CN111488838B - 一种视频检测区域物体侵入检测方法 - Google Patents
一种视频检测区域物体侵入检测方法 Download PDFInfo
- Publication number
- CN111488838B CN111488838B CN202010290057.5A CN202010290057A CN111488838B CN 111488838 B CN111488838 B CN 111488838B CN 202010290057 A CN202010290057 A CN 202010290057A CN 111488838 B CN111488838 B CN 111488838B
- Authority
- CN
- China
- Prior art keywords
- area
- target object
- detection
- frame
- points
- 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
Links
Classifications
-
- 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)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频检测区域物体侵入检测方法,通过对检测区域与目标物体的重合度进行计算,并设定灵敏度级别分段函数,对目标物体进入检测区域的检测灵敏度进行量化,从而实现检测区目标物体检测的灵敏度配置功能,同时还可以过滤掉检测区域设定不规范等因素,造成目标物体检测轻微边界重合的事件触发而导致无效事件上报过于频繁。本发明一种视频检测区域物体侵入检测方法具有检测准确,漏检测及过度检测少,可以满足实际场景需要的优点。
Description
技术领域
本发明涉及一种视频检测方法,尤其涉及一种视频检测区域物体侵入检测方法。
背景技术
随人工智能和智慧社区的发展,越来越多的智能化技术和产品应用到了智慧社区领域,特别是视频图像处理技术,用于车闸车辆进出认证和记录,人员进出小区和楼栋的人脸开门认证和出行记录等,均取得了巨大的使用价值,给小区的便捷管理和居民的居住环境的提升都带来了巨大的改变。同时在小区内部的安防检测应用领域,很多智能化的产品和技术也很大程度上得到了充分的利用,并取得了较好的效果。然而在进行物体识别进行视频智能分析时,往往采用物体进入检测区域的时间进行判断,对于物体进入检测区域的程度的因素并没有考虑在内,对于检测灵敏度上,也往往采用图像识别的精度上进行设定。再加上,视频智能分析有关周界告警、违停告警和消防占到告警等事件的检测过程中,需要使用者,在后台圈定检测区域(凸多边形),由于人为操作的不精确性,会导致圈定区域边界过大,从而造成目标物体检测轻微边界重合的事件触发而导致无效事件上报过于频繁,若过分限制圈定检测区域的设置,不仅降低了用户的使用舒适度,而且对于还有可能造成一些事件检测不出来,影响系统的功能。
因此,有必要提出一种改进,以克服现有技术缺陷。
发明内容
本发明的目的是解决现有技术中的问题,提供一种检测准确,漏检测及过度检测少,可以满足实际场景需要的视频检测区域物体侵入检测方法。
本发明的技术方案是:一种视频检测区域物体侵入检测方法,包括以下步骤:
S1、设定检测区域及其坐标,在后台视频中划定N条首尾相连的直线,并组成凸多边形σ;
S2、设定目标物体与所述检测区域重叠区域面积与目标物体面积的比例对应的灵敏度阈值;
S3、启动物体侵入检测,对视频帧进行目标物体检测;
S4、对每一视频帧进行物体检测,若存在目标物体,则获取该视频帧内所有所述目标物体的边框坐标,并添加至目标物体边框坐标集set_tang,进行步骤S5;若不存在目标物体,继续进行下一视频帧的检测;
S5、依次从所述目标物体边框坐标集set_tang中获取每一个目标物体的边框坐标,计算目标物体的框图面积O;根据所述目标物体的边框坐标和所述检测区域的凸多边形σ的N个顶点坐标,计算出两个图形重叠区域的面积S;
S6、计算目标物体与检测区域重叠区域与所述目标物体的框图面积的比例,并结合步骤S2设定的所述灵敏度阈值判断是否目标物体有侵入检测区域的嫌疑,若有,则进行步骤S7,若无,进行步骤S5进行下一目标物体的检测,若所有目标物体检测完成,则进行步骤S4进行下一帧图像检测;
S7、进行物体侵入对应的事件触发检测,然后转向步骤S4进行下一帧图像检测。
作为一种优选的技术方案,所述步骤S2中灵敏度阈值分为5个等级,分别为:
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0小于0.2时,等级为0,忽略目标物体侵入检测区域;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.2小于0.4时,等级为1,此时灵敏度最高设定阈值为0.2;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.4小于0.6时,等级为2,此时灵敏度次高设定阈值为0.4;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.6小于0.8时,等级为3,此时灵敏度次低设定阈值为0.6;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.8小于等于1时,等级为4,此时灵敏度最低设定阈值为0.8。
作为一种优选的技术方案,所述步骤S5“从所述目标物体边框坐标集set_tang中获取每一个目标物体的边框坐标”中,所述边框坐标为矩形坐标,形式为obj_tang=[[Xmin,Ymin],[Xmax,Ymax]]。
作为一种进一步优选的技术方案,所述步骤S5“计算目标物体的框图面积O”中,框图面积O=(Xmax-Xmin)*(Ymax-Ymin)。
作为一种进一步优选的技术方案,所述步骤S5“根据所述目标物体的边框坐标和所述检测区域的凸多边形σ的N个顶点坐标,计算出两个图形重叠区域的面积S”的方法为:
S5a、初始化重合区域的点坐标集合为points_set=[];
S5b、依次获取凸多边形σ的N个顶点坐标,设顶点P(x,y),判断P是否在目标物体框体内,即是否同时满足Xmin≤x≤Xmax以及Ymin≤y≤Ymax,若满足则将P(x,y)加入到点坐标集合,即,points_set.append(P(x,y));否则,继续监测下一个顶点坐标;
S5c、依次获取目标物体的框体坐标[Xmin,Ymin],[Xmax,Ymax],[Xmin,Ymax]和[Xmax,Ymin],利用叉乘判别法,分别对框体的每个顶点坐标判断是否在凸多边形σ内,若在则将该顶点添加到点坐标集合为points_set;否则,继续监测下一个顶点坐标;
S5d、依次获取框体的四条边的每一条,依次与凸多边形σ的所有边计算其交点,若没有交点则平行,则继续检测下一组直线对;否则,必然存在至少一个交点Q(x,y),然后利用步骤S5b及S5c,对交点Q(x,y)判定是否同时在目标框体内和凸多边形内部或边界处,若在,则将交点Q(x,y)加入到点坐标集合,即points_set.append(P(x,y));否则,继续检测下一组直线对;
S5e、将点坐标集合points_set内的点利用右手法则和交叉判定原理进行逆时针排序,即points_set=sort(points_set);
S5f、获取points_set的最左边点和最右边点,将points_set内的点按照逆时针连接,所得区域即为凸多边形重叠区域,根据梯形面积求解方法,将所述凸多边形重叠区域划分为从左到右的多个梯形小区域,重叠区域的面积S等于所有梯形小区域面积之和。
本发明通过对检测区域与目标物体的重合度进行计算,并设定灵敏度级别分段函数,对目标物体进入检测区域的检测灵敏度进行量化,从而实现检测区目标物体检测的灵敏度配置功能,同时还可以过滤掉检测区域设定不规范等因素,造成目标物体检测轻微边界重合的事件触发而导致无效事件上报过于频繁。
本发明提出一种交叉率算法的目标物体检测灵敏度机制,对目标物体进入检测区域的检测灵敏度进行量化,然后设定灵敏度级别分段函数,提供检测区目标物体检测的灵敏度配置功能,从而更加智能的满足实际场景的需要。
附图说明
图1为本发明一种视频检测区域物体侵入检测方法流程框图。
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,下面将结合本发明实施例中的附图,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作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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,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商品或者系统不仅包括那些要素,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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
如图1所示为本发明的一种视频检测区域物体侵入检测方法流程框图,如图1所示,本发明的一种视频检测区域物体侵入检测方法,包括以下步骤:
S1、设定检测区域及其坐标,在后台视频中划定N条首尾相连的直线,并组成凸多边形σ;
S2、设定目标物体与所述检测区域重叠区域面积与目标物体面积的比例对应的灵敏度阈值;
S3、启动物体侵入检测,对视频帧进行目标物体检测;
S4、对每一视频帧进行物体检测,若存在目标物体,则获取该视频帧内所有所述目标物体的边框坐标,并添加至目标物体边框坐标集set_tang,进行步骤S5;若不存在目标物体,继续进行下一视频帧的检测;
S5、依次从所述目标物体边框坐标集set_tang中获取每一个目标物体的边框坐标,计算目标物体的框图面积O;根据所述目标物体的边框坐标和所述检测区域的凸多边形σ的N个顶点坐标,计算出两个图形重叠区域的面积S;
S6、计算目标物体与检测区域重叠区域与所述目标物体的框图面积的比例,并结合步骤S2设定的所述灵敏度阈值判断是否目标物体有侵入检测区域的嫌疑,若有,则进行步骤S7,若无,进行步骤S5进行下一目标物体的检测,若所有目标物体检测完成,则进行步骤S4进行下一帧图像检测;
S7、进行物体侵入对应的事件触发检测,然后转向步骤S4进行下一帧图像检测。
在实际应用中,本发明的步骤S2中灵敏度阈值分为5个等级,分别为:
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0小于0.2时,等级为0,忽略目标物体侵入检测区域;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.2小于0.4时,等级为1,此时灵敏度最高设定阈值为0.2;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.4小于0.6时,等级为2,此时灵敏度次高设定阈值为0.4;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.6小于0.8时,等级为3,此时灵敏度次低设定阈值为0.6;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.8小于等于1时,等级为4,此时灵敏度最低设定阈值为0.8。
在实际应用中,本发明步骤S5“从所述目标物体边框坐标集set_tang中获取每一个目标物体的边框坐标”中,所述边框坐标为矩形坐标,形式为obj_tang=[[Xmin,Ymin],[Xmax,Ymax]]。
基于此,步骤S5“计算目标物体的框图面积O”中,框图面积O=(Xmax-Xmin)*(Ymax-Ymin)。
具体的,步骤S5“根据所述目标物体的边框坐标和所述检测区域的凸多边形σ的N个顶点坐标,计算出两个图形重叠区域的面积S”的方法为:
S5a、初始化重合区域的点坐标集合为points_set=[];
S5b、依次获取凸多边形σ的N个顶点坐标,设顶点P(x,y),判断P是否在目标物体框体内,即是否同时满足Xmin≤x≤Xmax以及Ymin≤y≤Ymax,若满足则将P(x,y)加入到点坐标集合,即,points_set.append(P(x,y));否则,继续监测下一个顶点坐标;
S5c、依次获取目标物体的框体坐标[Xmin,Ymin],[Xmax,Ymax],[Xmin,Ymax]和[Xmax,Ymin],利用叉乘判别法,分别对框体的每个顶点坐标判断是否在凸多边形σ内,若在则将该顶点添加到点坐标集合为points_set;否则,继续监测下一个顶点坐标;
S5d、依次获取框体的四条边的每一条,依次与凸多边形σ的所有边计算其交点,由于两条直线不相交必然平行,若没有交点则框体的边与凸多边形的边平行,则继续检测下一组直线对;否则,必然存在至少一个交点Q(x,y),然后利用步骤S5b及S5c,对交点Q(x,y)判定是否同时在目标框体内和凸多边形内部或边界处,若在,则将交点Q(x,y)加入到点坐标集合,即points_set.append(P(x,y));否则,继续检测下一组直线对;
S5e、将点坐标集合points_set内的点利用右手法则和交叉判定原理进行逆时针排序,即points_set=sort(points_set);
S5f、获取points_set的最左边点和最右边点,将points_set内的点按照逆时针连接,所得区域即为凸多边形重叠区域,根据梯形面积求解方法,将所述凸多边形重叠区域划分为从左到右的多个梯形小区域,重叠区域的面积S等于所有梯形小区域面积之和。获取points_set的最左边点和最右边点后将points_set的点按照逆时针连接,所得区域,即为重叠区域,且是凸多边形,因此这里可以根据梯形面积求解方法,将该凸多边形的重叠区域进行划分为从左到右的多个梯形小区域,则重叠区域的面积S就等于所有这些梯形小区域的面积之和。
具体的,上述步骤S6中计算目标物体与检测区域重叠区域与所述目标物体的框图面积的比例,并结合步骤S2设定的所述灵敏度阈值判断是否目标物体有侵入检测区域的嫌疑的判断方法为:计算目标物体与检测区域重叠区域与目标物体面积的比例w=S/O,并根据步骤S2的灵敏度阈值设定来确定灵敏度阈值W_threshold,判断是否物体有异常进入检测区域的行为嫌疑,即,若w>=W_threshold则判定目标物体疑似进入监测区域产生。
本发明提出一种交叉率算法的目标物体检测灵敏度机制,对目标物体进入检测区域的检测灵敏度进行量化,然后设定灵敏度级别分段函数,提供检测区目标物体检测的灵敏度配置功能,从而更加智能的满足实际场景的需要。
本发明通过对检测区域与目标物体的重合度进行计算,并设定灵敏度级别分段函数,对目标物体进入检测区域的检测灵敏度进行量化,从而实现检测区目标物体检测的灵敏度配置功能,同时还可以过滤掉检测区域设定不规范等因素,造成目标物体检测轻微边界重合的事件触发而导致无效事件上报过于频繁。
综上所述仅为本发明较佳的实施例,并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化及修饰,皆应属于本发明的技术范畴。
Claims (3)
1.一种视频检测区域物体侵入检测方法,其特征在于:包括以下步骤:
S1、设定检测区域及其坐标,在后台视频中划定N条首尾相连的直线,并组成凸多边形σ;
S2、设定目标物体与所述检测区域重叠区域面积与目标物体面积的比例对应的灵敏度阈值;
S3、启动物体侵入检测,对视频帧进行目标物体检测;
S4、对每一视频帧进行物体检测,若存在目标物体,则获取该视频帧内所有所述目标物体的边框坐标,并添加至目标物体边框坐标集set_tang,进行步骤S5;若不存在目标物体,继续进行下一视频帧的检测;
S5、依次从所述目标物体边框坐标集set_tang中获取每一个目标物体的边框坐标,计算目标物体的框图面积O;根据所述目标物体的边框坐标和所述检测区域的凸多边形σ的N个顶点坐标,计算出两个图形重叠区域的面积S;其中,“从所述目标物体边框坐标集set_tang中获取每一个目标物体的边框坐标”中,所述边框坐标为矩形坐标,形式为obj_tang =[[Xmin,Ymin],[Xmax,Ymax]] ;“根据所述目标物体的边框坐标和所述检测区域的凸多边形σ的N个顶点坐标,计算出两个图形重叠区域的面积S”的方法为:
S5a、初始化重合区域的点坐标集合为points_set = [];
S5b、依次获取凸多边形σ的N个顶点坐标,设顶点P(x,y),判断P是否在目标物体框体内,即是否同时满足Xmin≤ x≤Xmax以及Ymin≤y≤Ymax ,若满足则将P(x,y)加入到点坐标集合,即,points_set.append(P(x,y));否则,继续监测下一个顶点坐标;
S5c、依次获取目标物体的框体坐标[Xmin,Ymin],[Xmax,Ymax],[Xmin,Ymax]和[Xmax,Ymin],利用叉乘判别法,分别对框体的每个顶点坐标判断是否在凸多边形σ内,若在则将该顶点添加到点坐标集合为points_set;否则,继续监测下一个顶点坐标;
S5d、依次获取框体的四条边的每一条,依次与凸多边形σ的所有边计算其交点,若没有交点则平行,则继续检测下一组直线对;否则,必然存在至少一个交点Q(x,y),然后利用步骤S5b及S5c,对交点Q(x,y)判定是否同时在目标框体内和凸多边形内部或边界处,若在,则将交点Q(x,y)加入到点坐标集合,即points_set.append(P(x,y));否则,继续检测下一组直线对;
S5e、将点坐标集合points_set内的点利用右手法则和交叉判定原理进行逆时针排序,即points_set = sort(points_set);
S5f、获取points_set的最左边点和最右边点,将points_set内的点按照逆时针连接,所得区域即为凸多边形重叠区域,根据梯形面积求解方法,将所述凸多边形重叠区域划分为从左到右的多个梯形小区域,重叠区域的面积S 等于所有梯形小区域面积之和;
S6、计算目标物体与检测区域重叠区域与所述目标物体的框图面积的比例,并结合步骤S2设定的所述灵敏度阈值判断是否目标物体有侵入检测区域的嫌疑,若有,则进行步骤S7,若无,进行步骤S5进行下一目标物体的检测,若所有目标物体检测完成,则进行步骤S4进行下一帧图像检测;
S7、进行物体侵入对应的事件触发检测,然后转向步骤S4进行下一帧图像检测。
2.根据权利要求1所述的一种视频检测区域物体侵入检测方法,其特征在于:所述步骤S2中灵敏度阈值分为5个等级,分别为:
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0小于0.2时,等级为0,忽略目标物体侵入检测区域;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.2小于0.4时,等级为1,此时灵敏度最高设定阈值为0.2;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.4小于0.6时,等级为2,此时灵敏度次高设定阈值为0.4;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.6小于0.8时,等级为3,此时灵敏度次低设定阈值为0.6;
当目标物体与所述检测区域重叠区域面积与目标物体面积的比例为大于等于0.8小于等于1时,等级为4,此时灵敏度最低设定阈值为0.8。
3.根据权利要求1所述的一种视频检测区域物体侵入检测方法,其特征在于: 所述步骤S5 “计算目标物体的框图面积O”中,框图面积O=(Xmax - Xmin)*(Ymax - Ymin)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290057.5A CN111488838B (zh) | 2020-04-14 | 2020-04-14 | 一种视频检测区域物体侵入检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290057.5A CN111488838B (zh) | 2020-04-14 | 2020-04-14 | 一种视频检测区域物体侵入检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488838A CN111488838A (zh) | 2020-08-04 |
CN111488838B true CN111488838B (zh) | 2023-09-01 |
Family
ID=71811783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010290057.5A Active CN111488838B (zh) | 2020-04-14 | 2020-04-14 | 一种视频检测区域物体侵入检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488838B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030423B (zh) * | 2023-03-29 | 2023-06-16 | 浪潮通用软件有限公司 | 一种区域边界侵入检测方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933681A (zh) * | 2016-07-08 | 2016-09-07 | 中国人民解放军国防科学技术大学 | 面向行为识别的灵敏度自适应调整方法 |
CN108010242A (zh) * | 2017-11-22 | 2018-05-08 | 广东数相智能科技有限公司 | 一种基于视频识别的安防报警方法、系统及存储介质 |
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 |
CN109903503A (zh) * | 2019-04-16 | 2019-06-18 | 上海天诚比集科技有限公司 | 一种视频监控物体入侵检测区域的检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336528B2 (en) * | 2008-12-16 | 2016-05-10 | Jeffrey Beaton | System and method for overlay advertising and purchasing utilizing on-line video or streaming media |
-
2020
- 2020-04-14 CN CN202010290057.5A patent/CN111488838B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933681A (zh) * | 2016-07-08 | 2016-09-07 | 中国人民解放军国防科学技术大学 | 面向行为识别的灵敏度自适应调整方法 |
CN108010242A (zh) * | 2017-11-22 | 2018-05-08 | 广东数相智能科技有限公司 | 一种基于视频识别的安防报警方法、系统及存储介质 |
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 |
CN109903503A (zh) * | 2019-04-16 | 2019-06-18 | 上海天诚比集科技有限公司 | 一种视频监控物体入侵检测区域的检测方法 |
Non-Patent Citations (1)
Title |
---|
基于立体视觉的三维空间入侵检测;贾振堂,王计元;上海电力学院学报;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111488838A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5554983A (en) | Object recognition system and abnormality detection system using image processing | |
CN101777114B (zh) | 视频监控智能分析系统和方法及头肩检测跟踪系统和方法 | |
CN110223302A (zh) | 一种基于旋转区域提取的舰船多目标检测方法 | |
CN110298837B (zh) | 基于帧间差分法的消防占道异常物体检测方法 | |
CN111260693B (zh) | 一种高空抛物的检测方法 | |
CN104978751B (zh) | 基于摄像头角度的越界检测方法 | |
CN105678803A (zh) | 基于w4算法和帧间差分的视频监控目标检测方法 | |
KR20090086898A (ko) | 비디오 카메라를 사용한 연기 검출 | |
CN111445501A (zh) | 多目标跟踪方法、装置和存储介质 | |
KR20200103180A (ko) | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 | |
Yaseen et al. | Real-time crowd density mapping using a novel sensory fusion model of infrared and visual systems | |
CN104658152A (zh) | 一种基于视频的运动物体入侵报警方法 | |
CN115527158B (zh) | 一种基于视频监控的人员异常行为检测方法及装置 | |
CN103475800A (zh) | 图像序列中前景的检测方法和装置 | |
CN111488838B (zh) | 一种视频检测区域物体侵入检测方法 | |
EP2546807B1 (en) | Traffic monitoring device | |
CN109685009A (zh) | 一种区域人群密度视频检测的方法 | |
Surkutlawar et al. | Shadow suppression using rgb and hsv color space in moving object detection | |
CN109409243A (zh) | 一种移动目标中人体视觉检测方法 | |
Hensler et al. | Real-time door detection based on adaboost learning algorithm | |
CN113887372A (zh) | 目标聚集检测方法及计算机可读存储介质 | |
Lin et al. | Real-time active tampering detection of surveillance camera and implementation on digital signal processor | |
CN101610412B (zh) | 一种基于多线索融合的视觉跟踪方法 | |
US20040114054A1 (en) | Method of detecting a significant change of scene | |
CN105740814A (zh) | 一种使用视频分析确定固废危废存放状态的方法 |
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 |