CN113676702B - 基于视频流的目标追踪监测方法、系统、装置及存储介质 - Google Patents
基于视频流的目标追踪监测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113676702B CN113676702B CN202110964015.XA CN202110964015A CN113676702B CN 113676702 B CN113676702 B CN 113676702B CN 202110964015 A CN202110964015 A CN 202110964015A CN 113676702 B CN113676702 B CN 113676702B
- Authority
- CN
- China
- Prior art keywords
- peripheral
- similarity
- area
- target
- threshold value
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002093 peripheral effect Effects 0.000 claims abstract description 135
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 230000009471 action Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004075 alteration Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种基于视频流的目标追踪监测方法、系统、装置及存储介质，该方法包括以下步骤：在各摄像头之间建立拓扑关系；获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，并从采集到的视频流中提取可疑物体；基于多分类模型对可疑物体的动作进行评分以匹配事件类型并作为目标事件；其中，多分类模型中的各分类分别对应有评估阈值；获取周边图像获取设备对应于该目标事件对应物体的相似度判断阈值以作为周边相似度判断阈值，并降低该周边相似度判断阈值；基于周边相似度判断阈值从采集的视频流中匹配目标事件对应的物体，并继续将该物体对应的事件作为目标事件。本申请具有提高视频监控系统的监控效率的优点。
Description
技术领域
本申请涉及视频在线监控的领域，尤其是涉及一种基于视频流的目标追踪监测方法、系统、装置及存储介质。
背景技术
通常，城市道路上通常设置有摄像头进行实时拍摄，安全操作员（比如交警）会基于摄像机（比如闭路电视摄像机）捕获的视频流以远程监控可疑活动区域。由于手动筛选从摄像机接收到的大量视频流对于操作员来说是一个繁琐的过程，同时由于摄像头的数量庞大，难以在第一时间获取目标事件，比如车辆超速，行人横跨马路等事件。因此，目前相关机构开始逐渐应用视频分析系统，该系统被编程为自动分析视频流，并在检测到可疑活动时进一步向安全人员发出警报从捕获的视频数据。然而，目标事件通常不会仅仅发生在单一的取景区域上，安全操作员需要连续切换镜头以使得目标事件持续呈现在屏幕上，较为不便。
发明内容
为了提高视频监控系统的监控效率，本申请提供一种基于视频流的目标追踪监测方法、系统、装置及存储介质。
第一方面，本申请提供的一种基于视频流的目标追踪监测方法，采用如下的技术方案：
一种基于视频流的目标追踪监测方法，包括以下步骤：
初始化步骤，基于空间关系在各摄像头之间建立以各摄像头为中心图像获取设备且以环绕中心图像获取设备的摄像头为周边图像获取设备的拓扑关系，其中，各摄像头分别对应有取景区域并采集视频流，相邻取景区域之间相应地形成有基于中心取景区域和周边取景区域的同样的拓扑关系；
采集步骤，获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，并基于中心相似度判断阈值从采集到的视频流中提取可疑物体，其中，相似度阈值用于判断视频流中不同帧内物体的相似度；
评估步骤，基于多分类模型对可疑物体的动作进行评分以匹配事件类型并作为目标事件；其中，多分类模型中的各分类分别对应有评估阈值，目标事件对应的视频流作为监控显示设备的优先显示信息；
调整步骤，获取周边图像获取设备对应于该目标事件对应物体的相似度判断阈值以作为周边相似度判断阈值，并降低该周边相似度判断阈值；
确定步骤，基于周边相似度判断阈值从采集的视频流中匹配目标事件对应的物体，并继续将该物体对应的事件作为目标事件。
通过采用上述技术方案，摄像头对应的取景区域成拓扑结构，当物体在取景区域之间运动时，进行观测则需要摄像头相应的切换，此时需要对物体进行识别以判断为同一物体。采集步骤中对物体进行图像识别，以使得不同帧图像中的统一物体能够组合形成动作。在评估步骤中，由于物体的动作多样，多分类模型能够基于各种动作类型与物体动作类型的相似度进行打分，其中每种动作类型与物体动作类型的相似程度取决于各自的评估阈值，评分减去评估阈值之差最大的事件类型则评定为目标事件的事件类型。在调整步骤中，降低周边图像获取设备的相似度阈值，使得从中心取景区域进入到周边取景区域的目标事件对应的物体能够快速被识别并匹配，并重新定义为目标事件，而原中心取景区域内的目标事件消失，安全操作员的监控屏幕只需设定为持续显示拓扑结构下相邻取景区域的目标事件，即可使得安全操作员的监控屏幕持续显示相同物体对应的目标事件，从而提高了监控效率。
可选的，所述采集步骤包括以下步骤：
基于各个摄像头获取的视频流，将视频流抽帧转化为图像并按时间序列进行排列；
基于图像中像素群间的色差获取像素群的边缘，并依据识别出的边缘构建的二维识别模型，以对应于图像中的物体；
获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，对中心图像获取设备获取的相邻帧的图像中的物体进行相似度判断，若相似度大于中心相似度判断阈值则判断为同一物体；
获取物体在图像中的位置信息，并基于物体在相邻帧的两个图像中的位置变化计算物体的运动速度；
判断物体的运动速度是否大于第一预设阈值，若是则判断该物体为运动物体，并将运动物体作为可疑物体。
通过采用上述技术方案，无须通过设定基准环境图像来与采集到的图像进行对比以得到物体的二维识别模型，而是通过视频流的不同帧的图像对物体进行识别以判断物体是否运动，因此该采集步骤的方案不仅能够适应于固定式的摄像头，还能适应于移动式的摄像头，毕竟移动时的摄像头的取景区域在不断发生改变，也就不具有基准环境图像。
尽管设定基准环境图像来与采集到的图像进行对比以得到物体的二维识别模型的方案能够对监控视频中的物体进行较为精确的区分和识别，能够同时兼顾到静态物体和动态物体，比如停靠在路边的汽车，但是，在摄像头获取的监控视频中，通常运动物体具有较高的监控价值，而静态物体具有更低的危害性，因此通过视频中两个帧之间图像进行相似度对比，能够将静态物体筛去，以使得进入后续评估步骤和采集步骤中的二维识别模型主要为运动物体，从而减小运算量、减少低质量信息的采集，并降低误报的概率。
可选的，所述评估步骤包括以下步骤：
划分取景区域为安全区和警戒区，其中安全区对应的评估阈值高于警戒区的评估阈值，且中心取景区域和周边取景区域通过路网相连通；
获取运动物体的所在位置，基于运动物体与警戒区的位置关系调整多分类模型的评估阈值；
获取运动物体的前进方向，基于目标所在位置和前进方向两者与警戒区的关系进一步调整多分类模型的评估阈值以对可疑物体的动作进行评分；
基于目标的二维识别模型、状态信息和评分匹配事件类型并作为目标事件。
通过采用上述技术方案，警戒区通常为事故多发区，比如斑马线、道路的急转弯或者视觉盲区等，当运动物体在警戒区中运动时，其对应的评估阈值相对较低，将会更容易被评判为目标事件。同样的，通过对物体所在位置和运动方向的检测，能够预测物体的运动轨迹是否会经过警戒区，从而对多分类模型的评估阈值进行调整，提高评估的精准度。
可选的，所述调整步骤包括：
获取周边图像获取设备对应于该可疑物体的相似度阈值作为周边相似度判断阈值；
基于目标事件对应的可疑物体的所在位置、前进方向和路网信息获得运动物体的预估运动轨迹，并基于预估运动轨迹获得运动物体的目标区域，其中，目标区域为预估运动轨迹沿路网经过的周边取景区域；
调低周边取景区域对应的周边相似度判断阈值，其中，在以中心取景区域为中心，在环绕中心取景区域且远离目标区域的环向方向上，各周边取景区域对应的周边相似度判断阈值的调低程度逐渐减小。
通过采用上述技术方案，当目标事件对应的可疑物体由中心取景区域朝向周边取景区域运动时，位于预估运动轨迹上的周边取景区域被该运动物体经过的可能性最大，因此相应地调低周边相似度阈值。为了降低目标事件误报的概率，以保持对该运动物体的持续监控，因此在以中心取景区域为中心，在环绕中心取景区域且远离目标区域的环向方向上，各周边取景区域对应的周边相似度判断阈值的调低程度逐渐减小。
可选的，所述基于目标事件对应的可疑物体的所在位置、前进方向和路网信息获得运动物体的预估运动轨迹，并基于预估运动轨迹获得运动物体的目标区域的步骤包括：
获取中心取景区域的车道划分信息，并判断可疑物体所在的车道；
获取周边取景区域的车道划分信息和中心取景区域与周边取景区域内车道的连接信息；
获取可疑物体的前进方向，降低周边取景区域中预估车道的周边相似度判断阈值，其中，所述的预估车道为周边取景区域中与可疑物体所指向的车道相连的车道；
所述调低周边取景区域对应的周边相似度判断阈值的步骤包括：
调低可疑物体前进方向所指车道的相邻车道所连接的周边取景区域的周边相似度判断阈值，其中，在远离可疑物体前进方向所指车道的方向上，可疑物体前进方向所指车道的相邻车道所连接的周边取景区域的周边相似度判断阈值的调低程度逐渐减小。
通过采用上述技术方案，对于公路系统，公路上通常会划分为双车道、双向四车道、双向六车道等，因此摄像头获取的图像中通常包括多个车道，而对于相邻区域的车道而言，通常是相互连通的且预先记录在系统中的，比如慢车道连接于辅道，快车道连接于向左的变道。系统对摄像头获取的视频流进行识别，以获取可疑物体所在的车道，并获得可疑物体的前进方向，基于这两个信息可以估算可疑物体未来一段时间里最可能行驶的车道，比如左车道或原车道或右车道。降低该车道对应的周边相似度判断阈值，有利于在摄像头切换过程中更快更准确地对目标事件对应的可疑物体进行识别。
又由于可疑物体的前进方向在摄像头切换的空窗期会发生改变，比如离开中心取景区域时是顺着原车道潜行，但是在空窗期转向进入到匝道或辅道中，变道最大的可能性是在预估车道两侧的车道，且车道的可能性随着远离预估车道而降低。通过该方法有利于在摄像头切换过程中更快更准确地对目标事件对应的可疑物体进行识别。
可选的，所述调整步骤还包括：
获取目标时间对应的可疑物体在变道时的时间点并作为变道时间点；
计算两个相邻变道时间点的时间间隔，若该时间间隔小于预设间隔阈值，则提高目标事件的标定事件等级；
其中，标定事件等级高的目标事件对应的视频流作为监控显示设备的优先显示信息。
通过采用上述技术方案，当车辆两个变道时间点的时间间隔小于预设间隔阈值时，则可判断为车辆发生连续变道，比如在中心图像获取设备和周边图像获取设备切换监控的空窗期中进行连续变道，虽然没有被图像获取设备直接识别，但可进一步判断目标事件的违规嫌疑更高，应进行优先监控显示。
可选的，所述确定步骤包括：对进入周边取景区域中的运动物体与离开中心取景区域的运动物体进行相似度对比，若相似程度超过周边相似度判断阈值，则判定这两个运动物体的关系为相似，并将该物体对应的事件作为目标事件。
通过采用上述技术方案，通过周边相似度判断阈值对进入周边取景区域中的运动物体与离开中心取景区域的运动物体进行匹配，以保证持续观测目标事件对应的可疑物体。
可选的，评估步骤还可以包括以下步骤：
基于时间序列获取运动物体离开中心取景区域和进入周边取景区域的时间间隔，并获取中心取景区域和周边取景区域沿路网的距离，以计算出该运动物体的模拟平均速度，若模拟平均速度大于第二预设阈值，则将该运动物体对应的运动事件评定为目标事件。
通过采用上述技术方案，由于有些取景区域之间存在观测盲区，因此通过速度估算可以用于目标事件对应的可疑物体进入到周边取景区域的时刻，并相应地在该时刻对应的时间窗口调低该周边取景区域对应的周边相似度判断阈值。
同时，也可以适应于可疑物体以正常速度离开中心取景区域时，在检测到其对应的模拟平均速度超过第二预设阈值，即意味着可疑物体在观测盲区发生了超速行为，则可判断该可疑物体对应的运动事件评定为目标事件，需要进行重点观测。
可选的，还包括以下步骤：
恢复步骤，获取各目标事件对应的可疑物体运动所导致相似度判断阈值的取景区域到目标事件对应的可疑物体相距的节点数，并作为节点距离，若节点距离大于第三预设阈值，则将对应取景区域对应的相似度阈值恢复到初始状态。
通过采用上述技术方案，当目标事件对应的可疑物体离开最开始观测到其事件行为的区域较远时，即节点距离大于第三预设阈值时，则可将相似度阈值恢复到初始状态，以避免发生预判，从而保证监控精度。
第二方面，本申请提供的一种基于视频流的目标追踪监测系统，采用如下的技术方案：
一种基于视频流的目标追踪监测系统，包括：
初始化模块，用于基于空间关系在各摄像头之间建立以各摄像头为中心图像获取设备且以环绕中心图像获取设备的摄像头为周边图像获取设备的拓扑关系，其中，各摄像头分别对应有取景区域并采集视频流，相邻取景区域之间相应地形成有基于中心取景区域和周边取景区域的同样的拓扑关系；
采集模块，用于获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，并基于中心相似度判断阈值从采集到的视频流中提取可疑物体，其中，相似度阈值用于判断视频流中不同帧内物体的相似度；
评估模块，用于基于多分类模型对可疑物体的动作进行评分以匹配事件类型并作为目标事件；其中，多分类模型中的各分类分别对应有评估阈值，目标事件对应的视频流作为监控显示设备的优先显示信息；
调整模块，用于获取周边图像获取设备对应于该目标事件对应物体的相似度判断阈值以作为周边相似度判断阈值，并降低该周边相似度判断阈值；
确定模块，用于基于周边相似度判断阈值从采集的视频流中匹配目标事件对应的物体，并继续将该物体对应的事件作为目标事件。
通过采用上述技术方案，摄像头对应的取景区域成拓扑结构，当物体在取景区域之间运动时，进行观测则需要摄像头相应的切换，此时需要对物体进行识别以判断为同一物体。采集步骤中对物体进行图像识别，以使得不同帧图像中的统一物体能够组合形成动作。在评估步骤中，由于物体的动作多样，多分类模型能够基于各种动作类型与物体动作类型的相似度进行打分，其中每种动作类型与物体动作类型的相似程度取决于各自的评估阈值，评分减去评估阈值之差最大的事件类型则评定为目标事件的事件类型。在调整步骤中，降低周边图像获取设备的相似度阈值，使得从中心取景区域进入到周边取景区域的目标事件对应的物体能够快速被识别并匹配，并重新定义为目标事件，而原中心取景区域内的目标事件消失，安全操作员的监控屏幕只需设定为持续显示拓扑结构下相邻取景区域的目标事件，即可使得安全操作员的监控屏幕持续显示相同物体对应的目标事件，从而提高了监控效率。
第三方面，本申请提供的一种装置，采用如下的技术方案：
一种装置，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述方法的计算机程序。
第四方面，本申请提供的一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行如上述方法的计算机程序。
附图说明
图1是用于介绍摄像头之间拓扑结构的示意图。
图2是本申请实施例公开的一种基于视频流的目标追踪监测方法的流程框图。
图3是本申请实施例公开的采集步骤的流程框图。
图4是本申请实施例公开的评估步骤的流程框图。
图5是本申请实施例公开的调整步骤的流程框图。
具体实施方式
以下结合附图1-5，对本申请作进一步详细说明。其中，相同的附图标记在整个单独的视图中指代相同或功能相似的元件，其与以下的详细描述一起并入并形成说明书的一部分，用于进一步说明本申请的各种实施例，并解释这些实施例的各种原理和优点。
目前，随着数据的获取量飞速提升，视频分析引擎的应用越发广泛，常见的有多分类神经网络模型，其可以集成在摄像机上，也可以安装在后台系统上，常配有评估阈值，该阈值用于确定是否要报告从由摄像机捕获的视频流中检测到的特定活动。
评估阈值通常被编程为在过多的误报和过多的漏检之间保持良好的平衡。较低的评估阈值可能会导致大量误报，不仅会在安全操作员的屏幕上产生大量的无效信息，还可能导致安全操作员忽略警报。
本申请实施例公开一种基于视频流的目标追踪监测方法，用于调整部署在路网上的摄像头所获取视频流对可疑事件的检测频率和检测连续性。比如，当检测到某些事件，例如超速事件，则可利用该方法暂时降低部署在事件现场附近的一个或多个摄像机的评估阈值，并进一步地临时（例如，在事件报告后的给定时间段内）增加从事件现场附近的摄像机报告的视频分析数据量，有助于安全操作员识别其他事件的兴趣，比如由超速引起的连续追尾事件，不当会车可能导致的车辆刮蹭等。具体的，该检测方法包括初始化步骤、采集步骤、评估步骤、调整步骤、确定步骤和恢复步骤。
初始化步骤，基于空间关系在各摄像头之间建立以各摄像头为中心图像获取设备且以环绕中心图像获取设备的摄像头为周边图像获取设备的拓扑关系，其中，各摄像头分别对应有取景区域并采集视频流，相邻取景区域之间相应地形成有基于中心取景区域和周边取景区域的同样的拓扑关系。
摄像头的类型能够有多种，既可以是固定式的，也可以是移动式的，比如监控摄像机、车载摄像机、随身摄像机、手机摄像机、无人机摄像机等，用于采集与摄像机视野，即取景区域对应的视频流，并与后台系统建立通信以将视频流传输到视频分析引擎中。也就是说，当摄像机的位置不固定时，摄像头可以通过频繁地初始化以刷新摄像头之间的拓扑关系。
在不同地形区域的摄像头通常具有不同的分布方式，如在公路上，监控摄像头设置密度通常较大且固定设置，取景范围能够覆盖到公路的大部分。但是对于一些基础设置建设不完善的地区，通常需要辅助以巡逻车或无人机等移动设备进行巡视，巡逻车和无人机上均可搭载有摄像头和定位装置，从而使得后台能够将移动摄像头和固定摄像头进行组网形成拓扑关系。
图1示出了摄像头网络几何形状以说明摄像头之间所形成的拓扑结构。在图1-a中，每个独立的圆圈用于表示摄像头，圆圈之间的连线用于代表相邻摄像头之间的拓扑关系，也就是说，相邻的摄像头之间互相成为中心图像获取设备和周边图像获取设备。进一步的，由于摄像头沿路网设置，因此相邻的摄像头之间所产生的取景区域在路网上相互连接，也就是相互形成中心取景区域和周边取景区域。当摄像头设置较为密集时，中心取景区域和周边取景区域可能会存在交叠部分；当摄像头设置较为稀疏时，中心取景区域和周边取景区域可能会存在一定距离，当摄像头移动时，中心取景区域和周边取景区域的关系不定，可能随着摄像头的移动而发生交叠或分离。
参照图2，在初始化步骤之后为采集步骤，在采集步骤中系统获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，并基于中心相似度判断阈值从采集到的视频流中提取可疑物体，其中，相似度阈值用于判断视频流中不同帧内物体的相似度。
系统通常采取视频分析引擎对视频流中的物体进行识别，在一些实施例中，视频分析引擎可以是软件引擎，其被配置为分析由摄像机捕获的视频流并从捕获的视频流中检测感兴趣的活动，例如人、物体或事件。在另一些实施例中，视频分析引擎可以被编程有检测分类器，比如多分类神经网络模型（或称为多分类器、多分类模型），该检测分类器能够对视频流进行评估，例如由摄像机捕获的视频流的图像或图像的一部分，以确定人、物体的实例，或从评估的视频流中检测到检测分类器中定义的感兴趣的事件。
具体的，在某一实施例中，参照图3，采集步骤包括以下步骤：
S201.基于各个摄像头获取的视频流，将视频流抽帧转化为图像并按时间序列进行排列；
S202.基于图像中像素群间的色差获取像素群的边缘，并依据识别出的边缘构建的二维识别模型，以对应于图像中的物体；
S203.获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，对中心图像获取设备获取的相邻帧的图像中的物体进行相似度判断，若相似度大于中心相似度判断阈值则判断为同一物体；
S204.获取物体在图像中的位置信息，并基于物体在相邻帧的两个图像中的位置变化计算物体的运动速度；
S205.判断物体的运动速度是否大于第一预设阈值，若是则判断该物体为运动物体，并将运动物体作为可疑物体。
通过该实施例中的采集步骤，无须通过设定基准环境图像来与采集到的图像进行对比以得到物体的二维识别模型，而是通过视频流的不同帧的图像对物体进行识别以判断物体是否运动，因此该采集步骤的方案不仅能够适应于固定式的摄像头，还能适应于移动式的摄像头，毕竟移动时的摄像头的取景区域在不断发生改变，也就不具有基准环境图像。
尽管设定基准环境图像来与采集到的图像进行对比以得到物体的二维识别模型的方案能够对监控视频中的物体进行较为精确的区分和识别，能够同时兼顾到静态物体和动态物体，比如停靠在路边的汽车，但是，在摄像头获取的监控视频中，通常运动物体具有较高的监控价值，而静态物体具有更低的危害性，因此通过视频中两个帧之间图像进行相似度对比，能够将静态物体筛去，以使得进入后续评估步骤和采集步骤中的二维识别模型主要为运动物体，从而减小运算量、减少低质量信息的采集，并降低误报的概率。
参照图2，在采集步骤之后进入评估步骤，在评估步骤中，系统基于多分类模型对可疑物体的动作进行评分以匹配事件类型并作为目标事件；其中，多分类模型中的各分类分别对应有评估阈值，目标事件对应的视频流作为监控显示设备的优先显示信息。
评估阈值对应于可以检测到的人、对象或感兴趣事件的基线置信水平。对于不同类型的检测到的人、对象或感兴趣的事件，基线置信水平可能不同，因此评估阈值也就不同。在一些实施例中，只有当视频分析数据点高于基线置信水平时，从视频流中提取的视频分析数据点才可以满足评估阈值。例如，可以将基线置信水平设置为要求在视频数据中检测到的汽车的特征匹配为50%。在这种情况下，从捕获的视频流中检测到的汽车的特征被识别并进一步量化为一个或多个视频分析数据点。作为另一个例子，基线置信水平可以被设置为要求从由摄像机捕获的视频流中提取的汽车运动轨迹及运动速度与典型车祸案件中汽车的预定运动轨迹及预定运动速度之间的 90% 匹配，其中，从视频流中提取的运动轨迹及运动速度数据被识别并进一步量化为一个或多个视频分析数据点。
在其它的实施例中，评估阈值也可以对应于一个或多个合格指标，例如，速度水平、速度变化率、位置、体型、运动方向、携带的物体、数量等指标，甚至可以辅助以声音采集以对声音特征进行识别和评估，比如声音的波段、音色、频率和振幅等，以确定是否从由检测器捕获的视频数据中检测到特定的人、物体或感兴趣的事件。例如，评估阈值可以设置为要求检测到的车辆的最低速度水平为每小时 60 公里。在这种情况下，当以每小时 55 公里的速度水平检测到车辆时，则将会把该车辆的运动作为目标事件并匹配为超速事件，以优先呈现于安全操作员。或者，当检测到车辆的速度水平为每小时 80 英里时，多分类模型不会将车辆的运动标记为目标事件，因为车辆的速度水平低于每小时 60 英里的评估阈值。
可选的，在一些实施例中，在系统识别到目标事件后，可以用于向前追溯在事件发生之前和/或实时捕获的视频流的视频段（例如，从先前捕获的视频段中提取的元数据或视频分析数据点）到事件的发生。举个例子，如果在下午2点检测到事件，则基于目标事件的摄像头的相识度阈值进行配置生成较低的新的相似度阈值，该相似度阈值对于该目标对应的物体相对应。然后视频计算设备可以将新的相似度向前追溯应用于之前捕获的存储的视频片段（例如，在下午 1：30 到下午 1：55 之间捕获的视频流的视频片段）到下午 2 点。在这种情况下，系统可以识别和报告先前未报告的视频分析数据，例如对应于从事件之前捕捉的视频片段中检测到的特定人、对象或事件，具体的，可以是逃犯的出现地点，或者交通肇事的始发地点，或者交通违规的起始点。
另外，对于视频流中的物体，其通常为人或车辆等，以人为例，人的朝向可以根据头部的图像中的面部器官（眼睛、鼻子、嘴巴等）的位置关系来识别，也可以将头部的朝向输入学习识别器以进行识别，也可以使用其他算法。以汽车为例，则汽车的朝向可以是根据车头的图像中的车头部件，比如保险杠、引擎盖、挡风玻璃、车牌等部件的位置关系来进行识别，也可以将汽车的移动速度方向结合汽车的二维识别模型来进行识别。此外，关于头部的取向，可以计算连续值（角度），也可以确定是否与预先确定的向右/前/向左等N种方向中的任何一个方向匹配。进一步地，可以计算出绕三个轴的yaw（偏航角）、pitch（俯仰角）和roll（旋转角）的方向，或者图像坐标系（x-y平面中）的方向简单计算。物体的移动速度是头部单位时间的移动量。例如，可以通过计算相邻几帧图像中位置的移动轨迹长度除以这几帧图像对应的时长，以获得移动速度。
具体的，在某一实施例中，参照图4，评估步骤包括以下步骤：
S301.划分取景区域为安全区和警戒区，其中安全区对应的评估阈值高于警戒区的评估阈值，且中心取景区域和周边取景区域通过路网相连通；
S302.获取运动物体的所在位置，基于运动物体与警戒区的位置关系调整多分类模型的评估阈值；
S303.获取运动物体的前进方向，基于目标所在位置和前进方向两者与警戒区的关系进一步调整多分类模型的评估阈值以对可疑物体的动作进行评分；
S304.基于目标的二维识别模型、状态信息和评分匹配事件类型并作为目标事件。
由于警戒区通常为事故多发区，比如斑马线、道路的急转弯或者视觉盲区等，当运动物体在警戒区中运动时，其对应的评估阈值相对较低，将会更容易被评判为目标事件。同样的，通过对物体所在位置和运动方向的检测，能够预测物体的运动轨迹是否会经过警戒区，从而对多分类模型的评估阈值进行调整，提高评估的精准度。
举个例子，当车辆经过安全区时，系统对车辆在安全区内的行为判断较为宽松，当车辆靠近警戒区时，该区域内的该车辆对应的多分类模型的评估阈值下调。进一步的，当该车辆的运动方向指向该警戒区时，该多分类模型的评估模型进一步下调，以便于提高对车辆的危险动作抓取成功率。如果抓取到危险动作，则将该车辆的行驶事件作为目标时间。
参照图2，在评估步骤后进入调整步骤，在调整步骤中，系统获取周边图像获取设备对应于该目标事件对应物体的相似度判断阈值以作为周边相似度判断阈值，并降低该周边相似度判断阈值。
在调整步骤中，降低周边图像获取设备的相似度阈值，使得从中心取景区域进入到周边取景区域的目标事件对应的物体能够快速被识别并匹配。举个例子，图1-a中各个圆圈表示还没有检测到事故（例如，交通违章）发生的视频，因此图1-a中的各个圆圈以空心进行示意。在图1-b中，灰色圆圈表示在该处摄像头捕捉到事故的发生，而与该处摄像头拓扑相连的摄像头对应于图1-b中的斜线圆圈，具体表现为与灰色圆圈相连的所有白色圆圈均变为了斜线圆圈。以白色圆圈对应的摄像头为中心图像采集设备，则斜线圆圈对应的摄像头即为周边图像采集设备，在调整步骤中，周边图像采集设备对应的周边相似度判断阈值发生降低。因此，无论目标事件对应的可疑物体在离开中心取景区域后无论进入到哪个周边取景区域，都将会更容易地被识别。
具体的，在某一实施例中，参照图5，调整步骤包括：
S401.获取周边图像获取设备对应于该可疑物体的相似度阈值作为周边相似度判断阈值；
S402.基于目标事件对应的可疑物体的所在位置、前进方向和路网信息获得运动物体的预估运动轨迹，并基于预估运动轨迹获得运动物体的目标区域，其中，目标区域为预估运动轨迹沿路网经过的周边取景区域；
S403.调低周边取景区域对应的周边相似度判断阈值，其中，以中心取景区域为中心，在环绕中心取景区域且远离目标区域的环向方向上，各周边取景区域对应的周边相似度判断阈值的调低程度逐渐减小。
当目标事件对应的可疑物体由中心取景区域朝向周边取景区域运动时，位于预估运动轨迹上的周边取景区域被该运动物体经过的可能性最大，因此相应地调低周边相似度阈值。为了降低目标事件误报的概率，以保持对该运动物体的持续监控，因此在以中心取景区域为中心，在环绕中心取景区域且远离目标区域的环向方向上，各周边取景区域对应的周边相似度判断阈值的调低程度逐渐减小。
举个例子，对于车辆而言，所述的S402可以细分为以下步骤：
S4021.获取中心取景区域的车道划分信息，并判断可疑物体所在的车道；
S4022.获取周边取景区域的车道划分信息和中心取景区域与周边取景区域内车道的连接信息；
S4023.获取可疑物体的前进方向，降低周边取景区域中预估车道的周边相似度判断阈值，其中，所述的预估车道为周边取景区域中与可疑物体所指向的车道相连的车道。
所述的S403可以细分为以下步骤：
S4031.所述调低周边取景区域对应的周边相似度判断阈值的步骤包括：
S4032.调低可疑物体前进方向所指车道的相邻车道所连接的周边取景区域的周边相似度判断阈值，其中，在远离可疑物体前进方向所指车道的方向上，可疑物体前进方向所指车道的相邻车道所连接的周边取景区域的周边相似度判断阈值的调低程度逐渐减小。
对于公路系统，公路上通常会划分为双车道、双向四车道、双向六车道等，因此摄像头获取的图像中通常包括多个车道，而对于相邻区域的车道而言，通常是相互连通的且预先记录在系统中的，比如慢车道连接于辅道，快车道连接于向左的变道。系统对摄像头获取的视频流进行识别，以获取可疑物体所在的车道，并获得可疑物体的前进方向，基于这两个信息可以估算可疑物体未来一段时间里最可能行驶的车道，比如左车道或原车道或右车道。降低该车道对应的周边相似度判断阈值，有利于在摄像头切换过程中更快更准确地对目标事件对应的可疑物体进行识别。
又由于可疑物体的前进方向在摄像头切换的空窗期会发生改变，比如离开中心取景区域时是顺着原车道潜行，但是在空窗期转向进入到匝道或辅道中，变道最大的可能性是在预估车道两侧的车道，且车道的可能性随着远离预估车道而降低。通过该方法有利于在摄像头切换过程中更快更准确地对目标事件对应的可疑物体进行识别。
可选的，由于可疑物体的前进方向在摄像头切换的空窗期会发生改变，甚至发生违章行为，则在调整步骤还可以包括以下步骤：
S404.获取目标时间对应的可疑物体在变道时的时间点并作为变道时间点；
S405.计算两个相邻变道时间点的时间间隔，若该时间间隔小于预设间隔阈值，则提高目标事件的标定事件等级；
其中，标定事件等级高的目标事件对应的视频流作为监控显示设备的优先显示信息。
也就是说，当车辆两个变道时间点的时间间隔小于预设间隔阈值时，则可判断为车辆发生连续变道，比如在中心图像获取设备和周边图像获取设备切换监控的空窗期中进行连续变道，虽然没有被图像获取设备直接识别，但可进一步判断目标事件的违规嫌疑更高，应进行优先监控显示。
参照图2，在调整步骤之后为确定步骤，在确定步骤中，系统基于周边相似度判断阈值从采集的视频流中匹配目标事件对应的物体，并继续将该物体对应的事件作为目标事件。
具体的，确定步骤包括：对进入周边取景区域中的运动物体与离开中心取景区域的运动物体进行相似度对比，若相似程度超过周边相似度判断阈值，则判定这两个运动物体的关系为相似，并将该物体对应的事件作为目标事件。通过周边相似度判断阈值对进入周边取景区域中的运动物体与离开中心取景区域的运动物体进行匹配，以保证持续观测目标事件对应的可疑物体。
参照图2，在确定步骤之后为恢复步骤，在恢复步骤中，系统获取各目标事件对应的可疑物体运动所导致相似度判断阈值的取景区域到目标事件对应的可疑物体相距的节点数，并作为节点距离，若节点距离大于第三预设阈值，则将对应取景区域对应的相似度阈值恢复到初始状态。在本实施例中，第三预设阈值为3。具体的，如图1-b和图1-c所示，随着目标事件在不同摄像头对应的取景区域间发生移动，受到影响而使得相似度阈值发生降低对应的区域不断增加，当这些区域过多时，视频分析引擎发生误判的概率将会大幅增大，从而产生较多的无效信息。因此，通过恢复步骤，当目标事件对应的可疑物体离开最开始观测到其事件行为的区域较远时，即节点距离大于第三预设阈值时，则可将这些区域对应的相似度阈值恢复到初始状态，以避免相似度阈值发生降低的区域过度增加，进而降低误判的概率，从而保证监控精度。
在一些实施例中，评估步骤还可包括以下方案：基于时间序列获取运动物体离开中心取景区域和进入周边取景区域的时间间隔，并获取中心取景区域和周边取景区域沿路网的距离，以计算出该运动物体的模拟平均速度，若模拟平均速度大于第二预设阈值，则将该运动物体对应的运动事件评定为目标事件。
由于有些取景区域之间存在观测盲区，因此通过速度估算可以用于目标事件对应的可疑物体进入到周边取景区域的时刻，并相应地在该时刻对应的时间窗口调低该周边取景区域对应的周边相似度判断阈值。
同时，也可以适应于可疑物体以正常速度离开中心取景区域时，在检测到其对应的模拟平均速度超过第二预设阈值，即意味着可疑物体在观测盲区发生了超速行为，则可判断该可疑物体对应的运动事件评定为目标事件，需要进行重点观测。
本申请实施例还公开了一种基于视频流的目标追踪监测系统，包括：
初始化模块，用于基于空间关系在各摄像头之间建立以各摄像头为中心图像获取设备且以环绕中心图像获取设备的摄像头为周边图像获取设备的拓扑关系，其中，各摄像头分别对应有取景区域并采集视频流，相邻取景区域之间相应地形成有基于中心取景区域和周边取景区域的同样的拓扑关系；
采集模块，用于获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，并基于中心相似度判断阈值从采集到的视频流中提取可疑物体，其中，相似度阈值用于判断视频流中不同帧内物体的相似度；
评估模块，用于基于多分类模型对可疑物体的动作进行评分以匹配事件类型并作为目标事件；其中，多分类模型中的各分类分别对应有评估阈值，目标事件对应的视频流作为监控显示设备的优先显示信息；
调整模块，用于获取周边图像获取设备对应于该目标事件对应物体的相似度判断阈值以作为周边相似度判断阈值，并降低该周边相似度判断阈值；
确定模块，用于基于周边相似度判断阈值从采集的视频流中匹配目标事件对应的物体，并继续将该物体对应的事件作为目标事件。
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发明的范围。
本申请实施例还公开了一种装置，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述方法的计算机程序。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器（ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本申请实施例还公开了一种计算机可读存储介质，存储有能够被处理器加载并执行如上述方法的计算机程序。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种基于视频流的目标追踪监测方法，其特征在于，包括以下步骤：
初始化步骤，基于空间关系在各摄像头之间建立以各摄像头为中心图像获取设备且以环绕中心图像获取设备的摄像头为周边图像获取设备的拓扑关系，其中，各摄像头分别对应有取景区域并采集视频流，相邻取景区域之间相应地形成有基于中心取景区域和周边取景区域的同样的拓扑关系；
采集步骤，获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，并基于中心相似度判断阈值从采集到的视频流中提取可疑物体，其中，相似度阈值用于判断视频流中不同帧内物体的相似度；
评估步骤，基于多分类模型对可疑物体的动作进行评分以匹配事件类型并作为目标事件；其中，多分类模型中的各分类分别对应有评估阈值，目标事件对应的视频流作为监控显示设备的优先显示信息；
调整步骤，获取周边图像获取设备对应于该目标事件对应物体的相似度判断阈值以作为周边相似度判断阈值，并降低该周边相似度判断阈值；
确定步骤，基于周边相似度判断阈值从采集的视频流中匹配目标事件对应的物体，并继续将该物体对应的事件作为目标事件。
2.根据权利要求1所述的目标追踪监测方法，其特征在于，所述采集步骤包括以下步骤：
基于各个摄像头获取的视频流，将视频流抽帧转化为图像并按时间序列进行排列；
基于图像中像素群间的色差获取像素群的边缘，并依据识别出的边缘构建的二维识别模型，以对应于图像中的物体；
获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，对中心图像获取设备获取的相邻帧的图像中的物体进行相似度判断，若相似度大于中心相似度判断阈值则判断为同一物体；
获取物体在图像中的位置信息，并基于物体在相邻帧的两个图像中的位置变化计算物体的运动速度；
判断物体的运动速度是否大于第一预设阈值，若是则判断该物体为运动物体，并将运动物体作为可疑物体。
3.根据权利要求2所述的目标追踪监测方法，其特征在于，所述评估步骤包括以下步骤：
划分取景区域为安全区和警戒区，其中安全区对应的评估阈值高于警戒区的评估阈值，且中心取景区域和周边取景区域通过路网相连通；
获取运动物体的所在位置，基于运动物体与警戒区的位置关系调整多分类模型的评估阈值；
获取运动物体的前进方向，基于目标所在位置和前进方向两者与警戒区的关系进一步调整多分类模型的评估阈值以对可疑物体的动作进行评分；
基于目标的二维识别模型、状态信息和评分匹配事件类型并作为目标事件并标定事件等级。
4.根据权利要求3所述的目标追踪监测方法，其特征在于，所述调整步骤包括：
获取周边图像获取设备对应于该可疑物体的相似度阈值作为周边相似度判断阈值；
基于目标事件对应的可疑物体的所在位置、前进方向和路网信息获得运动物体的预估运动轨迹，并基于预估运动轨迹获得运动物体的目标区域，其中，目标区域为预估运动轨迹沿路网经过的周边取景区域；
调低周边取景区域对应的周边相似度判断阈值，其中，以中心取景区域为中心，在环绕中心取景区域且远离目标区域的环向方向上，各周边取景区域对应的周边相似度判断阈值的调低程度逐渐减小。
5.根据权利要求4所述的目标追踪监测方法，其特征在于，所述基于目标事件对应的可疑物体的所在位置、前进方向和路网信息获得运动物体的预估运动轨迹，并基于预估运动轨迹获得运动物体的目标区域的步骤包括：
获取中心取景区域的车道划分信息，并判断可疑物体所在的车道；
获取周边取景区域的车道划分信息和中心取景区域与周边取景区域内车道的连接信息；
获取可疑物体的前进方向，降低周边取景区域中预估车道的周边相似度判断阈值，其中，所述的预估车道为周边取景区域中与可疑物体所指向的车道相连的车道；
所述调低周边取景区域对应的周边相似度判断阈值的步骤包括：
调低可疑物体前进方向所指车道的相邻车道所连接的周边取景区域的周边相似度判断阈值，其中，在远离可疑物体前进方向所指车道的方向上，可疑物体前进方向所指车道的相邻车道所连接的周边取景区域的周边相似度判断阈值的调低程度逐渐减小；
所述调整步骤还包括：
获取目标时间对应的可疑物体在变道时的时间点并作为变道时间点；
计算两个相邻变道时间点的时间间隔，若该时间间隔小于预设间隔阈值，则提高目标事件的标定事件等级；
其中，标定事件等级高的目标事件对应的视频流作为监控显示设备的优先显示信息。
6.根据权利要求5所述的目标追踪监测方法，其特征在于，所述确定步骤包括：对进入周边取景区域中的运动物体与离开中心取景区域的运动物体进行相似度对比，若相似程度超过周边相似度判断阈值，则判定这两个运动物体的关系为相似，并将该物体对应的事件作为目标事件；
评估步骤还可以包括以下步骤：
基于时间序列获取运动物体离开中心取景区域和进入周边取景区域的时间间隔，并获取中心取景区域和周边取景区域沿路网的距离，以计算出该运动物体的模拟平均速度，若模拟平均速度大于第二预设阈值，则将该运动物体对应的运动事件评定为目标事件。
7.根据权利要求6所述的目标追踪监测方法，其特征在于，还包括以下步骤：
恢复步骤，获取各目标事件对应的可疑物体运动所导致相似度判断阈值的取景区域到目标事件对应的可疑物体相距的节点数，并作为节点距离，若节点距离大于第三预设阈值，则将对应取景区域对应的相似度阈值恢复到初始状态。
8.一种基于视频流的目标追踪监测系统，其特征在于，包括：
初始化模块，用于基于空间关系在各摄像头之间建立以各摄像头为中心图像获取设备且以环绕中心图像获取设备的摄像头为周边图像获取设备的拓扑关系，其中，各摄像头分别对应有取景区域并采集视频流，相邻取景区域之间相应地形成有基于中心取景区域和周边取景区域的同样的拓扑关系；
采集模块，用于获取中心图像获取设备对应的相似度阈值作为中心相似度判断阈值，并基于中心相似度判断阈值从采集到的视频流中提取可疑物体，其中，相似度阈值用于判断视频流中不同帧内物体的相似度；
评估模块，用于基于多分类模型对可疑物体的动作进行评分以匹配事件类型并作为目标事件；其中，多分类模型中的各分类分别对应有评估阈值，目标事件对应的视频流作为监控显示设备的优先显示信息；
调整模块，用于获取周边图像获取设备对应于该目标事件对应物体的相似度判断阈值以作为周边相似度判断阈值，并降低该周边相似度判断阈值；
确定模块，用于基于周边相似度判断阈值从采集的视频流中匹配目标事件对应的物体，并继续将该物体对应的事件作为目标事件。
9.一种装置，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一项方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至7中任一项方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110964015.XA CN113676702B (zh) | 2021-08-21 | 2021-08-21 | 基于视频流的目标追踪监测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110964015.XA CN113676702B (zh) | 2021-08-21 | 2021-08-21 | 基于视频流的目标追踪监测方法、系统、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113676702A CN113676702A (zh) | 2021-11-19 |
| CN113676702B true CN113676702B (zh) | 2024-04-30 |
Family
ID=78544754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110964015.XA Active CN113676702B (zh) | 2021-08-21 | 2021-08-21 | 基于视频流的目标追踪监测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113676702B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399537B (zh) * | 2022-03-23 | 2022-07-01 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及系统 |
| CN115002341A (zh) * | 2022-04-28 | 2022-09-02 | 中科蓝卓(北京)信息科技有限公司 | 一种基于防区切分的目标监测方法及系统 |
| CN115272948B (zh) * | 2022-05-20 | 2023-02-17 | 贵州丰立空间科技有限公司 | 基于物联网的智能安防信息系统 |
| CN114998839B (zh) * | 2022-07-06 | 2023-01-31 | 北京原流科技有限公司 | 一种基于层级分布的数据管理方法以及系统 |
| CN115496129B (zh) * | 2022-08-29 | 2024-03-19 | 超聚变数字技术有限公司 | 一种软件匹配方法及装置 |
| CN116863407B (zh) * | 2023-08-31 | 2023-11-10 | 江苏润和软件股份有限公司 | 物联网监控数据处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008100359A1 (en) * | 2007-02-16 | 2008-08-21 | Panasonic Corporation | Threat detection in a distributed multi-camera surveillance system |
| CN106303442A (zh) * | 2016-08-26 | 2017-01-04 | 浙江大华技术股份有限公司 | 追踪路径拓扑结构建立方法、目标对象追踪方法及设备 |
| CN106372558A (zh) * | 2016-09-21 | 2017-02-01 | 讯飞幻境(北京)科技有限公司 | 一种Marker信息编码的捕捉识别系统及方法 |
| CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统 |
| CN112364794A (zh) * | 2020-11-18 | 2021-02-12 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习逆行检测方法 |
| WO2021040143A1 (ko) * | 2019-08-27 | 2021-03-04 | 엘지전자 주식회사 | 무선 통신 시스템에서 차량이 신호를 전송하는 방법 및 이를 위한 차량 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150161449A1 (en) * | 2013-12-11 | 2015-06-11 | Systems Engineering Technologies Corporation | System and method for the use of multiple cameras for video surveillance |
-
2021
- 2021-08-21 CN CN202110964015.XA patent/CN113676702B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008100359A1 (en) * | 2007-02-16 | 2008-08-21 | Panasonic Corporation | Threat detection in a distributed multi-camera surveillance system |
| CN106303442A (zh) * | 2016-08-26 | 2017-01-04 | 浙江大华技术股份有限公司 | 追踪路径拓扑结构建立方法、目标对象追踪方法及设备 |
| CN106372558A (zh) * | 2016-09-21 | 2017-02-01 | 讯飞幻境(北京)科技有限公司 | 一种Marker信息编码的捕捉识别系统及方法 |
| CN106709436A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统 |
| WO2021040143A1 (ko) * | 2019-08-27 | 2021-03-04 | 엘지전자 주식회사 | 무선 통신 시스템에서 차량이 신호를 전송하는 방법 및 이를 위한 차량 |
| CN112364794A (zh) * | 2020-11-18 | 2021-02-12 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习逆行检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113676702A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113676702B (zh) | 基于视频流的目标追踪监测方法、系统、装置及存储介质 | |
| 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 | |
| CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
| CN108009473B (zh) | 基于目标行为属性视频结构化处理方法、系统及存储装置 | |
| US11380105B2 (en) | Identification and classification of traffic conflicts | |
| CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
| Xu et al. | Dual-mode vehicle motion pattern learning for high performance road traffic anomaly detection | |
| CN113256924A (zh) | 一种轨道列车的监控系统，监控方法及监控装置 | |
| CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
| CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
| CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
| Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
| CN113870551B (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 | |
| CN111383248B (zh) | 一种行人闯红灯判断方法、装置和电子设备 | |
| CN112560546B (zh) | 抛洒行为检测方法、装置及存储介质 | |
| Zheng | Developing a traffic safety diagnostics system for unmanned aerial vehicles usingdeep learning algorithms | |
| KR102434154B1 (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 | |
| CN113223276B (zh) | 一种基于视频识别的行人跨栏行为警报方法及装置 | |
| CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
| KR101407394B1 (ko) | 방치물 및 도난물 탐지 시스템 | |
| JP2023536692A (ja) | レーストラックのａｉベースのモニタリング | |
| Al Jarouf et al. | A hybrid method to detect and verify vehicle crash with haar-like features and svm over the web | |
| CN107274513B (zh) | 预警式行车记录仪 | |
| US20220262122A1 (en) | Image collection apparatus and image collection method | |
| Liu et al. | Vehicle Detection and Tracking Techniques Based on Deep Learning in Road Traffic Surveillance |
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 |