CN107844772A - 一种基于移动目标跟踪的机动车自动检测方法 - Google Patents

一种基于移动目标跟踪的机动车自动检测方法 Download PDF

Info

Publication number
CN107844772A
CN107844772A CN201711099165.9A CN201711099165A CN107844772A CN 107844772 A CN107844772 A CN 107844772A CN 201711099165 A CN201711099165 A CN 201711099165A CN 107844772 A CN107844772 A CN 107844772A
Authority
CN
China
Prior art keywords
video
background
image
vehicle
record
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.)
Pending
Application number
CN201711099165.9A
Other languages
English (en)
Inventor
林哲
吴佩君
卢泽鸿
朱文彬
翁仕鹏
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.)
SHANTOU POLYTECHNICAL
Original Assignee
SHANTOU POLYTECHNICAL
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 SHANTOU POLYTECHNICAL filed Critical SHANTOU POLYTECHNICAL
Priority to CN201711099165.9A priority Critical patent/CN107844772A/zh
Publication of CN107844772A publication Critical patent/CN107844772A/zh
Pending legal-status Critical Current

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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明属于电子领域，具体涉及一种基于移动目标跟踪的机动车自动检测方法，对摄像头的图像进行处理，分割前景与背景，阈值化处理得到车辆的二值化图像，通过腐蚀函数来查找二值轮廓从而判断符合汽车的宽度和高度，通过运算检测判断图像是否有汽车，有则触发录像功能像；无车辆出现，则结束录像。与现有技术相比，本发明能够只记录有效的数据，有车经过就录像，没车经过的空白时间不录像，可减少大量的无效数据，降低存储空间需求，更高效、更有针对性地对汽车进行录像。

Description

一种基于移动目标跟踪的机动车自动检测方法
技术领域
本发明属于电子领域，具体涉及一种基于移动目标跟踪的机动车自动检测方法。
背景技术
汽车检测录像是一种在待检测的视频中或者摄像头中发现汽车并反馈汽车的数量从而触发录像的方法。近年来汽车检测在计算机视觉领域受到足够关注和重视，在视频或摄像头内的汽车由于大小形态差异、运动速度不同等影响，汽车的形态存在较大的变化。因此汽车检测也成为了计算机视觉领域的一个研究难点。
现今机动车非常多，涉及到机动车的违章、包括刑事侦查，需要对机动车进行监控，过多的机动车、摄像头和录像，带来了海量的录像，造成查看困难，消耗太多人力和物力。故，针对目前现有技术中存在的上述缺陷，实有必要进行研究，以提供一种方案，解决现有技术中存在的缺陷。
发明内容
本发明的目的在于提供种一种基于移动目标跟踪的机动车自动检测方法，解决现有技术中机动车视频无效视频记录过多，查阅困难，占用过多内存等问题。
为了实现上述的目的，采用如下的技术方案：
一种基于移动目标跟踪的机动车自动检测方法，包括以下步骤：
步骤S1：读取摄像头，循环提取摄像头中的当前帧图像；
步骤S2：将此帧图像转换到需要的色彩空间进行处理，虑除图像的噪声，设置图像的感兴趣区域，将前景与背景进行分割，阈值化处理得到车辆的二值化图像，通过腐蚀函数进一步来查找二值轮廓从而判断符合汽车的width(宽度)和height(高度)；
步骤S3：背景初始化与更新，在一定的时间内，取视频图像帧进行加运算，求平均值得出背景，并将背景进行实时更新；
步骤S4：提取前景运动车辆，运用背景差分法进行视频车辆检测，背景差分法公式形式如下：
其中，(x,y)为像数点的坐标，Dn(x,y)为二值化图像，fn(x,y)为待检测图像，Bn(x,y)为背景图像；
步骤S5：判断此帧图像中是否有检测到汽车，有则触发录像功能，开始录像；
步骤S6：触发录像功能后，录像持续设定好的一段时间，此时再将摄像头的当前帧进行汽车检测，如果检测到汽车，则继续录像，直到当前帧中无车辆出现，则结束录像。
其中，步骤S2中，在图像预处理完成后，接着通过前景图像和背景图像，提取视频中的前景图像，即运动车辆。这一步是将车辆目标从图像中提出来，目前常采用的方法是通过图像分割技术来实现，常用的分割技术有边缘测、阈值分割以及区域生长三类。对获得的车辆前景和背景差图像采用阈值分割化技术。阈值分割的原理其实是先确定一个处于图像灰度范围内的灰度值，然后通过将图像中各个像素的灰度值和该阈值比较，由比较的结果将图像划分为两类：像素灰度大于阈值的一类和像素灰度小于阈值的一类。阈值分割主要分成两个步骤：(1)确定分割阈值；(2)通过确定的阈值T分割图像像素并二值化。
在步骤S4中，视频汽车检测是运动目标检测的一部分，本文针对车辆检测的特点，对其基本原理进行分析与研究，得出运用背景差分法进行视频车辆检测。这种方法进行运动车辆检测时可以克服帧间差分法的缺点,可以比较完整和精确地对运动目标进行检测。背景差分法这种优点可以应用于运动车辆检测中，但是这种方法无法自适应,要想适应环境的变化，必须对背景实时升级,这必然会涉及背景模型，其包括背景的提取和背景的更新。通常会遇到如下一些问题：
(1)背景的提取。当前背景的提取方法大致分为两大类，一类是无运动车辆存在时背景的提取方法，另一类是有运动车辆存在时的背景提取方法。第一类：如W4法，这种无运动车辆存在的条件在车辆检测环境下很难满足,且需要人为的实时监控。第二类：如基于统计的方法包括平均值法,中值法等,然而这种方法在运动物体所占面积较大和在大量帧中出现时,估计出的背景帧不理想且处理时间较长；
(2)背景的更新。其需要背景模型应迅速跟上实际背景关照的变化、运动物体静止下来时应及时收入到背景帧中、静止物体移走后应及时从背景模型中消失，否则会出现大范围的噪声和误检测现象。
在步骤S5中，通过使用写入函数将摄像头当前帧录入到视频文件中，实现视频录像。由于本发明使用了OpenCV计算机视觉开源库，为了更好更方便地查看录像视频文件，当前帧中检测到汽车后触发录像功能，生成一个数组，同时获取系统当前时间，具体到年月日时分秒。利用时间格式化函数将系统当前日期时间加上路径后赋值给数组，时间格式化函数的功能是将时间格式化，或者说格式化一个时间字符串；定义一个视频文件，以检测到车辆的帧图像的宽(width)和高(height)作为视频的宽(width)和高(height)，视频编码格式采用CV_FOURCC('D','I','V','X')，以当前系统时间作为定义视频文件的文件名，这样在查看录像视频文件时便能快速知道触发录像的具体时间。
在步骤S6中，利用计时函数规定录像的持续时间。计时函数简单而言，就是程序从启动到函数调用占用CPU的时间。计时函数返回从“开启这个程序进程”到“程序中调用计时函数”时之间的CPU时钟计时单元数。若挂钟时间不可取，则返回-1。本发明中实现规定录像的持续时间的方法：触发录像时调用第一次计时函数并记录，此后录像的过程中持续调用计时函数，当两者的差值除以1000大于等于所规定的时间时，若此时摄像头当前帧未检测到车辆，则停止录像。
进一步地，所述自动检测包含自动录像与循环录像功能。循环自动录像的原理通过两个循环函数嵌套来实现，外循环函数负责视频文件的定义，通过设置参数来规定所录视频的个数，避免无限录像导致所需物理容量过大造成机器卡顿死机等情况；内循环函数负责视频的录像功能。内循环中，首先定义触发录像条件为假，将摄像头获得的每一帧图像进行车辆检测，当检测到车辆时，则触发录像条件变为真，录像功能加入内循环，通过步骤S5写入到视频文件中；录像功能调用第一次计时函数并记录(即录像开始时程序占用CPU的时间，以下简称起始时间)，同时起始时间判断条件变为假，此时通过步骤S6达到录像规定时间后，当录像功能中的检测车辆个数等于0条件生效后，触发结束录像条件结束录像，同时起始时间判断条件变为真。通过按钮等待函数来支持视频的录制，按钮等待函数的功能是不断刷新图像，参数为帧率时间，单位为ms。参数>0时，延迟参数，在显示视频时用于设置在显示完一帧图像后程序等待参数再显示下一帧视频，同时通过这个函数可以手动结束程序运行。
进一步地，在所述步骤S3中，交通场景初始化算法是多帧视频图形进行运算求平均值。在一定的时间内，取视频图像帧进行加运算，再求平均值，该平均值即可认为是真实的背景。该算法认为临时物体如车辆，行人等运动物体会在这帧图像的均值化过程中被滤除掉，可以近似忽略不计。
进一步地，在所述步骤S4中，运用背景差分法提取前景运动车辆，其步骤如下：
S4.1选取视频图像序列的一帧或提取背景图像做为参考图像；
S4.2将待检测图像与背景参考图像逐像素相减；
S4.3经过阈值T划分得到目标的二值化图像。
进一步地，在所述步骤S4中，所述背景差分法提取前景运动车辆需要对交通场景图像进行初始化，从采集到的视频图像序列中检测出运动的车辆中为标准，背景更新需背景模型应迅速跟上实际背景关照的变化、运动物体静止下来时应及时收入到背景帧中、静止物体移走后应及时从背景模型中消失必须，将背景进行实时更新。背景差分法提取前景运动车辆这种方法无法自适应，必须将背景进行实时更新，否则会出现大范围的噪声和误检测现象。
与现有技术相比，本发明能够只记录有效的数据，有车经过就录像，没车经过的空白时间不录像，可减少大量的无效数据，降低存储空间需求，更高效、更有针对性地对汽车进行录像。
附图说明
图1是本发明关于汽车检测原理的流程图；
图2是本发明关于自动循环录像原理的流程图；
图3是本文方法处理后的车辆检测结果图。
具体实施方式
本发明实施例分两部分：汽车检测和循环自动录像，下面结合附图和实施例对本发明作进一步的描述。
实施例1
如图1所示，一种基于移动目标跟踪的机动车检测方法，包括以下几个步骤：
步骤A1、获取视频流：循环提取摄像头中的当前帧图像；
步骤A2、视频图像预处理：对采集的视频流转换到需要的色彩空间进行处理，虑除图像的噪声，设置图像的感兴趣区域。将前景与背景进行分割，阈值化处理得到车辆的二值化图像，通过腐蚀函数进一步来查找二值轮廓从而判断符合汽车的width(宽度)和height(高度)；
步骤A3、背景初始化与更新：在一定的时间内，取视频图像帧进行加运算，求平均值得出背景，并将背景进行实时更新；
步骤A4、提取前景运动车辆：运用背景差分法进行视频车辆检测。
在步骤A2中，在图像预处理完成后，接着要做的工作就是通过前景图像和背景图像，提取视频中的前景图像，即运动车辆。这一步要做的工作是将车辆目标从图像中提出来，目前常采用的方法是通过图像分割技术来实现，常用的分割技术有边缘测、阈值分割以及区域生长三类。对获得的车辆前景和背景差图像，采用阈值分割化技术是一种常用的提取运动物体的分割技术。阈值分割的原理其实是先确定一个处于图像灰度范围内的灰度值，然后通过将图像中各个像素的灰度值和该阈值比较，然后由比较的结果将图像划分为两类：像素灰度大于阈值的一类和像素灰度小于阈值的一类。阈值分割主要分成两个步骤：
1)确定分割阈值
2)通过确定的阈值T分割图像像素并二值化。
在步骤A3中，交通场景初始化算法是多帧平均，其原理为在一定的时间内，取视频图像帧进行加运算，再求平均值，该平均值即可认为是真实的背景。该算法认为临时物体如车辆，行人等运动物体会在这帧图像的均值化过程中被滤除掉，可以近似忽略不计。在步骤A4中，视频汽车检测是运动目标检测的一部分，本文针对车辆检测的特点，对其基本原理进行分析与研究,得出运用背景差分法进行视频车辆检测。背景差分法定义公式形式如下：
其中，(x,y)为像数点的坐标，Dn(x,y)为二值化图像，fn(x,y)为待检测图像，Bn(x,y)为背景图像
这种方法进行运动车辆检测时可以克服帧间差分法的缺点,可以比较完整和精确地对运动目标进行检测。背景差分法这种优点可以应用于运动车辆检测中,但是这种方法无法自适应,要想适应环境的变化,必须对背景实时升级,这必然会涉及背景模型,其包括背景的提取和背景的更新。通常会遇到如下一些问题：
1)背景的提取。当前背景的提取方法大致分为两大类,一类是无运动车辆存在时背景的提取方法，另一类是有运动车辆存在时的背景提取方法。
2)背景的更新。其需要背景模型应迅速跟上实际背景关照的变化、运动物体静止下来时应及时收入到背景帧中、静止物体移走后应及时从背景模型中消失，否则会出现大范围的噪声和误检测现象。
实施例2
如图2所示，本发明一种基于检测有无车辆的视频自动录像方法，包括以下几个步骤：
步骤B1：读取摄像头；
步骤B2：循环提取摄像头中的当前帧图像；
步骤B3：将此帧图像传入已有的汽车检测函数，获得此帧图像中检测到的汽车数目；
步骤B4：判断此帧图像中是否有检测到汽车，有则触发录像功能，开始录像；
步骤B5：触发录像功能后，录像持续设定好的一段时间，此时再将摄像头的当前帧进行汽车检测，如果检测到汽车，则继续录像，直到当前帧中无车辆出现，则结束录像.
由于本发明使用了OpenCV计算机视觉开源库，为了更好更方便地查看录像视频文件，在步骤B4中，当前帧中检测到汽车后触发录像功能，生成一个数组，同时获取系统当前时间，具体到年月日时分秒。
在步骤B4中，通过使用写入函数将摄像头当前帧录入到视频文件中，实现视频录像。利用时间格式化函数将系统当前日期时间加上路径后赋值给数组，时间格式化函数的功能是将时间格式化，或者说格式化一个时间字符串；定义一个视频文件，以检测到车辆的帧图像的宽(width)和高(height)作为视频的宽(width)和高(height)，视频编码格式采用CV_FOURCC('D','I','V','X')，以当前系统时间作为定义视频文件的文件名，这样在查看录像视频文件时便能快速知道触发录像的具体时间。
在步骤B5中，利用计时函数规定录像的持续时间。计时函数简单而言，就是程序从启动到函数调用占用CPU的时间。计时函数返回从“开启这个程序进程”到“程序中调用计时函数”时之间的CPU时钟计时单元数。若挂钟时间不可取，则返回-1。本发明中实现规定录像的持续时间的方法：触发录像时调用第一次计时函数并记录，此后录像的过程中持续调用计时函数，当两者的差值除以1000大于等于所规定的时间时，若此时摄像头当前帧未检测到车辆，则停止录像。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效果结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明专利保护范围内。

Claims (5)

1.一种基于移动目标跟踪的机动车自动检测方法，其特征在于，包括以下步骤：
步骤S1：读取摄像头，循环提取摄像头中的当前帧图像；
步骤S2：将此帧图像转换到需要的色彩空间进行处理，虑除图像的噪声，设置图像的感兴趣区域，将前景与背景进行分割，阈值化处理得到车辆的二值化图像，通过腐蚀函数查找二值轮廓从而判断符合汽车的宽度和高度；
步骤S3：背景初始化与更新，在30秒内，取视频图像帧进行加运算，求平均值得出背景，并将背景进行实时更新；
步骤S4：提取前景运动车辆，运用背景差分法进行视频车辆检测，背景差分法公式形式如下：
其中，(x,y)为像数点的坐标，Dn(x,y)为二值化图像，fn(x,y)为待检测图像，Bn(x,y)为背景图像；
步骤S5：判断此帧图像中是否有检测到汽车，有则触发录像功能，开始录像；
步骤S6：触发录像功能后，录像持续设定好的一段时间，此时再将摄像头的当前帧进行汽车检测，如果检测到汽车，则继续录像，直到当前帧中无车辆出现，则结束录像。
2.根据权利要求1所述的机动车自动检测方法，其特征在于，所述自动检测包含自动录像与循环录像功能。
3.根据权利要求1所述的机动车自动检测方法，其特征在于，在所述步骤S3中，交通场景初始化算法是多帧视频图形进行运算求平均值。
4.根据权利要求1所述的机动车自动检测方法，其特征在于，在所述步骤S4中，运用背景差分法提取前景运动车辆，其步骤如下：
S4.1选取视频图像序列的一帧或提取背景图像做为参考图像；
S4.2将待检测图像与背景参考图像逐像素相减；
S4.3经过阈值T划分得到目标的二值化图像。
5.根据权利要求1所述的机动车自动检测方法，其特征在于，在所述步骤S4中，所述背景差分法提取前景运动车辆需要对交通场景图像进行初始化，从采集到的视频图像序列中检测出运动的车辆中为标准，背景更新需背景模型应迅速跟上实际背景关照的变化、运动物体静止下来时应及时收入到背景帧中、静止物体移走后应及时从背景模型中消失必须，将背景进行实时更新。
CN201711099165.9A 2017-11-09 2017-11-09 一种基于移动目标跟踪的机动车自动检测方法 Pending CN107844772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711099165.9A CN107844772A (zh) 2017-11-09 2017-11-09 一种基于移动目标跟踪的机动车自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711099165.9A CN107844772A (zh) 2017-11-09 2017-11-09 一种基于移动目标跟踪的机动车自动检测方法

Publications (1)

Publication Number Publication Date
CN107844772A true CN107844772A (zh) 2018-03-27

Family

ID=61682511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711099165.9A Pending CN107844772A (zh) 2017-11-09 2017-11-09 一种基于移动目标跟踪的机动车自动检测方法

Country Status (1)

Country Link
CN (1) CN107844772A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146914A (zh) * 2018-06-20 2019-01-04 上海市政工程设计研究总院（集团）有限公司 一种高速公路基于视频分析的醉酒驾驶行为预警方法
CN109684996A (zh) * 2018-12-22 2019-04-26 北京工业大学 基于视频的实时车辆进出识别方法
CN110009800A (zh) * 2019-03-14 2019-07-12 北京京东尚科信息技术有限公司 一种识别方法和设备
CN110290346A (zh) * 2019-05-13 2019-09-27 中兴飞流信息科技有限公司 一种基于智能视频分析的招投标视频的获取方法
CN110789492A (zh) * 2019-10-23 2020-02-14 上海能塔智能科技有限公司 试驾处理方法、装置、外置设备、电子设备与存储介质
CN111881733A (zh) * 2020-06-17 2020-11-03 艾普工华科技（武汉）有限公司 一种工人作业工步规范视觉识别判定与指导方法和系统
CN112329688A (zh) * 2020-11-16 2021-02-05 广州顶新时代电子系统科技有限公司 一种公共场合用智能风险管控系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017573A (zh) * 2007-02-09 2007-08-15 南京大学 一种基于视频监控的运动目标检测与识别方法
US20100208986A1 (en) * 2009-02-18 2010-08-19 Wesley Kenneth Cobb Adaptive update of background pixel thresholds using sudden illumination change detection
CN102693632A (zh) * 2012-04-27 2012-09-26 徐贵力 一种基于视觉图像的监控装置和监控方法
CN103345618A (zh) * 2013-06-21 2013-10-09 银江股份有限公司 一种基于视频技术的交通违章检测方法
CN105046948A (zh) * 2015-05-08 2015-11-11 天津大学 一种黄色网格线区域内交通违章停车监测系统和方法
CN105590479A (zh) * 2016-03-03 2016-05-18 北京蓝卡科技股份有限公司 车位监测方法和装置
CN106560861A (zh) * 2015-09-30 2017-04-12 徐贵力 基于计算机视觉的智能监管方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017573A (zh) * 2007-02-09 2007-08-15 南京大学 一种基于视频监控的运动目标检测与识别方法
US20100208986A1 (en) * 2009-02-18 2010-08-19 Wesley Kenneth Cobb Adaptive update of background pixel thresholds using sudden illumination change detection
CN102693632A (zh) * 2012-04-27 2012-09-26 徐贵力 一种基于视觉图像的监控装置和监控方法
CN103345618A (zh) * 2013-06-21 2013-10-09 银江股份有限公司 一种基于视频技术的交通违章检测方法
CN105046948A (zh) * 2015-05-08 2015-11-11 天津大学 一种黄色网格线区域内交通违章停车监测系统和方法
CN106560861A (zh) * 2015-09-30 2017-04-12 徐贵力 基于计算机视觉的智能监管方法
CN105590479A (zh) * 2016-03-03 2016-05-18 北京蓝卡科技股份有限公司 车位监测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JAIME GALLEGO ET AL: "Bayesian foreground segmentation and tracking using pixel-wise background model and region based foreground model", 《2009 16TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
董士崇等: "视频图像中的运动检测", 《武汉理工大学学报信息与管理工程版》 *
许伦辉等: "基于帧差法和背景差法融合的车流量检测方法", 《计算机仿真》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146914A (zh) * 2018-06-20 2019-01-04 上海市政工程设计研究总院（集团）有限公司 一种高速公路基于视频分析的醉酒驾驶行为预警方法
CN109146914B (zh) * 2018-06-20 2023-05-30 上海市政工程设计研究总院（集团）有限公司 一种高速公路基于视频分析的醉酒驾驶行为预警方法
CN109684996A (zh) * 2018-12-22 2019-04-26 北京工业大学 基于视频的实时车辆进出识别方法
CN110009800A (zh) * 2019-03-14 2019-07-12 北京京东尚科信息技术有限公司 一种识别方法和设备
CN110290346A (zh) * 2019-05-13 2019-09-27 中兴飞流信息科技有限公司 一种基于智能视频分析的招投标视频的获取方法
CN110789492A (zh) * 2019-10-23 2020-02-14 上海能塔智能科技有限公司 试驾处理方法、装置、外置设备、电子设备与存储介质
CN111881733A (zh) * 2020-06-17 2020-11-03 艾普工华科技（武汉）有限公司 一种工人作业工步规范视觉识别判定与指导方法和系统
CN111881733B (zh) * 2020-06-17 2023-07-21 艾普工华科技（武汉）有限公司 一种工人作业工步规范视觉识别判定与指导方法和系统
CN112329688A (zh) * 2020-11-16 2021-02-05 广州顶新时代电子系统科技有限公司 一种公共场合用智能风险管控系统
CN112329688B (zh) * 2020-11-16 2021-07-06 广州顶新时代电子系统科技有限公司 一种公共场合用智能风险管控系统

Similar Documents

Publication Publication Date Title
CN107844772A (zh) 一种基于移动目标跟踪的机动车自动检测方法
CN112669349B (zh) 一种客流统计方法、电子设备及存储介质
EP2959454B1 (en) Method, system and software module for foreground extraction
CN101470809B (zh) 一种基于扩展混合高斯模型的运动目标检测方法
CN111881730A (zh) 一种火电厂现场安全帽佩戴检测方法
CN104392468A (zh) 基于改进视觉背景提取的运动目标检测方法
KR101906796B1 (ko) 딥러닝 기반 영상 분석 장치 및 영상 분석 방법
CN110929593A (zh) 一种基于细节辨别区别的实时显著性行人检测方法
CN111553214B (zh) 一种驾驶员吸烟行为检测方法及系统
CN107194946B (zh) 一种基于fpga的红外显著物体检测方法
CN109886086B (zh) 基于hog特征和线性svm级联分类器的行人检测方法
CN106648078A (zh) 应用于智能机器人的多模态交互方法及系统
CN106778650A (zh) 基于多类型信息融合的场景自适应行人检测方法和系统
CN101299274B (zh) 一种移动固定目标的检测方法及系统
CN108710879B (zh) 一种基于网格聚类算法的行人候选区域生成方法
CN111539980A (zh) 一种基于可见光的多目标追踪方法
CN116758421A (zh) 一种基于弱监督学习的遥感图像有向目标检测方法
CN109978916B (zh) 基于灰度图像特征匹配的Vibe运动目标检测方法
CN116228756B (zh) 一种自动驾驶中相机坏点的检测方法及检测系统
CN111639597A (zh) 举旗游行事件的检测方法
CN107403192B (zh) 一种基于多分类器的快速目标检测方法及系统
CN110910332B (zh) 一种视觉slam系统动态模糊处理方法
CN114882469A (zh) 一种基于dl-ssd模型的交通标志检测方法及系统
Xu Study on moving objects by video monitoring system of recognition and tracing scheme
CN115719362A (zh) 一种高空抛物检测方法、系统、设备及存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180327