CN115499584A - 一种监控对象动态捕捉方法 - Google Patents
一种监控对象动态捕捉方法 Download PDFInfo
- Publication number
- CN115499584A CN115499584A CN202211073317.9A CN202211073317A CN115499584A CN 115499584 A CN115499584 A CN 115499584A CN 202211073317 A CN202211073317 A CN 202211073317A CN 115499584 A CN115499584 A CN 115499584A
- Authority
- CN
- China
- Prior art keywords
- monitored
- monitored object
- camera unit
- scene
- tracked
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims 1
- 230000000007 visual effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及监控对象动态捕捉领域,提出了一种监控对象动态捕捉方法,该方法包括:预先存储待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型;通过第一摄像机单元获取待监控场景的整幅图像,通过第二摄像机单元按其预设扫描路径对待监控场景进行动态扫描;当整幅图像中出现监控对象,且该监控对象属于需追踪的监控对象类型或不是预先存储的监控对象类型时,则获取该监控对象的位置信息和第二摄像机单元的扫描中心线的位置信息关系,以及该监控对象的移动信息和第二摄像机单元的移动信息该监控对象相对于第二摄像机单元的运动模式,第二摄像机单元根据所述运动模式对该监控对象进行动态捕捉。
Description
技术领域
本发明涉及监控对象动态捕捉领域,特别涉及一种监控对象动态捕捉方法。
背景技术
目前,对于很多特定场景,如军事监控区、企业财务监控区及企业自动化生产区等区域,很多情况下是不允许无关人员和无关物体擅自闯入的,因此,针对这些特定场景的监控显得愈发重要,而对于这些特定区域的监控手段,一般是采用单个摄像头按扫描路径循环扫描以发现异常侵入对象,并对其进行图像捕捉的,但是这种做法会因不明入侵的人和/或物可能并不是随时都出现在摄像头的扫描视野范围内,从而导致不能及时发现,进而可能对特定场景的隐私性造成破坏,也可能破坏自动生产。
基于此,人们尝试用多个摄像头对这些特定场景进行无死角监控,然而,这种做法大多也是通过监看多个监控画面并通过人工判断是否有不明入侵的人和/或物,时延性低,并且,通过人工参与判断会浪费较多的人力成本投入。
更有甚的,还有的方案会设定摄像机直接对入侵的人和/或物进行追踪,并不能直接确定出入侵的人和/或物是否存在威胁,也可能因为对入侵目标的无谓的追踪错失掉视野范围之外的真实隐患目标。
发明内容
本发明的目的是提供一种监控对象动态捕捉方法,能够首先对监控对象进行精准判断,并根据监控对象的类型实现自动动态捕捉。
本发明解决其技术问题,采用的技术方案是:
一种监控对象动态捕捉方法,包括如下步骤:
预先存储待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型;
通过第一摄像机单元获取待监控场景的整幅图像,通过第二摄像机单元按其预设扫描路径对待监控场景进行动态扫描;
当整幅图像中出现监控对象,且该监控对象属于需追踪的监控对象类型或不是预先存储的监控对象类型时,则获取该监控对象的位置信息和第二摄像机单元的扫描中心线的位置信息关系,以及该监控对象的移动信息和第二摄像机单元的移动信息,并获取该监控对象相对于第二摄像机单元的运动模式;
第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
进一步的是,所述预先存储的待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型分别以列表的形式进行分类存储。
进一步的是,通过第一摄像机单元每隔第一规定时间获取待监控场景的整幅图像,并记录获取整幅图像时的时间信息。
进一步的是,所述通过第二摄像机单元按其预设扫描路径对待监控场景进行动态扫描时,所述预设扫描路径为预先存储在第二摄像机单元中的扫描路径或者第二摄像机单元根据待监控场景的尺寸特征生成的扫描路径。
进一步的是,预先在第一摄像机单元中存储待监控场景的整幅图像,所述预先存储的待监控场景的整幅图像中不包含监控对象,当通过第一摄像机单元获取待监控场景的整幅图像时,将预先存储的待监控场景的整幅图像和通过第一摄像机单元获取的待监控场景的整幅图像分别输入至孪生神经网络中,通过孪生神经网络对输入的两幅图像的比较结果,判断通过第一摄像机单元获取的待监控场景的整幅图像中是否出现监控对象。
进一步的是,所述通过孪生神经网络对输入的两幅图像的比较结果,判断通过第一摄像机单元获取的待监控场景的整幅图像中是否出现监控对象,具体是指:
两幅图像输入至孪生神经网络后,孪生神经网络将这两幅图像进行比较,判断比较的差值是否在第一预设阈值范围内,若在,则表示通过第一摄像机单元获取的待监控场景的整幅图像中没有出现监控对象,否则表示通过第一摄像机单元获取的待监控场景的整幅图像中出现了监控对象。
进一步的是,当整幅图像中出现监控对象时,将该监控对象的图像输入至卷积神经网络,利用卷积神经网络进行特征提取后,对预先存储的待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型的列表进行筛选,若该监控对象属于无需追踪的监控对象类型,则第二摄像机单元不改变其扫描路径,继续对待监控场景进行动态扫描。
进一步的是,若所述监控对象属于需追踪的监控对象类型或不是预先存储的监控对象类型,则首先判断该监控对象是否在第二摄像机单元的扫描视野范围内,若不在,则控制第二摄像机单元以最高预设速度转动至该监控对象,并将扫描中心线对准监控对象的质点,并根据该监控对象的移动信息对该监控对象进行动态捕捉,若在,则获取该监控对象的位置信息和第二摄像机单元的扫描中心线的位置信息关系,以及该监控对象的移动信息和第二摄像机单元的移动信息,并获取该监控对象相对于第二摄像机单元的运动模式,第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
进一步的是,当所述监控对象不是预先存储的监控对象类型时,第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉,并对该监控对象的类型进行人工判断并分类,若该监控对象属于需追踪的监控对象类型,则将其添加至预先存储待监控场景中需追踪的监控对象类型列表中,并持续对该监控对象进行动态捕捉,若该监控对象属于无需追踪的监控对象类型,则将其添加至预先存储待监控场景中无需追踪的监控对象类型列表中,第二摄像机单元停止对该监控对象的动态捕捉,并返回至预设扫描路径继续对对待监控场景进行动态扫描。
进一步的是,若所述监控对象在第一时间节点下被判断为属于无需追踪的监控对象类型,则第二摄像机单元不改变其扫描路径,继续对待监控场景进行动态扫描,若所述监控对象在第二时间节点下被判断为属于需追踪的监控对象类型时,则再次利用第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
本发明的有益效果是:通过上述一种监控对象动态捕捉方法,首先,预先存储待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型,其次,通过第一摄像机单元获取待监控场景的整幅图像,通过第二摄像机单元按其预设扫描路径对待监控场景进行动态扫描,然后,当整幅图像中出现监控对象,且该监控对象属于需追踪的监控对象类型或不是预先存储的监控对象类型时,则获取该监控对象的位置信息和第二摄像机单元的扫描中心线的位置信息关系,以及该监控对象的移动信息和第二摄像机单元的移动信息,并获取该监控对象相对于第二摄像机单元的运动模式,最后,第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。因此,本发明能够在最低的摄像机单元的硬件投入成本的基础上,通过对待监控场景的全面监控,判断出监控对象是否存在真实威胁,再去判断动态捕捉摄像头(即第二摄像机单元)与待监控目标的位置关系和运动模式关系,进而实现对存在真实威胁的监控对象进行动态捕捉,同时也避免了摄像头的无效转动。
附图说明
图1为本发明提出的一种监控对象动态捕捉方法的流程图。
具体实施方式
下面结合附图,详细描述本发明的技术方案。
本发明提出的是一种监控对象动态捕捉方法,其流程图见图1,其中,该方法包括如下步骤:
S1.预先存储待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型;
S2.通过第一摄像机单元获取待监控场景的整幅图像,通过第二摄像机单元按其预设扫描路径对待监控场景进行动态扫描;
S3.当整幅图像中出现监控对象,且该监控对象属于需追踪的监控对象类型或不是预先存储的监控对象类型时,则获取该监控对象的位置信息和第二摄像机单元的扫描中心线的位置信息关系,以及该监控对象的移动信息和第二摄像机单元的移动信息,并获取该监控对象相对于第二摄像机单元的运动模式;
S4.第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
这里,第一摄像机单元一般为广角摄像机,能够采集待监控场景的全局画面,第二摄像机单元则是高清摄像头,其在未接收指令动态捕捉监控对象时一般是按其预设扫描路径对待监控场景进行动态扫描,当通过广角摄像机获取的整幅图像后,首先会对整幅图像进行分析和判断,在出现了监控对象时,分析并判断该监控对象是不是需要调动第二摄像机单元进行动态捕捉,只有监控对象属于需追踪的监控对象类型或不是预先存储的监控对象类型时,才会获取该监控对象的位置信息和第二摄像机单元的扫描中心线的位置信息关系,以及该监控对象的移动信息和第二摄像机单元的移动信息,并获取该监控对象相对于第二摄像机单元的运动模式,最后才控制第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
上述方法中,一般来说,需追踪的监控对象类型相对于监控场景来说是存在安全隐患或者是存在威胁的,而无需追踪的监控对象类型则是已经在之前识别好并判断为无安全隐患和不存在威胁的,对于这两大类监控对象,由于各类型下监控对象可能较多,因此,为了存储方便,且为了方便后续数据筛选,这里,所述预先存储的待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型可以分别以列表的形式进行分类存储。
需要指出的是,这里,通过第一摄像机单元每隔第一规定时间获取待监控场景的整幅图像,并记录获取整幅图像时的时间信息,其中,第一规定时间根据监控场景的实际需求可以自由设定,记录时间信息的目的是为了方便留档查看。
实际应用中,所述通过第二摄像机单元按其预设扫描路径对待监控场景进行动态扫描时,所述预设扫描路径为预先存储在第二摄像机单元中的扫描路径或者第二摄像机单元可以根据待监控场景的尺寸特征生成的扫描路径,当然,也可以通过其他方式生成扫描路径,第二摄像机单元按照该扫描路径扫描完一个周期后,要保证可以采集到监控场景的全局图像。
另外,预先在第一摄像机单元中存储待监控场景的整幅图像,所述预先存储的待监控场景的整幅图像中不包含监控对象,当通过第一摄像机单元获取待监控场景的整幅图像时,将预先存储的待监控场景的整幅图像和通过第一摄像机单元获取的待监控场景的整幅图像分别输入至孪生神经网络中,通过孪生神经网络对输入的两幅图像的比较结果,判断通过第一摄像机单元获取的待监控场景的整幅图像中是否出现监控对象,这里,考虑到孪生神经网络可以对两个相近图像进行差别判断,且判断结果较为准确。
因而,所述通过孪生神经网络对输入的两幅图像的比较结果,判断通过第一摄像机单元获取的待监控场景的整幅图像中是否出现监控对象,具体是指:
两幅图像输入至孪生神经网络后,孪生神经网络将这两幅图像进行比较,判断比较的差值是否在第一预设阈值范围内,若在,则表示通过第一摄像机单元获取的待监控场景的整幅图像中没有出现监控对象,否则表示通过第一摄像机单元获取的待监控场景的整幅图像中出现了监控对象。其中,第一预设阈值范围可根据第一摄像机单元获取的整幅图像的精度自由设定。
实际应用时,当整幅图像中出现监控对象时,将该监控对象的图像输入至卷积神经网络,利用卷积神经网络进行特征提取后,对预先存储的待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型的列表进行筛选,若该监控对象属于无需追踪的监控对象类型,则第二摄像机单元不改变其扫描路径,继续对待监控场景进行动态扫描。
另外,若所述监控对象属于需追踪的监控对象类型或不是预先存储的监控对象类型,则首先判断该监控对象是否在第二摄像机单元的扫描视野范围内,若不在,则控制第二摄像机单元以最高预设速度转动至该监控对象,并将扫描中心线对准监控对象的质点,并根据该监控对象的移动信息对该监控对象进行动态捕捉,若在,则获取该监控对象的位置信息和第二摄像机单元的扫描中心线的位置信息关系,以及该监控对象的移动信息和第二摄像机单元的移动信息该监控对象相对于第二摄像机单元的运动模式,第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
需要说明的是,当所述监控对象不是预先存储的监控对象类型时,第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉,并对该监控对象的类型进行人工判断并分类,若该监控对象属于需追踪的监控对象类型,则将其添加至预先存储待监控场景中需追踪的监控对象类型列表中,并持续对该监控对象进行动态捕捉,若该监控对象属于无需追踪的监控对象类型,则将其添加至预先存储待监控场景中无需追踪的监控对象类型列表中,第二摄像机单元停止对该监控对象的动态捕捉,并返回至预设扫描路径继续对对待监控场景进行动态扫描。
最后,如果监控对象存在有目的的伪装侵入,在某一时间点可能被判断为无需追踪的监控对象类型,如果在下一时间节点被发现可能也是存在安全隐患的,这种情况下,依然需要第二摄像机单元进行动态捕捉,此时,若所述监控对象在第一时间节点下被判断为属于无需追踪的监控对象类型,则第二摄像机单元不改变其扫描路径,继续对待监控场景进行动态扫描,若所述监控对象在第二时间节点下被判断为属于需追踪的监控对象类型时,则再次利用第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
Claims (10)
1.一种监控对象动态捕捉方法,其特征在于,包括如下步骤:
预先存储待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型;
通过第一摄像机单元获取待监控场景的整幅图像,通过第二摄像机单元按其预设扫描路径对待监控场景进行动态扫描;
当整幅图像中出现监控对象,且该监控对象属于需追踪的监控对象类型或不是预先存储的监控对象类型时,则获取该监控对象的位置信息和第二摄像机单元的扫描中心线的位置信息关系,以及该监控对象的移动信息和第二摄像机单元的移动信息,并获取该监控对象相对于第二摄像机单元的运动模式;
第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
2.根据权利要求1所述的一种监控对象动态捕捉方法,其特征在于,所述预先存储的待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型分别以列表的形式进行分类存储。
3.根据权利要求1所述的一种监控对象动态捕捉方法,其特征在于,通过第一摄像机单元每隔第一规定时间获取待监控场景的整幅图像,并记录获取整幅图像时的时间信息。
4.根据权利要求1所述的一种监控对象动态捕捉方法,其特征在于,所述通过第二摄像机单元按其预设扫描路径对待监控场景进行动态扫描时,所述预设扫描路径为预先存储在第二摄像机单元中的扫描路径或者第二摄像机单元根据待监控场景的尺寸特征生成的扫描路径。
5.根据权利要求1所述的一种监控对象动态捕捉方法,其特征在于,预先在第一摄像机单元中存储待监控场景的整幅图像,所述预先存储的待监控场景的整幅图像中不包含监控对象,当通过第一摄像机单元获取待监控场景的整幅图像时,将预先存储的待监控场景的整幅图像和通过第一摄像机单元获取的待监控场景的整幅图像分别输入至孪生神经网络中,通过孪生神经网络对输入的两幅图像的比较结果,判断通过第一摄像机单元获取的待监控场景的整幅图像中是否出现监控对象。
6.根据权利要求5所述的一种监控对象动态捕捉方法,其特征在于,所述通过孪生神经网络对输入的两幅图像的比较结果,判断通过第一摄像机单元获取的待监控场景的整幅图像中是否出现监控对象,具体是指:
两幅图像输入至孪生神经网络后,孪生神经网络将这两幅图像进行比较,判断比较的差值是否在第一预设阈值范围内,若在,则表示通过第一摄像机单元获取的待监控场景的整幅图像中没有出现监控对象,否则表示通过第一摄像机单元获取的待监控场景的整幅图像中出现了监控对象。
7.根据权利要求1-6任意一项所述的一种监控对象动态捕捉方法,其特征在于,当整幅图像中出现监控对象时,将该监控对象的图像输入至卷积神经网络,利用卷积神经网络进行特征提取后,对预先存储的待监控场景中需追踪的监控对象类型和无需追踪的监控对象类型的列表进行筛选,若该监控对象属于无需追踪的监控对象类型,则第二摄像机单元不改变其扫描路径,继续对待监控场景进行动态扫描。
8.根据权利要求7所述的一种监控对象动态捕捉方法,其特征在于,若所述监控对象属于需追踪的监控对象类型或不是预先存储的监控对象类型,则首先判断该监控对象是否在第二摄像机单元的扫描视野范围内,若不在,则控制第二摄像机单元以最高预设速度转动至该监控对象,并将扫描中心线对准监控对象的质点,并根据该监控对象的移动信息对该监控对象进行动态捕捉,若在,则获取该监控对象的位置信息和第二摄像机单元的扫描中心线的位置信息关系,以及该监控对象的移动信息和第二摄像机单元的移动信息,并获取该监控对象相对于第二摄像机单元的运动模式,第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
9.根据权利要求8所述的一种监控对象动态捕捉方法,其特征在于,当所述监控对象不是预先存储的监控对象类型时,第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉,并对该监控对象的类型进行人工判断并分类,若该监控对象属于需追踪的监控对象类型,则将其添加至预先存储待监控场景中需追踪的监控对象类型列表中,并持续对该监控对象进行动态捕捉,若该监控对象属于无需追踪的监控对象类型,则将其添加至预先存储待监控场景中无需追踪的监控对象类型列表中,第二摄像机单元停止对该监控对象的动态捕捉,并返回至预设扫描路径继续对对待监控场景进行动态扫描。
10.根据权利要求9所述的一种监控对象动态捕捉方法,其特征在于,若所述监控对象在第一时间节点下被判断为属于无需追踪的监控对象类型,则第二摄像机单元不改变其扫描路径,继续对待监控场景进行动态扫描,若所述监控对象在第二时间节点下被判断为属于需追踪的监控对象类型时,则再次利用第二摄像机单元根据所述位置关系和运动模式对该监控对象进行动态捕捉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211073317.9A CN115499584A (zh) | 2022-09-02 | 2022-09-02 | 一种监控对象动态捕捉方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211073317.9A CN115499584A (zh) | 2022-09-02 | 2022-09-02 | 一种监控对象动态捕捉方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115499584A true CN115499584A (zh) | 2022-12-20 |
Family
ID=84469025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211073317.9A Pending CN115499584A (zh) | 2022-09-02 | 2022-09-02 | 一种监控对象动态捕捉方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115499584A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072332A (zh) * | 2007-06-04 | 2007-11-14 | 深圳市融合视讯科技有限公司 | 一种自动跟踪活动目标进行拍摄的方法 |
CN101335879A (zh) * | 2008-07-10 | 2008-12-31 | 华南理工大学 | 多点触发定点追踪的监控方法及监控系统 |
CN201248107Y (zh) * | 2008-04-30 | 2009-05-27 | 深圳市飞瑞斯科技有限公司 | 主从式摄像机智能视频监控系统 |
CN102244777A (zh) * | 2011-08-19 | 2011-11-16 | 天津天地伟业数码科技有限公司 | 自动跟踪智能球及其监控方法 |
CN105208343A (zh) * | 2015-09-25 | 2015-12-30 | 珠海安联锐视科技股份有限公司 | 可用于视频监控设备的智能监控系统和方法 |
CN105407283A (zh) * | 2015-11-20 | 2016-03-16 | 成都因纳伟盛科技股份有限公司 | 一种多目标主动识别跟踪监控方法 |
-
2022
- 2022-09-02 CN CN202211073317.9A patent/CN115499584A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072332A (zh) * | 2007-06-04 | 2007-11-14 | 深圳市融合视讯科技有限公司 | 一种自动跟踪活动目标进行拍摄的方法 |
CN201248107Y (zh) * | 2008-04-30 | 2009-05-27 | 深圳市飞瑞斯科技有限公司 | 主从式摄像机智能视频监控系统 |
CN101335879A (zh) * | 2008-07-10 | 2008-12-31 | 华南理工大学 | 多点触发定点追踪的监控方法及监控系统 |
CN102244777A (zh) * | 2011-08-19 | 2011-11-16 | 天津天地伟业数码科技有限公司 | 自动跟踪智能球及其监控方法 |
CN105208343A (zh) * | 2015-09-25 | 2015-12-30 | 珠海安联锐视科技股份有限公司 | 可用于视频监控设备的智能监控系统和方法 |
CN105407283A (zh) * | 2015-11-20 | 2016-03-16 | 成都因纳伟盛科技股份有限公司 | 一种多目标主动识别跟踪监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8026945B2 (en) | Directed attention digital video recordation | |
CN101685543B (zh) | 视频运动检测方法和照相机 | |
US7751647B2 (en) | System and method for detecting an invalid camera in video surveillance | |
CN1235395C (zh) | 移动目标监视管理装置 | |
US10645344B2 (en) | Video system with intelligent visual display | |
KR102050821B1 (ko) | Ptz 카메라를 이용한 화재 검색 방법 | |
US20070058717A1 (en) | Enhanced processing for scanning video | |
US20110181716A1 (en) | Video surveillance enhancement facilitating real-time proactive decision making | |
US20080291278A1 (en) | Wide-area site-based video surveillance system | |
US20040141633A1 (en) | Intruding object detection device using background difference method | |
US20120002056A1 (en) | Apparatus and method for actively tracking multiple moving objects using a monitoring camera | |
JP2006523043A (ja) | 監視を行なう方法及びシステム | |
GB2480521A (en) | Face recognition system using secondary cameras for high quality images | |
CN106657775A (zh) | 一种跟踪监控的方法、装置和系统 | |
CN109841022B (zh) | 一种目标移动轨迹侦测报警方法、系统及存储介质 | |
CN113329171A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
KR100571801B1 (ko) | 디지탈 감시 장치 및 방법 | |
CN115499584A (zh) | 一种监控对象动态捕捉方法 | |
CN116017136A (zh) | 拍摄设备的控制方法和装置、存储介质及电子装置 | |
CN112243110B (zh) | 全景目标轨迹记录方法 | |
Chundi et al. | Intelligent Video Surveillance Systems | |
CN1758714A (zh) | 智能型图像处理闭路电视摄像机装置及其操作方法 | |
Bagkratsas et al. | Digital forensics, video forgery recognition, for cybersecurity systems | |
JP2889410B2 (ja) | 画像認識装置 | |
CN117177069B (zh) | 一种基于onvif协议的摄像头自动追踪方法及系统 |
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 |