CN106022244B - 基于递归神经网络建模的无监督人群异常监测及定位方法 - Google Patents
基于递归神经网络建模的无监督人群异常监测及定位方法 Download PDFInfo
- Publication number
- CN106022244B CN106022244B CN201610322129.3A CN201610322129A CN106022244B CN 106022244 B CN106022244 B CN 106022244B CN 201610322129 A CN201610322129 A CN 201610322129A CN 106022244 B CN106022244 B CN 106022244B
- Authority
- CN
- China
- Prior art keywords
- grid
- moment
- crowd
- light stream
- statistical nature
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于递归神经网络建模的无监督人群异常监测及定位方法,该方法利用监控视频的时间序列特性与递归神经网络长时间依赖性相结合,并在对视频场景进行网格划分后,针对每个网格进行单独建模,选择性的利用光流统计特征对正常情况下人群序列动态进行无监督的学习,并采用Hessian‑Free Optimization方法对模型进行训练,最后将含有异常的数据载入模型,通过衡量t+1时刻与t时刻光流统计直方图之间的距离,对t+1时刻的人群场景进行监测和定位。该方法实现了时间和空间上的全局建模,很好的保留了各时刻人群动态序列特征之间的联系,且简化了模型的复杂度,降低了RNN训练难度,对异常事件的监测和定位有着较好的实时性和准确性。
Description
技术领域
本发明属于计算机视觉领域,具体涉及一种基于递归神经网络建模的无监督人群异常监测及定位方法。
背景技术
视频监控检测技术是视频技术与现代通信技术相结合的图像应用技术,同时人群异常事件的检测也引起了世界范围内越来越多研究者的兴趣。
Rao,S.et al[1]在2003年开发了一种随机模型来描述正常人的行为,当有新的视频发过来时,通过提取人的运动轨迹来测试是否存在异常。2004年,Shobhit Saxena[2]等人提出了一中基于KLT跟踪的多帧特征点检测和跟踪的算法,实现特定人群情境中的人群事件建模。他们所提出的扩展的场景识别引擎(SRE)能够实现快速建模,同时提高了事件监测的可靠性。Tony Jan将改进的概率神经网络(MPNN)引入到人群检测算法中,减少了计算量的同时,提高了检测的可靠性。2009年,Ramin Mehran[3]等人首次提出一种利用社会力模型进行人群异常检测模型,将图像中的网格粒子的移动看做人群的移动,利用光流发来提取图像中人群的动态,包括人群速度和方向,将人群的个人运动用牛顿的力学来表征,有效的表现了群体和个人动态,此模型很好的表现了人群的细节动态。Louis Kratz等人提出了在及其拥挤的人群场景里利用时空运动模式方法来探测异常,也就是模拟局部时空量的运动变化和他们的时空统计行为来表示场景的总体行为,这种方法能很好的获取稳定状态的统计行为;2010年,Saira Saleem Path[4]等,首次通过社会熵来衡量有关潜在场的不确定性,利用SVM直接来探测人群异常与否;V.Mahadevan[5]等运用时空量来检测异常;2012年,Tian Wang[6]、Hua Yang[7]等人利用直方图来描述人群动态,同时采用SVM来进行异常事件分类;Bo Wang[8]等结合高频和时空量特征来检测异常行为。2013年,Yang Cong[9]等使用稀疏重构来实现异常事件探测,给出正常训练样本集合,建立正常事件并作为字典,通过正常字典来计算稀疏重建代价来确定人群时间是否异常。
结合前人对人群异常事件检测算法研究情况可以看出,异常检测的基本思路是一致的,主要是解决基本事件的表示和异常事件模型检测模型建立两个问题。然而,实际研究过程中,无论是在最初的人群动态特征的提取,还是后期的运动分析,都存在一系列的问题导致智能视频检测有很大的误报率,例如:各类事情发生场景的不同,背景复杂,给出的基本事件的定义是不一致的;异常事件本身种类众多,过多依赖于人工的定义,对于大量的视频监控,人工标注工作量也在不断增加,且容易忽视一些针对围观或是踩草地等非暴力性质异常事件。目前为止,人群异常事件的检测的两个基本问题解决方法研究均处于不成熟阶段,还需要进一步的学习、研究、完善。
参考文献
[1]Rao,S,Sastry,P.S.Abnoraml activity detection in video sequencesusing learn Probability densities[C].conference on Convergent Technologiesfor the Aisa-Pacific Region,2003:369-372.
[2]Shobhit S,Franeois B,Crowd behavior recognition for videosurveillance[J].Advance Concepts for Intelligence Vision Systems,2008,5259:970-981.
[3]Mehran R,Oyama A,Shah M.Abnormal crowd behavior detection usingsocial force model.In:Proc.of the Computer Vision and Pattern Recognition(CVPR).2009:935-942.
[4]Saira Saleem Pathan,Ayoub Al-Hamadi,Bemd Michaelis.Incorporatingsocial entropy for crowd behavior detection using SVM[C].6th InternationalSymposium,ISCV,Las Vegas,NV,USA,2010,6453:153-162.
[5]V.Mahadevan,W.Li,V.Bhalodia,et al.Anomaly Detection in CrowdScenes[C].Proceeding of IEEE Conference on Computer Vision and PatternReconition,San Francisco,CA,USA.2010:1975-1981.
[6]Tian Wang,Hichem Snoussi.Histograms of optical flow orientationfor visual abnormal events detection[C].2012 IEEE Ninth InternationalConference on Advanced Video and Signal-Based Surveillance,Beijing,China,2012,1:13-18.
[7]Hua Yang,Yihua Cao,Shuang Wu,Abnormal crowd behavior detectionbased on local pressure model[C].In:Asia-Pacifics Signal and InformationProcessing Association Annual Summit and Conference,2012,Vol.1:1-4.
[8]Bo Wang,Mao Ye,Xue Li.Abnormal crowd behavior detection usinghigh-frequency and spatio-temporal features[J].Machine Vision andApplications,2012,23(3):501-511.
[9]Cong Y,Yuan J,Liu J.Sparse reconstruction cost for abnormal eventdetection.In:Proc.of the Computer Vision and Pattern Recognition(CVPR).2011:3449-3456.
发明内容
本发明的目的在于提供一种基于递归神经网络建模的无监督人群异常监测及定位方法,以用于人群场景的智能视频监控,对异常进行较准确的定位。
为实现上述目的,本发明采用以下技术方案:基于递归神经网络建模的无监督人群异常监测及定位方法,包括以下步骤:
(1)数据采集:针对同一监控设备,采集两种数据,一种是人群场景正常情况下提取的数据,作为训练集数据,用于模型训练;另一种是可能包含异常情况所提取的数据,作为测试集数据,用于模型测试。
(2)网格划分:从同一监控设备下的训练集数据和测试集数据的视频序列中获取视频同一背景图像,对于固定且静态的不可达区域,做截断处理,然后对剩余场景进行网格划分,划分成K个N*M的网格。
(3)光流特征提取:采取稠密光流法,从步骤(2)中划分好的网格内获取每个像素点的三层光流统计特征。
(4)特征选择:选取局部K网格的光流统计特征及其周边网格特定方向的光流统计特征,用以监测K网格t+1时刻的人群动态序列。
(5)模型训练:对训练集数据每个网格利用递归神经网络进行建模,K网格t时刻光流统计特征及四周网格特定方向光流特征作为输入,K网格t+1时刻的光流统计特征作为输出,利用Hessian-Free Optimization方法进行训练。
(6)异常监测及定位:对测试集数据中的K个网格进行异常监测和定位,将测试集数据t时刻K网格及其四周网格特定方向的光流统计特征数据输入模型,预测出K网格t+1时刻的光流统计特征,然后计算K网格t+1时刻与t时刻之间光流统计直方图的距离来判定是t+1时刻是否异常,当t+1时刻整个场景中的所有网格中有出现异常时,则判定该时刻为异常,并进行异常定位。
本发明的有益效果有:
(1)本发明根据视频监控设备录制的视频背景基本固定,密集人群场景中正常时的人群动态与异常时人群动态对比将更加明显的特征,将视频转换为人群动态时间序列,与递归神经网络的时间序列特性相吻合。整个模型训练过程中,采用的是无监督的自适应学习,学习的是正常情况下,人群动态时间序列之间的关系,当不满足这种关系时,即判定为异常。对异常情况进行了较准确的定位。
(2)异常事件的发生和定位不但与前一刻的人群动态有关还与该时间段内四周的人群动态有所关系,本发明采用网格单独建模,有针对性选取光流特征正好同时兼顾了时间和空间两方面的影响,并有效的降低了模型的复杂度,减少了计算量,一方面加快了训练的速度,另一方面也有效的提高了异常定位的精度。
(3)模型采用Hessian Free optimization方法进行训练,可以不用预训练网络的权重,且本发明方法克服了传统梯度下降方法梯度消失和梯度爆炸的问题,减少了训练时间,提高了模型的预测精度。
附图说明
图1是本发明利用递归神经网络在人群场景进行异常监测和定位工作流程图。
图2是本发明从网格划分到特征选择示意图。
图3是本发明采用递归神经网络模型训练示意图。
具体实施方式
为使本发明的目的、技术方案优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
如图1所示,本发明公开了基于递归神经网络建模的无监督人群异常监测及定位方法,步骤详述如下。
(1)数据采集:本发明是采用无监督方式来学习正常情况下人群场景中光流特征在时间和空间上的关系,即在训练时并没有对异常进行明确定义,只是抓住人群场景中不同时刻人群动态序列的光流特征和局部人群动态序列光流特征之间的关系。若测试中的数据不满足正常情况人群场景模型关系时,就判定为异常,所以在训练模型之前,需要采集监控设备上正常情况下的数据作为训练集数据。即针对同一监控设备,采集两种数据,一种是人群场景正常情况下提取的数据,作为训练集数据,用于模型训练;另一种是可能包含异常情况所提取的数据,作为测试集数据,用于模型测试。
(2)网格划分:如图2所示,从同一监控设备下的训练集数据和测试集数据的视频序列中获取视频同一背景图像,对于固定且静态的不可达区域,做截断处理,然后对剩余场景进行网格划分,划分成K个N*M的网格。由于视频监控设备录制的视频背景基本固定,为简化模型复杂度、降低计算量,除掉了一些无关背景,将视频监控中的场景划分为K个N*M的网格,便于接下来的特征选择和单个模型建立。
(3)光流特征提取:为得到全局的人群动态特征,采用稠密光流法提取步骤(2)中划分好的网络内获取每一帧中各像素的光流I(vx,vy),从划分好的局部网格中分8个方向提取3层的光流直方图(Histgram of Optical Flow,MHOF)特征h(x,y),以便保存时间和空间上下文信息。
(4)特征选择:图2展示了特征选择的具体过程,主要根据是局部异常事件的发生,其四周的人群动态对异常事件的发生有较大的影响,而场景中离局部异常较远的位置对其影响较小,所以选择取k网格四周8个网格对应的8个不同方向取得的光流统计值和k网格本身的光流统计值来监测k网格t+1时刻的人群动态序列 表示第k个网格在t时刻的实际光流特征,表示模型预测第k个网格在t+1时刻的光流特征。
(5)模型训练:如图3所示,对训练集数据每个网格利用递归神经网络进行建模,K网格t时刻光流统计特征及四周网格特定方向光流特征作为输入,K网格t+1时刻的光流统计特征作为输出,利用Hessian-Free Optimization方法进行训练。模型训练分为三个步骤:
S1.对进行网格划分后的场景中的每个网格单独建模,建立K个RNN模型,RNN(Recurrent neural Network)即循环神经网络,是一种节点定向连接成环的人工神经网络。该网络的内部状态可以展示动态时序行为。作为第k个网格模型的72个输入神经元,隐含层单元设置为144个神经元,输出为k网格t+1时刻的人群动态序列特征用24个神经元表示,每个人群动态序列的长度为40个时刻。
S2.采用无监督方式学习正常情况下t时刻人群动态序列与t+1时刻人群动态序列之间的关系,并没有将异常具体定义为某种行为(例如:踩草地,在人行道上驾驶车辆等),而是采用正常训练集数据的光流特征统计数据作为训练数据,进行训练:直接作为的输出,进行训练。
S3.训练过程用Hessian-Free Optimization方法,即分别用式(1)和式(2)来近似计算Hv和θ值附近的函数值:
用Hessian-Free Optimization替代梯度下降方法,不用预训练网络的权值,用克服了梯度下降容易引起的梯度消失和梯度爆炸问题,更快的达到不错的训练效果。
(6)异常监测及定位:对测试集数据中的K个网格进行异常监测和定位,载入测试数据集t时刻的人群动态序列特征及四周网格特定方向的光流特征来预测出t+1时刻人群动态序列特征采用下式(3)计算前后时刻对应网格光流特征的欧式距离:
获取欧式距离的最小值dmin和最大值dmax,最后在全局场景所获得的欧式距离范围(dmin,dmax)中设定多个阈值,通过计算F-measure的最大值来寻找最佳阈值δ,若则判定为1,表示异常,进行异常定位,否则为0,表示正常。
综上,本发明利用监控视频的时间序列特性与递归神经网络长时间依赖性相结合,并在对视频场景进行网格划分后,针对每个网格进行单独建模,选择性的利用光流统计特征对正常情况下人群序列动态进行无监督的学习,并采用Hessian-Free Optimization方法对模型进行训练,最后将含有异常的数据载入模型,通过衡量t+1时刻与t时刻光流统计直方图之间的距离,对t+1时刻的人群场景进行监测和定位。该方法实现了时间和空间上的全局建模,很好的保留了各时刻人群动态序列特征之间的联系,且简化了模型的复杂度,降低了RNN训练难度,对异常事件的监测和定位有着较好的实时性和准确性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (3)
1.基于递归神经网络建模的无监督人群异常监测及定位方法,其特征在于,包括以下步骤,
(1)数据采集:针对同一监控设备,采集两种数据,一种是人群场景正常情况下提取的数据,作为训练集数据,用于模型训练;另一种是可能包含异常情况所提取的数据,作为测试集数据,用于模型测试;
(2)网格划分:从同一监控设备下的训练集数据和测试集数据的视频序列中获取具有同一背景的视频图像,对于固定且静态的不可达区域,做截断处理,然后对剩余场景进行网格划分,划分成K个N*M的网格;
(3)光流特征提取:采取稠密光流法,从步骤(2)中划分好的网格内获取每个像素点的三层光流统计特征;
(4)特征选择:选取局部k网格的光流统计特征及其四周网格特定方向的光流统计特征,用以监测k网格t+1时刻的光流统计特征,其中光流统计特征即为人群动态序列特征;
(5)模型训练:对训练集数据每个网格利用递归神经网络进行建模,将k网格t时刻的光流统计特征及四周网格特定方向的光流统计特征作为输入,k网格t+1时刻的光流统计特征作为输出,利用Hessian-Free Optimization方法进行训练;
(6)异常监测及定位:对测试集数据中的K个网格进行异常监测和定位,将测试集数据中k网格t时刻的光流统计特征及四周网格特定方向的光流统计特征数据输入模型,预测出k网格t+1时刻的光流统计特征,然后计算k网格t+1时刻与t时刻之间光流统计直方图的距离来判定t+1时刻是否异常,当t+1时刻整个场景中的所有网格中有出现异常时,则判定t+1时刻为异常,并进行异常定位,
异常定位步骤为:载入测试集数据k网络t时刻的人群动态序列特征及四周网格特定方向的光流统计特征来预测出t+1时刻人群动态序列特征计算前后时刻对应网格光流统计特征的欧式距离 最后在全局场景所获得的欧式距离范围(dmin,dmax)中设定多个阈值,通过计算F-measure的最大值来寻找最佳阈值δ,若则判定为1,表示异常,进行异常定位,否则为0,表示正常;其中表示第k个网格在t时刻的实际光流统计特征,表示模型预测第k个网格在t+1时刻的光流统计特征,表示选取k网格四周8个网格对应的8个不同方向取得的光流统计特征。
2.如权利要求1所述的基于递归神经网络建模的无监督人群异常监测及定位方法,其特征在于:步骤(3)中采取稠密光流法提取每一帧各像素的光流I(vx,vy),并从划分好的网格中分8个方向提取3层的光流直方图特征h(x,y)。
3.如权利要求1所述的基于递归神经网络建模的无监督人群异常监测及定位方法,其特征在于:步骤(5)中模型训练分为三个步骤:
S1.对进行网格划分后的场景中的每个网格单独建模,建立K个RNN模型,作为第k个网格模型的72个输入神经元,隐含层单元设置为144个神经元,输出为k网格t+1时刻的人群动态序列特征,用24个神经元表示,每个人群动态序列的长度为40个时刻;
S2.采用无监督方式学习正常情况下t时刻人群动态序列特征与t+1时刻人群动态序列特征之间的关系,采用正常训练集数据的光流统计特征数据作为训练数据,直接作为的输出,进行训练;
S3.采用Hessian-Free Optimization方法进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610322129.3A CN106022244B (zh) | 2016-05-16 | 2016-05-16 | 基于递归神经网络建模的无监督人群异常监测及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610322129.3A CN106022244B (zh) | 2016-05-16 | 2016-05-16 | 基于递归神经网络建模的无监督人群异常监测及定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106022244A CN106022244A (zh) | 2016-10-12 |
CN106022244B true CN106022244B (zh) | 2019-09-17 |
Family
ID=57097057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610322129.3A Active CN106022244B (zh) | 2016-05-16 | 2016-05-16 | 基于递归神经网络建模的无监督人群异常监测及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022244B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886764B (zh) * | 2017-02-22 | 2020-11-06 | 深圳市深网视界科技有限公司 | 一种基于深度学习的恐慌度计算方法和装置 |
CN108664849A (zh) * | 2017-03-30 | 2018-10-16 | 富士通株式会社 | 视频中事件的检测装置、方法以及图像处理设备 |
CN107169426B (zh) * | 2017-04-27 | 2020-03-31 | 广东工业大学 | 一种基于深度神经网络的人群情绪异常检测和定位方法 |
CN107203806B (zh) * | 2017-05-15 | 2020-01-10 | 东软集团股份有限公司 | 数据异常检测方法、装置、可读存储介质及电子设备 |
CN107527358B (zh) * | 2017-08-23 | 2020-05-12 | 北京图森智途科技有限公司 | 一种稠密光流估计方法及装置 |
CN107861915B (zh) * | 2017-11-09 | 2021-06-25 | 东软集团股份有限公司 | 获取预警阈值的方法、装置以及存储介质 |
CN108229407A (zh) * | 2018-01-11 | 2018-06-29 | 武汉米人科技有限公司 | 一种视频分析中的行为检测方法与系统 |
CN110390226B (zh) * | 2018-04-16 | 2021-09-21 | 杭州海康威视数字技术股份有限公司 | 人群事件识别方法、装置、电子设备及系统 |
CN109508671B (zh) * | 2018-11-13 | 2023-06-06 | 深圳龙岗智能视听研究院 | 一种基于弱监督学习的视频异常事件检测系统及其方法 |
CN109918995B (zh) * | 2019-01-16 | 2023-07-28 | 上海理工大学 | 一种基于深度学习的人群异常检测方法 |
CN109993055A (zh) * | 2019-02-21 | 2019-07-09 | 北京以萨技术股份有限公司 | 一种基于神经网络的连续异常图像检测方法 |
CN110427855A (zh) * | 2019-07-25 | 2019-11-08 | 浙江树人学院(浙江树人大学) | 一种利用累积光流对人群异常行为识别定位的算法 |
CN110956617A (zh) * | 2019-11-18 | 2020-04-03 | 湖北工业大学 | 基于循环注意力模型的大脑核磁共振异常图像可视化方法 |
CN111027594B (zh) * | 2019-11-18 | 2022-08-12 | 西北工业大学 | 一种基于字典表示的分步式异常检测方法 |
CN113971777A (zh) * | 2021-10-25 | 2022-01-25 | 国网浙江省电力有限公司 | 一种设备故障预测方法、装置及服务器 |
CN113963085B (zh) * | 2021-12-23 | 2022-03-29 | 树根互联股份有限公司 | 工业系统的状态表征方法、装置及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751553B (zh) * | 2008-12-03 | 2012-04-25 | 中国科学院自动化研究所 | 一种大规模人群密度分析和预测方法 |
CN103761748B (zh) * | 2013-12-31 | 2016-12-07 | 北京邮电大学 | 异常行为检测方法和装置 |
CN104636751A (zh) * | 2014-12-11 | 2015-05-20 | 广东工业大学 | 基于时间递归神经网络的人群异常检测和定位系统及方法 |
CN104820824A (zh) * | 2015-04-23 | 2015-08-05 | 南京邮电大学 | 基于光流和时空梯度的局部异常行为检测方法 |
CN105227907B (zh) * | 2015-08-31 | 2018-07-27 | 电子科技大学 | 基于视频的无监督异常事件实时检测方法 |
-
2016
- 2016-05-16 CN CN201610322129.3A patent/CN106022244B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106022244A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022244B (zh) | 基于递归神经网络建模的无监督人群异常监测及定位方法 | |
Zhang et al. | Deep convolutional neural networks for forest fire detection | |
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN109508671B (zh) | 一种基于弱监督学习的视频异常事件检测系统及其方法 | |
CN110738127A (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN106856577B (zh) | 可解决多目标碰撞及遮挡问题的视频摘要生成方法 | |
CN108062349A (zh) | 基于视频结构化数据及深度学习的视频监控方法和系统 | |
CN112800868B (zh) | 一种基于事件相机采集分析装置的高空抛物监测方法 | |
CN105023019B (zh) | 一种用于视频监控自动探测人群异常行为的特征描述方法 | |
CN104820824A (zh) | 基于光流和时空梯度的局部异常行为检测方法 | |
CN105138982A (zh) | 一种基于多特征聚类及分类的人群异常检测与评估方法 | |
CN109583355B (zh) | 一种基于边界选择的人流统计的装置和方法 | |
CN113052147B (zh) | 一种行为识别方法及装置 | |
CN106548158A (zh) | 基于机器视觉的人群密度智能监测系统及方法 | |
CN108629327A (zh) | 一种基于图像处理的人数统计方法及装置 | |
CN108846852A (zh) | 基于多示例和时间序列的监控视频异常事件检测方法 | |
Yang et al. | A method of pedestrians counting based on deep learning | |
CN104077571B (zh) | 一种采用单类序列化模型的人群异常行为检测方法 | |
Zhang et al. | Research on human abnormal behavior detection based on deep learning | |
Bai et al. | Accurate and efficient frame-based event representation for aer object recognition | |
Leyva et al. | Video anomaly detection based on wake motion descriptors and perspective grids | |
Fu et al. | An effective background subtraction method based on pixel change classification | |
CN107665325A (zh) | 基于原子特征袋模型的视频异常事件检测方法及系统 | |
CN111178134B (zh) | 一种基于深度学习与网络压缩的摔倒检测方法 | |
Wang et al. | Anomaly detection in crowd scene using historical information |
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 |