CN113657218A - 一种能够减少冗余数据的视频对象检测方法及装置 - Google Patents

一种能够减少冗余数据的视频对象检测方法及装置 Download PDF

Info

Publication number
CN113657218A
CN113657218A CN202110882102.0A CN202110882102A CN113657218A CN 113657218 A CN113657218 A CN 113657218A CN 202110882102 A CN202110882102 A CN 202110882102A CN 113657218 A CN113657218 A CN 113657218A
Authority
CN
China
Prior art keywords
video
frame
redundant data
object detection
module
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
CN202110882102.0A
Other languages
English (en)
Inventor
孙腾
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.)
Shanghai Yingpu Technology Co Ltd
Original Assignee
Shanghai Yingpu Technology Co 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 Shanghai Yingpu Technology Co Ltd filed Critical Shanghai Yingpu Technology Co Ltd
Priority to CN202110882102.0A priority Critical patent/CN113657218A/zh
Publication of CN113657218A publication Critical patent/CN113657218A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种能够减少冗余数据的视频对象检测方法及装置。所述方法，包括：将视频按照预设的时间间隔进行分割；对分割后的每段视频计算帧数量，并将单独像素应用到一个边缘；根据强度判断每一帧是否正在或将要进行大事件，并在判断结果为否时将该帧作为冗余数据删除；在每段视频内，将每一帧的强度均值与与静态的第一个帧的强度均值进行比较，当二者差值在预设范围内时，将该帧作为冗余数据删除；对删除冗余数据后的视频进行对象检测。所述装置包括：分割模块、帧数量计算模块、判断模块、比较模块和检测模块。

Description

一种能够减少冗余数据的视频对象检测方法及装置
技术领域
本申请涉及视频对象检测技术，特别是涉及视频对象检测过程中的冗余数据的删减。
背景技术
视频对象检测可以使用光学流算法和基于运动检测以及视频帧中运动矢量估计的有效监视模型。光学流算法是通过“边缘区域确定”发现运动的新方法，需要与“运动估计”一起使用；基于运动检测以及视频帧中运动矢量估计的监视模型通过YOLO算法将图像或框架分成包围在边界框和相关类概率中的小部分，使用这种基于“边缘区域确定”来检测运动的新方法只需查看图像上的时刻(YOLO)即可预测找到了哪些对象以及这些对象的位置，从而进一步实现视频中对象与边界框的检测并进一步实现视频冗余信息的删减。
上述两种方法中，最理想的降噪方法是基于模糊的形态学滤波方法，但这种形态学滤波方法反对带有背景减法的视频设备中实时执行计算任务的概念，“带有背景减法的视频设备中实时执行计算任务”这一技术根据图像输入进行对象检测，然后将检测到的图像跟踪到后续帧中，所以这些方法都需要大量计算，并且需要花费大量时间。
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，提供了一种能够减少冗余数据的视频对象检测方法，包括：
将视频按照预设的时间间隔进行分割；
对分割后的每段视频计算帧数量，并将单独像素应用到一个边缘；
根据强度判断每一帧是否正在或将要进行大事件，并在判断结果为否时将该帧作为冗余数据删除；
在每段视频内，将每一帧的强度均值与与静态的第一个帧的强度均值进行比较，当二者差值在预设范围内时，将该帧作为冗余数据删除；
对删除冗余数据后的视频进行对象检测。
可选地，所述预设的时间间隔为5S。
可选地，采用YOLO算法对删除冗余数据后的视频进行对象检测。
可选地，在所述将视频按照预设的时间间隔进行分割之前，所述方法还包括：
将视频转换为AVI格式。
可选地，所述对删除信息后的视频进行对象检测所采用的算法为YOLO算法。
根据本申请的另一个方面，提供了一种能够减少冗余数据的视频对象检测装置，包括：
分割模块，其配置将视频按照预设的时间间隔进行分割；
帧数量计算模块，其配置对分割后的每段视频计算帧数量，并将单独像素应用到一个边缘；
判断模块，其配置根据强度判断每一帧是否正在或将要进行大事件，并在判断结果为否时将该帧作为冗余数据删除；
比较模块，其配置在每段视频内，将每一帧的强度均值与与静态的第一个帧的强度均值进行比较，当二者差值在预设范围内时，将该帧作为冗余数据删除；
检测模块，其配置对删除冗余数据后的视频进行对象检测。
可选地，所述预设的时间间隔为5S。
可选地，采用YOLO算法对删除冗余数据后的视频进行对象检测。
可选地，在所述分割模块之前，所述装置还包括：
转换模块，其配置成将视频转换为AVI格式。
可选地，所述对删除信息后的视频进行对象检测所采用的算法为YOLO算法。
本申请的一种能够减少冗余数据的视频对象检测方法及装置使用深度学习与YOLO算法删减视频冗余数据，能够快速减少视频数据冗余，所采用的YOLO算法能够根据识别出的对象进行分组，由于在对象检测之前对视频进行了分割并且对重复内容进行了删除，因此能够以有组织的结构存储视频。经过训练实验，该方法的准确性、鲁棒性以及计算开销都比较好。
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能够减少冗余数据的视频对象检测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能够减少冗余数据的视频对象检测装置的结构示意图；
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
图1是根据本申请一个实施例的一种能够减少冗余数据的视频对象检测方法的示意性流程图。所述方法一般性地可包括：
步骤S1、将视频转换为AVI格式；
步骤S2、将视频按照预设的时间间隔(例如5S)分割成若干段：
分割完成后，对每一段视频同时进行后续处理(即，从步骤S2开始，对每段视频都同时进行处理)，因此，对视频进行分割能够加快后续处理速度；并且分割后只在每段视频内进行运动检测，方便删除多余的帧；
从步骤S3开始，对分割后的各段视频的处理并行进行；
步骤S3、对分割后的每段视频计算帧数量，并将单独像素应用到一个边缘：
首先计算相邻两帧之间的间隙(所述间隙指相邻两帧图像拍摄时间的间隔)，所述间隙是提供给算法代码的，在一段视频内计算有多少帧，因为需要对比相邻两帧之间的变化情况，所以需要根据间隙值来计算每段视频内有多少帧，实现代码循环，加快检测速度；另一方面计算间隙是为了防止影响后面像素强度的计算；
所述单独像素指的是当前图像帧中的一个像素值，这里确定为从图像帧的边缘开始，即最初的单独像素是图像帧边缘角的一个像素值，具体哪个角不做限定；
将单独像素应用到一个边缘有两个目的：一是为了从边缘一侧开始整个图像帧的像素总数计算和后续平均值计算；二是为了算法代码容易构造；
步骤S4、根据强度判断是否正在或将要进行大事件，并在判断结果为否时删除相应的帧：
本步骤中，使用步骤S3计算的像素总数计算帧内各像素强度值的平均值，并结合预设的阈值判断是否发生了大事件；
具体为：对于一帧图像，计算该图像每个像素的强度值与预设的第一阈值的偏差，例如第一阈值为30，某个像素的强度值为40，那么该像素与所述第一阈值的偏差为40-30＝10，计算该图像中所有像素与第一阈值的偏差，并对这些偏差取平均值，记为C，记相邻两帧图像的C值分别为C1和C2；所述大事件指视频场景发生大的变化，比如上一帧的场景是天空，下一帧的场景是草原，则认为发生了大事件，本实施例通过像素强度的平均值来进行判断是否发生了大事件，这里可以设置另一个阈值(需根据实际视频场景情况设置)，即第二阈值，如果相邻两帧图像之间的C值的差值的绝对值大于第二阈值，即|C1-C2|大于第二阈值，则判定这两帧图像正在进行或可能进行大事件，那么，这两帧图像不能删除；
步骤S5、在每段视频内，将每一帧的强度均值与与静态的第一个帧的强度均值进行比较，当二者差值在预设范围内时，删除该帧：
将一段视频中的每一帧均与该段视频的静态的第一个帧(本实施例中，将一段视频的第一帧作为静态的第一个帧)进行比较，如果视频信息不变动，则删除该帧信息，例如，将第i帧的强度均值与静态的第一个帧的强度均值进行比较，如果差别在合理范围内，则删除第i帧；
步骤S6、采用YOLO算法对删除冗余数据后的视频进行对象检测；
YOLO使用一个孤立的神经社区，对象只需一次出现在图像上，就可以直接预测边界框和分类概率，YOLO算法将输入视频帧划分为由若干个单元格组成的网格，每个单元格的大小为S×S，一个对象有可能占据若干个单元格，那么该对象所占据的所有单元格所组成的最大边框称为边界框，网格中的每个单元格都直接负责预测，因为每个单元格都有可能会渗入许多边界框，只有中心落在特定单元格内的对象，该单元格才有可能发现该对象，因此边界容器的自信心等级和类别预测是一致的，并且类别预测被组合为一个最终等级，可以准确地给出该对象位于该位置的概率，最终等级为该边界框的直径。最终评估结果可以直接根据YOLO算法计算出的概率进行判断，然后对比两帧图像，根据两帧图像在一个位置上是否都有对象即可判断该对象在两帧的变化时间内是否发生了改变，如果发生了改变，则保留图像帧，如果两帧图像的所有检测对象都没有改变，则删除一帧冗余图像。
综上所述，本实施例基于深度学习，将视频作为输入，对数据进行分割后，在视频帧中进行运动检测，对于重复无效信息进行删除达到减少数据冗余目的，在此基础上，通过YOLO算法进行对象的检测，实现有组织的结构存储视频，进行进一步的数据删减，达到最终的精简视频信息的目的。
图2是根据本申请一个实施例的一种能够减少冗余数据的视频对象检测装置的结构示意图。所述装置一般性地可包括：
转换模块1，其配置成将视频转换为AVI格式；
分割模块2，其配置将视频按照预设的时间间隔进行分割；
帧数量计算模块3，其配置对分割后的每段视频计算帧数量，并将单独像素应用到一个边缘；
判断模块4，其配置根据强度值判断每一帧是否正在或将要进行大事件，并在判断结果为否时将该帧作为冗余数据删除；
比较模块5，其配置在每段视频内，将每一帧的强度均值与与静态的第一个帧的强度均值进行比较，当二者差值在预设范围内时，将该帧作为冗余数据删除；和
检测模块6，其配置对删除冗余数据后的视频进行对象检测。
作为本申请的优选实施例，所述预设的时间间隔为5S。
作为本申请的优选实施例，采用YOLO算法对删除冗余数据后的视频进行对象检测。
作为本申请的优选实施例，所述对删除信息后的视频进行对象检测所采用的算法为YOLO算法。
本申请实施例的能够减少冗余数据的视频对象检测装置与本申请实施例的能够减少冗余数据的视频对象检测方法的原理及效果相同，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)

1.一种能够减少冗余数据的视频对象检测方法，包括：
将视频按照预设的时间间隔进行分割；
对分割后的每段视频计算帧数量，并将单独像素应用到一个边缘；
根据强度判断每一帧是否正在或将要进行大事件，并在判断结果为否时将该帧作为冗余数据删除；
在每段视频内，将每一帧的强度均值与与静态的第一个帧的强度均值进行比较，当二者差值在预设范围内时，将该帧作为冗余数据删除；
对删除冗余数据后的视频进行对象检测。
2.根据权利要求1所述的方法，其特征在于，所述预设的时间间隔为5S。
3.根据权利要求1或2所述的方法，其特征在于，采用YOLO算法对删除冗余数据后的视频进行对象检测。
4.根据权利要求1至3中任一项所述的方法，其特征在于，在所述将视频按照预设的时间间隔进行分割之前，所述方法还包括：
将视频转换为AVI格式。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述对删除信息后的视频进行对象检测所采用的算法为YOLO算法。
6.一种能够减少冗余数据的视频对象检测装置，包括：
分割模块，其配置将视频按照预设的时间间隔进行分割；
帧数量计算模块，其配置对分割后的每段视频计算帧数量，并将单独像素应用到一个边缘；
判断模块，其配置根据强度判断每一帧是否正在或将要进行大事件，并在判断结果为否时将该帧作为冗余数据删除；
比较模块，其配置在每段视频内，将每一帧的强度均值与与静态的第一个帧的强度均值进行比较，当二者差值在预设范围内时，将该帧作为冗余数据删除；
检测模块，其配置对删除冗余数据后的视频进行对象检测。
7.根据权利要求6所述的装置，其特征在于，所述预设的时间间隔为5S。
8.根据权利要求6或7所述的装置，其特征在于，采用YOLO算法对删除冗余数据后的视频进行对象检测。
9.根据权利要求6至8中任一项所述的装置，其特征在于，在所述分割模块之前，所述装置还包括：
转换模块，其配置成将视频转换为AVI格式。
10.根据权利要求6至9中任一项所述的方装置，其特征在于，所述对删除信息后的视频进行对象检测所采用的算法为YOLO算法。
CN202110882102.0A 2021-08-02 2021-08-02 一种能够减少冗余数据的视频对象检测方法及装置 Pending CN113657218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110882102.0A CN113657218A (zh) 2021-08-02 2021-08-02 一种能够减少冗余数据的视频对象检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110882102.0A CN113657218A (zh) 2021-08-02 2021-08-02 一种能够减少冗余数据的视频对象检测方法及装置

Publications (1)

Publication Number Publication Date
CN113657218A true CN113657218A (zh) 2021-11-16

Family

ID=78478235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110882102.0A Pending CN113657218A (zh) 2021-08-02 2021-08-02 一种能够减少冗余数据的视频对象检测方法及装置

Country Status (1)

Country Link
CN (1) CN113657218A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885810A (zh) * 2021-12-07 2022-01-04 北京智科车联科技有限公司 车联网数据的处理方法、装置、存储介质和电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1557837A1 (en) * 2004-01-26 2005-07-27 Sony International (Europe) GmbH Redundancy elimination in a content-adaptive video preview system
DE102007013811A1 (de) * 2007-03-22 2008-09-25 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur zeitlichen Segmentierung eines Videos in Videobildfolgen und zur Auswahl von Keyframes für das Auffinden von Bildinhalten unter Einbeziehung einer Subshot-Detektion
US20090238462A1 (en) * 2008-03-24 2009-09-24 Rogerio Schmidt Feris Detection of abandoned and removed objects in a video stream
US20120189056A1 (en) * 2011-01-25 2012-07-26 Microsoft Corporation Video Coding Redundancy Reduction
CN104967848A (zh) * 2015-06-16 2015-10-07 谢维波 一种应用于网络视频监控系统中的场景分析算法
CN112488043A (zh) * 2020-12-15 2021-03-12 华侨大学 一种基于边缘智能的无人机车辆目标检测方法
CN112511821A (zh) * 2021-02-03 2021-03-16 腾讯科技（深圳）有限公司 视频卡顿检测方法、装置和存储介质
CN112507842A (zh) * 2020-12-01 2021-03-16 宁波多牛大数据网络技术有限公司 一种基于关键帧提取的视频文字识别方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1557837A1 (en) * 2004-01-26 2005-07-27 Sony International (Europe) GmbH Redundancy elimination in a content-adaptive video preview system
DE102007013811A1 (de) * 2007-03-22 2008-09-25 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur zeitlichen Segmentierung eines Videos in Videobildfolgen und zur Auswahl von Keyframes für das Auffinden von Bildinhalten unter Einbeziehung einer Subshot-Detektion
US20090238462A1 (en) * 2008-03-24 2009-09-24 Rogerio Schmidt Feris Detection of abandoned and removed objects in a video stream
US20120189056A1 (en) * 2011-01-25 2012-07-26 Microsoft Corporation Video Coding Redundancy Reduction
CN104967848A (zh) * 2015-06-16 2015-10-07 谢维波 一种应用于网络视频监控系统中的场景分析算法
CN112507842A (zh) * 2020-12-01 2021-03-16 宁波多牛大数据网络技术有限公司 一种基于关键帧提取的视频文字识别方法和装置
CN112488043A (zh) * 2020-12-15 2021-03-12 华侨大学 一种基于边缘智能的无人机车辆目标检测方法
CN112511821A (zh) * 2021-02-03 2021-03-16 腾讯科技（深圳）有限公司 视频卡顿检测方法、装置和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885810A (zh) * 2021-12-07 2022-01-04 北京智科车联科技有限公司 车联网数据的处理方法、装置、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN109961019B (zh) 一种时空行为检测方法
CN110610510B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN111178183B (zh) 人脸检测方法及相关装置
CN113034541B (zh) 目标跟踪方法、装置、计算机设备和存储介质
CN108648211B (zh) 一种基于深度学习的小目标检测方法、装置、设备和介质
Szwoch Extraction of stable foreground image regions for unattended luggage detection
CN109377499B (zh) 一种像素级物体分割方法及装置
CN109977952B (zh) 基于局部最大值的候选目标检测方法
CN109859250B (zh) 一种航空红外视频多目标检测与跟踪方法及装置
CN110557521B (zh) 视频去雨的方法、装置、设备及计算机可读存储介质
CN111383244A (zh) 一种目标检测跟踪方法
CN110795599B (zh) 基于多尺度图的视频突发事件监测方法及系统
CN111368634B (zh) 基于神经网络的人头检测方法、系统及存储介质
CN111444807B (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN113657218A (zh) 一种能够减少冗余数据的视频对象检测方法及装置
Sahoo et al. A fast valley-based segmentation for detection of slowly moving objects
CN115187884A (zh) 一种高空抛物识别方法、装置、电子设备及存储介质
CN111144220B (zh) 适于大数据的人员检测方法、装置、设备和介质
CN111915713A (zh) 一种三维动态场景的创建方法、计算机设备、存储介质
CN113762027B (zh) 一种异常行为的识别方法、装置、设备及存储介质
CN112532999B (zh) 基于深度神经网络的数字视频删帧篡改检测方法
KR102238610B1 (ko) 딥러닝 객체 검출기의 추론 정보를 이용한 정지객체 검출 방법
CN113869163A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN114022509A (zh) 基于多个动物的监控视频的目标跟踪方法及相关设备
CN113657219A (zh) 一种视频对象检测跟踪方法、装置及计算设备

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