CN114612514A - 多特征多分辨率轨迹异常检测方法 - Google Patents

多特征多分辨率轨迹异常检测方法 Download PDF

Info

Publication number
CN114612514A
CN114612514A CN202210249560.5A CN202210249560A CN114612514A CN 114612514 A CN114612514 A CN 114612514A CN 202210249560 A CN202210249560 A CN 202210249560A CN 114612514 A CN114612514 A CN 114612514A
Authority
CN
China
Prior art keywords
track
sub
tracks
resolution
fitting
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
CN202210249560.5A
Other languages
English (en)
Inventor
王佩
郭江波
王玉婷
汪陈伍
曹衡
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202210249560.5A priority Critical patent/CN114612514A/zh
Publication of CN114612514A publication Critical patent/CN114612514A/zh
Pending legal-status Critical Current

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

多特征多分辨率轨迹异常检测方法，包括以下步骤：1）、运动目标的轨迹提取；2）、轨迹的运动方向分组；3）、多分辨率轨迹分段；4）、轨迹的多维特征计算；5）、轨迹的特征聚类异常检测；通过结合多分辨率分段方法、多维特征方法和聚类方法，融合了轨迹的上下文特征，避免轨迹分段带来的漏检行为，可以检测轨迹位置、速度、方向发生异常的轨迹，可以自适应的识别异常轨迹，适用于轨迹异常检测的各领域。

Description

多特征多分辨率轨迹异常检测方法
技术领域
本发明属于视频运动轨迹异常检测技术领域，具体涉及多特征多分辨率轨迹异常检测方法。
背景技术
随着监控设备的广泛应用，大量监控视频被记录，如何准确检测视频中的异常轨迹是公共安全中的一个难点问题。一方面，轨迹异常判定与环境有很大关系，需要人工进行判断。另一方面，轨迹通常包含多种运动模式，同一条轨迹可能有局部异常或者存在多种异常行为。因此深度挖掘轨迹的局部运动特征。
目前监控视频中行人异常轨迹检测有三种方法:第一种，通过正常目标轨迹训练模型，轨迹与模型不匹配时为异常轨迹。第二种，通过正常轨迹与预先定义的异常轨迹训练模型。第三种，检测轨迹的传统特征，提取轨迹的低级与高级特征表示目标的运动轨迹，将离群轨迹与出现数量较少的轨迹定义为异常轨迹。现有异常检测方法提取整条轨迹特征或分段提取子轨迹特征，分段点的选择会导致异常轨迹中断，中断后的轨迹可能没有异常行为，但是未分段时有异常行为，因此分段点选择很大程度上影响检测结果，简单进行分段并不合理，另一方面简单分段处理难以结合轨迹上下文运动特征，使行人异常检测结果出现偏差。
发明内容
为克服上述现有技术的不足，本发明提供多特征多分辨率轨迹异常检测方法，本发明使用轨迹全局特征和局部特征，将多分辨率分段方法、多维特征方法和聚类方法进行结合，融合了轨迹的上下文特征，避免了因轨迹分段带来的漏检现象，可以检测轨迹位置、速度、方向出现异常的轨迹，可以自适应的识别异常轨迹，适用于轨迹异常检测的各领域。
为实现上述目的，本发明采用的技术方案是：多特征多分辨率轨迹异常检测方法，其特征在于，包括以下步骤：
步骤1，运动目标的轨迹提取，具体做法是：收集运动目标的时间信息与位置信息，将运动目标在一段时间内的连续序列的位置坐标定义为目标的运动轨迹；
步骤2，将轨迹按运动方向分组，具体做法是：
用轨迹坐标计算轨迹运动方向，按轨迹运动方向对轨迹进行分组，分组之后对每个分组轨迹生成一条拟合轨迹；
步骤3，多分辨率轨迹分段，具体做法是：
分别使用多个不同的分辨率对轨迹进行分段得到子轨迹，相同分辨率的子轨迹为同一个计算维度；
步骤4，轨迹的多维特征计算，具体做法是：
根据步骤3中不同分辨率的子轨迹计算真实轨迹与拟合轨迹的位置、速度、方向距离，将位置、速度、方向距离作为轨迹的多维特征；
步骤5，轨迹的特征聚类异常检测，具体做法是：
根据步骤4的多维特征进行轨迹聚类，将同一个方向组的轨迹分为两个小组，对聚类得到的每个组计算异常分数，根据异常分数对轨迹进行合并，最后得到异常轨迹和正常轨迹。
所述的步骤2中，具体包括以下步骤：
步骤2.1，对轨迹按运动方向分组，具体做法是：
步骤2.1.1，收集每条轨迹起始时刻的位置坐标和消失时刻的位置坐标，位置坐标用横坐标和纵坐标表示，用轨迹起始位置坐标与消失位置坐标的变化量计算轨迹的运动方向；
步骤2.1.2，将步骤2.1.1中计算的运动方向作为轨迹的特征，使用聚类算法对轨迹的运动方向进行聚类，得到轨迹的多个分组；
步骤2.2，对步骤2.1.2得到的每个分组生成拟合轨迹，拟合轨迹的坐标由分组内的轨迹确定，具体做法是：
步骤2.2.1，设置轨迹采样点数量，对轨迹的起始点之间的空间位置距离进行等间距分割，计算分割点的坐标；
步骤2.2.2，将真实轨迹中与分割点的空间距离最小的点作为采样点，记录采样点坐标；
步骤2.2.3，计算分组内所有采样点的平均坐标，将相邻采样点的平均坐标位置连接作为拟合轨迹的位置坐标。
步骤4中，轨迹的多维特征，其计算又包括以下步骤：
步骤4.1，计算轨迹多维局部位置特征与全局位置特征，具体步骤如下：
步骤4.1.1，选取同一分辨率得到的子轨迹；
步骤4.1.2，计算真实子轨迹与对应拟合轨迹的子轨迹之间的空间距离，用后一时刻与前一时刻的空间距离差表示当前维度内子轨迹的局部运动变化；
步骤4.1.3，将该轨迹所有子轨迹的空间距离差求平均值，用该平均值表示轨迹在当前维度的位置变化特征，然后返回步骤4.1.1选取其他分辨率的子轨迹进行循环，直到完成所有维度位置变化特征的计算，计算方法如公式(1)所示：
Figure BDA0003546367000000041
其中
Figure BDA0003546367000000042
表示分辨率为εl时轨迹i的位置偏移特征，k表示子轨迹的序号，M(εl)表示分辨率为εl时的子轨迹段数，di,k表示目标管i的第k段子轨迹的真实位置与拟合轨迹的偏移距离，di,k-1表示目标管i的第k-1段子轨迹的真实位置与拟合轨迹的偏移距离，εl表示分辨率；
步骤4.2，计算轨迹多维局部速度特征与全局速度特征，具体步骤如下：
步骤4.2.1，选取同一分辨率分段得到的子轨迹；
步骤4.2.2，分别计算真实子轨迹段和对应拟合子轨迹段的速度，用两者的速度差异表示当前维度内子轨迹的速度变化特征；
步骤4.2.3，将所有子轨迹的速度变化特征求平均值，用该平均值表示轨迹在当前维度的速度变化特征，然后返回步骤4.2.1选取其他分辨率的子轨迹进行循环，直到完成所有维度的速度变化特征的计算，计算方法如公式(2)所示：
Figure BDA0003546367000000051
其中
Figure BDA0003546367000000052
表示分辨率为εl时轨迹i的速度偏移特征，vi,k表示目标管i的第k段子轨迹的平均速度，
Figure BDA0003546367000000053
表示拟合目标管i的第k段子轨迹平均速度；
步骤4.3，计算轨迹多维局部方向特征与全局方向特征，具体步骤如下：
步骤4.3.1，选取同一分辨率得到的子轨迹；
步骤4.3.2，分别计算真实子轨迹段和对应拟合子轨迹段的方向，用两者的方向角度差异表示当前维度内子轨迹的方向变化特征；
步骤4.3.3，将该轨迹所有子轨迹的方向变化特征求平均值，用该平均值表示轨迹在当前维度的方向变化特征，然后返回步骤4.3.1选取其他分辨率的子轨迹进行循环，直到完成所有维度方向变化特征的计算，计算方法如公式(3)所示：
Figure BDA0003546367000000054
其中
Figure BDA0003546367000000055
表示分辨率为εl时轨迹i的方向特征，ai,k表示真实目标管i的第k段子轨迹的运动方向，
Figure BDA0003546367000000056
表示拟合目标管i的第k段子轨迹的运动方向，M(εl)表示分辨率为εl时子轨迹的段数，k表示子轨迹的序号。
步骤5中，所述的轨迹的特征聚类异常检测，包括以下步骤：
步骤5.1，多特征轨迹聚类，具体做法是：
步骤5.1.1，选取轨迹在不同维度的位置特征进行聚类；
步骤5.1.2，选取轨迹在不同维度的速度特征进行聚类；
步骤5.1.3，选取轨迹在不同维度的方向特征进行聚类；
步骤5.2，轨迹组合并，具体做法是：
为了步骤5.1中每一次聚类，都要对得到的分组计算组内异常分数，异常分数为不同维度的偏移距离和，若两组轨迹异常分数差值小于阈值，则合并两个分组，分组内轨迹作为正常轨迹，若两组轨迹异常分数差值大于阈值，则异常分数大的分组为异常轨迹组。
本发明的有益效果是：
1)本发明由于采用了多分辨率分段方法，在分段的同时融合了轨迹的上下文特征，所以避免了轨迹分段点选取不合理导致的漏检问题；
2)本发明采用了多特征检测方法，可以检测轨迹的位置异常、速度异常、和方向异常，相比单特征异常检测方法，检测的异常类型更加丰富，检测范围更加全面；
3)本发明采用了轨迹聚类方法，无需预定义轨迹异常类型，适用于多种场景。
附图说明
图1为本发明轨迹组生成拟合轨迹图。
图2为本发明轨迹不同分辨率分段示意图。
图3为本发明子轨迹局部偏移距离示意图。
图4为本发明真实轨迹与拟合轨迹速度偏移示意图。
图5为本发明真实轨迹与拟合轨迹方向偏移示意图。
图6为本发明中单特征和多特征方法的异常检测结果示意图。
图7为本发明的流程图。
具体实施方式
下面结合具体实施和附图对本发明作进一步详细说明。
参见图7，多特征多分辨率轨迹异常检测方法，包括以下步骤：
步骤1，运动目标的轨迹提取，具体做法是：收集运动目标的时间信息与位置信息，将运动目标在一段时间内的连续序列的位置坐标定义为目标的运动轨迹。
步骤2，轨迹的运动方向分组，具体做法是：
步骤2.1，对轨迹按运动方向分组，具体做法是：
步骤2.1.1、收集每条轨迹的出现时刻的位置坐标和消失时刻的位置坐标，坐标用横坐标和纵坐标表示，用轨迹起始坐标与终点目标的变化量计算轨迹的运动方向。
步骤2.1.2、将2.1中计算的运动方向作为轨迹的特征，使用聚类算法对轨迹的运动方向进行聚类，得到轨迹的多个分组。
步骤2.2，对步骤2.1得到的每个分组生成拟合轨迹，拟合轨迹的坐标由组内轨迹确定，如图1所示。具体做法是：
步骤2.2.1，设置轨迹采样点数量，按轨迹的起始点之间的空间位置距离进行等间距分割，计算分割点的坐标。
步骤2.2.2，将距离分割点空间距离最小的真实轨迹点作为采样点，记录采样点坐标；
步骤2.2.3，计算组内所有采样点的平均坐标，将相邻采样点平均坐标位置连接作为拟合轨迹的位置坐标；
步骤3，多分辨率轨迹分段，具体做法是：
分别使用几种不同的分辨率对轨迹进行分段得到子轨迹，相同分辨率的子轨迹为一个维度，多分辨率分段方法如图2所示，图中采用三个不同分辨率进行示意；
步骤4，轨迹的多维特征计算，具体做法是：
对不同分辨率的子轨迹计算真实轨迹与拟合轨迹的位置、速度、方向距离，将位置、速度、方向距离作为轨迹的多维特征；
步骤4.1，计算轨迹多维局部位置特征与全局位置特征，具体步骤如下：
步骤4.1.1，选取同一分辨率得到的子轨迹；
步骤4.1.2，计算真实子轨迹与对应拟合轨迹的子轨迹之间的空间距离，用后一时刻与前一时刻的空间距离差表示当前维度内子轨迹的局部运动变化，如图3所示，选取t∈n-2n时刻的子轨迹进行局部运动变化图解说明；
步骤4.1.3，将该轨迹所有子轨迹的空间距离差求平均值，用该平均值表示轨迹在当前维度的位置变化特征，然后返回4.1.1选取其他分辨率的子轨迹进行循环，直到完成所有维度位置变化特征的计算。
步骤4.2，计算轨迹多维局部速度特征与全局速度特征，具体步骤如下：
步骤4.2.1，选取同一分辨率分段得到的子轨迹；
步骤4.2.2，分别计算真实子轨迹段和对应拟合子轨迹段的速度，用两者的速度差异表示当前维度内子轨迹的速度变化特征，如图4所示，图中将目标管分为3段，选取t0-t1时刻的子轨迹进行图示，t表示时间；
步骤4.2.3，将所有子轨迹的速度变化特征求平均值，用该平均值表示轨迹在当前维度的速度变化特征，然后返回步骤4.2.1选取其他分辨率的子轨迹进行循环，直到完成所有维度速度变化特征的计算；
步骤4.3，计算轨迹多维局部方向特征与全局方向特征，具体步骤如下：
步骤4.3.1，选取同一分辨率得到的子轨迹；
步骤4.3.2，分别计算真实子轨迹段和对应拟合子轨迹段的方向，用两者的方向角度差异表示当前维度内子轨迹的方向变化特征，如图5所示，图中用第一段和第二段子轨迹进行说明，计算真实子轨迹与拟合子轨迹的方向差，作为子轨迹的方向偏移，轨迹方向差范围为(-π，π)；
步骤4.3.3，将该轨迹所有子轨迹的方向变化特征求平均值，用该平均值表示轨迹在当前维度的方向变化特征，然后返回步骤4.3.1选取其他分辨率的子轨迹进行循环，直到完成所有维度方向变化特征的计算。
步骤5，轨迹的特征聚类异常检测，具体做法是：
步骤5.1，多特征轨迹聚类，具体做法是：
步骤5.1.1，选取轨迹在不同维度的位置特征进行聚类；
步骤5.1.2，选取轨迹在不同维度的速度特征进行聚类；
步骤5.1.2，选取轨迹在不同维度的方向特征进行聚类；
步骤5.2，轨迹组合并，具体做法是：
为每一次聚类得到的分组计算组内异常分数，若两组轨迹异常分数差值小于阈值，则合并两个分组，组内轨迹作为正常轨迹，若两组轨迹异常分数差值大于阈值，则异常分数大的分组为异常轨迹组。
通过将本发明提出的方法应用于监控视频中，可以很好的检测到监控视频中的异常轨迹，检测结果如图6所示，颜色较深的轨迹为异常轨迹，前三个图片为单特征异常检测结果，检测到的异常轨迹较少，且不全面。最后异常图片为本方法的多分辨率多特征异常检测方法，检测的异常轨迹较多，检测的异常范围较全面，异常行为包括在发生位置异常、速度异常、方向异常等行为。

Claims (4)

1.多特征多分辨率轨迹异常检测方法，其特征在于，包括以下步骤：
步骤1，运动目标的轨迹提取，具体做法是：收集运动目标的时间信息与位置信息，将运动目标在一段时间内的连续序列的位置坐标定义为目标的运动轨迹；
步骤2，将轨迹按运动方向分组，具体做法是：
用轨迹坐标计算轨迹运动方向，按轨迹运动方向对轨迹进行分组，分组之后对每个分组轨迹生成一条拟合轨迹；
步骤3，多分辨率轨迹分段，具体做法是：
分别使用多个不同的分辨率对轨迹进行分段得到子轨迹，相同分辨率的子轨迹为同一个计算维度；
步骤4，轨迹的多维特征计算，具体做法是：
根据步骤3中不同分辨率的子轨迹计算真实轨迹与拟合轨迹的位置、速度、方向距离，将位置、速度、方向距离作为轨迹的多维特征；
步骤5，轨迹的特征聚类异常检测，具体做法是：
根据步骤4的多维特征进行轨迹聚类，将同一个方向组的轨迹分为两个小组，对每个小组计算异常分数，根据异常分数对轨迹进行合并，最后得到异常轨迹和正常轨迹。
2.根据权利要求1所述的多特征多分辨率轨迹异常检测方法，其特征在于，所述的步骤2中，具体包括以下步骤：
步骤2.1，对轨迹按运动方向分组，具体做法是：
步骤2.1.1，收集每条轨迹起始时刻的位置坐标和消失时刻的位置坐标，位置坐标用横坐标和纵坐标表示，用轨迹起始位置坐标与消失位置坐标的变化量计算轨迹的运动方向；
步骤2.1.2，将步骤2.1.1中计算的运动方向作为轨迹的特征，使用聚类算法对轨迹的运动方向进行聚类，得到轨迹的多个分组；
步骤2.2，对步骤2.1.2得到的每个分组生成拟合轨迹，拟合轨迹的坐标由分组内的轨迹确定，具体做法是：
步骤2.2.1，设置轨迹采样点数量，对轨迹的起始点之间的空间位置距离进行等间距分割，计算分割点的坐标；
步骤2.2.2，将真实轨迹中与分割点的空间距离最小的点作为采样点，记录采样点坐标；
步骤2.2.3，计算分组内所有采样点的平均坐标，将相邻采样点的平均坐标位置连接作为拟合轨迹的位置坐标。
3.根据权利要求1所述的多特征多分辨率轨迹异常检测方法，其特征在于，步骤4中，轨迹的多维特征，其计算又包括以下步骤：
步骤4.1，计算轨迹多维局部位置特征与全局位置特征，具体步骤如下：
步骤4.1.1，选取同一分辨率得到的子轨迹；
步骤4.1.2，计算真实子轨迹与对应拟合轨迹的子轨迹之间的空间距离，用后一时刻与前一时刻的空间距离差表示当前维度内子轨迹的局部运动变化；
步骤4.1.3，将该轨迹所有子轨迹的空间距离差求平均值，用该平均值表示轨迹在当前维度的位置变化特征，然后返回步骤4.1.1选取其他分辨率的子轨迹进行循环，直到完成所有维度位置变化特征的计算，计算方法如公式(1)所示：
Figure FDA0003546366990000031
其中
Figure FDA0003546366990000032
表示分辨率为εl时轨迹i的位置偏移特征，k表示子轨迹的序号，M(εl)表示分辨率为εl时的子轨迹段数，di,k表示目标管i的第k段子轨迹的真实位置与拟合轨迹的偏移距离，di,k-1表示目标管i的第k-1段子轨迹的真实位置与拟合轨迹的偏移距离，εl表示分辨率；
步骤4.2，计算轨迹多维局部速度特征与全局速度特征，具体步骤如下：
步骤4.2.1，选取同一分辨率分段得到的子轨迹；
步骤4.2.2，分别计算真实子轨迹段和对应拟合子轨迹段的速度，用两者的速度差异表示当前维度内子轨迹的速度变化特征；
步骤4.2.3，用所有子轨迹的速度变化特征求平均值，用该平均值表示轨迹在当前维度的速度变化特征，然后返回步骤4.2.1选取其他分辨率的子轨迹进行循环，直到完成所有维度的速度变化特征的计算，计算方法如公式(2)所示：
Figure FDA0003546366990000033
其中
Figure FDA0003546366990000041
表示分辨率为εl时轨迹i的速度偏移特征，vi,k表示目标管i的第k段子轨迹的平均速度，
Figure FDA0003546366990000042
表示拟合目标管i的第k段子轨迹平均速度；
步骤4.3，计算轨迹多维局部方向特征与全局方向特征，具体步骤如下：
步骤4.3.1，选取同一分辨率得到的子轨迹；
步骤4.3.2，分别计算真实子轨迹段和对应拟合子轨迹段的方向，用两者的方向角度差异表示当前维度内子轨迹的方向变化特征；
步骤4.3.3，将该轨迹所有子轨迹的方向变化特征求平均值，用该平均值表示轨迹在当前维度的方向变化特征，然后返回步骤4.3.1选取其他分辨率的子轨迹进行循环，直到完成所有维度方向变化特征的计算，计算方法如公式(3)所示：
Figure FDA0003546366990000043
其中
Figure FDA0003546366990000044
表示分辨率为εl时轨迹i的方向特征，ai,k表示真实目标管i的第k段子轨迹的运动方向，
Figure FDA0003546366990000045
表示拟合目标管i的第k段子轨迹的运动方向，M(εl)表示分辨率为εl时子轨迹的段数，k表示子轨迹的序号。
4.根据权利要求1，其特征在于，步骤5中，所述的轨迹的特征聚类异常检测，包括以下步骤：
步骤5.1，多特征轨迹聚类，具体做法是：
步骤5.1.1，选取轨迹在不同维度的位置特征进行聚类；
步骤5.1.2，选取轨迹在不同维度的速度特征进行聚类；
步骤5.1.3，选取轨迹在不同维度的方向特征进行聚类；
步骤5.2，轨迹组合并，具体做法是：
为了步骤5.1中每一次聚类，都要对得到的分组计算组内异常分数，异常分数为不同维度的偏移距离和，若两组轨迹异常分数差值小于阈值，则合并两个分组，分组内轨迹作为正常轨迹，若两组轨迹异常分数差值大于阈值，则异常分数大的分组为异常轨迹组。
CN202210249560.5A 2022-03-14 2022-03-14 多特征多分辨率轨迹异常检测方法 Pending CN114612514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210249560.5A CN114612514A (zh) 2022-03-14 2022-03-14 多特征多分辨率轨迹异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210249560.5A CN114612514A (zh) 2022-03-14 2022-03-14 多特征多分辨率轨迹异常检测方法

Publications (1)

Publication Number Publication Date
CN114612514A true CN114612514A (zh) 2022-06-10

Family

ID=81863356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210249560.5A Pending CN114612514A (zh) 2022-03-14 2022-03-14 多特征多分辨率轨迹异常检测方法

Country Status (1)

Country Link
CN (1) CN114612514A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115497261A (zh) * 2022-08-24 2022-12-20 宁波美喵科技有限公司 车辆非正常移动报警方法、设备、存储介质及装置
CN115981970A (zh) * 2023-03-20 2023-04-18 建信金融科技有限责任公司 运维数据分析方法、装置、设备和介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115497261A (zh) * 2022-08-24 2022-12-20 宁波美喵科技有限公司 车辆非正常移动报警方法、设备、存储介质及装置
CN115497261B (zh) * 2022-08-24 2024-02-20 宁波美喵科技有限公司 车辆非正常移动报警方法、设备、存储介质及装置
CN115981970A (zh) * 2023-03-20 2023-04-18 建信金融科技有限责任公司 运维数据分析方法、装置、设备和介质
CN115981970B (zh) * 2023-03-20 2023-05-16 建信金融科技有限责任公司 运维数据分析方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN113034548B (zh) 一种适用于嵌入式终端的多目标跟踪方法及其系统
CN114612514A (zh) 多特征多分辨率轨迹异常检测方法
CN106778712B (zh) 一种多目标检测与跟踪方法
CN103530874B (zh) 基于Kinect的人流计数方法
Bondi et al. Real-time people counting from depth imagery of crowded environments
CN105578034A (zh) 一种对目标进行跟踪拍摄的控制方法、控制装置及系统
CN105069408A (zh) 一种复杂场景下基于人脸识别的视频人像跟踪方法
CN104992453A (zh) 基于极限学习机的复杂背景下目标跟踪方法
CN102129695B (zh) 基于遮挡物建模的有遮挡情况下的目标跟踪方法
CN104751491A (zh) 一种人群跟踪及人流量统计方法及装置
CN109697420A (zh) 一种面向城市交通的移动目标检测及跟踪方法
CN102103748A (zh) 一种复杂背景下红外弱小目标检测和跟踪方法
CN108537829B (zh) 一种监控视频人员状态识别方法
CN106682573B (zh) 一种单摄像头的行人跟踪方法
CN101901354B (zh) 基于特征点分类的监控录像中实时多目标检测与跟踪方法
CN103985257A (zh) 一种智能交通视频分析方法
CN110555868A (zh) 一种复杂地面背景下运动小目标检测方法
Meng et al. Video-based vehicle counting for expressway: A novel approach based on vehicle detection and correlation-matched tracking using image data from ptz cameras
CN112560641A (zh) 基于视频的双向客流通道中的单向客流信息检测方法
CN109949344B (zh) 一种基于颜色概率目标建议窗口的核相关滤波跟踪方法
CN112967320B (zh) 一种基于桥梁防撞的船舶目标检测跟踪方法
CN114926859A (zh) 一种结合头部跟踪的密集场景下行人多目标跟踪方法
CN105740814B (zh) 一种使用视频分析确定固废危废存放状态的方法
CN109800757B (zh) 一种基于布局约束的视频文字追踪方法
CN115695949A (zh) 一种基于目标轨迹运动模式的视频浓缩方法

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