CN111274872A - 基于模板匹配的视频监控动态不规则多监管区域判别方法 - Google Patents
基于模板匹配的视频监控动态不规则多监管区域判别方法 Download PDFInfo
- Publication number
- CN111274872A CN111274872A CN202010017963.8A CN202010017963A CN111274872A CN 111274872 A CN111274872 A CN 111274872A CN 202010017963 A CN202010017963 A CN 202010017963A CN 111274872 A CN111274872 A CN 111274872A
- Authority
- CN
- China
- Prior art keywords
- supervision
- area
- video monitoring
- template
- target
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Abstract
本发明涉及图像处理、计算机视觉与深度学习,属于智能安防领域;包括模板生成、目标检测、区域判别;目标检测对输入视频监控图像进行处理,检测出目标在图像中的坐标,并将坐标信息输入到区域判别,区域判别根据目标坐标信息,通过模板生成生成的监管区域模板,判别出目标所处监管区域的监管等级;本发明可实现视频监控场景下,目标所处监管区域的监管等级判别,主动预防监管区域违规闯入,提供安全保障。符合实际需求,实施方便,易于推广应用。
Description
技术领域
本发明涉及图像处理、计算机视觉与深度学习,属于智能安防领域。
背景技术
目前,在工业生产中,经常存在一些禁止人员靠近的高危险区域,如皮带通廊、高压变电箱、高温锅炉等,为了保障人员安全,企业通常采用视频监控的方式进行安全监管,虽然是实时监控,但是存在着视频监控值守人员注意力易分散、危险响应滞后等缺点。
随着深度学习技术、计算机视觉技术、图像处理技术的快速发展,逐渐出现了视频监控智能处理方法,能够判断视频监控中是否存在物体运动或者简单目标识别,但在工业环境中,视频监控场景复杂,现有方法并不能满足要求。
发明内容
本发明克服了上述现有技术的不足,提供了一种基于模板匹配的视频监控动态不规则多监管区域判别方法;本发明采用深度学习与模板匹配的实时目标监管区域判别方法,应用于工业生产领域高危险作业环境下的安全保障,针对视频监控图像进行目标检测,对目标所属监管区域进行判别,提醒视频监控值守人员注意,从而降低安全事故的发生概率,保障生产安全。
本发明的技术方案:
基于模板匹配的视频监控动态不规则多监管区域判别方法,包括模板生成方法、目标检测方法和区域判别方法,目标检测方法对输入视频监控图像进行处理,检测出目标在图像中的坐标,并将坐标信息输入到区域判别方法,区域判别方法根据目标坐标信息,通过模板生成方法生成的监管区域模板,判别出目标所处监管区域的监管等级。
进一步地、所述模板生成方法用于生成监管区域模板,模板生成方法的生成步骤为:
步骤1,生成一个全零的数值矩阵,矩阵的行数等于视频监控图像的宽边像素个数,矩阵的列数等于视频监控图像的长边像素个数,作为监管区域模板;
步骤2,在视频监控图像中选取一个封闭区域作为监管区域,得到该监管区域像素的坐标集合;
步骤3,将监管区域模板中属于该坐标集合的数值设置为该监管区域的监管等级,如该监管区域的监管等级为等级n,n=1,2,...N,N为最大监管等级,则监管区域模板中属于该坐标集合的数值设置为n;
步骤4,循环选取监管区域与设置数值,直至模板生成结束,监管区域模板用于区域判别方法的模板匹配。
进一步地、所述目标检测方法检测出目标在视频监控图像中的坐标,目标检测方法包括以下三个步骤:
步骤a,图像获取模块,通过摄像头IP地址,获取摄像头视频监控图像;
步骤b,图像预处理模块,将获取的视频监控图像进行降噪、去雾、增亮等预处理;
步骤c,目标检测模块,通过基于深度学习的Faster R-CNN方法,利用已训练好的识别模型,进行目标检测,获取目标在视频监控图像中的坐标信息。
进一步地、所述区域判别方法根据目标检测方法获取的目标在视频监控图像中的坐标,获取监管区域模板在相同坐标下的数值n',若n'=0,则判断目标处于非监管区域,否则判断目标所处监管区域的监管等级为n'。
进一步地、所述模板生成方法生成的监管区域模板用于区域判别方法的模板匹配,模板生成方法生成监管区域模板的过程是动态的,监控区域是不规则的封闭区域,同一个视频监控下的监控区域种类和数目均可以是多个。
进一步地、所述目标检测方法检测视频监控图像中是否有目标出现,若目标出现,则将目标在图像中的坐标信息输入到区域判别方法。
进一步地、所述区域判别方法根据目标坐标信息,通过模板生成方法生成的监管区域模板,判别目标所处监管区域等级。
进一步地、所述监管区域模板是数值矩阵,矩阵的行数等于视频监控图像的宽边像素个数,矩阵的列数等于视频监控图像的长边像素个数。
进一步地、所述监管区域模板在视频监控图像中监管区域对应位置的数值为该监管区域的监管等级,非监管区域对应位置的数值为0。
进一步地、所述目标检测方法基于深度学习的Faster R-CNN方法进行目标自动检测。
本发明相对于现有技术具有以下有益效果:
1.本发明通过对视频监控图像的智能化处理,识别出视频监控中出现的目标,判断目标是否处于监管区域,主动预防监管区域违规闯入,提供安全保障。
2.本发明创新性的提出用模板匹配的方法进行目标区域判别,简化了方法设计,减少计算量,具有一定的方法优越性,适合在工业高危环境下预防现场人员进入危险区域,大幅度缩短应急处理时间,一定程度地降低安全事故率。
3.本发明利用图像处理技术、深度学习技术,实时检测目标,更好的满足不同视频监控场景的复杂需求,对视角变化、仿射变换、噪声保持一定程度的稳定性。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过发明的实践了解到。
附图说明
图1是基于模板匹配的视频监控动态不规则多监管区域判别方法的流程图;
图2是本发明的模板生成方法流程图;
图3是本发明的方法总体流程图。
具体实施方式
以下将结合附图对本发明进行详细说明。
结合图1和图3说明本实施例,在本实施例中,本实施例所涉及的基于模板匹配的视频监控动态不规则多监管区域判别方法,包括模板生成方法、目标检测方法和区域判别方法,目标检测方法对输入视频监控图像进行处理,检测出目标在图像中的坐标,并将坐标信息输入到区域判别方法,区域判别方法根据目标坐标信息,通过模板生成方法生成的监管区域模板,判别出目标所处监管区域的监管等级。
结合图1和图3说明本实施例,在本实施例中,本实施例所涉及的基于模板匹配的视频监控动态不规则多监管区域判别方法,所述模板生成方法用于生成监管区域模板,模板生成方法的生成步骤为:
步骤1,生成一个全零的数值矩阵,矩阵的行数等于视频监控图像的宽边像素个数,矩阵的列数等于视频监控图像的长边像素个数,作为监管区域模板;
步骤2,在视频监控图像中选取一个封闭区域作为监管区域,得到该监管区域像素的坐标集合;
步骤3,将监管区域模板中属于该坐标集合的数值设置为该监管区域的监管等级,如该监管区域的监管等级为等级n,n=1,2,...N,N为最大监管等级,则监管区域模板中属于该坐标集合的数值设置为n;
步骤4,循环选取监管区域与设置数值,直至模板生成结束,监管区域模板用于区域判别方法的模板匹配。
结合图1和图3说明本实施例,在本实施例中,本实施例所涉及的基于模板匹配的视频监控动态不规则多监管区域判别方法,所述目标检测方法检测出目标在视频监控图像中的坐标,目标检测方法包括以下三个步骤:
步骤a,图像获取模块,通过摄像头IP地址,获取摄像头视频监控图像;
步骤b,图像预处理模块,将获取的视频监控图像进行降噪、去雾、增亮等预处理;
步骤c,目标检测模块,通过基于深度学习的Faster R-CNN方法,利用已训练好的识别模型,进行目标检测,获取目标在视频监控图像中的坐标信息。
结合图1和图3说明本实施例,在本实施例中,本实施例所涉及的基于模板匹配的视频监控动态不规则多监管区域判别方法,所述区域判别方法根据目标检测方法获取的目标在视频监控图像中的坐标,获取监管区域模板在相同坐标下的数值n',若n'=0,则判断目标处于非监管区域,否则判断目标所处监管区域的监管等级为n'。
更为具体地:所述模板生成方法生成的监管区域模板用于区域判别方法的模板匹配,模板生成方法生成监管区域模板的过程是动态的,监控区域是不规则的封闭区域,同一个视频监控下的监控区域种类和数目均可以是多个。
更为具体地:所述目标检测方法检测视频监控图像中是否有目标出现,若目标出现,则将目标在图像中的坐标信息输入到区域判别方法,通过对视频监控图像的智能化处理,识别出视频监控中出现的目标,判断目标是否处于监管区域,主动预防监管区域违规闯入,提供安全保障。
更为具体地:所述区域判别方法根据目标坐标信息,通过模板生成方法生成的监管区域模板,判别目标所处监管区域等级,提出用模板匹配的方法进行目标区域判别,简化了方法设计,减少计算量,具有一定的方法优越性,适合在工业高危环境下预防现场人员进入危险区域,大幅度缩短应急处理时间,一定程度地降低安全事故率。
更为具体地:所述监管区域模板是数值矩阵,矩阵的行数等于视频监控图像的宽边像素个数,矩阵的列数等于视频监控图像的长边像素个数。
更为具体地:所述监管区域模板在视频监控图像中监管区域对应位置的数值为该监管区域的监管等级,非监管区域对应位置的数值为0。
更为具体地:所述目标检测方法基于深度学习的Faster R-CNN方法进行目标自动检测,本发明利用图像处理技术、深度学习技术,实时检测目标,更好的满足不同视频监控场景的复杂需求,对视角变化、仿射变换、噪声保持一定程度的稳定性。
结合图1所示,基于模板匹配的视频监控动态不规则多监管区域判别方法中的模板生成方法的具体方法步骤为:
步骤1.生成一个全零的数值矩阵,矩阵的行数等于视频监控图像的宽边像素个数,矩阵的列数等于视频监控图像的长边像素个数,作为监管区域模板;
步骤2.在视频监控图像中选取一个不规则封闭区域作为监管区域,得到该监管区域像素的坐标集合(X,Y);
步骤3.将监管区域模板中属于(X,Y)坐标的数值设置为该监管区域的监管等级;
步骤4.判断模板生成是否结束,若未结束,则执行步骤2,否则,方法运行结束。
结合图2所示,基于模板匹配的视频监控动态不规则多监管区域判别方法的具体方法步骤为:
步骤a.通过摄像头IP地址,获取实时视频流;
步骤b.判断视频输入是否结束,若是,则方法运行结束,否则执行步骤c;
步骤c.获取下一帧摄像头视频监控图像;
步骤d.将获取的视频监控图像进行降噪、去雾、增亮等预处理;
步骤e.通过基于深度学习的Faster R-CNN方法,利用已训练好的识别模型,进行目标检测,若有目标则执行步骤f,否则执行步骤b;
步骤f.获取目标在视频监控图像中的坐标(x,y);
步骤g.获取监管区域模板在(x,y)坐标下的数值J,若J≠0,则执行步骤h,否则执行步骤b;
步骤h.获取目标所处监管区域的监管等级为J,执行步骤b;
以上实施例只是对本专利的示例性说明,并不限定它的保护范围,本领域技术人员还可以对其局部进行改变,只要没有超出本专利的精神实质,都在本专利的保护范围内。
Claims (10)
1.基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:包括模板生成方法、目标检测方法和区域判别方法,目标检测方法对输入视频监控图像进行处理,检测出目标在图像中的坐标,并将坐标信息输入到区域判别方法,区域判别方法根据目标坐标信息,通过模板生成方法生成的监管区域模板,判别出目标所处监管区域的监管等级。
2.根据权利要求1所述的基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:所述模板生成方法用于生成监管区域模板,模板生成方法的生成步骤为:
步骤1,生成一个全零的数值矩阵,矩阵的行数等于视频监控图像的宽边像素个数,矩阵的列数等于视频监控图像的长边像素个数,作为监管区域模板;
步骤2,在视频监控图像中选取一个封闭区域作为监管区域,得到该监管区域像素的坐标集合;
步骤3,将监管区域模板中属于该坐标集合的数值设置为该监管区域的监管等级,如该监管区域的监管等级为等级n,n=1,2,...N,N为最大监管等级,则监管区域模板中属于该坐标集合的数值设置为n;
步骤4,循环选取监管区域与设置数值,直至模板生成结束,监管区域模板用于区域判别方法的模板匹配。
3.根据权利要求1所述的基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:所述目标检测方法检测出目标在视频监控图像中的坐标,目标检测方法包括以下三个步骤:
步骤a,图像获取模块,通过摄像头IP地址,获取摄像头视频监控图像;
步骤b,图像预处理模块,将获取的视频监控图像进行降噪、去雾、增亮等预处理;
步骤c,目标检测模块,通过基于深度学习的Faster R-CNN方法,利用已训练好的识别模型,进行目标检测,获取目标在视频监控图像中的坐标信息。
4.根据权利要求1所述的基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:所述区域判别方法根据目标检测方法获取的目标在视频监控图像中的坐标,获取监管区域模板在相同坐标下的数值n',若n'=0,则判断目标处于非监管区域,否则判断目标所处监管区域的监管等级为n'。
5.根据权利要求2所述的基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:所述模板生成方法生成的监管区域模板用于区域判别方法的模板匹配,模板生成方法生成监管区域模板的过程是动态的,监控区域是不规则的封闭区域,同一个视频监控下的监控区域种类和数目均可以是多个。
6.根据权利要求3所述的基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:所述目标检测方法检测视频监控图像中是否有目标出现,若目标出现,则将目标在图像中的坐标信息输入到区域判别方法。
7.根据权利要求3所述的基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:所述区域判别方法根据目标坐标信息,通过模板生成方法生成的监管区域模板,判别目标所处监管区域等级。
8.根据权利要求5所述的基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:所述监管区域模板是数值矩阵,矩阵的行数等于视频监控图像的宽边像素个数,矩阵的列数等于视频监控图像的长边像素个数。
9.根据权利要求5所述的基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:所述监管区域模板在视频监控图像中监管区域对应位置的数值为该监管区域的监管等级,非监管区域对应位置的数值为0。
10.根据权利要求6所述的基于模板匹配的视频监控动态不规则多监管区域判别方法,其特征在于:所述目标检测方法基于深度学习的Faster R-CNN方法进行目标自动检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017963.8A CN111274872B (zh) | 2020-01-08 | 2020-01-08 | 基于模板匹配的视频监控动态不规则多监管区域判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017963.8A CN111274872B (zh) | 2020-01-08 | 2020-01-08 | 基于模板匹配的视频监控动态不规则多监管区域判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274872A true CN111274872A (zh) | 2020-06-12 |
CN111274872B CN111274872B (zh) | 2023-08-22 |
Family
ID=70998838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010017963.8A Active CN111274872B (zh) | 2020-01-08 | 2020-01-08 | 基于模板匹配的视频监控动态不规则多监管区域判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274872B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113194280A (zh) * | 2021-01-25 | 2021-07-30 | 深圳市奔凯安全技术股份有限公司 | 安防区域的安防等级生成方法、装置、存储设备及电子设备 |
CN113743406A (zh) * | 2021-09-08 | 2021-12-03 | 庆阳瑞华能源有限公司 | 一种基于深度学习的用于生产安全的人员检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320505A (zh) * | 2008-07-04 | 2008-12-10 | 浙江大学 | 基于多路网络视频流并行处理的分区视频监控方法 |
WO2012097555A1 (zh) * | 2011-01-19 | 2012-07-26 | 中兴通讯股份有限公司 | 视频监控方法及监控终端 |
CN104574340A (zh) * | 2013-10-18 | 2015-04-29 | 上海睿穹信息科技有限公司 | 一种基于历史图像的视频入侵检测方法 |
CN106204613A (zh) * | 2016-07-20 | 2016-12-07 | 中国科学院自动化研究所 | 基于低秩矩阵表示的图像前景物体检测方法及检测系统 |
CN106331636A (zh) * | 2016-08-31 | 2017-01-11 | 东北大学 | 基于行为事件触发的输油管道智能视频监控系统及方法 |
US20170039431A1 (en) * | 2015-08-03 | 2017-02-09 | Beijing Kuangshi Technology Co., Ltd. | Video monitoring method, video monitoring apparatus and video monitoring system |
WO2017054455A1 (zh) * | 2015-09-30 | 2017-04-06 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统 |
CN109068105A (zh) * | 2018-09-20 | 2018-12-21 | 王晖 | 一种基于深度学习的监狱视频监控方法 |
CN109257569A (zh) * | 2018-10-24 | 2019-01-22 | 广东佳鸿达科技股份有限公司 | 安防视频监控分析方法 |
CN110188718A (zh) * | 2019-06-04 | 2019-08-30 | 南京大学 | 一种基于关键帧和联合稀疏表示的无约束人脸识别方法 |
CN110287875A (zh) * | 2019-06-25 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 视频目标的检测方法、装置、电子设备和存储介质 |
-
2020
- 2020-01-08 CN CN202010017963.8A patent/CN111274872B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320505A (zh) * | 2008-07-04 | 2008-12-10 | 浙江大学 | 基于多路网络视频流并行处理的分区视频监控方法 |
WO2012097555A1 (zh) * | 2011-01-19 | 2012-07-26 | 中兴通讯股份有限公司 | 视频监控方法及监控终端 |
CN104574340A (zh) * | 2013-10-18 | 2015-04-29 | 上海睿穹信息科技有限公司 | 一种基于历史图像的视频入侵检测方法 |
US20170039431A1 (en) * | 2015-08-03 | 2017-02-09 | Beijing Kuangshi Technology Co., Ltd. | Video monitoring method, video monitoring apparatus and video monitoring system |
WO2017054455A1 (zh) * | 2015-09-30 | 2017-04-06 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN106204613A (zh) * | 2016-07-20 | 2016-12-07 | 中国科学院自动化研究所 | 基于低秩矩阵表示的图像前景物体检测方法及检测系统 |
CN106331636A (zh) * | 2016-08-31 | 2017-01-11 | 东北大学 | 基于行为事件触发的输油管道智能视频监控系统及方法 |
CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统 |
CN109068105A (zh) * | 2018-09-20 | 2018-12-21 | 王晖 | 一种基于深度学习的监狱视频监控方法 |
CN109257569A (zh) * | 2018-10-24 | 2019-01-22 | 广东佳鸿达科技股份有限公司 | 安防视频监控分析方法 |
CN110188718A (zh) * | 2019-06-04 | 2019-08-30 | 南京大学 | 一种基于关键帧和联合稀疏表示的无约束人脸识别方法 |
CN110287875A (zh) * | 2019-06-25 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 视频目标的检测方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
俞文静等: "视频监控图像目标运动轨迹智能增强方法仿真", 《计算机仿真》, no. 12 * |
王浩明等: "一种基于三角形区域生长的图像篡改检测方法", 《武汉大学学报(理学版)》, no. 05 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113194280A (zh) * | 2021-01-25 | 2021-07-30 | 深圳市奔凯安全技术股份有限公司 | 安防区域的安防等级生成方法、装置、存储设备及电子设备 |
CN113194280B (zh) * | 2021-01-25 | 2023-04-18 | 深圳市奔凯安全技术股份有限公司 | 安防区域的安防等级生成方法、装置、存储设备及电子设备 |
CN113743406A (zh) * | 2021-09-08 | 2021-12-03 | 庆阳瑞华能源有限公司 | 一种基于深度学习的用于生产安全的人员检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111274872B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100504910C (zh) | 人的检测方法和设备 | |
CN108764058B (zh) | 一种基于热成像效应的双摄像头人脸活体检测方法 | |
CN107679471B (zh) | 基于视频监控平台的室内人员空岗检测方法 | |
KR101824446B1 (ko) | 강화 학습 기반 cctv용 차량 번호 인식 방법 | |
CN111161312B (zh) | 一种基于计算机视觉的物体轨迹追踪识别装置及系统 | |
WO2018161849A1 (zh) | 一种基于图像水纹的落水报警系统及其方法 | |
CN110378179A (zh) | 基于红外热成像的地铁逃票行为检测方法及系统 | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN111274872B (zh) | 基于模板匹配的视频监控动态不规则多监管区域判别方法 | |
CN107368786B (zh) | 一种基于机器视觉的乘客越过扶手带检测方法 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
CN110472574A (zh) | 一种检测着装不规范的方法、装置及系统 | |
JPH07181012A (ja) | 画像データの特徴量検出装置 | |
CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
Lin et al. | A face tracking method using feature point tracking | |
CN113657250A (zh) | 一种基于监控视频的火焰检测方法及系统 | |
KR20210013865A (ko) | 생성적 대립 네트워크를 이용한 사람의 비정상 행동 탐지 시스템 및 방법 | |
CN111325073A (zh) | 基于运动信息聚类的监控视频异常行为检测方法 | |
CN111191631A (zh) | 基于图像域模板匹配的视频监控监管区域多设备联动方法 | |
Sun et al. | A real-time video surveillance and state detection approach for elevator cabs | |
CN111881863B (zh) | 一种区域群体异常行为检测方法 | |
Kumagai et al. | Improving Accuracy of Traffic Sign Detection Using Learning Method | |
Ou et al. | Analysis of People Flow Image Detection System Based on Computer Vision Sensor | |
CN111985331A (zh) | 预防商业秘密被窃照的检测方法及装置 | |
Wang et al. | Pedestrian fall action detection and alarm in video surveillance |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |