CN102799863B - 视频监控中的团体人群异常行为检测方法 - Google Patents
视频监控中的团体人群异常行为检测方法 Download PDFInfo
- Publication number
- CN102799863B CN102799863B CN201210223375.5A CN201210223375A CN102799863B CN 102799863 B CN102799863 B CN 102799863B CN 201210223375 A CN201210223375 A CN 201210223375A CN 102799863 B CN102799863 B CN 102799863B
- Authority
- CN
- China
- Prior art keywords
- video
- crowd
- group
- particle
- target
- 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 - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 238000009792 diffusion process Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 230000018199 S phase Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明提供了一种基于视频监控中的团体人群异常行为检测方法，包括步骤如下：视频目标检测：通过相继帧中的边缘信息差异检测得到视频对象，和通过前景帧与背景帧的帧差得到运动变化的视频对象，结合两种视频对象检测结果得到相对精确的运动目标；视频目标跟踪：通过基于视频粒子的长周期的运动估计方法，对目标进行跟踪得到相应的运动轨迹；团体人群检测：通过团体人群在视频中的运动特性，对轨迹间距离，行进速度信息进行谱聚类分析；人群异常行为识别：使用MGHMM模型对人群轨迹建立模型，通过正常轨迹的突然变化来进行堵塞和跌倒的识别。本发明集成了人群目标检测、人群目标跟踪、模式识别、机器学习方面的技术。
Description
技术领域
本发明涉及一种人群异常行为的检测方法，具体是一种基于视频监控分析的团体人群异常行为检测方法，属于视频监控应用和技术集成领域。
背景技术
尽管当前的智能监控系统对人群识别在近些年受到一些关注，但大多数的研究都集中在确定一个小的空间区域（已经在人群计算及跟踪范例中计算）中人的数目。对人群行为分析相对来说研究较少，更很少有相关的能解决在中等密度或者称小团体层面的人群检测跟踪研究。
用于人群智能监控系统由四个主要的部分组成：人群检测、人群跟踪和人群分类和人群异常行为识别。由于后续的分类识别过程非常依赖于准确的目标跟踪，正确的检测和跟踪目标是很重要的。目前，视频中人群目标识别借鉴了静止图像目标识别的方法，也有一些视频人群目标识别系统应用了基于学习模型的方法以期获得较好的检测跟踪效果。然而，在运动人群中存在着人群的动态移动问题，遮挡或局部聚集问题，环境干扰问题等都会影响着人群目标识别系统的有效运行。
而且，据N. R. Johnson、C. McPhail等研究指出，在社会人群中一个事件的发生有89%情况下不止有一个人存在，而52%的情况有不下于2个人，32%有至少3个人存在。所以本发明提出的通过识别小团体人群的方法为进一步人群异常行为识别提供了一种新的方法。
发明内容
为了解决现有技术中存在的在运动人群中存在着人群的动态移动问题，遮挡或局部聚集问题，环境干扰等影响着人群目标识别系统的问题，本发明提供了一种基于视频监控中的团体人群异常行为检测方法，包括步骤如下：
（1）视频目标检测：通过相继帧中的边缘信息差异检测得到视频对象，和通过前景帧与背景帧的帧差得到运动变化的视频对象，结合两种视频对象检测结果得到相对精确的运动目标；
（2）视频目标跟踪：通过基于视频粒子的长周期的运动估计方法，对目标进行跟踪得到相应的运动轨迹；
（3）团体人群检测：通过团体人群在视频中的运动特性，对轨迹间距离，行进速度信息进行谱聚类分析；
（4）人群异常行为识别：使用MGHMM模型对人群轨迹建立模型，通过正常轨迹的突然变化来进行堵塞和跌倒的识别。
进一步的，所述通过相继帧中的边缘信息差异检测得到视频对象包括Canny边缘求取，运动边缘求取，运动目标的获取这三个步骤。
进一步的，在人群区域中，存在两个或更多的粒子的相似性在一定的时间长度中保持一定的相似性，就可判断它们是属于同一群体。
进一步的，MGHMM模型的参数是 ，是状态的初始概率，（是状态转移概率，是混合系数，是均值向量，是高斯模型在状态的协方差矩阵。
进一步的，通过比较由MGHMM得到的观察值的似然值和监测阈值的大小，对正常和异常事件进行分类。
本发明集成了人群目标检测、人群目标跟踪、模式识别、机器学习方面的技术，提供了一种基于视频内容分析的团体人群异常行为检测方法。本发明结合前背景帧和相继帧的运动检测，以检测运动人群目标，通过长周期的运动估计的粒子视频技术做人群跟踪，然后通过团体人群的在视频中的特性，对轨迹间距离，行进速度等信息进行自适应谱聚类分析，分类得到团体人群，最后学习模型对人群异常行为进行有效识别。
1．人群目标检测，通过相继帧中的运动检测得到运动的视频对象，通过前景帧与背景帧的帧差得到不属于背景的视频对象，融合两种视频目标检测的结果得到更加准确的人群对象。
2.人群目标跟踪，结合基于粒子视频技术的长周期运动估计对得到的人群区域的进行目标跟踪，得到相应的运动轨迹。
3.人群分类，在一些公共场所，行人通常会因一些相同的运动特性从而形成了人群，小团体人群通过对轨迹间距离，行进速度等信息进行谱聚类分析而得到。
4.人群行为识别，学习模型对人群行为进行有效识别。
所述的人群目标检测：
人群目标检测由两种不同但能做有效补充的方法结合：通过相继帧中的运动边缘检测得到人群；通过前景帧与背景帧的帧差得到不属于背景的目标人群。
相继帧中的运动检测利用了运动边缘特征，主要的过程有Canny边缘求取，运动边缘求取，运动目标的获取。
Canny边缘求取的过程是首先对图像做高斯卷积平滑，接着运用梯度值非最大值压抑细化边缘，最后用滞后的阀值将与强边缘相连的弱边缘加入边缘图像。
运动边缘的求取过程是对相继的两帧视频图像的边缘图像做差，以消除静止场景的影响。设相继的两帧图像分别为fn和fn-1，则运动边缘可以定义为：
|φ（fn-1）-φ（fn）| = |θ（▽G*fn-1）-θ（▽G*fn）|
其中G是高斯算子，*是卷积，▽是梯度算子，θ是canny的边缘检测算子。
在得到的运动边缘图像中，运动的物体可以留下一个基本上封闭的边缘线，对得到的封闭区域做形态学处理，可以得到基于相继帧的视频对象检测结果。
通过比较输入的图像（前景帧）与无任何目标物体的参考帧（背景帧），可以得到两帧图像的差别，这种差别所在的区域包括所有的与背景帧颜色不同的区域，既包括运动的物体，也包括静止的物体。选取当前每个象素的背景模型中权重最大的高斯分布的均值作为被维护的背景。
前景帧与背景帧的差别需要通过象素的颜色差别算出。相比RGB、YUV等颜色空间，HSV计算象素颜色差别更为合适。设两个象素的HSV值分别是（H1,S1,V1），（H2,S2,V2）。考虑到HSV空间的特点，这里采用的颜色差别的判别公式为：
|（H1-H2）|*|（S1-S2）| > Thhs or |V1-V2| > Thv
其中Thhs和Thv是相应的阀值。
两种视频对象分割结果的融合。通过将相继帧和前背景帧运动检测得到的区域求交集，然后做数学形态学处理，可以得到两种视频对象分割结果的融合。
所述的人群目标跟踪：
对于融合后得到的运动人群分割结果，用视频粒子运动估计技术进行人群运动的跟踪，跟踪结果是则是由一系列的粒子轨迹表现出来。针对每个粒子，它们则是由在起始帧中运动区域等间隔的采样获得的点，依靠着5个图像通道（图像灰度值，绿色分量与红色分量的差值，绿色分量与蓝色分量的差值，方向上的梯度，方向上的梯度）的点匹配，对粒子随时间变化的位置进行标记定位，且在这个视频序列中，每个粒子都有自己的起始帧和结束帧。对于每个处理帧，粒子视频流的产生应包含以下三个过程，如图2所示，其中图中圆形表示粒子，箭头表示扩散，曲线表示粒子之间的联接。
粒子扩散：相邻帧的粒子根据流场的运动会扩散到当前帧
粒子联接：联接粒子间的对应关系
粒子优化：更新优化粒子的位置,剔除优化后高误差的粒子
团体人群检测
通过对正常团体人群视觉感知以及McPhail 和 Wohlstein相关研究，得出这样的推断：在人群区域中，要是存在两个或更多的粒子的相似性在一定的时间长度中保持一定的相似性，就可判断它们是属于同一群体，也就可判断所跟踪的人群属于同一群体。对于是否是具有相似运动规律的团体人群的检测，本发明采用的方法是对粒子相似性进行分析，而不是传统的严格对人群个体进行分析，因为在有一定人群密度的群体中遮挡问题严重使得对个体研究显得异常困难。
在粒子相似性中，主要包含有空间距离s和运动速度v，还有颜色、梯度、光照等粒子通道信息c构成，通过对各个权值系数w的调整获得所期的相似度表现：
这里代表粒子间共同存在视频帧的时间长度，表示两个比较粒子中，存在时间长的粒子帧的时间长度。
对获得相似性参数用谱聚类方式进行有效分类。面对这些复杂轨迹信息，谱聚类方式体现出来的对不规则的误差数据不那么敏感，维度高的数据上运行复杂度低的优点都能够体现。
人群异常行为识别：
由于阻塞和跌倒会导致正常人群的轨迹发生变化，我们使用HMM模型来可以对人群中的阻塞和跌倒进行识别，HMM是一种对时间序列数据进行处理的很好的工具。为了表示轨迹的时空变化，我们使用一个带有混合高斯模型的HMM即MGHMM。MGHMM模型的参数是，是状态的初始概率，（是状态转移概率，是混合系数，是均值向量，是高斯模型在状态的协方差矩阵。
通过几类视频片段来训练MGHMM得到每类的模型，选择合适的观察值的似然值作为正常事件的阈值。对于一个新的视频序列，通过比较由MGHMM得到的观察值的似然值和监测阈值的大小，对正常和异常事件进行分类。例如对第n个测试视频片段来说，如果在M状态下W发生的概率值 ，则会被认为是异常。
本发明通过结合前背景帧和相继帧的运动目标检测，通过视频粒子运动估计技术进行人群运动的跟踪，能较为稳定的将视场中的运动人群目标检测出来并进行有效的跟踪，很大程度上能自动适应以下的特定背景变化：1）光照条件的变化；2）人群运动状态的变化，如停止，遮挡等；3）摄像头自身条件的变化：如外力造成的镜头轻微晃动
本发明依照人群视觉感知以及McPhail 和 Wohlstein相关研究，通过跟踪粒子的相似性分析，能够简单并且有效的获得团体人群分类为进一步人群异常检测提供可靠支持。
附图说明
图1是本发明的视频监控中的团体人群异常行为检测方法的流程框图；
图2是粒子视频流的产生示意图。
具体实施方式
以下结合附图对本发明的方法作进一步的说明。
如图1所示，本发明的视频监控中的团体人群异常行为检测方法可分为人群检测、人群目标跟踪、团体人群分类、人群异常行为识别四个步骤，其中每个步骤又可分成多个小步骤。
Canny边缘求取
Canny边缘求取的过程是首先对图像做高斯卷积平滑，接着运用梯度值非最大值压抑细化边缘，最后用滞后的阀值将与强边缘相连的弱边缘加入边缘图像。
运动边缘求取
运动边缘的求取过程是对相继的两帧视频图像的边缘图像做差，以消除静止场景的影响。
背景帧维护
背景帧维护采取高斯分布阵列的方法，选取当前每个象素的背景模型中权重最大的高斯分布的均值作为被维护的背景。
在维护背景帧时，不更新下面提到的系统维护的视频对象所在的区域。
帧差目标求取
对前景帧和背景帧对应的象素点根据颜色差别判断是否是帧差点。由于相机有随机噪声，帧差图像上会出现细小的噪声点，通过数学形态学中的开运算，可以消除这些噪声点。
分割结果融合
通过将相继帧和前背景帧运动检测得到的区域求交集，然后做数学形态学处理，可以得到两种视频对象分割结果的融合。
人群目标跟踪通过如下实现：
粒子扩散
粒子通过光流场从相邻帧中扩散到给定帧中，粒子从第帧扩散第帧可以使用光流场表示：
（2-18）
从第帧扩赛到第帧也类似，如果光流场预示该粒子将会被遮挡，则此粒子将不进行扩散。
粒子联接
为了量化粒子相对运动，采用约束Delaunay三角形来创建粒子间的联接，（联接每个粒子与其最近的同一方向的N个邻域粒子）。当粒子扩散时，粒子联接不断的消失与更新，可以减少时间上的变异性。
粒子优化
粒子视频算法的核心是粒子优化过程，优化过程就是在粒子扩散后对粒子位置的重新修正，从而减少长时间段扩散带来的漂移问题。优化过程的实质就是最小化一个目标函数，该目标函数包含数据项和变形项。该目标函数跟变分光流的目标函数有些类似，但是与之不同的是，我们仅对粒子进行操作，而不是所有的像素点。
第帧粒子的能量为：
其中表示图像的通道。表示帧时刻与粒子相联接的所有粒子。通过对和两部分权重取舍，在权值因子最能合理优化粒子过程。
在完成粒子优化之后，剔除掉那些高能量值的粒子。因为这些粒子具有很高的形变或者是外观误配，预示着它处于遮挡部分。为第帧粒子的目标能量。为了减轻其中某一误差帧对结果的影响，我们对每个粒子能量值进行高斯滤波。如果在某一帧中，滤波后的粒子能量值高于给定阈值，则将该粒子从该帧中剔除。
粒子间相似度计算
对粒子相似性进行计算，空间距离s和运动速度v，还有颜色、梯度、光照等粒子通道信息c构成相似度Sij值：
这里代表粒子间共同存在视频帧的时间长度，表示两个比较粒子中，存在时间长的粒子帧的时间长度。
谱聚类分析
对粒子间相似度数据点相似度构建起亲合矩阵,计算矩阵的特征值和特征向量，然后选择合适的相似度区分阈值对获得的特征向量进行聚类，不同类粒子代表不同运动特性的运动团体人群。
混合高斯模型的HMM学习模型建立
使用一个带有混合高斯模型的HMM即MGHMM对人群中的阻塞和跌倒进行识别。通过几类视频片段来训练MGHMM得到每类的模型，选择合适的观察值的似然值作为正常事件的阈值。对于一个新的视频序列，通过比较由MGHMM得到的观察值的似然值和监测阈值的大小，对正常和异常事件进行分类。
Claims (4)
1.一种基于视频监控中的团体人群异常行为检测方法，包括步骤如下：
（1）视频目标检测：通过相继帧中的边缘信息差异检测得到视频对象，和通过前景帧与背景帧的帧差得到运动变化的视频对象，结合两种视频对象检测结果得到相对精确的运动目标；
（2）视频目标跟踪：通过基于视频粒子的长周期的运动估计方法，对目标进行跟踪得到相应的运动轨迹；
（3）团体人群检测：通过团体人群在视频中的运动特性，对轨迹间距离，行进速度信息进行谱聚类分析；
（4）人群异常行为识别：使用MGHMM模型对人群轨迹建立模型，通过正常轨迹的突然变化来进行堵塞和跌倒的识别；
所述MGHMM模型的参数是 ，是状态的初始概率，是状态转移概率，其中，是混合系数，是均值向量，是高斯模型在状态的协方差矩阵。
2.如权利要求1所述的一种基于视频监控中的团体人群异常行为检测方法，其特征在于：所述通过相继帧中的边缘信息差异检测得到视频对象包括Canny边缘求取，运动边缘求取，运动目标的获取这三个步骤。
3.如权利要求1所述的一种基于视频监控中的团体人群异常行为检测方法，其特征在于：在人群区域中，存在两个或更多的粒子的相似性在一定的时间长度中保持一定的相似性，就可判断它们是属于同一群体。
4.如权利要求1所述的一种基于视频监控中的团体人群异常行为检测方法，其特征在于：通过比较由MGHMM得到的观察值的似然值和监测阈值的大小，对正常和异常事件进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210223375.5A CN102799863B (zh) | 2012-07-02 | 2012-07-02 | 视频监控中的团体人群异常行为检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210223375.5A CN102799863B (zh) | 2012-07-02 | 2012-07-02 | 视频监控中的团体人群异常行为检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102799863A CN102799863A (zh) | 2012-11-28 |
| CN102799863B true CN102799863B (zh) | 2014-12-17 |
Family
ID=47198963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210223375.5A Expired - Fee Related CN102799863B (zh) | 2012-07-02 | 2012-07-02 | 视频监控中的团体人群异常行为检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102799863B (zh) |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065158B (zh) * | 2012-12-28 | 2016-05-18 | 电子科技大学 | 基于相对梯度的isa模型的行为识别方法 |
| CN104063740B (zh) * | 2013-03-21 | 2017-11-17 | 日电（中国）有限公司 | 办公室实体组识别系统、方法及装置 |
| CN103258193B (zh) * | 2013-05-21 | 2016-06-22 | 西南科技大学 | 一种基于kod能量特征的群体异常行为识别方法 |
| CN103488993B (zh) * | 2013-09-22 | 2016-09-07 | 北京联合大学 | 一种基于fast的人群异常行为识别方法 |
| CN103593646A (zh) * | 2013-10-16 | 2014-02-19 | 中国计量学院 | 一种基于微行为分析的密集人群异常行为检测方法 |
| CN103577804B (zh) * | 2013-10-21 | 2017-01-04 | 中国计量学院 | 基于sift流和隐条件随机场的人群异常行为识别方法 |
| CN103699874B (zh) * | 2013-10-28 | 2017-04-12 | 中国计量学院 | 基于surf流和lle稀疏表示的人群异常行为识别方法 |
| CN103544503B (zh) * | 2013-11-14 | 2016-09-21 | 中国科学院自动化研究所 | 一种基于多实例马尔科夫模型的行为识别方法 |
| CN103761746A (zh) * | 2013-12-25 | 2014-04-30 | 浙江慧谷信息技术有限公司 | 基于感兴趣区域相似性特征和根据极值选取参考帧的周期行为的检测方法 |
| CN105096406A (zh) | 2014-04-30 | 2015-11-25 | 开利公司 | 用于建筑能耗设备的视频分析系统和智能楼宇管理系统 |
| CN104392445B (zh) * | 2014-11-21 | 2017-10-31 | 中国计量学院 | 一种监控视频中人群小群体分割方法 |
| CN104504400B (zh) * | 2015-01-08 | 2018-07-17 | 中国科学院重庆绿色智能技术研究院 | 一种基于在线行为建模的驾驶员异常行为检测方法 |
| CN106157325B (zh) * | 2015-04-07 | 2020-10-27 | 中国科学院深圳先进技术研究院 | 群体异常行为检测方法及系统 |
| CN106157326B (zh) * | 2015-04-07 | 2020-10-27 | 中国科学院深圳先进技术研究院 | 群体异常行为检测方法及系统 |
| CN106156705B (zh) * | 2015-04-07 | 2020-08-25 | 中国科学院深圳先进技术研究院 | 一种行人异常行为检测方法及系统 |
| CN105138982A (zh) * | 2015-08-21 | 2015-12-09 | 中南大学 | 一种基于多特征聚类及分类的人群异常检测与评估方法 |
| CN106203357A (zh) * | 2016-07-11 | 2016-12-07 | 浙江宇视科技有限公司 | 一种人员聚集的检测方法和装置 |
| CN106407889B (zh) * | 2016-08-26 | 2020-08-04 | 上海交通大学 | 基于光流图深度学习模型在视频中人体交互动作识别方法 |
| CN106874885B (zh) * | 2017-03-03 | 2020-10-16 | 燕山大学 | 一种基于能级分布变化的人群异常检测方法 |
| CN107230226A (zh) * | 2017-05-15 | 2017-10-03 | 深圳奥比中光科技有限公司 | 人体关联关系的判断方法、装置及存储装置 |
| CN107239744B (zh) * | 2017-05-15 | 2020-12-18 | 深圳奥比中光科技有限公司 | 人体关联关系的监控方法、系统及存储装置 |
| US10972860B2 (en) | 2017-05-25 | 2021-04-06 | International Business Machines Corporation | Responding to changes in social traffic in a geofenced area |
| CN107481260A (zh) * | 2017-06-22 | 2017-12-15 | 深圳市深网视界科技有限公司 | 一种区域人群滞留检测方法、装置和存储介质 |
| CN108038869B (zh) * | 2017-11-20 | 2020-03-27 | 江苏省特种设备安全监督检验研究院 | 一种电梯轿厢内乘客倒地行为检测方法 |
| CN108596045B (zh) * | 2018-04-02 | 2021-08-20 | 四川大学 | 一种基于空中监控平台的群体异常行为检测方法 |
| CN109766834B (zh) * | 2019-01-10 | 2021-07-27 | 成都师范学院 | 一种基于粒子流的人群疏散方法 |
| CN111753587B (zh) * | 2019-03-28 | 2023-09-29 | 杭州海康威视数字技术股份有限公司 | 一种倒地检测方法及装置 |
| CN110595602B (zh) * | 2019-04-26 | 2021-10-15 | 深圳市豪视智能科技有限公司 | 振动检测方法及相关产品 |
| CN110532916B (zh) * | 2019-08-20 | 2022-11-04 | 北京地平线机器人技术研发有限公司 | 一种运动轨迹确定方法及装置 |
| CN111160150A (zh) * | 2019-12-16 | 2020-05-15 | 盐城吉大智能终端产业研究院有限公司 | 基于深度残差神经网络卷积的视频监控人群行为的识别方法 |
| CN111259781B (zh) * | 2020-01-14 | 2023-07-28 | 网易（杭州）网络有限公司 | 视频分类方法及装置、存储介质和电子设备 |
| CN113468931B (zh) * | 2020-03-31 | 2022-04-29 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN112906456B (zh) * | 2020-12-29 | 2024-02-27 | 周口师范学院 | 一种基于帧间特征的人群异常行为检测方法及系统 |
| CN113011367B (zh) * | 2021-03-31 | 2023-08-29 | 广州大学 | 一种基于目标轨迹的异常行为分析方法 |
| CN113740848B (zh) * | 2021-09-30 | 2023-11-17 | 中科芯集成电路有限公司 | 一种基于毫米波雷达的独居老人追踪式跌倒检测装置 |
| CN117351405B (zh) * | 2023-12-06 | 2024-02-13 | 江西珉轩智能科技有限公司 | 一种人群行为分析系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI348659B (en) * | 2007-10-29 | 2011-09-11 | Ind Tech Res Inst | Method and system for object detection and tracking |
| CN101719216B (zh) * | 2009-12-21 | 2012-01-04 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
-
2012
- 2012-07-02 CN CN201210223375.5A patent/CN102799863B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN102799863A (zh) | 2012-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102799863B (zh) | 视频监控中的团体人群异常行为检测方法 | |
| CN110516609B (zh) | 一种基于图像多特征融合的火灾视频检测及预警方法 | |
| Marsden et al. | Holistic features for real-time crowd behaviour anomaly detection | |
| Zhao et al. | SVM based forest fire detection using static and dynamic features | |
| CN100589561C (zh) | 基于视频内容分析的可疑静止物检测方法 | |
| US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
| Sanin et al. | Improved shadow removal for robust person tracking in surveillance scenarios | |
| CN108647649B (zh) | 一种视频中异常行为的检测方法 | |
| CN103927520A (zh) | 一种逆光环境下人脸检测方法 | |
| Zang et al. | Robust background subtraction and maintenance | |
| US20130176430A1 (en) | Context aware moving object detection | |
| CN107491749B (zh) | 一种人群场景中全局和局部异常行为检测方法 | |
| CN111369596B (zh) | 一种基于视频监控的手扶电梯客流量统计方法 | |
| Cui et al. | Abnormal event detection in traffic video surveillance based on local features | |
| CN102890791A (zh) | 基于深度信息聚类的复杂场景人数统计方法 | |
| Xia et al. | Automatic multi-vehicle tracking using video cameras: An improved CAMShift approach | |
| Hardas et al. | Moving object detection using background subtraction shadow removal and post processing | |
| CN104200455A (zh) | 一种基于运动统计特征分析的关键姿态提取方法 | |
| Wahyuni et al. | People counting for indoor monitoring | |
| Cristani et al. | A spatial sampling mechanism for effective background subtraction. | |
| Alavianmehr et al. | Video foreground detection based on adaptive mixture gaussian model for video surveillance systems | |
| Frejlichowski et al. | Extraction of the foreground regions by means of the adaptive background modelling based on various colour components for a visual surveillance system | |
| Chen et al. | Automatic lane detection from vehicle motion trajectories | |
| Li et al. | Autonomous flame detection in video based on saliency analysis and optical flow | |
| Kovács et al. | Shape-and-motion-fused multiple flying target recognition and tracking |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| C53 | Correction of patent of invention or patent application | ||
| CB02 | Change of applicant information |
Address after: 315470 Zhejiang Province, Yuyao City Simen Town Guangming Road No. 126 Applicant after: China Jiliang University Address before: China Jiliang University Hangzhou 310018 Zhejiang Province Economic and Technological Development Zone Applicant before: China Jiliang University |
|
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 258 Xueyuan street, Xiasha Higher Education Park, Hangzhou City, Zhejiang Province Patentee after: China Jiliang University Address before: 315470 Guangming Road, Simen Town, Yuyao, Zhejiang Province, No. 126 Patentee before: China Jiliang University |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210706 Address after: 313399 Room 308, building 4, Liangshan maker Town, Dipu Town, Anji County, Huzhou City, Zhejiang Province Patentee after: Anji Anrong Intelligent Technology Co.,Ltd. Address before: 258 Xueyuan street, Xiasha Higher Education Park, Hangzhou City, Zhejiang Province Patentee before: China Jiliang University |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141217 Termination date: 20210702 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |