CN103400120A - 基于视频分析的银行自助服务区域推入行为检测方法 - Google Patents
基于视频分析的银行自助服务区域推入行为检测方法 Download PDFInfo
- Publication number
- CN103400120A CN103400120A CN2013103323236A CN201310332323A CN103400120A CN 103400120 A CN103400120 A CN 103400120A CN 2013103323236 A CN2013103323236 A CN 2013103323236A CN 201310332323 A CN201310332323 A CN 201310332323A CN 103400120 A CN103400120 A CN 103400120A
- Authority
- CN
- China
- Prior art keywords
- target
- bank self
- coverage
- video image
- help
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种基于视频分析的银行自助服务区域推入行为检测方法，涉及安全监控技术领域，所解决的是提高银行自助服务区域安全防范效果的技术问题。该方法先利用摄像机以俯视的视角拍摄银行自助服务区域及其周边推入易发区域的实时视频图像，再对拍摄的视频图像进行分析，从中检测出人员数量及各人员的运动轨迹，再根据检测结果判断银行自助服务区域时否存在推入行为。本发明提供的方法，适用于银行自助服务区域的安全监控。
Description
技术领域
本发明涉及安全监控技术，特别是涉及一种基于视频分析的银行自助服务区域推入行为检测方法的技术。
背景技术
现有银行安全防范体系中，所采用的安防监控系统缺乏对银行自助服务区域存在威胁公共安全行为的实时检测分析和有效处理。而这种威胁公共安全的行为往往是某些恶性犯罪事件的前期表现，例如，存取款人被推入银行自助服务区域的行为必定是推入抢劫事件的前奏。检测并发现这种行为对于预防犯罪事件的发生，及时制止犯罪事件的升级，以及事后处理侦破犯罪事件均有重要作用。
银行自助服务区域是指银行设立的客户可自行完成存款、取款、转账和查询等金融服务设备的操作和等待的独立区域。
银行自助服务区域推入行为是指人员离开银行自助服务区域时，该人员被自助服务区域外的其他人员推回该自助服务区域，而后其他人员随同进入该自助服务区域的行为。
目前，对于银行自助服务区域的推入行为还没有相应的防范措施，无法实时发现推入行为，以预防、制止及处理自助银行内的犯罪事件。
发明内容
针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种能实时发现银行自助服务区域的推入行为，提高安全防范效果的基于视频分析的银行自助服务区域推入行为检测方法。
为了解决上述技术问题，本发明所提供的一种基于视频分析的银行自助服务区域推入行为检测方法，其特征在于，具体步骤如下：
步骤S1：在银行自助服务区域的周边区域中，将易发生推入行为的区域划定为推入易发区域；
步骤S2：利用摄像机，以俯视的视角拍摄银行自助服务区域及推入易发区域的实时视频图像，且拍摄的视频图像覆盖整个银行自助服务区域，及整个推入易发区域，拍摄的视频图像中包含有银行自助服务区域内的金融服务设备；
步骤S3：利用视频处理设备分析步骤S2拍摄的实时视频图像，检测出视频图像中位于银行自助服务区域内的目标数量，及各目标的运动轨迹，再根据检测结果进行判断；
如果检测结果判定视频图像中的目标数量从无目标变为有目标，则将视频图像内的目标设定为当前目标；
如果检测结果判定当前目标在视频图像中的运动轨迹是朝向远离银行自助服务区域内金融服务设备的方向移动，且与银行自助服务区域的边界相交，则将其设定为推入目标；
如果检测结果判定推入目标在视频图像中的运动轨迹是从推入易发区域进入银行自助服务区域，并朝向靠近银行自助服务区域内金融服务设备的方向移动，且在视频图像中检测到有新目标，则判定存在银行自助服务区域推入行为。
进一步的，所述步骤S2中，摄像机的布设点位于银行自助服务区域的顶部。
进一步的，所述步骤S3中，检测视频图像中位于银行自助服务区域内目标的具体步骤如下：
步骤S31：采用目标检测算法检测并获取进入银行自助服务区域内的所有目标在视频图像中占据的像素点集合；
步骤S32：根据步骤S31获取的像素点集合，采用目标提取算法获取进入银行自助服务区域内的各个目标在视频图像中的位置及尺寸；
步骤S33：根据步骤S32从视频图像中提取各个目标，采用有效目标特征识别算法，识别出视频图像中的有效目标的数量及色彩纹理特征；
步骤S34：根据步骤S33识别出的各个有效目标，采用目标运动跟踪算法，获取各个有效目标在视频图像中的运动轨迹。
进一步的，所述步骤S31中，所采用的目标检测算法是高斯混合背景算法。
进一步的，所述步骤S32中，所采用的目标提取算法是区域生长法结合K均值特征聚类法的目标提取算法，该算法先采用区域生长法获取步骤S31所获取的像素点集合的生长区域，再采用K均值特征聚类法获取进入银行自助服务区域内的各个目标在视频图像中的尺寸。
进一步的，所述步骤S34中，所采用的目标运动跟踪算法是光流法结合卡尔曼滤波器的目标跟踪法，该目标跟踪法先采用光流法计算各个有效目标的瞬时位移，然后使用卡尔曼滤波器校正所得的目标运动量，根据各个有效目标的瞬时位移累计，获得各个有效目标的运动轨迹。
本发明提供的基于视频分析的银行自助服务区域推入行为检测方法，利用摄像机以俯视的视角拍摄银行自助服务区域及其周边推入易发区域的实时视频图像，再利用相关图像分析算法对拍摄的视频图像进行分析，从中检测出人员数量及各人员的运动轨迹，进而检测是否存在人员推入自助服务区域的行为，能实时发现银行自助服务区域的推入行为，提高安全防范效果，有助于预防、制止及处理自助银行内的犯罪事件，提高社会的安全稳定性。
附图说明
图1是本发明实施例的基于视频分析的银行自助服务区域推入行为检测方法中的视频图像覆盖区域示意图。
具体实施方式
以下结合附图说明对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似结构及其相似变化，均应列入本发明的保护范围。
如图1所示，本发明实施例所提供的一种基于视频分析的银行自助服务区域推入行为检测方法，其特征在于，具体步骤如下：
步骤S1：在银行自助服务区域1的周边区域中，将易发生推入行为的区域划定为推入易发区域2；
步骤S2：利用摄像机，以俯视的视角拍摄银行自助服务区域1及推入易发区域2的实时视频图像，且拍摄的视频图像覆盖整个银行自助服务区域1，及整个推入易发区域2，拍摄的视频图像中包含有银行自助服务区域1内的金融服务设备3；
其中，所述摄像机的布设点位于银行自助服务区域的顶部；
步骤S3：利用视频处理设备分析步骤S2拍摄的实时视频图像，检测出视频图像中位于银行自助服务区域内的目标（即人员）数量，及各目标的运动轨迹，再根据检测结果进行判断；
如果检测结果判定视频图像中的目标数量从无目标变为有目标（即于银行自助服务区域从无人变为有人），则将视频图像内的目标设定为当前目标；
如果检测结果判定当前目标在视频图像中的运动轨迹是朝向远离银行自助服务区域内金融服务设备的方向移动，且与银行自助服务区域的边界相交，则将其设定为推入目标；
如果检测结果判定推入目标在视频图像中的运动轨迹是从推入易发区域进入银行自助服务区域，并朝向靠近银行自助服务区域内金融服务设备的方向移动，且在视频图像中检测到有新目标（即有其他人员进入视频图像覆盖区域），则判定存在银行自助服务区域推入行为。
本发明实施例的步骤S3中，判定银行自助服务区域存在推入行为后，即发出报警信息。
本发明实施例的步骤S3中，检测视频图像中位于银行自助服务区域内目标的具体步骤如下：
步骤S31：采用目标检测算法检测并获取进入银行自助服务区域内的所有目标在视频图像中占据的像素点集合（即进入银行自助服务区域内的人员空间信息）；
步骤S32：根据步骤S31获取的像素点集合，采用目标提取算法获取进入银行自助服务区域内的各个目标在视频图像中的位置及尺寸（即进入银行自助服务区域内的各个人员的位置及尺寸）；
步骤S33：根据步骤S32从视频图像中提取各个目标，采用有效目标特征识别算法，识别出视频图像中的有效目标的数量及色彩纹理特征（即进入银行自助服务区域内的人员数量及每个人员的色彩纹理特征）；
步骤S34：根据步骤S33识别出的各个有效目标，采用目标运动跟踪算法，获取各个有效目标在视频图像中的运动轨迹（即进入银行自助服务区域内的各个人员的运动轨迹）。
现有的视频图像分析方法中，用于检测及获取所有目标在视频图像中占据的像素点集合的目标检测算法主要有背景减除类算法、时间差分类算法、光流类算法。
背景减除类算法的基本原理是利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分比较实现对运动区域的检测，其中区别较大的像素区域被认为是运动区域，而区别较小的像素区域被认为是背景区域。
时间差分类算法是视频图像分析方法中常用的运动目标检测方法之一，基本原理就是在图像序列相邻两帧或三帧间采用基于像素的时间差分通过闭值化来提取出图像中的运动区域。
光流类算法的基本原理是计算光流场，即在适当的平滑性约束条件下，根据图像序列的时空梯度估算运动场，通过分析运动场的变化对运动目标和场景进行检测。
本发明实施例的步骤S31中，所采用的目标检测算法是背景减除类算法中的高斯混合背景算法，该算法为现有技术，该算法的基本原理是：在视频图像中，目标与背景之间存在着灰度差异，视频图像的灰度直方图会呈现与背景、目标一一对应的多峰，将视频图像的灰度直方图多峰特性视为多个高斯分布的叠加，即可实现视频图像中的背景与目标的分割。
本发明实施例的步骤S31中，所采用的高斯混合背景算法采用多个（通常为3到5个）高斯混合模型来表征视频图像中各个像素点的特征，每获得新一帧视频图像后即将该图像中的各个像素点与高斯混合模型进行匹配，匹配成功的像素点判定为背景点，反之则判定为前景点，也就是进入银行自助服务区域的所有目标在视频图像中占据的像素点；
本发明其它实施例中，也可以用其它能实现相同功能的现有目标检测算法替代步骤S31中所采用的高斯混合背景算法，比如时间差分类算法、光流类算法，或其它背景减除类算法。
现有的视频图像分析方法中，用于获取各个目标在视频图像中的位置及尺寸的目标提取算法主要有基于阈值分割的目标提取算法、基于边缘分割的目标提取算法、基于区域分割的目标提取算法、基于模型的目标提取算法、基于特征聚类及神经网络的目标提取算法。
基于阈值分割的目标提取算法采用用一个或几个阈值将图像的灰度直方图分成几个类，将图像中灰度值在同一类中的像素归于同一物体，进而实现目标的提取。
基于边缘分割的目标提取算法基于不同区域之间的边缘像素灰度值变化剧烈的原理，采用空间灰度的一阶或二阶微分算子进行边缘检测，通过检测包含不同区域的边缘来实现目标的提取，常用的边缘检测算子有：Roberts算子、Laplace算子、Prewitt算子、Sobel算子、Robinson算子、Kirsch算子和Canny算子等。
基于区域分割的目标提取算法基于图像灰度、纹理、颜色和图像像素统计的均匀性等图像的空间局部特征，把图像中的像素划归到各个物体或区域中，进而将图像分割成若干个不同区域，实现目标的提取，现有基于区域分割的算法主要有：区域生长法、分裂合并法、分水岭分割法。
基于模型的目标提取算法基于一定的模型，将图像分割问题转换成目标函数的求解问题，进而实现目标的提取，基于模型的目标提取算法主要有：马尔可夫随机场模型、主动轮廓模型。
基于特征聚类及神经网络的目标提取算法主要利用人工智能方法得到用于图像分割的参数，然后基于这一参数来分割图像；
其中，基于特征聚类的目标提取算法将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果，进而实现目标的提取，现有的特征聚类法有：K均值特征聚类法、模糊C均值聚类算法；
其中，基于神经网络的目标提取算法通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的，进而实现目标的提取。
本发明实施例的步骤S32中，所采用的目标提取算法为现有技术，具体为区域生长法结合K均值特征聚类法的目标提取算法，该算法的具体实施步骤如下：
步骤S321：采用区域生长法，以步骤S31获取的像素点集合中的各个像素点为种子像素点，并以这些像素点的灰度值作为数学期望值建立生长区域高斯分布；
步骤S322：将各种子像素点周围邻域中符合生长区域高斯分布的各像素点作为生长点分别合并到各种子像素点所在的区域中，再将各生长点作为新的种子像素点，重复本步骤至没有新的生长点出现，即可获取步骤S31获取的像素点集合的生长区域，进而得到进入银行自助服务区域内的各个目标在视频图像中的位置；
步骤S323：采用K均值特征聚类法，选取由步骤S322生成的各生长区域的均值点作为聚类中心；
步骤S324：计算各个样本到聚类中心的距离，把各个样本归到离它最近的那个聚类中心所在的类，并根据计算形成的每一个聚类的数据对象平均值，得到新的聚类中心，重复本步骤至相邻两次得到的聚类中心没有变化，则表明样本调整结束，聚类准则函数已经收敛，即可得到进入银行自助服务区域内的各个目标在视频图像中的尺寸。
本发明其它实施例中，也可以用其它能实现相同功能的现有目标提取算法替代步骤S32中所采用的区域生长法结合K均值特征聚类法的目标提取算法。
本发明实施例的步骤S33中，所采用有效目标特征识别算法为现有技术，该算法先从以提取的各个目标中的有效象素点为样本，再建立各样本点所对应目标的色彩直方图，采用贝叶斯判决准则形成基于色彩概率密度函数的目标统计特征分类器，进而对各目标进行特征提取，获得各目标的空间色彩直方分布特征数据，然后再根据各目标的空间色彩直方分布特征数据，利用自适应模板匹配算法进行目标区分和识别；
自适应模板匹配算法进行目标区分和识别时，先根据视频图像中各目标的统计尺寸大小，为各目标各设定一个对应的预估模板，再用各预估模板对各个对应目标的区域进行空间分割，获得与各个预估模板一一对应的预估目标，每个预估目标的尺寸与对应预估模板的尺寸一致，然后根据各个目标的空间色彩直方分布特征数据分别对各个预估目标进行尺度校正，合并具有相同特征数据的分割区域，并调整每一个合并区域的预估模板尺寸，将其作为后续视频帧的预估模板，调整合并后的分割区域即为有效目标，其数量即为有效目标的数量，其空间色彩直方分布特征数据即为有效目标的色彩纹理特征。
本发明其它实施例中，也可以用其它能实现相同功能的现有有效目标特征识别算法替代步骤S33中所采用的有效目标特征识别算法。
现有的视频图像分析方法中，用于获取各个目标在视频图像中运动轨迹的目标运动跟踪算法主要有：基于图像匹配的目标跟踪法、基于均值漂移（Meanshift）的目标跟踪法、基于光流法的目标跟踪法。
基于图像匹配的目标跟踪法包括特征匹配法、贝叶斯跟踪法；特征匹配法的原理是提取被跟踪目标的特征，在每一帧图像中寻找匹配该特征，寻找匹配特征的过程就是跟踪目标的过程；贝叶斯跟踪法主要采用卡尔曼滤波器、粒子滤波器、隐性马尔可夫模型等方法，对目标的运动过程采用随机过程进行描述，该过程是一种预测更新的递归过程，需要当前的观测数据去修正预测的结果，这种方式完全符合贝叶斯理论，因而称为贝叶斯跟踪方法。
基于均值漂移的目标跟踪法的原理是采用目标的颜色直方图作为搜索特征，通过不断迭代均值漂移向量使得算法收敛于目标的真实位置，从而达到跟踪的目的。这种跟踪算法利用相似度函数刻画目标模板和候选区域对应的两个核函数直方图的相似性，将跟踪的问题转化为均值漂移模式匹配问题。
基于光流法的目标跟踪法是以目标的光流场的瞬时速度统计模型为基础，通过该瞬时速度统计值刻画并跟踪目标的方法。
本发明实施例的步骤S34中，所采用的目标运动跟踪算法为现有技术，具体为光流法结合卡尔曼滤波器的目标跟踪法，该目标跟踪法先采用光流法计算各个有效目标中的有效像素点的瞬时位移，以统计方式根据像素点的瞬时位移计算各个有效目标的瞬时位移，然后使用卡尔曼滤波器校正所得的目标运动量，并根据步骤S33的有效目标特征识别算法所得到的各个有效目标的特征信息，形成对各个有效目标的有效跟踪，并根据各个有效目标的瞬时位移累计，获得各个有效目标的运动轨迹。
本发明实施例的目标运动跟踪算法中，所采用的光流法利用图像中的像素强度数据的时域变化和相关性来确定各自像素位置的变化，即研究图像灰度在时间上的变化与景象中物体结构及其运动的关系；本发明实施例采用Horn-Schunck光流算法来获得有效像素点的瞬时位移以及相应的光流场，由于有效目标的运动具有连续一贯性，这里对光流场建立二维正交高斯分布模型，取该高斯分布的数学期望值作为有效目标的瞬时位移。
本发明实施例的目标运动跟踪算法中，所采用的卡尔曼滤波器的作用是对计算出的有效目标的位移进行校正，以获得有效目标的精确位置；由于光流算法计算出的位移是瞬时的，该计算结果在时域上不具备相关性，自身无法对计算的累计误差进行修正，因而引入卡尔曼滤波器校正目标的瞬时位移；卡尔曼滤波是一种最优化自回归数据处理算法，即只要获知上一时刻状态的估计值以及当前状态的观测值就可以计算出当前状态的估计值，因此不需要记录观测或者估计的历史信息，卡尔曼滤波器与大多数滤波器不同之处，在于它是一种纯粹的时域滤波器，被广泛应用于雷达、计算机视觉等领域的目标跟踪。
本发明其它实施例中，也可以用其它能实现相同功能的现有目标运动跟踪算法替代步骤S34中所采用的目标运动跟踪算法。
Claims (6)
1.一种基于视频分析的银行自助服务区域推入行为检测方法，其特征在于，具体步骤如下：
步骤S1：在银行自助服务区域的周边区域中，将易发生推入行为的区域划定为推入易发区域；
步骤S2：利用摄像机，以俯视的视角拍摄银行自助服务区域及推入易发区域的实时视频图像，且拍摄的视频图像覆盖整个银行自助服务区域，及整个推入易发区域，拍摄的视频图像中包含有银行自助服务区域内的金融服务设备；
步骤S3：利用视频处理设备分析步骤S2拍摄的实时视频图像，检测出视频图像中位于银行自助服务区域内的目标数量，及各目标的运动轨迹，再根据检测结果进行判断；
如果检测结果判定视频图像中的目标数量从无目标变为有目标，则将视频图像内的目标设定为当前目标；
如果检测结果判定当前目标在视频图像中的运动轨迹是朝向远离银行自助服务区域内金融服务设备的方向移动，且与银行自助服务区域的边界相交，则将其设定为推入目标；
如果检测结果判定推入目标在视频图像中的运动轨迹是从推入易发区域进入银行自助服务区域，并朝向靠近银行自助服务区域内金融服务设备的方向移动，且在视频图像中检测到有新目标，则判定存在银行自助服务区域推入行为。
2.根据权利要求1所述的基于视频分析的银行自助服务区域推入行为检测方法，其特征在于：所述步骤S2中，摄像机的布设点位于银行自助服务区域的顶部。
3.根据权利要求1所述的基于视频分析的银行自助服务区域推入行为检测方法，其特征在于：所述步骤S3中，检测视频图像中位于银行自助服务区域内目标的具体步骤如下：
步骤S31：采用目标检测算法检测并获取进入银行自助服务区域内的所有目标在视频图像中占据的像素点集合；
步骤S32：根据步骤S31获取的像素点集合，采用目标提取算法获取进入银行自助服务区域内的各个目标在视频图像中的位置及尺寸；
步骤S33：根据步骤S32从视频图像中提取各个目标，采用有效目标特征识别算法，识别出视频图像中的有效目标的数量及色彩纹理特征；
步骤S34：根据步骤S33识别出的各个有效目标，采用目标运动跟踪算法，获取各个有效目标在视频图像中的运动轨迹。
4.根据权利要求3所述的基于视频分析的银行自助服务区域推入行为检测方法，其特征在于：所述步骤S31中，所采用的目标检测算法是高斯混合背景算法。
5.根据权利要求3所述的基于视频分析的银行自助服务区域推入行为检测方法，其特征在于：所述步骤S32中，所采用的目标提取算法是区域生长法结合K均值特征聚类法的目标提取算法，该算法先采用区域生长法获取步骤S31所获取的像素点集合的生长区域，再采用K均值特征聚类法获取进入银行自助服务区域内的各个目标在视频图像中的尺寸。
6.根据权利要求3所述的基于视频分析的银行自助服务区域推入行为检测方法，其特征在于：所述步骤S34中，所采用的目标运动跟踪算法是光流法结合卡尔曼滤波器的目标跟踪法，该目标跟踪法先采用光流法计算各个有效目标的瞬时位移，然后使用卡尔曼滤波器校正所得的目标运动量，根据各个有效目标的瞬时位移累计，获得各个有效目标的运动轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310332323.6A CN103400120B (zh) | 2013-08-02 | 2013-08-02 | 基于视频分析的银行自助服务区域推入行为检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310332323.6A CN103400120B (zh) | 2013-08-02 | 2013-08-02 | 基于视频分析的银行自助服务区域推入行为检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103400120A true CN103400120A (zh) | 2013-11-20 |
| CN103400120B CN103400120B (zh) | 2015-04-15 |
Family
ID=49563738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310332323.6A Expired - Fee Related CN103400120B (zh) | 2013-08-02 | 2013-08-02 | 基于视频分析的银行自助服务区域推入行为检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103400120B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354540A (zh) * | 2015-10-22 | 2016-02-24 | 上海鼎松物联网科技有限公司 | 基于视频分析实现人员倒地行为检测的方法 |
| CN106128053A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人员逗留徘徊报警方法和装置 |
| CN106128022A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别暴力动作报警方法和装置 |
| CN106210633A (zh) * | 2016-07-18 | 2016-12-07 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别越线检测报警方法和装置 |
| CN107403437A (zh) * | 2016-05-19 | 2017-11-28 | 上海慧流云计算科技有限公司 | 机器人跟踪物体的方法、装置及机器人 |
| CN108875610A (zh) * | 2018-06-05 | 2018-11-23 | 北京大学深圳研究生院 | 一种基于边界查找的用于视频中动作时间轴定位的方法 |
| CN111046834A (zh) * | 2019-12-24 | 2020-04-21 | 南京烽火天地通信科技有限公司 | 一种基于自动学习分析的监控视频人物比例矫正方法 |
| CN113158800A (zh) * | 2021-03-19 | 2021-07-23 | 上海云赛智联信息科技有限公司 | 围界入侵混合检测方法及围界入侵混合检测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100555348C (zh) * | 2007-06-01 | 2009-10-28 | 北京汇大通业科技有限公司 | 银行自助设备智能视频监控系统 |
| 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 |
| CN102547244A (zh) * | 2012-01-17 | 2012-07-04 | 深圳辉锐天眼科技有限公司 | 视频监控方法及系统 |
| CN102968802A (zh) * | 2012-11-28 | 2013-03-13 | 无锡港湾网络科技有限公司 | 一种基于视频监控的运动目标分析跟踪方法及系统 |
-
2013
- 2013-08-02 CN CN201310332323.6A patent/CN103400120B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100555348C (zh) * | 2007-06-01 | 2009-10-28 | 北京汇大通业科技有限公司 | 银行自助设备智能视频监控系统 |
| 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 |
| CN102547244A (zh) * | 2012-01-17 | 2012-07-04 | 深圳辉锐天眼科技有限公司 | 视频监控方法及系统 |
| CN102968802A (zh) * | 2012-11-28 | 2013-03-13 | 无锡港湾网络科技有限公司 | 一种基于视频监控的运动目标分析跟踪方法及系统 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354540A (zh) * | 2015-10-22 | 2016-02-24 | 上海鼎松物联网科技有限公司 | 基于视频分析实现人员倒地行为检测的方法 |
| CN107403437A (zh) * | 2016-05-19 | 2017-11-28 | 上海慧流云计算科技有限公司 | 机器人跟踪物体的方法、装置及机器人 |
| CN106128053A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人员逗留徘徊报警方法和装置 |
| CN106128022A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别暴力动作报警方法和装置 |
| CN106210633A (zh) * | 2016-07-18 | 2016-12-07 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别越线检测报警方法和装置 |
| CN108875610A (zh) * | 2018-06-05 | 2018-11-23 | 北京大学深圳研究生院 | 一种基于边界查找的用于视频中动作时间轴定位的方法 |
| CN111046834A (zh) * | 2019-12-24 | 2020-04-21 | 南京烽火天地通信科技有限公司 | 一种基于自动学习分析的监控视频人物比例矫正方法 |
| CN113158800A (zh) * | 2021-03-19 | 2021-07-23 | 上海云赛智联信息科技有限公司 | 围界入侵混合检测方法及围界入侵混合检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103400120B (zh) | 2015-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103400120B (zh) | 基于视频分析的银行自助服务区域推入行为检测方法 | |
| Arroyo et al. | Expert video-surveillance system for real-time detection of suspicious behaviors in shopping malls | |
| CN103164858B (zh) | 基于超像素和图模型的粘连人群分割与跟踪方法 | |
| CN106845364B (zh) | 一种快速自动目标检测方法 | |
| CN111932583A (zh) | 一种基于复杂背景下的时空信息一体化智能跟踪方法 | |
| CN101315701B (zh) | 运动目标图像分割方法 | |
| CN106204640A (zh) | 一种运动目标检测系统及方法 | |
| CN103077539A (zh) | 一种复杂背景及遮挡条件下的运动目标跟踪方法 | |
| CN102903124A (zh) | 一种运动目标检测方法 | |
| CN104123544A (zh) | 基于视频分析的异常行为检测方法及系统 | |
| CN106127812B (zh) | 一种基于视频监控的客运站非出入口区域的客流统计方法 | |
| CN101295405A (zh) | 人像与车辆识别报警跟踪方法 | |
| CN101727672A (zh) | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 | |
| CN105354540A (zh) | 基于视频分析实现人员倒地行为检测的方法 | |
| Lin et al. | Collaborative pedestrian tracking and data fusion with multiple cameras | |
| CN103077423A (zh) | 基于视频流的人群数量估计、局部人群聚集状态以及人群跑动状态检测方法 | |
| Huang et al. | Motion detection with pyramid structure of background model for intelligent surveillance systems | |
| Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
| CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
| CN104036250A (zh) | 视频行人检测与跟踪方法 | |
| CN103400148B (zh) | 基于视频分析的银行自助服务区域尾随行为检测方法 | |
| CN109086682A (zh) | 一种基于多特征融合的智能视频黑烟车检测方法 | |
| Wu et al. | Overview of video-based vehicle detection technologies | |
| CN109919068B (zh) | 基于视频分析适应密集场景人流实时监测方法 | |
| CN109977796A (zh) | 尾随通行检测方法及装置 |
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: 20150415 Termination date: 20200802 |