CN110309765A - 一种视频运动目标高效检测方法 - Google Patents

一种视频运动目标高效检测方法 Download PDF

Info

Publication number
CN110309765A
CN110309765A CN201910570624.XA CN201910570624A CN110309765A CN 110309765 A CN110309765 A CN 110309765A CN 201910570624 A CN201910570624 A CN 201910570624A CN 110309765 A CN110309765 A CN 110309765A
Authority
CN
China
Prior art keywords
prospect
candidate region
detection method
rcnn
testing result
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
Application number
CN201910570624.XA
Other languages
English (en)
Other versions
CN110309765B (zh
Inventor
高飞
王金超
葛一粟
葛逸凡
卢书芳
张元鸣
邵奇可
陆佳炜
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 University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910570624.XA priority Critical patent/CN110309765B/zh
Publication of CN110309765A publication Critical patent/CN110309765A/zh
Application granted granted Critical
Publication of CN110309765B publication Critical patent/CN110309765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公布了一种视频运动目标高效检测方法，包括有以下步骤：1)卷积神经网络模型初始化以及预热；2)获取道路监控视频，并将该道路监控视频截成帧图像；3)使用RPN网络获取前景候选区域；4)使用基于改进的ViBe建模背景差分法获取过滤参考区域；5)计算候选区域与所有前景参考区域的交集比；6)根据交集比选择存在运动目标的候选区域，并将其特征区域送入RCNN进行检测；7)根据RCNN检测结果与所有前景参考区域的交集比过滤RCNN检测结果；8)将检测结果绘制在视频帧上，并播放。

Description

一种视频运动目标高效检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种视频运动目标高效检测方法。
背景技术
随着计算机技术的发展和计算机视觉原理的广泛应用，运动目标检测越来越成为计算机视觉领域中研究的热点问题。通常运动目标检测目的是在序列图像中检测出目标的变化区域并将运动目标从背景图像中提取出来。
传统的运动目标检测算法包括帧差法、光流法和背景减除法。根据不同的背景建模方式，背景差分法又衍生出混合高斯背景建模差分、ViBe(visual backgroundextractor)算法等方法。ViBe算法是一种基于随机像素替换的背景建模、前景差分算法，其拥有算法简单、运算速度快、鬼影区域消除效果较好等优点。但ViBe算法无法进行得到完整的运动目标区域。而目前常见的目标检测方法都基于深度学习技术，有Faster R-CNN(快速候选区域卷积神经网络)、YOLO、SSD等方法。FasterR-CNN是一种用于目标检测的主流深度学习网络框架，它的优点在于具有比别的方法更高的识别精度，缺点是无法区分运动目标与静止目标，且识别速度相对较慢。
而当前与本发明类似的运动目标检测方法有：发明专利(公开号：CN108985169A，名称：基于深度学习目标检测与动态背景建模的商店跨门经营检测方法)利用深度学习与背景建模进行商店跨门经营检测，先使用ViBe算法获取店外物体，再用卷积神经网络对店外物体进行分类或者定位，该发明专利的ViBe算法与卷积神经网络算法是前后顺序应用关系，因而检测速度慢，不能达到期望的要求。
发明内容
为克服现有技术上的不足，本发明的目的是提供一种视频运动目标高效检测方法，将ViBe算法融入到Faster R-CNN算法中，通过ViBe算法来提高FasterR-CNN算法的识别精度以及识别速度，并检测运动目标。
为实现上述发明，采用的技术方案如下：
一种视频运动目标高效检测方法，其特征在于，包括如下步骤：
1)卷积神经网络模型初始化以及预热；
2)将待检测视频截成帧图像；
3)使用RPN网络获取前景候选区域；
4)使用ViBe建模背景差分法获取前景参考区域；
5)计算候选区域与所有过滤参考区域的交集比；
6)根据交集比选择存在运动目标的候选区域，并将其特征区域送入RCNN进行检测；
7)根据RCNN检测结果与所有前景参考区域的交集比过滤RCNN检测结果；
8)将检测结果显示在视频帧上，并播放。
所述的一种视频运动目标高效检测方法，其特征在于，步骤1)中，所述的神经网络模型为FasterR-CNN模型，包括特征提取网络VGG16，RPN网络以及RCNN网络。
所述的一种视频运动目标高效检测方法，其特征在于，步骤1)中，所述的卷积神经网络模型初始化为卷积网络模型加载以及权重参数恢复。
所述的一种视频运动目标高效检测方法，其特征在于，步骤1)中，所述的神经网络模型预热为将卷积网络前向传播3～5次。
所述的一种视频运动目标高效检测方法，其特征在于，步骤2)中，以每秒10～15帧的帧率将待检测视频截成帧图像。
所述的一种视频运动目标高效检测方法，其特征在于，步骤(3)中，使用RPN获取前景候选区域具体包括以下步骤：
3.1)在保证长宽比的前提下，若视频帧长宽比大于512/300，则将视频帧缩放至宽为300像素的图像，否则将视频帧缩放至长为512像素的图像；
3.2)将缩放后的图像进行减均值操作；
3.3)将处理后的图像送入特征提取网络提取特征，并进入RPN网络预测前景候选区域；
3.4)对预测的前景候选区域进行非极大值抑制，并选取前300个前景候选区域输出，前景候选区域可表示为P＝{(xi,yi,wi,hi)|i＝1,2,...,300}，xi,yi,wi,hi分别为第i个前景候选区域Pi的中心点横纵坐标值以及宽高值。
所述的一种视频运动目标高效检测方法，其特征在于，步骤4)中，获取过滤参考区域具体为：通过ViBe建模背景差分法获取二值图，将二值图进行闭、开运算并搜索矩形边框来获取过滤参考区域，该过滤参考区域存在着运动目标；过滤参考区域可表示为F＝{(xj,yj,wj,hj)|j＝1,2,...,n}，xj,yj,wj,hj分别为第j个过滤参考区域Pj的中心点横纵坐标值以及宽高值，n为过滤参考区域的数量。
所述的一种视频运动目标高效检测方法，其特征在于，步骤5)中，所述交集比根据公式(1)计算：
其中，Pi为RPN获取的第i个前景候选区域，Fj为第j个过滤参考区域，n为过滤参考区域的数量，|.|为求面积，∪为求两者交集。
所述的一种视频运动目标高效检测方法，其特征在于，步骤6)中，根据交集比选择存在运动目标的候选区域，并将其特征区域送入RCNN进行检测，具体包括以下步骤：
6.1)遍历所有前景候选区域，若第i个前景候选区域满足RatePi＞0.5，则保留该候选区域，否则忽略该前景候选区域；
6.2)将保留的候选区域映射到特征提取网络得到的卷积特征图上，通过兴趣区域池化层使每个感兴趣区域生成固定尺寸的特征图；
6.3)将特征图送入RCNN计算目标对象的类别，并利用边框回归获得最终候选区域。
所述的一种视频运动目标高效检测方法，其特征在于，步骤7)中，所述的根据RCNN检测结果与所有过滤参考区域的交集比过滤RCNN检测结果，具体为：
7.1)根据公式(2)计算检测结果区域对应的交集比：
其中，Ri为RPN获取的第i个检测结果区域，具体为Ri＝{xi,yi,wi,hi}，其中xi,yi,wi,hi分别为第i个检测结果区域的中心点横纵坐标值以及宽高值；Fj为第j个过滤参考区域，n为过滤参考区域的数量，|.|为求面积，∪为求两者交集；
7.2)遍历检测结果区域，若第i个检测结果区域Ri满足则为最终的检测结果，否则忽略该检测结果。
与现有技术相比，本发明具有的主要有益效果为：
本发明通过ViBe算法与FasterR-CNN算法结合以得到完整而且准确的运动目标区域。本发明使用ViBe算法减少了RPN产生的候选区域数量，可以有效提高算法运行速度和整体识别速度，进行运动目标的高效检测，并且为交通视频监控违章、异常事件等自动化检测提供了具有实时性的技术支持，进而有利于于缓解减少交通负荷和环境污染、保证交通安全、提高通行效率。
附图说明
图1为本发明方法的步骤流程图；
图2为本发明方法中FasterR-CNN与ViBe结合的示意图；
图3为本发明实施例的交通监控视频的实验结果示意图，从左上到右下分别是本发明采用的方法检测结果(左上图)、ViBe处理检测结果(右上图)、FasterR-CNN检测结果(左下图)以及ViBe算法得到的效果图(右下图)。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
如图1-3所示，本实施例提供的视频运动目标高效检测方法包括以下步骤：
S1，卷积神经网络模型初始化与预热。
具体地，加载卷积神经网络模型至内存，恢复权重参数；并连续进行3～5次整个网络前向传播。
S2，获取道路检测视频视频帧。
具体地，以每秒10～15帧的频率将视频截成帧图像。
S3，使用RPN网络获取前景候选区域。
具体地，包含以下步骤：
S3.1：在保证长宽比的前提下，若视频帧长宽比大于512/300，则将视频帧缩放至宽为300像素的图像，否则将视频帧缩放至长为512像素的图像；
S3.2：将缩放后的图像进行减均值操作；
S3.3：将处理后的图像送入特征提取网络提取特征，并进入RPN网络预测前景候选区域；
S3.4：对预测的前景候选区域进行非极大值抑制，并选取前300个前景候选区域输出，前景候选区域可表示为P＝{(xi,yi,wi,hi)|i＝1,2,...,300}，其中xi,yi,wi,hi分别为第i个前景候选区域Pi的中心点横纵坐标值以及宽高值。
S4，使用基于ViBe建模背景差分法获取过滤参考区域。
具体地，通过ViBe建模背景差分法获取二值图，将二值图进行闭、开运算并搜索矩形边框来获取过滤参考区域，该过滤参考区域存在着运动目标；过滤参考区域可表示为F＝{(xj,yj,wj,hj)|j＝1,2,...,n}，其中xj,yj,wj,hj分别为第j个过滤参考区域Fj的横纵坐标值以及宽高值，n为过滤参考区域的数量。
S5，根据交集比过滤前景候选区域。
具体地，遍历所有前景候选区域，若第i个前景候选区域满足则保留该候选区域，否则忽略该前景候选区域；交集比根据公式(1)计算；
其中，Pi为RPN获取的第i个前景候选区域，Fj为第j个过滤参考区域，n为过滤参考区域的数量，|.|为求面积，∪为求两者交集。
S6，将选取的候选区域送入RCNN进行检测。
具体地，把候选区域映射到特征提取网络得到的卷积特征图上，通过RoIPooling层使每个感兴趣区域生成固定尺寸的特征图；将特征图送入RCNN计算目标对象的类别，并利用边框回归获得精确的目标区域。
S7，根据交集比过滤检测结果。
具体地，遍历RCNN得到的每个检测结果区域，如果检测结果区域i交集比大于阈值0.5即则为最终的检测结果，否则忽略该检测结果；交集比根据公式(2)计算；
其中Ri为RPN获取的第i个检测结果区域，具体为Ri＝{xi,yi,wi,hi}，其中xi,yi,wi,hi分别为第i个检测结果区域的中心点横纵坐标值以及宽高值；Fj为第j个过滤参考区域，n为过滤参考区域的数量，|.|为求面积，∪为求两者交集。
S8，将检测结果绘制至视频帧上，并播放。
具体地，在视频帧上绘制该目标类别对应颜色的目标框，每种类别对应一种颜色。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种视频运动目标高效检测方法，其特征在于，包括如下步骤：
1)卷积神经网络模型初始化以及预热；
2)将待检测视频截成帧图像；
3)使用RPN网络获取前景候选区域；
4)使用ViBe建模背景差分法获取前景参考区域；
5)计算候选区域与所有过滤参考区域的交集比；
6)根据交集比选择存在运动目标的候选区域，并将其特征区域送入RCNN进行检测；
7)根据RCNN检测结果与所有前景参考区域的交集比过滤RCNN检测结果；
8)将检测结果显示在视频帧上，并播放。
2.如权利要求1所述的一种视频运动目标高效检测方法，其特征在于，步骤1)中，所述的卷积神经网络模型为Faster R-CNN模型，包括特征提取网络VGG16，RPN网络以及RCNN网络。
3.如权利要求1所述的一种视频运动目标高效检测方法，其特征在于，步骤1)中，所述的卷积神经网络模型初始化为卷积网络模型加载以及权重参数恢复。
4.如权利要求1所述的一种视频运动目标高效检测方法，其特征在于，步骤1)中，所述的卷积神经网络模型预热为将卷积网络前向传播3～5次。
5.如权利要求1所述的一种视频运动目标高效检测方法，其特征在于，步骤2)中，以每秒10～15帧的帧率将待检测视频截成帧图像。
6.如权利要求1所述的一种视频运动目标高效检测方法，其特征在于，步骤3)中，使用RPN获取前景候选区域具体包括以下步骤：
3.1)在保证长宽比的前提下，若视频帧长宽比大于512/300，则将视频帧缩放至宽为300像素的图像，否则将视频帧缩放至长为512像素的图像；
3.2)将缩放后的图像进行减均值操作；
3.3)将处理后的图像送入特征提取网络提取特征，并进入RPN网络预测前景候选区域；
3.4)对预测的前景候选区域进行非极大值抑制，并选取前300个前景候选区域输出，前景候选区域可表示为P＝{(xi,yi,wi,hi)|i＝1,2,...,300}，其中xi,yi,wi,hi分别为第i个前景候选区域Pi的中心点横纵坐标值以及宽高值。
7.如权利要求1所述的一种视频运动目标高效检测方法，其特征在于，步骤4)中，获取过滤参考区域具体为：通过ViBe建模背景差分法获取二值图，将二值图进行闭、开运算并搜索矩形边框来获取过滤参考区域，该过滤参考区域存在着运动目标；过滤参考区域可表示为F＝{(xj,yj,wj,hj)|j＝1,2,...,n}，其中xj,yj,wj,hj分别为第j个过滤参考区域Fj的横纵坐标值以及宽高值，n为过滤参考区域的数量。
8.如权利要求1所述的一种视频运动目标高效检测方法，其特征在于，步骤5)中，所述交集比根据公式(1)计算：
其中，Pi为RPN获取的第i个前景候选区域，Fj为第j个过滤参考区域，n为过滤参考区域的数量，|.|为求面积，∪为求两者交集。
9.如权利要求1所述的一种视频运动目标高效检测方法，其特征在于，步骤6)中，根据交集比选择存在运动目标的候选区域，并将其特征区域送入RCNN进行检测，具体包括以下步骤：
6.1)遍历所有前景候选区域，若第i个前景候选区域满足则保留该候选区域，否则忽略该前景候选区域；
6.2)将保留的候选区域映射到特征提取网络得到的卷积特征图上，通过兴趣区域池化层使每个感兴趣区域生成固定尺寸的特征图；
6.3)将特征图送入RCNN计算目标对象的类别，并利用边框回归获得最终候选区域。
10.如权利要求1所述的一种视频运动目标高效检测方法，其特征在于，步骤7)中，所述的根据RCNN检测结果与所有过滤参考区域的交集比过滤RCNN检测结果，具体为：
7.1)根据公式(2)计算检测结果区域对应的交集比：
其中，Ri为RPN获取的第i个检测结果区域，具体为Ri＝{xi,yi,wi,hi}，其中xi,yi,wi,hi分别为第i个检测结果区域的中心点横纵坐标值以及宽高值；Fj为第j个过滤参考区域，n为过滤参考区域的数量，|.|为求面积，∪为求两者交集；
7.2)遍历检测结果区域，若第i个检测结果区域Ri满足则为最终的检测结果，否则忽略该检测结果。
CN201910570624.XA 2019-06-27 2019-06-27 一种视频运动目标高效检测方法 Active CN110309765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910570624.XA CN110309765B (zh) 2019-06-27 2019-06-27 一种视频运动目标高效检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910570624.XA CN110309765B (zh) 2019-06-27 2019-06-27 一种视频运动目标高效检测方法

Publications (2)

Publication Number Publication Date
CN110309765A true CN110309765A (zh) 2019-10-08
CN110309765B CN110309765B (zh) 2021-08-24

Family

ID=68076797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910570624.XA Active CN110309765B (zh) 2019-06-27 2019-06-27 一种视频运动目标高效检测方法

Country Status (1)

Country Link
CN (1) CN110309765B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091048A (zh) * 2019-10-31 2020-05-01 中科智云科技有限公司 密封失效监测方法、装置、服务器及存储介质
CN111597899A (zh) * 2020-04-16 2020-08-28 浙江工业大学 景区地面塑料瓶探测方法
CN112288774A (zh) * 2020-10-22 2021-01-29 深圳市华宝电子科技有限公司 移动侦测方法、装置、电子设备及存储介质
CN113657250A (zh) * 2021-08-16 2021-11-16 南京图菱视频科技有限公司 一种基于监控视频的火焰检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107749067A (zh) * 2017-09-13 2018-03-02 华侨大学 基于运动特性和卷积神经网络的火灾烟雾检测方法
CN107977983A (zh) * 2017-11-27 2018-05-01 江南大学 一种基于改进型ViBe的鬼影和静止目标抑制方法
CN109325502A (zh) * 2018-08-20 2019-02-12 杨学霖 基于视频渐进区域提取的共享单车停放检测方法和系统
CN109784290A (zh) * 2019-01-23 2019-05-21 科大讯飞股份有限公司 一种目标检测方法、装置、设备及可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122439A (zh) * 2017-04-21 2017-09-01 图麟信息科技（深圳）有限公司 一种视频片段查询方法及装置
CN108898042B (zh) * 2017-12-27 2021-10-22 浩云科技股份有限公司 一种应用于atm机舱内用户异常行为的检测方法
CN108875548B (zh) * 2018-04-18 2022-02-01 科大讯飞股份有限公司 人物轨迹生成方法及装置、存储介质、电子设备
CN108985169B (zh) * 2018-06-15 2020-12-11 浙江工业大学 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法
CN109598700A (zh) * 2018-10-16 2019-04-09 天津大学 采用卷积神经网络的早期火灾检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107749067A (zh) * 2017-09-13 2018-03-02 华侨大学 基于运动特性和卷积神经网络的火灾烟雾检测方法
CN107977983A (zh) * 2017-11-27 2018-05-01 江南大学 一种基于改进型ViBe的鬼影和静止目标抑制方法
CN109325502A (zh) * 2018-08-20 2019-02-12 杨学霖 基于视频渐进区域提取的共享单车停放检测方法和系统
CN109784290A (zh) * 2019-01-23 2019-05-21 科大讯飞股份有限公司 一种目标检测方法、装置、设备及可读存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091048A (zh) * 2019-10-31 2020-05-01 中科智云科技有限公司 密封失效监测方法、装置、服务器及存储介质
CN111597899A (zh) * 2020-04-16 2020-08-28 浙江工业大学 景区地面塑料瓶探测方法
CN111597899B (zh) * 2020-04-16 2023-08-11 浙江工业大学 景区地面塑料瓶探测方法
CN112288774A (zh) * 2020-10-22 2021-01-29 深圳市华宝电子科技有限公司 移动侦测方法、装置、电子设备及存储介质
CN112288774B (zh) * 2020-10-22 2024-01-30 深圳市华宝电子科技有限公司 移动侦测方法、装置、电子设备及存储介质
CN113657250A (zh) * 2021-08-16 2021-11-16 南京图菱视频科技有限公司 一种基于监控视频的火焰检测方法及系统

Also Published As

Publication number Publication date
CN110309765B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN110309765A (zh) 一种视频运动目标高效检测方法
CN106096577B (zh) 一种摄像头分布地图中的目标追踪方法
CN108876780B (zh) 一种复杂背景下桥梁裂缝图像裂缝检测方法
CN102542289B (zh) 一种基于多高斯计数模型的人流量统计方法
CN108985169A (zh) 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法
CN105260749B (zh) 基于方向梯度二值模式和软级联svm的实时目标检测方法
CN106557774A (zh) 多通道核相关滤波的实时跟踪方法
CN110874592A (zh) 一种基于总有界变分的森林火灾烟雾图像检测方法
CN106530271B (zh) 一种红外图像显著性检测方法
CN109325947A (zh) 一种基于深度学习的sar图像铁塔目标检测方法
CN102136059A (zh) 一种基于视频分析的烟雾检测方法
CN104616006B (zh) 一种面向监控视频的胡须人脸检测方法
CN109934224A (zh) 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN107038416A (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN102592128A (zh) 一种动态图像检测处理方法、装置及显示终端
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
Zhang et al. Counting vehicles in urban traffic scenes using foreground time‐spatial images
Li et al. RailNet: An information aggregation network for rail track segmentation
Jiang et al. An Approach for Crowd Density and Crowd Size Estimation.
CN110991245A (zh) 一种基于深度学习与光流法的实时烟雾检测方法
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
Tao et al. Smoky vehicle detection based on range filtering on three orthogonal planes and motion orientation histogram
CN103049788A (zh) 基于计算机视觉的待过行人数目的检测系统及方法
CN116630890A (zh) 一种通过对钓鱼区域分析的钓鱼行为检测方法和系统
CN115331256A (zh) 一种基于相互监督的人流量统计方法

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