CN105279485A - 激光夜视下监控目标异常行为的检测方法 - Google Patents
激光夜视下监控目标异常行为的检测方法 Download PDFInfo
- Publication number
- CN105279485A CN105279485A CN201510655615.2A CN201510655615A CN105279485A CN 105279485 A CN105279485 A CN 105279485A CN 201510655615 A CN201510655615 A CN 201510655615A CN 105279485 A CN105279485 A CN 105279485A
- Authority
- CN
- China
- Prior art keywords
- image
- video
- night vision
- frame
- event
- 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
- 230000004297 night vision Effects 0.000 title claims abstract description 23
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了视频监控领域内的激光夜视下监控目标异常行为的检测方法，包括以下步骤：1）建立模型：在cifar10数据库上预训练CNN模型，CNN模型包括3个卷积层、1个全连接层和1个输出层；2）视频表达：将视频图像表达为维度特征；3）事件重建：将正常事件以及异常事件进行区分，本发明提高了检测的精度，提高异常事件识别率，可用于视频监控中。
Description
技术领域
本发明涉及一种视频监控检测方法，特别涉及一种激光夜视监控检测方法。
背景技术
现有的视频监控系统大多只是进行场景内运动目标的检测或跟踪，进行进一步处理的比较少，而生活中监控的目的就是对场景中的异常事件或人的异常行为进行检测和分析，智能视频监控对异常行为的检测不仅可以及时发现不正当行为，告知工作人员及时处理，阻止不法行为的发生，而且可节省大量的存储空间，避免不法行为发生后工作人员海量的查找和取证。
国内外很多学者在基于视频序列的异常检测上做了很多工作，大致可以分为两类：一种是基于模型的方法，另一种是基于相似度量的方法。第一种方法是先确定某种准则，然后从图像序列中提取运动目标的外形、运动等信息，根据这些所获得的特征信息人工或者使用半监督的方法定义正常行为的模型，通常选用HMM或图模型进行对由序列图像特征所表示的状态进行建模，那些不匹配正常行为模型的观测均被认为是异常的。在所有的正常时间被很好建模的情况下，基于模型的方法检测性能良好。但当正常的行为数量很大，完全建模出现困难时，检测效果便会下降。第二种方法是利用异常行为的难定义、易发现的特点使得人们无需预先显示定义目标行为模型就可以将其检测出来。基本原理是自动地从视频序列数据中学习正常的模式，然后推断可疑的异常行为。对异常行为的检测中目标对象的准确判定也是比较关键的。夜晚由于没有光照，给运动物体的准确检测带来很大困难。
卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。
发明内容
本发明的目的是提供激光夜视下监控目标异常行为的检测方法，提高检测的精度。
本发明的目的是这样实现的：激光夜视下监控目标异常行为的检测方法，包括以下步骤：
步骤1）建立模型：在cifar10数据库上预训练CNN模型，CNN模型包括3个卷积层、1个全连接层和1个输出层；
步骤2）视频表达：将视频图像表达为维度特征；
步骤3）事件重建：将正常事件以及异常事件进行区分。
作为本发明的进一步限定，步骤2）视频表达包括以下步骤：
步骤a）激光夜视图像预处理；将灰度图的夜视图像转换为RGB彩色图；
步骤b）单帧图像特征提取；将原始帧图像分成多块方形的小块图像，并将该小块图像作为CNN模型的输入，提取出单个小块图像的特征，得到一定维度的特征矩阵；
步骤c）视频特征表达；将视频分为n段固定帧长度的视频，每段视频用上述特征矩阵表达。
作为本发明的进一步限定，步骤a）中的图像预处理包括以下步骤：
（Ⅰ）选择一幅具有树木、道路、和天空等景物的自然彩色图像作为彩色参考图像，并将其由RGB空间转换到Lαβ空间；
（Ⅱ）计算彩色参考图像与关键帧的统计信息，利用公式（1）对关键帧的亮度进行线性变换和归一化，使得关键帧和参考图像的亮度一致；
公式（1）
其中：为变换后的参考图像的亮度值，为参考图像的亮度方差，为目标图像的亮度方差，为参考图像的亮度，为目标图像的亮度均值，为参考图像的亮度均值；
（Ⅲ）计算各景物块的α通道均值和β通道均值，将其均值作为彩色化红外视频中对应景物的先验知识；
（Ⅲ）计算各景物块的α通道均值和β通道均值，将其均值作为彩色化红外视频中对应景物的先验知识；
（Ⅳ）根据上述分割的结果，我们根据先验知识将上方灰度区间确定为天空、下方灰度区间确定为地面，其余为灰度区间确定为树木，共三类景物；
（Ⅴ）根据景物所属类的对应关系将α通道均值和β通道均值传递到关键帧对应类像素点的α通道和β通道中，并保持L值不变；
（Ⅵ）最后将关键帧由Lαβ空间转换回RGB空间，完成了关键帧的彩色化；
（Ⅶ）关键帧一般取第一帧，然后通过上述步骤给第二帧上色，通过此方式循环下去，直到完成了整个视频的彩色化。
作为本发明的进一步限定，步骤b）单帧图像特征提取的具体方法为：将原始帧图像缩放为320*240大小，选择40*40大小的小块作为特征提取的最小单元，提取无重叠的48个小块；再将40*40的小块缩小为32*32小的图像，作为CNN模型的输入，提取单个小块的特征，并将全连接层的输出值作为该小块的特征；在40*40大小小块基础上，提取80*80大小的区域的特征，80*80的区域的特征用2*2个40*40的小块的特征的平均值表示，320*240的图像可提取35个80*80的区域，用35*256的特征矩阵表示单帧图像特征。
作为本发明的进一步限定，步骤c）视频特征表达的具体方法为：相邻帧图像相同位置的特征用特征值较大的特征表达，并选用40帧作为单位视频的长度，最终将一段视频分为n段40帧长度的视频，每段视频用35*256维的特征表达。
作为本发明的进一步限定，步骤3）事件重建的具体方法如下：根据重建误差的大小来判断异常事件；
视频，包含m个事件，每个事件Xi由ni段连续的的视频组成，即，如果我们已知历史事件库D，则任意事件Xi的重建误差为：；
其中，为Xi的重建系数，则对于一个新的事件，当其重建误差大于阈值T时，则认为是异常事件。
作为本发明的进一步限定，通过建立目标函数为：，并利用该目标函数求得最优的和，该过程分两步骤进行求解：
（A）固定事件库D，求最优的重建系数，
当固定D时，目标函数则变为：；
（B）固定重建系数，求最优事件库D
当固定时，目标函数变为：
通过反复执行步骤（A）和步骤（B），可以得到最优的和。
与现有技术相比，本发明的有益效果在于：（1）使用深度学习方法，得到了一种有效的、具有鉴别力的视频表达方法，其精度更好；（2）将稀疏重建方法用在异常事件检测上，使在异常事件视频缺少的情况下，仍然可以得到较高的检测正确率；（3）该方法人工调节参数少，计算复杂度低，可以达到实时效果。
附图说明
图1为本发明检测流程图。
图2为本发明中激光夜视图像预处理流程图。
图3为本发明中80*80区域特征提取示意图。
具体实施方式
下面结合具体实施例对本发明做进一步描述。
激光夜视下的监控目标异常行为检测流程图如图1，具体实施分为3个步骤：
步骤一：在cifar10数据库上预训练CNN（ConvolutionNeuralNetwork卷积神经网络）模型：
该步骤需要设计CNN的结构，CNN的结构如表1，有3个卷积层，1个全连接层，1个输出层。训练结果为：训练loss为0.04左右，分类准确率为98%以上，测试loss为0.7，分准确率为81.44%；
表1CNN结构
步骤二：视频表达；视频表达分为3个步骤：一是激光夜视图像预处理；二是单帧图像特征提取；三是视频特征表达。
1．激光夜视图像预处理；
由于夜视图像为灰度图，而CNN模型输入为RGB彩色图，因此需要先将灰度的夜视图转换为RGB彩色图，流程图如图2；
具体步骤如下：
（1）选择一幅具有树木、道路、和天空等景物的自然彩色图像作为彩色参考图像，并将其由RGB空间转换到Lαβ空间；
（2）计算彩色参考图像与关键帧的统计信息，利用公式（1）对关键帧的亮度进行线性变换和归一化，使得关键帧和参考图像的亮度一致；
公式（1）
其中：为变换后的参考图像的亮度值，为参考图像的亮度方差，为目标图像的亮度方差，为参考图像的亮度，为目标图像的亮度均值，为参考图像的亮度均值；
（3）计算各景物块的α通道均值和β通道均值，将其均值作为彩色化红外视频中对应景物的先验知识；
（4）根据上述分割的结果，我们根据先验知识将上方灰度区间确定为天空、下方灰度区间确定为地面，其余为灰度区间确定为树木，共三类景物；
（5）根据景物所属类的对应关系将α通道均值和β通道均值传递到关键帧对应类像素点的α通道和β通道中，并保持L值不变；
（6）最后将关键帧由Lαβ空间转换回RGB空间，完成了关键帧的彩色化；
（7）关键帧一般取第一帧，然后通过上述步骤给第二帧上色，通过此方式循环下去，直到完成了整个视频的彩色化。
2．单帧图像特征提取；
将原始帧图像缩放为320*240大小，根据图像中人、物、景的大小选择40*40大小的小块作为特征提取的最小单元，故在320*240大小的图像中，可以提取无重叠的48个小块；将40*40的小块缩小为32*32小的图像，作为CNN模型的输入，提取单个小块的特征，并将全连接层的输出值作为该小块的特征，从而一个大小40*40大小的小块用一个256维的特征向量表示，则320*240大小的图像，可得到48*256的特征矩阵；
另外，由于异常行为有时发生在单人身上，如单人奔跑，而大多数情况是发生在多人身上，如：打架、聚集等，故在40*40大小小块基础上，提取80*80大小的区域的特征；提取方法如图3所示；一个80*80的区域上包含2*2个40*40的小块，则80*80的区域的特征用2*2个40*40的小块的特征的平均值表示，故一个80*80的区域的特征维数为256；两相邻个80*80的区域重叠宽40或者高40的区域，如图3中实线区域与虚线区域、实线区域与点画线区域所示；故一个320*240的图像，可提取35个80*80的区域，故用35*256的特征矩阵表示。
3．视频特征表达
一段视频是由一定时间序列的帧图像组成，一种直接的视频表达的方法：视频特征可以由每帧图像特征串联组成，以1秒25帧的视频为例，单秒视频的特征维度为25*35*256，该方法的特征维度较高，尤其随着视频时长的增加，成线性增加，故可以使用池化的方法进行特征降维。该池化方法是在时间维度上操作，具体是指在每帧图像相同80*80的区域处对相邻的帧图像进行池化操作，池化操作有两种：均值池化和最大值池化，在本方法中使用最大值池化方法，即相邻帧图像相同位置的特征用特征值较大的特征表达。因此任意给定长度的视频，都可以用35*256维的特征表达，为能够提高异常行为检测率，选用40帧作为单位视频的长度，最终，一段视频分为n段40帧长度的视频，每段视频用35*256维的特征表达。
步骤三：事件重建
在视频中，正常事件总是重复发生的，因此，正常事件可以由历史正常事件稀疏重建，而异常事件则没有这样的特征，故异常事件的检测可以根据重建误差的大小来判断；
视频，包含m个事件，每个事件Xi由ni段连续的的视频组成，即，如果我们已知历史事件库D，则任意事件Xi的重建误差为：；
其中，为Xi的重建系数；
为求得最优的和，建立目标函数为：
，为求得该问题的最优解，该过程需要分两步优化：
（A）固定事件库D，求最优的重建系数，
当固定D时，目标函数则变为：；
该式有两项，一个是的二次项，一个是的一次项，关于的二次项通过求导即可得到最优解，而关于的一次项，需要用1范最优化理论去解决。因此，求解最优重建系数利用文献（LeeH,BattleA,RainaR,etal.Efficientsparsecodingalgorithms[J].Nips,2007:721--728.）中的方法进行解决；
（B）固定重建系数，求最优事件库D
当固定时，目标函数变为：
，该式是关于D的二次函数，是一个最小二乘的问题，可以用拉格朗日对偶函数来解决；通过反复执行步骤（A）和步骤（B），可以得到最优的和；则对于一个新的事件，当其重建误差大于阈值T时，则认为是异常事件。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。
Claims (7)
1.激光夜视下监控目标异常行为的检测方法，其特征在于，包括以下步骤：
步骤1）建立模型：在cifar10数据库上预训练CNN模型，CNN模型包括3个卷积层、1个全连接层和1个输出层；
步骤2）视频表达：将视频图像表达为维度特征；
步骤3）事件重建：将正常事件以及异常事件进行区分。
2.根据权利要求1所述的激光夜视下监控目标异常行为的检测方法，其特征在于，步骤2）视频表达包括以下步骤：
步骤a）激光夜视图像预处理；将灰度图的夜视图像转换为RGB彩色图；
步骤b）单帧图像特征提取；将原始帧图像分成多块方形的小块图像，并将该小块图像作为CNN模型的输入，提取出单个小块图像的特征，得到一定维度的特征矩阵；
步骤c）视频特征表达；将视频分为n段固定帧长度的视频，每段视频用上述特征矩阵表达。
3.根据权利要求2所述的激光夜视下监控目标异常行为的检测方法，其特征在于，步骤a）中的图像预处理包括以下步骤：
（Ⅰ）选择一幅具有树木、道路、和天空等景物的自然彩色图像作为彩色参考图像，并将其由RGB空间转换到Lαβ空间；
（Ⅱ）计算彩色参考图像与关键帧的统计信息，利用公式（1）对关键帧的亮度进行线性变换和归一化，使得关键帧和参考图像的亮度一致；
公式（1）
其中：为变换后的参考图像的亮度值，为参考图像的亮度方差，为目标图像的亮度方差，为参考图像的亮度，为目标图像的亮度均值，为参考图像的亮度均值；
（Ⅲ）计算各景物块的α通道均值和β通道均值，将其均值作为彩色化红外视频中对应景物的先验知识；
（Ⅳ）根据上述分割的结果，我们根据先验知识将上方灰度区间确定为天空、下方灰度区间确定为地面，其余为灰度区间确定为树木，共三类景物；
（Ⅴ）根据景物所属类的对应关系将α通道均值和β通道均值传递到关键帧对应类像素点的α通道和β通道中，并保持L值不变；
（Ⅵ）最后将关键帧由Lαβ空间转换回RGB空间，完成了关键帧的彩色化；
（Ⅶ）关键帧一般取第一帧，然后通过上述步骤给第二帧上色，通过此方式循环下去，直到完成了整个视频的彩色化。
4.根据权利要求2所述的激光夜视下监控目标异常行为的检测方法，其特征在于，步骤b）单帧图像特征提取的具体方法为：将原始帧图像缩放为320*240大小，选择40*40大小的小块作为特征提取的最小单元，提取无重叠的48个小块；再将40*40的小块缩小为32*32小的图像，作为CNN模型的输入，提取单个小块的特征，并将全连接层的输出值作为该小块的特征；在40*40大小小块基础上，提取80*80大小的区域的特征，80*80的区域的特征用2*2个40*40的小块的特征的平均值表示，320*240的图像可提取35个80*80的区域，用35*256的特征矩阵表示单帧图像特征。
5.根据权利要求2所述的激光夜视下监控目标异常行为的检测方法，其特征在于，步骤c）视频特征表达的具体方法为：相邻帧图像相同位置的特征用特征值较大的特征表达，并选用40帧作为单位视频的长度，最终将一段视频分为n段40帧长度的视频，每段视频用35*256维的特征表达。
6.根据权利要求1所述的激光夜视下监控目标异常行为的检测方法，其特征在于，步骤3）事件重建的具体方法如下：根据重建误差的大小来判断异常事件；
视频，包含m个事件，每个事件Xi由ni段连续的的视频组成，即，如果我们已知历史事件库D，则任意事件Xi的重建误差为：；
其中，为Xi的重建系数，则对于一个新的事件，当其重建误差大于阈值T时，则认为是异常事件。
7.根据权利要求6所述的激光夜视下监控目标异常行为的检测方法，其特征在于，通过建立目标函数为：，并利用该目标函数求得最优的和，该过程分两步骤进行求解：
（A）固定事件库D，求最优的重建系数，
当固定D时，目标函数则变为：；
（B）固定重建系数，求最优事件库D
当固定时，目标函数变为：
通过反复执行步骤（A）和步骤（B），可以得到最优的和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510655615.2A CN105279485B (zh) | 2015-10-12 | 2015-10-12 | 激光夜视下监控目标异常行为的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510655615.2A CN105279485B (zh) | 2015-10-12 | 2015-10-12 | 激光夜视下监控目标异常行为的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105279485A true CN105279485A (zh) | 2016-01-27 |
| CN105279485B CN105279485B (zh) | 2018-12-07 |
Family
ID=55148469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510655615.2A Expired - Fee Related CN105279485B (zh) | 2015-10-12 | 2015-10-12 | 激光夜视下监控目标异常行为的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105279485B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156765A (zh) * | 2016-08-30 | 2016-11-23 | 南京邮电大学 | 基于计算机视觉的安全检测方法 |
| CN108304845A (zh) * | 2018-01-16 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置及存储介质 |
| CN108509827A (zh) * | 2017-02-27 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 视频流中异常内容的识别方法及视频流处理系统和方法 |
| CN110427844A (zh) * | 2019-07-19 | 2019-11-08 | 宁波工程学院 | 一种基于卷积神经网络的行为异常视频检测方法 |
| CN111126478A (zh) * | 2019-12-19 | 2020-05-08 | 北京迈格威科技有限公司 | 卷积神经网络训练方法、装置和电子系统 |
| CN112003997A (zh) * | 2019-09-13 | 2020-11-27 | 谷歌有限责任公司 | 使用静止图像的视频颜色映射 |
| US11350068B2 (en) | 2019-09-13 | 2022-05-31 | Google Llc | Video tone mapping using a sequence of still images |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060067562A1 (en) * | 2004-09-30 | 2006-03-30 | The Regents Of The University Of California | Detection of moving objects in a video |
| CN101883261A (zh) * | 2010-05-26 | 2010-11-10 | 中国科学院自动化研究所 | 大范围监控场景下异常目标检测及接力跟踪的方法及系统 |
| CN102164270A (zh) * | 2011-01-24 | 2011-08-24 | 浙江工业大学 | 具有异常事件发掘功能的智能视频监控方法及系统 |
| CN104268594A (zh) * | 2014-09-24 | 2015-01-07 | 中安消技术有限公司 | 一种视频异常事件检测方法及装置 |
| CN104281858A (zh) * | 2014-09-15 | 2015-01-14 | 中安消技术有限公司 | 三维卷积神经网络训练方法、视频异常事件检测方法及装置 |
| CN104320617A (zh) * | 2014-10-20 | 2015-01-28 | 中国科学院自动化研究所 | 一种基于深度学习的全天候视频监控方法 |
| CN104424632A (zh) * | 2013-08-23 | 2015-03-18 | 浙江大华技术股份有限公司 | 一种视频对比度异常检测方法及装置 |
-
2015
- 2015-10-12 CN CN201510655615.2A patent/CN105279485B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060067562A1 (en) * | 2004-09-30 | 2006-03-30 | The Regents Of The University Of California | Detection of moving objects in a video |
| CN101883261A (zh) * | 2010-05-26 | 2010-11-10 | 中国科学院自动化研究所 | 大范围监控场景下异常目标检测及接力跟踪的方法及系统 |
| CN102164270A (zh) * | 2011-01-24 | 2011-08-24 | 浙江工业大学 | 具有异常事件发掘功能的智能视频监控方法及系统 |
| CN104424632A (zh) * | 2013-08-23 | 2015-03-18 | 浙江大华技术股份有限公司 | 一种视频对比度异常检测方法及装置 |
| CN104281858A (zh) * | 2014-09-15 | 2015-01-14 | 中安消技术有限公司 | 三维卷积神经网络训练方法、视频异常事件检测方法及装置 |
| CN104268594A (zh) * | 2014-09-24 | 2015-01-07 | 中安消技术有限公司 | 一种视频异常事件检测方法及装置 |
| CN104320617A (zh) * | 2014-10-20 | 2015-01-28 | 中国科学院自动化研究所 | 一种基于深度学习的全天候视频监控方法 |
Non-Patent Citations (1)
| Title |
|---|
| YANG CONG1 ET.AL: "Sparse Reconstruction Cost for Abnormal Event Detection", 《2011 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156765A (zh) * | 2016-08-30 | 2016-11-23 | 南京邮电大学 | 基于计算机视觉的安全检测方法 |
| CN108509827A (zh) * | 2017-02-27 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 视频流中异常内容的识别方法及视频流处理系统和方法 |
| CN108509827B (zh) * | 2017-02-27 | 2022-07-08 | 阿里巴巴集团控股有限公司 | 视频流中异常内容的识别方法及视频流处理系统和方法 |
| CN108304845B (zh) * | 2018-01-16 | 2021-11-09 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置及存储介质 |
| CN108304845A (zh) * | 2018-01-16 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置及存储介质 |
| CN110427844A (zh) * | 2019-07-19 | 2019-11-08 | 宁波工程学院 | 一种基于卷积神经网络的行为异常视频检测方法 |
| CN110427844B (zh) * | 2019-07-19 | 2022-11-22 | 宁波工程学院 | 一种基于卷积神经网络的行为异常视频检测方法 |
| EP3793183A1 (en) * | 2019-09-13 | 2021-03-17 | Google LLC | Video color mapping using still image |
| US11223809B2 (en) | 2019-09-13 | 2022-01-11 | Google Llc | Video color mapping using still image |
| US11350068B2 (en) | 2019-09-13 | 2022-05-31 | Google Llc | Video tone mapping using a sequence of still images |
| CN112003997A (zh) * | 2019-09-13 | 2020-11-27 | 谷歌有限责任公司 | 使用静止图像的视频颜色映射 |
| CN112003997B (zh) * | 2019-09-13 | 2023-09-08 | 谷歌有限责任公司 | 使用静止图像的视频颜色映射 |
| CN111126478A (zh) * | 2019-12-19 | 2020-05-08 | 北京迈格威科技有限公司 | 卷积神经网络训练方法、装置和电子系统 |
| CN111126478B (zh) * | 2019-12-19 | 2023-07-07 | 北京迈格威科技有限公司 | 卷积神经网络训练方法、装置和电子系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105279485B (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105279485B (zh) | 激光夜视下监控目标异常行为的检测方法 | |
| CN109492581B (zh) | 一种基于tp-stg框架的人体动作识别方法 | |
| CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
| CN107145889B (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
| CN113850242B (zh) | 一种基于深度学习算法的仓储异常目标检测方法及系统 | |
| Chen et al. | An improved Yolov3 based on dual path network for cherry tomatoes detection | |
| CN104462494B (zh) | 一种基于无监督特征学习的遥感图像检索方法及系统 | |
| CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
| CN103810473B (zh) | 一种基于隐马尔科夫模型的人体对象的目标识别方法 | |
| CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
| TWI441096B (zh) | 適用複雜場景的移動偵測方法 | |
| CN107622236B (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
| CN103839065A (zh) | 人群动态聚集特征提取方法 | |
| CN111209832B (zh) | 变电站巡检机器人辅助避障训练方法、设备及介质 | |
| CN107688830B (zh) | 一种用于案件串并的现勘视觉信息关联图层生成方法 | |
| CN110675421B (zh) | 基于少量标注框的深度图像协同分割方法 | |
| CN113158983A (zh) | 一种基于红外视频序列图像的机场场面活动行为识别方法 | |
| CN113470076A (zh) | 一种平养鸡舍黄羽鸡多目标跟踪方法 | |
| Yang | Research on lane recognition algorithm based on deep learning | |
| CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
| Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
| Yang et al. | Abnormal Object Detection with an Improved YOLOv8 in the Transmission Lines | |
| CN116152699B (zh) | 用于水电厂视频监控系统的实时运动目标检测方法 | |
| CN116580328A (zh) | 基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法 | |
| CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181207 Termination date: 20191012 |