CN114022468B - 一种安防监控中物品遗留丢失检测方法 - Google Patents

一种安防监控中物品遗留丢失检测方法 Download PDF

Info

Publication number
CN114022468B
CN114022468B CN202111339139.5A CN202111339139A CN114022468B CN 114022468 B CN114022468 B CN 114022468B CN 202111339139 A CN202111339139 A CN 202111339139A CN 114022468 B CN114022468 B CN 114022468B
Authority
CN
China
Prior art keywords
foreground
target
background
slow
pixel 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
Application number
CN202111339139.5A
Other languages
English (en)
Other versions
CN114022468A (zh
Inventor
刘星
唐自兴
马梦雪
孟涛
姚顾肖
杨运红
杨亮亮
江发钦
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.)
Zhuhai Raysharp Technology Co ltd
Original Assignee
Zhuhai Raysharp 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 Zhuhai Raysharp Technology Co ltd filed Critical Zhuhai Raysharp Technology Co ltd
Priority to CN202111339139.5A priority Critical patent/CN114022468B/zh
Publication of CN114022468A publication Critical patent/CN114022468A/zh
Application granted granted Critical
Publication of CN114022468B publication Critical patent/CN114022468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供了一种安防监控中物品遗留丢失检测方法，具体包括：获取视频流数据、初始化快背景Bf、慢背景Bs以及前景统计模板Fm、获取快前景Ff和慢前景Fs、更新快背景Bf和慢背景Bs、过滤运动目标、更新前景统计模板Fm、对前景统计模板Fm进行二值化获得最终结果前景Fresult、对最终结果前景Fresult进行形态学操作腐蚀膨胀获得完整目标、对完整目标进行跟踪、物品遗留丢失判断、更新对应目标区域的慢背景Bs和前景统计模板Fm等步骤。本安防监控中物品遗留丢失检测方法，基于双背景建模和前景统计模板，可以解决传统背景建模方法中的背景建模不好导致较多误报和漏报的问题以及检测到前景所需时间和前景持续时间不确定性的问题。

Description

一种安防监控中物品遗留丢失检测方法
技术领域
本发明涉及安防监控技术领域，具体涉及一种安防监控中物品遗留丢失检测方法。
背景技术
随着网络监控摄像头的普及和广泛使用，物品遗留丢失检测在安全防范领域中应用广泛，物品遗留检测主要用在公共场所，物品被遗弃一段时间之后指出其所在位置并发出告警；物品丢失检测主要用于检测贵重物品是否被移走并能及时发出告警。
现有技术大致分为两种。一是基于背景建模的方法：通过各种不同的方法对监控场景进行背景建模，比如混合高斯模型建模，经过背景建模，检测到前景，之后通过形态学操作确定准确的目标位置。二是基于卷积神经网络的目标检测的方法：通过卷积神经网络检测每帧图像，直接得到图像中的特定目标类别和其对应的具体坐标，之后对可疑目标进行跟踪来判断物品是否遗留或丢失。
目前这两种方法都存在缺点。第一类方法，首先，所检测到的前景完全依赖于所建立背景模型的好坏程度，实际应用中场景通常比较繁杂，难以建立一个好的背景模型，导致会出现很多的误报和漏报；其次，即使检测到了前景，受场景变化和模型更新学习率的影响，检测到前景所需时间以及持续时间都不确定，可能当发生物品丢失或遗留时到检测到前景所需的时间以及持续时间为几帧到几百帧不等，不利于之后根据时间来判断的告警处理。第二类方法，首先，基于目标识别的神经网络需要训练得到一个好的检测模型，该模型的识别目标类别以及坐标位置的准确度需要达到较高水平，并且受限于训练数据集通常只能够检测到特定的一些物体比如行李箱、背包等，无法涵盖所有种类的物品，还有对于目标遮挡和小目标检测也是该领域的难题；其次，对于摄像机这种终端设备，处理能力有限，神经网络模型的加载推演是比较消耗性能的，同时时间消耗也是比较大的。
发明内容
针对现有技术的不足，本发明提出了一种安防监控中物品遗留丢失检测方法，基于双背景建模和前景统计模板，可以解决传统背景建模方法中的背景建模不好导致较多误报和漏报的问题以及检测到前景所需时间和前景持续时间不确定性的问题。
为实现上述技术方案，本发明提供了一种安防监控中物品遗留丢失检测方法，具体包括如下步骤：
S1、获取视频流数据：依次读入每一帧图像Is，通过使用边缘检测算子处理图像Is得到梯度图Ig；
S2、初始化：使用第一帧梯度图Ig初始化快背景Bf和慢背景Bs，使得Bf＝Ig，Bs＝Ig，同时初始化一个像素值全为0的前景统计模板Fm；
S3、获取快前景Ff和慢前景Fs：使用当前帧梯度图Ig分别与快背景Bf和慢背景Bs相减得到快前景Ff和慢前景Fs，使得Ff＝|Bf-Ig|，Fs＝|Bs-Ig|；
S4、更新快背景Bf和慢背景Bs：快背景Bf更新策略为当前帧梯度图Ig加上原来的快背景Bf，使得Bf＝0.5*Ig+0.5*Bf；慢背景Bs更新策略为首先保留对应慢前景Fs中像素值大于0的像素不变，令Fs中像素值大于0的像素置为255得到Fs1，使得Bs1＝Bs&Fs1，剩余部分使用当前帧梯度图Ig对应慢前景Fs中像素值为0的像素进行更新，令Fs中像素值为0的像素置为255其余像素置0得到Fs2，使得Bs2＝Bs&Fs2，最终更新慢背景Bs为两部分相加，使得Bs＝Bs1+Bs2；
S5、过滤运动目标：使用慢前景Fs减去快前景Ff过滤运动目标得到静止目标前景Fstatic，使得Fstatic＝Fs-Ff，之后令静止目标前景Fstatic中像素值大于设定阈值的像素值置8，反之置0；
S6、更新前景统计模板Fm：将前景统计模板Fm所有像素值减4，使得Fm＝Fm-4，然后与静止目标前景Fstatic相加，使得Fm＝Fm+Fstatic；
S7、对前景统计模板Fm进行二值化获得最终结果前景Fresult，使得大于设定阈值的像素值置255，反之置0；
S8、对最终结果前景Fresult进行形态学操作腐蚀、膨胀，然后通过区域连通操作获得一个个矩形连通区域，得到一个个完整的目标；
S9、对步骤S8中得到的完整目标进行跟踪，记录下每个目标的首次跟踪时间Tf，之后每次跟踪计算当前时间Tc与首次跟踪到时间Tf的差值，为该目标的跟踪持续时间Ts，使得Ts＝Tc-Tf，当跟踪持续时间Ts超过设定的告警时间阈值时表示该目标位置发生了物品遗留丢失事件；
S10、物品遗留丢失判断：计算当前帧梯度图Ig和慢背景Bs中对应发生了物品遗留丢失事件的目标矩形区域内最大连通区域面积A1、A2，通过比较其大小判断物品是遗留还是丢失，若当前帧梯度图中的更大则为物品遗留，反之为物品丢失，同时发出相应告警并指出目标位置；
S11、当目标发出告警持续一段时间后将其更新进慢背景Bs中，同时将前景统计模板Fm中对应区域像素值置0，并停止告警。
优选的，所述步骤S1中如果图像Is尺寸较大可在满足检测精度要求的前提下进行适当缩放，然后通过使用Sobel算子处理图像Is得到梯度图Ig。
优选的，所述步骤S5中，得到静止目标前景Fstatic后，令静止目标前景Fstatic中像素值大于阈值10的像素值置8，反之置0，使得像素值
Figure GDA0003591380040000031
优选的，所述步骤S6中前景统计模板Fm的像素值被限制在[0,255]范围之内，计算得到的像素值如果小于0会强制置0，如果大于255会强制置255，使得像素值
Figure GDA0003591380040000032
优选的，所述步骤S7中，对前景统计模板Fm进行二值化获得最终结果前景Fresult，使得大于设定阈值128的像素值置255，反之置0，即像素值：
Figure GDA0003591380040000033
其中像素值为255是最终检测到的目标像素。
优选的，所述步骤S9中，当跟踪持续时间Ts超过设定的告警时间阈值Ts>5秒时即表示该目标位置发生了物品遗留丢失事件。
优选的，所述步骤S10中，通过比较其大小判断物品是遗留还是丢失的公式为：
Figure GDA0003591380040000034
优选的，所述步骤S11中，将目标发出告警更新进慢背景Bs的具体方法如下：当目标跟踪持续时间Ts超过设定的更新时间阈值Ts>10秒时，使用当前帧梯度图Ig中目标区域更新慢背景Bs中的对应区域，令该目标区域为Rect，使得Bs(Rect)＝Ig(Rect)，同时将前景统计模板Fm中对应区域像素值置0，使得Fm(Rect)＝0。
本发明提供的一种安防监控中物品遗留丢失检测方法的有益效果在于：
1)使用梯度图作为本方法的处理图像，相较于RGB图像和灰度图像可以在一定程度上克服光照影响；
2)通过建立快、慢双背景模型进行前景检测，得到的快、慢双前景相减用以过滤运动目标像素，使用当前帧梯度图更新快、慢背景的同时基于告警目标对慢背景进行可控更新；
3)使用前景统计模板对前景进行像素级计数，之后通过一定的像素阈值获得稳定的静止目标前景，能一定程度上克服运动遮挡影响；
4)基于比较当前帧和背景中对应目标区域最大边缘包围面积的大小对物品是发生遗留还是丢失进行判断，能准确判断物品是遗留还是丢失；
5)基于目标跟踪获取到目标持续时间，再通过设定的告警时间阈值和目标更新时间阈值来控制目标告警开始时机与持续时间，能够对物品遗留丢失告警出现和持续时间进行有效控制。
附图说明
图1为本发明中检测方法的步骤流程图。
图2为本发明的运行原理流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，均属于本发明的保护范围。
实施例：一种安防监控中物品遗留丢失检测方法。
参照图1和图2所示，一种安防监控中物品遗留丢失检测方法，具体包括如下步骤：
S1、获取视频流数据：依次读入每一帧图像Is，如果图像尺寸较大可在满足检测精度要求的前提下进行适当缩放将有利于降低性能消耗，然后通过使用边缘检测算子如Sobel算子处理图像Is得到梯度图Ig，使用梯度图的一个好处是可以一定程度上避免场景中关照变化导致误报的问题。
S2、初始化，使用第一帧梯度图Ig初始化快背景Bf和慢背景Bs，即Bf＝Ig，Bs＝Ig，同时初始化一个像素值全为0的前景统计模板Fm。
S3、使用当前帧梯度图Ig分别与快背景Bf和慢背景Bs相减得到快前景Ff和慢前景Fs，即Ff＝|Bf-Ig|，Fs＝|Bs-Ig|。
S4、更新快背景Bf和慢背景Bs，其中快背景Bf更新策略为当前帧梯度图Ig加上原来的快背景Bf，即Bf＝0.5*Ig+0.5*Bf；慢背景Bs更新策略为首先保留对应慢前景Fs中像素值大于0的像素不变，令Fs中像素值大于0的像素置为255得到Fs1，即：Bs1＝Bs&Fs1，然后剩余部分使用当前帧梯度图Ig对应慢前景Fs中像素值为0的像素进行更新，令Fs中像素值为0的像素置为255，其余像素置0得到Fs2，即有Bs2＝Bs&Fs2，最终更新慢背景Bs为两部分相加，即Bs＝Bs1+Bs2。
S5、过滤运动目标，原理是慢前景Fs中包含了运动目标和静止目标，而快前景Ff中只包含了运动目标，因此可以使用慢前景Fs减去快前景Ff过滤运动目标得到静止目标前景Fstatic，即Fstatic＝Fs-Ff，为了方便之后对前景目标像素统计计数同时过滤掉一些误报，令静止目标前景Fstatic中像素值大于一定阈值如10的像素值置8，反之置0，即像素值
Figure GDA0003591380040000051
S6、更新前景统计模板Fm，首先前景统计模板Fm所有像素值减4，即Fm＝Fm-4，之后与静止目标前景Fstatic相加，即Fm＝Fm+Fstatic，特别注意像素值都是被限制在[0,255]范围之内的，计算得到的像素值如果小于0会强制置0，如果大于255会强制置255，即像素值
Figure GDA0003591380040000052
S7、对前景统计模板Fm进行二值化获得最终结果前景Fresult，使得大于一定阈值如128的像素值置255，反之置0，即
Figure GDA0003591380040000053
其中像素值为255便是最终检测到的目标像素，注意这里不直接使用步骤S5中的静止目标前景Fstatic作为最终结果，而增加步骤S6、S7得到最终结果，是因为静止目标前景Fstatic在目标发生运动遮挡时会被过滤掉，而通过对前景像素进行统计的方法当目标存在一定时间后短暂的运动遮挡便不会使其消失。
S8、对最终结果前景Fresult进行形态学操作腐蚀、膨胀，然后通过区域连通操作获得一个个矩形连通区域，即为一个个完整的目标。
S9、对步骤S8中得到的完整目标进行跟踪，记录下每个目标的首次跟踪时间Tf，之后每次跟踪计算当前时间Tc与首次跟踪到时间Tf的差值，为该目标的跟踪持续时间Ts，即Ts＝Tc-Tf，当跟踪持续时间Ts超过设定的告警时间阈值时比如Ts>5秒即表示该目标位置发生了物品遗留丢失事件。
S10、物品遗留丢失判断，因为通常物品都有一个明显边缘而背景没有，分别计算当前帧梯度图Ig和慢背景Bs中对应发生了物品遗留丢失事件的目标矩形区域内最大连通区域面积A1、A2，通过比较其大小判断物品是遗留还是丢失，若当前帧梯度图中的更大则为物品遗留，反之为物品丢失，即
Figure GDA0003591380040000054
同时发出相应告警并指出目标位置。
S11、当目标发出告警持续一段时间后应当将其更新进慢背景Bs中，并停止告警，具体做法是当目标跟踪持续时间Ts超过设定的更新时间阈值时比如Ts>10秒(注：该时间阈值应大于步骤9中告警时间阈值)，此时使用当前帧梯度图Ig中目标区域更新慢背景Bs中的对应区域，令该目标区域为Rect，即有Bs(Rect)＝Ig(Rect)，同时将前景统计模板Fm中对应区域像素值置0，即Fm(Rect)＝0。
与现有技术相比，本发明不使用RGB图像或者灰度图像而使用梯度图作为处理图像可以一定程度克服由于光照变化导致的误报问题；通过使用快、慢双背景得到快、慢前景相减可以有效过滤掉运动目标像素；通过使用前景统计模板获得稳定的静止前景目标，能一定程度上克服运动遮挡影响；通过目标跟踪以及设置的告警阈值和更新阈值对物品遗留丢失告警出现和持续时间进行有效控制；通过比较当前帧和慢背景中目标区域最大轮廓包围面积能准确判断物品是遗留还是丢失。
以上所述为本发明的较佳实施例而已，但本发明不应局限于该实施例和附图所公开的内容，所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (8)

1.一种安防监控中物品遗留丢失检测方法，其特征在于具体包括如下步骤：
S1、获取视频流数据：依次读入每一帧图像Is，通过使用边缘检测算子处理图像Is得到梯度图Ig；
S2、初始化：使用第一帧梯度图Ig初始化快背景Bf和慢背景Bs，使得Bf＝Ig，Bs＝Ig，同时初始化一个像素值全为0的前景统计模板Fm；
S3、获取快前景Ff和慢前景Fs：使用当前帧梯度图Ig分别与快背景Bf和慢背景Bs相减得到快前景Ff和慢前景Fs，使得Ff＝|Bf-Ig|，Fs＝|Bs-Ig|；
S4、更新快背景Bf和慢背景Bs：快背景Bf更新策略为当前帧梯度图Ig加上原来的快背景Bf，使得Bf＝0.5*Ig+0.5*Bf；慢背景Bs更新策略为首先保留对应慢前景Fs中像素值大于0的像素不变，令Fs中像素值大于0的像素置为255得到Fs1，使得Bs1＝Bs&Fs1，剩余部分使用当前帧梯度图Ig对应慢前景Fs中像素值为0的像素进行更新，令Fs中像素值为0的像素置为255其余像素置0得到Fs2，使得Bs2＝Bs&Fs2，最终更新慢背景Bs为两部分相加，使得Bs＝Bs1+Bs2；
S5、过滤运动目标：使用慢前景Fs减去快前景Ff过滤运动目标得到静止目标前景Fstatic，使得Fstatic＝Fs-Ff，之后令静止目标前景Fstatic中像素值大于设定阈值的像素值置8，反之置0；
S6、更新前景统计模板Fm：将前景统计模板Fm所有像素值减4，使得Fm＝Fm-4，然后与静止目标前景Fstatic相加，使得Fm＝Fm+Fstatic；
S7、对前景统计模板Fm进行二值化获得最终结果前景Fresult，使得大于设定阈值的像素值置255，反之置0；
S8、对最终结果前景Fresult进行形态学操作腐蚀、膨胀，然后通过区域连通操作获得一个个矩形连通区域，得到一个个完整的目标；
S9、对步骤S8中得到的完整目标进行跟踪，记录下每个目标的首次跟踪时间Tf，之后每次跟踪计算当前时间Tc与首次跟踪到时间Tf的差值，为该目标的跟踪持续时间Ts，使得Ts＝Tc-Tf，当跟踪持续时间Ts超过设定的告警时间阈值时表示该目标位置发生了物品遗留丢失事件；
S10、物品遗留丢失判断：计算当前帧梯度图Ig和慢背景Bs中对应发生了物品遗留丢失事件的目标矩形区域内最大连通区域面积A1、A2，通过比较其大小判断物品是遗留还是丢失，若当前帧梯度图中的更大则为物品遗留，反之为物品丢失，同时发出相应告警并指出目标位置；
S11、当目标发出告警持续一段时间后将其更新进慢背景Bs中，同时将前景统计模板Fm中对应区域像素值置0，并停止告警。
2.如权利要求1所述的安防监控中物品遗留丢失检测方法，其特征在于，所述步骤S1中如果图像Is尺寸较大可在满足检测精度要求的前提下进行适当缩放，然后通过使用Sobel算子处理图像Is得到梯度图Ig。
3.如权利要求1或2所述的安防监控中物品遗留丢失检测方法，其特征在于，所述步骤S5中，得到静止目标前景Fstatic后，令静止目标前景Fstatic中像素值大于阈值10的像素值置8，反之置0，使得像素值
Figure FDA0003591380030000021
4.如权利要求3所述的安防监控中物品遗留丢失检测方法，其特征在于，所述步骤S6中前景统计模板Fm的像素值被限制在[0,255]范围之内，计算得到的像素值如果小于0会强制置0，如果大于255会强制置255，使得像素值
Figure FDA0003591380030000022
5.如权利要求4所述的安防监控中物品遗留丢失检测方法，其特征在于，所述步骤S7中，对前景统计模板Fm进行二值化获得最终结果前景Fresult，使得大于设定阈值128的像素值置255，反之置0，即像素值：
Figure FDA0003591380030000023
其中像素值为255是最终检测到的目标像素。
6.如权利要求1所述的安防监控中物品遗留丢失检测方法，其特征在于，所述步骤S9中，当跟踪持续时间Ts超过设定的告警时间阈值Ts>5秒时即表示该目标位置发生了物品遗留丢失事件。
7.如权利要求1所述的安防监控中物品遗留丢失检测方法，其特征在于，所述步骤S10中，通过比较其大小判断物品是遗留还是丢失的公式为：
Figure FDA0003591380030000024
8.如权利要求1所述的安防监控中物品遗留丢失检测方法，其特征在于，所述步骤S11中，将目标发出告警更新进慢背景Bs的具体方法如下：当目标跟踪持续时间Ts超过设定的更新时间阈值Ts>10秒时，使用当前帧梯度图Ig中目标区域更新慢背景Bs中的对应区域，令该目标区域为Rect，使得Bs(Rect)＝Ig(Rect)，同时将前景统计模板Fm中对应区域像素值置0，使得Fm(Rect)＝0。
CN202111339139.5A 2021-11-12 2021-11-12 一种安防监控中物品遗留丢失检测方法 Active CN114022468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111339139.5A CN114022468B (zh) 2021-11-12 2021-11-12 一种安防监控中物品遗留丢失检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111339139.5A CN114022468B (zh) 2021-11-12 2021-11-12 一种安防监控中物品遗留丢失检测方法

Publications (2)

Publication Number Publication Date
CN114022468A CN114022468A (zh) 2022-02-08
CN114022468B true CN114022468B (zh) 2022-05-13

Family

ID=80063839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111339139.5A Active CN114022468B (zh) 2021-11-12 2021-11-12 一种安防监控中物品遗留丢失检测方法

Country Status (1)

Country Link
CN (1) CN114022468B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115442668B (zh) * 2022-07-21 2024-04-12 浙江大华技术股份有限公司 目标状态识别方法、设备及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714325A (zh) * 2013-12-30 2014-04-09 中国科学院自动化研究所 基于嵌入式系统的遗留物和遗失物实时检测方法
CN103729858A (zh) * 2013-12-13 2014-04-16 广州中国科学院先进技术研究所 一种视频监控系统中遗留物品的检测方法
CN110222735A (zh) * 2019-05-18 2019-09-10 四川弘和通讯有限公司 一种基于神经网络与背景建模的物品被盗遗留识别方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7813528B2 (en) * 2007-04-05 2010-10-12 Mitsubishi Electric Research Laboratories, Inc. Method for detecting objects left-behind in a scene
KR101303667B1 (ko) * 2007-08-28 2013-09-04 삼성전자주식회사 의사 윤곽을 탐지 및 제거하는 방법 및 장치, 픽셀의 윤곽여부를 확인하는 방법 및 장치 그리고 심플리시티를계산하는 방법 및 장치
CN102509075B (zh) * 2011-10-19 2013-07-24 北京国铁华晨通信信息技术有限公司 一种遗留物检测方法及装置
CN102722700A (zh) * 2012-05-17 2012-10-10 浙江工商大学 视频监控中遗留物品检测的方法和系统
CN103700112A (zh) * 2012-09-27 2014-04-02 中国航天科工集团第二研究院二O七所 一种基于混合预测策略的遮挡目标跟踪方法
CN105404847B (zh) * 2014-09-16 2019-01-29 北京计算机技术及应用研究所 一种遗留物实时检测方法
CN106296677B (zh) * 2016-08-03 2019-04-02 浙江理工大学 一种基于双背景模型的双掩膜背景更新的遗留物检测方法
CN106778833A (zh) * 2016-11-28 2017-05-31 北京航天控制仪器研究所 一种复杂背景下小目标丢失故障的自动识别方法
CN111062273B (zh) * 2019-12-02 2023-06-06 青岛联合创智科技有限公司 一种遗留物品追溯检测与报警方法
CN111369529B (zh) * 2020-03-04 2021-05-14 厦门星纵智能科技有限公司 一种物品丢失、遗留检测方法及其系统
CN111860392B (zh) * 2020-07-28 2021-04-20 珠海安联锐视科技股份有限公司 基于目标检测和前景检测热力图统计方法
CN112070033A (zh) * 2020-09-10 2020-12-11 天津城建大学 一种基于有限状态机分析的视频遗留物检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729858A (zh) * 2013-12-13 2014-04-16 广州中国科学院先进技术研究所 一种视频监控系统中遗留物品的检测方法
CN103714325A (zh) * 2013-12-30 2014-04-09 中国科学院自动化研究所 基于嵌入式系统的遗留物和遗失物实时检测方法
CN110222735A (zh) * 2019-05-18 2019-09-10 四川弘和通讯有限公司 一种基于神经网络与背景建模的物品被盗遗留识别方法

Also Published As

Publication number Publication date
CN114022468A (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
Huang An advanced motion detection algorithm with video quality analysis for video surveillance systems
Chen et al. An efficient infrared small target detection method based on visual contrast mechanism
TWI409718B (zh) 移動中車輛之車牌定位方法
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
CN111161312B (zh) 一种基于计算机视觉的物体轨迹追踪识别装置及系统
CN111723644A (zh) 一种监控视频遮挡检测方法及系统
JPH07302328A (ja) 背景差分による動物体領域抽出方法
CN108198208B (zh) 一种基于目标跟踪的移动侦测方法
CN110415208A (zh) 一种自适应目标检测方法及其装置、设备、存储介质
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN107392095A (zh) 一种基于掩码图像的红外弱小目标检测算法
CN112417955B (zh) 巡检视频流处理方法及装置
McIvor et al. The background subtraction problem for video surveillance systems
Huerta et al. Exploiting multiple cues in motion segmentation based on background subtraction
CN110599516A (zh) 一种运动目标检测方法、装置、存储介质及终端设备
CN107346547A (zh) 基于单目平台的实时前景提取方法及装置
CN114022468B (zh) 一种安防监控中物品遗留丢失检测方法
CN113947744A (zh) 基于视频的火灾图像检测方法、系统、设备及存储介质
Lai et al. Robust little flame detection on real-time video surveillance system
CN109544535B (zh) 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统
CN116563327A (zh) 基于箱线图的动态场景背景建模方法
CN107122714B (zh) 一种基于边缘约束的实时行人检测方法
RU2676028C1 (ru) Способ обнаружения оставленного предмета в видеопотоке
Shao et al. An improved moving target detection method based on vibe algorithm
Li et al. Vehicle detecting and shadow removing based on edged mixture Gaussian model

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