CN111832457B - 基于云边协同的陌生人入侵检测方法 - Google Patents

基于云边协同的陌生人入侵检测方法 Download PDF

Info

Publication number
CN111832457B
CN111832457B CN202010628198.3A CN202010628198A CN111832457B CN 111832457 B CN111832457 B CN 111832457B CN 202010628198 A CN202010628198 A CN 202010628198A CN 111832457 B CN111832457 B CN 111832457B
Authority
CN
China
Prior art keywords
frame
video
images
park
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.)
Active
Application number
CN202010628198.3A
Other languages
English (en)
Other versions
CN111832457A (zh
Inventor
李雪
李锐
金长新
王芳
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.)
Shandong Inspur Scientific Research Institute Co Ltd
Original Assignee
Shandong Inspur Scientific 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 Shandong Inspur Scientific Research Institute Co Ltd filed Critical Shandong Inspur Scientific Research Institute Co Ltd
Priority to CN202010628198.3A priority Critical patent/CN111832457B/zh
Publication of CN111832457A publication Critical patent/CN111832457A/zh
Application granted granted Critical
Publication of CN111832457B publication Critical patent/CN111832457B/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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供了一种基于云边协同的陌生人入侵检测方法，实现对非园区内工作人员的检测、定位及追踪功能。其包括如下步骤：建立园区工作人员人脸库；园区入口处终端部署人脸检测及人脸识别模型，检测非园区工作人员，并对其标记；终端数据采集及预处理工作，上传到边缘服务器；边缘服务器在多个视频源中筛选目标图像，并记录其帧图像时间及运动轨迹信息；整合不同源视频的目标图像序列，生成其运动轨迹，并反馈结果；定期对处理结果进行分析处理，对于识别精度低于阈值的处理结果进行反馈，上传错误数据至云端，在云端对模型进行更新训练，并反馈训练参数至边缘服务器进行更新。

Description

基于云边协同的陌生人入侵检测方法
技术领域
本发明涉及一种基于云边协同的陌生人入侵检测方法，属于人脸识别技术领域。
背景技术
园区安防升级，如何利用人工智能技术实现对园区的监测和预警是当前急需解决的问题，主要包含身份识别，陌生人入侵预警、跨摄像头识别及轨迹跟踪等功能。
主要技术难点在于结合行人重识别技术实现跨摄像头的目标定位以及实现实时性分析。园区摄像头由于安放位置、角度等原因，并不能总是拍到行人正脸信息，所以仅依靠人脸识别在多个摄像头中查找同一行人通常是不现实的，在非刻意伪装的情况下，行人短时间内不会改变衣着，而衣着是辨别行人较为明显的特征，因此在这里我们选用人脸结合行人穿着属性来辨别身份。其次在深度学习中，模型越大，往往效果越好，但同时造成边缘端部署困难，检测延迟等问题。传统的视频分析会对每一帧图像都进行推理检测，而视频中存在大量重复帧或变化不大的近似帧，逐帧检测是不需要的，因此，减少不必要的帧检测也是提高推理速度的一种方式，视频不同于图像的另外一点就是图像除本身内容外，帧序列之间的时间关系表征了目标的运动轨迹。
最后，庞大的数据存储制约智能计算的发展，摄像头安放日益增多，设备获取比以往更多地数据，但并非所有数据都有价值，因此决策如何更有效的整合和存储数据变得尤为重要。
发明内容
本发明目的是提供了一种基于云边协同的陌生人入侵检测方法，实现对非园区内工作人员的检测、定位及追踪功能。
本发明为实现上述目的，通过以下技术方案实现：
一种基于云边协同的陌生人入侵检测方法，包括如下步骤：
（1）建立园区工作人员人脸库，用于身份识别对比，区分工作人员与陌生入侵者；
（2）园区入口处终端部署人脸检测及人脸识别模型，利用人脸库对比，检测非园区工作人员，并对其标记；
（3）终端数据采集及预处理工作，包含丢弃模糊图像、裁剪包含感兴趣对象的视频帧图像，上传到边缘服务器；
（4）边缘服务器对上传数据进行分析处理，利用标记目标的结构化属性特征，在多个视频源中筛选目标图像，并记录其帧图像时间及运动轨迹信息；
（5）整合不同源视频的目标图像序列，生成其运动轨迹，并反馈结果；
（6）定期对处理结果进行分析处理，对于识别精度低于阈值的处理结果进行反馈，上传错误数据至云端，在云端对模型进行更新训练，并反馈训练参数至边缘服务器进行更新。
上述基于云边协同的陌生人入侵检测方法基础上，步骤(3)利用行人重识别技术解析视频具体过程如下：
（1）提取多帧包含陌生人的图像，对其定位后进行结构化属性提取，串联后形成一维特征向量，作为参考特征向量，记为
Figure 511842DEST_PATH_IMAGE001
；
（2）在其他监控视频中，对包含陌生人的视频片段进行定位和图像截取，分别提取其属性特征，记为
Figure 168083DEST_PATH_IMAGE002
，与参考特征进行模板匹配，设置阈值为K，计算当前提取特征与参考特征的相似度，
Figure 887777DEST_PATH_IMAGE003
，当
Figure 994273DEST_PATH_IMAGE004
，判断为同一人，保留包含该属性特征的视频序列及时间信息；
（3）对每一个出现过该特征的监控视频都进行相同操作，按照时间顺序排列组合，最后根据园区地图信息，得到陌生人运动轨迹，实现跨摄像头的陌生人追踪。
上述基于云边协同的陌生人入侵检测方法基础上，提取整个视频中的关键帧
Figure 219325DEST_PATH_IMAGE005
，根据关键帧对全部图像进行分帧组合处理，
Figure 803890DEST_PATH_IMAGE006
到
Figure 378091DEST_PATH_IMAGE007
之间的帧作为一个组合（左闭右开），记
Figure 530855DEST_PATH_IMAGE006
帧内像素点为
Figure 354454DEST_PATH_IMAGE008
，利用光流运动估计来计算组合内的其他非关键帧，即计算当前帧与前一帧对应像素点的偏移量
Figure 945972DEST_PATH_IMAGE009
，
Figure 296051DEST_PATH_IMAGE010
，
Figure 744350DEST_PATH_IMAGE011
从关键帧的下一帧开始计算，到下一关键帧之前，逐帧与前一帧计算偏移量，并记录作为一组特征。具体过程如下：将视频中园区场景变化时的第一帧图像作为关键帧K，设定一个阈值s，将当前关键帧到下一关键帧之间的视频图像序列作为一组，组内设定固定间隔，只对间隔帧进行目标检测，间隔帧到下一间隔帧之间的图像检测用光流估计计算，记录每一帧相对前一帧图像的偏移量，将偏移量作为非关键帧特征。
本发明的优点在于：包括视频存储、人脸识别、跨摄像头的行人重识别及运动目标追踪等多个组成部分，并结合模型压缩，将其部署在边缘端，减少延迟等问题，能够实现在第一时间发现陌生人，或者在陌生人进入园区后定位其运动轨迹，便于追踪接触者。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明实施例流程示意图。
图2利用光流运动估计来追踪相似视频图像帧原理示意图。
具体实施方式
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，所描述的实施例仅仅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。
一种基于云边协同的陌生人入侵检测方法，其基于设备端、边缘端和云端，设备端包含检测、识别、传输、反馈等功能，能够对数据进行采集以及数据预处理，边缘端对设备端的数据进行分析处理并将结果发送到云端，云端具有模型训练功能且能进行大数据分析并对模型优化更新，更新后的结果经边缘端到设备端最终输出结果。
一种基于云边协同的陌生人入侵检测方法，包括如下步骤：工作人员从园区入口进入（可有多个），设备端包含检测、识别、传输、反馈等功能，能够对数据进行采集以及数据预处理，主要实现人脸识别及人脸库对比，确认身份后放行，非园区内人员禁止进入，同时，园区内其他摄像头内监控视频定时上传，在云端对视频内出现的人员进行身份识别，若陌生人在非正常情况下进入，当检测到非园区工作人员后，一方面向监控中心发送警报，以便安排相关人员处理，另一方面向各个摄像头处理中心发送陌生人信息，利用行人重识别技术解析视频，对行人定位和视频信息片段截取，实现跨越多个摄像头的目标定位及追踪功能，最后根据园区路径和视频序列，得到陌生人运动轨迹。
利用行人重识别技术解析视频具体过程如下：提取多帧包含陌生人的图像，对其定位后进行结构化属性提取，如身体长宽比、衣服颜色、材质、是否带帽子、眼镜等多个特征，串联后形成一维特征向量，作为参考特征向量，记为
Figure 196191DEST_PATH_IMAGE001
。然后在其他监控视频中，对包含陌生人的视频片段进行定位和图像截取，分别提取其属性特征，记为
Figure 122559DEST_PATH_IMAGE002
，与参考特征进行模板匹配，设置阈值为K，计算当前提取特征与参考特征的相似度，
Figure 828609DEST_PATH_IMAGE003
，当
Figure 651071DEST_PATH_IMAGE004
，与参考特征进行模板匹配，当相似度达到阈值后，判断为同一人，保留包含该属性特征的视频序列及时间信息。对每一个出现过该特征的监控视频都进行相同操作，按照时间顺序排列组合，最后根据园区地图信息，得到陌生人运动轨迹，实现跨摄像头的陌生人追踪。
参考图2，利用光流运动估计来追踪相似视频图像帧原理：对视频解析的单帧图像进行目标检测和特征提取，只考虑到空间维度上的特征，但视频图像序列存在先后顺序，表征时间维度上的逻辑关系，同样也是至关重要的，因此在时间维度上的位置逻辑关系也应该作为网络学习的目标。受限于设备端的计算能力，逐帧识别会造成严重的卡顿现象，采用光流运动补偿方法，具体是指，视频图像的一帧中的代表同一对象(物体)像素点移动到下一帧的移动量，因此我们可以只识别固定帧图像信息，然后记录到下个检测帧之前的序列位置变化情况，一起输入到神经网络进行学习和识别，可以有效提升识别速度。
提取整个视频中的关键帧，根据关键帧对全部图像进行分帧组合处理，
Figure 449263DEST_PATH_IMAGE006
到
Figure 54688DEST_PATH_IMAGE007
之间的帧作为一个左闭右开组合，记
Figure 989146DEST_PATH_IMAGE006
帧内像素点为，利用光流运动估计来计算组合内的其他非关键帧，即计算当前帧与前一帧对应像素点的偏移量
Figure 169460DEST_PATH_IMAGE009
，
Figure 454948DEST_PATH_IMAGE010
，
Figure 598485DEST_PATH_IMAGE012
从关键帧的下一帧开始计算，到下一关键帧之前，逐帧与前一帧计算偏移量，并记录作为一组特征；通常情况下，当人在园区内步行，动作幅度变化比较少，而场景变化比较多，因此将场景信息作为关键帧K，设定一个阈值s，将场景相似度高于阈值的一组图像序列作为一组，对该组图像进行固定间隔的帧检测，而间隔内的其他帧用光流估计的方式追踪运动信息。
本发明具体原理描述如下：
园区入口处需要快速对人员获取的图像进行分析处理，并给出响应，属于边缘端的智能计算，优势是多为人脸正面图像，结构特征明显，可利用简单的人脸特征匹配的方式进行身份识别。园区内其他摄像头内定时上传监控视频需要在云端处理，可以负荷大的深度学习模型，由于安放角度和高度原因，通常难以获取清晰的正面人脸图像，需要对衣着、行为等其他特征进行结构化属性分析；
边缘端部署人脸匹配模型，对人员身份进行判别，云端具有模型训练、大数据分析及模型优化功能，对定时上传的视频数据进行分帧和人员识别，判断有无非园区工作人员，若存在，提取陌生人特征信息，分析各个摄像头监控视频内是否记录陌生人轨迹，然后利用视频的时序信息并结合园区地图对目标进行定位追踪；
边缘端服务器计算DNN模型的初始层，完成单帧图像的目标检测、对比工作，云端计算DNN的较高层。边缘端服务器接收输入数据，进行底层DNN处理，然后将中间结果发送到云端。云端在计算了更高的层之后，将最终结果发送回设备端。这些设计同时利用了边缘服务器和云，云可以帮助处理计算量大的请求，提高边缘服务器的请求处理速度，同时减少边缘服务器和云之间的网络流量。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于云边协同的陌生人入侵检测方法，其特征在于：包括如下步骤：
(1)建立园区工作人员人脸库，用于身份识别对比，区分工作人员与陌生入侵者；
(2)园区入口处终端部署人脸检测及人脸识别模型，利用人脸库对比，检测非园区工作人员，并对其标记；
(3)终端数据采集及预处理工作，包含丢弃模糊图像、裁剪包含感兴趣对象的视频帧图像，上传到边缘服务器；
(4)边缘服务器对上传数据进行分析处理，利用标记目标的结构化属性特征，在多个视频源中筛选目标图像，并记录其帧图像时间及运动轨迹信息；
(5)整合不同源视频的目标图像序列，生成其运动轨迹，并反馈结果；
(6)定期对处理结果进行分析处理，对于识别精度低于阈值的处理结果进行反馈，上传错误数据至云端，在云端对模型进行更新训练，并反馈训练参数至边缘服务器进行更新；
步骤(3)利用行人重识别技术解析视频具体过程如下：
(1)提取多帧包含陌生人的图像，对其定位后进行结构化属性提取，串联后形成一维特征向量，作为参考特征向量，记为V＝{V1,V2,……，Vn}；
(2)在其他监控视频中，对包含陌生人的视频片段进行定位和图像截取，分别提取其属性特征，记为x＝{x1,x2,……，xn}，与参考特征进行模板匹配，设置阈值为K，计算当前提取特征与参考特征的相似度，
Figure FDA0003586129120000011
当s≥K，判断为同一人，保留包含该属性特征的视频序列及时间信息；
(3)对每一个出现过该特征的监控视频都进行相同操作，按照时间顺序排列组合，最后根据园区地图信息，得到陌生人运动轨迹，实现跨摄像头的陌生人追踪；
提取整个视频中的关键帧K1，K2,……,Kn根据关键帧对全部图像进行分帧组合处理，Ki到Ki+1之间的帧作为一个左闭右开组合，记Ki帧内像素点为(Xi，Yi)，i＝{1,2,……，n}利用光流运动估计来计算组合内的其他非关键帧，即计算当前帧与前一帧对应像素点的偏移量S,
Figure FDA0003586129120000012
n从关键帧的下一帧开始计算，到下一关键帧之前，逐帧与前一帧计算偏移量，并记录作为一组特征，具体过程如下：将视频中园区场景变化时的第一帧图像作为关键帧K，设定一个阈值s，将当前关键帧到下一关键帧之间的视频图像序列作为一组，组内设定固定间隔，只对间隔帧进行目标检测，间隔帧到下一间隔帧之间的图像检测用光流估计计算，记录每一帧相对前一帧图像的偏移量，将偏移量作为非关键帧特征。
CN202010628198.3A 2020-07-01 2020-07-01 基于云边协同的陌生人入侵检测方法 Active CN111832457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010628198.3A CN111832457B (zh) 2020-07-01 2020-07-01 基于云边协同的陌生人入侵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010628198.3A CN111832457B (zh) 2020-07-01 2020-07-01 基于云边协同的陌生人入侵检测方法

Publications (2)

Publication Number Publication Date
CN111832457A CN111832457A (zh) 2020-10-27
CN111832457B true CN111832457B (zh) 2022-07-22

Family

ID=72899640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010628198.3A Active CN111832457B (zh) 2020-07-01 2020-07-01 基于云边协同的陌生人入侵检测方法

Country Status (1)

Country Link
CN (1) CN111832457B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817755B (zh) * 2021-01-22 2023-12-19 西安交通大学 基于目标追踪加速的边云协同深度学习目标检测方法
CN112887326A (zh) * 2021-02-23 2021-06-01 昆明理工大学 一种基于边云协同的入侵检测方法
CN112950674B (zh) * 2021-03-09 2024-03-05 厦门市公安局 一种基于多种识别技术协同的跨摄像头轨迹跟踪方法、装置及存储介质
CN113242271A (zh) * 2021-03-17 2021-08-10 北京大学 一种基于数字视网膜的端、边、云协同系统及方法、设备
CN113104046B (zh) * 2021-04-28 2022-11-11 中国第一汽车股份有限公司 一种基于云服务器的开门预警方法及装置
CN113537007B (zh) * 2021-07-02 2024-08-20 中国铁道科学研究院集团有限公司电子计算技术研究所 应用于铁路站台的非工作人员入侵检测与报警方法和装置
CN113674325A (zh) * 2021-09-02 2021-11-19 中科海微(北京)科技有限公司 人员轨迹追踪方法及系统
CN113903068A (zh) * 2021-10-19 2022-01-07 深圳市中博科创信息技术有限公司 基于人脸特征的陌生人监控方法、装置、设备及存储介质
CN114666538A (zh) * 2022-03-03 2022-06-24 深圳慧云智联科技有限公司 智慧社区监控方法及系统
CN116124210A (zh) * 2022-12-27 2023-05-16 合肥工业大学 基于云边协同的移动式工业园区环境监测方法及系统
CN116956960B (zh) * 2023-07-28 2024-07-05 武汉市万睿数字运营有限公司 一种基于云边端协同的社区访客到访路径还原方法及系统
CN117576764B (zh) * 2024-01-15 2024-04-16 四川大学 一种基于多目标追踪的视频无关人员自动识别方法
CN117611106B (zh) * 2024-01-17 2024-04-26 深圳湾科技发展有限公司 一种智慧园区安全运维方法、系统、设备及介质
CN118075427A (zh) * 2024-03-26 2024-05-24 招互(江苏)智慧科技有限公司 一种智能化监控管理方法及系统
CN118038216B (zh) * 2024-04-10 2024-08-02 广州英码信息科技有限公司 一种边缘设备目标检测算法的自动升级方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107797867A (zh) * 2017-10-31 2018-03-13 济南浪潮高新科技投资发展有限公司 一种增强边缘侧智能计算能力的方法及装置
CN109934104A (zh) * 2019-01-29 2019-06-25 武汉烽火众智数字技术有限责任公司 基于行人重识别的跨镜头的行人检索方法及系统
CN110232330A (zh) * 2019-05-23 2019-09-13 复钧智能科技(苏州)有限公司 一种基于视频检测的行人重识别方法
CN110428522A (zh) * 2019-07-24 2019-11-08 青岛联合创智科技有限公司 一种智慧新城的智能安防系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296724B (zh) * 2015-05-12 2020-04-03 杭州海康威视数字技术股份有限公司 一种目标人物的轨迹信息的确定方法、系统及处理服务器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107797867A (zh) * 2017-10-31 2018-03-13 济南浪潮高新科技投资发展有限公司 一种增强边缘侧智能计算能力的方法及装置
CN109934104A (zh) * 2019-01-29 2019-06-25 武汉烽火众智数字技术有限责任公司 基于行人重识别的跨镜头的行人检索方法及系统
CN110232330A (zh) * 2019-05-23 2019-09-13 复钧智能科技(苏州)有限公司 一种基于视频检测的行人重识别方法
CN110428522A (zh) * 2019-07-24 2019-11-08 青岛联合创智科技有限公司 一种智慧新城的智能安防系统

Also Published As

Publication number Publication date
CN111832457A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111832457B (zh) 基于云边协同的陌生人入侵检测方法
CN109644255B (zh) 标注包括一组帧的视频流的方法和装置
Nandhini et al. CNN Based Moving Object Detection from Surveillance Video in Comparison with GMM
US20110096149A1 (en) Video surveillance system with object tracking and retrieval
CN104915655A (zh) 一种多路监控视频的管理方法与设备
CN103986910A (zh) 一种基于智能分析摄像机的客流统计方法和系统
CN107025420A (zh) 视频中人体行为识别的方法和装置
CN110633648B (zh) 一种自然行走状态下的人脸识别方法和系统
CN210072642U (zh) 基于视频监控的人群异常行为检测系统
CN110619268A (zh) 基于时空分析与深度特征的行人再识别方法及装置
CN111666860A (zh) 一种车牌信息与车辆特征融合的车辆轨迹跟踪方法
CN113362374A (zh) 一种基于目标跟踪网络的高空抛物检测方法及系统
CN113436229A (zh) 一种多目标跨摄像机行人轨迹路径的生成方法
CN116012949B (zh) 一种复杂场景下的人流量统计识别方法及系统
Yang et al. A method of pedestrians counting based on deep learning
CN113627497B (zh) 一种基于时空约束的跨摄像头行人轨迹匹配方法
CN113627383A (zh) 一种用于全景智能安防的行人徘徊重识别方法
Seidenari et al. Dense spatio-temporal features for non-parametric anomaly detection and localization
Xu et al. Smart video surveillance system
CN111667507A (zh) 一种高速公路车辆轨迹跟踪方法
CN117037040A (zh) 基于多摄像机监控网络的行人识别与跟踪方法
Xu et al. Unsupervised abnormal behaviour detection with overhead crowd video
Park et al. Intensity classification background model based on the tracing scheme for deep learning based CCTV pedestrian detection
Hsieh et al. Grid-based template matching for people counting
CN212084368U (zh) 一种高速公路车辆轨迹跟踪系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220627

Address after: Building S02, No. 1036, Gaoxin Langchao Road, Jinan, Shandong Province, 250104

Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd.

Address before: 250104 1st floor, R & D building, No. 2877, Suncun Town, Licheng District, Jinan City, Shandong Province

Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd.

GR01 Patent grant
GR01 Patent grant