CN108509938A - 一种基于视频监控的跌倒检测方法 - Google Patents
一种基于视频监控的跌倒检测方法 Download PDFInfo
- Publication number
- CN108509938A CN108509938A CN201810338982.3A CN201810338982A CN108509938A CN 108509938 A CN108509938 A CN 108509938A CN 201810338982 A CN201810338982 A CN 201810338982A CN 108509938 A CN108509938 A CN 108509938A
- Authority
- CN
- China
- Prior art keywords
- human body
- fall detection
- image
- profile
- body target
- 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
Links
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于视频监控的跌倒检测方法,属于数字图像处理和模式识别领域。该方法包括:人体目标提取阶段:采用三帧差法和高斯混合背景建模相结合来提取视频中的人体目标前景,有效去除图像中的高频噪声、阴影,准确地提取检测目标;跌倒检测阶段:提取的人体目标轮廓的质心、宽高比和Hu矩特征融合,利用支持向量机算法判别跌倒行为和非跌倒行为。本发明通过摄像头采集图像进行检测,相较于通过穿戴设备传感器和物联网信息采集信息做出判断,更加方便,具有非强制性。并且,对图像进行处理和模式识别不仅具有实时性强,准确度高的特点,也不会影响正常的生活。
Description
技术领域
本发明属于数字图像处理和模式识别领域,涉及智能摄像头设备嵌入式开发等技术,主要针对室内弱势群体摔倒的问题。
背景技术
世界卫生组织(WHO)报道指出,跌倒已经成为意外和非故意性伤害中致死率第二大的因素。跌倒容易引起恐惧焦虑情绪,带来脑部损伤,髋关节受损,心脏骤停等并发疾病,给受难人群带来巨大的危害和伤痛。
目前在跌倒检测上主要有三个研究方向:①基于可穿戴式设备传感器的检测;②基于物联网环境信息的检测;③基于智能监控技术的检测。可穿戴设备需要一直佩戴在身上,会造成一些生活上的不便,特别是针对老人和儿童等弱势群体;物联网环境信息因为能够获得各种传感数据如体活动传感器数据、开关传感器数据或地面压力传感器等,在人体跟踪,位置判别上有良好的效果,但是此方法实时性不高,且容易受环境影响而产生较多的误判;智能监控技术通过摄像头采集图像,再对图像进行处理和模式识别不仅具有实时性强,准确度高的特点,还不会影响正常的生活。因此,通过智能监控技术来实现跌倒检测是一个比较好的选择。
跌倒检测是视频监控系统应用研究中的一个重要问题。老人或者小孩在家中意外跌倒且不能及时告警的情况下,可能会因为得不到及时的救治而残疾甚至死亡。研究并构建跌倒检测系统对保护家人的生命安全有重大意义,如何准确有效地提取跌倒这一行为特征也成为了跌倒检测所面临的难题。
发明内容
有鉴于此,本发明的目的在于提供一种基于视频监控的跌倒检测方法,解决现有视频监控系统缺少智能监控、人工监控开销繁重的问题。实现基于视频的跌倒检测原型系统,实时、准确地检测跌倒行为,及时向相关人员报警,减少不必要的生命和财产损失。与已有的解决方案相比,本发明不需要额外的传感设备,且可靠性高,能精准判断做出预警。
为达到上述目的,本发明提供如下技术方案:
一种基于视频监控的跌倒检测方法,包括以下步骤:
S1:人体目标提取阶段:采用三帧差法和高斯混合背景建模相结合来提取视频中的人体目标前景,有效去除图像中的高频噪声、阴影,准确地提取检测目标;
S2:跌倒检测阶段:提取的人体目标轮廓的质心、宽高比和Hu矩特征融合,利用支持向量机算法判别跌倒行为和非跌倒行为。
进一步,其特征在于,所述步骤S1包括以下步骤:
S11:取图像序列的2个或3个相邻帧间,帧间采用基于像素的差分;
S12:利用阈值化提取差分图像的运动区域,即人体目标轮廓;
S13:结合高斯背景建模的背景减除法加权结合的改进算法进一步提取完整目标轮廓。
进一步,所述步骤S2包括以下步骤:
S21:提取目标轮廓的宽高比特征F_ar、质心特征F_com、Hu矩特征F_hu;
S22:将F_ar、F_com和F_hu特征融合;
S23:输入融合特征训练支持向量机,依据训练后支持向量机的分类结果判别人体目标是否处于跌倒状态。
进一步,所述步骤S21具体包括以下步骤:
S211:定义目标轮廓外接矩形宽度为width,高度位height,则宽高比计算式为:
S212:对人体轮廓所有像素点的横坐标取平均值作为轮廓质心的横坐标,对所有像素点的纵坐标取平均值作为轮廓质心的纵坐标,从而确定质心;
S213:提取的人体轮廓在站立到跌倒过程中,近视的看作人体轮廓进行了一个90°的旋转过程,同时可能存在目标远离摄像头或接近摄像头的情况,提取轮廓的Hu矩能排除图像旋转和尺度变化带来的干扰。
本发明的有益效果在于:本发明通过摄像头采集图像进行检测,相较于通过穿戴设备传感器和物联网信息采集信息做出判断,更加方便,具有非强制性。并且,对图像进行处理和模式识别不仅具有实时性强,准确度高的特点,也不会影响正常的生活。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明的流程框图。
图2为具体实施方式中三帧差分算法流程框图。
图3为具体实施方式中高斯混合背景建模算法流程框图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
图1为本发明所述基于视频监控的跌倒检测方法的流程框图。具体包括以下几个步骤:
步骤1:从摄像头获取输入图像序列。
步骤2:对图像序列做图像增强预处理。
步骤3:利用三帧差法算法获取目标轮廓信息,如图2所示。
步骤301:取图像序列的2个或3个相邻帧间采用基于像素的差分。
d(i,i-1)(x,y)=|Ii(x,y)-Ii-1(x,y)| (1)
d(i+1,i)(x,y)=|Ii+1(x,y)-Ii(x,y)| (2)
其中Ii表示图像序列第i帧,Ii-1表示图像序列i的前一帧,Ii+1表示图像序列i的后一帧,d(i,i-1)表示图像序列第i帧与i-1帧差分的结果,d(i+1,i)表示图像序列第i+1帧与i帧差分的结果,后缀(x,y)表示该帧图像的相应像素点。
步骤302:对得到的差值图像通过选择合适的阈值T进行二值化,使用滤波、开运算、闭运算除去噪声干扰。
其中d(i,i-1),d(i+1,i)同步骤301,后缀(x,y)表示该帧图像的相应像素点,T为阈值。
步骤303:在每一个像素点(x,y)将得到的二值图像逻辑相“与”,得到三帧图像中的中间帧的二值图像。
其中d(i,i-1),d(i+1,i)同步骤301、302,Bi表示第i帧进行三帧差分法的结果。
步骤4:利用步骤3与基于高斯背景建模的背景减除法加权结合的改进算法提取完整目标轮廓,如图3所示。对于随机变量X的观测数据集{x1,x2,…,xN},xt=(Rt,Gt,Bt)为t时刻像素的样本,则单个采样点xt服从的混合高斯分布概率密度函数p(xt)定义如下:
其中k为分布模式总数,η(xt,μi,t,τi,t)为t时刻第i个高斯分布,μi,t为其均值,τi,t为其协方差矩阵,δi,t为方差,I为三维单位矩阵,ωi,t为t时刻第i个高斯分布的权重。
高斯背景建模的背景减除法流程如下:
(1)每个新像素值Xt同当前K个模型按下式进行比较,直接找到匹配新像素值的分布模型,即同该模型的均值偏差在2.5σ(σ为正态分布标准差)内:
|Xt-μi,t-1|≤2.5σi,t-1 (9)
(2)如果所匹配的模式符合背景要求,则该像素属于背景,否则属于前景;
(3)各个模式权值按如下方式进行更新,其中α是学习速率,对于匹配的模式Mk,t=1,否则Mk,t=0,然后各模式的权重进行归一化:
Wk,t=(1-α)*Wk,t+α*Mk,t (10)
(4)匹配模式的均值μ和标准差σ不变,匹配模式的参数按照如下更新:
ρ=α*η(xt|μk,σk) (11)
μt=(1-ρ)*μt-1+ρ*xt (12)
(5)若第一步中没有任何模式匹配,则权重最小的模式被替换,即该模式的均值为当前像素值,标准差为初始较大值,权重为较小值;
(6)各模式根据按降序排列,权重大、标准差小的模式排列在前;
(7)选前B个模式作为背景,B满足下式,参数T′表示背景所占的比例:
步骤5:对由步骤2和步骤3得出的人体目标分别提取宽高比特征F_ar、质心特征F_com和Hu矩特征F_hu。
步骤501:定义目标轮廓外接矩形宽度为width,高度位height,则宽高比计算式为:
步骤502:对人体轮廓所有像素点的横坐标取平均值作为轮廓质心的横坐标,对所有像素点的纵坐标取平均值作为轮廓质心的纵坐标,从而确定质心。
步骤503:提取的人体轮廓在站立到跌倒过程中,可以近视的看作人体轮廓进行了一个90°的旋转过程,同时可能存在目标远离摄像头或接近摄像头的情况,提取轮廓的Hu矩可以排除图像旋转和尺度变化带来的干扰。
Hu矩的定义如下:
假设f(x,y)是二维图像函数,那么(p+q)阶原点矩可以定义为:
其中Ω是x与y的取值空间,mpq表示f(x,y)在单项式上的投影。因为其具有平移不变性,因此需要定义(p+q)阶中心距,具体如下式:
假设中心矩记为ηpq,则其计算公式:
利用中心矩中的二阶矩以及三阶矩就可以构成7组不变矩:
M1=η20+η02 (19)
M3=(η30-3η12)2+(3η21-η03)2 (21)
M4=(η30+η12)2+(η21+η03)2 (22)
M5=(η30-3η12)+(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+
η03)[(η30+η12)2-(η21+η03)2] (23)
M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03) (24)
M7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)+(η21+
η03)[3(η30+η12)2-(η21+η03)2] (25)
步骤6:将步骤5的三种特征融合,并训练支持向量机。
步骤7:利用步骤6已训练好的支持向量机判别人体目标是否处于跌倒状态。
为了验证本发明的效果,进行了以下实验:
1、CASIA行为分析数据库进行测试
2、实验分析:
对一个二分问题来说,会出现四种情况。如果一个实例是正类并且也被预测成正类,即为真正类(True positive),如果实例是负类被预测成正类,称之为假正类(Falsepositive)。相应地,如果实例是负类被预测成负类,称之为真负类(True positive),正类被预测成负类则为假负类(false negative)。从而引出TPR(true positive rate),FPR(false positive rate),TNR(true negative rate),FNR(false negative rate)。
在CASIA数据库中,选取了12个晕倒视频中的8个视频作为训练集,其余4个视频作为测试集,训练集中8个视频一共选择了472帧静态图像进行训练,其中正常行走为351帧,跌倒为121帧。4个视频中一共227帧图像进行测试,其中正常行走为167帧,跌倒为60帧。
经过试验测试,正常行走中159帧判断正确,TP=159,FN=8,跌倒判断中,56帧判断正确,TN=56,FP=4。数据测试结果如表1所示:
表1数据库测试结果(%)
TPR | FPR | TNR | FNR |
95.2 | 6.7 | 93.3 | 4.7 |
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (4)
1.一种基于视频监控的跌倒检测方法,其特征在于,该方法包括以下步骤:
S1:人体目标提取阶段:采用三帧差法和高斯混合背景建模相结合来提取视频中的人体目标前景,有效去除图像中的高频噪声、阴影,准确地提取检测目标;
S2:跌倒检测阶段:提取的人体目标轮廓的质心、宽高比和Hu矩特征融合,利用支持向量机算法判别跌倒行为和非跌倒行为。
2.根据权利要求1所述的一种基于视频监控的跌倒检测方法,其特征在于,所述步骤S1包括以下步骤:
S11:取图像序列的2个或3个相邻帧间,帧间采用基于像素的差分;
S12:利用阈值化提取差分图像的运动区域,即人体目标轮廓;
S13:结合高斯背景建模的背景减除法加权结合的改进算法进一步提取完整目标轮廓。
3.根据权利要求1所述的一种基于视频监控的跌倒检测方法,其特征在于,所述步骤S2包括以下步骤:
S21:提取目标轮廓的宽高比特征F_ar、质心特征F_com、Hu矩特征F_hu;
S22:将F_ar、F_com和F_hu特征融合;
S23:输入融合特征训练支持向量机,依据训练后支持向量机的分类结果判别人体目标是否处于跌倒状态。
4.根据权利要求3所述的一种基于视频监控的跌倒检测方法,其特征在于,所述步骤S21具体包括以下步骤:
S211:定义目标轮廓外接矩形宽度为width,高度位height,则宽高比计算式为:
S212:对人体轮廓所有像素点的横坐标取平均值作为轮廓质心的横坐标,对所有像素点的纵坐标取平均值作为轮廓质心的纵坐标,从而确定质心;
S213:提取的人体轮廓在站立到跌倒过程中,近视的看作人体轮廓进行了一个90°的旋转过程,同时可能存在目标远离摄像头或接近摄像头的情况,提取轮廓的Hu矩能排除图像旋转和尺度变化带来的干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338982.3A CN108509938A (zh) | 2018-04-16 | 2018-04-16 | 一种基于视频监控的跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338982.3A CN108509938A (zh) | 2018-04-16 | 2018-04-16 | 一种基于视频监控的跌倒检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108509938A true CN108509938A (zh) | 2018-09-07 |
Family
ID=63381951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810338982.3A Pending CN108509938A (zh) | 2018-04-16 | 2018-04-16 | 一种基于视频监控的跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108509938A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110367996A (zh) * | 2019-08-30 | 2019-10-25 | 方磊 | 一种评估人体跌倒风险的方法及电子设备 |
CN110414360A (zh) * | 2019-07-02 | 2019-11-05 | 桂林电子科技大学 | 一种异常行为的检测方法及检测设备 |
CN110765964A (zh) * | 2019-10-30 | 2020-02-07 | 常熟理工学院 | 基于计算机视觉的电梯轿厢内异常行为的检测方法 |
CN110991274A (zh) * | 2019-11-18 | 2020-04-10 | 杭州电子科技大学 | 一种基于混合高斯模型和神经网络的行人摔倒检测方法 |
CN111083441A (zh) * | 2019-12-18 | 2020-04-28 | 广州穗能通能源科技有限责任公司 | 工地监控方法、装置、计算机设备和存储介质 |
CN111914676A (zh) * | 2020-07-10 | 2020-11-10 | 泰康保险集团股份有限公司 | 人体摔倒检测方法、装置、电子设备和存储介质 |
CN113344967A (zh) * | 2021-06-07 | 2021-09-03 | 哈尔滨理工大学 | 一种复杂背景下的动态目标识别追踪方法 |
CN113743339A (zh) * | 2021-09-09 | 2021-12-03 | 三峡大学 | 一种基于场景识别的室内跌倒检测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239851A (zh) * | 2014-07-25 | 2014-12-24 | 重庆科技学院 | 基于行为分析的智能小区巡检系统及其控制方法 |
CN105279483A (zh) * | 2015-09-28 | 2016-01-27 | 华中科技大学 | 一种基于深度图像的跌倒行为实时检测方法 |
CN106503643A (zh) * | 2016-10-18 | 2017-03-15 | 上海电力学院 | 人体跌倒检测方法 |
CN107657244A (zh) * | 2017-10-13 | 2018-02-02 | 河海大学 | 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 |
-
2018
- 2018-04-16 CN CN201810338982.3A patent/CN108509938A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239851A (zh) * | 2014-07-25 | 2014-12-24 | 重庆科技学院 | 基于行为分析的智能小区巡检系统及其控制方法 |
CN105279483A (zh) * | 2015-09-28 | 2016-01-27 | 华中科技大学 | 一种基于深度图像的跌倒行为实时检测方法 |
CN106503643A (zh) * | 2016-10-18 | 2017-03-15 | 上海电力学院 | 人体跌倒检测方法 |
CN107657244A (zh) * | 2017-10-13 | 2018-02-02 | 河海大学 | 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 |
Non-Patent Citations (2)
Title |
---|
彭玉青 等: "基于多特征融合的跌倒行为识别与研究", 《数据采集与处理》 * |
雷帮军 等著: "《视频目标跟踪系统分步详解》", 31 December 2015 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414360A (zh) * | 2019-07-02 | 2019-11-05 | 桂林电子科技大学 | 一种异常行为的检测方法及检测设备 |
CN110367996A (zh) * | 2019-08-30 | 2019-10-25 | 方磊 | 一种评估人体跌倒风险的方法及电子设备 |
CN110765964A (zh) * | 2019-10-30 | 2020-02-07 | 常熟理工学院 | 基于计算机视觉的电梯轿厢内异常行为的检测方法 |
CN110765964B (zh) * | 2019-10-30 | 2022-07-15 | 常熟理工学院 | 基于计算机视觉的电梯轿厢内异常行为的检测方法 |
CN110991274A (zh) * | 2019-11-18 | 2020-04-10 | 杭州电子科技大学 | 一种基于混合高斯模型和神经网络的行人摔倒检测方法 |
CN110991274B (zh) * | 2019-11-18 | 2022-03-18 | 杭州电子科技大学 | 一种基于混合高斯模型和神经网络的行人摔倒检测方法 |
CN111083441A (zh) * | 2019-12-18 | 2020-04-28 | 广州穗能通能源科技有限责任公司 | 工地监控方法、装置、计算机设备和存储介质 |
CN111914676A (zh) * | 2020-07-10 | 2020-11-10 | 泰康保险集团股份有限公司 | 人体摔倒检测方法、装置、电子设备和存储介质 |
CN113344967A (zh) * | 2021-06-07 | 2021-09-03 | 哈尔滨理工大学 | 一种复杂背景下的动态目标识别追踪方法 |
CN113743339A (zh) * | 2021-09-09 | 2021-12-03 | 三峡大学 | 一种基于场景识别的室内跌倒检测方法和系统 |
CN113743339B (zh) * | 2021-09-09 | 2023-10-03 | 三峡大学 | 一种基于场景识别的室内跌倒检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509938A (zh) | 一种基于视频监控的跌倒检测方法 | |
CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN101807245B (zh) | 基于人工神经网络的多源步态特征提取与身份识别方法 | |
CN104134077B (zh) | 一种基于确定学习理论的与视角无关的步态识别方法 | |
CN109949341B (zh) | 一种基于人体骨架结构化特征的行人目标跟踪方法 | |
CN105787472B (zh) | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 | |
CN106203274A (zh) | 一种视频监控中行人实时检测系统及方法 | |
CN108932479A (zh) | 一种人体异常行为检测方法 | |
CN101388080B (zh) | 一种基于多角度步态信息融合的行人性别分类方法 | |
CN106204640A (zh) | 一种运动目标检测系统及方法 | |
CN107330249A (zh) | 一种基于kinect骨骼数据的帕金森病症计算机辅助判别方法 | |
CN107679516B (zh) | 基于多尺度高斯-马尔科夫随机场模型的下肢运动识别方法 | |
CN108875586B (zh) | 一种基于深度图像与骨骼数据多特征融合的功能性肢体康复训练检测方法 | |
CN106295524A (zh) | 一种基于视觉词袋的人体动作识别方法 | |
CN104077591A (zh) | 电脑智能自动监控系统 | |
CN108364303A (zh) | 一种带隐私保护的摄像机智能跟踪方法 | |
CN104331705B (zh) | 融合时空信息的步态周期自动检测方法 | |
Liu et al. | Human body fall detection based on the Kinect sensor | |
Zhang et al. | Application of convolution neural network in Iris recognition technology | |
CN106485283B (zh) | 一种基于Online Boosting的粒子滤波行人目标跟踪方法 | |
CN107886060A (zh) | 基于视频的行人自动检测与跟踪方法 | |
Maheshwari et al. | A review on crowd behavior analysis methods for video surveillance | |
CN110765925A (zh) | 基于改进的孪生神经网络的携带物检测与步态识别方法 | |
Hassan et al. | Blood vessel segmentation approach for extracting the vasculature on retinal fundus images using particle swarm optimization |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |
|
RJ01 | Rejection of invention patent application after publication |