CN112380905A - 一种基于监控视频的直方图结合熵的异常行为检测方法 - Google Patents

一种基于监控视频的直方图结合熵的异常行为检测方法 Download PDF

Info

Publication number
CN112380905A
CN112380905A CN202011103056.1A CN202011103056A CN112380905A CN 112380905 A CN112380905 A CN 112380905A CN 202011103056 A CN202011103056 A CN 202011103056A CN 112380905 A CN112380905 A CN 112380905A
Authority
CN
China
Prior art keywords
entropy
optical flow
histogram
amplitude
parameter represents
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
CN202011103056.1A
Other languages
English (en)
Other versions
CN112380905B (zh
Inventor
钱慧芳
郑萌萌
周璇
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.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic 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 Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN202011103056.1A priority Critical patent/CN112380905B/zh
Publication of CN112380905A publication Critical patent/CN112380905A/zh
Application granted granted Critical
Publication of CN112380905B publication Critical patent/CN112380905B/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
    • G06V20/41—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于监控视频的直方图结合熵的异常行为检测方法，具体按照以下步骤实施：步骤1、密集光流提取光流信息：选用Farneback密集光流算法提取运动区域内的光流信息；步骤2、将步骤1获取的光流信息统计成方向幅值直方图，并计算直方图的方向熵，幅值熵，速度方差；步骤3、采用直方图方向熵，幅值熵和速度方差的乘积计算出用于表示行为混乱程度的结合熵S；步骤4、根据结合熵S的大小确定是否存在异常行为，结合熵S越大发生异常行为的可能性越大。解决了现有技术中存在的检测率低的问题。

Description

一种基于监控视频的直方图结合熵的异常行为检测方法
技术领域
本发明属于智能视频监控技术领域，涉及一种基于监控视频的直方图结合熵的异常行为检测方法。
背景技术
目前，异常行为通常被定义为运动速度快，方向混乱的奔跑、打斗、抢劫行为，将行走定义为正常行为。
近年来，很多公共场合经常发生一些打斗、抢劫等快速的带有违法犯罪性质的行为，如停车场，火车站等，这些行为严重扰乱了社会公共秩序同时也可能对人们造成人身伤害和财产损失。为了把危害降到最低，视频监控的研究越来越受到人们的关注。停车场、火车站等各种公共场所都安装了摄像头，保障了社会安全。在一些人流量大的公共场所，智能监控系统可以有效地确保人身和财产的安全，并在出现异常情况时迅速向人们发出警告。
人体异常行为通常表现为运动速度和运动方向异常，光流法是一种典型的传统提取特征的方法，它的优点是可以在不知道场景信息的情况下准确地检测出运动目标的位置。当摄像机运动时仍然适用，光流法是提取运动目标方向和运动速度的一种有效方法。
发明内容
本发明的目的是提供一种基于监控视频的直方图结合熵的异常行为检测方法，解决了现有技术中存在的检测率低的问题。
本发明所采用的技术方案是，一种基于监控视频的直方图结合熵的异常行为检测方法，具体按照以下步骤实施：
步骤1、密集光流提取光流信息：选用Farneback密集光流算法提取运动区域内的光流信息；
步骤2、将步骤1获取的光流信息统计成方向幅值直方图，并计算直方图的方向熵，幅值熵，速度方差；
步骤3、采用直方图方向熵，幅值熵和速度方差的乘积计算出用于表示行为混乱程度的结合熵S；
步骤4、根据结合熵S的大小确定是否存在异常行为，结合熵S越大发生异常行为的可能性越大。
本发明的特点还在于：
步骤1具体按照以下实施：在OpenCV中，使用calcOpticalFlowFarneback ()API进行密集光流的计算，将calcOpticalFlowFarneback的具体功能参数设置为(prvs,next,None,0.5,3,15,3,5,1.2,0)，第一个参数代表输入上一帧图像，第二个参数代表输入下一帧图像，第三个参数代表输出的光流，第四个参数代表金字塔上下两层之间的尺度关系，第五个参数代表金字塔层数，第六个参数代表均值窗口尺寸，第七个参数代表迭代次数，第八个参数代表像素邻域范围大小，第九个参数代表高斯标准偏差，第十个参数flag，代表计算的方法。
步骤2具体按照以下步骤实施：
步骤2.1：平面直角坐标转换成极坐标
由Farneback密集光流算法计算的帧间光流场是视频图像的原有特征，光流矢量可以由代表光流矢量空间位置信息的四维向量(x,y,u,v)表示，(x,y) 代表图像光流矢量的空间位置信息，(u,v)分别代表水平方向和垂直方向上的光流矢量大小，将光流矢量分量(u,v)从平面直角坐标形式转换成极坐标下的 (r,θ)形式，经过计算分析可以得到光流的大小
Figure RE-GDA0002879998660000031
光流的方向
Figure RE-GDA0002879998660000032
步骤2.2：利用Matlab软件将光流信息转化为方向幅值直方图；
步骤2.3：计算直方图的方向熵、幅值熵和速度方差；
设第i区间的幅值为hi，i区间的方向次数总和为si，第i区间所对应的速度为
Figure RE-GDA0002879998660000033
在计算方向熵和幅值熵之前，首先计算每个区间方向和幅值的概率，计算公式如下：
Figure RE-GDA0002879998660000034
Figure RE-GDA0002879998660000035
Sdir：方向幅值直方图方向次数的总和；
Shyp：方向幅值直方图幅值的总和；
方向熵、幅值熵和速度方差计算公式如下：
方向熵：
Figure RE-GDA0002879998660000036
幅值熵：
Figure RE-GDA0002879998660000037
速度方差：
Figure RE-GDA0002879998660000038
步骤2.2具体为：在使用方向幅值直方图来描述人体运动过程中的行为时，将横坐标设置为12个区段，每个区段的大小为
Figure RE-GDA0002879998660000039
纵坐标表示每个区段上幅值大小的累加值。
步骤3具体按照以下实施：将方向熵、幅值熵和速度方差整合成结合熵 S，表示为以下表达式：
S＝ES×Eh/DV (6)。
本发明的有益效果是：本发明一种基于监控视频的直方图结合熵的异常行为检测方法，解决了现有技术中存在的检测率低、计算方法繁琐的问题。选择密集的光流计算方法获得运动区域中的光流信息，然后通过分析运动区域中光流的特征判断是否存在异常行为。光流法不需要事先获得图像背景，计算结果不受外部环境的影响，只取决于连续帧的相对运动。引入了熵的概念。熵在热力学中用来描述物质的状态，其物理含义是系统的混沌程度。当异常行为发生时，身体各部位会出现方向混乱等特征，因此熵值是否大于某一阈值可以用来判断是否存在异常行为。
附图说明
图1是本发明一种基于监控视频的直方图结合熵的异常行为检测方法的流程图；
图2是本发明一种基于监控视频的直方图结合熵的异常行为检测方法的技术路线图；
图3a是本发明一种基于监控视频的直方图结合熵的异常行为检测方法的正常行走结合熵S变化曲线；
图3b是本发明一种基于监控视频的直方图结合熵的异常行为检测方法的奔跑行为结合熵S变化曲线；
图3c是本发明一种基于监控视频的直方图结合熵的异常行为检测方法的打斗行为结合熵S变化曲线；
图3d是本发明一种基于监控视频的直方图结合熵的异常行为检测方法的抢劫行为结合熵S变化曲线。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于监控视频的直方图结合熵的异常行为检测方法，如图1 和图2所示，具体按照以下步骤实施：
步骤1、密集光流提取光流信息：选用Farneback密集光流算法提取运动区域内的光流信息；
步骤1具体按照以下实施：在OpenCV中，使用calcOpticalFlowFarneback ()API进行密集光流的计算，将calcOpticalFlowFarneback的具体功能参数设置为(prvs,next,None,0.5,3,15,3,5,1.2,0)，第一个参数代表输入上一帧图像，第二个参数代表输入下一帧图像，第三个参数代表输出的光流，第四个参数代表金字塔上下两层之间的尺度关系，第五个参数代表金字塔层数，第六个参数代表均值窗口尺寸，第七个参数代表迭代次数，第八个参数代表像素邻域范围大小，第九个参数代表高斯标准偏差，第十个参数flag，代表计算的方法。
步骤2、将步骤1获取的光流信息统计成方向幅值直方图，并计算直方图的方向熵，幅值熵，速度方差；
步骤2具体按照以下步骤实施：
步骤2.1：平面直角坐标转换成极坐标
由Farneback密集光流算法计算的帧间光流场是视频图像的原有特征，光流矢量可以由代表光流矢量空间位置信息的四维向量(x,y,u,v)表示，(x,y) 代表图像光流矢量的空间位置信息，(u,v)分别代表水平方向和垂直方向上的光流矢量大小，将光流矢量分量(u,v)从平面直角坐标形式转换成极坐标下的(r,θ)形式，经过计算分析可以得到光流的大小
Figure RE-GDA0002879998660000061
光流的方向
Figure RE-GDA0002879998660000062
步骤2.2：利用Matlab软件将光流信息转化为方向幅值直方图；
传统的方向直方图是使用非参数估计法来描述运动物体的光流特征，所以忽视了光流信息中幅值变化的影响，因而在分析这种异常行为时，通过添加幅值变化可以更准确地描述运动物体的光流特征，从而可以分析是否发生异常行为。
步骤2.2具体为：在使用方向幅值直方图来描述人体运动过程中的行为时，将横坐标设置为12个区段，每个区段的大小为
Figure RE-GDA0002879998660000063
纵坐标表示每个区段上幅值大小的累加值。
步骤2.3：计算直方图的方向熵、幅值熵和速度方差；
设第i区间的幅值为hi，i区间的方向次数总和为si，第i区间所对应的速度为
Figure RE-GDA0002879998660000064
在计算方向熵和幅值熵之前，首先计算每个区间方向和幅值的概率，计算公式如下：
Figure RE-GDA0002879998660000065
Figure RE-GDA0002879998660000066
Sdir：方向幅值直方图方向次数的总和；
Shyp：方向幅值直方图幅值的总和；
方向熵、幅值熵和速度方差计算公式如下：
方向熵：
Figure RE-GDA0002879998660000067
幅值熵：
Figure RE-GDA0002879998660000068
速度方差：
Figure RE-GDA0002879998660000071
步骤3、采用直方图方向熵，幅值熵和速度方差的乘积计算出用于表示行为混乱程度的结合熵S；
步骤3具体按照以下实施：将方向熵、幅值熵和速度方差整合成结合熵S，表示为以下表达式：
S＝ES×Eh/DV (6)
步骤4、根据结合熵S的大小确定是否存在异常行为，结合熵S越大发生异常行为的可能性越大。
本发明一种基于监控视频的直方图结合熵的异常行为检测方法看，步骤 1的作用为提取运动区域内的光流信息。
采用Farneback密集光流算法提取运动区域内的光流信息，其原理如下：如果相邻帧之间的亮度恒定，且拍摄时间持续，或者相邻帧之间的物体运动相对较小，同时确保空间一致性，也就是说相同的子图像像素具有类似的运动。Farneback密集光流算法关键在于使用一个近似多项式来表示每个像素的邻域信息，例如二次多项式表示为式(7)：
f(x)＝xTAx+bTx+c (7)
A为对称矩阵，b为向量，c为标量，f(x)为像素邻域信息的近似描述， A表示使用最小二乘加权拟合得到的像素邻域信息，权重系数和邻域像素大小和位置有关。若前一帧的图像表示为式(8)：
f1(x)＝xTA1x+b1 Tx+c1 (8)
两帧图像的位移用d表示，那么后一帧图像可以表示为式(9):
f2(x)＝f1(x-d)＝(x-d)TA1(x-d)+b1(x-d)+c1 (9)
由于图像场景中像素外观信息在帧之间运动时不会发生变化，因此我们可以得到相同的对应系数，如果它是一个非奇异矩阵，那么位移d可以表示为式(10):
Figure RE-GDA0002879998660000081
再经过对误差的优化和调整结合图像金字塔对图像的特征点进行跟踪。
采用密集光流算法提取运动区域内的光流信息，其优点在于：密集光流算法通过计算图像中所有点的偏移量来创建密集光流场，这种密集光流场可用于像素级图像的对准，因此计算量要比稀疏光流算法大，但其效果通常比稀疏光流要好。
实施例
1)本例中采用CASIA行为数据库，CASIA行为数据库包含1446个视频数据，这些数据是由三个摄像机以不同方式在车库环境中录制的，数据分为双人交互行为与单人行为。双人交互行为包含以下行为：“打斗”、“跟踪”、“尾行”、“会合”等行为每两人一次或两次。单人行为包括以下行为：“步行”、“奔跑”、“蹦跳”、“弯腰走”、“昏倒”等行为，每种行为都被拍摄了大约24次。视频中背景繁琐，光线变化显著，分辨率是 320×240，帧率是25FPS，文件以AVI格式保存。
在本实验中，将行走定义为正常行为，运动速度快，运动方向杂乱的奔跑、打斗、抢劫行为定义为异常行为。
2)实验训练使用Windows 10系统，8.00GB内存，inter(R)Core(TM) i5-8250UCPU@1.60GHz 1.80GHz处理器，使用Matlab R2016a和集成开发环境Pycharm，OpenCV开源库。
3)为了更加准确地获取运动区域内的光流信息，在传统光流的基础上引入了“有效光流”，即通过对光流幅值的筛选，只保留对异常行为检测“贡献”较大的光流点，而将其余的光流点舍掉。
有效光流场可以由以下公式得到:
Figure RE-GDA0002879998660000091
其中thre为筛选光流点的阈值，是经过多次实验之后选取的，本发明取 thre＝0.3。
4)与正常行为相比，当出现奔跑、打斗和抢劫行为时，由于运动方向较杂乱，动作猛烈，结合熵S会增加，结合熵S能够很好地反映出光流特征的变化，不同行为的结合熵S变化曲线如图3a-d(正常行为和异常行为的结合熵S变化曲线)所示。
(a)～(d)为相同场景内正常行走、奔跑、打斗和抢劫四种行为的结合熵S变化曲线，比较四种行为结合熵S的平均值，正常行走时结合熵S的平均值较小，而当出现奔跑、打斗，抢劫行为时结合熵S的平均值较大些，由此可见，结合熵S对于正常行为和异常行为有较好的区分度，结合熵S越大发生异常行为的可能性越大。
本发明一种基于监控视频的直方图结合熵的异常行为检测方法，解决了现有技术中存在的检测率低、计算方法繁琐的问题。选择密集的光流计算方法获得运动区域中的光流信息，然后通过分析运动区域中光流的特征判断是否存在异常行为。光流法不需要事先获得图像背景，计算结果不受外部环境的影响，只取决于连续帧的相对运动。引入了熵的概念。熵在热力学中用来描述物质的状态，其物理含义是系统的混沌程度。当异常行为发生时，身体各部位会出现方向混乱等特征，因此熵值是否大于某一阈值可以用来判断是否存在异常行为。

Claims (5)

1.一种基于监控视频的直方图结合熵的异常行为检测方法，其特征在于，具体按照以下步骤实施：
步骤1、密集光流提取光流信息：选用Farneback密集光流算法提取运动区域内的光流信息；
步骤2、将步骤1获取的光流信息统计成方向幅值直方图，并计算直方图的方向熵，幅值熵，速度方差；
步骤3、采用直方图方向熵，幅值熵和速度方差的乘积计算出用于表示行为混乱程度的结合熵S；
步骤4、根据结合熵S的大小确定是否存在异常行为，结合熵S越大发生异常行为的可能性越大。
2.根据权利要求1所述的一种基于监控视频的直方图结合熵的异常行为检测方法，其特征在于，所述步骤1具体按照以下实施：在OpenCV中，使用calcOpticalFlowFarneback()API进行密集光流的计算，将calcOpticalFlowFarneback的具体功能参数设置为(prvs,next,None,0.5,3,15,3,5,1.2,0)，第一个参数代表输入上一帧图像，第二个参数代表输入下一帧图像，第三个参数代表输出的光流，第四个参数代表金字塔上下两层之间的尺度关系，第五个参数代表金字塔层数，第六个参数代表均值窗口尺寸，第七个参数代表迭代次数，第八个参数代表像素邻域范围大小，第九个参数代表高斯标准偏差，第十个参数flag，代表计算的方法。
3.根据权利要求1所述的一种基于监控视频的直方图结合熵的异常行为检测方法，其特征在于，所述步骤2具体按照以下步骤实施：
步骤2.1：平面直角坐标转换成极坐标
由Farneback密集光流算法计算的帧间光流场是视频图像的原有特征，光流矢量可以由代表光流矢量空间位置信息的四维向量(x,y,u,v)表示，(x,y)代表图像光流矢量的空间位置信息，(u,v)分别代表水平方向和垂直方向上的光流矢量大小，将光流矢量分量(u,v)从平面直角坐标形式转换成极坐标下的(r,θ)形式，经过计算分析可以得到光流的大小
Figure RE-RE-FDA0002879998650000021
光流的方向
Figure RE-RE-FDA0002879998650000022
步骤2.2：利用Matlab软件将光流信息转化为方向幅值直方图；
步骤2.3：计算直方图的方向熵、幅值熵和速度方差；
设第i区间的幅值为hi，i区间的方向次数总和为si，第i区间所对应的速度为
Figure RE-RE-FDA0002879998650000023
在计算方向熵和幅值熵之前，首先计算每个区间方向和幅值的概率，计算公式如下：
Figure RE-RE-FDA0002879998650000024
Figure RE-RE-FDA0002879998650000025
Sdir：方向幅值直方图方向次数的总和；
Shyp：方向幅值直方图幅值的总和；
方向熵、幅值熵和速度方差计算公式如下：
方向熵：
Figure RE-RE-FDA0002879998650000026
幅值熵：
Figure RE-RE-FDA0002879998650000027
速度方差：
Figure RE-RE-FDA0002879998650000028
4.根据权利要求3所述的一种基于监控视频的直方图结合熵的异常行为检测方法，其特征在于，所述步骤2.2具体为：在使用方向幅值直方图来描述人体运动过程中的行为时，将横坐标设置为12个区段，每个区段的大小为
Figure RE-RE-FDA0002879998650000031
纵坐标表示每个区段上幅值大小的累加值。
5.根据权利要求1所述的一种基于监控视频的直方图结合熵的异常行为检测方法，其特征在于，所述步骤3具体按照以下实施：将方向熵、幅值熵和速度方差整合成结合熵S，表示为以下表达式：
S＝ES×Eh/DV (6)。
CN202011103056.1A 2020-10-15 2020-10-15 一种基于监控视频的直方图结合熵的异常行为检测方法 Active CN112380905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011103056.1A CN112380905B (zh) 2020-10-15 2020-10-15 一种基于监控视频的直方图结合熵的异常行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011103056.1A CN112380905B (zh) 2020-10-15 2020-10-15 一种基于监控视频的直方图结合熵的异常行为检测方法

Publications (2)

Publication Number Publication Date
CN112380905A true CN112380905A (zh) 2021-02-19
CN112380905B CN112380905B (zh) 2024-03-08

Family

ID=74581531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011103056.1A Active CN112380905B (zh) 2020-10-15 2020-10-15 一种基于监控视频的直方图结合熵的异常行为检测方法

Country Status (1)

Country Link
CN (1) CN112380905B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818929A (zh) * 2021-02-26 2021-05-18 济南博观智能科技有限公司 一种人员斗殴检测方法、装置、电子设备及存储介质
CN113870323A (zh) * 2021-09-30 2021-12-31 西安交通大学 一种基于光流信息熵的结构表面微小裂纹识别方法
CN114445275A (zh) * 2021-09-03 2022-05-06 中国计量大学 一种图像极限缩小导致视觉感知饱和现象的判断方法
CN118413637A (zh) * 2024-07-02 2024-07-30 安徽协创物联网技术有限公司 基于视频监控摄像头的远程实时监控控制系统及控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100030059A1 (en) * 2007-02-15 2010-02-04 Tecdata Ag Method for Measuring Information of Biological Systems
US20110243401A1 (en) * 2010-03-31 2011-10-06 Zabair Adeala T System and method for image sequence processing
CN102629384A (zh) * 2012-02-28 2012-08-08 成都三泰电子实业股份有限公司 视频监控中异常行为的检测方法
CN102880444A (zh) * 2012-08-24 2013-01-16 浙江捷尚视觉科技有限公司 一种基于立体视觉运动场分析的打架斗殴检测方法
CN103810718A (zh) * 2012-11-15 2014-05-21 浙江大华技术股份有限公司 一种剧烈运动目标检测方法和装置
CN104123544A (zh) * 2014-07-23 2014-10-29 通号通信信息集团有限公司 基于视频分析的异常行为检测方法及系统
CN106327791A (zh) * 2016-08-31 2017-01-11 朱明� 一种异常事件实时报警方法及系统
US20170261264A1 (en) * 2017-05-25 2017-09-14 Northeastern University Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof
CN107967440A (zh) * 2017-09-19 2018-04-27 北京工业大学 一种基于多区域变尺度3d-hof的监控视频异常检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100030059A1 (en) * 2007-02-15 2010-02-04 Tecdata Ag Method for Measuring Information of Biological Systems
US20110243401A1 (en) * 2010-03-31 2011-10-06 Zabair Adeala T System and method for image sequence processing
CN102629384A (zh) * 2012-02-28 2012-08-08 成都三泰电子实业股份有限公司 视频监控中异常行为的检测方法
CN102880444A (zh) * 2012-08-24 2013-01-16 浙江捷尚视觉科技有限公司 一种基于立体视觉运动场分析的打架斗殴检测方法
CN103810718A (zh) * 2012-11-15 2014-05-21 浙江大华技术股份有限公司 一种剧烈运动目标检测方法和装置
CN104123544A (zh) * 2014-07-23 2014-10-29 通号通信信息集团有限公司 基于视频分析的异常行为检测方法及系统
CN106327791A (zh) * 2016-08-31 2017-01-11 朱明� 一种异常事件实时报警方法及系统
US20170261264A1 (en) * 2017-05-25 2017-09-14 Northeastern University Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof
CN107967440A (zh) * 2017-09-19 2018-04-27 北京工业大学 一种基于多区域变尺度3d-hof的监控视频异常检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HUIFANG QIAN 等: "Abnormal Behavior Detection and Recognition Method Based on Improved ResNet Model", 《CMC-COMPUTERS, MATERIALS & CONTINUA》, vol. 65, no. 3, 25 June 2020 (2020-06-25), pages 376 - 682 *
RENSSO VICTOR HUGO MORA COLQUE 等: "Histograms of Optical Flow Orientation and Magnitude and Entropy to Detect Anomalous Events in Videos", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》, vol. 27, no. 3, 31 March 2017 (2017-03-31), pages 376 - 682 *
丁茜 等: "基于监控视频的异常事件识别", 《光学仪器》, vol. 41, no. 1, pages 2 - 3 *
周曼 等: "基于光流法的深度学习在工业运动检测的应用", 《自动化与仪表》, vol. 34, no. 7, pages 1 - 2 *
安井然: "视频监控系统中异常行为检测软件设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 1062 *
王燕妮 等: "关键帧结合幅值直方图熵的异常行为检测算法", 《计算机与数字工程》, vol. 47, no. 9, 20 September 2019 (2019-09-20), pages 2281 - 2285 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818929A (zh) * 2021-02-26 2021-05-18 济南博观智能科技有限公司 一种人员斗殴检测方法、装置、电子设备及存储介质
CN114445275A (zh) * 2021-09-03 2022-05-06 中国计量大学 一种图像极限缩小导致视觉感知饱和现象的判断方法
CN113870323A (zh) * 2021-09-30 2021-12-31 西安交通大学 一种基于光流信息熵的结构表面微小裂纹识别方法
CN113870323B (zh) * 2021-09-30 2024-04-02 西安交通大学 一种基于光流信息熵的结构表面微小裂纹识别方法
CN118413637A (zh) * 2024-07-02 2024-07-30 安徽协创物联网技术有限公司 基于视频监控摄像头的远程实时监控控制系统及控制方法
CN118413637B (zh) * 2024-07-02 2024-09-06 安徽协创物联网技术有限公司 基于视频监控摄像头的远程实时监控控制系统及控制方法

Also Published As

Publication number Publication date
CN112380905B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN112380905B (zh) 一种基于监控视频的直方图结合熵的异常行为检测方法
Wen et al. Detection, tracking, and counting meets drones in crowds: A benchmark
WO2020173226A1 (zh) 一种时空行为检测方法
CN105844234B (zh) 一种基于头肩检测的人数统计的方法及设备
CN112364680B (zh) 一种基于光流算法的异常行为检测方法
JP2023526207A (ja) フレーム中の標的物体を一定のサイズに維持すること
JP4451330B2 (ja) 圧縮ビデオにおいて交通事象を検出する方法
JP5102410B2 (ja) 移動体検出装置および移動体検出方法
WO2016173277A9 (zh) 视频编码方法、解码方法及其装置
CN109711344B (zh) 一种前端智能化的特定异常行为检测方法
Sengar et al. Motion detection using block based bi-directional optical flow method
CN105469054B (zh) 正常行为的模型构建方法及异常行为的检测方法
KR102332229B1 (ko) 딥러닝 기반 보행자 영상 데이터 증강방법
Hu et al. A novel approach for crowd video monitoring of subway platforms
Ben Hamida et al. Video surveillance system based on a scalable application-oriented architecture
CN111881915B (zh) 一种基于多种先验信息约束的卫星视频目标智能检测方法
CN114898355A (zh) 用于自动驾驶的体住运动的自监督学习的方法和系统
Bakour et al. Soft-CSRNet: real-time dilated convolutional neural networks for crowd counting with drones
Rahnemoonfar et al. Spatio-temporal convolutional neural network for elderly fall detection in depth video cameras
KR20200060868A (ko) 객체 탐지 및 자동 추적이 가능한 다시점 영상 감시 시스템
CN105740819A (zh) 一种基于整数规划的人群密度估计方法
CN105989615A (zh) 一种基于多特征融合的行人跟踪方法
CN117252908A (zh) 一种基于注意力的抗遮挡多目标跟踪方法
JP5268796B2 (ja) 移動物体領域検出装置及び移動物体領域検出プログラム
Tavakkoli et al. A support vector data description approach for background modeling in videos with quasi-stationary backgrounds

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