CN101366045A - 视频中的对象密度估算 - Google Patents
视频中的对象密度估算 Download PDFInfo
- Publication number
- CN101366045A CN101366045A CNA2006800434659A CN200680043465A CN101366045A CN 101366045 A CN101366045 A CN 101366045A CN A2006800434659 A CNA2006800434659 A CN A2006800434659A CN 200680043465 A CN200680043465 A CN 200680043465A CN 101366045 A CN101366045 A CN 101366045A
- Authority
- CN
- China
- Prior art keywords
- video
- density
- computer
- densities
- feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G06T7/00—Image analysis
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/44—Colour synchronisation
- H04N9/47—Colour synchronisation for sequential signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
- Alarm Systems (AREA)
- Studio Devices (AREA)
Abstract
摄像机可以从任何可行的位置俯瞰被监控的区域。对象流估算模块监控所监控区域中对象的移动方向。其可以区分持续移动的对象与其它对象。对象计数估算模块可以计算对象密度(例如,拥挤)。对象密度分类模块可以将所述密度分为可定制的类别。
Description
技术领域
本发明涉及视频监视系统。具体地,本发明涉及一种视频监视和校验系统,该系统可以被配置为检测和跟踪来自任何相机视图的视频流中的对象密度。
背景技术
视频监视在生活的很多领域中都备受关注。视频作为监视工具的一个问题是它非常依赖于人工监控。最近,提出了一些针对自动视频监控问题的智能视频监视系统形式的解决方案。比如,参看发明名称为“VideoTripwire”的美国专利6,696,945和发明名称为“Surveillance SystemEmploying Video Primitives”的美国专利申请09/987,707,这两篇文献并入在此作为参考。视频监视的一种应用是对象(比如人,车辆)密度的检测和跟踪。对象密度指的是某个场合的一个区域内对象的视密度。例如,在铁路站台上的非常稀疏的人群可以构成低密度,而在同一站台上的非常拥挤的人群可以构成高密度。不幸的是,落后于自动视频监控的计算机视觉科学在识别对象密度方面具有局限性,比如在地铁站、十字路口和其他对象密度监控的应用中存在局限性。
在高对象密度的场景中,目前的视频监视系统有两个基本局限性。一是在大多数智能视频监视应用中使用的标准背景去除法无法可靠使用,因为背景在大多数时间都被遮蔽了。另一基本局限性是,无法通过对个体对象计数来正确估计对象密度,因为严重的遮蔽和非常杂乱的环境使得无法跟踪个体对象。
发明内容
本发明的一个实施例包含一种包括软件的计算机可读介质,当该软件由计算机系统执行时,使得该计算机系统执行包含一种利用特征背景模型检测和跟踪对象密度的方法的操作。
本发明的另一个实施例提供了一种包括用于视频监视的软件的计算机可读介质,当该软件由计算机系统执行时,使得该计算机系统执行包含如下方法的操作:从摄像机接收视频;检测该视频中的特征;根据检测到的特征估算对象计数;根据对象计数计算对象密度;和将对象密度分类。
本发明的一个实施例包含一种无需特征背景模型即可检测和跟踪对象密度的方法。
本发明的另一个实施例提供了一种视频监视方法,它包括:基于视频输入估算对象流,以获得估算的对象流;基于所述视频输入估算对象计数,以获得估算的对象计数;基于估算的对象计数对对象密度进行分类,以获得对象密度分类。
本发明的一个实施例包含一种建立特征背景模型的方法。
本发明的一个实施例包含一种执行对象密度(如,拥挤)控制的系统。
本发明的另一个实施例提供一种执行视频监视的装置,包括:至少一个摄像机和耦合到该至少一个摄像机的视频监视系统。该视频监视系统包含:对象流估算模块,对象计数估算模块,和对象密度分类模块。
附图说明
通过以下对附图中所示的本发明实施例的更具体的描述,本发明的上述及其它特征和优点将更加明了。
图1示出根据本发明一个示范性实施例的视频监视系统;
图2示出来自根据本发明一个示范性实施例的视频监视系统的视频流的示范性帧;
图3示出根据本发明一个示范性实施例的对象计数估算的流程图;
图4示出根据本发明一个示范性实施例的对象密度分类的流程图;
图5示出根据本发明一个示范性实施例建立背景特征模型的流程图;
图6示出根据本发明一个示范性实施例计算前景特征和估算对象计数的流程图;
图7示出根据本发明一个示范性实施例记录和恢复最小和最大对象密度的流程图;
图8示出根据本发明一个示范性实施例的对象密度阈值调整和分类;
图9示出可用于实施本发明的一些实施例的示范性系统的结构图。
定义
在描述本发明时,以下的定义在全文(包括上文)中适用。
“计算机”可以指能够接受结构化的输入、根据规定的规则处理该结构化的输入、并产生处理结果作为输出的一个或多个装置和/或一个或多个系统。计算机的例子可以包括:计算机;固定的和/或便携的计算机;具有单个或多个处理器的计算机,所述处理器可以并行操作或不并行操作;通用的计算机;超级计算机;大型机;超级迷你计算机;迷你计算机;工作站;微型计算机;服务器;客户机;交互式电视机;web设备;具有互联网接口的电信设备;计算机和交互式电视机的混合组合;便携式计算机;个人数字助理(PDA);便携式电话机;用于模拟计算机和/或软件的专用硬件,比如数字信号处理器(DSP)或现场可编程门阵列(FPGA);用于通过由网络连接的计算机系统处理信息的分布式计算机系统;通过网络连接在一起以便在计算机系统之间发送或接收信息的两个或更多计算机系统;以及可以接受数据、可以依照一个或多个储存的软件程序处理数据、可以产生结果并且通常可以包含输入、输出、存储、算法、逻辑和控制单元的一个或多个装置和/或一个或多个系统。
“软件”可以指操作计算机的规定的规则。软件的例子可以包含:软件;代码段;指令;计算机程序;和编程逻辑。
“计算机系统”可以指具有计算机的系统,其中该计算机可以包括具有可操作该计算机的软件的计算机可读介质。
“网络”可以指多个计算机和相关的设备,它们可以通过通信设施连接。网络可以包括像线缆这样的永久连接或像由电话或其他通信链接形成的暂时连接。网络的例子可以包括:互联网,比如因特网;内部网;局域网(LAN);广域网(WAN);和各种网络如互联网和内部网的组合。
“视频”可以指以模拟和/或数字形式表示的运动图像。视频的例子可以包括:电视、电影、来自相机或其他观测器的图像序列、计算机生成的图像序列。视频可以得自于,比如,现场拍摄(live feed)、存储设备、基于IEEE-1394的接口、视频数字转换器、计算机图形引擎、或网络连接。
“摄像机”可以指用于可视纪录的装置。摄像机的例子可以包括以下的一种或多种:摄像机;数字摄像机;彩色相机;单色相机;相机;摄像放像机;个人电脑(PC)摄像机;网络摄像机;红外(IR)摄像机;低光度摄像机;热成像摄像机;闭路电视(CCTV)摄像机;摇摄、俯仰、缩放(PTZ)相机;和视频传感设备。摄像机可以被设置在对感兴趣的区域进行监视的位置。
“视频处理”可以指对视频的任何操作,包含比如压缩和编辑。
“帧”可以指视频内的特定图像或其它离散的单元。
具体实施方式
在描述附图所示的本发明的示范性实施例时,为了清楚,采用了特定的术语。但是,本发明不限于所选择的特定术语。应当理解,每个特定的元件包括以类似方式操作以实现类似目的所有技术等同体。这里所引用的每个参考文献都通过引用结合于此。
本发明涉及一种视频监视系统,该系统可以被配置用于检测和跟踪来自相机视图的视频流中的对象密度。对象类型可以是人、车辆、或其它。
本发明可以使用于多种应用。在公共交通场合,本发明可以用来检测和跟踪等候区域的人群密度并帮助进行人群控制和/或列车/车辆调度。在交通监控场合,本发明可用于监控十字路口、隧道、桥梁等处的车流量以控制交通灯和优化交通流量。在公共区域场合,本发明可以用于监控人群聚集,帮助进行人流控制。在物理安全场合,本发明可用于监控出入点和优化门禁控制。在热点场合,可以建立一个常规的感兴趣区域。如果在此区域内任何地方形成了拥挤,就会产生警报来指示该热点。这意味着,即使用户不知道在视图中的哪个位置会形成拥挤,系统也可以检测到局部的拥挤热点。在生物学场合,本发明可以用于监控动物(如昆虫)和微生物种群。在医学场合,本发明可以用于监控细胞生长。在制造场合,本发明可用于监控和优化工作流程。在零售场合,本发明可用于监控和优化顾客/存货流程。本发明还可以用于监控结账区域以优化出纳员的调度。在快餐场合,本发明可以用于监控驾车购物通道,以优化食物的准备。在停车服务场合,本发明可以用于监控和优化停车空间的利用。在楼宇管理场合,本发明可以用于监控电梯和候梯区域以优化电梯的调度。在娱乐场合,本发明可以用于监控客人/游客流量,比如游乐园中的客人/游客流量,以优化设备和资源的使用。
在广告场合,本发明可以用于评估公共区域的人群密度,从而可以将广告设置在最有效的位置。在城市管理场合,本发明可用于监控人/车流量来预测道路/高速公路/草坪的使用并对维护成本进行预算。在敌对区域,本发明可用于密切监控人员在敏感区域的聚集,从而可以在事态逐步升级之前产生警报。
在一个示范性实施例中,本发明可用于检测和跟踪地铁站台上的对象密度(比如,拥挤),并帮助进行人群控制和/或列车调度。比如,当地铁站台上挤满了等候列车的人时,警报可以被送到控制室来帮助优化列车调度,或者关闭地铁站的入口从而防止过度拥挤。再比如,当站台上的人很少时,警报可以被送到另一个视频监视系统,以开始检测是否有任何可疑的行为,比如留下一个包裹。
图1示出按照本发明的一个示范性实施例的视频监视系统。本发明的视频监视系统101可以和对象密度(如拥挤)控制系统102交互。视频监视系统101可以包含摄像机103、对象流估算模块104、对象计数估算模块105、对象密度分类模块106和规则数据库107。
摄像机103可以从任何可行的位置俯瞰被监控的区域,比如它可以如图2所示观测被监控的区域。对象流估算模块104可以监控被监控区域内对象的移动方向。它可以将持续移动的对象与其它对象区分开来。在一个示范性的地铁监控应用中,这样可以允许系统忽略正在上车和/或下车的人,从而预防那种突然的、短期的冲击破坏对象密度估算。对象计数估算模块105可以计算对象密度(比如拥挤)。对象密度分类模块106可以将密度分成特定的类别。在一个示范性实施例中,分类密度类别可以是低、中、或高。如果计算出的对象密度符合规则数据库107中储存的某一条规则所规定的对象密度,那么系统101可以提供一个警报给对象密度(如,拥挤)控制系统102(或某种其它数据监控或存档系统)来指示是否需要采取任何行动。
摄像机103可以被连接到基于计算机的系统(个人电脑,膝上型电脑,PDA,DSP,ASIC,FPGA,微控制器,或者要么作为一个独立设备要么嵌入于相机、DVR、NVR、网络交换机、网络路由器、或任何其它硬件设备中的任何其它板型(form-factor)处理器)108,该系统可以对来自摄像机103的视频进行分析来确定场景中的目标的位置、移动方向、和密度。基于计算机的系统108可以包含对象流估算模块104、对象计数估算模块105、对象密度分类模块106、和预定义规则数据库107。基于计算机的系统108可以用一个或多个使用软件并连接到网络的计算机实现。可替选地,基于计算机的系统108可以整个地或部分地被结合在摄像机103中。对象流估算模块104、对象计数估算模块105、和对象密度分类模块106可以实现为包括用于执行模块104、105、和106的操作的软件的计算机可读介质,使得当软件由计算机系统执行时,会引起计算机系统执行模块104、105、106的操作。可替选地,对象流模块104、对象计数模块105、对象密度分类模块106和预定义规则数据库107可以由专用硬件来实现,以模拟计算机和/或软件。
图2示出来自按照本发明的一个示范性实施例的视频监视系统的视频流的示范性帧。该示范性的相机视图可以来自于置于头顶的摄像机。在该示范性帧中,相机正对着地铁站台。
图3示出按照本发明一个示范性实施例由图1中的对象计数估算模块105执行的处理过程的流程图。第一步可以包括提取特征(301),比如边缘、角、椭圆、圆(如头部形状),或任何其它从视频场景中提取出的鲁棒性特征。在有遮蔽或能见度低的情况下(例如,在晚上有车头灯时),特征比对象检测提供更具鲁棒性的性能。各种各样的特征提取方法在本领域中是公知的,比如Canny边缘检测器、Harris角检测器、和Hough变换。从整个视频帧中提取特征也可以包含静态背景特征,例如那些由台阶、柱子、轨道产生的静态背景特征。在估算对象计数时包含它们,可能会给出不正确的结果。因此,检测与背景相对应的特征并从中建立背景特征模型(302)(更详细描述见图5),可以帮助缓解这样的计数问题。建立背景特征模型之后,前景特征可以通过从检测到的特征(301)中移除背景特征(302)计算出来(303)。该步骤得到所有的前景对象的特征,无论前景对象是移动的还是不移动的。如果所有的前景对象都在持续地移动,则框302可以被绕过,且前景特征(303)可以通过简单地在连续的快照中找出特征的差别来计算。然后前景特征可以被用于估算对象计数(304)。对象计数估算可以对整个视频帧执行,从而对象计数数据可以被存档(适用于法庭辩论的存储),且行为推断可以定义任意感兴趣的、要确定实际密度的区域。在下文图6中讨论了关于框303和304的示范性实施例。
图4示出按照本发明的一个示范性实施例由图1的框106中的对象密度分类模块执行的处理过程的流程图。在框401中,定义感兴趣的区域,且对象密度可通过将对象计数估算除以区域来计算。在框402中,最大和最小密度被持续地更新。在现实世界中,可能会有把最大/最小密度推向一些极值的情形。例如,如果相机被意外遮挡,则最小密度降到零;或者如果相机意外指向一个高纹理场景,则最大密度会增大到一个很高的值。更新对象密度的目的是为了处理这类情况。下文描述的图7示出框402的处理的示例性实施例。在框403中,阈值可以被动态确定。阈值数量和它们的值是基于应用和要求的分类类别的数量的。在一个有3个分类类别(低,中,高)的示范性实施例中,2个阈值被计算来区分3个类别。一个确定阈值的示范性实施例在下面的图8中讨论。
一些区域可能从未有任何交通量。在对象计数估算中包含这种区域可能会影响密度计算的精确度。因此,按照框404,通过排除那些密度稳定地接近于零的区域,对象密度计算可以被校正。最后,在框405中,通过比较计算的密度和自适应密度阈值,可以确定密度分类标签(例如:低,中,高)。系统还可以学习不同天和一天中不同时间的典型密度,并且对一天中特定时间的不正常密度(例如,在一天中的高峰时间具有比其他时间高的拥挤阈值)进行警告。
图5示出图3中框302的建立背景特征模型的处理过程的示范性实施例的流程图。这一步骤的目标是确定哪些特征是由静态背景产生的,哪些特征是由前景对象产生的。在框501中,对于一个窗口(例如时间窗)中的每一个像素累积所选特征的强度。例如,如果边缘被选取来表示场景特征,则每当像素在边缘上时,像素的边缘强度就被增加1。在时间窗中,如果一个像素在边缘上n次,则该像素的边缘强度就是n。在框502中,累积特征强度的动态范围可以作为该帧上累积特征强度的最大值和最小值的差来计算。在框503和504中,那些累积特征强度大于该动态范围的某一百分比的像素被标为背景特征。例如,在一帧中,假设最小特征强度为fmin并且最大特征强度为fmax。设定阈值t,其中0≤t≤1。如果一个像素的特征强度大于(fmax-fmin)×t+fmin,则这个像素就被分类为一个背景边缘像素。
图6示出按照本发明的一个示范性实施例在图3的框303和304中计算前景特征和估算对象计数的处理过程的流程图。在框601中,由视频帧计算出的特征被和背景特征作比较。在框602中,那些没有被包含在背景特征中的特征被标为前景特征。为了加速这个处理过程,在框603中,前景特征可以根据需要可选地被二次采样成一个更低的分辨率,并且还可以提供适合法庭辩论的存储的增益。特征的数量是对象计数估算的函数。对于具有相似纹理的对象,对象计数可能和特征数量成正比。然后,在框604中,不同位置上特征的数量可以被加权。这可以用于补偿诸如相机视角、镜头失真等的失真。例如,在相机的视野里,远处的对象看起来小一些。对于同一个对象,当对象远离相机时,特征数量趋向更少。为了补偿这个情况,图像帧中的像素可以按照下述方式加权,即,使对象具有独立于对象和相机之间的距离的相同或相似的调整特征数量。这种补偿可以利用相机校准数据(如果可用的话)或者经验值实现。这种加权还可以用于强调某些区域。
图7示出按照本发明的一个示范性实施例在图4的框402中记录和恢复最小和最大对象密度(Dmin,Dmax)的处理过程的流程图。某些极端场景通过使最小和最大密度极端地低或者极端地高而可能会破坏计算出的最小和最大密度。虽然这些极值可以正确地处理极端场景,但是密度随时间流逝而返回到它们的正常值是重要的。在框701中,最小和最大密度值被慢慢地恢复至例如某个预定的值。恢复密度可以被分别地加到最小和最大密度中或者从中减去。较小的恢复密度使算法更适应于场景;而较大的恢复密度使算法对于噪声更具鲁棒性。修改后的最大和最小密度不应该被减少至或增加至超过选定的值。选定的值可通过运行大量正常的视频并分别记录最大/最小密度值来经验地确定。如果特征被定义得很好并且这种理论上的最大/最小密度值存在并可以推导出,则选定的值还可以被理论上确定。这提供了在这两个值遭到破坏后使它们恢复到它们的正常范围的机制。在框702到705中,最小和最大密度(Dmin,Dmax)根据场景被动态地调整,这潜在地把密度推向极值。经由框702和703,确定当前密度是否小于最小密度Dmin。如果是的话,则当前密度成为新的最小密度Dmin。经由框704和705,确定当前密度是否大于最大密度Dmax。如果是的话,则当前密度成为新的最大密度Dmax。
对象密度可以基于自适应阈值被分成各种类别(框405)。所述自适应阈值帮助系统学习场景细节,并基于此进行分类。在一个示范性地铁站监控应用中,不是所有的车站都有相同的交通量,因而在一个车站被认为只是中等密度,而在另外一个车站可以被认为是高密度。该自适应阈值允许系统自动学习这些。图8示出图4的框403中的对象密度阈值调整与分类处理过程的示范性实施例。一旦对象密度的动态范围被计算出来,其就可以被用来标示不同类中的不同值。作为该示范性实施例中的一个例子,对象密度被分为三类——低,中,和高。低类包含对象密度的最低的40%,高类包含对象密度的最高的20%,而中间类包含对象密度的中间的40%。而后将当前对象密度与图8所示的低和高阈值相比较,并相应地给予标签。Dmin和Dmax阈值表示为总与低和高阈值绑定的极值。
对象密度能被用于以任何方式来适应各种不同应用。当达到感兴趣的密度时警报会被触发,或者停止继续为真。持续时间可以被定义来使警报只有当某个密度被保持达规定的一段时间时才生成,以消除突发的密度尖峰(例如,人群上下列车,或者汽车在一个长红灯停止并倒退)的影响。
如上所述的本发明的某些实施例可以以机器可读介质上的软件指令的形式实现。这类实施例如图9所示。图9中的计算机系统可以包含至少一个处理器92和相关的系统存储器91,该存储器可以存储例如操作系统软件等。该系统能进一步包含另外的存储器93,它可以例如包含执行各种不同应用的软件指令。这个系统还可以包含一个或者多个输入/输出(I/O)设备94,比如(但不限于)键盘、鼠标、轨迹球、打印机、显示器、网络连接等。本发明可以被实现作为可以被存储在系统存储器91或者另外的存储器93中的软件指令。该软件指令还可以被存储在可以通过I/O设备94(例如,但不限于,软盘驱动器)读取的可移动或者远程介质上(例如,但不限于,压缩盘、软盘等)。此外,软件指令还可以通过I/O设备94、例如网络连接被传送到计算机系统上;在这种情况下,包含软件指令的信号可以被认为是机器可读介质。
Claims (34)
1.一种计算机可读介质,包括用于视频监视的软件,当该软件由计算机系统执行时,使得该计算机系统执行包括下列方法的操作:
接收来自摄像机的视频;
检测该视频中的特征;
根据所检测的特征估算对象计数;
根据该对象计数计算对象密度;以及
将该对象密度分类。
2.根据权利要求1所述的计算机可读介质,其中检测特征包括:
从所述视频中提取特征;和
从所提取的特征中去除背景特征。
3.根据权利要求1所述的计算机可读介质,其中检测特征进一步包括:
建立背景特征模型;和
比较该背景特征模型与所提取的特征,以确定前景特征,该前景特征对应于所检测到的不在背景特征模型中的特征。
4.根据权利要求3所述的计算机可读介质,进一步包括用于视频监视的软件,当该软件由计算机系统执行时,使得该计算机系统执行包含将所述前景特征二次采样为比目前分辨率低的分辨率的方法的操作。
5.根据权利要求3所述的计算机可读介质,其中建立背景特征模型包括:
对于窗口中的每一个像素,累积特征强度;
确定所累积的特征强度的最大和最小特征强度;以及
将所累积的特征强度大于阈值的像素分类为背景特征。
6.根据权利要求5所述的计算机可读介质,其中所述阈值通过确定所述最大和最小特征强度的差而计算得到,并且该阈值是该差的倍数与所述最小特征强度的和。
7.根据权利要求1所述的计算机可读介质,其中估算对象计数包括对在不同位置对对象计数进行加权。
8.根据权利要求1所述的计算机可读介质,其中计算对象密度包括:
限定所述视频中的感兴趣的区域;和
将对象计数除以所述感兴趣的区域。
9.根据权利要求1所述的计算机可读介质,其中将所述对象密度分类包括:比较所述对象密度与对象密度阈值,并且据此将所述对象密度分类。
10.根据权利要求9所述的计算机可读介质,自适应地确定所述对象密度阈值。
11.根据权利要求1所述的计算机可读介质,其中将所述对象密度分类包括:
确定最大和最小对象密度;和
根据对象密度阈值将所述最小值和最大值之间的范围划分成多类。
12.根据权利要求1所述的计算机可读介质,其中计算所述对象密度进一步包括:根据对象密度计算来校正在预定时间内密度接近于零的区域。
13.根据权利要求11所述的计算机可读介质,其中确定所述对象密度阈值进一步包括:
恢复最小和最大对象密度;以及
基于恢复的最小和最大对象密度来调整所述对象密度阈值。
14.一种用于执行视频监视的装置,包括:
至少一个摄像机;
与该至少一个摄像机耦合的视频监视系统,它包括:
对象流估算模块;
对象计数估算模块;和
对象密度分类模块。
15.根据权利要求14所述的装置,进一步包括:
与所述视频监视系统耦合的对象密度控制模块。
16.根据权利要求14所述的装置,其中所述视频监视系统进一步包括:
预先定义的规则数据库。
17.根据权利要求14所述的装置,其中所述对象计数模块被配置为:
从视频中提取特征;和
从所提取的特征中去除背景特征。
18.根据权利要求14所述的装置,其中所述对象计数模块被配置为:
建立背景特征模型;以及
比较该背景特征模型和所提取的特征,以确定前景特征,该前景特征对应于所检测到的特征。
19.根据权利要求14所述的装置,其中所述对象计数模块被配置为:
将前景特征二次采样为比目前分辨率低的分辨率。
20.根据权利要求18所述的装置,其中所述对象计数模块被配置为:
对于窗口中的每一个像素,累积像素强度;
确定所累积的强度的最小和最大强度;
确定最大值和最小值之间的差;
针对每一个像素判断所累积的强度是否大于所述阈值;和
将所累积的强度大于所述阈值的像素分类为背景特征。
21.根据权利要求14所述的装置,其中所述对象计数模块被配置为:
确定来自视频的连续快照间的差别。
22.根据权利要求14所述的装置,其中所述对象计数模块被配置为:
在不同位置对所述对象计数加权。
23.根据权利要求14所述的装置,其中所述对象计数模块被配置为:
限定视频中的感兴趣的区域;
将对象计数除以感兴趣的区域。
24.根据权利要求14所述的装置,其中所述对象密度分类模块被配置为:
比较所述对象密度和对象密度阈值,并据此对对象密度进行分类。
25.根据权利要求24所述的装置,其中所述对象密度分类模块被配置为:
自适应地确定所述对象密度阈值。
26.根据权利要求14所述的装置,其中所述对象密度分类模块被配置为:
确定最大和最小对象密度;和
基于所述对象密度阈值将最小值和最大值之间的范围划分为多类。
27.根据权利要求14所述的装置,其中所述对象计数模块被配置为:
根据对象密度计算校正在预定时间内密度接近于零的区域。
28.根据权利要求14所述的装置,其中所述对象密度分类模块被配置为:
恢复最小和最大对象密度;
基于所恢复的最小和最大密度来调整所述对象密度阈值。
29.一种视频监视方法,包括:
基于视频输入估算对象流,以获得估算的对象流;
基于所述视频输入估算对象计数,以获得估算的对象计数;和
基于估算的对象计数执行对象密度的分类,以获得对象密度分类。
30.根据权利要求29所述的方法,其中,估算对象流和估算对象计数中的至少其中之一是根据一组预定义的规则执行的。
31.根据权利要求29所述的方法,进一步包括:
根据估算的对象流、对象密度分类或二者执行对象密度控制。
32.根据权利要求29所述的方法,包括选自由以下特征构成的组中的至少一个特征:
检测视频输入的视频场景中的近似的对象密度;
检测视频输入的视频场景的一部分中的近似的对象密度;和
基于对象密度分类创建至少一条规则。
33.根据权利要求29所述的方法,进一步包括:
将所述对象密度信息用作到选自由下列系统构成的组中的一种系统的输入:警报系统;门禁/访问控制系统;人群控制系统;交通灯系统;交通控制系统;运输后勤系统;工作流程控制系统;库存控制系统;和数据分析系统。
34.根据权利要求33所述的方法,其中所述监控包括选自由下列构成的组中的操作:检测铁路站台上的过度拥挤/过度稀疏;检测道路上的交通流量;检测交通承载结构上的或者交通承载结构中的交通流量;和确定人群运动模式。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US73901305P | 2005-11-23 | 2005-11-23 | |
US60/739,013 | 2005-11-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101366045A true CN101366045A (zh) | 2009-02-11 |
Family
ID=38067861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006800434659A Pending CN101366045A (zh) | 2005-11-23 | 2006-11-21 | 视频中的对象密度估算 |
Country Status (9)
Country | Link |
---|---|
US (1) | US9240051B2 (zh) |
EP (1) | EP1958123A2 (zh) |
JP (1) | JP2009517740A (zh) |
KR (1) | KR101375583B1 (zh) |
CN (1) | CN101366045A (zh) |
CA (1) | CA2626841A1 (zh) |
IL (1) | IL191575A0 (zh) |
TW (1) | TW200807338A (zh) |
WO (1) | WO2007062044A2 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835034A (zh) * | 2010-05-27 | 2010-09-15 | 王巍 | 一种人群特征统计系统 |
CN102081810A (zh) * | 2010-11-15 | 2011-06-01 | 中国电信股份有限公司 | 户外媒体远程监测方法和系统 |
CN102098491A (zh) * | 2009-12-14 | 2011-06-15 | 北京中星微电子有限公司 | 混乱场景的监控方法及装置 |
CN102496058A (zh) * | 2011-11-11 | 2012-06-13 | 北京声迅电子股份有限公司 | 客流密度检测方法 |
CN103226860A (zh) * | 2013-04-12 | 2013-07-31 | 中国民航大学 | 一种通道客流密度估计方法 |
CN103310183A (zh) * | 2012-03-16 | 2013-09-18 | 日电(中国)有限公司 | 人群聚集检测的方法与装置 |
CN103530601A (zh) * | 2013-07-16 | 2014-01-22 | 南京师范大学 | 一种基于贝叶斯网络的监控盲区人群状态推演方法 |
CN106571027A (zh) * | 2015-10-09 | 2017-04-19 | 北京文安智能技术股份有限公司 | 一种密集车辆违章停放监测方法、装置及系统 |
CN110705394A (zh) * | 2019-09-18 | 2020-01-17 | 广东外语外贸大学南国商学院 | 一种基于卷积神经网络的景区人群行为分析方法 |
Families Citing this family (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1958123A2 (en) | 2005-11-23 | 2008-08-20 | Diamondback Vision Inc. | Object density estimation in video |
TW200822751A (en) | 2006-07-14 | 2008-05-16 | Objectvideo Inc | Video analytics for retail business process monitoring |
US8284467B2 (en) * | 2007-01-16 | 2012-10-09 | Sharp Laboratories Of America, Inc. | Intelligent toner saving for color copying |
US20080263592A1 (en) * | 2007-04-18 | 2008-10-23 | Fuji Xerox Co., Ltd. | System for video control by direct manipulation of object trails |
US8576281B2 (en) * | 2007-09-12 | 2013-11-05 | Its-7 Pty Ltd | Smart network camera system-on-a-chip |
US8010601B2 (en) | 2007-12-21 | 2011-08-30 | Waldeck Technology, Llc | Contiguous location-based user networks |
JP4818285B2 (ja) * | 2008-01-30 | 2011-11-16 | 三菱電機株式会社 | 混雑滞留検知システム |
EP2093698A1 (en) * | 2008-02-19 | 2009-08-26 | British Telecommunications Public Limited Company | Crowd congestion analysis |
US9019381B2 (en) * | 2008-05-09 | 2015-04-28 | Intuvision Inc. | Video tracking systems and methods employing cognitive vision |
US8885047B2 (en) * | 2008-07-16 | 2014-11-11 | Verint Systems Inc. | System and method for capturing, storing, analyzing and displaying data relating to the movements of objects |
US8495065B2 (en) | 2009-02-02 | 2013-07-23 | Waldeck Technology, Llc | Maintaining a historical record of anonymized user profile data by location for users in a mobile environment |
US20120047087A1 (en) | 2009-03-25 | 2012-02-23 | Waldeck Technology Llc | Smart encounters |
US20120046995A1 (en) | 2009-04-29 | 2012-02-23 | Waldeck Technology, Llc | Anonymous crowd comparison |
US20120135744A1 (en) | 2009-07-21 | 2012-05-31 | Kota Enterprises, Llc | Systems and methods for generating and managing communication rules associated with geographic locations |
US8473512B2 (en) | 2009-11-06 | 2013-06-25 | Waldeck Technology, Llc | Dynamic profile slice |
US9456183B2 (en) * | 2009-11-16 | 2016-09-27 | Alliance For Sustainable Energy, Llc | Image processing occupancy sensor |
US20120063367A1 (en) | 2009-12-22 | 2012-03-15 | Waldeck Technology, Llc | Crowd and profile based communication addresses |
US20120066303A1 (en) | 2010-03-03 | 2012-03-15 | Waldeck Technology, Llc | Synchronized group location updates |
US9886727B2 (en) | 2010-11-11 | 2018-02-06 | Ikorongo Technology, LLC | Automatic check-ins and status updates |
CN102104771B (zh) * | 2010-12-14 | 2012-12-12 | 浙江工业大学 | 基于无线监控的多路通道人流量监测系统 |
CN102054167B (zh) * | 2010-12-14 | 2013-01-16 | 浙江工业大学 | 基于无线红外监控的全天候多路通道人流量监测系统 |
CN102194270B (zh) * | 2011-06-02 | 2012-11-07 | 杭州电子科技大学 | 基于启发信息的行人流量统计方法 |
JP5895242B2 (ja) * | 2011-10-19 | 2016-03-30 | パナソニックIpマネジメント株式会社 | 蝟集判定装置及び蝟集判定方法 |
US20160132754A1 (en) * | 2012-05-25 | 2016-05-12 | The Johns Hopkins University | Integrated real-time tracking system for normal and anomaly tracking and the methods therefor |
US9165190B2 (en) | 2012-09-12 | 2015-10-20 | Avigilon Fortress Corporation | 3D human pose and shape modeling |
KR20140098959A (ko) * | 2013-01-31 | 2014-08-11 | 한국전자통신연구원 | 증거 영상 생성 장치 및 방법 |
RU2637481C2 (ru) | 2013-03-15 | 2017-12-04 | Джеймс КАРЕЙ | Самовосстанавливающаяся система видеонаблюдения |
US11743431B2 (en) | 2013-03-15 | 2023-08-29 | James Carey | Video identification and analytical recognition system |
US9786113B2 (en) | 2013-03-15 | 2017-10-10 | James Carey | Investigation generation in an observation and surveillance system |
US11032520B2 (en) | 2013-03-15 | 2021-06-08 | James Carey | Self-healing video surveillance system |
US10657755B2 (en) | 2013-03-15 | 2020-05-19 | James Carey | Investigation generation in an observation and surveillance system |
US9762865B2 (en) | 2013-03-15 | 2017-09-12 | James Carey | Video identification and analytical recognition system |
US11039108B2 (en) | 2013-03-15 | 2021-06-15 | James Carey | Video identification and analytical recognition system |
CN103218816B (zh) * | 2013-04-18 | 2016-05-04 | 中山大学 | 一种基于视频分析的人群密度估计方法与人流量统计方法 |
WO2014172624A2 (en) * | 2013-04-19 | 2014-10-23 | James Carey | Video identification and analytical recognition system |
US10373470B2 (en) | 2013-04-29 | 2019-08-06 | Intelliview Technologies, Inc. | Object detection |
US9773163B2 (en) * | 2013-11-14 | 2017-09-26 | Click-It, Inc. | Entertainment device safety system and related methods of use |
CA2847707C (en) | 2014-03-28 | 2021-03-30 | Intelliview Technologies Inc. | Leak detection |
JP5838371B1 (ja) * | 2014-06-30 | 2016-01-06 | パナソニックIpマネジメント株式会社 | 動線分析システム、カメラ装置及び動線分析方法 |
US10943357B2 (en) | 2014-08-19 | 2021-03-09 | Intelliview Technologies Inc. | Video based indoor leak detection |
US9390335B2 (en) * | 2014-11-05 | 2016-07-12 | Foundation Of Soongsil University-Industry Cooperation | Method and service server for providing passenger density information |
JP6426441B2 (ja) * | 2014-11-13 | 2018-11-21 | 株式会社東芝 | 密度計測装置、密度計測方法、およびプログラム |
JP6356266B2 (ja) * | 2014-12-24 | 2018-07-11 | 株式会社日立国際電気 | 群集監視システム |
US9996749B2 (en) | 2015-05-29 | 2018-06-12 | Accenture Global Solutions Limited | Detecting contextual trends in digital video content |
KR101716375B1 (ko) * | 2015-10-01 | 2017-03-14 | 연세대학교 산학협력단 | 모션 카운팅 장치 및 방법 |
US9879216B2 (en) | 2015-12-10 | 2018-01-30 | International Business Machines Corporation | Infrared signal monitoring for cell cultures |
CN105631858B (zh) * | 2015-12-21 | 2018-06-22 | 北京大学深圳研究生院 | 基于样本块的图像目标计数方法 |
CN105718886A (zh) * | 2016-01-20 | 2016-06-29 | 武汉日创科技有限公司 | 一种活动人员安全异常的跌倒检测方法 |
US11417202B2 (en) | 2016-03-01 | 2022-08-16 | James Carey | Theft prediction and tracking system |
CA3016434A1 (en) | 2016-03-01 | 2017-09-08 | James Carey | Theft prediction and tracking system |
GB2556942A (en) * | 2016-11-28 | 2018-06-13 | Univ Of Lancaster | Transport passenger monitoring systems |
JP7130368B2 (ja) * | 2017-01-13 | 2022-09-05 | キヤノン株式会社 | 情報処理装置および情報処理システム |
JP6794884B2 (ja) * | 2017-03-15 | 2020-12-02 | 富士通株式会社 | 人工芝の維持管理プログラム、人工芝の維持管理方法、及び人工芝の維持管理装置 |
JP6843718B2 (ja) * | 2017-09-05 | 2021-03-17 | 能美防災株式会社 | 防災システム |
DE102017126553A1 (de) * | 2017-11-13 | 2019-05-16 | Iris-Gmbh Infrared & Intelligent Sensors | Erfassungssystem |
WO2019096952A1 (en) | 2017-11-15 | 2019-05-23 | NEC Laboratories Europe GmbH | A system and method for single image object density estimation |
CN108063915B (zh) | 2017-12-08 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种图像采集方法及系统 |
CN108460325B (zh) * | 2018-01-10 | 2021-07-20 | 西安理工大学 | 一种基于elm的双路融合的人群人数统计方法 |
EP3547684B1 (en) * | 2018-03-28 | 2020-02-26 | Axis AB | Method, device and system for encoding a sequence of frames in a video stream |
WO2019199815A1 (en) * | 2018-04-10 | 2019-10-17 | Cavh Llc | Connected and automated vehicle systems and methods for the entire roadway network |
US11312594B2 (en) | 2018-11-09 | 2022-04-26 | Otis Elevator Company | Conveyance system video analytics |
TWI686748B (zh) * | 2018-12-07 | 2020-03-01 | 國立交通大學 | 人流分析系統及人流分析方法 |
US10885606B2 (en) * | 2019-04-08 | 2021-01-05 | Honeywell International Inc. | System and method for anonymizing content to protect privacy |
US11048948B2 (en) * | 2019-06-10 | 2021-06-29 | City University Of Hong Kong | System and method for counting objects |
CN110674703A (zh) * | 2019-09-05 | 2020-01-10 | 北京正安维视科技股份有限公司 | 一种智能监控中的视频绊线报警计数方法与流程 |
RU2710308C1 (ru) * | 2019-09-20 | 2019-12-25 | Общество с ограниченной ответственностью "Ай Ти Ви групп" | Система и способ для обработки видеоданных из архива |
US11615620B2 (en) | 2020-05-15 | 2023-03-28 | Johnson Controls Tyco IP Holdings LLP | Systems and methods of enforcing distancing rules |
WO2022076849A1 (en) * | 2020-10-09 | 2022-04-14 | Sidewalk Labs LLC | Methods, systems, and media for simulating movement data of pedestrians in a district |
FR3115247B1 (fr) * | 2020-10-21 | 2023-01-13 | Alstom Transp Tech | Dispositif de gestion de la lumière pour véhicule , véhicule et procédé associés |
CN117172513B (zh) * | 2023-11-03 | 2024-02-02 | 北京市运输事业发展中心 | 基于大数据的综合交通枢纽运力调度系统 |
Family Cites Families (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3812287A (en) | 1969-05-12 | 1974-05-21 | J Lemelson | Video detection system |
US4442544A (en) * | 1981-07-09 | 1984-04-10 | Xerox Corporation | Adaptive thresholder |
US5610653A (en) | 1992-02-07 | 1997-03-11 | Abecassis; Max | Method and system for automatically tracking a zoomed video image |
US5331417A (en) | 1992-09-15 | 1994-07-19 | Digital Pictures, Inc. | System and method of displaying a plurality of digital video images |
US5987211A (en) | 1993-01-11 | 1999-11-16 | Abecassis; Max | Seamless transmission of non-sequential video segments |
US5696503A (en) | 1993-07-23 | 1997-12-09 | Condition Monitoring Systems, Inc. | Wide area traffic surveillance using a multisensor tracking system |
US5801943A (en) | 1993-07-23 | 1998-09-01 | Condition Monitoring Systems | Traffic surveillance and simulation apparatus |
US5491511A (en) | 1994-02-04 | 1996-02-13 | Odle; James A. | Multimedia capture and audit system for a video surveillance network |
IL113434A0 (en) | 1994-04-25 | 1995-07-31 | Katz Barry | Surveillance system and method for asynchronously recording digital data with respect to video data |
US6014461A (en) | 1994-11-30 | 2000-01-11 | Texas Instruments Incorporated | Apparatus and method for automatic knowlege-based object identification |
US5623249A (en) | 1995-01-26 | 1997-04-22 | New Product Development, Inc. | Video monitor motion sensor |
US5860086A (en) | 1995-06-07 | 1999-01-12 | International Business Machines Corporation | Video processor with serialization FIFO |
US5886701A (en) | 1995-08-04 | 1999-03-23 | Microsoft Corporation | Graphics rendering device and method for operating same |
US5999189A (en) | 1995-08-04 | 1999-12-07 | Microsoft Corporation | Image compression to reduce pixel and texture memory requirements in a real-time image generator |
US5959690A (en) | 1996-02-20 | 1999-09-28 | Sas Institute, Inc. | Method and apparatus for transitions and other special effects in digital motion video |
US5956081A (en) | 1996-10-23 | 1999-09-21 | Katz; Barry | Surveillance system having graphic video integration controller and full motion video switcher |
GB9702849D0 (en) | 1997-02-12 | 1997-04-02 | Trafficmaster Plc | Traffic monitoring |
JPH10290449A (ja) | 1997-04-14 | 1998-10-27 | Shimizu Corp | 映像監視システム |
US6097429A (en) | 1997-08-01 | 2000-08-01 | Esco Electronics Corporation | Site control unit for video security system |
US6091771A (en) | 1997-08-01 | 2000-07-18 | Wells Fargo Alarm Services, Inc. | Workstation for video security system |
US6144375A (en) | 1998-08-14 | 2000-11-07 | Praja Inc. | Multi-perspective viewer for content-based interactivity |
US6226388B1 (en) | 1999-01-05 | 2001-05-01 | Sharp Labs Of America, Inc. | Method and apparatus for object tracking for automatic controls in video devices |
US6201473B1 (en) | 1999-04-23 | 2001-03-13 | Sensormatic Electronics Corporation | Surveillance system for observing shopping carts |
US6985609B2 (en) | 2000-08-30 | 2006-01-10 | Giken Trastem Co., Ltd. | Method for identifying an object image |
US7139409B2 (en) * | 2000-09-06 | 2006-11-21 | Siemens Corporate Research, Inc. | Real-time crowd density estimation from video |
US6696945B1 (en) | 2001-10-09 | 2004-02-24 | Diamondback Vision, Inc. | Video tripwire |
US7167519B2 (en) | 2001-12-20 | 2007-01-23 | Siemens Corporate Research, Inc. | Real-time video object generation for smart cameras |
US7436887B2 (en) * | 2002-02-06 | 2008-10-14 | Playtex Products, Inc. | Method and apparatus for video frame sequence-based object tracking |
US7409092B2 (en) * | 2002-06-20 | 2008-08-05 | Hrl Laboratories, Llc | Method and apparatus for the surveillance of objects in images |
US7031529B2 (en) * | 2002-06-24 | 2006-04-18 | Lee Shih-Jong J | Method for detection optimization in image-based decision systems |
JP3981391B2 (ja) * | 2003-10-21 | 2007-09-26 | 松下電器産業株式会社 | 監視装置 |
US7373012B2 (en) * | 2005-02-01 | 2008-05-13 | Mitsubishi Electric Research Laboratories, Inc. | Detecting moving objects in videos with corner-based background model |
JP2009508450A (ja) * | 2005-09-13 | 2009-02-26 | ヴェリフィコン コーポレーション | 物体のトラッキングおよび活動分析のためのシステムおよび方法 |
EP1958123A2 (en) | 2005-11-23 | 2008-08-20 | Diamondback Vision Inc. | Object density estimation in video |
-
2006
- 2006-11-21 EP EP06838189A patent/EP1958123A2/en not_active Withdrawn
- 2006-11-21 KR KR1020087014437A patent/KR101375583B1/ko active IP Right Grant
- 2006-11-21 WO PCT/US2006/045068 patent/WO2007062044A2/en active Application Filing
- 2006-11-21 CA CA002626841A patent/CA2626841A1/en not_active Abandoned
- 2006-11-21 CN CNA2006800434659A patent/CN101366045A/zh active Pending
- 2006-11-21 US US11/602,490 patent/US9240051B2/en active Active
- 2006-11-21 JP JP2008542412A patent/JP2009517740A/ja active Pending
- 2006-11-22 TW TW095143229A patent/TW200807338A/zh unknown
-
2008
- 2008-05-20 IL IL191575A patent/IL191575A0/en unknown
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098491B (zh) * | 2009-12-14 | 2014-05-21 | 北京中星微电子有限公司 | 混乱场景的监控方法及装置 |
CN102098491A (zh) * | 2009-12-14 | 2011-06-15 | 北京中星微电子有限公司 | 混乱场景的监控方法及装置 |
CN101835034A (zh) * | 2010-05-27 | 2010-09-15 | 王巍 | 一种人群特征统计系统 |
CN102081810A (zh) * | 2010-11-15 | 2011-06-01 | 中国电信股份有限公司 | 户外媒体远程监测方法和系统 |
CN102081810B (zh) * | 2010-11-15 | 2013-09-25 | 中国电信股份有限公司 | 户外媒体远程监测方法和系统 |
CN102496058A (zh) * | 2011-11-11 | 2012-06-13 | 北京声迅电子股份有限公司 | 客流密度检测方法 |
CN102496058B (zh) * | 2011-11-11 | 2014-09-17 | 北京声迅电子股份有限公司 | 客流密度检测方法 |
CN103310183B (zh) * | 2012-03-16 | 2016-12-14 | 日电(中国)有限公司 | 人群聚集检测的方法与装置 |
CN103310183A (zh) * | 2012-03-16 | 2013-09-18 | 日电(中国)有限公司 | 人群聚集检测的方法与装置 |
CN103226860B (zh) * | 2013-04-12 | 2015-05-20 | 中国民航大学 | 一种通道客流密度估计方法 |
CN103226860A (zh) * | 2013-04-12 | 2013-07-31 | 中国民航大学 | 一种通道客流密度估计方法 |
CN103530601A (zh) * | 2013-07-16 | 2014-01-22 | 南京师范大学 | 一种基于贝叶斯网络的监控盲区人群状态推演方法 |
CN103530601B (zh) * | 2013-07-16 | 2016-08-10 | 南京师范大学 | 一种基于贝叶斯网络的监控盲区人群状态推演方法 |
CN106571027A (zh) * | 2015-10-09 | 2017-04-19 | 北京文安智能技术股份有限公司 | 一种密集车辆违章停放监测方法、装置及系统 |
CN110705394A (zh) * | 2019-09-18 | 2020-01-17 | 广东外语外贸大学南国商学院 | 一种基于卷积神经网络的景区人群行为分析方法 |
CN110705394B (zh) * | 2019-09-18 | 2022-11-18 | 广东外语外贸大学南国商学院 | 一种基于卷积神经网络的景区人群行为分析方法 |
Also Published As
Publication number | Publication date |
---|---|
IL191575A0 (en) | 2008-12-29 |
TW200807338A (en) | 2008-02-01 |
US20080106599A1 (en) | 2008-05-08 |
US9240051B2 (en) | 2016-01-19 |
JP2009517740A (ja) | 2009-04-30 |
KR20080085837A (ko) | 2008-09-24 |
KR101375583B1 (ko) | 2014-04-01 |
EP1958123A2 (en) | 2008-08-20 |
WO2007062044A2 (en) | 2007-05-31 |
CA2626841A1 (en) | 2007-05-31 |
WO2007062044A3 (en) | 2007-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101366045A (zh) | 视频中的对象密度估算 | |
Porikli et al. | Video surveillance: past, present, and now the future [DSP Forum] | |
US10614311B2 (en) | Automatic extraction of secondary video streams | |
Saxena et al. | Crowd behavior recognition for video surveillance | |
US7796780B2 (en) | Target detection and tracking from overhead video streams | |
Dick et al. | Issues in automated visual surveillance | |
Venetianer et al. | Stationary target detection using the objectvideo surveillance system | |
Ribnick et al. | Real-time detection of camera tampering | |
KR102579542B1 (ko) | 군중 밀집도 기반의 위험 지역 자동 알림 시스템 | |
KR20220000172A (ko) | 엣지 컴퓨팅 기반 보안 감시 서비스 제공 장치, 시스템 및 그 동작 방법 | |
Lalonde et al. | A system to automatically track humans and vehicles with a PTZ camera | |
KR20220000226A (ko) | 엣지 컴퓨팅 기반 지능형 보안 감시 서비스 제공 시스템 | |
Gryn et al. | Detecting motion patterns via direction maps with application to surveillance | |
KR20220000216A (ko) | 딥러닝 분산 처리 기반 지능형 보안 감시 서비스 제공 장치 | |
Seidenari et al. | Non-parametric anomaly detection exploiting space-time features | |
KR20220000209A (ko) | 딥러닝 분산 처리 기반 지능형 보안 감시 장치의 동작 프로그램이 기록된 기록매체 | |
Calitz et al. | Automated license plate recognition using existing university infrastructure and different camera angles | |
Beigh et al. | Motion Aware Video Surveillance System (MAVSS) | |
Calitz et al. | The African Journal of Information Systems | |
Yin et al. | Real-time ghost removal for foreground segmentation methods | |
KR20220000204A (ko) | 딥러닝 분산 처리 기반 지능형 보안 감시 장치의 동작 프로그램 | |
KR20220000202A (ko) | 딥러닝 분산 처리 기반 지능형 보안 감시 장치의 동작방법 | |
Malkapur | Video Object Tracking and Segmentation Using Artificial Neural Network for Surveillance System | |
Prati et al. | Video analysis for ambient intelligence in urban environments | |
Fairchild | A real-life system for identifying and monitoring objects for user-specified scenarios in live CCTV |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090211 |