CN109871783A - 一种基于视频图像的监控方法及监控系统 - Google Patents
一种基于视频图像的监控方法及监控系统 Download PDFInfo
- Publication number
- CN109871783A CN109871783A CN201910081816.4A CN201910081816A CN109871783A CN 109871783 A CN109871783 A CN 109871783A CN 201910081816 A CN201910081816 A CN 201910081816A CN 109871783 A CN109871783 A CN 109871783A
- Authority
- CN
- China
- Prior art keywords
- video image
- data model
- structural data
- current video
- matched
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及一种基于视频图像的监控方法及监控系统。其中监控方法包括:接收用户输入的搜索类别;获取与所述搜索类别对应的结构化数据模型;基于获取的结构化数据模型,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,并对筛选出的对象进行标记。本发明实施例提出的监控方案无需关注特定对象的属性,只需要根据该类型对应的结构化数据模型,确定视频图像中存在的与结构化数据模型匹配的所有对象或特定对象,即可检测到特定对象,准确性和可靠性高。
Description
技术领域
本发明属于视频监控技术领域,具体涉及一种基于视频图像的监控方法及监控系统。
背景技术
现有技术中,计算机视觉的处理目标之一是找到特定的对象,识别出特定对象的属性。另外还有一种需求是,不需要识别出对象的属性,只需要检测是否存在一个特定对象以及监测该特定对象的消失情况。对于只需要检测是否存在一个特定对象以及监测该特定对象的消失情况的需求,传统方法一般采用的是将视频中前后帧进行比较,识别出相邻帧之间的差异,然后判断该差异中是否包含了需要监测的对象,这种方法存在运算量大,工作效率低的缺陷。并且由于视频中相邻帧之间依据视频内容的不同可能出现较大的差异,在这种情况下,如果没有事先给出针对监测对象的一个初步参照目标,那么得到的监测结果准确性和可靠性低。
发明内容
为了解决上述现有监测技术的工作效率低并且可靠性低的技术问题,本发明实施例提出了一种基于视频图像的监控方法及监控系统。
一种基于视频图像的监控方法,包括:
接收用户输入的搜索类别;
获取与所述搜索类别对应的结构化数据模型;
基于获取的结构化数据模型,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,并对筛选出的对象进行标记。
进一步地,所述方法还包括:
在随后的连续视频图像中监视标记对象,当标记对象连续出现的时间达到时长阈值时,对达到时长阈值的标记对象进行标定;
持续在随后的连续视频图像中监视标定对象,当标定对象在视频图像中消失时,发出提示信息。
进一步地,所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:对所述当前视频图像基于所述结构化数据模型进行对象识别和对象结构化分析,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
进一步地,所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:
基于多个摄像头的位置关系,从所述多个摄像头拍摄的当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
进一步地,所述对筛选出的对象进行标记,包括:
接收来自用户的指示;
根据用户的指示,从筛选出的对象中选定一个对象进行标记。
一种基于视频图像的监控系统,包括:
接收模块,用于接收用户输入的搜索类别;
获取模块,用于获取与所述搜索类别对应的结构化数据模型;
标记模块,用于基于获取的结构化数据模型,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,并对筛选出的对象进行标记。
进一步地,该系统还包括:
标定模块,用于在随后的连续视频图像中监视标记对象,当标记对象连续出现的时间达到时长阈值时,对达到时长阈值的标记对象进行标定;
提示模块,用于持续在随后的连续视频图像中监视标定对象,当标定对象在视频图像中消失时,发出提示信息。
进一步地,所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:对所述当前视频图像基于所述结构化数据模型进行对象识别和对象结构化分析,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
进一步地,所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:
基于多个摄像头的位置关系,从所述多个摄像头拍摄的当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
进一步地,所述对筛选出的对象进行标记,包括:
接收来自用户的指示;
根据用户的指示,从筛选出的对象中选定一个对象进行标记。
本发明的有益效果:本发明实施例提出的基于视频图像的监控方法及监控系统,以类别作为搜索关键词,以结构化数据模型作为类别的表示方式,通过基于计算机图形学的对象结构化分析原理定义所述结构化数据模型,既能支持模糊输入,也能实现高效率的搜索,因此,本发明实施例提出的监控方案无需关注特定对象的属性,只需要根据该类型对应的结构化数据模型,确定视频图像中存在的与结构化数据模型匹配的所有对象或特定对象,即可检测到特定对象,准确性和可靠性高。并且,本发明实施例提出的监控方案对在视频图像中存续时间较长的特定对象进行监控,以避免不必要噪音的干扰,当该对象消失时,自动给出提示信息,避免人工长期的重新检视录像,因此可以有效减少运算量,提高处理速度,工作效率高。另外,本发明实施例提出的监控方案,对于不确定是否丢失了某物或某人的场合下,能够自动标注出所有在短时间内消失或者增加的图示对象,从而有效提升了检索效率。
附图说明
图1是本发明实施例提出的基于视频图像的监控方法的流程图;
图2是本发明实施例提出的基于视频图像的监控系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。但本领域技术人员知晓,本发明并不局限于附图和以下实施例。
本发明实施例提出了一种基于视频图像的监控方法,如图1所示,包括:
接收用户输入的搜索类别;
获取与所述搜索类别对应的结构化数据模型;
基于获取的结构化数据模型,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,并对筛选出的对象进行标记。
其中,所述搜索类别可以根据应用场景进行设定,例如在寻物寻人的应用场景中,所述搜索类别可以设定为包括:箱、包、钱包、手机、狗、猫、人等。所述结构化数据模型可以基于计算机图形学的对象结构化分析原理定义,例如,与搜索类型“包”对应的结构化数据模型可以根据各式各样的包的图形进行定义。
在一实施例中,通过勾勒轮廓的方式对筛选出的对象进行标记。
在一实施例中,当标定对象在视频图像中消失时,不仅可以发出提示信息,还可以截取对应的视频片段,以便用户查看或者向用户展示。
本发明实施例提出了一种基于视频图像的对象监控系统,如图2所示,包括:
接收模块,用于接收用户输入的搜索类别;
获取模块,用于获取与所述搜索类别对应的结构化数据模型;
标记模块,用于基于获取的结构化数据模型,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,并对筛选出的对象进行标记。
其中,所述搜索类别可以根据应用场景进行设定,例如在寻物寻人的应用场景中,所述搜索类别可以设定为包括:箱、包、钱包、手机、狗、猫、人等。所述结构化数据模型可以基于计算机图形学的对象结构化分析原理定义,例如,与搜索类型“包”对应的结构化数据模型可以根据各式各样的包的图形进行定义。
在一实施例中,通过勾勒轮廓的方式对筛选出的对象进行标记。
在一实施例中,当标定对象在视频图像中消失时,不仅可以发出提示信息,还可以截取对应的视频片段,以便用户查看或者向用户展示。
本发明实施例提出的基于视频图像的监控方案,以类别作为搜索关键词,以结构化数据模型作为类别的表示方式,通过基于计算机图形学的对象结构化分析原理定义所述结构化数据模型,既能支持模糊输入,也能实现高效率的搜索,因此,本发明实施例提出的监控方案无需关注特定对象的属性,只需要根据该类型对应的结构化数据模型,确定视频图像中存在的与结构化数据模型匹配的所有对象或特定对象,即可检测到特定对象,准确性和可靠性高。
本发明实施例提出的监控方案,不仅可以用于寻物寻人,例如,在监控范围长期存在的一个包或者一个人,当突然消失的时候,自动给出提示信息,这样就避免了在寻物或寻人时,往往需要人工长期的重新检视录像;而且可以在非针对性寻物或寻人的场合下,能够自动标注出所有在短时间内消失或者增加了的图示对象,从而有效提升了检索效率。
下面对本发明实施例提出的基于视频图像的监控方法和监控系统进行进一步的示例性描述。
实施例1:
本实施例对本发明实施例提出的基于视频图像的监控方法和监控系统进行了进一步的示例性描述。
在本实施例中,可参考图1所示,所述监控方法还包括:
在随后的连续视频图像中监视标记对象,当标记对象连续出现的时间达到时长阈值时,对达到时长阈值的标记对象进行标定;
持续在随后的连续视频图像中监视标定对象,当标定对象在视频图像中消失时,发出提示信息。
在一实施例中,通过勾勒轮廓的方式对筛选出的对象进行标定。
在本实施例中,可参考图2所示,所述监控系统还包括:
标定模块,用于在随后的连续视频图像中监视标记对象,当标记对象连续出现的时间达到时长阈值时,对达到时长阈值的标记对象进行标定;
提示模块,用于持续在随后的连续视频图像中监视标定对象,当标定对象在视频图像中消失时,发出提示信息。
在一实施例中,通过勾勒轮廓的方式对筛选出的对象进行标定。
本实施例提出的监控方案,对在视频图像中存续时间较长的特定对象进行监控,以避免不必要噪音的干扰,当该对象消失时,自动给出提示信息,避免人工长期的重新检视录像,因此可以有效减少运算量,提高处理速度,工作效率高。
实施例2:
本实施例对本发明实施例提出的监控方案以及前述实施例的监控方案作进一步的示例性描述。
在本实施例的监控方法中,所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:对所述当前视频图像基于所述结构化数据模型进行对象识别和对象结构化分析,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
在本实施例的监控系统中,所述标记模块从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:对所述当前视频图像基于所述结构化数据模型进行对象识别和对象结构化分析,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
本实施例提出的基于视频图像的监控方案,通过对所述当前视频图像基于所述结构化数据模型进行对象识别和对象结构化分析,不仅可以筛选出符合所述结构化数据模型基本定义的结构化数据,还可以筛选出在基本定义的基础上进行了状态改变的结构化数据,以避免遗漏所述搜索类别所针对的对象,进一步提高筛选的准确性和可靠性。
实施例3:
本实施例对本发明实施例提出的监控方案以及前述实施例的监控方案作进一步的示例性描述。
在本实施例的监控方法中,所述视频图像为多个摄像头拍摄的视频图像。
所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:
基于所述多个摄像头的位置关系,从所述多个摄像头拍摄的当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
其中,所述多个摄像头中的一个摄像头为主摄像头,其余摄像头为副摄像头。
主摄像头可以根据现场的实际情况进行调整,以方便监控被监控的对象。例如,摄像头A、摄像头B和摄像头C安装在不同的位置,在第一时间段内,被监控的特定对象相对于摄像头A处于完全暴露的状态,相对于摄像头B处于部分遮挡的状态,相对于摄像头C处于完全遮挡的状态,此时可选取摄像头A作为主摄像头;在第二时间段内,被监控的特定对象相对于摄像头A处于完全遮挡的状态,相对于摄像头B处于部分遮挡的状态,相对于摄像头C处于完全暴露的状态,此时可选取摄像头C作为主摄像头。再例如,摄像头A、摄像头B和摄像头C安装在不同的位置,从摄像头A、摄像头B和摄像头C分别拍摄的视频图像中筛选出的与获取的结构化数据模型匹配的对象数量中,从摄像头A拍摄的视频图像中筛选出的与获取的结构化数据模型匹配的对象数量最多,此时摄像头A作为主摄像头。
副摄像头的数量及其是否工作依据监控准确性等要求而定,以合理节省资源。例如,摄像头A、摄像头B和摄像头C安装在不同的位置,被监控的特定对象相对于摄像头A处于完全暴露的状态,相对于摄像头B和摄像头C处于完全遮挡的状态,此时摄像头B和摄像头C可以暂时不工作。再例如,摄像头A和摄像头B安装在不同的位置,从摄像头A拍摄的视频图像中筛选出的与获取的结构化数据模型匹配的对象中包括了从摄像头B拍摄的视频图像中筛选出的与获取的结构化数据模型匹配的对象,则摄像头B可以暂时不工作。
所述基于所述多个摄像头的位置关系,从所述多个摄像头拍摄的当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:
分别从每个摄像头拍摄的当前视频图像中,筛选出与获取的结构化数据模型匹配的对象;
基于所述多个摄像头的位置关系,判断从每个摄像头拍摄的当前视频图像中筛选出的与获取的结构化数据模型匹配的对象是否存在重复;如果是,去重后的所述从每个摄像头拍摄的当前视频图像中筛选出的与获取的结构化数据模型匹配的所有对象作为从所述多个摄像头拍摄的当前视频图像中的与获取的结构化数据模型匹配的对象;如果否,所述从每个摄像头拍摄的当前视频图像中筛选出的与获取的结构化数据模型匹配的所有对象作为从所述多个摄像头拍摄的当前视频图像中的与获取的结构化数据模型匹配的对象;
记录各个对象与摄像头的对应关系。
其中,去重的操作可以从重复的对象中任意保留一个对象,也可以根据预先设定的去重条件保留一个对象,预先设定的去重条件例如可以是从重复的对象中保留在当前视频图像中占用面积最大的对象,还可以是从重复的对象中保留在当前视频图像中未被遮挡的对象。下面结合实例对本实施例进行示例性说明。
以摄像头A、摄像头B和摄像头C为例,假设摄像头A拍摄的当前视频图像中筛选出的与获取的结构化数据模型匹配的对象为a1、a2和a3,摄像头B拍摄的当前视频图像中筛选出的与获取的结构化数据模型匹配的对象为b1、b2和b3,摄像头C拍摄的当前视频图像中筛选出的与获取的结构化数据模型匹配的对象为c1和c2;
基于摄像头A、摄像头B和摄像头C的位置关系,判断出对象a2和对象b3重复,对象b1和对象c1重复,因对象a2在摄像头A拍摄的当前视频图像中占用的面积大于对象b3在摄像头B拍摄的当前视频图像中占用的面积,对象b1在摄像头B拍摄的当前视频图像中未被遮挡,而对象c1在摄像头C拍摄的当前视频图像中被部分遮挡,因此,对象a2和对象b3中保留对象a2,对象b1和对象c1中保留对象b1,去重后的所有对象a1、a2、a3、b1、b2和c2作为从所述多个摄像头拍摄的当前视频图像中的与获取的结构化数据模型匹配的对象;
记录对象a1、a2、a3与摄像头A对应,对象b1、b2与摄像头B对应,对象c2与摄像头C对应。
在一实施例中,对象与摄像头的对应关系,可以在整个监控过程中保持不变,也可以在例如实施例1中对标定对象重复上述筛选、判断和记录的操作以对标定对象与摄像头的对应关系进行重新确定,以便更清楚地监控标定对象,其中可以在经过设定时间后重复上述筛选、判断和记录的操作,也可以在标定对象在对应的摄像头拍摄的当前视频图像中消失时重复上述筛选、判断和记录的操作,以提高提示的准确性。
在本实施例的监控系统中,所述视频图像为多个摄像头拍摄的视频图像。
所述标记模块从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:
基于所述多个摄像头的位置关系,从所述多个摄像头拍摄的当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
其中,所述多个摄像头中的一个摄像头为主摄像头,其余摄像头为副摄像头。主摄像头可以根据现场的实际情况进行调整,以方便监控被监控的对象。副摄像头的数量及其是否工作依据监控准确性等要求而定,以合理节省资源。
本实施例的监控系统与监控方法相对应的内容,在此不再赘述,本领域技术人员参考监控方法的描述即可知晓。
本实施例提出的监控方案,可以有效克服单个摄像头存在的拍摄盲区,并且可以进一步提高筛选的准确性和可靠性。
实施例4:
本实施例对本发明实施例提出的监控方案以及前述实施例的监控方案作进一步的示例性描述。
在本实施例的监控方法中,所述对筛选出的对象进行标记,包括:
接收来自用户的指示;
根据用户的指示,从筛选出的对象中选定一个对象进行标记。
在一实施例中,锁定所述选定的对象,拍摄当前视频图像。例如,所述选定的对象锁定在当前视频图像的固定位置,方便用户查看。
在本实施例的监控系统中,所述标记模块对筛选出的对象进行标记包括:接收来自用户的指示;根据用户的指示,从筛选出的对象中选定一个对象进行标记。
本实施例的监控系统与监控方法相对应的内容,在此不再赘述,本领域技术人员参考监控方法的描述即可知晓。
本实施例提出的监控方案,不仅可以监控所有对象的状况,而且通过对特定对象进行标记,还可以针对性的监控该特定对象的状况,提升检索效率,扩展本发明实施例的应用场合。
本发明实施例还提出一种计算机可读存储介质,存储有执行前述方法的计算机程序。
本发明实施例还提出一种计算机设备,包括处理器和操作上与所述处理器连接的上述计算机可读存储介质,所述处理器运行执行计算机可读介质中的计算机程序。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上,对本发明的实施方式进行了说明。但是,本发明不限定于上述实施方式。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于视频图像的监控方法,其特征在于,包括:
接收用户输入的搜索类别;
获取与所述搜索类别对应的结构化数据模型;
基于获取的结构化数据模型,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,并对筛选出的对象进行标记。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在随后的连续视频图像中监视标记对象,当标记对象连续出现的时间达到时长阈值时,对达到时长阈值的标记对象进行标定;
持续在随后的连续视频图像中监视标定对象,当标定对象在视频图像中消失时,发出提示信息。
3.根据权利要求1所述的方法,其特征在于,所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:对所述当前视频图像基于所述结构化数据模型进行对象识别和对象结构化分析,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
4.根据权利要求1所述的方法,其特征在于,所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:基于多个摄像头的位置关系,从所述多个摄像头拍摄的当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
5.根据权利要求1所述的方法,其特征在于,所述对筛选出的对象进行标记,包括:
接收来自用户的指示;
根据用户的指示,从筛选出的对象中选定一个对象进行标记。
6.一种基于视频图像的监控系统,其特征在于,包括:
接收模块,用于接收用户输入的搜索类别;
获取模块,用于获取与所述搜索类别对应的结构化数据模型;
标记模块,用于基于获取的结构化数据模型,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,并对筛选出的对象进行标记。
7.根据权利要求6所述的系统,其特征在于,该系统还包括:
标定模块,用于在随后的连续视频图像中监视标记对象,当标记对象连续出现的时间达到时长阈值时,对达到时长阈值的标记对象进行标定;
提示模块,用于持续在随后的连续视频图像中监视标定对象,当标定对象在视频图像中消失时,发出提示信息。
8.根据权利要求6所述的系统,其特征在于,所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:对所述当前视频图像基于所述结构化数据模型进行对象识别和对象结构化分析,从当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
9.根据权利要求6所述的系统,其特征在于,所述从当前视频图像中筛选出与获取的结构化数据模型匹配的对象,包括:基于多个摄像头的位置关系,从所述多个摄像头拍摄的当前视频图像中筛选出与获取的结构化数据模型匹配的对象。
10.根据权利要求6所述的系统,其特征在于,所述对筛选出的对象进行标记,包括:
接收来自用户的指示;
根据用户的指示,从筛选出的对象中选定一个对象进行标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081816.4A CN109871783B (zh) | 2019-01-28 | 2019-01-28 | 一种基于视频图像的监控方法及监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081816.4A CN109871783B (zh) | 2019-01-28 | 2019-01-28 | 一种基于视频图像的监控方法及监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871783A true CN109871783A (zh) | 2019-06-11 |
CN109871783B CN109871783B (zh) | 2021-05-07 |
Family
ID=66918136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910081816.4A Active CN109871783B (zh) | 2019-01-28 | 2019-01-28 | 一种基于视频图像的监控方法及监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871783B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101616309A (zh) * | 2009-07-16 | 2009-12-30 | 上海交通大学 | 无重叠视域多摄像机人体目标跟踪方法 |
CN101778260A (zh) * | 2009-12-29 | 2010-07-14 | 公安部第三研究所 | 一种基于结构化描述的视频监控管理方法及系统 |
CN101840422A (zh) * | 2010-04-09 | 2010-09-22 | 江苏东大金智建筑智能化系统工程有限公司 | 基于目标特征和报警行为的智能视频检索系统和方法 |
CN102663743A (zh) * | 2012-03-23 | 2012-09-12 | 西安电子科技大学 | 一种复杂场景中多摄影机协同的人物追踪方法 |
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 |
CN103778237A (zh) * | 2014-01-27 | 2014-05-07 | 北京邮电大学 | 一种基于活动事件时空重组的视频摘要生成方法 |
CN105335387A (zh) * | 2014-07-04 | 2016-02-17 | 杭州海康威视系统技术有限公司 | 一种视频云存储系统的检索方法 |
CN106295598A (zh) * | 2016-08-17 | 2017-01-04 | 北京大学 | 一种跨摄像头目标跟踪方法及装置 |
US20180330470A1 (en) * | 2017-05-09 | 2018-11-15 | Adobe Systems Incorporated | Digital Media Environment for Removal of Obstructions in a Digital Image Scene |
CN109003318A (zh) * | 2018-08-09 | 2018-12-14 | 北京深瞐科技有限公司 | 一种视频处理方法、装置及存储介质 |
CN109190601A (zh) * | 2018-10-19 | 2019-01-11 | 银河水滴科技(北京)有限公司 | 一种监控场景下目标对象识别方法及装置 |
CN109214315A (zh) * | 2018-08-21 | 2019-01-15 | 北京深瞐科技有限公司 | 人车跨镜头追踪方法及装置 |
-
2019
- 2019-01-28 CN CN201910081816.4A patent/CN109871783B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101616309A (zh) * | 2009-07-16 | 2009-12-30 | 上海交通大学 | 无重叠视域多摄像机人体目标跟踪方法 |
CN101778260A (zh) * | 2009-12-29 | 2010-07-14 | 公安部第三研究所 | 一种基于结构化描述的视频监控管理方法及系统 |
CN101840422A (zh) * | 2010-04-09 | 2010-09-22 | 江苏东大金智建筑智能化系统工程有限公司 | 基于目标特征和报警行为的智能视频检索系统和方法 |
CN102663743A (zh) * | 2012-03-23 | 2012-09-12 | 西安电子科技大学 | 一种复杂场景中多摄影机协同的人物追踪方法 |
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 |
CN103778237A (zh) * | 2014-01-27 | 2014-05-07 | 北京邮电大学 | 一种基于活动事件时空重组的视频摘要生成方法 |
CN105335387A (zh) * | 2014-07-04 | 2016-02-17 | 杭州海康威视系统技术有限公司 | 一种视频云存储系统的检索方法 |
CN106295598A (zh) * | 2016-08-17 | 2017-01-04 | 北京大学 | 一种跨摄像头目标跟踪方法及装置 |
US20180330470A1 (en) * | 2017-05-09 | 2018-11-15 | Adobe Systems Incorporated | Digital Media Environment for Removal of Obstructions in a Digital Image Scene |
CN109003318A (zh) * | 2018-08-09 | 2018-12-14 | 北京深瞐科技有限公司 | 一种视频处理方法、装置及存储介质 |
CN109214315A (zh) * | 2018-08-21 | 2019-01-15 | 北京深瞐科技有限公司 | 人车跨镜头追踪方法及装置 |
CN109190601A (zh) * | 2018-10-19 | 2019-01-11 | 银河水滴科技(北京)有限公司 | 一种监控场景下目标对象识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
ANDREW D 等: ""Multi-camera real-time three-dimensional tracking of multiple flying animals"", 《THE ROYAL SOCIETY INTERFACE》 * |
余杰: ""基于视频的人体目标跟踪与识别技术研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109871783B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102194320B (zh) | 高清网络智能摄像机及高清网络智能抓拍方法 | |
KR101392294B1 (ko) | 통계적인 픽셀 모델링을 이용한 비디오 분할 | |
CN102740121B (zh) | 应用于视频监控网络的视频质量诊断控制系统及方法 | |
CN109711318B (zh) | 一种基于视频流的多人脸检测与跟踪方法 | |
CN110033481A (zh) | 用于进行图像处理的方法和设备 | |
CN106295598A (zh) | 一种跨摄像头目标跟踪方法及装置 | |
CN109949347A (zh) | 人体跟踪方法、装置、系统、电子设备和存储介质 | |
CN109241345B (zh) | 基于人脸识别的视频定位方法和装置 | |
CN110867083B (zh) | 车辆监控方法、装置、服务器和机器可读存储介质 | |
CN107862072B (zh) | 基于大数据技术分析车辆入城套牌作案的方法 | |
US20160210759A1 (en) | System and method of detecting moving objects | |
CN104954659A (zh) | 一种处理图像信息的方法及装置 | |
CN109615904A (zh) | 停车管理方法、装置、计算机设备和存储介质 | |
CN106331518A (zh) | 图像处理方法及装置和电子系统 | |
CN109887137A (zh) | 一种起落杆的控制方法及装置 | |
Lin et al. | Real-time active tampering detection of surveillance camera and implementation on digital signal processor | |
CN110008771A (zh) | 一种扫码系统及扫码方法 | |
CN110392207B (zh) | 一种触发摄像设备聚焦的方法及装置 | |
CN110390813A (zh) | 基于车型鉴别的大数据处理系统 | |
US7174041B2 (en) | Diagnostic apparatus for abnormalities in image recognition system | |
CN109871783A (zh) | 一种基于视频图像的监控方法及监控系统 | |
CN100391232C (zh) | 数字影像闪光场景检测与消除方法 | |
CN116168345B (zh) | 火灾检测方法及相关设备 | |
CN106682611A (zh) | 图像处理方法及装置 | |
CN116311049A (zh) | 门状态检测方法、控制装置及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |