CN103679148B - 一种基于聚类角点加权面积的群体聚散检测的方法与装置 - Google Patents
一种基于聚类角点加权面积的群体聚散检测的方法与装置 Download PDFInfo
- Publication number
- CN103679148B CN103679148B CN201310676217.XA CN201310676217A CN103679148B CN 103679148 B CN103679148 B CN 103679148B CN 201310676217 A CN201310676217 A CN 201310676217A CN 103679148 B CN103679148 B CN 103679148B
- Authority
- CN
- China
- Prior art keywords
- angle point
- crowd
- area
- calculated
- class cluster
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 230000011218 segmentation Effects 0.000 abstract description 3
- 238000007519 figuring Methods 0.000 abstract 2
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- KJDGFQJCHFJTRH-YONAWACDSA-N 16-Ketoestradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](C(=O)C4)O)[C@@H]4[C@@H]3CCC2=C1 KJDGFQJCHFJTRH-YONAWACDSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种聚类角点加权面积的群体聚散检测方法，包括如下步骤：A.获取视频帧图像；B.通过混合高斯背景建模方法计算出人群前景区域；C.通过Harris角点检测算法计算图像的角点；D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；E.使用DBSCAN对角点进行聚类；F.使用加权法计算角点面积；G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。本发明的方法通过使用角点描述人群分布，避免了对人群个体分割的不准确性；通过对人群角点进行聚类，并从人群类簇的个数可以分析出当前场景中人群整体的密集程度。通过计算角点面积变化曲线的斜率来进行事件决策，决策简单有效。事件决策过程中还增加了类簇个数变化情况进行辅助，增加了决策结果的准确性。
Description
技术领域
本发明属于人群检测领域，涉及一种群体聚散检测的方法与装置。
背景技术
目前，已有的人群行为分析系统主要是进行人数统计或者密度统计。少有的人群聚散检测系统也是根据统计人数或者密度来进行决策的。但是这种系统在分割人群个体方面很容易受到人群遮挡等因素的影响，无法保证人群个数计算的准确性。而且一般的人数统计系统都需要有训练分类器过程，这类系统给实际应用带来很多不便。
发明内容
为了解决现有技术中通过人数统计来进行群体聚散检测的不准确性，同时也无法表达出人群聚集这个过程的变化趋势和需要训练分类的过程。本发明提供了一种聚类角点加权面积的群体聚散检测方法与装置。
本发明通过如下技术方案实现：
一种聚类角点加权面积的群体聚散检测方法，包括如下步骤：
A.获取视频帧图像；
B.通过混合高斯背景建模方法计算出人群前景区域；
C.通过Harris角点检测算法计算图像的角点；
D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；
E.使用DBSCAN聚类算法对角点进行聚类；
F.使用加权法计算角点面积；
G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
进一步地，所述步骤B和步骤C的顺序可以互换。
进一步地，所述步骤F包含以下子步骤：
F1.根据步骤E中聚类结果的类簇个数情况，若类簇个数大于某个阈值（取5）时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于某个阈值（取5）时，则认为人群已经初具规模，此时使用加权计算角点面积。
F2.通过角点的横纵坐标分布情况组成一个协方差矩阵，然后计算矩阵的行列式值，即为角点面积。
进一步地，所述Harris角点检测算法为C.Harris和M.Stephens提出了Harris角点检测算法。
作为本发明的进一步改进，所述DBSCAN聚类算法使用R*-tree算法实现。
进一步地，所述步骤E中，将距离满足的两角点视为相似的角点。
进一步地，加权计算角点面积具体为：计算整个图像中的所有角点的中心及每个类簇的中心位置计算每个类簇到所有角点中心的距离Dk，并求出离中心最远的类簇的距离Dmax;对每个类簇设置权值wk；然后计算，每个类簇用权重wk对面积S进行加权。
进一步地，所述步骤G具体为：角点面积的变化曲线的斜率为当前帧计算的角点面积St w和前T帧计算的角点面积的比值；人群聚集必须满足K<Kf，聚集阈值Kf为一个负值，并且类簇个数在T帧内呈减小趋势；人群疏散必须满足K>Ke，其中疏散阈值Ke是一个大的正值，并且类簇个数在T帧内呈增加趋势。
另一方面，本发明提供了一种基于聚类角点加权面积的群体聚散检测装置，包括视频获取模块、角点检测模块、人群角点获取模块、加权角点面积计算模块、聚散事件检测模块；其中，所述视频获取模块，用于获取视频帧图像；角点检测模块，用于混合高斯背景建模方法计算出人群前景区域并通过Harris角点检测算法计算图像的角点；人群角点获取模块，用于使用人群前景作为掩膜算子计算出图像的人群角点；角点聚类模块，用于通过DBSCAN聚类算法对人群运动向量进行聚类；加权角点面积计算模块，用于加权法计算角点面积；聚散事件检测模块，用于计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
本发明的有益效果是：通过使用角点描述人群分布，避免了对人群个体分割的不准确性；通过对人群角点进行聚类，并从人群类簇的个数可以分析出当前场景中人群整体的密集程度。通过计算角点面积变化曲线的斜率来进行事件决策，决策简单有效。事件决策过程中还增加了类簇个数变化情况进行辅助，增加了决策结果的准确性。
附图说明
图1是本发明的基于聚类角点加权面积的群体聚散检测方法流程示意图；
图2是本发明的基于聚类角点加权面积的群体聚散检测装置结构示意图。
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
本发明的基于聚类角点加权面积的群体聚散检测方法包括以下步骤：
A、通过摄像头获取视频帧图像；
B、通过混合高斯背景建模方法计算出人群前景区域；
C、Harris角点检测；鉴于Harris角点检测算法计算简单，提取的角点特征分布均匀而且合理等有点，算法使用C.Harris和M.Stephens提出了Harris角点检测算法。
D、使用人群前景作为掩膜算子计算出图像中的人群角点；使用人群前景区域作为掩膜算子，保留前景区域中的角点，即人群角点；滤除背景区域中的角点。
E、DBSCAN角点聚类；鉴于同一块人群密度相连性，使用基于密度的DBSCAN聚类方法对人群角点进行聚类。通过聚类之后，若人群在场景中比较分散，则人群类簇个数很多；若人群在场景中分布比较集中，则人群类簇个数比较少。DBSCAN聚类算法使用R*-tree实现，时间复杂度为O(nlogn)。聚类的另一个好处是可以滤除一些比较独立的噪声点。
本发明使用DBSCAN聚类时，将距离满足公式（1-1）条件的角点视为相似：
即位于(xi,yi)的角点i和位于(xj,yj)的角点j的欧式距离小于Thresh，这里取Thresh=40。
F、使用加权法计算角点面积；根据步骤E中聚类结果的类簇个数情况，若类簇个数大于某个阈值时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于某个阈值时，则认为人群已经初具规模，此时使用加权计算角点面积。
之所以提出对角点面积进行加权，是因为在不使用加权的情况下使用角点面积法进行人群聚散检测会出现很多误报。当人群聚集以后，如果远处有人群个体朝人群走近时，会出现人群角点面积先变大，然后又逐渐减小，即可能出现聚集或者疏散误报。
角点面积的可以反映人群在场景中的分布情况。用角点坐标集的协方差矩阵行列式的值来表征目标角点的面积，角点面积随时间的变化曲线即为人群的运动特征。角点面积的计算方法如下：
假设目标角点坐标集为D，D为一个n×2的矩阵，其每行为一个角点的横、纵坐标，设角点的坐标为(x,y)，令Sxx为所有角点横坐标x的方差，Syy为所有角点纵坐标y的方差，Sxy为角点集坐标(x,y)的协方差，则协方差矩阵定义为：
协方差矩阵的行列式值为
行列式的值S就表示场景中角点的面积。
角点面积可以反映角点的分布情况，而角点的分布情况又反映了人群的分布情况。角点面积越大，说明角点越分散，人群也就越分散；反之，角点面积越小，说明角点越密集，人群也就越密集。角点面积从大逐渐变小，说明角点从分散到聚拢，人群正在聚集；反之如果角点面积从小变大，说明角点从聚拢到分散，人群正在分散；如果角点面积维持在一个特定水平上下波动，且波动范围很小，说明人群可能在原地活动或者同向移动等。总之，通过考察角点面积的变化情况，可以分析人群的运动情况。
添加权重的最主要作用就是在人群聚集以后，由于远处出现行人或者远处行人的走动造成角点面积的变化。当人群已经聚集在一起以后，远处出现了行人，进入摄像头的视野范围，这时候角点面积会出现增大的趋势，具体增大程度视行人在图像中所占的比例。这种情况在实际场景中非常常见，但是实际场景中远处行人一般都是单个或者很少的个体。
对人群角点进行聚类分析之后，本发明提出一种加权机制，根据聚类后的类别数决定是否使用加权法。假设在第t帧图像时，通过聚类算法得到ct个类，在ct个类中的第k个类含有ntk(1≤k≤ct)个角点。当前帧类别数ct<Tc时，对每个类别的人群角点进行加权处理。
下面介绍下加权的具体实施步骤：
计算整个图像中的所有角点的中心及每个类簇的中心位置
计算每个类簇到所有角点中心的距离Dk，并求出离中心最远的类簇的距离Dmax，Dk的计算采用欧几里德距离，计算公式为：
Dmax=max{Dk}1≤k≤ct (1-5)
对每个类簇设置权值wk，计算公式为：
wk=1-Dk/Dmax (1-6)
计算每个类簇用权重wk进行加权
的计算类似。
G、计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
用角点面积法主要可以检测两类事件：人群聚集和人群疏散事件。人群聚集指人群缓慢的向一个点（或者区域）靠拢，而人群疏散是指人群原先处于聚集状态，突然分散。人群在聚集的过程中，角点面积会逐渐变小，而人群在疏散时，人群的角点面积急剧增大。
为了描述角点面积的变化情况，并且根据其变化情况来进行聚散事件检测，通过角点面积曲线的斜率来进行区分，人群聚集时，角点面积是一个减小的过程，此时斜率为一个负值；人群疏散时，角点面积是一个增大的过程，此时斜率为一个很大的正值。
由于每帧图像中计算的角点面积是一个离散的值，如果直接用连续两帧的角点面积的比值当作斜率，误差较大。为此，本发明提出了一种通过加权的方式估算斜率的方法，将视频帧序列进行分段，每T帧为一个视频段，如果用这T帧的平均角点面积当作当前帧的角点面积，这虽然是个可行的方案，但是无法达到实时性，当某个聚集事件或者疏散事件发生时，可能发生当前不会检测出来，而是过了几帧才被检测出来。于是，利用当前帧和其前T-1帧的角点面积的加权和作为当前帧的角点面积St w，计算公式如下：
其中wi为权重系数，越接近第t帧贡献率越大，用公式（1-9）来计算权重系数
然后斜率通过当前帧计算的角点面积St w和前T帧计算的角点面积的割线的斜率进行估算
人群聚集必须满足K<Kf，Kf为聚集阈值，为一个负值，并且类簇个数在T帧内呈减小趋势；人群疏散必须满足K>Ke，Ke为疏散阈值，为一个大正值，并且类簇个数在T帧内呈增加趋势。
附图2是本发明的基于聚类角点加权面积的群体聚散检测装置，包括视频获取模块、角点检测模块、人群角点获取模块、加权角点面积计算模块、聚散事件检测模块；其中，所述视频获取模块，用于获取视频帧图像；角点检测模块，用于混合高斯背景建模方法计算出人群前景区域并通过Harris角点检测算法计算图像的角点；人群角点获取模块，用于使用人群前景作为掩膜算子计算出图像的人群角点；角点聚类模块，用于通过DBSCAN聚类算法对人群运动向量进行聚类；加权角点面积计算模块，用于加权法计算角点面积；聚散事件检测模块，用于计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于聚类角点加权面积的群体聚散检测方法，包括如下步骤：
A.获取视频帧图像；
B.通过混合高斯背景建模方法计算出人群前景区域；
C.通过Harris角点检测算法计算图像的角点；
D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；
E.使用DBSCAN聚类算法对角点进行聚类；
F.使用加权法计算角点面积；
G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别；
其中，所述步骤F包含以下子步骤：
F1.根据步骤E中聚类结果的类簇个数情况，若类簇个数大于第一阈值时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于等于第一阈值时，则认为人群已经初具规模，此时使用加权计算角点面积；
F2.通过角点的横纵坐标分布情况组成一个协方差矩阵，然后计算矩阵的行列式值作为角点面积；
所述加权计算角点面积具体为：计算整个图像中的所有角点的中心及每个类簇的中心位置计算每个类簇到所有角点中心的距离Dk，并求出离中心最远的类簇的距离Dmax；对每个类簇设置权值wk；然后计算，每个类簇用权重wk对面积S进行加权。
2.根据权利要求1所述的方法，其特征在于：所述步骤B、步骤C的执行无先后顺序。
3.根据权利要求1所述的方法，其特征在于：所述第一阈值为5。
4.根据权利要求1所述的方法，其特征在于：所述Harris角点检测算法为C.Harris和M.Stephens提出了Harris角点检测算法。
5.根据权利要求1所述的方法，其特征在于：所述DBSCAN聚类算法使用R*-tree算法实现。
6.根据权利要求1所述的方法，其特征在于：所述步骤E中，将距离满足的两角点视为相似的角点。
7.根据权利要求1所述的方法，所述步骤G具体为：角点面积的变化曲线的斜率K为当前帧计算的角点面积和前T帧计算的角点面积的比值；人群聚集必须满足K＜Kf，聚集阈值Kf为一个负值，并且类簇个数在T帧内呈减小趋势；人群疏散必须满足K＞Ke，其中疏散阈值Ke是一个大的正值，并且类簇个数在T帧内呈增加趋势。
8.一种基于聚类角点加权面积的群体聚散检测装置，其特征在于：所述装置包括视频获取模块、角点检测模块、人群角点获取模块、加权角点面积计算模块、聚散事件检测模块；其中，所述视频获取模块，用于获取视频帧图像；角点检测模块，用于混合高斯背景建模方法计算出人群前景区域并通过Harris角点检测算法计算图像的角点；人群角点获取模块，用于使用人群前景作为掩膜算子计算出图像的人群角点；角点聚类模块，用于通过DBSCAN聚类算法对人群运动向量进行聚类；加权角点面积计算模块，用于加权法计算角点面积；聚散事件检测模块，用于计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别；其中，所述加权角点面积计算模块计算角点面积具体为：根据所述角点聚类模块聚类结果的类簇个数情况，若类簇个数大于第一阈值时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于等于第一阈值时，则认为人群已经初具规模，此时使用加权计算角点面积；通过角点的横纵坐标分布情况组成一个协方差矩阵，然后计算矩阵的行列式值作为角点面积；所述加权计算角点面积具体为：计算整个图像中的所有角点的中心及每个类簇的中心位置计算每个类簇到所有角点中心的距离Dk，并求出离中心最远的类簇的距离Dmax；对每个类簇设置权值wk；然后计算，每个类簇用权重wk对面积S进行加权。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310676217.XA CN103679148B (zh) | 2013-12-11 | 2013-12-11 | 一种基于聚类角点加权面积的群体聚散检测的方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310676217.XA CN103679148B (zh) | 2013-12-11 | 2013-12-11 | 一种基于聚类角点加权面积的群体聚散检测的方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103679148A CN103679148A (zh) | 2014-03-26 |
| CN103679148B true CN103679148B (zh) | 2017-04-26 |
Family
ID=50316638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310676217.XA Expired - Fee Related CN103679148B (zh) | 2013-12-11 | 2013-12-11 | 一种基于聚类角点加权面积的群体聚散检测的方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103679148B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103902655B (zh) * | 2014-02-28 | 2017-01-04 | 小米科技有限责任公司 | 聚类方法、装置及终端设备 |
| CN103902654B (zh) * | 2014-02-28 | 2017-02-08 | 小米科技有限责任公司 | 聚类方法、装置及终端设备 |
| CN104168462B (zh) * | 2014-08-27 | 2017-06-13 | 重庆大学 | 基于图像角点集特征的摄像头场景变换检测方法 |
| CN104680140B (zh) * | 2015-02-13 | 2017-10-31 | 电子科技大学 | 基于图像的人群聚集状态检测方法 |
| CN104866844B (zh) * | 2015-06-05 | 2018-03-13 | 中国人民解放军国防科学技术大学 | 一种面向监控视频的人群聚集检测方法 |
| CN108021852A (zh) * | 2016-11-04 | 2018-05-11 | 株式会社理光 | 一种人数统计方法、人数统计系统及电子设备 |
| CN107463751B (zh) * | 2017-08-10 | 2021-01-08 | 山东师范大学 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
| CN107578035B (zh) * | 2017-09-30 | 2020-06-16 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
| CN108830842B (zh) * | 2018-06-04 | 2022-01-07 | 哈尔滨工程大学 | 一种基于角点检测的医学图像处理方法 |
| CN111339945B (zh) * | 2020-02-26 | 2023-03-31 | 贵州安防工程技术研究中心有限公司 | 基于视频的人群聚散检查方法与系统 |
| CN113743424B (zh) * | 2021-09-15 | 2023-06-27 | 昆明理工大学 | 全尾砂动态絮凝沉降中絮体动态沉降分散程度定量表征方法 |
| CN114004877B (zh) * | 2021-12-31 | 2022-03-08 | 中国科学院自动化研究所 | 视觉场景中物体稀疏性的判断方法、系统和设备 |
| CN116486337A (zh) * | 2023-04-25 | 2023-07-25 | 江苏图恩视觉科技有限公司 | 一种基于图像处理的数据监测系统及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310183A (zh) * | 2012-03-16 | 2013-09-18 | 日电（中国）有限公司 | 人群聚集检测的方法与装置 |
-
2013
- 2013-12-11 CN CN201310676217.XA patent/CN103679148B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310183A (zh) * | 2012-03-16 | 2013-09-18 | 日电（中国）有限公司 | 人群聚集检测的方法与装置 |
Non-Patent Citations (4)
| Title |
|---|
| "场景监控中的人群密度估计";胡波，等;《电路与系统学报》;20071231;第12卷(第6期);第19-22页 * |
| "基于Harris角点检测算法的图像拼接技术研究";贾莹;《中国优秀硕士学位论文全文数据库》;20100915(第09期);第3.2.2节 * |
| "基于数据挖掘技术的智能视频监控异常分析方法研究";杨建成;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20120415(第04期);第3节、第4节 * |
| "多尺度的积的协方差矩阵行列式的角点检测方法";徐玲，等;《计算机工程与应用》;20111231;第47卷(第2期);第160-164页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103679148A (zh) | 2014-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103679148B (zh) | 一种基于聚类角点加权面积的群体聚散检测的方法与装置 | |
| CN107330372B (zh) | 一种基于视频的人群密度与异常行为检测系统的分析方法 | |
| CN106845415B (zh) | 一种基于深度学习的行人精细化识别方法及装置 | |
| Huang et al. | Highly accurate moving object detection in variable bit rate video-based traffic monitoring systems | |
| CN111582068A (zh) | 人员口罩佩戴状态检测方法 | |
| CN105976383A (zh) | 一种基于极限学习机图像识别的输电设备故障诊断方法 | |
| CN101431664A (zh) | 基于视频图像的密集客流密度自动检测方法及系统 | |
| CN107886507B (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
| CN104732236B (zh) | 一种基于分层处理的人群异常行为智能检测方法 | |
| CN107483894B (zh) | 基于场景判断实现客运管理的高铁车站视频监控系统 | |
| 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 | |
| CN106570449B (zh) | 一种基于区域定义的人流量与人气指数检测方法及检测系统 | |
| CN103093179A (zh) | 视频条纹量化计算方法 | |
| WO2023155482A1 (zh) | 一种人群快速聚集行为的识别方法、系统、设备及介质 | |
| CN110020618A (zh) | 一种可用于多拍摄角度的人群异常行为监测方法 | |
| CN113673311A (zh) | 一种交通异常事件检测方法、设备及计算机存储介质 | |
| CN110866453B (zh) | 基于卷积神经网络的实时人群稳定状态识别方法及装置 | |
| CN110889347B (zh) | 基于时空计数特征的密度交通流计数方法及系统 | |
| CN106127813B (zh) | 基于视觉感知能量的监控视频运动片段分割方法 | |
| CN104301722B (zh) | 一种基于频域的视频流模糊检测方法 | |
| CN101877135A (zh) | 一种基于背景重构的运动目标检测方法 | |
| CN110188718A (zh) | 一种基于关键帧和联合稀疏表示的无约束人脸识别方法 | |
| CN106372171A (zh) | 监控平台实时数据处理方法 | |
| KR101529620B1 (ko) | 이동 방향별 보행자 계수 방법 및 장치 | |
| Lee et al. | Crowd behavior representation using motion influence matrix for anomaly detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170426 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |