性包括所述目标的移动像素的统计属性。
4.根据权利要求1所述的方法，其特征在于还基于所述目标的时长确定所述目标是否是固定的。
5.一种处理视频的方法，包括步骤：
为所述的视频保持背景模型；
在所述视频中检测目标；
检测所述目标是否是固定目标；
将所述固定目标分类为插入所述背景模型中或从所述背景模型中移走，其中，对所述固定目标分类包括步骤：
沿所述固定目标的边界在所述背景模型中确定边缘强度；
沿所述固定目标的所述边界在视频序列的当前帧中确定边缘强度；
基于在所述背景模型中的所述边缘强度和所述当前帧中的所述边缘强度确定所述固定目标是否是插入或移走。
6.根据权利要求5所述的方法，其特征在于基于所述固定目标的重心像素以及沿所述固定目标的所述边界的外围像素确定在所述背景模型中的所述边缘强度。
7.根据权利要求5所述的方法，其特征在于基于所述固定目标的重心像素以及沿所述固定目标的所述边界的外围像素确定在所述当前帧中的所述边缘强度。
8.一种处理视频的方法，包括步骤：
为所述的视频保持背景模型；
在所述视频中检测目标；
检测所述目标是否是固定目标；
将所述固定目标分类为插入所述背景模型中或从所述背景模型中移走，或无法识别是插入或移走。
9.一种处理视频的方法，包括步骤：
为所述的视频保持背景模型；
在所述视频中检测目标；
检测所述目标是否是固定目标；
将所述固定目标分类为插入所述背景模型中或从所述背景模型中移走；
确定所述目标是否以前已经被检测为固定目标。
10.一种处理视频的计算机系统，包括：
所述视频的背景模型；
基于背景模型的像素分类，产生基于所述视频和所述背景模型的变化掩码和成像；
背景模型更新，基于所述变化掩码和所述成像更新所述的背景模型；
基于运动的像素分类，产生基于所述视频的运动掩码；
斑块产生，基于所述的变化掩码和所述的运动掩码产生至少一个斑块；
斑块跟踪，基于所述的斑块产生至少一个目标；
固定目标检测和分类，基于每个目标产生固定目标描述，所述固定目标描述用以确定每个所述的目标是插入在所述背景模型中还是从所述背景模型中移走；
背景模型局部更新，基于每个所述的固定目标描述更新所述背景模型。
11.根据权利要求10的计算机系统，其特征在于所述固定目标描述进一步确定所述目标中的每个是插入在所述背景模型中，从所述背景模型中移走，或无法识别是插入或移走。
12.根据权利要求10的计算机系统，其特征在于还包括：
固定目标监视器，基于每个所述的固定目标描述为所述的斑块跟踪产生目标重新激活。
13.一种处理视频的装置，包括：
装置，用于为所述视频保持背景模型；
装置，用于在所述视频中检测目标；
装置，用于检测所述目标是否是固定目标，其中，检测所述目标是否是固定目标的装置包括：
装置，用于确定所述目标的一般性运动和大小变化属性；
装置，用于确定所述目标的独立运动属生；
装置，基于所述的一般性运动和大小变化属性以及所述独立运动属性确定所述目标是否是所述的固定目标；
装置，用于将所述固定目标分类为插入在所述背景模型中或从所述背景模型中移走。  .
14.根据权利要求13所述的装置，其特征在于所述装置包括应用程序一专用硬件，以便模拟计算机和/或软件，所述硬件执行所述保持背景模型、在所述视频中检测目标、监测所述目标是否是固定目标和所述分类。
15.一种处理视频的设备，包括：
装置，为所述的视频保持背景模型；
装置，在所述视频中检测目标；
装置，检测所述目标是否是固定目标；
装置，将所述固定目标分类为插入所述背景模型中或从所述背景模型中移走，其中，对所述固定目标分类的装置包括：
装置，沿所述固定目标的边界在所述背景模型中确定边缘强度；
装置，沿所述固定目标的所述边界在视频序列的当前帧中确定边缘强度；
装置，基于在所述背景模型中的所述边缘强度和所述当前帧中的所述边缘强度确定所述固定目标是否是插入或移走。
16.根据权利要求15所述的设备，其特征在于所述设备包括应用程序-专用硬件，以便模拟计算机和/或软件，所述硬件执行所述保持背景模型、在所述视频中检测目标、监测所述目标是否是固定目标和所述分类。
CNB2003801101194A 2003-01-30 2003-12-23 使用变化检测和分类的视频场景背景保持 Expired - Lifetime CN100386771C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/354,096 US6999600B2 (en) 2003-01-30 2003-01-30 Video scene background maintenance using change detection and classification
US10/354,096 2003-01-30

Publications (2)

Publication Number Publication Date
CN1757037A CN1757037A (zh) 2006-04-05
CN100386771C true CN100386771C (zh) 2008-05-07

Family

ID=32770313

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2003801101194A Expired - Lifetime CN100386771C (zh) 2003-01-30 2003-12-23 使用变化检测和分类的视频场景背景保持

Country Status (13)

Country Link
US (1) US6999600B2 (zh)
EP (1) EP1588317B1 (zh)
JP (1) JP2006514363A (zh)
KR (1) KR20060012570A (zh)
CN (1) CN100386771C (zh)
AT (1) ATE548706T1 (zh)
AU (1) AU2003300337A1 (zh)
CA (1) CA2514826A1 (zh)
DK (1) DK1588317T3 (zh)
ES (1) ES2383174T3 (zh)
HK (1) HK1088968A1 (zh)
MX (1) MXPA05008201A (zh)
WO (1) WO2004070649A1 (zh)

Families Citing this family (186)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6738066B1 (en) * 1999-07-30 2004-05-18 Electric Plant, Inc. System, method and article of manufacture for detecting collisions between video images generated by a camera and an object depicted on a display
US6701005B1 (en) 2000-04-29 2004-03-02 Cognex Corporation Method and apparatus for three-dimensional object segmentation
US8300042B2 (en) * 2001-06-05 2012-10-30 Microsoft Corporation Interactive video display system using strobed light
US8035612B2 (en) * 2002-05-28 2011-10-11 Intellectual Ventures Holding 67 Llc Self-contained interactive video display system
US7259747B2 (en) 2001-06-05 2007-08-21 Reactrix Systems, Inc. Interactive video display system
AUPR899401A0 (en) * 2001-11-21 2001-12-13 Cea Technologies Pty Limited Method and apparatus for non-motion detection
US7215827B2 (en) * 2002-03-15 2007-05-08 Hitachi Kokusai Electric Inc. Object detection method using an image-pickup device with easy detection masking region setting and object detection apparatus using the method
US7710391B2 (en) * 2002-05-28 2010-05-04 Matthew Bell Processing an image utilizing a spatially varying pattern
US7920718B2 (en) * 2002-09-05 2011-04-05 Cognex Corporation Multi-zone passageway monitoring system and method
AU2003301043A1 (en) 2002-12-13 2004-07-09 Reactrix Systems Interactive directed light/sound system
US20050078873A1 (en) * 2003-01-31 2005-04-14 Cetin Ahmet Enis Movement detection and estimation in wavelet compressed video
US20040223652A1 (en) * 2003-05-07 2004-11-11 Cetin Ahmet Enis Characterization of motion of moving objects in video
CN1902930B (zh) * 2003-10-24 2010-12-15 瑞克楚斯系统公司 管理交互式视频显示系统的方法和系统
US7536032B2 (en) * 2003-10-24 2009-05-19 Reactrix Systems, Inc. Method and system for processing captured image information in an interactive video display system
US8326084B1 (en) 2003-11-05 2012-12-04 Cognex Technology And Investment Corporation System and method of auto-exposure control for image acquisition hardware using three dimensional information
US7623674B2 (en) * 2003-11-05 2009-11-24 Cognex Technology And Investment Corporation Method and system for enhanced portal security through stereoscopy
EP1704509A4 (en) * 2003-11-13 2010-08-25 Honda Motor Co Ltd ADAPTIVE PROBABILISTIC VISUAL TRACKING WITH INCREMENTAL SUB-ROOM UPDATE
KR100601933B1 (ko) * 2003-11-18 2006-07-14 삼성전자주식회사 사람검출방법 및 장치와 이를 이용한 사생활 보호방법 및 시스템
US7664292B2 (en) * 2003-12-03 2010-02-16 Safehouse International, Inc. Monitoring an output from a camera
US8558892B2 (en) * 2004-01-20 2013-10-15 Honeywell International Inc. Object blocking zones to reduce false alarms in video surveillance systems
KR100568237B1 (ko) * 2004-06-10 2006-04-07 삼성전자주식회사 비디오 영상으로부터 이동 물체를 추출하는 장치 및 방법
WO2005125003A2 (en) * 2004-06-15 2005-12-29 Sarnoff Corporation Method and apparatus for detecting left objects
US7369682B2 (en) * 2004-07-09 2008-05-06 Honda Motor Co., Ltd. Adaptive discriminative generative model and application to visual tracking
US7391907B1 (en) * 2004-10-01 2008-06-24 Objectvideo, Inc. Spurious object detection in a video surveillance system
US7391905B2 (en) * 2004-12-06 2008-06-24 Mitsubishi Electric Research Laboratories Method for secure component labeling in images
US7577252B2 (en) * 2004-12-06 2009-08-18 Mitsubishi Electric Research Laboratories, Inc. Method for secure object detection in images
US7372975B2 (en) 2004-12-06 2008-05-13 Mitsubishi Electric Research Laboratory, Inc. Method for secure background modeling in images
US7688999B2 (en) * 2004-12-08 2010-03-30 Electronics And Telecommunications Research Institute Target detecting system and method
US7639841B2 (en) * 2004-12-20 2009-12-29 Siemens Corporation System and method for on-road detection of a vehicle using knowledge fusion
US20060153448A1 (en) * 2005-01-13 2006-07-13 International Business Machines Corporation System and method for adaptively separating foreground from arbitrary background in presentations
US7801328B2 (en) * 2005-03-31 2010-09-21 Honeywell International Inc. Methods for defining, detecting, analyzing, indexing and retrieving events using video image processing
US9128519B1 (en) 2005-04-15 2015-09-08 Intellectual Ventures Holding 67 Llc Method and system for state-based control of objects
EP1904952A2 (en) * 2005-05-23 2008-04-02 Nextcode Corporation Efficient finder patterns and methods for application to 2d machine vision problems
US7825954B2 (en) * 2005-05-31 2010-11-02 Objectvideo, Inc. Multi-state target tracking
US20070122000A1 (en) * 2005-11-29 2007-05-31 Objectvideo, Inc. Detection of stationary objects in video
US8081822B1 (en) 2005-05-31 2011-12-20 Intellectual Ventures Holding 67 Llc System and method for sensing a feature of an object in an interactive video display
US7796780B2 (en) * 2005-06-24 2010-09-14 Objectvideo, Inc. Target detection and tracking from overhead video streams
US7801330B2 (en) * 2005-06-24 2010-09-21 Objectvideo, Inc. Target detection and tracking from video streams
JP4947936B2 (ja) * 2005-08-11 2012-06-06 ソニー株式会社 モニタリングシステムおよび管理装置
US7787011B2 (en) * 2005-09-07 2010-08-31 Fuji Xerox Co., Ltd. System and method for analyzing and monitoring 3-D video streams from multiple cameras
US8111904B2 (en) 2005-10-07 2012-02-07 Cognex Technology And Investment Corp. Methods and apparatus for practical 3D vision system
US8098277B1 (en) 2005-12-02 2012-01-17 Intellectual Ventures Holding 67 Llc Systems and methods for communication between a reactive video system and a mobile communication device
US8565525B2 (en) * 2005-12-30 2013-10-22 Telecom Italia S.P.A. Edge comparison in segmentation of video sequences
US8150155B2 (en) * 2006-02-07 2012-04-03 Qualcomm Incorporated Multi-mode region-of-interest video object segmentation
US8265349B2 (en) * 2006-02-07 2012-09-11 Qualcomm Incorporated Intra-mode region-of-interest video object segmentation
US8265392B2 (en) * 2006-02-07 2012-09-11 Qualcomm Incorporated Inter-mode region-of-interest video object segmentation
US20070250898A1 (en) 2006-03-28 2007-10-25 Object Video, Inc. Automatic extraction of secondary video streams
US8848053B2 (en) * 2006-03-28 2014-09-30 Objectvideo, Inc. Automatic extraction of secondary video streams
KR101392294B1 (ko) * 2006-04-17 2014-05-27 오브젝트비디오 인코퍼레이티드 통계적인 픽셀 모델링을 이용한 비디오 분할
TW200745996A (en) 2006-05-24 2007-12-16 Objectvideo Inc Intelligent imagery-based sensor
NO327576B1 (no) * 2006-06-01 2009-08-17 Ana Tec As Framgangsmate og apparat for analyse av objekter
JP4631806B2 (ja) * 2006-06-05 2011-02-16 日本電気株式会社 物体検出装置、物体検出方法および物体検出プログラム
DE102007024868A1 (de) * 2006-07-21 2008-01-24 Robert Bosch Gmbh Bildverarbeitungsvorrichtung, Überwachungssystem, Verfahren zur Erzeugung eines Szenenreferenzbildes sowie Computerprogramm
KR100793837B1 (ko) * 2006-09-13 2008-01-11 한국전자통신연구원 조명의 변화와 학습자 인터랙션을 고려한 마커 인식 장치및 마커 인식 방법
US8045783B2 (en) * 2006-11-09 2011-10-25 Drvision Technologies Llc Method for moving cell detection from temporal image sequence model estimation
US8300890B1 (en) * 2007-01-29 2012-10-30 Intellivision Technologies Corporation Person/object image and screening
US20080181457A1 (en) * 2007-01-31 2008-07-31 Siemens Aktiengesellschaft Video based monitoring system and method
CN101622652B (zh) 2007-02-08 2012-03-21 行为识别系统公司 行为识别系统
US8456528B2 (en) * 2007-03-20 2013-06-04 International Business Machines Corporation System and method for managing the interaction of object detection and tracking systems in video surveillance
US7949150B2 (en) * 2007-04-02 2011-05-24 Objectvideo, Inc. Automatic camera calibration and geo-registration using objects that provide positional information
WO2008124820A1 (en) * 2007-04-10 2008-10-16 Reactrix Systems, Inc. Display using a three dimensional vision system
US20080273754A1 (en) * 2007-05-04 2008-11-06 Leviton Manufacturing Co., Inc. Apparatus and method for defining an area of interest for image sensing
US8126260B2 (en) 2007-05-29 2012-02-28 Cognex Corporation System and method for locating a three-dimensional object using machine vision
US7822275B2 (en) * 2007-06-04 2010-10-26 Objectvideo, Inc. Method for detecting water regions in video
US8542872B2 (en) 2007-07-03 2013-09-24 Pivotal Vision, Llc Motion-validating remote monitoring system
US8411935B2 (en) 2007-07-11 2013-04-02 Behavioral Recognition Systems, Inc. Semantic representation module of a machine-learning engine in a video analysis system
TW200926011A (en) * 2007-09-04 2009-06-16 Objectvideo Inc Background modeling with feature blocks
CA2699628A1 (en) 2007-09-14 2009-03-19 Matthew Bell Gesture-based user interactions with status indicators for acceptable inputs in volumetric zones
US8175333B2 (en) * 2007-09-27 2012-05-08 Behavioral Recognition Systems, Inc. Estimator identifier component for behavioral recognition system
US8300924B2 (en) * 2007-09-27 2012-10-30 Behavioral Recognition Systems, Inc. Tracker component for behavioral recognition system
US8200011B2 (en) 2007-09-27 2012-06-12 Behavioral Recognition Systems, Inc. Context processor for video analysis system
US8086071B2 (en) * 2007-10-30 2011-12-27 Navteq North America, Llc System and method for revealing occluded objects in an image dataset
US8159682B2 (en) 2007-11-12 2012-04-17 Intellectual Ventures Holding 67 Llc Lens system
MY143022A (en) * 2007-11-23 2011-02-14 Mimos Berhad Method for detecting unattended object and removal of static object
GB2446293A (en) * 2008-01-31 2008-08-06 Siemens Ag Video based monitoring system and method
AU2008200966B2 (en) * 2008-02-28 2012-03-15 Canon Kabushiki Kaisha Stationary object detection using multi-mode background modelling
US8259163B2 (en) 2008-03-07 2012-09-04 Intellectual Ventures Holding 67 Llc Display with built in 3D sensing
US8107678B2 (en) * 2008-03-24 2012-01-31 International Business Machines Corporation Detection of abandoned and removed objects in a video stream
US8284249B2 (en) * 2008-03-25 2012-10-09 International Business Machines Corporation Real time processing of video frames for triggering an alert
TWI381717B (zh) * 2008-03-31 2013-01-01 Univ Nat Taiwan 數位視訊動態目標物體分割處理方法及系統
US9019381B2 (en) 2008-05-09 2015-04-28 Intuvision Inc. Video tracking systems and methods employing cognitive vision
JP4507129B2 (ja) * 2008-06-06 2010-07-21 ソニー株式会社 追尾点検出装置および方法、プログラム、並びに記録媒体
US8595218B2 (en) * 2008-06-12 2013-11-26 Intellectual Ventures Holding 67 Llc Interactive display management systems and methods
US8243991B2 (en) * 2008-06-17 2012-08-14 Sri International Method and apparatus for detecting targets through temporal scene changes
US9633275B2 (en) * 2008-09-11 2017-04-25 Wesley Kenneth Cobb Pixel-level based micro-feature extraction
US8121424B2 (en) * 2008-09-26 2012-02-21 Axis Ab System, computer program product and associated methodology for video motion detection using spatio-temporal slice processing
AU2008264228B2 (en) * 2008-11-24 2010-11-25 Canon Kabushiki Kaisha Detection of abandoned and vanished objects
US9373055B2 (en) * 2008-12-16 2016-06-21 Behavioral Recognition Systems, Inc. Hierarchical sudden illumination change detection using radiance consistency within a spatial neighborhood
US8285046B2 (en) * 2009-02-18 2012-10-09 Behavioral Recognition Systems, Inc. Adaptive update of background pixel thresholds using sudden illumination change detection
TWI376648B (en) * 2009-02-25 2012-11-11 Micro Star Int Co Ltd Method and device for keeping image background by multiple gauss models
US8416296B2 (en) * 2009-04-14 2013-04-09 Behavioral Recognition Systems, Inc. Mapper component for multiple art networks in a video analysis system
JP5305520B2 (ja) * 2009-05-19 2013-10-02 パナソニック株式会社 監視カメラシステム
US20110043689A1 (en) * 2009-08-18 2011-02-24 Wesley Kenneth Cobb Field-of-view change detection
US8295591B2 (en) * 2009-08-18 2012-10-23 Behavioral Recognition Systems, Inc. Adaptive voting experts for incremental segmentation of sequences with prediction in a video surveillance system
US8340352B2 (en) * 2009-08-18 2012-12-25 Behavioral Recognition Systems, Inc. Inter-trajectory anomaly detection using adaptive voting experts in a video surveillance system
US8379085B2 (en) * 2009-08-18 2013-02-19 Behavioral Recognition Systems, Inc. Intra-trajectory anomaly detection using adaptive voting experts in a video surveillance system
US8280153B2 (en) * 2009-08-18 2012-10-02 Behavioral Recognition Systems Visualizing and updating learned trajectories in video surveillance systems
US9805271B2 (en) * 2009-08-18 2017-10-31 Omni Ai, Inc. Scene preset identification using quadtree decomposition analysis
US8493409B2 (en) * 2009-08-18 2013-07-23 Behavioral Recognition Systems, Inc. Visualizing and updating sequences and segments in a video surveillance system
US8358834B2 (en) 2009-08-18 2013-01-22 Behavioral Recognition Systems Background model for complex and dynamic scenes
US8625884B2 (en) * 2009-08-18 2014-01-07 Behavioral Recognition Systems, Inc. Visualizing and updating learned event maps in surveillance systems
US8744168B2 (en) * 2009-08-24 2014-06-03 Samsung Electronics Co., Ltd. Target analysis apparatus, method and computer-readable medium
US8786702B2 (en) 2009-08-31 2014-07-22 Behavioral Recognition Systems, Inc. Visualizing and updating long-term memory percepts in a video surveillance system
US8167430B2 (en) * 2009-08-31 2012-05-01 Behavioral Recognition Systems, Inc. Unsupervised learning of temporal anomalies for a video surveillance system
US8797405B2 (en) * 2009-08-31 2014-08-05 Behavioral Recognition Systems, Inc. Visualizing and updating classifications in a video surveillance system
US8285060B2 (en) * 2009-08-31 2012-10-09 Behavioral Recognition Systems, Inc. Detecting anomalous trajectories in a video surveillance system
US8270732B2 (en) * 2009-08-31 2012-09-18 Behavioral Recognition Systems, Inc. Clustering nodes in a self-organizing map using an adaptive resonance theory network
US8270733B2 (en) * 2009-08-31 2012-09-18 Behavioral Recognition Systems, Inc. Identifying anomalous object types during classification
US8218818B2 (en) * 2009-09-01 2012-07-10 Behavioral Recognition Systems, Inc. Foreground object tracking
US8218819B2 (en) * 2009-09-01 2012-07-10 Behavioral Recognition Systems, Inc. Foreground object detection in a video surveillance system
US8170283B2 (en) * 2009-09-17 2012-05-01 Behavioral Recognition Systems Inc. Video surveillance system configured to analyze complex behaviors using alternating layers of clustering and sequencing
US8180105B2 (en) 2009-09-17 2012-05-15 Behavioral Recognition Systems, Inc. Classifier anomalies for observed behaviors in a video surveillance system
JP5570176B2 (ja) * 2009-10-19 2014-08-13 キヤノン株式会社 画像処理システム及び情報処理方法
JP5495930B2 (ja) * 2010-05-10 2014-05-21 キヤノン株式会社 画像処理装置、方法、およびプログラム
TWI408623B (zh) * 2010-08-03 2013-09-11 Wistron Corp 監視系統及其監視影像錄製方法，及其機器可讀取媒體
CN102377984A (zh) * 2010-08-09 2012-03-14 纬创资通股份有限公司 监视影像录制方法和监视系统以及计算机程序产品
JP5704863B2 (ja) * 2010-08-26 2015-04-22 キヤノン株式会社 画像処理装置、画像処理方法及び記憶媒体
JP2012212373A (ja) * 2011-03-31 2012-11-01 Casio Comput Co Ltd 画像処理装置、画像処理方法及びプログラム
DE102011075412A1 (de) * 2011-05-06 2012-11-08 Deutsche Telekom Ag Verfahren und System zum Erfassen einer statischen Szene, zum Bestimmen von Rohereignissen und zum Erkennen von freien Flächen in einem Beobachtungsgebiet
WO2012170898A2 (en) * 2011-06-09 2012-12-13 Utah State University Research Foundation Systems and methods for sensing occupancy
US11025865B1 (en) * 2011-06-17 2021-06-01 Hrl Laboratories, Llc Contextual visual dataspaces
WO2013013082A1 (en) * 2011-07-19 2013-01-24 Utah State University Research Foundation Systems, devices, and methods for multi-occupant tracking
US20140226867A1 (en) * 2011-07-19 2014-08-14 Utah State University Systems, devices, and methods for monitoring and controlling a controlled space
CN103020980A (zh) * 2011-09-20 2013-04-03 佳都新太科技股份有限公司 一种基于改进双层码本模型的运动目标检测方法
US8873852B2 (en) * 2011-09-29 2014-10-28 Mediatek Singapore Pte. Ltd Method and apparatus for foreground object detection
KR101870902B1 (ko) * 2011-12-12 2018-06-26 삼성전자주식회사 영상 처리 장치 및 영상 처리 방법
AU2011265429B2 (en) * 2011-12-21 2015-08-13 Canon Kabushiki Kaisha Method and system for robust scene modelling in an image sequence
EP2826029A4 (en) 2012-03-15 2016-10-26 Behavioral Recognition Sys Inc ALERT DIRECTIVES AND TARGETED ALERT DIRECTIVES IN A BEHAVIORAL RECOGNITION SYSTEM
US9185456B2 (en) 2012-03-27 2015-11-10 The Nielsen Company (Us), Llc Hybrid active and passive people metering for audience measurement
US8737745B2 (en) 2012-03-27 2014-05-27 The Nielsen Company (Us), Llc Scene-based people metering for audience measurement
US9367966B2 (en) 2012-04-06 2016-06-14 Xerox Corporation Smartphone augmented video-based on-street parking management system
US20130265423A1 (en) * 2012-04-06 2013-10-10 Xerox Corporation Video-based detector and notifier for short-term parking violation enforcement
US8682036B2 (en) 2012-04-06 2014-03-25 Xerox Corporation System and method for street-parking-vehicle identification through license plate capturing
US9317908B2 (en) 2012-06-29 2016-04-19 Behavioral Recognition System, Inc. Automatic gain control filter in a video analysis system
US9723271B2 (en) 2012-06-29 2017-08-01 Omni Ai, Inc. Anomalous stationary object detection and reporting
KR20150029006A (ko) 2012-06-29 2015-03-17 비헤이버럴 레코그니션 시스템즈, 인코포레이티드 비디오 감시 시스템을 위한 피처 이례들의 무감독 학습
US9911043B2 (en) 2012-06-29 2018-03-06 Omni Ai, Inc. Anomalous object interaction detection and reporting
US9113143B2 (en) 2012-06-29 2015-08-18 Behavioral Recognition Systems, Inc. Detecting and responding to an out-of-focus camera in a video analytics system
US9111353B2 (en) 2012-06-29 2015-08-18 Behavioral Recognition Systems, Inc. Adaptive illuminance filter in a video analysis system
US9104918B2 (en) * 2012-08-20 2015-08-11 Behavioral Recognition Systems, Inc. Method and system for detecting sea-surface oil
US10678259B1 (en) * 2012-09-13 2020-06-09 Waymo Llc Use of a reference image to detect a road obstacle
US9213781B1 (en) 2012-09-19 2015-12-15 Placemeter LLC System and method for processing image data
AU2012227263A1 (en) * 2012-09-21 2014-04-10 Canon Kabushiki Kaisha Differentiating abandoned and removed object using temporal edge information
CN104823444A (zh) 2012-11-12 2015-08-05 行为识别系统公司 用于视频监控系统的图像稳定技术
CN103034997B (zh) * 2012-11-30 2017-04-19 北京博创天盛科技有限公司 一种适用于监控视频前/背景分离的前景检测方法
US9020190B2 (en) 2013-01-31 2015-04-28 International Business Machines Corporation Attribute-based alert ranking for alert adjudication
CN105518656A (zh) 2013-08-09 2016-04-20 行为识别系统公司 用于多传感器数据融合的认知神经语言学行为辨识系统
CN103473547A (zh) * 2013-09-23 2013-12-25 百年金海科技有限公司 一种用于智能交通检测系统的车辆目标物识别算法
AU2013273784B2 (en) * 2013-12-20 2016-06-02 Canon Kabushiki Kaisha Method, system and apparatus for updating a scene model
US20150189191A1 (en) * 2013-12-27 2015-07-02 Telemetrio LLC Process and system for video production and tracking of objects
US10432896B2 (en) 2014-05-30 2019-10-01 Placemeter Inc. System and method for activity monitoring using video data
US9245187B1 (en) 2014-07-07 2016-01-26 Geo Semiconductor Inc. System and method for robust motion detection
CN104574351B (zh) * 2014-08-06 2017-07-11 深圳市捷顺科技实业股份有限公司 一种基于视频处理的车位检测方法
US9349054B1 (en) 2014-10-29 2016-05-24 Behavioral Recognition Systems, Inc. Foreground detector for video analytics system
US9471844B2 (en) * 2014-10-29 2016-10-18 Behavioral Recognition Systems, Inc. Dynamic absorption window for foreground background detector
US9460522B2 (en) * 2014-10-29 2016-10-04 Behavioral Recognition Systems, Inc. Incremental update for background model thresholds
CN104378593A (zh) * 2014-11-17 2015-02-25 苏州立瓷电子技术有限公司 基于数据预处理和轮换存储的监控系统的智能控制方法
US10110856B2 (en) 2014-12-05 2018-10-23 Avigilon Fortress Corporation Systems and methods for video analysis rules based on map data
US10409909B2 (en) 2014-12-12 2019-09-10 Omni Ai, Inc. Lexical analyzer for a neuro-linguistic behavior recognition system
US10409910B2 (en) 2014-12-12 2019-09-10 Omni Ai, Inc. Perceptual associative memory for a neuro-linguistic behavior recognition system
AU2014280948A1 (en) * 2014-12-24 2016-07-14 Canon Kabushiki Kaisha Video segmentation method
US9922271B2 (en) 2015-03-20 2018-03-20 Netra, Inc. Object detection and classification
US9760792B2 (en) 2015-03-20 2017-09-12 Netra, Inc. Object detection and classification
US10043307B2 (en) 2015-04-17 2018-08-07 General Electric Company Monitoring parking rule violations
EP3283972A4 (en) * 2015-04-17 2018-08-29 General Electric Company Identifying and tracking vehicles in motion
US9940524B2 (en) 2015-04-17 2018-04-10 General Electric Company Identifying and tracking vehicles in motion
US11334751B2 (en) 2015-04-21 2022-05-17 Placemeter Inc. Systems and methods for processing video data for activity monitoring
US10043078B2 (en) * 2015-04-21 2018-08-07 Placemeter LLC Virtual turnstile system and method
US11138442B2 (en) 2015-06-01 2021-10-05 Placemeter, Inc. Robust, adaptive and efficient object detection, classification and tracking
WO2017075493A1 (en) 2015-10-28 2017-05-04 Ustudio, Inc. Video frame difference engine
KR101866660B1 (ko) * 2016-10-19 2018-06-12 한국과학기술원 동적인 환경에서 배경모델에 기반한 rgb-d 시각 주행 거리 측정 방법 및 장치
CN107066929B (zh) * 2017-01-06 2021-06-08 重庆大学 一种融合多种特征的高速公路隧道停车事件分级识别方法
US10755419B2 (en) * 2017-01-30 2020-08-25 Nec Corporation Moving object detection apparatus, moving object detection method and program
US10049308B1 (en) * 2017-02-21 2018-08-14 A9.Com, Inc. Synthesizing training data
US10438072B2 (en) 2017-02-27 2019-10-08 Echelon Corporation Video data background tracking and subtraction with multiple layers of stationary foreground and background regions
CN107220653B (zh) * 2017-04-11 2020-11-06 中国海洋大学 基于逻辑随机共振的水下弱目标检测系统的检测方法
US10373316B2 (en) * 2017-04-20 2019-08-06 Ford Global Technologies, Llc Images background subtraction for dynamic lighting scenarios
CA3114721A1 (en) * 2018-09-28 2020-04-02 I.D. Systems, Inc. Cargo sensors, cargo-sensing units, cargo-sensing systems, and methods of using the same
US11312594B2 (en) 2018-11-09 2022-04-26 Otis Elevator Company Conveyance system video analytics
CN109697725B (zh) * 2018-12-03 2020-10-02 浙江大华技术股份有限公司 一种背景过滤方法、装置及计算机可读存储介质
US11600072B2 (en) 2018-12-12 2023-03-07 Motorola Solutions, Inc. Object left behind detection
US11126861B1 (en) 2018-12-14 2021-09-21 Digimarc Corporation Ambient inventorying arrangements
CN111665522B (zh) * 2020-05-19 2022-12-16 上海有个机器人有限公司 过滤激光扫描图中静止物体的方法、介质、终端和装置
EP3985957B1 (en) * 2020-10-14 2022-11-30 Axis AB Method and system for motion segmentation
CN112819843B (zh) * 2021-01-20 2022-08-26 上海大学 一种夜间电力线的提取方法及系统
DE102022202942A1 (de) 2022-03-25 2023-09-28 Robert Bosch Gesellschaft mit beschränkter Haftung Überwachungsvorrichtung, Überwachungsanordnungen, Verfahren, Computerprogramm und Speichermedium

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1201910A (zh) * 1997-06-11 1998-12-16 三星电子株式会社 目标跟踪方法及其设备
CN1251235A (zh) * 1997-03-18 2000-04-19 麦托福集团 实时数字修改代表原始图象的视频数据流的方法
US6078619A (en) * 1996-09-12 2000-06-20 University Of Bath Object-oriented video system
US6211913B1 (en) * 1998-03-23 2001-04-03 Sarnoff Corporation Apparatus and method for removing blank areas from real-time stabilized images by inserting background information
US6292575B1 (en) * 1998-07-20 2001-09-18 Lau Technologies Real-time facial recognition and verification system
US6424370B1 (en) * 1999-10-08 2002-07-23 Texas Instruments Incorporated Motion based event detection system and method

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05266198A (ja) * 1992-03-24 1993-10-15 N T T Data Tsushin Kk 物体検出装置
US5812787A (en) * 1995-06-30 1998-09-22 Intel Corporation Video coding scheme with foreground/background separation
US6542621B1 (en) * 1998-08-31 2003-04-01 Texas Instruments Incorporated Method of dealing with occlusion when tracking multiple objects and people in video sequences
US6570608B1 (en) * 1998-09-30 2003-05-27 Texas Instruments Incorporated System and method for detecting interactions of people and vehicles
AU1930700A (en) * 1998-12-04 2000-06-26 Interval Research Corporation Background estimation and segmentation based on range and color
JP3966673B2 (ja) * 1999-10-26 2007-08-29 本田技研工業株式会社 物体検知装置および車両の走行安全装置
US6674877B1 (en) * 2000-02-03 2004-01-06 Microsoft Corporation System and method for visually tracking occluded objects in real time
US6731799B1 (en) * 2000-06-01 2004-05-04 University Of Washington Object segmentation with background extraction and moving boundary techniques
US7215795B2 (en) * 2000-09-28 2007-05-08 Hitachi Kokusai Electric Inc. Intruding object detecting method and intruding object monitoring apparatus employing the method
JP2002150295A (ja) * 2000-11-09 2002-05-24 Oki Electric Ind Co Ltd 物体検出方法及び物体検出装置
US6731805B2 (en) * 2001-03-28 2004-05-04 Koninklijke Philips Electronics N.V. Method and apparatus to distinguish deposit and removal in surveillance video
JP2002329196A (ja) * 2001-04-27 2002-11-15 Ntt Power & Building Facilities Inc 待ち時間検出システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6078619A (en) * 1996-09-12 2000-06-20 University Of Bath Object-oriented video system
CN1251235A (zh) * 1997-03-18 2000-04-19 麦托福集团 实时数字修改代表原始图象的视频数据流的方法
CN1201910A (zh) * 1997-06-11 1998-12-16 三星电子株式会社 目标跟踪方法及其设备
US6211913B1 (en) * 1998-03-23 2001-04-03 Sarnoff Corporation Apparatus and method for removing blank areas from real-time stabilized images by inserting background information
US6292575B1 (en) * 1998-07-20 2001-09-18 Lau Technologies Real-time facial recognition and verification system
US6424370B1 (en) * 1999-10-08 2002-07-23 Texas Instruments Incorporated Motion based event detection system and method

Also Published As

Publication number Publication date
EP1588317A1 (en) 2005-10-26
ATE548706T1 (de) 2012-03-15
US6999600B2 (en) 2006-02-14
DK1588317T3 (da) 2012-04-30
WO2004070649A1 (en) 2004-08-19
JP2006514363A (ja) 2006-04-27
US20040151342A1 (en) 2004-08-05
HK1088968A1 (en) 2006-11-17
EP1588317B1 (en) 2012-03-07
EP1588317A4 (en) 2009-05-06
AU2003300337A1 (en) 2004-08-30
ES2383174T3 (es) 2012-06-18
MXPA05008201A (es) 2006-03-30
KR20060012570A (ko) 2006-02-08
CA2514826A1 (en) 2004-08-19
CN1757037A (zh) 2006-04-05

Similar Documents

Publication Publication Date Title
CN100386771C (zh) 使用变化检测和分类的视频场景背景保持
Kim et al. A hybrid framework combining background subtraction and deep neural networks for rapid person detection
US9299162B2 (en) Multi-mode video event indexing
Horprasert et al. A robust background subtraction and shadow detection
Chiu et al. A robust object segmentation system using a probability-based background extraction algorithm
US7835578B2 (en) Automated video-to-text system
CN109154976A (zh) 通过机器学习训练对象分类器的系统和方法
US20060204036A1 (en) Method for intelligent video processing
François Real-time multi-resolution blob tracking
Alsaedi et al. Design and Simulation of Smart Parking System Using Image Segmentation and CNN
Bou et al. Reviewing ViBe, a popular background subtraction algorithm for real-time applications
Lin et al. Background subtraction based on codebook model and texture feature
He et al. SIM-MFR: Spatial interactions mechanisms based multi-feature representation for background modeling
Haji Alsaedi et al. Design and simulation of smart parking system using image segmentation and CNN
Khaire et al. Measures of Image and Video Segmentation
Safaldin et al. Detection of Moving Objects by Background Subtraction for Foreground Detection
Attri et al. Evaluation of an Efficient Method for Object Detection in Video
Safaldin et al. Detection of moving objects by background subtraction for foreground detection-a hybrid CNN-Viola-Jones model
Badaoui et al. Notice of Retraction: Fuzzy logic based human detection for CCTV recording application
AU2008261196A1 (en) Backdating object splitting
Li et al. Efficient foreground layer extraction in video
Faust Tracking small falling objects in video
Malkapur Video Object Tracking and Segmentation Using Artificial Neural Network for Surveillance System
Awate et al. Survey on Video object tracking and segmentation using artificial neural network in surveillance system
Swapna Real time Background Suppression Technique for Detection of Moving Objects in Video Surveillance System

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1088968

Country of ref document: HK

C14 Grant of patent or utility model
GR01 Patent grant
REG Reference to a national code

Ref country code: HK

Ref legal event code: GR

Ref document number: 1088968

Country of ref document: HK

ASS Succession or assignment of patent right

Owner name: AVIGILON FUZHIBAO INC.

Free format text: FORMER OWNER: DIAMONDBACK VISION INC.

Effective date: 20150128

C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20150128

Address after: British Columbia, Canada

Patentee after: OBJECTVIDEO, Inc.

Address before: Virginia

Patentee before: OBJECTVIDEO, Inc.

TR01 Transfer of patent right

Effective date of registration: 20220930

Address after: Illinois, America

Patentee after: MOTOROLA SOLUTIONS, Inc.

Address before: British Columbia, Canada

Patentee before: OBJECTVIDEO, Inc.

TR01 Transfer of patent right
CX01 Expiry of patent term

Granted publication date: 20080507

CX01 Expiry of patent term