CN112560807A - 一种基于人头检测的人群聚集检测方法 - Google Patents

一种基于人头检测的人群聚集检测方法 Download PDF

Info

Publication number
CN112560807A
CN112560807A CN202110175442.XA CN202110175442A CN112560807A CN 112560807 A CN112560807 A CN 112560807A CN 202110175442 A CN202110175442 A CN 202110175442A CN 112560807 A CN112560807 A CN 112560807A
Authority
CN
China
Prior art keywords
human head
rectangular frame
areas
image
aggregation
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
CN202110175442.XA
Other languages
English (en)
Other versions
CN112560807B (zh
Inventor
刘鹏
张真
曹骝
张雨
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.)
Nanjing Innovative Data Technologies Inc
Original Assignee
Nanjing Innovative Data Technologies Inc
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 Nanjing Innovative Data Technologies Inc filed Critical Nanjing Innovative Data Technologies Inc
Priority to CN202110175442.XA priority Critical patent/CN112560807B/zh
Publication of CN112560807A publication Critical patent/CN112560807A/zh
Application granted granted Critical
Publication of CN112560807B publication Critical patent/CN112560807B/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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种基于人头检测的人群聚集检测方法，使用YOLO‑V4检测出图像中人头的位置和大小，将图像二值化，使用自适应大小的膨胀模板对所有人头区域进行膨胀，在膨胀后的图像中找出所有连通域并分别计算其最小外接矩形框，计算每个聚集区域内人群的数量，与设定的阈值进行对比后去除小于阈值的区域，从而得到初步的聚集区域，再遍历所有聚集区域并计算交并比对高度重合的区域进行融合，最后再分别计算其最小外接矩形框，从而得到最终的聚集区域的位置和大小。本发明通过部署的监控获取的视频来自动地监控人群聚集现象，将有效提高人群聚集高发区域的管理效率和人民群众的安全。

Description

一种基于人头检测的人群聚集检测方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于人头检测的人群聚集检测方法。
背景技术
随着高密度聚集人群产生恐慌、踩踏等安全事故的频发，就有必要在容易发生人群聚集的区域实时监控和及时预警，通过限制人流量的方式控制人群聚集密度和间距，如车站、学校、演唱会、旅游景点和大型商场。传统的做法是花费大量人力物力在现场巡逻管理，显然这是最简单最直接的方法，但是要投入大量的人力资源不间断地监控管理显然是不科学的。尤其现阶段在疫情防控常态化的情况下长时间与人近距离接触也在无形中增加了疫情传播的风险。
随着目标检测技术的发展和城市监控的遍及，为实现无人监控人群聚集提供了可能。通过部署的监控获取的视频来自动地监控人群聚集现象，通过后台及时反馈给管理员，管理员可以通过广播等非接触形式的警告对现场人群进行管控，该发明将有效提高人群聚集高发区域的管理效率和人民群众的安全。
发明内容
本发明针对现有技术中的不足，提供一种通过检测视频中的人头对人群是否发生聚集自动检测的方法，解决了现有的监控系统需要人工长时间、不间断监督的困难。本发明包含数据收集与标注、模型训练和人群聚集检测等步骤。首先收集数据集并进行标注，搭建YOLO-V4的检测模型并训练，在检测阶段使用训练完成的最优模型检测出图像中人头的位置和大小，将图像二值化使用自适应大小的膨胀模板对所有人头区域进行膨胀，在膨胀后的图像中找出所有连通域并分别计算其最小外接矩形框，计算每个聚集区域内人群的数量，与设定的阈值进行对比后去除小于阈值的区域，从而得到初步的聚集区域，再遍历所有聚集区域并计算交并比对高度重合的区域进行融合，最后再分别计算其最小外接矩形框，从而得到最终的聚集区域的位置和大小。
为实现上述目的，本发明采用以下技术方案：
一种基于人头检测的人群聚集检测方法，其特征在于，包括如下步骤：
步骤1：训练一个能够检测人头的神经网络模型；
步骤2：使用神经网络模型检测出图像中所有的人头，对图像进行二值化处理；
步骤3：使用自适应大小的膨胀模板对人头区域进行膨胀，找出所有连通域并分别计算其最小外接矩形框，得到初步的聚集区域；
步骤4：计算每个聚集区域内人头的数量，与设定的阈值进行对比后去除小于阈值的区域；
步骤5：计算每个聚集区域之间的交并比，对高度重合的聚集区域进行融合，对融合后的区域再计算其最小外接矩形框，得到最终聚集区域的位置和大小。
为优化上述技术方案，采取的具体措施还包括：
进一步地，所述步骤1中，采用YOLO-V4算法框架来搭建神经网络模型，采用CSPDarknet-53作为主干网络；训练样本为自然场景中采集的图像，通过人工标注人头的方式得到数据集的真实标签，再使用多种数据增强方式对数据集进行扩增。
进一步地，所述步骤2中，将检测出的所有人头区域以矩形框的形式标注，通过图像二值化将人头矩形框区域的像素值全部置为255，其余区域置为0。
进一步地，所述步骤3中，使用自适应大小的膨胀模板对人头区域进行膨胀，具体如下：
针对每一个人头矩形框创建不同大小的膨胀模板，模板尺寸的大小与人头矩形框的大小成正比关系，每个矩形框对应的编号为i，得到膨胀模板大小为：
Figure 573100DEST_PATH_IMAGE001
其中，
Figure 12172DEST_PATH_IMAGE002
为比例系数，W i ,H i 分别表示矩形框的宽和高；根据不同应用场景调节
Figure 554012DEST_PATH_IMAGE002
的大小从而控制膨胀模板的大小，然后使用膨胀模板对人头矩形框区域向外膨胀，将膨胀区域的像素值置为255：
Figure 53126DEST_PATH_IMAGE003
Figure 414837DEST_PATH_IMAGE004
Figure 392020DEST_PATH_IMAGE005
其中，
Figure 788367DEST_PATH_IMAGE006
表示膨胀区域的像素值，
Figure 192803DEST_PATH_IMAGE007
表示膨胀区域的像素点，
Figure 307390DEST_PATH_IMAGE008
和
Figure 88264DEST_PATH_IMAGE009
分别表示每个矩形框左上角顶点和右下角顶点的坐标；同时对人头区域膨胀后的图像边缘像素点进行约束，防止超出图像的实际大小：
Figure 339117DEST_PATH_IMAGE010
Figure 180034DEST_PATH_IMAGE011
其中，
Figure 516337DEST_PATH_IMAGE012
和
Figure 100902DEST_PATH_IMAGE013
分别表示图像的实际宽度和高度。
进一步地，所述步骤3中，找出所有连通域并分别计算其最小外接矩形框，得到初步的聚集区域，具体如下：
在人头区域膨胀后的图像中寻找所有的连通域，计算每一个连通域的最小外接矩形框
Figure 471841DEST_PATH_IMAGE014
，R i 是初步的聚集区域，x i ,y i 分别表示最小外接矩形框左上角顶点的坐标，w i ,h i 分别表示最小外接矩形框的宽和高。
进一步地，所述步骤5中，计算每个聚集区域之间的交并比：
Figure 483659DEST_PATH_IMAGE015
其中，IOU表示交并比，A、B表示两个聚集区域；
对IOU高于阈值
Figure 307259DEST_PATH_IMAGE016
的聚集区域进行融合，得到一个新的更大的聚集区域，然后再计算其最小外接矩形框从而确定聚集区域的位置和大小，遍历所有聚集区域后得到最终符合条件的聚集区域。
本发明的有益效果是：部署方便，只需普通监控摄像头或复用现有监控设备即可，通过网络传输算法在后台进行实时分析；能够根据实际需求动态调整聚集人数的阈值，对不同区域、时间段等做到定制开发；相比传统方法精度较高，受光照、天气等干扰因素影响较小；速度快，能够做到实时检测和判定，当聚集事件发生时快速定位和警告。
附图说明
图1是本发明的具体实施例流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
一种基于人头检测的人群聚集检测方法，包括以下步骤：
步骤1：采用YOLO-V4算法框架来搭建神经网络模型，采用CSPDarknet-53作为主干网络。训练样本为自然场景中采集的图像，通过人工标注人头的方式得到数据集的真实标签，再使用添加噪声、随机裁剪和马赛克数据增强等方式对数据集进行扩增。在预训练模型的基础上使用训练集和验证集对网络进行微调，模型训练使用的Loss函数为：
Figure 429935DEST_PATH_IMAGE017
损失值由三部分组成，分别是边框回归、置信度和类别的损失值。其中，
Figure 655380DEST_PATH_IMAGE018
相比于传统的IOU损失函数添加了更多的几何因素，包括：重叠面积、中心点距离和长宽比，训练得到的模型能够检测图像中的人头，在模型预测阶段从三个不同尺度特征图上的每个像素点输出3个预测的目标框，通过筛选最终只输出一个置信度最高的目标检测结果，检测结果包括目标的类型和坐标
Figure 572521DEST_PATH_IMAGE019
，输出的目标区域是一个矩形框，其中
Figure 883416DEST_PATH_IMAGE020
是矩形框左上角点的坐标，
Figure 824433DEST_PATH_IMAGE021
是矩形框右下角点的坐标。
步骤2：使用模型检测出图像中所有的人头，通过图像二值化将所有人头区域置为255，其余区域置为0。
Figure 904384DEST_PATH_IMAGE022
Figure 258005DEST_PATH_IMAGE023
Figure 56197DEST_PATH_IMAGE024
步骤3：使用自适应大小的膨胀模板对人头区域进行膨胀，找出所有连通域并分别计算其最小外接矩形框，得到初步的聚集区域。
a）针对每一个人头矩形框创建不同大小的膨胀模板，模板尺寸的大小与人头矩形框的大小
Figure 520676DEST_PATH_IMAGE025
成正比关系，每个矩形框对应的编号为i，得到膨胀模板大小为：
Figure 455134DEST_PATH_IMAGE026
其中，
Figure 245236DEST_PATH_IMAGE027
为比例系数，可以根据不同应用场景调节
Figure 530723DEST_PATH_IMAGE027
的大小从而控制膨胀区域的大小，然后使用膨胀模板对人头矩形框的区域进行向外膨胀，将膨胀区域的像素值置为255：
Figure 798894DEST_PATH_IMAGE003
Figure 587858DEST_PATH_IMAGE004
Figure 283282DEST_PATH_IMAGE005
其中，
Figure 524907DEST_PATH_IMAGE008
和
Figure 596768DEST_PATH_IMAGE028
分别表示每个矩形框左上角和右下角顶点的坐标，同时需要对图像边缘的像素点进行约束，防止超出图像的实际大小，
Figure 505819DEST_PATH_IMAGE012
和
Figure 372143DEST_PATH_IMAGE013
分别表示图像的宽度和高度。
Figure 632223DEST_PATH_IMAGE010
Figure 976617DEST_PATH_IMAGE011
b）在人头区域膨胀后的图像中寻找所有的连通域，计算每一个连通域的最小外接矩形框
Figure 5753DEST_PATH_IMAGE014
，R i 是初步的聚集区域，分别表示每个矩形框左上角点的坐标和框的宽高。
步骤4，计算每个聚集区域R i 内人头的数量，与设定的人群聚集区域内人群数量阈值进行对比后去除小于阈值的聚集区域。
步骤5，计算每个聚集区域之间的交并比
Figure 777400DEST_PATH_IMAGE015
，对IOU高于阈值
Figure 524776DEST_PATH_IMAGE016
的聚集区域进行融合，也就是将高度重合的聚集区域进行合并得到一个新的更大的聚集区域，然后再计算其最小外接矩形框从而确定聚集区域的位置和大小，遍历所有聚集区域后就能够得到最终符合条件的聚集区域。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (4)

1.一种基于人头检测的人群聚集检测方法，其特征在于，包括如下步骤：
步骤1：训练一个能够检测人头的神经网络模型；
步骤2：使用神经网络模型检测出图像中所有的人头，将检测出的所有人头区域以矩形框的形式标注，对图像进行二值化处理；
步骤3：使用自适应大小的膨胀模板对人头区域进行膨胀，找出所有连通域并分别计算其最小外接矩形框，得到初步的聚集区域；具体如下：
针对每一个人头矩形框创建不同大小的膨胀模板，模板尺寸的大小与人头矩形框的大小成正比关系，每个矩形框对应的编号为i，得到膨胀模板大小
Figure 968444DEST_PATH_IMAGE001
为：
Figure 347473DEST_PATH_IMAGE002
其中，
Figure 538282DEST_PATH_IMAGE003
为比例系数，W i ,H i 分别表示矩形框的宽和高；根据不同应用场景调节
Figure 28170DEST_PATH_IMAGE003
的大小从而控制膨胀模板的大小，然后使用膨胀模板对人头矩形框区域向外膨胀，将膨胀区域的像素值置为255：
Figure 620825DEST_PATH_IMAGE004
Figure 170755DEST_PATH_IMAGE005
Figure 848861DEST_PATH_IMAGE006
其中，
Figure 142439DEST_PATH_IMAGE007
表示膨胀区域的像素值，
Figure 589601DEST_PATH_IMAGE008
表示膨胀区域的像素点，
Figure 44853DEST_PATH_IMAGE009
和
Figure 210255DEST_PATH_IMAGE010
分别表示每个矩形框左上角顶点和右下角顶点的坐标；同时对人头区域膨胀后的图像边缘像素点进行约束，防止超出图像的实际大小：
Figure 307524DEST_PATH_IMAGE011
Figure 874772DEST_PATH_IMAGE012
其中，
Figure 500925DEST_PATH_IMAGE013
和
Figure 153623DEST_PATH_IMAGE014
分别表示图像的实际宽度和高度；
在人头区域膨胀后的图像中寻找所有的连通域，计算每一个连通域的最小外接矩形框
Figure 789004DEST_PATH_IMAGE015
，R i 是初步的聚集区域，x i y i 分别表示最小外接矩形框左上角顶点的坐标，w i ,h i 分别表示最小外接矩形框的宽和高；
步骤4：计算每个聚集区域内人头的数量，与设定的阈值进行对比后去除小于阈值的区域；
步骤5：计算每个聚集区域之间的交并比，对高度重合的聚集区域进行融合，对融合后的区域再计算其最小外接矩形框，得到最终聚集区域的位置和大小。
2.如权利要求1所述的一种基于人头检测的人群聚集检测方法，其特征在于：所述步骤1中，采用YOLO-V4算法框架来搭建神经网络模型，采用CSPDarknet-53作为主干网络；训练样本为自然场景中采集的图像，通过人工标注人头的方式得到数据集的真实标签，再使用多种数据增强方式对数据集进行扩增。
3.如权利要求1所述的一种基于人头检测的人群聚集检测方法，其特征在于：所述步骤2中，通过图像二值化将人头矩形框区域的像素值全部置为255，其余区域置为0。
4.如权利要求1所述的一种基于人头检测的人群聚集检测方法，其特征在于：所述步骤5中，计算每个聚集区域之间的交并比：
Figure 945179DEST_PATH_IMAGE016
其中，IOU表示交并比，A、B表示两个聚集区域；
对IOU高于阈值
Figure 7813DEST_PATH_IMAGE017
的聚集区域进行融合，得到一个新的更大的聚集区域，然后再计算其最小外接矩形框从而确定聚集区域的位置和大小，遍历所有聚集区域后得到最终符合条件的聚集区域。
CN202110175442.XA 2021-02-07 2021-02-07 一种基于人头检测的人群聚集检测方法 Active CN112560807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110175442.XA CN112560807B (zh) 2021-02-07 2021-02-07 一种基于人头检测的人群聚集检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110175442.XA CN112560807B (zh) 2021-02-07 2021-02-07 一种基于人头检测的人群聚集检测方法

Publications (2)

Publication Number Publication Date
CN112560807A true CN112560807A (zh) 2021-03-26
CN112560807B CN112560807B (zh) 2021-05-11

Family

ID=75035906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110175442.XA Active CN112560807B (zh) 2021-02-07 2021-02-07 一种基于人头检测的人群聚集检测方法

Country Status (1)

Country Link
CN (1) CN112560807B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113470009A (zh) * 2021-07-26 2021-10-01 浙江大华技术股份有限公司 违规撑伞检测和识别方法、装置、电子设备及存储介质
CN113537172A (zh) * 2021-09-16 2021-10-22 长沙海信智能系统研究院有限公司 人群密度确定方法、装置、设备及存储介质
CN114373162A (zh) * 2021-12-21 2022-04-19 国网江苏省电力有限公司南通供电分公司 用于变电站视频监控的危险区域人员入侵检测方法及系统
WO2023155482A1 (zh) * 2022-02-17 2023-08-24 广州广电运通金融电子股份有限公司 一种人群快速聚集行为的识别方法、系统、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147869A (zh) * 2011-03-31 2011-08-10 上海交通大学 基于前景分析和模式识别的行人检测方法
CN105321187A (zh) * 2014-07-22 2016-02-10 无锡慧眼电子科技有限公司 基于人头检测的行人计数方法
CN109819208A (zh) * 2019-01-02 2019-05-28 江苏警官学院 一种基于人工智能动态监控的密集人群安防监控管理方法
CN111209892A (zh) * 2020-01-19 2020-05-29 浙江中创天成科技有限公司 一种基于卷积神经网络的人群密度及数量估计方法
CN111639585A (zh) * 2020-05-21 2020-09-08 中国科学院重庆绿色智能技术研究院 一种自适应人群计数系统及自适应人群计数方法
CN112001274A (zh) * 2020-08-06 2020-11-27 腾讯科技（深圳）有限公司 人群密度确定方法、装置、存储介质和处理器
CN112232316A (zh) * 2020-12-11 2021-01-15 科大讯飞(苏州)科技有限公司 人群聚集检测方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147869A (zh) * 2011-03-31 2011-08-10 上海交通大学 基于前景分析和模式识别的行人检测方法
CN105321187A (zh) * 2014-07-22 2016-02-10 无锡慧眼电子科技有限公司 基于人头检测的行人计数方法
CN109819208A (zh) * 2019-01-02 2019-05-28 江苏警官学院 一种基于人工智能动态监控的密集人群安防监控管理方法
CN111209892A (zh) * 2020-01-19 2020-05-29 浙江中创天成科技有限公司 一种基于卷积神经网络的人群密度及数量估计方法
CN111639585A (zh) * 2020-05-21 2020-09-08 中国科学院重庆绿色智能技术研究院 一种自适应人群计数系统及自适应人群计数方法
CN112001274A (zh) * 2020-08-06 2020-11-27 腾讯科技（深圳）有限公司 人群密度确定方法、装置、存储介质和处理器
CN112232316A (zh) * 2020-12-11 2021-01-15 科大讯飞(苏州)科技有限公司 人群聚集检测方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHANGC 等: "Cross-scenecrowdcountingviadeepconvolutionalneuralnetwork", 《2015IEEECONFERENCEONCOMPUTERVISION》 *
刘鹏: "基于深度学习的人群密度估计算法研究与系统设计", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
高淼: "基于双目立体视觉的客流统计算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113470009A (zh) * 2021-07-26 2021-10-01 浙江大华技术股份有限公司 违规撑伞检测和识别方法、装置、电子设备及存储介质
CN113470009B (zh) * 2021-07-26 2024-05-14 浙江大华技术股份有限公司 违规撑伞检测和识别方法、装置、电子设备及存储介质
CN113537172A (zh) * 2021-09-16 2021-10-22 长沙海信智能系统研究院有限公司 人群密度确定方法、装置、设备及存储介质
CN113537172B (zh) * 2021-09-16 2021-12-10 长沙海信智能系统研究院有限公司 人群密度确定方法、装置、设备及存储介质
CN114373162A (zh) * 2021-12-21 2022-04-19 国网江苏省电力有限公司南通供电分公司 用于变电站视频监控的危险区域人员入侵检测方法及系统
CN114373162B (zh) * 2021-12-21 2023-12-26 国网江苏省电力有限公司南通供电分公司 用于变电站视频监控的危险区域人员入侵检测方法及系统
WO2023155482A1 (zh) * 2022-02-17 2023-08-24 广州广电运通金融电子股份有限公司 一种人群快速聚集行为的识别方法、系统、设备及介质

Also Published As

Publication number Publication date
CN112560807B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN112560807B (zh) 一种基于人头检测的人群聚集检测方法
CN108062349B (zh) 基于视频结构化数据及深度学习的视频监控方法和系统
Ai et al. Computer vision framework for crack detection of civil infrastructure—A review
CN106878674B (zh) 一种基于监控视频的停车检测方法及装置
CN109255350B (zh) 一种基于视频监控的新能源车牌检测方法
CN109977782B (zh) 基于目标位置信息推理的跨店经营行为检测方法
CN103048329B (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN104933710A (zh) 基于监控视频下的商店人流轨迹智能分析方法
CN103824081A (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
CN105160297A (zh) 基于肤色特征的蒙面人事件自动检测方法
CN110874592A (zh) 一种基于总有界变分的森林火灾烟雾图像检测方法
CN107705577B (zh) 一种基于车道线标定车辆违章变道的实时检测方法及系统
CN112149543A (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN110309765B (zh) 一种视频运动目标高效检测方法
CN104463232A (zh) 一种基于hog特征和颜色直方图特征的密度人群计数的方法
CN112287823A (zh) 一种基于视频监控的面部口罩识别方法
US11908120B2 (en) Fault detection method and system for tunnel dome lights based on improved localization loss function
Yuan et al. EcRD: Edge-cloud computing framework for smart road damage detection and warning
CN107578048A (zh) 一种基于车型粗分类的远视场景车辆检测方法
CN105574468A (zh) 视频火焰检测方法、装置及系统
CN110852179A (zh) 基于视频监控平台的可疑人员入侵的检测方法
CN110210428A (zh) 一种基于mser的远距离复杂环境下的烟雾根节点检测方法
CN104168462B (zh) 基于图像角点集特征的摄像头场景变换检测方法
CN113095301B (zh) 占道经营监测方法、系统与服务器
Tao et al. Contour-based smoky vehicle detection from surveillance video for alarm systems

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Crowd Aggregation Detection Method Based on Head Detection

Effective date of registration: 20221121

Granted publication date: 20210511

Pledgee: Nanjing Branch of Jiangsu Bank Co.,Ltd.

Pledgor: NANJING YUNCHUANG BIG DATA TECHNOLOGY Co.,Ltd.

Registration number: Y2022980022505