CN112070033A - 一种基于有限状态机分析的视频遗留物检测方法 - Google Patents
一种基于有限状态机分析的视频遗留物检测方法 Download PDFInfo
- Publication number
- CN112070033A CN112070033A CN202010945842.XA CN202010945842A CN112070033A CN 112070033 A CN112070033 A CN 112070033A CN 202010945842 A CN202010945842 A CN 202010945842A CN 112070033 A CN112070033 A CN 112070033A
- Authority
- CN
- China
- Prior art keywords
- model
- term
- background
- foreground
- state machine
- 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.)
- Pending
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
- G06V20/41—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/70—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
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于有限状态机分析的视频遗留物检测方法,首先结合长、短期背景模型提取前景;然后引入基于像素的有限状态机模型,该模型利用时间转移信息,根据每个像素的序列模式来寻找稳定的前景,确定静态前景。本发明提出了一种新的、稳定的目标遗留事件检测方法,即使在突然的光线变化下也能找到静态的前景,并且该方法能有效地追踪到被遗弃目标的主人,并通过有限状态机模型对事件进行完整的语义分析,从而实现报警。
Description
技术领域
本发明属于安防监控视频智能分析技术领域,特别是涉及一种基于有限状态机分析的视频遗留物检测方法。
背景技术
视频监控系统在智慧城市中扮演着非常重要的角色。智能视频分析技术能够对视频中的异常行为进行实时提取和筛选,并及时发出警告,从原先被动式事后查证转变成主动式事前预防,彻底改变了传统监控只能“监”不能“控”的被动状态。
视频遗留物检测是智能视频监控系统的核心功能之一,常见的遗留物体有行李箱、包裹等,还有可能是恐怖分子故意留置的危险爆炸物体。现有的视频遗留物检测方法主要分为两类。第一类方法是应用一个预先训练过的目标检测器来查找场景中感兴趣的目标。然而,由于对象的各种表现形式所带来的困难和相应的高计算成本,在实际应用中对这种方法的可靠性提出了很高的要求。第二类方法是通过背景减法技术将感兴趣的区域分类为预定义的类别之一。虽然这些方法只利用低层次的视觉线索来寻找目标,但它们往往能有效地检测出被遗弃的目标,满足商业应用的实际要求。这类方法主要通过组合多个背景模型检测遗留的静止目标。然而,这些方法的局限性在于,对于拥挤的场景,往往无法处理光照变化问题。为了满足行李事件的语义要求,通常在事件检测算法中加入跟踪算法。然而,这些跟踪方法往往由于遮挡和外观模式的改变而失败。突然的光照变化是背景减法中的一个难题,而所有者的轨迹分析对于遗留物检测也很重要。
发明内容
本发明为克服现有技术的不足,提出一种基于有限状态机分析的视频遗留物检测方法。
本发明的技术方案是基于有限状态机分析的视频遗留物检测方法,包括如下步骤:首先结合长、短期背景模型提取前景;然后引入基于像素的有限状态机模型,该模型利用时间转移信息,根据每个像素的序列模式来寻找稳定的前景,找到静态前景;
具体如下:
1)用于背景建立的增强互补背景建模:增强互补背景模型在建立背景时采用高斯模型,给定学习速率,对选定ROI区域的前500帧建立初期的高斯背景模型,给出不同的学习速率建立一个长期背景模型和一个短期背景模型分别进行高斯配,匹配成功则认定为背景,匹配失败则认为是前景;
2)基于像素的有限状态机:有限状态机是基于像素点的,给定每个像素点两个比特,分别对应着长期,短期模型,当有限状态机处于静态候选物状态时,通过遗留物分析,触发警报;3)遗留物验证分析。
进一步,产生稳定的前景检测结果,该像素在互补背景中两个模型认定为前景时,才能确定为前景:遵循FCBM=FL&M(FS),其中FL,FS分别表示长期和短期模型的二值化图像,M表示作用于区域补偿的形态学操作。
进一步,强互补背景模型:设λ是一个通用的背景——学习算法的学习速率,原则上,较大的λ时,背景模型将被更新快,反之亦然;设BL和BS分别表示长期背景模型和短期背景模型;通过通用背景建模算法,使用学习速度λL和λS(λS>λL)构造
本发明的特点在于:
1、本发明提出了一种新的、稳定的目标遗留事件检测方法,即使在突然的光线变化下也能找到静态的前景,并且该方法能有效地追踪到被遗弃目标的主人,并通过有限状态机模型对事件进行完整的语义分析,从而实现报警。首先结合长、短期背景模型提取前景,然后引入基于像素的有限状态机模型,该模型利用时间转移信息,根据每个像素的序列模式来寻找稳定的前景。即使在光线突变的情况下也能找到静态前景。
2、本发明的总体设计方案主要分为用于背景建立的增强互补背景建模,基于像素的有限状态机,遗留物验证分析三大模块。增强互补背景模型在建立背景时用到了高斯模型,给定一个学习速率,对选定ROI区域的前500帧建立一个初期的高斯背景模型,给出不同的学习速率建立一个长期背景模型和一个短期背景模型分别进行高斯配,匹配成功则认定为背景,匹配失败则认为是前景。有限状态机是基于像素点的,给定每个像素点两个比特,分别对应着长期,短期模型,当有限状态机处于静态候选物状态时,通过遗留物分析,触发警报。
附图说明
图1设计流程方案图;
图2测试视频原像;
图3长期模型二值图像;
图4短期模型二值图像;
图5基于像素的有限状态机;
图6单目标检测视频图(1);
图7单目标检测视频图(2);
图8ROI区域选定;
图9单目标检测过程图;
图10遗留物分析验证;
图11系统成功发出警报;
图12多目标检测且有光线变化解析图:a-是第一个目标出现后并离开了其背包,b-25s后背包主人回到其背包旁,c-第二个目标出现后离开了他的背包,d-第二个目标出现后离开了他的背包,e-第一个目标出现在光线变化之前,f-第二个目标出现在光线变化之后;
图13多目标检测且有光线变化测试图:a光线比较暗的环境下对遗留物的检测,长期模型前景学习,b-短期模型的前景学习;
图14多目标检测且有光线变化测试图;
图15多目标检测且有光线变化测试图:a-短期,b-长期;
图16多目标检测且有光线变化测试图;
图17人群拥挤的场景下的遗留物检测。
具体实施方式
以下结合附图对本发明作进一步的说明。
图1所示为设计流程方案图。增强互补背景模型将长期和短期背景模型结合起来实现互补,联合起来提取运动状态的前景。互补模型分别通过慢的和快的学习速率来建立长期和短期的模型。然后,为了产生稳定的前景检测结果,该像素在互补背景中两个模型认定为前景时,才能确定为前景。遵循FCBM=FL&M(FS),其中FL,FS分别表示长期和短期模型的二值化图像,M表示作用于区域补偿的形态学操作。
互补背景模型通常用于背景提取。然而,一个在实践中常见但现有方法难以解决的具有挑战性的案例是照明的突然变化。本发明加强了互补背景模型,使它更可靠的应对突然光变化。设λ是一个通用的背景——学习算法的学习速率。原则上,较大的λ时,背景模型将被更新快,反之亦然。设BL和BS分别表示长期背景模型和短期背景模型。
通过通用背景建模算法,使用学习速度λL和λS(λS>λL)构造。长期模型的优点是可以稳定地构造背景,更精确地提取运动前景形状。但是由于模型更新慢,不能及时反映背景的快速变化,容易受到背景突变(如光照变化)的影响。相比之下,短期建模可以快速更新背景模型,因此受到光照影响程度较低,但是因为慢动作对象可能会被误更新为背景很容易产生破坏和噪声在前景区域。
因此,将长期和短期背景模型的结合,可以很容易地识别突发光变化的情况。这种情况通常发生在室内开/关灯的时候,或者室外被云覆盖的时候,在一般的背景学习和差分中,会同时检测到大面积的虚假前景。通过检查FL,FS的面积来识别这种情况,其中FL,FS分别是通过背景子拖拽,使用BL和BS得到的前景二值图像。因为在这种情况下,短期建模可以快速地学习背景模型,并且具有较高的学习速度。但是,长期模型更新背景速率较慢。因此在这种情况下,在长期建模的结果中会检测到一个很大的假前景,这会导致FL面积的突然增大,从而使FL,FS变大。
当FL,FS面积大于一个预定义的阈值,只是改变短期模型的学习速率,λS暂时提高,直到FL,FS接近一个空集,所以BL可以很快适应场景受到光照的效果。人们可能会想,当一个场景中出现一大群人时,FL的面积也会变大。然而,由于人群中的个体并不总是静态的,因此相关的局部运动仍然可以在通过短期建模得到的FS中产生相当大的前景区域。
基于像素的有限状态机
有限状态机是一种数学模型,用于表示有限个状态在固定条件之间的转换。本发明中有长期短期模型,长期和短期模型单个拿出来都适合用于检测静止目标。由于长短期模型的背景学习速率相差之大,短期模型很快会把静止目标归类为背景,下面用图2-图4映射这种情况:
由以上三张图片可以见得,短期模型学习速度很快。所以将一个像素表示为两个比特码Si,将长期短期模型与之联系起来。Si=00意味着像素i是背景像素。Si=01表示i像素是一个被物体暂时遮挡而最近暴露的背景像素。Si=10意味着像素i很可能是一个静态物体。Si=11表示i像素对应于一个移动的对象。以上述方式,构造一个基于像素的有限状态机。
从Si=00开始,表示在像素i处高斯匹配与前面的模型匹配成功。当一个人把行李带到那个位置时,像素点i高斯匹配不成功,因此Si=11。然后,当人所携带的行李被抛弃时,由于短期模型有较快的学习速率,所以很快就会将静态前景更新为背景,而长期建模方法更新的速度较慢,因此该像素点的状态为Si=10。当Si=10的状态保持一段时间后,我们就可以推测一个静态前景中包含了像素i。在此过程中,只有保持候选静态前景的状态一段时间后,像素才被归类为静态前景。
首先通过简单的宽高估算程序排除掉可能是人的静态前景,这样可以提高系统运行速率。为了排除行李是被主人暂时放在地上一段时间的情况,建立总结视频为查看行李主人是不是再次靠近了他的行李。如果行李的主人没有再拿起他的行李,这就是一个遗留物品的案例。利用以下回溯算法验证视频分析。当一个静态前景被认为是行李的候选,没有找到其他移动的前景。在其相邻的半径为D的区域,从当前帧t返回到前一帧t0=t-Ts,此时所有者可能会放下行李,此时Ts在设定为30s。
时间常数Ts与有限状态机中的Ts为同一参数。设待托运行李在t0时刻的图像位置为p。以p为中心,创建了一个时空窗口W0,其窗口大小为(r,δ),r是以p为中心的半径,δ为指定时间间隔然后,在时空窗口W0中,考虑了背景相减算法找到的所有前景团块。然后,通过宽高估计器从这些形状中中选择最适合人类形状的一个。提取颜色分布作为前景的特征表示。然后,集中在p1,创建一个新的时空窗口W1,其大小为(r1,δ)。然后,使用巴式系数来查找颜色分布与窗口W1中所有者的颜色分布最相似的斑点,并创建一个以找到的新斑点为中心的窗口W2。
重复上述过程,可以跟踪所有者斑点,直到时间超过原始时间t,或者跟踪的主人位于以候选行李为中心的邻近区域之外。
回溯算法也用来建立一个视频摘要,当它被用来追踪更多的前景块时,系统也因此提供了一个以行李为中心的预定义时空区域的摘要视频。因此,用户可以很容易地浏览这一总结视频,行李遗失报警通知。
然后对遗留事件分析,定义遗留物判定帧数Z,Z就等于30乘以视频帧数,以此验证物品遗留。
在不同场景下的实验
1.单目标检测
首先,先从最简单的单一目标且场景无变化的视频中,检测该系统的可行性。先进进入系统,选择视频检测,选定需要测试的视频文件。将测试视频部分帧数截图下来,截图内容,从视频播放器中可见,视频中背包的主人在视频播放到1分09s时离开了他的背包。
然后,在原视频中,背包的主人离开之后就再也没有回到背包附近,在图3-13中可以看到主人已经离开了他的背包,且离开了视频的视野中,在播放器读条中可见已经播放到了1分39s,证明在视频中主人已经离开三十秒后背包主人也没有出现,所以程序应该会发出警报。
在程序运行的过程中,选定了一个如下图的ROI区域,会将ROI区域设定为一个二值图像,程序会只检测ROI区域内的前景。
选定之后,系统会首先进行500帧的背景训练,然后随着测试跳转到刚才视频中主人离开的那一秒,如图9所示,主人已经离开了他的背包,可以从长期短期模型中明显的看出不同,静止的背包,由于短期模型的学习速率之快,已经被归类为背景,然而在长期模型中,还是被归类为前景,这时候系统将背包归类为可疑的被丢弃目标。随后建立总结视频验证,并进行遗留物分析。
图10-11,通过遗留物分析验证,证明主人并没有再次回到背包旁边,所以此事件属于遗留物事件,警报触发。
2.多目标且有光线变化的情况下检测
图12中a图是第一个目标出现后并离开了其背包,b图是经过25s后背包主人回到其背包旁,拿走了他的背包。c图中第二个目标出现后离开了他的背包,d图中第二个目标返回出现也拿走了他的背包。e图与f图对比,有着明显的光线变化,第一个目标出现在光线变化之前,第二个目标出现在光线变化之后。
图13中系统在一个光线比较暗的环境下对遗留物的检测,可以长期模型短期模型的前景学习速度之差是很大的,在目标人物刚离开目标时,背包就被短期模型更新归类为背景,由于背包主人,在系统将此前景归类为静态前景时就将背包取回,图14中背包主人已经将背包取走,且系统没有发出警报。
图15中场景已经发生了光线变化,短期模型很明显不受光线影响,很快的更新了背景,第二个目标人物已出现,这个主人离开的时间并没有超过30s,系统也没有报警,系统也对该行为做出了总结视频分析。
3.人群拥挤的场景下检测
测试人群拥挤的场面ROI区域选定整个视频区域。在这个人群拥挤的场景下,人群杂乱,在视频中并没有出现主人将背包放置后离开的现象,但是由于人与人的重叠,系统的宽高估算程序无法识别重叠在一块的人物,导致暂时静止在场景中的人会被误认为是静态前景,从而会使系统进行总结视频验证,人静止也只是短暂的,所以系统也不会发出错误的警报。测试结果图如图17。
Claims (3)
1.一种基于有限状态机分析的视频遗留物检测方法,其特征在于,包括如下步骤:首先结合长、短期背景模型提取前景;
然后引入基于像素的有限状态机模型,该模型利用时间转移信息,根据每个像素的序列模式来寻找稳定的前景,确定静态前景;
具体如下:
1)用于背景建立的增强互补背景建模:增强互补背景模型在建立背景时采用高斯模型,给定学习速率,对选定ROI区域的前500帧建立初期的高斯背景模型,给出不同的学习速率建立一个长期背景模型和一个短期背景模型分别进行高斯配,匹配成功则认定为背景,匹配失败则认为是前景;
2)基于像素的有限状态机:有限状态机是基于像素点的,给定每个像素点两个比特,分别对应着长期,短期模型,当有限状态机处于静态候选物状态时,通过遗留物分析,触发警报;
3)遗留物验证分析。
2.根据权利要求1所述的一种基于有限状态机分析的视频遗留物检测方法,其特征在于,产生稳定的前景检测结果,该像素在互补背景中两个模型认定为前景时,才能确定为前景:遵循FCBM=FL&M(FS),其中FL,FS分别表示长期和短期模型的二值化图像,M表示作用于区域补偿的形态学操作。
3.根据权利要求1所述的一种基于有限状态机分析的视频遗留物检测方法,其特征在于,加强互补背景模型:设λ是一个通用的背景——学习算法的学习速率,原则上,较大的λ时,背景模型将被更新快,反之亦然;设BL和BS分别表示长期背景模型和短期背景模型;通过通用背景建模算法,使用学习速度λL和λS(λS>λL)构造。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010945842.XA CN112070033A (zh) | 2020-09-10 | 2020-09-10 | 一种基于有限状态机分析的视频遗留物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010945842.XA CN112070033A (zh) | 2020-09-10 | 2020-09-10 | 一种基于有限状态机分析的视频遗留物检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070033A true CN112070033A (zh) | 2020-12-11 |
Family
ID=73663406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010945842.XA Pending CN112070033A (zh) | 2020-09-10 | 2020-09-10 | 一种基于有限状态机分析的视频遗留物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070033A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022468A (zh) * | 2021-11-12 | 2022-02-08 | 珠海安联锐视科技股份有限公司 | 一种安防监控中物品遗留丢失检测方法 |
CN116704268A (zh) * | 2023-08-04 | 2023-09-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 面向动态变化复杂场景的强鲁棒目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226712A (zh) * | 2013-05-19 | 2013-07-31 | 南京新方向智能技术有限公司 | 一种基于有限状态机的遗留物检测方法 |
CN105404847A (zh) * | 2014-09-16 | 2016-03-16 | 北京计算机技术及应用研究所 | 一种遗留物实时检测方法 |
CN106296677A (zh) * | 2016-08-03 | 2017-01-04 | 浙江理工大学 | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 |
CN109636795A (zh) * | 2018-12-19 | 2019-04-16 | 安徽大学 | 实时无跟踪的监控视频遗留物检测方法 |
CN111062273A (zh) * | 2019-12-02 | 2020-04-24 | 青岛联合创智科技有限公司 | 一种遗留物品追溯检测与报警方法 |
-
2020
- 2020-09-10 CN CN202010945842.XA patent/CN112070033A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226712A (zh) * | 2013-05-19 | 2013-07-31 | 南京新方向智能技术有限公司 | 一种基于有限状态机的遗留物检测方法 |
CN105404847A (zh) * | 2014-09-16 | 2016-03-16 | 北京计算机技术及应用研究所 | 一种遗留物实时检测方法 |
CN106296677A (zh) * | 2016-08-03 | 2017-01-04 | 浙江理工大学 | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 |
CN109636795A (zh) * | 2018-12-19 | 2019-04-16 | 安徽大学 | 实时无跟踪的监控视频遗留物检测方法 |
CN111062273A (zh) * | 2019-12-02 | 2020-04-24 | 青岛联合创智科技有限公司 | 一种遗留物品追溯检测与报警方法 |
Non-Patent Citations (1)
Title |
---|
王之涵: "无人值守变电站中智能视频分析技术研究及实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022468A (zh) * | 2021-11-12 | 2022-02-08 | 珠海安联锐视科技股份有限公司 | 一种安防监控中物品遗留丢失检测方法 |
CN116704268A (zh) * | 2023-08-04 | 2023-09-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 面向动态变化复杂场景的强鲁棒目标检测方法 |
CN116704268B (zh) * | 2023-08-04 | 2023-11-10 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 面向动态变化复杂场景的强鲁棒目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arroyo et al. | Expert video-surveillance system for real-time detection of suspicious behaviors in shopping malls | |
US9299162B2 (en) | Multi-mode video event indexing | |
Lin et al. | Abandoned object detection via temporal consistency modeling and back-tracing verification for visual surveillance | |
AU2014240213B2 (en) | System and Method for object re-identification | |
US8744125B2 (en) | Clustering-based object classification | |
Kalsotra et al. | A comprehensive survey of video datasets for background subtraction | |
Park et al. | Detection of abandoned and stolen objects based on dual background model and mask R-CNN | |
CN111652035B (zh) | 一种基于ST-SSCA-Net的行人重识别方法及系统 | |
CN112070033A (zh) | 一种基于有限状态机分析的视频遗留物检测方法 | |
CN113515968A (zh) | 街道的异常事件检测方法、装置、设备及介质 | |
Lin et al. | Left-luggage detection from finite-state-machine analysis in static-camera videos | |
Tang et al. | Hybrid blob and particle filter tracking approach for robust object tracking | |
Nodehi et al. | Multi-metric re-identification for online multi-person tracking | |
Liao et al. | Security event recognition for visual surveillance | |
Yasir et al. | Review on real time background extraction: models, applications, environments, challenges and evaluation approaches | |
Lin et al. | Robust techniques for abandoned and removed object detection based on Markov random field | |
Wang et al. | A new approach for real-time detection of abandoned and stolen objects | |
Jeyabharathi | New feature descriptor: Extended Symmetrical-Diagonal Hexadecimal Pattern for efficient background subtraction and object tracking | |
Taha et al. | Exploring behavior analysis in video surveillance applications | |
CN114387496A (zh) | 一种目标检测方法和电子设备 | |
Pannirselvam et al. | A Comprehensive Study on Automated Anomaly Detection Techniques in Video Surveillance | |
Dalley et al. | Event detection using an attention-based tracker | |
Anwekar et al. | Flexible Content Based Video Surveillance System for crime Prevention based on moving object detection | |
Gao | Key-point based tracking for illegally parked vehicle detection | |
Kukade et al. | Video Surveillance System with Unattended Objects Detection |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201211 |
|
WD01 | Invention patent application deemed withdrawn after publication |