CN107886521A - 事件检测装置和方法以及非暂态计算机可读存储介质 - Google Patents

事件检测装置和方法以及非暂态计算机可读存储介质 Download PDF

Info

Publication number
CN107886521A
CN107886521A CN201710881413.9A CN201710881413A CN107886521A CN 107886521 A CN107886521 A CN 107886521A CN 201710881413 A CN201710881413 A CN 201710881413A CN 107886521 A CN107886521 A CN 107886521A
Authority
CN
China
Prior art keywords
image
capture images
event
personage
camera device
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
CN201710881413.9A
Other languages
English (en)
Inventor
松田裕司
辻健太郎
郑明燮
宫崎信浩
濑川英吾
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.)
Fujitsu Ltd
Original Assignee
Fujitsu 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 Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of CN107886521A publication Critical patent/CN107886521A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture 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
    • G06V20/44—Event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)
  • Image Processing (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

本发明公开了事件检测装置和方法以及非暂态计算机可读存储介质。一种事件检测装置，其包括存储器和处理器，该处理器耦接至存储器并被配置成：获取由第一摄像装置在第一时间处捕获的第一捕获图像；获取由第二摄像装置在第一时间之后的第二时间处捕获的第二捕获图像；根据从第一捕获图像提取的第一图像特征、从第二捕获图像提取的第二图像特征和事件检测标准来检测事件，该事件检测标准使得随着第一图像特征的方差或第二图像特征的方差越小而越少能够检测到事件，第一图像特征和第二图像特征两者均对应于第一捕获图像和第二捕获图像每一个中包括的一个或更多个目标对象；以及输出检测事件的结果。

Description

事件检测装置和方法以及非暂态计算机可读存储介质
技术领域
本文论述的实施方式涉及事件检测装置和事件检测方法。
背景技术
公开了使用由监视摄像机捕获的视频来跟踪人物的技术。
公开了以下信息处理设备，其从由多个摄像机捕获的图像中高精度地搜索和跟踪作为跟踪目标的人物。信息处理设备利用多个成像单元捕获图像。信息处理设备从图像中检测移动对象，从所检测到的移动对象的图像中提取移动图像，根据移动图像来检测移动对象的空间位置坐标，并输出包括移动图像、移动对象的空间位置坐标和捕获图像的成像时间的移动对象信息。信息处理设备确定空间似然度和时间似然度中的每一个高于还是低于每个特定阈值，并且从搜索结果移动对象信息存储器中删除空间似然度和时间似然度低于相应阈值的移动对象信息。因此，该信息处理设备提高搜索和跟踪结果的精度水平。
公开了以下人物跟踪设备，其跟踪在多个拍摄区域处捕获的图像中的同一人物以计算同一人物的行进路线。人物跟踪设备从人物图像中提取特征量，并且将一个特征量与另一特征量进行对照(check)以通过特定确定方法来确定人物。人物跟踪设备通过确定提取其特征量的两个人物图像表示同一人物还是不同人物来执行人物认证。基于与被认证为同一人物的两个人物图像各自的拍摄区域和拍摄时间有关的信息，人物跟踪设备确定指示两个人物图像表示同一人物的认证结果是否正确。然后，人物跟踪设备基于以下人物的人物图像的拍摄区域和拍摄时间来计算该人物的行进路线，所述人物在被确定为正确的同一人物的认证结果中被认证为同一人物。
公开了测量在某个空间中的滞留时间的滞留时间测量设备。滞留时间测量设备从多个入场人物图像信息片段和多个退场人物图像信息片段中分别确定同一人物的入场人物图像信息和退场人物图像信息。滞留时间测量设备获取与作为同一人物识别单元从其获取所确定的入场人物图像信息的来源的入场图像对应的入场时间信息，并且获取与作为同一人物识别单元从其获取所确定的退场人物图像信息的来源的退场图像对应的退场时间信息。滞留时间测量设备计算从入场到退场的滞留时间段。滞留时间测量设备确定所计算的滞留时间是否正常。
参考国际公布小册子No.WO2013/108686、日本特开专利公报No.2006-236255和日本特开专利公报No.2012-137906。
发明内容
根据本发明的一个方面，提供了一种事件检测装置，其包括存储器和处理器，该处理器耦接至存储器并且该处理器被配置成：获取由第一摄像装置在第一时间处捕获的第一捕获图像；获取由第二摄像装置在第一时间之后的第二时间处捕获的第二捕获图像；根据从第一捕获图像提取的第一图像特征、从第二捕获图像提取的第二图像特征和事件检测标准来检测事件，该事件检测标准使得随着第一图像特征的方差或第二图像特征的方差越小而越少能够检测到事件，第一图像特征和第二图像特征两者均对应于第一捕获图像和第二捕获图像每一个中包括的一个或更多个目标对象；以及输出检测事件的结果。
附图说明
图1示出了人物滞留在与拍摄区域不同的位置处的情况；
图2示出了在与拍摄区域不同的位置中出现异常的情况；
图3是示意性示出了一个实施方式的事件检测系统的功能框图；
图4示出了图像表的示例；
图5示出了人物信息表的示例；
图6示出了阈值表的示例；
图7示出了在正常状况下从捕获图像检测到的人物区域的示例；
图8示出了当发生异常时从捕获图像检测到的人物区域的示例；
图9是示意性示出了操作为该实施方式的事件检测装置的计算机的框图；
图10是示出了根据第一实施方式的阈值设置处理的示例的流程图；
图11是示出了根据该实施方式的同一人物确定处理的示例的流程图；
图12是示出了根据第一实施方式的异常确定处理的示例的流程图；
图13示出了从捕获图像检测到的人物区域的特征量的变化较大的操作示例；
图14示出了从捕获图像检测到的人物区域的特征量的变化较小的操作示例；
图15是示出了根据第二实施方式的阈值设置处理的示例的流程图；
图16是示出了根据第二实施方式的异常确定处理的示例的流程图；
图17示出了使用人物的移动比例检测到的异常；以及
图18示出了使用人物的移动比例检测到的异常。
具体实施方式
当使用由多个摄像装置捕获的图像来监视广阔区域时，也检测每个摄像装置中的异常。为此，在捕获图像之间对照捕获图像中所包括的目标对象，从而检测监视区域中事件的发生。在这种情况下，如果在捕获图像中包括特征相似的多个目标，则在捕获图像之间对照目标对象的准确度水平降低。人物可以作为目标进行对照。如果在多个捕获图像中存在穿着类似衣服的多个人物，则可能在捕获图像之间将不同人物确定为同一人物。这在恰当地检测事件的发生方面出现困难。
本文论述的实施方式旨在即使有可能发生基于从每个捕获图像提取的特征量进行的对照错误仍控制事件检测错误。
基于捕获图像检测异常
出于安全目的和防灾目的，在拥挤的地方例如在繁忙的街道或商业设施上安装有大量摄像装置。由于难以手动对照包括大量捕获图像的视频，所以期望如果造成了异常能自动检测到异常。
如果检测区域太大，则摄像装置没有完全覆盖检测区域。在这种情况下，如果在拍摄区域外部发生异常，则检测不到该异常。图1和图2示出了发生异常的示例。
参照图1和图2，摄像装置A的拍摄区域与摄像装置B的拍摄区域不同。如果如图1所示人物滞留或者如图2所示在标记有符号x的位置处发生异常，则这样的事件不能被检测到。要将广阔区域设置为检测目标，要在多个位置处安装多个摄像装置以完全覆盖检测区域。
如图1所示，如果在与拍摄区域不同的区域中发生滞留作为异常，并且滞留位置处于人物的移动路径中，则人物需要时间移动通过该滞留位置。如图2所示，如果在位于人物的移动路径中的标记有符号x的位置处发生异常，则移动路径变成绕过异常的位置，并且行进时间变化。
根据该实施方式，在不产生交叠的拍摄区域的环境中安装有多个摄像装置。根据图像中拍摄的人物的移动趋势，检测在与拍摄区域不同的位置处发生的异常。例如，根据该实施方式，如果发生异常，则人物的移动路径和移动速度发生变化。因此，响应于人物的移动变化，检测异常的发生。
下面参照附图描述实施方式。
第一实施方式
如图3所示，第一实施方式的事件检测系统100包括事件检测装置20和多个摄像装置10。
摄像装置10捕获图像。每个摄像装置10标记有相应的标识符(ID)。由摄像装置10捕获的图像标记有摄像装置ID和用作每帧的标识信息的成像时间。
事件检测装置20对由摄像装置10捕获的每个图像进行分析，并且检测异常作为事件的示例。参照图3，事件检测装置20包括图像获取单元22、图像存储单元24、人物检测单元26、特征提取单元28、人物存储单元30、人物对照单元32、阈值设置单元34、阈值存储单元36、异常确定单元38和显示器40。异常确定单元38是检测单元和控制器的示例。
图像获取单元22获取由摄像装置10捕获的图像。然后，图像获取单元22将所获取的图像与其摄像装置ID以及其帧的成像时间相关联，然后将相关联的图像存储在图像存储单元24。
图像存储单元24以捕获图像表的形式存储由图像获取单元22获取的多个图像。图4示出了要存储在图像存储单元24上的捕获图像表4A的示例。如图4所示，摄像装置ID、成像时间和捕获图像信息被相关联，然后被存储在捕获图像表4A中。
人物检测单元26检测存储在图像存储单元24上的每个捕获图像中包括的人物区域。
更具体地，人物检测单元26使用预先产生的鉴别器来检测捕获图像中包括的人物区域。例如，预先产生如下面列出的文献1和文献2中所描述的背景差分方法以及基于定向梯度(HOG)特征的直方图的鉴别器。
参考文献1：“Moving Object Detection by Time-Correlation-BasedBackground Judgment Method(通过基于时间相关性的背景判断方法进行的移动对象检测)”，Proceedings of the Institute of Electronics,Information andCommunication Engineers(电子信息和通信工程师学会学报)，D-II，第J79卷，第4期，第568至576页，1996年。
参考文献2：“Human Detection Based on Statistical Learning from Image(基于图像的统计学习进行的人类检测)”，Proceedings of the Institute ofElectronics,Information and Communication Engineers(电子信息和通信工程师学会学报)，第J96-D卷，第9期，第2017至2040页，2013年。
特征提取单元28从由人物检测单元26检测到的捕获图像的人物区域中提取特征量。例如，特征提取单元28提取人物区域的颜色直方图作为特征量。特征提取单元28将用作人物区域的标识信息的人物区域ID、成像装置ID和从其检测人物区域的捕获图像的成像时间与人物区域的特征量相关联，然后将这些相关联的信息片段存储在人物存储单元30上。
由特征提取单元28提取的人物区域的特征量以人物信息表的形式被存储，在该人物信息表中，每个特征量与人物区域ID、摄像装置ID和成像时间相关联。图5示出了要存储在人物存储单元30上的人物信息表5A的示例。参照图5，人物区域ID、摄像装置ID、成像时间和特征量分别彼此相关联，然后被存储在人物信息表5A中。
使用存储在人物存储单元30的人物信息表5A中的信息，人物对照单元32将从来自特定摄像装置10的捕获图像提取的人物区域的特征量与从来自另一摄像装置10的捕获图像提取的人物区域的特征量进行比较。如果人物区域的特征量满足相似度标准，则人物对照单元32在对照结果中确定人物区域为同一人物的人物区域。
更具体地，人物对照单元32对存储在人物信息表5A中的在摄像装置ID方面不同的每对人物区域ID的特征量进行比较，并且确定人物区域是否指示同一人物。如果使用颜色直方图作为特征量，则可以使用出现频率高的颜色之间的距离或者直方图之间的距离或相关值(参考日本特开专利公报No.2005-250692和日本特开专利公报No.2011-18238)。
人物对照单元32确定具有相同成像装置ID但具有不同成像时间的每对人物区域ID是否指示同一人物的人物区域。如果人物对照单元32确定具有相同成像装置ID但具有不同成像时间的一对人物区域ID指示同一人物的人物区域，则异常确定单元38使用具有最早成像时间的人物区域的对照结果来执行异常检测。如果成像时间不同但具有相同摄像装置ID的同一人物区域的数量为多个，则不能获得关于适当数量的移动人物的测量结果。因此，使用具有最早成像时间的人物区域的对照结果。
阈值设置单元34根据由人物对照单元32在没有异常的正常状况下获得的对照结果关于每对不同成像装置ID设置异常确定的阈值和标准值。通过关于从来自摄像装置10的捕获图像获得的每对不同成像装置ID来比较阈值和标准值并计算异常确定的阈值和标准值，阈值设置单元34将人物在安装有成像装置10的位置处的移动趋势设置为异常确定的阈值和标准值。
更具体地，阈值设置单元34基于由摄像装置10在没有任何异常的正常状况下捕获的每个图像的对照结果来计算每单位时间在存在摄像装置10的位置之间的移动人物的数量。
更详细地，基于由人物对照单元32获得的人物区域的对照结果，阈值设置单元34相对于每对摄像装置ID在特定时间段在正常状况下重复地测量与一对摄像装置ID对应的位置之间的移动人物的数量。因此，阈值设置单元34计算在正常状况下移动人物的数量范围。当计算移动人物的数量时，建立与单位时间对应的时间段，并且将从时间段的开始时间到结束时间被确定为同一人物的人物区域的数量计算为移动人物数量。阈值设置单元34相对于该对摄像装置ID将正常状况下移动人物的平均值设置为标准值，并且将正常状况下移动人物的数量的标准差乘以N所得到的值设置为阈值。如果移动人物的数量遵循正态分布，则95％的移动人物落在(平均值±2×标准差)的范围内，并且99％的移动人物落在(平均值±3×标准差)的范围内。因此，N被设置为2至3之间的值。阈值设置单元34将所设置的标准值和异常确定的阈值与摄像装置ID对彼此相关联地存储在阈值存储单元36上。
阈值存储单元36以阈值表的形式存储由阈值设置单元34设置的标准值和异常确定阈值。图6示出了列出每个摄像装置ID对的标准值和阈值的阈值表6A的示例。参照图6，每个摄像装置ID对、其标准值和阈值彼此相关联地被存储。
基于由人物对照单元32实时获得的对照结果，异常确定单元38计算与该对不同摄像装置10对应的位置之间的移动人物的数量，并且通过将移动人物的数量与用作事件检测标准的示例的异常确定的阈值进行比较来检测异常。
更具体地，基于由人物对照单元32实时获得的人物区域的对照结果，异常确定单元38相对于每对不同的摄像装置ID计算每单位时间与一对摄像装置ID对应的位置之间的移动人物的数量。基于所计算的移动人物的数量、以及存储在阈值存储单元36中的标准值和异常确定的阈值，如果移动人物的数量比标准值超出异常确定的阈值或更多，则异常确定单元38检测到发生了异常。
如果在与摄像装置10的拍摄区域不同的位置处发生异常，则该实施方式关注通过该位置的人物的移动趋势发生的变化。例如，基于从由摄像装置10捕获的图像检测到的移动人物的数量和移动时间来检测异常。通过参考使用移动人物的数量检测异常的情况来描述该实施方式。
图7和图8示出了从捕获图像检测异常的情况。在如图7所示的正常状况下，从由摄像装置A在时间t1处捕获的图像中检测到四个人物，并且从由摄像装置B在时间t2处捕获的图像中检测到相同的四个人物。在这种情况下，认为人物从摄像装置A的拍摄区域内的位置移动到摄像装置B的拍摄区域内的位置。如图7所示，存在由箭头标记表示的移动路径。
另一方面，如图8所示，在人物的移动路径中发生异常。从由摄像装置B在时间t2处捕获的图像中检测到从由摄像装置A在时间t1处捕获的图像中检测到的四个人物中的仅一个人物。因此，认为从摄像装置A的拍摄区域内的位置移动到摄像装置B的拍摄区域内的位置的人物的数量小于正常状况下移动人物的数量。
根据该实施方式，通过从多个捕获图像检测人物区域并对同一人物进行对照来跟踪从与拍摄区域对应的一个位置移动到另一位置的人物。在正常状况下，计算在与由摄像装置拍摄的拍摄区域对应的位置之间移动的人物的数量，并且预先为人物的数量定义标准值。如果在与由摄像装置拍摄的拍摄区域对应的位置之间移动的人物的数量偏离标准值预定差值或更高，则确定发生了异常。
显示器40显示由异常确定单元38获得的确定结果，并且指示是否发生异常。
事件检测装置20可以使用图9的计算机50来实现。计算机50包括中央处理单元(CPU)51、用作临时存储区域的存储器52和非易失性存储单元53。计算机50包括读写单元55和记录介质59，读写单元55控制从输入输出装置54例如显示器或输入装置读取的数据，并且控制写入输入输出装置54的数据。计算机50还包括连接至网络例如因特网的网络接口56。CPU 51、存储器52、存储单元53、输入输出装置54、读写单元55以及网络接口56经由总线57彼此互连。
存储单元53由硬盘驱动器(HDD)、固态驱动器(SSD)、闪速存储器等实现。用作存储器介质的存储单元53存储使计算机50操作为事件检测装置20的事件检测程序60。事件检测程序60包括图像获取处理62、人物检测处理63、特征提取处理64、人物对照处理65、阈值设置处理66、异常确定处理67和显示处理68。存储单元53还包括存储信息并形成图像存储单元24的图像存储区域69、存储信息并形成人物存储单元30的人物存储区域70、以及存储信息并形成阈值存储单元36的阈值存储区域71。
CPU 51从存储单元53读取事件检测程序60并将事件检测程序60扩展到存储器52上，然后依次执行事件检测程序60中包括的处理。CPU 51通过执行图像获取处理62操作为图3的图像获取单元22。CPU 51通过执行人物检测处理63操作为图3的人物检测单元26。CPU51通过执行特征提取处理64操作为图3的特征提取单元28。CPU 51通过执行人物对照处理65操作为图3的人物对照单元32。CPU 51通过执行阈值设置处理66操作为图3的阈值设置单元34。CPU 51通过执行异常确定处理67操作为图3的异常确定单元38。CPU 51通过执行显示处理68操作为图3的显示器40。CPU 51从图像存储区域69读取信息，并且将图像存储单元24扩展到存储器52上。CPU 51从人物存储区域70读取信息，并且将人物存储单元30扩展到存储器52上。CPU 51从阈值存储区域71读取信息，并且将阈值存储单元36扩展到存储器52上。以这种方式，计算机50通过执行事件检测程序60用作事件检测装置20。
由事件检测程序60要执行的功能可以使用半导体集成电路例如专用集成电路(ASIC)等来实现。
下面描述该实施方式的事件检测系统100的处理。根据该实施方式，执行用于设置标准值和异常确定的阈值的阈值设置处理以及异常确定处理。
下面描述用于设置标准值和异常确定的阈值的阈值设置处理。在事件检测系统100的处理中，在正常状况下，多个摄像装置10捕获图像，以及事件检测装置20中的图像获取单元22获取由摄像装置10捕获的每个图像。当由图像获取单元22获取的每个捕获图像存储在图像存储单元24上的图像表中时，事件检测装置20执行图10的阈值设置处理。下面描述该处理中的每个操作。
在图10的阈值设置处理的步骤S100中，事件检测装置20读取存储在图像存储单元24上的图像表中的每个捕获图像，并且对照图像来寻找同一人物。在步骤S100中，执行图11中的同一人物确定处理。
在图11的同一人物确定处理中，在步骤S200中，人物检测单元26设置与从图像存储单元24读取的捕获图像的成像时间对应的特定时间段。在该特定时间段期间捕获的图像中的人物区域中执行人物对照。
在步骤S201中，人物检测单元26从存储在图像存储单元24上的多个捕获图像中设置一个捕获图像。
在步骤S202中，人物检测单元26对来自在步骤S201中设置的捕获图像的人物区域进行检测。
在步骤S204中，特征提取单元28提取在步骤S202中检测到的人物区域中的颜色直方图作为特征量，并且将特征量、人物区域ID、摄像装置ID和成像时间彼此相关联地存储在人物存储单元30上。
在步骤S206中，特征提取单元28确定是否已经对该特定时间段内的所有捕获图像执行了步骤S201至步骤S204中的操作。如果特征提取单元28确定已经对存储在图像存储单元24上且拍摄时间落入该特定时间段内的所有捕获图像执行了步骤S201至步骤S204中的操作，则处理进行至步骤S208。如果在图像存储单元24上仍然存在尚未经历步骤S201至步骤S204中的操作的该特定时间段内的捕获图像，则处理返回至步骤S201。
在步骤S208中，人物对照单元32从人物存储单元30上的人物信息表中获取具有不同摄像装置ID的人物区域的一对特征量。
在步骤S210中，人物对照单元32计算在步骤S208中获取的人物区域的一对特征量之间的相似度。
在步骤S212中，人物对照单元32确定在步骤S210中计算的相似度等于或高于同一人物确定的阈值。如果相似度等于或高于同一人物确定的阈值，则处理进行至步骤S214。如果相似度小于同一人物确定的阈值，则处理进行至步骤S216。
在步骤S214中，人物对照单元32确定在步骤S208中获取的人物区域对为同一人物。
在步骤S216中，人物对照单元32确定在步骤S208中获取的人物区域对为不同人物。
在步骤S218中，人物对照单元32将在步骤S214或步骤S216中获取的对照结果存储在存储器(未示出)上。
在步骤S220中，人物对照单元32确定是否已经对存储在人物存储单元30上的人物信息表中的所有摄像装置ID对执行了步骤S208至步骤S218中的操作。如果已经对存储在人物存储单元30上的人物信息表中的所有摄像装置ID对完成了步骤S208至步骤S218中的操作，则同一人物确定处理结束。如果人物存储单元30上的人物信息表中仍然存在尚未经历步骤S208至步骤S218中的操作的摄像装置ID对，则处理返回至步骤S208。
在图10的阈值设置处理的步骤S102中，阈值设置单元34基于在步骤S100中获得的人物区域的对照结果来计算正常状况下每对摄像装置ID之间的移动人物的数量。
在步骤S104中，阈值设置单元34关于每个摄像装置ID对将正常状况下移动人物的平均值设置为标准值，并且将正常状况下移动人物的数量的标准差的N倍设置为阈值。阈值设置单元34将所设置的标准值和异常确定的阈值以及摄像装置ID彼此相关联地存储在阈值存储单元36上。
下面描述异常确定处理。在事件检测系统100中，在正常状况下，多个摄像装置10连续地捕获图像，以及事件检测装置20中的图像获取单元22获取由摄像装置10捕获的每个图像。当由图像获取单元22获取的每个捕获图像存储在图像存储单元24的图像表中时，事件检测装置20执行图12的异常确定处理。
在步骤S300中，执行图11的同一人物确定处理。在步骤S300中，确定每对不同摄像装置ID的人物区域是否为同一人物。
在步骤S302中，异常确定单元38设置一对不同摄像装置ID。
在步骤S304中，异常确定单元38基于在步骤S300中获得的人物区域的对照结果对在步骤S302中设置的该对不同摄像装置ID中的被确定为同一人物的人物区域的数量进行计数。那么，异常确定单元38计算在步骤S302中设置的不同摄像装置ID之间的移动人物的数量。
在步骤S306中，异常确定单元38从阈值存储单元36读取与在步骤S302中设置的该对摄像装置ID对应的标准值和异常确定的阈值。根据以下关系，异常确定单元38确定是否发生异常。
|标准值-移动人物数量|≥异常确定的阈值。
如果在上述关系中所读取的标准值与移动人物的数量之间的差值的绝对值等于或高于异常确定的阈值，则异常确定单元38进行至步骤S308，那么确定发生了异常。另一方面，如果在上述关系中所读取的标准值与移动人物的数量之间的差值的绝对值小于异常确定的阈值，则异常确定单元38进行至步骤S310，那么确定检测到正常状况。
在步骤S312中，异常确定单元38确定是否已经对该特定时间段内的存储在图像存储单元24上的图像表中的所有摄像装置ID对执行了步骤S302至步骤S308中的操作。如果已经对该特定时间段内的存储在图像存储单元24上的图像表中的所有摄像装置ID对执行了步骤S302至步骤S308中的操作，则处理进行至步骤S314。如果仍然存在该特定时间段内的存储在图像存储单元24上的图像表中且尚未经历步骤S302至步骤S308中的操作的摄像装置ID对，则处理返回至步骤S302。
在步骤S314中，异常确定单元38关于每个摄像装置ID对输出在步骤S308或步骤S310中获得的确定结果。显示器40显示异常确定单元38获得的确定结果，并且指示是否已经发生异常。由此异常确定处理结束。
如上所述，第一实施方式的事件检测装置分别从多个成像装置获取捕获图像。事件检测装置通过将从来自另一摄像装置的捕获图像提取的状态(status)与事件检测标准进行比较来检测异常，该状态具有与从来自特定摄像装置的捕获图像提取的特征量满足特定相似度标准的特征量。以这种方式，即使在与成像装置的拍摄区域不同的位置处发生异常，也可以检测到异常。
第二实施方式
下面描述第二实施方式的事件检测系统。第二实施方式与第一实施方式的不同之处在于：在第二实施方式中，响应于从捕获图像提取的特征量的变化来控制异常确定的阈值。第二实施方式的事件检测系统中的与第一实施方式的事件检测系统100中的元件相同的元件用相同的附图标记来指定，并且在此省略其论述。
图13示出了由摄像装置A在时间t1处捕获的图像、由摄像装置B在时间t1处捕获的图像、由摄像装置C在时间t2处捕获的图像以及由摄像装置D在时间t2处捕获的图像。注意，关系t2>t1成立。
参照图13，在来自摄像装置A的捕获图像和来自摄像装置C的捕获图像两者中共同拍摄的人物的数量为3。在来自摄像装置A的捕获图像和来自摄像装置D的捕获图像两者中共同拍摄的人物的数量为1。在来自摄像装置B的捕获图像和来自摄像装置D的捕获图像两者中共同拍摄的人物的数量为3。如图13所示，人物在衣服方面变化，从而从捕获图像中的人物区域提取的特征量也变化。由于这些变化，不太可能发生人物对照错误。图13中连接人物的线段表示人物对照结果的示例，因此指示已经正确执行了人物对照。
在图14的示例中，除了所拍摄的人物以外，与图13的方式相同，在来自摄像装置A的捕获图像和来自摄像装置C的捕获图像两者中共同拍摄的人物的数量为3。在来自摄像装置A的捕获图像和来自摄像装置D的捕获图像两者中共同拍摄的人物的数量为1。在来自摄像装置B的捕获图像和来自摄像装置D的捕获图像两者中共同拍摄的人物的数量为3。
如图14所示，人物在衣服方面变化较小，从而从捕获图像中的人物区域提取的特征量的变化也较小。因此，更有可能发生人物对照错误。图14中连接人物的线段表示错误的人物对照结果的示例。如果以这种方式发生人物对照错误，则基于该对照进行的异常确定错误的可能性高。
根据第二实施方式，响应于从捕获图像提取的特征量的变化来控制异常确定的阈值。更具体地，异常确定的阈值被控制成使得：随着从来自摄像装置10的捕获图像提取的人物区域的特征量的变化幅度越小，越难以检测到异常。
更详细地，根据第二实施方式，随着从来自摄像装置10的捕获图像提取的每个人物区域的特征量的变化幅度越小，将异常确定的阈值控制为越高。此外，随着从来自摄像装置10的捕获图像提取的每个人物区域的特征量的变化幅度越大，将异常确定的阈值控制为越低。下面更详细地描述该处理。
第二实施方式的阈值设置单元34设置摄像装置ID对。阈值设置单元34基于从正常状况下的摄像装置ID对检测到的人物区域的特征量来计算特征量的标准差。下面描述特征量的标准差的计算方法。
从N个人物区域提取的特征量X由公式(1)表示。在公式(1)中，x(1)、x(2)、...、x(N)中的每个x是表示用作特征量的颜色直方图的向量。
X＝{x(1)，x(2)，...，x(N)}
…(1)
阈值设置单元34根据公式(2)使用从N个人物区域提取的特征量X来计算平均向量μ。
阈值设置单元34根据公式(3)使用所计算的平均向量μ来计算方差向量ν。阈值设置单元34根据方差向量ν来计算标准差向量σ。标准差向量σ中的每个元素是用作特征量的颜色直方图的每个容器(bin)的标准差。
公式(3)中符号||||表示欧几里得范数并且根据公式(4)来计算。M表示颜色直方图的容器的数量(特征量的维数)。
阈值设置单元34计算标准差向量σ的元素的和作为特征量的标准差。标准差向量σ的每个元素是颜色直方图的每个容器的标准差。通过对元素求和，计算整个颜色直方图的标准差。
如果特征量的标准差等于或高于特征量的阈值，则阈值设置单元34使用从其提取特征量的人物区域的对照结果来计算每单位时间一对摄像装置ID之间的移动人物的数量。特征量的阈值被预先设置。
更详细地，对于正常状况下的每对成像装置ID，阈值设置单元34根据由人物对照单元32提供的并且特征量的标准差高于特征量的阈值的对照结果重复地测量特定时间段内正常状况下摄像装置ID对之间的移动人物的数量。阈值设置单元34计算正常状况下移动人物的数量的范围。更具体地，阈值设置单元34将摄像装置ID对在正常状况下人物数量的平均值设置为标准值，并且将正常状况下人物数量的标准差设置为阈值。阈值设置单元34将所设置的标准值和异常确定的阈值与摄像装置ID对彼此相关联地存储在阈值存储单元36上。
根据第二实施方式，如果特征量的标准差等于或高于阈值，则计算每单位时间正常状况下一对摄像装置的拍摄区域中的位置之间移动人物的数量，并且使用特征量变化较大的人物区域。以这种方式，根据在人物区域的对照中错误较少的信息来计算标准值和异常确定的阈值。
根据该实施方式，当确定与在正常状况下分析的过去的移动趋势出现偏差时，响应于从捕获图像检测到的人物区域的特征量的变化而修改用作事件检测标准的示例的异常确定的阈值。通过将所修改的异常确定的阈值和当前移动趋势与指示在正常状况下分析的过去的移动趋势的标准值的偏差进行比较来检测异常。
基于由人物对照单元32实时获得的对照结果，第二实施方式的异常确定单元38计算与一对不同的摄像装置10对应的位置之间的移动人物的数量，并且通过将移动人物的数量与异常确定的阈值进行比较来检测异常。异常确定单元38还从阈值存储单元36关于每对摄像装置ID读取异常确定的阈值，并且将异常确定的阈值控制成使得随着从捕获图像的人物区域提取的特征量的变化变得越小而异常确定的阈值越大。异常确定单元38还将异常确定的阈值控制成使得随着从捕获图像的人物区域提取的特征量的变化变得越大而异常确定的阈值越小。
更具体地，异常确定单元38根据由人物检测单元26实时获得的人物区域关于每对不同的成像装置ID计算从人物区域提取的特征量的标准差。基于由人物对照单元32实时获得的人物区域的对照结果，异常确定单元38响应于每对不同摄像装置ID来计算一对不同摄像装置之间的移动人物的数量。
异常确定单元38关于每对成像装置ID从阈值存储单元36读取异常确定的阈值，并且根据下面的公式(5)重新设置异常确定的阈值。存储在阈值存储单元36上的异常确定的阈值是正常状况下移动人物的数量的标准差。
异常确定的阈值←(N+1/特征量的标准差)×(异常确定的阈值)...(5)
根据公式(5)，随着人物区域的特征量的变化越小(随着人物区域看起来彼此越相似)，异常确定的阈值变得越高，而随着人物区域的特征量的变化越大(随着人物区域看起来彼此不太相似)，异常确定的阈值变得越接近N×(移动人物数量)的标准差。
如果通过参考所计算的移动人物数量以及根据存储在阈值存储单元36上的特征量的标准值和标准差确定的异常确定的阈值，移动人物的数量比标准值超出异常确定的阈值或者更多，则异常确定单元38关于每对摄像装置ID检测到发生了异常。
下面描述第二实施方式的事件检测系统100的处理。
下面描述用于设置标准值和异常确定的阈值的阈值设置处理。在事件检测系统100中，在正常状况下，摄像装置10捕获图像，以及事件检测装置20中的图像获取单元22获取由摄像装置10捕获的图像。当由图像获取单元22获取的每个捕获图像存储在图像存储单元24的图像表中时，事件检测装置20执行图15的阈值设置处理。下面描述阈值设置处理中的每个操作。
在图15的阈值设置处理的步骤S100中，事件检测装置20读取存储在图像存储单元24上的图像表中的每个捕获图像，并且对捕获图像中的同一人物执行同一人物确定处理。在图11的同一人物确定处理中执行步骤S100。
在步骤S402中，阈值设置单元34设置一对摄像装置ID。
在步骤S404中，阈值设置单元34根据步骤S100中的人物区域的检测结果来计算与步骤S402中设置的一对成像装置ID对应的特征量的标准差。
在步骤S406中，阈值设置单元34确定特征量的标准差是否等于或高于特征量的阈值。如果特征量的标准差等于或高于特征量的阈值，则处理进行至步骤S408。如果特征量的标准差小于特征量的阈值，则处理进行至步骤S412。
在步骤S408中，对于特定时间段，阈值设置单元34根据在步骤S100中获得的人物区域的对照结果关于在步骤S402中设置的一对成像装置ID来测量正常状况下该对摄像装置ID之间的移动人物的数量。因此，阈值设置单元34计算正常状况下移动人物的数量。
在步骤S410中，阈值设置单元34将相对于在步骤S402中设置的一对摄像装置ID在步骤S408中计算的移动人物的数量的平均值设置为标准值，并且将在步骤S408中计算的移动人物的数量的标准差设置为阈值。阈值设置单元34将所设置的标准值和异常确定的阈值与该对摄像装置ID彼此相关联地存储在阈值存储单元36上。
在步骤S412中，确定是否已经对特定时间段内的存储在图像存储单元24上的图像表中的所有摄像装置ID对执行了步骤S402至步骤S410中的操作。如果已经对特定时间段内的存储在图像存储单元24上的图像表中的所有摄像装置ID对执行了步骤S402至步骤S410中的操作，则阈值设置处理结束。如果图像存储单元24上的图像表中仍然存在特定时间段内的尚未经历步骤S402至步骤S410中的操作的摄像装置ID对，则处理返回至步骤S402。
下面描述异常确定处理。在事件检测系统100中，在正常状况下，摄像装置10连续地捕获图像，以及事件检测装置20中的图像获取单元22获取由摄像装置10捕获的图像。当由图像获取单元22获取的每个捕获图像存储在图像存储单元24的图像表中时，事件检测装置20执行图16的异常确定处理。
在步骤S300中，执行图11的同一人物确定处理。在步骤S300中，相对于每对不同摄像装置ID确定同一人物的人物区域。
在步骤S302中，异常确定单元38设置一对不同摄像装置ID。
在步骤S503中，异常确定单元38根据在步骤S300中实时获得的人物区域的对照结果来计算从在步骤S302中设置的摄像装置ID对的人物区域提取的特征量的标准差。
在步骤S304中，异常确定单元38根据在步骤S300中获得的人物区域的对照结果对在步骤S302中设置的该对不同摄像装置ID的被确定为同一人物的人物区域的数量进行计数。由此，异常确定单元38计算在步骤S302中设置的不同摄像装置ID之间的移动人物的数量。
在步骤S510中，异常确定单元38从阈值存储单元36读取异常确定的阈值，并且将异常确定的阈值重新设置成使得：随着在步骤S503中计算的特征量的标准差越小，异常确定的阈值越高。异常确定单元38还将异常确定的阈值重新设置成使得：随着在步骤S503中计算的特征量的标准差越大，异常确定的阈值越低。
以与第一实施方式相同的方式执行图16的步骤S306至步骤S314中的操作，从而完成异常确定处理。
如上所述，第二实施方式的事件检测装置分别从多个成像装置获取捕获图像。事件检测装置通过将异常确定的阈值与从来自另一摄像装置的捕获图像提取的状态进行比较来检测异常，该状态具有与从来自特定摄像装置的捕获图像提取的特征量满足特定相似度标准的特征量。以这种方式，将异常确定的阈值控制成使得：随着从捕获图像提取的每个特征量的变化变得越小，越难以检测到异常。即使从捕获图像提取的特征量有可能发生对照错误，也可以控制错误的异常检测，使得适当地检测异常。
如上所述，事件检测程序60安装在存储单元53上。本公开内容不限于该配置。与实施方式相关的程序可以以记录形式提供在记录介质之一上，记录介质包括压缩盘只读存储器(CD-ROM)、数字通用盘ROM(DVD-ROM)和通用串行总线(USB)存储器。
下面描述实施方式的修改。
根据实施方式，从捕获图像检测表示人物的人物区域，并且响应于表示人物区域数量的移动人物数量来检测异常。本公开内容不限于该配置。可以从捕获图像检测表示另一目标对象的区域。例如，可以从捕获图像检测表示车辆的车辆区域，并且可以响应于移动车辆的数量来检测异常。根据实施方式，将从人物区域提取的特征量的标准差用作每个特征量变化的示例。本公开内容不限于该配置。例如，可以使用特征量的方差。
根据实施方式，响应于移动人物的数量来检测异常。本公开内容不限于该配置。例如，可以使用人物移动的行进时间以及移动人物的移动比例来检测异常。
如果使用移动人物的行进时间来检测异常，则异常确定单元38根据由人物对照单元32实时获得的人物区域的对照结果关于每对不同的摄像装置ID计算一对不同成像装置之间的人物区域的行进时间。如图5所示，由于成像时间与人物区域ID相关联，因此异常确定单元38计算被确定为同一人物的一对人物区域的成像时间之间的差作为人物移动的行进时间。异常确定单元38关于每对不同摄像装置ID计算人物区域的移动的平均行进时间。如果关于每对不同摄像装置ID的移动的平均行进时间与标准值相差异常确定的阈值或更多，则异常确定单元38检测到发生了异常。
对于特定时间段，阈值设置单元34根据人物区域的对照结果关于每对摄像装置ID测量正常状况下一对摄像装置ID之间的人物区域的移动的行进时间。以与本实施方式中描述的方式类似的方式，设置标准值和异常确定的阈值。
如果使用移动人物的移动比例来检测异常，则异常确定单元38根据由人物对照单元32实时获得的人物区域的对照结果关于每对不同摄像装置ID计算一对不同摄像装置之间的移动人物的数量。对于每个摄像装置ID，异常确定单元38计算在该特定时间段期间移动人物的总和，由此计算表示从不同摄像装置ID移动的人物区域的百分比的移动比例。
如图17所示，例如，安装有摄像装置A至摄像装置D。从相机装置A的位置移动到摄像装置D的位置的人物的数量现在是3，从摄像装置B的位置移动到摄像装置D的位置的人物的数量现在是5。此外，从摄像装置C的位置移动到摄像装置D的位置的人物的数量现在是7。在这种情况下，从摄像装置A、B和C的位置到摄像装置D的位置的移动人物的总数为15。如图18所示，为了计算移动比例，将从摄像装置的每个位置到摄像装置D的位置的人物数量除以移动人物的总数来计算每个摄像装置的移动比例。
如果来自不同于感兴趣的摄像装置的不同摄像装置的移动比例与标准值相差异常确定的阈值或更多，则异常确定单元38关于每个摄像装置ID检测异常的发生。
基于人物区域的对照结果，阈值设置单元34关于每对摄像装置ID测量特定时间段内正常状况下一对摄像装置ID之间的人物的移动比例。因此，以与本实施方式的方式类似的方式设置标准值和异常确定的阈值。
根据实施方式，例如，检测异常作为事件的示例。本公开内容不限于该配置。例如，可以响应于目标对象的移动趋势来检测事件是否保持。如果在目标对象的移动趋势中检测到滞留，则当前可能正在保持具有顾客吸引效果的事件。
根据实施方式，将异常确定的阈值控制成使得：随着从捕获图像提取的人物区域的特征量的变化越小，根据公式(5)越难以检测到异常。本公开内容不限于该配置。例如，只要所检测的人物区域的特征量的标准差等于或高于预定阈值，就检测到异常的发生。
根据实施方式，基于由人物对照单元32获得的对照结果，阈值设置单元34将一对不同摄像装置之间的移动人物的平均值设置为标准值，并且将作为标准差的N倍的值设置为异常确定的阈值。本公开内容不限于该配置。例如，手动计算正常状况下移动人物的数量，由此可以设置标准值和异常确定的阈值。

Claims (5)

1.一种事件检测装置，包括：
存储器；以及
处理器，所述处理器耦接至所述存储器，并且所述处理器被配置成：
获取由第一摄像装置在第一时间处捕获的第一捕获图像；
获取由第二摄像装置在所述第一时间之后的第二时间处捕获的第二捕获图像；
根据从所述第一捕获图像提取的第一图像特征、从所述第二捕获图像提取的第二图像特征和事件检测标准来检测事件，所述事件检测标准使得随着所述第一图像特征的方差或所述第二图像特征的方差越小而越少能够检测到事件，所述第一图像特征和所述第二图像特征两者均对应于所述第一捕获图像和所述第二捕获图像每一个中包括的一个或更多个目标对象；以及
输出检测事件的结果。
2.根据权利要求1所述的事件检测装置，其中，
所述事件检测标准被定义成使得：随着所述第一图像特征的方差或所述第二图像特征的方差越小，由所述事件检测标准指示的值越高，而随着所述第一图像特征的方差或所述第二图像特征的方差越大，由所述事件检测标准指示的值越低；并且其中，
所述处理器被配置成：
在所述检测中检测基于所述第一图像特征和所述第二图像特征指示的值等于或大于由所述事件检测标准指示的值的事件。
3.根据权利要求1或2中的一项所述的事件检测装置，其中，
所述第一图像特征和所述第二图像特征两者均为所述第一捕获图像和所述第二捕获图像每一个中包括的一个或更多个人物区域的图像特征；以及
所述事件检测标准使得随着所述一个或更多个人物区域之间的图像特征的方差越小而越少能够检测到事件；并且其中，
所述处理器被配置成：
基于所述第一图像特征和所述第二图像特征指定包括移动人物数量、人物移动比例和行进时间的因素中的至少一个因素；以及
基于所述至少一个因素和所述事件检测标准来检测事件。
4.一种由计算机执行的事件检测方法，所述事件检测方法包括：
获取由第一摄像装置在第一时间处捕获的第一捕获图像；
获取由第二摄像装置在所述第一时间之后的第二时间处捕获的第二捕获图像；
基于所述第一图像特征与所述第二图像特征之间的差异来确定是否发生事件，所述第一图像特征和所述第二图像特征两者均对应于所述第一捕获图像和所述第二捕获图像每一个中包括的一个或更多个目标对象；以及
当确定发生事件时，输出指示事件的发生的信息。
5.一种存储事件检测程序的非暂态计算机可读存储介质，所述事件检测程序使计算机执行以下处理，所述处理包括：
获取由第一摄像装置在第一时间处捕获的第一捕获图像；
获取由第二摄像装置在所述第一时间之后的第二时间处捕获的第二捕获图像；
根据从所述第一捕获图像提取的第一图像特征、从所述第二捕获图像提取的第二图像特征和事件检测标准来检测事件，所述事件检测标准使得随着所述第一图像特征的方差或所述第二图像特征的方差越小而越少能够检测到事件，所述第一图像特征和所述第二图像特征两者均对应于所述第一捕获图像和所述第二捕获图像每一个中包括的一个或更多个目标对象；以及
输出检测事件的结果。
CN201710881413.9A 2016-09-30 2017-09-26 事件检测装置和方法以及非暂态计算机可读存储介质 Pending CN107886521A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016194224A JP2018055607A (ja) 2016-09-30 2016-09-30 イベント検知プログラム、イベント検知装置、及びイベント検知方法
JP2016-194224 2016-09-30

Publications (1)

Publication Number Publication Date
CN107886521A true CN107886521A (zh) 2018-04-06

Family

ID=61758745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710881413.9A Pending CN107886521A (zh) 2016-09-30 2017-09-26 事件检测装置和方法以及非暂态计算机可读存储介质

Country Status (3)

Country Link
US (1) US20180096209A1 (zh)
JP (1) JP2018055607A (zh)
CN (1) CN107886521A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112514373A (zh) * 2018-08-14 2021-03-16 华为技术有限公司 用于特征提取的图像处理装置和方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112018004673T5 (de) 2017-10-22 2020-06-18 Todd Martin System und verfahren zur bilderkennungsregistrierung eines athleten bei einem sportereignis
US11328513B1 (en) * 2017-11-07 2022-05-10 Amazon Technologies, Inc. Agent re-verification and resolution using imaging
JP7039409B2 (ja) 2018-07-18 2022-03-22 株式会社日立製作所 映像解析装置、人物検索システムおよび人物検索方法
CN109544472B (zh) * 2018-11-08 2022-06-21 苏州佳世达光电有限公司 对象驱动装置及对象驱动方法
JP7242309B2 (ja) * 2019-01-16 2023-03-20 キヤノン株式会社 画像処理装置、画像処理方法およびプログラム
JP6733766B1 (ja) * 2019-03-28 2020-08-05 日本電気株式会社 解析装置、制御方法、及びプログラム
WO2021084944A1 (ja) * 2019-10-30 2021-05-06 ソニー株式会社 情報処理システム、情報処理方法、撮像装置、情報処理装置
JP6866950B2 (ja) * 2020-07-06 2021-04-28 日本電気株式会社 解析装置、制御方法、及びプログラム
EP3971771A1 (en) * 2020-09-22 2022-03-23 Grazper Technologies ApS A concept for generating training data and training a machine-learning model for use in re-identification
US11657123B2 (en) 2020-10-08 2023-05-23 Hitachi, Ltd. Method and apparatus for people flow analysis using similar-image search
CN112509011B (zh) * 2021-02-08 2021-05-25 广州市玄武无线科技股份有限公司 一种静止商品统计方法、终端设备及其存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452529A (zh) * 2007-12-07 2009-06-10 索尼株式会社 信息处理设备和信息处理方法与计算机程序
CN104050289A (zh) * 2014-06-30 2014-09-17 中国工商银行股份有限公司 一种异常事件检测方法及系统
CN104915632A (zh) * 2014-03-14 2015-09-16 欧姆龙株式会社 事件检测装置以及事件检测方法
US20150334299A1 (en) * 2014-05-14 2015-11-19 Panasonic Intellectual Property Management Co., Ltd. Monitoring system
CN105531995A (zh) * 2013-05-10 2016-04-27 罗伯特·博世有限公司 用于使用多个摄像机进行对象和事件识别的系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452529A (zh) * 2007-12-07 2009-06-10 索尼株式会社 信息处理设备和信息处理方法与计算机程序
CN105531995A (zh) * 2013-05-10 2016-04-27 罗伯特·博世有限公司 用于使用多个摄像机进行对象和事件识别的系统和方法
CN104915632A (zh) * 2014-03-14 2015-09-16 欧姆龙株式会社 事件检测装置以及事件检测方法
US20150334299A1 (en) * 2014-05-14 2015-11-19 Panasonic Intellectual Property Management Co., Ltd. Monitoring system
CN104050289A (zh) * 2014-06-30 2014-09-17 中国工商银行股份有限公司 一种异常事件检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112514373A (zh) * 2018-08-14 2021-03-16 华为技术有限公司 用于特征提取的图像处理装置和方法
CN112514373B (zh) * 2018-08-14 2023-09-15 华为技术有限公司 用于特征提取的图像处理装置和方法

Also Published As

Publication number Publication date
US20180096209A1 (en) 2018-04-05
JP2018055607A (ja) 2018-04-05

Similar Documents

Publication Publication Date Title
CN107886521A (zh) 事件检测装置和方法以及非暂态计算机可读存储介质
CN110909651B (zh) 视频主体人物的识别方法、装置、设备及可读存储介质
CN109858371B (zh) 人脸识别的方法及装置
Tang et al. Cross-camera knowledge transfer for multiview people counting
JP6161257B2 (ja) イベント検出装置及びその方法、動作認識装置及びその方法、プログラム
US7324670B2 (en) Face image processing apparatus and method
CN101853391B (zh) 信息处理设备和方法
EP1530157B1 (en) Image matching system using 3-dimensional object model, image matching method, and image matching program
CN105938622A (zh) 检测运动图像中的物体的方法和装置
CN107657244B (zh) 一种基于多摄像机的人体跌倒行为检测系统及其检测方法
CN108810620A (zh) 识别视频中的关键时间点的方法、计算机设备及存储介质
JP6185517B2 (ja) 画像監視装置
CN108388879A (zh) 目标的检测方法、装置和存储介质
JP2004199669A (ja) 顔検出
JP2004192637A (ja) 顔検出
CN107305693A (zh) 信息处理装置、信息处理方法及存储介质
JP7518609B2 (ja) 画像処理装置、画像処理方法、及びプログラム
US20220375202A1 (en) Hierarchical sampling for object identification
CN106529388A (zh) 信息处理装置及其控制方法
CN114783037B (zh) 目标重识别方法、目标重识别装置和计算机可读存储介质
US10636262B2 (en) Method and device for monitoring individuals in a place equipped with distributed detection means
CN107666573A (zh) 摄像头场景下对象视频的录制方法及装置、计算设备
CN111062294B (zh) 一种客流排队时间的检测方法、装置及系统
JP2022062675A (ja) 類似画像検索による人流分析方法および装置
CN113711274A (zh) 增强现实的实现方法

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: 20180406