CN106448160B - 结合车辆行驶轨迹和监控视频数据的目标人物追踪方法 - Google Patents

结合车辆行驶轨迹和监控视频数据的目标人物追踪方法 Download PDF

Info

Publication number
CN106448160B
CN106448160B CN201610841480.3A CN201610841480A CN106448160B CN 106448160 B CN106448160 B CN 106448160B CN 201610841480 A CN201610841480 A CN 201610841480A CN 106448160 B CN106448160 B CN 106448160B
Authority
CN
China
Prior art keywords
vehicle
target
target person
data
time
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
CN201610841480.3A
Other languages
English (en)
Other versions
CN106448160A (zh
Inventor
叶飞跃
石宇熙
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.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
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 Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN201610841480.3A priority Critical patent/CN106448160B/zh
Publication of CN106448160A publication Critical patent/CN106448160A/zh
Application granted granted Critical
Publication of CN106448160B publication Critical patent/CN106448160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种结合车辆行驶轨迹和监控视频数据的目标人物追踪方法及系统，本目标人物追踪方法包括：步骤S1，根据卡口车辆监控信息形成目标车辆行驶轨迹的时空数据；步骤S2，根据所述时空数据确定需要搜索的监控视频数据范围；步骤S3，在选定的监控视频数据范围中对目标人物进行追踪检索；以及步骤S4，将检测到相应视频帧及时空数据进行保存；本发明的目标人物追踪方法及系统，其结合车辆行驶轨迹，确定目标任务的活动范围，从而缩小监控视频数据的搜索范围，提高搜索效率。

Description

结合车辆行驶轨迹和监控视频数据的目标人物追踪方法
技术领域
本发明涉及一种结合车辆行驶轨迹和监控视频数据的目标人物追踪方法。
背景技术
随着信息技术的发展、国家“信息化”战略的推进以及智慧城市的建设，一方面，视频监控向数字化、高清发展；另一方面，视频监控的数量和范围也在快速扩展；同时，摄像头的互联已经成为发展趋势，这对保障公民人身安全发挥着重要作用。在传统的基于监控视频的安全事件处理方法中，办案人员对摄像头所拍摄到的视频录像进行人工搜索比对，这种方法效率低下且容易产生遗漏。随着图像识别技术的发展，具有人物识别功能的系统获得应用。
然而，由于监控视频数据数量非常巨大，使用计算机系统对视频数据进行识别处理耗费也非常巨大。因此，寻找一种如何有效的减少需要搜索的监控视频数据的数据量的方法，显得十分重要。
发明内容
本发明的目的是提供一种结合车辆行驶轨迹和监控视频数据的目标人物追踪方法及系统，以结合车辆行驶轨迹，确定目标任务的活动范围，从而缩小监控视频数据的搜索范围，提高搜索效率。
为了解决上述技术问题，本发明提供了一种结合车辆行驶轨迹和监控视频数据的目标人物追踪方法，包括：
步骤S1，根据卡口车辆监控信息形成目标车辆行驶轨迹的时空数据；
步骤S2，根据所述时空数据确定需要搜索的监控视频数据范围；
步骤S3，在选定的监控视频数据范围中对目标人物进行追踪检索；以及
步骤S4，将检测到相应视频帧及时空数据进行保存。
进一步，所述步骤S1中根据卡口车辆监控信息形成目标车辆行驶轨迹的时空数据的方法包括：
构建适于车牌识别和提取的车辆管理数据库；
且通过车辆管理数据库获得目标车辆对应的所述时空数据，即
目标车辆的行驶信息数据且包括：行驶路径、卡口经过的时间。
进一步，所述步骤S2中根据所述时空数据确定需要搜索的监控视频数据范围的方法包括：
步骤S21，判断目标车辆是否具有停靠行为；
步骤S22，获得各卡口之间可能的停靠区域；
步骤S23，确定目标人物从目标车辆下车后可能的步行覆盖区域；以及
步骤S24，从电子地图中获得涉及目标人员的视频监控点。
进一步，所述步骤S21中判断目标车辆是否具有停靠行为的方法，即
结合电子地图中的两个卡口之间距离S和该距离相应路径上的同一时间段的车辆平均车速V，按若停靠行为判断公式t>[S(1+C/S)]/V成立，则判断目标车辆具有停靠行为；其中t为两个卡口之间的行驶时间，C是带有距离单位的一个自定义的数，且取值范围[0，S]。
进一步，所述步骤S22中获得各卡口之间可能的停靠区域，即
依据停靠行为判断公式计算出各卡口之间可能的停靠区域。
进一步，所述步骤S23中确定目标人物从目标车辆下车后可能的步行覆盖区域的方法包括：
依据行驶时间t以及距离S和平均车速度V推测出可能的停留时间T，即
T＝t-S/V，且T<T1，T1为设定的一个最大的可能步行时间；依据人的步行速度v及停留时间T计算可能的步行覆盖区域。
进一步，所述步骤S3中在选定的监控视频数据范围中对目标人物进行追踪检索的方法包括：
通过人脸检测识别所有视频监控点拍摄的监控视频中的目标人物的人脸。
进一步，步骤S4中将检测到相应视频帧及时空数据进行保存，即
将目标车辆以及目标人物对应的视频帧及相应时空数据进行保存。
又一方面，本发明还提供了一种目标人物追踪系统。
本目标人物追踪系统包括：
卡口车辆监控单元，拍摄卡口经过的目标车辆，以获得目标车辆行驶轨迹的时空数据；
监控视频数据范围确定单元，根据所述时空数据确定需要搜索的监控视频数据范围；
追踪单元，在选定的监控视频数据范围中对目标人物进行追踪检索；以及
数据保存单元，将检测到相应视频帧及时空数据进行保存。
进一步，所述卡口车辆监控单元包括：车辆管理数据库，通过该车辆管理数据库识别和提取车牌，且获得目标车辆对应的所述时空数据，即目标车辆的行驶信息数据且包括：行驶路径、卡口经过的时间；以及所述监控视频数据范围确定单元适于判断目标车辆是否具有停靠行为，获得各卡口之间可能的停靠区域，确定目标人物从目标车辆下车后可能的步行覆盖区域；以及从电子地图中获得涉及目标人员的视频监控点。
本发明的有益效果是，本发明的目标人物追踪方法及系统，其结合车辆行驶轨迹，确定目标任务的活动范围，从而缩小监控视频数据的搜索范围，提高搜索效率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的目标人物追踪方法的步骤流程图；
图2是本发明的目标人物追踪方法的方法流程图；
图3是本发明的步行区覆盖范围示意图；
图4是本发明的目标人物追踪系统的原理框图。
图中：卡口1、2，步行覆盖区域3、道路4、车辆行驶道路4a。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
本目标人物追踪方法及系统的工作原理：车辆识别采用模式识别技术从监控图像中通过模式识别方法获得车牌号及行驶过程的时空信息，构建相应的车辆管理数据库系统；目标人物的车辆行驶轨迹采用车辆登记信息中的车牌号与目标人物实现关联，通过在车辆管理数据库中查询获得相关车牌号的行驶轨迹；依据行驶轨迹确定监控视频点以及监控时间段；然后，对提取的视频采用人脸识别技术，检测目标人物。
以下通过实施例1和实施例2进行展开说明。
实施例1
如图1和图2所示，本发明的一种结合车辆行驶轨迹和监控视频数据的目标人物追踪方法，包括：
步骤S1，根据卡口车辆监控信息形成目标车辆行驶轨迹的时空数据；
步骤S2，根据所述时空数据确定需要搜索的监控视频数据范围；
步骤S3，在选定的监控视频数据范围中对目标人物进行追踪检索；以及
步骤S4，将检测到相应视频帧及时空数据进行保存。
所述步骤S1中根据卡口车辆监控信息形成目标车辆行驶轨迹的时空数据的方法包括：通过目前多数城市道路设置了大量的卡口拍摄设备形成拍摄系统，构建适于车牌识别和提取的车辆管理数据库；且通过拍摄系统获得车牌，且根据通过车辆管理数据库获得目标车辆对应的所述时空数据(包括时间和空间)，即目标车辆的行驶信息数据且包括：行驶路径、卡口经过的时间。
所述步骤S2中根据所述时空数据确定需要搜索的监控视频数据范围的方法包括：
步骤S21，判断目标车辆是否具有停靠行为；
步骤S22，获得各卡口之间可能的停靠区域；
步骤S23，确定目标人物从目标车辆下车后可能的步行覆盖区域；以及
步骤S24，从电子地图中获得涉及目标人员的视频监控点。
所述步骤S21中判断目标车辆是否具有停靠行为的方法，即结合电子地图中的两个卡口之间距离S和该距离相应路径上的同一时间段的车辆平均车速V，按若停靠行为判断公式t>[S(1+C/S)]/V成立，则判断目标车辆具有停靠行为；其中t为两个卡口之间的行驶时间，C是带有距离单位的一个自定义的数，且取值范围[0，S]，通过C的取值调节，直接反应判断车辆是否停靠的灵敏度。
所述步骤S22中获得各卡口之间可能的停靠区域，即依据停靠行为判断公式计算出各卡口之间可能的停靠区域。
如图3所示，所述步骤S23中确定目标人物从目标车辆下车后可能的步行覆盖区域的方法包括：依据行驶时间t以及距离S和平均车速度V推测出可能的停留时间T，即T＝t-S/V，且T<T1，T1为设定的一个最大的可能步行时间；依据人的步行速度v及停留时间T计算可能的步行覆盖区域。具体的，计算可能的步行距离s＝v*T，从电子地图中在该路段画出目标人物可能的步行覆盖区域。图3中卡口1、2，步行覆盖区域3、道路4、车辆行驶道路4a，以及L表示一侧步行覆盖长度，R表示覆盖区域圆弧区域半径。其中，道路宽度相对于步行覆盖区域来说忽略不计。
所述步骤S3中在选定的监控视频数据范围中对目标人物进行追踪检索的方法包括：通过人脸检测识别所有视频监控点拍摄的监控视频中的目标人物的人脸；具体的，对得到的每一监控视频使用人脸检测方法和人体其他特征检测方法检测是否存在目标人物，如果存在目标人物相关特征，则记录相关视频帧。
其中，人体其他特征检测方法，即为采用人体的其他部分特征，例如但不与衣服类型、衣服颜色等。
进一步，人脸检测方法检测是否存在目标人物对应图像的方法包括：使用人脸检测器检测区域内是否包含人脸，人脸检测器适于通过Haar检测原理构建级联特征分类器，并通过该级联特征分类器检测人脸。
具体的，通过Haar检测原理构建级联特征分类器的方法如下步骤包括：
步骤Sa，使用Haar-like特征做检测；
步骤Sb，使用积分图对Haar-like特征求值进行加速；
步骤Sc，使用AdaBoost算法训练区分人脸和非人脸的强分类器；以及
步骤Sd，使用筛选式级联把强分类器级联到一起，即构成级联特征分类器。
可选的，人体检测方法检测是否存在目标人物对应图像的方法包括：使用Hog特征提取算法提取特征，以及使用SVM分类器进行分类来检测是否存在人体图像。
步骤S4中将检测到相应视频帧及时空数据进行保存，即
将目标车辆和/或目标人物对应的视频帧及相应时空数据进行保存。
实施例2
在实施例1基础上，本发明还提供了一种目标人物追踪系统，包括：
卡口车辆监控单元，拍摄卡口经过的目标车辆，以获得目标车辆行驶轨迹的时空数据；
监控视频数据范围确定单元，根据所述时空数据确定需要搜索的监控视频数据范围；
追踪单元，在选定的监控视频数据范围中对目标人物进行追踪检索；以及
数据保存单元，将检测到相应视频帧及时空数据进行保存。
具体的，所述卡口车辆监控单元包括：车辆管理数据库，通过该车辆管理数据库识别和提取车牌，且获得目标车辆对应的所述时空数据，即目标车辆的行驶信息数据且包括：行驶路径、卡口经过的时间；以及所述监控视频数据范围确定单元适于判断目标车辆是否具有停靠行为，获得各卡口之间可能的停靠区域，确定目标人物从目标车辆下车后可能的步行覆盖区域；以及从电子地图中获得涉及目标人员的视频监控点。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.一种结合车辆行驶轨迹和监控视频数据的目标人物追踪方法，其特征在于，包括：
步骤S1，根据卡口车辆监控信息形成目标车辆行驶轨迹的时空数据；
步骤S2，根据所述时空数据确定需要搜索的监控视频数据范围；
步骤S3，在选定的监控视频数据范围中对目标人物进行追踪检索；以及
步骤S4，将检测到相应视频帧及时空数据进行保存；
所述步骤S1中根据卡口车辆监控信息形成目标车辆行驶轨迹的时空数据的方法包括：
构建适于车牌识别和提取的车辆管理数据库；
且通过车辆管理数据库获得目标车辆对应的所述时空数据，即
目标车辆的行驶信息数据且包括：行驶路径、卡口经过的时间；
所述步骤S2中根据所述时空数据确定需要搜索的监控视频数据范围的方法包括：
步骤S21，判断目标车辆是否具有停靠行为；
步骤S22，获得各卡口之间可能的停靠区域；
步骤S23，确定目标人物从目标车辆下车后可能的步行覆盖区域；以及
步骤S24，从电子地图中获得涉及目标人员的视频监控点；
所述步骤S21中判断目标车辆是否具有停靠行为的方法，即
结合电子地图中的两个卡口之间距离S和该距离相应路径上的同一时间段的车辆平均车速V，按若停靠行为判断公式t>[S(1+C/S)]/V成立，则判断目标车辆具有停靠行为；其中
t为两个卡口之间的行驶时间，C是带有距离单位的一个自定义的数，且取值范围[0，S]；
所述步骤S22中获得各卡口之间可能的停靠区域，即
依据停靠行为判断公式计算出各卡口之间可能的停靠区域；
所述步骤S23中确定目标人物从目标车辆下车后可能的步行覆盖区域的方法包括：
依据行驶时间t以及距离S和平均车速度V推测出可能的停留时间T，即
T＝t-S/V，且T<T1，T1为设定的一个最大的可能步行时间；依据人的步行速度v及停留时间T计算可能的步行覆盖区域。
2.根据权利要求1所述的目标人物追踪方法，其特征在于，
所述步骤S3中在选定的监控视频数据范围中对目标人物进行追踪检索的方法包括：
通过人脸检测识别所有视频监控点拍摄的监控视频中的目标人物的人脸。
3.根据权利要求2所述的目标人物追踪方法，其特征在于，
步骤S4中将检测到相应视频帧及时空数据进行保存，即
将目标车辆以及目标人物对应的视频帧及相应时空数据进行保存。
CN201610841480.3A 2016-09-22 2016-09-22 结合车辆行驶轨迹和监控视频数据的目标人物追踪方法 Active CN106448160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610841480.3A CN106448160B (zh) 2016-09-22 2016-09-22 结合车辆行驶轨迹和监控视频数据的目标人物追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610841480.3A CN106448160B (zh) 2016-09-22 2016-09-22 结合车辆行驶轨迹和监控视频数据的目标人物追踪方法

Publications (2)

Publication Number Publication Date
CN106448160A CN106448160A (zh) 2017-02-22
CN106448160B true CN106448160B (zh) 2020-04-10

Family

ID=58166291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610841480.3A Active CN106448160B (zh) 2016-09-22 2016-09-22 结合车辆行驶轨迹和监控视频数据的目标人物追踪方法

Country Status (1)

Country Link
CN (1) CN106448160B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016061A (zh) * 2017-03-15 2017-08-04 海尔优家智能科技（北京）有限公司 视频监控文件处理方法及装置
CN107909025B (zh) * 2017-11-13 2021-12-24 深圳市戴升智能科技有限公司 基于视频和无线监控的人物识别及追踪方法和系统
CN108563651B (zh) * 2017-12-19 2021-05-11 深圳云天励飞技术有限公司 一种多视频的目标搜索方法、装置及设备
CN108875548B (zh) * 2018-04-18 2022-02-01 科大讯飞股份有限公司 人物轨迹生成方法及装置、存储介质、电子设备
CN109035658B (zh) * 2018-08-21 2020-09-25 北京深瞐科技有限公司 一种文物安全防护方法及装置
CN109544595B (zh) * 2018-10-29 2020-06-16 苏宁易购集团股份有限公司 一种顾客路径追踪方法及系统
CN111292104B (zh) * 2018-12-06 2023-06-06 北京嘀嘀无限科技发展有限公司 一种信息推送方法、装置、电子设备及存储介质
CN113536910A (zh) * 2021-06-08 2021-10-22 浙江蓝洋电子科技有限公司 一种卡口数据处理方法、装置和卡口系统
CN113660462B (zh) * 2021-08-09 2023-12-29 园测信息科技股份有限公司 基于融合多源数据分析的包围圈式移动车辆视频追踪方法
CN114219836B (zh) * 2021-12-15 2022-06-03 北京建筑大学 一种基于时空信息辅助的无人机视频车辆跟踪方法
CN117765740A (zh) * 2023-12-29 2024-03-26 杭州诚智天扬科技有限公司 一种车辆超员的识别方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104581062A (zh) * 2014-12-26 2015-04-29 中通服公众信息产业股份有限公司 一种身份信息与视频联动的视频监控方法及系统
CN104616494A (zh) * 2014-12-23 2015-05-13 浙江宇视科技有限公司 一种基于基站和卡口的记录确定目标对象的方法及装置
CN105741553A (zh) * 2016-04-28 2016-07-06 泰华智慧产业集团股份有限公司 基于动态阈值的识别车辆轨迹中停靠路段的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060245500A1 (en) * 2004-12-15 2006-11-02 David Yonovitz Tunable wavelet target extraction preprocessor system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616494A (zh) * 2014-12-23 2015-05-13 浙江宇视科技有限公司 一种基于基站和卡口的记录确定目标对象的方法及装置
CN104581062A (zh) * 2014-12-26 2015-04-29 中通服公众信息产业股份有限公司 一种身份信息与视频联动的视频监控方法及系统
CN105741553A (zh) * 2016-04-28 2016-07-06 泰华智慧产业集团股份有限公司 基于动态阈值的识别车辆轨迹中停靠路段的方法

Also Published As

Publication number Publication date
CN106448160A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106448160B (zh) 结合车辆行驶轨迹和监控视频数据的目标人物追踪方法
Park et al. Construction worker detection in video frames for initializing vision trackers
CN108062349B (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
Cao et al. Vehicle detection and motion analysis in low-altitude airborne video under urban environment
US9685079B2 (en) Short-time stopping detection from red light camera evidentiary photos
CN108986472B (zh) 一种掉头车辆监控方法及装置
CN110738857B (zh) 一种车辆违章取证方法、装置及设备
Singh et al. Visual big data analytics for traffic monitoring in smart city
Khorramshahi et al. Attention Driven Vehicle Re-identification and Unsupervised Anomaly Detection for Traffic Understanding.
EP2798578A2 (en) Clustering-based object classification
Makhmutova et al. Object tracking method for videomonitoring in intelligent transport systems
Cheng et al. A cascade classifier using Adaboost algorithm and support vector machine for pedestrian detection
Huang et al. A real-time and color-based computer vision for traffic monitoring system
CN105488484A (zh) 一种基于无人机航拍图像的车辆轨迹提取方法
CN116310933A (zh) 轨道交通侵界场景人员跨镜跟踪预警方法及系统
Swathy et al. Survey on vehicle detection and tracking techniques in video surveillance
Yang et al. On-road collision warning based on multiple FOE segmentation using a dashboard camera
WO2023124451A1 (zh) 用于生成告警事件的方法、装置、设备和存储介质
Ramadan et al. Real-time Automated License Plate Recognition and Tracking of Runaway Vehicles
KR101154350B1 (ko) 고해상도 영상의 객체 검지 및 분할 인식을 이용한 다중 영상처리시스템 및 방법
Wu et al. Robust and low complexity obstacle detection and tracking
Spraul et al. Persistent multiple hypothesis tracking for wide area motion imagery
Vinicius et al. Blob motion statistics for pedestrian detection
Tomas et al. Effectiveness of haar-like features and vibe algorithm for detecting jaywalkers
Kiro et al. Road Lane Line Detection using Machine 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