CN107967298A - 基于视频分析的监控管理方法 - Google Patents

基于视频分析的监控管理方法 Download PDF

Info

Publication number
CN107967298A
CN107967298A CN201711070323.8A CN201711070323A CN107967298A CN 107967298 A CN107967298 A CN 107967298A CN 201711070323 A CN201711070323 A CN 201711070323A CN 107967298 A CN107967298 A CN 107967298A
Authority
CN
China
Prior art keywords
video
information
destination object
moving objects
managing
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
CN201711070323.8A
Other languages
English (en)
Inventor
阮锐
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.)
SHENZHEN HR-SKYEYES Co Ltd
Original Assignee
SHENZHEN HR-SKYEYES 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 SHENZHEN HR-SKYEYES Co Ltd filed Critical SHENZHEN HR-SKYEYES Co Ltd
Priority to CN201711070323.8A priority Critical patent/CN107967298A/zh
Publication of CN107967298A publication Critical patent/CN107967298A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/738—Presentation of query results
    • G06F16/739—Presentation of query results in form of a video summary, e.g. the video summary being a video sequence, a composite still image or having synthesized frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于视频分析的监控管理方法，包括：根据查询时间自动检索摘要信息数据库，所述摘要信息数据库包括至少一个的视频摘要信息；判断所述摘要信息数据库中是否存在与所述查询时间相匹配的视频摘要信息；若是，则获取相匹配的视频摘要信息中的目标对象的运动轨迹信息；根据所述运动轨迹信息判断目标对象是否脱岗。通过查询时间可以与摘要信息数据库进行快速匹配，然后根据视频摘要信息中的目标对象的运动轨迹信息来判断目标对象是否脱岗，可以提高判断的准确性，及时发现脱岗现象，便于相关人员做出应对处理。

Description

基于视频分析的监控管理方法
技术领域
本发明涉及监控技术领域，尤其涉及一种基于视频分析的监控管理方法。
背景技术
安防监控措施在各个行业已经得到广泛应用，由于管理原因，在现实中，常常会出现值班人员缺位的现象，包括代岗和脱岗等，值班人员的脱岗有时候会带来安全隐患，尤其是对于消防安全而言，值班人员的脱岗所来带的隐患更甚。
发明内容
本发明所要解决的技术问题是：提供一种基于视频分析的监控管理方法，可以随时查询值班情况，便于及时发现脱岗现象。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于视频分析的监控方法，包括：
根据查询时间自动检索摘要信息数据库，所述摘要信息数据库包括至少一个的视频摘要信息；
判断所述摘要信息数据库中是否存在与所述查询时间相匹配的视频摘要信息；
若是，则获取相匹配的视频摘要信息中的目标对象的运动轨迹信息；
根据所述运动轨迹信息判断目标对象是否脱岗。
本发明的有益效果在于：通过查询时间可以与摘要信息数据库进行快速匹配，然后根据视频摘要信息中的目标对象的运动轨迹信息来判断目标对象是否脱岗，可以提高判断的准确性，及时发现脱岗现象，便于相关人员做出应对处理。
附图说明
图1为本发明实施例一的基于视频分析的监控管理方法的流程图；
图2为本发明实施例二的基于视频分析的监控管理方法的流程图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于：根据视频摘要信息中的目标对象的运动轨迹信息来判断目标对象是否脱岗。
请参照图1以及图2，一种基于视频分析的监控方法，包括：
根据查询时间自动检索摘要信息数据库，所述摘要信息数据库包括至少一个的视频摘要信息；
判断所述摘要信息数据库中是否存在与所述查询时间相匹配的视频摘要信息；
若是，则获取相匹配的视频摘要信息中的目标对象的运动轨迹信息；
根据所述运动轨迹信息判断目标对象是否脱岗。
从上述描述可知，本发明的有益效果在于：通过查询时间可以与摘要信息数据库进行快速匹配，然后根据视频摘要信息中的目标对象的运动轨迹信息来判断目标对象是否脱岗，可以提高判断的准确性，及时发现脱岗现象，便于相关人员做出应对处理。
进一步的，所述“根据查询时间自动检索摘要信息数据库”之前还包括：
获取至少一个的值班视频信息；
根据至少一个的所述值班视频信息获取至少一个的视频摘要信息，得到摘要信息数据库。
由上述描述可知，对值班视频信息以视频摘要的方式进行保存，便于后续进行查看。
进一步的，所述“根据至少一个的所述值班视频信息获取至少一个的视频摘要信息”具体包括：
利用混合高斯函数对值班视频信息进行背景建模，提取运动对象；
对运动对象进行跟踪，得到运动对象的运动轨迹；
将运动对象的运动轨迹叠加至通过背景建模得到的背景上，得到视频摘要信息。
由上述描述可知，通过混合高斯函数进行背景建模，每个高斯分布具有自己的权重，可以处理多模态背景分布的情况，并且混合高斯函数建模是参数化的，模型的参数会自适应更新，不用缓存过去的视频帧。
进一步的，所述“获取相匹配的视频摘要信息中的目标对象的运动轨迹信息”之前还包括：将查询到的视频摘要信息通过缩略图的方式进行展示。
进一步的，所述“获取相匹配的视频摘要信息中的目标对象的运动轨迹信息”具体包括：
预设目标对象的运动特征；
根据查询到的视频摘要信息获取运动对象的运动轨迹；
根据所述运动特征将所述目标对象与运动对象的运动轨迹进行匹配；
判断所述运动对象的运动轨迹中是否存在所述目标对象；
若是，则将匹配的运动对象轨迹中的运动对象的位置信息作为目标对象的当前位置信息。
由上述描述可知，将目标对象与视频摘要中的运动对象的运动轨迹进行匹配，当存在目标对象时更新目标对象的位置，对目标对象实现实时定位跟踪。
进一步的，当运动对象的运动轨迹中不存在所述目标对象时，对所述目标对象进行卡尔曼滤波处理；
记录进行卡尔曼滤波处理的次数；
继续执行所述根据查询到的视频摘要信息获取运动对象的运动轨迹的步骤。
由上述描述可知，对目标对象进行卡尔曼滤波处理可以在一定程度上排除噪声和干扰的影响。
进一步的，所述“根据所述运动轨迹信息判断目标对象是否脱岗“具体为：
当进行卡尔曼滤波处理的次数超过预设次数，且运动对象轨迹中仍不存在所述目标对象时，所述目标对象脱岗。
由上述描述可知，当排出噪声和干扰后，仍不能找到目标对象时，则说明目标对象不在视频画面中，目标对象脱岗。
进一步的，所述运动特征包括运动速度和对象大小。
由上述描述可知，根据运动速度和对象的大小可以判断运动对象是否为目标对象。
进一步的，通过最近邻匹配法将所述目标对象与运动对象的运动轨迹进行匹配。
实施例一
请参照图1，本发明的实施例一为：
一种基于视频分析的监控管理方法，可以随时查询值班情况，便于及时发现脱岗现象，包括：
S1、根据查询时间自动检索摘要信息数据库，所述摘要信息数据库包括至少一个的视频摘要信息。查询时间可以是某一个时间点或者一个时间段，可以根据需要进行选择。
S2、判断所述摘要信息数据库中是否存在与所述查询时间相匹配的视频摘要信息；若是，则执行步骤S3；若否，则结束，并且对该时间段进行标记。
S3、获取相匹配的视频摘要信息中的目标对象的运动轨迹信息。视频摘要中可能存在多个运动对象，需要找出目标对象的运动轨迹信息。
S4、根据所述运动轨迹信息判断目标对象是否脱岗。可以预先设置一定的脱岗运动轨迹，当发现目标对象沿着预设的脱岗运动轨迹运动后，就可判断其脱岗，也可以预先设置某一个或多个位置作为脱岗位置，当目标对象运动至脱岗位置时也判断其脱岗。
本实施例中，通过查询时间可以与摘要信息数据库进行快速匹配，然后根据视频摘要信息中的目标对象的运动轨迹信息来判断目标对象是否脱岗，可以提高判断的准确性，及时发现脱岗现象，便于相关人员做出应对处理。
实施例二
请参照图2，本发明的实施例二为实施例一的进一步扩展，相同之处不再赘述，不同之处在于：
步骤S1之前还包括：
S001、获取至少一个的值班视频信息。值班视频信息可以间隔一定的时间进行上传。本实施例中，多个视频监控设备通过互联网接入云平台，通过云平台可以对视频监控设备以及视频通道进行配置。
S002、根据至少一个的所述值班视频信息获取至少一个的视频摘要信息，得到摘要信息数据库。
步骤S002具体包括：
S0021、利用混合高斯函数对值班视频信息进行背景建模，提取运动对象。
S0022、对运动对象进行跟踪，得到运动对象的运动轨迹。
S0023、将运动对象的运动轨迹叠加至通过背景建模得到的背景上，得到视频摘要信息。
本实施例中，利用混合高斯函数进行背景建模时，是图像中每个像素点值的分布维护了一个概率密度函数，将图像中每个特定的像素点的值用若干个(一般3-5个)高斯分布去拟合。
假设在时刻t，某特定像素点的像素值为Xt的概率为：
式1.1中，K表示所取的高斯分布的个数，取值小则运算量小计算速度块，取值大则计算量大耗时长，一般为3～5。ωn,t表示在时刻t第n个高斯模型分量的权重，表示高斯概率密度函数。式1.1中，
式1.2中，μn,t和分别表示t时刻第n个高斯模型分量的均值和方差。
在线估计中，每个新到来的像素值Xt与它对应的K个高斯分布去匹配，如果Xt在某个分布的λ倍的标准差内，即：
|Xt-μn,t|＜λσn,t (式1.3)
满足式1.3时，认为Xt匹配上了该高斯分布，λ称为偏差系数。
对于匹配上的高斯模型分量，按以下等式进行更新：
ωn,t＝(1-α)ωn,t-1+α 式(1.4)
μt＝(1-ρ)μt-1+ρXt 式(1.5)
其中，α和ρ分别是高斯模型分量权重学习率和模型参数学习率，α由用户定义。
如果当前新到来的像素值和该像素点的任何一个高斯模型分量都未匹配上，将以当前观测值Xt为均值，给定一个较大值为初始方差和一个初始较低的权重来构造一个新的模型来替换当前置信度(定义为ω/σ)最低的模型分量，剩余的模型分量保持原来的均值方差不变，但它们的权重按下式进行衰减：
ωn,t＝(1-α)ωn,t-1 式(1.8)
为了确定Xt是否为前景运动像素，先按照模型置信度(ω/σ)对该像素点的K个高斯模型分量进行排序，排序靠前的分量有较低的方差和较高的权重，它们能很好地反应背景的特性，选取前面B个高斯分布作为背景模型，B的取值满足以下原则：
式1.9中，T为背景的度量比例阈值，根据场景情况可以具体进行调整，一般取值在0.7左右。如果Xt匹配上B个分布中的任何一个分布，则认为当前Xt为背景像素，否则为前景运动像素。
本实施例中，所述步骤S3之前还包括：将查询到的视频摘要信息通过缩略图的方式进行展示。
步骤S3具体包括：
S31、预设目标对象的运动特征。所述运动特征包括运动速度和对象大小，当然为了判断更加准确，还可以预设其他的运动特征将目标对象加以区分。
S32、根据查询到的视频摘要信息获取运动对象的运动轨迹。每一个视频摘要中可能存在多个运动对象。
S33、根据所述运动特征将所述目标对象与运动对象的运动轨迹进行匹配。具体的，通过最近邻匹配法将所述目标对象与运动对象的运动轨迹进行匹配。
S34、判断所述运动对象的运动轨迹中是否存在所述目标对象；若是，则执行步骤S35；若否，则执行步骤S36。
S35、将匹配的运动对象轨迹中的运动对象的位置信息作为目标对象的当前位置信息。
S36、对所述目标对象进行卡尔曼滤波处理，并记录进行卡尔曼滤波处理的次数，然后继续执行步骤S32，以此循环。卡尔曼滤波是以最小均方误差作为估计的最佳准则，来寻找一套递推估计的算法，其基本实现过程是：采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，卡尔曼滤波方法大致分为预测和更新两个部分，本实施例中，将目标对象的状态用两个位置变量x和y，以及两个速度变量Vx和Vy来表示，这四个变量组成状态向量Xk的元素，认为目标对象的运动是线性的，则状态向量和传递矩阵表示为：
目标对象的测量向量只包括测量到的目标对象的位置信息：
得到了目标对象以后，为目标对象的状态向量、传递矩阵和位置信息进行初始化，然后就可以按照卡尔曼滤波的预测和更新两个过程对目标对象的运动进行跟踪了。
本实施例中，采用最近邻匹配法和卡尔曼滤波法相融合的方法进行目标对象的跟踪，由于最近邻匹配法依靠与前景检测的结果，在前景中存在噪声或者时前景检测结果不佳的情况下无法对目标对象进行准确的跟踪，可能会造成目标对象丢失等情况的发生，在这种情况下，可以采用卡尔曼滤波的方法，根据目标对象的历史记录信息来预测运动目标块可能存在的位置，从而进行跟踪。
当进行卡尔曼滤波处理的次数超过预设次数，且运动对象轨迹中仍不存在所述目标对象时，所述目标对象脱岗；当进行卡尔曼滤波处理的次数未超过预设次数，则继续进行卡尔曼滤波处理，预设次数的大小可以根据需要进行设置。
实施例三
本发明的实施例三为上述实施例的一具体应用场景，包括：
假设某一视频监控设备A通过互联网接入云平台，间隔一定的时间上传一段值班视频信息，然后根据值班视频信息得到视频摘要信息，将视频摘要信息存入摘要信息数据库中。假定要查询早上的值班情况，则可将前三个视频摘要信息作为上午的值班记录，根据查询时间自动检索摘要信息数据库，查询得到相应的视频摘要信息，假设本实施例中查询得到三个视频摘要信息。将查询到的视频摘要信息通过缩略图的方式进行展示，然后通过最近邻匹配法将目标对象与视频摘要信息中多个运动对象的运动轨迹进行匹配，匹配时依照时间的顺序，分别与三个视频摘要信息依次进行匹配，若与第一个视频摘要信息匹配成功，则将匹配成功的运动轨迹中的运动对象的位置作为目标对象的当前位置信息，实现对目标对象的跟踪；若运动对象的运动轨迹中不存在所述目标对象时，对所述目标对象进行卡尔曼滤波处理，并记录进行卡尔曼滤波处理的次数，然后与下一个视频摘要信息进行匹配，以此循环，当进行卡尔曼滤波处理的次数超过预设次数(假设为两次)，且运动对象轨迹中仍不存在所述目标对象时，所述目标对象脱岗，即三个视频摘要信息中均不存在目标对象，此时可判断目标对象脱岗。
综上所述，本发明提供的一种基于视频分析的监控管理方法，可以根据查询时间进行快速匹配，并且通过视频分析可以提高判断的准确性，及时发现脱岗现象，便于相关人员做出应对处理。
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同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于视频分析的监控管理方法，其特征在于，包括：
根据查询时间自动检索摘要信息数据库，所述摘要信息数据库包括至少一个的视频摘要信息；
判断所述摘要信息数据库中是否存在与所述查询时间相匹配的视频摘要信息；
若是，则获取相匹配的视频摘要信息中的目标对象的运动轨迹信息；
根据所述运动轨迹信息判断目标对象是否脱岗。
2.根据权利要求1所述的基于视频分析的监控管理方法，其特征在于，所述“根据查询时间自动检索摘要信息数据库”之前还包括：
获取至少一个的值班视频信息；
根据至少一个的所述值班视频信息获取至少一个的视频摘要信息，得到摘要信息数据库。
3.根据权利要求2所述的基于视频分析的监控管理方法，其特征在于，所述“根据至少一个的所述值班视频信息获取至少一个的视频摘要信息”具体包括：
利用混合高斯函数对值班视频信息进行背景建模，提取运动对象；
对运动对象进行跟踪，得到运动对象的运动轨迹；
将运动对象的运动轨迹叠加至通过背景建模得到的背景上，得到视频摘要信息。
4.根据权利要求1所述的基于视频分析的监控管理方法，其特征在于，所述“获取相匹配的视频摘要信息中的目标对象的运动轨迹信息”之前还包括：将查询到的视频摘要信息通过缩略图的方式进行展示。
5.根据权利要求3所述的基于视频分析的监控管理方法，其特征在于，所述“获取相匹配的视频摘要信息中的目标对象的运动轨迹信息”具体包括：
预设目标对象的运动特征；
根据查询到的视频摘要信息获取运动对象的运动轨迹；
根据所述运动特征将所述目标对象与运动对象的运动轨迹进行匹配；
判断所述运动对象的运动轨迹中是否存在所述目标对象；
若是，则将匹配的运动对象轨迹中的运动对象的位置信息作为目标对象的当前位置信息。
6.根据权利要求5所述的基于视频分析的监控管理方法，其特征在于，
当运动对象的运动轨迹中不存在所述目标对象时，对所述目标对象进行卡尔曼滤波处理；
记录进行卡尔曼滤波处理的次数；
继续执行所述根据查询到的视频摘要信息获取运动对象的运动轨迹的步骤。
7.根据权利要求6所述的基于视频分析的监控管理方法，其特征在于，所述“根据所述运动轨迹信息判断目标对象是否脱岗“具体为：
当进行卡尔曼滤波处理的次数超过预设次数，且运动对象轨迹中仍不存在所述目标对象时，所述目标对象脱岗。
8.根据权利要求5所述的基于视频分析的监控管理方法，其特征在于，所述运动特征包括运动速度和对象大小。
9.根据权利要求5所述的基于视频分析的监控管理方法，其特征在于，通过最近邻匹配法将所述目标对象与运动对象的运动轨迹进行匹配。
CN201711070323.8A 2017-11-03 2017-11-03 基于视频分析的监控管理方法 Pending CN107967298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711070323.8A CN107967298A (zh) 2017-11-03 2017-11-03 基于视频分析的监控管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711070323.8A CN107967298A (zh) 2017-11-03 2017-11-03 基于视频分析的监控管理方法

Publications (1)

Publication Number Publication Date
CN107967298A true CN107967298A (zh) 2018-04-27

Family

ID=62000018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711070323.8A Pending CN107967298A (zh) 2017-11-03 2017-11-03 基于视频分析的监控管理方法

Country Status (1)

Country Link
CN (1) CN107967298A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110542908A (zh) * 2019-09-09 2019-12-06 阿尔法巴人工智能(深圳)有限公司 应用于智能驾驶车辆上的激光雷达动态物体感知方法
CN111079525A (zh) * 2019-11-05 2020-04-28 阿里巴巴集团控股有限公司 图像处理方法、设备、系统及存储介质
CN112464755A (zh) * 2020-11-13 2021-03-09 珠海大横琴科技发展有限公司 一种监控方法及装置、电子设备、存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101635835A (zh) * 2008-07-25 2010-01-27 深圳市信义科技有限公司 智能视频监控方法及系统
CN102930061A (zh) * 2012-11-28 2013-02-13 安徽水天信息科技有限公司 一种基于运动目标检测的视频摘要方法及系统
CN103297751A (zh) * 2013-04-23 2013-09-11 四川天翼网络服务有限公司 智慧天网视频行为分析系统
CN103927364A (zh) * 2014-04-18 2014-07-16 苏州科达科技股份有限公司 一种视频摘要数据的存储方法、系统及展示系统
CN104717573A (zh) * 2015-03-05 2015-06-17 广州市维安电子技术有限公司 一种视频摘要的生成方法
CN105100718A (zh) * 2015-07-29 2015-11-25 西安冉科信息技术有限公司 一种基于视频摘要的智能视频分析方法
CN106383903A (zh) * 2016-09-30 2017-02-08 山东瀚岳智能科技股份有限公司 运动轨迹的摘要信息生成方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101635835A (zh) * 2008-07-25 2010-01-27 深圳市信义科技有限公司 智能视频监控方法及系统
CN102930061A (zh) * 2012-11-28 2013-02-13 安徽水天信息科技有限公司 一种基于运动目标检测的视频摘要方法及系统
CN103297751A (zh) * 2013-04-23 2013-09-11 四川天翼网络服务有限公司 智慧天网视频行为分析系统
CN103927364A (zh) * 2014-04-18 2014-07-16 苏州科达科技股份有限公司 一种视频摘要数据的存储方法、系统及展示系统
CN104717573A (zh) * 2015-03-05 2015-06-17 广州市维安电子技术有限公司 一种视频摘要的生成方法
CN105100718A (zh) * 2015-07-29 2015-11-25 西安冉科信息技术有限公司 一种基于视频摘要的智能视频分析方法
CN106383903A (zh) * 2016-09-30 2017-02-08 山东瀚岳智能科技股份有限公司 运动轨迹的摘要信息生成方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110542908A (zh) * 2019-09-09 2019-12-06 阿尔法巴人工智能(深圳)有限公司 应用于智能驾驶车辆上的激光雷达动态物体感知方法
CN111079525A (zh) * 2019-11-05 2020-04-28 阿里巴巴集团控股有限公司 图像处理方法、设备、系统及存储介质
CN111079525B (zh) * 2019-11-05 2023-05-30 阿里巴巴集团控股有限公司 图像处理方法、设备、系统及存储介质
CN112464755A (zh) * 2020-11-13 2021-03-09 珠海大横琴科技发展有限公司 一种监控方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
Schmitt et al. Cooperative probabilistic state estimation for vision-based autonomous mobile robots
Javed et al. Knight/spl trade: a real time surveillance system for multiple and non-overlapping cameras
Ai et al. Visual SLAM in dynamic environments based on object detection
Lau et al. Multi-model hypothesis group tracking and group size estimation
Luber et al. Place-dependent people tracking
CN103679742B (zh) 对象跟踪方法和装置
CN107967298A (zh) 基于视频分析的监控管理方法
Papaioannou et al. Tracking people in highly dynamic industrial environments
Ringer et al. A procedure for automatically estimating model parameters in optical motion capture
Papaioannou et al. Accurate positioning via cross-modality training
CN108717702B (zh) 基于分段rts的概率假设密度滤波平滑方法
CN108109175A (zh) 一种图像特征点的跟踪方法及装置
Schubert et al. Automatic bone parameter estimation for skeleton tracking in optical motion capture
Ringer et al. Modelling and tracking articulated motion from multiple camera views
Rameshbabu et al. Target tracking system using kalman filter
Qiao et al. The role of data-driven priors in multi-agent crowd trajectory estimation
Previtali et al. PTracking: distributed multi-agent multi-object tracking through multi-clustered particle filtering
Pathan et al. Intelligent feature-guided multi-object tracking using Kalman filter
Belter et al. Accurate map-based RGB-D SLAM for mobile robots
JP6040825B2 (ja) 物体追跡プログラム、物体追跡方法及び物体追跡装置
CN115410121A (zh) 基于视频的密接人员自动判断方法、电子设备及存储介质
Rybski et al. Appearance-based minimalistic metric SLAM
Lin et al. Collaborative pedestrian tracking with multiple cameras: Data fusion and visualization
Lim et al. Non-overlapping distributed tracking system utilizing particle filter
Luber et al. Spatially grounded multi-hypothesis tracking of people

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: 20180427