CN112084957B - 一种移动目标滞留检测方法及系统 - Google Patents

一种移动目标滞留检测方法及系统 Download PDF

Info

Publication number
CN112084957B
CN112084957B CN202010952882.7A CN202010952882A CN112084957B CN 112084957 B CN112084957 B CN 112084957B CN 202010952882 A CN202010952882 A CN 202010952882A CN 112084957 B CN112084957 B CN 112084957B
Authority
CN
China
Prior art keywords
image
foreground
contour
retention
mask
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
CN202010952882.7A
Other languages
English (en)
Other versions
CN112084957A (zh
Inventor
张钊
袁涛
黄韶华
王睿
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.)
Guangdong Unicom Communication Construction Co Ltd
Original Assignee
Guangdong Unicom Communication Construction 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 Guangdong Unicom Communication Construction Co Ltd filed Critical Guangdong Unicom Communication Construction Co Ltd
Priority to CN202010952882.7A priority Critical patent/CN112084957B/zh
Publication of CN112084957A publication Critical patent/CN112084957A/zh
Application granted granted Critical
Publication of CN112084957B publication Critical patent/CN112084957B/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
    • G06V20/48—Matching video sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请一种移动目标滞留检测方法及系统，对滞留前景目标进行初步提取并作似物性检测，对于由光线干扰引起的滞留目标误判结果进行背景图像更新，只有真实的滞留前景目标才会触发报警，可有效减少由于光线干扰引起的误报，实现高效的移动目标滞留检测，提高检测的准确率；本发明的检测方法计算资源占用少，可嵌入性较强，适用于不同的视频图像分析需求以解决光照、鬼影干扰等问题。

Description

一种移动目标滞留检测方法及系统
技术领域
本发明属于图像处理领域，具体涉及一种移动目标滞留检测方法及系统。
背景技术
随着视频监控数量的增长，智能视频分析需求越来越多，例如车辆违停、异物入侵、违章摆卖、垃圾堆积等，解决这些应用问题的方法可分为两类，分别为基于深度学习和传统图像处理的方法。目前基于数据驱动的深度学习方法虽然能够达到较高的准确率，但是在样本极少甚至无法获取、计算资源有限的情况下，无法直接使用该类方法；基于传统图像处理的方法针对检测目标会发生滞留这一特点进行检测，优势在于无需样本，但是容易受到光照和前景鬼影的干扰，不能很好地区分图像背景是否真正发生了变化，当图像的光线发生变化时容易误判为有物体进入画面，导致滞留目标检测误报，影响检测准确率。
发明内容
基于此，本发明旨在提出一种移动目标滞留检测方法及系统，以克服现有技术的不足。
本发明一种移动目标滞留检测方法，包括：
S1.获取视频图像f(n)和背景图像b(n)，n表示时间；
S2.根据视频图像f(n)创建像素点持续时长计时图像S(n)，提取滞留前景目标；
S3.对步骤S2提取的滞留前景目标进行似物性检测以确定是否为光线干扰；
S4.对包含光线干扰的滞留前景目标图像进行背景更新，否则当滞留前景目标达到滞留时长阈值时报警并更新背景。
进一步地，步骤S2包括：
对视频图像f(n)的每个像素点进行计时创建像素点持续时长计时图像S(n)，对于持续时长大于tl的像素点禁止背景更新，否则更新背景；
提取持续时长大于th的像素点组成滞留目标候选图像h，在图像h中提取滞留前景目标，其中tl＜th。
进一步地，步骤S3的似物性检测包括：
S31.获取滞留前景目标的前景掩膜M，提取前景掩膜M的轮廓点作为种子点在视频图像f(n)中进行区域生长得到区域生长掩膜，计算区域生长掩膜的像素点数与前景掩膜M的像素点数之比a；
S32.计算视频图像f(n)与背景图像b(n)在前景掩膜M上的相关系数b；
S33.分别获取前景掩膜M、视频图像f(n)、背景图像b(n)的轮廓点图像，计算前景掩膜M与视频图像f(n)的轮廓匹配系数c1、前景掩膜M与背景图像b(n)的轮廓匹配系数c2；
S34.将系数阵列[a,b,c1,c2]与似物性阈值Th进行比较，对滞留前景目标进行似物性判决以确定是否为光线干扰。
进一步地，步骤S31中前景掩膜M的轮廓点的提取包括：
对前景掩膜M进行膨胀操作，膨胀后的图像减去前景掩膜M的图像得到轮廓点图像k(n)，轮廓点图像k(n)的像素点个数记为numk(n)。
进一步地，步骤S31中区域生长的方向为由前景掩膜M的轮廓侧指向滞留前景目标中心。
进一步地，步骤S32中相关系数b的计算为
Figure BDA0002677605350000021
Ib(p)表示像素点p在背景图像b(n)上的灰度值，
Figure BDA0002677605350000022
表示背景图像掩膜区域平均灰度值，If(p)表示像素点p在视频图像f(n)上的灰度值，
Figure BDA0002677605350000023
表示视频图像掩膜区域平均灰度值。
进一步地，步骤S33中的轮廓匹配系数c1和c2的计算包括：
S331.遍历背景图像b(n)的轮廓点图像，筛选8邻域内包含其他轮廓点总数大于Tn1的背景图像轮廓点，记为强连通性轮廓点；
S332.遍历前景掩膜M的轮廓点图像k(n)，当前景掩膜轮廓点图像k(n)的8邻域内包含视频图像f(n)的轮廓点数大于Tn2时，被包含的视频图像f(n)的轮廓点数记为numf(n)，则轮廓匹配系数
Figure BDA0002677605350000031
当前景掩膜轮廓点图像k(n)的8邻域内包含强连通性轮廓点的个数大于Tn2时，被包含的强连通性轮廓点的个数记为numb(n)，则轮廓匹配系数
Figure BDA0002677605350000032
进一步地，步骤S34包括：
设置似物性阈值Th＝[Th(1),Th(2),Th(3)]，根据下式进行似物性判决
Figure BDA0002677605350000033
objectness表示似物性判决结果，取值1表示真实的滞留前景目标，取值0表示光线干扰。
另一方面，本发明还提供一种移动目标滞留检测系统，包括：
图像获取及背景建模模块，用于获取视频图像f(n)和背景图像b(n)；
滞留目标过滤模块，用于根据视频图像f(n)创建像素点持续时长计时图像S(n)，提取滞留前景目标；
似物性检测模块，用于对滞留前景目标进行似物性检测以确定是否为光线干扰；
报警模块，用于当滞留前景目标达到滞留时长阈值时进行报警；
背景更新模块，用于对包含光线干扰的滞留前景目标图像和报警提示的图像区域进行背景更新。
本发明还提供一种存储介质，存储有运算程序，当该运算程序被处理器执行时，使得处理器可执行前述的移动目标滞留检测方法及步骤。
从以上技术方案可以看出，本发明具有如下有益效果：
本发明一种移动目标滞留检测方法及系统，对滞留前景目标进行初步提取并作似物性检测，对于由光线干扰引起的滞留目标误判结果进行背景图像更新，只有真实的滞留前景目标才会触发报警，可有效减少由于光线干扰引起的误报，实现高效的移动目标滞留检测，提高检测的准确率；本发明的检测方法计算资源占用少，可嵌入性较强，适用于不同的视频图像分析需求以解决光照、鬼影干扰等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1本发明一种实施例移动目标滞留检测方法实施流程图
图2本发明一种实施例移动目标滞留检测系统结构示意图
图3本发明另一实施例移动目标滞留检测方法实施流程图
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。
请参考图1，本实施例提供一种移动目标滞留检测方法，该方法的具体步骤包括：
S1.获取视频图像f(n)和背景图像b(n)，n表示时间；
S2.根据视频图像f(n)创建像素点持续时长计时图像S(n)，提取滞留前景目标；
S3.对步骤S2提取的滞留前景目标进行似物性检测以确定是否为光线干扰；
S4.对包含光线干扰的滞留前景目标图像进行背景更新，否则当滞留前景目标达到滞留时长阈值时报警并更新背景。
其中，步骤S2包括：
对视频图像f(n)的每个像素点进行计时创建像素点持续时长计时图像S(n)，对于持续时长大于tl的像素点禁止背景更新，否则更新背景；
提取持续时长大于th的像素点组成滞留目标候选图像h，在图像h中提取滞留前景目标，其中tl＜th。
步骤S3的似物性检测包括：
S31.获取滞留前景目标的前景掩膜M，提取前景掩膜M的轮廓点作为种子点在视频图像f(n)中进行区域生长得到区域生长掩膜，计算区域生长掩膜的像素点数与前景掩膜M的像素点数之比a；
S32.计算视频图像f(n)与背景图像b(n)在前景掩膜M上的相关系数b；
S33.分别获取前景掩膜M、视频图像f(n)、背景图像b(n)的轮廓点图像，计算前景掩膜M与视频图像f(n)的轮廓匹配系数c1、前景掩膜M与背景图像b(n)的轮廓匹配系数c2；
S34.将系数阵列[a,b,c1,c2]与似物性阈值Th进行比较，对滞留前景目标进行似物性判决以确定是否为光线干扰。
步骤S31中前景掩膜M的轮廓点的提取包括：
对前景掩膜M进行膨胀操作，膨胀后的图像减去前景掩膜M的图像得到轮廓点图像k(n)，轮廓点图像k(n)的像素点个数记为numk(n)。
步骤S31中区域生长的方向为由前景掩膜M的轮廓侧指向滞留前景目标中心。
步骤S32中相关系数b的计算为
Figure BDA0002677605350000051
Ib(p)表示像素点p在背景图像b(n)上的灰度值，
Figure BDA0002677605350000052
表示背景图像掩膜区域平均灰度值，If(p)表示像素点p在视频图像f(n)上的灰度值，
Figure BDA0002677605350000053
表示视频图像掩膜区域平均灰度值。
步骤S33中的轮廓匹配系数c1和c2的计算包括：
S331.遍历背景图像b(n)的轮廓点图像，筛选8邻域内包含其他轮廓点总数大于Tn1的背景图像轮廓点，记为强连通性轮廓点；
S332.遍历前景掩膜M的轮廓点图像k(n)，当前景掩膜轮廓点图像k(n)的8邻域内包含视频图像f(n)的轮廓点数大于Tn2时，被包含的视频图像f(n)的轮廓点数记为numf(n)，则轮廓匹配系数
Figure BDA0002677605350000054
当前景掩膜轮廓点图像k(n)的8邻域内包含强连通性轮廓点的个数大于Tn2时，被包含的强连通性轮廓点的个数记为numb(n)，则轮廓匹配系数
Figure BDA0002677605350000061
步骤S34包括：
设置似物性阈值Th＝[Th(1),Th(2),Th(3)]，根据下式进行似物性判决
Figure BDA0002677605350000062
objectness表示似物性判决结果，取值1表示真实的滞留前景目标，取值0表示光线干扰。
在进一步的实施例中，提供一种移动目标滞留检测系统，如图2所示，用于执行前一实施例的检测方法，包括：
图像获取及背景建模模块，用于获取视频图像f(n)和背景图像b(n)；
滞留目标过滤模块，用于根据视频图像f(n)创建像素点持续时长计时图像S(n)，提取滞留前景目标；
似物性检测模块，用于对滞留前景目标进行似物性检测以确定是否为光线干扰；
报警模块，用于当滞留前景目标达到滞留时长阈值时进行报警；
背景更新模块，用于对包含光线干扰的滞留前景目标图像和报警提示的图像区域进行背景更新。
以上各模块可以是由软件代码实现，此时上述的各模块可存储于设置于例如控制电脑等控制端的存储器中。以上各模块同样可以由硬件例如集成电路芯片实现。
在进一步的实施例中，提供一种存储介质，存储有用于执行前述移动目标滞留检测方法的运算程序，当该运算程序被处理器执行时使得处理器执行前述的移动目标滞留检测方法。
下面介绍本发明的另一实施例，如图3所示，本实施例提供的移动目标滞留检测方法用于检测行人，具体步骤包括：
S1.获取视频图像f(n)和背景图像b(n)，n表示时间
视频图像来自城市街道7x24小时全天候实时监控视频流，分辨率为1080P，解码后将图像缩放至360P处理。采用混合高斯背景建模方法进行实时前景提取及背景建模，其中，混合高斯模型中高斯分布个数为3，背景模型阈值为0，即第一高斯分布为背景。在不同的处理速度下，模型学习率与权重学习率取不同的值。本例中，支持三档不同的处理速率：25fps、12fps、6fps。当以25fps处理时，模型学习率为0.01，权重学习率为0.005；当以12fps处理时，模型学习率为0.015，权重学习率为0.0075；当以5fps处理时，模型学习率为0.03，权重学习率为0.015。
S2.根据视频图像f(n)创建像素点持续时长计时图像S(n)，提取滞留前景目标
本例中，支持三档不同的处理速率：25fps、12fps、6fps。当以25fps处理时，tl＝60s，th＝420s；当以12fps处理时，tl＝24s，th＝168s；当以5fps处理时，tl＝12s，th＝84s，具体操作为：
对视频图像f(n)的每个像素点进行计时创建像素点持续时长计时图像S(n)，对于持续时长大于tl的像素点禁止背景更新，否则更新背景；
提取持续时长大于th的像素点组成滞留目标候选图像h，在图像h中提取滞留前景目标，其中tl＜th，滞留前景目标提取具体为对候选图像h进行二值化，对二值化后的图像使用连通域分割算法提取滞留前景目标，此处的连通性判定标准为8邻域连通。
S3.对步骤S2提取的滞留前景目标进行似物性检测以确定是否为光线干扰，包括以下步骤：
S31.获取滞留前景目标的前景掩膜M，提取前景掩膜M的轮廓点作为种子点在视频图像f(n)中进行区域生长得到区域生长掩膜，计算区域生长掩膜的像素点数与前景掩膜M的像素点数之比a；
前景掩膜M的轮廓点的提取包括：
对前景掩膜M进行膨胀操作，膨胀后的图像减去前景掩膜M的图像得到轮廓点图像k(n)，轮廓点图像k(n)的像素点个数记为numk(n)。
区域生长的方向为由前景掩膜M的轮廓侧指向滞留前景目标中心。
S32.计算视频图像f(n)与背景图像b(n)在前景掩膜M上的相关系数b，
Figure BDA0002677605350000071
Ib(p)表示像素点p在背景图像b(n)上的灰度值，
Figure BDA0002677605350000081
表示背景图像掩膜区域平均灰度值，If(p)表示像素点p在视频图像f(n)上的灰度值，
Figure BDA0002677605350000082
表示视频图像掩膜区域平均灰度值。
S33.分别获取前景掩膜M、视频图像f(n)、背景图像b(n)的轮廓点图像，本实例采用canny算子提取轮廓，canny的双阈值分别设为149和150，计算前景掩膜M与视频图像f(n)的轮廓匹配系数c1、前景掩膜M与背景图像b(n)的轮廓匹配系数c2，包括：
S331.遍历背景图像b(n)的轮廓点图像，筛选8邻域内包含其他轮廓点总数大于Tn1的背景图像轮廓点，记为强连通性轮廓点；
S332.遍历前景掩膜M的轮廓点图像k(n)，当前景掩膜轮廓点图像k(n)的8邻域内包含视频图像f(n)的轮廓点数大于Tn2时，被包含的视频图像f(n)的轮廓点数记为numf(n)，则轮廓匹配系数
Figure BDA0002677605350000083
当前景掩膜轮廓点图像k(n)的8邻域内包含强连通性轮廓点的个数大于Tn2时，被包含的强连通性轮廓点的个数记为numb(n)，则轮廓匹配系数
Figure BDA0002677605350000084
本实例中Tn1＝3，Tn2＝1。
S34.将系数阵列[a,b,c1,c2]与似物性阈值Th进行比较，对滞留前景目标进行似物性判决以确定是否为光线干扰，
设置似物性阈值Th＝[Th(1),Th(2),Th(3)]，根据下式进行似物性判决
Figure BDA0002677605350000085
objectness表示似物性判决结果，取值1表示真实的滞留前景目标，取值0表示光线干扰。
本实例中似物性阈值为Th＝[0.6,0.6,0.1]。
S4.对包含光线干扰的滞留前景目标图像进行背景更新，否则当滞留前景目标达到滞留时长阈值T时报警并更新背景，鬼影、光照等光线干扰引起的虚假滞留目标为上述步骤S34中objectness为0的目标区域。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (8)

1.一种移动目标滞留检测方法，其特征在于，包括：
S1.获取视频图像f(n)和背景图像b(n)，n表示时间；
S2.根据所述视频图像f(n)创建像素点持续时长计时图像S(n)，提取滞留前景目标；
S3.对步骤S2提取的滞留前景目标进行似物性检测以确定是否为光线干扰；
S4.对包含光线干扰的滞留前景目标图像进行背景更新，否则当滞留前景目标达到滞留时长阈值时报警并更新背景；
所述步骤S3的似物性检测包括：
S31.获取所述滞留前景目标的前景掩膜M，提取所述前景掩膜M的轮廓点作为种子点在所述视频图像f(n)中进行区域生长得到区域生长掩膜，计算所述区域生长掩膜的像素点数与所述前景掩膜M的像素点数之比a；
S32.计算所述视频图像f(n)与所述背景图像b(n)在所述前景掩膜M上的相关系数b；
S33.分别获取所述前景掩膜M、视频图像f(n)、背景图像b(n)的轮廓点图像，计算前景掩膜M与视频图像f(n)的轮廓匹配系数c1、前景掩膜M与背景图像b(n)的轮廓匹配系数c2；
S34.将系数阵列[a,b,c1,c2]与似物性阈值Th进行比较，对滞留前景目标进行似物性判决以确定是否为光线干扰。
2.根据权利要求1所述的移动目标滞留检测方法，其特征在于，所述步骤S2包括：
对所述视频图像f(n)的每个像素点进行计时创建像素点持续时长计时图像S(n)，对于持续时长大于tl的像素点禁止背景更新，否则更新背景；
提取持续时长大于th的像素点组成滞留目标候选图像h，在所述图像h中提取滞留前景目标，其中tl＜th。
3.根据权利要求1所述的移动目标滞留检测方法，其特征在于，所述步骤S31中前景掩膜M的轮廓点的提取包括：
对所述前景掩膜M进行膨胀操作，膨胀后的图像减去前景掩膜M的图像得到轮廓点图像k(n)，轮廓点图像k(n)的像素点个数记为numk(n)。
4.根据权利要求1所述的移动目标滞留检测方法，其特征在于，所述步骤S31中区域生长的方向为由前景掩膜M的轮廓侧指向滞留前景目标中心。
5.根据权利要求1所述的移动目标滞留检测方法，其特征在于，所述步骤S32中相关系数b的计算为
Figure FDA0003282064560000021
Ib(p)表示像素点p在背景图像b(n)上的灰度值，
Figure FDA0003282064560000022
表示背景图像掩膜区域的平均灰度值，If(p)表示像素点p在视频图像f(n)上的灰度值，
Figure FDA0003282064560000023
表示视频图像掩膜区域的平均灰度值。
6.根据权利要求1所述的移动目标滞留检测方法，其特征在于，所述步骤S33中的轮廓匹配系数c1和c2的计算包括：
S331.遍历背景图像b(n)的轮廓点图像，筛选8邻域内包含其他轮廓点总数大于Tn1的背景图像轮廓点，记为强连通性轮廓点；
S332.遍历前景掩膜M的轮廓点图像k(n)，当前景掩膜轮廓点图像k(n)的8邻域内包含视频图像f(n)的轮廓点数大于Tn2时，被包含的视频图像f(n)的轮廓点数记为numf(n)，则轮廓匹配系数
Figure FDA0003282064560000024
当前景掩膜轮廓点图像k(n)的8邻域内包含强连通性轮廓点的个数大于Tn2时，被包含的强连通性轮廓点的个数记为numb(n)，则轮廓匹配系数
Figure FDA0003282064560000025
7.根据权利要求1所述的移动目标滞留检测方法，其特征在于，所述步骤S34包括：
设置似物性阈值Th＝[Th(1),Th(2)，Th(3)]，根据下式进行似物性判决
Figure FDA0003282064560000026
objectness表示似物性判决结果，取值1表示真实的滞留前景目标，取值0表示光线干扰。
8.一种存储介质，存储有运算程序，其特征在于，当所述运算程序被处理器执行时，使得所述处理器可执行权利要求1-7任一项所述的移动目标滞留检测方法。
CN202010952882.7A 2020-09-11 2020-09-11 一种移动目标滞留检测方法及系统 Active CN112084957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010952882.7A CN112084957B (zh) 2020-09-11 2020-09-11 一种移动目标滞留检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010952882.7A CN112084957B (zh) 2020-09-11 2020-09-11 一种移动目标滞留检测方法及系统

Publications (2)

Publication Number Publication Date
CN112084957A CN112084957A (zh) 2020-12-15
CN112084957B true CN112084957B (zh) 2021-12-17

Family

ID=73738077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010952882.7A Active CN112084957B (zh) 2020-09-11 2020-09-11 一种移动目标滞留检测方法及系统

Country Status (1)

Country Link
CN (1) CN112084957B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883904B (zh) * 2021-03-15 2021-11-19 珠海安联锐视科技股份有限公司 一种车辆违停占道检测方法
CN117549317B (zh) * 2024-01-12 2024-04-02 深圳威洛博机器人有限公司 一种机器人抓取定位方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW577227B (en) * 2002-04-23 2004-02-21 Ind Tech Res Inst Method and apparatus for removing background of visual content
US7003136B1 (en) * 2002-04-26 2006-02-21 Hewlett-Packard Development Company, L.P. Plan-view projections of depth image data for object tracking
CN103793715B (zh) * 2014-02-13 2016-11-16 电子科技大学 基于场景信息挖掘的井下人员目标跟踪方法
CN106408554B (zh) * 2015-07-31 2019-07-09 富士通株式会社 遗留物检测装置、方法和系统
CN106296677B (zh) * 2016-08-03 2019-04-02 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
CN109785328B (zh) * 2017-11-13 2023-05-09 南京大学 一种结合区域合并与深度连通性的似物性估计方法
US11100352B2 (en) * 2018-10-16 2021-08-24 Samsung Electronics Co., Ltd. Convolutional neural network for object detection
CN109635720A (zh) * 2018-12-10 2019-04-16 江南大学 基于视频主动监控的非法占道实时检测方法
US10747371B1 (en) * 2019-06-28 2020-08-18 Konica Minolta Business Solutions U.S.A., Inc. Detection of finger press from live video stream
CN110728252B (zh) * 2019-10-22 2023-08-04 山西省信息产业技术研究院有限公司 一种应用于区域人员运动轨迹监控的人脸检测方法

Also Published As

Publication number Publication date
CN112084957A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN111738342B (zh) 一种受电弓异物检测方法、存储介质及计算机设备
Sen-Ching et al. Robust techniques for background subtraction in urban traffic video
CN101739550B (zh) 运动目标检测方法及系统
CN110415208B (zh) 一种自适应目标检测方法及其装置、设备、存储介质
CN111797712B (zh) 基于多尺度特征融合网络的遥感影像云与云阴影检测方法
CN104835145B (zh) 基于自适应Codebook背景模型的前景检测方法
CN102222214A (zh) 快速物体识别算法
CN112084957B (zh) 一种移动目标滞留检测方法及系统
CN108198206A (zh) 基于多特征联合和Camshift算法结合的多目标跟踪方法
CN108198208B (zh) 一种基于目标跟踪的移动侦测方法
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
CN112417955B (zh) 巡检视频流处理方法及装置
CN102842037A (zh) 一种基于多特征融合的车辆阴影消除方法
CN114639075A (zh) 一种高空抛物坠物的识别方法、系统及计算机可读介质
CN111985314B (zh) 一种基于ViBe与改进LBP的烟雾检测方法
CN115937237A (zh) 一种基于边缘变换域的局部特征提取方法
CN112307943B (zh) 一种水域人船目标检测方法、系统、终端及介质
Xiang et al. Research on target detection method based on HSV fusion Gaussian mixture model
CN108038872B (zh) 一种基于动静态目标检测与实时压缩感知追踪研究方法
CN116030268A (zh) 融合泊车场景中视觉失效模式的智能感知方法、设备及介质
Chandrasekhar et al. A survey of techniques for background subtraction and traffic analysis on surveillance video
Zhen-Jie et al. Research on Detection and Tracking of Moving Vehicles in Complex Environment Based on Real-Time Surveillance Video
CN114419531A (zh) 目标检测方法、目标检测系统以及计算机可读存储介质
Jia et al. A two-step approach to see-through bad weather for surveillance video quality enhancement
CN113139526A (zh) 一种基于OpenCV的停车泊位线识别方法

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