CN109146915A - 判断异常活动物体的低计算量运动检测方法 - Google Patents

判断异常活动物体的低计算量运动检测方法 Download PDF

Info

Publication number
CN109146915A
CN109146915A CN201810863317.6A CN201810863317A CN109146915A CN 109146915 A CN109146915 A CN 109146915A CN 201810863317 A CN201810863317 A CN 201810863317A CN 109146915 A CN109146915 A CN 109146915A
Authority
CN
China
Prior art keywords
image
pixel
abnormal movement
movement object
mentioned
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
CN201810863317.6A
Other languages
English (en)
Inventor
钟博煊
许淞斐
周礼
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.)
Zhejiang Deep Eye Technology Co Ltd
Original Assignee
Zhejiang Deep Eye Technology 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 Zhejiang Deep Eye Technology Co Ltd filed Critical Zhejiang Deep Eye Technology Co Ltd
Priority to CN201810863317.6A priority Critical patent/CN109146915A/zh
Publication of CN109146915A publication Critical patent/CN109146915A/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
    • G06T7/215—Motion-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
    • G06T7/11—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种判断异常活动物体的低计算量运动检测方法，包括以下步骤。步骤S4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域。步骤S5：根据步骤S4判断上述差分图像中是否存在异常活动物体区域。本发明公开的判断异常活动物体的低计算量运动检测方法，其有益效果在于，通过极低的计算量对视频图像进行较为简单的预处理，判断视频图像中是否出现物体运动。如果没有出现物体运动则停止接续的检测流程，否则继续检测流程，以便较好地节约检测成本，避免浪费计算资源。

Description

判断异常活动物体的低计算量运动检测方法
技术领域
本发明属于基于深度学习的人工智能技术领域，具体涉及一种判断异常活动物体的低计算量运动检测方法。
背景技术
异常活动物体识别具有较为广泛的应用，包括人体摔倒识别、人体姿态动作识别、动物姿态动作识别、交通车辆识别等应用场景。
需要说明的是，常见的基于深度学习的解决方案，通常将视频转化为帧序列之后再对图像进行逐一计算，处理反馈。然而，上述解决方案存在缺陷，主要体现在以下几个方面。
其一，耗费大量的服务器计算资源。当视频图像中的连续画面实质上静止时，服务器仍然需要计算，导致最终的计算总量并没有下降。
其二，而服务器的成本很高且计算资源总体上呈现“紧平衡”状态。当视频图像中的连续画面实质上静止时，服务器仍然需要计算，导致极大地浪费计算资源，变相提高了检测成本。
发明内容
本发明针对现有技术的状况，克服上述缺陷，提供一种判断异常活动物体的低计算量运动检测方法。
本发明采用以下技术方案，所述判断异常活动物体的低计算量运动检测方法包括以下步骤：
步骤S1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；
步骤S2：将上述时序上相邻的多帧图像中的第一帧图像输入为背景图像，将上述时序上相邻的多帧图像的第二帧图像输入为待检图像；
步骤S3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；
步骤S4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域；
步骤S5：根据步骤S4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号同时在T1时刻执行步骤S1，否则输出第二检测信号同时在T1时刻执行步骤S1。
根据上述技术方案，在步骤S3中，包括以下步骤：
步骤S3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；
步骤S3.2：将上述第一中间图像的各个像素点二值化形成差分图像。
根据上述技术方案，在步骤S4中，包括以下步骤：
步骤S4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。
根据上述技术方案，所述判断异常活动物体的低计算量运动检测方法还包括步骤S6：
步骤S6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以判断连续的视频图像是否出现异常活动物体。
根据上述技术方案，上述第一检测信号为已检测到异常活动物体的检测信号，上述第二检测信号为未检测到异常活动物体的检测信号。
本发明专利申请还公开了一种判断异常活动物体的低计算量运动检测方法，包括以下步骤：
步骤T1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；
步骤T2：将上述时序上相邻的多帧图像中的第一帧图像和第二帧图像输入为背景图像，将上述时序上相邻的多帧图像的第三帧图像输入为待检图像；
步骤T3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；
步骤T4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域；
步骤T5：根据步骤T4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号同时在T1时刻执行步骤T1，否则输出第二检测信号同时在T1时刻执行步骤T1。
根据上述技术方案，在步骤T3中，包括以下步骤：
步骤T3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；
步骤T3.2：将上述第一中间图像的各个像素点二值化形成差分图像。
根据上述技术方案，在步骤T4中，包括以下步骤：
步骤T4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。
根据上述技术方案，所述判断异常活动物体的低计算量运动检测方法还包括步骤T6：
步骤T6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以判断连续的视频图像是否出现异常活动物体。
根据上述技术方案，上述第一检测信号为已检测到异常活动物体的检测信号，上述第二检测信号为未检测到异常活动物体的检测信号。
本发明公开的判断异常活动物体的低计算量运动检测方法，其有益效果在于，通过极低的计算量对视频图像进行较为简单的预处理，判断视频图像中是否出现物体运动。如果没有出现物体运动则停止接续的检测流程，否则继续检测流程，以便较好地节约检测成本，避免浪费计算资源。
附图说明
图1是本发明优选实施例的马尔科夫模型的示意图。
具体实施方式
本发明公开了一种判断异常活动物体的低计算量运动检测方法，下面结合优选实施例，对本发明的具体实施方式作进一步描述。
参见附图的图1，图1示出了马尔科夫模型。
优选地，所述判断异常活动物体的低计算量运动检测方法包括以下步骤：
步骤S1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；
步骤S2：将上述时序上相邻的多帧图像中的第一帧图像输入为背景图像，将上述时序上相邻的多帧图像的第二帧图像输入为待检图像；
步骤S3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；
步骤S4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域(运动区域)；
步骤S5：根据步骤S4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号(已检测到异常活动物体的检测信号)以便启动接续的检测流程同时在T1时刻执行步骤S1(在T1时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像，以此类推)，否则输出第二检测信号(未检测到异常活动物体的检测信号)同时在T1时刻执行步骤S1(在T1时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像，以此类推)。
进一步地，在步骤S3中，包括以下步骤：
步骤S3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；
步骤S3.2：将上述第一中间图像的各个像素点二值化形成差分图像。
进一步地，在步骤S4中，包括以下步骤：
步骤S4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。
进一步地，所述判断异常活动物体的低计算量运动检测方法还包括步骤S6：
步骤S6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以便进一步判断连续的视频图像是否出现异常活动物体。
值得一提的是，本发明专利申请还公开了上述优选实施例的第一变形实施例。上述第一变形实施例简述如下。
其中，所述判断异常活动物体的低计算量运动检测方法包括以下步骤：
步骤T1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；
步骤T2：将上述时序上相邻的多帧图像中的第一帧图像和第二帧图像输入为背景图像，将上述时序上相邻的多帧图像的第三帧图像输入为待检图像；
步骤T3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；
步骤T4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域(运动区域)；
步骤T5：根据步骤T4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号(已检测到异常活动物体的检测信号)以便启动接续的检测流程同时在T1时刻执行步骤T1(在T1时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像，以此类推)，否则输出第二检测信号(未检测到异常活动物体的检测信号)同时在T1时刻执行步骤T1(在T1时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像，以此类推)。
进一步地，在步骤T3中，包括以下步骤：
步骤T3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；
步骤T3.2：将上述第一中间图像的各个像素点二值化形成差分图像。
进一步地，在步骤T4中，包括以下步骤：
步骤T4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。
进一步地，所述判断异常活动物体的低计算量运动检测方法还包括步骤T6：
步骤T6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以便进一步判断连续的视频图像是否出现异常活动物体。
根据上述优选实施例，本发明专利申请公开的判断异常活动物体的低计算量运动检测方法的，通过极低的计算量对视频图像进行较为简单的预处理，判断视频图像中是否出现物体运动。如果没有出现物体运动则停止接续的检测流程，否则继续检测流程，以便较好地节约检测成本，避免浪费计算资源。
具体地，本发明专利申请先后采用了背景减除步骤、帧连续做差步骤，利用隐马尔科夫模型来把这些差从时间上联系起来。
其中，运动检测是指在序列图像中检测出变化区域并将运动目标从背景图像中提取出来。运动目标的正确检测与分割对于后期处理非常重要。由于场景的动态变化，如天气、光照、阴影及杂乱背景干扰等的影响，使得运动检测与分割变得相当困难。
其中，本发明专利申请涉及背景减除步骤。
背景减除步骤的基本思想是利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分比较实现对运动区域的检测。其中，区别较大的像素区域被认为是运动区域，而区别较小的像素区域被认为是背景区域。背景减除法必须要有背景图像，并且背景图像必须是随着光照或外部环境的变化而实时更新的，因此背景减除法的关键是背景建模及其更新。
其中，本发明专利申请涉及帧差步骤。
帧差步骤的基本原理是在图像序列相邻两帧或三帧间采用基于像素的时间差分，通过闭值化来提取出图像中的运动区域。首先，将相邻帧图像对应像素值相减得到差分图像，然后对差分图像二值化，在环境亮度变化不大的情况下，如果对应像素值变化小于事先确定的阂值时，可以认为此处为背景像素：如果图像区域的像素值变化很大，可以认为这是由于图像中运动物体引起的，将这些区域标记为前景像素，利用标记的像素区域可以确定运动目标在图像中的位置。由于相邻两帧间的时间间隔非常短，用前一帧图像作为当前帧的背景模型具有较好的实时性，其背景不积累，且更新速度快、算法简单、计算量小。
其中，本发明专利申请还涉及隐马可夫模型。
隐马尔可夫(Hidden Markov)模型是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。隐藏的马尔可夫链随机生成的状态的序列，称为状态序列(state sequence)；每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列(observationsequence)。序列的每一个位置又可以看作是一个时刻。
因此对每张图片背景减除，帧连续做差，然后再用隐马尔科夫模型来把这些差从时间上串联起来，然后对视频进行判断，进行检测是否有异常活动物体。
参见附图的图1，假设观测到的结果为Y＝y(0)，y(1)，...，y(L-1),隐藏条件为X＝x(0)，x(1)，...，x(L-1),时间长度为L,则马尔可夫的概率模型可以表达为：
对于本领域的技术人员而言，依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

Claims (10)

1.一种判断异常活动物体的低计算量运动检测方法，其特征在于，包括以下步骤：
步骤S1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；
步骤S2：将上述时序上相邻的多帧图像中的第一帧图像输入为背景图像，将上述时序上相邻的多帧图像的第二帧图像输入为待检图像；
步骤S3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；
步骤S4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域；
步骤S5：根据步骤S4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号同时在T1时刻执行步骤S1，否则输出第二检测信号同时在T1时刻执行步骤S1。
2.根据权利要求1所述的判断异常活动物体的低计算量运动检测方法，其特征在于，在步骤S3中，包括以下步骤：
步骤S3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；
步骤S3.2：将上述第一中间图像的各个像素点二值化形成差分图像。
3.根据权利要求2所述的判断异常活动物体的低计算量运动检测方法，其特征在于，在步骤S4中，包括以下步骤：
步骤S4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。
4.根据权利要求1-3中任一权利要求所述的判断异常活动物体的低计算量运动检测方法，其特征在于，所述判断异常活动物体的低计算量运动检测方法还包括步骤S6：
步骤S6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以判断连续的视频图像是否出现异常活动物体。
5.根据权利要求1所述的判断异常活动物体的低计算量运动检测方法，其特征在于，上述第一检测信号为已检测到异常活动物体的检测信号，上述第二检测信号为未检测到异常活动物体的检测信号。
6.一种判断异常活动物体的低计算量运动检测方法，其特征在于，包括以下步骤：
步骤T1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；
步骤T2：将上述时序上相邻的多帧图像中的第一帧图像和第二帧图像输入为背景图像，将上述时序上相邻的多帧图像的第三帧图像输入为待检图像；
步骤T3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；
步骤T4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域；
步骤T5：根据步骤T4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号同时在T1时刻执行步骤T1，否则输出第二检测信号同时在T1时刻执行步骤T1。
7.根据权利要求6所述的判断异常活动物体的低计算量运动检测方法，其特征在于，在步骤T3中，包括以下步骤：
步骤T3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；
步骤T3.2：将上述第一中间图像的各个像素点二值化形成差分图像。
8.根据权利要求7所述的判断异常活动物体的低计算量运动检测方法，其特征在于，在步骤T4中，包括以下步骤：
步骤T4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。
9.根据权利要求6-8中任一权利要求所述的判断异常活动物体的低计算量运动检测方法，其特征在于，所述判断异常活动物体的低计算量运动检测方法还包括步骤T6：
步骤T6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以判断连续的视频图像是否出现异常活动物体。
10.根据权利要求6所述的判断异常活动物体的低计算量运动检测方法，其特征在于，上述第一检测信号为已检测到异常活动物体的检测信号，上述第二检测信号为未检测到异常活动物体的检测信号。
CN201810863317.6A 2018-08-01 2018-08-01 判断异常活动物体的低计算量运动检测方法 Pending CN109146915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810863317.6A CN109146915A (zh) 2018-08-01 2018-08-01 判断异常活动物体的低计算量运动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810863317.6A CN109146915A (zh) 2018-08-01 2018-08-01 判断异常活动物体的低计算量运动检测方法

Publications (1)

Publication Number Publication Date
CN109146915A true CN109146915A (zh) 2019-01-04

Family

ID=64799402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810863317.6A Pending CN109146915A (zh) 2018-08-01 2018-08-01 判断异常活动物体的低计算量运动检测方法

Country Status (1)

Country Link
CN (1) CN109146915A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443182A (zh) * 2019-07-30 2019-11-12 深圳市博铭维智能科技有限公司 一种基于多实例学习的城市排水管道视频异常检测方法
CN110634152A (zh) * 2019-08-08 2019-12-31 西安电子科技大学 一种基于背景建模和多帧确认的目标检测方法
CN113239874A (zh) * 2021-06-01 2021-08-10 平安科技（深圳）有限公司 基于视频图像的行为姿态检测方法、装置、设备及介质
CN114567794A (zh) * 2022-03-11 2022-05-31 浙江理工大学 一种直播视频背景替换方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615296A (zh) * 2008-06-26 2009-12-30 索尼株式会社 追踪点检测设备和方法,程序及记录介质
CN102436662A (zh) * 2011-11-29 2012-05-02 南京信息工程大学 一种非重叠视域多摄像机网络中的人体目标跟踪方法
CN104809742A (zh) * 2015-04-15 2015-07-29 广西大学 一种复杂场景下的物品安全检测方法
CN104834900A (zh) * 2015-04-15 2015-08-12 常州飞寻视讯信息科技有限公司 一种联合声像信号进行活体检测的方法和系统
CN107330916A (zh) * 2017-06-15 2017-11-07 精伦电子股份有限公司 一种运动物体检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615296A (zh) * 2008-06-26 2009-12-30 索尼株式会社 追踪点检测设备和方法,程序及记录介质
CN102436662A (zh) * 2011-11-29 2012-05-02 南京信息工程大学 一种非重叠视域多摄像机网络中的人体目标跟踪方法
CN104809742A (zh) * 2015-04-15 2015-07-29 广西大学 一种复杂场景下的物品安全检测方法
CN104834900A (zh) * 2015-04-15 2015-08-12 常州飞寻视讯信息科技有限公司 一种联合声像信号进行活体检测的方法和系统
CN107330916A (zh) * 2017-06-15 2017-11-07 精伦电子股份有限公司 一种运动物体检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚瑶: "基于行为差分的视频异常检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
赵婷: "智能移动终端运动背景下视频运动目标检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443182A (zh) * 2019-07-30 2019-11-12 深圳市博铭维智能科技有限公司 一种基于多实例学习的城市排水管道视频异常检测方法
CN110443182B (zh) * 2019-07-30 2021-11-09 深圳市博铭维智能科技有限公司 一种基于多实例学习的城市排水管道视频异常检测方法
CN110634152A (zh) * 2019-08-08 2019-12-31 西安电子科技大学 一种基于背景建模和多帧确认的目标检测方法
CN110634152B (zh) * 2019-08-08 2023-07-04 西安电子科技大学 一种基于背景建模和多帧确认的目标检测方法
CN113239874A (zh) * 2021-06-01 2021-08-10 平安科技（深圳）有限公司 基于视频图像的行为姿态检测方法、装置、设备及介质
WO2022252642A1 (zh) * 2021-06-01 2022-12-08 平安科技（深圳）有限公司 基于视频图像的行为姿态检测方法、装置、设备及介质
CN113239874B (zh) * 2021-06-01 2024-05-03 平安科技（深圳）有限公司 基于视频图像的行为姿态检测方法、装置、设备及介质
CN114567794A (zh) * 2022-03-11 2022-05-31 浙江理工大学 一种直播视频背景替换方法

Similar Documents

Publication Publication Date Title
CN109146915A (zh) 判断异常活动物体的低计算量运动检测方法
CN101610420B (zh) 自动白平衡的方法
CN110765964B (zh) 基于计算机视觉的电梯轿厢内异常行为的检测方法
CN104392468B (zh) 基于改进视觉背景提取的运动目标检测方法
TWI649698B (zh) 物件偵測裝置、物件偵測方法及電腦可讀取媒體
CN103258332B (zh) 一种抗光照变化的运动目标的检测方法
CN105261037A (zh) 一种自适应复杂场景的运动目标检测方法
CN110363742A (zh) 一种基于cnn和图像处理的转辙机缺口检测方法
CN107301376B (zh) 一种基于深度学习多层刺激的行人检测方法
CN107480729A (zh) 一种基于深度时空域特征的输电线路山火检测方法
CN104537688A (zh) 一种基于背景差分和hog特征的运动目标检测方法
CN111191535B (zh) 基于深度学习的行人检测模型构建方法及行人检测方法
Xu et al. Moving object detection based on improved three frame difference and background subtraction
Malhi et al. Vision based intelligent traffic management system
JP6214426B2 (ja) 物体検出装置
Schwarcz et al. 3d human pose estimation from deep multi-view 2d pose
CN105844671B (zh) 一种变光照条件下的快速背景减除法
CN103049748A (zh) 行为监测方法及装置
JP2020109644A (ja) 転倒検出方法、転倒検出装置及び電子機器
Ham et al. Vision based forest smoke detection using analyzing of temporal patterns of smoke and their probability models
Zin et al. A probability-based model for detecting abandoned objects in video surveillance systems
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
Lin et al. A real-time multiple-vehicle detection and tracking system with prior occlusion detection and resolution, and prior queue detection and resolution
KR101158728B1 (ko) 실시간 전경 영상 검출시스템 및 방법
Mei et al. Machine vision based fire flame detection using multi-features

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: 20190104

RJ01 Rejection of invention patent application after publication