CN115457478A - 一种校园安全监控的视觉分类系统 - Google Patents

一种校园安全监控的视觉分类系统 Download PDF

Info

Publication number
CN115457478A
CN115457478A CN202211184553.8A CN202211184553A CN115457478A CN 115457478 A CN115457478 A CN 115457478A CN 202211184553 A CN202211184553 A CN 202211184553A CN 115457478 A CN115457478 A CN 115457478A
Authority
CN
China
Prior art keywords
image
module
monitoring
video
target
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
CN202211184553.8A
Other languages
English (en)
Inventor
唐雅媛
胡斌
任盛
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.)
Hunan University of Science and Engineering
Original Assignee
Hunan University of Science and Engineering
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 Hunan University of Science and Engineering filed Critical Hunan University of Science and Engineering
Priority to CN202211184553.8A priority Critical patent/CN115457478A/zh
Publication of CN115457478A publication Critical patent/CN115457478A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种校园安全监控的视觉分类系统，包括视频监控模块、图像预处理模块、前景提取模块、图像后处理模块、运动区域检测模块、目标特征提取模块、目标分类器和数据存储模块；本发明先采用图像预处理模块对监控视频图像进行均衡化和边缘检测的预处理，从而对图像起到增强作用，便于获取图像序列，再采用图像后处理模块对前景区域图像进行去噪和分割处理，从而便于对目标区域的目标进行检测与跟踪，进而便于提取出可靠特征，再采用已标记样本对目标分类器进行训练并通过训练好的目标分类器对未知目标样本进行视觉分类，从而为视频数据提供索引，加快了查询和检索视频的速度。

Description

一种校园安全监控的视觉分类系统
技术领域
本发明涉及视觉分类技术领域，尤其涉及一种校园安全监控的视觉分类系统。
背景技术
校园安全与每个师生、家长和社会都有着密切的关系，从广义上讲，校园事故是指学生在校期间，由于某种偶然突发的因素而导致的人为伤害事件，就其特点而言，一般是因为责任人疏忽大意过失失职而不是因为故意而导致事故的发生，校园安全工作是全社会安全工作的一个十分重要的组成部分，它直接关系到青少年学生能否安全、健康地成长，关系到千千万万个家庭的幸福安宁和社会稳定，随着社会的蓬勃发展，校园安全已经成为社会的焦点问题，如何保证一个和谐、安全的校园环境，已经成为校园建设过程中需要考虑的一个重要内容。
现有的学校安全监控系统，都是通过摄像头对某个方位或者区域，进行监视，由人员进行实时查看监控，而在校园监控中，由于监控目标含像素少，模糊不清，加上投影形变和集合畸变，很难提取出可靠特征，导致监控系统中目标分类非常困难，存在智能化程度低、太过依赖人力以及自动化程度不高的问题，导致监控效率低，校园安全得不到保障，达不到实时处理突发事故的目的，因此，本发明提出一种校园安全监控的视觉分类系统以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种校园安全监控的视觉分类系统，该系统先采用图像预处理模块对监控视频图像进行均衡化和边缘检测的预处理，从而对图像起到增强作用，便于获取图像序列，再采用图像后处理模块对前景区域图像进行去噪和分割处理，从而便于对目标区域的目标进行检测与跟踪，进而便于提取出可靠特征，再采用已标记样本对目标分类器进行训练并通过训练好的目标分类器对未知目标样本进行视觉分类，从而为视频数据提供索引，加快了查询和检索视频的速度。
为了实现本发明的目的，本发明通过以下技术方案实现：一种校园安全监控的视觉分类系统，包括视频监控模块、前景提取模块、运动区域检测模块、目标特征提取模块、目标分类器和数据存储模块，所述视频监控模块和前景提取模块之间连接有图像预处理模块，所述图像预处理模块将视频监控模块采集到的校园监控视频图像进行均衡化和边缘检测预处理后发送至前景提取模块，所述前景提取模块和运动区域检测模块之间连接有图像后处理模块，所述图像后处理模块将前景提取模块提取的前景区域图像进行去噪和分割后处理后发送至运动区域检测模块，所述运动区域检测模块对后处理后的前景区域图像进行目标检测与跟踪，所述目标特征提取模块从检测目标前景区域图像中提取出有效前景区域，并对目标的多维特征进行提取，同时选择出匹配的特征量组成目标分类器的输入特征空间，所述视频监控模块和目标分类器均与数据存储模块连接，所述目标分类器通过数据存储模块中的已标记样本进行训练，并对监控视频图像中的未知目标样本进行视觉分类。
进一步改进在于：所述视频监控模块包括实时监控单元和视频传输单元，所述实时监控单元为360°高清摄像头并根据实际需要安装于校园内待监控位置，所述视频传输单元将360°高清摄像头采集到的监控视频图像传输至图像预处理模块。
进一步改进在于：所述图像预处理模块内置有图像均衡单元，通过图像均衡单元统计监控视频图像像素值，并计算像素值占比灰度等级的概率以及每个灰度等级的累计概率，再对累计概率进行灰度等级的映射，得到均衡化的监控视频图像。
进一步改进在于：所述图像预处理模块内置有边缘检测单元，通过边缘检测单元对监控视频图像的边缘图像进行检测，删除边缘图像并保留图像关于监控目标的关键信息，减少监控视频图像的数据量。
进一步改进在于：所述图像后处理模块内置有图像滤波单元和图像分割单元，通过图像滤波单元对监控视频图像的高频信号进行过滤，并保留低频信号，以消除监控视频图像的噪声，得到平滑的监控视频图像，再通过图像分割单元对平滑的监控视频图像进行分割。
进一步改进在于：所述前景提取模块获取监控视频图像序列，并采用自适应高斯背景模型方法提取出监控视频图像中的前景区域图像。
进一步改进在于：所述目标分类器根据目标多维特征以及特征量组成的输入特征空间来选择相匹配的分类算法进行构造，并对输入的目标特征向量做出准确的决策分类。
进一步改进在于：所述目标分类器损失函数根据温度系数的作用设计自适应温度系数控制着对负样本感知程度，运用梯度传播理论揭示专利改进对比学习有用的性质和现象，做出准确的决策分类。
进一步改进在于：所述数据存储模块包括预存有已标记样本的样本数据库和用于存储监控视频图像的视频数据库，所述样本数据库通过已标记样本对目标分类器进行训练，通过训练好的目标分类器对未知目标样本进行视觉分类，以提供视频数据库的视频数据索引。
本发明的有益效果为：本发明先采用图像预处理模块对监控视频图像进行均衡化和边缘检测的预处理，从而对图像起到增强作用，便于获取图像序列，再采用图像后处理模块对前景区域图像进行去噪和分割处理，从而便于对目标区域的目标进行检测与跟踪，进而便于提取出可靠特征，再采用已标记样本对目标分类器进行训练并通过训练好的目标分类器对未知目标样本进行视觉分类，从而为视频数据提供索引，加快了查询和检索视频的速度，得以及时发现突发事故并通过相关人员实时处理，减少了安全监控过程中的人力使用，智能化程度和自动化程度较高，相比传统人工监控监控效率更高，进一步保证了校园安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的系统结构示意图。
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、完整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参见图1，本实施例提供了一种校园安全监控的视觉分类系统，包括视频监控模块、前景提取模块、运动区域检测模块、目标特征提取模块、目标分类器和数据存储模块，视频监控模块和前景提取模块之间连接有图像预处理模块，图像预处理模块将视频监控模块采集到的校园监控视频图像进行均衡化和边缘检测预处理后发送至前景提取模块，前景提取模块和运动区域检测模块之间连接有图像后处理模块，图像后处理模块将前景提取模块提取的前景区域图像进行去噪和分割后处理后发送至运动区域检测模块，运动区域检测模块对后处理后的前景区域图像进行目标检测与跟踪，目标特征提取模块从检测目标前景区域图像中提取出有效前景区域，并对目标的多维特征进行提取，同时选择出匹配的特征量组成目标分类器的输入特征空间，视频监控模块和目标分类器均与数据存储模块连接，目标分类器通过数据存储模块中的已标记样本进行训练，并对监控视频图像中的未知目标样本进行视觉分类，从而实现对监控视图图像的分类，为校园安全监控工作带来便捷。
视频监控模块包括实时监控单元和视频传输单元，实时监控单元为360°高清摄像头并根据实际需要安装于校园内待监控位置，视频传输单元将360°高清摄像头采集到的监控视频图像传输至图像预处理模块，通过360°高清摄像头对校园内进行实时监控，提高了监控范围和监控清晰度。
图像预处理模块内置有图像均衡单元，通过图像均衡单元统计监控视频图像像素值，并计算像素值占比灰度等级的概率以及每个灰度等级的累计概率，再对累计概率进行灰度等级的映射，得到均衡化的监控视频图像，通过对监控视频图像进行均衡化处理，从而对监控视频图像起到了增强作用。
图像预处理模块内置有边缘检测单元，通过边缘检测单元对监控视频图像的边缘图像进行检测，删除边缘图像并保留图像关于监控目标的关键信息，减少监控视频图像的数据量，通过对监控视频图像进行边缘检测，从而取出其中的无关信息，提高了监控视频图像质量。
图像后处理模块内置有图像滤波单元和图像分割单元，通过图像滤波单元对监控视频图像的高频信号进行过滤，并保留低频信号，以消除监控视频图像的噪声，得到平滑的监控视频图像，再通过图像分割单元对平滑的监控视频图像进行分割，通过对监控视频图像进行过滤去噪和分割的后处理，从而使其便于获取图像序列。
前景提取模块获取监控视频图像序列，并采用自适应高斯背景模型方法提取出监控视频图像中的前景区域图像，通过提取出前景区域图像，从而便于却前景区域图像中的目标区域。
目标分类器根据目标多维特征以及特征量组成的输入特征空间来选择相匹配的分类算法进行构造，并对输入的目标特征向量做出准确的决策分类，通过设计自适应温度的对比分类损失对监控视频图像中的特征向量进行训练，从而实现监控视频图像的视觉分类工作。
首先给出对比损失(InfoNCE loss)的形式：
Figure BDA0003866866380000071
式中τ为温度系数，该损失函数要求第i个样本和它的另一个数据增强的样本(即正样本)之间的相似度si，i尽可能大，而与其他类别的样本(负样本)之间的相似度si，k尽可能小，然而，很多的损失可以达到这个要求，例如：简单损失
Figure BDA0003866866380000081
Figure BDA0003866866380000082
由于实际训练过程，采用
Figure BDA0003866866380000083
作为损失函数效果非常不好，在所有数据集上对比损失要远远好于简单损失，通过简单损失公式可以看到，简单损失对所有的负样本相似度给予了相同权重的惩罚(
Figure BDA0003866866380000084
损失函数对所有的负样本相似度的梯度都是相同的)，而对比损失则更会自动的给距离更近相似度更高的负样本更多的惩罚，这一点可以通过对比损失对不同负样本的相似度的惩罚梯度的简单计算来观察：
对正样本的梯度：
Figure BDA0003866866380000085
对负样本的梯度：
Figure BDA0003866866380000086
其中
Figure BDA0003866866380000087
对于所有的负样本比较来说，Pi，j的分母项都是相同的，那么si，j越大，则Pi，j的分子项越大，梯度项
Figure BDA0003866866380000088
越大，即对比损失给予了更相似(困难)的负样本更大的远离该样本的梯度，可以把不同的负样本想象成同极点电荷在不同距离处的受力情况，距离越近的点电荷受到的库伦斥力更大，而距离越远的点电荷受到的斥力越小，对比损失也是这样的，这种性质更有利于形成在超球面均匀分布的特征。
基于此，损失函数对正样本的梯度绝对值等于所有对负样本的梯度值绝对值的和，即
Figure BDA0003866866380000091
基于这个观察，本实施例定义了对第j个负样本的一个相对惩罚强度：
Figure BDA0003866866380000092
则对于所有的j≠i，∑j≠iri(si，j)＝1，形成了一个玻尔兹曼概率分布，该分布的熵随着温度系数的增大严格增大，即H(ri)是随着τ单调递增的(只需要满足所有的si，j不相等即可)，由此可见，温度系数决定了此分布的熵，如果将si，j由大到小排序，形成一个顺序统计量，那么熵的大小将决定了分布的陡峭程度，即温度系数决定了对比损失对困难负样本的关注程度，越大的温度系数，往往一视同仁，不会太过关注更困难的负样本；而温度系数越小，则越关注与该样本相似度非常大的困难负样本，给予困难负样本更大的梯度与正样本分离。
为了更具体的解释温度系数的作用，计算了两种极端情况，即温度系数趋向于0和无穷大，当温度系数趋向于0时：
Figure BDA0003866866380000101
可以看出，此时对比损失退化为只关注最困难的负样本的损失函数，而当温度系数趋向于无穷大时：
Figure BDA0003866866380000102
此时对比损失对所有负样本的权重都相同，都为1/Nτ，即对比损失失去了困难样本关注的特性，当温度系数趋向于无穷时，该损失便变成了之前介绍的简单损失
Figure BDA0003866866380000103
于上述观察，本实施例提出了自适应温度的对比分类损失：
Figure BDA0003866866380000111
此时通过权重因子α*(1-si，i)γ自适应调节对困难样本的关注，据样本分辨的难易程度给样本对应的损失添加权重，即给容易区分的样本添加较小的权重，给难分辨的样本添加较大的权重。
数据存储模块包括预存有已标记样本的样本数据库和用于存储监控视频图像的视频数据库，样本数据库通过已标记样本对目标分类器进行训练，通过训练好的目标分类器对未知目标样本进行视觉分类，以提供视频数据库的视频数据索引，从而便于快速查询和检索监控视频图像，以及时发现突发问题并处理。
当需要在校园安全监控过程中对监控视图图像进行视觉分类时，先通过视频监控模块对校园环境进行实时监控并将采集到的校园监控视频图像传输至图像预处理模块，接着通过图像预处理模块对监控视频图像进行均衡化和边缘检测预处理，以对监控视频图像进行增强，再通过前景提取模块获取监控视频图像序列，并采用自适应高斯背景模型方法提取出监控视频图像中的前景区域图像，随后通过图像后处理模块对前景区域图像进行去噪和分割后处理，以对图像进行进一步优化，然后通过运动区域检测模块对优化后的前景区域图像进行目标检测与跟踪，之后采用目标特征提取模块从检测目标前景区域图像中提取出有效前景区域，并对目标的多维特征进行提取，同时选择出匹配的特征量组成目标分类器的输入特征空间，最后根据目标多维特征以及特征量组成的输入特征空间来选择相匹配的分类算法构造目标分类器，并利用目标分类器对数据存储模块中存储的监控视频数据的未知目标样本进行视觉分类，为视频数据库提供视频数据索引。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种校园安全监控的视觉分类系统，包括视频监控模块、前景提取模块、运动区域检测模块、目标特征提取模块、目标分类器和数据存储模块，其特征在于：所述视频监控模块和前景提取模块之间连接有图像预处理模块，所述图像预处理模块将视频监控模块采集到的校园监控视频图像进行均衡化和边缘检测预处理后发送至前景提取模块，所述前景提取模块和运动区域检测模块之间连接有图像后处理模块，所述图像后处理模块将前景提取模块提取的前景区域图像进行去噪和分割后处理后发送至运动区域检测模块，所述运动区域检测模块对后处理后的前景区域图像进行目标检测与跟踪，所述目标特征提取模块从检测目标前景区域图像中提取出有效前景区域，并对目标的多维特征进行提取，同时选择出匹配的特征量组成目标分类器的输入特征空间，所述视频监控模块和目标分类器均与数据存储模块连接，所述目标分类器通过数据存储模块中的已标记样本进行训练，并对监控视频图像中的未知目标样本进行视觉分类。
2.根据权利要求1所述的一种校园安全监控的视觉分类系统，其特征在于：所述视频监控模块包括实时监控单元和视频传输单元，所述实时监控单元为360°高清摄像头并根据实际需要安装于校园内待监控位置，所述视频传输单元将360°高清摄像头采集到的监控视频图像传输至图像预处理模块。
3.根据权利要求1所述的一种校园安全监控的视觉分类系统，其特征在于：所述图像预处理模块内置有图像均衡单元，通过图像均衡单元统计监控视频图像像素值，并计算像素值占比灰度等级的概率以及每个灰度等级的累计概率，再对累计概率进行灰度等级的映射，得到均衡化的监控视频图像。
4.根据权利要求1所述的一种校园安全监控的视觉分类系统，其特征在于：所述图像预处理模块内置有边缘检测单元，通过边缘检测单元对监控视频图像的边缘图像进行检测，删除边缘图像并保留图像关于监控目标的关键信息，减少监控视频图像的数据量。
5.根据权利要求1所述的一种校园安全监控的视觉分类系统，其特征在于：所述图像后处理模块内置有图像滤波单元和图像分割单元，通过图像滤波单元对监控视频图像的高频信号进行过滤，并保留低频信号，以消除监控视频图像的噪声，得到平滑的监控视频图像，再通过图像分割单元对平滑的监控视频图像进行分割。
6.根据权利要求1所述的一种校园安全监控的视觉分类系统，其特征在于：所述前景提取模块获取监控视频图像序列，基于视觉相似性聚类图像序列中每个类的数据，再从生成的每个类中选择图像样本，并采用自适应高斯背景模型方法提取出监控视频图像中的前景区域图像。
7.根据权利要求1所述的一种校园安全监控的视觉分类系统，其特征在于：所述目标分类器损失函数根据温度系数的作用设计自适应温度系数控制着对负样本感知程度，运用梯度传播理论揭示专利改进对比学习有用的性质和现象，做出准确的决策分类。
8.根据权利要求1所述的一种校园安全监控的视觉分类系统，其特征在于：所述数据存储模块包括预存有已标记样本的样本数据库和用于存储监控视频图像的视频数据库，所述样本数据库通过已标记样本对目标分类器进行训练，通过训练好的目标分类器对未知目标样本进行视觉分类，以提供视频数据库的视频数据索引。
CN202211184553.8A 2022-09-27 2022-09-27 一种校园安全监控的视觉分类系统 Pending CN115457478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211184553.8A CN115457478A (zh) 2022-09-27 2022-09-27 一种校园安全监控的视觉分类系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211184553.8A CN115457478A (zh) 2022-09-27 2022-09-27 一种校园安全监控的视觉分类系统

Publications (1)

Publication Number Publication Date
CN115457478A true CN115457478A (zh) 2022-12-09

Family

ID=84306610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211184553.8A Pending CN115457478A (zh) 2022-09-27 2022-09-27 一种校园安全监控的视觉分类系统

Country Status (1)

Country Link
CN (1) CN115457478A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071657A (zh) * 2023-03-07 2023-05-05 青岛旭华建设集团有限公司 一种建筑施工视频监控大数据的智能预警系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071657A (zh) * 2023-03-07 2023-05-05 青岛旭华建设集团有限公司 一种建筑施工视频监控大数据的智能预警系统

Similar Documents

Publication Publication Date Title
CN108053615B (zh) 基于微表情的驾驶员疲劳驾驶状态检测方法
US11263435B2 (en) Method for recognizing face from monitoring video data
CN105868689B (zh) 一种基于级联卷积神经网络的人脸遮挡检测方法
CN111611905B (zh) 一种可见光与红外融合的目标识别方法
CN102842032B (zh) 基于多模式组合策略的移动互联网色情图像识别方法
CN110837784B (zh) 一种基于人体头部特征的考场偷窥作弊检测系统
CN107506800A (zh) 一种基于无监督域适应的无标签视频人脸识别方法
CN104778453B (zh) 一种基于红外行人亮度统计特征的夜间行人检测方法
CN104008395B (zh) 一种基于人脸检索的不良视频智能检测方法
CN104992148A (zh) 基于随机森林的atm终端部分遮挡人脸关键点检测方法
CN108960142B (zh) 基于全局特征损失函数的行人再识别方法
CN109299690B (zh) 一种可提高视频实时人脸识别精度的方法
CN115457478A (zh) 一种校园安全监控的视觉分类系统
CN105023025B (zh) 一种开集痕迹图像分类方法及系统
CN111783534A (zh) 一种基于深度学习的睡眠分期方法
CN111008647B (zh) 一种样本提取及基于空洞卷积与残差链接的图像分类方法
CN102915453A (zh) 一种实时反馈更新的车辆检测方法
CN109344720B (zh) 一种基于自适应特征选择的情感状态检测方法
CN112668557A (zh) 一种行人再识别系统中防御图像噪声攻击的方法
CN107705268A (zh) 一种基于改进的Retinex与Welsh近红外图像增强与彩色化算法
CN112613480A (zh) 一种人脸识别方法、系统、电子设备及存储介质
CN114049537A (zh) 一种基于卷积神经网络的对抗样本防御方法
CN111639212B (zh) 一种矿用智能视频分析中的图像检索方法
CN111310689B (zh) 潜在信息融合的家庭安防系统中的人体行为识别的方法
CN105975994B (zh) 基于非相似性变换一类svm模型的sar目标鉴别方法

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