CN105184258B - 目标跟踪方法及系统、人员行为分析方法及系统 - Google Patents
目标跟踪方法及系统、人员行为分析方法及系统 Download PDFInfo
- Publication number
- CN105184258B CN105184258B CN201510569723.8A CN201510569723A CN105184258B CN 105184258 B CN105184258 B CN 105184258B CN 201510569723 A CN201510569723 A CN 201510569723A CN 105184258 B CN105184258 B CN 105184258B
- Authority
- CN
- China
- Prior art keywords
- target
- people
- head
- tracking
- people 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种目标跟踪方法及系统、人员行为分析方法及系统,其中目标跟踪方法包括以下步骤:利用摄像机获取视频图像;分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标;对各分类器检测出的候选人头目标进行去重和筛选;删除不满足跟踪条件的人头目标;对剩余的人头目标分别进行跟踪。解决了基于人脸检测、头肩检测或全身检测的人员检测、跟踪方法,因容易被遮挡、目标分类困难等原因易造成误报、漏报、跟踪困难等结果,以及其对摄像机的架设要求高的技术问题。本发明不仅可以基于人头目标进行人员轨迹的准确跟踪、且可以减少目标重报的问题,还可以基于跟踪结果进行人员行为分析。
Description
技术领域
本发明涉及视频监控技术领域。具体地说,涉及一种目标跟踪方法及系统、人员行为分析方法及系统。
背景技术
随着社会经济的迅速发展,视频监控系统在各个行业的应用正逐渐成熟,建设并投入使用的摄像机数量正快速增加。如何有效的利用这些摄像机来更好的来维护社会稳定和谐,很好的监控公共场所的个人行为,并将各种违法和极端行为消除在萌芽状态,已经成为整个社会执法部门的一个迫在眉睫的难题。
由于监控系统汇集了大量的视频,对这些视频的实时监看逐渐成为大问题。权威的数据显示,人的注意力仅能坚持20分钟,20分钟后百分之九十以上的信息会丢失,因此即使有人一直盯着屏幕也很难一直保持警戒状态。
智能视频监控是以数字化、网络化视频监控为基础,但又有别于一般的网络化视频监控,它是一种更高端的视频监控应用。智能视频监控系统通过利用智能分析技术能够自动识别不同的物体,发现监控画面中的异常情况,并能够以最快和最佳的方式发出警报和提供有用信息,从而能够更加有效地协助值班人员处理危机。
从技术角度来讲,目前国内智能分析技术可以分为两大类:一类是通过前景提取等方法对画面中的物体的移动进行检测,通过设定规则来区分不同的行为,如拌线、物品遗留、周界等;另一类是利用模式识别技术对画面中所需要监控的物体进行针对性的建模,从而对视频中的特定物体进行检测及并扩展相关应用,如车辆检测、人流统计、人脸检测等。
智能分析技术最具变革意义在于从以前的‘被动监控’向‘事前控制、主动预警、事中追踪、事后分析’转变。智能分析服务器可以紧追热点,灵活布设,既可以用于前端实时分析布防,也可以用于后期分析,大大减少相关人员的工作量。
但是,目前智能分析技术在实际应用中还存在以下问题:
1、基于人脸检测、头肩检测和全身检测的人员检测、跟踪方法,分析准确率受环境影响大,运动目标被遮挡会造成目标信息缺失,相机架设位置、角度多样性使目标分类困难,上述因素易造成误报、漏报、跟踪困难等结果。
2、为了减少人员目标的被遮挡,摄像机的架设要求较高,监控视野范围较小。
发明内容
为此,本发明所要解决的技术问题在于基于人脸检测、头肩检测或全身检测的人员检测、跟踪方法,因容易被遮挡、目标分类困难等原因易造成误报、漏报、跟踪困难等结果,且其对摄像机的架设要求高,从而提出一种基于人头检测的目标跟踪方法及系统、人员行为分析方法及系统。
为解决上述技术问题,本发明提供了如下技术方案:
一种目标跟踪方法,包括以下步骤:
利用摄像机获取视频图像;
分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标;
对各分类器检测出的候选人头目标进行去重和筛选;
删除不满足跟踪条件的人头目标;
对剩余的人头目标分别进行跟踪。
优选地,对各分类器检测出的候选人头目标进行去重和筛选的步骤包括:
合并各个分类器重复检测出的候选人头目标;
合并位置重叠的候选人头目标;
删除置信度低的候选人头目标;
删除与人头尺寸不相符的候选人头目标。
优选地,删除不满足跟踪条件的人头目标的步骤中,跟踪条件为:至少连续三帧的检测置信度大于30、与当前帧检测出的人头目标匹配、当前帧的检测置信度大于40且在当前帧中其与任一跟踪人头目标的重叠面积小于20%。
优选地,对剩余的人头目标分别进行跟踪的步骤包括:
对上帧图像中跟踪的人头目标进行光流场预测,得到对应人头目标在本帧图像中的预测位置;
根据判断要素确定各个跟踪人头目标在本帧图像中的实际位置,判断要素包括本帧图像的检测结果和预测位置,检测结果是指当前帧检测出来的某一人头目标与上帧图像中跟踪的人头目标匹配。
优选地,当前帧检测出来的人头目标与上帧图像中跟踪的人头目标是通过包括距离和尺寸大小的综合欧式距离以及颜色直方图来匹配的。
优选地,对剩余的人头目标分别进行跟踪的步骤包括:
将当前帧新检测出的人头目标与之前在图像中间无故消失的人头目标进行匹配,当前帧新检测出的人头目标是指与当前跟踪的人头目标均不匹配的人头目标;
如果匹配上,则判断其与该之前无故消失的人头目标是同一人头目标,继续对其进行跟踪。
优选地,将当前帧新检测出的人头目标与之前在图像中间无故消失的人头目标进行匹配的步骤包括:
根据当前帧新检测出的人头目标的位置和颜色直方图与无故消失人头目标消失前的位置和颜色直方图进行综合匹配。
优选地,对剩余的人头目标分别进行跟踪的步骤包括:
删除无前景人头目标、长期在视频图像边缘的人头目标和在视频图像中间无故消失且匹配超时的人头目标。
一种人员行为分析方法,包括:
采用上述目标跟踪方法对摄像机获取的视频图像中的人头目标进行跟踪;
根据跟踪结果对各人头目标对应的人员进行行为分析,包括统计人员个数;和/或,分析人员密度;和/或,统计各个方向的人员数量;和/或,统计出给定时间内的行人热度情况;分析人员的异常行为,包括徘徊、奔跑、逗留、拌线、单人独处、异常倒地和进入离开指定区域。
优选地,还包括在异常行为发生时输出最佳快照的步骤,包括:
通过人头目标的位置,扩展出异常行为发生位置;
输出异常行为发生时的最佳快照。
一种目标跟踪系统,包括:
图像获取单元:用于利用摄像机获取视频图像;
检测单元:用于分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标;
去重和筛选单元:用于对各分类器检测出的候选人头目标进行去重和筛选;
跟踪目标筛选单元:用于删除不满足跟踪条件的人头目标;
跟踪单元:用于对剩余的人头目标分别进行跟踪。
优选地,去重和筛选单元包括:
第一合并单元:用于合并各个分类器重复检测出的候选人头目标;
第二合并单元:用于合并位置重叠的候选人头目标;
第一删除单元:用于删除置信度低的候选人头目标;
第二删除单元:用于删除与人头尺寸不相符的候选人头目标。
优选地,跟踪单元包括:
预测单元:用于对上帧图像中跟踪的人头目标进行光流场预测,得到对应人头目标在本帧图像中的预测位置;
实际位置确定单元:用于根据判断要素确定各个跟踪人头目标在本帧图像中的实际位置,判断要素包括本帧图像的检测结果和预测位置,检测结果是指当前帧检测出来的某一人头目标与上帧图像中跟踪的人头目标匹配。
优选地,跟踪单元包括:
匹配单元:用于将当前帧新检测出的人头目标与之前在图像中间无故消失的人头目标进行匹配,当前帧新检测出的人头目标是指与当前跟踪的人头目标均不匹配的人头目标;
继续跟踪单元:如果匹配上,则判断其与该之前无故消失的人头目标是同一人头目标,继续对其进行跟踪。
优选地,匹配单元包括:
综合匹配单元:用于根据当前帧新检测出的人头目标的位置和颜色直方图与无故消失人头目标消失前的位置和颜色直方图进行综合匹配。
优选地,跟踪单元包括:
跟踪目标删除单元:用于删除无前景人头目标、长期在视频图像边缘的人头目标和在视频图像中间无故消失且匹配超时的人头目标。
一种人员行为分析系统,包括:
目标跟踪单元:采用上述目标跟踪方法对摄像机获取的视频图像中的人头目标进行跟踪;
人员行为分析单元:根据跟踪结果对各人头目标对应的人员进行行为分析,包括统计人员个数;和/或,分析人员密度;和/或,统计各个方向的人员数量;和/或,统计出给定时间内的行人热度情况;分析人员的异常行为,包括徘徊、奔跑、逗留、拌线、单人独处、异常倒地和进入离开指定区域。
本发明的上述技术方案相比现有技术具有以下优点:
1.本发明提供的目标跟踪方法及系统,由于人头比较接近圆形,具有旋转不变性的特点,因此人头的角度适应性最佳,对相机架设的要求低,该方法中对于架设方向与水平面的夹角角度大于0度且小于60度的摄像机采集的视频流都适用。且,由于人头在画面中被遮挡的可能性低,因此人头检测分类器的适应性最好,该方法可以在人车混行或者人物交叠的场景下排除人以外的其他目标,只对人员进行检测跟踪,可有效排除干扰、准确性较高。另外,该方法中并没有将多种姿态人头进行混合训练,而是选取了四种角度的人头分开训练,得到四个分类器分别进行目标检测,但是由于公用了特征信息,检测的计算量并没有大的增加,却提高了目标检测的准确性,还减少了虚景,该方法的适用范围广、容易进行功能改进和拓展。
2.本发明提供的目标跟踪方法及系统,由于在进行候选人头目标检测时,采用的是多尺度、多区域的检测方式,且每种尺度下各个分类器是分别独立检测的,因此需要对检测出的候选人头目标进行去重和筛选,以排除重复检测出的候选人头目标和误检测出的人头目标,以提高目标检测和跟踪的准确性。
3.本发明提供的目标跟踪方法及系统,通过该跟踪条件来筛选可稳定检测的跟踪目标可以提高了人头目标跟踪的准确性,从而减少处理器资源的浪费。
4.本发明提供的目标跟踪方法及系统,通过对检测结果和预测位置的综合评估来确定跟踪人头目标的真实位置,可以提高目标跟踪的准确性。
5.本发明提供的目标跟踪方法及系统,通过距离、尺寸和颜色直方图这三个要素来进行匹配可以提高匹配的准确性。
6.本发明提供的目标跟踪方法及系统,在对人头目标进行检测和跟踪的过程中,还需要将之前在图像中无故消失的人头目标与当前帧新检测出的人头目标进行匹配,以使得之前跟踪的目标因偶尔被遮挡后重现出现时依旧能够将其作为同一个目标进行跟踪,而不是将其作为新的目标来进行跟踪以减少目标重报。
7.本发明提供的人员行为分析方法及系统,在检测准确、跟踪稳定的基础上,就可以进行可靠的人员行为分析了,包括:人数统计、人流密度分析、行人多向计数、热度分析和异常行为分析(例如,徘徊、奔跑、逗留、拌线、单人独处、异常倒地、进入离开指定区域等等)。另外,其具有很强的功能可扩展性,且其可适用于各种应用场景,比如,广场、学校门口、地铁通道、值班室和单人独处的场景等。
附图说明
图1是本发明实施例1中的一种目标跟踪方法流程图;
图2是本发明实施例1中的一种对各分类器检测出的候选人头目标进行去重和筛选的流程图;
图3是本发明实施例1中的一种对剩余的人头目标分别进行跟踪的流程图;
图4是本发明实施例2中的一种人员行为分析方法流程图;
图5是本发明实施例3中的一种目标跟踪系统的原理框图;
图6是本发明实施例3中的一种去重和筛选单元的原理框图;
图7是本发明实施例3中的一种跟踪单元的原理框图;
图8是本发明实施例4中的一种人员行为分析系统的原理框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的内容,下面结合附图和实施例对本发明所提供的技术方案作进一步的详细描述。
实施例1
如图1所示,本实施例提供了一种目标跟踪方法,包括以下步骤:
S11:利用摄像机获取视频图像;
S12:分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标。
S13:对各分类器检测出的候选人头目标进行去重和筛选;
S14:删除不满足跟踪条件的人头目标;
S15:对剩余的人头目标分别进行跟踪。
由于人头比较接近圆形,具有旋转不变性的特点,因此人头的角度适应性最佳,对相机架设的要求低,该方法中对于架设方向与水平面的夹角角度大于0度且小于60度的摄像机采集的视频流都适用。且,由于人头在画面中被遮挡的可能性低,因此人头检测分类器的适应性最好,该方法可以在人车混行或者人物交叠的场景下排除人以外的其他目标,只对人员进行检测跟踪,可有效排除干扰、准确性较高。
另外,该方法中并没有将多种姿态人头进行混合训练,而是选取了四种角度的人头分开训练,得到四个分类器分别进行目标检测,但是由于公用了特征信息,检测的计算量并没有大的增加,却提高了目标检测的准确性,还减少了虚景,该方法的适用范围广、容易进行功能改进和拓展。
在其他可替换的具体实施方案中,为了适应用户的处理器配置,可将获取的视频图像归一化到合适的处理尺度。另外,为了提高检测精度,还可利用设置感兴趣区域(ROI)的方式排除原始尺寸的视频图像中人头目标尺寸小于32*32像素的区域。
具体地,上述步骤S12,即分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标的步骤包括:
首先,提取输入图像各层的积分通道特征,包括颜色特征、幅度值和角度特征以及梯度直方图特征等通道特征。优选将计算得到的稀疏层的通道特征映射到每一层,这样就不需要每一层都计算,减少了运算量。
然后,将某一层的积分通道特征、当前层通道特征的宽高和通道特征维数分别输入到训练好的四个分类器中,同时输入检测窗口尺度、窗口滑动步长和检测阈值等检测参数。此处的正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器是分别针对正面头部特征、背面头部特征、左侧头部特征和右侧头部特征训练的分类器,可用于对图像中的人的头像进行识别后分类。
最后,输出当前层检测到的候选人头目标信息,包括每个目标的尺度、位置、置信度以及候选人头目标的总个数。
依次根据各层的积分通道特征检测出当前层中的候选人头目标。
具体地,如图2所示,上述步骤S13,即对各分类器检测出的候选人头目标进行去重和筛选的步骤包括:
S131:合并各个分类器重复检测出的候选人头目标;
S132:合并位置重叠的候选人头目标;
S133:删除置信度低的候选人头目标,置信度是各个分类器在进行候选人头检测时对其检测出的每个候选人头目标进行可信度评估的结果,即其检测出的候选人头目标是真实人头目标的可能性大小,其数值范围在0-100(百分数)之间,置信度数值越大说明该候选人头目标是真实人头目标的可能性越大;
S134:删除与人头尺寸不相符的候选人头目标。
由于在进行候选人头目标检测时,采用的是多尺度、多区域的检测方式,且每种尺度下各个分类器是分别独立检测的,因此需要对检测出的候选人头目标进行去重和筛选。其中,上述各个分类器重复检测出的候选人头目标包括一个人头目标在不同尺度下被同一个分类器重复检测出来的和一个人头目标被两个或两个以上的分类器检测出来的。上述位置重叠的候选人头目标是指重叠面积大于重叠阈值的两个候选人头目标,该两个候选人头目标比较大的可能是同一个真实的人头目标。多尺度检测可能会检测出明显与人头尺寸不相符的候选人头目标,其一定不是真实的人头目标,因此需要删除以减少目标误报和误跟踪。通过步骤S13基本可以排除重复检测出的候选人头目标和误检测出的人头目标,以提高目标检测和跟踪的准确性。
具体地,上述步骤S14中的跟踪条件为:至少连续三帧的检测置信度大于30、与当前帧检测出的人头目标匹配、当前帧的检测置信度大于40且在当前帧中其与任一跟踪人头目标的重叠面积小于20%。满足该跟踪条件的人头目标可稳定地被检测到,通过该跟踪条件来筛选跟踪目标可以提高了人头目标跟踪的准确性,从而减少处理器资源的浪费。
作为优选的实施方案,如图3所示,上述步骤S15,即对剩余的人头目标分别进行跟踪的步骤包括:
S151:对上帧图像中跟踪的人头目标进行光流场预测,得到对应人头目标在本帧图像中的预测位置;
S152:根据判断要素确定各个跟踪人头目标在本帧图像中的实际位置,该判断要素包括本帧图像的检测结果和预测位置,检测结果是指当前帧检测出来的某一人头目标与上帧图像中跟踪的人头目标匹配。即,如果检测结果可信则将检测结果对应的位置作为该人头目标的真实位置,如果预测位置可信则将预测位置作为该人头目标的真实位置,如果二者都不大可信,则综合检测结果对应的位置和预测位置来确定该人头目标的真实位置,此时还需要综合考虑检测得分、预测得分、前景情况和该人头目标在本帧图像中的相对位置(画面边缘还是画面中间等)等。
该实施方案中,通过对检测结果和预测位置的综合评估来确定跟踪人头目标的真实位置,可以提高目标跟踪的准确性。
具体地,当前帧检测出来的人头目标与上帧图像中跟踪的人头目标是通过包括距离和尺寸大小的综合欧式距离以及颜色直方图来匹配的。当前帧检测出来的人头目标与暂时尚未满足跟踪条件的人头目标也是通过综合欧式距离和颜色直方图来匹配的。通过距离、尺寸和颜色直方图这三个要素来进行匹配可以提高匹配的准确性。
作为另一优选的具体实施方式,如图3所示,上述步骤S15,即对剩余的人头目标分别进行跟踪的步骤还包括:
S153:将当前帧新检测出的人头目标与之前在图像中间无故消失的人头目标进行匹配,当前帧新检测出的人头目标是指与当前跟踪的人头目标均不匹配的人头目标;
S154:如果匹配上,则判断其与该之前无故消失的人头目标是同一人头目标,继续对其进行跟踪。
该实施例中,在对人头目标进行检测和跟踪的过程中,还需要将之前在图像中无故消失的人头目标与当前帧新检测出的人头目标进行匹配,以使得之前跟踪的目标因偶尔被遮挡后重现出现时依旧能够将其作为同一个目标进行跟踪,而不是将其作为新的目标来进行跟踪以减少目标重报。
具体地,上述步骤S153,即将当前帧新检测出的人头目标与之前在图像中间无故消失的人头目标进行匹配的步骤包括:
根据当前帧新检测出的人头目标的位置和颜色直方图与无故消失人头目标消失前的位置和颜色直方图进行综合匹配。因此,对于跟踪中的人头目标需要及时更新其颜色直方图。
对于消失时间不长的人头目标,并且当前帧新检测出的人头目标的颜色直方图与其在消失前的颜色直方图不匹配,则利用其速度预测其在当前帧图像中的位置,然后通过位置来进行匹配。
具体地,如图3所示,上述步骤S15,即对剩余的人头目标分别进行跟踪的步骤还包括:
S155:删除无前景人头目标、长期在视频图像边缘的人头目标和在视频图像中间无故消失且匹配超时的人头目标。
无前景人头目标明显属于误检,需要删除。长期在视频图像边缘的人头目标不具有跟踪意义,需要删除。对于在视频图像中无故消失且长时间没有匹配上的人头目标,其很大可能性已经离开视频拍摄区域,而且如果继续进行匹配会浪费处理器的资源,因此作删除处理。
实施例2
如图4所示,本实施例提供了一种人员行为分析方法,包括:
S21:采用上述实施例1所述的目标跟踪方法对摄像机获取的视频图像中的人头目标进行跟踪;
S22:根据跟踪结果对各人头目标对应的人员进行行为分析,包括统计人员个数;和/或,分析人员密度;和/或,统计各个方向的人员数量;和/或,统计出给定时间内的行人热度情况;分析人员的异常行为,包括徘徊、奔跑、逗留、拌线、单人独处、异常倒地和进入离开指定区域。
具体地:
统计人员个数是指:根据人头目标检测和跟踪结果准确统计指定区域或者全画面内的人员个数;
分析人员密度是指:根据用户设定,给出画面中人员的密度等级,如稀疏、正常、过密等状态百分比指标,用户可自定义设定正常或拥挤的门限值;
统计各个方向的人员数量是指:根据人员的轨迹信息,给出上下左右四个方向的人员计数情况;
统计出给定时间内的行人热度情况是指:根据画面中人员的轨迹情况,给出一定时间内画面中的行人热度图,方便道路整体规划与设计;
分析人员的异常行为是指:针对各种异常行为标准,给出异常行为判定的告警结果(徘徊、奔跑、逗留、拌线、单人独处、异常倒地、进入离开指定区域等等)。
人员检测和跟踪是基础,在检测准确、跟踪稳定的基础上,就可以进行可靠的人员行为分析了,包括:人数统计、人流密度分析、行人多向计数、热度分析、异常行为分析(徘徊、奔跑、逗留、拌线、单人独处、异常倒地、进入离开指定区域等等)。当然,将来随着技术的进步并根据社会的需求,也可以扩展实现更为复杂的单人及多人的行为分析,例如聚众斗殴、尾随、卖艺、乞讨、抢劫、偷盗、公共场所行为不检(衣冠不整、随地大小便、抽烟、吐痰、丢垃圾、饮食)等等。
该人员行为分析方法支持各种与人相关的异常事件的检测,后继可扩展性较强。其基本功能为人员多方向计数和人流密度分析,基本能够满足当前社会的热点需求。
作为其他的具体实施方案,还包括在异常行为发生时输出最佳快照的步骤,包括:
首先,通过人头目标的位置,扩展出异常行为发生位置;
然后,输出异常行为发生时的最佳快照。
另外,还可以输出人员计数快照,要求遮挡最小、人员最清晰且尺寸最大。每张快照都有时间标签,便于存储以及快速与原始视频关联。
该实施例提供的人员行为分析方法的场景适应性强,可适用于以下几种应用场景:
一、广场监控场景下的人员密度分析:
1)获取广场的实时视频;
2)检测广场中的人头目标;
3)对检测出的人头目标进行跟踪;
4)根据检测和跟踪结果输出广场的多向人员计数和人流量统计信息;
5)通过分时段人流量统计信息,可以合理的安排安保人员进行值班;
6)对于广场人员密度超标时进行及时预警。
二、学校门口的异常行为监控:
1)获取学校门口的实时视频;
2)检测学校门口的人头目标;
3)对检测出的人头目标进行跟踪;
4)根据人头目标轨迹分析学校门口的人员异常行为;
5)对于长时间徘徊,非接送时间段的长时间逗留情况进行及时预警;
6)对于学校门口的快速奔跑等事件进行及时预警。
三、地铁通道的人流量分析:
1)获取地铁通道内的实时视频;
2)检测地铁通道内的人头目标;
3)跟踪地铁通道内的所有人头目标;
4)根据人头目标检测数目进行通道内的人流量统计;
5)对于人流量超标或者发生踩踏时间时及时进行告警。
四、值岗值班检测:
1)获取值班室的实时视频;
2)检测值班室内的人头目标;
3)根据检测结果判定值班人员是否在岗,如离岗则及时进行告警。
五、单人独处检测:
1)获取某监所内的实时视频;
2)检测监所内的人头目标;
3)根据检测结果判定是否监所内部只有一个人,此时会有发生自杀或者死亡等危险情况的可能,要进行及时告警。
实施例3
如图5所示,本实施例提供了一种目标跟踪系统,包括:
图像获取单元U1:用于利用摄像机获取视频图像;
检测单元U2:用于分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标;
去重和筛选单元U3:用于对各分类器检测出的候选人头目标进行去重和筛选;
跟踪目标筛选单元U4:用于删除不满足跟踪条件的人头目标;
跟踪单元U5:用于对剩余的人头目标分别进行跟踪。
由于人头的角度适应性最佳,对相机架设的要求低,该实施例提供的目标跟踪系统对于架设方向与水平面的夹角角度大于0度且小于60度的摄像机采集的视频流都适用。且,由于人头在画面中被遮挡的可能性低,因此人头检测分类器的适应性最好,该系统可以在人车混行或者人物交叠的场景下排除人以外的其他目标,只对人员进行检测跟踪,可有效排除干扰、准确性较高。
另外,该系统中的分类器并不是将多种姿态人头进行混合训练得到的分类器,而是选取了四种角度的人头分开训练,得到四个分类器分别进行目标检测,但是由于公用了特征信息,检测的计算量并没有大的增加,却提高了目标检测的准确性,还减少了虚景,该系统的适用范围广、容易进行功能改进和拓展。
具体地,上述检测单元包括:
积分通道特征提取单元,用于提取输入图像各层的积分通道特征,包括颜色特征、幅度值和角度特征以及梯度直方图特征等通道特征;
参数输入单元,将某一层的积分通道特征、当前层通道特征的宽高和通道特征维数分别输入到训练好的四个分类器中,同时输入检测窗口尺度、窗口滑动步长和检测阈值等检测参数;
检测结果输出单元,输出当前层检测到的候选人头目标信息,包括每个目标的尺度、位置、置信度以及候选人头目标的总个数。
具体地,如图6所示,去重和筛选单元U3包括:
第一合并单元U31:用于合并各个分类器重复检测出的候选人头目标;
第二合并单元U32:用于合并位置重叠的候选人头目标;
第一删除单元U33:用于删除置信度低的候选人头目标;
第二删除单元U34:用于删除与人头尺寸不相符的候选人头目标。
由于在进行候选人头目标检测时,采用的是多尺度、多区域的检测方式,且每种尺度下各个分类器是分别独立检测的,因此需要对检测出的候选人头目标进行去重和筛选。其中,上述各个分类器重复检测出的候选人头目标包括一个人头目标在不同尺度下被同一个分类器重复检测出来的和一个人头目标被两个或两个以上的分类器检测出来的。上述位置重叠的候选人头目标是指重叠面积大于重叠阈值的两个候选人头目标,该两个候选人头目标比较大的可能是同一个真实的人头目标。多尺度检测可能会检测出明显与人头尺寸不相符的候选人头目标,其一定不是真实的人头目标,因此需要删除以减少目标误报和误跟踪。该目标跟踪系统基本可以排除重复检测出的候选人头目标和误检测出的人头目标,以提高目标检测和跟踪的准确性。
作为优选的具体实施方式,如图7所示,跟踪单元U5包括:
预测单元U51:用于对上帧图像中跟踪的人头目标进行光流场预测,得到对应人头目标在本帧图像中的预测位置;
实际位置确定单元U52:用于根据判断要素确定各个跟踪人头目标在本帧图像中的实际位置,判断要素包括本帧图像的检测结果和预测位置,检测结果是指当前帧检测出来的某一人头目标与上帧图像中跟踪的人头目标匹配。
该目标跟踪系统中,通过对检测结果和预测位置的综合评估来确定跟踪人头目标的真实位置,可以提高目标跟踪的准确性。
作为进一步优选的具体实施方式,如图7所示,跟踪单元U5包括:
匹配单元U53:用于将当前帧新检测出的人头目标与之前在图像中间无故消失的人头目标进行匹配,当前帧新检测出的人头目标是指与当前跟踪的人头目标均不匹配的人头目标;
继续跟踪单元U54:如果匹配上,则判断其与该之前无故消失的人头目标是同一人头目标,继续对其进行跟踪。
该目标跟踪系统中,在对人头目标进行检测和跟踪的过程中,还需要将之前在图像中无故消失的人头目标与当前帧新检测出的人头目标进行匹配,以使得之前跟踪的目标因偶尔被遮挡后重现出现时依旧能够将其作为同一个目标进行跟踪,而不是将其作为新的目标来进行跟踪以减少目标重报。
具体地,匹配单元U53包括:
综合匹配单元U531:用于根据当前帧新检测出的人头目标的位置和颜色直方图与无故消失人头目标消失前的位置和颜色直方图进行综合匹配。
作为优选的实施方案,如图7所示,跟踪单元U5包括:
跟踪目标删除单元U55:用于删除无前景人头目标、长期在视频图像边缘的人头目标和在视频图像中间无故消失且匹配超时的人头目标。
该系统及时删除跟踪意义不大的人头目标以及虽无故消失但长时间没有再次匹配上的人头目标,以将有限的处理器资源充分的利用到有意义的检测和跟踪上。
实施例4
如图8所示,本实施例提供了一种人员行为分析系统,包括:
目标跟踪单元D1:采用实施例1所述的目标跟踪方法对摄像机获取的视频图像中的人头目标进行跟踪;
人员行为分析单元D2:根据跟踪结果对各人头目标对应的人员进行行为分析,包括统计人员个数;和/或,分析人员密度;和/或,统计各个方向的人员数量;和/或,统计出给定时间内的行人热度情况;分析人员的异常行为,包括徘徊、奔跑、逗留、拌线、单人独处、异常倒地和进入离开指定区域。
该人员行为分析系统支持各种与人相关的异常事件的检测,后继可扩展性较强。其基本功能为人员多方向计数和人流密度分析,基本能够满足当前社会的热点需求。
作为其他的具体实施方案,还包括最佳快照输出单元,包括:
位置扩展单元,通过人头目标的位置,扩展出异常行为发生位置;
输出单元,输出异常行为发生时的最佳快照。
本实施例提供的人员行为分析系统,可适用于多种应用场景,例如广场、学校门口、地铁通道、值班室和单人独处的场景等。
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 (17)
1.一种目标跟踪方法,其特征在于,包括以下步骤:
利用摄像机获取视频图像;
分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标;
对各分类器检测出的候选人头目标进行去重和筛选;
删除不满足跟踪条件的人头目标;
对剩余的人头目标分别进行跟踪;
其中,所述分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标的步骤包括:
提取输入图像各层的积分通道特征,所述通道特征包括颜色特征、幅度值和角度特征以及梯度直方图特征;
将某一层的所述积分通道特征、当前层通道特征的宽高和通道特征维数分别输入到训练好的四个分类器中,同时输入检测窗口尺度、窗口滑动步长和检测阈值;
输出当前层检测到的候选人头目标信息,所述人头目标信息包括每个目标的尺度、位置、置信度以及候选人头目标的总个数。
2.如权利要求1所述的方法,其特征在于,所述对各分类器检测出的候选人头目标进行去重和筛选的步骤包括:
合并各个分类器重复检测出的候选人头目标;
合并位置重叠的候选人头目标;
删除置信度低的候选人头目标;
删除与人头尺寸不相符的候选人头目标。
3.如权利要求1或2所述的方法,其特征在于,所述删除不满足跟踪条件的人头目标的步骤中,所述跟踪条件为:至少连续三帧的检测置信度大于30、与当前帧检测出的人头目标匹配、当前帧的检测置信度大于40且在当前帧中其与任一跟踪人头目标的重叠面积小于20%。
4.如权利要求1或2所述的方法,其特征在于,所述对剩余的人头目标分别进行跟踪的步骤包括:
对上帧图像中跟踪的人头目标进行光流场预测,得到对应人头目标在本帧图像中的预测位置;
根据判断要素确定各个跟踪人头目标在本帧图像中的实际位置,所述判断要素包括本帧图像的检测结果和所述预测位置,所述检测结果是指当前帧检测出来的某一人头目标与上帧图像中跟踪的人头目标匹配。
5.如权利要求1或2所述的方法,其特征在于,当前帧检测出来的人头目标与上帧图像中跟踪的人头目标是通过包括距离和尺寸大小的综合欧式距离以及颜色直方图来匹配的。
6.如权利要求1或2所述的方法,其特征在于,所述对剩余的人头目标分别进行跟踪的步骤包括:
将当前帧新检测出的人头目标与之前在图像中间无故消失的人头目标进行匹配,所述当前帧新检测出的人头目标是指与当前跟踪的人头目标均不匹配的人头目标;
如果匹配上,则判断其与该之前无故消失的人头目标是同一人头目标,继续对其进行跟踪。
7.如权利要求6中所述的方法,其特征在于,所述将当前帧新检测出的人头目标与之前在图像中间无故消失的人头目标进行匹配的步骤包括:
根据当前帧新检测出的人头目标的位置和颜色直方图与无故消失人头目标消失前的位置和颜色直方图进行综合匹配。
8.如权利要求1或2所述的方法,其特征在于,所述对剩余的人头目标分别进行跟踪的步骤包括:
删除无前景人头目标、长期在视频图像边缘的人头目标和在视频图像中间无故消失且匹配超时的人头目标。
9.一种人员行为分析方法,其特征在于,包括:
采用权利要求1-8中任一项所述的目标跟踪方法对摄像机获取的视频图像中的人头目标进行跟踪;
根据跟踪结果对各人头目标对应的人员进行行为分析,包括统计人员个数;和/或,分析人员密度;和/或,统计各个方向的人员数量;和/或,统计出给定时间内的行人热度情况;分析人员的异常行为,包括徘徊、奔跑、逗留、拌线、单人独处、异常倒地和进入离开指定区域。
10.如权利要求9所述的人员行为分析方法,其特征在于,还包括在异常行为发生时输出最佳快照的步骤,包括:
通过人头目标的位置,扩展出异常行为发生位置;
输出异常行为发生时的最佳快照。
11.一种目标跟踪系统,其特征在于,包括:
图像获取单元:用于利用摄像机获取视频图像;
检测单元:用于分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标;
去重和筛选单元:用于对各分类器检测出的候选人头目标进行去重和筛选;
跟踪目标筛选单元:用于删除不满足跟踪条件的人头目标;
跟踪单元:用于对剩余的人头目标分别进行跟踪;
其中,所述分别利用正面头部分类器、背面头部分类器、左侧头部分类器和右侧头部分类器检测出当前图像中的候选人头目标的步骤包括:
提取输入图像各层的积分通道特征,所述通道特征包括颜色特征、幅度值和角度特征以及梯度直方图特征;
将某一层的所述积分通道特征、当前层通道特征的宽高和通道特征维数分别输入到训练好的四个分类器中,同时输入检测窗口尺度、窗口滑动步长和检测阈值;
输出当前层检测到的候选人头目标信息,所述人头目标信息包括每个目标的尺度、位置、置信度以及候选人头目标的总个数。
12.如权利要求11所述的系统,其特征在于,所述去重和筛选单元包括:
第一合并单元:用于合并各个分类器重复检测出的候选人头目标;
第二合并单元:用于合并位置重叠的候选人头目标;
第一删除单元:用于删除置信度低的候选人头目标;
第二删除单元:用于删除与人头尺寸不相符的候选人头目标。
13.如权利要求11或12所述的系统,其特征在于,所述跟踪单元包括:
预测单元:用于对上帧图像中跟踪的人头目标进行光流场预测,得到对应人头目标在本帧图像中的预测位置;
实际位置确定单元:用于根据判断要素确定各个跟踪人头目标在本帧图像中的实际位置,所述判断要素包括本帧图像的检测结果和所述预测位置,所述检测结果是指当前帧检测出来的某一人头目标与上帧图像中跟踪的人头目标匹配。
14.如权利要求11或12所述的系统,其特征在于,所述跟踪单元包括:
匹配单元:用于将当前帧新检测出的人头目标与之前在图像中间无故消失的人头目标进行匹配,所述当前帧新检测出的人头目标是指与当前跟踪的人头目标均不匹配的人头目标;
继续跟踪单元:如果匹配上,则判断其与该之前无故消失的人头目标是同一人头目标,继续对其进行跟踪。
15.如权利要求14所述的系统,其特征在于,所述匹配单元包括:
综合匹配单元:用于根据当前帧新检测出的人头目标的位置和颜色直方图与无故消失人头目标消失前的位置和颜色直方图进行综合匹配。
16.如权利要求11或12所述的系统,其特征在于,所述跟踪单元包括:
跟踪目标删除单元:用于删除无前景人头目标、长期在视频图像边缘的人头目标和在视频图像中间无故消失且匹配超时的人头目标。
17.一种人员行为分析系统,其特征在于,包括:
目标跟踪单元:采用权利要求1-8中任一项所述的目标跟踪方法对摄像机获取的视频图像中的人头目标进行跟踪;
人员行为分析单元:根据跟踪结果对各人头目标对应的人员进行行为分析,包括统计人员个数;和/或,分析人员密度;和/或,统计各个方向的人员数量;和/或,统计出给定时间内的行人热度情况;分析人员的异常行为,包括徘徊、奔跑、逗留、拌线、单人独处、异常倒地和进入离开指定区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510569723.8A CN105184258B (zh) | 2015-09-09 | 2015-09-09 | 目标跟踪方法及系统、人员行为分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510569723.8A CN105184258B (zh) | 2015-09-09 | 2015-09-09 | 目标跟踪方法及系统、人员行为分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184258A CN105184258A (zh) | 2015-12-23 |
CN105184258B true CN105184258B (zh) | 2019-04-30 |
Family
ID=54906327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510569723.8A Active CN105184258B (zh) | 2015-09-09 | 2015-09-09 | 目标跟踪方法及系统、人员行为分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184258B (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631900B (zh) * | 2015-12-30 | 2019-08-02 | 浙江宇视科技有限公司 | 一种车辆跟踪方法及装置 |
CN105513364B (zh) * | 2016-02-04 | 2016-11-02 | 北京时代浩鼎科技股份有限公司 | 位于交通路口的智能化控制箱 |
CN105744232B (zh) * | 2016-03-25 | 2017-12-12 | 南京第五十五所技术开发有限公司 | 一种基于行为分析技术的输电线路视频防外破的方法 |
CN107491715A (zh) * | 2016-06-13 | 2017-12-19 | 北京文安智能技术股份有限公司 | 一种基于视频分析的地铁车厢客流统计方法、装置及系统 |
CN107493520A (zh) * | 2016-06-13 | 2017-12-19 | 合肥君正科技有限公司 | 一种视频摘要生成方法及装置 |
CN106295515B (zh) * | 2016-07-28 | 2019-10-15 | 北京小米移动软件有限公司 | 确定图像中的人脸区域的方法及装置 |
CN106303447B (zh) * | 2016-08-29 | 2019-10-25 | 深圳泰首智能技术有限公司 | 一种监控方法及装置 |
CN107871111B (zh) * | 2016-09-28 | 2021-11-26 | 苏宁易购集团股份有限公司 | 一种行为分析方法及系统 |
CN106446862A (zh) * | 2016-10-11 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸检测方法及系统 |
CN108122245B (zh) * | 2016-11-30 | 2021-11-30 | 华为技术有限公司 | 一种目标行为描述方法、装置和监控设备 |
CN106709438A (zh) * | 2016-12-14 | 2017-05-24 | 贵州电网有限责任公司电力调度控制中心 | 一种基于视频会议的人数统计方法 |
CN106888365A (zh) * | 2017-02-22 | 2017-06-23 | 成都华安视讯科技有限公司 | 一种动态环境监控系统及方法 |
CN107038423B (zh) * | 2017-04-20 | 2020-03-27 | 常州智行科技有限公司 | 一种车辆实时检测与跟踪方法 |
CN107256225B (zh) * | 2017-04-28 | 2020-09-01 | 济南中维世纪科技有限公司 | 一种基于视频分析的热度图生成方法及装置 |
CN108986064B (zh) * | 2017-05-31 | 2022-05-06 | 杭州海康威视数字技术股份有限公司 | 一种人流量统计方法、设备及系统 |
CN108875490A (zh) * | 2017-09-30 | 2018-11-23 | 北京旷视科技有限公司 | 人员流量分析的方法、装置及计算机存储介质 |
CN107633238A (zh) * | 2017-10-12 | 2018-01-26 | 深圳市信海通科技有限公司 | 一种视频分析方法以及智能分析服务器 |
CN108038837B (zh) * | 2017-12-08 | 2020-09-29 | 苏州科达科技股份有限公司 | 视频中目标检测方法及系统 |
CN108289202A (zh) * | 2018-01-29 | 2018-07-17 | 北京大椽科技有限公司 | 一种智能网络监控方法及系统 |
CN108875536A (zh) * | 2018-02-06 | 2018-11-23 | 北京迈格威科技有限公司 | 行人分析方法、装置、系统和存储介质 |
CN108509896B (zh) | 2018-03-28 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 一种轨迹跟踪方法、装置和存储介质 |
CN110581970A (zh) * | 2018-06-07 | 2019-12-17 | 北京华泰科捷信息技术股份有限公司 | 一种带有人脸识别分析功能的网络视频存储装置及方法 |
CN111325064B (zh) * | 2018-12-14 | 2023-04-18 | 杭州海康威视数字技术股份有限公司 | 一种人员轨迹确定系统、方法、装置 |
CN109819208B (zh) * | 2019-01-02 | 2021-01-12 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
CN110021034A (zh) * | 2019-03-20 | 2019-07-16 | 华南理工大学 | 一种基于头肩检测的跟踪录播方法及系统 |
CN110414316A (zh) * | 2019-06-11 | 2019-11-05 | 中国科学院自动化研究所 | 数据去噪方法、装置、计算机设备和存储介质 |
CN110348348B (zh) * | 2019-06-30 | 2021-08-31 | 华中科技大学 | 一种参建人员进场身份快速识别方法及预警系统 |
CN110516602A (zh) * | 2019-08-28 | 2019-11-29 | 杭州律橙电子科技有限公司 | 一种基于单目相机和深度学习技术的公交客流统计方法 |
CN111027370A (zh) * | 2019-10-16 | 2020-04-17 | 合肥湛达智能科技有限公司 | 一种多目标跟踪及行为分析检测方法 |
CN111223131B (zh) * | 2020-01-14 | 2022-05-03 | 山东科技大学 | 一种特定目标与嫌疑目标持续移动的监控追踪方法 |
CN113361388B (zh) * | 2021-06-03 | 2023-11-24 | 北京百度网讯科技有限公司 | 图像数据修正方法、装置、电子设备及自动驾驶车辆 |
CN113469080B (zh) * | 2021-07-08 | 2024-07-12 | 中国科学院自动化研究所 | 一种个体、群体、场景交互协同感知方法、系统及设备 |
CN117420868B (zh) * | 2023-12-18 | 2024-04-09 | 山东海智星智能科技有限公司 | 基于物联网的智慧教室控制系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577812A (zh) * | 2009-03-06 | 2009-11-11 | 北京中星微电子有限公司 | 一种岗位监测的方法和系统 |
CN102799935A (zh) * | 2012-06-21 | 2012-11-28 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频分析技术的人流量统计方法 |
CN104361327A (zh) * | 2014-11-20 | 2015-02-18 | 苏州科达科技股份有限公司 | 一种行人检测方法和系统 |
CN104751491A (zh) * | 2015-04-10 | 2015-07-01 | 中国科学院宁波材料技术与工程研究所 | 一种人群跟踪及人流量统计方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011097795A1 (zh) * | 2010-02-10 | 2011-08-18 | 杭州海康威视软件有限公司 | 人流量统计的方法及系统 |
-
2015
- 2015-09-09 CN CN201510569723.8A patent/CN105184258B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577812A (zh) * | 2009-03-06 | 2009-11-11 | 北京中星微电子有限公司 | 一种岗位监测的方法和系统 |
CN102799935A (zh) * | 2012-06-21 | 2012-11-28 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频分析技术的人流量统计方法 |
CN104361327A (zh) * | 2014-11-20 | 2015-02-18 | 苏州科达科技股份有限公司 | 一种行人检测方法和系统 |
CN104751491A (zh) * | 2015-04-10 | 2015-07-01 | 中国科学院宁波材料技术与工程研究所 | 一种人群跟踪及人流量统计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105184258A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184258B (zh) | 目标跟踪方法及系统、人员行为分析方法及系统 | |
CN104680555B (zh) | 基于视频监控的越界检测方法及越界监控系统 | |
US9652863B2 (en) | Multi-mode video event indexing | |
CN104021570B (zh) | 一种视频中有方向的越界和拌线检测方法 | |
CN110188724A (zh) | 基于深度学习的安全帽定位与颜色识别的方法及系统 | |
Bird et al. | Real time, online detection of abandoned objects in public areas | |
Ge et al. | Automatically detecting the small group structure of a crowd | |
US8798327B2 (en) | Method and system for people flow statistics | |
CN108259830A (zh) | 基于云服务器的鼠患智能监控系统和方法 | |
CN105915847A (zh) | 基于特征匹配跟踪的视频监控装置及其方法 | |
CN105608479A (zh) | 结合深度数据的异常行为检测方法及系统 | |
Alshammari et al. | Intelligent multi-camera video surveillance system for smart city applications | |
CN107506734A (zh) | 一种群体突发异常事件检测与定位方法 | |
Khan | Congestion detection in pedestrian crowds using oscillation in motion trajectories | |
KR20060031832A (ko) | 실시간 행위분석 및 상황인지 기반 스마트 영상 보안시스템 | |
CN109446989A (zh) | 人群聚集检测方法、装置及存储介质 | |
CN108197575A (zh) | 一种基于目标检测和骨点检测的异常行为识别方法及装置 | |
Kongurgsa et al. | Real-time intrusion—detecting and alert system by image processing techniques | |
CN109726656A (zh) | 监控设备及其尾随监测方法、装置、可读存储介质 | |
CN108540752A (zh) | 对视频监控中目标对象进行识别的方法、装置和系统 | |
CN105844659A (zh) | 运动部件的跟踪方法和装置 | |
CN117437599B (zh) | 面向监控场景的行人异常事件检测方法和系统 | |
CN109684946A (zh) | 一种基于单高斯背景建模的厨房老鼠检测方法 | |
Wang et al. | Traffic camera anomaly detection | |
CN116419059A (zh) | 基于行为标签的自动监控方法、装置、设备及介质 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220909 Address after: No. 131, Jinshan Road, Suzhou hi tech Zone, Suzhou, Jiangsu, 215011 Patentee after: SUZHOU KEDA TECHNOLOGY Co.,Ltd. Patentee after: Shanghai Kefada Transportation Facilities Engineering Co.,Ltd. Patentee after: Shanghai Weihong Technology Co.,Ltd. Address before: No. 131, Jinshan Road, Suzhou hi tech Zone, Suzhou, Jiangsu, 215011 Patentee before: SUZHOU KEDA TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |