CN113011216B - 一种多分类阈值自适应的遮挡检测方法 - Google Patents
一种多分类阈值自适应的遮挡检测方法 Download PDFInfo
- Publication number
- CN113011216B CN113011216B CN201911318929.8A CN201911318929A CN113011216B CN 113011216 B CN113011216 B CN 113011216B CN 201911318929 A CN201911318929 A CN 201911318929A CN 113011216 B CN113011216 B CN 113011216B
- Authority
- CN
- China
- Prior art keywords
- state
- shaking
- threshold
- classification
- category
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000004297 night vision Effects 0.000 claims abstract description 22
- 230000003068 static effect Effects 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种多分类阈值自适应的遮挡检测方法，所述方法包括：获取画面晃动状态；获取环境状态；根据阈值的干扰因素对应用场景进行多状态分类，其中，应用场景类别为六个类别：白天静止、暗环境静止、夜视静止、白天晃动、暗环境晃动、夜视晃动；通过分别设定这六种场景下遮挡检测中各个对应阈值，进行多分类阈值自适应调整。
Description
技术领域
本发明涉及智能监控视频处理技术领域，涉及一种多分类阈值自适应的遮挡检测方法。
背景技术
随着科技的不断发展，特别是智能技术的发展，以及互联网的广泛应用，特别是近年来，网约车的时兴给大众出行提供了便利，为了保障车内人员的人身安全，在车内加装监控相机，不仅可以威慑不法分子，而且可以有效保存车内现场信息，为犯罪行径提供了有力佐证。但是，为了逃避车内的监控，有些情况下存在监控画面遮挡的问题，这就需要对监控画面遮挡进行检测。而在现有技术中，特别是在基于背景帧差理论的遮挡检测中，帧差对检测结果具有决定性的意义。计算帧差的过程往往需要设定大量阈值，其中阈值对于监控画面的明暗、晃动等不同状态的兼容性差。以车内监控视频画面为例，车辆在静止时，画面基本静止，以此环境设定背景帧差的阈值为T1，当画面与背景图像作帧差，如果计算帧差大于T1，则认为遮挡，否则不遮挡；此时启动车辆，车辆因为行驶导致画面晃动，将晃动的画面与背景图像作帧差，其帧差结果如果大于T1，系统判断当前状态为遮挡，从而导致遮挡误检。
在遮挡检测中，如果对某一阈值设定一个不变的常量，则在某一环境下(例如白天)适应性好，即遮挡检测准确率高、误检率低；而其他环境(例如夜晚)则适应性变差，即遮挡检测准确率降低、误检率增加。
发明内容
为了解决上述问题，特别是针对车内监控画面遮挡检测中多个阈值常量化存在环境兼容性差的问题，本发明提出一种多分类阈值自适应的遮挡检测方法，所述方法包括：获取画面晃动状态；获取环境状态；根据阈值的干扰因素对应用场景进行多状态分类，其中，应用场景类别为六个类别：白天静止、暗环境静止、夜视静止、白天晃动、暗环境晃动、夜视晃动；通过分别设定这六种场景下遮挡检测中各个对应阈值，进行多分类阈值自适应调整。
所述的干扰因素包括：环境明暗程度和车辆行驶状态。
所述的多分类阈值自适应采用合并相邻类别阈值以减少参数量，多分类阈值定义完成后，在每次进行遮挡判断前，都进行一次获取画面晃动状态、获取环境状态的步骤，然后根据对应类别的定义实现阈值的自适应调整。
所述的获取画面晃动状态，进一步包括：通过计算相邻帧差大小，判断当前画面是否晃动，设定相邻帧差晃动阈值Ts，如果相邻帧差大于Ts，认为监控画面处于晃动状态，反之，处于静止状态。
所述的获取环境状态，进一步包括：以设备中的光敏传感器反馈信号为依据，将环境的明暗程度量化为三个状态：白天、暗环境、夜视。
所述的多状态分类，进一步包括：以获取画面晃动状态步骤中获取的静止和晃动两种晃动状态，以及获取环境状态步骤中获取的白天、暗环境和夜视三种环境状态为基础，进行排列组合，并将结果定义为所述的六个类别：类别1：白天静止状态、类别2：暗环境静止状态、类别3：夜视静止状态、类别4：白天晃动状态、类别5：暗环境晃动状态、类别6：夜视晃动状态。
所述的多分类阈值自适应的步骤，进一步包括：
1)，以多状态分类的步骤中的分类结果为基础，其中分类结果用k表示，k＝1表示类别1，其他类别同理类推，假设遮挡检测过程中需要设定n个阈值，其中Ti表示第i个待设定阈值，按公式1计算，如果对六个类别、n个阈值实现全部定义，进行六个类别阈值的全定义则共需定义6×n个t值，公式1：其中：i＝1,2…n；k＝1,2…6；
2)，多分类阈值定义完成后，在每次进行遮挡判断前，都进行一次获取画面晃动状态、获取环境状态这两个步骤，然后根据对应类别的定义实现阈值的自适应调整。
所述的步骤1)和步骤2)之间，还可以包括步骤1.5)，对多分类阈值采用合并相邻类别阈值，以减少参数量，进一步包括：
类别1：白天静止与类别2：暗环境静止为相邻类别，在进行阈值定义时，可令
其他相邻类别合并同理，进行两两相邻阈值合并。
由此，本申请的优势在于：
(1)根据实际场景中阈值的主要影响因素(明暗程度、晃动状态)，进行状态量化，并通过量化状态的排列组合实现场景的分类。
(2)对某个阈值在各个类别中分别设置对应的具体数值，并可通过合并相邻分类阈值减少参数量；然后实时获取当前类别，并更新相应阈值的具体数值，从而实现阈值自适应调整，有效解决阈值对变换环境兼容性差的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
图1是本发明的方法的主要步骤示意框图。
图2是本发明方法的流程示意图。
图3是本发明方法的多状态分类示意图。
图4是本发明方法的阈值自适应示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容及优点，现结合附图对本发明进行进一步的详细说明。
如图1所示，本发明涉及一种多分类阈值自适应的遮挡检测方法，所述方法包括：获取画面晃动状态；获取环境状态；根据阈值的干扰因素对应用场景进行多状态分类，其中，应用场景类别为六个类别：白天静止、暗环境静止、夜视静止、白天晃动、暗环境晃动、夜视晃动；通过分别设定这六种场景下遮挡检测中各个对应阈值，进行多分类阈值自适应调整。
具体地，本申请的一种多分类阈值自适应的遮挡检测方法，方法流程如图2所示，其中方法的主要实施步骤如下：
步骤1.获取画面晃动状态
通过计算相邻帧差大小，判断当前画面是否晃动。设定相邻帧差晃动阈值Ts，如果相邻帧差大于Ts，认为监控画面处于晃动状态，反之，处于静止状态。
步骤2.获取环境状态
以设备中的光敏传感器反馈信号为依据，将环境的明暗程度量化为三个状态：白天、暗环境、夜视。
步骤3.多状态分类
如附图3所示，以步骤1中获取的两种晃动状态shake_flage(静止、晃动)和步骤2中获取的三种环境状态env_flage(白天、暗环境、夜视)为基础，进行排列组合，并将结果定义为六个类别：类别1(白天静止状态)、类别2(暗环境静止状态)、类别3(夜视静止状态)、类别4(白天晃动状态)、类别5(暗环境晃动状态)、类别6(夜视晃动状态)。
步骤4.多分类阈值自适应
4.1以步骤3中的分类结果为基础，其中分类结果用k表示，k＝1表示类别1，其他类别同理。假设遮挡检测过程中需要设定n个阈值，其中Ti表示第i个待设定阈值，如公式(1)所示，如果对六个类别、n个阈值实现全部定义，则共需定义6×n个t值。
其中：i＝1，2…n；k＝1，2…6。
4.2按4.1进行六个类别阈值的全定义，会大大增加参数量，因此对多分类阈值采用合并相邻类别阈值的方法以减少参数量。例如，类别1(白天静止)与类别2(暗环境静止)为相邻类别，在进行阈值定义时，可令同理，其他相邻类别可根据实际情况进行相邻阈值合并。
4.3多分类阈值定义完成后，在每次进行遮挡判断前，都进行一次步骤1、步骤2的状态获取，然后根据对应类别的定义实现阈值的自适应调整。
如附图4所示，阈值大小按箭头方向递增，一共3个阈值，均设置为六类别阈值全定义，未进行相邻类别阈值合并。图中每个类别的延伸曲线分别与阈值1、2、3直线的交点可认为是对应类别定义的各阈值的具体数值t。在阈值3直线上，六个类别定义的阈值3的具体数值分别为：P1、P2…P6；当车辆在白天静止时启动，画面由于行驶原因导致监控画面晃动，即由类别1变为类别4，因此阈值3会根据类别变化调整P1为P4；行驶一段时间后车辆驶入地下并停车，即由类别4变为类别5，再变为类别6，最后为类别3，阈值3的具体数值变化为：P4->P5->P6->P3。曲线l1、l2、l3、l4表示的就是上述车辆行驶状态变化时，阈值3的自适应过程。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种多分类阈值自适应的遮挡检测方法，其特征在于，所述方法包括：获取画面晃动状态；获取环境状态；根据阈值的干扰因素对应用场景进行多状态分类，其中，应用场景类别为六个类别：白天静止、暗环境静止、夜视静止、白天晃动、暗环境晃动、夜视晃动；通过分别设定这六种场景下遮挡检测中各个对应阈值，进行多分类阈值自适应调整；
所述的多分类阈值自适应的步骤，进一步包括：
1)，以多状态分类的步骤中的分类结果为基础，其中分类结果用k表示，k＝1表示类别1，其他类别同理类推，假设遮挡检测过程中需要设定n个阈值，其中Ti表示第i个待设定阈值，按公式1计算，如果对六个类别、n个阈值实现全部定义，进行六个类别阈值的全定义则共需定义6×n个t值，公式1：其中：i＝1,2…n；k＝1,2…6；
2)，多分类阈值定义完成后，在每次进行遮挡判断前，都进行一次获取画面晃动状态、获取环境状态这两个步骤，然后根据对应类别的定义实现阈值的自适应调整；
所述的步骤1)和步骤2)之间，还可以包括步骤1.5)，对多分类阈值采用合并相邻类别阈值，以减少参数量，进一步包括：
类别1：白天静止与类别2：暗环境静止为相邻类别，在进行阈值定义时，可令其他相邻类别合并同理，进行两两相邻阈值合并。
2.根据权利要求1所述的一种多分类阈值自适应的遮挡检测方法，其特征在于，所述的干扰因素包括：环境明暗程度和车辆行驶状态。
3.根据权利要求1所述的一种多分类阈值自适应的遮挡检测方法，其特征在于，所述的多分类阈值自适应采用合并相邻类别阈值以减少参数量，多分类阈值定义完成后，在每次进行遮挡判断前，都进行一次获取画面晃动状态、获取环境状态的步骤，然后根据对应类别的定义实现阈值的自适应调整。
4.根据权利要求1所述的一种多分类阈值自适应的遮挡检测方法，其特征在于，所述的获取画面晃动状态，进一步包括：通过计算相邻帧差大小，判断当前画面是否晃动，设定相邻帧差晃动阈值Ts，如果相邻帧差大于Ts，认为监控画面处于晃动状态，反之，处于静止状态。
5.根据权利要求1所述的一种多分类阈值自适应的遮挡检测方法，其特征在于，所述的获取环境状态，进一步包括：以设备中的光敏传感器反馈信号为依据，将环境的明暗程度量化为三个状态：白天、暗环境、夜视。
6.根据权利要求1所述的一种多分类阈值自适应的遮挡检测方法，其特征在于，所述的多状态分类，进一步包括：以获取画面晃动状态步骤中获取的静止和晃动两种晃动状态，以及获取环境状态步骤中获取的白天、暗环境和夜视三种环境状态为基础，进行排列组合，并将结果定义为所述的六个类别：类别1：白天静止状态、类别2：暗环境静止状态、类别3：夜视静止状态、类别4：白天晃动状态、类别5：暗环境晃动状态、类别6：夜视晃动状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911318929.8A CN113011216B (zh) | 2019-12-19 | 2019-12-19 | 一种多分类阈值自适应的遮挡检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911318929.8A CN113011216B (zh) | 2019-12-19 | 2019-12-19 | 一种多分类阈值自适应的遮挡检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011216A CN113011216A (zh) | 2021-06-22 |
| CN113011216B true CN113011216B (zh) | 2024-04-02 |
Family
ID=76382207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911318929.8A Active CN113011216B (zh) | 2019-12-19 | 2019-12-19 | 一种多分类阈值自适应的遮挡检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011216B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008077517A (ja) * | 2006-09-22 | 2008-04-03 | Saxa Inc | カメラ妨害検知方式 |
| JP2008293178A (ja) * | 2007-05-23 | 2008-12-04 | Nippon Telegr & Teleph Corp <Ntt> | シーン管理装置及びシーン管理方法ならびにそのプログラム |
| CN101582160A (zh) * | 2009-06-18 | 2009-11-18 | 北京中星微电子有限公司 | 前景检测方法和装置以及自适应阈值调节方法和装置 |
| CN101777186A (zh) * | 2010-01-13 | 2010-07-14 | 西安理工大学 | 一种多模态自动更新替换的背景建模方法 |
| CN103139547A (zh) * | 2013-02-25 | 2013-06-05 | 昆山南邮智能科技有限公司 | 基于视频图像信号判定摄像镜头遮挡状态的方法 |
| CN103902962A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种遮挡或光源自适应人脸识别方法和装置 |
| CN104038666A (zh) * | 2014-04-22 | 2014-09-10 | 深圳英飞拓科技股份有限公司 | 一种视频遮挡检测方法和装置 |
| CN104506850A (zh) * | 2014-12-16 | 2015-04-08 | 北京中星微电子有限公司 | 一种视频遮挡判断方法和装置 |
| CN104601965A (zh) * | 2015-02-06 | 2015-05-06 | 巫立斌 | 摄像头遮挡检测方法 |
| CN105611188A (zh) * | 2015-12-23 | 2016-05-25 | 北京奇虎科技有限公司 | 基于自动曝光的摄像头遮挡检测方法及装置 |
| CN105895057A (zh) * | 2016-06-16 | 2016-08-24 | 广东欧珀移动通信有限公司 | 一种背光调节方法、装置和终端设备 |
| CN108010050A (zh) * | 2017-11-27 | 2018-05-08 | 电子科技大学 | 一种基于自适应背景更新和选择性背景更新的前景检测方法 |
| WO2018161739A1 (zh) * | 2017-03-06 | 2018-09-13 | 广东欧珀移动通信有限公司 | 显示屏状态控制方法、装置、存储介质及终端 |
| CN108921013A (zh) * | 2018-05-16 | 2018-11-30 | 浙江零跑科技有限公司 | 一种基于深度神经网络的视觉场景识别系统及方法 |
| CN109598706A (zh) * | 2018-11-26 | 2019-04-09 | 安徽嘉拓信息科技有限公司 | 一种摄像机镜头遮挡检测方法及系统 |
| CN110287760A (zh) * | 2019-03-28 | 2019-09-27 | 电子科技大学 | 一种基于深度学习的人脸五官点遮挡检测方法 |
| CN110414394A (zh) * | 2019-07-16 | 2019-11-05 | 公安部第一研究所 | 一种面部遮挡人脸图像重建方法以及用于人脸遮挡检测的模型 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8285046B2 (en) * | 2009-02-18 | 2012-10-09 | Behavioral Recognition Systems, Inc. | Adaptive update of background pixel thresholds using sudden illumination change detection |
| AU2012244275A1 (en) * | 2012-10-30 | 2014-05-15 | Canon Kabushiki Kaisha | Method, apparatus and system for determining a boundary of an obstacle which occludes an object in an image |
| US10181083B2 (en) * | 2016-03-21 | 2019-01-15 | Viisights Solutions Ltd. | Scene change detection and logging |
| SG11201808494TA (en) * | 2016-03-31 | 2018-10-30 | Agency Science Tech & Res | Signal light detection |
| US10185877B2 (en) * | 2016-07-08 | 2019-01-22 | Huawei Technologies Co., Ltd. | Systems, processes and devices for occlusion detection for video-based object tracking |
-
2019
- 2019-12-19 CN CN201911318929.8A patent/CN113011216B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008077517A (ja) * | 2006-09-22 | 2008-04-03 | Saxa Inc | カメラ妨害検知方式 |
| JP2008293178A (ja) * | 2007-05-23 | 2008-12-04 | Nippon Telegr & Teleph Corp <Ntt> | シーン管理装置及びシーン管理方法ならびにそのプログラム |
| CN101582160A (zh) * | 2009-06-18 | 2009-11-18 | 北京中星微电子有限公司 | 前景检测方法和装置以及自适应阈值调节方法和装置 |
| CN101777186A (zh) * | 2010-01-13 | 2010-07-14 | 西安理工大学 | 一种多模态自动更新替换的背景建模方法 |
| CN103902962A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种遮挡或光源自适应人脸识别方法和装置 |
| CN103139547A (zh) * | 2013-02-25 | 2013-06-05 | 昆山南邮智能科技有限公司 | 基于视频图像信号判定摄像镜头遮挡状态的方法 |
| CN104038666A (zh) * | 2014-04-22 | 2014-09-10 | 深圳英飞拓科技股份有限公司 | 一种视频遮挡检测方法和装置 |
| CN104506850A (zh) * | 2014-12-16 | 2015-04-08 | 北京中星微电子有限公司 | 一种视频遮挡判断方法和装置 |
| CN104601965A (zh) * | 2015-02-06 | 2015-05-06 | 巫立斌 | 摄像头遮挡检测方法 |
| CN105611188A (zh) * | 2015-12-23 | 2016-05-25 | 北京奇虎科技有限公司 | 基于自动曝光的摄像头遮挡检测方法及装置 |
| CN105895057A (zh) * | 2016-06-16 | 2016-08-24 | 广东欧珀移动通信有限公司 | 一种背光调节方法、装置和终端设备 |
| WO2018161739A1 (zh) * | 2017-03-06 | 2018-09-13 | 广东欧珀移动通信有限公司 | 显示屏状态控制方法、装置、存储介质及终端 |
| CN108010050A (zh) * | 2017-11-27 | 2018-05-08 | 电子科技大学 | 一种基于自适应背景更新和选择性背景更新的前景检测方法 |
| CN108921013A (zh) * | 2018-05-16 | 2018-11-30 | 浙江零跑科技有限公司 | 一种基于深度神经网络的视觉场景识别系统及方法 |
| CN109598706A (zh) * | 2018-11-26 | 2019-04-09 | 安徽嘉拓信息科技有限公司 | 一种摄像机镜头遮挡检测方法及系统 |
| CN110287760A (zh) * | 2019-03-28 | 2019-09-27 | 电子科技大学 | 一种基于深度学习的人脸五官点遮挡检测方法 |
| CN110414394A (zh) * | 2019-07-16 | 2019-11-05 | 公安部第一研究所 | 一种面部遮挡人脸图像重建方法以及用于人脸遮挡检测的模型 |
Non-Patent Citations (2)
| Title |
|---|
| Tarkan Aydin ; Tanju Erdem.Occlusion detection in moving cameras.2012 20th Signal Processing and Communications Applications Conference (SIU).2012,1 - 4. * |
| 基于深度学习的监控视频树叶遮挡检测;武汉科技大学学报;第39卷(第1期);69-74 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011216A (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112163543B (zh) | 一种车辆违法占道的检测方法及系统 | |
| JP3228638B2 (ja) | 背景差分法を用いた移動体検出方法 | |
| CN105812674B (zh) | 一种信号灯的颜色修正方法、监控方法及装置 | |
| CN102201121A (zh) | 视频场景中的物件侦测系统与方法 | |
| CN109086662B (zh) | 一种异常行为检测方法及装置 | |
| JP4203736B2 (ja) | 画像の動き検出装置及びコンピュータプログラム | |
| CN111539265A (zh) | 一种电梯轿厢内异常行为检测方法 | |
| CN112584030B (zh) | 一种行车视频录制方法及电子设备 | |
| CN111062319B (zh) | 一种基于主动红外图像的驾驶员打电话检测方法 | |
| CN110913209B (zh) | 摄像头遮挡检测方法、装置、电子设备及监控系统 | |
| CN113011216B (zh) | 一种多分类阈值自适应的遮挡检测方法 | |
| CN109274945B (zh) | 一种自适应进行图像真彩色还原的方法及系统 | |
| CN106682611B (zh) | 图像处理方法及装置 | |
| CN115776610B (zh) | 用于货运车辆货物监控的摄像头拍摄控制方法和装置 | |
| CN108259819B (zh) | 动态影像特征加强方法与系统 | |
| CN112435475B (zh) | 一种交通状态检测方法、装置、设备及存储介质 | |
| CN101430830A (zh) | 成像控制方法和装置 | |
| Wang et al. | Low-light traffic objects detection for automated vehicles | |
| TW201824864A (zh) | 動態影像特徵加強方法與系統 | |
| CN114092884A (zh) | 摄像机镜头移位检测方法、装置、电子设备及存储介质 | |
| CN103020987A (zh) | 基于多背景模型的快速前景检测方法 | |
| JP2003173492A (ja) | 二輪車放置警告装置 | |
| CN113011217B (zh) | 一种车内监控画面晃动状态的判断方法 | |
| CN113011227B (zh) | 一种遮挡检测中背景更新预判断期间避免误报的辅助检测方法 | |
| CN113011226B (zh) | 一种车内监控画面花色物体遮挡检测的方法 |
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 |