CN105493502B - 视频监控方法、视频监控系统以及计算机可读存储介质 - Google Patents

视频监控方法、视频监控系统以及计算机可读存储介质 Download PDF

Info

Publication number
CN105493502B
CN105493502B CN201580000328.6A CN201580000328A CN105493502B CN 105493502 B CN105493502 B CN 105493502B CN 201580000328 A CN201580000328 A CN 201580000328A CN 105493502 B CN105493502 B CN 105493502B
Authority
CN
China
Prior art keywords
monitoring
area
monitored object
video
video data
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
CN201580000328.6A
Other languages
English (en)
Other versions
CN105493502A (zh
Inventor
俞刚
李超
尚泽远
何奇正
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.)
Beijing Megvii Technology Co Ltd
Beijing Maigewei Technology Co Ltd
Original Assignee
Beijing Megvii Technology Co Ltd
Beijing Maigewei Technology Co Ltd
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 Beijing Megvii Technology Co Ltd, Beijing Maigewei Technology Co Ltd filed Critical Beijing Megvii Technology Co Ltd
Publication of CN105493502A publication Critical patent/CN105493502A/zh
Application granted granted Critical
Publication of CN105493502B publication Critical patent/CN105493502B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • 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
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本公开涉及视频监控方法、视频监控系统以及计算机程序产品。所述视频监控方法，包括：获取经由视频数据采集装置采集的视频数据；以及基于预先设置的场景信息和所述视频数据，执行所述场景中的监控对象的确定和统计。

Description

视频监控方法、视频监控系统以及计算机可读存储介质
技术领域
本公开涉及视频监控领域，更具体地，本公开涉及视频监控方法、视频监控系统以及计算机可读存储介质。
背景技术
目前的视频监控往往依赖于工作人员人工的检测和处理。因此，虽然很多场景有摄像头覆盖，但是由于没有智能视频监控方法，所以需要大量人力来进行处理和监视。并且，当监控摄像头的覆盖规模变大后，很难高效地处理和反应一些突发事件。
智能视频监控可以根据摄像头的视频数据，自动地对场景中的人群密度做出估计，实时监控视频场景中的人流、车流量变化。智能监控有着非常广泛的应用环境，比如从城市安全的角度来讲，通过对人群密度的监控，在人群密度过大的时候可以给出报警，及时进行处理，避免一些可能的突发状况。对城市公路的车数进行统计，可以实时给出拥挤状况，给司机的出行提出建议。对商场的人流量统计，可以智能地给商家提供一些消费建议和分析。
已知的智能人流监控方法主要有两种途径。第一种是依赖于行人检测算法，但是其对高密度人流区域或者遮挡比较严重的情况，统计数据不够精确，另外行人检测算法本身比较耗时，很难达到实时监控的目的。另一种途径是独立于行人，对当前图像提取一些特征(比如边缘，纹理等等)，根据这些特征以及一些训练数据进行回归分析，从而得到当前区域的行人数量。此类方法的精度往往比较低。对行人密度比较大的时候，效果可以接受，但是当行人数目减少时，误差会很大。另外，单一回归的方法很难区分行人和车，所以应用场景很受限。
发明内容
鉴于上述问题而提出了本公开。本公开提供了一种基于深度视频的视频监控方法、视频监控系统以及计算机程序产品，其能实时地对当前场景中的人群密度、车流量、以及过线的人流数量进行准确的统计和分析。
根据本公开的一个实施例，提供了一种视频监控方法，包括：获取经由视频数据采集装置采集的视频数据；以及基于预先设置的场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计。
此外，根据本公开的一个实施例的视频监控方法，其中预先设置所述场景信息包括：配置用于监控的场景，并且设置用于监控的场景中的监控区域和监控线。
此外，根据本公开的一个实施例的视频监控方法，其中预先设置所述场景信息还包括：基于预定模型对所述监控区域中的每个像素点进行概率估计，以获取每个像素点的概率模型，用于确定所述视频数据中的前景数据和背景数据。
此外，根据本公开的一个实施例的视频监控方法，其中预先设置所述场景信息还包括：标记所述监控区域中的多个第一类监控对象的位置，确定每个位置的第一类监控对象相对于所述监控区域的面积的权重。
此外，根据本公开的一个实施例的视频监控方法，还包括：基于所述概率模型，确定所述监控区域中的前景区域和背景区域，并且去除所述前景区域中的阴影区域，以获得作为监控目标的监控前景区域。
此外，根据本公开的一个实施例的视频监控方法，还包括：将所述监控前景区域分为多个监控前景子区域，所述多个监控前景子区域相互不连通。
此外，根据本公开的一个实施例的视频监控方法，其中基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计包括：对于所述多个监控前景子区域的每一个执行边缘检测，获取所述监控前景子区域的轮廓信息，如果所述轮廓信息满足预定轮廓条件，则确定对应于所述轮廓信息的监控对象为第二类监控对象。
此外，根据本公开的一个实施例的视频监控方法，其中基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计还包括：从所述多个监控前景子区域的每一个去除对应于所述第二类监控对象的第二区域，以获得对应于所述第一类监控对象的第一区域，基于所述第一区域的面积和对应于所述第一类监控对象的权重，确定所述多个监控前景子区域的每一个中所述第一类监控对象的第一数目。
此外，根据本公开的一个实施例的视频监控方法，还包括：在所述第一数目大于预定阈值时，生成警告信息。
此外，根据本公开的一个实施例的视频监控方法，其中基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计还包括：对于垂直于所述监控线的第一方向，基于所述第一类监控对象在所述监控线上的移动速度，确定在预定时间间隔期间在所述第一方向上通过所述监控线的所述第一区域的面积，并且基于所述监控线上所述第一类监控对象的权重，确定在所述预定时间间隔期间在所述第一方向上通过所述监控线的所述第一类监控对象的数目。
根据本公开的另一个实施例，提供了一种视频监控系统，包括：处理器；存储器；和存储在所述存储器中的计算机程序指令，在所述计算机程序指令被所述处理器运行时执行以下步骤：获取经由视频数据采集装置采集的视频数据；以及基于预先设置的场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计。
此外，根据本公开的另一个实施例的视频监控系统，其中在所述计算机程序指令被所述处理器运行时执行预先设置所述场景信息的步骤，所述预先设置所述场景信息的步骤包括：配置用于监控的场景，并且设置用于监控的场景中的监控区域和监控线。
此外，根据本公开的另一个实施例的视频监控系统，其中在所述计算机程序指令被所述处理器运行时执行预先设置所述场景信息的步骤还包括：基于预定模型对所述监控区域中的每个像素点进行概率估计，以获取每个像素点的概率模型，用于确定所述视频数据中的前景数据和背景数据。
此外，根据本公开的另一个实施例的视频监控系统，其中在所述计算机程序指令被所述处理器运行时执行配置预先设置所述场景信息的步骤还包括：标记所述监控区域中的多个第一类监控对象的位置，确定每个位置的第一类监控对象相对于所述监控区域的面积的权重。
此外，根据本公开的另一个实施例的视频监控系统，其中在所述计算机程序指令被所述处理器运行时还执行以下步骤：基于所述概率模型，确定所述监控区域中的前景区域和背景区域，并且去除所述前景区域中的阴影区域，以获得作为监控目标的监控前景区域。
此外，根据本公开的另一个实施例的视频监控系统，其中在所述计算机程序指令被所述处理器运行时还执行以下步骤：将所述监控前景区域分为多个监控前景子区域，所述多个监控前景子区域相互不连通。
此外，根据本公开的另一个实施例的视频监控系统，其中在所述计算机程序指令被所述处理器运行时执行基于所述场景信息和所述视频数据，执行所述场景中的监控对象的确定和统计的步骤包括：对于所述多个监控前景子区域的每一个执行边缘检测，获取所述监控前景子区域的轮廓信息，如果所述轮廓信息满足预定轮廓条件，则确定对应于所述轮廓信息的监控对象为第二类监控对象。
此外，根据本公开的另一个实施例的视频监控系统，其中在所述计算机程序指令被所述处理器运行时执行基于所述场景信息和所述视频数据，执行所述场景中的监控对象的确定和统计的步骤还包括：从所述多个监控前景子区域的每一个去除对应于所述第二类监控对象的第二区域，以获得对应于所述第一类监控对象的第一区域，基于所述第一区域的面积和对应于所述第一类监控对象的权重，确定所述多个监控前景子区域的每一个中所述第一类监控对象的第一数目。
此外，根据本公开的另一个实施例的视频监控系统，其中在所述计算机程序指令被所述处理器运行时还执行以下步骤：在所述第一数目大于预定阈值时，生成警告信息。
此外，根据本公开的另一个实施例的视频监控系统，其中在所述计算机程序指令被所述处理器运行时执行基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计的步骤还包括：对于垂直于所述监控线的第一方向，基于所述第一类监控对象在所述监控线上的移动速度，确定在预定时间间隔期间在所述第一方向上通过所述监控线的所述第一区域的面积，并且基于所述监控线上所述第一类监控对象的权重，确定在所述预定时间间隔期间在所述第一方向上通过所述监控线的所述第一类监控对象的数目。
根据本公开的又一个实施例，提供了一种计算机程序产品，包括计算机可读存储介质，在所述计算机可读存储介质上存储了计算机程序指令，所述计算机程序指令在被计算机运行时执行以下步骤：获取经由视频数据采集装置采集的视频数据；以及基于预先设置的场景信息和所述视频数据，执行所述场景中的监控对象的确定和统计。
要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并且意图在于提供要求保护的技术的进一步说明。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是图示根据本发明实施例的视频监控方法的流程图。
图2是图示根据本发明实施例的视频监控系统的功能性框图。
图3是进一步图示根据本发明实施例的视频监控方法中设置场景信息的流程图。
图4是进一步图示根据本发明实施例的视频监控方法中视频数据的预处理的流程图。
图5A到5C是图示根据本发明实施例的视频监控方法中视频数据的预处理的示意图。
图6是进一步图示根据本发明实施例的视频监控方法中监控对象的数量统计的流程图。
图7是图示根据本发明实施例的视频监控方法中监控对象的类型确定的示意图。
图8是进一步图示根据本发明实施例的视频监控方法中监控对象的流量统计的流程图。
图9A和9B是图示根据本发明实施例的视频监控方法中监控对象的流量统计的示意图。
图10是图示根据本发明实施例的视频监控系统的示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本公开中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
以下，将参考附图详细描述本发明的优选实施例。
图1是图示根据本发明实施例的视频监控方法的流程图。如图1所示，根据本发明实施例的视频监控方法包括以下步骤。
在步骤S101中，获取经由视频采集装置采集的视频数据。在本发明的一个实施例中，所述视频采集装置为能够获取被摄体的视频数据的摄像头(诸如RGB摄像机或深度摄像机)。所述视频采集装置以俯视角度安装固定。获取经由视频采集装置采集的视频数据包括但不限于，在由物理位置上分离配置的视频采集装置采集视频数据之后，经由有线或者无线方式，接收从所述视频采集装置发送的视频数据。可替代地，视频采集装置可以与视频监控系统中的其他模块或组件物理上位于同一位置甚至位于同一机壳内部，视频监控系统中的其他模块或组件经由内部总线接收从所述视频采集装置发送的视频数据。此后，处理进到步骤S102。
在步骤S102中，基于预先设置的场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计。在本发明的一个实施例中，预先设置的场景信息包括但不限于要监控的场景中的兴趣区域(ROI)和兴趣线(LOI)。兴趣区域(ROI)是场景中需要进行人数(车辆数)统计的区域。兴趣线(LOI)是场景中需要进行人流量统计的虚拟线。以下，将参照附图进一步详细描述预先设置场景信息的处理，以及场景中的监控对象的确定和统计的处理。
上述根据本发明实施例的视频监控方法，能够基于预先设置的场景信息和视频数据实时地对当前场景中的人群密度、车流量、以及过线的人流数量进行准确的统计和分析。
以下，将参照图2进一步描述执行上述视频监控方法的视频监控系统。
图2是图示根据本发明实施例的视频监控系统的功能性框图。如图2所示，根据本发明实施例的视频监控系统20包括视频数据获取模块21、监控场景配置模块22、视频数据预处理模块23和监控对象统计模块24。所述视频数据获取模块21、监控场景配置模块22、视频数据预处理模块23和监控对象统计模块24例如可以由诸如硬件(服务器、专用计算机等)、软件、固件以及它们的任意可行的组合配置。
具体地，所述视频数据获取模块21用于获取视频数据。在本发明的一个实施例中，所述视频数据获取模块21可以是包括能够获取被摄体的视频数据的RGB摄像机的视频采集装置。在本发明的另一个实施例中，所述视频数据获取模块21可以包括能够获取被摄体的深度信息的深度相机(深度摄像机)的视频采集装置。所述视频数据获取模块21可以与其后的监控场景配置模块22、视频数据预处理模块23和监控对象统计模块24物理上分离，或者物理上位于同一位置甚至位于同一机壳内部。在所述视频数据获取模块21与其后的监控场景配置模块22、视频数据预处理模块23和监控对象统计模块24物理上分离的情况下，所述视频数据获取模块21进一步经由有线或者无线方式将所述视频采集装置获取的深度视频数据发送给其后的模块。在所述视频数据获取模块21与其后的监控场景配置模块22、视频数据预处理模块23和监控对象统计模块24物理上位于同一位置甚至位于同一机壳内部的情况下，所述视频数据获取模块21经由内部总线将所述视频采集装置获取的深度视频数据发送给其后的模块。所述视频数据可以是RGB彩色视频数据或者包括深度信息得RGBD视频数据。在经由有线或者无线方式或者经由内部总线发送所述视频数据之前，可以将其预定格式进行编码和压缩为视频数据包，以减少发送需要占用的通信量和带宽。
所述监控场景配置模块22配置用于监控的场景，并且设置用于监控的场景中的监控区域和监控线。具体地，根据本发明实施例的视频监控系统20的操作者在以俯视角度固定作为所述视频数据获取模块21之后，设置所述视频数据获取模块21拍摄的监控场景中的监控区域和监控线。在本发明的一个实施例中，所述监控区域是如上所述的要监控的场景中的兴趣区域(ROI)，即场景中需要进行人数(车辆数)统计的区域。在本发明的一个实施例中，所述监控区域可以设置为所述视频数据获取模块21拍摄的整个监控场景中的所有区域，也可以设置为监控场景中的部分特定区域。所述监控线是如上所述的要监控的场景中的兴趣线(LOI)，所述兴趣线(LOI)是场景中需要进行人流量统计的虚拟线，其可以是平行于监控场景中的地平面。在本发明的一个实施例中，所述监控线是监控场景中诸如出入口所在平面中的一条平行于地平面的直线，统计通过所述监控线的人流即获得出入所述出入口的人流量。
进一步地，所述监控场景配置模块22基于预定模型对所述监控区域中的每个像素点进行概率估计，以获取每个像素点的概率模型。在本发明的一个实施例中，所述监控场景配置模块22利用多高斯模型对单个像素进行概率估计，得到每个像素点的概率模型，以此模型来针对获取的视频数据判断前景数据和背景数据。在配置用于监控的场景之后，所述概率模型是视频数据是背景数据的概率。由于背景是相对固定的，前景是任意的，则不同于背景数据的即为前景数据。
更进一步地，所述监控场景配置模块22标记所述监控区域中的多个第一类监控对象的位置，确定每个位置的第一类监控对象相对于所述监控区域的面积的权重。在本发明的实施例中，所述第一类监控对象可以为行人，下面将要描述的第二类监控对象则可以为车辆。在本发明的一个实施例中，在所述监控区域中根据获取的视频数据手动标记多个行人(第一类监控对象)的位置，通过回归算法，估算上述每个位置的行人的权重。也就是说，所述权重是一个行人在该位置在视频图像中所占据的面积。容易理解的是，所述权重是随着摄像机与场景的相对位置有关，实际上离摄像机越远，行人在图像上的占据的大小越小，因此给予此位置的权重越大。
所述视频数据预处理模块23对所述视频数据获取模块21所获取的视频数据执行视频数据的预处理。在本发明的一个实施例中，所述视频数据预处理模块23基于所述监控场景配置模块22确定的所述概率模型，确定所述监控区域中的前景区域和背景区域，并且去除所述前景区域中的阴影区域，以获得作为监控目标的监控前景区域。进一步地，所述视频数据预处理模块23将所述监控前景区域分为多个监控前景子区域，所述多个监控前景子区域相互不连通。
所述监控对象统计模块24基于所述监控场景配置模块22设置的所述场景信息和所述视频数据获取模块21获取的所述视频数据，执行所述场景中的监控对象的确定和统计。在本发明的一个实施例中，所述监控对象统计模块24对于所述视频数据预处理模块23获得的所述多个监控前景子区域的每一个执行边缘检测，获取所述监控前景子区域的轮廓信息。如果所述轮廓信息满足预定轮廓条件，则确定对应于所述轮廓信息的监控对象为第二类监控对象(车辆)。进一步地，所述监控对象统计模块24从所述多个监控前景子区域的每一个去除对应于所述第二类监控对象的第二区域，以获得对应于所述第一类监控对象(行人)的第一区域，基于所述第一区域的面积和对应于所述第一类监控对象的所述监控场景配置模块22确定的权重，确定所述多个监控前景子区域的每一个中所述第一类监控对象的第一数目。更进一步地，在所述第一数目大于预定阈值时，所述监控对象统计模块24生成警告信息。在本发明的另一个实施例中，所述监控对象统计模块24对于所述监控场景配置模块22设置的所述监控线进行人流量的统计。所述监控对象统计模块24对于垂直于所述监控线的第一方向，基于所述第一类监控对象在所述监控线上的移动速度，确定在预定时间间隔期间在所述第一方向上通过所述监控线的所述第一区域的面积，并且基于所述监控线上所述第一类监控对象的权重，确定在所述预定时间间隔期间在所述第一方向上通过所述监控线的所述第一类监控对象的数目。
以下，将进一步参照附图详细描述由根据本发明实施例的视频监控系统的各个模块执行的根据本发明实施例的视频监控方法的各个具体步骤流程。
图3是进一步图示根据本发明实施例的视频监控方法中设置场景信息的流程图。如图3所示，根据本发明实施例的视频监控方法中设置场景信息的流程包括以下步骤。
在步骤S301中，配置视频数据采集装置。将作为所述视频采集装置的相机安装在需要监控的场景中。通常，相机的安装高度为2-3.5米，其视角为俯视地面。此后，处理进到步骤S302。
在步骤S302中，配置用于监控的场景，并且设置用于监控的场景中的监控区域和监控线。如上所述，所述监控区域是要监控的场景中需要进行人数(车辆数)统计的区域。在本发明的一个实施例中，所述监控区域可以设置为所述视频数据获取模块21拍摄的整个监控场景中的所有区域，也可以设置为监控场景中的部分特定区域。所述监控线是场景中需要进行人流量统计的虚拟线，其可以是平行于监控场景中的地平面。在本发明的一个实施例中，所述监控线是监控场景中诸如出入口所在平面中的一条平行于地平面的直线，统计通过所述监控线的人流即获得出入所述出入口的人流量。此后，处理进到步骤S303。
在步骤S303中，基于预定模型对监控区域中的每个像素点进行概率估计，以获取每个像素点的概率模型。在本发明的一个实施例中，利用多高斯模型对单个像素进行概率估计，得到每个像素点的概率模型，以此模型来针对获取的视频数据判断前景数据和背景数据。在配置用于监控的场景之后，所述概率模型是视频数据是背景数据的概率。此后，处理进到步骤S304。
在步骤S304中，标记监控区域中的多个第一类监控对象的位置，确定每个位置的第一类监控对象相对于监控区域的面积的权重。在本发明的一个实施例中，在所述监控区域中根据获取的视频数据手动标记多个行人(第一类监控对象)的位置，通过回归算法，估算上述每个位置的行人的权重。也就是说，所述权重是一个行人在该位置在视频图像中所占据的面积。容易理解的是，所述权重是随着摄像机与场景的相对位置有关，实际上离摄像机越远，行人在图像上的占据的大小越小，因此给予此位置的权重越大。
通过如上所述步骤S301到S304的设置场景信息的流程，在安装视频数据采集装置之后，即确定用于监控的监控区域和监控线、用于确定前景和背景的概率模型、以及第一类监控对象在监控区域中的面积权重。以上各个参数将用于此后基于视频数据的实时监控。
图4是进一步图示根据本发明实施例的视频监控方法中视频数据的预处理的流程图。如图4所示，根据本发明实施例的视频监控方法中视频数据的预处理的流程包括以下步骤。
在步骤S401中，基于概率模型，确定监控区域中的前景区域和背景区域。在获取用于监控的视频数据之后，利用在上述步骤S303中确定的概率模型，确定所述视频数据中的前景数据和背景数据，即监控区域中的前景区域和背景区域。此后，处理进到步骤S402。
在步骤S402中，去除前景区域中的阴影区域，以获得作为监控目标的监控前景区域。在本发明的一个实施例中，如果监控区域中有阴影存在，则通过阴影检测方法清除前景区域中的阴影部分。所述阴影检测方法可以基于两种物理原理。一种物理原理是阴影部分中的光线亮度会比非阴影部分中的光线亮度更暗。另一种物理原理则是阴影部分会保存地面本身的纹理信息。通过阴影检测方法首先找到阴影部分，然后从前景区域中进行剔除。此后，处理进到步骤S403。
在步骤S403中，将监控前景区域分为多个监控前景子区域，多个监控前景子区域相互不连通。通过将监控前景区域分为多个监控前景子区域，多个监控前景子区域相互不连通，可以避免对大块前景区域的人数估计导致的误差。
通过如上所述步骤S401到S403的视频数据的预处理的流程，将获取的用于监控的视频数据预处理为用于进一步的统计分析。以下，将参照附图描述视频数据预处理的示意性效果。
图5A到5C是图示根据本发明实施例的视频监控方法中视频数据的预处理的示意图。
如图5A所示，基于概率模型，确定监控区域中的背景区域51。
进一步地，基于确定的背景区域51以及相应的阴影部分去除，执行前景区域的提取。如图5B所示，提取用于进一步视频监控统计分析的前景区域52。
更进一步地，对前景区域52执行分块操作。如图5C所示，将提取的前景区域52分为多个监控前景子区域521、522和523。
通过如图5A到5C所示的视频数据的预处理，获得的多个监控前景子区域521、522和523将用于监控对象的统计分析。
图6是进一步图示根据本发明实施例的视频监控方法中监控对象的数量统计的流程图。如图6所示，根据本发明实施例的视频监控方法中监控对象的数量统计的流程包括以下步骤。
在步骤S601中，对于多个监控前景子区域的每一个执行边缘检测，获取监控前景子区域的轮廓信息。在本发明的一个实施例中，可以应用诸如霍夫(Hough)变换的处理获得诸如多个监控前景子区域521、522和523的每个中的轮廓信息，即找出监控前景子区域中的线(line)。此后，处理进到步骤S602。
在步骤S602中，轮廓信息满足预定轮廓条件？在本发明的一个实施例中，所述预定轮廓条件可以是监控前景子区域中监控对象的横线比例。假设监控场景中的行人(第一类监控对象)是站立的，因此行人身上的线主要是垂直于地面的直线，而车辆(第二类监控对象)因为车身上面的线条，会有较长的平行于地面的横线，从而可以根据监控对象的横线比例区分监控前景子区域中监控对象是行人(第一类监控对象)还是车辆(第二类监控对象)。如果在步骤S602中获得肯定结果，轮廓信息满足预定轮廓条件，即该轮廓信息显示轮廓具有较长的平行于地面的横线，则处理进到步骤S603。
在步骤S603中，确定对应于轮廓信息的监控对象为车辆(第二类监控对象)。进一步地，可以将监控对象的统计计数中第二类监控对象的数量相应地加1。此后，处理进到步骤S604。
相反地，如果在步骤S602中获得否定结果，轮廓信息不满足预定轮廓条件，则处理直接进到步骤S604。
在步骤S604中，从多个监控前景子区域的每一个去除对应于第二类监控对象的第二区域，以获得对应于行人(第一类监控对象)的第一区域。此后，处理进到步骤S605。
在步骤S605中，基于第一区域的面积和对应于第一类监控对象的权重，确定多个监控前景子区域的每一个中第一类监控对象的第一数目。如上所述，基于多个监控前景子区域的每一个的位置，根据在步骤S304中确定的相应权重，估算在该位置的每一个行人(第一类监控对象)占据的面积大小。将在步骤S604中获得的第一区域的面积比上每一个行人(第一类监控对象)占据的面积大小，即可以得到多个监控前景子区域的每一个中的行人(第一类监控对象)的第一数目。此后，处理进到步骤S606。
在步骤S606中，判断在步骤S605中获得的第一数目是否大于预定阈值。所述预定阈值可以理解为存在安全隐患的人群密度。如果在步骤S606中获得肯定结果，即第一数目大于预定阈值，则处理进到步骤S607。
在步骤S607中，生成警告信息。根据本发明实施例的视频监控系统的操作者可以根据该警告信息实时发现存在的安全隐患，以便及时采取相应的措施。
相反地，如果在步骤S606中获得否定结果，即第一数目不大于预定阈值，则处理返回步骤S601，以便继续执行实时的视频监控过程。
图7是图示根据本发明实施例的视频监控方法中监控对象的类型确定的示意图。
如图7所示，在多个监控前景子区域521、522和523中，仅有多个监控前景子区域522的轮廓信息显示其具有较长的平行于地面的横线L2，可以将该监控前景子区域522确定为存在车辆(第二类监控对象)。监控前景子区域521和523的轮廓信息都显示其主要是垂直于地面的直线H1和H3，则可以将该监控前景子区域521和523确定为存在行人(第一类监控对象)。
除了能够对于监控前景子区域中的行人和车辆的数目进行统计外，根据本发明实施例的视频监控方法还能够实现监控对象的流量统计。
图8是进一步图示根据本发明实施例的视频监控方法中监控对象的流量统计的流程图。如图8所示，根据本发明实施例的视频监控方法中监控对象的流量统计的流程包括以下步骤。
在步骤S801中，对于垂直于监控线的第一方向，确定第一类监控对象在监控线上的移动速度。此后，处理进到步骤S802。
在步骤S802中，基于移动速度，确定在预定时间间隔期间在第一方向上通过监控线的第一区域的面积。此后，处理进到步骤S803。
在步骤S803中，基于监控线上第一类监控对象的权重，确定在预定时间间隔期间在第一方向上通过监控线的第一类监控对象的数目。具体地，根据监控场景中此监控线上确定的行人权重，可以估计出行人在此监控线上面行人的平均占据的面积大小。然后把从第一帧到当前帧经过监控线的人流量(即，通过监控线的第一区域的面积)加起来，除以监控线上面行人的平均占据的面积大小，即得到截至到当前时刻的预定时间间隔期间通过监控线的行人数量。
图9A和9B是图示根据本发明实施例的视频监控方法中监控对象的流量统计的示意图。
如图9A所示，中间帧中的粗实线为监控线91。由椭圆圈代表的行人(第一类监控对象)在各个时刻在两个方向上(从右向左和从左向右)通过所述监控线91。
如图9B所示，例如仅考虑从右向左的第一方向，并且仅示意性示出一个行人。行人通过所述监控线91时存在一定的速度，当通过所述监控线91的速度越快，则会产生一个越宽的长方形，该长方形的长度则跟行人身体的宽度有关。如图9B中所示，对于时间t-4到t，求和所有长方形的面积即为在该时间段期间通过的总流量面积。结合在所述监控线91处的行人权重，可以确定该时间段期间通过的行人流量。
图10是图示根据本发明实施例的视频监控系统的示意性框图。如图10所示，根据本发明实施例的视频监控系包括：处理器101、存储器102、以及在所述存储器102的中存储的计算机程序指令103。
所述计算机程序指令103在所述处理器101运行时可以实现根据本发明实施例的视频监控系统的各个功能模块的功能，并且/或者可以执行根据本发明实施例的视频监控方法的各个步骤。
具体地，在所述计算机程序指令103被所述处理器101运行时执行以下步骤：获取经由视频数据采集装置采集的视频数据；以及基于预先设置的场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计。
此外，在所述计算机程序指令103被所述处理器101运行时执行预先设置所述场景信息的步骤，所述预先设置所述场景信息的步骤包括：配置用于监控的场景，并且设置用于监控的场景中的监控区域和监控线。
此外，在所述计算机程序指令103被所述处理器101运行时执行预先设置所述场景信息的步骤还包括：基于预定模型对所述监控区域中的每个像素点进行概率估计，以获取每个像素点的概率模型，用于确定所述视频数据中的前景数据和背景数据。
此外，在所述计算机程序指令103被所述处理器101运行时执行配置预先设置所述场景信息的步骤还包括：标记所述监控区域中的多个第一类监控对象的位置，确定每个位置的第一类监控对象相对于所述监控区域的面积的权重。
此外，在所述计算机程序指令103被所述处理器101运行时还执行以下步骤：基于所述概率模型，确定所述监控区域中的前景区域和背景区域，并且去除所述前景区域中的阴影区域，以获得作为监控目标的监控前景区域。
此外，在所述计算机程序指令103被所述处理器101运行时还执行以下步骤：将所述监控前景区域分为多个监控前景子区域，所述多个监控前景子区域相互不连通。
此外，在所述计算机程序指令103被所述处理器101运行时执行基于所述场景信息和所述视频数据，执行所述场景中的监控对象的确定和统计的步骤包括：对于所述多个监控前景子区域的每一个执行边缘检测，获取所述监控前景子区域的轮廓信息，如果所述轮廓信息满足预定轮廓条件，则确定对应于所述轮廓信息的监控对象为第二类监控对象。
此外，在所述计算机程序指令103被所述处理器101运行时执行基于所述场景信息和所述视频数据，执行所述场景中的监控对象的确定和统计的步骤还包括：从所述多个监控前景子区域的每一个去除对应于所述第二类监控对象的第二区域，以获得对应于所述第一类监控对象的第一区域，基于所述第一区域的面积和对应于所述第一类监控对象的权重，确定所述多个监控前景子区域的每一个中所述第一类监控对象的第一数目。
此外，在所述计算机程序指令103被所述处理器101运行时还执行以下步骤：在所述第一数目大于预定阈值时，生成警告信息。
此外，在所述计算机程序指令103被所述处理器101运行时执行基于所述场景信息和所述视频数据，执行所述场景中的监控对象的确定和统计的步骤还包括：对于垂直于所述监控线的第一方向，基于所述第一类监控对象在所述监控线上的移动速度，确定在预定时间间隔期间在所述第一方向上通过所述监控线的所述第一区域的面积，并且基于所述监控线上所述第一类监控对象的权重，确定在所述预定时间间隔期间在所述第一方向上通过所述监控线的所述第一类监控对象的数目。
根据本发明实施例的视频监控系统中的各模块可以通过根据本发明实施例的视频监控系统中的处理器运行在存储器中存储的计算机程序指令来实现，或者可以在根据本发明实施例的计算机程序产品的计算机可读存储介质中存储的计算机指令被计算机运行时实现。
所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合，例如一个计算机可读存储介质包含用于随机地生成动作指令序列的计算机可读的程序代码，另一个计算机可读存储介质包含用于进行人脸活动识别的计算机可读的程序代码。
所述计算机可读存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。
在上面详细描述的本发明的示例实施例仅仅是说明性的，而不是限制性的。本领域技术人员应该理解，在不脱离本发明的原理和精神的情况下，可对这些实施例进行各种修改，组合或子组合，并且这样的修改应落入本发明的范围内。

Claims (19)

1.一种视频监控方法，包括：
获取经由视频数据采集装置采集的视频数据；
配置用于监控的场景信息，所述场景信息包括监控区域和监控线；
基于预定模型对所述监控区域中的每个像素点进行概率估计，以获取每个像素点的概率模型，用于确定所述视频数据中的前景数据和背景数据；
基于所述概率模型，确定所述监控区域中的前景区域和背景区域，
将所述前景区域分为多个监控前景子区域，所述多个监控前景子区域相互不连通；以及
基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计，
其中基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计还包括：
对于垂直于所述监控线的第一方向，基于第一类监控对象在所述监控线上的移动速度，确定在预定时间间隔期间在所述第一方向上通过所述监控线的第一区域的面积，并且基于所述监控线上所述第一类监控对象的权重，确定在所述预定时间间隔期间在所述第一方向上通过所述监控线的所述第一类监控对象的数目。
2.如权利要求1所述的视频监控方法，其中预先设置所述场景信息还包括：
标记所述监控区域中的多个第一类监控对象的位置，确定每个位置的第一类监控对象相对于所述监控区域的面积的权重。
3.如权利要求1所述的视频监控方法，还包括：
去除所述前景区域中的阴影区域，以获得作为监控目标的监控前景区域。
4.如权利要求1所述的视频监控方法，其中基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计包括：
对于所述多个监控前景子区域的每一个执行边缘检测，获取所述监控前景子区域的轮廓信息，如果所述轮廓信息满足预定轮廓条件，则确定对应于所述轮廓信息的监控对象为第二类监控对象。
5.如权利要求4所述的视频监控方法，其中基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计还包括：
从所述多个监控前景子区域的每一个去除对应于所述第二类监控对象的第二区域，以获得对应于所述第一类监控对象的第一区域，基于所述第一区域的面积和对应于所述第一类监控对象的权重，确定所述多个监控前景子区域的每一个中所述第一类监控对象的第一数目。
6.如权利要求5所述的视频监控方法，还包括：
在所述第一数目大于预定阈值时，生成警告信息。
7.一种视频监控系统，包括：
处理器；
存储器；和
存储在所述存储器中的计算机程序指令，在所述计算机程序指令被所述处理器运行时执行以下步骤：
获取经由视频数据采集装置采集的视频数据；
配置用于监控的场景信息，所述场景信息包括监控区域和监控线；
基于预定模型对所述监控区域中的每个像素点进行概率估计，以获取每个像素点的概率模型，用于确定所述视频数据中的前景数据和背景数据；
基于所述概率模型，确定所述监控区域中的前景区域和背景区域，
将所述前景区域分为多个监控前景子区域，所述多个监控前景子区域相互不连通；以及
基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计，
其中基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计还包括：
对于垂直于所述监控线的第一方向，基于第一类监控对象在所述监控线上的移动速度，确定在预定时间间隔期间在所述第一方向上通过所述监控线的第一区域的面积，并且基于所述监控线上所述第一类监控对象的权重，确定在所述预定时间间隔期间在所述第一方向上通过所述监控线的所述第一类监控对象的数目。
8.如权利要求7所述的视频监控系统，其中在所述计算机程序指令被所述处理器运行时执行配置预先设置所述场景信息的步骤还包括：
标记所述监控区域中的多个第一类监控对象的位置，确定每个位置的第一类监控对象相对于所述监控区域的面积的权重。
9.如权利要求7所述的视频监控系统，其中在所述计算机程序指令被所述处理器运行时还执行以下步骤：
去除所述前景区域中的阴影区域，以获得作为监控目标的监控前景区域。
10.如权利要求7所述的视频监控系统，其中在所述计算机程序指令被所述处理器运行时执行基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计的步骤包括：
对于所述多个监控前景子区域的每一个执行边缘检测，获取所述监控前景子区域的轮廓信息，如果所述轮廓信息满足预定轮廓条件，则确定对应于所述轮廓信息的监控对象为第二类监控对象。
11.如权利要求10所述的视频监控系统，其中在所述计算机程序指令被所述处理器运行时执行基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计的步骤还包括：
从所述多个监控前景子区域的每一个去除对应于所述第二类监控对象的第二区域，以获得对应于所述第一类监控对象的第一区域，基于所述第一区域的面积和对应于所述第一类监控对象的权重，确定所述多个监控前景子区域的每一个中所述第一类监控对象的第一数目。
12.如权利要求11所述的视频监控系统，其中在所述计算机程序指令被所述处理器运行时还执行以下步骤：
在所述第一数目大于预定阈值时，生成警告信息。
13.一种计算机可读存储介质，在所述计算机可读存储介质上存储了计算机程序指令，所述计算机程序指令在被计算机运行时执行以下步骤：
获取经由视频数据采集装置采集的视频数据；
配置用于监控的场景信息，所述场景信息包括监控区域和监控线；
基于预定模型对所述监控区域中的每个像素点进行概率估计，以获取每个像素点的概率模型，用于确定所述视频数据中的前景数据和背景数据；
基于所述概率模型，确定所述监控区域中的前景区域和背景区域，
将所述前景区域分为多个监控前景子区域，所述多个监控前景子区域相互不连通；以及
基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计，
其中基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计还包括：
对于垂直于所述监控线的第一方向，基于第一类监控对象在所述监控线上的移动速度，确定在预定时间间隔期间在所述第一方向上通过所述监控线的第一区域的面积，并且基于所述监控线上所述第一类监控对象的权重，确定在所述预定时间间隔期间在所述第一方向上通过所述监控线的所述第一类监控对象的数目。
14.一种视频监控系统，包括：
视频数据获取模块，用于获取视频数据；
监控场景配置模块，用于配置用于监控的场景，并且设置用于监控的场景中的监控区域和监控线，基于预定模型对所述监控区域中的每个像素点进行概率估计，以获取每个像素点的概率模型，用于确定所述视频数据中的前景数据和背景数据；
视频数据预处理模块，用于对所述视频数据执行视频数据的预处理，其中所述视频数据预处理模块基于所述概率模型，确定所述监控区域中的前景区域和背景区域，将所述前景区域分为多个监控前景子区域，所述多个监控前景子区域相互不连通；以及
监控对象统计模块，用于基于所述场景信息和所述视频数据，执行与所述场景信息相对应的用于监控的场景中的监控对象的确定和统计，
其中所述监控对象统计模块对于垂直于所述监控线的第一方向，基于第一类监控对象在所述监控线上的移动速度，确定在预定时间间隔期间在所述第一方向上通过所述监控线的第一区域的面积，并且基于所述监控线上所述第一类监控对象的权重，确定在所述预定时间间隔期间在所述第一方向上通过所述监控线的所述第一类监控对象的数目。
15.如权利要求14所述的视频监控系统，其中所述监控场景配置模块标记所述监控区域中的多个第一类监控对象的位置，确定每个位置的第一类监控对象相对于所述监控区域的面积的权重。
16.如权利要求14所述的视频监控系统，
其中所述视频数据预处理模块去除所述前景区域中的阴影区域，以获得作为监控目标的监控前景区域。
17.如权利要求14所述的视频监控系统，其中所述监控对象统计模块对于所述多个监控前景子区域的每一个执行边缘检测，获取所述监控前景子区域的轮廓信息，如果所述轮廓信息满足预定轮廓条件，则确定对应于所述轮廓信息的监控对象为第二类监控对象。
18.如权利要求17所述的视频监控系统，其中所述监控对象统计模块从所述多个监控前景子区域的每一个去除对应于所述第二类监控对象的第二区域，以获得对应于所述第一类监控对象的第一区域，基于所述第一区域的面积和对应于所述第一类监控对象的权重，确定所述多个监控前景子区域的每一个中所述第一类监控对象的第一数目。
19.如权利要求18所述的视频监控系统，其中所述监控对象统计模块在所述第一数目大于预定阈值时，生成警告信息。
CN201580000328.6A 2015-04-29 2015-04-29 视频监控方法、视频监控系统以及计算机可读存储介质 Active CN105493502B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2015/077783 WO2016172870A1 (zh) 2015-04-29 2015-04-29 视频监控方法、视频监控系统以及计算机程序产品

Publications (2)

Publication Number Publication Date
CN105493502A CN105493502A (zh) 2016-04-13
CN105493502B true CN105493502B (zh) 2019-03-15

Family

ID=55678518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580000328.6A Active CN105493502B (zh) 2015-04-29 2015-04-29 视频监控方法、视频监控系统以及计算机可读存储介质

Country Status (3)

Country Link
US (1) US9875405B2 (zh)
CN (1) CN105493502B (zh)
WO (1) WO2016172870A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107331007A (zh) * 2017-06-29 2017-11-07 惠国征信服务股份有限公司 一种基于视频采集的车流物流监管系统和方法
CN107168184A (zh) * 2017-06-29 2017-09-15 惠国征信服务股份有限公司 基于传感器和物联网的企业金融数据采集系统
CN107590431B (zh) * 2017-07-27 2020-12-01 广东数相智能科技有限公司 一种基于图像识别的数量统计方法及装置
CN109426333B (zh) * 2017-08-23 2022-11-04 腾讯科技（深圳）有限公司 一种基于虚拟空间场景的信息交互方法及装置
CN107749963A (zh) * 2017-10-17 2018-03-02 北京工商大学 一种多感知源信息融合视频方法
CN108345829A (zh) * 2017-12-18 2018-07-31 武汉烽火众智数字技术有限责任公司 远程监控街面巡逻现场的装置
JP2019176306A (ja) * 2018-03-28 2019-10-10 キヤノン株式会社 監視システム、監視システムの制御方法及びプログラム
CN108622142A (zh) * 2018-03-30 2018-10-09 卡斯柯信号有限公司 一种基于实时客流的列车智能运行调整系统及方法
US11546873B2 (en) * 2018-06-13 2023-01-03 Nec Corporation Object quantity estimation system, object quantity estimation method, program, and recording medium
CN112005529B (zh) * 2019-03-27 2022-02-25 Oppo广东移动通信有限公司 QoS规则的优先级处理方法、设备及存储介质
CN110223474A (zh) * 2019-07-04 2019-09-10 无锡睿勤科技有限公司 一种智能监控报警方法、系统及储存介质
JP7443002B2 (ja) * 2019-09-13 2024-03-05 キヤノン株式会社 画像解析装置、画像解析方法、及びプログラム
CN110852155A (zh) * 2019-09-29 2020-02-28 深圳市深网视界科技有限公司 公交乘客拥挤度检测方法、系统、装置及存储介质
JP7446756B2 (ja) * 2019-10-02 2024-03-11 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
CN112799826A (zh) * 2019-11-14 2021-05-14 杭州海康威视数字技术股份有限公司 智能分析算法选取方法、装置、系统及电子设备
CN111767775B (zh) * 2019-12-24 2024-03-08 上海高德威智能交通系统有限公司 一种监控场景检测方法、装置及电子设备
CN111464775B (zh) * 2020-01-08 2022-01-21 杭州海康威视系统技术有限公司 一种监控设备布局的合理性确定方法和装置
CN111770306B (zh) * 2020-05-22 2022-04-15 深圳奇迹智慧网络有限公司 场景监控方法、装置、计算机设备和存储介质
CN112182917B (zh) * 2020-11-30 2021-08-03 中国电力科学研究院有限公司 基于多目标优化的摄像设备布控优化方法、系统、设备及存储介质
CN112632925B (zh) * 2020-12-25 2023-02-17 中标慧安信息技术股份有限公司 物联网中台遥感数据可视化的方法和系统
CN113191223A (zh) * 2021-04-15 2021-07-30 宁波市民卡运营管理有限公司 一种乘客密度评估方法、装置、计算机设备和存储介质
CN113936247B (zh) * 2021-09-18 2023-08-01 北京交通大学 基于流线感知的轨道交通车站客流状态辨识系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982598A (zh) * 2012-11-14 2013-03-20 三峡大学 基于单个摄像头场景配置的视频人数统计方法和系统
CN103268470A (zh) * 2013-04-16 2013-08-28 东南大学 基于任意场景的视频对象实时统计方法
CN103986910A (zh) * 2014-05-20 2014-08-13 中国科学院自动化研究所 一种基于智能分析摄像机的客流统计方法和系统
CN104318263A (zh) * 2014-09-24 2015-01-28 南京邮电大学 一种实时高精度人流计数方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2672511A1 (en) * 2008-07-16 2010-01-16 Verint Systems Inc. A system and method for capturing, storing, analyzing and displaying data relating to the movements of objects
CN101686338B (zh) * 2008-09-26 2013-12-25 索尼株式会社 分割视频中的前景和背景的系统和方法
US8797405B2 (en) * 2009-08-31 2014-08-05 Behavioral Recognition Systems, Inc. Visualizing and updating classifications in a video surveillance system
US9176987B1 (en) * 2014-08-26 2015-11-03 TCL Research America Inc. Automatic face annotation method and system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982598A (zh) * 2012-11-14 2013-03-20 三峡大学 基于单个摄像头场景配置的视频人数统计方法和系统
CN103268470A (zh) * 2013-04-16 2013-08-28 东南大学 基于任意场景的视频对象实时统计方法
CN103986910A (zh) * 2014-05-20 2014-08-13 中国科学院自动化研究所 一种基于智能分析摄像机的客流统计方法和系统
CN104318263A (zh) * 2014-09-24 2015-01-28 南京邮电大学 一种实时高精度人流计数方法

Also Published As

Publication number Publication date
CN105493502A (zh) 2016-04-13
US9875405B2 (en) 2018-01-23
WO2016172870A1 (zh) 2016-11-03
US20160379049A1 (en) 2016-12-29

Similar Documents

Publication Publication Date Title
CN105493502B (zh) 视频监控方法、视频监控系统以及计算机可读存储介质
CN108052859B (zh) 一种基于聚类光流特征的异常行为检测方法、系统及装置
JP5980148B2 (ja) デジタルカメラ画像から駐車場占有状態を測定する方法
CN102542289B (zh) 一种基于多高斯计数模型的人流量统计方法
CN103839308B (zh) 人数获取方法、装置及系统
WO2016149938A1 (zh) 视频监控方法、视频监控系统以及计算机程序产品
KR102122859B1 (ko) 교통 영상감시시스템의 멀티 표적 추적 방법
CN104123544A (zh) 基于视频分析的异常行为检测方法及系统
CN109243181A (zh) 交通事故预警方法、装置、终端设备及存储介质
CN103986910A (zh) 一种基于智能分析摄像机的客流统计方法和系统
CN108965826A (zh) 监控方法、装置、处理设备及存储介质
CN110738150B (zh) 相机联动抓拍方法、装置以及计算机存储介质
KR20200071799A (ko) 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법
CN104994360A (zh) 视频监控方法和视频监控系统
CN111126235A (zh) 一种船只违章停泊检测处理方法及装置
CN111047874B (zh) 智能交通违章管理方法及相关产品
CN108363953B (zh) 一种行人检测的方法及双目监控设备
CN111160175A (zh) 智能行人违章行为管理方法及相关产品
CN110659391A (zh) 一种视频侦查方法及装置
CN111666821B (zh) 人员聚集的检测方法、装置及设备
CN110009634A (zh) 一种基于全卷积网络的车道内车辆计数方法
CN103646254A (zh) 一种高密度行人检测方法
CN110781844A (zh) 保安巡察监测方法及装置
CN104159088A (zh) 一种远程智能车辆监控系统及方法
CN110889569A (zh) 一种计算能力调配方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100190 Beijing, Haidian District Academy of Sciences, South Road, No. 2, block A, No. 313

Applicant after: MEGVII INC.

Applicant after: Beijing maigewei Technology Co., Ltd.

Address before: 100190 Beijing, Haidian District Academy of Sciences, South Road, No. 2, block A, No. 313

Applicant before: MEGVII INC.

Applicant before: Beijing aperture Science and Technology Ltd.

GR01 Patent grant
GR01 Patent grant