CN113870304A - 异常行为检测与跟踪方法、装置、可读存储介质及设备 - Google Patents
异常行为检测与跟踪方法、装置、可读存储介质及设备 Download PDFInfo
- Publication number
- CN113870304A CN113870304A CN202111479848.3A CN202111479848A CN113870304A CN 113870304 A CN113870304 A CN 113870304A CN 202111479848 A CN202111479848 A CN 202111479848A CN 113870304 A CN113870304 A CN 113870304A
- Authority
- CN
- China
- Prior art keywords
- abnormal behavior
- picture
- target
- behavior detection
- training
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种异常行为检测与跟踪方法、装置、可读存储介质及设备,所述方法包括:控制摄像装置巡视目标区域,并获取所述摄像装置拍摄的当前目标图片;将所述当前目标图片输入到异常行为检测模型当中进行异常行为检测,所述异常行为检测模型根据环境变化进行更新;当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,通过卡尔曼滤波算法对所述异常行为进行跟踪。本发明的异常行为检测模型能够通过自适应学习来适应环境改变,从而保证在各种环境下均能够有效、准确的识别出异常行为,进而保证异常行为不会跟踪失败。
Description
技术领域
本发明涉及图片信息识别技术领域,特别涉及一种异常行为检测与跟踪方法、装置、可读存储介质及设备。
背景技术
当前,目标检测与跟踪在计算机视觉领域取得了突破性进展,在机器人、无人机、智能监控、工业检测、航空航天等领域都能看到身影。利用计算机视觉技术,在减少人力资源成本的消耗方面表现出了非常重要的现实意义。其中,异常行为检测与跟踪是常见的目标检测与跟踪当中的一种。
2012年以来,基于神经网络的目标检测算法进入了快速发展时期,比如AlexNet、RCNN、Fast RCNN、ResNet、Mask RCNN、YOLO、SSD、及其对应检测算法的变种。目标跟踪也是计算机视觉领域的一个重要课题,已经广泛应用于体育赛事转播、安防监控、无人机等领域。可以简单分为单目标跟踪、多目标跟踪、Person Re-ID、MTMCT、姿态跟踪等。
尽管目标检测与跟踪的应用非常广泛,但依然存在一些问题限制了其发展。例如,当外部环境发生较大变化时,会造成摄像装置获取的图片品质发生较大变化,从而导致无法识别异常行为或者识别精度大大降低,进而导致异常行为容易跟踪失败。
发明内容
基于此,本发明的目的是提供一种异常行为检测与跟踪方法、装置、可读存储介质及设备,以解决现有当外部环境发生较大变化时异常行为容易跟踪失败的技术问题。
根据本发明实施例的一种异常行为检测与跟踪方法,所述方法包括:
控制摄像装置巡视目标区域,并获取所述摄像装置拍摄的当前目标图片;
将所述当前目标图片输入到异常行为检测模型当中进行异常行为检测,所述异常行为检测模型根据环境变化进行更新;
当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,通过卡尔曼滤波算法对所述异常行为进行跟踪;
其中,所述异常行为检测模型根据环境变化进行更新的步骤包括:
获取所述摄像装置在预设时间内拍摄的多帧目标图片,并从所述异常行为检测模型上一次训练用的原训练集中获取多帧训练图片;
根据多帧所述目标图片和多帧所述训练图片,计算出所述目标区域的环境变化系数;
当所述环境变化系数大于阈值时,将预设的需要识别的异常行为图像贴到多帧所述目标图片当中,并将贴图后的目标图片放入所述原训练集当中,得到新训练集;
采用所述新训练集对所述异常行为检测模型进行重新训练。
另外,根据本发明上述实施例的一种异常行为检测与跟踪方法,还可以具有如下附加的技术特征:
进一步地,根据多帧所述目标图片和多帧所述训练图片,计算出所述目标区域的环境变化系数的步骤包括:
对每帧所述目标图片和每帧所述训练图片分别进行背景分割和灰度转换,以得到每帧所述目标图片和每帧所述训练图片的背景灰度图片;
根据每帧所述目标图片和每帧所述训练图片的背景灰度图片,计算出所述目标区域的环境变化系数。
进一步地,所述环境变化系数满足以下条件式:
式中,A i 代表所述训练图片的背景灰度图片,B i 代表所述目标图片的背景灰度图片,a j 代表所述训练图片的背景灰度图片中第j点的像素,b j 代表所述目标图片的背景灰度图片中第j点的像素,d(A i, B i )代表所述训练图片的背景灰度图片和所述目标图片的背景灰度图片之间的距离,δ代表所述环境变化系数,所述训练图片和所述目标图片的数量均为m,i代表第i张图片,m≥i>0,i为整数。
进一步地,所述异常行为检测与跟踪方法还包括:
检测预设存储地址下是否新增有以预设名称命名的目标文件夹;
若是,则获取所述目标文件夹当中新定义的异常行为图片及其标注文件,并采用上一次训练得到的异常行为检测模型对所述新定义的异常行为图片及其标注文件进行迁移学习。
进一步地,在获取所述摄像装置拍摄的当前目标图片的步骤之后,还包括:
获取所述当前目标图片的当前亮度值,并根据所述当前亮度值对所述摄像装置的补光亮度进行调节。
进一步地,当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,还包括:
将所述当前目标图片复制预设份数,得到多份所述当前目标图片;
对多份所述当前目标图片进行旋转、亮度变化和/或加入噪声处理,得到多份处理后的当前目标图片;
将多份处理后的当前目标图片分别输入到所述异常行为检测模型当中进行异常行为检测,得到多份检测结果;
当所述多份检测结果当中识别到异常行为的结果占多数时,执行所述通过卡尔曼滤波算法对所述异常行为进行跟踪的步骤。
进一步地,在所述通过卡尔曼滤波算法对所述异常行为进行跟踪的步骤之前,还包括:
发送所述当前目标图片给预设的工作人员,并控制所述目标区域内的报警器进行报警。
根据本发明实施例的一种异常行为检测与跟踪装置,所述装置包括:
图片获取模块,用于控制摄像装置巡视目标区域,并获取所述摄像装置拍摄的当前目标图片;
目标检测模块,用于将所述当前目标图片输入到异常行为检测模型当中进行异常行为检测,所述异常行为检测模型根据环境变化进行更新;
目标跟踪模块,用于当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,通过卡尔曼滤波算法对所述异常行为进行跟踪;
其中,所述目标检测模块包括:
图片获取单元,用于获取所述摄像装置在预设时间内拍摄的多帧目标图片,并从所述异常行为检测模型上一次训练用的训练集中获取多帧训练图片;
系数计算单元,用于根据多帧所述目标图片和多帧所述训练图片,计算出所述目标区域的环境变化系数;
图像处理单元,用于当所述环境变化系数大于阈值时,将预设的需要识别的异常行为图像贴到多帧所述目标图片当中,得到新训练集;
模型训练单元,用于采用所述新训练集对所述异常行为检测模型进行重新训练。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的异常行为检测与跟踪方法。
本发明还提出一种异常行为检测与跟踪设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述的异常行为检测与跟踪方法。
与现有技术相比:通过摄像装置前后拍摄的目标图片计算环境变化系数,并在环境变化系数大于阈值时,将摄像装置最近拍摄的目标图片作为背景并贴上需要识别的异常行为图像,形成新训练集,再采用新训练集对异常行为检测模型进行重新训练,使得异常行为检测模型能够通过自适应学习来适应环境改变,从而保证在各种环境下均能够有效、准确的识别出异常行为,进而保证异常行为不会跟踪失败。
附图说明
图1为本发明第一实施例中的异常行为检测与跟踪方法的流程图;
图2为本发明第二实施例中的异常行为检测与跟踪方法的流程图;
图3为本发明第三实施例中的异常行为检测与跟踪装置的结构示意图;
图4为本发明第四实施例中的异常行为检测与跟踪设备的结构示意图。
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,所示为本发明第一实施例中的异常行为检测与跟踪方法,所述异常行为检测与跟踪方法可通过软件和/或硬件来实现,所述方法具体包括步骤S01-步骤S03。
步骤S01,控制摄像装置巡视目标区域,并获取所述摄像装置拍摄的当前目标图片。
在具体实施时,摄像装置具体可以为高清摄像头,摄像装置可以通过机械臂支架与舵机等机构连接,舵机可以用于驱动摄像装置在一定角度范围内转动,使摄像装置可以多角度多姿态地“看”到视野内的物体。因此在具体应用当中,可以通过控制摄像装置的舵机来控制摄像装置自主巡视目标区域。同时,在摄像装置巡视目标区域的过程当中,会不断拍摄其视野当中的目标图片。
步骤S02,将所述当前目标图片输入到异常行为检测模型当中进行异常行为检测,所述异常行为检测模型根据环境变化进行更新。
在本实施例当中,异常行为可以按类别进行划分,例如人体异常行为、动物异常行为、飞行器异常行为等等,这些异常行为可以自定义,例如可以将人倒地上、蹲在地上、坐在地上等行为定义为人体异常行为,收集自定义的异常行为的图片数据构成训练集,即可对异常行为检测模型进行训练,使得异常行为检测模型能够对该自定义的异常行为进行识别。
具体地,异常行为检测模型主要基于训练集并采用目标检测算法训练得到,因此训练异常行为检测模型的第一步是需要制作训练集,在本实施例一些可选情况当中,异常行为检测模型的初始训练集的制作过程具体可以如下:
步骤1,使用摄像装置采集真实环境中的异常行为的图片数据,例如采集人倒地上、蹲在地上、坐在地上的图片数据,应使图片数据当中尽可能多的包含需要识别的异常行为;
步骤2,在采集图片数据后,由于受摄像装置参数、人工抖动等原因影响,会造成采集的图片数据模糊、不含目标、数据重复等,因此需要对这些原始图片数据进行处理,包括:人工手动筛选,经过人工手动初步筛选之后进行数据处理阶段。数据处理的完整步骤如下:
步骤2.1,使用图片标注工具(如,labelImg)手工标注图片;
本步骤主要目的是让人工在图片上将异常行为手动标注出来,标注图片后,会生成与图片数据一一对应的xml格式的标注文件。标注文件里包含图片的名称、路径、尺寸、异常行为类别、标注框位置等信息。其中会用到的信息有图片的名称、图片的尺寸、目标类别与标注框位置信息;
步骤2.2,数据均衡处理;
根据标注文件的数据信息,统计数据集各个类别的数据量,例如一共包含四种异常行为类别(如人体、动物、飞行器、车辆),每种类别分别拍摄25张异常行为图片,共100张图片,经过数据处理之后,100张图片对应生成100份标注文件,即数据集的数据量为100,每个类别的数据量均为25。当某一类别因前期拍摄的异常行为图片过少、或者拍摄图片的质量普遍较差时,会导致该类别对应的数据量就会相对较少。针对较少的类别数据,可以采用以下方式处理:针对某一类别数据量较少的数据,再次采集一批数据放入数据集;或者对某一类别数据量较少的数据,做数据增广。该方式不能无限制或是大批量数据增广,否则容易造成模型过拟合。可以采用的数据增广方式有数据的旋转或翻转、加入高斯噪声、Mosiac、Mix Up、Cut Up。
步骤3,把处理好的数据集,划分为训练集、验证集、测试集,一般按照8:1:1划分,3个数据集是独立同分布的。训练集用于完成模型训练过程,即模型拟合数据,调整模型参数;验证集用于调整模型的超参数和对模型初步评估;测试集用于测试模型的泛化能力。数据集当中包含图片数据及其对应的标注文件。
其次,在准备好训练集之后,还需要确定合理的目标检测算法,具体地,目标检测算法可以为但不限于AlexNet、RCNN、Fast RCNN、ResNet、Mask RCNN、YOLO、SSD等。在本实施例一些较佳情况当中,优选目标检测算法具体采用YOLOX检测算法。YOLOX检测算法是YOLO系列检测算法当中的一种,具有极具竞争力的推理速度和精度,能够有效提升目标检测精度和速度。
具体地,YOLO(You Only Look Once)属于one-stage方法。YOLO系列检测算法有很多成员,其中YOLOV1是整个系列的基础,后面的几个版本YOLOV2、YOLOV3、YOLOV4、YOLOV5、YOLOX都是对性能上的提升。YOLOV1将图像划分成多个网格,用一个网络输出位置和类别,把检测视为了回归问题,检测速度快。YOLOV2为了提升YOLOV1的性能,提出了联合训练算法,在检测和分类数据上训练目标检测器。YOLOV3引入了anchor box(目标区域的候选框)的预测边界框的方法,利用逻辑回归根据预测框与物体的重叠度,为每个边界框预测一个objectness score(置信度(预测结果的得分))。若某个框的重叠度比其他框都要高,则其得分为1,同时忽略那些不是最好的框且重叠度大于某一阈值(0.5)的框。YOLOV4是对YOLOV3的改进,在总结了几乎所有的检测技巧及提出了一些改进技巧,通过排列组合、筛选、大量实验、测试,最终选出的性能最好的组合。YOLOV5增加了自适应Bounding BoxAnchors(目标区域候选框边界)学习,在精度和速度上做了均衡。而YOLOX将解耦头、数据增强、无锚点、标签分类等先进技巧集成在了YOLO检测算法上,取得了极具竞争力的推理速度和精度。
Decoupled Head(解耦头)在目标检测,分类与回归任务的冲突是比较常见的问题。所以,分类与定位头的解耦被广泛应用于单阶段、两阶段检测方法中。随着YOLO系列的backbone(骨干(网络))、FPN(Feature Pyramid Networks,特征图金字塔网络)的进化,其检测头仍处于耦合状态。检测头耦合会对模型性能产生影响,采用轻量解耦头替换YOLO的检测头可以显著改善模型收敛速度。包含卷积进行通道降维,后接2个并行分支,该轻量解耦头可以带来更快的推理速度。
步骤S03,当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,通过卡尔曼滤波算法对所述异常行为进行跟踪。
其中,卡尔曼滤波算法是典型的目标跟踪算法之一,其能够根据上一帧检测结果,快速预测下一目标位置及边界框大小,从而实现对异常行为进行跟踪。在其他实施例当中,卡尔曼滤波算法还可以由区域匹配、特征点跟踪、基于深度学习的跟踪方法(如DBT)、联合检测跟踪(JDT)等方案代替。
更重要的是,本实施例当中的异常行为检测模型会根据环境变化进行自学习更新,具体地,所述异常行为检测模型根据环境变化进行更新的步骤可以包括:
获取所述摄像装置在预设时间内拍摄的多帧目标图片,并从所述异常行为检测模型上一次训练用的原训练集中获取多帧训练图片;
根据多帧所述目标图片和多帧所述训练图片,计算出所述目标区域的环境变化系数;
当所述环境变化系数大于阈值时,将预设的需要识别的异常行为图像贴到多帧所述目标图片当中,并将贴图后的目标图片放入所述原训练集当中,得到新训练集;
采用所述新训练集对所述异常行为检测模型进行重新训练。
也就是说,通过摄像装置前后拍摄的目标图片计算环境变化系数,并在环境变化系数大于阈值时,代表应用环境发生“突变”,比如原本应用在室内环境的模型被转移到室外应用,此时会将摄像装置最近拍摄的目标图片作为背景并贴上需要识别的异常行为图像,并将贴图后的目标图片放入所述原训练集当中,形成新训练集,再采用新训练集对异常行为检测模型进行重新训练,使得异常行为检测模型能够通过自适应学习来适应环境改变,同时将新加入的图片和原训练集当中的原图片共同放到同一训练集当中训练,训练得到的新异常行为检测模型即能够保持原环境下的识别要求、又能适应新环境下的识别要求。
具体地,该预设的需要识别的异常行为即为用户自定义的异常行为,其对应的异常行为图像可以根据标签文件从已有训练集当中的训练图片当中截取下来,然后再将其贴到目标图片当中。由于已有训练集当中包含图片及其对应的标注文件,标注文件当中又包含图片上异常行为的标注框位置等信息,因此按该标注框位置信息即可快速从对应的原图片上截取出相应的异常行为图像,截取的异常行为图像也包含了标注框位置信息;
其中,异常行为图像可以有规律的贴到各目标图片当中,例如每帧目标图片各贴一张不同的异常行为图像、或每帧目标图片都贴上所有异常行为图像;或者,异常行为图像也可以随机的贴到各目标图片当中。由于截取的异常行为图像也包含了标注框位置信息,因此其会贴到新的目标图片当中的相应位置上,此时模型也就知道了新的目标图片当中的标注框位置信息,从而对于新的目标图片来说,不需要再次进行人工标注就可以直接完成模型训练。
在本实施例一些可选情况当中,根据多帧所述目标图片和多帧所述训练图片,计算出所述目标区域的环境变化系数的步骤包括:
对每帧所述目标图片和每帧所述训练图片分别进行背景分割和灰度转换,以得到每帧所述目标图片和每帧所述训练图片的背景灰度图片;
根据每帧所述目标图片和每帧所述训练图片的背景灰度图片,计算出所述目标区域的环境变化系数。
其中,在一些可选情况当中,可以从摄像装置预设时间(如10分钟)内拍摄的所有图像当中随机抽出m帧目标图片,同时从上一次训练用的原训练集当中随机也抽出m帧训练图片。然后,分割每一份图片的前景(如人)和背景(非人),然后把背景图片转为灰度图,得到目标图片和训练图片各自的背景灰度图片,然后基于二者背景灰度图片确定环境变化系数。
具体地,所述环境变化系数满足以下条件式:
式中,A i 代表所述训练图片的背景灰度图片,B i 代表所述目标图片的背景灰度图片,a j 代表所述训练图片的背景灰度图片中第j点的像素,b j 代表所述目标图片的背景灰度图片中第j点的像素,d(A i, B i )代表所述训练图片的背景灰度图片和所述目标图片的背景灰度图片之间的距离,δ代表所述环境变化系数,所述训练图片和所述目标图片的数量均为m,i代表第i张图片,m≥i>0,i为整数。
综上,本发明上述实施例当中的异常行为检测与跟踪方法,通过摄像装置前后拍摄的目标图片计算环境变化系数,并在环境变化系数大于阈值时,将摄像装置最近拍摄的目标图片作为背景并贴上需要识别的异常行为图像,形成新训练集,再采用新训练集对异常行为检测模型进行重新训练,使得异常行为检测模型能够通过自适应学习来适应环境改变,从而保证在各种环境下均能够有效、准确的识别出异常行为,进而保证异常行为不会跟踪失败。
实施例二
请参阅图2,所示为本发明第二实施例中的异常行为检测与跟踪方法,所述异常行为检测与跟踪方法可通过软件和/或硬件来实现,所述方法具体包括步骤S11-步骤S17。
步骤S11,控制摄像装置巡视目标区域,并获取所述摄像装置拍摄的当前目标图片。
步骤S12,将所述当前目标图片输入到异常行为检测模型当中进行异常行为检测,所述异常行为检测模型根据环境变化进行更新。
步骤S13,当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,将所述当前目标图片复制预设份数,得到多份所述当前目标图片。
步骤S14,对多份所述当前目标图片进行旋转、亮度变化和/或加入噪声处理,得到多份处理后的当前目标图片。
步骤S15,将多份处理后的当前目标图片分别输入到所述异常行为检测模型当中进行异常行为检测,得到多份检测结果。
步骤S16,当所述多份检测结果当中识别到异常行为的结果占多数时,发送所述当前目标图片给预设的工作人员,并控制所述目标区域内的报警器进行报警。
步骤S17,通过卡尔曼滤波算法对所述异常行为进行跟踪。
由此可见,本实施例与第一实施例的区别在于,当异常行为检测模型在当前目标图片当中识别到异常行为时,不直接进行异常行为跟踪,而是在中间环节增加了异常行为再判定机制,旨在进一步判定当前帧图片是否出现异常行为,提升了检测的精度,减少了警情误报率。具体过程为:
当第一次检测到当前帧图片出现异常行为后,复制该图片q份,分别对q份图片进行旋转、亮度变化、加入噪声等处理,检测模型分别对处理后的q张图片进行检测异常行为,得到q个检测结果,然后对q个检测结果进行投票,得分最多者视为最终的检测结果,当最终的检测结果为确实识别到异常行为时,不仅会通过卡尔曼滤波算法对所述异常行为进行跟踪,还会发送当前目标图片给预设的工作人员,并控制目标区域内的报警器进行报警,报警的方式可以是语音报警、声光报警灯,以及时提示周边人群迅速离开。
除此之外,通过卡尔曼滤波算法能够根据上一帧检测结果,快速预测下一目标位置及边界框大小,从而实现对异常行为进行跟踪。在本实施例当中,其具体原理如下:
下式中,X(k)表示k时刻系统状态;A表示状态转移矩阵;B表示控制输入矩阵;U(k)表示k时刻的控制量;Z(k)表示k时刻的测量值;H表示系统测量矩阵;W(k)表示系统过程噪声,高斯白噪声,协方差为Q;V(k)表示测量噪声,高斯白噪声,协方差为R;
式(1)是计算基于k-1时刻状态对k时刻状态的预测值,X(k|k-1)为k-1时刻状态对k时刻状态的预测值,X(k-1|k-1)为k-1时刻状态的最优结果。
式(2)是计算X(k|k-1)对应的协方差的预测值,P(k|k-1)基于k-1时刻的协方差计算k时刻协方差的预测值,P(k-1|k-1)为k-1时刻协方差的最优结果。公式(1)、(2)是预测值的计算。
式(3)是增益的计算。Kg(k)为k时刻的kalman增益,为估计量的方差占总方差的比重。
式(4)是计算k时刻系统状态最优值。X(k|k)为k时刻系统状态的最优结果,Z(k)为k时刻系统测量值。
式(5)是计算k时刻系统最优结果对应的协方差,P(k|k)为k时刻系统最优结果对应的协方差。式(4)、(5)是k时刻的更新。
进一步地,在本发明一些可选实施例当中,所述异常行为检测与跟踪方法还可以包括:
检测预设存储地址下是否新增有以预设名称命名的目标文件夹;
若是,则获取所述目标文件夹当中新定义的异常行为图片及其标注文件,并采用上一次训练得到的异常行为检测模型对所述新定义的异常行为图片及其标注文件进行迁移学习。
其中,预设名称可以是异常行为的类别名称(如飞行器),即以异常行为的类别名称对目标文件夹进行命名,目标文件夹可以理解为实际已经制作好的新增训练集,加载上一次保存的模型,经过对新增训练集的迁移学习,得到一个新的可以检测新增自定义异常行为的模型。
也即,在本实施例当中,用户可以在中途新增其他类别的异常行为,例如新定义一个或多个待检测类别,以类别名称为文件夹名称,分别存放对应的异常行为图片及其标准文件。系统会自动读取自定义的类别数据,放入训练集,加载上一次保存的模型,经过迁移学习得到一个新的可以检测自定义异常行为的模型。
进一步地,在本发明一些可选实施例当中,在获取所述摄像装置拍摄的当前目标图片的步骤之后,所述异常行为检测与跟踪方法还可以包括:
获取所述当前目标图片的当前亮度值,并根据所述当前亮度值对所述摄像装置的补光亮度进行调节。即实时监测外界环境光照变化,及时调节补光灯亮度,保证拍摄图片的质量,避免影响目标跟踪。
具体地,所述当前目标图片的当前亮度值的计算公式为:
其中,light代表所述当前目标图片的当前亮度值,R、G、B分别表示图像的3个通道,考虑人眼对颜色的敏感性不同,R、G、B三通道的权重系数分别确定为0.299、0.587和0.144。然后,可以预先建立图片亮度light与补光灯亮度dlight的数值映射,实现根据图片亮度变换“均匀”地调节补光灯的亮度,从而减弱外界环境的光照变化对模型识别带来的影响,可以能够更好的适应不同亮度的环境。
实施例三
本发明另一方面还提供一种异常行为检测与跟踪装置,请查阅图3,所示为本发明第三实施例中的异常行为检测与跟踪装置,所述异常行为检测与跟踪装置包括:
图片获取模块11,用于控制摄像装置巡视目标区域,并获取所述摄像装置拍摄的当前目标图片;
目标检测模块12,用于将所述当前目标图片输入到异常行为检测模型当中进行异常行为检测,所述异常行为检测模型根据环境变化进行更新;
目标跟踪模块13,用于当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,通过卡尔曼滤波算法对所述异常行为进行跟踪;
其中,所述目标检测模块12包括:
图片获取单元,用于获取所述摄像装置在预设时间内拍摄的多帧目标图片,并从所述异常行为检测模型上一次训练用的训练集中获取多帧训练图片;
系数计算单元,用于根据多帧所述目标图片和多帧所述训练图片,计算出所述目标区域的环境变化系数;
图像处理单元,用于当所述环境变化系数大于阈值时,将预设的需要识别的异常行为图像贴到多帧所述目标图片当中,得到新训练集;
模型训练单元,用于采用所述新训练集对所述异常行为检测模型进行重新训练。
进一步地,在本发明一些可选实施例当中,所述系数计算单元还用于对每帧所述目标图片和每帧所述训练图片分别进行背景分割和灰度转换,以得到每帧所述目标图片和每帧所述训练图片的背景灰度图片;根据每帧所述目标图片和每帧所述训练图片的背景灰度图片,计算出所述目标区域的环境变化系数。
进一步地,在本发明一些可选实施例当中,所述环境变化系数满足以下条件式:
式中,A i 代表所述训练图片的背景灰度图片,B i 代表所述目标图片的背景灰度图片,a j 代表所述训练图片的背景灰度图片中第j点的像素,b j 代表所述目标图片的背景灰度图片中第j点的像素,d(A i, B i )代表所述训练图片的背景灰度图片和所述目标图片的背景灰度图片之间的距离,δ代表所述环境变化系数,所述训练图片和所述目标图片的数量均为m,i代表第i张图片,m≥i>0,i为整数。
进一步地,在本发明一些可选实施例当中,所述异常行为检测与跟踪装置还可以包括:
迁移学习模块,用于检测预设存储地址下是否新增有以预设名称命名的目标文件夹;若是,则获取所述目标文件夹当中新定义的异常行为图片及其标注文件,并采用上一次训练得到的异常行为检测模型对所述新定义的异常行为图片及其标注文件进行迁移学习。
进一步地,在本发明一些可选实施例当中,所述异常行为检测与跟踪装置还可以包括:
亮度调节模块,用于获取所述当前目标图片的当前亮度值,并根据所述当前亮度值对所述摄像装置的补光亮度进行调节。
进一步地,在本发明一些可选实施例当中,所述异常行为检测与跟踪装置还可以包括:
异常行为再判定模块,用于当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,将所述当前目标图片复制预设份数,得到多份所述当前目标图片;对多份所述当前目标图片进行旋转、亮度变化和/或加入噪声处理,得到多份处理后的当前目标图片;将多份处理后的当前目标图片分别输入到所述异常行为检测模型当中进行异常行为检测,得到多份检测结果;当所述多份检测结果当中识别到异常行为的结果占多数时,所述目标跟踪模块13才通过卡尔曼滤波算法对所述异常行为进行跟踪。
进一步地,在本发明一些可选实施例当中,所述异常行为检测与跟踪装置还可以包括:
异常报警模块,用于发送所述当前目标图片给预设的工作人员,并控制所述目标区域内的报警器进行报警。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同,在此不再赘述。
综上,本发明上述实施例当中的异常行为检测与跟踪装置,通过摄像装置前后拍摄的目标图片计算环境变化系数,并在环境变化系数大于阈值时,将摄像装置最近拍摄的目标图片作为背景并贴上需要识别的异常行为图像,形成新训练集,再采用新训练集对异常行为检测模型进行重新训练,使得异常行为检测模型能够通过自适应学习来适应环境改变,从而保证在各种环境下均能够有效、准确的识别出异常行为,进而保证异常行为不会跟踪失败。
实施例四
本发明另一方面还提出一种异常行为检测与跟踪设备,请参阅图4,所示为本发明第四实施例当中的异常行为检测与跟踪设备,包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30,所述处理器10执行所述计算机程序30时实现如上述的异常行为检测与跟踪方法。
其中,异常行为检测与跟踪设备具体可以是与摄像装置通讯连接的上位机、服务器、监控计算机等。处理器10在一些实施例中可以是中央处理器(Central ProcessingUnit, CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行访问限制程序等。
其中,存储器20至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是异常行为检测与跟踪设备的内部存储单元,例如该异常行为检测与跟踪设备的硬盘。存储器20在另一些实施例中也可以是异常行为检测与跟踪设备的外部存储装置,例如异常行为检测与跟踪设备上配备的插接式硬盘,智能存储卡(Smart MediaCard, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括异常行为检测与跟踪设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于异常行为检测与跟踪设备的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是,图4示出的结构并不构成对异常行为检测与跟踪设备的限定,在其它实施例当中,该异常行为检测与跟踪设备可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
综上,本发明上述实施例当中的异常行为检测与跟踪设备,通过摄像装置前后拍摄的目标图片计算环境变化系数,并在环境变化系数大于阈值时,将摄像装置最近拍摄的目标图片作为背景并贴上需要识别的异常行为图像,形成新训练集,再采用新训练集对异常行为检测模型进行重新训练,使得异常行为检测模型能够通过自适应学习来适应环境改变,从而保证在各种环境下均能够有效、准确的识别出异常行为,进而保证异常行为不会跟踪失败。
本发明实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的异常行为检测与跟踪方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常行为检测与跟踪方法,其特征在于,所述方法包括:
控制摄像装置巡视目标区域,并获取所述摄像装置拍摄的当前目标图片;
将所述当前目标图片输入到异常行为检测模型当中进行异常行为检测,所述异常行为检测模型根据环境变化进行更新;
当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,通过卡尔曼滤波算法对所述异常行为进行跟踪;
其中,所述异常行为检测模型根据环境变化进行更新的步骤包括:
获取所述摄像装置在预设时间内拍摄的多帧目标图片,并从所述异常行为检测模型上一次训练用的原训练集中获取多帧训练图片;
根据多帧所述目标图片和多帧所述训练图片,计算出所述目标区域的环境变化系数;
当所述环境变化系数大于阈值时,将预设的需要识别的异常行为图像贴到多帧所述目标图片当中,并将贴图后的目标图片放入所述原训练集当中,得到新训练集;
采用所述新训练集对所述异常行为检测模型进行重新训练。
2.根据权利要求1所述的异常行为检测与跟踪方法,其特征在于,根据多帧所述目标图片和多帧所述训练图片,计算出所述目标区域的环境变化系数的步骤包括:
对每帧所述目标图片和每帧所述训练图片分别进行背景分割和灰度转换,以得到每帧所述目标图片和每帧所述训练图片的背景灰度图片;
根据每帧所述目标图片和每帧所述训练图片的背景灰度图片,计算出所述目标区域的环境变化系数。
4.根据权利要求1所述的异常行为检测与跟踪方法,其特征在于,还包括:
检测预设存储地址下是否新增有以预设名称命名的目标文件夹;
若是,则获取所述目标文件夹当中新定义的异常行为图片及其标注文件,并采用上一次训练得到的异常行为检测模型对所述新定义的异常行为图片及其标注文件进行迁移学习。
5.根据权利要求1所述的异常行为检测与跟踪方法,其特征在于,在获取所述摄像装置拍摄的当前目标图片的步骤之后,还包括:
获取所述当前目标图片的当前亮度值,并根据所述当前亮度值对所述摄像装置的补光亮度进行调节。
6.根据权利要求1所述的异常行为检测与跟踪方法,其特征在于,当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,还包括:
将所述当前目标图片复制预设份数,得到多份所述当前目标图片;
对多份所述当前目标图片进行旋转、亮度变化和/或加入噪声处理,得到多份处理后的当前目标图片;
将多份处理后的当前目标图片分别输入到所述异常行为检测模型当中进行异常行为检测,得到多份检测结果;
当所述多份检测结果当中识别到异常行为的结果占多数时,执行所述通过卡尔曼滤波算法对所述异常行为进行跟踪的步骤。
7.根据权利要求1或6所述的异常行为检测与跟踪方法,其特征在于,在所述通过卡尔曼滤波算法对所述异常行为进行跟踪的步骤之前,还包括:
发送所述当前目标图片给预设的工作人员,并控制所述目标区域内的报警器进行报警。
8.一种异常行为检测与跟踪装置,其特征在于,所述装置包括:
图片获取模块,用于控制摄像装置巡视目标区域,并获取所述摄像装置拍摄的当前目标图片;
目标检测模块,用于将所述当前目标图片输入到异常行为检测模型当中进行异常行为检测,所述异常行为检测模型根据环境变化进行更新;
目标跟踪模块,用于当所述异常行为检测模型在所述当前目标图片当中识别到异常行为时,通过卡尔曼滤波算法对所述异常行为进行跟踪;
其中,所述目标检测模块包括:
图片获取单元,用于获取所述摄像装置在预设时间内拍摄的多帧目标图片,并从所述异常行为检测模型上一次训练用的训练集中获取多帧训练图片;
系数计算单元,用于根据多帧所述目标图片和多帧所述训练图片,计算出所述目标区域的环境变化系数;
图像处理单元,用于当所述环境变化系数大于阈值时,将预设的需要识别的异常行为图像贴到多帧所述目标图片当中,得到新训练集;
模型训练单元,用于采用所述新训练集对所述异常行为检测模型进行重新训练。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一所述的异常行为检测与跟踪方法。
10.一种异常行为检测与跟踪设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任一所述的异常行为检测与跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111479848.3A CN113870304B (zh) | 2021-12-07 | 2021-12-07 | 异常行为检测与跟踪方法、装置、可读存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111479848.3A CN113870304B (zh) | 2021-12-07 | 2021-12-07 | 异常行为检测与跟踪方法、装置、可读存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870304A true CN113870304A (zh) | 2021-12-31 |
CN113870304B CN113870304B (zh) | 2022-06-07 |
Family
ID=78985961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111479848.3A Active CN113870304B (zh) | 2021-12-07 | 2021-12-07 | 异常行为检测与跟踪方法、装置、可读存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870304B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019246A (zh) * | 2022-05-23 | 2022-09-06 | 四川大学 | 违规物品及异常行为的监测方法、装置、设备及系统 |
CN115019241A (zh) * | 2022-08-05 | 2022-09-06 | 江西中业智能科技有限公司 | 一种行人识别与追踪方法、装置、可读存储介质及设备 |
CN115049965A (zh) * | 2022-06-29 | 2022-09-13 | 深圳市城市公共安全技术研究院有限公司 | 一种检测模型的训练方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030139905A1 (en) * | 2001-12-19 | 2003-07-24 | David Helsper | Method and system for analyzing and predicting the behavior of systems |
CN101996410A (zh) * | 2010-12-07 | 2011-03-30 | 北京交通大学 | 动态背景下的运动目标检测方法及系统 |
CN108335489A (zh) * | 2018-03-11 | 2018-07-27 | 西安电子科技大学 | 高速公路车辆行为语义分析及异常行为监控系统及方法 |
CN109447090A (zh) * | 2018-10-17 | 2019-03-08 | 宁波中车时代传感技术有限公司 | 一种屏蔽门障碍物检测方法及检测系统 |
US20190156496A1 (en) * | 2017-11-21 | 2019-05-23 | Reliance Core Consulting LLC | Methods, systems, apparatuses and devices for facilitating motion analysis in an environment |
CN110349178A (zh) * | 2019-07-11 | 2019-10-18 | 平顶山学院 | 一种人体异常行为检测和识别系统及方法 |
CN110781771A (zh) * | 2019-10-08 | 2020-02-11 | 北京邮电大学 | 一种基于深度学习的异常行为实时监测方法 |
CN110807808A (zh) * | 2019-10-14 | 2020-02-18 | 浙江理工大学 | 一种基于物理引擎和深度全卷积网络的商品识别方法 |
CN111191570A (zh) * | 2019-12-26 | 2020-05-22 | 国网北京市电力公司 | 图像识别方法和装置 |
CN111932583A (zh) * | 2020-06-05 | 2020-11-13 | 西安羚控电子科技有限公司 | 一种基于复杂背景下的时空信息一体化智能跟踪方法 |
CN112597877A (zh) * | 2020-12-21 | 2021-04-02 | 中船重工(武汉)凌久高科有限公司 | 一种基于深度学习的厂区人员异常行为检测方法 |
CN113160276A (zh) * | 2021-04-28 | 2021-07-23 | 珠海市金锐电力科技有限公司 | 一种目标跟踪方法、目标跟踪装置及计算机可读存储介质 |
CN113158778A (zh) * | 2021-03-09 | 2021-07-23 | 中国电子科技集团公司第五十四研究所 | 一种sar图像目标检测方法 |
-
2021
- 2021-12-07 CN CN202111479848.3A patent/CN113870304B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030139905A1 (en) * | 2001-12-19 | 2003-07-24 | David Helsper | Method and system for analyzing and predicting the behavior of systems |
CN101996410A (zh) * | 2010-12-07 | 2011-03-30 | 北京交通大学 | 动态背景下的运动目标检测方法及系统 |
US20190156496A1 (en) * | 2017-11-21 | 2019-05-23 | Reliance Core Consulting LLC | Methods, systems, apparatuses and devices for facilitating motion analysis in an environment |
CN108335489A (zh) * | 2018-03-11 | 2018-07-27 | 西安电子科技大学 | 高速公路车辆行为语义分析及异常行为监控系统及方法 |
CN109447090A (zh) * | 2018-10-17 | 2019-03-08 | 宁波中车时代传感技术有限公司 | 一种屏蔽门障碍物检测方法及检测系统 |
CN110349178A (zh) * | 2019-07-11 | 2019-10-18 | 平顶山学院 | 一种人体异常行为检测和识别系统及方法 |
CN110781771A (zh) * | 2019-10-08 | 2020-02-11 | 北京邮电大学 | 一种基于深度学习的异常行为实时监测方法 |
CN110807808A (zh) * | 2019-10-14 | 2020-02-18 | 浙江理工大学 | 一种基于物理引擎和深度全卷积网络的商品识别方法 |
CN111191570A (zh) * | 2019-12-26 | 2020-05-22 | 国网北京市电力公司 | 图像识别方法和装置 |
CN111932583A (zh) * | 2020-06-05 | 2020-11-13 | 西安羚控电子科技有限公司 | 一种基于复杂背景下的时空信息一体化智能跟踪方法 |
CN112597877A (zh) * | 2020-12-21 | 2021-04-02 | 中船重工(武汉)凌久高科有限公司 | 一种基于深度学习的厂区人员异常行为检测方法 |
CN113158778A (zh) * | 2021-03-09 | 2021-07-23 | 中国电子科技集团公司第五十四研究所 | 一种sar图像目标检测方法 |
CN113160276A (zh) * | 2021-04-28 | 2021-07-23 | 珠海市金锐电力科技有限公司 | 一种目标跟踪方法、目标跟踪装置及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
YAJING SHI ET.AL: "Recognition of Abnormal Human Behavior in Elevators based on CNN", 《2021 26TH INTERNATIONAL CONFERENCE ON AUTOMATION AND COMPUTING (ICAC)》 * |
杜鉴豪 等: "基于区域光流特征的异常行为检测", 《浙江大学学报(工学版)》 * |
潘洁晨: "《基于遥感影像矿山环境信息提取方法研究》", 31 October 2019 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019246A (zh) * | 2022-05-23 | 2022-09-06 | 四川大学 | 违规物品及异常行为的监测方法、装置、设备及系统 |
CN115049965A (zh) * | 2022-06-29 | 2022-09-13 | 深圳市城市公共安全技术研究院有限公司 | 一种检测模型的训练方法、装置、电子设备及存储介质 |
CN115019241A (zh) * | 2022-08-05 | 2022-09-06 | 江西中业智能科技有限公司 | 一种行人识别与追踪方法、装置、可读存储介质及设备 |
CN115019241B (zh) * | 2022-08-05 | 2022-11-01 | 江西中业智能科技有限公司 | 一种行人识别与追踪方法、装置、可读存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113870304B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113870304B (zh) | 异常行为检测与跟踪方法、装置、可读存储介质及设备 | |
US10417493B2 (en) | Video object classification with object size calibration | |
CN113269073B (zh) | 一种基于yolo v5算法的船舶多目标追踪方法 | |
CN108229489B (zh) | 关键点预测、网络训练、图像处理方法、装置及电子设备 | |
CN110222672A (zh) | 施工现场的安全帽佩戴检测方法、装置、设备及存储介质 | |
CN111723654A (zh) | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 | |
CN109886994B (zh) | 视频跟踪中自适应遮挡检测系统及方法 | |
CN111161315A (zh) | 一种基于图神经网络的多目标跟踪方法和系统 | |
CN110009060A (zh) | 一种基于相关滤波与目标检测的鲁棒性长期跟踪方法 | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
CN111274862A (zh) | 用于产生车辆的周围环境的标签对象的设备和方法 | |
CN111582410B (zh) | 图像识别模型训练方法、装置、计算机设备及存储介质 | |
CN116935447A (zh) | 基于自适应师生结构的无监督域行人重识别方法及系统 | |
CN113378638B (zh) | 基于人体关节点检测和d-gru网络的轮机员异常行为识别方法 | |
CN115100497A (zh) | 基于机器人的通道异常物体巡检方法、装置、设备及介质 | |
CN112487877A (zh) | 一种厨余垃圾规范操作的监控方法、系统、装置及介质 | |
CN114708645A (zh) | 物件辨识装置及物件辨识方法 | |
CN115527083B (zh) | 图像标注方法、装置和电子设备 | |
Huang et al. | Motion characteristics estimation of animals in video surveillance | |
CN110008803B (zh) | 行人检测、训练检测器的方法、装置及设备 | |
Bin et al. | Design of power intelligent safety supervision system based on deep learning | |
Thevarasa et al. | Weighted Ensemble Algorithm for Aerial Imaging Based Mosquito Breeding Sites Classification | |
US20230260257A1 (en) | Iterative refinement of annotated datasets | |
CN117746267A (zh) | 一种基于半监督主动学习的树冠提取方法、装置及介质 |
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 |