CN110909677B - 多目标跟踪及行为分析的方法、系统及存储介质 - Google Patents

多目标跟踪及行为分析的方法、系统及存储介质 Download PDF

Info

Publication number
CN110909677B
CN110909677B CN201911154653.4A CN201911154653A CN110909677B CN 110909677 B CN110909677 B CN 110909677B CN 201911154653 A CN201911154653 A CN 201911154653A CN 110909677 B CN110909677 B CN 110909677B
Authority
CN
China
Prior art keywords
target
space
time
detection model
target detection
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
CN201911154653.4A
Other languages
English (en)
Other versions
CN110909677A (zh
Inventor
董翔宇
赵冲
章海斌
丁霞
汪太平
朱俊
祁麟
吴永恒
汪世才
朱仲贤
杨瑞金
刘鑫
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.)
Super High Voltage Branch Of State Grid Anhui Electric Power Co ltd
Zhang Zhong
Original Assignee
Overhaul Branch of State Grid Anhui Electric Power 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 Overhaul Branch of State Grid Anhui Electric Power Co Ltd filed Critical Overhaul Branch of State Grid Anhui Electric Power Co Ltd
Priority to CN201911154653.4A priority Critical patent/CN110909677B/zh
Publication of CN110909677A publication Critical patent/CN110909677A/zh
Application granted granted Critical
Publication of CN110909677B publication Critical patent/CN110909677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种多目标跟踪及行为分析的方法、系统及存储介质，属于目标跟踪技术领域。所述方法包括：采用预先训练好的第一目标检测模型检测视频图像中的第一目标；采用预先训练好的第二目标检测模型检测视频图像中的第二目标；在第一目标检测模型和第二目标检测模型中的一者检测到对应的第一目标或第二目标的情况下，生成第一目标检测结果；在第一目标检测模型和第二目标检测模型中的另一者检测到对应的第一目标或第二目标的情况下，生成第二目标检测结果；根据第一目标检测结果和第二目标检测结果提取第一目标和第二目标的时空兴趣点的特征；投影时空兴趣点；根据设定的时间窗截取时空兴趣点的序列以分析第一目标或第二目标的行为。

Description

多目标跟踪及行为分析的方法、系统及存储介质
技术领域
本发明涉及目标跟踪技术领域，具体地涉及一种多目标跟踪及行为分析的方法、系统及存储介质。
背景技术
随着社会经济的迅速发展，视频监控系统在各个行业的应用正逐渐成熟，建设并投入使用的摄像机数量正快速增加。由于监控系统汇集了大量的视频，对这些视频的实时监看逐渐成为大问题，采用用户一直盯着屏幕也很难一直保持警戒状态，且对于后续数据丢失就无法造成分析。因此，需要采用智能分析系统，在采集到视频的同时进行分析。
现有技术中，在计算机视觉和模式识别相关研究领域中，多视角人体行为分析一直是最活跃的研究领域之一。由于三维空间往往较二维图像包含更多的视觉信息，因此早期研究多是通过多视角采集的视差图像进行三维空间的重建，并在三维空间进行人体行为识别。由于三维重建计算复杂度高，并且理想的三维重建本身存在很强的挑战性，因此，近些年通过二维视觉信息的表征和复杂人体行为模型的构建成为该领域主流方法。但是由于目标差异较大，同时，即使相同目标的行为也存在差异，这给人体行为识别带来了很大困难。
发明内容
本发明实施方式的目的是提供一种多目标跟踪及行为分析的方法、系统及存储介质。该方法、系统及存储介质能够基于对视频图像的分析，确定现场目标的行为状态。
为了实现上述目的，本发明实施方式提供一种多目标跟踪及行为分析的方法，所述方法包括：
采用预先训练好的第一目标检测模型检测视频图像中的第一目标；
采用预先训练好的第二目标检测模型检测视频图像中的第二目标；
在所述第一目标检测模型和所述第二目标检测模型中的一者检测到对应的所述第一目标或所述第二目标的情况下，生成第一目标检测结果；
在所述第一目标检测模型和所述第二目标检测模型中的另一者检测到对应的所述第一目标或所述第二目标的情况下，生成第二目标检测结果；
根据所述第一目标检测结果和所述第二目标检测结果提取所述第一目标和所述第二目标的时空兴趣点的特征；
投影所述时空兴趣点；
根据预先设定的时间窗截取所述时空兴趣点的序列以分析所述第一目标或所述第二目标的行为。
可选地，根据预先设定的时间窗截取所述时空兴趣点的序列以分析所述第一目标或所述第二目标的行为具体包括：
对所述时间窗内的所述时空兴趣点执行归一化操作。
可选地，根据预先设定的时间窗截取所述时空兴趣点的序列以分析所述第一目标或所述第二目标的行为具体包括：
判断预设动态池中的所述时空兴趣点与截取的所述时空兴趣点之间的时间维度是否大于或等于预设的定时器；
在判断所述时间维度大于或等于所述定时器的情况下，删除所述预设动态池中的所述时空兴趣点；
判断截取的所述时空兴趣点的数量是否小于或等于预设值；
在判断所述数量小于或等于所述预设值的情况下，清除截取的所述时空兴趣点；
在判断所述数量大于所述预设值的情况下，提取所述动态池中的所有时空兴趣点以对截取的所述时空兴趣点进行比对。
可选地，所述方法包括：
获取多个交通视频；
切分所述交通视频并缩放至同一尺寸以形成单帧形式的所述视频图像。
可选地，采用预先训练好的第一目标检测模型检测视频图像中的第一目标和/或采用预先训练好的第二目标检测模型检测视频图像中的第二目标包括：
全局平均池化时空卷积网络中下的采样层，获取卷积层的向量化表达；
将所述向量化表达与所述下采样层相加以获取反卷积网络上采样层的第一层；
在所述反卷积网络的每一层的特征图上叠加对应的下采样层的特征图以完成时空卷积和反卷积网络的创建；
在所述时空卷积和所述反卷积网络中选取任一层的特征图以加入显著性监督以获得所述第一目标检测模型和/或所述第二目标检测模型。
可选地，全局平均池化时空卷积网络中下的采样层，获取卷积层的向量化表达具体包括：
将作为样本的交通视频分成多个时间片段；
对所述时空卷积网络的全连接层执行特征拼接操作；
采用全局平均池化方法计算权值向量。
另一方面，本发明还提供一种多目标跟踪及行为分析的系统，所述系统包括处理器，所述处理器用于执行上述任一所述的方法。
再一方面，本发明还提供一种存储介质，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行上述任一所述的方法。
通过上述技术方案，本发明提供的多目标跟踪及行为分析的方法、系统及存储介质通过预先训练好的第一目标检测模型、第二目标检测模型分别识别视频图像中的第一目标、第二目标，并基于第一目标检测结果和第二目标检测结果形成时空兴趣点。再将截取的部分时空兴趣点与预设的动态池中的时空兴趣点比对，从而确定现场目标的行为，打破了现有技术中依赖二维视觉信息的表征来进行行为分析的技术壁垒。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是根据本发明的一个实施方式的多目标跟踪及行为分析的方法的流程图；
图2是根据本发明的一个实施方式的多目标跟踪及行为分析的方法的部分流程图；以及
图3是根据本发明的一个实施方式的多目标跟踪及行为分析的方法的部分流程图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。
在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外，若本发明实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的多目标跟踪及行为分析的方法。在图1中，该方法可以包括：
在步骤S10中，采用预先训练好的第一目标检测模型检测视频图像中的第一目标。
在步骤S11中，采用预先训练好的第二目标检测模型检测视频图像中的第二目标。
在本发明的该实施方式中，对于该第一目标检测模型和第二目标检测模型的构建，可以是本领域人员所知的多种形式。在本发明的一个优选示例中，该第一目标检测模型和/或第二目标检测模型的构建方式可以包括如图2所示的步骤。在图2中，该构建方式可以包括：
在步骤S20中，全局平均池化时空卷积网络中下的采样层，获取卷积层的向量化表达。具体地，该步骤S21可以进一步包括将作为样本的交通视频分成多个时间片段；对时空卷积网络的全连接层执行特征拼接操作；采用全局平均池化方法计算权值向量(T维)w＝[w1,w2,w3,…,…wT]。
在步骤S21中，将向量化表达与下采样层相加以获取反卷积网络上采样层的第一层。
在步骤S22中，在反卷积网络的每一层的特征图上叠加对应的下采样层的特征图以完成时空卷积和反卷积网络的创建。
在步骤S23中，在时空卷积和反卷积网络中选取任一层的特征图以加入显著性监督以获得第一目标检测模型和/或第二目标检测模型。
在步骤S12中，在第一目标检测模型和第二目标检测模型中的一者检测到对应的第一目标或第二目标的情况下，生成第一目标检测结果。
在步骤S13中，在第一目标检测模型和第二目标检测模型中的另一者检测到对应的第一目标或第二目标的情况下，生成第二目标检测结果。
在步骤S14中，根据第一目标检测结果和第二目标检测结果提取第一目标和第二目标的时空兴趣点的特征。
在步骤S15中，投影时空兴趣点。
在步骤S16中，根据预先设定的时间窗截取时空兴趣点的序列以分析第一目标或第二目标的行为。在本发明的一个实施方式中，考虑到截取的时空兴趣点的包括时间和空间等多个维度。因此，在分析计算时会导致算法的复杂度较高，计算量也会随之增大，最终导致系统的负载提高。并且由于本发明提供的该方法多适用于变电站的监测设备、交管系统的监测设备等。这类设备由于需要考虑环境的问题，系统能够负载的计算量有限。因此，该方法在实施的过程中的成本也是一大难题。所以在本发明的一个优选示例中，该步骤S16可以进一步包括对时间窗内的时空兴趣点执行归一化操作的步骤。在对执行归一化操作后的时空兴趣点进行分析相对于执行该归一化操作前，其算法的复杂度大大降低。相应地，系统的负载也会大大降低，从而使得本发明提供的该方法能够很好地适应现场设备的系统负载的计算量有限的硬件条件。
另外，在该步骤S16中，在对截取的时空兴趣点进行分析时，为了避免在截取的时空兴趣点明显无法作为分析依据的情况下依然执行分析操作，从而导致系统资源浪费的情况出现，该步骤S16也可以包括如图3中所示出的步骤。在该图3中，该步骤S16可以包括：
在步骤S30中，判断预设动态池中的时空兴趣点与截取的时空兴趣点之间的时间维度是否大于或等于预设的定时器；
在步骤S31中，在判断时间维度大于或等于定时器的情况下，删除预设动态池中的时空兴趣点；
在步骤S32中，判断截取的时空兴趣点的数量是否小于或等于预设值；
在步骤S33中，在判断数量小于或等于预设值的情况下，清除截取的时空兴趣点；
在步骤S34中，在判断数量大于预设值的情况下，提取动态池中的所有时空兴趣点以对截取的时空兴趣点进行比对。
在本发明的一个实施方式中，对于该视频图像的预处理，可以是例如首先获取多个交通视频；再切分该交通视频并缩放至同一尺寸以形成单帧形式的视频图像。
另一方面，本发明还提供一种多目标跟踪及行为分析的系统，该系统可以包括处理器，该处理器可以用于执行上述任一所述的方法。
再一方面，本发明还提供一种存储介质，该存储介质可以存储有指令，该指令可以用于被机器读取以使得该机器执行上述任一所述的方法。
通过上述技术方案，本发明提供的多目标跟踪及行为分析的方法、系统及存储介质通过预先训练好的第一目标检测模型、第二目标检测模型分别识别视频图像中的第一目标、第二目标，并基于第一目标检测结果和第二目标检测结果形成时空兴趣点。再将截取的部分时空兴趣点与预设的动态池中的时空兴趣点比对，从而确定现场目标的行为，打破了现有技术中依赖二维视觉信息的表征来进行行为分析的技术壁垒。
以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (6)

1.一种多目标跟踪及行为分析的方法，其特征在于，所述方法包括：
采用预先训练好的第一目标检测模型检测视频图像中的第一目标；
采用预先训练好的第二目标检测模型检测视频图像中的第二目标；
在所述第一目标检测模型和所述第二目标检测模型中的一者检测到对应的所述第一目标或所述第二目标的情况下，生成第一目标检测结果；
在所述第一目标检测模型和所述第二目标检测模型中的另一者检测到对应的所述第一目标或所述第二目标的情况下，生成第二目标检测结果；
根据所述第一目标检测结果和所述第二目标检测结果提取所述第一目标和所述第二目标的时空兴趣点的特征；
投影所述时空兴趣点；
根据预先设定的时间窗截取所述时空兴趣点的序列以分析所述第一目标或所述第二目标的行为；
用预先训练好的第一目标检测模型检测视频图像中的第一目标和/或采用预先训练好的第二目标检测模型检测视频图像中的第二目标包括：
全局平均池化时空卷积网络中的下采样层，获取卷积层的向量化表达；
将所述向量化表达与所述下采样层相加以获取反卷积网络上采样层的第一层；
在所述反卷积网络的每一层的特征图上叠加对应的下采样层的特征图以完成时空卷积和反卷积网络的创建；
在所述时空卷积和所述反卷积网络中选取任一层的特征图以加入显著性监督以获得所述第一目标检测模型和/或所述第二目标检测模型；
全局平均池化时空卷积网络中下的采样层，获取卷积层的向量化表达具体包括：
将作为样本的交通视频分成多个时间片段；
对所述时空卷积网络的全连接层执行特征拼接操作；
采用全局平均池化方法计算权值向量。
2.根据权利要求1所述的方法，其特征在于，根据预先设定的时间窗截取所述时空兴趣点的序列以分析所述第一目标或所述第二目标的行为具体包括：
对所述时间窗内的所述时空兴趣点执行归一化操作。
3.根据权利要求1所述的方法，其特征在于，根据预先设定的时间窗截取所述时空兴趣点的序列以分析所述第一目标或所述第二目标的行为具体包括：
判断预设动态池中的所述时空兴趣点与截取的所述时空兴趣点之间的时间维度是否大于或等于预设的定时器；
在判断所述时间维度大于或等于所述定时器的情况下，删除所述预设动态池中的所述时空兴趣点；
判断截取的所述时空兴趣点的数量是否小于或等于预设值；
在判断所述数量小于或等于所述预设值的情况下，清除截取的所述时空兴趣点；
在判断所述数量大于所述预设值的情况下，提取所述动态池中的所有时空兴趣点以对截取的所述时空兴趣点进行比对。
4.根据权利要求1所述的方法，其特征在于，所述方法包括：
获取多个交通视频；
切分所述交通视频并缩放至同一尺寸以形成单帧形式的所述视频图像。
5.一种多目标跟踪及行为分析的系统，其特征在于，所述系统包括处理器，所述处理器用于执行如权利要求1至4任一所述的方法。
6.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至4任一所述的方法。
CN201911154653.4A 2019-11-22 2019-11-22 多目标跟踪及行为分析的方法、系统及存储介质 Active CN110909677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911154653.4A CN110909677B (zh) 2019-11-22 2019-11-22 多目标跟踪及行为分析的方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911154653.4A CN110909677B (zh) 2019-11-22 2019-11-22 多目标跟踪及行为分析的方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN110909677A CN110909677A (zh) 2020-03-24
CN110909677B true CN110909677B (zh) 2024-04-02

Family

ID=69818771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911154653.4A Active CN110909677B (zh) 2019-11-22 2019-11-22 多目标跟踪及行为分析的方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN110909677B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945375A (zh) * 2012-11-20 2013-02-27 天津理工大学 多约束下的多视角监控视频行为检测和识别方法
CN103279737A (zh) * 2013-05-06 2013-09-04 上海交通大学 一种基于时空兴趣点的打架行为检测方法
CN107103267A (zh) * 2016-02-23 2017-08-29 北京文安智能技术股份有限公司 一种基于视频的打架斗殴行为检测方法、装置
CN108629316A (zh) * 2018-05-08 2018-10-09 东北师范大学人文学院 一种多视角的视频异常事件检测方法
CN109961019A (zh) * 2019-02-28 2019-07-02 华中科技大学 一种时空行为检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214238B (zh) * 2017-06-30 2022-06-28 阿波罗智能技术(北京)有限公司 多目标跟踪方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945375A (zh) * 2012-11-20 2013-02-27 天津理工大学 多约束下的多视角监控视频行为检测和识别方法
CN103279737A (zh) * 2013-05-06 2013-09-04 上海交通大学 一种基于时空兴趣点的打架行为检测方法
CN107103267A (zh) * 2016-02-23 2017-08-29 北京文安智能技术股份有限公司 一种基于视频的打架斗殴行为检测方法、装置
CN108629316A (zh) * 2018-05-08 2018-10-09 东北师范大学人文学院 一种多视角的视频异常事件检测方法
CN109961019A (zh) * 2019-02-28 2019-07-02 华中科技大学 一种时空行为检测方法

Also Published As

Publication number Publication date
CN110909677A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110807385B (zh) 目标检测方法、装置、电子设备及存储介质
CN109961019B (zh) 一种时空行为检测方法
US9990546B2 (en) Method and apparatus for determining target region in video frame for target acquisition
CN110222787B (zh) 多尺度目标检测方法、装置、计算机设备及存储介质
CN111191570B (zh) 图像识别方法和装置
CN105279484A (zh) 对象检测方法和对象检测装置
CN112329702B (zh) 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质
US20200143183A1 (en) Control device, system and method for determining the perceptual load of a visual and dynamic driving scene
CN112633255B (zh) 目标检测方法、装置及设备
CN106683040B (zh) 一种基于ncc算法的红外全景图像拼接方法
CN110659658A (zh) 一种目标检测方法及其装置
US11354923B2 (en) Human body recognition method and apparatus, and storage medium
CN115690587A (zh) 一种红外小目标方法、装置、设备及存储介质
CN115861915A (zh) 消防通道监控方法、消防通道监控装置以及存储介质
CN111563492B (zh) 一种跌倒检测方法、跌倒检测装置及存储装置
CN111445442A (zh) 基于神经网络的人群计数方法、装置、服务器及存储介质
CN116091781B (zh) 一种用于图像识别的数据处理方法及装置
CN110909677B (zh) 多目标跟踪及行为分析的方法、系统及存储介质
CN112070035A (zh) 基于视频流的目标跟踪方法、装置及存储介质
CN108171147A (zh) 一种目标识别的方法、装置及设备
CN114219938A (zh) 感兴趣区域获取方法
CN114782883A (zh) 基于群体智能的异常行为检测方法、装置和设备
CN113628251A (zh) 一种智慧酒店终端监测方法
CN111105590A (zh) 一种报警方法及装置
Prabha et al. Utility Pole Fire Risk Inspection from 2D Street-Side Images

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201229

Address after: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061

Applicant after: STATE GRID ANHUI POWER SUPPLY COMPANY OVERHAUL BRANCH

Applicant after: Zhang Zhong

Address before: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061

Applicant before: STATE GRID ANHUI POWER SUPPLY COMPANY OVERHAUL BRANCH

Applicant before: HEFEI ZHANDA INTELLIGENT TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061

Patentee after: Super high voltage branch of State Grid Anhui Electric Power Co.,Ltd.

Country or region after: China

Patentee after: Zhang Zhong

Address before: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061

Patentee before: STATE GRID ANHUI POWER SUPPLY COMPANY OVERHAUL BRANCH

Country or region before: China

Patentee before: Zhang Zhong