CN109302590A - 一种大规模视频监控网络极低误警率预警方法 - Google Patents
一种大规模视频监控网络极低误警率预警方法 Download PDFInfo
- Publication number
- CN109302590A CN109302590A CN201811361487.0A CN201811361487A CN109302590A CN 109302590 A CN109302590 A CN 109302590A CN 201811361487 A CN201811361487 A CN 201811361487A CN 109302590 A CN109302590 A CN 109302590A
- Authority
- CN
- China
- Prior art keywords
- target
- single goal
- metadata
- media areas
- amalgamation judging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005267 amalgamation Methods 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 230000003827 upregulation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 2
- 238000003786 synthesis reaction Methods 0.000 claims 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000004392 development of vision Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19639—Details of the system layout
- G08B13/19645—Multiple cameras, each having view on one of a plurality of scenes, e.g. multiple cameras for multi-room surveillance or for tracking an object by view hand-over
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种大规模视频监控网络极低误警率预警方法,包括多个摄像机、多个低层元数据提取单元、多个中层区域单目标融合判决单元以及一个高层全局多目标综合判决单元,低层元数据提取单元与摄像机连接,通过分析摄像机的视频图像,提取出视频中可能存在的人体目标区域的元数据和(或)车辆目标区域的元数据,然后将元数据上传至中层区域单目标融合判决单元,中层区域单目标融合判决单元对元数据进行分析处理,高层全局多目标综合判决单元与多个中层区域单目标融合判决单元连接,接收中层区域单目标融合判决单元上传的元数据处理结果,并对数据进行综合处理输出。本发明的技术方案通过分级融合判决方法,降低了视频监控系统的误警率。
Description
技术领域
本发明涉及视频监控系统技术领域,特别涉及一种大规模视频监控网络极低误警率预警方法。
背景技术
视频监控系统是城市公共安全的重要保障,其建设规模逐年递增。传统的视频监控系统依靠人眼对实时视频画面进行监控,受限于人眼的生理特性,系统漏警率很高。近年来,随着视觉计算技术的不断发展,很多厂商都推出了具有一定视频内容分析能力的摄像机、录像机、视频分析服务器等产品,旨在提高视频监控网络对数据的自动化分析处理能力。然而,在实际视频监控网络中,不同布控点的摄像机安装姿态、监控场景环境、目标个体形态等因素差异极大,与此同时,受限于硬件处理能力,现有设备的分析算法大多仅适用于有限的监控场景和监控任务,在大规模部署时,极易出现高检测率伴随高虚警率、或者低虚警率伴随高漏警率的问题,这两类误检测问题已经成为制约大规模视频监控网络性能的瓶颈,亟需加以解决。
发明内容
本发明的主要目的是提出一种大规模视频监控网络极低误警率预警方法,旨在解决现有的视频监控系统在大规模部署时,出现的高检测率伴随高虚警率、或者低虚警率伴随高漏警率的技术问题。
为实现上述目的,本发明提出的大规模视频监控网络极低误警率预警方法,包括多个摄像机、多个低层元数据提取单元、多个中层区域单目标融合判决单元以及一个高层全局多目标综合判决单元,每一所述摄像机的监控区域均和不少于2台处于同一系统中的其他所述摄像机的监控区域重合,每一所述低层元数据提取单元与单台所述摄像机数据连接,通过分析所述摄像机的视频图像,提取出视频中可能存在的人体目标区域的元数据和(或)车辆目标区域的元数据,然后将所述元数据上传至所述中层区域单目标融合判决单元,每一所述中层区域单目标融合判决单元与监控同一区域的所述多个摄像机对应的所述多个低层元数据提取单元数据连接,并对所述元数据进行分析处理,所述高层全局多目标综合判决单元与所述多个中层区域单目标融合判决单元数据连接,接收所述多个中层区域单目标融合判决单元上传的元数据处理结果,并对数据进行综合处理。
具体地,对于单个所述摄像机上传的元数据中的每一个目标,所述中层区域单目标融合判决单元依据相似度判定准则在其他所述摄像机元数据中寻找匹配目标,只有当一个目标在所有所述摄像机的元数据中都存在时,则将该目标作为候选目标保留下来,不满足该条件的目标直接丢弃。
具体地,对于每一所述候选目标,所述中层区域单目标融合判决单元分别对其在的所述摄像机的元数据中的对应数据进行分析判别,统计所有判决结果的类别,如果某个结果类别在所有结果中的比重超过2/3,则将该结果作为该候选目标对应的最终结果输出,该候选目标成为有效目标,如果没有任何一种结果类别满足上述条件,则不输出任何结果。
具体地,如果所述中层区域单目标融合判决单元输出的所述结果在所有结果的比重中未达到百分之百,则将不同判决结果对应的元数据作为一个正样本存储下来,当存储的所述正样本的总数超过预设的数量阈值时,通过fine-tuing机制对该单目标融合判决单元的判决策略进行在线微调。
具体地,通过人工对所述中层区域单目标融合判决单元输出的有效目标进行抽检,对于检测有误的数据,将其标记为负样本并存储,当所述负样本的总数超过预设的阈值时,通过fine-tuing机制对该单目标融合判决单元的判决策略进行在线微调。
具体地,当某个所述中层区域单目标融合判决单元检测到有效目标之后,所述高层全局多目标综合判决单元持续跟踪该目标的运动趋势,当所述目标离开当前检测区域之后,依据运动趋势估计该目标可能前往的下一个检测区域,并将该目标在当前区域的元数据处理结果发送到预测的检测区域对应的所述中层区域单目标融合判决单元。
具体地,所述预测的检测区域对应的所述中层区域单目标融合判决单元接收到所述高层全局多目标综合判决单元下发的目标历史数据之后,所述高层全局多目标综合判决单元将所述目标历史数据与当前检测到的目标做相似度判定,如果目标相似,则在最终的结果分析中将历史检测结果一并统计进来,进行分析,如果目标不相似,则仅统计本区域的检测结果。
具体地,所述高层全局多目标综合判决单元对相邻区域对应的所述中层区域单目标融合判决单元输出的有效目标数量进行对比分析,如果各所述中层区域单目标融合判决单元的有效目标输出数量均小于预设阈值,则统一上调各所述中层区域单目标融合判决单元的检测灵敏度;如果有效目标输出最多的区域的输出值超过预设阈值,而某相邻的区域输出的有效目标数量少且与该最大值的差值超过最大值1/2,则上调该输出有效目标数量少的中层区域单目标融合判决单元的检测灵敏度。
采用本发明的技术方案,具有以下有益效果:本发明的技术方案,通过分级融合判决方法,在大规模部署监控场景和监控任务时,有效降低了极易出现的高检测率伴随高虚警率、者低虚警率伴随高漏警率的问题,降低了误报率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明一实施例的一种大规模视频监控网络极低误警率预警方法的视频监控网络连接框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提出一种大规模视频监控网络极低误警率预警方法。
参照图1,在本发明一实施例中,该基于极低误警率预警方法的大规模视频监控网络系统包括多个摄像机1、多个低层元数据提取单元2、多个中层区域单目标融合判决单元3以及一个高层全局多目标综合判决单元4,每一所述摄像机1的监控区域5均和不少于2台处于同一系统中的其他所述摄像机1的监控区域5重合,每一所述低层元数据提取单元2与单台所述摄像机1数据连接,通过分析所述摄像机1的视频图像,提取出视频中可能存在的人体目标区域的元数据和(或)车辆目标区域的元数据,然后将所述元数据上传至所述中层区域单目标融合判决单元2,每一所述中层区域单目标融合判决单元2与监控同一区域5的所述多个摄像机1对应的所述多个低层元数据提取单元2数据连接,并对所述元数据进行分析处理,所述高层全局多目标综合判决单元4与所述多个中层区域单目标融合判决单元3数据连接,接收所述多个中层区域单目标融合判决单元3上传的元数据处理结果,并对数据进行综合处理。
通过设置多个低层元数据提取单元2、多个中层区域单目标融合判决单元3以及一个高层全局多目标综合判决单元4的分级融合判决方法,在大规模部署监控场景和监控任务时,有效降低了极易出现的高检测率伴随高虚警率、者低虚警率伴随高漏警率的问题,降低了误报率。
进一步地,对于单个所述摄像机1上传的元数据中的每一个目标,所述中层区域单目标融合判决单元3依据相似度判定准则在其他所述摄像机1的元数据中寻找匹配目标,只有当一个目标在所有所述摄像机1的元数据中都存在时,则将该目标作为候选目标保留下来,不满足该条件的目标直接丢弃。
进一步地,对于每一所述候选目标,所述中层区域单目标融合判决单元3分别对其在的所述摄像机1的元数据中的对应数据进行分析判别,统计所有判决结果的类别,如果某个结果类别在所有结果中的比重超过2/3,则将该结果作为该候选目标对应的最终结果输出,该候选目标成为有效目标,如果没有任何一种结果类别满足上述条件,则不输出任何结果。
进一步地,如果所述中层区域单目标融合判决单元3输出的所述结果在所有结果的比重中未达到百分之百,则将不同判决结果对应的元数据作为一个正样本存储下来,当存储的所述正样本的总数超过预设的数量阈值时,通过fine-tuing机制对该单目标融合判决单元的判决策略进行在线微调。
进一步地,通过人工对所述中层区域单目标融合判决单元3输出的有效目标进行抽检,对于检测有误的数据,将其标记为负样本并存储,当所述负样本的总数超过预设的阈值时,通过fine-tuing机制对该单目标融合判决单元的判决策略进行在线微调。
进一步地,当某个所述中层区域单目标融合判决单元3检测到有效目标之后,所述高层全局多目标综合判决单元4持续跟踪该目标的运动趋势,当所述目标离开当前检测区域之后,依据运动趋势估计该目标可能前往的下一个检测区域,并将该目标在当前区域的元数据处理结果发送到预测的检测区域对应的所述中层区域单目标融合判决单元3。
进一步地,所述预测的检测区域对应的所述中层区域单目标融合判决单元3接收到所述高层全局多目标综合判决单元4下发的目标历史数据之后,所述高层全局多目标综合判决单元4将所述目标历史数据与当前检测到的目标做相似度判定,如果目标相似,则所述高层全局多目标综合判决单元4在最终的结果分析中将历史检测结果一并统计进来进行分析,如果目标不相似,则所述高层全局多目标综合判决单元4仅统计本区域的检测结果。
进一步地,所述高层全局多目标综合判决单元4对相邻区域对应的所述中层区域单目标融合判决单元3输出的有效目标数量进行对比分析,如果各所述中层区域单目标融合判决单元3的有效目标输出数量均小于预设阈值,则统一上调各所述中层区域单目标融合判决单元3的检测灵敏度;如果有效目标输出最多的区域的输出值超过预设阈值,而某相邻的区域输出的有效目标数量少且与该最大值的差值超过最大值1/2,则上调该输出有效目标数量少的中层区域单目标融合判决单元3的检测灵敏度。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种大规模视频监控网络极低误警率预警方法,其特征在于,包括多个摄像机、多个低层元数据提取单元、多个中层区域单目标融合判决单元以及一个高层全局多目标综合判决单元,每一所述摄像机的监控区域均和不少于2台处于同一系统中的其他所述摄像机的监控区域重合,每一所述低层元数据提取单元与单台所述摄像机数据连接,通过分析所述摄像机的视频图像,提取出视频中可能存在的人体目标区域的元数据和(或)车辆目标区域的元数据,然后将所述元数据上传至所述中层区域单目标融合判决单元,每一所述中层区域单目标融合判决单元与监控同一区域的所述多个摄像机对应的所述多个低层元数据提取单元数据连接,并对所述元数据进行分析处理,所述高层全局多目标综合判决单元与所述多个中层区域单目标融合判决单元数据连接,接收所述多个中层区域单目标融合判决单元上传的元数据处理结果,并对数据进行综合处理。
2.根据权利要求1所述的大规模视频监控网络极低误警率预警方法,其特征在于,对于单个所述摄像机上传的元数据中的每一个目标,所述中层区域单目标融合判决单元依据相似度判定准则在其他所述摄像机元数据中寻找匹配目标,只有当一个目标在所有所述摄像机的元数据中都存在时,则将该目标作为候选目标保留下来,不满足该条件的目标直接丢弃。
3.根据权利要求2所述的大规模视频监控网络极低误警率预警方法,其特征在于,对于每一所述候选目标,所述中层区域单目标融合判决单元分别对其在的所述摄像机的元数据中的对应数据进行分析判别,统计所有判决结果的类别,如果某个结果类别在所有结果中的比重超过2/3,则所述中层区域单目标融合判决单元将该结果作为该候选目标对应的最终结果输出,该候选目标成为有效目标,如果没有任何一种结果类别满足上述条件,则所述中层区域单目标融合判决单元不输出任何结果。
4.根据权利要求3所述的大规模视频监控网络极低误警率预警方法,其特征在于,如果所述中层区域单目标融合判决单元输出的所述结果在所有结果的比重中未达到百分之百,则将不同判决结果对应的元数据作为一个正样本存储下来,当存储的所述正样本的总数超过预设的数量阈值时,所述中层区域单目标融合判决单元通过fine-tuing机制对该单目标融合判决单元的判决策略进行在线微调。
5.根据权利要求3所述的大规模视频监控网络极低误警率预警方法,其特征在于,通过人工对所述中层区域单目标融合判决单元输出的有效目标进行抽检,对于检测有误的数据,将其标记为负样本并存储,当所述负样本的总数超过预设的阈值时,所述中层区域单目标融合判决单元通过fine-tuing机制对该单目标融合判决单元的判决策略进行在线微调。
6.根据权利要求1所述的大规模视频监控网络极低误警率预警方法,其特征在于,当某个所述中层区域单目标融合判决单元检测到有效目标之后,所述高层全局多目标综合判决单元持续跟踪该目标的运动趋势,当所述目标离开当前检测区域之后,依据运动趋势估计该目标可能前往的下一个检测区域,并将该目标在当前区域的元数据处理结果发送到预测的检测区域对应的所述中层区域单目标融合判决单元。
7.根据权利要求6所述的大规模视频监控网络极低误警率预警方法,其特征在于,所述预测的检测区域对应的所述中层区域单目标融合判决单元接收到所述高层全局多目标综合判决单元下发的目标历史数据之后,所述高层全局多目标综合判决单元将所述目标历史数据与当前检测到的目标做相似度判定,如果目标相似,则所述高层全局多目标综合判决单元在最终的结果分析中将历史检测结果一并统计进来,进行分析,如果目标不相似,则所述高层全局多目标综合判决单元仅统计本区域的检测结果。
8.根据权利要求6所述的大规模视频监控网络极低误警率预警方法,其特征在于,所述高层全局多目标综合判决单元对相邻区域对应的所述中层区域单目标融合判决单元输出的有效目标数量进行对比分析,如果各所述中层区域单目标融合判决单元的有效目标输出数量均小于预设阈值,则统一上调各所述中层区域单目标融合判决单元的检测灵敏度;如果有效目标输出最多的区域的输出值超过预设阈值,而某相邻的区域输出的有效目标数量少且与该最大值的差值超过最大值1/2,则上调该输出有效目标数量少的中层区域单目标融合判决单元的检测灵敏度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361487.0A CN109302590A (zh) | 2018-11-15 | 2018-11-15 | 一种大规模视频监控网络极低误警率预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361487.0A CN109302590A (zh) | 2018-11-15 | 2018-11-15 | 一种大规模视频监控网络极低误警率预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109302590A true CN109302590A (zh) | 2019-02-01 |
Family
ID=65144449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811361487.0A Pending CN109302590A (zh) | 2018-11-15 | 2018-11-15 | 一种大规模视频监控网络极低误警率预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109302590A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103248867A (zh) * | 2012-08-20 | 2013-08-14 | 苏州大学 | 基于多摄像头数据融合的智能视频监控系统的监控方法 |
WO2014043976A1 (zh) * | 2012-09-24 | 2014-03-27 | 天津市亚安科技股份有限公司 | 多方向监控区域预警定位自动跟踪监控装置 |
JP2015226326A (ja) * | 2014-05-26 | 2015-12-14 | 富士通株式会社 | 映像解析方法及び映像解析装置 |
CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统 |
CN107071344A (zh) * | 2017-01-22 | 2017-08-18 | 深圳英飞拓科技股份有限公司 | 一种大规模分布式监控视频数据处理方法及装置 |
-
2018
- 2018-11-15 CN CN201811361487.0A patent/CN109302590A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103248867A (zh) * | 2012-08-20 | 2013-08-14 | 苏州大学 | 基于多摄像头数据融合的智能视频监控系统的监控方法 |
WO2014043976A1 (zh) * | 2012-09-24 | 2014-03-27 | 天津市亚安科技股份有限公司 | 多方向监控区域预警定位自动跟踪监控装置 |
JP2015226326A (ja) * | 2014-05-26 | 2015-12-14 | 富士通株式会社 | 映像解析方法及び映像解析装置 |
CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统 |
CN107071344A (zh) * | 2017-01-22 | 2017-08-18 | 深圳英飞拓科技股份有限公司 | 一种大规模分布式监控视频数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11704936B2 (en) | Object tracking and best shot detection system | |
CN106981163B (zh) | 一种人员入侵异常事件报警方法 | |
CN107133564B (zh) | 一种工装工帽检测方法 | |
CN111144291B (zh) | 基于目标检测的视频监控区域人员入侵判别方法及装置 | |
US8036425B2 (en) | Neural network-controlled automatic tracking and recognizing system and method | |
CN112132045B (zh) | 一种基于计算机视觉的小区人员异常行为监控方案 | |
CN108319926A (zh) | 一种工地现场的安全帽佩戴检测系统及检测方法 | |
CN110321780B (zh) | 基于时空运动特性的异常摔倒行为检测方法 | |
CN103049740A (zh) | 基于视频图像的疲劳状态检测方法及装置 | |
CN105915847A (zh) | 基于特征匹配跟踪的视频监控装置及其方法 | |
CN103065121B (zh) | 基于视频人脸分析的火车司机状态监控方法及装置 | |
CN107688884A (zh) | 安检集中管理系统 | |
CN106241534B (zh) | 多人乘梯异常活动智能监控方法 | |
CN101465033A (zh) | 一种自动追踪识别系统及方法 | |
KR101541272B1 (ko) | 사람들의 움직임 불규칙성을 이용한 폭력 행위 검출 장치 및 방법 | |
CN106210634A (zh) | 一种智慧金睛识别人员倒地报警方法和装置 | |
CN109389794A (zh) | 一种智能化视频监控方法和系统 | |
CN209543514U (zh) | 基于人脸识别的监控与报警系统 | |
CN106127814A (zh) | 一种智慧金睛识别人员聚集打斗报警方法和装置 | |
KR20200052418A (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
CN115171336A (zh) | 一种海滩监控溺水防护系统 | |
CN109302590A (zh) | 一种大规模视频监控网络极低误警率预警方法 | |
CN115019463B (zh) | 基于人工智能技术的水域监管系统 | |
KR20210007672A (ko) | 위험 감지 시스템 및 방법 | |
CN114445990A (zh) | 用于小区的监控视频访问系统 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhang Junyi Inventor after: Xie Changyi Inventor before: Xie Jianbin Inventor before: Yan Wei Inventor before: Li Peiqin Inventor before: Zhang Junyi Inventor before: Xie Changyi |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190201 |