CN110633681A - 一种基于视频的离床检测方法 - Google Patents
一种基于视频的离床检测方法 Download PDFInfo
- Publication number
- CN110633681A CN110633681A CN201910887075.9A CN201910887075A CN110633681A CN 110633681 A CN110633681 A CN 110633681A CN 201910887075 A CN201910887075 A CN 201910887075A CN 110633681 A CN110633681 A CN 110633681A
- Authority
- CN
- China
- Prior art keywords
- detection
- detection area
- target
- bed
- video
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 161
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000000149 penetrating effect Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000009825 accumulation Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000006698 induction Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于视频的离床检测方法,包括以下步骤:A.参数设置,包括设置检测区域和触发离床报警时长;B.持续对视频监控图像进行预处理;C.对预处理后的监控图像进行目标检测;D.检测区域内有人无人判断;E.目标穿出检测区域状态判断;F.离床报警时间统计。该发明的有益效果是:对离床状态进行检测,节省了传统通过感应硬件进行检测的硬件成本,实现了对离床检测的自动化,不仅省去了大量的人力成本和时间成本,而且有效提升了识别准确率,降低了误警率,本发明具有多种场景的适用性。
Description
技术领域
本发明涉及视频监控技术领域,尤其是涉及一种基于视频的离床检测方法。
背景技术
随着技术的进步与发展,视频监控系统在公安系统内部各单位的应用越来越广泛,尤其是对在押人员的监管和监控,视频监控系统起着尤为重要的作用。
离床检测主要应用于夜晚时对在押人员的监控场景,在押人员离床时间过长,可能会导致异常事件的发生,在发现在押人员离床时间过长时,及时发出报警信息。目前监察人员往往需要面对几百路甚至上千路的电视墙,很容易注意力分散,无法及时发现视频中在押人员离床时间过长的情况。
现有的离床检测通常是通过感应硬件实现的,硬件成本也较高。本发明基于视频的离床检测方法能够及时对在押人员离床时间过长的情况进行报警,提醒监察人员异常情况的发生。
发明内容
有鉴于此,本发明旨在提出一种基于视频的离床检测方法,能够及时对在押人员离床时间过长的情况进行报警,减少在押犯人异常事件的发生。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于视频的离床检测方法,包括以下步骤:
A.参数设置,包括设置检测区域和触发离床报警时长;
B.持续对视频监控图像进行预处理;
C.对预处理后的监控图像进行目标检测;
D.检测区域内有人无人判断;
E.目标穿出检测区域状态判断;
F.离床报警时间统计。
进一步的,所述步骤A中检测区域为监控场景下床位的位置。
进一步的,所述步骤B中运用高斯滤波法对视频监控图像进行平滑去噪预处理。
进一步的,所述步骤C中使用YOLO模型对步骤B中得到的预处理后的图像进行目标检测。
进一步的,所述YOLO模型的训练过程如下:
a.收集样本;
b.数据增强;
c.样本标注;
d.在DarkNet框架下训练模型;
进一步的,所述样本收集需要覆盖应用场景下目标的各种可能的姿势和角度,并且样本中应包括无人但容易误检到人的场景以降低误检率,样本收集完后对样本做图像数据增强,调整图像的亮度、角度、对比度等信息,增加样本的多样性,可以提高模型的鲁棒性,数据增强完成后,对样本进行标注,即根据人在图像中的位置,标出真实的位置坐标,样本的标注要求所标注目标位置的准确性,之后在darknet框架下进行模型训练,得到YOLO模型。
进一步的,所述步骤C中对步骤B得到的图像进行目标检测的过程为:通过YOLO模型在整幅监控图像上检测、记录检测目标的位置,采用逻辑回归sigmoid函数,计算得分,当检测目标得分大于0.8时认为检测目标有效,并对有效目标进行跟踪形成运动轨迹。
进一步的,所述步骤D中检测区域内有人无人判断的过程如下:
将有效检测目标位置与检测区域进行对比,判断有效检测目标是否在检测区域内,若检测区域内无有效目标,则认为检测区域内无人,否则认为检测区域内有人。
进一步的,所述步骤E中目标穿出检测区域状态判断的过程如下:
根据有效目标的运动轨迹与检测区域边界交叉情况,判断目标穿出检测区域状态,若有效目标的轨迹与检测区域边界有交叉,并且轨迹末端在检测区域外,则认为目标穿出检测区域;若运动轨迹与检测区域边界无交叉,则认为检测目标未穿出检测区域。
进一步的,所述步骤F中离床报警时间统计,包括步骤:
F1.结合步骤D中检测区域内有人无人判断结果和步骤E中目标穿出检测区域状态判断结果,进行无人状态计时或离床报警时间统计;
若步骤D中检测区域内无人,且步骤E中目标穿出检测区域,则开启无人状态计时累加,若连续3帧检测到区域内有人,则停止累加且减少计时,所述减少计时规则是每连续3帧检测到检测区域内有人,则在无人状态计时累加值中减少1帧;
若步骤D中检测区域内无人,且步骤E中目标未穿出检测区域,则开始离床报警时间计时累加,在离床报警时间计时累加过程中若连续多帧检测到区域内有人,当该帧数达到可判定区域内有人的帧数阈值,则停止累加且清零计时,所述帧数阈值为经验值;
F2.当无人状态计时达到无人状态报警阈值或离床报警时间计时达到预设触发离床报警时长,均会输出报警信号,所述无人状态报警阈值是一个固定的帧数。
相对于现有技术,本发明所述的一种基于视频的离床检测方法具有以下优势:
本发明是对视频图像进行分析,对离床状态进行检测:首先获取视频图像,对图像进行预处理,去除图像噪点,设置检测区域和允许离床时间,使用模型检测的方法对图像进行检测,确定人的位置及相应的得分,对检测结果进行后处理,滤除得分较低的检测结果,并对目标进行跟踪形成轨迹,对人员离床的状态形成有效的判断。这种视频图像进行分析的方法,节省了传统通过感应硬件进行检测的硬件成本,实现了对离床检测的自动化,不仅省去了大量的人力成本和时间成本,而且有效提升了识别准确率,降低了误警率,本发明具有多种场景的适用性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的一种基于视频的离床检测方法流程图;
图2为本发明实施例所述的一种基于视频的离床检测方法中使用的深度学习检人模型训练流程图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,一种基于视频的离床检测方法,包括以下步骤:
A.参数设置,包括设置检测区域和触发离床报警时长;
B.持续对视频监控图像进行预处理;
C.对预处理后的监控图像进行目标检测;
D.检测区域内有人无人判断;
E.目标穿出检测区域状态判断;
F.离床报警时间统计。
进一步的,所述步骤A中检测区域为监控场景下床位的位置。
进一步的,所述步骤B中运用高斯滤波法对视频监控图像进行平滑去噪预处理。
进一步的,所述步骤C中使用YOLO模型对步骤B中得到的预处理后的图像进行目标检测。
如图2所示,所述YOLO模型的训练过程如下:
a.收集样本;
b.数据增强;
c.样本标注;
d.在DarkNet框架下训练模型;
所述样本收集需要覆盖应用场景下目标的各种可能的姿势和角度,并且样本中应包括无人但容易误检到人的场景以降低误检率,样本收集完后对样本做图像数据增强,调整图像的亮度、角度、对比度等信息,增加样本的多样性,可以提高模型的鲁棒性,数据增强完成后,对样本进行标注,即根据人在图像中的位置,标出真实的位置坐标,样本的标注要求所标注目标位置的准确性,之后在darknet框架下进行模型训练,得到YOLO模型。
所述步骤C中对步骤B得到的图像进行目标检测的过程为:通过YOLO模型在整幅监控图像上检测、记录检测目标的位置,采用逻辑回归sigmoid函数,计算得分,当检测目标得分大于0.8时认为检测目标有效,并对有效目标进行跟踪形成运动轨迹。
所述步骤D中检测区域内有人无人判断的过程如下:
将有效检测目标位置与检测区域进行对比,判断有效检测目标是否在检测区域内,若检测区域内无有效目标,则认为检测区域内无人,否则认为检测区域内有人。
所述步骤E中目标穿出检测区域状态判断的过程如下:
根据有效目标的运动轨迹与检测区域边界交叉情况,判断目标穿出检测区域状态,若有效目标的轨迹与检测区域边界有交叉,并且轨迹末端在检测区域外,则认为目标穿出检测区域;若运动轨迹与检测区域边界无交叉,则认为检测目标未穿出检测区域。
所述步骤F中离床报警时间统计,包括步骤:
F1.结合步骤D中检测区域内有人无人判断结果和步骤E中目标穿出检测区域状态判断结果,进行无人状态计时或离床报警时间统计;
若步骤D中检测区域内无人,且步骤E中目标穿出检测区域,则开启无人状态计时累加,若连续3帧检测到区域内有人,则停止累加且减少计时,所述减少计时规则是每连续3帧检测到检测区域内有人,则在无人状态计时累加值中减少1帧;
若步骤D中检测区域内无人,且步骤E中目标未穿出检测区域,则开始离床报警时间计时累加,在离床报警时间计时累加过程中若连续多帧检测到区域内有人,当该帧数达到可判定区域内有人的帧数阈值,则停止累加且清零计时,所述帧数阈值为经验值;
F2.当无人状态计时达到无人状态报警阈值或离床报警时间计时达到预设触发离床报警时长,均会输出报警信号,所述无人状态报警阈值是一个固定的帧数。
本实施例的工作过程如下:
使用该系统进行离床检测前先对检测模型进行训练,采集各种床位监控场景下人的样本,样本的收集需要覆盖应用场景下目标的各种可能的姿势和角度,并且样本中应包括无人但容易误检到人的场景以降低误检率,样本收集完后对样本做图像增强,调整图像的亮度、角度、对比度等信息,增加样本的多样性,可以提高模型的鲁棒性,数据增强完成后,对样本进行标注,即根据人在图像中的位置,标出真实的位置坐标,样本的标注要求所标注目标位置的准确性,之后在darknet框架下进行模型训练,即采用随机梯度下降法对模型进行反复迭代训练,每次迭代使得损失函数更小,使用的损失函数如下式:
其中,i为第i个网格,j为第j个bbox,表示如果第i个网格,j为第j个bbox是人;前两项为坐标预测,为预测出的人员中心点坐标,xi,yi为标注的人中心点,wi,hi是人box宽,高;第三项是对box的condidence进行预测;第四项是对不包含人的box进行预测;λcoord,λnoperson是权重系数。
不断迭代使得box误差越来越小,预测越来越准确。
最后得到检测效果最好的YOLO模型。
开始检测:
步骤A参数设置,设置检测区域和触发离床报警时长。监测区域即为监控场景下床位的位置,画框圈住床位区域;设置触发离床报警时长,设置为1分钟,当被监控人员离开床位1分钟触发离床报警。
步骤B持续对视频监控图像进行预处理;
步骤C对预处理后的监控图像进行目标检测。使用检测效果最好的YOLO模型对预处理得到的图像进行检测,获得检测到的人的位置,采用逻辑回归,sigmoid函数得到相应的得分。
使用的sigmoid函数如下式:
其中θ是参数向量,对于给定的输入x,hθ(x)表示其对应目标即属于正例的概率,即为得分。
得分最低为0,最高为1,滤除得分小于0.8的结果,留下得分大于0.8的结果,认为检测目标有效。
步骤D对检测区域内有人无人进行判断。
得到的有效目标位置与检测区域进行对比判定,判断检测区域内是否有人。
步骤E目标穿出检测区域状态判断。
若检测区域内无人,对有效目标进行跟踪,形成目标的运动轨迹。得到的每帧视频图像的有效目标进行位置及穿出状态判断,运动轨迹与检测区域边界有交叉,且运动轨迹末端在检测区域外,则认为检测目标穿出检测区域,
步骤F离床报警时间统计。
结合步骤D中检测区域内有人无人判断结果和步骤E中目标穿出检测区域状态判断结果,进行无人状态计时或离床报警时间统计;
若步骤D中检测区域内无人,且步骤E中目标穿出检测区域,则开启无人状态计时累加,若连续3帧检测到区域内有人,则停止累加且减少计时。
若步骤D中检测区域内无人,且步骤E中目标未穿出检测区域,则开始离床报警时间计时累加,在离床报警时间计时累加过程中若连续多帧检测到区域内有人,当该帧数达到可判定区域内有人的帧数阈值,则停止累加且清零计时。
当无人状态计时达到无人状态报警阈值或离床报警时间计时达到预设触发离床报警时长,均会输出报警信号。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于视频的离床检测方法,其特征在于,包括以下步骤:
A.参数设置,包括设置检测区域和触发离床报警时长;
B.持续对视频监控图像进行预处理;
C.对预处理后的监控图像进行目标检测;
D.检测区域内有人无人判断;
E.目标穿出检测区域状态判断;
F.离床报警时间统计。
2.根据权利要求1所述的一种基于视频的离床检测方法,其特征在于:所述步骤A中检测区域为监控场景下床位的位置。
3.根据权利要求1所述的一种基于视频的离床检测方法,其特征在于:所述步骤B中运用高斯滤波法对视频监控图像进行平滑去噪预处理。
4.根据权利要求1所述的一种基于视频的离床检测方法,其特征在于:所述步骤C中使用YOLO模型对步骤B中得到的预处理后的图像进行目标检测。
5.根据权利要求4所述的一种基于视频的离床检测方法,其特征在于,所述YOLO模型的训练过程如下:
a.收集样本;
b.数据增强;
c.样本标注;
d.在DarkNet框架下训练模型,得到YOLO模型。
6.根据权利要求4所述的一种基于视频的离床检测方法,其特征在于:所述步骤C中对步骤B得到的图像进行目标检测的过程为:通过YOLO模型在整幅监控图像上检测、记录检测目标的位置,采用逻辑回归sigmoid函数,计算得分,当检测目标得分大于0.8时认为检测目标有效,并对有效检测目标进行跟踪形成运动轨迹。
7.根据权利要求6所述的一种基于视频的离床检测方法,其特征在于,所述步骤D中检测区域内有人无人判断的过程如下:
将有效检测目标位置与检测区域进行对比,判断有效检测目标是否在检测区域内,若检测区域内无有效目标,则认为检测区域内无人,否则认为检测区域内有人。
8.根据权利要求6所述的一种基于视频的离床检测方法,其特征在于,所述步骤E中目标穿出检测区域状态判断的过程如下:
根据有效目标的运动轨迹与检测区域边界交叉情况,判断目标穿出检测区域状态,若有效目标的轨迹与检测区域边界有交叉,并且轨迹末端在检测区域外,则认为目标穿出检测区域;若运动轨迹与检测区域边界无交叉,则认为检测目标未穿出检测区域。
9.根据权利要求1所述的一种基于视频的离床检测方法,其特征在于所述步骤F中离床报警时间统计,包括步骤:
F1.结合步骤D中检测区域内有人无人判断结果和步骤E中目标穿出检测区域状态判断结果,进行无人状态计时或离床报警时间统计;
若步骤D中检测区域内无人,且步骤E中目标穿出检测区域,则开启无人状态计时累加,若连续3帧检测到区域内有人,则停止累加且减少计时;
若步骤D中检测区域内无人,且步骤E中目标未穿出检测区域,则开始离床报警时间计时累加,在离床报警时间计时累加过程中若连续多帧检测到区域内有人,当该帧数达到可判定区域内有人的帧数阈值,则停止累加且清零计时;
F2.当无人状态计时达到无人状态报警阈值或离床报警时间计时达到预设触发离床报警时长,均会输出报警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887075.9A CN110633681A (zh) | 2019-09-19 | 2019-09-19 | 一种基于视频的离床检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887075.9A CN110633681A (zh) | 2019-09-19 | 2019-09-19 | 一种基于视频的离床检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633681A true CN110633681A (zh) | 2019-12-31 |
Family
ID=68971691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910887075.9A Pending CN110633681A (zh) | 2019-09-19 | 2019-09-19 | 一种基于视频的离床检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633681A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114038161A (zh) * | 2021-10-28 | 2022-02-11 | 上海深豹智能科技有限公司 | 一种夜间离床检测智能看护科学方法及系统 |
CN115413236A (zh) * | 2020-03-31 | 2022-11-29 | Infic株式会社 | 离床预测通知装置以及程序 |
CN116863500A (zh) * | 2023-06-14 | 2023-10-10 | 中国人民解放军总医院第一医学中心 | 一种患者离床监控方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2098206A1 (en) * | 2008-03-03 | 2009-09-09 | UMIT Private Universität für Gesundheitswissenschaften Medizinische Informatik und Technik | Alarm system |
DE102009010379A1 (de) * | 2008-03-03 | 2009-10-08 | Dieter Martin | Vorrichtung zum Überwachen einer in einem Bett liegenden Person sowie Verfahren zum Betreiben einer solchen Vorrichtung |
CN102610054A (zh) * | 2011-01-19 | 2012-07-25 | 上海弘视通信技术有限公司 | 基于视频的起身检测系统 |
CN103118588A (zh) * | 2010-09-29 | 2013-05-22 | 欧姆龙健康医疗事业株式会社 | 安全看护系统及安全看护系统的控制方法 |
CN204596080U (zh) * | 2015-03-31 | 2015-08-26 | 信锦企业股份有限公司 | 监控装置 |
CN107645652A (zh) * | 2017-10-27 | 2018-01-30 | 深圳极视角科技有限公司 | 一种基于视频监控的非法越界报警系统 |
CN107911653A (zh) * | 2017-11-16 | 2018-04-13 | 王磊 | 驻所智能视频监控模组、系统、方法以及存储介质 |
CN108764190A (zh) * | 2018-06-04 | 2018-11-06 | 山东财经大学 | 老年人离床与在床状态的视频监测方法 |
CN109984750A (zh) * | 2019-04-24 | 2019-07-09 | 上海健康医学院 | 一种基于运动检测的睡眠婴幼儿防跌落预警方法及系统 |
TWI666933B (zh) * | 2018-04-02 | 2019-07-21 | 緯創資通股份有限公司 | 物件監控方法及其運算裝置 |
-
2019
- 2019-09-19 CN CN201910887075.9A patent/CN110633681A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2098206A1 (en) * | 2008-03-03 | 2009-09-09 | UMIT Private Universität für Gesundheitswissenschaften Medizinische Informatik und Technik | Alarm system |
DE102009010379A1 (de) * | 2008-03-03 | 2009-10-08 | Dieter Martin | Vorrichtung zum Überwachen einer in einem Bett liegenden Person sowie Verfahren zum Betreiben einer solchen Vorrichtung |
CN103118588A (zh) * | 2010-09-29 | 2013-05-22 | 欧姆龙健康医疗事业株式会社 | 安全看护系统及安全看护系统的控制方法 |
CN102610054A (zh) * | 2011-01-19 | 2012-07-25 | 上海弘视通信技术有限公司 | 基于视频的起身检测系统 |
CN204596080U (zh) * | 2015-03-31 | 2015-08-26 | 信锦企业股份有限公司 | 监控装置 |
CN107645652A (zh) * | 2017-10-27 | 2018-01-30 | 深圳极视角科技有限公司 | 一种基于视频监控的非法越界报警系统 |
CN107911653A (zh) * | 2017-11-16 | 2018-04-13 | 王磊 | 驻所智能视频监控模组、系统、方法以及存储介质 |
TWI666933B (zh) * | 2018-04-02 | 2019-07-21 | 緯創資通股份有限公司 | 物件監控方法及其運算裝置 |
CN108764190A (zh) * | 2018-06-04 | 2018-11-06 | 山东财经大学 | 老年人离床与在床状态的视频监测方法 |
CN109984750A (zh) * | 2019-04-24 | 2019-07-09 | 上海健康医学院 | 一种基于运动检测的睡眠婴幼儿防跌落预警方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115413236A (zh) * | 2020-03-31 | 2022-11-29 | Infic株式会社 | 离床预测通知装置以及程序 |
CN114038161A (zh) * | 2021-10-28 | 2022-02-11 | 上海深豹智能科技有限公司 | 一种夜间离床检测智能看护科学方法及系统 |
CN116863500A (zh) * | 2023-06-14 | 2023-10-10 | 中国人民解放军总医院第一医学中心 | 一种患者离床监控方法和系统 |
CN116863500B (zh) * | 2023-06-14 | 2024-05-10 | 中国人民解放军总医院第一医学中心 | 一种患者离床监控方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679471B (zh) | 基于视频监控平台的室内人员空岗检测方法 | |
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN110633681A (zh) | 一种基于视频的离床检测方法 | |
CN110519637A (zh) | 基于音频视频监控结合的异常监测方法 | |
CN103986910A (zh) | 一种基于智能分析摄像机的客流统计方法和系统 | |
CN101577812A (zh) | 一种岗位监测的方法和系统 | |
CN111091098B (zh) | 检测模型的训练方法、检测方法及相关装置 | |
CN107229894A (zh) | 基于计算机视觉分析技术的智能视频监控方法及系统 | |
CN105303191A (zh) | 一种前视监视场景下的行人计数方法和装置 | |
CN104866827B (zh) | 基于视频监控平台的人员翻越行为的检测方法 | |
CN108564069A (zh) | 一种工业佩戴安全帽视频检测方法 | |
CN102164270A (zh) | 具有异常事件发掘功能的智能视频监控方法及系统 | |
CN115620212B (zh) | 一种基于监控视频的行为识别方法及系统 | |
WO2021139049A1 (zh) | 检测方法、检测装置、监控设备和计算机可读存储介质 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN111325048B (zh) | 一种人员聚集检测方法和装置 | |
CN101576952A (zh) | 一种检测静止目标的方法和装置 | |
Lengvenis et al. | Application of computer vision systems for passenger counting in public transport | |
CN102855508A (zh) | 敞开式校园防尾随系统 | |
CN112001230A (zh) | 睡觉行为的监控方法、装置、计算机设备和可读存储介质 | |
CN111027370A (zh) | 一种多目标跟踪及行为分析检测方法 | |
CN103514429A (zh) | 检测对象的特定部位的方法及图像处理设备 | |
CN111814510A (zh) | 一种遗留物主体检测方法及装置 |
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: 20191231 |