CN111242978A - 基于红外相机技术的生物行为轨迹分析系统 - Google Patents
基于红外相机技术的生物行为轨迹分析系统 Download PDFInfo
- Publication number
- CN111242978A CN111242978A CN202010042705.5A CN202010042705A CN111242978A CN 111242978 A CN111242978 A CN 111242978A CN 202010042705 A CN202010042705 A CN 202010042705A CN 111242978 A CN111242978 A CN 111242978A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- infrared camera
- layer unit
- unit
- 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
- 230000004791 biological behavior Effects 0.000 title claims abstract description 20
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000003860 storage Methods 0.000 claims abstract description 15
- 241001465754 Metazoa Species 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 9
- 230000007547 defect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 32
- 238000007726 management method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 241000894007 species Species 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000005054 agglomeration Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T2207/10048—Infrared image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于红外相机技术的生物行为轨迹分析系统。包括红外相机，用于在动物出现时快速拍摄并记录相应的拍摄时间，生成原始轨迹数据；存储层单元，用于按日期分别存储所述红外相机生成的原始轨迹数据，所述存储层单元和所述红外相机通讯连接；轨迹管理层单元，用于对所述存储层单元存储的原始轨迹数据进行轨迹模型建模和管理，生成轨迹数据并存储，所述存储层单元和所述轨迹管理层单元通讯连接；接口层单元，用于对存储的轨迹数据提供有序KNN查询，所述接口层单元和所述轨迹管理层单元通讯连接。本发明能够解决现有技术的不足。
Description
技术领域
本发明涉及生物行为分析技术领域，具体涉及一种基于红外相机技术的生物行为轨迹分析系统。
背景技术
红外相机技术被用于物种监测，在物种多样性、活动格局、种群参数估计等方面做了许多工作，该技术确实是监测野生动物的一项非常有效的方法，帮助我们采集大量数据，包括一些野外通常难以采集到的相关信息，以实现对不同生态系统中的生物多样性进行监测、保护的目的。但对于深层次的信息提取、数据集成，或者大尺度的比较研究，还缺乏探索。
发明内容
针对现有技术的不足，本发明公开一种基于红外相机技术的生物行为轨迹分析系统，能够解决现有技术的不足。
为实现以上目的，本发明通过以下技术方案予以实现：
基于红外相机技术的生物行为轨迹分析系统，包括：
红外相机，用于在动物出现时快速拍摄并记录相应的拍摄时间，生成原始轨迹数据；
存储层单元，用于按日期分别存储所述红外相机生成的原始轨迹数据，所述存储层单元和所述红外相机通讯连接；
轨迹管理层单元，用于对所述存储层单元存储的原始轨迹数据进行轨迹模型建模和管理，生成轨迹数据并存储，所述存储层单元和所述轨迹管理层单元通讯连接；
接口层单元，用于对存储的轨迹数据提供有序KNN查询，所述接口层单元和所述轨迹管理层单元通讯连接。
优选的技术方案，所述存储层单元包括
移动对象目录单元，用于存储所述原始轨迹数据中的移动对象数据；
点对象目录单元，用于存储所述原始轨迹数据中的点对象数据；
轨迹对象目录单元，用于存储所述原始轨迹数据中的轨迹对象数据。
优选的技术方案，所述轨迹管理层单元包括
移动对象索引单元，用于存储所述轨迹数据中的移动对象数据；
点对象索引单元，用于存储所述轨迹数据中的点对象数据；
轨迹对象索引单元，用于存储所述轨迹数据中的轨迹对象数据。
优选的技术方案，所述轨迹对象索引单元包括用于存储所述轨迹数据中轨迹数据和属性的轨迹段单元。
优选的技术方案，所述轨迹段单元包括用于存储所述轨迹数据中轨迹数据的子轨迹段单元。
本发明公开一种基于红外相机技术的生物行为轨迹分析系统，具有以下优点：
红外相机记录了照片的拍摄时间，这些信息可以用来开展更细致深入的动物活动格局分析。在这些分析中，可以得到物种在春、夏、秋、冬四季的不同活动格局及日活动格局，还可以就同域物种、不同性别进行对比分析。
物种在空间上的活动格局体现在不同物种对生境的选择和利用。通过合理布样来获取红外相机照片数据，可反映不同物种的生境需求，或同一物种的多个生境需求。
红外相机在动物出现时的快速拍摄，有效记录了动物行为，积累了较多野生动物行为素材。当监测时间够长、红外相机数据量够大时，就可对物种的行为进行归纳和统计分析，分析出动物活动行为差异性。
在分析图像、语音等数据提取原理之后，利用先进的生物行为数据获取方式和语音识别技术，设计并实现了生物行为数据和分布轨迹提取工具。在对提取到轨迹信息呈现的时候，调用了标准的地图服务，实现了轨迹分布的图形化展示，凭借地图上路线的描述来显示生物行为动作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例所述一种基于红外相机技术的生物行为轨迹分析系统，该处理框架分为三层：存储层、轨迹管理层及接口层。首先，将存储在HDFS文件系统的原始轨迹数据进行必要的数据清洗、轨迹分段后导入到HDFS轨迹数据模型中存储。然后，在接口层查询时，直接从轨迹管理层获取轨迹段进行距离计算和轨迹KNN查询。
存储层：存储层使用HDFS分布式文件系统，将轨迹管理层包含的三个对象分别存储到移动对象、点对象和轨迹对象的目录下，面对不同类型轨迹数据或者新数据的插入时只需更新移动对象和点对象id。轨迹对象则按日期分别存储在不同的HDFS目录下。
轨迹管理层：轨迹管理层负责将时空数据进行轨迹模型建模和管理。将原始轨迹数据经过清洗、分段等处理，导入到轨迹数据模型并存储。管理层模型会对移动对象、点对象、轨迹对象分别建立索引。其中轨迹对象又分为轨迹段和子轨迹段，每个移动对象的子轨迹段id及属性集合构成该对象的轨迹段，即轨迹段又是对子轨迹段的一种索引。经过这样的处理，将复杂无序的原始时空数据整理成有序的、具有语义的小分段，可以很大程度的提升子轨迹管理和检索的效率，并降低轨迹计算的复杂度。该过程采用MapReduce分布式运行，可以进行批量的离线计算，对实时性要求不高。
接口层：接口层在轨迹段和子轨迹段对象的基础上，提供轨迹的有序KNN查询。用户输入一个或多个查询点返回距离最近的K条轨迹段，查询点可以是地点坐标，也可以是一条轨迹上的所有点，或者是用点表示的路线。然后计算点到轨迹段的投影距离，使用K-BCT算法查找距离最近的轨迹段。
可以理解的，在对红外相机生成原始轨迹数据处理过程还包括：
预处理特征提取
对采集的声音和图像数据做如下处理，包括采样和量化、预加重、分帧、加窗、端点检测、特征提取以及倒谱平均减处理。采样和量化将音频和视频信号做数字化处理，预加重是用具有多倍频程的提升高频特性的预加重数字滤波器实现，以克服由于语音信号的平均功率谱受声门激励和口鼻辐射的影响。分帧、加窗后可使语音信号体现出短时平稳性，以便后续处理；端点检测判别出了语音段的起始帧和结束帧，保证了声音采集装置采集的语音数据为一段完整语音。
a)图像预处理
预处理图像特征提取可以分为自然特征和人工特征两种。前者可以由图像的视觉表现来确定，而后者则是对图像进行专门处理和测量的结果。不管是哪种特征，它都是具有某种分布特性的属性，如颜色、面积、欧拉数、边界周长、特定形状等。适当地选择特征非常重要，因为在识别对象时它是唯一的依据。特征提取则是对模式所包含的输入信息进行处理和分析，将不易受随机因素干扰的信息作为该模式的特征提取出来。提取的过程是去除冗余信息的过程，具有提高识别精度，减少运算量和提高运算速度的作用。
b)视频预处理
像素差异法：首先定义一个像素差异测度，然后计算连续两帧图像的帧间差异并用其与一个预先设定的阈值作比较，大于该阈值，则认为场景发生了改变。
基于直方图的方法：基于直方图的算法是最普遍的场景分割方法，它处理起来简单方便，而且对于大多数视频，能达到比较好的效果。基于直方图的方法将相邻帧的各个像素的灰度、亮度或颜色等分成N个等级，再针对每个等级统计像素数做成直方图比较。该方法统计了总体的灰度或颜色分布数量，它对镜头内的运动和摄像机的慢速运动有着良好的容忍能力，只是在镜头内容快速变化和镜头渐变时可能会引起误检或漏检。
块匹配法：基于块匹配的方法先将每一帧图像划分成小的区域块，连续帧之间的相似性通过比较对应的块来进行判断，该方法利用了图像的局部特征来抑制噪声以及摄像机及物体运动的影响。
基于运动的方法：基于运动的算法充分考虑了同一镜头内对象及摄像机的运动情况和特征，通过运动补偿等方法来减小对象和摄像机运动造成的镜头内帧差值的变化。
基于轮廓的方法：对画面简单的视频进行分割时，基于轮廓的算法效果很好，在渐变镜头的检测上尤为突出。但是，大多数的视频中主要对象或背景可能都有很多复杂、细微或不断变化的轮廓，会干扰对镜头边缘的判断，造成误检；而在光线比较暗和轮廓不是很明显的情况下(如晚上和雾中)，由于难以检测到轮廓又会造成漏检。
关键帧是指代表镜头中最重要的、有代表性的一幅或多幅图像。依据镜头内容的复杂程度，可以从一个镜头中提取一个或多个关键帧。关键帧的选取要包含本镜头的主要信息。视频的基本特征可分为静态特征和动态特征。
轨迹聚类分析
聚类方法作为一种常用的数据挖掘技术，可以有效地用于生物行为数据中进行分布轨迹的提取。利用一种K均值聚类的方法从生物分布轨迹数据中发现一些关键位置。点之间的距离沿轨迹进行计算而非采用传统的欧式距离，然后基于速度指标进行停留点和移动点的区分，从而发现特征点。停留点是生物分布轨迹最重要的特征之一，它隐含了丰富的空间结构信息和行为规律信息。结合生物运动轨迹数据，对生物的停留点加以分析挖掘，能够得到极具价值的生物行为特征规律。通过人工方式采集热点区域的经纬度信息，并与停留点的经纬度进行比对，实现更为精确的停留点经纬度解析，为提取生物行为规律和轨迹分布提供基础。
聚类分析是一种定量方法，它是对多个样本进行定量分析的多元统计分析方法，可以分为两种：对样本进行分类称为Q型聚类分析、对指标进行分类称为R型聚类分析、从数据挖掘的角度看，又可以大致分为四种：划分聚类、层次聚类、基于密度的聚类、基于网格的聚类。
划分聚类：给定一个n个对象的集合，划分方法构建数据的k个分区，其中每个分区表示一个族(族)。大部分划分方法是基于距离的，给定要构建的k个分区数，划分方法首先创建一个初始划分，然后使用一种迭代的重定位技术将各个样本重定位，直到满足条件为止。
层次聚类：层次聚类可以分为凝聚和分裂的方法；凝聚也称自底向上法，开始便将每个对象单独为一个族，然后逐次合并相近的对象，直到所有组被合并为一个族或者达到迭代停止条件为止。分裂也称自顶向下，开始将所有样本当成一个族，然后迭代分解成更小的值。
基于密度的聚类：其主要思想是只要“邻域”中的密度(对象或数据点的数目)超过某个阈值，就继续增长给定的族。也就是说，对给定族中的每个数据点，在给定半径的邻域中必须包含最少数目的点。这样的主要好处就是过滤噪声，剔除离群点。
基于网格的聚类：它把对象空间量化为有限个单元，形成一个网格结构，所有的聚类操作都在这个网格结构中进行，这样使得处理的时间独立于数据对象的个数，而仅依赖于量化空间中每一维的单元数。
划分聚类是基于距离的，可以使用均值或者中心点等代表族中心，对中小规模的数据有效；而层次聚类是一种层次分解，不能纠正错误的合并或划分，但可以集成其他的技术；基于密度的聚类可以发现任意形状的族，族密度是每个点的“邻域”内必须具有最少个数的点，可以过滤离群点；基于网格的聚类使用一种多分辨率网格数据结构，能快速处理数据。…解释说明…。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.基于红外相机技术的生物行为轨迹分析系统，其特征在于，包括：
红外相机，用于在动物出现时快速拍摄并记录相应的拍摄时间，生成原始轨迹数据；
存储层单元，用于按日期分别存储所述红外相机生成的原始轨迹数据，所述存储层单元和所述红外相机通讯连接；
轨迹管理层单元，用于对所述存储层单元存储的原始轨迹数据进行轨迹模型建模和管理，生成轨迹数据并存储，所述存储层单元和所述轨迹管理层单元通讯连接；
接口层单元，用于对存储的轨迹数据提供有序KNN查询，所述接口层单元和所述轨迹管理层单元通讯连接。
2.根据权利要求1所述基于红外相机技术的生物行为轨迹分析系统，其特征在于：所述存储层单元包括
移动对象目录单元，用于存储所述原始轨迹数据中的移动对象数据；
点对象目录单元，用于存储所述原始轨迹数据中的点对象数据；
轨迹对象目录单元，用于存储所述原始轨迹数据中的轨迹对象数据。
3.根据权利要求1所述基于红外相机技术的生物行为轨迹分析系统，其特征在于：所述轨迹管理层单元包括
移动对象索引单元，用于存储所述轨迹数据中的移动对象数据；
点对象索引单元，用于存储所述轨迹数据中的点对象数据；
轨迹对象索引单元，用于存储所述轨迹数据中的轨迹对象数据。
4.根据权利要求1所述基于红外相机技术的生物行为轨迹分析系统，其特征在于：所述轨迹对象索引单元包括用于存储所述轨迹数据中轨迹数据和属性的轨迹段单元。
5.根据权利要求4所述基于红外相机技术的生物行为轨迹分析系统，其特征在于：所述轨迹段单元包括用于存储所述轨迹数据中轨迹数据的子轨迹段单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010042705.5A CN111242978A (zh) | 2020-01-15 | 2020-01-15 | 基于红外相机技术的生物行为轨迹分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010042705.5A CN111242978A (zh) | 2020-01-15 | 2020-01-15 | 基于红外相机技术的生物行为轨迹分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111242978A true CN111242978A (zh) | 2020-06-05 |
Family
ID=70879470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010042705.5A Pending CN111242978A (zh) | 2020-01-15 | 2020-01-15 | 基于红外相机技术的生物行为轨迹分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111242978A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111739056A (zh) * | 2020-06-23 | 2020-10-02 | 杭州海康威视数字技术股份有限公司 | 一种轨迹追踪系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221344A (zh) * | 2008-01-29 | 2008-07-16 | 中国航天员科研训练中心 | 动物运动轨迹红外监测方法 |
| US8948501B1 (en) * | 2009-12-22 | 2015-02-03 | Hrl Laboratories, Llc | Three-dimensional (3D) object detection and multi-agent behavior recognition using 3D motion data |
| CN106911914A (zh) * | 2017-02-28 | 2017-06-30 | 中国科学院城市环境研究所 | 红外热成像动物活动追踪系统 |
| JP2017194760A (ja) * | 2016-04-18 | 2017-10-26 | 株式会社スカイシーカー | 動物生息状況調査方法および動物生息状況調査システム |
| CN108875716A (zh) * | 2018-09-07 | 2018-11-23 | 杭州善贾科技有限公司 | 一种人体运动轨迹追踪检测摄像系统 |
| CN109674447A (zh) * | 2018-11-28 | 2019-04-26 | 广州科文特信息科技有限公司 | 夜间野生动物红外轨迹感应器 |
| JP2019101892A (ja) * | 2017-12-06 | 2019-06-24 | 日本放送協会 | オブジェクト追跡装置及びそのプログラム |
| US10451712B1 (en) * | 2019-03-11 | 2019-10-22 | Plato Systems, Inc. | Radar data collection and labeling for machine learning |
-
2020
- 2020-01-15 CN CN202010042705.5A patent/CN111242978A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221344A (zh) * | 2008-01-29 | 2008-07-16 | 中国航天员科研训练中心 | 动物运动轨迹红外监测方法 |
| US8948501B1 (en) * | 2009-12-22 | 2015-02-03 | Hrl Laboratories, Llc | Three-dimensional (3D) object detection and multi-agent behavior recognition using 3D motion data |
| JP2017194760A (ja) * | 2016-04-18 | 2017-10-26 | 株式会社スカイシーカー | 動物生息状況調査方法および動物生息状況調査システム |
| CN106911914A (zh) * | 2017-02-28 | 2017-06-30 | 中国科学院城市环境研究所 | 红外热成像动物活动追踪系统 |
| JP2019101892A (ja) * | 2017-12-06 | 2019-06-24 | 日本放送協会 | オブジェクト追跡装置及びそのプログラム |
| CN108875716A (zh) * | 2018-09-07 | 2018-11-23 | 杭州善贾科技有限公司 | 一种人体运动轨迹追踪检测摄像系统 |
| CN109674447A (zh) * | 2018-11-28 | 2019-04-26 | 广州科文特信息科技有限公司 | 夜间野生动物红外轨迹感应器 |
| US10451712B1 (en) * | 2019-03-11 | 2019-10-22 | Plato Systems, Inc. | Radar data collection and labeling for machine learning |
Non-Patent Citations (4)
| Title |
|---|
| 汪鲁才;易锡年;陈小天;: "基于自适应跟踪窗的红外小目标跟踪方法", no. 08 * |
| 罗泽;阎保平;: "青海湖区域重要野生鸟类监测与空间分布格局研究示范应用", no. 18 * |
| 蔡一欣;马丽;刘刚;: "基于LabVIEW的生猪群体活动量监测系统", no. 1 * |
| 边馥苓: "时空大数据的技术与方法", 北京：测绘出版社, pages: 83 - 90 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111739056A (zh) * | 2020-06-23 | 2020-10-02 | 杭州海康威视数字技术股份有限公司 | 一种轨迹追踪系统 |
| CN111739056B (zh) * | 2020-06-23 | 2024-02-13 | 杭州海康威视数字技术股份有限公司 | 一种轨迹追踪系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
| CN106354816B (zh) | 一种视频图像处理方法及装置 | |
| Ham et al. | Automated content-based filtering for enhanced vision-based documentation in construction toward exploiting big visual data from drones | |
| CN101315631B (zh) | 一种新闻视频故事单元关联方法 | |
| US8467611B2 (en) | Video key-frame extraction using bi-level sparsity | |
| US20120148149A1 (en) | Video key frame extraction using sparse representation | |
| US9626585B2 (en) | Composition modeling for photo retrieval through geometric image segmentation | |
| Liu et al. | Super-pixel cloud detection using hierarchical fusion CNN | |
| CN103201769A (zh) | 图像处理装置、图像处理方法、程序、集成电路 | |
| CN112287753B (zh) | 一种基于机器学习提升人脸识别精度的系统及其算法 | |
| Omidyeganeh et al. | Video keyframe analysis using a segment-based statistical metric in a visually sensitive parametric space | |
| CN115131760B (zh) | 一种基于改进特征匹配策略的轻量级车辆追踪方法 | |
| CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
| CN110796494B (zh) | 一种客群识别方法及装置 | |
| CN110309810A (zh) | 一种基于批次中心相似度的行人重识别方法 | |
| CN114937306A (zh) | 一种基于人脸聚类的目标追踪方法及系统 | |
| CN113963303A (zh) | 图像处理方法、视频识别方法、装置、设备及存储介质 | |
| CN116580333A (zh) | 基于YOLOv5和改进StrongSORT的粮库车辆追踪方法 | |
| Kota et al. | Automated detection of handwritten whiteboard content in lecture videos for summarization | |
| CN113255697B (zh) | 复杂场景下的高精度高空抛物检测系统及方法 | |
| Papapetros et al. | Visual loop-closure detection via prominent feature tracking | |
| CN111242978A (zh) | 基于红外相机技术的生物行为轨迹分析系统 | |
| CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
| Brindha et al. | Bridging semantic gap between high-level and low-level features in content-based video retrieval using multi-stage ESN–SVM classifier | |
| Japar et al. | Coherent group detection in still image |
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: 20200605 |