CN105184812B - 一种基于目标跟踪的行人徘徊检测方法 - Google Patents
一种基于目标跟踪的行人徘徊检测方法 Download PDFInfo
- Publication number
- CN105184812B CN105184812B CN201510428029.4A CN201510428029A CN105184812B CN 105184812 B CN105184812 B CN 105184812B CN 201510428029 A CN201510428029 A CN 201510428029A CN 105184812 B CN105184812 B CN 105184812B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- point
- target
- value
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/60—Rotation of a whole image or part thereof
Abstract
本发明属于数字图像处理及模式识别技术领域,具体为一种基于目标跟踪的行人徘徊检测算法。本发明分为三个阶段,在目标提取阶段,通过Vibe背景差分的方法提取图像中的运动目标,具有较高的时间性能和召回率;在目标跟踪阶段,对提取出的运动目标计算颜色直方图特征,然后利用粒子滤波算法对连续帧进行跟踪以获取目标运动轨迹,在实际场景中拥有较高的鲁棒性和实时性;最后在徘徊判定阶段,使用目标运动轨迹的几何特征进行徘徊判定。本发明具有高实时性和高易实施性,可满足教室、车间、车站、广场等不同场景的检测要求。
Description
技术领域
本发明属于数字图像处理及模式识别技术领域,具体涉及基于目标跟踪的行人徘徊检测方法。
背景技术
智能视频监控技术与传统的监控方法相比具有明显的优点:可以全天候监控,不存在疲劳的问题;拥有强大的处理能力,可以同时监控多个目标;拥有较高的自主性,能够自动识别目标并进行报警。
行人徘徊检测分析是智能视频监控领域的重要组成部分。当行人持续地、往复地在监控区域内运动时,可认为该行人处于徘徊状态。徘徊检测可以对监控区域内的行人行为进行评估,及时发出警告。徘徊检测可以应用在众多场景中,例如,在池塘、水库等场景内徘徊的行人可能会有危险;在教室、车间等场景内徘徊的行人可能会有不法举动。
目前对于行人徘徊检测的研究较少。刘晓明[4][5]提出基于静态场景下的单目标徘徊检测及跟踪方法,该方法利用背景差分获取目标位置,通过camshift对目标进行跟踪获取目标的运动轨迹。该方法局限较大,由于背景差分使用固定的背景模板,只能运用在静态场景下。而当背景较为复杂,或者有许多与目标颜色相似像素干扰的情况下,camshift跟踪效果不理想。刘强[6]提出基于离散曲率熵的徘徊行为检测,该方法同样采用camshift对目标进行跟踪,同时使用Kalman预测对跟踪算法进行修正。此方法存在同样的问题,且kalman滤波器对非线性场景下的预测效果较差。
中国专利CN101770648A[1]提出了“一种基于视频监控的徘徊检测系统及方法”。该专利提出的方法通过检测目标的运动轨迹,当轨迹长度超过设定阈值时判定为徘徊。此方法涉及的目标检测算法为传统的背景差分法,需要进行背景建模、背景更新及前景检测。该背景差分方法需要存储大量的背景数据,同时在背景扰动、阴影抑制以及实时性方面存在不足,不利于实际场景的应用。中国专利CN102810206A[2]提出了“一种基于动态规划的实时徘徊检测算法”。该专利提出的方法通过提取特征点进行SSDA匹配,检测匹配特征点,然后利用动态规划进行轨迹跟踪,对轨迹进行评价判断是否为徘徊。此方法设计的特征对光照变化较为敏感,在光照变化明显的场景中匹配效果会急剧下降;SSDA匹配对于刚性物体具有良好的效果,但是对于非刚性物体如行人等鲁棒性较差。
发明内容
本发明的目的在于提供一种基于目标跟踪的行人徘徊检测算法,应用于智能视频监控系统中,以满足系统实时性和准确性的要求。
本发明提出的基于目标跟踪的行人徘徊检测算法,依次分为三个阶段:目标提取阶段,目标跟踪阶段,徘徊判定阶段。主框架如图1所示。
在目标提取阶段,通过Vibe背景差分的方法提取图像中的运动目标,具有较高的时间性能和召回率;在目标跟踪阶段,对提取出的运动目标计算颜色直方图特征,然后利用粒子滤波算法对连续帧进行跟踪以获取目标运动轨迹,在实际场景中拥有较高的鲁棒性和实时性。最后在徘徊判定阶段,使用目标运动轨迹的几何特征进行徘徊判定。具体说明如下:
一、目标提取阶段,具体步骤为:
(1)缩放图像,即对输入的第k帧图像进行预处理。
对于分辨率大于1280 * 720的输入图像,使用双线性差值算法将图像等比例缩放至宽度为720,对分辨率小于等1280 * 720的输入图像不进行缩放处理。所用的转换公式为:
其中,表示原图像中处的像素值,i、j分别表示x、y的整数部分,u、v表示小数部分。
(2)利用Vibe模型对第k帧图像进行背景差分
为图像中的每一个像素点建立包含N个样本的样本集:对于每一个像素点,随机选取其相邻点像素值作为样本值对样本集进行填充。其中N的取值与硬件处理性能相关,性能越好N的取值可以适当取较大值。
对于第k帧图像中每个像素点,分别计算其与对应样本集中所有样本的距离D,距离计算公式为:
其中,r、g、b分别为该像素点红色、绿色、蓝色通道的值,rk、gk、bk分别为样本点红色、绿色、蓝色通道的值。
统计其样本集中与其距离D大于的样本点个数n。若n大于,则标记当前点为背景点,否则标记为前景点。其中、是阈值,由实验确定给出的经验值,使得算法在耗时和效果之间能够平衡。
对标记为背景的像素点,以的概率去更新样本集,同时以的概率去更新其相邻像素点的样本集,更新时采用随机的方法选取要替换的样本值。其中的值由实验统计给出。
(3)计算第k帧图像中的行人区域
初始时将图像中的所有像素点标记为未访问,初始化区域标记C=0。
对于图像中的某个前景点,若其未被访问:令C=C+1,将前景点标记为已访问、并且属于区域C。递归访问该点周围的四个相邻点,做同样的标记。
遍历图像中所有未访问过的前景点,重复上述步骤,直到没有未访问的前景点。最终得到C个行人区域。
(4)合并行人区域
遍历所有区域,若区域中一点到另一个区域中一点的距离小于Lth,则将这两个区域合并为一个区域。距离计算公式为:
其中,和分别表示一个像素点。Lth是阈值,根据图像大小确定,使得属于同一个行人目标的像素点成为一个联通区域。
二、目标跟踪阶段,具体步骤为:
(1)初始化行人的粒子滤波模型
对提取到的新的行人区域建立粒子滤波模型并进行初始化。
将行人目标区域子图像从RGB(红、绿、蓝)色彩空间转换为HSV(色调、饱和度、亮度)色彩空间,公式如下:
其中,r、g、b分别为RGB色彩空间中三个通道的值,h、s、v分别为HSV色彩空间中三个通道的值;
计算行人目标区域子图像的颜色直方图Hist,公式如下:
其中,h、s、v分别为HSV色彩空间中三个通道的值,N为子图像的大小,P为概率密度函数。
为该行人初始化N个粒子,公式如下:
其中,(x,y)为当前图像中行人区域中心点坐标,(xp,yp)为前一帧图像中行人区域中心点坐标,w为行人区域宽度,h为行人区域高度,s为缩放尺度,sp为前一帧的缩放尺度,Hist为行人区域(x, y, w, h)的颜色直方图。
(2)对第k帧图像进行粒子转移
对第k帧图像中每个行人目标区域,更新所有的N个粒子,公式如下:
其中,C由均值为0的高斯函数采样得到,Hist为粒子更新后图像(xisi, yisi,wisi, hisi)区域的HSV颜色直方图,*表示前一帧图像中相应的值。
计算每个粒子的权重,公式如下:
其中,K为归一化系数,λ为常数,Hist为粒子初始化时的颜色直方图。
(3)更新第k帧行人目标的状态
计算第k帧行人的位置,公式如下:
对权重πi从大到小进行排序,若πi<πth,则丢弃对应的粒子。πth是阈值,由实验给出的经验值,用以抑制粒子的退化。
若粒子总数小于N,则用最大权重对应的粒子填充。
三、徘徊判定阶段,具体步骤为:
(1)计算行人运动区域和运动轨迹
对第k帧中出现的所有行人,计算其从初始至今的运动区域和运动轨迹。
获取行人在0到k帧的轨迹点,计算其运动区域,计算公式为:
其中,为行人在第k帧中的位置。
由于计算得到的行人轨迹有一定的噪声,因此需要对轨迹进行平滑,计算公式为:
计算新轨迹点各点的曲率。
(2)判断运动轨迹与运动区域
计算行人运动轨迹长度与运动区域所在矩形对角线长度的比值,计算公式为:
其中,L为行人运动轨迹长度。
计算行人运动区域与监控区域面积的比值,计算公式为:
其中,W、H分别为监控区域的宽度和高度。
若α大于且β大于,则判断行人行为属于徘徊。、为阈值,是由实验统计出的经验值,使得算法准确性保持在一定水平的同时降低误判率。
否则,继续计算运动轨迹的离散曲率熵E,计算公式为:
其中,为离散曲率的直方图。
若E大于,则判断行人行为属于徘徊。为阈值,是由实验统计出的经验值,使得算法准确性保持在一定水平的同时降低误判率。
本发明使用Vibe模型对背景进行差分以获取目标,使用基于颜色的粒子滤波跟踪方法对目标进行跟踪,利用目标移动轨迹的几何特征进行徘徊检测。对比现有技术,本发明所使用的方法能够对复杂非线性的场景进行处理,无需存储大量背景数据;能够有效应对背景扰动,对光照有较强的鲁棒性;能够有效跟踪监测非刚性物体,如行人;能够满足实时性要求。
附图说明
图1是本发明的流程图。
图2是本发明应用场景示意图。
图3是背景差分结果图。
图4是基于颜色的粒子滤波跟踪示意图。
图5是行人运动轨迹图。
具体实施方式
以下结合附图解释基于行人跟踪的徘徊检测算法的具体实施方式,应该指出,本发明的实施不限于以下的实施方式。
图1给出了基于目标跟踪的行人徘徊检测算法的流程图,具体步骤是:
1、首先在需要监控的场景中架设监控摄像头以获取监控视频。如图2所示,在场景上方架设摄像头,以便获取整个场景的信息。
2、对摄像头捕获到的图像序列做预处理,使其分辨率适应处理的要求。此例中图像大小为640x480,无需进行缩放。
3、利用Vibe模型对预处理后的图像进行背景差分,计算前景图。为图像中每一个像素点建立大小N=20的样本集,统计样本集中D>Dth的个数n,若n>Nth则标记为背景点,否则标记为前景点;若是背景点则以1/的概率更新样本集和相邻像素点的样本集。此例根据实验统计取Dth=20,Nth=2,=16效果较好。如图3所示,图中白色区域即为对应图像中的前景图。
4、计算步骤3处理后的前景图中的行人区域。如图5所示,图中绿色矩形框表示计算出的行人区域。
5、对步骤4中得到的行人区域进行处理,合并属于同一个行人的区域。此例根据图像的大小取Lth=5,计算得到的行人区域的初始参数(x,y,w,h)=(317, 48, 134, 81)。
6、将目标区域子图像从RGB色彩空间转换为HSV色彩空间。
7、对图像中首次出现的行人区域建立粒子滤波模型。此例中仅有一个行人目标,为其初始化N个粒子,根据硬件性能此例取N=10:
。
8、对行人区域的所有粒子进行转移。
9、更新行人在当前帧的位置。对粒子进行筛选,权值πi<πth的粒子全部由权值最大的粒子进行填充,此例取πth=0.1。如图4所示,图中黄色十字表示各个粒子,红色十字表示当前行人所在位置。
10、计算行人的运动轨迹和运动区域,此例中(xmin, ymin)=(318, 48),(xmax,ymax)=(487, 454)。对轨迹进行种植滤波。如图5所示,图中红色实心点表示行人在每一帧中的位置,蓝色折线表示行人的运动轨迹。
11、判断行人是否是徘徊。计算行人运动轨迹长度与运动区域所在去腥对角线长度的比值:
计算行人运动区域与监控区域面积的比值:
根据实验统计,此例取=3,=0.2,因此该行人当前处于徘徊状态中。
参考文献
[1]北京中星微电子有限公司一种基于视频监控的徘徊检测系统及方法:中国,CN2009100760460[P]2010-7-7
[2]南京理工大学一种基于动态规划的实时徘徊检测算法:中国,CN2011101485218[P]2012-12-5
[3]三星泰科威株式会社用于对象跟踪和徘徊检测的方法和设备:中国,CN2010105521350[P]2011-10-12
[4]刘晓明基于视频序列的徘徊检测跟踪算法的研究与实现[D]太原理工大学,2011DOI:107666/dd198591
[5]刘晓明,张起贵基于静态场景下的单目标徘徊检测及跟踪方法[J]微型机与应用,2010,(13):26-29
[6]刘强,罗斌,翟素兰等基于离散曲率熵的徘徊行为检测[J]计算机工程与应用,2013,(18):164-166。
Claims (1)
1.一种基于目标跟踪的行人徘徊检测方法,其特征在于依次分为3个阶段:目标提取阶段,目标跟踪阶段,徘徊判断阶段;其中:
一、目标提取阶段的具体步骤为:
(1)缩放图像
对于输入图像,其分辨率小于等于1280x720时不进行缩放处理;分辨率大于1280x720时,使用双线性差值算法将图像等比例缩放至宽度为720;所用的转换公式为:
f(i+u,j+v)=(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+u(1-v)f(i+1,j)+uvf(i+1,j+1)
其中,f(x,y)表示原图像中(x,y)处的像素值,i、j分别表示x、y的整数部分,u、v表示小数部分;
(2)背景差分
(a)为图像中的每一个像素点建立包含N个样本的样本集:对于每一个像素点,随机选取其相邻点像素值作为样本值对样本集进行填充;
(b)计算图像中每个像素点与对应样本集中所有样本的距离D,距离D计算公式为:
其中,r、g、b分别为该像素点红色、绿色、蓝色通道的值,rk、gk、bk分别为样本点红色、绿色、蓝色通道的值;
(c)统计每个像素点样本集中,满足D>Dth的样本点个数,记为n,若n大于Nth,则标记该像素点为背景点,否则标记为前景点;其中Dth、Nth为给定阈值;
(d)对标记为背景的像素点,以的概率去更新样本集,同时以的概率去更新其相邻像素点的样本集,更新时采用随机的方法选取要替换的样本值;
(3)计算行人目标区域
(a)将图像中的所有像素点标记为未访问;初始化区域标记C为0;
(b)对于图像中的某个前景点,若其未被访问,则令C=C+1,将前景点标记为已访问,并且属于区域C;
(c)递归访问该点周围的四个相邻点,同样标记为已访问,且属于区域C;
(d)遍历图像中所有未访问过的前景点,重复步骤(b)、步骤(c),直到没有未访问过的前景点;
(4)合并行人目标区域
遍历所有区域,若区域中一点到另一个区域中一点的距离l小于Lth,则将这两个区域合并为一个区域;距离l计算公式为:
其中,(x1,y1)和(x2,y2)分别表示一个像素点在图像中的坐标,Lth为给定阈值;
二、目标跟踪阶段的具体步骤为:
(1)初始化粒子滤波模型
(a)将目标区域子图像从RGB色彩空间转换为HSV色彩空间,公式如下:
v=max(r,g,b)
其中,r、g、b分别为RGB色彩空间中三个通道的值,h、s、v分别为HSV色彩空间中三个通道的值;
(b)计算行人目标区域子图像的颜色直方图Hist,其公式如下:
Hist(h,s,v)=N×P(h,s,v)
其中,h、s、v分别为HSV色彩空间中三个通道的值,N为子图像的大小,P(h,s,v)为概率密度函数;
(c)初始化N个粒子,公式如下:
i=1...N
其中,(x,y)为当前图像中行人区域中心点坐标,w为行人区域宽度,h为行人区域高度,Hist为行人区域(x,y,w,h)的颜色直方图;
(2)粒子转移
(a)更新所有的粒子,公式如下:
i=1...N
其中,C由均值为0的高斯函数采样得到,Hist′为更新后当前帧图像(xi,yi,wi,hi)区域的HSV颜色直方图,*表示前一帧图像中相应的值;
(b)计算每个粒子的权重,公式如下:
其中,δ为归一化系数,λ为常数,Hist为粒子初始化时的颜色直方图;
(3)状态更新
(a)计算第k帧行人的位置,公式如下:
(b)对权重πi从大到小进行排序,若πi<πth,则丢弃πi对应的粒子,其中πth为给定阈值;
(c)若粒子总数小于N,则缺少的粒子用最大权重πi对应的粒子填充;
三、徘徊判断阶段的具体步骤为:
(1)计算行人运动轨迹
(a)获取行人在每一帧的轨迹点,计算其运动区域((xmin,ymin),(xmax,ymax)),计算公式为:
其中,(xk,yk)为行人在第k帧中的位置;
(b)对行人的轨迹点进行中值滤波,平滑轨迹点所连成的轨迹曲线,计算公式为:
(c)计算新轨迹点各点的曲率Ωi;
(2)判定徘徊行为
(a)计算行人运动轨迹长度与运动区域所在矩形对角线长度的比值,该比值计算公式为:
其中,L为行人运动轨迹长度;
(b)计算行人运动区域与监控区域面积的比值,该比值计算公式为:
其中,W、H分别为监控区域的宽度和高度;
(c)若α大于αth且β大于βth,则判断行人行为属于徘徊,否则执行步骤(d);其中αth为给定的轨迹长度阈值,βth为给定的运动区域面积阈值;
(d)计算运动轨迹的离散曲率熵E,计算公式为:
其中,H(Ωi)为离散曲率的直方图,K为轨迹点的总数;
(e)若E大于给定的曲率熵阈值Eth,则判断行人行为属于徘徊行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510428029.4A CN105184812B (zh) | 2015-07-21 | 2015-07-21 | 一种基于目标跟踪的行人徘徊检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510428029.4A CN105184812B (zh) | 2015-07-21 | 2015-07-21 | 一种基于目标跟踪的行人徘徊检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184812A CN105184812A (zh) | 2015-12-23 |
CN105184812B true CN105184812B (zh) | 2018-08-24 |
Family
ID=54906864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510428029.4A Active CN105184812B (zh) | 2015-07-21 | 2015-07-21 | 一种基于目标跟踪的行人徘徊检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184812B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894539A (zh) * | 2016-04-01 | 2016-08-24 | 成都理工大学 | 基于视频识别和侦测运动轨迹的预防盗窃方法和系统 |
CN106503618B (zh) * | 2016-09-22 | 2019-09-17 | 天津大学 | 基于视频监控平台的人员游荡行为检测方法 |
CN107038415A (zh) * | 2017-03-08 | 2017-08-11 | 内蒙古智诚物联股份有限公司 | 一种基于人工智能视频的异常行为检测方法、系统及装置 |
CN109117721A (zh) * | 2018-07-06 | 2019-01-01 | 江西洪都航空工业集团有限责任公司 | 一种行人徘徊检测方法 |
CN110084162A (zh) * | 2019-04-18 | 2019-08-02 | 上海钧正网络科技有限公司 | 一种违章检测方法、装置及服务器 |
CN110176009B (zh) * | 2019-05-23 | 2023-03-07 | 复旦大学 | 一种肺部图像分割和跟踪方法和系统 |
CN110738105A (zh) * | 2019-09-05 | 2020-01-31 | 哈尔滨工业大学(深圳) | 一种基于深度学习的计算城市街道小区人流量的方法、装置、系统及存储介质 |
CN110969115B (zh) * | 2019-11-28 | 2023-04-07 | 深圳市商汤科技有限公司 | 行人事件的检测方法及装置、电子设备和存储介质 |
CN112883906B (zh) * | 2021-03-15 | 2021-09-28 | 珠海安联锐视科技股份有限公司 | 一种基于目标检测的人员状态分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577006A (zh) * | 2009-06-15 | 2009-11-11 | 北京中星微电子有限公司 | 视频监控中的徘徊检测方法和系统 |
CN102096928A (zh) * | 2011-01-27 | 2011-06-15 | 浙江工业大学 | 一种视频监控中基于角度的徘徊轨迹检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110111106A (ko) * | 2010-04-02 | 2011-10-10 | 삼성테크윈 주식회사 | 객체추적 및 로이터링 장치 및 방법 |
EP2826020A4 (en) * | 2012-03-15 | 2016-06-15 | Behavioral Recognition Sys Inc | STANDARDIZING AN ALERT VOLUME IN A VIDEO SURVEILLANCE SYSTEM |
-
2015
- 2015-07-21 CN CN201510428029.4A patent/CN105184812B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577006A (zh) * | 2009-06-15 | 2009-11-11 | 北京中星微电子有限公司 | 视频监控中的徘徊检测方法和系统 |
CN102096928A (zh) * | 2011-01-27 | 2011-06-15 | 浙江工业大学 | 一种视频监控中基于角度的徘徊轨迹检测方法 |
Non-Patent Citations (4)
Title |
---|
A Markov Random Walk Model for Loitering People Detection;Thi Thi Zin 等;《2010 Sixth International Conference on Intelligent Information Hiding and Multimedia Signal Processing》;20101231;第680-683页 * |
Detection of Loitering Individuals in Public Transportation Areas;Nathaniel D. Bird 等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20050630;第6卷(第2期);第167-177页 * |
基于离散曲率熵的徘徊行为检测;刘强 等;《计算机工程与应用》;20131231;第49卷(第18期);第164-166,216页 * |
智能视频监控中基于轨迹的徘徊检测;胡鲲;《福建电脑》;20150227(第2期);第98-100页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184812A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184812B (zh) | 一种基于目标跟踪的行人徘徊检测方法 | |
CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN109785363A (zh) | 一种无人机航拍视频运动小目标实时检测与跟踪方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN106127812B (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 | |
CN107330390B (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
CN108830196A (zh) | 基于特征金字塔网络的行人检测方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
KR101414670B1 (ko) | 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법 | |
CN111161313B (zh) | 一种视频流中的多目标追踪方法及装置 | |
CN106709453A (zh) | 一种基于深度学习的体育视频关键姿态提取方法 | |
KR101409810B1 (ko) | 파티클 필터를 이용한 움직임 카메라에서의 실시간 객체 추적 방법 | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
CN110135500A (zh) | 一种基于自适应深度特征滤波器的多场景下目标跟踪方法 | |
CN105631418A (zh) | 一种人数统计的方法和装置 | |
CN112364865B (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
CN103489012B (zh) | 一种基于支持向量机的人群密集度检测方法及系统 | |
CN106327488A (zh) | 一种自适应的前景检测方法及其检测装置 | |
CN104299007A (zh) | 一种用于行为识别的分类器训练方法 | |
CN105740814B (zh) | 一种使用视频分析确定固废危废存放状态的方法 | |
CN106529441A (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 |
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 |