CN103646254A - 一种高密度行人检测方法 - Google Patents
一种高密度行人检测方法 Download PDFInfo
- Publication number
- CN103646254A CN103646254A CN201310706728.1A CN201310706728A CN103646254A CN 103646254 A CN103646254 A CN 103646254A CN 201310706728 A CN201310706728 A CN 201310706728A CN 103646254 A CN103646254 A CN 103646254A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- head
- information
- image
- queue
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种高密度行人检测方法，包括步骤：首先根据行人的头部形状和纹理特征建立行人头部模型；根据头部模型对于摄像机传来的视频流的每帧图像进行处理，为第一帧图像中的每个行人头部信息创建一个队列，判断后续每帧图像与前一帧图像中的行人头部信息是否为同一个行人的头部信息；若是同一个行人的头部信息则将存入到其相应的队列中，不是同一个行人则生成一个新的队列；按照上述方法依次处理后续每帧图像，对于位置信息持续更新且包含至少三个头部信息的位置信息的队列，认为检测到了一个行人。本发明通过行人头部形状和纹理特征获取行人的头部模型，并对每帧图像中的行人头部信息进行处理，具有检测精度高、鲁棒性好、运算简便及时效性高的等优点，在智能交通视频监控、机器人视觉等方面有广泛的应用前景。
Description
技术领域
本发明涉及一种高密度行人检测方法。具体的说是一种适用于大人流量高密度场景下高密度行人检测方法，属于城市交通管理技术领域。
背景技术
国内外有许多先进的行人统计系统，但都是针对行人稀少的情况，对于机场、车站这样人员密集区则无能为力。对高密度人群中的行人进行检测和跟踪是一个很难的问题。较常见的方法如通过背景模型检测运动区域并进行前景分割，或通过人体模型、特征对人体进行检测，都不能解决高密度人群的行人检测问题，原因在于：在高密度人群视频中，观测区域的大部分或者全部处于运动的状态，行人间存在严重的遮挡。另外存在一类研究，避开了高密度人群中行人的分割检测的问题，而是通过一些全局统计特征对人群的密度进行估计，但这类研究并不能给出精确的行人流量和方向。在众多研究中，是少有的直接针对高密度人群中的行人进行检测和跟踪的研究。
目前各大城市已经安装了大量的交通视频监控系统，但是对于交通视频的处理上尚不能较好地实现自动化处理。基于视频监控的行人检测是智能交通系统中的一项关键技术。在实际应用中,由于场景的复杂性、视角与尺度的变化、人体姿态与着装的多样性以及部分遮挡等因素,使得行人检测具有极大的困难。随着模式识别技术和视频处理技术的发展，智能视频监控得到了越来越多的关注。
现有专利文献中公开号为103390172公开了一种高密度场景下人群密度估计方法，首先采集视频帧，并进行梯度方向计算，获取梯度方向图；然后进行LBP纹理特征计算；利用Adaboost进行人头检测；获取高密度场景下的人头数目。采集到的视频数据存在大量的噪声，直接计算梯度方向图会影响检测结果的精度和鲁棒性，Adaboost算法复杂，运算速度慢，无论在跟踪的准确性和实时性上都难以满足行人统计对于精度和时效性的要求。
发明内容
为此，本发明所要解决的技术问题在于高密度行人检测方法的检测精度和鲁棒性低、计算复杂、时效性差，从而提出一种检测精度高、鲁棒性好、运算简便及时效性高的高密度行人检测方法。
为解决上述技术问题，本发明的技术方案如下：
一种高密度行人检测方法，包括如下步骤：
选取一定量的视频数据，根据行人的头部形状和纹理特征建立行人头部模型；
对于摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息；
为第一帧图像中的每个行人头部信息创建一个队列，并将该行人头部信息的位置信息存储到该队列中；
后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息；
是同一个行人的头部信息则将该头部信息的位置信息存入到其相应的队列中，不是同一个行人的头部信息则生成一个新的队列并存储该行人的头部信息的位置信息；
按照上述方法依次处理后续每帧图像，对于位置信息持续更新且包含至少三个所述头部信息的位置信息的队列，认为检测到了一个行人。
所述选取一定量的视频数据，根据所述视频数据建立行人头部模型的过程包括：根据所述视频数据获取每个行人的头部形状和纹理特征，再根据每个人的头部形状和头部纹理特征建立所述行人头部模型。
所述对于摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息的过程中，还包括：对于所述摄像机传来的视频流进行检测区域设定，所述检测区域的宽度为有效通行道的宽度，所述检测区域的高度为行人头部平均直径的四至十倍。
所述根据所述视频数据获取每个行人的头部形状和纹理特征的过程，其中所述头部形状的过程包括：
获取行人头部图像的边界；
提取所述行人头部头像的边界序列；
通过傅里叶变换计算所述行人的头部形状。
所述根据所述视频数据获取每个行人的头部形状和纹理特征的过程，其中获取所述纹理特征的过程，包括：
将所述行人头部图像划分为若干个图像子块；
对每个所述图像子块进行直方图统计，得到所有的所述图像子块直方图；
利用所有的所述图像子块直方图描述所述行人头部图像的纹理特征。
提取所有行人的共有的头部形状特征和共有的纹理特征作为行人的头部模型。
获取所述头部形状的纹理特征采用Garbor滤波器。
所述后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息的过程，包括：
计算所述行人头部图像的坐标与前一帧图像中所有行人头部图像坐标间的距离，如果与前一帧图像中某个行人头部图像间距离小于等于该行人头部直径，则判定该帧图像中行人信息与前一帧图像中该行人是同一个行人的头部信息；
否则，判定该帧图像中行人信息与前一帧图像中所有行人不是同一个行人的头部信息。
所述行人的头部信息的位置信息为行人的头部坐标信息，所述坐标信息为头部中心像素点的坐标信息。
所述按照上述方法依次处理后续每帧图像，对于位置信息持续更新且包含至少三个所述头部信息的位置信息的队列，认为检测到了一个行人的过程中，还包括：依次处理后续N帧图像，若所述队列中行人头部信息的位置信息每帧都没有更新，认为该行人已离开了所述检测区域，计数器计数的同时将该队列信息删除，其中N为正整数,所述N为的取值范围为[4,15]。
所述是同一个行人的头部信息则将该头部信息的位置信息存入到其相应的队列中的过程中，还包括：对于与前一帧头部信息的位置信息相同的位置信息不再存入相应的队列中。
本发明的上述技术方案相比现有技术具有以下优点：
（1）本发明提供一种高密度行人检测方法，包括步骤：选取一定量的视频数据，根据行人的头部形状和纹理特征建立行人头部模型；对于摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息；为第一帧图像中的每个行人头部信息创建一个队列，并将该行人头部信息的位置信息存储到该队列中；后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息；是同一个行人的头部信息则将该头部信息的位置信息存入到其相应的队列中，不是同一个行人则生成一个新的队列并存储该行人的头部信息的位置信息；按照上述方法依次处理后续每帧图像，对于位置信息持续更新且包含至少三个所述头部信息的位置信息的队列，认为检测到了一个行人。本发明的行人检测方法，基于计算机视觉技术、视频处理和模式识别技术通过行人形状和纹理特征获取行人的头部模型，然后依据头部模型对视频流中的行人进行识别，并对每帧图像中的行人头部信息进行处理，获取每帧图像中行人的位置信息，将同一个人的位置信息存储为队列，以队列的更新程度和行人信息个数作为检测到的行人，具有检测精度高、鲁棒性好、运算简便及时效性高等优点，在智能交通视频监控、汽车自动驾驶、机器人视觉以及高级人机交互等方面有广泛的应用前景。
（2）本发明提供一种高密度行人检测方法，对于所述摄像机传来的视频流进行检测区域设定，所述检测区域的宽度为有效通行道的宽度，所述检测区域的高度为行人头部平均直径的四至十倍，对检测到的图像进行有效检测区域的设定，使需要处理的视频数据大大减小，运算量小，提高了行人检测效率。
（3）本发明提供一种高密度行人检测方法，获取所述视频数据中行人的所述头部形状的过程包括：获取行人头部图像的边界；提取所述行人头部头像的边界序列；通过傅里叶变换计算所述行人的头部形状，使获取的行人头部形状更加的逼真。
（4）本发明提供一种高密度行人检测方法，对获取的行人头部形状进行了纹理特征提取，进行了除噪处理，使获得的行人头部模型更具有代表性。
（5）本发明提供一种高密度行人检测方法，所述行人的头部模型包括行人共有的头部形状特征和行人共有的纹理特征，使得行人的头部模型更具有普遍性，通用性更强。
（6）本发明提供一种高密度行人检测方法，获取头部形状的纹理特征采用Garbor滤波器，Garbor滤波器能做到具有最精确的时间、频率的局部化处理，可以出色地进行图像分割、识别与理解。
（7）本发明提供一种高密度行人检测方法，判断后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息的方法采用二者的距离是否小于行人的头像直径来判断，将检测到的每个行人的头部信息区分开，构思巧妙，易于实现。
（8）本发明提供一种高密度行人检测方法，所述队列中行人信息连续N帧没有更新，认为该行人已离开了所述检测区域，计数器计数的同时将该队列信息删除，减小了缓存占用率，提高了硬件的运行速率，同时也便于统计行人的数目。
（9）本发明提供一种高密度行人检测方法，所述是同一个行人的头部信息则将该头部信息的位置信息存入到其相应的队列中的过程中，对于与前一帧头部信息的位置信息相同的位置信息不再存入相应的队列中，有效的避免了将静止在检测区域或停留在检测区域的行人进行统计，使检测到的结果更加准确。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明一个实施例的一种高密度行人检测方法流程图；
图2是本发明一个实施例的一种高密度行人检测方法示意图；
图3是本发明一个实施例的一种高密度行人检测方法示意图。
图中附图标记：1-行人A，2-行人B，3-行人C，4-行人D，5-行人E，6-行人F。
具体实施方式
实施例一
本实施例提供一种高密度行人检测方法，其流程图如图1所示，包括如下步骤：首先选取一定量的视频数据，根据行人的头部形状和纹理特征建立行人头部模型，作为提取摄像机传来的视频流中行人头部信息的模板。
其次，对于摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息；为第一帧图像中的每个行人头部信息创建一个队列，并将该行人头部信息的位置信息存储到该队列中；后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息；若是同一个行人的头部信息，则将该头部信息的位置信息存入到其相应的队列中，若不是同一个行人的头部信息则生成一个新的队列并存储该行人的头部信息的位置信息。
按照上述方法依次处理后续每帧图像，对于位置信息持续更新且包含至少三个所述头部信息的位置信息的队列，认为检测到了一个行人并进行统计。
本实施例所述的高密度行人检测方法，基于计算机视觉技术、视频处理和模式识别技术通过行人形状和纹理特征获取行人的头部模型，然后依据头部模型对视频流中的行人进行识别，并对每帧图像中的行人头部信息进行处理，获取每帧图像中行人的位置信息，将同一个人的位置信息存储为队列，以队列的更新程度和行人信息个数作为检测到的行人，具有检测精度高、鲁棒性好、运算简便及时效性高等优点，在智能交通视频监控、汽车自动驾驶、机器人视觉以及高级人机交互等方面有广泛的应用前景。
实施例二
本实施例提供一种高密度行人检测方法，其流程图如图1所示，具体包括步骤：
第一，选取一定量的视频数据，根据行人的头部形状和纹理特征建立行人头部模型。所述选取一定量的视频数据，根据所述视频数据建立行人头部模型的过程包括：根据所述视频数据获取每个行人的头部形状和纹理特征，再根据每个人的头部形状和头部纹理特征建立所述行人头部模型。
所述根据所述视频数据获取每个行人的头部形状和纹理特征的过程，其中获取所述头部形状的过程包括：获取行人头部图像的边界；提取所述行人头部头像的边界序列；通过傅里叶变换计算所述行人的头部形状，使获取的行人头部形状更加的逼真。在本实施例中，采用傅里叶描述子可以有效获取所述视频数据中行人的所述头部形状数据。
所述根据所述视频数据获取每个行人的头部形状和纹理特征的过程，其中获取所述纹理特征的过程，包括：将所述行人头部图像划分为若干个图像子块；对每个所述图像子块进行直方图统计，得到所有的所述图像子块直方图；利用所有的所述图像子块直方图描述所述行人头部图像的纹理特征，对获取的行人头部形状进行了纹理特征提取，进行了除噪处理，使获得的行人头部模型更具有代表性。在本实施例中采用纹理特征LBP计算描述子可以有效获取所述视频数据中行人头部的纹理特征。
作为可替换的实施例，获取所述头部形状的纹理特征采用Garbor滤波器。Garbor滤波器能做到具有最精确的时间、频率的局部化处理，可以出色地进行图像分割、识别与理解。
在获取所述视频数据中所有行人的所述头部形状和纹理特征后，提取所有行人的共有的头部形状特征和共有的纹理特征作为行人的头部模型。所述行人的头部模型包括行人共有的头部形状特征和行人共有的纹理特征，使得行人的头部模型更具有普遍性，通用性更强。
第二、对于高清深度摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息。
第三、为第一帧图像中的每个行人头部信息创建一个队列，并将该行人头部信息的位置信息存储到该队列中。
第四、后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息。具体过程包括：
计算所述行人头部图像的坐标与前一帧图像中所有行人头部图像坐标间的距离，如果与前一帧图像中某个行人头部图像间距离小于等于该行人头部直径，则判定该帧图像中行人信息与前一帧图像中该行人是同一个行人的头部信息；
否则，判定该帧图像中行人信息与前一帧图像中所有行人不是同一个行人的头部信息。
判断后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息的方法采用二者的距离是否小于行人的头像直径来判断，将检测到的每个行人的头部信息区分开，构思巧妙，易于实现。
第五、是同一个行人的头部信息则将该头部信息的位置信息存入到其相应的队列中，不是同一个行人的头部信息则生成一个新的队列并存储该行人的头部信息的位置信息。
最后，按照上述第二至第五步骤依次处理后续每帧图像，对于位置信息持续更新且包含至少三个所述头部信息的位置信息的队列，认为检测到了一个行人，依次处理后续5帧图像，若所述队列中行人头部信息的位置信息每帧都没有更新，认为该行人已离开了所述检测区域，计数器计数的同时将该队列信息删除，减小了缓存占用率，提高了硬件的运行速率，同时也便于统计行人的数目。
在其他实施例中，所述队列中行人信息连续没有更新的帧数可以为4帧或6至15帧，具体根据摄像机的特性和交通场景来选择。
本实施例中，对于与前一帧头部信息的位置信息相同的位置信息不再存入相应的队列中，有效的避免了将静止在检测区域或停留在检测区域的行人进行统计，使检测到的结果更加准确。
实施例三
本实施例在上述实施例的基础上，对于摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息的过程中，还包括：对于所述摄像机传来的视频流进行检测区域设定，所述检测区域的宽度为有效通行道的宽度，所述检测区域的高度为行人头部平均直径的五倍。
在其他实施例中，所述检测区域的高度为行人头部平均直径的四倍或六倍至十倍，具体根据摄像机的特性和交通场景来选择。
本实施例提供的高密度行人检测方法，对检测到的图像进行有效检测区域的设定，使需要处理的视频数据大大减小，运算量小，提高了行人检测效率。
实施例四
本实施例提供一种高密度行人检测方法的具体应用实施例。
首先建立行人头部模型，收集一定量的交通视频流中的图像并保存，裁切所述行人头部图像并根据形状特征傅里叶描述子和纹理特征LBP描述子建立所述行人头部模型。
其次，对于摄像机传来的视频流，进行检测区域设定，如图2所示，图中两条粗直线及左右边所形成的区域为设定的所述检测区域，所述检测区域的宽度为有效通行道的宽度，所述检测区域的高度为行人头部平均直径的五倍。根据所述行人头部模型获取第一帧图像中检测区域内的行人头部坐标信息，检测到行人A、B、C，分别为行人A、B、C创建一个队列，并将行人A、B、C的位置信息存储到相应的队列中。在第二帧视频图像中，如图3所示，检测到行人D、E、F，分别计算行人D、E、F的头部图像坐标逐个与第一帧视频图像中获取的行人A、B、C的头部图像坐标间的距离，得知行人D与行人D的头部距离小于行人D的头部直径，则行人B和行人D的坐标信息为同一个行人的坐标信息，将行人D的坐标信息存入到行人B的队列中，行人C与行人F的头部距离小于行人D的头部直径，则行人C和行人F的坐标信息为同一个行人的坐标信息，将行人F的坐标信息存入到行人C的队列中，行人E与行人A、B、C的头部图像坐标间的距离大于行人E的头部直径，为行人E创建一个新的队列，后续每帧图像根据上述方法进行处理。
最后，对于位置信息持续更新且包含至少三个所述头部信息的位置信息的队列，认为检测到了一个行人，依次处理后续5帧图像，若所述队列中行人头部信息的位置信息每帧都没有更新，认为该行人已离开了所述检测区域，计数器计数的同时将该队列信息删除。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种高密度行人检测方法，其特征在于，包括如下步骤：
选取一定量的视频数据，根据所述视频数据建立行人头部模型；
对于摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息；
为第一帧图像中的每个行人头部信息创建一个队列，并将该行人头部信息的位置信息存储到该队列中；
后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息；
是同一个行人的头部信息则将该头部信息的位置信息存入到其相应的队列中，不是同一个行人的头部信息则生成一个新的队列并存储该行人的头部信息的位置信息；
按照上述方法依次处理后续每帧图像，对于位置信息持续更新且包含至少三个所述头部信息的位置信息的队列，认为检测到了一个行人。
2.根据权利要求1所述的高密度行人检测方法，其特征在于，所述选取一定量的视频数据，根据所述视频数据建立行人头部模型的过程包括：根据所述视频数据获取每个行人的头部形状和纹理特征，再根据每个人的头部形状和头部纹理特征建立所述行人头部模型。
3.根据权利要求1或2所述的高密度行人检测方法，其特征在于，所述对于摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息的过程中，还包括：对于所述摄像机传来的视频流进行检测区域设定，所述检测区域的宽度为有效通行道的宽度，所述检测区域的高度为行人头部平均直径的四至十倍。
4.根据权利要求1或2所述的高密度行人检测方法，其特征在于，所述根据所述视频数据获取每个行人的头部形状和纹理特征的过程，其中获取所述头部形状的过程包括：
获取行人头部图像的边界；
提取所述行人头部头像的边界序列；
通过傅里叶变换计算所述行人的头部形状。
5.根据权利要求1或2所述的高密度行人检测方法，其特征在于，所述根据所述视频数据获取每个行人的头部形状和纹理特征的过程，其中获取所述纹理特征的过程，包括：
将所述行人头部图像划分为若干个图像子块；
对每个所述图像子块进行直方图统计，得到所有的所述图像子块直方图；
利用所有的所述图像子块直方图描述所述行人头部图像的纹理特征。
6.根据权利要求1或2或4或5所述的高密度行人检测方法，其特征在于，提取所有行人的共有的头部形状特征和共有的纹理特征作为行人的头部模型。
7.根据权利要求1或2或4所述的高密度行人检测方法，其特征在于，获取所述头部形状的纹理特征采用Garbor滤波器。
8.根据权利要求1-7任一所述的高密度行人检测方法，其特征在于，所述后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息的过程，包括：
计算所述行人头部图像的坐标与前一帧图像中所有行人头部图像坐标间的距离，如果与前一帧图像中某个行人头部图像间距离小于等于该行人头部直径，则判定该帧图像中行人信息与前一帧图像中该行人是同一个行人的头部信息；
否则，判定该帧图像中行人信息与前一帧图像中所有行人不是同一个行人的头部信息。
9.根据权利要求1或8所述的高密度行人检测方法，其特征在于，所述行人的头部信息的位置信息为行人的头部坐标信息，所述坐标信息为头部中心像素点的坐标信息。
10.根据权利要求1-9任一所述的高密度行人检测方法，其特征在于，所述按照上述方法依次处理后续每帧图像，对于位置信息持续更新且包含至少三个所述头部信息的位置信息的队列，认为检测到了一个行人的过程中，还包括：依次处理后续N帧图像，若所述队列中行人头部信息的位置信息每帧都没有更新，认为该行人已离开了所述检测区域，计数器计数的同时将该队列信息删除，其中N为正整数,所述N为的取值范围为[4,15]；根据权利要求1-10任一所述的高密度行人检测方法，其特征在于，所述是同一个行人的头部信息则将该头部信息的位置信息存入到其相应的队列中的过程中，还包括：对于与前一帧头部信息的位置信息相同的位置信息不再存入相应的队列中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310706728.1A CN103646254B (zh) | 2013-12-19 | 2013-12-19 | 一种高密度行人检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310706728.1A CN103646254B (zh) | 2013-12-19 | 2013-12-19 | 一种高密度行人检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103646254A true CN103646254A (zh) | 2014-03-19 |
| CN103646254B CN103646254B (zh) | 2017-01-25 |
Family
ID=50251465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310706728.1A Expired - Fee Related CN103646254B (zh) | 2013-12-19 | 2013-12-19 | 一种高密度行人检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103646254B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318760A (zh) * | 2014-09-16 | 2015-01-28 | 北方工业大学 | 一种基于似物性模型的路口违章行为智能检测方法及系统 |
| CN105989615A (zh) * | 2015-03-04 | 2016-10-05 | 江苏慧眼数据科技股份有限公司 | 一种基于多特征融合的行人跟踪方法 |
| CN106096553A (zh) * | 2016-06-06 | 2016-11-09 | 合肥工业大学 | 一种基于多特征的行人流量统计方法 |
| CN106504242A (zh) * | 2016-10-25 | 2017-03-15 | Tcl集团股份有限公司 | 目标检测方法及系统 |
| CN112313663A (zh) * | 2018-06-18 | 2021-02-02 | 祖克斯有限公司 | 遮挡感知规划 |
| CN112954268A (zh) * | 2019-12-10 | 2021-06-11 | 晶睿通讯股份有限公司 | 队列分析方法与图像监控设备 |
| CN114104006A (zh) * | 2022-01-28 | 2022-03-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 一种自动驾驶车辆实现错会车的方法及装置 |
| US11802969B2 (en) | 2018-06-18 | 2023-10-31 | Zoox, Inc. | Occlusion aware planning and control |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080018738A1 (en) * | 2005-05-31 | 2008-01-24 | Objectvideo, Inc. | Video analytics for retail business process monitoring |
| CN101477641A (zh) * | 2009-01-07 | 2009-07-08 | 北京中星微电子有限公司 | 基于视频监控的人数统计方法和系统 |
| CN103049787A (zh) * | 2011-10-11 | 2013-04-17 | 汉王科技股份有限公司 | 一种基于头肩特征的人数统计方法和系统 |
| CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
-
2013
- 2013-12-19 CN CN201310706728.1A patent/CN103646254B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080018738A1 (en) * | 2005-05-31 | 2008-01-24 | Objectvideo, Inc. | Video analytics for retail business process monitoring |
| CN101477641A (zh) * | 2009-01-07 | 2009-07-08 | 北京中星微电子有限公司 | 基于视频监控的人数统计方法和系统 |
| CN103049787A (zh) * | 2011-10-11 | 2013-04-17 | 汉王科技股份有限公司 | 一种基于头肩特征的人数统计方法和系统 |
| CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘晓旻等: ""基于Gabor直方图特征和MVBoost的人脸表情识别"", 《计算机研究与发展》 * |
| 刘鹏宇: ""基于内容的图像特征提取算法的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318760A (zh) * | 2014-09-16 | 2015-01-28 | 北方工业大学 | 一种基于似物性模型的路口违章行为智能检测方法及系统 |
| CN104318760B (zh) * | 2014-09-16 | 2016-08-24 | 北方工业大学 | 一种基于似物性模型的路口违章行为智能检测方法及系统 |
| CN105989615A (zh) * | 2015-03-04 | 2016-10-05 | 江苏慧眼数据科技股份有限公司 | 一种基于多特征融合的行人跟踪方法 |
| CN106096553A (zh) * | 2016-06-06 | 2016-11-09 | 合肥工业大学 | 一种基于多特征的行人流量统计方法 |
| CN106504242A (zh) * | 2016-10-25 | 2017-03-15 | Tcl集团股份有限公司 | 目标检测方法及系统 |
| CN112313663A (zh) * | 2018-06-18 | 2021-02-02 | 祖克斯有限公司 | 遮挡感知规划 |
| US11802969B2 (en) | 2018-06-18 | 2023-10-31 | Zoox, Inc. | Occlusion aware planning and control |
| CN112313663B (zh) * | 2018-06-18 | 2024-05-31 | 祖克斯有限公司 | 遮挡感知规划 |
| CN112954268A (zh) * | 2019-12-10 | 2021-06-11 | 晶睿通讯股份有限公司 | 队列分析方法与图像监控设备 |
| CN112954268B (zh) * | 2019-12-10 | 2023-07-18 | 晶睿通讯股份有限公司 | 队列分析方法与图像监控设备 |
| CN114104006A (zh) * | 2022-01-28 | 2022-03-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 一种自动驾驶车辆实现错会车的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103646254B (zh) | 2017-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103646254A (zh) | 一种高密度行人检测方法 | |
| WO2022126669A1 (zh) | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 | |
| US8582816B2 (en) | Method and apparatus for video analytics based object counting | |
| CN104933710B (zh) | 基于监控视频下的商店人流轨迹智能分析方法 | |
| CN105574501B (zh) | 一种人流视频侦测分析系统 | |
| CN105493502B (zh) | 视频监控方法、视频监控系统以及计算机可读存储介质 | |
| CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
| Bondi et al. | Real-time people counting from depth imagery of crowded environments | |
| CN103150559B (zh) | 基于Kinect三维深度图像的头部识别与跟踪方法 | |
| CN108830171B (zh) | 一种基于深度学习的智能物流仓库引导线视觉检测方法 | |
| Zhang et al. | A longitudinal scanline based vehicle trajectory reconstruction method for high-angle traffic video | |
| CN105513342A (zh) | 一种基于视频跟踪的车辆排队长度计算方法 | |
| CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
| CN103164858A (zh) | 基于超像素和图模型的粘连人群分割与跟踪方法 | |
| CN107644528A (zh) | 一种基于车辆跟踪的车辆排队长度检测方法 | |
| CN104794737A (zh) | 一种深度信息辅助粒子滤波跟踪方法 | |
| CN105354857B (zh) | 一种有立交桥遮挡的车辆轨迹匹配方法 | |
| CN107480653A (zh) | 基于计算机视觉的客流量检测方法 | |
| CN104063692A (zh) | 一种行人定位检测方法及系统 | |
| CN106778484A (zh) | 交通场景下的运动车辆跟踪方法 | |
| CN105243354B (zh) | 一种基于目标特征点的车辆检测方法 | |
| CN116242833A (zh) | 机场跑道病害检测与预警系统 | |
| CN103886609A (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
| CN114926422A (zh) | 一种上下车客流量检测方法及系统 | |
| CN107590431A (zh) | 一种基于图像识别的数量统计方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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: 20170125 Termination date: 20211219 |