CN112532934A - 一种多维协同监控系统 - Google Patents
一种多维协同监控系统 Download PDFInfo
- Publication number
- CN112532934A CN112532934A CN202011318828.3A CN202011318828A CN112532934A CN 112532934 A CN112532934 A CN 112532934A CN 202011318828 A CN202011318828 A CN 202011318828A CN 112532934 A CN112532934 A CN 112532934A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- subsystem
- management subsystem
- monitoring management
- information
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明提出一种多维协同监控系统，所述系统由监控管理子系统、造访备选子系统、视频分析子系统构成。本发明通过视频监控实现区域精细化监控管理，对于视频监控过程出现对象辨识模糊的情况，通过引进至少一个额外的维度来协同验证对象区域到访的有效性，从而提升监控的覆盖率及准确性，最终实现精细化、高覆盖率、高准确性的区域到访监控方案，提升到访管理的有效性。
Description
技术领域
本发明涉及监控领域，特别涉及一种多维协同监控系统。
背景技术
随着信息通信技术的迅速推进及全球专业分工的快速发展，业务主体间的协同合作更加紧密，互访交流日趋频繁，商业活动到访量呈指数级增长，相应的，出于人身安全管理、信息安全管理、目标侦查、到访有效性管理等需求，需要对广泛到访的人员进行区域到访监控，以便提升管理的有效性。
典型场景有：电力行业，人员到访涉及上访人员的安全管理，需要识别到访人员是否步入危险区域以便于及时应对，避免引发人身安全问题；高新技术行业，人员到访涉及信息保密安全问题，需要识别到访人员是否步入企业核心产品机要区域并及时应对，避免核心技术外泄；旅游观光，人员到访涉及游客入景区后的安全管理问题，需要识别到访人员是否误入禁入区并做及时处理，避免引发游客人身安全问题；商业销售荐客有效性管理方面，需要识别顾客是否首次到访，以便确认客户的市场引导归属，种种场景需要准确的获取人员是否进入目标监控区域，以便于采取应对措施或做事实判定等相关举措。
针对到访区域监控事宜，现有技术所采取的做法主要包括：
视频监控：通过在目标区域安装摄像头，摄像头采集视频后提取图像进行对象识别实现区域到访辨识(该方案由于人脸角度、人群遮挡、人脸佩戴装饰遮挡容易引起误判或者漏检)；
进门登记(该做法难以保证到访必登记，形成漏检，此外，该方法难以实现区域到访精细化管理)；
通过WIFI接入认证进行登记(该做法难以保证到访必登记，形成漏检，此外，该方法难以实现区域到访精细化管理)。
如上述分析，由于现有技术监控方法不完善，存在无法实现区域到访精细化管理或者到访监控准确性偏低的问题，导致区域到访管理失效，因此，提出一种有效的监控方法，提升区域到访的精细化管理水平，提升监控的准确性，则是业界有待解决的问题。
发明内容
本发明要解决的技术问题是：本发明提出了一种多维协同监控系统，通过视频监控实现区域精细化监控管理，对于视频监控过程出现对象辨识模糊的情况，通过引进至少一个额外的维度来协同验证对象区域到访的有效性，从而提升监控的覆盖率及准确性，最终实现精细化、高覆盖率、高准确性的区域到访监控方案，提升到访管理的有效性。
本发明解决现有技术存在的问题所采用的技术方案是：
本发明提供了一种多维协同监控系统，包括：监控管理子系统、造访备选子系统、视频分析子系统；
视频分析子系统：该子系统负责视频监控、图像提取、对象检测，并把对象检测结果上报给监控管理子系统；
造访备选子系统：根据监控管理子系统所提交的坐标位置，获取以该坐标为中心，半径G范围内的对象并把信息发送给监控管理子系统；
监控管理子系统：基于视频分析子系统、造访备选子系统所提供的信息，基于多维协同监控方法进行对象检测，并把检测结果写入监控管理子系统内部的数据库。
本发明还提供了一种多维协同监控方法，包含以下的步骤：
步骤1：监控管理子系统获取视频分析子系统中某个视频监控节点Node_k在t时刻上报的对象集Set_k_t，所述对象集中每个元素至少包括对象ID、对象内容、对象特征值三项信息；
步骤2：监控管理子系统把Set_k_t中对象特征值低于门限1的对象划分到对象子集LowSubset_k_t中，把高于等于门限1的对象划分到对象子集HighSubset_k_t中；
步骤3：监控管理子系统从造访备选子系统所提供的对象集A中，选出时刻点t+Delta_t，位于Node_k半径L米范围内的对象，并定义为对象子集SubsetA；
步骤4：监控管理子系统从SubsetA中选出与LowSubset_k_t中各对象最匹配的对象，并把匹配值大于等于门限2的对象定义为子集B；
步骤5：监控管理子系统把HighSubset_k_t、B作为Node_k在t时刻成功检测到进入节点Node_k监控区域的对象，并写入数据库中。
优选地，所述步骤1中，所述监控管理子系统获取视频分析子系统中某个视频监控节点Node_k在t时刻上报的对象集Set_k_t，所述获取方法具体包括：
视频监控节点Node_k在检测到存在对象后主动上报检测到的对象集；
或者
监控管理子系统配置视频分析子系统周期性上报检测到的对象集；
或者
监控管理子系统向视频分析子系统发送查询请求后，视频分析子系统上报检测到的对象集。
优选地，所述步骤1中，所述对象ID指数据库中用于唯一标识对象的编号，优选的，所述ID还可以标识相应的监控区域；所述对象内容指所述对象的图像初始信息；所述对象特征值指用于指示对象存在与否可靠度的综合检测值。
优选地，所述步骤3中，所述造访备选子系统通过无线信号定位人员在各区域的位置分布信息，所述无线信号可以包括移动通信信号、蓝牙、WIFI、LORA、NBIOT中的任意一种或几种的组合。
优选地，所述步骤3中，所述造访备选子系统所提供的对象集信息，是基于监控管理子系统向造访备选子系统所提供的参考位置信息后，造访备选子系统所检测到以参考位置为中心，半径G范围内的对象集，所述参考位置信息为监控管理子系统监管区域的中心位置。
优选地，所述步骤4中，所述子集B的构建过程如下：
步骤4.1、从LowSubset_k_t中选出任一还没进行对象匹配的对象LowSubset_k_t_i；
步骤4.2、从SubsetA中选出任一还没与LowSubset_k_t_i进行匹配运算的对象SubsetA_j；
步骤4.3、计算LowSubset_k_t_i与SubsetA_j的匹配度，得到匹配值M_k_t_ij；
步骤4.4、判定SubsetA中是否所有对象都与LowSubset_k_t_i完成匹配，如果是，则跳转到步骤4.5，如果否，则跳转到步骤4.2；
步骤4.5、判定LowSubset_k_t中是否所有对象都完成匹配运算，如果是，则跳转到步骤4.6，如果否，则跳转大步骤4.1；
步骤4.6、对M_k_t_ij中同一i内不同j取值的匹配值进行从高到低的排序，得到PM_k_t_iy；
步骤4.7、从PM_k_t_i0中不同i下选出匹配值最高的一个PM_k_t_p0，判定是否大于等于门限2，如果否，则跳转到步骤4.9，如果是，则把PM_k_t_p0所对应SubsetA的对象信息写入子集B中，并删除PM_k_t_py这列信息；
步骤4.8、判定PM_k_t_p0所对应SubsetA中的对象是否在PM_k_t_i0中(i不等于p)中出现，如果出现，则删除PM_k_t_iy中该对象；
步骤4.9、结束子集B的构建。
优选地，所述步骤5中，写入数据的信息至少包括Node_k标识，时间信息t，对象ID，对象初始信息。
与现有技术相比，本发明所具有的有益效果：
采用本发明的方法，通过视频监控实现区域精细化监控管理，对于视频监控过程出现对象辨识模糊的情况，通过引进至少一个额外的维度来协同验证对象区域到访的有效性，从而提升监控的覆盖率及准确性，最终实现精细化、高覆盖率、高准确性的区域到访监控方案，提升到访管理的有效性。
附图说明
图1是一种多维协同监控方法示意；
图2是一种多维协同监控系统示意。
具体实施方式
为使本发明的技术方案和有益效果更加清楚，下面对本发明的实施方式做进一步的详细解释。
实施例，此处以图2为例，来阐述本发明提出的一种多维协同监控系统。
如图2所示，一种多维协同监控系统包括：监控管理子系统、造访备选子系统、视频分析子系统，各子系统的功能如下：
视频分析子系统：该子系统负责视频监控、图像提取、对象检测，并把对象检测结果上报给监控管理子系统；
造访备选子系统：根据监控管理子系统所提交的坐标位置，获取以该坐标为中心，半径G范围内的对象并把信息发送给监控管理子系统；
监控管理子系统：基于视频分析子系统、造访备选子系统所提供的信息，基于多维协同监控方法进行对象检测，并把检测结果写入监控管理子系统内部的数据库。
一种多维协同监控方法，如图1所示，具体包含以下的步骤：
步骤1：监控管理子系统获取视频分析子系统中某个视频监控节点Node_k在t时刻上报的对象集Set_k_t，所述对象集中每个元素至少包括对象ID、对象内容、对象特征值三项信息；
步骤2：监控管理子系统把Set_k_t中对象特征值低于门限1的对象划分到对象子集LowSubset_k_t中，把高于等于门限1的对象划分到对象子集HighSubset_k_t中；
步骤3：监控管理子系统从造访备选子系统所提供的对象集A中，选出时刻点t+Delta_t，位于Node_k半径L米范围内的对象，并定义为对象子集SubsetA；
步骤4：监控管理子系统从SubsetA中选出与LowSubset_k_t中各对象最匹配的对象，并把匹配值大于等于门限2的对象定义为子集B；
步骤5：监控管理子系统把HighSubset_k_t、B作为Node_k在t时刻成功检测到进入节点Node_k监控区域的对象，并写入数据库中。
所述步骤1、2、3、4、5所涉及的一种多维协同监控系统，由监控管理子系统、造访备选子系统、视频分析子系统构成；
所述步骤1中，所述监控管理子系统获取视频分析子系统中某个视频监控节点Node_k在t时刻上报的对象集Set_k_t，所述获取方法具体包括：
视频监控节点Node_k在检测到存在对象后主动上报检测到的对象集；
或者
监控管理子系统配置视频分析子系统周期性上报检测到的对象集；
或者
监控管理子系统向视频分析子系统发送查询请求后，视频分析子系统上报检测到的对象集；
所述步骤1中，所述对象ID指数据库中用于唯一标识对象的编号，优选的，所述ID还可以标识相应的监控区域；所述对象内容指所述对象的图像初始信息；所述对象特征值指用于指示对象存在与否可靠度的综合检测值，典型的综合检测值如三庭五眼综合检测值，具体不做限制；
所述步骤3中，所述造访备选子系统通过无线信号定位人员在各区域的位置分布信息，所述无线信号可以包括移动通信信号、蓝牙、WIFI、LORA、NBIOT等，具体不做限定；
所述步骤3中，所述造访备选子系统所提供的对象集信息，是基于监控管理子系统向造访备选子系统所提供的参考位置信息后，造访备选子系统所检测到以参考位置为中心，半径G范围内的对象集，所述参考位置信息为监控管理子系统监管区域的中心位置；
所述步骤4中，所述子集B的构建过程如下：
步骤4.1、从LowSubset_k_t中选出任一还没进行对象匹配的对象LowSubset_k_t_i；
步骤4.2、从SubsetA中选出任一还没与LowSubset_k_t_i进行匹配运算的对象SubsetA_j；
步骤4.3、计算LowSubset_k_t_i与SubsetA_j的匹配度，得到匹配值M_k_t_ij；
步骤4.4、判定SubsetA中是否所有对象都与LowSubset_k_t_i完成匹配，如果是，则跳转到步骤4.5，如果否，则跳转到步骤4.2；
步骤4.5、判定LowSubset_k_t中是否所有对象都完成匹配运算，如果是，则跳转到步骤4.6，如果否，则跳转大步骤4.1；
步骤4.6、对M_k_t_ij中同一i内不同j取值的匹配值进行从高到低的排序，得到PM_k_t_iy；
步骤4.7、从PM_k_t_i0中不同i下选出匹配值最高的一个PM_k_t_p0，判定是否大于等于门限2，如果否，则跳转到步骤4.9，如果是，则把PM_k_t_p0所对应SubsetA的对象信息写入子集B中，并删除PM_k_t_py这列信息；
步骤4.8、判定PM_k_t_p0所对应SubsetA中的对象是否在PM_k_t_i0中(i不等于p)中出现，如果出现，则删除PM_k_t_iy中该对象；
步骤4.9、结束子集B的构建；
所述步骤5中，写入数据的信息至少包括Node_k标识，时间信息t，对象ID，对象初始信息。
下面用具体的实施例来描述一种多维协同监控系统的具体实施方式：
实施例：如图2所示，本实施例的系统由监控管理子系统、造访备选子系统、视频分析子系统构成，门限1取值为0.8，半径L取值为60米，Delta_t取值为30秒，半径G取值300米，门限2取值为0.7，t时刻视频分析子系统中Node_k节点向监控管理子系统上报了如表1的对象检测结果，从表1中可以看到只有对象ID为2的对象是大于门限1的，即已经确定t时刻，该对象进入了Node_k监控区域，因此把表1中对象ID为2的对象划分到HighSubset_k_t(对应HighSubset_k_t_0)中；而对象ID为0、1的两个对象，由检测结果小于门限1，即存在模糊，因此暂时无法确认其是否进入Node_k监控区域，因此把表1对象ID为0、1的两个对象划分到LowSubset_k_t(分别对应LowSubset_k_t_0、LowSubset_k_t_1)。由于检测存在模糊，暂时无法确认结果，因此，采用本发明的做法，引进一个额外的维度进行协同判定，于是监控管理子系统把监控管理子系统所管辖的参考位置信息RP发送给造访备选子系统，造访备选子系统基于移动通信信号进行定位，把定位到位于所述参考位置RP半径G(即300米)范围内的备选对象集A上报给监控管理子系统，备选对象集A的信息详见表2，接着，监控管理子系统筛选出时刻点t+Delta_t，位于Node_k半径L米范围内的对象，得到SubsetA(详见表2，包括SubsetA_0、SubsetA_1、SubsetA_2、SubsetA_3、SubsetA_4)，接着，监控管理子系统依次进行LowSubset_k_t_0与SubsetA_f(其中f取值0、1、...、4)的匹配度计算，而后进行LowSubset_k_t_1与SubsetA_f(其中f取值0、1、...、4)的匹配度计算结果，计算后得到M_k_t_ij(其中i取值0、1；j取值0、1、2、3、4，详见表2中蓝色背景部分)，而后对M_k_t_ij同一i取值下不同j取值对应的匹配度从高到低进行排序，得到表3所示的匹配度排序结果，接着从PM_k_t_00、PM_k_t_10中找出最大取值，即PM_k_t_00，而后判定该值大于门限2(对应取值0.7)，因此把SubsetA_j中与其对应的对象，即SubsetA_0写入子集B中，并把PM_k_t_0y这列数据删除，同时判定PM_k_t_10列中是否包括SubsetA_0，由于本实时例包括，因此，PM_k_t_1y需要删除第0个元素，得到表4结果，而后从表4选择PM_k_t_10，而后判定大于门限2(对应取值0.7)，因此把SubsetA_j中与其对应的对象，即SubsetA_1写入子集B中，最终，监控管理子系统把HighSubset_k_t、B作为Node_k在t时刻成功检测到进入节点Node_k监控区域的对象，并写入数据库中，数据库更新后详见表5。
表1视频分析子系统所上报的检测对象信息
表2 M_k_t_ij计算结果
表3 PM_k_t_iy计算结果
表4 PM_k_t_iy中删除第一次多维协同匹配相关元素后的元素构成
| LowSubset_k_t_i | ||
| SubsetA_j | y | i＝1 |
| 1 | 0 | 0.73 |
| 2 | 1 | 0.3 |
| 4 | 2 | 0.23 |
| 3 | 3 | 0.19 |
表5数据库信息
| Node_k标识 | 时间信息 | 对象ID | 对象初始信息 |
| k | t | 0 | 图片0 |
| k | t | 1 | 图片1 |
| k | t | 2 | 图片2 |
采用本发明的方法，通过视频监控实现区域精细化监控管理，对于视频监控过程出现对象辨识模糊的情况，通过引进至少一个额外的维度来协同验证对象区域到访的有效性，从而提升监控的覆盖率及准确性，最终实现精细化、高覆盖率、高准确性的区域到访监控方案，提升到访管理的有效性。
综上所述，仅为本发明的较佳实施例而已，并非用来限定本发明的范围，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本发明的技术性范围并不局限于说明书上的内容，凡依本发明的要求范围所述的形状、构造、特征及精神所谓的均等变化与修饰，均应包括与本发明的权利要求范围内。
Claims (8)
1.一种多维协同监控系统，其特征在于，包括：监控管理子系统、造访备选子系统、视频分析子系统；
视频分析子系统：该子系统负责视频监控、图像提取、对象检测，并把对象检测结果上报给监控管理子系统；
造访备选子系统：根据监控管理子系统所提交的坐标位置，获取以该坐标为中心，半径G范围内的对象并把信息发送给监控管理子系统；
监控管理子系统：基于视频分析子系统、造访备选子系统所提供的信息，基于多维协同监控方法进行对象检测，并把检测结果写入监控管理子系统内部的数据库。
2.一种多维协同监控方法，包含以下的步骤：
步骤1：监控管理子系统获取视频分析子系统中某个视频监控节点Node_k在t时刻上报的对象集Set_k_t，所述对象集中每个元素至少包括对象ID、对象内容、对象特征值三项信息；
步骤2：监控管理子系统把Set_k_t中对象特征值低于门限1的对象划分到对象子集LowSubset_k_t中，把高于等于门限1的对象划分到对象子集HighSubset_k_t中；
步骤3：监控管理子系统从造访备选子系统所提供的对象集A中，选出时刻点t+Delta_t，位于Node_k半径L米范围内的对象，并定义为对象子集SubsetA；
步骤4：监控管理子系统从SubsetA中选出与LowSubset_k_t中各对象最匹配的对象，并把匹配值大于等于门限2的对象定义为子集B；
步骤5：监控管理子系统把HighSubset_k_t、B作为Node_k在t时刻成功检测到进入节点Node_k监控区域的对象，并写入数据库中。
3.根据权利要求2所述的一种多维协同监控方法，其特征在于：
所述步骤1中，所述监控管理子系统获取视频分析子系统中某个视频监控节点Node_k在t时刻上报的对象集Set_k_t，所述获取方法具体包括：
视频监控节点Node_k在检测到存在对象后主动上报检测到的对象集；
或者
监控管理子系统配置视频分析子系统周期性上报检测到的对象集；
或者
监控管理子系统向视频分析子系统发送查询请求后，视频分析子系统上报检测到的对象集。
4.根据权利要求2所述的一种多维协同监控方法，其特征在于：
所述步骤1中，所述对象ID指数据库中用于唯一标识对象的编号，优选的，所述ID还可以标识相应的监控区域；所述对象内容指所述对象的图像初始信息；所述对象特征值指用于指示对象存在与否可靠度的综合检测值。
5.根据权利要求2所述的一种多维协同监控方法，其特征在于：
所述步骤3中，所述造访备选子系统通过无线信号定位人员在各区域的位置分布信息，所述无线信号可以包括移动通信信号、蓝牙、WIFI、LORA、NBIOT中的任意一种或几种的组合。
6.根据权利要求2所述的一种多维协同监控方法，其特征在于：
所述步骤3中，所述造访备选子系统所提供的对象集信息，是基于监控管理子系统向造访备选子系统所提供的参考位置信息后，造访备选子系统所检测到以参考位置为中心，半径G范围内的对象集，所述参考位置信息为监控管理子系统监管区域的中心位置。
7.根据权利要求2所述的一种多维协同监控方法，其特征在于：
所述步骤4中，所述子集B的构建过程如下：
步骤4.1、从LowSubset_k_t中选出任一还没进行对象匹配的对象LowSubset_k_t_i；
步骤4.2、从SubsetA中选出任一还没与LowSubset_k_t_i进行匹配运算的对象SubsetA_j；
步骤4.3、计算LowSubset_k_t_i与SubsetA_j的匹配度，得到匹配值M_k_t_ij；
步骤4.4、判定SubsetA中是否所有对象都与LowSubset_k_t_i完成匹配，如果是，则跳转到步骤4.5，如果否，则跳转到步骤4.2；
步骤4.5、判定LowSubset_k_t中是否所有对象都完成匹配运算，如果是，则跳转到步骤4.6，如果否，则跳转大步骤4.1；
步骤4.6、对M_k_t_ij中同一i内不同j取值的匹配值进行从高到低的排序，得到PM_k_t_iy；
步骤4.7、从PM_k_t_i0中不同i下选出匹配值最高的一个PM_k_t_p0，判定是否大于等于门限2，如果否，则跳转到步骤4.9，如果是，则把PM_k_t_p0所对应SubsetA的对象信息写入子集B中，并删除PM_k_t_py这列信息；
步骤4.8、判定PM_k_t_p0所对应SubsetA中的对象是否在PM_k_t_i0中(i不等于p)中出现，如果出现，则删除PM_k_t_iy中该对象；
步骤4.9、结束子集B的构建。
8.根据权利要求2或4所述的一种多维协同监控方法，其特征在于：
所述步骤5中，写入数据的信息至少包括Node_k标识，时间信息t，对象ID，对象初始信息。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211325138.XA CN115914563A (zh) | 2020-11-23 | 2020-11-23 | 一种提升图像监控准确性的方法 |
| CN202011318828.3A CN112532934B (zh) | 2020-11-23 | 2020-11-23 | 一种多维协同监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011318828.3A CN112532934B (zh) | 2020-11-23 | 2020-11-23 | 一种多维协同监控系统 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211325138.XA Division CN115914563A (zh) | 2020-11-23 | 2020-11-23 | 一种提升图像监控准确性的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112532934A true CN112532934A (zh) | 2021-03-19 |
| CN112532934B CN112532934B (zh) | 2022-11-15 |
Family
ID=74992530
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211325138.XA Pending CN115914563A (zh) | 2020-11-23 | 2020-11-23 | 一种提升图像监控准确性的方法 |
| CN202011318828.3A Active CN112532934B (zh) | 2020-11-23 | 2020-11-23 | 一种多维协同监控系统 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211325138.XA Pending CN115914563A (zh) | 2020-11-23 | 2020-11-23 | 一种提升图像监控准确性的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN115914563A (zh) |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006118559A1 (en) * | 2005-04-29 | 2006-11-09 | Chubb International Holdings Limited | Automatic video quality monitoring for surveillance cameras |
| CN101882248A (zh) * | 2009-05-08 | 2010-11-10 | 北京正辰科技发展有限责任公司 | 基于3s的多级数字城市监管系统 |
| CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
| CN102622798A (zh) * | 2012-03-28 | 2012-08-01 | 东南大学 | 一种客流统计分析系统 |
| KR101425505B1 (ko) * | 2013-10-25 | 2014-08-13 | 홍승권 | 객체인식기술을 이용한 지능형 경계 시스템의 감시 방법 |
| CN104780361A (zh) * | 2015-03-27 | 2015-07-15 | 南京邮电大学 | 一种城市视频监控系统的质量评价方法 |
| CN106408940A (zh) * | 2016-11-02 | 2017-02-15 | 南京慧尔视智能科技有限公司 | 基于微波和视频数据融合的交通检测方法及装置 |
| US20170353699A1 (en) * | 2016-06-01 | 2017-12-07 | Pixart Imaging Inc. | Surveillance system and operation method thereof |
| CN107590456A (zh) * | 2017-09-06 | 2018-01-16 | 张栖瀚 | 一种高空视频监控中小微目标的检测方法 |
| CN107801203A (zh) * | 2017-11-13 | 2018-03-13 | 毛国强 | 基于多数据融合的人口密度及流动性的估算方法及其系统 |
| CN107909025A (zh) * | 2017-11-13 | 2018-04-13 | 毛国强 | 基于视频和无线监控的人物识别及追踪方法和系统 |
| CN108802758A (zh) * | 2018-05-30 | 2018-11-13 | 北京应互科技有限公司 | 一种基于激光雷达的智能安防监控装置、方法和系统 |
| CN108881809A (zh) * | 2017-05-09 | 2018-11-23 | 杭州海康威视数字技术股份有限公司 | 视频监控方法、装置及系统 |
| CN109583278A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 人脸识别报警的方法、装置、系统及计算机设备 |
| CN109657624A (zh) * | 2018-12-21 | 2019-04-19 | 秒针信息技术有限公司 | 目标对象的监控方法、装置和系统 |
| CN109766779A (zh) * | 2018-12-20 | 2019-05-17 | 深圳云天励飞技术有限公司 | 徘徊人员识别方法及相关产品 |
| CN109963113A (zh) * | 2017-12-14 | 2019-07-02 | 浙江宇视科技有限公司 | 一种感兴趣目标的监控方法及装置 |
| CN110111515A (zh) * | 2018-02-01 | 2019-08-09 | 广州弘度信息科技有限公司 | 一种边界入侵检测方法、装置、服务器及系统 |
| CN110458489A (zh) * | 2019-07-05 | 2019-11-15 | 宁波海上鲜信息技术有限公司 | 仓库监管方法、系统、存储介质及其智能终端 |
| CN111144366A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 一种基于联合人脸质量评估的陌生人脸聚类方法 |
| CN111161206A (zh) * | 2018-11-07 | 2020-05-15 | 杭州海康威视数字技术股份有限公司 | 一种图像抓拍方法、监控相机及监控系统 |
| CN111626108A (zh) * | 2020-04-17 | 2020-09-04 | 浙江大华技术股份有限公司 | 一种目标的识别方法及系统 |
-
2020
- 2020-11-23 CN CN202211325138.XA patent/CN115914563A/zh active Pending
- 2020-11-23 CN CN202011318828.3A patent/CN112532934B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006118559A1 (en) * | 2005-04-29 | 2006-11-09 | Chubb International Holdings Limited | Automatic video quality monitoring for surveillance cameras |
| CN101882248A (zh) * | 2009-05-08 | 2010-11-10 | 北京正辰科技发展有限责任公司 | 基于3s的多级数字城市监管系统 |
| CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
| CN102622798A (zh) * | 2012-03-28 | 2012-08-01 | 东南大学 | 一种客流统计分析系统 |
| KR101425505B1 (ko) * | 2013-10-25 | 2014-08-13 | 홍승권 | 객체인식기술을 이용한 지능형 경계 시스템의 감시 방법 |
| CN104780361A (zh) * | 2015-03-27 | 2015-07-15 | 南京邮电大学 | 一种城市视频监控系统的质量评价方法 |
| US20170353699A1 (en) * | 2016-06-01 | 2017-12-07 | Pixart Imaging Inc. | Surveillance system and operation method thereof |
| CN106408940A (zh) * | 2016-11-02 | 2017-02-15 | 南京慧尔视智能科技有限公司 | 基于微波和视频数据融合的交通检测方法及装置 |
| CN108881809A (zh) * | 2017-05-09 | 2018-11-23 | 杭州海康威视数字技术股份有限公司 | 视频监控方法、装置及系统 |
| CN107590456A (zh) * | 2017-09-06 | 2018-01-16 | 张栖瀚 | 一种高空视频监控中小微目标的检测方法 |
| CN109583278A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 人脸识别报警的方法、装置、系统及计算机设备 |
| CN107909025A (zh) * | 2017-11-13 | 2018-04-13 | 毛国强 | 基于视频和无线监控的人物识别及追踪方法和系统 |
| CN107801203A (zh) * | 2017-11-13 | 2018-03-13 | 毛国强 | 基于多数据融合的人口密度及流动性的估算方法及其系统 |
| CN109963113A (zh) * | 2017-12-14 | 2019-07-02 | 浙江宇视科技有限公司 | 一种感兴趣目标的监控方法及装置 |
| CN110111515A (zh) * | 2018-02-01 | 2019-08-09 | 广州弘度信息科技有限公司 | 一种边界入侵检测方法、装置、服务器及系统 |
| CN108802758A (zh) * | 2018-05-30 | 2018-11-13 | 北京应互科技有限公司 | 一种基于激光雷达的智能安防监控装置、方法和系统 |
| CN111161206A (zh) * | 2018-11-07 | 2020-05-15 | 杭州海康威视数字技术股份有限公司 | 一种图像抓拍方法、监控相机及监控系统 |
| CN109766779A (zh) * | 2018-12-20 | 2019-05-17 | 深圳云天励飞技术有限公司 | 徘徊人员识别方法及相关产品 |
| CN109657624A (zh) * | 2018-12-21 | 2019-04-19 | 秒针信息技术有限公司 | 目标对象的监控方法、装置和系统 |
| CN110458489A (zh) * | 2019-07-05 | 2019-11-15 | 宁波海上鲜信息技术有限公司 | 仓库监管方法、系统、存储介质及其智能终端 |
| CN111144366A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 一种基于联合人脸质量评估的陌生人脸聚类方法 |
| CN111626108A (zh) * | 2020-04-17 | 2020-09-04 | 浙江大华技术股份有限公司 | 一种目标的识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112532934B (zh) | 2022-11-15 |
| CN115914563A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11900383B2 (en) | System, method, and computer program product for determining fraud rules | |
| US20160342963A1 (en) | Tree pathway analysis for signature inference | |
| US20140092244A1 (en) | Object search method, search verification method and apparatuses thereof | |
| Meng | Profiling minorities: police stop and search practices in Toronto, Canada. | |
| WO2020114131A1 (zh) | 同行分析方法及装置 | |
| CN111460312A (zh) | 空壳企业识别方法、装置及计算机设备 | |
| Vhaduri et al. | Opportunistic discovery of personal places using multi-source sensor data | |
| CN112532934B (zh) | 一种多维协同监控系统 | |
| Swangmuang et al. | On clustering RSS fingerprints for improving scalability of performance prediction of indoor positioning systems | |
| CN106600287A (zh) | 一种智能防伪预警方法及装置 | |
| Wang et al. | Adaptive room-level localization system with crowd-sourced WiFi data | |
| CN109242658A (zh) | 可疑交易报告生成方法、系统、计算机设备和存储介质 | |
| CN115409472B (zh) | 一种智慧办案流程管理方法、系统及电子设备 | |
| US20230073876A1 (en) | Systems And Methods For High Volume Processing Support Of Electronic Signature Tracking | |
| CN114882974B (zh) | 一种心理诊断数据库访问人工智能验证系统及方法 | |
| CN107103008A (zh) | 对象识别方法和装置 | |
| US20200272647A1 (en) | Contextual Grouping | |
| CN112183281A (zh) | 基于改进密度峰值算法的通信辐射源个体识别方法 | |
| de Castro SIlva et al. | Using social group trajectories for potential impersonation detection on smart buildings access control | |
| CN106156134A (zh) | 信息处理装置和信息处理方法 | |
| Jeong et al. | Anomaly detection in taxi flow by a projection method | |
| de Castro Silva et al. | Impersonation fraud detection on building access control systems: An approach based on anomalous social and spatio-temporal behaviors | |
| Lan et al. | Detecting Anomalous Trajectories of Workers using Density Method | |
| Lopez-de-Teruel et al. | Visualization of clusters for indoor positioning based on t-SNE | |
| KR102019600B1 (ko) | 소셜 네트워크 시스템에서의 사용자 간 간접 신뢰도 검출 방법 및 사용자 간 간접 신뢰도 검출 시스템 |
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 |