CN112613365A - 一种行人检测和行为分析方法、装置及计算设备 - Google Patents

一种行人检测和行为分析方法、装置及计算设备 Download PDF

Info

Publication number
CN112613365A
CN112613365A CN202011461853.7A CN202011461853A CN112613365A CN 112613365 A CN112613365 A CN 112613365A CN 202011461853 A CN202011461853 A CN 202011461853A CN 112613365 A CN112613365 A CN 112613365A
Authority
CN
China
Prior art keywords
pedestrian
objects
type
motion
images
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
Application number
CN202011461853.7A
Other languages
English (en)
Inventor
樊硕
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.)
Beijing Moviebook Technology Corp ltd
Original Assignee
Beijing Moviebook Technology Corp 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 Beijing Moviebook Technology Corp ltd filed Critical Beijing Moviebook Technology Corp ltd
Priority to CN202011461853.7A priority Critical patent/CN112613365A/zh
Publication of CN112613365A publication Critical patent/CN112613365A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种行人检测和行为分析方法、装置及计算设备。所述方法包括：读取视频流的图像；提取所述图像的ROI，并利用YOLOv3‑tiny模型检测所述ROI中的对象；过滤掉检测到的对象中的非行人对象；根据连续若干帧图像的行人对象分析行人运动轨迹的类型；根据连续若干帧图像的行人对象分析行人的运动类型。所述装置包括：读取模块、检测模块、过滤模块、第一分析模块和第二分析模块。所述计算设备包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如本申请所述的方法。

Description

一种行人检测和行为分析方法、装置及计算设备
技术领域
本申请涉及图像处理，特别是涉及监控视频中行人的异常行为检测技术。
背景技术
传统的行人异常行为检测方法为：从监控中获取视频流，并实时的进行分析、处理和分类，这种方式对带宽和网络的稳定性要求较高，需要强大的计算能力，如果由操作人员手动完成，那么这种实时处理是一项费时且繁琐的任务，且这种方式鲁棒性差、处理速度慢。此外，安全威胁的范围很广，并且高度依赖于现实世界的特定情况，这使得自动识别安全威胁变得更加困难。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面，提供了一种行人检测和行为分析方法，所述方法包括：
读取视频流的图像；
提取所述图像的ROI，并利用YOLOv3-tiny模型检测所述ROI中的对象；
过滤掉检测到的对象中的非行人对象；
根据连续若干帧图像的行人对象分析行人运动轨迹的类型；
根据连续若干帧图像的行人对象分析行人的运动类型。
可选地，在所述过滤掉检测到的对象中的非行人对象之后，所述方法还包括：
采用IoU方法来获得唯一识别的行人。
可选地，所述根据连续若干帧图像的行人对象分析行人运动轨迹的类型包括：
根据连续若干帧图像的行人的中心位置计算所述行人的轨迹的形状因子；
当所述形状因子的值为1，则所述行人运动轨迹的类型为线性轨迹，否则，所述行人运动轨迹的类型为非线性轨迹。
可选地，所述行人的运动类型包括站立、行走和跑步。
根据本申请的另一个方面，提供了一种行人检测和行为分析装置，所述装置包括：
读取模块，其配置成读取视频流的图像；
检测模块，其配置成提取所述图像的ROI，并利用YOLOv3-tiny模型检测所述ROI中的对象；
过滤模块，其配置成过滤掉检测到的对象中的非行人对象；
第一分析模块，其配置成根据连续若干帧图像的行人对象分析行人运动轨迹的类型；和
第二分析模块，其配置成根据连续若干帧图像的行人对象分析行人的运动类型。
可选地，所述装置还包括：
IoU模块，其配置成采用IoU方法来获得唯一识别的行人。
可选地，所述第一分析模块包括：
形状因子计算子模块，其配置成根据连续若干帧图像的行人的中心位置计算所述行人的轨迹的形状因子；和
轨迹类型确认子模块，其配置成当所述形状因子的值为1，则所述行人运动轨迹的类型为线性轨迹，否则，所述行人运动轨迹的类型为非线性轨迹。
可选地，所述行人的运动类型包括站立、行走和跑步。
根据本申请的第三个方面，提供了一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如本申请所述的方法。
本申请的行人检测和行为分析方法、装置及计算设备，由于采用了YOLOv3-tiny模型，因此能够很好地平衡速度和准确性，相较于传统的人为操作，更加客观，鲁棒性也更好。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本申请一个实施例的一种行人检测和行为分析方法的示意性流程图；
图2是根据本申请一个实施例的一种行人检测和行为分析装置的结构示意图；
图3是根据本申请一个实施例的一种计算设备的结构示意图；
图4是根据本申请一个实施例的一种计算机可读存储介质的结构示意图。
具体实施方式
当监控系统要安装到一个新的位置时，必须执行初始化设置，其中最重要的是在整个视频场景中定义矩形感兴趣区域。此外，一些算法的参数和阈值需要用适当的值初始化。
初始化设置完成后，开始实施本申请实施例的一种行人检测和行为分析方法的步骤。
图1是根据本申请一个实施例的一种行人检测和行为分析方法的示意性流程图。所述行人检测和行为分析方法一般性地可包括下述步骤S1至S5。
步骤S1、读取视频流图像。
视频流来自监控摄像头，本实施例的一种行人检测和行为分析方法首先需要对所述视频流按一定的帧步进行读取，帧步大小取决于视频帧速率。如果帧率较高，只要连续帧之间行人位置/动作的变化不明显，就可以忽略掉一些帧，因此，只要读取到的一组视频流图像中相邻两帧图像之间行人位置/动作的变化较为明显即可。
步骤S2、提取所述图像的ROI，并利用YOLOv3-tiny模型检测所述ROI中的对象。
从所述步骤S2开始对读取到的图像进行处理，处理过程是在无限循环中连续不断地进行的。
从读取到的第一帧图像开始，提取所述图像的感兴趣区(ROI，region ofinterest)，并将所述ROI其传递给YOLO进行对象检测。图像被分成网格状的单元。对于图像上呈现的每个对象，如果其中心落入某个网格单元，则该网格单元负责检测该对象。对于每个检测到的对象，YOLO定义一个边界框并返回一个预测向量。
步骤S3、对从预测向量中检测到的对象进行过滤，以便只保留行人。如果没有检测到行人，则放弃当前帧，并返回步骤S1，读取下一个视频帧。
步骤S4、由于同一行人有可能被误检测或被多次检测，因此，对检测到行人的图像采用IoU方法来获得唯一识别的行人。
步骤S5、根据连续若干帧图像的行人对象分析行人运动轨迹的类型。
轨迹类型可以分为两类：规则型和不规则型。为此，需要考虑轨迹类型的形状因子f(即缓冲区中登记的连续若干帧图像中行人中心位置之间的欧氏距离之和与缓冲区中第1帧和最后一帧行人中心位置之间的欧氏距离的比值)。一个完美的线性轨迹，其形状因子是f＝1；如果轨迹是非线性的，则f>1。
确定轨迹类型的具体方法如下：
步骤S51、首先，需要登记每一帧图像的行人的中心位；
步骤S52、然后根据连续若干帧图像的行人的中心位置计算所述行人的轨迹的形状因子f：
Figure BDA0002832203870000041
其中，l为缓冲区长度(即缓冲区能够存储的图像数据的帧数)，k为已处理的视频流图像的数量，xu,j和yu,j分别表示已处理的第j帧图像中行人中心位置的横坐标和纵坐标；
为了使用行人过去和当前位置的时移方法，将边界框中心的坐标注册到具有预定义长度l的缓冲区中。一旦缓冲区已满，将丢弃最早的数据，并注册当前数据。这意味着，在正常操作中(在启动“瞬态阶段”之后)，缓冲区包含从当前帧(即已处理的第k帧)返回到已处理的第(k-l+1)帧的边界框坐标。
步骤S53、最后对所述形状因子进行判断：当所述形状因子f的值为1，所述行人运动轨迹的类型为线性轨迹，否则，所述行人运动轨迹的类型为非线性轨迹。
步骤S6、根据连续若干帧图像的行人对象分析行人的运动类型，所述运动类型包站立、行走和跑步中，具体分析方法如下：
计算等效速度，即缓冲区中登记的所有连续中心之间的欧几里得距离之和与缓冲区长度之比，然后根据经验设定两个比值阀值，根据计算得到的比值及两个阀值判定运动类型。
对于每个处理过的视频帧，轨迹特征将根据轨迹类型和运动类型进行更新，并可用于进一步的决策，来评估行人体行为。
本实施例的一种行人检测和行为分析方法，可以采用YOLOv3-tiny模型，在行人检测阶段利用了深度学习技术的优势，保证了速度和准确性之间的良好平衡。在当前视频帧和过去几帧中使用几何变换和距离测量，根据轨迹类型和速度描述行人行为，相较于传统的人为操作，更加客观，鲁棒性也更好。上述方法的应用程序可以采用Python实现，因此它可以在所有主要的计算机平台上不加更改地运行，从而具有可移植性的优势。
图2是根据本申请一个实施例的一种行人检测和行为分析装置的结构示意图。所述行人检测和行为分析装置一般性地可以包括：
读取模块1，其配置成读取视频流的图像；
检测模块2，其配置成提取所述图像的ROI，并利用YOLO检测所述ROI中的对象；
过滤模块3，其配置成过滤掉检测到的对象中的非行人对象；
第一分析模块5，其配置成根据连续若干帧图像的行人对象分析行人运动轨迹的类型；和
第二分析模块6，其配置成根据连续若干帧图像的行人对象分析行人的运动类型。
作为本申请的优选实施例，所述装置还包括：
IoU模块4，其配置成采用IoU方法来获得唯一识别的行人。
作为本申请的优选实施例，所述第一分析模块5包括：
形状因子计算子模块51，其配置成根据连续若干帧图像的行人的中心位置计算所述行人的轨迹的形状因子f，所述形状因子f为缓冲区中登记的连续若干帧图像中行人中心位置之间的欧氏距离之和与缓冲区中第1帧和最后一帧行人中心位置之间的欧氏距离的比值；和
轨迹类型确认子模块52，其配置成当所述形状因子的值为1，则所述行人运动轨迹的类型为线性轨迹，否则，所述行人运动轨迹的类型为非线性轨迹。
作为本申请的优选实施例，所述行人的运动类型包括站立、行走和跑步；
并且，所述第二分析模块6包括：
计算子模块61，其配置成计算行人等效速度，所述等效速度为缓冲区中登记的连续若干帧图像行人对象中心之间的欧几里得距离之和与缓冲区长度之比；和
运动类型判断子模块62，其配置成根据计算得到的比值判定运动类型。
本申请实施例的行人检测和行为分析装置能够执行本申请实施例的行人检测和行为分析方法的步骤，其原理及效果在此不再赘述。
本申请实施例还提供了一种计算设备，参照图3，该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序，该计算机程序存储于存储器1120中的用于程序代码的空间1130，该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请实施例还提供了一种计算机可读存储介质。参照图4，该计算机可读存储介质包括用于程序代码的存储单元，该存储单元设置有用于执行根据本发明的方法步骤的程序1131′，该程序被处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行根据本发明的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(英文：non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetic tape)，软盘(英文：floppy disk)，光盘(英文：optical disc)及其任意组合。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种行人检测和行为分析方法，包括：
读取视频流的图像；
提取所述图像的ROI，并利用YOLOv3-tiny模型检测所述ROI中的对象；
过滤掉检测到的对象中的非行人对象；
根据连续若干帧图像的行人对象分析行人运动轨迹的类型；
根据连续若干帧图像的行人对象分析行人的运动类型。
2.根据权利要求1所述的方法，其特征在于，在所述过滤掉检测到的对象中的非行人对象之后，所述方法还包括：
采用IoU方法来获得唯一识别的行人。
3.根据权利要求1或2所述的方法，其特征在于，所述根据连续若干帧图像的行人对象分析行人运动轨迹的类型包括：
根据连续若干帧图像的行人的中心位置计算所述行人的轨迹的形状因子f，所述形状因子f为缓冲区中登记的连续若干帧图像中行人中心位置之间的欧氏距离之和与缓冲区中第1帧和最后一帧行人中心位置之间的欧氏距离的比值；
当所述形状因子的值为1，则所述行人运动轨迹的类型为线性轨迹，否则，所述行人运动轨迹的类型为非线性轨迹。
4.根据权利要求1或2所述的方法，其特征在于，所述行人的运动类型包括站立、行走和跑步。
5.根据权利要求4所述的方法，其特征在于，所述根据连续若干帧图像的行人对象分析行人的运动类型包括：
计算行人等效速度，所述等效速度为缓冲区中登记的连续若干帧图像行人对象中心之间的欧几里得距离之和与缓冲区长度之比；
根据计算得到的比值判定运动类型。
6.一种行人检测和行为分析装置，包括：
读取模块，其配置成读取视频流的图像；
检测模块，其配置成提取所述图像的ROI，并利用YOLOv3-tiny模型检测所述ROI中的对象；
过滤模块，其配置成过滤掉检测到的对象中的非行人对象；
第一分析模块，其配置成根据连续若干帧图像的行人对象分析行人运动轨迹的类型；和
第二分析模块，其配置成根据连续若干帧图像的行人对象分析行人的运动类型。
7.根据权利要求5所述的装置，其特征在于，还包括：
IoU模块，其配置成采用IoU方法来获得唯一识别的行人。
8.根据权利要求6或7所述的装置，其特征在于，所述第一分析模块包括：
形状因子计算子模块，其配置成根据连续若干帧图像的行人的中心位置计算所述行人的轨迹的形状因子f，所述形状因子f为缓冲区中登记的连续若干帧图像中行人中心位置之间的欧氏距离之和与缓冲区中第1帧和最后一帧行人中心位置之间的欧氏距离的比值；和
轨迹类型确认子模块，其配置成当所述形状因子的值为1，则所述行人运动轨迹的类型为线性轨迹，否则，所述行人运动轨迹的类型为非线性轨迹。
9.根据权利要求6或7所述的装置，其特征在于，
所述行人的运动类型包括站立、行走和跑步；
所述第二分析模块包括：
计算子模块，其配置成计算行人等效速度，所述等效速度为缓冲区中登记的连续若干帧图像行人对象中心之间的欧几里得距离之和与缓冲区长度之比；和
运动类型判断子模块，其配置成根据计算得到的比值判定运动类型。
10.一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
CN202011461853.7A 2020-12-11 2020-12-11 一种行人检测和行为分析方法、装置及计算设备 Pending CN112613365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011461853.7A CN112613365A (zh) 2020-12-11 2020-12-11 一种行人检测和行为分析方法、装置及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011461853.7A CN112613365A (zh) 2020-12-11 2020-12-11 一种行人检测和行为分析方法、装置及计算设备

Publications (1)

Publication Number Publication Date
CN112613365A true CN112613365A (zh) 2021-04-06

Family

ID=75233478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011461853.7A Pending CN112613365A (zh) 2020-12-11 2020-12-11 一种行人检测和行为分析方法、装置及计算设备

Country Status (1)

Country Link
CN (1) CN112613365A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2232739A1 (en) * 1998-05-22 1999-11-22 Anthony Thomas Speed activated time delay system
CA2430823A1 (en) * 2002-06-05 2003-12-05 National Research Council Of Canada Morphogenetic modelling of in-flight icing
CN103324913A (zh) * 2013-05-29 2013-09-25 长安大学 一种基于形状特征和轨迹分析的行人事件检测方法
CN105807926A (zh) * 2016-03-08 2016-07-27 中山大学 一种基于三维连续动态手势识别的无人机人机交互方法
CN106510658A (zh) * 2016-10-25 2017-03-22 广东乐源数字技术有限公司 一种基于手环的人体情绪判断方法
CN108413968A (zh) * 2018-07-10 2018-08-17 上海奥孛睿斯科技有限公司 一种运动识别的方法和系统
CN109522854A (zh) * 2018-11-22 2019-03-26 广州众聚智能科技有限公司 一种基于深度学习和多目标跟踪的行人流量统计方法
CN109635793A (zh) * 2019-01-31 2019-04-16 南京邮电大学 一种基于卷积神经网络的无人驾驶行人轨迹预测方法
CN110827316A (zh) * 2019-10-29 2020-02-21 贵州民族大学 人群恐慌四散检测方法、系统、可读存储介质和电子设备
CN111144247A (zh) * 2019-12-16 2020-05-12 浙江大学 一种基于深度学习的自动扶梯乘客逆行检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2232739A1 (en) * 1998-05-22 1999-11-22 Anthony Thomas Speed activated time delay system
CA2430823A1 (en) * 2002-06-05 2003-12-05 National Research Council Of Canada Morphogenetic modelling of in-flight icing
CN103324913A (zh) * 2013-05-29 2013-09-25 长安大学 一种基于形状特征和轨迹分析的行人事件检测方法
CN105807926A (zh) * 2016-03-08 2016-07-27 中山大学 一种基于三维连续动态手势识别的无人机人机交互方法
CN106510658A (zh) * 2016-10-25 2017-03-22 广东乐源数字技术有限公司 一种基于手环的人体情绪判断方法
CN108413968A (zh) * 2018-07-10 2018-08-17 上海奥孛睿斯科技有限公司 一种运动识别的方法和系统
CN109522854A (zh) * 2018-11-22 2019-03-26 广州众聚智能科技有限公司 一种基于深度学习和多目标跟踪的行人流量统计方法
CN109635793A (zh) * 2019-01-31 2019-04-16 南京邮电大学 一种基于卷积神经网络的无人驾驶行人轨迹预测方法
CN110827316A (zh) * 2019-10-29 2020-02-21 贵州民族大学 人群恐慌四散检测方法、系统、可读存储介质和电子设备
CN111144247A (zh) * 2019-12-16 2020-05-12 浙江大学 一种基于深度学习的自动扶梯乘客逆行检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINGHUA GUO等: "Adaptive non-linear trajectory tracking control for lane change of autonomous four-wheel independently drive electric vehicles", 《IET INTELLIGENT TRANSPORT SYSTEMS》, vol. 12, no. 7, 30 September 2018 (2018-09-30), pages 712 - 720, XP006069166, DOI: 10.1049/iet-its.2017.0278 *
MOHAMED OWIS等: "Quadrotor Trajectory Tracking Control using Non-Linear Model Predictive Control with ROS Implementation", 《2019 7TH INTERNATIONAL CONFERENCE ON CONTROL, MECHATRONICS AND AUTOMATION (ICCMA)》, 10 February 2020 (2020-02-10), pages 243 - 247 *
王畅: "运输车辆安全驾驶行为分析", 《现代商贸工业》, no. 15, 8 May 2020 (2020-05-08), pages 194 *
陈镜任: "基于视觉跟踪的行人运动轨迹预测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2020, 15 July 2020 (2020-07-15), pages 138 - 956 *

Similar Documents

Publication Publication Date Title
CN110650316A (zh) 智能巡逻及预警处理方法、装置、电子设备及存储介质
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN112597837B (zh) 图像检测方法、装置、设备、存储介质和计算机程序产品
CN108229456A (zh) 目标跟踪方法和装置、电子设备、计算机存储介质
CN113691733B (zh) 视频抖动检测方法、装置、电子设备和存储介质
JP6103080B2 (ja) ビデオにおけるカメラ動きの型を検出する方法および装置
CN113343779B (zh) 环境异常检测方法、装置、计算机设备和存储介质
CN113205037A (zh) 事件检测的方法、装置、电子设备以及可读存储介质
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN114926781A (zh) 支持实时监控场景的多人时空域异常行为定位方法及系统
CN112597928A (zh) 一种事件检测方法及相关装置
CN112861819A (zh) 一种变电站作业跨越围栏检测方法、装置及电子设备
CN109684953B (zh) 基于目标检测和粒子滤波算法进行猪只跟踪的方法及装置
CN105427276A (zh) 一种基于图像局部边缘特征的摄像头检测方法
CN113505643A (zh) 违章目标物检测方法及相关装置
CN112613365A (zh) 一种行人检测和行为分析方法、装置及计算设备
CN113869163B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN108764206B (zh) 目标图像识别方法和系统、计算机设备
CN114187245A (zh) 视频污损检测方法、装置、电子设备及存储介质
CN115116130A (zh) 一种通话动作识别方法、装置、设备以及存储介质
CN115311680A (zh) 人体图像质量检测方法、装置、电子设备及存储介质
CN113591752A (zh) 基于卷积神经网络的设备漏油监控方法及相关设备
CN111191593A (zh) 图像目标检测方法、装置、存储介质及污水管道检测装置
CN111757182A (zh) 图像花屏检测方法、设备、计算机设备和可读存储介质
CN113326721A (zh) 基于滑窗再模糊的图像模糊检测方法、设备

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