CN104809742A - 一种复杂场景下的物品安全检测方法 - Google Patents
一种复杂场景下的物品安全检测方法 Download PDFInfo
- Publication number
- CN104809742A CN104809742A CN201510177466.3A CN201510177466A CN104809742A CN 104809742 A CN104809742 A CN 104809742A CN 201510177466 A CN201510177466 A CN 201510177466A CN 104809742 A CN104809742 A CN 104809742A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- background image
- static
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种复杂场景下的物品安全检测方法,包括以下步骤:1)在某段时间间隔内,将视频的第一帧图像和第二帧图像作为初始背景图像和当前背景图像,将第三帧图像与初始背景图像和当前背景图像进行求差计算获得第一运动目标;2)对初始背景图像和当前背景图像进行更新,更新后与第四帧图像进行求差计算获得第二运动目标,以此类推…直至获得该段时间内第N帧图像中的第N运动目标;3)在第N运动目标所在图像中提取静态运动目标;4)判断静态运动目标为滞留物或偷窃物并报警。该方法能够克服在许多监控场景中,相对于初始背景会产生许多进入场景或离开场景的前景目标,不能正确划分前景区域是否对应于滞留物或者遗失物的缺点。
Description
技术领域
本发明涉及,特别涉及一种复杂场景下的物品安全检测方法。
背景技术
近年来,随着人们对公共场合安全防护需求的不断提高,如何使视频监控系统在无人为干预的条件下实现对动态场景中目标的定位、识别和跟踪,并在此基础上分析和判断目标的行为,从而主动及时地向监控人员发出异常报警信息,已经成为视频监控系统主要的研究目标。作为视频监控的重要任务之一,物品安全检测也在很多领域存在着应用空间。该领域在以往的研究中已经提出了很多方法,主要集中在两个方面的研究:运动区域监测和跟踪信息分析方法。
由于实时场景中存在着光照突变,天气变化和重复运动等不确定因素,使得获取稳定可靠的运动区域的难度加大,现有的运动区域监测方法有如下几类:时间差分法、光流法、统计方法以及背景减除法。其中,背景减法在摄像机静止和环境光渐变的情况下表现出良好的效果。在背景减法中提出在贝叶斯框架的基础上,结合频谱,空间和时间的特征,描述背景中的每个像素,但是却难以处理发生遮挡的情况。并且,背景减除的方法不能有效应对持续晃动的复杂场景,而高斯混合模型在构造背景模型时可以有效减少光照变化、往复运动、缓慢移动物体、长期场景变化和摄像机噪音对背景模型的影响,但该方法计算量比较大,不符合实时性要求。
现有的很多物品安全检测方法中都包含了目标跟踪算法。原则上,这些方法需要解决的共同难题是对象初始化问题以及前景区域内所有侦测目标的跟踪。为了获得前景区域通常假设背景场景是几乎静止或周期性变化的,这样同背景存在很大差异的像素点将组成前景区域。可是,现实场景中的某些因素是不可控的例如:物体部分遮挡、物体的阴影和固定的摄像机角度等,它们的存在常常会使跟踪方法获得无法预料的结果。
除了上述研究方法外,还有采用时序逻辑的方法,利用视频序列的多时空和上下文线索去检查遗留物体,但其鲁棒性有待提高。还有提出基于双重背景检测静止目标的方法,该方法对输入视频采取不同的采样帧速率从而构造出两个背景。但是,这种技术对不同应用的样本视频很难设定统一的参数值,并且缺少判断静态前景目标所属的事件类型的相关机制。在许多监控场景中,相对于初始背景会产生许多进入场景或离开场景的前景目标,不能正确划分前景区域是否对应于滞留物或者遗失物。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种复杂场景下的物品安全检测方法,从而克服在许多监控场景中,相对于初始背景会产生许多进入场景或离开场景的前景目标,不能正确划分前景区域是否对应于滞留物或者遗失物的缺点。
为实现上述目的,本发明提供了一种复杂场景下的物品安全检测方法,包括:
1)在某段时间间隔内,将视频的第一帧图像和第二帧图像作为初始背景图像和当前背景图像,将第三帧图像与所述初始背景图像和所述当前背景图像进行求差计算获得第一运动目标;
2)对所述初始背景图像和当前背景图像进行更新,更新后与所述第四帧图像进行求差计算获得第二运动目标,以此类推···直至获得该段时间内第N帧图像中的第N运动目标;
3)在所述第N运动目标所在图像中提取静态运动目标;
4)将所述静态运动目标所在的图像分为静态目标区域、当前背景区域以及初始背景区域;计算所述静态目标区域、所述当前背景区域以及所述初始背景区域的颜色直方图,当所述静态目标区域和所述当前背景区域的颜色直方图相似度大于所述静态目标区域和所述初始背景区域的颜色直方图的相似度时,判断所述静态运动目标为滞留物;反之,当所述静态目标区域和所述当前背景区域的颜色直方图的相似度差别较大,而所述静态目标区域和所述初始背景区域的颜色直方图的相似度差别较小时,判断所述静态运动目标为偷窃物并报警。
上述技术方案中,步骤2)中对所述初始背景图像和当前背景图像进行更新的步骤如下:
其中,BCt(x,y)和BCt-1(x,y),以及BOt(x,y)和BOt-1(x,y)分别表示当前背景/初始背景图像中像素点(x,y)在t时刻的像素值以及在其t-1时刻的像素值;
It(x,y)为t时刻输入图像在点(x,y)的像素值,MCt(x,y)和MOt(x,y)分别表示像素点相对于两个背景是否发生变化,α、β则是更新速率,StayCount(x,y)用来描述像素点发生变化所持续的时间,T0和T1用来记录持续的帧数(T0<T1)。
上述技术方案中,步骤1)和步骤2)中还包括对所述当前背景图像进行阴影去除。
上述技术方案中,对所述当前背景图像进行阴影去除的步骤如下:
41)首先判断所述当前背景图像是否存在阴影:
其中,σY、σU、σV分别为YUV颜色空间建立背景中三颜色通道的方差,Mx,y的值为1,标识该像素为运动目标区域,为0时属于背景区域,d(Y)为当前像素与背景中亮度信号的差值,d(U)和d(V)分别为两个色差通道的差值;
42)去除经步骤41)检测的阴影。
上述技术方案中,步骤3)在所述第N目标运动区域所在图像中提取静态运动目标的步骤如下:
其中,SOt(x,y)为描述静态运动目标的图像,T为像素被标记为静态运动目标的最小帧数。
上述技术方案中,步骤3)还包括判断所述静态运动目标是否为物品,其步骤如下:
61)建立多个标准人体行为库图像;
62)计算所述静态运动目标的每一帧图像与所述标准人体行为库图像的欧式距离,具体如下:
其中,设M为静态运动目标所在图像,S为多个标准人体行为库图像,s为单个标准人体行为库图像,d为欧式距离;
63)当所述欧式距离小于所设阈值,则所述静态运动目标为行人,反之为物品。
上述技术方案中,步骤4)中计算所述静态目标区域、所述当前背景区域以及所述初始背景区域的颜色直方图的具体步骤如下:
p={p(u)}u=1,…m;
q={q(u)}u=1,…m;
r={r(u)}u=1,…m;
其中,p为静态目标区域,q为当前背景区域,r为初始背景区域。
上述技术方案中,还包括计算所述静态目标区域和所述当前背景区域之间以及所述静态目标区域和所述初始背景区域之间的巴氏系数,具体如下:
其中,m是颜色直方图的分布级总数,qu、pu和ru是第u级所占颜色直方图的权重。
上述技术方案中,还包括:
91)计算所述静态目标区域和所述当前背景区域之间以及所述静态目标区域和所述初始背景区域之间的巴氏距离,具体如下:
其中,d为两个颜色直方图之间的巴氏距离;
92)根据所述静态目标区域和所述当前背景区域之间的巴氏距离d0判断对应两个颜色直方图之间的第一相似度;
根据所述静态目标区域和所述初始背景区域之间的巴氏距离d1判断对应两个颜色直方图之间的第二相似度;
93)当第一相似度大于第二相似度,则认为所述静态运动目标为滞留物,当第一相似度较大,而第二相似度较小时,则认为所述静态运动目标为偷窃物。
与现有技术相比,本发明具有如下有益效果:本发明中的方法,不使用任何跟踪和运动信息,依靠双重背景模型进行静态目标检测,并利用颜色相似度的匹配判定发生事件的类型,能高效、准确的检测出可疑事件对应于滞留物或者遗失物。
附图说明
图1是根据本发明的复杂场景下的物品安全检测方法的流程图。
图2是根据本发明的去除当前背景图像中的阴影的流程图。
图3是根据本发明的判断静态运动目标为行人或者物品的流程图。
图4(a)是根据本发明的静态运动目标检测的实例的当前背景。
图4(b)是根据本发明的静态运动目标检测的实例的初始背景。
图4(c)是根据本发明的静态运动目标检测的实例的当前图像。
图4(d)和图4(e)是根据本发明的静态运动目标检测的实例的每个背景所对应的前景图像。
图4(f)是根据本发明的静态运动目标检测的实例的检测结果显示。
图5是根据本发明的建立多个标准人体行为库图像。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1所示,根据本发明具体实施方式的一种复杂场景下的物品安全检测方法,包括:
步骤S100:在某段时间间隔内,将视频的第一帧图像和第二帧图像作为初始背景图像和当前背景图像,将第三帧图像与初始背景图像和当前背景图像进行求差计算获得第一运动目标;
步骤S102:对初始背景图像和当前背景图像进行更新,更新后与第四帧图像进行求差计算获得第二运动目标,以此类推···直至获得该段时间内第N帧图像中的第N运动目标;
步骤S104:在第N运动目标所在图像中提取静态运动目标;
步骤S106:将静态运动目标所在的图像分为静态目标区域、当前背景区域以及初始背景区域;计算静态目标区域、当前背景区域以及初始背景区域的颜色直方图,当静态目标区域和当前背景区域的颜色直方图相似度大于静态目标区域和初始背景区域的颜色直方图的相似度时,判断静态运动目标为滞留物;反之,当静态目标区域和当前背景区域的颜色直方图的相似度差别较大,而静态目标区域和所述初始背景区域的颜色直方图的相似度差别较小时,判断静态运动目标为偷窃物并报警。
本发明中的方法,不使用任何跟踪和运动信息,依靠双重背景模型进行静态目标检测,并利用颜色相似度的匹配判定发生事件的类型,能高效、准确的检测出可疑事件的发生。
实际应用中,背景图像是需要随着环境的变化不断更新,但受制于背景更新率,属于静态运动目标区域的像素点都有可能被误认为是背景像素点或是运动区域像素点,从而造成目标丢失。该实施例中使用双重背景图像的好处是用户可以根据不同需要和环境调整背景图像更新的时间间隔(其中当前背景图像的更新率较快),并且两个背景在自动更新的同时,通过相互作用可以有效的减少目标丢失情况的发生。因此,步骤S102对初始背景图像和当前背景图像进行更新是通过以下步骤得到:
其中,BCt(x,y)和BCt-1(x,y),以及BOt(x,y)和BOt-1(x,y)分别表示当前背景/初始背景图像中像素点(x,y)在t时刻的像素值以及在其t-1时刻的像素值;
It(x,y)为t时刻输入图像在点(x,y)的像素值,MCt(x,y)和MOt(x,y)分别表示像素点相对于两个背景是否发生变化,α、β则是更新速率,StayCount(x,y)用来描述像素点发生变化所持续的时间,T0和T1用来记录持续的帧数(T0<T1)。
依据上述背景更新规则,可知当前背景图像主要用于运动前景的检测,它可以抑制场景突变对背景造成的污染,并在满足条件时将静态运动目标融入当前背景图像;同时,初始背景图像中保持的背景信息较当前背景图像更加稳定,从而有利于静止运动目标的检测。而且两个背景的更新与相应的前景图像有着紧密联系:
(1)当FCt(x,y)=1,FOt(x,y)=1时,像素点(x,y)表明检测到新的运动目标。
(2)若FCt(x,y)=1,FOt(x,y)=0,说明在当前背景更新率高于初始背景时,被检测到的静止运动目标发生变化,像素点(x,y)又赋值为初始背景。
(3)如果FCt(x,y)=0,FOt(x,y)=0,说明像素点值(x,y)等同于背景,即场景没有发生变化。
(4)当FCt(x,y)=0,FOt(x,y)=1时,像素点(x,y)表示静态运动目标。
FCt(x,y)和FOt(x,y)表示t时刻,当前前景图像foreground current和初始前景图像foreground original的像素值。
在上述步骤S100和步骤S102中在检测出运动目标的同时,由于阴影显著地区别于背景并与运动目标具有相同的运动属性,从而阴影会连同运动目标一起作为前景被检测出来,从而系统错误率较高,使系统的整体性能下降。因此要正确地分析运动目标物,该实施例中运用基于阴影和背景区域彩色一致性的检测算法,按照阴影区域的亮度与背景亮度相比变暗,以及其色度与背景色度的差别较小来检测阴影。其中,如图2所示,对步骤S100和步骤S102中当前背景图像进行阴影去除的步骤如下:
步骤S200:首先判断当前背景图像是否存在阴影:
其中,σY、σU、σV分别为YUV颜色空间建立背景中三颜色通道的方差,Mx,y的值为1,标识该像素为运动目标区域,为0时属于背景区域,d(Y)为当前像素与背景中亮度信号的差值,d(U)和d(V)分别为两个色差通道的差值;
步骤S202:去除经步骤S200检测的阴影。
该实施例中,当FCt(x,y)=0,FOt(x,y)=1时,静态运动目标可以通过比较FCt(x,y)和FOt(x,y)的差异来获取,步骤S104中在第N目标运动区域所在图像中提取静态运动目标的步骤如下:
其中,SOt(x,y)为描述静态运动目标的图像,T为像素被标记为静态运动目标的最小帧数。
采用近似StayCount(x,y)的计数法,对SOt(x,y)的每个像素点进行统计累加,当其值大于T时,像素点被确定为静态运动目标。图4为静态运动目标检测的实例,图(a)为当前背景,其更新率为200帧;图(b)是初始背景,其更新率为2000帧,且该图中并不包含遗留的手提箱;图(c)为当前图像;每个背景所对应的前景图像分别表示在图(d)和图(e)显示;图(f)显示SOt(x,y)的计算结果,候选检测目标在前景中停留的时间越长,该图中的结果就越好。此外,图(a)和图(b)差异可以确定静态运动目标的位置。
该实施例进一步的,在检测可疑事件是偷窃还是滞留物体前,首先需要判别静态运动目标是否为“物体”,然后再进行偷窃与滞留物体的判别。众所周知,Hu不变矩是图像的一种区域描述,也是图像特征描述的常用方法。由于它具有旋转、平移、尺度等特性的不变性,因此采用加权Hu不变距的方法来区分目标是人还是物体。如图3所示,步骤S104判断静态运动目标是否为物品的步骤如下:
步骤S300:建立多个标准人体行为库图像;(如图5所示)
步骤S302:计算静态运动目标的每一帧图像与所述标准人体行为库图像的欧式距离,具体如下:
其中,设M为静态运动目标所在图像,S为多个标准人体行为库图像,s为单个标准人体行为库图像,d为欧式距离;
步骤S304:当欧式距离(即dmj)小于所设阈值,则静态运动目标为行人,反之为物品。
步骤S106中,在确定静态运动目标为物体后,定义如下三种图像区域:
(1)静态目标区域SRt(x,y):主要用来描述滞留物或偷窃物。首先根据SOt(x,y)记录的静态运动目标,分别让其同两个背景进行和运算,然后将处理过的两个背景相减,并用略大于静态运动目标轮廓的矩形边框标注出待检测的感兴趣区域(ROI),最后把结果赋予(SRt(x,y))。
(2)当前背景区域ROI(CRt(x,y)):由对应于静态运动目标图像,而属于当前背景图像的像素点组成。
(3)初始背景区域ROI(ORt(x,y)):由对应于静态运动目标图像,而属于初始背景图像的像素点组成。
从上述得知,当FCt(x,y)=0,FOt(x,y)=1,即像素点(x,y)表示静态运动目标时,如果发生物品遗留事件,则SR和CR都会表示滞留物,即它们和OR具有不同的颜色特征;相反如果发生物品偷窃事件,则SR和OR将描述遗失物,同样它们和CR拥有不同的颜色信息。由此,可以采用匹配上述三种图像区域颜色特征的方法来完成滞留和偷窃物检测。
在颜色特征进行匹配时,可以通过巴特查理亚(Bhattacharyya)距离来计算颜色直方图相似性度量。首先计算静态目标区域、当前背景区域以及初始背景区域的颜色直方图,其具体步骤如下:
p={p(u)}u=1,…m;
q={q(u)}u=1,…m;
r={r(u)}u=1,…m;
其中,p为静态目标区域,q为当前背景区域,r为初始背景区域。
然后计算静态目标区域和当前背景区域之间以及静态目标区域和初始背景区域之间的巴氏系数,具体如下:
其中,m是颜色直方图的分布级总数,qu、pu和ru是第u级所占颜色直方图的权重。
接下来计算静态目标区域和当前背景区域之间以及静态目标区域和初始背景区域之间的巴氏距离,具体如下:
其中,d为两个颜色直方图之间的巴氏距离,其值越小则两个目标的颜色直方图越相似;
根据静态目标区域和当前背景区域之间的巴氏距离d0判断对应两个颜色直方图之间的第一相似度;
根据静态目标区域和初始背景区域之间的巴氏距离d1判断对应两个颜色直方图之间的第二相似度;
最后,当第一相似度大于第二相似度,则认为所述静态运动目标为滞留物,当第一相似度较大,而第二相似度较小时,则认为所述静态运动目标为偷窃物。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (9)
1.一种复杂场景下的物品安全检测方法,其特征在于,包括以下步骤:
1)在某段时间间隔内,将视频的第一帧图像和第二帧图像作为初始背景图像和当前背景图像,将第三帧图像与所述初始背景图像和所述当前背景图像进行求差计算获得第一运动目标;
2)对所述初始背景图像和当前背景图像进行更新,更新后与所述第四帧图像进行求差计算获得第二运动目标,以此类推···直至获得该段时间内第N帧图像中的第N运动目标;
3)在所述第N运动目标所在图像中提取静态运动目标;
4)将所述静态运动目标所在的图像分为静态目标区域、当前背景区域以及初始背景区域;计算所述静态目标区域、所述当前背景区域以及所述初始背景区域的颜色直方图,当所述静态目标区域和所述当前背景区域的颜色直方图的相似度大于所述静态目标区域和所述初始背景区域的颜色直方图的相似度时,判断所述静态运动目标为滞留物;反之,当所述静态目标区域和所述当前背景区域的颜色直方图的相似度差别较大,而所述静态目标区域和所述初始背景区域的颜色直方图的相似度差别较小时,判断所述静态运动目标为偷窃物并报警。
2.根据权利要求1所述的方法,其特征在于,步骤2)中对所述初始背景图像和当前背景图像进行更新的步骤如下:
其中,BCt(x,y)和BCt-1(x,y),以及BOt(x,y)和BOt-1(x,y)分别表示当前背景/初始背景图像中像素点(x,y)在t时刻的像素值以及在其t-1时刻的像素值;
It(x,y)为t时刻输入图像在点(x,y)的像素值,MCt(x,y)和MOt(x,y)分别表示像素点相对于两个背景是否发生变化,α、β则是更新速率,StayCount(x,y)用来描述像素点发生变化所持续的时间,T0和T1用来记录持续的帧数(T0<T1)。
3.根据权利要求1所述的方法,其特征在于,步骤1)和步骤2)中还包括对所述当前背景图像进行阴影去除。
4.根据要求3所述的方法,其特征在于,对所述当前背景图像进行阴影去除的步骤如下:
41)首先判断所述当前背景图像是否存在阴影:
其中,σY、σU、σV分别为YUV颜色空间建立背景中三颜色通道的方差,Mx,y的值为1,标识该像素为运动目标区域,为0时属于背景区域,d(Y)为当前像素与背景中亮度信号的差值,d(U)和d(V)分别为两个色差通道的差值;
42)去除经步骤41)检测的阴影。
5.根据权利要求1所述的方法,其特征在于,步骤3)在所述第N目标运动区域所在图像中提取静态运动目标的步骤如下:
其中,SOt(x,y)为描述静态运动目标的图像,T为像素被标记为静态运动目标的最小帧数。
6.根据权利要求1所述的方法,其特征在于,步骤3)还包括判断所述静态运动目标是否为物品,其步骤如下:
61)建立多个标准人体行为库图像;
62)计算所述静态运动目标的每一帧图像与所述标准人体行为库图像的欧式距离,具体如下:
dmj=min{dms},s、j∈S; (7)
其中,设M为静态运动目标所在图像,S为多个标准人体行为库图像,s为单个标准人体行为库图像,d为欧式距离;
63)当所述欧式距离小于所设阈值,则所述静态运动目标为行人,反之为物品。
7.根据权利要求1所述的方法,其特征在于,步骤4)中计算所述静态目标区域、所述当前背景区域以及所述初始背景区域的颜色直方图的具体步骤如下:
p={p(u)}u=1,…m;
q={q(u)}u=1,…m;
r={r(u)}u=1,…m;
其中,p为静态目标区域,q为当前背景区域,r为初始背景区域。
8.根据权利要求7所述的方法,其特征在于,还包括计算所述静态目标区域和所述当前背景区域之间以及所述静态目标区域和所述初始背景区域之间的巴氏系数,具体如下:
其中,m是颜色直方图的分布级总数,qu、pu和ru是第u级所占颜色直方图的权重。
9.根据权利要求8所述的方法,其特征在于,还包括:
91)计算所述静态目标区域和所述当前背景区域之间以及所述静态目标区域和所述初始背景区域之间的巴氏距离,具体如下:
其中,d为两个颜色直方图之间的巴氏距离;
92)根据所述静态目标区域和所述当前背景区域之间的巴氏距离d0判断对应两个颜色直方图之间的第一相似度;
根据所述静态目标区域和所述初始背景区域之间的巴氏距离d1判断对应两个颜色直方图之间的第二相似度;
93)当所述第一相似度大于所述第二相似度,则认为所述静态运动目标为滞留物,当所述第一相似度较大,而所述第二相似度较小时,则认为所述静态运动目标为偷窃物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510177466.3A CN104809742A (zh) | 2015-04-15 | 2015-04-15 | 一种复杂场景下的物品安全检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510177466.3A CN104809742A (zh) | 2015-04-15 | 2015-04-15 | 一种复杂场景下的物品安全检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104809742A true CN104809742A (zh) | 2015-07-29 |
Family
ID=53694547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510177466.3A Pending CN104809742A (zh) | 2015-04-15 | 2015-04-15 | 一种复杂场景下的物品安全检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104809742A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846357A (zh) * | 2016-12-15 | 2017-06-13 | 重庆凯泽科技股份有限公司 | 一种可疑物检测方法及装置 |
CN109146915A (zh) * | 2018-08-01 | 2019-01-04 | 浙江深眸科技有限公司 | 判断异常活动物体的低计算量运动检测方法 |
CN109218663A (zh) * | 2017-07-04 | 2019-01-15 | 佳能株式会社 | 图像处理设备、图像处理方法和存储介质 |
CN109214274A (zh) * | 2018-07-19 | 2019-01-15 | 国政通科技有限公司 | 一种机场安保管理系统 |
CN111080677A (zh) * | 2019-12-23 | 2020-04-28 | 天津理工大学 | 一种污染修复场地中工作人员实时分区作业的防护方法 |
CN111738273A (zh) * | 2019-03-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种图像的色频辨别方法和装置 |
CN111914670A (zh) * | 2020-07-08 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种遗留物品检测方法、装置、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663743A (zh) * | 2012-03-23 | 2012-09-12 | 西安电子科技大学 | 一种复杂场景中多摄影机协同的人物追踪方法 |
CN102708573A (zh) * | 2012-02-28 | 2012-10-03 | 西安电子科技大学 | 复杂场景下的群体运动模式检测方法 |
-
2015
- 2015-04-15 CN CN201510177466.3A patent/CN104809742A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708573A (zh) * | 2012-02-28 | 2012-10-03 | 西安电子科技大学 | 复杂场景下的群体运动模式检测方法 |
CN102663743A (zh) * | 2012-03-23 | 2012-09-12 | 西安电子科技大学 | 一种复杂场景中多摄影机协同的人物追踪方法 |
Non-Patent Citations (1)
Title |
---|
WEIHUA WANG ET AL.: "A new approach for real-time detection of abandoned and stolen object", 《2010 INTERNATIONAL CONFERENCE ON ELECTRICAL AND CONTROL ENGINEERING》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846357A (zh) * | 2016-12-15 | 2017-06-13 | 重庆凯泽科技股份有限公司 | 一种可疑物检测方法及装置 |
CN109218663A (zh) * | 2017-07-04 | 2019-01-15 | 佳能株式会社 | 图像处理设备、图像处理方法和存储介质 |
US11004214B2 (en) | 2017-07-04 | 2021-05-11 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
CN109218663B (zh) * | 2017-07-04 | 2021-09-14 | 佳能株式会社 | 图像处理设备、图像处理方法和存储介质 |
CN109214274A (zh) * | 2018-07-19 | 2019-01-15 | 国政通科技有限公司 | 一种机场安保管理系统 |
CN109146915A (zh) * | 2018-08-01 | 2019-01-04 | 浙江深眸科技有限公司 | 判断异常活动物体的低计算量运动检测方法 |
CN111738273A (zh) * | 2019-03-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种图像的色频辨别方法和装置 |
CN111080677A (zh) * | 2019-12-23 | 2020-04-28 | 天津理工大学 | 一种污染修复场地中工作人员实时分区作业的防护方法 |
CN111080677B (zh) * | 2019-12-23 | 2023-09-12 | 天津理工大学 | 一种污染修复场地中工作人员实时分区作业的防护方法 |
CN111914670A (zh) * | 2020-07-08 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种遗留物品检测方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844234B (zh) | 一种基于头肩检测的人数统计的方法及设备 | |
CN104809742A (zh) | 一种复杂场景下的物品安全检测方法 | |
CN106203274B (zh) | 一种视频监控中行人实时检测系统及方法 | |
Chauhan et al. | Moving object tracking using gaussian mixture model and optical flow | |
CN101120382B (zh) | 跟踪用相机获得的场景视频中的移动物体的方法 | |
CN101141633B (zh) | 一种复杂场景中的运动目标检测与跟踪方法 | |
CN103971386B (zh) | 一种动态背景场景下的前景检测方法 | |
Porikli et al. | Human body tracking by adaptive background models and mean-shift analysis | |
CN101142593B (zh) | 跟踪视频序列中的目标的方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN105404847A (zh) | 一种遗留物实时检测方法 | |
CN106204640A (zh) | 一种运动目标检测系统及方法 | |
CN102592138B (zh) | 基于多模块稀疏投影的密集场景目标跟踪方法 | |
CN105184812B (zh) | 一种基于目标跟踪的行人徘徊检测方法 | |
CN105678803A (zh) | 基于w4算法和帧间差分的视频监控目标检测方法 | |
CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
CN105654508A (zh) | 基于自适应背景分割的监控视频移动目标跟踪方法及系统 | |
CN106127812A (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 | |
Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
Jeyabharathi et al. | Vehicle Tracking and Speed Measurement system (VTSM) based on novel feature descriptor: Diagonal Hexadecimal Pattern (DHP) | |
Xia et al. | Vision-based traffic accident detection using matrix approximation | |
Li et al. | Intelligent transportation video tracking technology based on computer and image processing technology | |
KR20200060868A (ko) | 객체 탐지 및 자동 추적이 가능한 다시점 영상 감시 시스템 | |
CN101877135B (zh) | 一种基于背景重构的运动目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150729 |