CN112268554A - 一种基于路径轨迹分析的区域范围徘徊检测方法及系统 - Google Patents
一种基于路径轨迹分析的区域范围徘徊检测方法及系统 Download PDFInfo
- Publication number
- CN112268554A CN112268554A CN202010973765.9A CN202010973765A CN112268554A CN 112268554 A CN112268554 A CN 112268554A CN 202010973765 A CN202010973765 A CN 202010973765A CN 112268554 A CN112268554 A CN 112268554A
- Authority
- CN
- China
- Prior art keywords
- target
- path
- characteristic information
- information
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims description 10
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 238000003491 array Methods 0.000 claims abstract description 17
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000003139 buffering effect Effects 0.000 claims 1
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 11
- 238000012790 confirmation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于路径轨迹分析的区域范围徘徊检测方法,通过将消息队列中的目标特征信息做结构化处理,识别存储标记及其特征信息至分布式存储系统;然后读取存储系统中的标记及其特征信息进行分布式计算,构建每个目标包括目标ID、经度、纬度和时间信息的路径信息;对每个目标ID对应的时间信息进行正序排序,将每个目标ID对应相邻时间位置的两个经度、纬度构建为方向路径数组,对按时间顺序的相邻方向路径数组之间的经度方向和纬度方向进行折返判断,计数经度方向和纬度方向的折返次数,根据折返次数判定徘徊行为。本发明旨在解决现有技术中存在的目标潜在徘徊异常行为的识别精准度和识别效率不高的技术问题。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种基于路径轨迹分析的区域范围徘徊检测方法及系统。
背景技术
目前,在固定区域目标之间的关系确认上存在很多难点,例如在社区目标关系确认上,特别是目标的确认上一般由保安登记进出记录等方式来确认,存在人力成本高,可靠性低,固定地点人员关系复杂,轨迹数据繁多,偶然性大等问题。现有技术中,美亚柏科有家谱计算算法,通过户籍以及网络数据计算家谱来识别目标关系,但是在待分析目标是否为潜在的徘徊异常行为的确认上还是存在一定的困难。
徘徊异常行为主要是指:机动车辆在检查站或重要机构、学校、高档小区附近无目的性的来回移动的行为,这种异常行为看似无目的,却很可能是为盗抢车辆、入室盗窃等违法犯罪行为做准备,蕴含很大的安全隐患。
随着人脸识别技术的迅速发展,延伸出目标身份信息识别技术,并应用到许多场景中,特别在智能安防领域凸显出显著的效果。由此建立标签目标信息库,标签目标是指通过第三方系统、全国在逃人员数据库以及用户自定义维护的带有属性标签的目标。例如失信被执行人也属于标签目标。标签目标的信息可以通过人脸识别技术识别出来,但是与之相对应的潜在徘徊异常行为确定具有一定的难度。判断潜在徘徊异常行为可以获取更多的信息,有利于目标监控以及目标轨迹查询。
因此,如何实现对目标潜在徘徊异常行为的精准识别和判断,是一个亟需解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于路径轨迹分析的区域范围徘徊检测方法,旨在解决现有技术中存在的目标潜在徘徊异常行为的识别精准度和识别效率不高的技术问题。
为实现上述目的,本发明的第一方面,提出一种基于路径轨迹分析的区域范围徘徊检测方法,所述轨迹比对匹配方法包括如下步骤:
对目标的特征信息进行采集并上传至消息队列;
将消息队列中的目标特征信息做结构化处理,识别并标记目标,存储标记及其特征信息至分布式存储系统;
读取存储系统中的标记及其特征信息进行分布式计算,构建每个目标包括目标ID、经度、纬度和时间信息的路径信息;
对每个目标ID对应的时间信息进行正序排序,将每个目标ID对应相邻时间位置的两个经度、纬度构建为方向路径数组,对按时间顺序的相邻方向路径数组之间的经度方向和纬度方向进行折返判断,计数经度方向和纬度方向的折返次数;
统计每个目标折返次数的总数,对折返次数超过预设阈值的路径轨迹记录为徘徊行为。
优选的,一种基于路径轨迹分析的区域范围徘徊检测方法,所述目标的特征信息包括人员特征信息和行车特征信息,所述人员特征信息包括用于识别人员的服饰信息,所述行车特征信息包括用于识别行车的车辆品牌、车辆颜色、车辆车牌号的外观信息。
优选的,一种基于路径轨迹分析的区域范围徘徊检测方法,所述消息队列对采集并集中的多个采集模块的目标特征信息进行数据中间缓存,该数据用于处理中心进行顺时结构化处理。
优选的,一种基于路径轨迹分析的区域范围徘徊检测方法,对折返次数超过预设阈值的路径轨迹进行误差剔除,排除记录的该区域原住民的目标的徘徊行为。
优选的,一种基于路径轨迹分析的区域范围徘徊检测方法,所述折返判断为:按时间顺序的相邻方向路径数组之间的经度方向变化相反;按时间顺序的相邻方向路径数组之间的纬度方向变化相反。
优选的,一种基于路径轨迹分析的区域范围徘徊检测方法,所述折返次数预设阈值为2。
本发明的第二方面,提出一种基于路径轨迹分析的区域范围徘徊检测系统,所述区域范围徘徊检测系统包括:
结构化采集设备:采集目标特征信息,然后将收集到的数据发送到消息队列;
收集模块:对采集模块推送的数据进行收集,然后将收集到的数据发送到消息队列;
消息队列:对收集模块上传的数据进行中间缓存;
原视频采集设备:采集待分析目标的特征信息;
结构化处理模块:对原视频采集设备采集的待分析目标特征信息进行结构化处理,对结构化采集设备中的目标数据进行目标特征值识别,使其可以保证后续操作可以区分出不同的目标;
实时处理模块:对消息队列的结构化数据进行实时消费,将数据存储到分布式存储系统;
应用分析模块:利用大数据分布式并行计算,读取存储系统的数据,对目标的路径信息进行构建比对,每个目标折返次数的总数,对折返次数超过预设阈值的路径轨迹记录为徘徊行为。
本发明中,通过将消息队列中的目标特征信息做结构化处理,识别并标记目标,存储标记及其特征信息至分布式存储系统;然后读取存储系统中的标记及其特征信息进行分布式计算,构建每个目标包括目标ID、经度、纬度和时间信息的路径信息;对每个目标ID对应的时间信息进行正序排序,将每个目标ID对应相邻时间位置的两个经度、纬度构建为方向路径数组,对按时间顺序的相邻方向路径数组之间的经度方向和纬度方向进行折返判断,计数经度方向和纬度方向的折返次数;统计每个目标折返次数的总数,对折返次数超过预设阈值的路径轨迹记录为徘徊行为。本发明旨在解决现有技术中存在的目标潜在徘徊异常行为的识别精准度和识别效率不高的技术问题。
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一些实施例,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,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提出的一种基于路径轨迹分析的区域范围徘徊检测方法的步骤原理示意图;
图2为本发明提出的一种基于路径轨迹分析的区域范围徘徊检测系统的结构原理示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
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,所描述的实施例仅是本发明的一部分实施例,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。
本发明提出了一种实施例,参照图1,图1为本发明提出的一种基于路径轨迹分析的区域范围徘徊检测方法的步骤原理示意图。
如图1所示,在本实施例中,一种基于路径轨迹分析的区域范围徘徊检测方法,所述轨迹比对匹配方法包括如下步骤:
对目标的特征信息进行采集并上传至消息队列;
将消息队列中的目标特征信息做结构化处理,识别并标记目标,存储标记及其特征信息至分布式存储系统;
读取存储系统中的标记及其特征信息进行分布式计算,构建每个目标包括目标ID、经度、纬度和时间信息的路径信息;
对每个目标ID对应的时间信息进行正序排序,将每个目标ID对应相邻时间位置的两个经度、纬度构建为方向路径数组,对按时间顺序的相邻方向路径数组之间的经度方向和纬度方向进行折返判断,计数经度方向和纬度方向的折返次数;
统计每个目标折返次数的总数,对折返次数超过预设阈值的路径轨迹记录为徘徊行为。
需要说明的是,目标的特征信息包括人员特征信息和行车特征信息,所述人员特征信息包括用于识别人员的服饰信息,所述行车特征信息包括用于识别行车的车辆品牌、车辆颜色、车辆车牌号的外观信息。
其中,消息队列对采集并集中的多个采集模块的目标特征信息进行数据中间缓存,该数据用于处理中心进行顺时结构化处理。
为了本实施例的方案处理更精准,对折返次数超过预设阈值的路径轨迹进行误差剔除,排除记录的该区域原住民的目标的徘徊行为。折返判断为:按时间顺序的相邻方向路径数组之间的经度方向变化相反;按时间顺序的相邻方向路径数组之间的纬度方向变化相反。在本实施例中,折返次数预设阈值为2。
在另一个实施例中,如图2所示,提出一种基于路径轨迹分析的区域范围徘徊检测系统,所述区域范围徘徊检测系统包括:
结构化采集设备:采集目标特征信息,然后将收集到的数据发送到消息队列;
收集模块:对采集模块推送的数据进行收集,然后将收集到的数据发送到消息队列;
消息队列:对收集模块上传的数据进行中间缓存;
原视频采集设备:采集待分析目标的特征信息;
结构化处理模块:对原视频采集设备采集的待分析目标特征信息进行结构化处理,对结构化采集设备中的目标数据进行目标特征值识别,使其可以保证后续操作可以区分出不同的目标;
实时处理模块:对消息队列的结构化数据进行实时消费,将数据存储到分布式存储系统;
应用分析模块:利用大数据分布式并行计算,读取存储系统的数据,对目标的路径信息进行构建比对,每个目标折返次数的总数,对折返次数超过预设阈值的路径轨迹记录为徘徊行为。
为了更形象的说明本申请的技术方案,现结合图2对本实施例的原理过程进行说明:
在本实施例中,利用摄像头抓拍,将人(车)抓拍数据发送到后台服务,由后台程序将抓拍数据存储到分布式存储系统中,利用分布式计算,构建每个人(车)的一定时间区域内的行走轨迹,然后将轨迹线路转换为每个人(车)的经纬度坐标点,对路径按经度/分度方向进行前后比较,找出该人(车)经/纬度的折点,经/纬度每折一次计数为1,然后将每个人经纬方向的折返次数进行总计,对折返总数进行倒序排序,则折返次数最多的人徘徊次数最多,对折返次数进行一定的限定,即可得到该区域指定时间段的徘徊行为检测。
具体实现步骤包括:
1.采集模块负责采集人/车数据(人员服饰图片等信息,车牌号/车辆品牌颜色等),将所采集到的数据发送给收集模块;
2.收集模块对采集模块推送的数据进行收集,然后将收集到的数据发送到消息队列;
3.消息队列对数据进行中间缓存,
4.结构化模块负责对原有视频采集的设备进行视频中人员车辆的抓拍信息进行结构化处理,对结构化采集设备中的人员数据进行人员特征值识别,使其可以保证后续操作可以区分出不同的人;
5.实时处理模块对消息队列的结构化数据进行实时消费,将数据存储到分布式存储系统,
6.应用分析模块,利用大数据分布式并行计算,读取存储系统的数据,对人车的路径信息进行构建,比对。
6.1 利用分析时间段,过滤读取需要分析的所有人员id/车辆id,抓拍地点经纬度,抓拍时间。
6.2 按人员id/车辆id分组,并按时间进行正序排序。
6.3 对每人/车的路径进行构建,按抓拍地点所有经度方向/纬度方向进行分别构建。
6.4 对每人/车的经纬度方向的折返次数进行分别计算,并统计出每人折返次数的总数。
6.5 对于折返次数超过阈值(预设2)的即为徘徊行为。
6.6 排除掉该区域原本生活居住的人员(如该区域居民/或工作人员),其他人员即为异常人员,应用为一定异常行为的检测
徘徊计算示例:
如A B C三人相同时间范围内连续经过以下抓拍点
A: 2,1 3,3 5,2 4,4 ,3,3 ,4,2
B: ,2,2 ,3,3 4,4 ,5,5 ,6,6
C: 2,2 2,3 3,2 4,2 ,5,1
其中:
A x方向折返次数:3 y方向折返次数 2 总共:5次
B x方向折返次数:0 y方向折返次数 0 总共:0次
C x方向折返次数:0 y方向折返次数 1 总共:1次
通过折返次数比较,A的折返次数为5,符合徘徊特征行为,属于徘徊人员。
在本实施例中,通过将消息队列中的目标特征信息做结构化处理,识别并标记目标,存储标记及其特征信息至分布式存储系统;然后读取存储系统中的标记及其特征信息进行分布式计算,构建每个目标包括目标ID、经度、纬度和时间信息的路径信息;对每个目标ID对应的时间信息进行正序排序,将每个目标ID对应相邻时间位置的两个经度、纬度构建为方向路径数组,对按时间顺序的相邻方向路径数组之间的经度方向和纬度方向进行折返判断,计数经度方向和纬度方向的折返次数;统计每个目标折返次数的总数,对折返次数超过预设阈值的路径轨迹记录为徘徊行为。本发明旨在解决现有技术中存在的目标潜在徘徊异常行为的识别精准度和识别效率不高的技术问题。
本发明所揭露的方法、系统和模块,可以通过其它的方式实现。例如,以上所描述的实施例仅是示意性的,例如,所述模块的划分,可以仅仅是一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以说通过一些接口,系统或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述分立部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例的方案目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、制度存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于路径轨迹分析的区域范围徘徊检测方法,其特征在于,所述轨迹比对匹配方法包括如下步骤:
对目标的特征信息进行采集并上传至消息队列;
将消息队列中的目标特征信息做结构化处理,识别并标记目标,存储标记及其特征信息至分布式存储系统;
读取存储系统中的标记及其特征信息进行分布式计算,构建每个目标包括目标ID、经度、纬度和时间信息的路径信息;
对每个目标ID对应的时间信息进行正序排序,将每个目标ID对应相邻时间位置的两个经度、纬度构建为方向路径数组,对按时间顺序的相邻方向路径数组之间的经度方向和纬度方向进行折返判断,计数经度方向和纬度方向的折返次数;
统计每个目标折返次数的总数,对折返次数超过预设阈值的路径轨迹记录为徘徊行为。
2.如权利要求1所述的一种基于路径轨迹分析的区域范围徘徊检测方法,其特征在于,所述目标的特征信息包括人员特征信息和行车特征信息,所述人员特征信息包括用于识别人员的服饰信息,所述行车特征信息包括用于识别行车的车辆品牌、车辆颜色、车辆车牌号的外观信息。
3.如权利要求1所述的一种基于路径轨迹分析的区域范围徘徊检测方法,其特征在于,所述消息队列对采集并集中的多个采集模块的目标特征信息进行数据中间缓存,该数据用于处理中心进行顺时结构化处理。
4.如权利要求1所述的一种基于路径轨迹分析的区域范围徘徊检测方法,其特征在于,对折返次数超过预设阈值的路径轨迹进行误差剔除,排除记录的该区域原住民的目标的徘徊行为。
5.如权利要求1所述的一种基于路径轨迹分析的区域范围徘徊检测方法,其特征在于,所述折返判断为:按时间顺序的相邻方向路径数组之间的经度方向变化相反;按时间顺序的相邻方向路径数组之间的纬度方向变化相反。
6.如权利要求1所述的一种基于路径轨迹分析的区域范围徘徊检测方法,其特征在于,所述折返次数预设阈值为2。
7.一种基于路径轨迹分析的区域范围徘徊检测系统,其特征在于,所述区域范围徘徊检测系统包括:
结构化采集设备:采集目标特征信息,然后将收集到的数据发送到消息队列;
收集模块:对采集模块推送的数据进行收集,然后将收集到的数据发送到消息队列;
消息队列:对收集模块上传的数据进行中间缓存;
原视频采集设备:采集待分析目标的特征信息;
结构化处理模块:对原视频采集设备采集的待分析目标特征信息进行结构化处理,对结构化采集设备中的目标数据进行目标特征值识别,使其可以保证后续操作可以区分出不同的目标;
实时处理模块:对消息队列的结构化数据进行实时消费,将数据存储到分布式存储系统;
应用分析模块:利用大数据分布式并行计算,读取存储系统的数据,对目标的路径信息进行构建比对,每个目标折返次数的总数,对折返次数超过预设阈值的路径轨迹记录为徘徊行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973765.9A CN112268554A (zh) | 2020-09-16 | 2020-09-16 | 一种基于路径轨迹分析的区域范围徘徊检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973765.9A CN112268554A (zh) | 2020-09-16 | 2020-09-16 | 一种基于路径轨迹分析的区域范围徘徊检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112268554A true CN112268554A (zh) | 2021-01-26 |
Family
ID=74349021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010973765.9A Pending CN112268554A (zh) | 2020-09-16 | 2020-09-16 | 一种基于路径轨迹分析的区域范围徘徊检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112268554A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191305A (zh) * | 2021-05-17 | 2021-07-30 | 武汉中科通达高新技术股份有限公司 | 一种基于Flink框架的数据管理方法及装置 |
CN114662521A (zh) * | 2021-11-16 | 2022-06-24 | 成都考拉悠然科技有限公司 | 一种行人徘徊行为检测方法及其系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954743A (zh) * | 2015-06-12 | 2015-09-30 | 西安理工大学 | 一种多相机语义关联目标跟踪方法 |
CN105894539A (zh) * | 2016-04-01 | 2016-08-24 | 成都理工大学 | 基于视频识别和侦测运动轨迹的预防盗窃方法和系统 |
CN106846801A (zh) * | 2017-02-06 | 2017-06-13 | 安徽新华博信息技术股份有限公司 | 一种基于车辆轨迹的区域徘徊异常行为检测方法 |
CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
CN108595539A (zh) * | 2018-04-04 | 2018-09-28 | 烟台海颐软件股份有限公司 | 一种基于大数据的行迹相似对象识别方法与系统 |
CN108734091A (zh) * | 2018-03-30 | 2018-11-02 | 暨南大学 | 车厢异常行为检测方法、计算机装置和计算机可读存储介质 |
CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
CN109029485A (zh) * | 2018-08-21 | 2018-12-18 | 北京深瞐科技有限公司 | 车辆行驶轨迹确定方法及装置 |
CN109214315A (zh) * | 2018-08-21 | 2019-01-15 | 北京深瞐科技有限公司 | 人车跨镜头追踪方法及装置 |
CN110874355A (zh) * | 2019-11-28 | 2020-03-10 | 北京以萨技术股份有限公司 | 车辆徘徊绕圈异常行为的检测方法、系统、终端及介质 |
CN111160223A (zh) * | 2019-12-26 | 2020-05-15 | 天津天地伟业投资管理有限公司 | 一种基于深度学习的人员徘徊行为检测方法 |
CN111291682A (zh) * | 2020-02-07 | 2020-06-16 | 浙江大华技术股份有限公司 | 确定目标对象的方法、装置、存储介质及电子装置 |
-
2020
- 2020-09-16 CN CN202010973765.9A patent/CN112268554A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954743A (zh) * | 2015-06-12 | 2015-09-30 | 西安理工大学 | 一种多相机语义关联目标跟踪方法 |
CN105894539A (zh) * | 2016-04-01 | 2016-08-24 | 成都理工大学 | 基于视频识别和侦测运动轨迹的预防盗窃方法和系统 |
CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
CN106846801A (zh) * | 2017-02-06 | 2017-06-13 | 安徽新华博信息技术股份有限公司 | 一种基于车辆轨迹的区域徘徊异常行为检测方法 |
CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
CN108734091A (zh) * | 2018-03-30 | 2018-11-02 | 暨南大学 | 车厢异常行为检测方法、计算机装置和计算机可读存储介质 |
CN108595539A (zh) * | 2018-04-04 | 2018-09-28 | 烟台海颐软件股份有限公司 | 一种基于大数据的行迹相似对象识别方法与系统 |
CN109029485A (zh) * | 2018-08-21 | 2018-12-18 | 北京深瞐科技有限公司 | 车辆行驶轨迹确定方法及装置 |
CN109214315A (zh) * | 2018-08-21 | 2019-01-15 | 北京深瞐科技有限公司 | 人车跨镜头追踪方法及装置 |
CN110874355A (zh) * | 2019-11-28 | 2020-03-10 | 北京以萨技术股份有限公司 | 车辆徘徊绕圈异常行为的检测方法、系统、终端及介质 |
CN111160223A (zh) * | 2019-12-26 | 2020-05-15 | 天津天地伟业投资管理有限公司 | 一种基于深度学习的人员徘徊行为检测方法 |
CN111291682A (zh) * | 2020-02-07 | 2020-06-16 | 浙江大华技术股份有限公司 | 确定目标对象的方法、装置、存储介质及电子装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191305A (zh) * | 2021-05-17 | 2021-07-30 | 武汉中科通达高新技术股份有限公司 | 一种基于Flink框架的数据管理方法及装置 |
CN114662521A (zh) * | 2021-11-16 | 2022-06-24 | 成都考拉悠然科技有限公司 | 一种行人徘徊行为检测方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101848377B (zh) | 一种基于云计算及海量视频检索的多视频录入装置智能联动的装置和方法 | |
CN103942811B (zh) | 分布式并行确定特征目标运动轨迹的方法与系统 | |
CN110706247B (zh) | 一种目标跟踪方法、装置及系统 | |
Shirazi et al. | Vision-based turning movement monitoring: count, speed & waiting time estimation | |
CN102855508B (zh) | 敞开式校园防尾随系统 | |
CN112268554A (zh) | 一种基于路径轨迹分析的区域范围徘徊检测方法及系统 | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN113269091A (zh) | 一种面向智慧园区的人员轨迹分析方法、设备及介质 | |
CN112836657A (zh) | 一种基于轻量化YOLOv3的行人检测方法及系统 | |
US20240185371A1 (en) | Systems and methods for electronic signature tracking | |
EP3053129A1 (en) | Marker based activity transition models | |
CN117437599B (zh) | 面向监控场景的行人异常事件检测方法和系统 | |
CN111489380A (zh) | 一种目标物体轨迹分析方法 | |
CN114333343A (zh) | 一种非机动车违章抓拍取证装置、方法及系统 | |
CN113901946A (zh) | 一种异常行为检测的方法、装置、电子设备及存储介质 | |
CN112528901A (zh) | 一种基于大数据的车辆聚集告警方法及系统 | |
CN112100230A (zh) | 一种客流统计分析的方法 | |
CN108760239B (zh) | 车辆识别装置检测方法及系统 | |
CN112241686A (zh) | 一种基于特征向量的轨迹比对匹配方法及系统 | |
CN111723725A (zh) | 一种基于视频ai多维分析系统 | |
CN115563652A (zh) | 轨迹嵌入预防泄露方法及系统 | |
Amodio et al. | Automatic vehicle model recognition and lateral position estimation based on magnetic sensors | |
CN113515665A (zh) | 视频处理与信息查询方法、设备、系统及存储介质 | |
CN113032498A (zh) | 一种轨迹相似的判断方法、装置、电子设备及存储介质 | |
CN112241683B (zh) | 一种同行人员识别判断方法及系统 |
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 |