CN103208126B - 一种自然环境下运动物体监测方法 - Google Patents
一种自然环境下运动物体监测方法 Download PDFInfo
- Publication number
- CN103208126B CN103208126B CN201310133321.4A CN201310133321A CN103208126B CN 103208126 B CN103208126 B CN 103208126B CN 201310133321 A CN201310133321 A CN 201310133321A CN 103208126 B CN103208126 B CN 103208126B
- Authority
- CN
- China
- Prior art keywords
- value
- background
- moving object
- pixel
- frame
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种自然环境下运动物体监测方法，该方法基于时空信息融合与特征识别，主要包括背景分析、前景提取、去除阴影、背景更新。其思想是将图像序列均转换为HSV颜色模型，并分析比较各像素点参数在某一时间段内的变化规律，通过判定公式的判定，便可区分出各像素点在某一帧中是属于背景点、运动物体点还是阴影点。本发明针对风、阳光、闪电等自然条件可能带来的影响进行了算法的改进，并能够在光照突变、运动物体静止后融入背景、背景物体转为运动等情况下智能更新背景，适用于自然环境下运动物体的监测。
Description
技术领域
本发明涉及计算机视觉领域的视频或图像序列的处理，具体涉及一种自然环境下运动物体监测方法。
背景技术
视频监控早已广泛应用于交通管理系统和小区、学校、商场等公共场所的安防管理系统中。但是这种传统的视频监控系统需要工作人员持续性地监视和分析场景内的活动，人为地判断场景是否异常，工作量大，费时费力，而且在持续监控的情况下工作人员容易产生视觉疲劳，影响判断的准确可靠性。所以，研究如何利用计算机实现智能化的视频监控是非常有必要的，而运动物体检测技术正是智能视频监控中最为基础且关键的一项技术。
运动物体检测技术最早应用于军事领域，例如美国国防高级研究计划局（DARPA）在1997年资助研制的视频监控重大项目VSAM（VideoSurveillanceandMonitoring）及其在2000年资助的远程人类识别重大项目HID（HumanIdentificationataDistance），均是为了实现未来城市和战场监控，用以保护国防、民用等场合免受恐怖袭击。而随着技术的发展，运动物体检测在交通监控管理、灾难预警等领域也有了广泛的应用。1999年，欧盟信息社会技术IST的Framework5程序委员会设立了视频监控和检索重大项目ADVISOR（AnnotatedDigitalVideoforSurveillanceandOptimizedRetrieval），目标是利用一个监控和检索系统有效地管理城市的公共交通。2003年，德国培兹林业局正式使用FIRE-WATCH森林火灾自动预警系统，能够及时定位森林火灾，防止火灾蔓延。
目前对于运动物体的检测方法主要有三种：光流法、帧间差分法和背景差分法。光流法擅长于摄像机不固定的情况下，从运动场景中检测出运动目标，但是一般光流法计算都很复杂耗时；帧间差分法对光照等场景的变化有很强的适应性，稳定性最好，但是其检测效果对帧间时间间隔有很强的依赖，适用于运动目标的跟踪；背景差分法算法简单，而且检测出的目标信息也最为完整，因此也是应用最多的运动目标检测方法，但是对光照等场景变化极为敏感，适应性差。
针对背景差分法适应性差这一缺点，有学者提出利用背景建模的方法进行改善。Stauffer等人分析了高噪声的复杂背景像素分析特性，发现其满足多个聚类中心，提出采用多个高斯分布来描述像素过程，建立基于混合高斯模型（GaussianMixtureModel,GMM）的背景图像。Zivkovic、Lee等在此基础上又提出了多种改进算法，不但增强了分割效果，也提高了运行效率。
然而，自然环境下的场景更为复杂，而且风、光线等自然条件也会使运动物体检测的准确率受到严重干扰。例如风会吹动物体作微小周期性运动，如树枝摇摆、水面波动等，而阳光会使物体产生阴影，随时间推移，户外的光照也会发生渐变。此外还需要考虑背景物体转为运动，运动物体静止后融入背景，光照突变导致背景变化等种种特殊情况带来的影响。因此，背景建模仍是运动物体检测技术中亟待解决的难题。
发明内容
本发明的发明目的是提供一种自然环境下运动物体监测方法，解决了传统背景建模中存在的噪声多、鲁棒性差、运算复杂等问题，提高了运动物体检测的精度和速度，使其满足智能化的要求。
为达到上述发明目的，本发明采用的技术方案是：一种自然环境下运动物体监测方法，该方法基于时空信息融合与特征识别，具体步骤包括背景分析、前景提取、去除阴影和背景更新；
(1)背景分析
在获取监控视频后，将图像序列均转换为HSV颜色模型，建立以各像素点坐标(x,y)、色调H值、饱和度S值和亮度V值为元素的向量G，则G i (x,y,1)、G i (x,y,2)和G i (x,y,3)分别代表第i帧图像(x,y)处像素点的色调H值、饱和度S值和亮度V值；选取监控视频的前N帧作为训练帧，计算出像素点(x,y)在这N帧内色调H、饱和度S、亮度V三个值各自的均值μ(x,y,c)、标准差σ(x,y,c)，其中c=1、2、3；利用判定公式选取出稳态像素值，
λ为判定系数；并计算出这些稳态像素色调H、饱和度S、亮度V三个值各自的均值μ S (x,y,c)、标准差σ S (x,y,c)、最小值min S (x,y,c)以及最大值max S (x,y,c)，则第一张背景参考图R i (x,y)（i=1时）可由均值μ S (x,y,c)确定，即图像R 1(x,y)中的像素点均为背景点；
(2)前景提取
得到背景参考图后，将当前帧图G i (x,y)与背景参考图R i (x,y)作差分运算，差分结果图采用前景判定公式表示为
，
其中阈值。当且仅当色调H、饱和度S和亮度V三个值的差分结果D i (x,y,c)同时大于各自的阈值Th c 时，该像素点(x,y)为非背景点，保留为原帧图中的像素值；反之即为背景点，用0值（黑色）代替；
所有非背景点的集合即为前景图像，为适应光照随时间的渐变，所有背景点的各参数值需要更新进背景参考图中；更新对象为第i帧各像素点色调H、饱和度S、亮度V三个值各自的均值μ i (x,y,c)、标准差σ i (x,y,c)、最小值min i (x,y,c)以及最大值max i (x,y,c)，具体更新公式表示为
，
其中：α为更新率，各参数的初始值为第一步背景分析中得到的稳态像素点的各个参数值。更新后得到的背景参考图R i (x,y)由均值μ i (x,y,c)确定；
(3)去除阴影
前景提取得到的非背景点中既有运动物体点也有运动物体阴影点，而阴影点对于识别来说是不可取的，需要将其检测出来并去除，以获得真正的运动物体特征；由于被阴影覆盖后的像素点的亮度V值变化较大，但饱和度S值和色调H值变化很小，利用这一特性将阴影点与实际运动物体点区分开来，判定公式表示为
，
其中a、b为亮度阈值，其取值大小与光照条件有关，Th S 为饱和度阈值，Th H 为色调阈值，四个阈值均为经验值，必要时需手动调试；
去除阴影之后，运动物体的检测工作即完成，但为了提高检测的准确程度，还需要针对一些特殊情况下的检测工作进行方法的改进。本发明基于特征识别方法在背景更新这一步进行改进。
(4)背景更新
背景更新包括背景参数实时更新和特殊情况下背景更新；背景参数实时更新同步骤(2)前景提取；特殊情况下背景更新包括光照突变情况下的背景参考图的更新和运动物体静止后融入背景、背景物体转为运动的背景参考图的更新；
光照突变情况下的背景参考图的更新，首先对检测出来前景图像二值化；其次，对二值图像先闭运算，再开运算，再闭运算，利用数学形态学修正来消除噪声及一些细小空洞的影响；最后，进行连通域的判断，所有连通的像素点即为同一个物体上的点，便可得到二值图中运动物体的个数，进而计算出各个物体的质心和面积；当检测出来的运动物体总面积大于图像面积的80%时，即可判定该情况是光照发生了突变；如果这种情况并未持续50帧（即2s），则可认为是闪电等短暂的光照突变，可跳过该帧不进行处理；如果这种情况持续了50帧以上，则需要重新建立一个背景参考图，重建可取从该帧开始的连续N帧进行训练；
运动物体静止后融入背景、背景物体转为运动这类情况下背景参考图的更新，需要从修正后的彩色前景图中提取出运动物体的颜色特征，包括运动物体区域所含各像素点色调H、饱和度S、亮度V值的均值μ c 、标准差σ c 和偏度S c ，即
，
其中：A为彩色前景图中运动物体区域，N为运动物体区域中包含的像素点个数；
建立以物体面积、运动物体区域所含各像素点色调H值、饱和度S值、亮度V值的均值μ c 、标准差σ c 和偏度S c 共10个参量为元素的向量W，则向量W可作为被检测物体的特征向量。如果当前帧的物体特征向量与前一帧物体特征向量的欧式距离小于某一个阈值T1，则认为前后两帧检测出的物体特征相似，可判定并非新物体进入场景；反之可判定有新物体进入场景。如果当前帧物体质心与前一帧物体质心的直线距离小于某一阈值T2，且两物体特征相似，则可认为是运动物体静止了，或者是背景物体转为运动。当这种情况持续了50帧（即2s）以上时，需要重新建立背景参考图，重建可取从该帧开始的连续N帧进行训练。
由于上述技术方案运用，本发明与现有技术相比，具有下列优点：
1.本发明将图像序列均转换为HSV颜色模型，并分析比较各像素点参数在某一时间段内的变化规律，通过判定公式的判定，便可区分出各像素点在某一帧中是属于背景点、运动物体点还是阴影点。这样不但可以快速准确地检测出自然环境下运动的物体，而且能够较好地消除风、阳光等自然条件带来的影响。
2.本发明通过检验运动物体总面积是否大于图像总面积的80%来判断是否发生了光照突变，算法简单快捷有效；而且根据这种情况的持续时间，决定是否进行背景参考图的更新，极大地降低了光线变化对运动物体检测的影响。
3.本发明将检测出的前景图二值化后提取出其形状特征，再从原来的彩色前景图中提取出运动物体的HSV颜色特征，利用形状特征与颜色特征建立每一帧检测出来的每一个运动物体的特征向量。如果当前帧的物体特征向量与前一帧物体特征向量的欧式距离小于某一个阈值T 1，则认为前后两帧检测出的物体特征相似。如果当前帧物体质心与前一帧物体质心的直线距离小于某一阈值T 2，且两物体特征相似，则可认为是运动物体静止了，或者是背景物体转为运动。根据这种情况的持续时间，决定是否进行背景参考图的更新，有效地降低了运动物体静止后融入背景、背景物体转为运动这类情况对运动物体检测的影响。
附图说明
图1是本发明运动物体检测基本流程框图；
图2是本发明运动物体检测具体方法流程框图；
图3是本发明实施例中第50帧图像；
图4是本发明实施例中建立的第一张背景参考图；
图5是本发明实施例中检测出来的第50帧的前景图；
图6是将图5中的阴影去除后的效果图；
图7是对图6二值化后的效果图；
图8是对图7进行数学形态学修正后的效果图；
图9是修正后的彩色图像；
图10与图11是本发明实施例中检测出来的特征匹配的两个前景图；
图12是本发明实施例中背景更新重建后的背景参考图像。
具体实施方式
下面结合附图与一个实施例对本发明作进一步描述。
实施例1：
图2是本发明运动物体检测具体算法流程框图。
一种自然环境下运动物体监测方法，该方法法基于时空信息融合与特征识别，具体步骤包括背景分析，前景检提取，去除阴影，背景更新。
(1)背景分析
在获取监控视频后，将图像序列均转换为HSV颜色模型，建立以各像素点坐标(x,y)、色调H值、饱和度S值和亮度V值为元素的向量G，则G i (x,y,1)、G i (x,y,2)和G i (x,y,3)分别代表第i帧图像(x,y)处像素点的色调H值、饱和度S值和亮度V值。选取监控视频的前N帧作为训练帧，计算出像素点(x,y)在这N帧内色调H、饱和度S、亮度V三个值各自的均值μ(x,y,c)、标准差σ(x,y,c)，其中c=1、2、3；利用判定公式
（λ为判定系数）选取出稳态像素值，并计算出这些稳态像素色调H、饱和度S、亮度V三个值各自的均值μ S (x,y,c)、标准差σ S (x,y,c)、最小值min S (x,y,c)以及最大值max S (x,y,c)，则第一张背景参考图R i (x,y)（i=1时）可由均值μ S (x,y,c)确定，即图像R 1(x,y)中的像素点均为背景点，如图4所示；
(2)前景提取
得到背景参考图后，将当前帧图G i (x,y)与背景参考图R i (x,y)作差分运算，差分结果图。前景判定公式表示为
，
其中阈值。当且仅当色调H、饱和度S和亮度V三个值的差分结果D i (x,y,c)同时大于各自的阈值Th c 时，该像素点(x,y)为非背景点，保留为原帧图中的像素值；反之即为背景点，用0值（黑色）代替，如图5所示。
所有非背景点的集合即为前景图像，而为了适应光照随时间的渐变，所有背景点的各参数值需要更新进背景参考图中。更新对象为第i帧各像素点色调H、饱和度S、亮度V三个值各自的均值μ i (x,y,c)、标准差σ i (x,y,c)、最小值min i (x,y,c)以及最大值max i (x,y,c)，具体更新公式表示为
，
其中α为更新率，各参数的初始值为第一步背景分析中得到的稳态像素点的各个参数值。更新后得到的背景参考图R i (x,y)由均值μ i (x,y,c)确定。
(3)去除阴影
前景提取得到的非背景点中既有运动物体点也有运动物体阴影点，而阴影点对于识别来说是不可取的，因此需要将其检测出来并去除，以获得真正的运动物体特征。由于被阴影覆盖后的像素点的亮度（V值）变化较大但是饱和度（S值）和色调（H值）变化很小，利用这一特性将阴影点与实际运动物体点区分开来，判定公式表示为
，
其中a、b为亮度阈值，其取值大小与光照条件有关，Th S 为饱和度阈值，Th H 为色调阈值，四个阈值均为经验值，必要时需手动调试。图6是将图5中的阴影去除后的效果图。
去除阴影之后，运动物体的检测工作也就完成了，但为了提高检测的准确程度，还需要针对一些特殊情况下的检测工作进行方法的改进。本发明基于特征识别方法在背景更新这一步进行改进。
(4)背景更新
背景更新包括背景参数实时更新和光照突变、运动物体静止后融入背景、背景物体转为运动等特殊情况下背景的更新。背景参数实时更新在第二步前景提取中已经进行说明；而特殊情况下背景的更新包括光照突变这类情况的背景参考图的更新和运动物体静止后融入背景、背景物体转为运动这类情况的背景参考图的更新。
光照突变情况下的背景参考图的更新需要首先对检测出来前景图像二值化，如图7所示；其次，对二值图像先闭运算，再开运算，再闭运算，利用数学形态学修正来消除噪声及一些细小空洞的影响，如图8所示；最后，进行连通域的判断，所有连通的像素点即为同一个物体上的点，这样便可得到二值图中运动物体的个数，进而计算出各个物体的质心和面积。当检测出来的运动物体总面积大于图像面积的80%时，即可判定该情况是光照发生了突变。如果这种情况并未持续50帧（即2s），则可认为是闪电等短暂的光照突变，可跳过该帧不进行处理；如果这种情况持续了50帧以上，则需要重新建立一个背景参考图，重建可取从该帧开始的连续N帧进行训练。
运动物体静止后融入背景、背景物体转为运动这类情况下背景参考图的更新需要从修正后的彩色前景图中提取出运动物体的颜色特征，包括运动物体区域所含各像素点色调H、饱和度S、亮度V值的均值μ c 、标准差σ c 和偏度S c ，即
，
其中A为彩色前景图中运动物体区域，N为运动物体区域中包含的像素点个数。
建立以物体面积、运动物体区域所含各像素点色调H值、饱和度S值、亮度V值的均值μ c 、标准差σ c 和偏度S c 共10个参量为元素的向量W，则向量W可作为被检测物体的特征向量。如果当前帧的物体特征向量与前一帧物体特征向量的欧式距离小于某一个阈值T1，则认为前后两帧检测出的物体特征相似，可判定并非新物体进入场景；反之可判定有新物体进入场景。图10与图11是本发明实施例中检测出来的特征匹配的两个前景图。如果当前帧物体质心与前一帧物体质心的直线距离小于某一阈值T2，且两物体特征相似，则可认为是运动物体静止了，或者是背景物体转为运动。当这种情况持续了50帧（即2s）以上时，需要重新建立背景参考图，重建可取从该帧开始的连续N帧进行训练。图12是本发明实施例中背景更新重建后的背景参考图像。
Claims (1)
1.一种自然环境下运动物体监测方法，其特征在于该方法基于时空信息融合与特征识别，具体步骤包括背景分析、前景提取、去除阴影和背景更新；
(1)背景分析
在获取监控视频后，将图像序列均转换为HSV颜色模型，建立以各像素点坐标(x,y)、色调H值、饱和度S值和亮度V值为元素的向量G，则G i (x,y,1)、G i (x,y,2)和G i (x,y,3)分别代表第i帧图像(x,y)处像素点的色调H值、饱和度S值和亮度V值；选取监控视频的前N帧作为训练帧，计算出像素点(x,y)在这N帧内色调H、饱和度S、亮度V三个值各自的均值μ(x,y,c)、标准差σ(x,y,c)，其中c=1、2、3；利用判定公式选取出稳态像素值；
λ为判定系数；并计算出这些稳态像素色调H、饱和度S、亮度V三个值各自的均值μ S (x,y,c)、标准差σ S (x,y,c)、最小值min S (x,y,c)以及最大值max S (x,y,c)，则第一张背景参考图即i=1时，R i (x,y)由均值μ S (x,y,c)确定，即图像R 1(x,y)中的像素点均为背景点；
(2)前景提取
得到背景参考图后，将当前帧图G i (x,y)与背景参考图R i (x,y)作差分运算，差分结果图采用前景判定公式表示为
，
其中阈值；当且仅当色调H、饱和度S和亮度V三个值的差分结果D i (x,y,c)同时大于各自的阈值Th c 时，该像素点(x,y)为非背景点，保留为原帧图中的像素值；反之即为背景点，用0值代替；
所有非背景点的集合即为前景图像，为适应光照随时间的渐变，所有背景点的各参数值需要更新进背景参考图中；更新对象为第i帧各像素点色调H、饱和度S、亮度V三个值各自的均值μ i (x,y,c)、标准差σ i (x,y,c)、最小值min i (x,y,c)以及最大值max i (x,y,c)，具体更新公式表示为
，
其中：α为更新率，各参数的初始值为第一步背景分析中得到的稳态像素点的各个参数值；更新后得到的背景参考图R i (x,y)由均值μ i (x,y,c)确定；
(3)去除阴影
前景提取得到的非背景点中既有运动物体点也有运动物体阴影点，而阴影点对于识别来说是不取的，需要将其检测出来并去除，以获得真正的运动物体特征；由于被阴影覆盖后的像素点的亮度V值变化较大，但饱和度S值和色调H值变化很小，利用这一特性将阴影点与实际运动物体点区分开来，判定公式表示为
，
其中a、b为亮度阈值，其取值大小与光照条件有关，Th S 为饱和度阈值，Th H 为色调阈值，四个阈值均为经验值，需要手动调试；
去除阴影之后，运动物体的检测工作即完成，但为了提高检测的准确程度，还需要针对一些特殊情况下的检测工作进行方法的改进；本方法基于特征识别方法在背景更新这一步进行改进；
(4)背景更新
背景更新包括背景参数实时更新和特殊情况下背景更新；背景参数实时更新同步骤(2)前景提取；特殊情况下背景更新包括光照突变情况下的背景参考图的更新和运动物体静止后融入背景、背景物体转为运动的背景参考图的更新；
光照突变情况下的背景参考图的更新，首先对检测出来前景图像二值化；其次，对二值图像先闭运算，再开运算，再闭运算，利用数学形态学修正来消除噪声及一些细小空洞的影响；最后，进行连通域的判断，所有连通的像素点即为同一个物体上的点，便得到二值图中运动物体的个数，进而计算出各个物体的质心和面积；当检测出来的运动物体总面积大于图像面积的80%时，即判定该情况是光照发生了突变；如果这种情况并未持续50帧，则认为是闪电短暂的光照突变，跳过该帧不进行处理；如果这种情况持续了50帧以上，则需要重新建立一个背景参考图，重建取从该帧开始的连续N帧进行训练；
运动物体静止后融入背景、背景物体转为运动这类情况下背景参考图的更新，需要从修正后的彩色前景图中提取出运动物体的颜色特征，包括运动物体区域所含各像素点色调H、饱和度S、亮度V值的均值μ c 、标准差σ c 和偏度S c ，即
其中：A为彩色前景图中运动物体区域，M为运动物体区域中包含的像素点个数；
建立以物体面积、运动物体区域所含各像素点色调H值、饱和度S值、亮度V值的均值μ c 、标准差σ c 和偏度S c 共10个参量为元素的向量W，则向量W作为被检测物体的特征向量；如果当前帧的物体特征向量与前一帧物体特征向量的欧式距离小于某一个阈值T1，则认为前后两帧检测出的物体特征相似，判定并非新物体进入场景；反之判定有新物体进入场景；如果当前帧物体质心与前一帧物体质心的直线距离小于某一阈值T2，且两物体特征相似，则认为是运动物体静止了，或者是背景物体转为运动；当这种情况持续了50帧以上时，需要重新建立背景参考图，重建取从该帧开始的连续N帧进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310133321.4A CN103208126B (zh) | 2013-04-17 | 2013-04-17 | 一种自然环境下运动物体监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310133321.4A CN103208126B (zh) | 2013-04-17 | 2013-04-17 | 一种自然环境下运动物体监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103208126A CN103208126A (zh) | 2013-07-17 |
| CN103208126B true CN103208126B (zh) | 2016-04-06 |
Family
ID=48755341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310133321.4A Expired - Fee Related CN103208126B (zh) | 2013-04-17 | 2013-04-17 | 一种自然环境下运动物体监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103208126B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106469311B (zh) * | 2015-08-19 | 2019-11-05 | 南京新索奇科技有限公司 | 目标检测方法及装置 |
| CN105550999A (zh) * | 2015-12-09 | 2016-05-04 | 西安邮电大学 | 一种基于背景复用的视频图像增强处理方法 |
| CN106878668B (zh) | 2015-12-10 | 2020-07-17 | 微软技术许可有限责任公司 | 对物体的移动检测 |
| CN105513371B (zh) * | 2016-01-15 | 2017-12-22 | 昆明理工大学 | 一种基于核密度估计的高速公路违章停车检测方法 |
| CN106205217B (zh) * | 2016-06-24 | 2018-07-13 | 华中科技大学 | 基于机器视觉的无人机自动检测方法及无人机管制方法 |
| CN106446925A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于图像处理的海豚身份识别的方法 |
| CN108446705B (zh) * | 2017-02-16 | 2021-03-23 | 华为技术有限公司 | 图像处理的方法和设备 |
| CN107194932B (zh) * | 2017-04-24 | 2020-05-05 | 江苏理工学院 | 一种基于指数遗忘的自适应背景重建算法 |
| JP6944272B2 (ja) * | 2017-04-25 | 2021-10-06 | キヤノン株式会社 | 動体検出装置およびその制御方法 |
| CN107222962B (zh) * | 2017-07-06 | 2023-06-16 | 东莞市商宝照明技术有限公司 | 照明控制装置、方法及系统 |
| CN107346534B (zh) * | 2017-07-13 | 2020-10-30 | 河北中科恒运软件科技股份有限公司 | 介导现实中的视频物体阴影检测和消除方法及系统 |
| CN108537829B (zh) * | 2018-03-28 | 2021-04-13 | 哈尔滨工业大学 | 一种监控视频人员状态识别方法 |
| CN109493361B (zh) * | 2018-11-06 | 2021-08-06 | 中南大学 | 一种火灾烟雾图像分割方法 |
| CN109447984B (zh) * | 2018-11-14 | 2021-05-04 | 重庆交通大学 | 一种基于图像处理的抗干扰滑坡监测方法 |
| CN112232265A (zh) * | 2018-12-30 | 2021-01-15 | 杭州铭智云教育科技有限公司 | 一种准确度高的监控方法 |
| CN110018529B (zh) * | 2019-02-22 | 2021-08-17 | 南方科技大学 | 降雨测量方法、装置、计算机设备和存储介质 |
| CN114450934B (zh) * | 2020-08-31 | 2023-06-09 | 华为技术有限公司 | 获取图像的方法、装置、设备及计算机可读存储介质 |
| CN112270220B (zh) * | 2020-10-14 | 2022-02-25 | 西安工程大学 | 一种基于深度学习的缝纫手势识别方法 |
| CN116434126B (zh) * | 2023-06-13 | 2023-09-19 | 清华大学 | 农作物的微振动速度检测方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
| CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL196161A (en) * | 2008-12-24 | 2015-03-31 | Rafael Advanced Defense Sys | Download shadows from images within a video signal |
-
2013
- 2013-04-17 CN CN201310133321.4A patent/CN103208126B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
| CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Speeded up Gaussian Mixture Model Algorithm for Background Subtraction;Pushkar Gorur et al.;《8th IEEE International Conference on Advanced Video and Signal-Based Surveillance》;20111231;386-391 * |
| 帧间差分与背景差分相融合的运动目标检测算法;朱明旱等;《计算机测量与控制》;20051231;第13卷(第3期);215-217 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103208126A (zh) | 2013-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103208126B (zh) | 一种自然环境下运动物体监测方法 | |
| Peng et al. | Real-time forest smoke detection using hand-designed features and deep learning | |
| CN103069434B (zh) | 用于多模式视频事件索引的方法和系统 | |
| Chen et al. | Multi-feature fusion based fast video flame detection | |
| CN103106766B (zh) | 林火识别方法与系统 | |
| Zhao et al. | SVM based forest fire detection using static and dynamic features | |
| CN101493980B (zh) | 一种基于多特征融合的快速视频火焰探测方法 | |
| CN102819735B (zh) | 基于视频帧图像的火焰检测方法 | |
| CN113903081B (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
| CN109377703A (zh) | 一种基于机器视觉的森林防火预警系统及其方法 | |
| Lai et al. | A real time video processing based surveillance system for early fire and flood detection | |
| CN113516076A (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
| CN109241847A (zh) | 基于视觉图像的油田作业区安全监控系统 | |
| CN104123734A (zh) | 基于可见光和红外检测结果融合的运动目标检测方法 | |
| CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
| CN106327525A (zh) | 一种机房重地越界行为实时监测方法 | |
| CN105469038A (zh) | 一种用于电力开闭所的安全帽视频检测方法 | |
| CN108334824A (zh) | 基于背景差分和迭代搜索的高压隔离开关状态识别方法 | |
| Yoon et al. | An intelligent automatic early detection system of forest fire smoke signatures using Gaussian mixture model | |
| CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
| Xiong | Research on fire detection and image information processing system based on image processing | |
| CN114757962A (zh) | 一种架空线路山火识别方法 | |
| Qian et al. | Video image fire recognition based on color space and moving object detection | |
| Wang et al. | Forest fire detection method based on deep learning | |
| CN117333815A (zh) | 一种在营销现场的作业人员的识别方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160406 Termination date: 20190417 |