CN101464952A - 基于轮廓的异常行为识别方法 - Google Patents
基于轮廓的异常行为识别方法 Download PDFInfo
- Publication number
- CN101464952A CN101464952A CNA2007101798818A CN200710179881A CN101464952A CN 101464952 A CN101464952 A CN 101464952A CN A2007101798818 A CNA2007101798818 A CN A2007101798818A CN 200710179881 A CN200710179881 A CN 200710179881A CN 101464952 A CN101464952 A CN 101464952A
- Authority
- CN
- China
- Prior art keywords
- profile
- behavior
- obtains
- sequence
- conversion
- 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 title claims abstract description 41
- 206010000117 Abnormal behaviour Diseases 0.000 title claims description 25
- 230000006399 behavior Effects 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000000513 principal component analysis Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 3
- 238000006243 chemical reaction Methods 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000013011 mating Effects 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 17
- 230000009466 transformation Effects 0.000 abstract description 13
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000001594 aberrant effect Effects 0.000 abstract 3
- 230000004438 eyesight Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000013519 translation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 229910052704 radon Inorganic materials 0.000 description 4
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 206010003830 Automatism Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于轮廓的异常行为识别方法。首先,对摄像头采集到的图像序列进行运动目标检测与跟踪,提取目标轮廓;接着利用R变换表达每一帧中运动轮廓的空间信息;再对空间信息重新排列组合,做为行为分析的特征向量,利用主成分分析对其进行特征降维;最后利用隐马尔可夫模型表达具有空间信息的轮廓序列在时间上的变换关系,每个行为都有各自的隐马尔可夫模型参数表示。在识别过程中,将新的行为特征序列与存储的参数进行比较,依最大似然原则选择最匹配的行为。本发明识别方法对于提高智能视觉监控的自动分析具有重要意义,使计算机无需人的帮助就能知道场景中事件发生的时间、地点和人物。还可用于视频检索,帮助人们寻找视频中感兴趣的事件。
Description
技术领域
本发明属于模式识别领域,涉及图像处理和计算机视觉等技术,特别涉及智能视觉监控中的异常行为识别方法。
背景技术
随着现代科技的飞速发展,利用摄像机监控动态场景早已被广泛应用在社会的方方面面,除了一些对于安全要求级别高的场合,如银行、军事基地等,越来越多的智能视觉监控应用在民用,如交通路口、生活社区、地铁沿线等,用以保障人民的生命财产安全。尽管目前商用监控摄像机普遍存在于商场、超市、电梯间,但没有充分发挥其实时主动的监视报警功能。虽然这些摄像头可以提供大量的视频数据,但还不能对感兴趣行为进行实时的分析处理,而且海量数据的存在以及长时间枯燥乏味的监视很容易使得安保人员疲倦,松懈,对场景发生的异常不能及时反应,造成灾难性的后果。因此,开发出实时的监控系统,并根据场景中的异常行为与现象自动报警,引起警卫的注意,对破坏行为及时制止,对威胁安全的行为及时救援等成为日益迫切的需求。这要求摄像机不仅仅记录一堆堆的数据,更重要的是会分析数据,理解数据,这样计算机可以警醒人,帮助人完成监控任务,提高监控质量。
动态场景中运动目标的行为分析与理解一直是计算机视觉领域最活跃的主题,尤其是监控场景下异常行为的检测与识别更具有广泛的应用。如前所述,安全问题,无论国防还是民用一直是各个国家长期关注的热点。英国的Closed Circuit Television(CCTV)监控项目有不计其数的摄像头分布在商场、社区、学校、停车场以及众多公共场合,成功降低犯罪率。同时,北美,澳大利亚,欧洲其他一些国际紧随其后,有关动态场景中运动目标行为分析与识别的研究项目纷沓而至,这要求计算机可以从摄像机捕获的运动序列中检测,跟踪目标并对其行为进行理解。但目前大部分的技术,尤其是实时系统还处在对运动目标的检测跟踪阶段,就算涉及运动目标的行为分析,也仅是简单的走跑运动。因此开发出具有自动分析视频数据能力的监控技术,通过摄像头可以知道场景中发生了什么是智能视觉监控的一个首要目的。
不过在监控场景下,由于摄像头数量众多,而且还存在很多可自由控制的带云台摄像头,这样即使获得同一行为的底层运动数据,不同的视觉,不同的镜头下,在二维图像平面还是具有不同的表现形式。因此,如何获取针对平移,旋转,比例尺度变换具有不变性的底层特征是行为分析与识别成功的关键。目前,运动目标的轨迹与轮廓被认为可以用于视觉监控系统中行为识别算法的两个主要的运动特征。与轨迹相关的其他特征,比如速度,距离等也得到广泛应用,不过这些特征只能描述运动目标在场景中的位置移动,不能刻画行为细致的空间特征。轮廓则不然,完整的行为轮廓序列是一种时空变化的运动模式,它既可以表达运动过程中肢体的变化又能描述行为时间上的相互关系。而且具有易于捕捉,受噪声影响小等优点。
传统监控可以实现视频数据的分发、存储功能,但对场景中的异常情况只能通过人工处理。面对海量视频数据,连续长时间的工作会让警卫倦怠、不警醒,对危险事件不敏感。
发明内容
轮廓可以描述行为序列中每一帧的姿态,包括全部的边缘信息与身体内部信息,因此特征维数比较高,而且一般的实时监控场景往往比较复杂,受变换的光照条件、阴影、飘动的旗帜等影响,运动分割后的目标轮廓不可避免的出现形状分块,内部空洞或者阴影。而且运动目标对于摄像头的距离是不断变换的,表现在二维图像平面上就是运动目标轮廓在整个行为序列中尺度大小不一。考虑到上述情形,本发明的目的是公开一种基于轮廓的异常行为识别方法,通过一种新的特征表达方式,变换,来进行特征描述,并将变换的结果用做行为识别的特征,经此变换得到的特征计算复杂度低,具有几何变换不变性而且抗噪性比较强,对形状噪声鲁棒而且对于相似性高的行为可区分性高。
为实现上述目的,本发明的技术解决方案是:
一种基于轮廓的异常行为识别方法,包括轮廓提取,特征表达,训练和识别多个过程,步骤如下:
步骤S1:对摄像头采集到的图像序列进行运动目标检测与跟踪,提取目标轮廓;
步骤S3:利用主成分分析对改进的特征向量进行特征提取;
步骤S4:利用隐马尔可夫模型表达具有空间信息的轮廓序列在时间上的变换关系;
步骤S5:利用训练的模型参数库,根据最大似然准则,看待识别行为和哪个预先定义的行为最匹配。
所述的基于轮廓的异常行为识别方法,其所述步骤S1的运动目标检测包括如下步骤:
步骤S11:对得到的图像序列构建背景模型;
步骤S12:从运动图像序列中将变化区域从背景模型中提取出来,用于得到运动目标;
步骤S13:将得到的运动目标进行形态学操作和连通域分析,得到分割准确的运动目标轮廓。
所述的基于轮廓的异常行为识别方法,其所述步骤S2的空间信息表达包括如下步骤:
步骤S21:对已经得到的轮廓进行尺度归一化;
所述的基于轮廓的异常行为识别方法,其所述步骤S3的特征降维过程包括如下步骤:
步骤S32:对得到的矩阵进行主成分分析,根据信息贡献率得到一个2×3的矩阵;
步骤S33:对得到的降维矩阵,依次展开排成一行,最后得到一个1×6的特征向量,用做最后的特征表达。
所述的基于轮廓的异常行为识别方法,其所述步骤S4的行为模型参数学习过程包括如下步骤:
步骤S41:将每个行为所得的特征序列作为隐马尔可夫模型的输入;
步骤S42:学习不同行为的隐马尔可夫模型的参数并保留。
所述的基于轮廓的异常行为识别方法,其所述步骤S5的行为识别过程包括如下步骤:
步骤S51:将原始识别序列按照步骤S1到S3转换成行为特征序列;
步骤S52:计算此特征序列和步骤S42中保留的参数模型的最大似然,取其最大的那个为识别结果。
基于轮廓的异常行为识别对于智能视觉监控的广泛应用尤为关键,它可以提高监控系统的自动性,智能性,更好的解脱使用者。利用变换,本发明实现了一个基于轮廓的异常行为识别方法,首先利用变换表达每一帧中运动轮廓的空间信息;然后利用主成分分析对改进的特征向量进行特征提取;最后利用隐马尔可夫模型表达具有空间信息的轮廓序列在时间上的变换关系,每个行为都有各自的隐马尔可夫模型参数表示。在识别过程中,新的行为特征序列分别与这些存储的参数进行比较,根据最大似然原则选择最匹配的行为。
本发明的优点是:
一种基于轮廓的异常行为识别方法,用于智能视觉监控系统,让计算机自动分析视频数据,对有可能发生的异常事件做出预警,以降低人工监控的强度。
附图说明
图1基于变换的异常行为模型参数训|练流程框图;
图3变换的几何变换结果示意图;
图4不同数据条件下基于R变换的识别结果直方图;
图5不同数据条件下五种特征表达的识别率比较直方图;
图6帧丢失数据条件下五种特征描述子的识别率比较直方图;
图7冗余数据条件下五种特征描述子的识别率比较直方图;
图8缺失数据条件下五种特征描述子的识别率比较直方图。
具体实施方式
下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是,所描述的实施例仅在便于对本发明的理解,而对本发明不起任何限定作用。
本发明方法所需要的硬件最低配置为:P4 3.0G CPU,512M内存的计算机;最低分辨率为320x240的监控摄像头或DV摄像机;帧率为25帧每秒的视频采集卡,所有结果可通过VC达到实时的识别处理。
图1给出了基于轮廓的异常行为模型参数学习流程图。首先对摄像头采集到的行为序列进行运动目标跟踪,提取目标轮廓,然后利用变换表达每一帧中运动轮廓的空间信息;接着利用主成分分析对得到的特征向量进行特征提取;最后利用隐马尔可夫模型表达具有空间信息的轮廓序列在时间上的变换关系,每个行为都有各自的隐马尔可夫模型参数表示。
在识别过程中,新的行为特征序列分别与这些存储保留的参数进行比较,根据最大似然原则选择最匹配的行为,做为最后的识别结果,过程如图2所示。
对于每个行为序列,我们采用如下的方法进行背景分割,获取运动目标轮廓
首先由采集到的图像序列基于多高斯构建背景图像模型,接着由当前输入图像与背景模型进行差分比对操作并进行二值化处理,然后经过形态学滤波和连通量分析得到轮廓分割结果。最后对由背景分割得到的结果进行差分阈值化处理并结合图像中的统计特征和运动分析方法来检测到目标。这样可以有效的减弱和消除由于光照变化,前景背景颜色相近带来的干扰从而得到更加鲁棒和准确的轮廓。该方法完全可以应用于任意复杂背景下运动目标的分割。
运动特征表达
变换是一种扩展的Radon变换,我们首先给出Radon变换的定义,它是数据处理中广泛应用的一种技术,其原理是把原始图像通过线性积分的形式变换到另外一个参数域内。假设f(x,y)是一幅二值图像,那么其Radon变换定义如下:
式中θ∈[0,π],ρ∈[-∞,+∞],δ(x)为delta函数,
变换定义如下:
假设尺度因子为α,
假设平移向量为
假设旋转角度为θ0,
根据Radon变换的对称性,令γ=-ρ,则
图3给出了存在上述几何变换时,变换的变化结果示意图,其中,图a1为原始图片,a2为其对应的变换结果,b1为将原始图片进行平移变化的结果,c为将原始图片逆时针旋转30度的结果,d表示经一定尺度变换后的结果;b2、c2、d2分别为经过不同的几何变化后,各自的变换结果。
我们发现同一个原始图像在经过平移,尺度,旋转之后具有不同的特性:
2.如果原始图像发生一定角度的旋转,那么其旋转图像的变换结果也会发生改变,但只是位移发生线性变换,幅值并不发生变化。由于在大部分视觉监控场景中摄像头一般都是固定的,很少发生这样的旋转现象,利用此变换表达特征不会对我们的实际应用产生任何影响;
3.在一定尺度上放大或者缩小原始图像,其变换的曲线形状并未发生变化,所不同的只是幅值,归一化可消除此影响;
如果我们先在尺度上对图像中的运动目标进行归一化,那么此运动目标的轮廓信息经过变换成为几何不变量。
基于主元分析的特征选择
为了去除信息的冗余度,减少计算代价,我们利用主元分析的方法对其进行降维,不是单纯的对整个序列降维,而是将每一帧的180维分成三部分,然后写成一个60*3的矩阵,对这个矩阵进行PCA降维,通过实验发现,我们选择前两个特征值(累积方差已经高于98%),然后将降维得到的2*3的矩阵展开成为1*6的特征向量,最终形成特征序列。
基于HMM的行为识别
隐马尔可夫模型目前是应用最为广泛的行为模型,在这里用作行为的识别,流程图如图2所示。本发明具体实施例选取办公室为监控环境,走、跑、跳跃、携包、下蹲五种行为为感兴趣行为,因为办公室中“出入行走”属正常行为,而快速奔跑、跳跃、走着走着突然蹲下以及携带箱包出入办公室都被视为异常行为,一旦发现应立刻报警。
行为数据库:为了验证算法的鲁棒性,我们采用了四种不同的数据做为测试数据,他们分别是:实况数据、帧丢失数据、冗余数据和缺失数据,具体含义如下:
1.面对低精度的采集设备和场景中光照变化、前景背景颜色相似性等干扰的存在,运动目标轮廓不可避免的具有空洞,阴影等现象。为了更好的描述行为本身的时空变化,我们对这些不好的数据人为去除噪声,得到的数据做为训练数据,称之为“实况数据”;
2.人为制造一些测试数据,分别去除行为序列的前10帧,中间15帧以及最后15帧,称其为“帧丢失数据”;
3.对于由于衣摆和阴影造成的噪声数据,称为“冗余数据”;
4.对于实际得到的那些存在噪声的数据,有些具有身体空洞,丢失部分轮廓,或者一个完整的轮廓被分成数个部分,称之为“缺失数据”。
对每一种不同的数据条件,我们都有五十条测试数据。图4给出了不同数据条件下基于变换的行为识别率直方图。我们发现在缺失数据和帧丢失数据情况下,变换依然保持了和实况数据情况下差不多的识别率,都在90%以上,这说明变换对这些噪声数据的存在不敏感。但当数据为冗余数据时(这类噪声数据大部分是由于阴影带来的),变换表现出的识别结果并不象其他三种数据那么理想。这表明变换对冗余数据比较敏感,因此我们在运动目标检测的适合尽量使用腐蚀效果比较强的分割算法,尽量减少由于阴影噪声给行为识别所带来的影响。
本发明与基于矩的特征描述子做了一个详细的比较,其中包括不变矩、Zernike矩、伪Zernike矩和小波矩。除了不变矩具有平移、尺度、旋转的几何不变性以外,其他矩都只是旋转不变的,因此与在行为识别过程中,首先要对图像进行尺度与平移的归一化。对一幅320×240的数字图像而言,各个矩以及R变换的平均计算时间如表1所示。
表1:各种轮廓表达方式的运算时间
这是window XP操作系统下,Pentium 4,3.2GHz,MATLAB计算的结果。如表所示,一个二维R变换的计算时间约为0.047秒,略高于不变矩的平均时间,远远低于其他矩的计算时间,这说明换非常适合用在对速度要求比较高的实时监控系统。
由图5看出,实况数据情况下,基于小波矩的特征表达获得了最高的识别率。基于不变矩和变换的特征表达方式获得仅次于小波矩表达方式的识别率。而且实验结果表明,只有小波矩和变换完全正确地识别了”走”、”跑”这两种高度相似的行为,其他矩描述子都有错识的现象,尤其是矩和伪矩,”走、跑”总是出现误识。这是因为矩以及伪矩只能提取图像的全局特征,因此对差异比较显著的行为具有很好的识别效果,而无法区分具有细微差别的相似模式;而小波矩具有很强的细节描述能力,因此它在识别”走、跑”等相似度比较大的行为时,表现出良好的区分性能,相比较而言,变换也具有这样的性能,而且变换具有很低的计算复杂度。
如图7所示,当数据为冗余数据时,这五种特征描述子都未能取得良好的识别结果,识别率都在70%以下,小波矩甚至只有48%,这说明他们对冗余数据比较敏感,因此我们在运动目标检测的时尽量使用腐蚀效果比较强的分割算法,尽量减少由于阴影噪声给行为识别所带来的影响。
总的来说,该方法与相关工作相比有如下几个优点:
以上所述,仅为本发明中的具体实施例,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种基于轮廓的异常行为识别方法,其特征在于:包括步骤:
步骤S1:对摄像头采集到的图像序列进行运动目标检测与跟踪,提取目标轮廓;
步骤S2:对得到的目标轮廓姿态,利用R变换表达得到每一帧中运动轮廓的空间信息,用做行为识别的底层特征;
步骤S3:利用主成分分析对上述特征向量进行特征降维,得到适合的特征序列;
步骤S4:将不同行为的特征序列做为输入,利用隐马尔可夫模型学习其随时间的变化关系,通过每个行为的隐马尔可夫模型参数表示;
步骤S5:利用训练的模型参数库,根据最大似然准则,判断待识别行为和预先定义行为的匹配程度。
2.根据权力要求1所述的基于轮廓的异常行为识别方法,其特征在于:所述步骤S1中的运动目标检测包括如下步骤:
步骤S11:对得到的图像序列构建背景模型;
步骤S12:从运动图像序列中将变化区域从背景模型中提取出来,用于得到运动目标;
步骤S13:将得到的运动目标进行形态学操作和连通域分析,得到分割准确的运动目标轮廓。
3.根据权力要求1所述的基于轮廓的异常行为识别方法,其特征在于:所述步骤S2的空间信息表达包括如下步骤:
步骤S21:对步骤S1已经得到的轮廓进行尺度归一化;
步骤S22:对归一化过的轮廓进行R变换,得到轮廓空间信息的特征描述。
4.根据权力要求1所述的基于轮廓的异常行为识别方法,其特征在于:所述步骤S3的特征降维过程包括如下步骤:
步骤S31:将行为序列中每一帧经R变换后的1×180维的特征向量分成三部分,每一部分为一个1×60的向量,依次排列形成一个60×3的矩阵;
步骤S32:对步骤S31得到的矩阵进行主成分分析,根据信息贡献率得到一个2×3的矩阵;
步骤S33:对步骤S32得到的降维矩阵,依次展开排成一行,最后得到一个1×6的特征向量,用做最后的特征描述。
5.根据权力要求1所述的基于轮廓的异常行为识别方法,其特征在于:所述步骤S4的行为模型参数学习过程包括如下步骤:
步骤S41:将每个行为所得的特征序列作为隐马尔可夫模型的输入;
步骤S42:学习不同行为的隐马尔可夫模型的参数并保留。
6.根据权力要求1或5所述的基于轮廓的异常行为识别方法,其特征在于:所述步骤S5的行为识别过程包括如下步骤:
步骤S51:将原始识别序列按照步骤S1到S3转换成行为特征序列;
步骤S52:将所得到的行为特征序列分别与步骤S42存储保留的模型参数进行比较,根据最大似然原则选择最匹配的行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007101798818A CN101464952A (zh) | 2007-12-19 | 2007-12-19 | 基于轮廓的异常行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007101798818A CN101464952A (zh) | 2007-12-19 | 2007-12-19 | 基于轮廓的异常行为识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101464952A true CN101464952A (zh) | 2009-06-24 |
Family
ID=40805524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007101798818A Pending CN101464952A (zh) | 2007-12-19 | 2007-12-19 | 基于轮廓的异常行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101464952A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872418A (zh) * | 2010-05-28 | 2010-10-27 | 电子科技大学 | 基于群体环境异常行为的检测方法 |
CN101883261A (zh) * | 2010-05-26 | 2010-11-10 | 中国科学院自动化研究所 | 大范围监控场景下异常目标检测及接力跟踪的方法及系统 |
CN102208016A (zh) * | 2010-03-30 | 2011-10-05 | 索尼公司 | 图像处理设备和方法、以及程序 |
CN102236783A (zh) * | 2010-04-29 | 2011-11-09 | 索尼公司 | 检测异常行为的方法和设备及生成检测器的方法和设备 |
CN102609934A (zh) * | 2011-12-22 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于深度图像的多目标分割和跟踪方法 |
CN102610054A (zh) * | 2011-01-19 | 2012-07-25 | 上海弘视通信技术有限公司 | 基于视频的起身检测系统 |
WO2012145909A1 (zh) * | 2011-04-28 | 2012-11-01 | 中国科学院自动化研究所 | 基于图像色度的彩色数字图像篡改检测方法 |
CN102799873A (zh) * | 2012-07-23 | 2012-11-28 | 青岛科技大学 | 一种人体异常行为识别方法 |
CN102938070A (zh) * | 2012-09-11 | 2013-02-20 | 广西工学院 | 一种基于动作子空间与权重化行为识别模型的行为识别方法 |
CN103024419A (zh) * | 2012-12-31 | 2013-04-03 | 青岛海信信芯科技有限公司 | 一种视频图像处理方法及系统 |
CN103049746A (zh) * | 2012-12-30 | 2013-04-17 | 信帧电子技术(北京)有限公司 | 基于面部识别的检测打架行为的方法 |
CN103186775A (zh) * | 2013-03-27 | 2013-07-03 | 西安电子科技大学 | 基于混合描述子的人体运动识别方法 |
CN103208003A (zh) * | 2013-04-12 | 2013-07-17 | 大连理工大学 | 一种基于几何图形特征点形状描述子的方法 |
CN103248878A (zh) * | 2013-05-23 | 2013-08-14 | 南车株洲电力机车有限公司 | 一种综采工作面异常状况的模式识别方法、装置与系统 |
CN106073792A (zh) * | 2016-06-08 | 2016-11-09 | 惠州学院 | 一种人体运动姿势分析系统 |
CN108460364A (zh) * | 2018-03-27 | 2018-08-28 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109492654A (zh) * | 2018-12-25 | 2019-03-19 | 中国科学院长春光学精密机械与物理研究所 | 一种室内窥视摄像头的检测方法及装置 |
CN109686032A (zh) * | 2019-01-17 | 2019-04-26 | 厦门大学 | 一种水产养殖生物防盗监测方法及系统 |
WO2019101338A1 (en) * | 2017-11-24 | 2019-05-31 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method of handwritten character recognition confirmation |
CN109993031A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种畜力车目标违章行驶行为检测方法、装置及相机 |
CN110300241A (zh) * | 2019-08-05 | 2019-10-01 | 上海天诚比集科技有限公司 | 一种视频检测区噪声帧去除方法 |
WO2019223130A1 (zh) * | 2018-05-23 | 2019-11-28 | 平安科技(深圳)有限公司 | 动物健康状态监测方法、设备及存储介质 |
CN110998594A (zh) * | 2017-08-07 | 2020-04-10 | 三菱电机株式会社 | 检测动作的方法和系统 |
CN111062415A (zh) * | 2019-11-12 | 2020-04-24 | 中南大学 | 基于对比差异的目标对象图像提取方法、系统及存储介质 |
CN111149129A (zh) * | 2017-09-21 | 2020-05-12 | 株式会社安德科技术 | 异常检测装置及异常检测方法 |
CN112232126A (zh) * | 2020-09-14 | 2021-01-15 | 广东工业大学 | 一种提高多变场景定位鲁棒性的降维表达方法 |
CN114120180A (zh) * | 2021-11-12 | 2022-03-01 | 北京百度网讯科技有限公司 | 一种时序提名的生成方法、装置、设备及介质 |
-
2007
- 2007-12-19 CN CNA2007101798818A patent/CN101464952A/zh active Pending
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208016A (zh) * | 2010-03-30 | 2011-10-05 | 索尼公司 | 图像处理设备和方法、以及程序 |
CN102236783A (zh) * | 2010-04-29 | 2011-11-09 | 索尼公司 | 检测异常行为的方法和设备及生成检测器的方法和设备 |
CN101883261A (zh) * | 2010-05-26 | 2010-11-10 | 中国科学院自动化研究所 | 大范围监控场景下异常目标检测及接力跟踪的方法及系统 |
CN101883261B (zh) * | 2010-05-26 | 2012-12-12 | 中国科学院自动化研究所 | 大范围监控场景下异常目标检测及接力跟踪的方法及系统 |
CN101872418B (zh) * | 2010-05-28 | 2012-09-12 | 电子科技大学 | 基于群体环境异常行为的检测方法 |
CN101872418A (zh) * | 2010-05-28 | 2010-10-27 | 电子科技大学 | 基于群体环境异常行为的检测方法 |
CN102610054A (zh) * | 2011-01-19 | 2012-07-25 | 上海弘视通信技术有限公司 | 基于视频的起身检测系统 |
WO2012145909A1 (zh) * | 2011-04-28 | 2012-11-01 | 中国科学院自动化研究所 | 基于图像色度的彩色数字图像篡改检测方法 |
CN102609934B (zh) * | 2011-12-22 | 2014-04-23 | 中国科学院自动化研究所 | 一种基于深度图像的多目标分割和跟踪方法 |
CN102609934A (zh) * | 2011-12-22 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于深度图像的多目标分割和跟踪方法 |
CN102799873A (zh) * | 2012-07-23 | 2012-11-28 | 青岛科技大学 | 一种人体异常行为识别方法 |
CN102938070B (zh) * | 2012-09-11 | 2016-05-18 | 广西科技大学 | 一种基于动作子空间与权重化行为识别模型的行为识别方法 |
CN102938070A (zh) * | 2012-09-11 | 2013-02-20 | 广西工学院 | 一种基于动作子空间与权重化行为识别模型的行为识别方法 |
CN103049746A (zh) * | 2012-12-30 | 2013-04-17 | 信帧电子技术(北京)有限公司 | 基于面部识别的检测打架行为的方法 |
CN103049746B (zh) * | 2012-12-30 | 2015-07-29 | 信帧电子技术(北京)有限公司 | 基于面部识别的检测打架行为的方法 |
CN103024419A (zh) * | 2012-12-31 | 2013-04-03 | 青岛海信信芯科技有限公司 | 一种视频图像处理方法及系统 |
CN103186775A (zh) * | 2013-03-27 | 2013-07-03 | 西安电子科技大学 | 基于混合描述子的人体运动识别方法 |
CN103186775B (zh) * | 2013-03-27 | 2016-01-20 | 西安电子科技大学 | 基于混合描述子的人体运动识别方法 |
CN103208003A (zh) * | 2013-04-12 | 2013-07-17 | 大连理工大学 | 一种基于几何图形特征点形状描述子的方法 |
CN103248878A (zh) * | 2013-05-23 | 2013-08-14 | 南车株洲电力机车有限公司 | 一种综采工作面异常状况的模式识别方法、装置与系统 |
CN103248878B (zh) * | 2013-05-23 | 2016-03-09 | 南车株洲电力机车有限公司 | 一种综采工作面异常状况的模式识别方法、装置与系统 |
CN106073792A (zh) * | 2016-06-08 | 2016-11-09 | 惠州学院 | 一种人体运动姿势分析系统 |
CN110998594B (zh) * | 2017-08-07 | 2024-04-09 | 三菱电机株式会社 | 检测动作的方法和系统 |
CN110998594A (zh) * | 2017-08-07 | 2020-04-10 | 三菱电机株式会社 | 检测动作的方法和系统 |
CN111149129A (zh) * | 2017-09-21 | 2020-05-12 | 株式会社安德科技术 | 异常检测装置及异常检测方法 |
US11164025B2 (en) | 2017-11-24 | 2021-11-02 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method of handwritten character recognition confirmation |
WO2019101338A1 (en) * | 2017-11-24 | 2019-05-31 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method of handwritten character recognition confirmation |
CN109993031A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种畜力车目标违章行驶行为检测方法、装置及相机 |
CN109993031B (zh) * | 2017-12-29 | 2021-07-20 | 杭州海康威视数字技术股份有限公司 | 一种畜力车目标违章行驶行为检测方法、装置及相机 |
CN108460364A (zh) * | 2018-03-27 | 2018-08-28 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108460364B (zh) * | 2018-03-27 | 2022-03-11 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
WO2019223130A1 (zh) * | 2018-05-23 | 2019-11-28 | 平安科技(深圳)有限公司 | 动物健康状态监测方法、设备及存储介质 |
CN109492654A (zh) * | 2018-12-25 | 2019-03-19 | 中国科学院长春光学精密机械与物理研究所 | 一种室内窥视摄像头的检测方法及装置 |
CN109492654B (zh) * | 2018-12-25 | 2021-02-12 | 中国科学院长春光学精密机械与物理研究所 | 一种室内窥视摄像头的检测方法及装置 |
CN109686032A (zh) * | 2019-01-17 | 2019-04-26 | 厦门大学 | 一种水产养殖生物防盗监测方法及系统 |
CN109686032B (zh) * | 2019-01-17 | 2021-03-02 | 厦门大学 | 一种水产养殖生物防盗监测方法及系统 |
CN110300241B (zh) * | 2019-08-05 | 2021-09-17 | 上海天诚比集科技有限公司 | 一种视频检测区噪声帧去除方法 |
CN110300241A (zh) * | 2019-08-05 | 2019-10-01 | 上海天诚比集科技有限公司 | 一种视频检测区噪声帧去除方法 |
CN111062415A (zh) * | 2019-11-12 | 2020-04-24 | 中南大学 | 基于对比差异的目标对象图像提取方法、系统及存储介质 |
CN112232126A (zh) * | 2020-09-14 | 2021-01-15 | 广东工业大学 | 一种提高多变场景定位鲁棒性的降维表达方法 |
CN112232126B (zh) * | 2020-09-14 | 2023-08-25 | 广东工业大学 | 一种提高多变场景定位鲁棒性的降维表达方法 |
CN114120180A (zh) * | 2021-11-12 | 2022-03-01 | 北京百度网讯科技有限公司 | 一种时序提名的生成方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101464952A (zh) | 基于轮廓的异常行为识别方法 | |
Huttunen et al. | Car type recognition with deep neural networks | |
Choi et al. | What are they doing?: Collective activity classification using spatio-temporal relationship among people | |
Enzweiler et al. | Monocular pedestrian detection: Survey and experiments | |
Zhu et al. | Fusing spatiotemporal features and joints for 3d action recognition | |
Ryoo et al. | An overview of contest on semantic description of human activities (sdha) 2010 | |
CN101226597B (zh) | 一种基于热红外步态的夜间行人识别方法及系统 | |
Sidenbladh | Detecting human motion with support vector machines | |
CN101719216B (zh) | 基于模板匹配的运动人体异常行为识别方法 | |
CN102043967B (zh) | 一种有效的运动目标行为建模与识别方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
Ogale | A survey of techniques for human detection from video | |
US20160042227A1 (en) | System and method for determining view invariant spatial-temporal descriptors for motion detection and analysis | |
CN100589117C (zh) | 一种基于步态的性别识别方法 | |
CN103886089B (zh) | 基于学习的行车记录视频浓缩方法 | |
CN103593679A (zh) | 一种基于在线机器学习的视觉人手跟踪方法 | |
CN113269091A (zh) | 一种面向智慧园区的人员轨迹分析方法、设备及介质 | |
Kushwaha et al. | Human activity recognition algorithm in video sequences based on integration of magnitude and orientation information of optical flow | |
Yang et al. | Human action detection by boosting efficient motion features | |
Feng et al. | A benchmark dataset and multi-scale attention network for semantic traffic light detection | |
CN115908493A (zh) | 一种小区人员轨迹管理与展示方法及其系统 | |
Lassoued et al. | An efficient approach for video action classification based on 3D Zernike moments | |
Lu et al. | A robust tracking architecture using tracking failure detection in Siamese trackers | |
Kumaran et al. | Multiple action recognition for human object with motion video sequence using the properties of HSV color space applying with region of interest | |
Wu | Template-based action recognition: classifying hockey players’ movement |
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: 20090624 |