CN105426813B - 一种视频异常行为检测方法 - Google Patents

一种视频异常行为检测方法 Download PDF

Info

Publication number
CN105426813B
CN105426813B CN201510707784.6A CN201510707784A CN105426813B CN 105426813 B CN105426813 B CN 105426813B CN 201510707784 A CN201510707784 A CN 201510707784A CN 105426813 B CN105426813 B CN 105426813B
Authority
CN
China
Prior art keywords
time
target
attribute
space
block
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
Application number
CN201510707784.6A
Other languages
English (en)
Other versions
CN105426813A (zh
Inventor
陈华华
盖杰
郭春生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Jianchang Technology Co ltd
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201510707784.6A priority Critical patent/CN105426813B/zh
Publication of CN105426813A publication Critical patent/CN105426813A/zh
Application granted granted Critical
Publication of CN105426813B publication Critical patent/CN105426813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V20/47—Detecting features for summarising video content
    • 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
    • G06V20/44—Event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明涉及一种视频异常行为检测方法。本发明的步骤是：首先，对视频序列采用三维尺度不变特征变换描述子提取目标时空块特征。其次，以时空块作为节点，计算节点时空特征的时间与空间混乱属性，并结合节点中目标光流速度及各个节点之间的Kullback‑Leibler距离构建时空检测模型。本发明为不同位置的时空块训练出不同的光流阈值，消除了目标距离摄像头远近对光流特征提取造成的影响，局部时空特征与全局信息相结合对局部异常行为与全局异常行为都具有较好的检测效果，且提高了检测率。

Description

一种视频异常行为检测方法
技术领域
本发明属于图像与视频处理技术领域，涉及一种视频异常行为检测方法。
背景技术
视频检测是计算机视觉领域最重要的应用之一，从视频序列中检测出异常事件有相当大的实际意义。其中，基于视频的人群异常行为检测尤为重要，这项技术对区域内人群进行检测，可以将潜在的危险事件检测出来，从而提高相关部门的响应和救援效率。人群异常事件检测就是从监控视频中发现异于正常的事件，并发出警报。通常人群异常事件可以分为局部异常事件和全局异常事件，其中，局部异常事件是指人群中某些个体的行为异于其他个体的行为，例如步行街上的骑车、轮滑和车辆通行等。全局异常事件是指监控区域中多个个体行为异于之前群体的行为，如人群恐慌、踩踏以及道路上的群体聚集等。
近年来已经有了多种针对异常检测的模型，经典的社会动力模型利用粒子流来近似人群流以克服行人难以跟踪的问题，通过计算粒子之间的交互力来建立社会动力模型，但是该模型缺乏社会行为特性，并没有将人群的运动行为特性反映出来。针对此问题，在社会动力模型基础上，引入了社会属性对群体行为特性进行表达，虽然这类方法较好的表达了社会行为特性，但是仅仅利用了目标的局部时空特征，忽略了全局运动。
发明内容
本发明的目的是为了克服上述现有技术的不足，提供一种视频异常行为检测方法。
本发明所采用的技术方案如下：
步骤(1)计算时空描述符，具体如下：
对每帧图像按从上到下、从左到右划分成互不重叠的大小为M×P的块，并对各块进行目标检测，得到目标时空块集合V＝{Vi,j,t},1≤i≤M,1≤j≤P，由于某些块中可能没有检测到目标，实际的目标块数目为N，0≤N≤M×P：
Vi,j,t＝{(i,j,t)‖|i-oi|≤δ∩|j-oj|≤δ∩|t-to|≤δ}
取δ＝1，即目标时空块Vi,j,t由2×2×2＝8个子块构成，分别包括目标块、目标块的空间邻域及目标块的时域邻域信息，其中(oi,oj)是待检测的目标块坐标，1≤oi≤M,1≤oj≤P，t0是当前帧的时刻。(i,j,t)指代t时刻的目标块坐标为(i,j)。
使用三维尺度不变特征变换描述子(3D-SIFT)提取每个目标时空块Vi,j,t的特征值，3D-SIFT包含3个子描述符，即幅值M3D、方向角与梯度方向θ。梯度方向θ表征向量在图像坐标xy平面上的投影与x轴的夹角，方向角表征向量与xy平面的夹角。θ取值为(-π,π)，取值为(-π/2,π/2)。对θ与按45°为间隔进行量化，分别建立8通道和4通道的直方图θ和对M3D建立4通道的直方图，这样每个目标时空块Vi,j,t能够得到2×2×2×(8+4+4)＝128维特征向量，1≤i≤M,1≤j≤P。
步骤(2)计算时域混乱属性，具体如下：
时域混乱属性是从时间上对目标局部区域运动特性进行描述，利用统计的方向特征来建立人群时域混乱属性，定义为：
其中是对目标时空块Vi,j,t构建的方向角直方图，为的熵值，熵值定义为q为的维数。sgn(·)为符号函数，为熵阈值，采用对正常样本视频序列训练得到。是的元素的概率；
步骤(3)计算空域混乱属性，具体如下：
空域混乱属性是从空间上对目标局部区域运动特性进行描述，利用统计的方向特征来建立人群空域混乱属性，定义为：
Wθ＝B exp(H(θ)-H(θT)) (4)
B＝sgn(H(θ)-H(θT)) (5)
其中θ是对目标时空块Vi,j,t构建的梯度方向直方图，H(θ)为θ熵值，H(θT)为熵阈值，采用对正常样本视频序列训练得到。
步骤(4)计算光流属性，具体如下：
对于速度特性，由于不同位置的目标距离摄像头远近的差异，会对提取的光流特征造成不利影响，进而影响行为检测结果。因此本发明对于不同位置目标时空块Vi,j,t训练不同的光流阈值，以此来消除目标距离摄像头远近所造成的影响。
将当前目标时空块Vi,j,t作为一个节点xr，1≤r≤N，通过对目标速度与方向特性的描述，得到节点xr的局部检测模型：
其中τ为常量，vr为当前位置的光流速度，为当前位置光流阈值，通过样本训练得到。和分别指代节点xr的时域混乱属性和空域混乱属性。
步骤(5)计算Kullback-Leibler距离属性，具体如下：
为了描述全局运动，引入Kullback-Leibler距离作为不同行为间的差异性。
Kullback-Leibler距离DKL定义如下：
这里xr与xs为当前帧中两个互异的节点，1≤s≤N,r≠s。m指代节点的维数；
步骤(6)构建异常检测模型：
通过以上四种属性对群体行为的描述，本发明构建的异常检测模型如下：
其中N为节点数，λ是平衡系数，当S(xr)>ε时，可认为目标运动异常，ε为设定的阈值。
本发明采用3D-SIFT提取目标时空块特征，并根据不同位置的块训练出不同的光流阈值，消除了目标距离摄像头远近对光流特征提取造成的影响。其次本发明将目标的局部时空特征与全局信息相结合，克服了以往方法的缺陷，提高了检测率。
附图说明
图1为异常检测模型训练示意图。
图2为异常检测模型测试示意图。
具体实施方式
以下结合附图和实施实例对本发明加以详细说明。
本发明的异常检测模型训练和测试流程如图1、图2所示，具体步骤如下：
步骤(1)计算时空描述符，具体是：
对每帧图像按从上到下、从左到右划分成互不重叠的大小为M×P的块，取M＝P＝20，并对各块进行目标检测，得到目标块集合V＝{Vi,j,t},1≤i≤M,1≤j≤P，由于某些块中可能没有检测到目标，实际的目标块数目为N，0≤N≤M×P。
Vi,j,t＝{(i,j,t)‖|i-oi|≤δ∩|j-oj|≤δ∩|t-to|≤δ} (1)
取δ＝1，按式(1)计算Vi,j,t，即目标时空块Vi,j,t由2×2×2＝8个子块构成，分别包括目标块、目标块的空间邻域及目标块的时域邻域信息，其中(oi,oj)是待检测的目标块坐标，1≤oi≤M,1≤oj≤P，t0是当前帧的时刻。
使用三维尺度不变特征变换描述子(3D-SIFT)提取每个目标时空块Vi,j,t的特征值，3D-SIFT包含3个子描述符，即幅值M3D、方向角与梯度方向θ。梯度方向θ表征向量在图像坐标xy平面上的投影与x轴的夹角，方向角表征向量与xy平面的夹角。θ取值为(-π,π)，取值为(-π/2,π/2)。对θ与按45°为间隔进行量化，分别建立8通道和4通道的直方图θ和对M3D建立4通道的直方图，这样每一个时空块Vi,j,t可以得到2×2×2×(8+4+4)＝128维特征向量，1≤i≤M,1≤j≤P。
步骤(2)计算时域混乱属性，具体如下：
时域混乱属性是从时间上对目标局部区域运动特性进行描述，利用统计的方向特征来建立人群时域混乱属性。按式(2)、(3)计算取q＝32，采用对正常样本视频序列训练得到
步骤(3)计算空域混乱属性，具体如下：
空域混乱属性是从空间上对目标局部区域运动特性进行描述，利用统计的方向特征来建立人群空域混乱属性。按式(4)、(5)计算Wθ，采用对正常样本视频序列训练得到H(θT)＝16.5。
Wθ＝B exp(H(θ)-H(θT)) (4)
B＝sgn(H(θ)-H(θT)) (5)
步骤(4)计算光流属性，具体如下：
对于速度特性，由于不同位置的目标距离摄像头远近的差异，会对提取的光流特征造成不利影响，进而影响行为检测结果。因此本发明对于不同位置块Vi,j,t训练出不同的光流阈值，以此来消除目标距离摄像头远近所造成的影响。
将当前时空块Vi,j,t作为一个节点xr，1≤r≤N，通过对目标速度与方向特性的描述，我们可以得到节点xr的局部检测模型，按式(6)计算F(xr)，取τ＝0.85。当前位置光流阈值通过样本训练得到，由于不同位置的目标距离摄像头远近的差异，不同位置的值有所不同，按从上到下分成20行为例，每5行的块作为一个组，分成4组，以组为单位按各组离摄像头的距离由远到近训练 的取值分别为0.05、0.6、1、2。
步骤(2)、(3)、(4)中H(θT)与结合UCSD Ped1数据集实例的训练过程如下：
1)输入正常样本视频序列。例如UCSD Ped1数据集中34个样本训练视频，每个训练视频有200帧。
2)对每帧图像从上到下、从左到右划分成不重叠大小为20×20的块。
3)对各块进行目标检测，得到目标块集合V。
4)对目标块提取3D-SIFT特征与光流速度，得到方向角的32维特征向量与梯度方向θ的64维特征向量及光流速度大小vr。
5)对每帧提取的3D-SIFT特征、光流速度分别进行加权平均得到阈值H(θT)＝16.5。
步骤(5)计算Kullback-Leibler距离属性，具体如下：
为了描述全局运动，引入Kullback-Leibler距离作为不同行为间的差异性。按式(7)计算DKL(xr‖xs)。
步骤(6)构建异常检测模型，如下：
通过以上四种属性对群体行为的描述，按式(8)计算S(xr)，取λ＝1.875。当S(xr)>ε时，可认为目标运动异常，取ε＝1.45。

Claims (1)

1.一种视频异常行为检测方法，其特征在于其包含以下步骤：
步骤(1)计算时空描述符，具体如下：
对每帧图像按从上到下、从左到右划分成互不重叠的大小为M×P的块，并对各块进行目标检测，得到目标时空块集合V＝{Vi,j,t},1≤i≤M,1≤j≤P，由于某些块中可能没有检测到目标，实际的目标块数目为N，0≤N≤M×P：
Vi,j,t＝{(i,j,t)|||i-oi|≤δ∩|j-oj|≤δ∩|t-to|≤δ}
取δ＝1，即目标时空块Vi,j,t由2×2×2＝8个子块构成，分别包括目标块、目标块的空间邻域及目标块的时域邻域信息，其中(oi,oj)是待检测的目标块坐标，1≤oi≤M,1≤oj≤P，t0是当前帧的时刻；(i,j,t)指代t时刻的目标块坐标为(i,j)；
使用三维尺度不变特征变换描述子提取每个目标时空块Vi,j,t的特征值，3D-SIFT包含3个子描述符，即幅值M3D、方向角与梯度方向θ；梯度方向θ表征向量在图像坐标xy平面上的投影与x轴的夹角，方向角表征向量与xy平面的夹角；θ取值为(-π,π)，取值为(-π/2,π/2)；对θ与按45°为间隔进行量化，分别建立8通道和4通道的直方图θ和对M3D建立4通道的直方图，这样每个目标时空块Vi,j,t能够得到2×2×2×(8+4+4)＝128维特征向量，1≤i≤M,1≤j≤P；
步骤(2)计算时域混乱属性，具体如下：
时域混乱属性是从时间上对目标局部区域运动特性进行描述，利用统计的方向特征来建立人群时域混乱属性，定义为：
其中是对目标时空块Vi,j,t构建的方向角直方图，为的熵值，熵值定义为q为的维数；sgn(·)为符号函数，为熵阈值，采用对正常样本视频序列训练得到；是的元素的概率；
步骤(3)计算空域混乱属性，具体如下：
空域混乱属性是从空间上对目标局部区域运动特性进行描述，利用统计的方向特征来建立人群空域混乱属性，定义为：
Wθ＝Bexp(H(θ)-H(θT)) (4)
B＝sgn(H(θ)-H(θT)) (5)
其中θ是对目标时空块Vi,j,t构建的梯度方向直方图，H(θ)为θ熵值，H(θT)为熵阈值，采用对正常样本视频序列训练得到；
步骤(4)计算光流属性，具体如下：
对于速度特性，由于不同位置的目标距离摄像头远近的差异，会对提取的光流特征造成不利影响，进而影响行为检测结果；因此对于不同位置目标时空块Vi,j,t训练不同的光流阈值，以此来消除目标距离摄像头远近所造成的影响；
将当前目标时空块Vi,j,t作为一个节点xr，1≤r≤N，通过对目标速度与方向特性的描述，得到节点xr的局部检测模型：
其中τ为常量，vr为当前位置的光流速度，为当前位置光流阈值，通过样本训练得到；和分别指代节点xr的时域混乱属性和空域混乱属性；
步骤(5)计算Kullback-Leibler距离属性，具体如下：
为了描述全局运动，引入Kullback-Leibler距离作为不同行为间的差异性；
Kullback-Leibler距离DKL定义如下：
这里xr与xs为当前帧中两个互异的节点，1≤s≤N,r≠s；m指代节点的维数；
步骤(6)构建异常检测模型：
通过以上四种属性对群体行为的描述，构建的异常检测模型如下：
其中N为节点数，λ是平衡系数，当S(xr)＞ε时，认为目标运动异常，ε为设定的阈值。
CN201510707784.6A 2015-10-27 2015-10-27 一种视频异常行为检测方法 Active CN105426813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510707784.6A CN105426813B (zh) 2015-10-27 2015-10-27 一种视频异常行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510707784.6A CN105426813B (zh) 2015-10-27 2015-10-27 一种视频异常行为检测方法

Publications (2)

Publication Number Publication Date
CN105426813A CN105426813A (zh) 2016-03-23
CN105426813B true CN105426813B (zh) 2018-09-25

Family

ID=55505013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510707784.6A Active CN105426813B (zh) 2015-10-27 2015-10-27 一种视频异常行为检测方法

Country Status (1)

Country Link
CN (1) CN105426813B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228149B (zh) * 2016-08-04 2019-07-23 杭州电子科技大学 一种视频异常行为检测方法
CN106339667B (zh) * 2016-08-15 2019-05-28 北京大学 一种视频异常事件在线检测方法及装置
CN106548142A (zh) * 2016-11-01 2017-03-29 浙江大学 一种基于信息熵的视频中人群突发事件检测与评估方法
CN107066973B (zh) * 2017-04-17 2020-07-21 杭州电子科技大学 一种利用时空注意力模型的视频内容描述方法
CN107944373A (zh) * 2017-11-17 2018-04-20 杭州电子科技大学 一种基于深度学习的视频异常行为检测方法
CN108288021A (zh) * 2017-12-12 2018-07-17 深圳市深网视界科技有限公司 一种人群异常事件检测方法、电子设备和存储介质
CN108470154B (zh) * 2018-02-27 2021-08-24 燕山大学 一种大规模人群显著性区域检测方法
CN108596032B (zh) * 2018-03-21 2020-09-29 浙江大华技术股份有限公司 一种视频中打架行为检测方法、装置、设备及介质
CN109359519B (zh) * 2018-09-04 2021-12-07 杭州电子科技大学 一种基于深度学习的视频异常行为检测方法
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
CN111931682B (zh) * 2020-08-24 2021-08-27 珠海大横琴科技发展有限公司 一种异常行为检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043967A (zh) * 2010-12-08 2011-05-04 中国科学院自动化研究所 一种有效的运动目标行为建模与识别方法
CN102142148A (zh) * 2011-04-02 2011-08-03 上海交通大学 视频空时特征提取方法
CN102236783A (zh) * 2010-04-29 2011-11-09 索尼公司 检测异常行为的方法和设备及生成检测器的方法和设备
CN104123544A (zh) * 2014-07-23 2014-10-29 通号通信信息集团有限公司 基于视频分析的异常行为检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457410B2 (en) * 2007-02-14 2013-06-04 Technion Research And Development Foundation Ltd. Over-parameterized variational optical flow method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236783A (zh) * 2010-04-29 2011-11-09 索尼公司 检测异常行为的方法和设备及生成检测器的方法和设备
CN102043967A (zh) * 2010-12-08 2011-05-04 中国科学院自动化研究所 一种有效的运动目标行为建模与识别方法
CN102142148A (zh) * 2011-04-02 2011-08-03 上海交通大学 视频空时特征提取方法
CN104123544A (zh) * 2014-07-23 2014-10-29 通号通信信息集团有限公司 基于视频分析的异常行为检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A 3-Dimensional SIFT Descriptor and its Application to Action Recognition;Paul Scovanner 等;《Proceedings of the 15th ACM international conference on Multimedia》;20070929;357-360 *
Anomaly Detection in Crowded Scenes;Vijay Mahadevan 等;《2010 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）》;20100618;1975-1981 *

Also Published As

Publication number Publication date
CN105426813A (zh) 2016-03-23

Similar Documents

Publication Publication Date Title
CN105426813B (zh) 一种视频异常行为检测方法
Sindagi et al. Cnn-based cascaded multi-task learning of high-level prior and density estimation for crowd counting
Ryan et al. Textures of optical flow for real-time anomaly detection in crowds
Liu et al. Denet: A universal network for counting crowd with varying densities and scales
Mancas et al. Abnormal motion selection in crowds using bottom-up saliency
Kwak et al. Learning occlusion with likelihoods for visual tracking
CN106548153B (zh) 基于多尺度变换下图结构的视频异常检测方法
CN107680116B (zh) 一种监测视频图像中运动目标的方法
CN105488812A (zh) 一种融合运动特征的时空显著性检测方法
CN111191667B (zh) 基于多尺度生成对抗网络的人群计数方法
CN108292355B (zh) 用于确定行人流的方法和系统
CN107194366B (zh) 基于稠密轨迹协方差描述子的行为识别方法
CN105930790B (zh) 基于核稀疏编码的人体行为识别方法
Nallaivarothayan et al. An MRF based abnormal event detection approach using motion and appearance features
CN105488519B (zh) 一种基于视频尺度信息的视频分类方法
Tan et al. Fast anomaly detection in traffic surveillance video based on robust sparse optical flow
Tekin et al. Predicting people’s 3D poses from short sequences
Benligiray et al. Video-based lane detection using a fast vanishing point estimation method
CN107203745A (zh) 一种基于跨域学习的跨视角动作识别方法
CN104794446B (zh) 基于合成描述子的人体动作识别方法及系统
CN109635791A (zh) 一种基于深度学习的视频取证方法
Luo et al. Traffic analytics with low-frame-rate videos
Hu et al. Spatial-temporal fusion convolutional neural network for simulated driving behavior recognition
Wang et al. Paul: Procrustean autoencoder for unsupervised lifting
Lejbolle et al. Multimodal neural network for overhead person re-identification

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: 20201109

Address after: 310016 room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201214

Address after: Room 806, building 5, Wuhu navigation Innovation Park, Wanbi Town, Wanbi District, Wuhu City, Anhui Province

Patentee after: Wuhu Qibo Intellectual Property Operation Co.,Ltd.

Address before: Room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee before: Zhejiang Zhiduo Network Technology Co.,Ltd.

TR01 Transfer of patent right
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160323

Assignee: Hangzhou Elice Chemical Co.,Ltd.

Assignor: Wuhu Qibo Intellectual Property Operation Co.,Ltd.

Contract record no.: X2021330000464

Denomination of invention: A video abnormal behavior detection method

Granted publication date: 20180925

License type: Common License

Record date: 20211018

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160323

Assignee: Hangzhou Qihu Information Technology Co.,Ltd.

Assignor: Wuhu Qibo Intellectual Property Operation Co.,Ltd.

Contract record no.: X2021330000547

Denomination of invention: A video abnormal behavior detection method

Granted publication date: 20180925

License type: Common License

Record date: 20211028

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160323

Assignee: Hangzhou Julu enterprise management consulting partnership (L.P.)

Assignor: Wuhu Qibo Intellectual Property Operation Co.,Ltd.

Contract record no.: X2021330000726

Denomination of invention: A video abnormal behavior detection method

Granted publication date: 20180925

License type: Common License

Record date: 20211109

EE01 Entry into force of recordation of patent licensing contract
TR01 Transfer of patent right

Effective date of registration: 20220104

Address after: 210000 room 3623, building 3, No. 625, geguan Road, Dachang street, Jiangbei new area, Nanjing, Jiangsu

Patentee after: Nanjing Jianchang Technology Co.,Ltd.

Address before: Room 806, building 5, Wuhu navigation Innovation Park, Wanbi Town, Wanbi District, Wuhu City, Anhui Province

Patentee before: Wuhu Qibo Intellectual Property Operation Co.,Ltd.

TR01 Transfer of patent right
EC01 Cancellation of recordation of patent licensing contract

Assignee: Hangzhou Julu enterprise management consulting partnership (L.P.)

Assignor: Wuhu Qibo Intellectual Property Operation Co.,Ltd.

Contract record no.: X2021330000726

Date of cancellation: 20221103

Assignee: Hangzhou Qihu Information Technology Co.,Ltd.

Assignor: Wuhu Qibo Intellectual Property Operation Co.,Ltd.

Contract record no.: X2021330000547

Date of cancellation: 20221103

EC01 Cancellation of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: Hangzhou Elice Chemical Co.,Ltd.

Assignor: Wuhu Qibo Intellectual Property Operation Co.,Ltd.

Contract record no.: X2021330000464

Date of cancellation: 20240429