CN110378935B - 基于图像语义信息的抛物识别方法 - Google Patents

基于图像语义信息的抛物识别方法 Download PDF

Info

Publication number
CN110378935B
CN110378935B CN201910658986.4A CN201910658986A CN110378935B CN 110378935 B CN110378935 B CN 110378935B CN 201910658986 A CN201910658986 A CN 201910658986A CN 110378935 B CN110378935 B CN 110378935B
Authority
CN
China
Prior art keywords
image
track
information
semantic information
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.)
Active
Application number
CN201910658986.4A
Other languages
English (en)
Other versions
CN110378935A (zh
Inventor
单森华
吴闽帆
戴诗琪
陈佳佳
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.)
Istrong Technology Co ltd
Original Assignee
Istrong 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 Istrong Technology Co ltd filed Critical Istrong Technology Co ltd
Priority to CN201910658986.4A priority Critical patent/CN110378935B/zh
Publication of CN110378935A publication Critical patent/CN110378935A/zh
Application granted granted Critical
Publication of CN110378935B publication Critical patent/CN110378935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30241—Trajectory
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion

Abstract

本发明涉及一种基于图像语义信息的抛物识别方法，提供一识别系统包括轨迹识别模块、图像语义信息生成模块和轨迹和语义信息分析模块，包括以下步骤：步骤S1：将待识别视频输入轨迹识别模块，得到轨迹信息，并判断是否为可疑行为，若为可疑行为则将图像序列传送至图像语义信息生成模块；步骤S2:图像语义信息生成模块深度神经网络对图像序列进行目标物分析，得到目标物信息；步骤S3：语义信息分析模块根据轨迹信息和目标物信息，进行合理性分析，若判断为发现丢垃圾的行为，则将图像序列保存。本发明结合图像语义信息和轨迹信息，能够准确的判断抛物行为是否违规，且能够避免传统方法在目标物移动的场景下的误判。

Description

基于图像语义信息的抛物识别方法
技术领域
本发明涉及视频图像处理领域，具体涉及一种基于图像语义信息的抛物识别方法。
背景技术
利用图像处理技术，可以在河道周围布设监控，对行人、商户是否有向河内抛投垃圾的行为进行取证，具有现实的价值和意义。几个典型的场景是，在公园里的游客随手往河里丢垃圾、沿河的商户直接向河里抛投生活垃圾等等。需要对每一帧图像进行分析判断，识别到这种行为后再进行取证。
该技术的关键在于人的行为识别。在深度学习广泛用于图像分析的今天，神经网络可以很准确地识别图像中人体关键点的位置，但由于丢垃圾的动作太过宽泛，没有很典型的特征可以学习，所以用人体姿态估计的方式捕捉视频中人的所有动作，一般很难正确界定这种行为，并且如果对每一帧图像进行处理，计算量十分巨大。
发明内容
有鉴于此，本发明的目的在于提供一种基于图像语义信息的抛物识别方法，结合图像语义信息和轨迹信息，能够准确的判断抛物行为是否违规，且能够避免传统方法在目标物移动的场景下的误判。
为实现上述目的，本发明采用如下技术方案：
一种基于图像语义信息的抛物识别方法，提供一识别系统包括轨迹识别模块、图像语义信息生成模块和轨迹和语义信息分析模块，包括以下步骤：
步骤S1：将待识别视频输入轨迹识别模块，得到轨迹信息，并判断是否为可疑行为，若为可疑行为则将图像序列传送至图像语义信息生成模块；
步骤S2:图像语义信息生成模块深度神经网络对图像序列进行目标物分析，得到目标物信息；
步骤S3：语义信息分析模块根据轨迹信息和目标物信息，进行合理性分析，若判断为发现丢垃圾的行为，则将图像序列保存。
进一步的，所述步骤S1具体为：
步骤S11：提取待识别视频中的单帧图像作为输入图像，即当前帧图像，并使用高斯滤波处理输入图像，用以减少图像噪声；捕捉输入图像中的移动物体；
步骤S12：使用混合高斯模型对前帧图像进行建模，首先提取当前帧图像中的前景像素，得到移动物体的前景像素二值图，然后对该前景像素二值图进行分割，将前景像素二值图中四连通的像素分割为一个粒子，并利用机器视觉中粒子分析方法进行处理；
步骤S13：利用形态学处理方法对分割后的前景像素二值图先进行先腐蚀后膨胀的处理，用以消除噪音干扰，然后进行先膨胀后腐蚀的处理，用以把分散的前景像素在预设范围内融合；
步骤S14：通过步骤S13处理后的前景像素二值图计算粒子的重心坐标x,y，并将其作为粒子的位置，统计前景像素的个数作为粒子的大小，将在原始彩色图像中属于同一个粒子的前景像素信息作为特征信息进行提取记录；
步骤S15：进行动态物体跟踪；
步骤S16：进行动态物体轨迹判断，判断动态物体的轨迹是否为抛物轨迹，若是则满足；
步骤S17：输入河道位置标注信息，用以判断物体移动的轨迹的起点是否在河道外，并且终点在河内；若是则满足；
步骤S18：当同时满足步骤S16与步骤S17时，记录这条轨迹作为结果，并将对应的图像序列传送至图像语义信息生成模块。
进一步的，所述步骤S2具体为：
步骤S21:构建mask-R-CNN网络；
步骤S22：采集目标物的图像数据集，并作为训练集训练mask-R-CNN网络，得到训练好的mask-R-CNN网络；
步骤S23:将图像序列的每一帧图像输入训练好的mask-R-CNN网络，输出所有目标物体在图像中的位置掩码二值图像；
步骤S24:根据掩码二值图得到目标物信息。
进一步的，所述目标物包括行人、车辆、船和窗户。
进一步的，所述步骤S3具体为：
步骤S31:根据轨迹信息和目标物信息，进行重合度判断，若整个轨迹都和目标物重合，则认为此次判断为误判，否则跳转至步骤S32；
步骤S32:进行轨迹合理度的判断，判断是否得到轨迹的源头目标物，若没有找到轨迹的源头目标物，则认为轨迹不合理，结果为误判；否则即判断为丢垃圾行为；
步骤S33:经过步骤S31和S32的轨迹和图像语义信息匹配判断，判断为发现丢垃圾的行为，则将图像序列保存下来，作为一次抛投垃圾行为的取证。
进一步的，所述步骤S31具体为：
步骤S311:分析轨迹信息，将一帧的点视为正方形粒子，对于一条轨迹信息形(xi,yi,Si)i＝1,2,3...，其中i代表轨迹的序号，其在视频帧上是连续的，i＝1代表第一次出现在视频的某一帧上，x,y为坐标值，S代表面积中心点和大小计算出粒子的范围；
Figure BDA0002137800200000041
Figure BDA0002137800200000042
Figure BDA0002137800200000043
Figure BDA0002137800200000044
其中，xtopleft，ytopleft为正方形粒子左上角坐标；xbottemright，ybottemright为正方形粒子右下角坐标；
步骤S312:根据式进行换算，计算出的x,y值，即在mask图像中的坐标值，判断其是否在掩码图中；
x＝28*(x′-xtopleft)/(xbottemright-xtopleft)
y＝28*(y′-ytopleft)/(ybottemright-ytopleft) (2)
步骤S313:统计粒子范围在mask图像中是前景的比例，大于0.4则认为这个轨迹点可能是由目标物运动造成的，统计整个轨迹过程，如果超过1/2的点被认为是目标物运动带来的影响，则认为这条轨迹信息是一个误判。
本发明与现有技术相比具有以下有益效果：
本发明结合图像语义信息和轨迹信息，能够准确的判断抛物行为是否违规，且能够避免传统方法在目标物移动的场景下的误判。
附图说明
图1是本发明流程原理图；
图2是本发明一实施例中识别到一个人的包围盒和mask结果。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于图像语义信息的抛物识别方法，提供一识别系统包括轨迹识别模块、图像语义信息生成模块和轨迹和语义信息分析模块，包括以下步骤：
步骤S1：将待识别视频输入轨迹识别模块，得到轨迹信息，并判断是否为可疑行为，若为可疑行为则将图像序列传送至图像语义信息生成模块；
步骤S11：提取待识别视频中的单帧图像作为输入图像，即当前帧图像，并使用高斯滤波处理输入图像，用以减少图像噪声；捕捉输入图像中的移动物体；
步骤S12：使用混合高斯模型对前帧图像进行建模，首先提取当前帧图像中的前景像素，得到移动物体的前景像素二值图，然后对该前景像素二值图进行分割，将前景像素二值图中四连通的像素分割为一个粒子，并利用机器视觉中粒子分析方法进行处理；
步骤S13：利用形态学处理方法对分割后的前景像素二值图先进行先腐蚀后膨胀的处理，用以消除噪音干扰，然后进行先膨胀后腐蚀的处理，用以把分散的前景像素在预设范围内融合；
步骤S14：通过步骤S13处理后的前景像素二值图计算粒子的重心坐标x,y，并将其作为粒子的位置，统计前景像素的个数作为粒子的大小，将在原始彩色图像中属于同一个粒子的前景像素信息作为特征信息进行提取记录；
步骤S15：进行动态物体跟踪；
步骤S16：进行动态物体轨迹判断，判断动态物体的轨迹是否为抛物轨迹，若是则满足；
步骤S17：输入河道位置标注信息，用以判断物体移动的轨迹的起点是否在河道外，并且终点在河内；若是则满足；
步骤S18：当同时满足步骤S16与步骤S17时，记录这条轨迹作为结果，并将对应的图像序列传送至图像语义信息生成模块。
步骤S2:图像语义信息生成模块深度神经网络对图像序列进行目标物分析，得到目标物信息；所述步骤S2具体为：
步骤S21:构建mask-R-CNN网络；
步骤S22：采集目标物的图像数据集，并作为训练集训练mask-R-CNN网络，得到训练好的mask-R-CNN网络；
步骤S23:将图像序列的每一帧图像输入训练好的mask-R-CNN网络，输出所有目标物体在图像中的位置掩码二值图像；
步骤S24:根据掩码二值图得到目标物信息。
步骤S3：语义信息分析模块根据轨迹信息和目标物信息，进行合理性分析，若判断为发现丢垃圾的行为，则将图像序列保存。
步骤S31:根据轨迹信息和目标物信息，进行重合度判断，若整个轨迹都和目标物重合，则认为此次判断为误判，否则跳转至步骤S32；
步骤S32:进行轨迹合理度的判断，判断是否得到轨迹的源头目标物，若没有找到轨迹的源头目标物，则认为轨迹不合理，结果为误判；否则即判断为丢垃圾行为；
步骤S33:经过步骤S31和S32的轨迹和图像语义信息匹配判断，判断为发现丢垃圾的行为，则将图像序列保存下来，作为一次抛投垃圾行为的取证。
进一步的，所述步骤S31具体为：
步骤S311:分析轨迹信息，将一帧的点视为正方形粒子，对于一条轨迹信息形(xi,yi,Si)i＝1,2,3...，其中i代表轨迹的序号，其在视频帧上是连续的，i＝1代表第一次出现在视频的某一帧上，x,y为坐标值，S代表面积中心点和大小计算出粒子的范围；
Figure BDA0002137800200000071
Figure BDA0002137800200000081
Figure BDA0002137800200000082
Figure BDA0002137800200000083
其中，xtopleft，ytopleft为正方形粒子左上角坐标；xbottemright，ybottemright为正方形粒子右下角坐标；
步骤S312:根据式进行换算，计算出的x,y值，即在mask图像中的坐标值，判断其是否在掩码图中；
x＝28*(x′-xtopleft)/(xbottemright-xtopleft)
y＝28*(y′-ytopleft)/(ybottemright-ytopleft) (2)
步骤S313:统计粒子范围在mask图像中是前景的比例，大于0.4则认为这个轨迹点可能是由目标物运动造成的，统计整个轨迹过程，如果超过1/2的点被认为是目标物运动带来的影响，则认为这条轨迹信息是一个误判。
在本实施例中，所述轨迹合理度的判断包括大小合理度判断和过程合理度判断，具体如下：
合并图像序列帧中的目标物。一个目标物在连续帧中会一直出现，考虑到连续帧是一个极短的时间，因此可以认为这个过程目标物没有发生大的移动，因此可以仅仅使用位置判断的方式合并各帧之间同一个目标物(例如帧率24的视频，每两帧识别一次，两帧的时间间隔为0.083秒，两帧都识别到的同一个人，在这个时间间隔内位置的差别极小)。考虑到整个垃圾落地的过程也是个很短的过程，可以直接将各帧目标物包围盒平均，也就是说一个目标物，对应一个矩形包围盒。目标物的内容简化如下
{class,xtopleft,ytopleft,xbottemright,ybottemright}
大小合理度判断：对每一条轨迹的信息，计算其中所有像素面积的平均值作为典型值Saverage，遍历每一个目标物进行分析。先认定这个抛物轨迹来自于这个目标物，对不同类型的目标物，预设一个典型的高度值。例如目标物的类别是人，那么将目标物包围盒的高度设为160cm。将面积典型值Saverage从像素个数，换算到实际面积。例如一个人在图像中的高度为20个像素，那么一个像素代表的高度为8.25cm，如果面积典型值为25个像素，认为这个“垃圾”的面积在8.25*8.25*25cm2。可以选择一个面积阈值来进行比较判断，对于过大面积的轨迹，认为是不合理的。
过程合理度的判断：整体分析轨迹的全过程，这里不考虑面积，只使用轨迹的坐标。由于轨迹识别模块有进行下落的判断，因此这里要判断的是，能否为这个轨迹找到它的源头。遍历每一个目标物，先认定其源头是某个目标物：
(1)先进行指向判断，要求反向跟踪轨迹，应该指向该目标物。记目标物包围盒中心坐标为xcenterycenter，轨迹起点坐标xstartystart，轨迹终点坐标xendyend。应符合下式，否则认为这条轨迹和该目标物无关。
(xstart-xcenter)*(xend-xcenter)＞0
(2)轨迹速度判断。首先把轨迹坐标做差分，算出横向速度和纵向速度的均值。接着把轨迹起点坐标和目标物包围盒中心坐标也做差分，将得到的横向速度和纵向速度和整个轨迹的横向速度纵向速度均值做比较。如果远大于均值，例如设为3倍。则认为这个轨迹和该目标物无关。
在进行大小合理度和过程合理度的判断后，如果没有找到轨迹的源头目标物，那么我们认为这个轨迹不合理，结果为误判。
在本实施例中，所述目标物包括但不限于行人、车辆、船、窗户等任何有助于理解丢垃圾场景分析的目标物。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于图像语义信息的抛物识别方法，提供一识别系统包括轨迹识别模块、图像语义信息生成模块和轨迹和语义信息分析模块，其特征在于，包括以下步骤：
步骤S1：将待识别视频输入轨迹识别模块，得到轨迹信息，并判断是否为可疑行为，若为可疑行为则将图像序列传送至图像语义信息生成模块；
步骤S2:图像语义信息生成模块深度神经网络对图像序列进行目标物分析，得到目标物信息；
步骤S3：语义信息分析模块根据轨迹信息和目标物信息，进行合理性分析，若判断为发现丢垃圾的行为，则将图像序列保存；
所述步骤S2具体为：
步骤S21:构建mask-R-CNN网络；
步骤S22：采集目标物的图像数据集，并作为训练集训练mask-R-CNN网络，得到训练好的mask-R-CNN网络；
步骤S23:将图像序列的每一帧图像输入训练好的mask-R-CNN网络，输出所有目标物体在图像中的位置掩码二值图像；
步骤S24:根据位置掩码二值图像得到目标物信息；
所述步骤S3具体为：
步骤S31:根据轨迹信息和目标物信息，进行重合度判断，若整个轨迹都和目标物重合，则认为此次判断为误判，否则跳转至步骤S32；
步骤S32:进行轨迹合理度的判断，判断是否得到轨迹的源头目标物，若没有找到轨迹的源头目标物，则认为轨迹不合理，结果为误判；否则即判断为丢垃圾行为；
步骤S33:经过步骤S31和S32的轨迹和图像语义信息匹配判断，判断为发现丢垃圾的行为，则将图像序列保存下来，作为一次抛投垃圾行为的取证。
2.根据权利要求1所述的基于图像语义信息的抛物识别方法，其特征在于，所述步骤S1具体为：
步骤S11：提取待识别视频中的单帧图像作为输入图像，即当前帧图像，并使用高斯滤波处理输入图像，用以减少图像噪声；捕捉输入图像中的移动物体；
步骤S12：使用混合高斯模型对前帧图像进行建模，首先提取当前帧图像中的前景像素，得到移动物体的前景像素二值图，然后对该前景像素二值图进行分割，将前景像素二值图中四连通的像素分割为一个粒子，并利用机器视觉中粒子分析方法进行处理；
步骤S13：利用形态学处理方法对分割后的前景像素二值图先进行先腐蚀后膨胀的处理，用以消除噪音干扰，然后进行先膨胀后腐蚀的处理，用以把分散的前景像素在预设范围内融合；
步骤S14：通过步骤S13处理后的前景像素二值图计算粒子的重心坐标，并将其作为粒子的位置，统计前景像素的个数作为粒子的大小，将在原始彩色图像中属于同一个粒子的前景像素信息作为特征信息进行提取记录；
步骤S15：进行动态物体跟踪；
步骤S16：进行动态物体轨迹判断，判断动态物体的轨迹是否为抛物轨迹，若是则满足；
步骤S17：输入河道位置标注信息，用以判断物体移动的轨迹的起点是否在河道外，并且终点在河内；若是则满足；
步骤S18：当同时满足步骤S16与步骤S17时，记录这条轨迹作为结果，并将对应的图像序列传送至图像语义信息生成模块。
3.根据权利要求1所述的基于图像语义信息的抛物识别方法，其特征在于：所述目标物包括行人、车辆、船和窗户。
4.根据权利要求1所述的基于图像语义信息的抛物识别方法，其特征在于，所述步骤S31具体为：
步骤S311：分析轨迹信息，将一帧的点视为正方形粒子，对于一条轨迹信息形(xi，yi，Si)，i＝1，2，3...i..，其中i代表轨迹的序号，其在视频帧上是连续的，i＝1代表第一次出现在视频的某一帧上，x，y为坐标值，S代表面积是通过中心点和大小计算出粒子的范围；
Figure FDA0004082465300000031
Figure FDA0004082465300000032
Figure FDA0004082465300000033
Figure FDA0004082465300000034
其中，xtopleft，ytopleft为正方形粒子左上角坐标；xbottemright，ybottemright为正方形粒子右下角坐标；
步骤S312：根据式(2)进行换算，计算出的x，y值，即在mask图像中的坐标值，判断其是否在位置掩码二值图像中；
x＝28*(x′-xtopleft)/(xbottemright-xtopleft)
y＝28*(y′-ytopleft)/(ybottemright-ytopleft) (2)
步骤S313：统计粒子范围在mask图像中是前景的比例，大于0.4则认为这个轨迹点可能是由目标物运动造成的，统计整个轨迹过程，如果超过1/2的点被认为是目标物运动带来的影响，则认为这条轨迹信息是一个误判。
5.根据权利要求1所述的基于图像语义信息的抛物识别方法，其特征在于，所述轨迹合理度的判断包括大小合理度判断和过程合理度判断。
CN201910658986.4A 2019-07-22 2019-07-22 基于图像语义信息的抛物识别方法 Active CN110378935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910658986.4A CN110378935B (zh) 2019-07-22 2019-07-22 基于图像语义信息的抛物识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910658986.4A CN110378935B (zh) 2019-07-22 2019-07-22 基于图像语义信息的抛物识别方法

Publications (2)

Publication Number Publication Date
CN110378935A CN110378935A (zh) 2019-10-25
CN110378935B true CN110378935B (zh) 2023-05-30

Family

ID=68254480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910658986.4A Active CN110378935B (zh) 2019-07-22 2019-07-22 基于图像语义信息的抛物识别方法

Country Status (1)

Country Link
CN (1) CN110378935B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242010A (zh) * 2020-01-10 2020-06-05 厦门博海中天信息科技有限公司 一种基于边缘ai的判断并识别乱扔垃圾人员身份的方法
CN111639578B (zh) * 2020-05-25 2023-09-19 上海中通吉网络技术有限公司 智能识别违规抛物的方法、装置、设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105163067A (zh) * 2015-08-12 2015-12-16 武汉大学 一种基于数字图像处理技术的高空抛物取证系统
CN109101944A (zh) * 2018-08-27 2018-12-28 四创科技有限公司 一种识别向河道内抛投垃圾的实时视频监控算法
CN109636795A (zh) * 2018-12-19 2019-04-16 安徽大学 实时无跟踪的监控视频遗留物检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9824281B2 (en) * 2015-05-15 2017-11-21 Sportlogiq Inc. System and method for tracking moving objects in videos

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105163067A (zh) * 2015-08-12 2015-12-16 武汉大学 一种基于数字图像处理技术的高空抛物取证系统
CN109101944A (zh) * 2018-08-27 2018-12-28 四创科技有限公司 一种识别向河道内抛投垃圾的实时视频监控算法
CN109636795A (zh) * 2018-12-19 2019-04-16 安徽大学 实时无跟踪的监控视频遗留物检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周界视频监控中抛物检测算法;何亮明等;《天津大学学报》;20110315(第03期);全文 *

Also Published As

Publication number Publication date
CN110378935A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN108053427B (zh) 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
CN108009473B (zh) 基于目标行为属性视频结构化处理方法、系统及存储装置
CN102542289B (zh) 一种基于多高斯计数模型的人流量统计方法
CN107330372B (zh) 一种基于视频的人群密度与异常行为检测系统的分析方法
CN109101944B (zh) 一种识别向河道内抛投垃圾的实时视频监控方法
JP6549797B2 (ja) 通行人の頭部識別方法及びシステム
CN108052859B (zh) 一种基于聚类光流特征的异常行为检测方法、系统及装置
CN101389004B (zh) 一种基于在线学习的运动目标分类方法
CN113011367B (zh) 一种基于目标轨迹的异常行为分析方法
CN102214309B (zh) 一种基于头肩模型的特定人体识别方法
CN108537829B (zh) 一种监控视频人员状态识别方法
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
CN101847265A (zh) 一种在公交客流统计系统中使用的运动目标提取及多目标分割方法
CN102521565A (zh) 低分辨率视频的服装识别方法及系统
CN102034240A (zh) 一种静态前景检测和跟踪方法
CN110378935B (zh) 基于图像语义信息的抛物识别方法
Vignesh et al. Abnormal event detection on BMTT-PETS 2017 surveillance challenge
CN111738218A (zh) 人体异常行为识别系统及方法
CN111091057A (zh) 一种信息处理方法、装置及计算机可读存储介质
Ghasemi et al. A real-time multiple vehicle classification and tracking system with occlusion handling
Javadzadeh et al. Fast vehicle detection and counting using background subtraction technique and prewitt edge detection
CN113920585A (zh) 行为识别方法及装置、设备和存储介质
Rao et al. Abnormal activity detection in video sequences using learnt probability densities
Yu et al. Raindrop-tampered scene detection and traffic flow estimation for nighttime traffic surveillance
CN116012949B (zh) 一种复杂场景下的人流量统计识别方法及系统

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
GR01 Patent grant
GR01 Patent grant