CN106339666B - 一种人体目标的夜间监控方法 - Google Patents

一种人体目标的夜间监控方法 Download PDF

Info

Publication number
CN106339666B
CN106339666B CN201610659254.3A CN201610659254A CN106339666B CN 106339666 B CN106339666 B CN 106339666B CN 201610659254 A CN201610659254 A CN 201610659254A CN 106339666 B CN106339666 B CN 106339666B
Authority
CN
China
Prior art keywords
human body
int
template
height
width
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
CN201610659254.3A
Other languages
English (en)
Other versions
CN106339666A (zh
Inventor
王江斌
夏鹏
陈红印
程元火
钟喜生
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.)
Zhongke Aixin Micro Environmental Information Technology Shenzhen Co ltd
Original Assignee
Zhongke Yihe Wisdom Material Federation (shenzhen) 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 Zhongke Yihe Wisdom Material Federation (shenzhen) Co Ltd filed Critical Zhongke Yihe Wisdom Material Federation (shenzhen) Co Ltd
Priority to CN201610659254.3A priority Critical patent/CN106339666B/zh
Publication of CN106339666A publication Critical patent/CN106339666A/zh
Application granted granted Critical
Publication of CN106339666B publication Critical patent/CN106339666B/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
    • 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
    • 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
    • G06V20/44—Event detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人体目标的夜间监控方法，该方法利用主动红外光照明摄像机采集夜间图像，通过预处理过程后，采用人体特征模板提取出候选区域，然后以方向梯度直方图(HOG)作为待提取的特征，以线性支持向量机(linear SVM)作为分类器的方法来实现夜间人体探测。该方法通过采用在夜间环境下智能检测算法的优化，可以实现昼夜全天候的移动平台上的智能监控。

Description

一种人体目标的夜间监控方法
技术领域
本发明属于监控技术领域，具体涉及一种人体目标的夜间监控方法。
背景技术
监控系统在保护安全、预防犯罪方面起到不可低估的作用，目前传统的单位或小区安全监控系统大多使用固定摄像头，采用人工观察的方式进行监控。这种系统存在着受人员因素影响较大、威慑力不够、有视觉死角等缺点。因此，开发可移动的监控机器人，代替人工进行24小时不间断巡逻，当出现异常情况时能自动报警，是未来智能监控系统发展的重要方向。
目前具备夜视能力的摄像系统已经比较成熟，被动式红外摄像机价格较为昂贵，应用不多；而主动红外式监控摄像机已大规模应用，但多见于固定的安全监控系统，但在移动平台上的智能化的应用不多。
计算机视觉算法方面，白天环境下的人体检测、人脸检测等算法由于研究比较广泛，已经比较成熟，其中，基于Haar-like特征的人脸检测、基于支持向量机(SVM)的人脸识别和基于梯度方向直方图(HOG)特征的人体检测算法已经比较成熟，这两种算法，已经有在智能照相机和辅助汽车驾驶等设备上得到了应用。
然而，夜间环境下，由于光照限制，普通摄像机通常很难采集到清晰的图像，因而这些智能视觉的算法受到了一定的限制。中国发明专利(申请号：200710175669.4)公开了一种基于信息融合的夜间监控方法，但是该方法需要白天信息作为辅助，且不能用于移动平台。
传统的智能视频监控的算法，大多数基于固定摄像机平台，背景易于分离，实现较为简单；这些方法通常不能在机器人等移动平台上使用。
目前较为流行的基于HOG特征的人体检测算法，虽然可用于移动平台，但运算复杂度较高，且多数并不涉及夜间这种特殊情况，存在改进的空间。
目前，在白天光线较好的情况下，采用方向梯度直方图(HOG)作为特征进行人体检测的方法已经有了较高的准确度。而在夜间情况下，基于低成本红外光照明的摄像机的人体检测方面，相关的方法并不多见。
发明内容
为解决现有技术中缺陷，本发明提供了一种人体目标的夜间监控方法，利用红外夜视摄像机，专门针对夜间环境进行智能检测算法的优化，可以实现昼夜全天候的移动平台上的智能监控。
还提供了一种人体目标的夜间监控系统，该系统可以有效的实现昼夜全天候的移动平台上的智能监控。
为实现上述目的，本发明提供如下技术方案：
一种人体目标的夜间监控方法，所述方法包括如下步骤：
(1)预处理：在夜间模式下，针对输入的一帧红外灰度图像，进行如下的预处理：先采用高斯滤波去除噪声，然后采用直方图均衡化的算法进行图像增强；
(2)提取出候选区域；
考虑到一方面行人、汽车等物体，在与摄像头较近时，与发出的红外光方向垂直，有较好的反射效果，在夜视图像中亮度普遍较高；而另一方面，天空等远景物体距离红外光源较远，夜晚在图像中亮度极低。依据这一特征，可采用以人体特征模板为基础的分类器，对图像进行检测，快速提取出人体的候选区域。
考虑到身穿黑色裤子的中距离的人体的下半身在NIR图像中通常亮度较低，难以识别，这里的人体特征模板共有两种：全身模板和上半身模板。
所述全身模板的外框宽高比为5∶9，内框宽高比为3∶7，并且内框居于外框正中间；所述半身模板的外框宽高比为5∶7，内框宽高比为3∶5，并且内框居于外框正中间；实际应用中，针对不同的尺度，可将匹配的模板依次设置为如下大小：
全身模板：10×18像素2，15×27像素2，20×36像素2，25×45像素2，等等；半身模板：10×14像素2，15×21像素2，20×28像素2等等。
并且候选区域的提取方法为：
A：针对前景图像If(x，y)，先计算积分图Iint(P)：
B：将人体特征模板在前景图像中从左上角向右下角滑动匹配，设人体特征模板内框在图像中顶点分别为：A′、B′、C′、D′，外框在图像中顶点分别为：A、B、C、D，以模板中心O点作为模板定位，则在位置O处人体特征模板匹配的特征的计算公式是：
F(O)＝(-1)×[Iint(C)+Iint(A)-Iint(B)-Iint(D)]+2×(+1)×[Iint(c′)+Iint(A′)
-Iint(B′)-Iint(D′)]
其中Iint(A)、Iint(B)、Iint(C)、Iint(D)、Iint(A')、Iint(B')、Iint(C')、Iint(D')、
分别表示在积分图上A、B、C、D、A'、B'、C'、D'所在点的数值；
C:设S为矩形ABCD的像素总面积，则归一化的特征值为：
D：针对不同大小的人体特征模板，采用不同的特征阈值TH来判断，得到人体候选区域；
通过对特征提取与特征阈值判断，能够得到多个人体候选区域，当不同候选区域发生重叠，且重叠部分超过70％以上时，选择特征值最大的候选区域。
优选地，所述TH为可调整阈值，取值范围[0,1]。更优选地，所述TH的取值为0.5。
(3)针对大量夜视人体的训练样本(包括上半身、全身)，提取候选区域的方向梯度直方图特征，采用基于支持向量机SVM的训练方法对所述特征进行训练得到SVM分类器，也就是全身/半身人体分类器；然后对提取的候选区域，采用所述SVM分类器进行判断，即可识别是否是全身/半身人体；具体使用时，将候选区域图像提取HOG特征，输入到SVM分类器，直接得到是否是人体的结果；
(4)多个人体的跟踪：在检测出人体之后，采用卡尔曼滤波器对每个人进行单独的跟踪；
(5)行为识别/报警：在识别并跟踪人体的基础上，提取出人体运动的轨迹，进而识别异常的运动，从而做出警告/报警提示。
其中，对每个人进行单独跟踪的方法为：
对于每个识别到的人体的状态用S＝(X，dX，Y，dY，W，dW，H，dH)T表示，其中，X，Y分别表示人体中心点在图像中的横、纵坐标位置，dX,dY分别表示人体横、纵坐标位置变化的速度，W，H分别是人体的宽度和高度，dW,dH分别是人体宽度和高度的变化值；用D(S1，S2)表示前后两帧图像中检测到的人体的状态差值，当状态差值小于阈值TH1时，可判断为同一人体；其中，
并且，X1、X2、W1、H1分别表示人体1的图像横坐标、纵坐标、宽度、高度；Y1、Y2、W2、H2分别表示人体2的图像横坐标、纵坐标、宽度、高度；
其中，阈值TH1的取值范围为[5,20],在实际应用是选定一个具体的值。
本发明还公开了一种人体目标的夜间监控系统，所述监控系统包括：
(1)视频监控单元：用于感知周围环境视觉信息；
(2)移动行进单元：具有机动性，并且重心低，即使被人撞倒也会自动恢复运行；
(3)感知单元：用于对周围环境进行判断，及时躲避障碍物；
(4)无线交互单元：用于机器人通过该单元传输实时监控图像；同时，操控者能够进行遥控操作，达到无死角全方位视频监控。
优选地，所述视频监控单元采用红外摄像机。
优选地，所述感知单元由多个传感器组成。
本发明的有益效果为：
本发明使用红外摄像机采集夜间图像，专门针对夜间环境进行智能检测算法的优化，去除大部分背景区域，再对感兴趣区域提取HOG特征，利用SVM分类器进行人体检测，可以在保证准确度的同时，大大提升人体检测的速度；依据检测到的结果，对人体出现区域、行动路径进行判别，可以识别出异常的行为，并且做出应对措施。
本发明成本低，能够对对社区环境进行全方位的监控，采用快速模板匹配和SVM分类结合的方法结合，运算速度快，准确率高。
可以实现在移动平台的实时人体探测，用于移动机器人的移动夜间监控。
附图说明
图1为本发明人体目标的夜间监控方法流程图。
具体实施方式
下面将通过具体实施例对本发明进行详细的描述。提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
一种人体目标的夜间监控方法，其流程见图1，所述方法包括如下步骤：
(1)预处理：在夜间模式下，针对输入的一帧红外灰度图像，进行如下的预处理：先采用高斯滤波去除噪声，然后采用直方图均衡化的算法进行图像增强；
(2)提取出候选区域；
考虑到一方面行人、汽车等物体，在与摄像头较近时，与发出的红外光方向垂直，有较好的反射效果，在夜视图像中亮度普遍较高；而另一方面，天空等远景物体距离红外光源较远，夜晚在图像中亮度极低。依据这一特征，可采用以人体特征模板为基础的分类器，对图像进行检测，快速提取出人体的候选区域。
考虑到身穿黑色裤子的中距离的人体的下半身在NIR图像中通常亮度较低，难以识别，这里的人体特征模板共有两种：全身模板和上半身模板。
所述全身模板的外框宽高比为5:9，内框宽高比为3:7，并且内框居于外框正中间；所述半身模板的外框宽高比为5:7，内框宽高比为3:5，并且内框居于外框正中间；实际应用中，针对不同的尺度，可将匹配的模板依次设置为如下大小：
全身模板：10×18像素2，15×27像素2，20×36像素2，25×25像素2，等等；半身模板：10×14像素2，15×21像素2，20×28像素2等等。
并且候选区域的提取方法为:
A:针对前景图像If(x,y)，先计算积分图Iint(P)：
B:将人体特征模板在前景图像中从左上角向右下角滑动匹配，设人体特征模板内框在图像中顶点分别为：A′、B′、C′、D′，外框在图像中顶点分别为：A、B、C、D，以模板中心0点作为模板定位，则在位置0处人体特征模板匹配的特征的计算公式是：
F(O)＝(-1)×Iint(C)+Iint(A)-Iint(B)-Iint(D)]+2×(+1)×[Iint(C′)+Iint(A′)
-Iint(B′)-Iint(D′)]
其中Iint(A)、Iint(B)、Iint(C)、Iint(D)、Iint(A′)、Iint(B′)、Iint(C′)、Iint(D′)、分别表示在积分图上A、B、C、D、A′、B′、C′、D′所在点的数值；
C：设S为矩形ABCD的像素总面积，则归一化的特征值为：
D：针对不同大小的人体特征模板，采用不同的特征阈值TH来判断，得到人体候选区域；
E：通过对特征提取与特征阈值判断，能够得到多个人体候选区域，当不同候选区域发生重叠，且重叠部分超过70％以上时，选择特征值最大的候选区域。
所述TH为可调整阈值，取值范围[0，1]。更在实际应用时TH推荐取值为0.5。
(3)然后以方向梯度直方图作为待提取的特征，以线性支持向量机作为分类器的方法来实现人体检测；
将每个全身/半身候选区域缩放到35×63像素2/35×49像素2大小，然后提取HOG特征。HOG特征提取的方法是：
先计算图像的梯度图，然后针对梯度图，以7×7像素2为一个分割单元(cell)，统计每个像素位置的梯度的方向，得到一个9维的方向直方图向量；
然后由相邻2×2个cell组成一个宏块(block)，并将这4个cell的直方图向量组成一个36维的向量，将这36维向量做归一化处理；
以一个block为单元，以7个像素为步长在图像中滑动，对于35×63像素2的全身图像，可得到36×4×8＝1152维特征向量，对于35×49像素2的半身图像，可得到36×4×6＝864维特征向量。这两个1152维特征向量和864维特征向量即分别为全身人体和上半身人体的HOG特征向量。
通过针对大量的夜视人体的训练样本(包含上半身、全身)，按照前述方法提取HOG特征，采用基于支持向量机SVM(Support Vector Machine)的训练方法，得到全身/半身人体分类器。使用时，将候选区域图像提取HOG特征，输入到SVM分类器，直接得到是否是人体的结果。
(4)多个人体的跟踪：在检测出人体之后，采用卡尔曼滤波器对每个人进行单独的跟踪；
对每个人进行单独跟踪的方法为：
对于每个识别到的人体的状态用S＝(X，dX，Y，dY，W，dW，H，dH)T表示，其中，X，Y分别表示人体中心点在图像中的横、纵坐标位置，dX,dY分别表示人体横、纵坐标位置变化的速度，W，H分别是人体的宽度和高度，dW,dH分别是人体宽度和高度的变化值；用D(S1，S2)表示前后两帧图像中检测到的人体的状态差值，当状态差值小于阈值TH1时，可判断为同一人体；其中，
并且，X1、X2、W1、H1分别表示人体1的图像横坐标、纵坐标、宽度、高度；Y1、Y2、W2、H2分别表示人体2的图像横坐标、纵坐标、宽度、高度；
其中，阈值TH1的取值范围为[5,20],在实际应用是选定一个具体的值。
(5)行为识别/报警：在识别并跟踪人体的基础上，提取出人体运动的轨迹，进而识别异常的运动，从而做出警告/报警提示。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种人体目标的夜间监控方法，其特征在于，所述方法包括如下步骤：
(1)预处理：在夜间模式下，针对输入的一帧红外灰度图像，进行如下的预处理：先采用高斯滤波去除噪声，然后采用直方图均衡化的算法进行图像增强；
(2)提取出候选区域；其具体方法如下：
A：针对前景图像If(x，y)，先计算积分图Iint(P)：
B：将人体特征模板在前景图像中从左上角向右下角滑动匹配，设人体特征模板内框在图像中顶点分别为：A′、B′、C′、D′，外框在图像中顶点分别为：A、B、C、D，以模板中心0点作为模板定位，则在位置0处人体特征模板匹配的特征的计算公式是：
F(O)＝(-1)×Iint(c)+Iint(A)-Iint(B)-Iint(D)]+2×(+1)×[Iint(c′)+Iint(A′)-Iint(B′)-Iint(D′)]
其中Iint(A)、Iint(B)、Iint(C)、Iint(D)、Iint(A′)、Iint(B′)、Iint(C′)、Iint(D′)、分别表示在积分图上A、B、C、D、A′、B′、C′、D′的数值；
C：设S为矩形ABCD的像素总面积，则归一化的特征值f(0)为：
D：针对不同大小的人体特征模板，采用不同的特征阈值TH来判断，得到人体候选区域；
所述人体特征模板分为全身模板和上半身模板两种；所述全身模板的外框宽高比为5:9，内框宽高比为3:7，并且内框居于外框正中间；所述半身模板的外框宽高比为5:7，内框宽高比为3:5，并且内框居于外框正中间；
(3)针对夜视人体的训练样本，提取候选区域的方向梯度直方图特征，采用基于支持向量机SVM的训练方法对所述特征进行训练得到SVM分类器，即全身/半身人体分类器；然后对提取的候选区域，采用所述SVM分类器进行判断，即可识别是否是全身/半身人体；
(4)多个人体的跟踪：在检测出人体之后，采用卡尔曼滤波器对每个人进行单独的跟踪；
(5)行为识别/报警：在识别并跟踪人体的基础上，提取出人体运动的轨迹，进而识别异常的运动，从而做出警告/报警提示。
2.根据权利要求1所述的人体目标的夜间监控方法，其特征在于，所述TH为可调整阈值，取值范围[0,1]。
3.根据权利要求2所述的人体目标的夜间监控方法，其特征在于，所述TH的取值为0.5。
4.根据权利要求1所述的人体目标的夜间监控方法，其特征在于，通过对特征提取与特征阈值判断，当得到多个人体候选区域，并且不同候选区域发生重叠，且重叠部分超过70％以上时，选择特征值最大的候选区域。
5.根据权利要求1所述的人体目标的夜间监控方法，其特征在于，对每个人进行单独跟踪的方法为：
对于每个识别到的人体的状态用S＝(X，dX，Y，dY，W，dW，H，dH)T表示，其中，X，Y分别表示人体中心点在图像中的横、纵坐标位置，dX,dY分别表示人体横、纵坐标位置变化的速度，W，H分别是人体的宽度和高度，dW,dH分别是人体宽度和高度的变化值；用D(S1，S2)表示前后两帧图像中检测到的人体的状态差值，当状态差值小于阈值TH1时，可判断为同一人体；其中，并且，X1、X2、W1、H1分别表示人体1的图像横坐标、纵坐标、宽度、高度；Y1、Y2、W2、H2分别表示人体2的图像横坐标、纵坐标、宽度、高度；其中，阈值TH1的取值范围为[5,20]。
CN201610659254.3A 2016-08-11 2016-08-11 一种人体目标的夜间监控方法 Active CN106339666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610659254.3A CN106339666B (zh) 2016-08-11 2016-08-11 一种人体目标的夜间监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610659254.3A CN106339666B (zh) 2016-08-11 2016-08-11 一种人体目标的夜间监控方法

Publications (2)

Publication Number Publication Date
CN106339666A CN106339666A (zh) 2017-01-18
CN106339666B true CN106339666B (zh) 2019-08-20

Family

ID=57824552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610659254.3A Active CN106339666B (zh) 2016-08-11 2016-08-11 一种人体目标的夜间监控方法

Country Status (1)

Country Link
CN (1) CN106339666B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886110A (zh) * 2017-10-23 2018-04-06 深圳云天励飞技术有限公司 人脸检测方法、装置及电子设备
CN111476070A (zh) * 2019-01-24 2020-07-31 深圳市商汤科技有限公司 图像处理方法、装置、电子设备以及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360423A (zh) * 2011-10-19 2012-02-22 丁泉龙 一种人体智能跟踪方法
CN102436662A (zh) * 2011-11-29 2012-05-02 南京信息工程大学 一种非重叠视域多摄像机网络中的人体目标跟踪方法
CN105160310A (zh) * 2015-08-25 2015-12-16 西安电子科技大学 基于3d卷积神经网络的人体行为识别方法
CN105550678A (zh) * 2016-02-03 2016-05-04 武汉大学 基于全局显著边缘区域的人体动作特征提取方法
CN105550703A (zh) * 2015-12-09 2016-05-04 华南理工大学 一种适用于人体再识别的图片相似度计算方法
CN105678811A (zh) * 2016-02-25 2016-06-15 上海大学 一种基于运动检测的人体异常行为检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360423A (zh) * 2011-10-19 2012-02-22 丁泉龙 一种人体智能跟踪方法
CN102436662A (zh) * 2011-11-29 2012-05-02 南京信息工程大学 一种非重叠视域多摄像机网络中的人体目标跟踪方法
CN105160310A (zh) * 2015-08-25 2015-12-16 西安电子科技大学 基于3d卷积神经网络的人体行为识别方法
CN105550703A (zh) * 2015-12-09 2016-05-04 华南理工大学 一种适用于人体再识别的图片相似度计算方法
CN105550678A (zh) * 2016-02-03 2016-05-04 武汉大学 基于全局显著边缘区域的人体动作特征提取方法
CN105678811A (zh) * 2016-02-25 2016-06-15 上海大学 一种基于运动检测的人体异常行为检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Pedestrian Detection and Tracking With Night Vision";Fengliang Xu等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEM》;20050307;第6卷(第1期);正文第66页右栏第4-7段，第68页左栏第2-4段
"基于单帧红外图像的行人检测";郭家欢;《中国优秀硕士学位论文全文数据库 信息科技辑》;20081015(第10期);正文第2.1-2.3节

Also Published As

Publication number Publication date
CN106339666A (zh) 2017-01-18

Similar Documents

Publication Publication Date Title
CN111209810B (zh) 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构
CN103824070B (zh) 一种基于计算机视觉的快速行人检测方法
CN104378582B (zh) 一种基于ptz摄像机巡航的智能视频分析系统及方法
CN105574488B (zh) 一种基于低空航拍红外图像的行人检测方法
CN104978567B (zh) 基于场景分类的车辆检测方法
Kong et al. Detecting abandoned objects with a moving camera
CN106845364B (zh) 一种快速自动目标检测方法
Wang et al. Blink detection using Adaboost and contour circle for fatigue recognition
CN109918971B (zh) 监控视频中人数检测方法及装置
CN105404857A (zh) 一种基于红外的夜间智能车前方行人检测方法
CN103093198B (zh) 一种人群密度监测方法及装置
CN105046206B (zh) 基于视频中运动先验信息的行人检测方法及装置
CN109409289A (zh) 一种电力作业安全监督机器人安全作业识别方法及系统
CN105160297A (zh) 基于肤色特征的蒙面人事件自动检测方法
Park et al. Detection of construction workers in video frames for automatic initialization of vision trackers
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN103218604A (zh) 交通场景中基于路面提取的行人检测方法
Liang et al. Methods of moving target detection and behavior recognition in intelligent vision monitoring.
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
CN103049748B (zh) 行为监测方法及装置
CN106339666B (zh) 一种人体目标的夜间监控方法
Saif et al. Real time vision based object detection from UAV aerial images: a conceptual framework
CN104616277B (zh) 视频结构化描述中的行人定位方法及其装置
Nguyen et al. Fast traffic sign detection under challenging conditions
TWI628624B (zh) Improved thermal image feature extraction method

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: Room 205, Building E, Special Information Port, Nanshan District, Shenzhen, Guangdong 518000

Applicant after: Zhongke Yihe Wisdom Material Federation (Shenzhen) Co.,Ltd.

Address before: Room 205, Building E, Special Information Port, Nanshan District, Shenzhen, Guangdong 518000

Applicant before: AF&C INTELLIGENT TECHNOLOGY (SHENZHEN) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 205, Building E, Tefa Information Port, Nanshan District, Shenzhen, Guangdong 518000

Patentee after: Zhongke Aixin Micro-Environmental Information Technology (Shenzhen) Co.,Ltd.

Address before: Room 205, Building E, Tefa Information Port, Nanshan District, Shenzhen, Guangdong 518000

Patentee before: Zhongke Yihe Wisdom Material Federation (Shenzhen) Co.,Ltd.