CN105608411B - 为预置监控摄像头的影像分类方法及其装置 - Google Patents

为预置监控摄像头的影像分类方法及其装置 Download PDF

Info

Publication number
CN105608411B
CN105608411B CN201510455409.7A CN201510455409A CN105608411B CN 105608411 B CN105608411 B CN 105608411B CN 201510455409 A CN201510455409 A CN 201510455409A CN 105608411 B CN105608411 B CN 105608411B
Authority
CN
China
Prior art keywords
mentioned
image frame
classification
monitoring camera
image
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
CN201510455409.7A
Other languages
English (en)
Other versions
CN105608411A (zh
Inventor
李康锡
金正显
金普淳
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.)
REALHUB CORP Ltd
Original Assignee
REALHUB CORP 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 REALHUB CORP Ltd filed Critical REALHUB CORP Ltd
Publication of CN105608411A publication Critical patent/CN105608411A/zh
Application granted granted Critical
Publication of CN105608411B publication Critical patent/CN105608411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/11—Technique with transformation invariance effect

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了为预置监控摄像头的影像分类方法及其装置，该方法包括：连续获得通过用于拍摄多个监控地点的预置监控摄像头获取的影像帧的输入；将上述影像帧与之前的影像帧进行比较，从而判别上述预置监控摄像头是否处于静止状态；当判定上述预置监控摄像头处于静止状态，则通过分析影像帧提取特征信息；不重复地生成按上述特征信息进行区分且对应于上述监控地点的分类群组；及将上述影像帧与按上述不同分类群组进行区分的索引一同进行存储。本发明利用包含于各影像帧的特征信息，将多个影像帧按分类群组进行分类及存储，发生事件或事故时，区分搜索及分析相应分类群组的影像帧即可，可快速应对相应事件或事故的处理。

Description

为预置监控摄像头的影像分类方法及其装置
技术领域
本发明涉及为预置监控摄像头的影像分类方法及其装置，尤其涉及在分析包含于通过具备平移(panning)、俯仰(tilting)及缩放(zoom)功能的预置监控摄像头(presettour camera)连续拍摄的影像帧中的特征信息的同时，不重复地生成分类群组，以按特征信息按分类群组进行分类并与索引一同进行存储，从而在发生事件或事故时，根据需要按不同分类群居区分进行搜索，更快速便捷地进行影像分析的为预置监控摄像头的影像分类方法及其装置。
背景技术
一般而言，预置监控摄像头(preset tour camera)通过一定的移动和停止动作，以安装地点为准连续拍摄不同监控距离和监控角度的不同的预定的多个分类群组的无人监控设备。
即，预置监控摄像头通过一个影像获取装置拍摄多个分类群组同时进行监控，从而具有通过减少影像获取装置的数量节省设备费用和运营费用的优点。
上述预置监控摄像头主要使用具有左右旋转的平移(panning)功能、上下旋转的俯仰(tilting)功能及改变焦点距离的缩放(zoom)功能的云台变焦摄像机(pantilt zoomcamera)。
在此，在使用预置监控摄像头时，将实时获取的多个影像帧未按各分类群组加以区分，而一概连续存储于存储介质中。即，未按不同分类群组分类多个影像帧，而是以一个视频的形式一并进行存储。
因此，在多个监控地点中的某一个监控地点发生事件或事故时，需一一搜索存储于存储介质的所有影像帧进行分析，因此，影像分析耗费很多时间和努力，难以快速应对事件或事故的处理。
为解决上述问题，需要开发出对从预置监控摄像头获取的针对多个分类群组的各自的影像帧按不同影像群组进行分类存储的技术。
先行技术文献
【专利文献】
(专利文献1)韩国注册专利公报第10-1299237号，2013.08.16.日注册。
发明内容
本发明的目的在于克服现有技术之不足而提供一种通过特征信息对从预置监控摄像头获取的针对多个分类群组的影像帧进行区分并按不同的分类群组进行分类，从而可根据各自不同的分类群组搜索及分析影像帧的为预置监控摄像头的影像分类方法及其装置。
本发明目的不限于上述课题，而对于本领域技术人员，未提及的其他课题可通过下面的记载将变得更加明了。
首先，为达到上述目的的本发明的为预置监控摄像头的影像分类方法，包括如下步骤：连续获得通过用于拍摄多个监控地点的预置监控摄像头获取的影像帧的输入；将上述影像帧与之前的影像帧进行比较，从而判别上述预置监控摄像头是否处于静止状态；当判定上述预置监控摄像头处于静止状态，则通过分析影像帧提取特征信息；不重复地生成按上述特征信息进行区分且对应于上述监控地点的分类群组；及将上述影像帧与按上述不同分类群组进行区分的索引一同进行存储。
较佳地，在上述生成步骤和上述存储步骤之间，还包括将上述影像帧根据上述特征信息按上述不同分类群组进行分类的步骤。
较佳地，在上述存储步骤之后，还包括从上述分类群组中删除上述影像帧在预设基准时间内未被分类的分类群组，以此更新上述分类群组的步骤。
较佳地，在上述判别步骤中，在上述影像帧和上述之前的影像帧中，上述预置监控摄像头都判定为处于静止状态，则将上述影像帧与上述索引一同直接存储于上述之前的影像帧分类到的上述分类群组中。
另外，为达到上述目的的本发明的为预置监控摄像头的影像分类装置，包括：影像输入部，连续获得通过用于拍摄多个监控地点的预置监控摄像头获取的影像帧的输入；运动判别部，将上述影像帧与之前的影像帧进行比较，从而判别上述预置监控摄像头是否处于静止状态；特征信息提取部，当上述预置监控摄像头处于静止状态，则通过分析影像帧提取特征信息；分类群组生成部，不重复地生成按上述特征信息进行区分且对应于上述监控地点的分类群组；及影像存储部，将上述影像帧与按上述不同分类群组进行区分的索引一同进行存储。
较佳地，还包括将上述影像帧根据上述特征信息按上述不同分类群组进行分类的影像分类部。
较佳地，还包括从上述分类群组中删除上述影像帧在预设基准时间内未被分类的分类群组，以此更新上述分类群组的分类群组更新部。
上述构成的本发明，利用包含于各影像帧的特征信息，将通过用于同时监控多个分类群组的预置监控摄像头获取的多个影像帧按各自不同的分类群组进行分类及存储，从而在特定分类群组中发生事件或事故时，只需区分搜索及分析相应分类群组的影像帧即可，从而可快速应对相应事件或事故的处理。
附图说明
图1为本发明较佳实施例的为预置监控摄像头的影像分类方法顺序图；
图2为本发明较佳实施例的为预置监控摄像头的影像分类装置结构图。
附图标记：
S110：影像帧输入步骤
S120：运动判别步骤
S130：特征信息提取步骤
S140：分类群组生成步骤
S150：影像帧分类步骤
S160：影像帧存储步骤
S170：分类群组更新步骤
110：影像输入部
120：运动判别部
130：特征信息提取部
140：分类群组生成部
150：影像分类部
160：影像存储部
170：分类群组更新部
具体实施方式
本发明涉及可用一个摄像头对多个监控地点进行拍摄而进行监控的为预置监控摄像头的影像分类方法及其装置。
尤其是，本发明的为预置监控摄像头的影像分类方法及其装置的特征在于，依次获得通过一个预置监控摄像头连续获取的影像帧并按对应于不同监控地点的分类群组进行分类及存储。
上述特征是这样实现的：依次获得通过预置监控摄像头获取的影像帧的输入并通过分析所输入的影像帧提取用于区分监控地点的特征信息，按对应于所提取的特征信息的不同监控地点不重复地生成分类群组，且将影像帧按对应于特征信息的不同分类群组与索引一同进行存储。
下面，结合附图对本发明较佳实施例的为预置监控摄像头的影像分类方法进行说明。
图1为本发明较佳实施例的为预置监控摄像头的影像分类方法顺序图。
本发明较佳实施例的为预置监控摄像头的影像分类方法，如图1所示，可包括影像帧输入步骤S110、运动判别步骤S120、特征信息提取步骤S130、分类群组生成步骤S140及影像帧存储步骤S160。
下面，对各步骤进行详细说明。
首先，上述影像帧输入步骤S110为依次获得通过预置监控摄像头连续拍摄的影像帧帧的输入的步骤。
即，影像帧输入步骤S110按帧为单位进行区分一一获得通过预置监控摄像头连续拍摄的影像帧帧的输入。
此时，预置监控摄像头由云台变焦摄像机(pantilt zoom camera)构成，从而按一定模式执行平移(panning)功能、俯仰(tilting)功能及缩放(zoom)功能，按预先顺序对预设的多个监控地点进行拍摄。
即，从预置监控摄像头输入的影像帧包括预置监控摄像头在静止状态下拍摄监控地点的影像帧和预置监控摄像头在运动状态下，从监控地点中的某个监控地点向另一监控地点移动的过程的拍摄的影像帧。
但是，监控地点可根据为预置监控摄像头的运行的外部设置自由进行变更。即，可根据需要维持通过预置监控摄像头监控的监控地点，或在现有的监控地点增加新的监控地点，或还可从现有的监控地点删除部分监控地点。
接着，上述运动判别步骤S120为通过分析从影像帧输入步骤S110输入的影像帧判别预置监控摄像头是否处于静止状态的步骤。
即，运动判别布骤S120是将在当前帧中输入的影像帧与在之前的帧中输入的影像帧进行比较，从而判别预置监控摄像头是处于静止状态或移动状态的步骤。
换言之，通过相互比较当前输入的影像帧和之前输入的影像帧，判别预置监控摄像头是在静止状态下拍摄的还是在运动状态下拍摄的。
此时，对当前输入的影像帧和之前输入的影像帧的比较，可根据各自的像素值进行比较。例如，将各影像帧变换为灰度格式之后，通过比较相互间的像素值，当大于基准值时，则判定为静止状态，而当小于等于基准值，则判定为运动状态。
根据上述判别结果，当预置监控摄像头判定为静止状态，则将执行将要后述的特征信息提取步骤S130。与此不同，当预置监控摄像头判定为移动状态，则将返回上述影像帧输入步骤S110。
这是因为预置监控摄像头在静止状态下拍摄的影像帧是对应于监控地点的影像帧，因此，需要进行分类，但预置监控摄像头在运动状态下拍摄的影像帧因为是与监控地点无关的影像帧，因此，无需进行分类。
接着，上述特征信息提取步骤S130为对在运动判别步骤S120被判定为预置监控摄像头处于静止状态的影像帧进行处理以提取特征信息的步骤。
即，特征信息提取步骤S130为提取与监控地点对应的特征信息以区分被判定为预置监控摄像头处于静止状态的影像帧为对应于监控地点中的哪个监控地点的影像帧的步骤。
此时，特征信息可以是将彩色度或灰度格式的影像帧变换处理为灰度格式之后(但灰度格式的影像帧直接使用)，从由Sobel mask、Prewitt mask、Laplacian mask、cannymask等构成的群组中选择一个以上提取的轮廓线信息。
另外，特征信息是对影像帧适用SURF(Speeded Up Robust Features)算法之后输出的，是对影像帧的大小和外部的照明及时间等环境变化相对不敏感的特征点。
使用上述URF算法的原因是，对相同的监控地点，即使因预置监控摄像头的机械特性或外部的物理影响在平移、俯仰及缩放等动作产生误差，也可利用上述特征点进行影像帧之间的匹配。
这些特征信息分为影像帧所拍摄的监控地点进行提取，而特征信息的数量也对应于监控地点的数量被提取。例如，当监控地点供设置为4个时，从影像帧提取相互不同的四个特征信息。
接着，上述分类群组生成步骤S140为生成可根据在特征信息提取步骤S130提取的特征信息进行区分的分类群组的步骤。
即，分类群组生成步骤S140为比较对当前输入的影像帧的特征信息和对之前输入的所有影像帧的特征信息不重复地生成分类群组的步骤。
换言之，比较对当前输入的影像帧的特征信息和对之前输入的所有影像帧的特征信息，当不存在相同的特征信息时，生成新的分类群组，而当存在相同的特征信息，则归类于该分类群组而不另外生成分类群组。
上述生成的分类群组以监控地点进行区分，而且，生成数量也与监控地点的数量相对应。例如，当监控地点供设置为4个时，特征信息也共分为4个，生成4个分类群组。
最后，上述影像帧存储步骤S160为将影像帧与按不同分类群组区分的索引一同存储的步骤。
即，将影像帧与可按根据其特诊信息进行区分的分类群组进行区分的索引一同按不同群组进行存储的步骤。
则影像帧按根据通过预置监控摄像头得到监视的监控地点区分的分类群组与索引一同被存储。
因此，当在监控地点中的特定的一个监控地点发生事件或事故时，无需搜索全部影像帧，而只需搜索按对应于相应监控地点的分类群组进行存储的影像帧即可。
在此，如图1所示，在特征信息提取步骤S140和影像帧存储步骤S160之间，还可包括影像帧分类步骤S150。
上述影像帧分类步骤S150为对在分类群组生成步骤S140中生成的分类群组进行分类的步骤。
即，影像帧分类步骤S150为对对应于影像帧的各特征信息生成或归类的分类群组进行分类的步骤。例如，当监控地点共设置为4个时，根据共4个特征信息连续输入的影像帧分类至共4个分类群组中的一个分类群组。
因此，通过预置监控摄像头连续拍摄的影像帧分类至对应于受预置监控摄像头监视的各监控地点的各分类群组中。
但是，在运动判别步骤S120中，当当前输入的影像帧和之前输入的影像帧都判定为预置监控摄像头处于静止状态，则不经过特征信息提取步骤S130和分类群组生成步骤S140，而将当前输入的影像帧归类为之前输入的影像帧的分类群组之后，与按分类群组进行区分的索引一同直接进行存储。
这是因为当前输入的影像帧和之前输入的影像帧都是预置监控摄像头处于静止状态时对特定监控地点进行拍摄的，因此，按不同监控地点区分的特征信息是相同的。
另外，如图1所示，在影像帧存储步骤S160之后，还可包括分类群组更新步骤S170。
上述分类群组更新步骤S170为从分类群组中删除在预设基准时间内未被分类的分类群组，以此更新分类群组的步骤。
这是因为通过预置监控摄像头受到监视的监控地点是通过预置监控摄像头的设置添加或删除的，因此，为了对应于上述情况而设置的步骤。因此，即使通过预置监控摄像头的设置删除特定监控地点，分类群组更新为新的，不对处理速度产生影响。
下面，结合附图对本发明较佳实施例的为预置监控摄像头的影像分类装置进行说明。
图2为本发明较佳实施例的为预置监控摄像头的影像分类装置结构图。
本发明较佳实施例的为预置监控摄像头的影像分类装置，如图2所示，可包括影像输入部110、运动判别部120、特征信息提取部130、分类群组生成部140及影像存储部160。
下面，对各结构进行详细说明。
首先，上述影像输入部110是执行影像帧输入步骤S110的结构。即，影像输入部110按帧为单位进行区分一一获得通过预置监控摄像头连续拍摄的影像帧帧的输入。
接着，上述运动判别部120是执行运动判别步骤S120的结构。即，运动判别部120比较通过影像输入部110当前输入的影像帧和作为之前的帧输入的影像帧判别预置监控摄像头的静止状态。
接着，上述特征信息提取部130是执行特征信息提取步骤S130的结构。即，特征信息提取部130分析在运动判别部120中判定为预置监控摄像头处于静止状态的影像帧提取按各监控地点区分的特征信息。
接着，上述分类群组生成部140是执行分类群组生成步骤S140的结构。即，分类群组生成部140比较对在特征信息提取部130生成的影像帧的特征信息和对之前输入的所有影像帧的特征信息不重复地生成分类群组。
最后，上述影像存储部160是执行影像帧存储步骤S160的结构。即，影像存储部160按在分类群组生成部140不重复地生成的不同的分类群组，将影像帧按不同的分类群组进行区分并与索引一同进行存储。
另外，如图2所示，还可包括影像分类部150。上述影像分类部150是执行影像帧分类步骤S150的结构。即，影像分类部150将影像帧按分类群组生成部140生成的分类群组进行分类。
另外，如图2所示，还可包括分类群组更新部170。上述分类群组更新部170是执行分类群组更新步骤S170的结构。即，分类群组更新部170从分类群组生成部140生成的分类群组中删除影像帧在预设基准时间内未被分类的分类群组，以此更新分类群组。
上述实施例仅用以说明本发明而非限制，本领域的普通技术人员应当理解，可以对本发明进行修改、变形或者等同替换。
而在不脱离本发明的精神和范围之内，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种为预置监控摄像头的影像分类方法，包括如下步骤：
连续获得通过用于拍摄多个监控地点的预置监控摄像头获取的影像帧的输入；
将上述影像帧与之前的影像帧进行比较，从而判别上述预置监控摄像头是否处于静止状态；
当判定上述预置监控摄像头处于静止状态，则通过分析影像帧提取特征信息；
不重复地生成按上述特征信息进行区分且对应于上述监控地点的分类群组；及
将上述影像帧与按不同的上述分类群组进行区分的索引一同进行存储,
其中，在上述存储步骤之后，还包括从上述分类群组中删除上述影像帧在预设基准时间内未被分类的分类群组，以此更新上述分类群组的步骤。
2.根据权利要求1所述的为预置监控摄像头的影像分类方法，其特征在于：在上述生成步骤和上述存储步骤之间，还包括将上述影像帧根据上述特征信息按上述不同分类群组进行分类的步骤。
3.根据权利要求1所述的为预置监控摄像头的影像分类方法，其特征在于：在上述判别步骤中，在上述影像帧和上述之前的影像帧中，上述预置监控摄像头都判定为处于静止状态，则将上述影像帧与上述索引一同直接存储于上述之前的影像帧分类到的上述分类群组中。
4.一种为预置监控摄像头的影像分类装置，包括：
影像输入部，连续获得通过用于拍摄多个监控地点的预置监控摄像头获取的影像帧的输入；
运动判别部，将上述影像帧与之前的影像帧进行比较，从而判别上述预置监控摄像头是否处于静止状态；
特征信息提取部，当上述预置监控摄像头处于静止状态，则通过分析影像帧提取特征信息；
分类群组生成部，不重复地生成按上述特征信息进行区分且对应于上述监控地点的分类群组；及
影像存储部，将上述影像帧与按不同的上述分类群组进行区分的索引一同进行存储，
其中，所述影像分类装置还包括从上述分类群组中删除上述影像帧在预设基准时间内未被分类的分类群组，以此更新上述分类群组的分类群组更新部。
5.根据权利要求4所述的为预置监控摄像头的影像分类装置，其特征在于：还包括将上述影像帧根据上述特征信息按上述不同分类群组进行分类的影像分类部。
CN201510455409.7A 2014-11-19 2015-07-29 为预置监控摄像头的影像分类方法及其装置 Active CN105608411B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20140161713A KR101509593B1 (ko) 2014-11-19 2014-11-19 프리셋 투어 카메라를 위한 영상 분류 방법 및 그 장치
KR10-2014-0161713 2014-11-19

Publications (2)

Publication Number Publication Date
CN105608411A CN105608411A (zh) 2016-05-25
CN105608411B true CN105608411B (zh) 2019-03-26

Family

ID=53032618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510455409.7A Active CN105608411B (zh) 2014-11-19 2015-07-29 为预置监控摄像头的影像分类方法及其装置

Country Status (3)

Country Link
US (1) US9984294B2 (zh)
KR (1) KR101509593B1 (zh)
CN (1) CN105608411B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570466B (zh) * 2016-11-01 2020-09-11 金鹏电子信息机器有限公司 视频分类方法及系统
CN108012202B (zh) * 2017-12-15 2020-02-14 浙江大华技术股份有限公司 视频浓缩方法、设备、计算机可读存储介质及计算机装置
KR102172955B1 (ko) 2019-12-06 2020-11-02 이정무 피티지 카메라를 이용한 영상 관제 방법, 영상 관제 장치 및 컴퓨터 프로그램
CN111476310B (zh) * 2020-04-16 2021-02-05 中国科学院半导体研究所 一种图像分类方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100879623B1 (ko) * 2008-07-05 2009-01-21 주식회사 일리시스 Ｐｔｚ 카메라를 이용한 자동화된 광역 감시 시스템 및 그방법
JP2013143655A (ja) * 2012-01-10 2013-07-22 Hitachi Plant Technologies Ltd 現場状況把握システム及び現場画像提供方法
CN103338350A (zh) * 2013-05-31 2013-10-02 郭亚晋 施工运输安全监管系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6850025B1 (en) * 2000-06-30 2005-02-01 Sensormatic Electronics Corporation Integrated enclosure and controller for video surveillance camera
US7540011B2 (en) * 2001-06-11 2009-05-26 Arrowsight, Inc. Caching graphical interface for displaying video and ancillary data from a saved video
US20040233983A1 (en) * 2003-05-20 2004-11-25 Marconi Communications, Inc. Security system
US7457433B2 (en) * 2005-01-20 2008-11-25 International Business Machines Corporation System and method for analyzing video from non-static camera
US7751632B2 (en) * 2005-02-15 2010-07-06 Panasonic Corporation Intelligent, dynamic, long-term digital surveilance media storage system
WO2007014216A2 (en) * 2005-07-22 2007-02-01 Cernium Corporation Directed attention digital video recordation
US9363487B2 (en) * 2005-09-08 2016-06-07 Avigilon Fortress Corporation Scanning camera-based video surveillance system
US8149278B2 (en) * 2006-11-30 2012-04-03 Mitsubishi Electric Research Laboratories, Inc. System and method for modeling movement of objects using probabilistic graphs obtained from surveillance data
US9154747B2 (en) * 2010-12-22 2015-10-06 Pelco, Inc. Stopped object detection
US20150161449A1 (en) * 2013-12-11 2015-06-11 Systems Engineering Technologies Corporation System and method for the use of multiple cameras for video surveillance

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100879623B1 (ko) * 2008-07-05 2009-01-21 주식회사 일리시스 Ｐｔｚ 카메라를 이용한 자동화된 광역 감시 시스템 및 그방법
JP2013143655A (ja) * 2012-01-10 2013-07-22 Hitachi Plant Technologies Ltd 現場状況把握システム及び現場画像提供方法
CN103338350A (zh) * 2013-05-31 2013-10-02 郭亚晋 施工运输安全监管系统

Also Published As

Publication number Publication date
US9984294B2 (en) 2018-05-29
CN105608411A (zh) 2016-05-25
KR101509593B1 (ko) 2015-04-07
US20160140423A1 (en) 2016-05-19

Similar Documents

Publication Publication Date Title
KR102560308B1 (ko) 외관 탐색을 위한 시스템 및 방법
JP7375101B2 (ja) 情報処理装置、情報処理方法及びプログラム
KR102462572B1 (ko) 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법
CN110070033B (zh) 一种电力领域危险工作区域内安全帽佩戴状态检测方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN105608411B (zh) 为预置监控摄像头的影像分类方法及其装置
CN104966304B (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
RU2634225C1 (ru) Способы и системы поиска объекта в видеопотоке
CN113553979B (zh) 一种基于改进yolo v5的安全服检测方法和系统
CN109672863A (zh) 一种基于图像识别的施工人员安全装备智能监测方法
Voulodimos et al. A threefold dataset for activity and workflow recognition in complex industrial environments
CN104680193B (zh) 基于快速相似性网络融合算法的在线目标分类方法与系统
KR101030257B1 (ko) 카메라의 영상을 이용한 보행자 계수 방법 및 장치
Yuan et al. Ear detection based on CenterNet
AU2019303730B2 (en) Hash-based appearance search
CN109325521B (zh) 用于虚拟人物的检测方法及装置
CN112395922A (zh) 面部动作检测方法、装置及系统
Alkrimi et al. Isolation and classification of red blood cells in anemic microscopic images
Rao et al. Convolutional Neural Network Model for Traffic Sign Recognition
Yuan et al. Moving target detection of elevating fire truck based on D-vibe algorithm in vehicular environment
JP2019028504A (ja) 判定装置、判定方法および判定プログラム
Fritz et al. Semantic analysis of human visual attention in mobile eye tracking applications
Kuang et al. Computer Vision and Normalizing Flow-Based Defect Detection
CN105787436A (zh) 一种基于大数据下的视频图像智能搜索的方法及系统
Khedgaonkar et al. Video Crawling Using Deep Learning

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