CN103824070A - 一种基于计算机视觉的快速行人检测方法 - Google Patents
一种基于计算机视觉的快速行人检测方法 Download PDFInfo
- Publication number
- CN103824070A CN103824070A CN201410110812.1A CN201410110812A CN103824070A CN 103824070 A CN103824070 A CN 103824070A CN 201410110812 A CN201410110812 A CN 201410110812A CN 103824070 A CN103824070 A CN 103824070A
- Authority
- CN
- China
- Prior art keywords
- detecting device
- image
- pixel
- head
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的快速行人检测方法,此方法包括:首先,采集行人视频图像,然后采用ViBe算法为视频图像帧建立背景模型,通过融合帧差法的ViBe算法分割出前景区域;然后,计算各目标块轮廓的最高点坐标,完成头部候选区域的定位;最后,使用目标检测窗口对头部候选区进行遍历获取待检测样本,将待测样本输入经过Adaboost算法训练好的复合头部检测器,判断是否为人头样本,以此得到行人检测结果。本方发明通过以上技术方案有效的解决了现有技术中鲁棒性和实时性差的技术问题。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种基于计算机视觉的快速行人检测方法。
背景技术
智能视频监控技术是计算机视觉领域近年来新兴的一个研究方向,它是一种基于人工智能的计算视觉技术,以场景中的运动目标作为分析对象,其中运动目标包括行人、车辆、动物等。由于人是社会活动的主体,所以以行人作为目标的检测在智能视频监控领域越来越受到研究人员们的关注。
在安全方面,智能视频监控系统通过摄像头获取监控场景的视频图像,并对得到的图像进行处理,当场景中出现可疑的人或事件时进行报警,从而阻止犯罪和灾难性事件的发生,保证人民群众的生命财产安全;在交通应用上,通过在车辆上安装行人检测装置提高车辆驾驶的安全性来减少车祸的发生,同时也可以检测交通中行人的违法和不安全行为。在一些特定领域视频监控系统必须快速的检测并识别出行人目标,并发出警告信号。例如军事基地,监狱,高速公路等场景。
目前大多数人体跟踪算法都需要已知目标的初始位置(如通过人机交互方式),而实用的跟踪系统需要自动定位初始目标,这就需要人体检测算法的支持。检测人体目标比检测其他目标更具挑战性。在行人检测的技术方法上,国内普遍采用基于单目视觉的方法,利用人体边缘、纹理等特征建立模板并综合运用神经网络、支持向量机、级联检测器这些机器学习方法。但现有的单目视觉方法鲁棒性不高,且实时性无法满足检测行人安全状态的需求。国外行人检测所使用的主流方法是机器视觉算法和传感器结合,但在混合交通条件下进行行人检测仍然是一个很大的挑战,首先是受光照和天气的影响较大。因此,如何有效的提出一种应对行人姿态多变和环境条件复杂的快速行人检测算法变得非常的重要。
发明内容
为了解决现有技术中因环境和人为因素干扰造成目标识别率低和目标检测实时性差的问题,本发明提出了一种基于计算机视觉的快速行人检测方法。
本发明是通过以下技术方案实现的,本发明包括以下步骤:
步骤1:用摄像机提取监控场景中目标运动过程的视频图像,并将摄像机采集到的图像实时传送给后台计算机;
步骤2:运动目标检测:把通过视频采集器获取的实时视频图像传送给计算机,计算机对实时接收的图像序列采用改进的ViBe算法进行背景建模,通过比较这个模型与当前帧图像来分割出前景目标。
所述的背景建模的具体步骤包括:
1)在视频序列图像中,对单帧图像中每个像素进行背景模型的初始化。
2)对后续输入的帧图像进行前景目标的分割,同时对像素的背景模型进行更新。
3)对被判定为背景像素的点的邻域像素进行随机选择性更新。
步骤3:轮廓最高点检测:提取出前景信息后,对各目标块进行标记,利用轮廓信息得到最高的坐标值。
所述的最高点坐标计算是指:对边缘轮廓坐标进行求导计算得到目标区域最高点坐标,由于行人轮廓的下半部分不包括最高点信息,所以在计算轮廓信息时只对上半部分轮廓坐标求导计算。
所述上半部分轮廓是指:在对目标前景提取后,对提取出的前景区域用最小矩形进行标示,以矩形的中心作为目标的中心,从目标中心到轮廓最高点这部分轮廓称为目标区域的上半部分轮廓。
步骤4:根据轮廓特征点和头部检测器来定位和检测出行人目标:在求得各目标轮廓最高点后,根据轮廓最高点确定头部候选区,使用目标检测窗口对头部候选区进行遍历,得到待检测样本,然后将待检测样本输入训练好的复合头部检测器,判断其是否为头部目标,以此来判定是否为行人目标。
在一般情况下目标块轮廓的最高点为行人目标的头部位置,所以求取最高点坐标后在该点下方指定范围进行搜索,相比对整个目标块进行遍历的方法降低了时间复杂度,提高检测识别效率。采用滑动可变的头部检测窗口对指定区域进行遍历,检测到头部目标后将待检测样本输入训练好的复合头部检测器,对样本进行判定,从而检测出行人目标。
步骤4中使用的训练好的复合头部检测器是采用Adaboost算法进行训练,即在不同的场景中从不同角度采集行人头部图像建立头部检测器训练样本库,头部检测器包括头顶检测器、正面检测器、侧面检测器和后脑勺检测器四个子检测器,采用Adaboost算法对各子检测器进行训练,再将子检测器级联组成最终的复合头部检测器。
组成复合头部检测器的子检测器的多少是根据摄像机的拍摄角度而定,当摄像机水平拍摄时,只需要三个子检测器即可完成检测,三个子检测器是指正面检测器、侧面检测器和后脑勺检测器;当摄像机倾斜拍摄时需要四个子检测器才能完整检测,指头顶检测器、正面检测器、侧面检测器和后脑勺检测器,当摄像机垂直拍摄时只需要一个子检测器就可完整的检测,即头顶检测器。
头部检测器的训练包括以下步骤:
采集训练样本:在特定几个场景中采集不同角度和不同距离获取的头部图像,每类正样本3000张,负样本从不含人头图像的风景和建筑设计图片中随机截取,负样本45000张。
训练样本:根据具体的检测器来选择对应的样本,通过第二次训练后的负样本通过第一次训练的正负样本检测器来检测得到,训练出的检测器误检的样本作为下次训练的负样本。重复这个过程,以迭代的方式训练出最终需要的检测器。
本发明是具有实时鲁棒的行人检测算法,采用改进的ViBe算法来获取去运动目标,相比高斯法、核密度法、码本法等方法检测速度很快,满足实时性和鲁棒性的要求。另外,在依靠轮廓特征找出轮廓最高点的情况下利用检测器对目标进行识别,避免了因检测器遍历整个图像窗口所造成的时间复杂度的增加,同时在行人识别时,选用行人头部特征,并将头部检测分为三个子检测器并级联组成最终的复合头部检测器,选用头部特征避免了因遮挡造成的漏检,提高了识别的准确率。由此可见,采用上述行人检测方法具有高效准确的特点。
附图说明
附图用来提供对本发明的进一步理解,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1:本发明基于计算机视觉的快速行人检测方法整体流程图。
具体实施方式
下面详细的介绍本发明的一个具体实施过程,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明的一种基于计算机视觉的快速行人检测方法的实施例包括以下几个步骤
步骤1:采集校园活动广场的视频图像,对图像进行预处理。首先需要为图像进行背景建模,对比混合高斯法、核密度估计法、均值法、码本法和ViBe法等几种背景建模检测算法,综合考虑算法对硬件内存,鲁棒性,实时性的要求。本专利选择ViBe法来对图像建立背景模型。由于ViBe算法易引入Ghost区域,这些区域是由原静止的物体开始运动或原来运动的物体变为静止所引起的,能否快速的去除这些Ghost区域是提高ViBe算法和行人检测算法鲁棒性的关键。通过观察ViBe法在视频帧中检出的前景目标区域发现,由ViBe算法得到的前景目标区域与帧差法得到的检测相似,故本专利采用结合帧差法的改进ViBe算法来对背景进行建模。
其背景建模算法包括以下步骤:
设Ij为第j帧图像,其分割后的图像为Fj,第i帧和第m帧的差分后的图像为Di,m
1.1:将视频图像分帧,并对单帧图像中的每个像素进行背景模型初始化。假设k=1时输入第一帧图像I1;KG(x,y)、f1(x,y)分别是像素点(x,y)背景模型、空间领域和像素值,这里认为任意像素的值与其邻域像素的值在空间域上具有相似的分布,像素点(x,y)等概率随机选取的。则有:
其中n=1,2...N表示抽样的个数。
其中R为分开前景和背景像素点设定的阈值,(x',y')表示随意选取的像素点,并对像素进行统计,如果某像素连续L次被检为前景,则将其更新为背景点,否则认为是前景像素。
1.3输入视频图像I3,计算I3分割后图像F3。使用下面公式得到I2与I3的差分和阈值化后的图像D2,3,将D2,3与F3做与运算,去除了F3中的一部分Ghost区域,然后基于原图像I3将这部分Ghost区域的像素背景模型更新。Di,j求取公式定义如下:
1.4输入第k帧视频图像Ik(k=4),利用上一帧更新得到背景模型计算Fk,使用上面公式得到Ik-1与Ik做差分并阈值化后的图像Dk-1,k,同时将Dk-1.k与Fk做与运算,去除Fk中的一部分鬼影区域,而后基于原图像Ik将去除的Ghost区域的像素点进行背景模型更新。
1.5重复步骤1.4,依次输入视频序列Ik(k=5,6...M)直到最大视频帧数。
步骤2:目标轮廓特征点的选取,对提取出的前景目标区域用矩形窗口进行标示,并求出各目标块的轮廓,计算各目标块的最高点坐标,由于要计算目标轮廓最高值点坐标,目标块轮廓的下半部分不包括最高点信息,所以算法只对目标块的上半部分轮廓进行计算,这样可以降低时间复杂度,提高检测效率。具体步骤如下:
2.1:提取第i个目标块,计算目标块的面积Si,若目标块Si≥th,则认为目标块有多个目标组成,否则认为是单个目标。th为判定目标块是单目标还是多目标而设定的面积阈值。
2.2:求出目标块轮廓数据矩阵Gi;
2.3:针对目标块的面积采用不同方法来对目标轮廓最高点坐标进行求取,如果Si≥th,则求出目标轮廓上半部分的所有局部极大值点,并对各点坐标进行标注;否则,在该目标块的上半轮廓Gi'中求出一个最高点坐标,若在该轮廓中存在多个最高值点,则以中间最高值点坐标作为最高值点坐标;
2.4:将求取的坐标点进行标示并将该特征点坐标保存。
步骤3:在求得各目标轮廓最高点后,利用Adaboost算法对头部检测器进行训练的到最终的复合头部检测器,在一般情况下目标块轮廓的最高点为行人目标的头部,所以求取最高点坐标后在该点下方指定范围进行搜索,相比对整个目标块进行遍历的方法降低了时间复杂度,提高检测识别效率。本实施例获取的是水平拍摄的视频图像,故将头部检测器分为正面检测器、后脑勺分类和侧面检测器三个子检测器,并在检测窗口将这三个子检测器级联组合为最终的复合头部检测器。若检测窗口图像通过其中任意一个则判为人头目标。具体算法步骤如下:
3.1:对头部检测器分为正面、后脑勺和侧面三个子检测器,并对各子检测器进行训练,训练包括以下步骤:
3.1.1:样本的采集:在特定几个场景中采集不同角度和不同距离获取的头部图像,每类正样本3000张,负样本从不含人头图像的风景和建筑设计等图片中随机截取,负样本45000张。
3.1.2:训练样本:根据具体的检测器来选择对应的样本,在第一次训练时选用40000张负样本。通过第二次训练后的负样本通过第一次训练的正负样本检测器来检测得到,训练出的检测器误检的样本作为下次训练的负样本。重复这个过程,以迭代的方式训练出最终需要的检测器。
3.2:用头部检测窗口对目标轮廓最高点坐标下一定范围内进行遍历得到待检测样本,这样可以快速的检测出人头目标候选区。
3.3:将遍历得到待检测样本缩放到训练样本大小输入训练好的复合头部检测器,判断是否为人头目标。
根据检测到的人头目标即可以准确的检测出行人,以行人头部信息作为行人检测识别的特征参数,可以有效的避免遮挡问题,在结合轮廓最高点信息可以提高行人检测的效率,可以对监控中的行人目标进行实时检测。
Claims (6)
1.一种基于计算机视觉的快速行人检测方法,其特征在于,包含以下步骤:
步骤1:用摄像机提取监控场景中目标运动过程的视频图像,并将摄像机采集到的图像实时传送给后台计算机;
步骤2:运动目标检测:包括背景模型初始化和模型更新;所述背景模型初始化是计算机对实时接收的图像序列采用像素级算法ViBe法,对图像中每个像素进行初始化建立背景模型;所述模型更新是指采用帧差法和ViBe法相结合的方法求取的运动区域,并基于原图像对出现的Ghost区域中的像素进行背景模型更新,即通过比较这个模型与当前帧图像来分割出前景目标:具体步骤如下:
2.2)对第2帧图像I2(k=2)进行前景分割,得到分割后图像F2并对各个像素的背景模型进行更新,设k=i,则像素点(x,y)的背景模型为像素值为fi(x,y)利用如下准则来判读该像素点是否为前景点
2.3)输入第3帧视频图像I3(k=3),计算I3分割后图像F3;使用下面公式得到I2与I3的差分和阈值化后的图像D2,3,将D2,3与F3做与运算,去除F3中的一部分Ghost区域,然后基于原图像I3将这部分Ghost区域的像素背景模型更新
2.4)输入第k帧视频图像Ik(k=4),利用上一帧更新得到背景模型计算Fk,使用上面公式得到Ik-1与Ik做差分并阈值化后的图像Dk-1,k,同时将Dk-1.k与Fk做与运算,去除Fk中的一部分鬼影区域,而后基于原图像Ik将去除的Ghost区域的像素点进行背景模型更新;
2.5)重复步骤2.4,依次输入后续视频序列Ik(k=5,6...M)直到最大视频帧数;
步骤3:目标块轮廓特征点的提取:将提取出的前景目标区域用最小矩形窗口进行标示,并求出各目标块的面积S和轮廓G,通过目标块面积S来选择求取目标轮廓最高点坐标;
步骤4:根据轮廓特征点和头部检测器来定位和检测出行人目标:在求得各目标轮廓最高点后,根据轮廓最高点确定头部候选区,使用目标检测窗口对头部候选区进行遍历,得到待检测样本,然后将待检测样本输入训练好的复合头部检测器,判断其是否为头部目标,以此判定是否为行人目标。
2.根据权利要求1所述的方法,其特征在于,在步骤1中摄像机可以水平拍摄也可以倾斜拍摄。
3.根据权利要求1所述的方法,其特征在于,在步骤3中目标轮廓特征是指目标轮廓的最高点坐标,在二维空间,即单目相机获取的图像,指分割出的前景目标块轮廓横坐标的最小值点坐标(图像的坐标原点在左上角);在三维空间,即采用立体相机或多目相机拍摄的图像,指的是分割出的前景目标块轮廓在z轴(z轴表示高度)方向的最大值点坐标。
4.根据权利要求1所述的方法,其特征在于,在步骤3中目标块轮廓最高点的求取方法包括:当目标块由多个运动目标组成时,找出目标块上半轮廓的所有极大值点坐标,将这些极大值点坐标都作为目标块轮廓局部最高值点坐标;当目标块由一个目标组成时,找出目标块上半轮廓的最高值点坐标,当最高值点坐标存在多个时,取这些坐标像素点中间的那个像素点的坐标作为轮廓最高值点。
5.根据权利要求1所述的方法,其特征在于,步骤4使用的复合头部检测器是经过Adaboost算法训练得到的,在不同的场景中从不同角度采集行人头部图像建立头部检测器训练样本库,头部检测器包括头顶检测器、正面检测器、侧面检测器和后脑勺检测器四个子检测器。
6.根据权利要求5所述的方法,其特征在于,当摄像机水平拍摄时,只需要三个子检测器即可完成检测,三个子检测器是指正面检测器、侧面检测器和后脑勺检测器;当摄像机倾斜拍摄时需要四个子检测器才能完整检测,检测器是指头顶检测器、正面检测器、侧面检测器和后脑勺检测器,当摄像机垂直拍摄时只需要一个子检测器就可完整的检测,即头顶检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410110812.1A CN103824070B (zh) | 2014-03-24 | 2014-03-24 | 一种基于计算机视觉的快速行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410110812.1A CN103824070B (zh) | 2014-03-24 | 2014-03-24 | 一种基于计算机视觉的快速行人检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103824070A true CN103824070A (zh) | 2014-05-28 |
CN103824070B CN103824070B (zh) | 2017-07-07 |
Family
ID=50759122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410110812.1A Active CN103824070B (zh) | 2014-03-24 | 2014-03-24 | 一种基于计算机视觉的快速行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103824070B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996046A (zh) * | 2014-06-11 | 2014-08-20 | 北京邮电大学 | 基于多视觉特征融合的人员识别方法 |
CN104318263A (zh) * | 2014-09-24 | 2015-01-28 | 南京邮电大学 | 一种实时高精度人流计数方法 |
CN104835179A (zh) * | 2015-03-30 | 2015-08-12 | 复旦大学 | 基于动态背景自适应的改进ViBe背景建模算法 |
CN104952256A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种基于视频信息的交叉口处车辆的检测方法 |
CN105307116A (zh) * | 2015-08-07 | 2016-02-03 | 浙江海洋学院 | 一种基于移动机器人的分布式视觉定位系统及方法 |
CN105307115A (zh) * | 2015-08-07 | 2016-02-03 | 浙江海洋学院 | 一种基于行动机器人的分布式视觉定位系统及方法 |
CN105809108A (zh) * | 2016-02-24 | 2016-07-27 | 中国科学院自动化研究所 | 基于分布式视觉的行人定位方法和系统 |
CN105975952A (zh) * | 2016-05-26 | 2016-09-28 | 天津艾思科尔科技有限公司 | 一种视频图像中大胡子检测的方法及系统 |
CN106934819A (zh) * | 2017-03-10 | 2017-07-07 | 重庆邮电大学 | 一种提高图像中运动物体检测精度的方法 |
CN107578031A (zh) * | 2017-09-26 | 2018-01-12 | 华东交通大学 | 一种基于主从摄像机的行人头肩检测与外貌捕捉方法 |
CN107820048A (zh) * | 2017-10-25 | 2018-03-20 | 桐城市闲产网络服务有限公司 | 一种智能网络视频监控技术 |
CN108038866A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 一种基于Vibe和视差图背景差法的运动目标检测方法 |
CN108376407A (zh) * | 2018-02-05 | 2018-08-07 | 李刚毅 | 热区对象聚集检测方法和系统 |
CN108388845A (zh) * | 2018-02-05 | 2018-08-10 | 李刚毅 | 对象检测方法和系统 |
CN109377515A (zh) * | 2018-08-03 | 2019-02-22 | 佛山市顺德区中山大学研究院 | 一种基于改进ViBe算法的运动目标检测方法及系统 |
CN109409309A (zh) * | 2018-11-05 | 2019-03-01 | 电子科技大学 | 一种基于人体检测的智能报警系统和方法 |
CN109658653A (zh) * | 2018-11-29 | 2019-04-19 | 广州紫川物联网科技有限公司 | 一种基于红外热像仪的单兵侦查方法、装置及存储介质 |
CN109726670A (zh) * | 2018-12-26 | 2019-05-07 | 浙江捷尚视觉科技股份有限公司 | 一种从视频中提取目标检测样本集的方法 |
CN110765964A (zh) * | 2019-10-30 | 2020-02-07 | 常熟理工学院 | 基于计算机视觉的电梯轿厢内异常行为的检测方法 |
CN110998594A (zh) * | 2017-08-07 | 2020-04-10 | 三菱电机株式会社 | 检测动作的方法和系统 |
CN111368704A (zh) * | 2020-02-29 | 2020-07-03 | 华南理工大学 | 基于头部特征点的车载热成像行人检测RoIs提取方法 |
CN111967394A (zh) * | 2020-08-18 | 2020-11-20 | 北京林业大学 | 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 |
CN116013092A (zh) * | 2022-12-07 | 2023-04-25 | 嘉应学院 | 一种基于云计算的道路交通管理系统 |
-
2014
- 2014-03-24 CN CN201410110812.1A patent/CN103824070B/zh active Active
Non-Patent Citations (3)
Title |
---|
HOMA FOROUGHI.ETC: ""Intelligent Video Surveillance for Monitoring Fall Detection of Elderly in Home Environments"", 《PROCEEDINGS OF 11TH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION TECHNOLOGY》 * |
李天坤: ""基于视频检测技术的车流量检测算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郑翔翔,等: ""基于头部检测和跟踪的人数统计方法"", 《计算机应用与软件》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996046A (zh) * | 2014-06-11 | 2014-08-20 | 北京邮电大学 | 基于多视觉特征融合的人员识别方法 |
CN103996046B (zh) * | 2014-06-11 | 2017-07-21 | 北京邮电大学 | 基于多视觉特征融合的人员识别方法 |
CN104318263A (zh) * | 2014-09-24 | 2015-01-28 | 南京邮电大学 | 一种实时高精度人流计数方法 |
CN104835179A (zh) * | 2015-03-30 | 2015-08-12 | 复旦大学 | 基于动态背景自适应的改进ViBe背景建模算法 |
CN104835179B (zh) * | 2015-03-30 | 2018-01-12 | 复旦大学 | 基于动态背景自适应的改进ViBe背景建模方法 |
CN104952256A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种基于视频信息的交叉口处车辆的检测方法 |
CN105307116A (zh) * | 2015-08-07 | 2016-02-03 | 浙江海洋学院 | 一种基于移动机器人的分布式视觉定位系统及方法 |
CN105307115A (zh) * | 2015-08-07 | 2016-02-03 | 浙江海洋学院 | 一种基于行动机器人的分布式视觉定位系统及方法 |
CN105809108A (zh) * | 2016-02-24 | 2016-07-27 | 中国科学院自动化研究所 | 基于分布式视觉的行人定位方法和系统 |
CN105809108B (zh) * | 2016-02-24 | 2019-09-13 | 中国科学院自动化研究所 | 基于分布式视觉的行人定位方法和系统 |
CN105975952A (zh) * | 2016-05-26 | 2016-09-28 | 天津艾思科尔科技有限公司 | 一种视频图像中大胡子检测的方法及系统 |
CN106934819A (zh) * | 2017-03-10 | 2017-07-07 | 重庆邮电大学 | 一种提高图像中运动物体检测精度的方法 |
CN110998594B (zh) * | 2017-08-07 | 2024-04-09 | 三菱电机株式会社 | 检测动作的方法和系统 |
CN110998594A (zh) * | 2017-08-07 | 2020-04-10 | 三菱电机株式会社 | 检测动作的方法和系统 |
CN107578031A (zh) * | 2017-09-26 | 2018-01-12 | 华东交通大学 | 一种基于主从摄像机的行人头肩检测与外貌捕捉方法 |
CN107820048A (zh) * | 2017-10-25 | 2018-03-20 | 桐城市闲产网络服务有限公司 | 一种智能网络视频监控技术 |
CN108038866A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 一种基于Vibe和视差图背景差法的运动目标检测方法 |
CN108376407A (zh) * | 2018-02-05 | 2018-08-07 | 李刚毅 | 热区对象聚集检测方法和系统 |
CN108388845A (zh) * | 2018-02-05 | 2018-08-10 | 李刚毅 | 对象检测方法和系统 |
CN109377515A (zh) * | 2018-08-03 | 2019-02-22 | 佛山市顺德区中山大学研究院 | 一种基于改进ViBe算法的运动目标检测方法及系统 |
CN109409309A (zh) * | 2018-11-05 | 2019-03-01 | 电子科技大学 | 一种基于人体检测的智能报警系统和方法 |
CN109658653A (zh) * | 2018-11-29 | 2019-04-19 | 广州紫川物联网科技有限公司 | 一种基于红外热像仪的单兵侦查方法、装置及存储介质 |
CN109726670A (zh) * | 2018-12-26 | 2019-05-07 | 浙江捷尚视觉科技股份有限公司 | 一种从视频中提取目标检测样本集的方法 |
CN110765964A (zh) * | 2019-10-30 | 2020-02-07 | 常熟理工学院 | 基于计算机视觉的电梯轿厢内异常行为的检测方法 |
CN110765964B (zh) * | 2019-10-30 | 2022-07-15 | 常熟理工学院 | 基于计算机视觉的电梯轿厢内异常行为的检测方法 |
CN111368704A (zh) * | 2020-02-29 | 2020-07-03 | 华南理工大学 | 基于头部特征点的车载热成像行人检测RoIs提取方法 |
CN111368704B (zh) * | 2020-02-29 | 2023-05-23 | 华南理工大学 | 基于头部特征点的车载热成像行人检测RoIs提取方法 |
CN111967394A (zh) * | 2020-08-18 | 2020-11-20 | 北京林业大学 | 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 |
CN111967394B (zh) * | 2020-08-18 | 2024-05-17 | 北京林业大学 | 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 |
CN116013092A (zh) * | 2022-12-07 | 2023-04-25 | 嘉应学院 | 一种基于云计算的道路交通管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103824070B (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
Cao et al. | Vehicle detection and motion analysis in low-altitude airborne video under urban environment | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN104378582A (zh) | 一种基于ptz摄像机巡航的智能视频分析系统及方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN108776974B (zh) | 一种适用于公共交通场景的实时目标跟踪方法 | |
CN110264495B (zh) | 一种目标跟踪方法及装置 | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
KR20160062880A (ko) | 카메라 및 레이더를 이용한 교통정보 관리시스템 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
KR101788225B1 (ko) | 건설현장 맞춤형 이미지 분석기술을 활용한 중장비/근로자 인식 및 추적 방법 및 시스템 | |
CN105160649A (zh) | 基于核函数非监督聚类的多目标跟踪方法及系统 | |
CN103593679A (zh) | 一种基于在线机器学习的视觉人手跟踪方法 | |
CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
Denman et al. | Multi-spectral fusion for surveillance systems | |
CN111753651A (zh) | 一种基于车站二维人群密度分析的地铁群体异常行为检测方法 | |
CN103577832B (zh) | 一种基于时空上下文的人流量统计方法 | |
CN112132873A (zh) | 一种基于计算机视觉的多镜头行人识别与跟踪 | |
Saif et al. | Real time vision based object detection from UAV aerial images: a conceptual framework | |
Miller et al. | Person tracking in UAV video | |
Shafie et al. | Smart video surveillance system for vehicle detection and traffic flow control | |
CN112347967A (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
Jin et al. | Fusing Canny operator with vibe algorithm for target detection | |
Chen et al. | Automatic head detection for passenger flow analysis in bus surveillance videos |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |