CN110633643A - 一种面向智慧社区的异常行为检测方法及系统 - Google Patents

一种面向智慧社区的异常行为检测方法及系统 Download PDF

Info

Publication number
CN110633643A
CN110633643A CN201910755687.2A CN201910755687A CN110633643A CN 110633643 A CN110633643 A CN 110633643A CN 201910755687 A CN201910755687 A CN 201910755687A CN 110633643 A CN110633643 A CN 110633643A
Authority
CN
China
Prior art keywords
image
abnormal behavior
detection model
detection
human body
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
CN201910755687.2A
Other languages
English (en)
Inventor
管洪清
管延成
肖常升
王伟
张元杰
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.)
QINGDAO WINDAKA TECHNOLOGY Co Ltd
Original Assignee
QINGDAO WINDAKA 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 QINGDAO WINDAKA TECHNOLOGY Co Ltd filed Critical QINGDAO WINDAKA TECHNOLOGY Co Ltd
Priority to CN201910755687.2A priority Critical patent/CN110633643A/zh
Publication of CN110633643A publication Critical patent/CN110633643A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06T2207/30232—Surveillance

Landscapes

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

Abstract

本发明公开了一种面向智慧社区的异常行为检测方法及系统，涉及社区安全监控领域；该方法包括以下步骤：逐帧获取监控摄像机所摄录视频中的图像；将所述图像输入到人体检测模型中进行分析以判断图像中是否存在人体；当图像中存在人体时输入到异常行为检测模型中进行异常行为检测并获取结果；该系统是基于上述方法设计的。本发明利用深度学习进行人体的检测，再使用训练好的跌倒检测模型、打架斗殴模型和聚众判断模型判断社区中可能存在的三种异常行为；在算法中使用了马氏距离、欧式距离以及IOU；本发明能够适应社区环境的复杂场景，大幅度降低了错误识别的概率，对提升社区管理和安全质量具有重要意义。

Description

一种面向智慧社区的异常行为检测方法及系统
技术领域
本发明涉及社区安全监控领域，具体是一种面向智慧社区的异常行为检测方法及系统。
背景技术
随着科技水平的提升，智慧社区应运而成，其是指社区管理的一种新理念，是新形势下社会管理创新的一种新模式。充分借助互联网、物联网，涉及到智能楼宇、智能家居、路网监控、个人健康与数字生活等诸多领域，充分发挥信息通信(ICT)产业发达、电信业务及信息化基础设施优良等优势。而智慧社区中的异常行为检测作为社区安全自动化运维的一部分，在保障社区安全上具有重要意义。
目前市面上已有的异常行为检测主要依靠光流法及相关结合，检测固定画面的变化。该方法无法适应社区的复杂场景，社区中发生异常行为的情况很有限，且可能发生异常行为的区域也相对固定。
发明内容
本发明的目的在于提供一种面向智慧社区的异常行为检测方法及系统，以解决上述问题。
为实现上述目的，本发明提供如下技术方案：
一种面向智慧社区的异常行为检测方法，包括以下步骤：
逐帧获取监控摄像机所摄录视频中的图像；
将所述图像输入到人体检测模型中进行分析以判断图像中是否存在人体；
当图像中存在人体时输入到异常行为检测模型中进行异常行为检测并获取结果。
在进一步的方案中：所述人体检测模型使用卷积神经网络进行训练；将从监控摄像机获取的行人图片以及网络上的人体图片作为数据集，使用SSD进行训练，首先使用默认参数进行训练，根据训练期间的结果，对初始权值、训练速度和迭代次数进行调整，直到网络收敛。
在进一步的方案中：当图像中存在人体时，人体检测模型输出图像中所检测到的所有人体的bounding box。
在进一步的方案中：所述异常行为检测模型包括跌倒检测模型、打架斗殴检测模型以及聚众判断模型。
在进一步的方案中：所述跌倒检测模型的训练方法为：
将从监控摄像机获取的跌倒图片及网络上的跌倒图片作为训练集，输入至SSD网络，首先使用默认参数进行训练，根据训练的情况，对初始权值、训练速度和迭代次数进行调整，达到识别效果，得到跌倒检测模型。
在进一步的方案中：所述打架斗殴检测模型的训练方法为：
将从监控摄像机获取的打架斗殴图片及网络上的打架斗殴图片作为训练集，输入至SSD网络，首先使用默认参数进行训练，根据训练的情况，对初始权值、训练速度和迭代次数进行调整，达到识别效果，得到打架斗殴检测模型。
在进一步的方案中：所述跌倒检测模型的检测方法为：
当图像中人体数量为一个时，将图像输入到跌倒检测模型进行跌倒检测，得到是否跌倒的初步判断结果；
当图像中人体数量大于一时，首先进行多个目标间的马氏距离及IOU加权计算，计算公式为：
Figure BDA0002168639290000021
其中d(i，j)为第i个目标与第j个目标的关联度，υ为协方差矩阵，yi是第i个目标的位置，dj是第j个目标的位置，λ为超参数，Dj为第i个目标的检测框，Dj为第j个目标的bounding box；
然后对所有计算均未超过阈值的认为是无关联的目标，只进行跌倒检测，得到跌倒的初步判断结果，在连续10帧的检测中目标都判定为跌倒且前后帧的检测框的IOU计算结果均超过阈值则确定为跌倒，进行预警提示。
在进一步的方案中：所述打架斗殴检测模型的检测方法为：
当图像中人体数量大于等于二个且通过目标间的马氏距离及IOU加权计算的结果，对于认为是有关联的若干目标的bounding box融合扩大后，将图像输入到打架斗殴模型进行打架斗殴检测，在每连续10帧的检测中超过8次判断为打架斗殴的结果进行预警提示。
在进一步的方案中：所述聚众判断模型的检测方法为：
当图像中人体数量大于等于十个时，首先计算每个目标对于其他目标的欧式距离，并统计每个目标中欧式距离小于阈值的个数，超过设定的人数值，则记录该中心点目标，并初步判定为聚众；然后根据该中心点目标于其它目标的马氏距离及IOU加权结果，得到与该目标认定为关联的人数，超过阈值则确定为聚众；
欧式距离计算公式为：
Figure BDA0002168639290000031
其中ai表示a目标bounding box中心点的坐标，bi表示b目标bounding box中心点的坐标。
一种面向智慧社区的异常行为系统，包括：
获取模型，用于逐帧获取监控摄像机所摄录视频中的图像；
人体检测模型，用于将所述图像输入到人体检测模型中进行分析以判断图像中是否存在人体；
异常行为检测模型，用于当图像中存在人体时输入到异常行为检测模型中进行异常行为检测并获取结果。
在进一步的方案中：所述异常行为检测模型包括：
跌倒检测模块，用于检测监控视频帧中行人是否有跌倒的异常情况；
打架斗殴检测模块，用于检测监控视频帧中行人是否有打架斗殴的异常行为；
聚众判断模块，用于检测监控视频帧中行人是否有异常聚众的异常行为。
相较于现有技术，本发明的有益效果如下：
本发明利用深度学习进行人体的检测，再使用训练好的跌倒检测模型、打架斗殴模型和聚众判断模型判断社区中可能存在的三种异常行为；在算法中使用了马氏距离、欧式距离以及IOU；本发明能够适应社区环境的复杂场景，大幅度降低了错误识别的概率，对提升社区管理和安全质量具有重要意义。
附图说明
图1为面向智慧社区的异常行为检测方法的流程图。
图2为面向智慧社区的异常行为检测系统的结构示意图。
具体实施方式
以下实施例会结合附图对本发明进行详述。本发明所列举的各实施例仅用以说明本发明，并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
实施例1
请参阅图1，本发明实施例中，一种面向智慧社区的异常行为检测方法，包括以下步骤：
S10，逐帧获取监控摄像机所摄录视频中的图像。
在具体实施过程中，通过RTSP拉取监控摄像机的实时视频帧，从而获取对应图像。
S20，将所述图像输入到人体检测模型中进行分析以判断图像中是否存在人体。
具体来说，所述人体检测模型使用卷积神经网络进行训练；将从监控摄像机获取的行人图片以及网络上的人体图片作为数据集，使用SSD进行训练，首先使用默认参数进行训练，根据训练期间的结果，对初始权值、训练速度和迭代次数进行调整，直到网络收敛。
其中本实施例中所述的SSD网络，其英文全称为：Single Shot MultiBoxDetector，是基于一个前向传播CNN网络，产生一系列固定大小(fixed-size)的boundingboxes，以及每一个box中包含物体实例的可能性，即score之后，进行一个非极大值抑制(Non-maximum suppression)得到最终的predictions。
S30，当图像中存在人体时输入到异常行为检测模型中进行异常行为检测并获取结果。
当图像中存在人体时，人体检测模型输出图像中所检测到的所有人体的boundingbox(检测框)和置信度，对于达到置信度阈值的结果保存进入下一步。
本实施例中，所述异常行为检测模型包括跌倒检测模型、打架斗殴检测模型以及聚众判断模型。
进一步的，所述跌倒检测模型的训练方法为：
将从监控摄像机获取的跌倒图片及网络上的跌倒图片作为训练集，输入至SSD网络，首先使用默认参数进行训练，根据训练的情况，对初始权值、训练速度和迭代次数进行调整，达到识别效果，得到跌倒检测模型。
进一步的，所述打架斗殴检测模型的训练方法为：
将从监控摄像机获取的打架斗殴图片及网络上的打架斗殴图片作为训练集，输入至SSD网络，首先使用默认参数进行训练，根据训练的情况，对初始权值、训练速度和迭代次数进行调整，达到识别效果，得到打架斗殴检测模型。
其中跌倒检测模型的检测方法为：
当图像中人体数量为一个时，将图像输入到跌倒检测模型进行跌倒检测，得到是否跌倒的初步判断结果；
当图像中人体数量大于一时，首先进行多个目标间的马氏距离及IOU加权计算，计算公式为：
Figure BDA0002168639290000051
其中d(i，j)为第i个目标与第j个目标的关联度，υ为协方差矩阵，yi是第i个目标的位置，dj是第j个目标的位置，λ为超参数，Dj为第i个目标的检测框，Dj为第j个目标的bounding box；
然后对所有计算均未超过阈值的认为是无关联的目标，只进行跌倒检测，得到跌倒的初步判断结果，在连续10帧的检测中目标都判定为跌倒且前后帧的检测框的IOU计算结果均超过阈值则确定为跌倒，进行预警提示。
打架斗殴检测模型的检测方法为：
当图像中人体数量大于等于二个且通过目标间的马氏距离及IOU加权计算的结果，对于认为是有关联的若干目标的bounding box融合扩大后，将图像输入到打架斗殴模型进行打架斗殴检测，在每连续10帧的检测中超过8次判断为打架斗殴的结果进行预警提示。
聚众判断模型的检测方法为：
当图像中人体数量大于等于十个时，首先计算每个目标对于其他目标的欧式距离，并统计每个目标中欧式距离小于阈值的个数，超过设定的人数值，则记录该中心点目标，并初步判定为聚众；然后根据该中心点目标于其它目标的马氏距离及IOU加权结果，得到与该目标认定为关联的人数，超过阈值则确定为聚众；
欧式距离计算公式为：
Figure BDA0002168639290000052
其中ai表示a目标bounding box中心点的坐标，bi表示b目标bounding box中心点的坐标。
实施例2
请参阅图2，本发明实施例中，一种面向智慧社区的异常行为检测系统，该系统是基于实施例1所述的方法设计的，包括：
获取模块，用于逐帧获取监控摄像机所摄录视频中的图像；
人体检测模块，用于将所述图像输入到人体检测模型中进行分析以判断图像中是否存在人体；
异常行为检测模块，用于当图像中存在人体时输入到异常行为检测模型中进行异常行为检测并获取结果。
进一步的：所述异常行为检测模型包括：
跌倒检测模型，用于检测监控视频帧中行人是否有跌倒的异常情况；
打架斗殴检测模型，用于检测监控视频帧中行人是否有打架斗殴的异常行为；
聚众判断模型，用于检测监控视频帧中行人是否有异常聚众的异常行为。
本发明的工作原理是：
本发明利用深度学习进行人体的检测，再使用训练好的跌倒检测模型、打架斗殴模型和聚众判断模型判断社区中可能存在的三种异常行为；在算法中使用了马氏距离、欧式距离以及IOU；本发明能够适应社区环境的复杂场景，大幅度降低了错误识别的概率，对提升社区管理和安全质量具有重要意义。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种面向智慧社区的异常行为检测方法，其特征在于，包括以下步骤：
逐帧获取监控摄像机所摄录视频中的图像；
将所述图像输入到人体检测模型中进行分析以判断图像中是否存在人体；
当图像中存在人体时输入到异常行为检测模型中进行异常行为检测并获取结果。
2.根据权利要求1所述的面向智慧社区的异常行为检测方法，其特征在于，所述人体检测模型使用卷积神经网络进行训练；将从监控摄像机获取的行人图片以及网络上的人体图片作为数据集，使用SSD进行训练，首先使用默认参数进行训练，根据训练期间的结果，对初始权值、训练速度和迭代次数进行调整，直到网络收敛。
3.根据权利要求1所述的面向智慧社区的异常行为检测方法，其特征在于，当图像中存在人体时，人体检测模型输出图像中所检测到的所有人体的bounding box。
4.根据权利要求1所述的面向智慧社区的异常行为检测方法，其特征在于，所述异常行为检测模型包括跌倒检测模型、打架斗殴检测模型以及聚众判断模型。
5.根据权利要求1所述的面向智慧社区的异常行为检测方法，其特征在于，所述跌倒检测模型的训练方法为：
将从监控摄像机获取的跌倒图片及网络上的跌倒图片作为训练集，输入至SSD网络，首先使用默认参数进行训练，根据训练的情况，对初始权值、训练速度和迭代次数进行调整，达到识别效果，得到跌倒检测模型。
6.根据权利要求1所述的面向智慧社区的异常行为检测方法，其特征在于，所述打架斗殴检测模型的训练方法为：
将从监控摄像机获取的打架斗殴图片及网络上的打架斗殴图片作为训练集，输入至SSD网络，首先使用默认参数进行训练，根据训练的情况，对初始权值、训练速度和迭代次数进行调整，达到识别效果，得到打架斗殴检测模型。
7.根据权利要求1所述的面向智慧社区的异常行为检测方法，其特征在于，所述跌倒检测模型的检测方法为：
当图像中人体数量为一个时，将图像输入到跌倒检测模型进行跌倒检测，得到是否跌倒的初步判断结果；
当图像中人体数量大于一时，首先进行多个目标间的马氏距离及IOU加权计算，计算公式为：
Figure FDA0002168639280000021
其中d(i，j)为第i个目标与第j个目标的关联度，υ为协方差矩阵，yi是第i个目标的位置，dj是第j个目标的位置，λ为超参数，Dj为第i个目标的检测框，Dj为第j个目标的bounding box；
然后对所有计算均未超过阈值的认为是无关联的目标，只进行跌倒检测，得到跌倒的初步判断结果，在连续10帧的检测中目标都判定为跌倒且前后帧的检测框的IOU计算结果均超过阈值则确定为跌倒，进行预警提示。
8.根据权利要求1所述的面向智慧社区的异常行为检测方法，其特征在于，所述打架斗殴检测模型的检测方法为：
当图像中人体数量大于等于二个且通过目标间的马氏距离及IOU加权计算的结果，对于认为是有关联的若干目标的bounding box融合扩大后，将图像输入到打架斗殴模型进行打架斗殴检测，在每连续10帧的检测中超过8次判断为打架斗殴的结果进行预警提示。
9.根据权利要求1所述的面向智慧社区的异常行为检测方法，其特征在于，所述聚众判断模型的检测方法为：
当图像中人体数量大于等于十个时，首先计算每个目标对于其他目标的欧式距离，并统计每个目标中欧式距离小于阈值的个数，超过设定的人数值，则记录该中心点目标，并初步判定为聚众；然后根据该中心点目标于其它目标的马氏距离及IOU加权结果，得到与该目标认定为关联的人数，超过阈值则确定为聚众；
欧式距离计算公式为：
Figure FDA0002168639280000022
其中ai表示a目标bounding box中心点的坐标，bi表示b目标bounding box中心点的坐标。
10.一种面向智慧社区的异常行为系统，其特征在于，包括：
获取模块，用于逐帧获取监控摄像机所摄录视频中的图像；
人体检测模块，用于将所述图像输入到人体检测模型中进行分析以判断图像中是否存在人体；
异常行为检测模块，用于当图像中存在人体时输入到异常行为检测模型中进行异常行为检测并获取结果；
所述异常行为检测模型包括：
跌倒检测模型，用于检测监控视频帧中行人是否有跌倒的异常情况；
打架斗殴检测模型，用于检测监控视频帧中行人是否有打架斗殴的异常行为；
聚众判断模型，用于检测监控视频帧中行人是否有异常聚众的异常行为。
CN201910755687.2A 2019-08-15 2019-08-15 一种面向智慧社区的异常行为检测方法及系统 Pending CN110633643A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910755687.2A CN110633643A (zh) 2019-08-15 2019-08-15 一种面向智慧社区的异常行为检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910755687.2A CN110633643A (zh) 2019-08-15 2019-08-15 一种面向智慧社区的异常行为检测方法及系统

Publications (1)

Publication Number Publication Date
CN110633643A true CN110633643A (zh) 2019-12-31

Family

ID=68970262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910755687.2A Pending CN110633643A (zh) 2019-08-15 2019-08-15 一种面向智慧社区的异常行为检测方法及系统

Country Status (1)

Country Link
CN (1) CN110633643A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507252A (zh) * 2020-04-16 2020-08-07 上海眼控科技股份有限公司 人体跌倒检测装置、方法、电子终端及存储介质
CN111770317A (zh) * 2020-07-22 2020-10-13 平安国际智慧城市科技股份有限公司 用于智慧社区的视频监控方法、装置、设备及介质
CN111898518A (zh) * 2020-07-28 2020-11-06 中移（杭州）信息技术有限公司 一种摔倒检测方法、电子设备和存储介质
CN112818913A (zh) * 2021-02-24 2021-05-18 西南石油大学 一种实时吸烟打电话识别方法
CN113221661A (zh) * 2021-04-14 2021-08-06 浪潮天元通信信息系统有限公司 一种智能化人体摔倒检测系统及方法
KR20230039468A (ko) * 2021-09-13 2023-03-21 주식회사 포딕스시스템 영상의 객체 간 상호작용행위 검출 장치 및 방법
CN115880113A (zh) * 2022-11-24 2023-03-31 浙江省通信产业服务有限公司 一种基于智慧乡村综合治理的数字化管理系统及管理方法
CN116523319A (zh) * 2023-06-30 2023-08-01 中国市政工程西南设计研究总院有限公司 智慧公园综合管理方法和系统
KR102631391B1 (ko) * 2023-07-25 2024-01-31 주식회사 공감아이티 군중 모니터링 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123544A (zh) * 2014-07-23 2014-10-29 通号通信信息集团有限公司 基于视频分析的异常行为检测方法及系统
CN108062349A (zh) * 2017-10-31 2018-05-22 深圳大学 基于视频结构化数据及深度学习的视频监控方法和系统
CN108090458A (zh) * 2017-12-29 2018-05-29 南京阿凡达机器人科技有限公司 人体跌倒检测方法和装置
CN109583339A (zh) * 2018-11-19 2019-04-05 北京工业大学 一种基于图像处理的atm视频智能监控方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123544A (zh) * 2014-07-23 2014-10-29 通号通信信息集团有限公司 基于视频分析的异常行为检测方法及系统
CN108062349A (zh) * 2017-10-31 2018-05-22 深圳大学 基于视频结构化数据及深度学习的视频监控方法和系统
CN108090458A (zh) * 2017-12-29 2018-05-29 南京阿凡达机器人科技有限公司 人体跌倒检测方法和装置
WO2019128304A1 (zh) * 2017-12-29 2019-07-04 南京阿凡达机器人科技有限公司 人体跌倒检测方法和装置
CN109583339A (zh) * 2018-11-19 2019-04-05 北京工业大学 一种基于图像处理的atm视频智能监控方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吉训生等: "基于深度神经网络的扶梯异常行为检测", 《激光与光电子学进展》 *
郑国书等: "基于深度学习SSD模型的视频室内人数统计", 《工业控制计算机》 *
陈琼等: "基于手部轨迹识别的ATM智能视频监控系统", 《计算机工程》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507252A (zh) * 2020-04-16 2020-08-07 上海眼控科技股份有限公司 人体跌倒检测装置、方法、电子终端及存储介质
CN111770317A (zh) * 2020-07-22 2020-10-13 平安国际智慧城市科技股份有限公司 用于智慧社区的视频监控方法、装置、设备及介质
CN111770317B (zh) * 2020-07-22 2023-02-03 平安国际智慧城市科技股份有限公司 用于智慧社区的视频监控方法、装置、设备及介质
CN111898518A (zh) * 2020-07-28 2020-11-06 中移（杭州）信息技术有限公司 一种摔倒检测方法、电子设备和存储介质
CN112818913A (zh) * 2021-02-24 2021-05-18 西南石油大学 一种实时吸烟打电话识别方法
CN113221661A (zh) * 2021-04-14 2021-08-06 浪潮天元通信信息系统有限公司 一种智能化人体摔倒检测系统及方法
KR20230039468A (ko) * 2021-09-13 2023-03-21 주식회사 포딕스시스템 영상의 객체 간 상호작용행위 검출 장치 및 방법
KR102676020B1 (ko) * 2021-09-13 2024-06-18 주식회사 포딕스시스템 영상의 객체 간 상호작용행위 검출 장치 및 방법
CN115880113A (zh) * 2022-11-24 2023-03-31 浙江省通信产业服务有限公司 一种基于智慧乡村综合治理的数字化管理系统及管理方法
CN116523319A (zh) * 2023-06-30 2023-08-01 中国市政工程西南设计研究总院有限公司 智慧公园综合管理方法和系统
CN116523319B (zh) * 2023-06-30 2023-09-08 中国市政工程西南设计研究总院有限公司 智慧公园综合管理方法和系统
KR102631391B1 (ko) * 2023-07-25 2024-01-31 주식회사 공감아이티 군중 모니터링 장치 및 방법

Similar Documents

Publication Publication Date Title
CN110633643A (zh) 一种面向智慧社区的异常行为检测方法及系统
CN108830252B (zh) 一种融合全局时空特征的卷积神经网络人体动作识别方法
CN109344725B (zh) 一种基于时空关注度机制的多行人在线跟踪方法
CN110765964B (zh) 基于计算机视觉的电梯轿厢内异常行为的检测方法
CN107330920B (zh) 一种基于深度学习的监控视频多目标追踪方法
CN108921051B (zh) 基于循环神经网络注意力模型的行人属性识别网络及技术
CN103971386B (zh) 一种动态背景场景下的前景检测方法
CN108416250B (zh) 人数统计方法及装置
CN109544592B (zh) 针对相机移动的运动目标检测算法
CN104680559B (zh) 基于运动行为模式的多视角室内行人跟踪方法
CN113076809A (zh) 一种基于视觉Transformer的高空坠物检测方法
Huang et al. Automatic moving object extraction through a real-world variable-bandwidth network for traffic monitoring systems
CN113011367A (zh) 一种基于目标轨迹的异常行为分析方法
CN103456009B (zh) 目标检测方法与装置、监控系统
CN110717408B (zh) 一种基于tof相机的人流计数方法
CN103488993A (zh) 一种基于fast的人群异常行为识别方法
KR20210062256A (ko) 행동 시퀀스 기반으로 이상행동 여부를 판단하는 방법, 프로그램 및 시스템
EP4232340A1 (en) Rail feature identification system
CN110674680A (zh) 活体识别的方法、装置、存储介质
Fang et al. Traffic police gesture recognition by pose graph convolutional networks
CN113011399B (zh) 基于生成协同判别网络的视频异常事件检测方法及系统
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
CN109887004A (zh) 一种基于tld算法的无人船海域目标跟踪方法
CN111598158B (zh) 一种基于ai分析技术的仓储库存状态感知方法
Fan et al. Video anomaly detection using CycleGan based on skeleton features

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