CN113344874B - 一种基于高斯混合建模的行人越界检测方法 - Google Patents
一种基于高斯混合建模的行人越界检测方法 Download PDFInfo
- Publication number
- CN113344874B CN113344874B CN202110627647.7A CN202110627647A CN113344874B CN 113344874 B CN113344874 B CN 113344874B CN 202110627647 A CN202110627647 A CN 202110627647A CN 113344874 B CN113344874 B CN 113344874B
- Authority
- CN
- China
- Prior art keywords
- image
- foreground
- area
- boundary
- gaussian mixture
- 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 30
- 239000000203 mixture Substances 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供了一种基于高斯混合建模的行人越界检测方法,包括:步骤Step1:通过图像获取装置获取监控区域的动态监控视频,并进行预处理;步骤Step2:对预处理后图像信息进行分析,对禁止越界的区域边沿设置禁区边界顶点,并将相邻边界顶点进行连接得到禁止区域封闭边界线;步骤Step3:构建高斯混合模型,获取预处理后当前帧图像中的运动目标轮廓,并筛选出最小外接矩形面积大于面积阈值的运动目标轮廓;步骤Step4:统计运动目标轮廓在禁止越界的区域中前景比例值和大于所述前景比例阈值的持续时间,当持续时间大于设定阈值则进行越界报警,若否,则继续检测,本发明通过建立高斯混合模型,对行人越界行为进行检测,提高了越界检测精度和速度。
Description
技术领域
本发明涉及安全监控技术领域,尤其涉及到一种基于高斯混合建模的行人越界检测方法。
背景技术
随着计算机视觉技术的不断发展,智能视频监控技术也备受关注,其涉及计算机视觉、图像处理、人工智能、模式识别等多个学科知识,而智能视频监控系统与传统的监控系统最大的区别在于具有智能性,通过自动分析监控视频的内容,实现对监控场景中运动目标的检测、识别和跟踪,最终实现对目标行为的检测,目前,被广泛应用在地铁站点、火车站、机场和商场等人流量密集的地方进行行人安全行为检测,或者发电站、水质监测站点等禁止人员出入的地方防止人员越界行为。因此,如何及时精确的检测人员是否入侵危险区域或禁入区域,并进行报警联动,避免发生悲剧,十分重要,基于此,本文提出基于高斯混合建模的行人越界检测方法。
综上所述,提供一种可提高越界检测精度和速度,计算量较少,并能及时进行线上线下报警的基于高斯混合建模的行人越界检测方法,是本领域技术人员急需解决的问题。
发明内容
本方案针对上文提到的问题和需求,提出一种基于高斯混合建模的行人越界检测方法,其由于采取了如下技术方案而能够解决上述技术问题。
为实现上述目的,本发明提供如下技术方案:一种基于高斯混合建模的行人越界检测方法,包括以下步骤:步骤Step1:通过图像获取装置获取监控区域的动态监控视频,并将所述动态监控视频存储至缓存预处理模块进行视频图像预处理;
步骤Step2:对预处理后图像信息进行分析,对禁止越界的区域边沿设置禁区边界顶点,并将相邻边界顶点进行连接得到禁止区域封闭边界线;
步骤Step3:构建高斯混合模型,获取预处理后当前帧图像中的运动目标轮廓,设置面积阈值,获取各个运动目标轮廓的最小外接矩形面积以及最小外接矩形中心点,筛选出最小外接矩形面积大于面积阈值的运动目标轮廓;
步骤Step4:设置前景比例阈值和计时器阈值,统计运动目标轮廓在禁止越界的区域中前景比例值和大于所述前景比例阈值的持续时间,当持续时间大于设定阈值则进行越界报警,若否,则继续检测。
进一步地,所述图像获取装置包括高清红外摄像机和监控控制装置所述高清红外摄像机用于采集监控区域内的图像信息,并将所述图像信息传输至所述缓存预处理模块进行越界监控区域内图像预处理,所述监控控制装置用于对所述高清红外摄像机的光线补偿、角度和焦距参数进行调整,并对进行高清红外摄像机进行故障检测和开关控制。
更进一步地,所述预处理包括:按照用户指令进行连续图像采集,然后对连续采集图像求累加和并计算累加图像的平均值,将用户选取图像的平均图像当作混合高斯模型的初始化图像,并对接收的监控视频图像进行分帧和灰度化处理,输入检测系统进行越界检测。
更进一步地,设置运动目标位于所述禁止区域封闭边界线内部和外部的安全标志,运动目标位于边界线内部的安全标志设置为1,运动目标位于边界线外部为0。
更进一步地,所述构建高斯混合模型包括:首先通过背景建模方法对当前监控场景进行背景建模,为每一个像素点建立混合高斯模型;对于新采集的当前帧图像,将当前帧图像与背景模型进行比较确定当前帧图像的前景与背景即像素分类,并将结果保存在前景图像中;然后通过形态学操作优化前景图像,并通过尺度滤波器去除前景图像中非行人的小干扰区域。
更进一步地,所述像素分类包括:获取新读取的图像帧,对每个像素点进行判断,如果像素点满足该点的背景模型,则在前景图像中将对应像素点标记为背景,否则将对应像素点标记为前景即运动目标。
更进一步地,所述对每个像素点进行判断包括:首先将每个混合高斯模型的均值,标准差,权值都进行初始化,得到模型初始化矩阵参数;获取视频中的T帧图像,采用在线EM算法得到每个像素点的均值、标准差以及权值;对新读取的图像帧进行检测,对每个像素点,用权值w除以标准差σ对各个高斯核进行从大到小排序;然后选取最前面的B个高斯,使以消除训练过程中的噪声点,其中,T为设定阈值;若当前像素点的像素值中只要有一个高斯分量满足:/>就认为是背景点,其中,μi为均值,N为设定阈值,并用在线EM算法,更新背景图像,将前景赋值为255,背景赋值为0,得到前景二值图。
更进一步地,所述形态学操作包括对前景图像采用形态学的腐蚀和膨胀操作去除图像中存留的孤立点,并对空洞区域进行填充。
更进一步地,所述尺度滤波器去除前景图像中非行人的小干扰区域包括统计每个小区域中的像素个数,采用尺度滤波器,将小的非关注区域去掉,尺度滤波器的大小设置为30。
更进一步地,统计运动目标轮廓在禁止越界的区域中前景比例值即前景像素面积占比值,当所述前景像素面积占比值大于设定阈值时,计时器进行计时,统计时间大于设定阈值则判定为越界,并进行越界报警,所述越界报警包括在线标记报警和现场报警,所述在线标记报警根据设置的安全标志进行在线越界报警记录,所述现场报警包括语音警示装置和显示提醒装置;所述语音警示装置包括单片机、电源模块、语音合成器、扬声器和无线通信模块,所述扬声器与所述语音合成器电连接,所述单片机控制所述语音合成器通过所述扬声器播放设定的异常提醒语音,所述电源模块包括EMI滤波器、整流桥和DC-DC转换器,所述所述EMI滤波器的输入端接市电输出端,所述EMI滤波器、所述整流桥和所述DC-DC转换器依次电连接,所述电源模块用于为语音警示装置提供所需电能;所述显示提醒装置包括LED显示屏和LED显示屏驱动器,所述LED显示屏驱动器与所述LED显示屏电连接,所述LED显示屏用于滚动显示异常报警数据。
从上述的技术方案可以看出,本发明的有益效果是:可提高越界检测精度和速度,计算量较少,并能及时进行线上线下报警。
除了上面所描述的目的、特征和优点之外,下文中将结合附图对实施本发明的最优实施例进行更详尽的描述,以便能容易地理解本发明的特征和优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下文将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,其中,附图仅仅用于展示本发明的一些实施例,而非将本发明的全部实施例限制于此。
图1为本发明一种基于高斯混合建模的行人越界检测方法的具体步骤示意图。
图2为本实施例中像素分类过程的具体步骤示意图。
图3为本实施例中基于高斯混合建模的行人越界检测过程的流程示意图。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚,下文中将结合本发明具体实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同的部件。需要说明的是,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
当场景中出现行人时,会出现与背景不同的监控画面,行人所在位置的像素点称为前景像素,而监控背景所在的像素称为背景像素,且行人所在的前景区域是系统关注的重点。而在各环境监测点、供电站等禁止行人靠近的地方和火车站、机场等人流量密集需要防止行人越界的地方,就需要一种可提高越界检测精度和速度,计算量较少,并能及时进行线上线下报警的越界检测报警系统来及时防止危险越界情况的发生,如图1至图3所示,一种基于高斯混合建模的行人越界检测方法具体包括:步骤Step1:通过图像获取装置获取监控区域的动态监控视频,并将所述动态监控视频存储至缓存预处理模块进行视频图像预处理。
在本实施例中,所述图像获取装置包括高清红外摄像机和监控控制装置所述高清红外摄像机用于采集监控区域内的图像信息,并将所述图像信息传输至所述缓存预处理模块进行越界监控区域内图像预处理,所述监控控制装置用于对所述高清红外摄像机的光线补偿、角度和焦距参数进行调整,并对进行高清红外摄像机进行故障检测和开关控制而监控控制装置具体包括工作控制模块和智能云台模块,所述工作控制模块包括智能控制器,而该智能控制器包括继电器通路,继电器通路接入点形成对应的分支电路通道,对分支电路通道的通断进行控制进而可对所述分支电路通道上连接的摄像机通电开关进行控制,所述智能云台模块用于对所述高清红外摄像机进行光线补偿、角度和焦距参数进行调整。且所述预处理包括:按照用户指令进行连续图像采集,然后对连续采集图像求累加和并计算累加图像的平均值,将用户选取图像的平均图像当作混合高斯模型的初始化图像,并对接收的监控视频图像进行分帧和灰度化处理,输入检测系统进行越界检测。
步骤Step2:对预处理后图像信息进行分析,对禁止越界的区域边沿设置禁区边界顶点,并将相邻边界顶点进行连接得到禁止区域封闭边界线,并设置运动目标位于所述禁止区域封闭边界线内部和外部的安全标志,运动目标位于边界线内部的安全标志设置为1,运动目标位于边界线外部为0。
步骤Step3:构建高斯混合模型,获取预处理后当前帧图像中的运动目标轮廓,设置面积阈值,获取各个运动目标轮廓的最小外接矩形面积以及最小外接矩形中心点,筛选出最小外接矩形面积大于面积阈值的运动目标轮廓。
所述构建高斯混合模型包括:首先通过背景建模方法对当前监控场景进行背景建模,为每一个像素点建立混合高斯模型;对于新采集的当前帧图像,将当前帧图像与背景模型进行比较确定当前帧图像的前景与背景即像素分类,并将结果保存在前景图像中;然后通过形态学操作优化前景图像,并通过尺度滤波器去除前景图像中非行人的小干扰区域。
如图2所示,所述像素分类包括:获取新读取的图像帧,对每个像素点进行判断;如果像素点满足该点的背景模型,则在前景图像中将对应像素点标记为背景,否则将对应像素点标记为前景即运动目标。所述对每个像素点进行判断包括:a.首先将每个混合高斯模型的均值,标准差,权值都进行初始化,得到模型初始化矩阵参数;b.获取视频中的T帧图像,采用在线EM算法得到每个像素点的均值、标准差以及权值;c.对新读取的图像帧进行检测,对每个像素点,用权值w除以标准差σ对各个高斯核进行从大到小排序;d.然后选取最前面的B个高斯,使以消除训练过程中的噪声点,其中,T为设定阈值;e.若当前像素点的像素值中只要有一个高斯分量满足:/>就认为是背景点,其中,μi为均值,N为设定阈值,并用在线EM算法,更新背景图像,将前景赋值为255,背景赋值为0,得到前景二值图。所述形态学操作包括对前景图像采用形态学的腐蚀和膨胀操作去除图像中存留的孤立点,并对空洞区域进行填充。所述尺度滤波器去除前景图像中非行人的小干扰区域包括统计每个小区域中的像素个数,采用尺度滤波器,将小的非关注区域去掉,尺度滤波器的大小设置为30。
步骤Step4:设置前景比例阈值和计时器阈值,统计运动目标轮廓在禁止越界的区域中前景比例值和大于所述前景比例阈值的持续时间,当持续时间大于设定阈值则进行越界报警,若否,则继续检测。其中,统计运动目标轮廓在禁止越界的区域中前景比例值即前景像素面积占比值,当所述前景像素面积占比值大于设定阈值时,计时器进行计时,统计时间大于设定阈值则判定为越界,并进行越界报警,所述越界报警包括在线标记报警和现场报警,所述在线标记报警根据设置的安全标志进行在线越界报警记录,所述现场报警包括语音警示装置和显示提醒装置;所述语音警示装置包括单片机、电源模块、语音合成器、扬声器和无线通信模块,所述扬声器与所述语音合成器电连接,所述单片机控制所述语音合成器通过所述扬声器播放设定的异常提醒语音,所述电源模块包括EMI滤波器、整流桥和DC-DC转换器,所述所述EMI滤波器的输入端接市电输出端,所述EMI滤波器、所述整流桥和所述DC-DC转换器依次电连接,所述电源模块用于为语音警示装置提供所需电能;所述显示提醒装置包括LED显示屏和LED显示屏驱动器,所述LED显示屏驱动器与所述LED显示屏电连接,所述LED显示屏用于滚动显示异常报警数据。
应当说明的是,本发明所述的实施方式仅仅是实现本发明的优选方式,对属于本发明整体构思,而仅仅是显而易见的改动,均应属于本发明的保护范围之内。
Claims (4)
1.一种基于高斯混合建模的行人越界检测方法,其特征在于,包括以下步骤:
步骤Step1:通过图像获取装置获取监控区域的动态监控视频,并将所述动态监控视频存储至缓存预处理模块进行视频图像预处理;
步骤Step2:对预处理后图像信息进行分析,对禁止越界的区域边沿设置禁区边界顶点,并将相邻边界顶点进行连接得到禁止区域封闭边界线;
步骤Step3:构建高斯混合模型,获取预处理后当前帧图像中的运动目标轮廓,设置面积阈值,获取各个运动目标轮廓的最小外接矩形面积以及最小外接矩形中心点,筛选出最小外接矩形面积大于面积阈值的运动目标轮廓;
步骤Step4:设置前景比例阈值和计时器阈值,统计运动目标轮廓在禁止越界的区域中前景比例值和大于所述前景比例阈值的持续时间,当持续时间大于设定阈值则进行越界报警,若否,则继续检测;
所述图像获取装置包括高清红外摄像机和监控控制装置所述高清红外摄像机用于采集监控区域内的图像信息,并将所述图像信息传输至所述缓存预处理模块进行越界监控区域内图像预处理,所述监控控制装置用于对所述高清红外摄像机的光线补偿、角度和焦距参数进行调整,并对进行高清红外摄像机进行故障检测和开关控制;
所述预处理包括:按照用户指令进行连续图像采集,然后对连续采集图像求累加和并计算累加图像的平均值,将用户选取图像的平均图像当作混合高斯模型的初始化图像,并对接收的监控视频图像进行分帧和灰度化处理,输入检测系统进行越界检测;
设置运动目标位于所述禁止区域封闭边界线内部和外部的安全标志,运动目标位于边界线内部的安全标志设置为1,运动目标位于边界线外部为0;
所述构建高斯混合模型包括:首先通过背景建模方法对当前监控场景进行背景建模,为每一个像素点建立混合高斯模型;对于新采集的当前帧图像,将当前帧图像与背景模型进行比较确定当前帧图像的前景与背景即像素分类,并将结果保存在前景图像中;然后通过形态学操作优化前景图像,并通过尺度滤波器去除前景图像中非行人的小干扰区域;
所述像素分类包括:获取新读取的图像帧,对每个像素点进行判断,如果像素点满足该点的背景模型,则在前景图像中将对应像素点标记为背景,否则将对应像素点标记为前景即运动目标;
所述对每个像素点进行判断包括:首先将每个混合高斯模型的均值,标准差,权值都进行初始化,得到模型初始化矩阵参数;获取视频中的T帧图像,采用在线EM算法得到每个像素点的均值、标准差以及权值;对新读取的图像帧进行检测,对每个像素点,用权值w除以标准差σ对各个高斯核进行从大到小排序;然后选取最前面的B个高斯,使以消除训练过程中的噪声点,其中,T为设定阈值;若当前像素点的像素值中只要有一个高斯分量满足:/>就认为是背景点,其中,μo为均值,N为设定阈值,并用在线EM算法,更新背景图像,将前景赋值为255,背景赋值为0,得到前景二值图。
2.如权利要求1所述的基于高斯混合建模的行人越界检测方法,其特征在于,所述形态学操作包括对前景图像采用形态学的腐蚀和膨胀操作去除图像中存留的孤立点,并对空洞区域进行填充。
3.如权利要求2所述的基于高斯混合建模的行人越界检测方法,其特征在于,所述尺度滤波器去除前景图像中非行人的小干扰区域包括统计每个小区域中的像素个数,采用尺度滤波器,将小的非关注区域去掉,尺度滤波器的大小设置为30。
4.如权利要求3所述的基于高斯混合建模的行人越界检测方法,其特征在于,统计运动目标轮廓在禁止越界的区域中前景比例值即前景像素面积占比值,当所述前景像素面积占比值大于设定阈值时,计时器进行计时,统计时间大于设定阈值则判定为越界,并进行越界报警,所述越界报警包括在线标记报警和现场报警,所述在线标记报警根据设置的安全标志进行在线越界报警记录,所述现场报警包括语音警示装置和显示提醒装置;所述语音警示装置包括单片机、电源模块、语音合成器、扬声器和无线通信模块,所述扬声器与所述语音合成器电连接,所述单片机控制所述语音合成器通过所述扬声器播放设定的异常提醒语音,所述电源模块包括EMI滤波器、整流桥和DC-DC转换器,所述EMI滤波器的输入端接市电输出端,所述EMI滤波器、所述整流桥和所述DC-DC转换器依次电连接,所述电源模块用于为语音警示装置提供所需电能;所述显示提醒装置包括LED显示屏和LED显示屏驱动器,所述LED显示屏驱动器与所述LED显示屏电连接,所述LED显示屏用于滚动显示异常报警数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110627647.7A CN113344874B (zh) | 2021-06-04 | 2021-06-04 | 一种基于高斯混合建模的行人越界检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110627647.7A CN113344874B (zh) | 2021-06-04 | 2021-06-04 | 一种基于高斯混合建模的行人越界检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344874A CN113344874A (zh) | 2021-09-03 |
CN113344874B true CN113344874B (zh) | 2024-02-09 |
Family
ID=77474261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110627647.7A Active CN113344874B (zh) | 2021-06-04 | 2021-06-04 | 一种基于高斯混合建模的行人越界检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344874B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005062673A1 (de) * | 2005-12-23 | 2007-07-05 | Charité - Universitätsmedizin Berlin | Verfahren zum Ermitteln eines Bewegungsparameters für Fluorochrome in einem Umgebungsmedium |
CN101470809A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院自动化研究所 | 一种基于扩展混合高斯模型的运动目标检测方法 |
CN104318266A (zh) * | 2014-10-19 | 2015-01-28 | 温州大学 | 一种图像智能分析处理预警方法 |
CN104680555A (zh) * | 2015-02-13 | 2015-06-03 | 电子科技大学 | 基于视频监控的越界检测方法及越界监控系统 |
CN106327525A (zh) * | 2016-09-12 | 2017-01-11 | 安徽工业大学 | 一种机房重地越界行为实时监测方法 |
CN107705326A (zh) * | 2017-09-15 | 2018-02-16 | 温州大学 | 一种安全敏感区域的越界入侵检测方法 |
DE102017212418A1 (de) * | 2017-07-20 | 2019-01-24 | Continental Automotive Gmbh | Fahrerassistenzsystem und -verfahren zur leitplankenerkennung |
CN110009650A (zh) * | 2018-12-20 | 2019-07-12 | 浙江新再灵科技股份有限公司 | 一种扶梯扶手边界区域越界检测方法与系统 |
CN110209068A (zh) * | 2019-06-11 | 2019-09-06 | 滁州学院 | 一种红绿灯配时优化与仿真模拟方法 |
CN111275910A (zh) * | 2019-11-05 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于高斯混合模型的扶梯越界行为检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7664329B2 (en) * | 2006-03-02 | 2010-02-16 | Honeywell International Inc. | Block-based Gaussian mixture model video motion detection |
-
2021
- 2021-06-04 CN CN202110627647.7A patent/CN113344874B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005062673A1 (de) * | 2005-12-23 | 2007-07-05 | Charité - Universitätsmedizin Berlin | Verfahren zum Ermitteln eines Bewegungsparameters für Fluorochrome in einem Umgebungsmedium |
CN101470809A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院自动化研究所 | 一种基于扩展混合高斯模型的运动目标检测方法 |
CN104318266A (zh) * | 2014-10-19 | 2015-01-28 | 温州大学 | 一种图像智能分析处理预警方法 |
CN104680555A (zh) * | 2015-02-13 | 2015-06-03 | 电子科技大学 | 基于视频监控的越界检测方法及越界监控系统 |
CN106327525A (zh) * | 2016-09-12 | 2017-01-11 | 安徽工业大学 | 一种机房重地越界行为实时监测方法 |
DE102017212418A1 (de) * | 2017-07-20 | 2019-01-24 | Continental Automotive Gmbh | Fahrerassistenzsystem und -verfahren zur leitplankenerkennung |
CN107705326A (zh) * | 2017-09-15 | 2018-02-16 | 温州大学 | 一种安全敏感区域的越界入侵检测方法 |
CN110009650A (zh) * | 2018-12-20 | 2019-07-12 | 浙江新再灵科技股份有限公司 | 一种扶梯扶手边界区域越界检测方法与系统 |
CN110209068A (zh) * | 2019-06-11 | 2019-09-06 | 滁州学院 | 一种红绿灯配时优化与仿真模拟方法 |
CN111275910A (zh) * | 2019-11-05 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于高斯混合模型的扶梯越界行为检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
船闸禁停线防越界智能监控系统的研究与实现;潘诚;覃祥孝;柯尊海;梁锴;罗宁;江蓓;;中国水运(下半月)(03);全文 * |
融合SCBP与改进混合高斯建模的运动物体检测方法;康杜;;电脑与信息技术(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344874A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
US7424175B2 (en) | Video segmentation using statistical pixel modeling | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN105654508B (zh) | 基于自适应背景分割的监控视频移动目标跟踪方法及系统 | |
CN105160297B (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
CN103116985A (zh) | 一种违章停车检测方法和装置 | |
CN103150903B (zh) | 一种自适应学习的视频车辆检测方法 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN103235938A (zh) | 车牌检测与识别的方法及系统 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN107945523B (zh) | 一种道路车辆检测方法、交通参数检测方法及装置 | |
WO2007126525A2 (en) | Video segmentation using statistical pixel modeling | |
CN103605967A (zh) | 一种基于图像识别的地铁防逃票系统及其工作方法 | |
CN110781896A (zh) | 一种轨道垃圾识别方法、清洁方法、系统、资源配置方法 | |
CN104851288B (zh) | 一种交通灯定位方法 | |
CN109147351A (zh) | 一种交通信号灯控制系统 | |
CN109255350A (zh) | 一种基于视频监控的新能源车牌检测方法 | |
CN105893962A (zh) | 一种机场安检卡口人流统计方法 | |
CN110717400A (zh) | 一种客流统计方法、装置及系统 | |
CN103400113A (zh) | 基于图像处理的高速公路隧道行人检测方法 | |
CN113593219A (zh) | 车流的统计方法、装置、电子设备及存储介质 | |
CN103049748B (zh) | 行为监测方法及装置 | |
CN113344874B (zh) | 一种基于高斯混合建模的行人越界检测方法 | |
CN106056060A (zh) | 一种视频图像中蒙面纱检测的方法及系统 | |
CN114913233A (zh) | 图像处理方法、装置、设备、介质及产品 |
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 |