CN111291735A - 基于轨迹分析的井下人员奔跑异常行为检测方法 - Google Patents

基于轨迹分析的井下人员奔跑异常行为检测方法 Download PDF

Info

Publication number
CN111291735A
CN111291735A CN202010360336.4A CN202010360336A CN111291735A CN 111291735 A CN111291735 A CN 111291735A CN 202010360336 A CN202010360336 A CN 202010360336A CN 111291735 A CN111291735 A CN 111291735A
Authority
CN
China
Prior art keywords
track
frame
target
trajectory
image
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
Application number
CN202010360336.4A
Other languages
English (en)
Other versions
CN111291735B (zh
Inventor
黄鑫
王静宜
瞿开毅
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.)
Huaxia Tianxin IOT Technology Co.,Ltd.
Original Assignee
Huaxia Tianxin Beijing Intelligent Low Carbon Technology Research Institute 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 Huaxia Tianxin Beijing Intelligent Low Carbon Technology Research Institute Co ltd filed Critical Huaxia Tianxin Beijing Intelligent Low Carbon Technology Research Institute Co ltd
Priority to CN202010360336.4A priority Critical patent/CN111291735B/zh
Publication of CN111291735A publication Critical patent/CN111291735A/zh
Application granted granted Critical
Publication of CN111291735B publication Critical patent/CN111291735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • 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
    • G06V20/48—Matching video sequences
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于轨迹分析的井下人员奔跑异常行为检测方法，通过采用计算机视觉技术对监控摄像头进行实时分析，检测井下人员奔跑异常行为，本发明通过ORB图像关键点检测及Lucas‑Kanade光流跟踪技术提取运动目标并进行实时跟踪，通过对目标运动轨迹进行统计分析，提取运动目标速度和轨迹波动特征，能够有效判别人员奔跑行为。本发明无需对视频进行逐帧标注，只需少量包含正常行车或行人的视频数据运行本算法以确定正则化系数，部署快速、方便。

Description

基于轨迹分析的井下人员奔跑异常行为检测方法
技术领域
本发明涉及一种人体行为检测方法，尤其是涉及一种基于轨迹分析的井下人员奔跑异常行为检测方法。
背景技术
井下人员在行车行人通道、等候通道等人流和车流密集处奔跑可能导致交通事故，具有较大的安全隐患。目前井下奔跑违章行为的发现和监控均通过人工实现，尚无通过人工智能技术解决的应用案例。现有通过计算机视觉技术识别违章行为的技术多采用有监督的姿态识别技术、行为识别技术等，依赖于大量的视频标注数据，且对计算机性能要求较高。
发明内容
本发明提供了一种基于轨迹分析的井下人员奔跑异常行为检测方法，通过采用计算机视觉技术对监控摄像头进行实时分析，解决检测井下人员奔跑异常行为的问题。其技术方案如下所述：
一种基于轨迹分析的井下人员奔跑异常行为检测方法，包括以下步骤：
S1：对摄像头的视频流数据进行解码处理，每隔固定帧数k提取单帧图像，当满足跟踪目标添加条件时从当前单帧图像中提取跟踪目标；
S2：对跟踪目标选取具有代表性的像素点或区域作为关键点，采用稀疏光流法对关键点进行跟踪，实现跟踪目标的目标轨迹更新；
S3：对跟踪目标的运动轨迹进行统计分析，计算每条轨迹坐标移动绝对差之和，计算每条轨迹的速度统计量S和波动统计量V；
S4：根据运动轨迹的统计特征，给定对应速度统计量S的阈值
Figure 777679DEST_PATH_IMAGE001
和对应波动统计量V的 阈值
Figure 313703DEST_PATH_IMAGE002
，判定是否有人员奔跑行为。
进一步的，步骤S1中，监控摄像头的帧率为m帧每秒，间隔的固定帧数k为m的1/3-1/2之间。
步骤S1中，所述跟踪目标采用人体模型或人体模型的部分组成特征。
进一步的，步骤S2中，关键点检测采用ORB特征提取算法。
步骤S2中，所述轨迹更新包括下列步骤：
S21：取所有跟踪目标的最新坐标
Figure 220479DEST_PATH_IMAGE003
及前一帧图像；
S22：通过前一帧图像、关键点坐标
Figure 234571DEST_PATH_IMAGE003
及当前图像，根据使用稀疏光流法计算所有
Figure 175982DEST_PATH_IMAGE003
的 在当前图像上的对应坐标
Figure 617328DEST_PATH_IMAGE004
，记录当前时刻
Figure 11400DEST_PATH_IMAGE005
；
S23：若目标未找到
Figure 32446DEST_PATH_IMAGE003
的对应点，则取消该目标的跟踪并删除其轨迹，否则在目标轨迹 T末端插入
Figure 952997DEST_PATH_IMAGE006
，当其长度大于n时，剔除轨迹的首元素
Figure 706190DEST_PATH_IMAGE007
；
S24：缓存当前图像。
进一步的，步骤S3中，所述运动轨迹T的公式为：
Figure 712192DEST_PATH_IMAGE008
所述运动轨迹T表示一组带时间信息的坐标点的集合，其中
Figure 943453DEST_PATH_IMAGE009
为当前帧的 一个跟踪关键点坐标，也是轨迹T的终点坐标，
Figure 984090DEST_PATH_IMAGE010
为当前帧的时间戳；
Figure 908184DEST_PATH_IMAGE011
为当前帧的前第
Figure 401482DEST_PATH_IMAGE012
帧的一个跟踪关键点坐标，也是轨迹T 的起点坐标；
Figure 436434DEST_PATH_IMAGE013
和
Figure 65999DEST_PATH_IMAGE014
分别对应当前帧的前第
Figure 160994DEST_PATH_IMAGE015
帧的一个跟踪点坐 标和时间戳，n为轨迹长度。
所述n的取值取决于视频帧率及跟踪目标在相邻图像上的相对移动速度。
步骤S3中，取所有长度为n=2k的轨迹，计算每条轨迹坐标移动绝对差之和
Figure 141588DEST_PATH_IMAGE016
，保留
Figure 714652DEST_PATH_IMAGE017
的轨迹，m0为坐标移动绝对差之 和的最小值，小于此值认为该跟踪目标是静止的。
步骤S3中，速度统计量S和波动统计量V如下：
Figure 464302DEST_PATH_IMAGE018
,
Figure 464619DEST_PATH_IMAGE019
,
Figure 932509DEST_PATH_IMAGE020
其中，
Figure 309264DEST_PATH_IMAGE021
和
Figure 179000DEST_PATH_IMAGE022
分别为横坐标和纵坐标方向的距离正则化系数，
Figure 350218DEST_PATH_IMAGE009
、
Figure 39826DEST_PATH_IMAGE011
分别为当前轨迹T的终点和起点坐标，
Figure 954692DEST_PATH_IMAGE013
为除 起点和终点之外的点，
Figure 678935DEST_PATH_IMAGE023
为求直线
Figure 286633DEST_PATH_IMAGE024
与直线
Figure 729116DEST_PATH_IMAGE025
的夹角公式，即：
Figure 182094DEST_PATH_IMAGE026
其中，arccos为反余弦函数。
并且，所述距离正则化系数
Figure 760843DEST_PATH_IMAGE021
和
Figure 539443DEST_PATH_IMAGE022
的计算过程包括下列步骤：
S41：录制设定时长包含车辆或行人匀速通过摄像头监控区域的视频；
S42：采用上述方法提取行人或车辆运动轨迹；
S43：分别求位移
Figure DEST_PATH_IMAGE027
和
Figure 672484DEST_PATH_IMAGE028
在纵坐标方向上的分布函数
Figure 319366DEST_PATH_IMAGE029
和
Figure 627988DEST_PATH_IMAGE030
，其表达式为：
Figure 702123DEST_PATH_IMAGE031
,
Figure 463406DEST_PATH_IMAGE032
,
Figure 179558DEST_PATH_IMAGE033
其中，H为图像纵坐标最大值，K为图像纵坐标取值区间个数，F(y)为纵坐标取值的分段 函数，
Figure 342686DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE035
分别为当纵坐标y位于区间
Figure 384460DEST_PATH_IMAGE036
的轨迹点的横坐标、纵坐标 平均值。
本发明通过计算机视觉技术对运动目标进行跟踪，对目标运动轨迹进行统计分析，能够有效判别人员奔跑行为，只需少量包含正常行车或行人的视频数据运行本算法以确定正则化系数，部署快速、方便。
附图说明
图1是本发明对人员奔跑异常行为识别流程图。
具体实施方式
下面结合附图给出本发明实施例，以详细说明本发明的技术实施方案。
如图1所示，本发明基于单目视觉（基于一个摄像头的视频数据），从摄像头解码视频流数据，逐帧读取视频的单帧图像，当满足跟踪目标添加条件时从当前图像中提取跟踪目标，否则在当前图像上进行目标运动轨迹更新，对目标运动轨迹进行统计分析，根据轨迹的统计特征判定是否有人员奔跑行为。其过程主要涉及跟踪目标添加条件、提取跟踪目标、目标轨迹更新和轨迹奔跑行为判定四个主要步骤。
一、跟踪目标添加条件。由于视频流相邻两帧图像的像素变化较小，逐帧提取关键点会导致存在大量冗余信息且计算量激增，因此本发明对视频流每隔固定帧数k进行提取，通过提取的帧图像中的关键点作为跟踪目标的添加条件，以减少信息冗余和计算量。
k的取值取决于视频帧率及跟踪目标在相邻图像上的相对移动速度。视频帧率即每秒显示帧数，当相对移动速度快时k设置过高会导致跟踪目标丢失，而当相对移动速度慢时k设置过小会导致冗余信息增加。
一般地，监控摄像头的帧率为25帧每秒，某实施例中，本发明以间隔k=10帧提取关键点作为跟踪目标添加条件进行说明。
二、提取跟踪目标。人作为需要进行跟踪的主体，可以设定跟踪目标为人体模型或人体模型的部分组成特征，包括手臂、脚部、腿部区域等。跟踪目标在图像上表现为一个区域像素点的集合，需要从这些区域像素点的集合中选取具有代表性的像素点或区域作为关键点。
本发明采用关键点检测技术选取跟踪目标。关键点检测(Key-Point Detection)是计算机视觉中常用的特征检测技术，是图像匹配、物体识别等视觉任务的重要基础，常用的关键点检测技术有SIFT、SURF、ORB等。本发明采用ORB提取图像关键点作为跟踪目标。ORB（ oriented BRIEF ）在SIFT、SURF的基础上改进，可以达到与SIFT接近的检测性能，但检测速度快两个数量级，是一种性能和精度兼顾的关键点检测算法，在图像匹配和立体视觉中有广泛的应用。ORB的常用输入参数包括：关键点数目、图像金字塔缩放尺度、图像金字塔数目。其中，图像金字塔数目和图像金字塔缩放尺度是一种改善尺度不变性问题的参数。本发明实例中分别设置关键点数目为50，图像金字塔数目为8，图像金字塔缩放尺度为1.2。
这样，某实施例可以采用腿部区域作为跟踪目标，对读取的某帧图像识别出该帧图像中腿部区域，并以腿部区域代表性的像素点或区域作为关键点，从而进行下一步骤。
三、目标轨迹更新。本发明采用稀疏光流法对关键点进行跟踪。稀疏光流是一种估计特征点在不同图片间的对应关系方法，常用方法如Lucas-Kanade稀疏光流法，可快速、准确追踪给定特征点在当前图像上的位置。其输入包括：前一帧图像、前一帧图像的关键点坐标、当前帧图像，一条运动轨迹T的公式表示为：
Figure 898618DEST_PATH_IMAGE037
它表示一组带时间信息的坐标点的集合。其中
Figure 887303DEST_PATH_IMAGE009
为当前帧的一个跟踪关 键点坐标，
Figure 904937DEST_PATH_IMAGE010
为当前帧的时间戳，
Figure 586454DEST_PATH_IMAGE013
为当前帧的前第
Figure 587908DEST_PATH_IMAGE015
帧的一个跟踪关 键点坐标，
Figure 114705DEST_PATH_IMAGE014
为当前帧的前第
Figure 252425DEST_PATH_IMAGE015
帧的时间戳，n为轨迹长度。类似的，n的取值取决于 视频帧率及跟踪目标在相邻图像上的相对移动速度，通常使n=2k，本实施例中则以n=20进 行说明。
则轨迹更新的步骤为：1）取所有跟踪目标（关键点）的最新坐标
Figure 104843DEST_PATH_IMAGE003
及前一帧图像； 2）前一帧图像、关键点坐标
Figure 62435DEST_PATH_IMAGE003
及当前图像，根据使用稀疏光流法计算所有
Figure 658501DEST_PATH_IMAGE003
Figure 650728DEST_PATH_IMAGE038
的在当前图 像上的对应坐标
Figure 611731DEST_PATH_IMAGE039
，记录当前时刻
Figure 446832DEST_PATH_IMAGE040
；3）若目标未找到
Figure 456376DEST_PATH_IMAGE041
的对应点，则取消该目标的跟踪 并删除其轨迹，否则在目标轨迹T末端插入
Figure 693322DEST_PATH_IMAGE042
，当其长度大于n时，剔除轨迹的首元素
Figure 762910DEST_PATH_IMAGE043
；4）缓存当前图像。
四、轨迹奔跑行为判定。对运动轨迹进行统计分析判定奔跑行为，其步骤为：
1）取所有长度为n=20的轨迹，计算每条轨迹坐标移动绝对差之和
Figure 819727DEST_PATH_IMAGE044
，保留
Figure 632962DEST_PATH_IMAGE045
的轨迹，m0为坐标移动绝对差之和的 最小值，小于此值认为跟踪目标是静止的。本发明取m0=5；
2）计算每条轨迹的速度统计量S和波动统计量V，统计量S和V的定义如下：
Figure 724415DEST_PATH_IMAGE046
,
Figure 699324DEST_PATH_IMAGE047
,
Figure 712280DEST_PATH_IMAGE048
其中，
Figure 188261DEST_PATH_IMAGE049
和
Figure 9586DEST_PATH_IMAGE050
分别为横坐标和纵坐标方向的距离正则化系数，
Figure 280030DEST_PATH_IMAGE051
、
Figure 186806DEST_PATH_IMAGE052
分别为当前轨迹T的终点和起点坐标，
Figure 466478DEST_PATH_IMAGE053
为除 起点和终点之外的点，
Figure 407889DEST_PATH_IMAGE054
为求直线
Figure 114814DEST_PATH_IMAGE055
与直线
Figure 508886DEST_PATH_IMAGE056
的夹角公式，即：
Figure 326670DEST_PATH_IMAGE026
其中，arccos为反余弦函数。
3）给定阈值
Figure 450484DEST_PATH_IMAGE057
和
Figure 203676DEST_PATH_IMAGE058
，当
Figure 944099DEST_PATH_IMAGE059
时，判定有人员奔跑，否则无人员奔跑。
本发明对距离正则化系数
Figure 440939DEST_PATH_IMAGE049
和
Figure 215997DEST_PATH_IMAGE050
的计算过程予以说明。1）录制设定时长包含 车辆或行人匀速通过摄像头监控区域的视频；2）采用上述方法提取行人或车辆运动轨迹； 3）分别求位移
Figure 140091DEST_PATH_IMAGE060
和
Figure 633389DEST_PATH_IMAGE061
在纵坐标方向上的分布函数
Figure 933920DEST_PATH_IMAGE062
和
Figure 563485DEST_PATH_IMAGE063
，其表 达式为：
Figure 658480DEST_PATH_IMAGE064
,
Figure 412695DEST_PATH_IMAGE065
,
Figure 375972DEST_PATH_IMAGE033
其中，H为图像纵坐标最大值，K为图像纵坐标取值区间个数，F(y)为纵坐标取值的分段 函数，，
Figure 988DEST_PATH_IMAGE066
、
Figure 391518DEST_PATH_IMAGE067
分别为当纵坐标y位于区间
Figure 469195DEST_PATH_IMAGE068
的轨迹点的横坐标、纵坐 标平均值。
本发明通过计算机视觉技术对运动目标进行跟踪，对目标运动轨迹进行统计分析，能够有效判别人员奔跑行为。本发明无需对视频进行逐帧标注，只需少量包含正常行车或行人的视频数据运行本算法以确定正则化系数，部署快速、方便。

Claims (10)

1.一种基于轨迹分析的井下人员奔跑异常行为检测方法，包括以下步骤：
S1：对摄像头的视频流数据进行解码处理，每隔固定帧数k提取单帧图像，当满足跟踪目标添加条件时从当前单帧图像中提取跟踪目标；
S2：对跟踪目标选取具有代表性的像素点或区域作为关键点，采用稀疏光流法对关键点进行跟踪，实现跟踪目标的目标轨迹更新；
S3：对跟踪目标的运动轨迹进行统计分析，计算每条轨迹坐标移动绝对差之和，计算每条轨迹的速度统计量S和波动统计量V；
S4：根据运动轨迹的统计特征，给定对应速度统计量S的阈值
Figure 207371DEST_PATH_IMAGE001
和对应波动统计量V的 阈值
Figure 863480DEST_PATH_IMAGE002
，判定是否有人员奔跑行为。
2.根据权利要求1所述的基于轨迹分析的井下人员奔跑异常行为检测方法，其特征在于：步骤S1中，监控摄像头的帧率为m帧每秒，间隔的固定帧数k为m的1/3-1/2之间。
3.根据权利要求1所述的基于轨迹分析的井下人员奔跑异常行为检测方法，其特征在于：步骤S1中，所述跟踪目标采用人体模型或人体模型的部分组成特征。
4.根据权利要求1所述的基于轨迹分析的井下人员奔跑异常行为检测方法，其特征在于：步骤S2中，关键点检测采用ORB特征提取算法。
5.根据权利要求1所述的基于轨迹分析的井下人员奔跑异常行为检测方法，其特征在于：步骤S2中，所述轨迹更新包括下列步骤：
S21：取所有跟踪目标的最新坐标
Figure 941157DEST_PATH_IMAGE003
及前一帧图像；
S22：通过前一帧图像、关键点坐标
Figure 708125DEST_PATH_IMAGE003
及当前图像，根据使用稀疏光流法计算所有
Figure 187648DEST_PATH_IMAGE003
的 在当前图像上的对应坐标
Figure 952342DEST_PATH_IMAGE004
，记录当前时刻
Figure 641949DEST_PATH_IMAGE005
;
S23：若目标未找到
Figure 415870DEST_PATH_IMAGE003
的对应点，则取消该目标的跟踪并删除其轨迹，否则在目标轨迹T 末端插入
Figure 608954DEST_PATH_IMAGE006
，当其长度大于n时，剔除轨迹的首元素
Figure 544549DEST_PATH_IMAGE007
；
S24：缓存当前图像。
6.根据权利要求1所述的基于轨迹分析的井下人员奔跑异常行为检测方法，其特征在于：步骤S3中，所述运动轨迹T的公式为：
Figure 596819DEST_PATH_IMAGE008
所述运动轨迹T表示一组带时间信息的坐标点的集合，其中
Figure 440010DEST_PATH_IMAGE009
为当前帧的 一个跟踪关键点坐标，也是轨迹T的终点坐标，为当前帧的时间戳；
Figure 159704DEST_PATH_IMAGE010
为当前帧的前第
Figure 125255DEST_PATH_IMAGE011
帧的一个跟踪关键点坐标，也是轨迹T 的起点坐标；
Figure 664820DEST_PATH_IMAGE012
和
Figure 311702DEST_PATH_IMAGE013
分别对应当前帧的前第
Figure 948220DEST_PATH_IMAGE014
帧的一个跟踪点坐 标和时间戳，n为轨迹长度。
7.根据权利要求6所述的基于轨迹分析的井下人员奔跑异常行为检测方法，其特征在于：所述n的取值取决于视频帧率及跟踪目标在相邻图像上的相对移动速度。
8.根据权利要求1所述的基于轨迹分析的井下人员奔跑异常行为检测方法，其特征在 于：步骤S3中，取所有长度为n=2k的轨迹，计算每条轨迹坐标移动绝对差之和
Figure 897722DEST_PATH_IMAGE015
，保留
Figure 783638DEST_PATH_IMAGE016
的轨迹，
Figure 109577DEST_PATH_IMAGE017
为坐标移动绝对差之 和的最小值，小于此值认为该跟踪目标是静止的。
9.根据权利要求1所述的基于轨迹分析的井下人员奔跑异常行为检测方法，其特征在于：步骤S3中，速度统计量S和波动统计量V如下：
Figure 662918DEST_PATH_IMAGE018
,
Figure 783321DEST_PATH_IMAGE019
,
Figure 625375DEST_PATH_IMAGE020
其中，
Figure 614060DEST_PATH_IMAGE021
和
Figure 631694DEST_PATH_IMAGE022
分别为横坐标和纵坐标方向的距离正则化系数，
Figure 313211DEST_PATH_IMAGE009
、
Figure 49086DEST_PATH_IMAGE010
分别为当前轨迹T的终点和起点坐标，
Figure 841462DEST_PATH_IMAGE012
为 除起点和终点之外的点，
Figure 713603DEST_PATH_IMAGE023
为求直线
Figure 566021DEST_PATH_IMAGE024
与直线
Figure 789192DEST_PATH_IMAGE025
的夹角公式，即：
Figure 119679DEST_PATH_IMAGE026
其中，arccos为反余弦函数。
10.根据权利要求9所述的基于轨迹分析的井下人员奔跑异常行为检测方法，其特征在 于：所述距离正则化系数
Figure 111906DEST_PATH_IMAGE021
和
Figure 135226DEST_PATH_IMAGE022
的计算过程包括下列步骤：
S41：录制设定时长包含车辆或行人匀速通过摄像头监控区域的视频；
S42：采用上述方法提取行人或车辆运动轨迹；
S43：分别求位移
Figure 580113DEST_PATH_IMAGE027
和
Figure 714292DEST_PATH_IMAGE028
在纵坐标方向上的分布函数
Figure 826604DEST_PATH_IMAGE029
和
Figure 755246DEST_PATH_IMAGE030
，其表达式为：
Figure 953009DEST_PATH_IMAGE031
Figure 625299DEST_PATH_IMAGE032
Figure 592118DEST_PATH_IMAGE033
其中，H为图像纵坐标最大值，K为图像纵坐标取值区间个数，F(y)为纵坐标取值的分段函 数，
Figure 691661DEST_PATH_IMAGE034
、
Figure 376720DEST_PATH_IMAGE035
分别为当纵坐标y位于区间
Figure 852701DEST_PATH_IMAGE036
的轨迹点的横坐标、纵坐标平均值。
CN202010360336.4A 2020-04-30 2020-04-30 基于轨迹分析的井下人员奔跑异常行为检测方法 Active CN111291735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010360336.4A CN111291735B (zh) 2020-04-30 2020-04-30 基于轨迹分析的井下人员奔跑异常行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010360336.4A CN111291735B (zh) 2020-04-30 2020-04-30 基于轨迹分析的井下人员奔跑异常行为检测方法

Publications (2)

Publication Number Publication Date
CN111291735A true CN111291735A (zh) 2020-06-16
CN111291735B CN111291735B (zh) 2020-08-18

Family

ID=71027414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010360336.4A Active CN111291735B (zh) 2020-04-30 2020-04-30 基于轨迹分析的井下人员奔跑异常行为检测方法

Country Status (1)

Country Link
CN (1) CN111291735B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232124A (zh) * 2020-09-11 2021-01-15 浙江大华技术股份有限公司 人群态势分析方法、视频处理装置及具有存储功能的装置
CN112329671A (zh) * 2020-11-11 2021-02-05 润联软件系统(深圳)有限公司 一种基于深度学习的行人奔跑行为检测方法及相关组件
CN112766638A (zh) * 2020-12-28 2021-05-07 惠州学院 基于视频图像分析流水线操作人员工作效率的方法及系统
CN114187666A (zh) * 2021-12-23 2022-03-15 中海油信息科技有限公司 边走路边看手机的识别方法及其系统
CN114581847A (zh) * 2022-03-04 2022-06-03 山东科技大学 一种基于gam跟踪器的社区行人异常行为检测方法和装置
CN114782675A (zh) * 2022-03-31 2022-07-22 江苏预立新能源科技有限公司 一种安全技术服务领域项目动态定价方法和系统
CN114821795A (zh) * 2022-05-05 2022-07-29 北京容联易通信息技术有限公司 一种基于ReID技术的人员跑动检测和预警方法及系统
CN117351405A (zh) * 2023-12-06 2024-01-05 江西珉轩智能科技有限公司 一种人群行为分析系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975956A (zh) * 2016-05-30 2016-09-28 重庆大学 一种基于红外全景摄像头的独居老人异常行为识别方法
CN107506333A (zh) * 2017-08-11 2017-12-22 深圳市唯特视科技有限公司 一种基于自运动估计的视觉测距算法
US20190066473A1 (en) * 2014-07-07 2019-02-28 Google Llc Methods and devices for presenting video information
CN110555397A (zh) * 2019-08-21 2019-12-10 武汉大千信息技术有限公司 一种人群态势分析方法
CN110751678A (zh) * 2018-12-12 2020-02-04 北京嘀嘀无限科技发展有限公司 运动目标的检测方法、装置和电子设备
CN110781853A (zh) * 2019-11-01 2020-02-11 浙江大华技术股份有限公司 人群异常检测方法以及相关装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190066473A1 (en) * 2014-07-07 2019-02-28 Google Llc Methods and devices for presenting video information
CN105975956A (zh) * 2016-05-30 2016-09-28 重庆大学 一种基于红外全景摄像头的独居老人异常行为识别方法
CN107506333A (zh) * 2017-08-11 2017-12-22 深圳市唯特视科技有限公司 一种基于自运动估计的视觉测距算法
CN110751678A (zh) * 2018-12-12 2020-02-04 北京嘀嘀无限科技发展有限公司 运动目标的检测方法、装置和电子设备
CN110555397A (zh) * 2019-08-21 2019-12-10 武汉大千信息技术有限公司 一种人群态势分析方法
CN110781853A (zh) * 2019-11-01 2020-02-11 浙江大华技术股份有限公司 人群异常检测方法以及相关装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232124A (zh) * 2020-09-11 2021-01-15 浙江大华技术股份有限公司 人群态势分析方法、视频处理装置及具有存储功能的装置
CN112329671A (zh) * 2020-11-11 2021-02-05 润联软件系统(深圳)有限公司 一种基于深度学习的行人奔跑行为检测方法及相关组件
CN112766638A (zh) * 2020-12-28 2021-05-07 惠州学院 基于视频图像分析流水线操作人员工作效率的方法及系统
CN114187666B (zh) * 2021-12-23 2022-09-02 中海油信息科技有限公司 边走路边看手机的识别方法及其系统
CN114187666A (zh) * 2021-12-23 2022-03-15 中海油信息科技有限公司 边走路边看手机的识别方法及其系统
CN114581847A (zh) * 2022-03-04 2022-06-03 山东科技大学 一种基于gam跟踪器的社区行人异常行为检测方法和装置
CN114581847B (zh) * 2022-03-04 2024-04-19 山东科技大学 一种基于gam跟踪器的社区行人异常行为检测方法和装置
CN114782675B (zh) * 2022-03-31 2022-11-25 江苏预立新能源科技有限公司 一种安全技术服务领域项目动态定价方法和系统
CN114782675A (zh) * 2022-03-31 2022-07-22 江苏预立新能源科技有限公司 一种安全技术服务领域项目动态定价方法和系统
CN114821795B (zh) * 2022-05-05 2022-10-28 北京容联易通信息技术有限公司 一种基于ReID技术的人员跑动检测和预警方法及系统
CN114821795A (zh) * 2022-05-05 2022-07-29 北京容联易通信息技术有限公司 一种基于ReID技术的人员跑动检测和预警方法及系统
CN117351405A (zh) * 2023-12-06 2024-01-05 江西珉轩智能科技有限公司 一种人群行为分析系统及方法
CN117351405B (zh) * 2023-12-06 2024-02-13 江西珉轩智能科技有限公司 一种人群行为分析系统及方法

Also Published As

Publication number Publication date
CN111291735B (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111291735B (zh) 基于轨迹分析的井下人员奔跑异常行为检测方法
CN107943837B (zh) 一种前景目标关键帧化的视频摘要生成方法
Min et al. A new approach to track multiple vehicles with the combination of robust detection and two classifiers
Gawande et al. Pedestrian detection and tracking in video surveillance system: issues, comprehensive review, and challenges
CN112669349B (zh) 一种客流统计方法、电子设备及存储介质
Zhu et al. Object tracking in structured environments for video surveillance applications
Huang et al. Feature-Based Vehicle Flow Analysis and Measurement for a Real-Time Traffic Surveillance System.
CN111738218B (zh) 人体异常行为识别系统及方法
Gong et al. Local distinguishability aggrandizing network for human anomaly detection
Luo et al. Traffic analytics with low-frame-rate videos
Huang et al. A real-time and color-based computer vision for traffic monitoring system
Jeyabharathi et al. Vehicle Tracking and Speed Measurement system (VTSM) based on novel feature descriptor: Diagonal Hexadecimal Pattern (DHP)
WO2024093209A1 (zh) 一种足式机器人动态目标跟踪方法
CN113168520A (zh) 跟踪场景中的对象的方法
Tyagi et al. A review of deep learning techniques for crowd behavior analysis
KR20140132140A (ko) 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치
Li et al. Time-spatial multiscale net for vehicle counting and traffic volume estimation
Farooq et al. Unsupervised video surveillance for anomaly detection of street traffic
Seidenari et al. Dense spatio-temporal features for non-parametric anomaly detection and localization
Lou et al. Detecting and counting the moving vehicles using mask R-CNN
Boufares et al. Moving object detection system based on the modified temporal difference and otsu algorithm
Manchanda et al. Advanced mouse pointer control using trajectory-based gesture recognition
Zhu et al. Long-distanceinfrared video pedestrian detection using deep learning and backgroundsubtraction
CN110782485A (zh) 一种车辆变道检测方法及装置
Sri Jamiya et al. A survey on vehicle detection and tracking algorithms in real time 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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 100000 room 1703, 7 / F, building 3, No. 203, zone 2, Lize Zhongyuan, Wangjing, Chaoyang District, Beijing

Patentee after: Huaxia Tianxin IOT Technology Co.,Ltd.

Address before: 100000 room 1703, 7 / F, building 3, No. 203, zone 2, Lize Zhongyuan, Wangjing, Chaoyang District, Beijing

Patentee before: HUAXIA TIANXIN (BEIJING) INTELLIGENT LOW CARBON TECHNOLOGY RESEARCH INSTITUTE CO.,LTD.