CN111539265A - 一种电梯轿厢内异常行为检测方法 - Google Patents

一种电梯轿厢内异常行为检测方法 Download PDF

Info

Publication number
CN111539265A
CN111539265A CN202010254595.9A CN202010254595A CN111539265A CN 111539265 A CN111539265 A CN 111539265A CN 202010254595 A CN202010254595 A CN 202010254595A CN 111539265 A CN111539265 A CN 111539265A
Authority
CN
China
Prior art keywords
video
image
people
threshold
pets
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
CN202010254595.9A
Other languages
English (en)
Other versions
CN111539265B (zh
Inventor
牛丹
梁莎莎
丁力
陈夕松
陆一洲
朱孝慈
岳友
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.)
Jiangyin Zhixing Industrial Control Technology Co ltd
SHENLONG ELEVATOR CO LTD
Southeast University
Original Assignee
Jiangyin Zhixing Industrial Control Technology Co ltd
SHENLONG ELEVATOR CO LTD
Southeast University
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 Jiangyin Zhixing Industrial Control Technology Co ltd, SHENLONG ELEVATOR CO LTD, Southeast University filed Critical Jiangyin Zhixing Industrial Control Technology Co ltd
Priority to CN202010254595.9A priority Critical patent/CN111539265B/zh
Publication of CN111539265A publication Critical patent/CN111539265A/zh
Application granted granted Critical
Publication of CN111539265B publication Critical patent/CN111539265B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)
  • Image Analysis (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

本发明公开了一种电梯轿厢内异常行为检测方法，包括：对电梯监控视频的原始图像进行预处理操作；对预处理后的视频进行筛选，采用光流法分割出存在人、宠物及电动车出现的视频段；将筛选出的视频段输入训练好的yolov3模型进行识别，得到视频中的人数和宠物数，并判断是否出现电动车；计算筛选出的视频段中每一帧的运动历史图，根据运动历史图计算出每一帧图像的能量值；根据人数和宠物数，自适应确定能量阈值；结合图像的能量值和确定的自适应能量阈值，以及确定出的是否存在电动车，判断视频段中是否出现异常行为。筛选出有目标出现的视频段再进行处理，节省服务器的计算力消耗，降低对服务器数目和配置的要求，同时也降低运营成本。

Description

一种电梯轿厢内异常行为检测方法
技术领域
本发明属于图像处理技术领域，涉及一种电梯轿厢内异常行为检测方法。
背景技术
电梯轿厢内异常或不文明行为给电梯的正常运行以及电梯乘客的安全带来了很大的隐患，目前多使用人工24小时值守的方式进行视频监控或者简单地基于SVM、yolo等算法对电梯轿厢内的视频目标进行分类监测。但日常生活中，电梯轿厢监控视频中都存在有大量间断时段无人或宠物等目标的出现，使用yolo等深度学习算法长时间无区别地对有无目标的轿厢视频都进行视频大数据挖掘分析，对本地服务器或者云端服务器计算力的配置要求或分配使用都是一个很大的成本负担，特别是在实际应用场景中，单单一个小型社区就会存在数十台监控视频同时需要服务器进行视频大数据挖掘分析进行监控时，基于yolo长时无区别分析的方法对服务器端的数量要求以及单台服务器计算力的配置要求都会很高，同时长时间运行所产生的耗电及维保等运营成本也会很高。
发明内容
本发明目的是：提供一种节省服务器的计算力消耗，降低耗电等运营成本的电梯轿厢内异常行为检测方法。
本发明的技术方案是：一种电梯轿厢内异常行为检测方法，包括：步骤1，对电梯监控视频的原始图像进行预处理操作，将彩色的原始图像转换为灰度图像，再将灰度图像进行高斯模糊处理和滤波去噪，得到预处理后的图像；
步骤2，对预处理后的视频进行筛选，采用光流法分割出存在人、宠物及电动车出现的片段，作为筛选出的视频段；
步骤3，将筛选出的视频段输入训练好的yolov3模型进行识别，得到视频中的人数和宠物数，并判断是否出现电动车；
步骤4，计算筛选出的视频段中每一帧的运动历史图，根据运动历史图计算出每一帧图像的能量值；
步骤5，根据人数和宠物数，自适应确定能量阈值；
步骤6，结合图像的能量值和确定的自适应能量阈值，以及确定出的是否存在电动车，判断视频段中是否出现异常行为。
其进一步的技术方案是：步骤2中的所述采用光流法分割出存在人、宠物及电动车出现的片段，包括：
步骤21，由光流约束方程求出亮度梯度方向上的光流速率V(x,y)，x,y为光流约束方程中像素点的坐标；
步骤22，根据电梯轿厢内的场景设置先验阈值L；
步骤23，筛选出亮度梯度方向上光流速率大于先验阈值的片段作为有目标出现的视频段。
其进一步的技术方案是：步骤4中的所述计算出每一帧图像的能量值，包括：
步骤41，选择帧差法作为更新函数；
步骤42，设置持续时间τ、衰退参数δ和人为阈值ξ；
步骤43，计算每一帧图像的能量值时，使用计算图像熵的方法，通过计算每一帧图像的运动历史图的图像熵，得到对应图像的总能量值Tt。
其进一步的技术方案是：步骤5中的所述根据人数和宠物数，自适应确定能量阈值，包括：
步骤51，以人数、宠物数、自适应能量阈值三个量作为特征值进行SVM分类得到自适应能量阈值的初始值T0；
步骤52，自适应调整阈值，自适应能量阈值T与阈值初始值T0、人数n1和宠物数n2的关系为：
Figure BDA0002436801740000021
其中，a,b为自适应系数，w为电梯轿厢核载人数。
其进一步的技术方案是：步骤6中的所述判断视频段中是否出现异常行为，包括：
步骤61，根据步骤3识别出的对应帧是否出现电动车判断是否出现异常行为，若出现电动车，则对应视频段确定为出现异常行为，若未出现电动车，则执行步骤62；
步骤62，根据步骤3得到的对应帧的人数判断对应视频是单人视频还是多人视频，若为单人视频，则执行步骤63，若为多人视频，则执行步骤64；
步骤63，直接判断画面总能量值Tt是否超过步骤5确定的自适应能量阈值T，若超过，则对应视频确定为出现异常行为；
步骤64，计算图像中每人的平均能量值Ts，若每人的平均能量值超过步骤5确定的自适应能量阈值T，则对应视频确定为出现异常行为。
本发明的优点是：
通过融合yolo3、光流法和自适应能量阈值，在使用yolo3深度学习算法检测前结合使用光流法对视频进行预处理，筛选出有目标出现的视频段再进行处理，提高了yolo3使用的针对性，从而节省服务器的计算力消耗，进而大幅降低对服务器数目和配置的要求，同时也降低电力、维保等运营成本；根据电梯内人数变化以及其他影响因素来自适应确定能量阈值，可以减少误判率，提高异常行为的判断准确性。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1是本申请提供的一种电梯轿厢内异常行为检测方法的流程图；
图2是本申请提供的一种视频段的场景示意图；
图3是本申请提供的另一种视频段的场景示意图。
具体实施方式
实施例：本申请提供了一种电梯轿厢内异常行为检测方法，如图1所示，该方法可以包括以下步骤：
步骤1，对电梯监控视频的原始图像进行预处理操作，将彩色的原始图像转换为灰度图像，再将灰度图像进行高斯模糊处理和滤波去噪，得到预处理后的图像。
步骤2，对预处理后的视频进行筛选，采用光流法分割出存在人、宠物及电动车出现的片段，作为筛选出的视频段。
结合参考图2和图3，示例性的，筛选出视频段N1和视频段N2。
可选的，步骤2中的采用光流法分割出存在人、宠物及电动车出现的片段，包括：
步骤21，由光流约束方程求出亮度梯度方向上的光流速率V(x,y)，x,y为光流约束方程中像素点的坐标。
其中，光流约束方程为：E(x，y，t)＝E(x+dx，y+dt)，由此求出亮度梯度方向上的光流速率为：V(x，y)＝abs(Et/sqrt(Ex*Ex+Ey*Ey))。
步骤22，根据电梯轿厢内的场景设置先验阈值L。
示例性的，设置先验阈值L＝4.0。
步骤23，筛选出亮度梯度方向上光流速率大于先验阈值的片段作为有目标出现的视频段，即筛选出V(x,y)＞L的片段作为有目标出现的视频段。
步骤3，将步骤2筛选出的视频段输入训练好的yolov3模型进行识别，得到视频中的人数和宠物数，并判断是否出现电动车。
将视频段N1和视频段N2输入训练好的yolo3模型进行识别，得到视频段N1中的人数为1，并判断出现电动车，视频段N2中的人数n1为2，宠物数n2为1。结合参考图2和图3，其中单实线框识别的是人，双实线框识别的是电动车，虚线框识别的是宠物。
步骤4，计算步骤2筛选出的视频段中每一帧的运动历史图，根据运动历史图计算出每一帧图像的能量值。
运动历史图是一种基于视觉的模板方法，通过计算时间段内同一位置的像素变化，将目标运动情况以图像亮度的形式表现出来。每个像素的灰度值表示在一组视频序列中该位置像素的最近的运动情况，最后运动的时刻越接近当前帧，该像素的灰度值越高，因此，运动历史图可以表征人体在一个动作过程中最近的动作情况。
可选的，步骤4中的计算出每一帧图像的能量值，包括：
步骤41，选择帧差法作为更新函数。
步骤42，设置持续时间τ、衰退参数δ和人为阈值ξ。
示例性的，若摄像模块的拍摄帧率为10帧/秒，则持续时间τ的取值为10，δ的取值为1，ξ的取值为255/12。
步骤43，计算每一帧图像的能量值时，使用计算图像熵的方法，通过计算每一帧图像的运动历史图的图像熵，得到对应图像的总能量值Tt。
图像熵是一种图像特征的统计形式，反映了图像中平均信息量的多少。图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，图像的二维熵与一维熵相比，增添了灰度的空间特征，而在图像处理中，涉及最多的空间特征就是像素和邻域像素之间的关系，二维熵在一维的基础上引入图像的邻域灰度均值用作灰度分布的空间特征量。
以低n帧图像为例，如图3所示，计算该帧图像总能量值Tt为2.324。
步骤5，根据步骤3得到的人数n1和宠物数n2，自适应确定能量阈值。
可选的，步骤5中的根据人数和宠物数，自适应确定能量阈值，包括：
步骤51，以人数、宠物数、自适应能量阈值三个量作为特征值进行SVM分类得到自适应能量阈值的初始值T0。
以图3为例，若电梯核载人数为12，电梯内人数n1为2，宠物数n2为1，则T0＝1.35。
步骤52，自适应调整阈值，自适应能量阈值T与阈值初始值T0、人数n1和宠物数n2的关系为：
Figure BDA0002436801740000051
其中，a,b为自适应系数，w为电梯轿厢核载人数，示例性的，图3中T0＝1.35，w＝12，n1＝2，n2＝1，此时取a＝0.7，b＝0.2，则阈值T＝1.1554。
步骤6，结合步骤4计算出的图像的能量值和步骤5确定的自适应能量阈值，以及确定出的是否存在电动车，判断视频段中是否出现异常行为。
可选的，步骤6中的判断视频段中是否出现异常行为，包括：
步骤61，根据步骤3识别出的对应帧是否出现电动车判断是否出现异常行为，若出现电动车，则对应视频段确定为出现异常行为，若未出现电动车，则执行步骤62。
比如图2中的视频段N1出现了电动车，则直接判断视频段N1出现了异常，图3中的视频段N2未出现电动车，则执行步骤62。
步骤62，根据步骤3得到的对应帧的人数n1判断对应视频是单人视频还是多人视频，若为单人视频，则执行步骤63，若为多人视频，则执行步骤64。
比如图3中的视频段N2中的人数n1为2，则判定视频段N2为多人视频，则执行步骤64。
步骤63，直接判断画面总能量值Tt是否超过步骤5确定的自适应能量阈值T，若超过，则对应视频确定为出现异常行为。
步骤64，计算图像中每人的平均能量值Ts，若每人的平均能量值超过步骤5确定的自适应能量阈值T，则对应视频确定为出现异常行为。
示例性的，如图3所示，人数n1为2，该帧图像总能量值Tt为2.324，因此Ts为1.162。当前平均能量值Ts超过了步骤5确定的自适应能量阈值T，因此判定视频段N2出现了异常行为，相关报警装置给出报警信号。
将深度学习与人体行为识别结合，首先使用光流法结合先验阈值对电梯内监控视频进行筛选，分割出有人、宠物及电动车出现的视频片段，然后再进行后续yolo3的人数识别及宠物电动车的识别工作，节省对服务器的计算资源的占用，降低运行成本。使用运动历史图与图像熵相结合的方式对筛选出的每一帧画面能量值进行计算，并通过将其与适合于电梯轿厢这一场景的自适应能量阈值相比较的方法对画面是否出现异常行为作出判断，降低了误判率，提高了异常行为的判断准确性。
综上所述，本申请提供的电梯轿厢内异常行为检测方法，通过融合yolo3、光流法和自适应能量阈值，在使用yolo3深度学习算法检测前结合使用光流法对视频进行预处理，筛选出有目标出现的视频段再进行处理，提高了yolo3使用的针对性，从而节省服务器的计算力消耗，进而大幅降低对服务器数目和配置的要求，同时也降低电力、维保等运营成本；根据电梯内人数变化以及其他影响因素来自适应确定能量阈值，可以减少误判率，提高异常行为的判断准确性。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含所指示的技术特征的数量。由此，限定的“第一”、“第二”的特征可以明示或隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或者两个以上。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器、磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.一种电梯轿厢内异常行为检测方法，其特征在于，包括：
步骤1，对电梯监控视频的原始图像进行预处理操作，将彩色的原始图像转换为灰度图像，再将灰度图像进行高斯模糊处理和滤波去噪，得到预处理后的图像；
步骤2，对预处理后的视频进行筛选，采用光流法分割出存在人、宠物及电动车出现的片段，作为筛选出的视频段；
步骤3，将筛选出的视频段输入训练好的yolov3模型进行识别，得到视频中的人数和宠物数，并判断是否出现电动车；
步骤4，计算筛选出的视频段中每一帧的运动历史图，根据运动历史图计算出每一帧图像的能量值；
步骤5，根据人数和宠物数，自适应确定能量阈值；
步骤6，结合图像的能量值和确定的自适应能量阈值，以及确定出的是否存在电动车，判断视频段中是否出现异常行为。
2.根据权利要求1所述的电梯轿厢内异常行为检测方法，其特征在于，步骤2中的所述采用光流法分割出存在人、宠物及电动车出现的片段，包括：
步骤21，由光流约束方程求出亮度梯度方向上的光流速率V(x,y)，x,y为光流约束方程中像素点的坐标；
步骤22，根据电梯轿厢内的场景设置先验阈值L；
步骤23，筛选出亮度梯度方向上光流速率大于先验阈值的片段作为有目标出现的视频段。
3.根据权利要求2所述的电梯轿厢内异常行为检测方法，其特征在于，步骤4中的所述计算出每一帧图像的能量值，包括：
步骤41，选择帧差法作为更新函数；
步骤42，设置持续时间τ、衰退参数δ和人为阈值ξ；
步骤43，计算每一帧图像的能量值时，使用计算图像熵的方法，通过计算每一帧图像的运动历史图的图像熵，得到对应图像的总能量值Tt。
4.根据权利要求3所述的电梯轿厢内异常行为检测方法，其特征在于，步骤5中的所述根据人数和宠物数，自适应确定能量阈值，包括：
步骤51，以人数、宠物数、自适应能量阈值三个量作为特征值进行SVM分类得到自适应能量阈值的初始值T0；
步骤52，自适应调整阈值，自适应能量阈值T与阈值初始值T0、人数n1和宠物数n2的关系为：
Figure FDA0002436801730000021
其中，a,b为自适应系数，w为电梯轿厢核载人数。
5.根据权利要求4所述的电梯轿厢内异常行为检测方法，其特征在于，步骤6中的所述判断视频段中是否出现异常行为，包括：
步骤61，根据步骤3识别出的对应帧是否出现电动车判断是否出现异常行为，若出现电动车，则对应视频段确定为出现异常行为，若未出现电动车，则执行步骤62；
步骤62，根据步骤3得到的对应帧的人数判断对应视频是单人视频还是多人视频，若为单人视频，则执行步骤63，若为多人视频，则执行步骤64；
步骤63，直接判断画面总能量值Tt是否超过步骤5确定的自适应能量阈值T，若超过，则对应视频确定为出现异常行为；
步骤64，计算图像中每人的平均能量值Ts，若每人的平均能量值超过步骤5确定的自适应能量阈值T，则对应视频确定为出现异常行为。
CN202010254595.9A 2020-04-02 2020-04-02 一种电梯轿厢内异常行为检测方法 Active CN111539265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010254595.9A CN111539265B (zh) 2020-04-02 2020-04-02 一种电梯轿厢内异常行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010254595.9A CN111539265B (zh) 2020-04-02 2020-04-02 一种电梯轿厢内异常行为检测方法

Publications (2)

Publication Number Publication Date
CN111539265A true CN111539265A (zh) 2020-08-14
CN111539265B CN111539265B (zh) 2024-01-09

Family

ID=71977105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010254595.9A Active CN111539265B (zh) 2020-04-02 2020-04-02 一种电梯轿厢内异常行为检测方法

Country Status (1)

Country Link
CN (1) CN111539265B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052797A (zh) * 2020-09-07 2020-12-08 合肥科大立安安全技术有限责任公司 基于MaskRCNN的视频火灾识别方法及系统
CN112215210A (zh) * 2020-11-20 2021-01-12 江苏三川智能科技有限公司 一种基于ai和hmm的电梯电动车识别预警方法
CN112330907A (zh) * 2020-10-23 2021-02-05 中瑞百行科技(北京)有限公司 一种用于电梯的智能消防管理系统
CN112633126A (zh) * 2020-12-18 2021-04-09 联通物联网有限责任公司 视频处理方法及装置
CN113095236A (zh) * 2021-04-15 2021-07-09 国家电网有限公司 一种基于智能眼镜的危险行为识别方法
CN113392271A (zh) * 2021-05-25 2021-09-14 珠海格力电器股份有限公司 猫眼数据的处理方法、模组、电子设备和存储介质
CN113902714A (zh) * 2021-10-12 2022-01-07 江阴仟亿日化包装有限公司 利用漆色分辨的信息收发平台
CN114524339A (zh) * 2022-01-06 2022-05-24 广东博智林机器人有限公司 电梯轿厢安全运行检测方法、装置、设备及存储介质
CN115289623A (zh) * 2022-07-15 2022-11-04 珠海格力电器股份有限公司 电梯空调的控制方法及系统
CN118298285A (zh) * 2024-06-05 2024-07-05 宁波宏大电梯有限公司 一种基于语义分析的宠物牵引绳入梯检测方法
CN118470804A (zh) * 2024-07-12 2024-08-09 云海时空(南京)科技有限公司 一种基于监控视频的乘客异常行为识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103693532A (zh) * 2013-12-26 2014-04-02 江南大学 一种电梯轿厢内暴力行为检测方法
CN110765964A (zh) * 2019-10-30 2020-02-07 常熟理工学院 基于计算机视觉的电梯轿厢内异常行为的检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103693532A (zh) * 2013-12-26 2014-04-02 江南大学 一种电梯轿厢内暴力行为检测方法
CN110765964A (zh) * 2019-10-30 2020-02-07 常熟理工学院 基于计算机视觉的电梯轿厢内异常行为的检测方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052797A (zh) * 2020-09-07 2020-12-08 合肥科大立安安全技术有限责任公司 基于MaskRCNN的视频火灾识别方法及系统
CN112330907A (zh) * 2020-10-23 2021-02-05 中瑞百行科技(北京)有限公司 一种用于电梯的智能消防管理系统
CN112215210A (zh) * 2020-11-20 2021-01-12 江苏三川智能科技有限公司 一种基于ai和hmm的电梯电动车识别预警方法
CN112633126A (zh) * 2020-12-18 2021-04-09 联通物联网有限责任公司 视频处理方法及装置
CN113095236A (zh) * 2021-04-15 2021-07-09 国家电网有限公司 一种基于智能眼镜的危险行为识别方法
CN113392271A (zh) * 2021-05-25 2021-09-14 珠海格力电器股份有限公司 猫眼数据的处理方法、模组、电子设备和存储介质
CN113902714A (zh) * 2021-10-12 2022-01-07 江阴仟亿日化包装有限公司 利用漆色分辨的信息收发平台
CN114524339A (zh) * 2022-01-06 2022-05-24 广东博智林机器人有限公司 电梯轿厢安全运行检测方法、装置、设备及存储介质
CN114524339B (zh) * 2022-01-06 2024-02-09 广东博智林机器人有限公司 电梯轿厢安全运行检测方法、装置、设备及存储介质
CN115289623A (zh) * 2022-07-15 2022-11-04 珠海格力电器股份有限公司 电梯空调的控制方法及系统
CN118298285A (zh) * 2024-06-05 2024-07-05 宁波宏大电梯有限公司 一种基于语义分析的宠物牵引绳入梯检测方法
CN118470804A (zh) * 2024-07-12 2024-08-09 云海时空(南京)科技有限公司 一种基于监控视频的乘客异常行为识别方法及系统
CN118470804B (zh) * 2024-07-12 2024-09-24 云海时空(南京)科技有限公司 一种基于监控视频的乘客异常行为识别方法及系统

Also Published As

Publication number Publication date
CN111539265B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN111539265A (zh) 一种电梯轿厢内异常行为检测方法
CN109154976B (zh) 通过机器学习训练对象分类器的系统和方法
CN112836687B (zh) 视频行为分割方法、装置、计算机设备及介质
US9230175B2 (en) System and method for motion detection in a surveillance video
CN108734107B (zh) 一种基于人脸的多目标跟踪方法及系统
US9247155B2 (en) Method and system for robust scene modelling in an image sequence
CN113330450A (zh) 用于识别图像中的对象的方法
US10181088B2 (en) Method for video object detection
US8553086B2 (en) Spatio-activity based mode matching
CN116311212B (zh) 基于高速摄像机实现运动状态下的船号识别方法及装置
US9053355B2 (en) System and method for face tracking
CN111027347A (zh) 一种视频识别方法、装置和计算机设备
KR20180109658A (ko) 영상 처리 방법과 장치
CN117475357B (zh) 基于深度学习的监控视频图像遮挡检测方法及系统
Liu et al. Scene background estimation based on temporal median filter with Gaussian filtering
CN113963321B (zh) 图像处理方法、装置、电子设备和介质
Wang et al. Variant-depth neural networks for deblurring traffic images in intelligent transportation systems
Taha et al. Moving shadow removal for multi-objects tracking in outdoor environments
abd el Azeem Marzouk Modified background subtraction algorithm for motion detection in surveillance systems
CN115908802A (zh) 摄像头遮挡检测方法、装置、电子设备及可读存储介质
CN117409263B (zh) 一种无人机自动图像校正引导降落方法和计算机存储介质
CN119068345B (zh) 一种图像处理方法、装置、存储介质及电子设备
Zhu et al. Improved adaptive mixture of Gaussians model for moving objects detection
CN113111730B (zh) 快速高精度的图像模糊检测方法及装置
CN119206178A (zh) 仿生昆虫视觉的目标识别方法、装置和电子设备

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