CN106851302B - 一种基于帧内编码压缩域的监控视频运动目标检测方法 - Google Patents
一种基于帧内编码压缩域的监控视频运动目标检测方法 Download PDFInfo
- Publication number
- CN106851302B CN106851302B CN201611196977.0A CN201611196977A CN106851302B CN 106851302 B CN106851302 B CN 106851302B CN 201611196977 A CN201611196977 A CN 201611196977A CN 106851302 B CN106851302 B CN 106851302B
- Authority
- CN
- China
- Prior art keywords
- frame
- residual error
- module
- residual
- background frames
- 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.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
- H04N19/51—Motion estimation or motion compensation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
- H04N19/51—Motion estimation or motion compensation
- H04N19/513—Processing of motion vectors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
- H04N19/51—Motion estimation or motion compensation
- H04N19/513—Processing of motion vectors
- H04N19/521—Processing of motion vectors for estimating the reliability of the determined motion vectors or motion vector field, e.g. for smoothing the motion vector field or for correcting motion vectors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/587—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal sub-sampling or interpolation, e.g. decimation or subsequent interpolation of pictures in a video 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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于帧内编码压缩域的监控视频运动目标检测方法,本发明方法首先构建基于帧内编码压缩域的监控视频运动目标检测系统,所构建的系统包括帧内残差背景帧获取模块、运动特征信息获取与处理模块和运动目标获取模块,通过帧内残差背景帧获取模块获取帧内残差背景帧,运动特征信息获取与处理模块获取运动特征信息并对其进行处理,运动目标获取模块获取运动目标。本发明方法基于视频压缩域通过帧内编码帧残差信息,复杂度低、实时操作性强,在丢包等传输失真发生时更加鲁棒,运动目标提取更精确,抗噪声能力强。
Description
技术领域
本发明涉及监控视频运动目标检测领域,尤其是一种基于帧内编码压缩域的监控视频运动目标检测方法。
背景技术
运动目标检测是指从视频中检测出运动前景物体,是计算机视觉领域的热点问题,也是后续目标识别和分析等操作的基础。运动目标检测包括摄像机静止和摄像机运动两种情况。摄像机静止一般对应监控视频的情景,背景一般情况是静止的,运动目标检测难点在于背景小幅度变化、噪声、物体阴影和天气等因素影响。而摄像机运动情况则应着重考虑背景整体运动的修正。
常见的运动目标检测方法主要包括帧差法、光流法和背景减除法。帧差法是对连续两帧或连续多帧直接求差用以去除变化不剧烈的背景,帧差法复杂度小,但检测物体会形成空洞,也不能有效检测速度过慢的物体。光流法是计算视频帧每个像素的光流运动矢量,通过运动区域的速度矢量同相邻背景矢量的差异来检测运动目标,这种方法可用于摄像机移动场景,但计算复杂度高,抗噪能力差。背景减除法则是通过统计若干视频帧来学习视频背景,通过视频帧对背景减除来提取运动区域,这种方法对光照和物体阴影敏感。
上述常见方法都需要对视频进行完整解码,即获取完整视频图像后才可进行。而这往往需要耗费大量的计算资源,难以满足如视频监控这种实时应用场景的要求。人们对于视频监控不仅希望进行事后的观察分析,更希望能对异常情况进行实时的检测。而受限于监控操作人员精力有限,人工检测效率低下。这就提出了进行实时运动目标检测的要求。而直接对摄像头拍摄后的压缩码流进行不完全解码,提取相关信息进行运动目标实时监测就成为更实用的选择。常见的视频压缩域运动目标检测方法大多提取解码帧间编码帧的运动向量作为局部运动信息,并通过对相似运动向量的聚类或统计进行运动目标的选择。也有方法通过帧间预测的残差系数进行运动目标检测,但由于帧间预测的高效性能,这种方法往往只能识别出运动目标的粗糙轮廓。同时当出现丢包等传输失真情况时,帧间预测帧往往不能有效解码,而基于帧间预测的运动目标检测方法也无法生效。相反,帧内预测帧在传输过程中具有更高的鲁棒性,因此通过帧内预测帧进行运动物体检测可以作为基于帧间预测的运动目标检测方法的有效补充。但单独一帧却无法有效体现运动信息,如何简单高效的通过帧内预测帧获取运动信息是研究难点和重点。
发明内容
本发明提供了一种基于帧内编码压缩域的监控视频运动目标检测方法,解决现有方法只能识别目标的粗糙轮廓以及在传输失真时无法检测运动目标的问题。
一种基于帧内编码压缩域的监控视频运动目标检测方法的具体步骤为:
第一步 构建基于帧内编码压缩域的监控视频运动目标检测系统
基于帧内编码压缩域的监控视频运动目标检测系统,包括:帧内残差背景帧获取模块、运动特征信息获取与处理模块和运动目标获取模块。所述:
帧内残差背景帧获取模块的功能为:获取帧内残差背景帧;
运动特征信息获取与处理模块的功能为:获取运动特征信息并对其进行处理;
运动目标获取模块的功能为:获取运动目标。
第二步 帧内残差背景帧获取模块获取帧内残差背景帧
设监控视频视频压缩域在一个时间窗内包含N个帧内残差帧,其中N为正整数,时间窗随着时间的推移不断进行帧内残差帧的更新,帧内残差背景帧获取模块依次对时间窗新进帧的帧内残差背景帧进行提取。
第三步 运动特征信息获取与处理模块获取运动特征图并对其进行处理
运动特征信息获取与处理模块使用时间窗内新进帧的帧内残差帧绝对值减去对应的帧内残差背景帧,差值取正值,即为运动特征信息。
运动特征信息获取与处理模块对运动特征信息进行全局阈值二值化处理,从而获取二值化运动特征图。
第四步 运动目标获取模块获取运动目标
运动目标获取模块对二值化运动特征图进行高斯核密度估计处理,获取二值化运动特征图的热力图,运动目标获取模块对热力图进行运动目标判定,当该热力图中无有效运动目标时,判定热力图对应的时间窗新进帧中不存在有效运动目标,则直接跳过该新进帧;当该热力图中存在效运动目标时,运动目标获取模块对运动目标进行筛选,重置时间窗并从该新进帧的下一帧开始重新进行时间窗计数与运动目标检测。
至此,完成了基于帧内编码压缩域的监控视频运动目标检测。
更优的,第二步中帧内残差背景帧通过以下方式获取:
当该新进帧之前无有效运动目标的连续帧数小于N且无有效的残差静止背景帧存储时,帧内残差背景帧获取模块直接使用该新进帧的前一个帧内残差帧作为帧内残差背景帧;当该新进帧之前无有效运动目标的连续帧数小于N,且已有有效的残差静止背景帧存储时,帧内残差背景帧获取模块使用已存储的有效残差静止背景帧同该新进帧的前一个帧内残差帧的绝对值均值作为帧内残差背景帧;
当该新进帧之前无有效运动目标的连续帧数大于等于N时,帧内残差背景帧获取模块计算此时时间窗内的N个帧内残差帧绝对值的均值,即残差静止背景帧;当无残差静止背景帧存储时,帧内残差背景帧获取模块对该计算获取的残差静止背景帧进行存储,当已有残差静止背景帧存储时,帧内残差背景帧获取模块对已存储的残差静止背景帧进行更新;帧内残差背景帧获取模块使用该残差静止背景帧与新进帧的前一个帧内残差帧的绝对值均值作为帧内残差背景帧。
更优的,第二步中时间窗的长度为5~60秒。
更优的,第二步中N≥5。
更优的,第二步中时间窗从监控视频视频压缩域的第二帧起始并随着时间推移不断进行帧内残差帧的更新。
更优的,第三步中全局阈值二值化处理中的阈值通过以下方式确定:
对运动特征信息包含的非零点进行从大到小排序,选择前L%处的值作为阈值,其中L取值为1、2或3,但当前L%的点个数少于M个且L%之后仍有非零点时,将阈值调整为第M个点的幅值,其中M为大于等于200且小于等于300的整数。
更优的,第四步中运动目标判定通过以下方式实现:
当热力图全局最大值小于Max,则判定无有效运动目标;当热力图全局最大值大于等于Max,则判定该热力图中存在有效运动目标,其中,Max为大于等于10小于等于20的整数。
更优的,第四步中运动目标筛选通过以下方式实现:
以热力图中各个峰值作为中心,以各个峰值U%强度处作为边界,构建各个峰值的矩形选择框,排除选择框的长或宽小于S个像素的峰值区域,同时排除局部峰值小于全局最大值V%的区域,从而获取运动目标,其中U、S和V均为整数,,,。
本方法在视频压缩域进行,无需解码全部视频信息,仅需提取帧内编码帧残差信息,复杂度低、实时操作性强;且本方法对帧内预测帧及编码关键帧进行操作,在丢包等传输失真发生时更加鲁棒。短时间窗内的背景信息能够消除天气及噪声等因素对运动目标提取的影响。对运动特征图进行密度估计,能够有效的提取出运动信息最聚合的区域,而非粗糙的运动目标轮廓信息;同时使用密度图峰值筛选能够有效排除编码及噪声等因素造成的虚假运动目标。
具体实施方式
下面结合实例对本发明技术做进一步详细描述,本部分所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
实施例1
对某监控视频中的有效运动目标进行检测。
第一步 构建基于帧内编码压缩域的监控视频运动目标检测系统
基于帧内编码压缩域的监控视频运动目标检测系统,包括:帧内残差背景帧获取模块、运动特征图获取与处理模块和运动目标获取模块。所述:
帧内残差背景帧获取模块的功能为:获取帧内残差背景帧;
运动特征图获取与处理模块的功能为:获取运动特征图并对其进行处理;
运动目标获取模块的功能为:获取运动目标。
第二步 帧内残差背景帧获取模块获取帧内残差背景帧
该监控视频视频压缩域在一个时间窗内包含10个帧内残差帧,时间窗长度为10秒,时间窗从监控视频的第二帧起始且随着时间推移不断更新。帧内残差背景帧获取模块依次对时间窗新进帧的帧内残差背景帧进行提取:
当该新进帧之前无有效运动目标的连续帧数小于10且无有效的残差静止背景帧存储时,帧内残差背景帧获取模块直接使用该新进帧的前一个帧内残差帧作为帧内残差背景帧;
当该新进帧之前无有效运动目标的连续帧数小于10,且已有有效的残差静止背景帧存储时,帧内残差背景帧获取模块使用已存储的有效残差静止背景帧同该新进帧的前一个帧内残差帧的绝对值均值作为帧内残差背景帧;
当帧内残差背景帧获取模块在时间窗的新进帧中检测到有效运动目标,且该新进帧之前无有效运动目标的连续帧数大于等于10时,帧内残差背景帧获取模块计算此时时间窗内的10个帧内残差帧绝对值的均值,即残差静止背景帧;当无残差静止背景帧存储时,帧内残差背景帧获取模块对该残差静止背景帧进行存储,当已有残差静止背景帧存储时,帧内残差背景帧获取模块对已存储的残差静止背景帧进行更新;帧内残差背景帧获取模块使用该残差静止背景帧与新进帧的前一个帧内残差帧的绝对值均值作为帧内残差背景帧。
第三步 运动特征信息获取与处理模块获取运动特征图并对其进行处理
针对时间窗内某个包含有效运动目标新进帧,该帧中包含两个运动目标,运动特征信息获取与处理模块使用该新进帧的下一个帧内残差帧绝对值减去所对应的帧内残差背景帧,然后对差值取正值,获取了运动特征信息。
运动特征信息获取与处理模块对获取的运动特征信息进行全局阈值二值化,将小于阈值的点置为0,大于等于阈值的点置为1,在阈值的选取上,对该运动特征图非零点进行从大到小排序,选择第1%位置处点的幅值作为阈值,得到二值化的运动特征图。
第四步 运动目标获取模块获取运动目标
运动目标获取模块对获取的二值化运动特征图进行高斯核密度估计处理,获取二值化运动特征图的热力图。
取Max=10,此时热力图全局最大值大于10,判定该热力图中存在有效运动目标。
运动目标获取模块以该热力图中各个峰值作为中心,以各个峰值60%强度处作为边界,构建各个峰值的选择框。运动目标获取模块排除选择框的长或宽小于16个像素的峰值区域,同时排除局部峰值小于全局最大值30%的区域,最终结果显示两个运动目标具有较大峰值都被准确检测,而其余较小位置都被认定为非有效运动目标而排除,符合实际运动目标情况。
实施例2
对某监控视频中的有效运动目标进行检测。
第一步 构建基于帧内编码压缩域的监控视频运动目标检测系统
基于帧内编码压缩域的监控视频运动目标检测系统,包括:帧内残差背景帧获取模块、运动特征图获取与处理模块和运动目标获取模块。所述:
帧内残差背景帧获取模块的功能为:获取帧内残差背景帧;
运动特征图获取与处理模块的功能为:获取运动特征图并对其进行处理;
运动目标获取模块的功能为:获取运动目标。
第二步 帧内残差背景帧获取模块获取帧内残差背景帧
该监控视频视频压缩域在一个时间窗内包含5个帧内残差帧,时间窗长度为60秒,时间窗从监控视频的第二帧起始且随着时间推移不断更新。帧内残差背景帧获取模块依次对时间窗新进帧的帧内残差背景帧进行提取:
当该新进帧之前无有效运动目标的连续帧数小于5且无有效的残差静止背景帧存储时,帧内残差背景帧获取模块直接使用该新进帧的前一个帧内残差帧作为帧内残差背景帧;
当该新进帧之前无有效运动目标的连续帧数小于5,且已有有效的残差静止背景帧存储时,帧内残差背景帧获取模块使用已存储的有效残差静止背景帧同该新进帧的前一个帧内残差帧的绝对值均值作为帧内残差背景帧;
当帧内残差背景帧获取模块在时间窗的新进帧中检测到有效运动目标,且该新进帧之前无有效运动目标的连续帧数大于等于5时,帧内残差背景帧获取模块计算此新进帧之前连续的5个帧内残差帧绝对值的均值,即残差静止背景帧;当无残差静止背景帧存储时,帧内残差背景帧获取模块对该残差静止背景帧进行存储,当已有残差静止背景帧存储时,帧内残差背景帧获取模块对已存储的残差静止背景帧进行更新;帧内残差背景帧获取模块使用该残差静止背景帧与新进帧的前一个帧内残差帧的绝对值均值作为帧内残差背景帧。
第三步 运动特征信息获取与处理模块获取运动特征图并对其进行处理
针对时间窗内某个包含有效运动目标新进帧,运动特征信息获取与处理模块使用该新进帧的下一个帧内残差帧绝对值减去所对应的帧内残差背景帧,然后对差值取正值,获取了运动特征信息。
运动特征信息获取与处理模块对获取的运动特征信息进行全局阈值二值化,将小于阈值的点置为0,大于等于阈值的点置为1,在阈值的选取上,对该运动特征图非零点进行从大到小排序,选择前3%位置处的值作为阈值。并据此得到二值化的运动特征图。
第四步 运动目标获取模块获取运动目标
运动目标获取模块对获取的二值化运动特征图进行高斯核密度估计处理,获取二值化运动特征图的热力图。
取Max=20,此时热力图全局最大值大于20,判定该热力图中存在有效运动目标。
运动目标获取模块以该热力图中各个峰值作为中心,以各个峰值65%强度处作为边界,构建各个峰值的选择框。运动目标获取模块排除选择框的长或宽小于20个像素的峰值区域,同时排除局部峰值小于全局最大值35%的区域,最终检测结果显示一个运动目标具有较大峰值被准确检测,而其余较小位置都被认定为非有效运动目标而排除,符合实际运动目标情况。
Claims (7)
1.一种基于帧内编码压缩域的监控视频运动目标检测方法,其特征在于具体步骤为:
第一步 构建基于帧内编码压缩域的监控视频运动目标检测系统
基于帧内编码压缩域的监控视频运动目标检测系统,包括:帧内残差背景帧获取模块、运动特征信息获取与处理模块和运动目标获取模块,
帧内残差背景帧获取模块的功能为:获取帧内残差背景帧;
运动特征信息获取与处理模块的功能为:获取运动特征信息并对其进行处理;
运动目标获取模块的功能为:获取运动目标;
第二步 帧内残差背景帧获取模块获取帧内残差背景帧
设监控视频视频压缩域在一个时间窗内包含N个帧内残差帧,其中N为正整数,时间窗随着时间的推移不断进行帧内残差帧的更新,帧内残差背景帧获取模块依次对时间窗新进帧的帧内残差背景帧进行提取;
帧内残差背景帧通过以下方式获取:
当该新进帧之前无有效运动目标的连续帧数小于N且无有效的残差静止背景帧存储时,帧内残差背景帧获取模块直接使用该新进帧的前一个帧内残差帧作为帧内残差背景帧;
当该新进帧之前无有效运动目标的连续帧数小于N,且已有有效的残差静止背景帧存储时,帧内残差背景帧获取模块使用已存储的有效残差静止背景帧同该新进帧的前一个帧内残差帧的绝对值均值作为帧内残差背景帧;
当该新进帧之前无有效运动目标的连续帧数大于等于N时,帧内残差背景帧获取模块计算此时时间窗内的N个帧内残差帧绝对值的均值,即残差静止背景帧;当无残差静止背景帧存储时,帧内残差背景帧获取模块对该计算获取的残差静止背景帧进行存储,当已有残差静止背景帧存储时,帧内残差背景帧获取模块对已存储的残差静止背景帧进行更新;帧内残差背景帧获取模块使用该残差静止背景帧与新进帧的前一个帧内残差帧的绝对值均值作为帧内残差背景帧;
第三步 运动特征信息获取与处理模块获取运动特征图并对其进行处理
运动特征信息获取与处理模块使用时间窗内新进帧的帧内残差帧绝对值减去对应的帧内残差背景帧,差值取正值,即为运动特征信息;
运动特征信息获取与处理模块对运动特征信息进行全局阈值二值化处理,从而获取二值化运动特征图;
第四步 运动目标获取模块获取运动目标
运动目标获取模块对二值化运动特征图进行高斯核密度估计处理,获取二值化运动特征图的热力图,运动目标获取模块对热力图进行运动目标判定,当该热力图中无有效运动目标时,判定热力图对应的时间窗新进帧中不存在有效运动目标,则直接跳过该新进帧;当该热力图中存在效运动目标时,运动目标获取模块对运动目标进行筛选,重置时间窗并从该新进帧的下一帧开始重新进行时间窗计数与运动目标检测;
至此,完成了基于帧内编码压缩域的监控视频运动目标检测。
2.如权利要求1所述的监控视频运动目标检测方法,其特征在于:所述第二步中时间窗的长度为5~60秒。
3.如权利要求1所述的监控视频运动目标检测方法,其特征在于:所述第二步中N≥5。
4.如权利要求1所述的监控视频运动目标检测方法,其特征在于:所述第二步中时间窗从监控视频视频压缩域的第二帧起始并随着时间推移不断进行帧内残差帧的更新。
5.如权利要求1所述的监控视频运动目标检测方法,其特征在于:所述第三步中的全局阈值二值化处理中的阈值通过以下方式确定:
对运动特征信息包含的非零点进行从大到小排序,选择前L%处的值作为阈值,其中L取值为1、2或3,但当前L%的点个数少于M个且L%之后仍有非零点时,将阈值调整为第M个点的幅值,其中M为大于等于200且小于等于300的整数。
6.如权利要求1所述的监控视频运动目标检测方法,其特征在于:所述第四步中运动目标判定通过以下方式实现:
当热力图全局最大值小于Max,则判定无有效运动目标;当热力图全局最大值大于等于Max,则判定该热力图中存在有效运动目标,其中,Max为大于等于10小于等于20的整数。
7.如权利要求1所述的监控视频运动目标检测方法,其特征在于:所述第四步中运动目标筛选通过以下方式实现:
以热力图中各个峰值作为中心,以各个峰值U%强度处作为边界,构建各个峰值的矩形选择框,排除选择框的长或宽小于S个像素的峰值区域,同时排除局部峰值小于全局最大值V%的区域,从而获取运动目标,其中U、S和V均为整数,55≤U≤65,25≤V≤35,10≤S≤20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611196977.0A CN106851302B (zh) | 2016-12-22 | 2016-12-22 | 一种基于帧内编码压缩域的监控视频运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611196977.0A CN106851302B (zh) | 2016-12-22 | 2016-12-22 | 一种基于帧内编码压缩域的监控视频运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106851302A CN106851302A (zh) | 2017-06-13 |
CN106851302B true CN106851302B (zh) | 2019-06-25 |
Family
ID=59135360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611196977.0A Expired - Fee Related CN106851302B (zh) | 2016-12-22 | 2016-12-22 | 一种基于帧内编码压缩域的监控视频运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106851302B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107452019B (zh) * | 2017-08-08 | 2021-07-20 | 重庆跃途科技有限公司 | 一种基于模型切换的目标检测方法、装置、系统及存储介质 |
CN108198204B (zh) * | 2017-12-21 | 2021-11-23 | 东华大学 | 一种零阈值的核密度估计运动目标检测方法 |
CN108256511B (zh) * | 2018-03-15 | 2022-03-29 | 太原理工大学 | 基于视频编码码流的人体运动检测方法 |
CN111669600B (zh) * | 2020-06-05 | 2024-03-29 | 浙江大华技术股份有限公司 | 视频编码方法、装置、编码器及存储装置 |
CN112435440B (zh) * | 2020-10-30 | 2022-08-09 | 成都蓉众和智能科技有限公司 | 一种基于物联网平台的非接触式室内人员跌倒识别方法 |
CN114463670B (zh) * | 2021-12-29 | 2023-02-03 | 电子科技大学 | 一种机场场面监控视频变化检测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1011074A2 (en) * | 1998-12-17 | 2000-06-21 | Xerox Corporation | A method and system for real time feature based motion analysis for key frame selection from a video |
US6298145B1 (en) * | 1999-01-19 | 2001-10-02 | Hewlett-Packard Company | Extracting image frames suitable for printing and visual presentation from the compressed image data |
CN102045563A (zh) * | 2009-10-20 | 2011-05-04 | 英特尔公司 | 用于自适应地选取用于运动估计的搜索范围的方法和装置 |
CN102088544A (zh) * | 2011-02-16 | 2011-06-08 | 天津大学 | 具有前景目标的动态场景视频快速稳像方法 |
CN106469208A (zh) * | 2016-08-31 | 2017-03-01 | 浙江宇视科技有限公司 | 一种热度图数据处理方法、热度图数据检索方法及装置 |
-
2016
- 2016-12-22 CN CN201611196977.0A patent/CN106851302B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1011074A2 (en) * | 1998-12-17 | 2000-06-21 | Xerox Corporation | A method and system for real time feature based motion analysis for key frame selection from a video |
US6298145B1 (en) * | 1999-01-19 | 2001-10-02 | Hewlett-Packard Company | Extracting image frames suitable for printing and visual presentation from the compressed image data |
CN102045563A (zh) * | 2009-10-20 | 2011-05-04 | 英特尔公司 | 用于自适应地选取用于运动估计的搜索范围的方法和装置 |
CN102088544A (zh) * | 2011-02-16 | 2011-06-08 | 天津大学 | 具有前景目标的动态场景视频快速稳像方法 |
CN106469208A (zh) * | 2016-08-31 | 2017-03-01 | 浙江宇视科技有限公司 | 一种热度图数据处理方法、热度图数据检索方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106851302A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106851302B (zh) | 一种基于帧内编码压缩域的监控视频运动目标检测方法 | |
Lai et al. | A fast and accurate scoreboard algorithm for estimating stationary backgrounds in an image sequence | |
CN102368821B (zh) | 一种噪声强度自适应的视频去噪方法和系统 | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
Vosters et al. | Background subtraction under sudden illumination changes | |
Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
CN108200432A (zh) | 一种基于视频压缩域的目标跟踪技术 | |
Siricharoen et al. | Robust outdoor human segmentation based on color-based statistical approach and edge combination | |
CN104299234B (zh) | 视频数据中雨场去除的方法和系统 | |
Komagal et al. | Real time background subtraction techniques for detection of moving objects in video surveillance system | |
CN111627047B (zh) | 水下鱼类动态视觉序列运动目标检测方法 | |
Christodoulou et al. | Advanced statistical and adaptive threshold techniques for moving object detection and segmentation | |
CN110502968B (zh) | 基于轨迹点时空一致性的红外弱小运动目标的检测方法 | |
Hsieh et al. | Grid-based template matching for people counting | |
Ortego et al. | Multi-feature stationary foreground detection for crowded video-surveillance | |
Ali et al. | Unsupervised video analysis for counting of wood in river during floods | |
Sao et al. | Video Shot Boundary Detection Based On Nodal Analysis of Graph Theoritic Approach | |
Vinary et al. | Object tracking using background subtraction algorithm | |
Ganesan et al. | Video object extraction based on a comparative study of efficient edge detection techniques. | |
Tanaka et al. | A study on inter-frame differencing for compressed moving images | |
Zhou et al. | A shadow elimination method based on color and texture | |
Biswas et al. | Sparse representation based anomaly detection using HOMV in H. 264 compressed videos | |
CN103226813A (zh) | 一种提高雨天视频图像质量的处理方法 | |
Sharma et al. | Efficient object detection with its enhancement | |
Nawaz et al. | Foreground detection using background subtraction with histogram |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190625 Termination date: 20191222 |
|
CF01 | Termination of patent right due to non-payment of annual fee |