CN110677619A - 一种智能监控视频处理方法 - Google Patents
一种智能监控视频处理方法 Download PDFInfo
- Publication number
- CN110677619A CN110677619A CN201910767856.4A CN201910767856A CN110677619A CN 110677619 A CN110677619 A CN 110677619A CN 201910767856 A CN201910767856 A CN 201910767856A CN 110677619 A CN110677619 A CN 110677619A
- Authority
- CN
- China
- Prior art keywords
- image
- video
- pixel
- background
- foreground
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/144—Movement detection
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能监控视频处理方法,包括如下步骤:(1)视频预处理:将视频转化为静态图像,然后过滤视频图像中的噪点,同时对整体图像的数据做偏移调整,使像素灰度分布均匀;(2)前景提取:利用静止的空场景图像进行背景重构,然后根据预设区域,增加系统空间标识,再对新的图像进行背景减除,提取差异较大的像素区域,做为活动前景;(3)行为跟踪:对提取出来的活动前景进行卷积处理,取前景轮廓;然后提取特征点,记录活动轨迹;(4)结果分析:分析最终结果,并通过各业务要求对各类数据相应存储,以满足各业务功能要求。本发明所公开的方法能够更加快速有效的协助安全人员处理危机,最大限度的降低误报和漏报现象。
Description
技术领域
本发明涉及一种视频处理方法,特别涉及一种智能监控视频处理方法。
背景技术
智能视频监控系统发展时间并不长,但是其对于社会安全稳定的环境贡献巨大,所以在具体设计上要考虑各方面的因素。视频监控系统不但具有实时、可记录、可视的优点,同时,其记录的信息量也较大,适用范围也较广,因此视频监控系统能在安防、交通、生产生活等各种场所发挥重要作用。
智能型影像监控系统是当今多媒体,图像处理,计算机等各项最新技术高度结合的产品,采用包括计算机视觉处理、模式识别、计算机图形图像处理技术等。它利用最新的图像数字处理技术将模拟视频信号转化为数字信号,在计算机显示器上实时显示多路(1-20路)活动图像的同时,将各路视频信号以数据流方式同步存储于计算机硬盘内。在计算机上实现视频信号的监视,记录,回放。
以往的监控系统,往往需要人工干预,实时监控需要人员盯住监视器,搜索需要人员一点点的回放等。在对视频进行查找时非常不便,需要耗费大量的时间,人力成本增加。
发明内容
为解决上述技术问题,本发明提供了一种智能监控视频处理方法,以达到可实现一次性输入条件,自动报警,减轻了监控人员的负担的目的。
为达到上述目的,本发明的技术方案如下:
一种智能监控视频处理方法,包括如下步骤:
(1)视频预处理:将视频转化为静态图像,然后过滤视频图像中的噪点,同时对整体图像的数据做偏移调整,使像素灰度分布均匀;
(2)前景提取:利用静止的空场景图像进行背景重构,然后根据预设区域,增加系统空间标识,再对新的图像进行背景减除,提取差异较大的像素区域,做为活动前景;
(3)行为跟踪:对提取出来的活动前景进行卷积处理,实现边缘检测,取前景轮廓;然后提取特征点,用几何模型模拟表示前景轮廓的运动和形态变化,记录活动轨迹;
(4)结果分析:通过交叉比较,背景分析,行为归类,运动轨迹、区域密集度综合数据比较分析最终结果,并通过各业务要求对各类数据相应存储,以满足各业务功能要求。
上述方案中,所述步骤(1)将视频转化为静态图像的具体方法为:采用等间隔视频抓取方式,首先获取视频每秒帧数,然后对每秒帧数随机抽取其中一帧进行视频抓取,从而获得静态图像。
上述方案中,所述步骤(1)对整体图像的数据做偏移调整的具体方法为:采用灰度拉伸技术,把分离的灰度转换到比较集中的程度,处理内核中采用灰度增强算法通过拉伸像素强度分布范围来增强图像对比度,然后采用中值滤波方法进行图像平滑处理,方式为对图像函数矩阵进行扩展,填充矩阵边缘。
进一步的技术方案中,所述步骤(2)的具体方法为:采用平均背景技术对视频预处理中抓取并优化的一系列的帧,取这些帧中的平均像素值来表征背景;然后再给这些平均像素值加上一定的阈值范围,这就构成了背景模型;在新加入的图像中,如果对应位置的像素超出了这个背景模型中对应位置像素的阈值范围,就把它当作处理基础,然后通过应用功能提供的空间场景模型比对平均背景处理后的图像,重构空间背景,增加空间标识,之后通过背景减除算法CNT方法,通过简单的阈值操作判断像素点的稳定性;如果在连续的帧内都保持稳定,则认为该像素点是稳定的,否则不稳定,在程序中,稳定的点,即为背景点。
上述方案中,所述步骤(3)的具体方法为:采用索贝尔算法,通过索贝尔卷积因子两组3*3矩阵离散性差分算子,运算图像亮度函数的灰度之近似值,检测数字图像中变化明显的点;同时系统开放卷积因子更新功能,支持不断增加卷积因子,进行卷积运算,使目标与目标之前差异变大,以此分析图像中的各种行为。
上述方案中,所述步骤(4)采采用描述统计方法,具体包括剔除法、均值法、最小邻居法、比率回归法、决策树法。
进一步的技术方案中,所述步骤(4)还包括假设检验方法,参数检验是在已知总体分布的条件下对一些主要的参数进行的检验,所述主要的参数包括均值、百分数、方差、相关系数。
更进一步的技术方案中,所述步骤(4)还包括深度分析扩展方法,当用户有深度分析需求的时候,通过系统定义好的假设条件,或者对其他分析方法所需要的分析参数进行假设赋值的基础上进行判断。
通过上述技术方案,本发明提供的智能监控视频处理方法以数字化、网络化视频监控为基础,用户可以设置某些特定的规则,系统识别不同的物体,同时识别目标行为是否符合这些规则,一旦发现监控画面中的异常情况,系统能够以最快和最佳的方式发出警报并提供有用信息,大大降低了从以往监控信息里找特定信息的时间,从而能够更加有效的协助安全人员处理危机,最大限度的降低误报和漏报现象。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种智能监控视频处理方法,本处理方法需要的设备相对简单,具体如下:
高清摄像头(或硬盘录像机):采集实时的视频数据,实时或定期发送给服务器,支持市面上各主流型号的产品。
监视器:显示由高清摄像头(或硬盘录像机)实时采集的数据,支持所有VGA、HDMI等接口支持RTMP、GB/T28181标准协议的显示设备。
服务器:接收由高清摄像头(或硬盘录像机)采集的视频数据,显示到视频到监视器,在终端数少,运算速度要求不高的情况下,可以用普通PC替代。
客户端(可选):可根据权限设置显示实时视频数据,搜索以往的视频数据,调整各摄像头的角度,普通PC即可。
具体实现方式如下:
影像监控系统是通过视频记录信息进行多方控制的,视频的处理是影视监控系统的基础,本系统视频处理的方式分为4步。
1、视频预处理
对视频数据的处理,首先是转化为静态图像,方法为等间隔视频抓取。然后对视频图像序列进行处理分析。
利用图像形态学的变换,过滤图像中的噪点(降噪),同时对整体图像的数据做偏移调整,使像素灰度分布均匀,减少光照影响。
应用技术灰度拉伸,灰度拉伸是图像增强的一种,它是把分离的灰度转换到比较集中的程度,这时就更利于分析。处理内核中采用灰度增强算法通过拉伸像素强度分布范围来增强图像对比度。然后采用中值滤波方法进行图像平滑处理,方式为对图像函数矩阵进行扩展,填充矩阵边缘近似值实现。视频处理的基础为静态图像,视频监控1秒在14-30帧左右。视频抓取方式是获取视频每秒帧数,对每秒帧数随机抽取其中一帧进行视频抓取。
2、前景提取
利用静止的空场景图像进行背景重构,然后根据预设区域,增加系统空间标识。然后,对新的图像进行背景减除,提取差异较大的像素区域,做为活动的前景。
应用技术为平均背景技术,对视频预处理中抓取并优化的一系列的帧,取这些帧中的平均像素值来表征背景,然后再给这些平均像素值加上一定的阈值范围,这就构成了背景模型。在新加入的图像中,如果对应位置的像素超出了这个背景模型中对应位置像素的阈值范围,就把它当作处理基础;然后通过应用功能提供的空间场景模型比对平均背景处理后的图像,重构空间背景,增加空间标识;之后通过背景减除算法CNT方法,通过简单的阈值操作判断像素点的稳定性。如果在连续的帧内都保持稳定,则认为该像素点是稳定的,否则不稳定。在程序中,稳定的点,即为背景点。通过该放过可以有效的判定运动的物体。
3、行为跟踪
对提取出来的活动前景进行卷积处理,实现边缘检测取前景轮廓。然后提取特征点,用几何模型模拟表示前景轮廓的运动和形态变化,简化数据存储,记录活动轨迹,分析相应行为。
应用技术为边缘检测方法,该方法大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性。采用索贝尔算法,通过索贝尔卷积因子两组3*3矩阵离散性差分算子,运算图像亮度函数的灰度之近似值,检测数字图像中变化明显的点。同时系统开放卷积因子更新功能,支持不断增加卷积因子,进行卷积运算,使目标与目标之前差异变大,以此分析图像中的各种行为。
4、结果分析
通过对交叉比较,背景分析,行为归类,运动轨迹、区域密集度综合数据比较分析最终结果,并通过个业务要求对各类数据相应存储,以满足各业务功能要求。
主要应用技术为,描述统计方法,该方法结合视频监控应用部分业务原理建立的各分析表进行描述分析,方式包括剔除法、均值法、最小邻居法、比率回归法、决策树法。该方法主要应用于分析数据提取,对要进行分析的原始数据进行按照描述的综合提取。
同时包括假设检验方法,参数检验是在已知总体分布的条件下(一股要求总体服从正态分布)对一些主要的参数(如均值、百分数、方差、相关系数等)进行的检验。
另外包括深度分析扩展方法,建立在其他分析方法基础上,当用户有深度分析需求的时候,通过系统定义好的假设条件,或者对其他分析方法所需要的分析参数进行假设赋值的基础上进行判断。
如预判交通拥堵后的分流即可假设主体运动轨迹的时间参数及坐标参数,粗略判断分流情况等;相关图像分析方法,研究现象之间是否存在某种依存关系,对具体有依存关系的现象探讨相关方向及相关程度。该方法主要用于判别物体聚集、物体分散,如工厂物料区域通过多视频角度图像生成存储转态基准,系统通过相关图像分析方法不定时与基准图像进行比较,检测存储区域变化情况,记录变化时间,既可以对非正常变化进行预警,又可以生成存储区域变化曲线帮助厂区库存管理人员。同时可应用于物品遗留判断;判别分析方法,根据已掌握的一批分类明确的样品建立判别基础,使产生错判的事例最少,进而对给定的一个新样品,判断它来自哪个集合。该方法主要用于物品识别,如特点区域入口,对超标大小车辆判定等;时间序列分析等方法,属于动态数据处理的统计方法,研究随机数据序列所遵从的统计规律,以用于解决实际问题。
时间序列通常由4种要素组成:趋势、季节变动、循环波动和不规则波动,通过这些要素统计趋势信息,该方法主要配合运动轨迹相关业务应用分析,结合空间模型判断时间在运动轨迹上的影响,动态分析物体运动情况,可提前对业务要求中电子围栏误闯进行预判报警。
本发明可实现功能如下:
(1)跨线检测:跨线检测可以自动检测运动目标穿越警戒线的行为,支持单向或双向的跨越检测,可以用于越界检测、逆向行驶等场合。
(2)进入区域检测:进入区域检测是指对进入指定区域的运动目标进行自动检测、跟踪和分类,可以用于铁路、高速公路等禁止进入的区域和场所。
(3)非法停车检测:非法停车检测是指对指定禁止区域内的停车行为进行检测,可以设置检测的时间间隔,减少误报的情况。
(4)物品遗留检测:物品遗留检测是指对指定区域内的遗留物体进行检测,可以广泛用于铁路、桥梁、机场、地铁等公共安全区域。
(5)徘徊检测:徘徊检测是指对指定区域内的可疑逗留人员进行检测报警,在铁路、公路、银行等公共安全区域提供预报警,防范于未然。
(6)人员聚集检测:人员聚集检测是指对指定区域内出现的人员非法集中、群体性事件进行报警,可以广泛用于广场、政府机关等场所,避免非法游行集会等恶性事件发生。
(7)剧烈运行检测:剧烈运行检测是指对指定区域内出现的人员打架斗殴、抢劫事件进行报警,可以广泛用于广场、道路等场所,避免打架、抢劫等恶性事件发生。
(8)流量统计:流量统计可以对车流量进行统计,为交通管理部门提供管理依据,提供效率,避免交通拥堵,也可以进行人流量的统计,为商业网点、大型超市等提供依据,方便业务分析。
(9)车牌识别:可以实时分析监控场景视频,对场景中的车牌进行抓拍、分析和统计,在公安交通管理、停车场管理、治安卡口、高速公路监管等领域具有广阔的应用空间。
(10)人脸智能分析:可以实时分析监控场景视频,对场景中的人脸进行抓拍、跟踪和统计。能够在连续跟踪过程中,保证抓拍到正面人脸,记录质量最高的面部图像。
(11)范围智能分析:在围墙外设立警戒线,围墙内设立预警区,采用智能算法进行分析、识别,能过滤95%以上无用的监控图像,变被动监控为主动监控,提高处置突发的异常群体事件的能力。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种智能监控视频处理方法,其特征在于,包括如下步骤:
(1)视频预处理:将视频转化为静态图像,然后过滤视频图像中的噪点,同时对整体图像的数据做偏移调整,使像素灰度分布均匀;
(2)前景提取:利用静止的空场景图像进行背景重构,然后根据预设区域,增加系统空间标识,再对新的图像进行背景减除,提取差异较大的像素区域,做为活动前景;
(3)行为跟踪:对提取出来的活动前景进行卷积处理,实现边缘检测,取前景轮廓;然后提取特征点,用几何模型模拟表示前景轮廓的运动和形态变化,记录活动轨迹;
(4)结果分析:通过交叉比较,背景分析,行为归类,运动轨迹、区域密集度综合数据比较分析最终结果,并通过各业务要求对各类数据相应存储,以满足各业务功能要求。
2.根据权利要求1所述的一种智能监控视频处理方法,其特征在于,所述步骤(1)将视频转化为静态图像的具体方法为:采用等间隔视频抓取方式,首先获取视频每秒帧数,然后对每秒帧数随机抽取其中一帧进行视频抓取,从而获得静态图像。
3.根据权利要求1所述的一种智能监控视频处理方法,其特征在于,所述步骤(1)对整体图像的数据做偏移调整的具体方法为:采用灰度拉伸技术,把分离的灰度转换到比较集中的程度,处理内核中采用灰度增强算法通过拉伸像素强度分布范围来增强图像对比度,然后采用中值滤波方法进行图像平滑处理,方式为对图像函数矩阵进行扩展,填充矩阵边缘。
4.根据权利要求2所述的一种智能监控视频处理方法,其特征在于,所述步骤(2)的具体方法为:采用平均背景技术对视频预处理中抓取并优化的一系列的帧,取这些帧中的平均像素值来表征背景;然后再给这些平均像素值加上一定的阈值范围,这就构成了背景模型;在新加入的图像中,如果对应位置的像素超出了这个背景模型中对应位置像素的阈值范围,就把它当作处理基础,然后通过应用功能提供的空间场景模型比对平均背景处理后的图像,重构空间背景,增加空间标识,之后通过背景减除算法CNT方法,通过简单的阈值操作判断像素点的稳定性;如果在连续的帧内都保持稳定,则认为该像素点是稳定的,否则不稳定,在程序中,稳定的点,即为背景点。
5.根据权利要求1所述的一种智能监控视频处理方法,其特征在于,所述步骤(3)的具体方法为:采用索贝尔算法,通过索贝尔卷积因子两组3*3矩阵离散性差分算子,运算图像亮度函数的灰度之近似值,检测数字图像中变化明显的点;同时系统开放卷积因子更新功能,支持不断增加卷积因子,进行卷积运算,使目标与目标之前差异变大,以此分析图像中的各种行为。
6.根据权利要求1所述的一种智能监控视频处理方法,其特征在于,所述步骤(4)采采用描述统计方法,具体包括剔除法、均值法、最小邻居法、比率回归法、决策树法。
7.根据权利要求1所述的一种智能监控视频处理方法,其特征在于,所述步骤(4)还包括假设检验方法,参数检验是在已知总体分布的条件下对一些主要的参数进行的检验,所述主要的参数包括均值、百分数、方差、相关系数。
8.根据权利要求1所述的一种智能监控视频处理方法,其特征在于,所述步骤(4)还包括深度分析扩展方法,当用户有深度分析需求的时候,通过系统定义好的假设条件,或者对其他分析方法所需要的分析参数进行假设赋值的基础上进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910767856.4A CN110677619A (zh) | 2019-08-20 | 2019-08-20 | 一种智能监控视频处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910767856.4A CN110677619A (zh) | 2019-08-20 | 2019-08-20 | 一种智能监控视频处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110677619A true CN110677619A (zh) | 2020-01-10 |
Family
ID=69076350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910767856.4A Pending CN110677619A (zh) | 2019-08-20 | 2019-08-20 | 一种智能监控视频处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110677619A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260637A (zh) * | 2020-01-19 | 2020-06-09 | 石家庄铁道大学 | 一种基于区域差分的沥青道路横向断裂检测方法 |
CN115866214A (zh) * | 2023-03-02 | 2023-03-28 | 安徽兴博远实信息科技有限公司 | 基于人工智能的视频精准治理管理系统 |
CN116863408A (zh) * | 2023-09-04 | 2023-10-10 | 成都智慧城市信息技术有限公司 | 基于监控摄像头ai算法的并行加速和动态调度实现方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751679A (zh) * | 2009-12-24 | 2010-06-23 | 北京中星微电子有限公司 | 运动目标的分类方法和检测方法及其装置 |
US20120183177A1 (en) * | 2011-01-17 | 2012-07-19 | Postech Academy-Industry Foundation | Image surveillance system and method of detecting whether object is left behind or taken away |
CN102799862A (zh) * | 2012-06-29 | 2012-11-28 | 陕西省交通规划设计研究院 | 高清视频监控图像的行人快速定位、事件检测系统及方法 |
CN103177456A (zh) * | 2013-03-29 | 2013-06-26 | 上海理工大学 | 视频图像的运动目标检测方法 |
CN103735269A (zh) * | 2013-11-14 | 2014-04-23 | 大连民族学院 | 一种基于视频多目标跟踪的高度测量方法 |
CN104658152A (zh) * | 2015-02-15 | 2015-05-27 | 西安交通大学 | 一种基于视频的运动物体入侵报警方法 |
CN110020589A (zh) * | 2019-01-31 | 2019-07-16 | 宁海县雁苍山电力建设有限公司 | 一种电力系统中的智能视频分析方法 |
-
2019
- 2019-08-20 CN CN201910767856.4A patent/CN110677619A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751679A (zh) * | 2009-12-24 | 2010-06-23 | 北京中星微电子有限公司 | 运动目标的分类方法和检测方法及其装置 |
US20120183177A1 (en) * | 2011-01-17 | 2012-07-19 | Postech Academy-Industry Foundation | Image surveillance system and method of detecting whether object is left behind or taken away |
CN102799862A (zh) * | 2012-06-29 | 2012-11-28 | 陕西省交通规划设计研究院 | 高清视频监控图像的行人快速定位、事件检测系统及方法 |
CN103177456A (zh) * | 2013-03-29 | 2013-06-26 | 上海理工大学 | 视频图像的运动目标检测方法 |
CN103735269A (zh) * | 2013-11-14 | 2014-04-23 | 大连民族学院 | 一种基于视频多目标跟踪的高度测量方法 |
CN104658152A (zh) * | 2015-02-15 | 2015-05-27 | 西安交通大学 | 一种基于视频的运动物体入侵报警方法 |
CN110020589A (zh) * | 2019-01-31 | 2019-07-16 | 宁海县雁苍山电力建设有限公司 | 一种电力系统中的智能视频分析方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260637A (zh) * | 2020-01-19 | 2020-06-09 | 石家庄铁道大学 | 一种基于区域差分的沥青道路横向断裂检测方法 |
CN115866214A (zh) * | 2023-03-02 | 2023-03-28 | 安徽兴博远实信息科技有限公司 | 基于人工智能的视频精准治理管理系统 |
CN116863408A (zh) * | 2023-09-04 | 2023-10-10 | 成都智慧城市信息技术有限公司 | 基于监控摄像头ai算法的并行加速和动态调度实现方法 |
CN116863408B (zh) * | 2023-09-04 | 2023-11-21 | 成都智慧城市信息技术有限公司 | 基于监控摄像头ai算法的并行加速和动态调度实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101942808B1 (ko) | 객체 이미지 인식 dcnn 기반 cctv 영상분석장치 | |
CN107229894B (zh) | 基于计算机视觉分析技术的智能视频监控方法及系统 | |
US10051246B2 (en) | Stopped object detection | |
CN102665071B (zh) | 一种社会治安视频监控图像智能处理和检索方法 | |
EP2283472B1 (en) | A system and method for electronic surveillance | |
US20060170769A1 (en) | Human and object recognition in digital video | |
CN110677619A (zh) | 一种智能监控视频处理方法 | |
WO2018056355A1 (ja) | 監視装置 | |
CN109948455B (zh) | 一种遗留物体检测方法及装置 | |
CN104881643B (zh) | 一种快速的遗留物检测方法及系统 | |
CN101727672A (zh) | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 | |
KR20060031832A (ko) | 실시간 행위분석 및 상황인지 기반 스마트 영상 보안시스템 | |
Zhang et al. | Contour based forest fire detection using FFT and wavelet | |
KR20090044957A (ko) | 도난 및 방치 감시 시스템 및 도난 및 방치 검출 방법 | |
Beghdadi et al. | Towards the design of smart video-surveillance system | |
KR102127276B1 (ko) | 복수의 고해상도 카메라들을 이용한 파노라마 영상 감시 시스템 및 그 방법 | |
CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
Rakumthong et al. | Unattended and stolen object detection based on relocating of existing object | |
Hu et al. | An effective detection algorithm for moving object with complex background | |
Shih et al. | Real-time camera tampering detection using two-stage scene matching | |
Joshi et al. | Suspicious object detection | |
WO2009066994A2 (en) | Method for detecting unattended object and removal of static object | |
EP2115698A1 (en) | Surveillance method and system using optimized object based rule checking | |
Basalamah et al. | Pedestrian crowd detection and segmentation using multi-source feature descriptors | |
CN112861572B (zh) | 行人检测方法、计算机可读存储介质及电子设备 |
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 |
Application publication date: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |