CN109977796A - 尾随通行检测方法及装置 - Google Patents

尾随通行检测方法及装置 Download PDF

Info

Publication number
CN109977796A
CN109977796A CN201910166967.XA CN201910166967A CN109977796A CN 109977796 A CN109977796 A CN 109977796A CN 201910166967 A CN201910166967 A CN 201910166967A CN 109977796 A CN109977796 A CN 109977796A
Authority
CN
China
Prior art keywords
pedestrian
video frame
movement track
result
current
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
CN201910166967.XA
Other languages
English (en)
Inventor
袁智
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.)
New H3C Technologies Co Ltd
Original Assignee
New H3C Technologies 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 New H3C Technologies Co Ltd filed Critical New H3C Technologies Co Ltd
Priority to CN201910166967.XA priority Critical patent/CN109977796A/zh
Publication of CN109977796A publication Critical patent/CN109977796A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/40Scenes; Scene-specific elements in video content
    • G06V20/41Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20Movements or behaviour, e.g. gesture recognition
    • G06V40/23Recognition of whole body movements, e.g. for sport training

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种尾随通行检测方法及装置,该方法包括:获得监测场景的当前视频帧;对当前视频帧进行行人检测,获得行人检测结果;将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,其中,第一类行人运动轨迹为:根据所述当前视频帧之前的视频帧确定的监测场景中行人的运动轨迹;根据所获得匹配结果,获得监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹;根据第二类行人运动轨迹的数量检测是否存在尾随通行现象。应用本申请提供的方案,能够有效检测出尾随通行现象。

Description

尾随通行检测方法及装置
技术领域
本申请涉及信息处理技术领域,特别是涉及一种尾随通行检测方法及装置。
背景技术
为管理人流、规范行人出入,很多场合使用了门禁系统。常见的门禁系统是基于闸机实现的。其中,闸机的最基本核心功能是一次只允许一人通行。然而,实际应用过程中经常会出现非授权人员有意或者无意的尾随前面人员通过闸机的现象,例如,陌生人尾随小区业主进入小区居民楼等。这样为安装上述门禁系统的场合带来了安全隐患。
为此,需要提供一种能够有效检测出尾随通行现象的方案。
发明内容
有鉴于此,本申请提供了一种尾随通行检测方法及装置,以实现有效检测出尾随通行现象。具体技术方案如下:
第一方面,本申请提供了一种尾随通行检测方法,该方法包括:
获得监测场景的当前视频帧;
对当前视频帧进行行人检测,获得行人检测结果;
将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,其中,第一类行人运动轨迹为:根据当前视频帧之前的视频帧确定的监测场景中行人的运动轨迹;
根据所获得匹配结果,获得监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹;
根据第二类行人运动轨迹的数量检测是否存在尾随通行现象。
结合第一方面,在第一种可能的实现方式中,上述当前视频帧为:反映监测场景俯视情况的视频帧。
结合第一方面或第一种可能的实现方式,在第二种可能的实现方式中,将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,包括:
针对每一第一类行人运动轨迹,获得第一类行人运动轨迹所对应的最新视频帧与当前视频帧之间间隔的视频帧数量,其中,最新视频帧为:用于确定第一类行人运动轨迹的行人所在区域所属视频帧中采集时间最新的视频帧;
从第一类行人运动轨迹中,选择视频帧数量小于预设阈值的行人运动轨迹;
将每一行人检测结果与所选择的行人运动轨迹进行匹配,获得匹配结果。
结合第一方面或第一种可能的实现方式,在第三种可能的实现方式中,上述行人检测结果包括:行人所在区域的区域检测信息和行人所在区域反映的行人特征;
其中,将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,包括:
分别沿各个第一类行人运动轨迹预测所述当前视频帧中的行人所在区域,并获得预测出区域的区域预测信息;
计算行人检测结果中区域检测信息与第一类行人运动轨迹对应的区域预测信息之间的匹配程度,作为第一匹配程度;
计算行人检测结果中行人特征与用于确定第一类行人运动轨迹的历史行人区域所反映行人特征之间的匹配程度,作为第二匹配程度,其中,所述历史行人区域为:在所述当前视频帧之前的视频帧中检测出的行人所在区域;
根据所述第一匹配程度和第二匹配程度,计算行人检测结果与第一类行人运动轨迹之间的匹配程度,并根据计算得到的匹配程度获得匹配结果。
结合第一方面或第一种可能的实现方式,在第四种可能的实现方式中,根据所获得匹配结果,获得所述监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹,包括:
针对每一行人检测结果,在所获得匹配结果表征第一类行人运动轨迹中不存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果创建新的行人运动轨迹,作为第二类行人运动轨迹;
针对每一行人检测结果,在所获得匹配结果表征第一类行人运动轨迹中存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果更新与行人检测结果匹配的第一类行人运动轨迹,得到第二类行人运动轨迹。
第二方面,本申请提供了一种尾随通行检测装置,该装置包括:
视频帧获得模块,用于获得针对监测场景的当前视频帧;
检测结果获得模块,用于对当前视频帧进行行人检测,获得行人检测结果;
匹配结果获得模块,用于将每一行人检测结果,获得匹配结果,其中,第一类行人运动轨迹为:根据当前视频帧之前的视频帧确定的监测场景中行人的运动轨迹;
轨迹获得模块,用于根据所获得匹配结果,获得监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹;
尾随通行检测模块,用于根据第二类行人运动轨迹的数量检测是否存在尾随通行现象。
结合第二方面,在第一种可能的实现方式中,上述当前视频帧为:反映监测场景俯视情况的视频帧。
结合第二方面或第一种可能的实现方式,在第二种可能的实现方式中,匹配结果模块,具体用于:
针对每一第一类行人运动轨迹,获得第一类行人运动轨迹所对应的最新视频帧与当前视频帧之间间隔的视频帧数量,其中,最新视频帧为:用于确定第一类行人运动轨迹的行人所在区域所属视频帧中采集时间最新的视频帧;
从第一类行人运动轨迹中,选择视频帧数量小于预设阈值的行人运动轨迹;
将每一行人检测结果与所选择的行人运动轨迹进行匹配,获得匹配结果。
结合第二方面或第一种可能的实现方式,在第三种可能的实现方式中,上述行人检测结果包括:行人所在区域的区域检测信息和行人所在区域反映的行人特征;
其中,匹配结果获得模块,具体用于:分别沿各个第一类行人运动轨迹预测当前视频帧中的行人所在区域,并获得预测出区域的区域预测信息;
计算行人检测结果中区域检测信息与第一类行人运动轨迹对应的区域预测信息之间的匹配程度,作为第一匹配程度;
计算行人检测结果中行人特征与用于确定第一类行人运动轨迹的历史行人区域所反映行人特征之间的匹配程度,作为第二匹配程度,其中,历史行人区域为:在当前视频帧之前的视频帧中检测出的行人所在区域;
根据第一匹配程度和第二匹配程度,计算行人检测结果与第一类行人运动轨迹之间的匹配程度,并根据计算得到的匹配程度获得匹配结果。
结合第二方面或第一种可能的实现方式,在第四种可能的实现方式中,轨迹获得模块,具体用于:
针对每一行人检测结果,在所获得匹配结果表征第一类行人运动轨迹中不存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果创建新的行人运动轨迹,作为第二类行人运动轨迹;
在所获得匹配结果表征第一类行人运动轨迹中存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果更新与行人检测结果匹配的第一类行人运动轨迹,得到第二类行人运动轨迹。
第三方面,本申请提供了一种电子设备,包括处理器和机器可读存储介质,其中,机器可读存储介质存储有能够被处理器执行的机器可执行指令,处理器被机器可执行指令促使:实现本申请前述的尾随通行检测方法步骤。
第四方面,本申请提供了一种机器可读存储介质,存储有机器可执行指令,在被处理器调用和执行时,机器可执行指令促使处理器:实现本申请前述的尾随通行检测方法步骤。
由以上可见,本申请提供的方案中,获得针对监测场景的当前视频帧后,对当前视频帧进行行人检测,并获得行人检测结果。将每一行人检测结果与第一类行人运动轨迹进行匹配。根据匹配结果,获得监测场景中行人的当前运动轨迹,并根据上述当前运动轨迹的数量检测是否存在尾随通行现象。由于每一条行人运动轨迹反应了每一个行人在监测场景中的运动情况,因此,可以根据上述当前运动轨迹得知各个行人在监测场景所经过的区域,为此应用本申请提供的方案可以有效检测出尾随通行现象。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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获得其他的附图。
图1为本申请实施例提供的一种尾随通行检测方法的流程示意图;
图2a为本申请实施例提供的一种监测场景的俯视示意图;
图2b-图2d为本申请实施例提供的尾随通行示意图;
图3为本申请实施例提供的一种信息匹配方法的流程示意图;
图4为本申请实施例提供的一种尾随通行检测装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
由于现有技术中安装了门禁系统的场合存在尾随通行的安全隐患,为消除这一安全隐患,本申请实施例提供了一种尾随通行检测方法及装置。
下面先通过具体实施例对本申请实施例提供的尾随通行检测方法进行详细说明。
图1为本申请实施例提供的一种尾随通行检测方法的结构示意图,该方法包括:
S101:获得针对监测场景的当前视频帧。
具体的,上述监测场景可以是安装有门禁系统的场景,例如,安装有闸机的地铁站、收费站等,需要刷门禁卡出入的楼宇、园区等。
上述当前视频帧可以是安装在监测场景中的视频采集设备采集的视频帧。视频采集设备采集针对监测场景的视频帧后,可以实时向本申请实施例的执行主体发送其所采集的视频帧,上述执行主体可以对视频采集设备发送的每一视频帧应用本申请实施例提供的尾随通行检测方案,这种情况下,可以认为视频采集设备最新采集(即采集时间最晚)并向执行主体发送的视频帧即为上述当前视频帧,或者可以认为执行主体在每一时刻处理的视频帧即为上述当前视频帧。
具体的,上述执行主体可以是计算机、移动终端等电子设备。
例如,上述视频采集设备可以是摄像机、摄像头等能够采集视频的设备。
本申请的一个实施例中,获得针对监测场景的当前视频帧,可以是获得反映监测场景俯视情况的当前视频帧,也就是,当前视频帧为:反映监测场景俯视情况的视频帧。如图2a,示出了一种监测场景的俯视示意图。
这种情况下,上述视频采集设备可以安装在能够采集到监测场景俯视图的位置。例如,可以安装在闸机的上方,进一步可以安装在闸机的正上方。
上述当前视频帧为反映监测场景俯视情况的视频帧时,当前视频帧可以基于从上向下看的角度记录监测场景中的行人活动情况,这样即使在水平方向上有些行人被其前面的行人遮挡,上述当前视频帧中依然可以记录上述被遮挡行人的俯视信息,因此,以反映监测场景俯视情况的视频帧作为当前视频帧可以有效、准确的记录监测场景中真实情况,进而为后续尾随通行现象的准确检测提供保障。
S102:对当前视频帧进行行人检测,获得行人检测结果。
对当前视频帧进行行人检测时,可以采用图像处理中的目标检测算法实现,这种情况下,所检测的目标为行人。
由于对当前视频帧进行行人检测后,可能会检测到当前视频帧中存在一个或者一个以上行人,这种情况下,可以针对每一行人得到一个行人检测结果。
本申请的一个实施例中,上述行人检测结果中可以包括:视频帧中行人所在区域的区域信息。例如,上述行人所在区域为矩形区域的情况下,区域信息可以包括:行人所在区域的中心坐标、行人所在区域的宽高比、行人所在区域的宽度等等。
除此之外,本申请的另一个实施例中,上述行人检测结果中还可以包括:行人所在区域反映的行人特征。由于行人所在区域可用于记录行人的信息,为此可以对上述行人所在区域进行特征提取,将所提取的特征作为上述行人特征。
S103:将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果。
具体的,上述第一类行人运动轨迹可以是根据当前视频帧之前的视频帧确定的监测场景中行人的运动轨迹。
也即是,第一类行人运动轨迹可以为通过对当前视频帧之前的视频帧进行尾随通行现象检测后,得到的行人运动轨迹。
由于行人运动轨迹所反映的是行人在监测场景中的行走轨迹,而视频帧中行人所在区域记录了行人在监测场景中的位置,所以本申请的一个实施例中,可以认为行人运动轨迹是基于视频帧中行人所在区域确定的。
鉴于上述情况,将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果时,可以针对每一第一类行人运动轨迹,获得第一类行人运动轨迹所对应的最新视频帧与当前视频帧之间间隔的视频帧数量,然后从第一类行人运动轨迹中,选择视频帧数量小于预设阈值的行人运动轨迹,并将每一行人检测结果与所选择的各个行人运动轨迹进行匹配,获得匹配结果。
其中,上述最新视频帧为:用于确定第一类行人运动轨迹的行人所在区域所属视频帧中采集时间最晚的视频帧。
对于每一第一类行人运动轨迹而言,若上述视频帧数量不为0,则说明上述最新视频帧与当前视频帧不是相邻的视频帧,进而说明最新视频帧与当前视频帧之间的视频帧中不存在与上述第一类行人运动轨迹相匹配的行人所在区域。基于此,当上述视频帧数量较大时,说明监测场景中较长时间没有出现与上述第一类行人运动轨迹相配的行人。这种情况下,可以认为与上述第一类行人运动轨迹相匹配的行人已不在监测场景中,因此可以不再将行人检测结果与此类行人运动轨迹进行匹配,进而可以加快匹配速度,提高尾随通行现象的检测效率。
具体的,上述预设阈值可以根据视频采集设备所采集视频的帧率确定。例如,上述帧率为25帧每秒时,上述预设阈值可以为25/2、25*1、50*2等。当然,上述预设阈值也可以为开发人员根据经验确定的一个固定值,例如,10、20、30等
S104:根据所获得匹配结果,获得监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹。
对于每一行人检测结果而言,其对应的匹配结果可以表征第一类行人运动轨迹中是否存在与行人检测结果相匹配的行人运动轨迹,在存在与行人检测结果相匹配的行人运动轨迹时,还可以进一步表征行人检测结果与哪一个第一类行人运动轨迹相匹配。
本申请的一个实施例中,可以按照以下方式,根据所获得匹配结果,获得监测场景中行人的当前运动轨迹:
针对每一行人检测结果,在所获得匹配结果表征第一类行人运动轨迹中不存在与行人检测结果匹配的行人运动轨迹时,说明该行人检测结果对应的行人在监测场景可能未出现过,当前不存在该行人的运动轨迹,为此可以基于行人检测结果创建新的行人运动轨迹,作为第二类行人运动轨迹;而在所获得匹配结果表征第一类行人运动轨迹中存在与行人检测结果匹配的行人运动轨迹时,说明该行人检测结果对应的行人已在监测场景中出现过,当前存在该行人的运动轨迹,又由于该行人在监测场景中的位置可能相对于之前的位置发生了变化,因此,可以基于行人检测结果更新与行人检测结果匹配的第一类行人运动轨迹,并将更新后的第一类行人运动轨迹作为第二类行人运动轨迹。
另外,考虑到行人检测以及上述匹配结果的准确度等因素的影响,当创建新的行人运动轨迹后,可以观察视频采集设备后续采集的若干视频帧的行人检测结果中是否存在与上述新的行人运动轨迹相配的行人检测结果,若不存在,可以认为上述新的行人运动轨迹是因误检测而引入的行人运动轨迹,监测场景中并未出现与每一第一类行人运动轨迹均不匹配的行人检测结果对应的行人,这种情况下,可以从上述第二类行人运动轨迹中删除上述新的运动轨迹。
例如,上述若干视频帧的数量可以是3、4、5等等。
S105:根据第二类行人运动轨迹的数量检测是否存在尾随通行现象。
本申请的一个实施例中,可以在监测到通行事件结束的情况下,根据第二类行人运动轨迹的数量检测是否存在尾随通行现象。
以通过门禁卡开启闸机的门禁系统为例,通行事件的开始时刻和结束时刻可以如下表1所示。
表1
需要说明的是,本申请仅仅以上述为例进行说明,通行事件的开始时刻和结束时刻并不仅限于上述几种情况。
具体的,在监测到通行事件结束的情况下,可以确定该通行事件的开始时刻和结束时刻,然后确定上述开始时刻和结束时刻之间通过闸机等门禁设备的第二类行人运动轨迹条数,若所确定条数大于1条,则可以判定存在尾随通行现象。
为便于工作人员及时处理尾随通行现象,当检测出存在尾随通行现象后,可以生成报警信息。
下面结合图2b-图2d对检测尾随通行现象进行说明。
图2b示出了视频采集设备在通行事件开始时刻采集的、反映监测场景俯视情况的视频帧示意图,以及监测场景中各行人的运动轨迹;
图2c示出了视频采集设备在通行事件过程中、反映监测场景俯视情况的视频帧示意图,以及监测场景中各行人的运动轨迹;
图2d使出了视频采集设备在通行事件结束时刻采集的、反映监测场景俯视情况的视频帧示意图,以及监测场景中各行人的运动轨迹。
结合上述三张示意图可以得知,在通行事件的开始时刻和结束时刻之间,行人U2和U3的运动轨迹通过了闸机,因此,可以判定存在尾随通行现象。
由以上可见,本实施例提供的方案中,获得针对监测场景的当前视频帧后,对当前视频帧进行行人检测,并获得行人检测结果,将每一行人检测结果与第一类行人运动轨迹进行匹配,根据匹配结果,获得监测场景中行人的当前运动轨迹,并根据上述当前运动轨迹检测是否存在尾随通行现象。由于每一条行人运动轨迹反应了每一个行人在监测场景中的运动情况,因此,可以根据上述当前运动轨迹得知各个行人在监测场景所经过的区域,为此应用本实施例提供的方案可以有效检测出尾随通行现象。
除此之外,本申请实施例提供的方案是结合监测场景的视频帧进行尾随通行现象检测的,这样在监测场景中增加视频采集设备即可获得上述视频帧,对现有门禁系统改造时,改动较小。
本申请的一个实施例中,上述行人检测结果中可以包括:在当前视频帧中检测出的行人所在区域的区域信息(为便于描述可以称为区域检测信息),和行人所在区域反映的行人特征。
这种情况下,上述S103将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果时,可以分别沿各个第一类行人运动轨迹预测当前视频帧中的行人所在区域,并获得预测出区域的区域信息,作为区域预测信息,然后按照如下图3所示的方式,将每一行人检测结果与各第一类行人运动轨迹进行匹配,得到匹配结果。
本申请的一个实施例中,沿各个第一类行人运动轨迹预测当前视频帧中的行人所在区域时,可以基于卡尔曼滤波器实现。具体的,对于一个第一类行人运动轨迹而言,可以在该第一类行人运动轨迹的基础上,获得用于确定行人运动轨迹的行人所在区域的参数集(u,v,γ,w,u’,v’,γ’,w’),并以所获得的参数集为卡尔曼滤波器的输入参数,卡尔曼滤波器可以在上述输入参数的基础上进行预测,得到当前视频帧中行人所在区域的预测信息(u,v,γ,w)。
其中,u和v表示视频帧中行人所在区域的中心点坐标,γ表示行人所在区域的宽高比,w表示行人所在区域的宽度,u’、v’、γ’、w’分别表示u、v、γ、w的变化速度。
具体的,u’、v’、γ’、w’可以根据第一类行人运动轨迹得到。例如,通过对第一类行人运动轨迹进行曲线拟合,然后根据拟合得到的曲线得到等。
图3为本申请实施例提供的一种信息匹配方法的流程示意图,该方法包括:
S301:计算行人检测结果中区域检测信息与第一类行人运动轨迹对应的区域预测信息之间的匹配程度,作为第一匹配程度。
本申请的一个实施例中,可以按照以下表达式计算上述第一匹配程度:
其中,dj表示第j个检测结果中的区域检测信息,yi表示与第i条第一类行人运动轨迹对应的区域预测信息,Si表示根据第一类区域检测信息确定的协方差矩阵,其中,第一类区域检测信息为:用于确定第i条第一类行人运动轨迹的行人所在区域的区域检测信息。
具体的,上述区域检测信息和区域预测信息中均可以包括上述u、v、γ、w这四种信息。
S302:计算行人检测结果中行人特征与用于确定第一类行人运动轨迹的历史行人区域所反映行人特征之间的匹配程度,作为第二匹配程度。
其中,上述历史行人区域为:在当前视频帧之前的视频帧中检测出的行人所在区域。
具体的,上述当前视频帧之前的视频帧可以是当前视频帧之前、采集时间距离当前视频帧最接近的部分视频帧。例如,当前视频帧之前、采集时间距离当前视频帧最接近的5个视频帧等。
本申请的一个实施例中,可以分别计算行人检测结果中行人特征与每一个历史行人区域所反映行人特征之间的距离,然后根据计算得到的距离得到上述第二匹配程度。
由于行人区域可以从多个方面反映行人特征,例如,行人衣服的颜色、行人的身高等,所以上述行人特征可以包含多个子特征,多个子特征可以以矩阵的形式构成行人特征。鉴于此,计算行人检测结果中行人特征与每一个历史行人区域所反映行人特征之间的距离时,可以通过计算两个矩阵之间的距离实现。
具体的,可以计算两个矩阵之间的欧式距离,还可以计算两个矩阵之间的余弦距离等。
另外,还可以通过计算上述两个矩阵中相应行向量或者列向量之间的距离,得到行人检测结果中行人特征与每一个历史行人区域所反映行人特征之间的距离。
例如,可以将计算得到的最小距离,作为上述第二匹配程度。还可以对上述计算得到的距离进行加权计算,并将加权计算的结果作为上述第二匹配程度。
本申请的一种实现方式中,计算两个特征之间的距离时,可以采用最小余弦距离计算算法计算得到。
假设,上述两个矩阵分别为矩阵1和矩阵2,矩阵1包含的第一个行向量为行向量11、第二个行向量为行向量12,矩阵2包含的第一个行向量为行向量21、第二个行向量为行向量22。
则可以计算行向量11和行向量21之间的距离,记为距离1,计算行向量12和行向量22之间的距离,作为距离2。
一种情况下,可以将距离1和距离2中的最小值作为上述第二匹配程度。
另一种情况下,可以将w1*距离1+w2*距离2的结果作为上述第二匹配程度。
其中,w1和w2分别为预设的加权系数,w1+w2=1。w1和w2的取值可以是预先设定的。
具体的,可以按照现有的余弦距离计算算法计算上述距离1和距离2,这样行人检测结果中行人特征与每一个历史行人区域所反映行人特征之间的距离可以为:两个矩阵中对应向量之间的最小余弦距离。
另外,也可以按照现有的欧式距离计算算法计算上述距离1和距离2,这样行人检测结果中行人特征与每一个历史行人区域所反映行人特征之间的距离可以为:两个矩阵中对应向量之间的最小欧式距离。
S303:根据第一匹配程度和第二匹配程度,计算行人检测结果与第一类行人运动轨迹之间的匹配程度,并根据计算得到的匹配程度获得匹配结果。
在计算得到上述第一匹配程度和第二匹配程度后,可以对第一匹配程度和第二匹配程度进行加权计算,然后将加权计算结果作为行人检测结果与第一类行人运动轨迹之间的匹配程度。
例如,假设第一匹配程度和第二匹配程度的加权系数分别为w3和w4,则可以按照以下表达对第一匹配程度和第二匹配程度进行加权计算:
w3*第一匹配程度+w4*第二匹配程度
其中,w3+w4=1。w3和w4的取值可以是预先设定的。
当然,也可以根据第一匹配程度和第二匹配程度中的最大值或者最小值,获得行人检测结果与第一类行人运动轨迹之间的匹配程度。
本申请仅仅以上述为例进行说明,并不对行人检测结果与第一类行人运动轨迹之间的匹配程度的计算方式进行限定。
在得到行人检测结果与第一类行人运动轨迹之间的匹配程度后,若该匹配程度高于预设的匹配阈值,则可以认为行人检测结果与第一类行人运动轨迹相匹配,反之,若上述匹配程度不高于预设的匹配阈值,则可以认为行人检测结果与第一类行人运动轨迹不匹配。
由以上可见,本实施例提供的方案中,从轨迹预测和行人特征两个角度的考虑行人检测结果与第一类行人运动轨迹匹配程度,使得得到的匹配结果更加准确,进而有利于提高尾随通行现象检测的准确度。
本申请的一个实施例中,上述S102对当前视频帧进行行人检测,获得行人检测结果时,可以基于深度学习算法对当前视频帧进行行人检测,获得检测结果。
具体的,可以对包含行人的样本图像进行行人标注,然后预先采用上述标注后的样本图像对预设的网络模型进行训练,得到行人检测模型。在此基础上应用过程中,获得当前视频帧之后,可以采用上述行人检测模型检测当前视频帧中的行人,获得检测结果。
其中,上述网络模型可以是包含多个卷积层的模型,例如,基于Darknet-53network的模型等。这样各个卷积层依次对模型的输入图像进行处理后,可以得到每一卷积层提取出的、输入图像中行人所在区域反映的行人特征。由于多个卷积层中位于前面的卷积层提取的是输入图像的细节特征,而位于后面的卷积层提取的是输入图像的抽象特征,鉴于此,在检测结果中包含行人所在区域反映的行人特征的情况,可以根据具体需求将最后一个卷积层或者最后若干卷积层提取的特征作为检测结果中包含的行人特征。
本申请的一个实施例中,上述行人特征可以为行人所在区域的抽象特征。
除此之外,还可以考虑将位于前面的一个卷积层或者若干个卷积层提取的特征、与位于后面的一个卷积层或者若干个卷积层提取的特征进行特征融合,得到融合特征,并将上述融合特征作为检测结果中包含的行人特征。
具体的,上述抽象特征是相对于图像的细节特征而言的,表现的是图像中对象或场景的特征。
以人脸图像为例,人脸图像中的对象为人脸。这种情况下,图像的细节特征可以是人脸边缘、人眼信息、嘴巴信息等表示人脸细节的信息,图像的抽象特征为图像中人脸区域的大小、位置等表示对象的信息。
以行人图像为例,行人图像中的对象为行人。这种情况下,图像的细节特征为行人边缘、行人的头发信息、行人的服装信息等表示行人细节的信息,图像的抽象特征为图像中行人区域的大小、位置等表示行人的信息。
本申请的一个实施例中,上述样本图像可以是包含行人的俯视图像。
由于上述行人检测模型是预先根据大量样本图像进行训练得到的,且基于深度学习算法的网络模型具有较强的学习能力,因此应用上述行人检测模型能够准确的检测出视频帧中的行人所在区域,进而有利于提升尾随通行现象检测的准确率。
与上述尾随通行检测方法相对应,本申请实施例还提供了一种尾随通行检测装置。
图4为本申请实施例提供的一种尾随通行检测装置的结构示意图,该装置包括:
视频帧获得模块401,用于获得针对监测场景的当前视频帧;
检测结果获得模块402,用于对当前视频帧进行行人检测,获得行人检测结果;
匹配结果获得模块403,用于将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,其中,第一类行人运动轨迹为:根据当前视频帧之前的视频帧确定的监测场景中行人的运动轨迹;
轨迹获得模块404,用于根据所获得匹配结果,获得监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹;
尾随通行检测模块405,用于根据第二类行人运动轨迹的数量检测是否存在尾随通行现象。
本申请的一个实施例中,当前视频帧为:反映监测场景俯视情况的视频帧。
本申请的一个实施例中,匹配结果模块403,可以具体用于:
针对每一第一类行人运动轨迹,获得第一类行人运动轨迹所对应的最新视频帧与所述当前视频帧之间间隔的视频帧数量,其中,所述最新视频帧为:用于确定第一类行人运动轨迹的行人所在区域所属视频帧中采集时间最新的视频帧;
从第一类行人运动轨迹中,选择所述视频帧数量小于预设阈值的行人运动轨迹;将每一行人检测结果与所选择的行人运动轨迹进行匹配,获得匹配结果。
本申请的一个实施例中,所述轨迹获得模块404,可以具体用于:
针对每一行人检测结果,在所获得匹配结果表征第一类行人运动轨迹中不存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果创建新的行人运动轨迹,作为第二类行人运动轨迹;
在所获得匹配结果表征第一类行人运动轨迹中存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果更新与行人检测结果匹配的第一类行人运动轨迹,得到第二类行人运动轨迹。
由以上可见,上述各个实施例提供的方案中,获得针对监测场景的当前视频帧后,对当前视频帧进行行人检测,并获得行人检测结果,将每一行人检测结果与第一类行人运动轨迹进行匹配,根据匹配结果,获得监测场景中行人的当前运动轨迹,并根据上述当前运动轨迹检测是否存在尾随通行现象。由于每一条行人运动轨迹反应了每一个行人在监测场景中的运动情况,因此,可以根据上述当前运动轨迹得知各个行人在监测场景所经过的区域,为此应用上述各个实施例提供的方案可以有效检测出尾随通行现象。
本申请的一个实施例中,行人检测结果包括:行人所在区域的区域检测信息和行人所在区域反映的行人特征;
所述匹配结果获得模块403,具体用于:
分别沿各个第一类行人运动轨迹预测所述当前视频帧中的行人所在区域,并获得预测出区域的区域预测信息;
计算行人检测结果中区域检测信息与第一类行人运动轨迹对应的区域预测信息之间的匹配程度,作为第一匹配程度;
计算行人检测结果中行人特征与用于确定第一类行人运动轨迹的历史行人区域所反映行人特征之间的匹配程度,作为第二匹配程度,其中,历史行人区域为:在当前视频帧之前的视频帧中检测出的行人所在区域;
根据第一匹配程度和第二匹配程度,计算行人检测结果与第一类行人运动轨迹之间的匹配程度,并根据计算得到的匹配程度获得匹配结果。
由以上可见,本实施例提供的方案中,从轨迹预测和行人特征两个角度的考虑行人检测结果与第一类行人运动轨迹匹配程度,使得得到的匹配结果更加准确,进而有利于提高尾随通行现象检测的准确度。
与上述尾随通行检测方法相对应,本申请实施例还提供了一种电子设备。
图5为本申请实施例提供的一种电子设备的结构示意图,该电子设备包括:处理器501和机器可读存储介质502,所述机器可读存储介质502存储有能够被所述处理器501执行的机器可执行指令,所述处理器501被所述机器可执行指令促使:实现本申请实施例所述的尾随通行检测方法步骤。
本申请的一个实施例中,提供了一种尾随通行检测方法,所述方法包括:
获得监测场景的当前视频帧;
对所述当前视频帧进行行人检测,获得行人检测结果;
将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,其中,所述第一类行人运动轨迹为:根据当前视频帧之前的视频帧确定的监测场景中行人的运动轨迹;
根据所获得匹配结果,获得监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹;
根据第二类行人运动轨迹的数量检测是否存在尾随通行现象。
需要说明的是,处理器501被机器可执行指令促使实现的尾随通行检测方法的其他实施例,与前述方法实施例部分提及的实施例相同,这里不再赘述。
由以上可见,应用本实施例提供的电子设备检测尾随通行现象时,由于每一条行人运动轨迹反应了每一个行人在监测场景中的运动情况,因此,可以根据上述当前运动轨迹得知各个行人在监测场景所经过的区域,为此应用本实施例提供的方案可以有效检测出尾随通行现象。
与上述尾随通行检测方法相对应,本申请实施例还提供了一种机器可读存储介质,存储有机器可执行指令,在被处理器调用和执行时,所述机器可执行指令促使所述处理器:实现本申请实施例所述的尾随通行检测方法步骤。
本申请的一个实施例中,提供了一种尾随通行检测方法,所述方法包括:
获得监测场景的当前视频帧;
对所述当前视频帧进行行人检测,获得行人检测结果;
将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,其中,第一类行人运动轨迹为:根据当前视频帧之前的视频帧确定的监测场景中行人的运动轨迹;
根据所获得匹配结果,获得监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹;
根据第二类行人运动轨迹的数量检测是否存在尾随通行现象。
需要说明的是,上述机器可执行指令促使处理器实现的尾随通行检测方法的其他实施例,与前述方法实施例部分提及的实施例相同,这里不再赘述。
由以上可见,执行本实施例提供的机器可读存储介质中存储的机器可执行指令检测尾随通行现象时,由于每一条行人运动轨迹反应了每一个行人在监测场景中的运动情况,因此,可以根据上述当前运动轨迹得知各个行人在监测场景所经过的区域,为此应用本实施例提供的方案可以有效检测出尾随通行现象。
上述机器可读存储介质可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,上述机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备和机器可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。

Claims (10)

1.一种尾随通行检测方法,其特征在于,所述方法包括:
获得监测场景的当前视频帧;
对所述当前视频帧进行行人检测,获得行人检测结果;
将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,其中,所述第一类行人运动轨迹为:根据所述当前视频帧之前的视频帧确定的所述监测场景中行人的运动轨迹;
根据所获得匹配结果,获得所述监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹;
根据所述第二类行人运动轨迹的数量检测是否存在尾随通行现象。
2.根据权利要求1所述的方法,其特征在于,所述当前视频帧为:反映监测场景俯视情况的视频帧。
3.根据权利要求1或2所述的方法,其特征在于,所述将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,包括:
针对每一第一类行人运动轨迹,获得第一类行人运动轨迹所对应的最新视频帧与所述当前视频帧之间间隔的视频帧数量,其中,所述最新视频帧为:用于确定第一类行人运动轨迹的行人所在区域所属视频帧中采集时间最新的视频帧;
从第一类行人运动轨迹中,选择所述视频帧数量小于预设阈值的行人运动轨迹;
将每一行人检测结果与所选择的行人运动轨迹进行匹配,获得匹配结果。
4.根据权利要求1或2所述的方法,其特征在于,所述行人检测结果包括:行人所在区域的区域检测信息和行人所在区域反映的行人特征;
所述将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,包括:
分别沿各个第一类行人运动轨迹预测所述当前视频帧中的行人所在区域,并获得预测出区域的区域预测信息;
计算行人检测结果中区域检测信息与第一类行人运动轨迹对应的区域预测信息之间的匹配程度,作为第一匹配程度;
计算行人检测结果中行人特征与用于确定第一类行人运动轨迹的历史行人区域所反映行人特征之间的匹配程度,作为第二匹配程度,其中,所述历史行人区域为:在所述当前视频帧之前的视频帧中检测出的行人所在区域;
根据所述第一匹配程度和第二匹配程度,计算行人检测结果与第一类行人运动轨迹之间的匹配程度,并根据计算得到的匹配程度获得匹配结果。
5.根据权利要求1或2所述的方法,其特征在于,所述根据所获得匹配结果,获得所述监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹,包括:
针对每一行人检测结果,在所获得匹配结果表征第一类行人运动轨迹中不存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果创建新的行人运动轨迹,作为第二类行人运动轨迹;
针对每一行人检测结果,在所获得匹配结果表征第一类行人运动轨迹中存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果更新与行人检测结果匹配的第一类行人运动轨迹,得到第二类行人运动轨迹。
6.一种尾随通行检测装置,其特征在于,所述装置包括:
视频帧获得模块,用于获得针对监测场景的当前视频帧;
检测结果获得模块,用于对所述当前视频帧进行行人检测,获得行人检测结果;
匹配结果获得模块,用于将每一行人检测结果与第一类行人运动轨迹进行匹配,获得匹配结果,其中,所述第一类行人运动轨迹为:根据所述当前视频帧之前的视频帧确定的所述监测场景中行人的运动轨迹;
轨迹获得模块,用于根据所获得匹配结果,获得所述监测场景中行人的当前运动轨迹,作为第二类行人运动轨迹;
尾随通行检测模块,用于根据所述第二类行人运动轨迹的数量检测是否存在尾随通行现象。
7.根据权利要求6所述的装置,其特征在于,所述当前视频帧为:反映监测场景俯视情况的视频帧。
8.根据权利要求6或7所述的装置,其特征在于,所述匹配结果模块,具体用于:
针对每一第一类行人运动轨迹,获得第一类行人运动轨迹所对应的最新视频帧与所述当前视频帧之间间隔的视频帧数量,其中,所述最新视频帧为:用于确定第一类行人运动轨迹的行人所在区域所属视频帧中采集时间最新的视频帧;
从第一类行人运动轨迹中,选择所述视频帧数量小于预设阈值的行人运动轨迹;
将每一行人检测结果与所选择的行人运动轨迹进行匹配,获得匹配结果。
9.根据权利要求6或7所述的装置,其特征在于,所述行人检测结果包括:行人所在区域的区域检测信息和行人所在区域反映的行人特征;
所述匹配结果获得模块,具体用于:分别沿各个第一类行人运动轨迹预测所述当前视频帧中的行人所在区域,并获得预测出区域的区域预测信息;
计算行人检测结果中区域检测信息与第一类行人运动轨迹对应的区域预测信息之间的匹配程度,作为第一匹配程度;
计算行人检测结果中行人特征与用于确定第一类行人运动轨迹的历史行人区域所反映行人特征之间的匹配程度,作为第二匹配程度,其中,所述历史行人区域为:在所述当前视频帧之前的视频帧中检测出的行人所在区域;
根据所述第一匹配程度和第二匹配程度,计算行人检测结果与第一类行人运动轨迹之间的匹配程度,并根据计算得到的匹配程度获得匹配结果。
10.根据权利要求6或7所述的装置,其特征在于,所述轨迹获得模块,具体用于:
针对每一行人检测结果,在所获得匹配结果表征第一类行人运动轨迹中不存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果创建新的行人运动轨迹,作为第二类行人运动轨迹;
在所获得匹配结果表征第一类行人运动轨迹中存在与行人检测结果匹配的行人运动轨迹时,基于行人检测结果更新与行人检测结果匹配的第一类行人运动轨迹,得到第二类行人运动轨迹。
CN201910166967.XA 2019-03-06 2019-03-06 尾随通行检测方法及装置 Pending CN109977796A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910166967.XA CN109977796A (zh) 2019-03-06 2019-03-06 尾随通行检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910166967.XA CN109977796A (zh) 2019-03-06 2019-03-06 尾随通行检测方法及装置

Publications (1)

Publication Number Publication Date
CN109977796A true CN109977796A (zh) 2019-07-05

Family

ID=67078006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910166967.XA Pending CN109977796A (zh) 2019-03-06 2019-03-06 尾随通行检测方法及装置

Country Status (1)

Country Link
CN (1) CN109977796A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633636A (zh) * 2019-08-08 2019-12-31 平安科技(深圳)有限公司 尾随检测方法、装置、电子设备及存储介质
CN112489266A (zh) * 2020-12-10 2021-03-12 熵基科技股份有限公司 一种闸机控制方法、装置和闸机系统
CN117392585A (zh) * 2023-10-24 2024-01-12 广州广电运通智能科技有限公司 闸机通行检测方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561928B (zh) * 2009-05-27 2011-09-14 湖南大学 基于属性关系图外观模型的多人体跟踪方法
CN104361661A (zh) * 2014-10-30 2015-02-18 苏州佑瑞检测技术有限公司 一种人员通行安全检测方法
CN105654139A (zh) * 2015-12-31 2016-06-08 北京理工大学 一种采用时间动态表观模型的实时在线多目标跟踪方法
CN106961576A (zh) * 2017-03-10 2017-07-18 盛视科技股份有限公司 视频防尾随方法、装置及系统
CN108280952A (zh) * 2018-01-25 2018-07-13 盛视科技股份有限公司 一种基于前景目标分割的旅客尾随监测方法
CN108280435A (zh) * 2018-01-25 2018-07-13 盛视科技股份有限公司 一种基于人体姿态估计的旅客异常行为识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561928B (zh) * 2009-05-27 2011-09-14 湖南大学 基于属性关系图外观模型的多人体跟踪方法
CN104361661A (zh) * 2014-10-30 2015-02-18 苏州佑瑞检测技术有限公司 一种人员通行安全检测方法
CN105654139A (zh) * 2015-12-31 2016-06-08 北京理工大学 一种采用时间动态表观模型的实时在线多目标跟踪方法
CN106961576A (zh) * 2017-03-10 2017-07-18 盛视科技股份有限公司 视频防尾随方法、装置及系统
CN108280952A (zh) * 2018-01-25 2018-07-13 盛视科技股份有限公司 一种基于前景目标分割的旅客尾随监测方法
CN108280435A (zh) * 2018-01-25 2018-07-13 盛视科技股份有限公司 一种基于人体姿态估计的旅客异常行为识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633636A (zh) * 2019-08-08 2019-12-31 平安科技(深圳)有限公司 尾随检测方法、装置、电子设备及存储介质
WO2021022698A1 (zh) * 2019-08-08 2021-02-11 平安科技(深圳)有限公司 尾随检测方法、装置、电子设备及存储介质
CN110633636B (zh) * 2019-08-08 2023-06-30 平安科技(深圳)有限公司 尾随检测方法、装置、电子设备及存储介质
CN112489266A (zh) * 2020-12-10 2021-03-12 熵基科技股份有限公司 一种闸机控制方法、装置和闸机系统
CN117392585A (zh) * 2023-10-24 2024-01-12 广州广电运通智能科技有限公司 闸机通行检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
JP4852765B2 (ja) 広域分散カメラ間の連結関係推定法および連結関係推定プログラム
CN102542289B (zh) 一种基于多高斯计数模型的人流量统计方法
Benfold et al. Guiding visual surveillance by tracking human attention.
CN105139425B (zh) 一种人数统计方法及装置
Bondi et al. Real-time people counting from depth imagery of crowded environments
US20030123703A1 (en) Method for monitoring a moving object and system regarding same
Rout A survey on object detection and tracking algorithms
CN103986910A (zh) 一种基于智能分析摄像机的客流统计方法和系统
US20030053659A1 (en) Moving object assessment system and method
CN101167086A (zh) 用于安全应用的人体检测和跟踪
CN104123544A (zh) 基于视频分析的异常行为检测方法及系统
CN104378582A (zh) 一种基于ptz摄像机巡航的智能视频分析系统及方法
CN108764167A (zh) 一种时空关联的目标重识别方法和系统
EP1405504A1 (en) Surveillance system and methods regarding same
CA2723613A1 (en) System and process for detecting, tracking and counting human objects of interest
CN103824070A (zh) 一种基于计算机视觉的快速行人检测方法
Chang et al. Video analytics in smart transportation for the AIC'18 challenge
CN102855508B (zh) 敞开式校园防尾随系统
CN109977796A (zh) 尾随通行检测方法及装置
Papaioannou et al. Tracking people in highly dynamic industrial environments
Lijun et al. Video-based crowd density estimation and prediction system for wide-area surveillance
Papaioannou et al. Accurate positioning via cross-modality training
CN109344792A (zh) 一种目标自动识别跟踪方法
Van Den Hengel et al. Activity topology estimation for large networks of cameras
Luo et al. A real-time people counting approach in indoor environment

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190705