LU101413B1 - Connected entities tracking - Google Patents

Connected entities tracking Download PDF

Info

Publication number
LU101413B1
LU101413B1 LU101413A LU101413A LU101413B1 LU 101413 B1 LU101413 B1 LU 101413B1 LU 101413 A LU101413 A LU 101413A LU 101413 A LU101413 A LU 101413A LU 101413 B1 LU101413 B1 LU 101413B1
Authority
LU
Luxembourg
Prior art keywords
entities
physical entities
relationships
relationship
entity
Prior art date
Application number
LU101413A
Other languages
English (en)
Inventor
Juste Guillermo Schwartz
Original Assignee
Clear Image Ai S A R L
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 Clear Image Ai S A R L filed Critical Clear Image Ai S A R L
Priority to LU101413A priority Critical patent/LU101413B1/en
Application granted granted Critical
Publication of LU101413B1 publication Critical patent/LU101413B1/en

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Claims (15)

Revendications
1. Un système de surveillance vidéo, incluant une caméra pour mettre à disposition un flux d'images vidéo d’une région sous surveillance, la caméra incluant ou étant connectée à un télémètre pour déterminer des positions tridimensionnelles d’entités physiques dans ladite région sous surveillance, dans lequel la caméra inclut une unité de traitement configurée pour identifier lesdites entités physiques dans ledit flux d'images vidéo, le marquage desdites entités physiques une fois identifiées, et pour poursuivre les positions des entités physiques marquées; dans lequel l'unité de traitement est en plus configurée pour chercher et enregistrer des relations entre les entités physiques marquées, les relations recherchées appartenant à une ou plusieurs classes de relations, la recherche de relations étant basée sur les positions poursuivies des entités physiques marquées, l'unité de traitement étant configurée pour détecter des événements relationnels et pour envoyer une notification lorsqu'un tel événement relationnel se produit.
2. Le système de surveillance vidéo tel que revendiqué à la revendication 1, dans lequel ladite caméra est ou inclut une caméra stéréoscopique et dans lequel ledit télémètre est un télémètre stéréoscopique. |
3. Le système de surveillance vidéo tel que revendiqué à la revendication 1 ou 2, | dans lequel les entités physiques identifiées, marquées et poursuivies par ladite unité de traitement incluent des personnes.
4. Le système de surveillance vidéo tel que revendiqué à l’une quelconque des | revendications 1 à 3, dans lequel l'unité de traitement est configurée pour | détecter lorsqu'une relation existante appartenant a une classe de relations spécifique se termine.
5. Le système de surveillance vidéo tel que revendiqué à l'une quelconque des | revendications 1 à 4, dans lequel l’unité de traitement est configurée pour classer | lesdites entités physiques en au moins deux classes d’entités différentes et dans | lequel ladite recherche de relations inclut la recherche de relations d’une | première classe de relations, dans lequel les relations de ladite première classe | -
de relations lient des entités d’une classe d’entités à des entités d’une autre classe d’entités.
6. Le système de surveillance vidéo tel que revendiqué à la revendication 5, dans lequel ladite recherche de relations inclut la recherche de relations d’une seconde classe de relations, dans lequel les relations de ladite seconde classe de relations lient des entités d’une classe d’entités spécifique à des entités d’une même classe d’entités.
7. Le système de surveillance vidéo tel que revendiqué à la revendication 5 ou 6, dans lequel les entités physiques identifiées, marquées et poursuivies par ladite unité de traitement incluent des personnes en tant que première classe d’entités et des éléments de bagage en tant que seconde classe d’entités.
8. Le système de surveillance vidéo tel que revendiqué à la revendication 7, dans | lequel ladite recherche de relations inclut la recherche d'associations entre des | articles de bagage et des personnes. |
9. Le système de surveillance vidéo tel que revendiqué à la revendication 5 ou 6, dans lequel les entités physiques identifiées, marquées et poursuivies par ladite | unité de traitement incluent des personnes adultes en tant que première classe d’entités et des enfants en tant que seconde classe d’entités. |
10. Le système de surveillance vidéo tel que revendiqué à la revendication 9, dans ; lequel ladite recherche de relations inclut la recherche d'associations entre personnes adultes et des enfants. :
11. Le système de surveillance vidéo tel que revendiqué à l'une quelconque des revendications 1 à 10, dans lequel la recherche de relations basée sur les : positions poursuivies des entités physiques marquées inclut lidentification d’entités physiques entrant dans le champ de vision de la caméra ensemble à | proximité et ayant les mêmes trajectoires, l'unité de traitement étant configurée : pour effectuer identification d’entités physiques, la recherche de relations et la j détection d’évènements relationnels utilisant un modèle d’apprentissage profond (« deep learning model » en anglais). :
12. Le système de surveillance vidéo tel que revendiqué a la revendication 11, dans ; lequel l'unité de traitement est configurée pour implémenter un contrôle des | limites du champ de vision de la caméra, ledit contrôle des limites comprenant la ; ber ee eee —
définition d’une ou plusieurs zones d’entrée et/ou de sortie dans le champ de vision de la caméra, et prioriser l'identification et la poursuite des entités physiques dans lesdites zones d'entrée et/ou de sortie.
13. Le système de surveillance vidéo tel que revendiqué à l’une quelconque des revendications 1 à 12, comprenant une pluralité de caméras, pour mettre à disposition des flux d'images vidéo de différentes portions de la région sous surveillance.
14. Le système de surveillance vidéo tel que revendiqué à la revendication 13, comprenant une base de données partagée qui est accessible aux caméras, dans lequel des caractéristiques des entités physiques sont stockées pour ré- identification des entités physiques à des temps ultérieurs et/ou par différentes | caméras. |
15. Un procédé de surveillance vidéo, incluant | l’obtention d’un flux d'images vidéo d’une région sous surveillance d’une caméra, | la caméra incluant ou étant connectée à un télémètre; | l’utilisation du télémètre pour déterminer des positions tridimensionnelles | d’entités physiques dans ladite région sous surveillance; ; l'identification desdites entités physiques dans ledit flux d'images vidéo, ; le marquage desdites entités physiques une fois identifiées, ; la poursuite des positions des entités physiques marquées; | la recherche de relations entre les entités physiques marquées, les relations ; recherchées appartenant à une ou plusieurs classes de relations, la recherche | de relations étant basée sur les positions poursuivies des entités physiques } marquées; la détection d'événements relationnels, p. ex. lorsqu'une relation existante | appartenant à une classe de relations spécifique se termine; ; et l’envoi d’une notification lorsqu’un tel événement relationnel se produit. ; rame a ESS
LU101413A 2019-09-27 2019-09-27 Connected entities tracking LU101413B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
LU101413A LU101413B1 (en) 2019-09-27 2019-09-27 Connected entities tracking

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
LU101413A LU101413B1 (en) 2019-09-27 2019-09-27 Connected entities tracking

Publications (1)

Publication Number Publication Date
LU101413B1 true LU101413B1 (en) 2021-03-31

Family

ID=68290022

Family Applications (1)

Application Number Title Priority Date Filing Date
LU101413A LU101413B1 (en) 2019-09-27 2019-09-27 Connected entities tracking

Country Status (1)

Country Link
LU (1) LU101413B1 (fr)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070013776A1 (en) 2001-11-15 2007-01-18 Objectvideo, Inc. Video surveillance system employing video primitives
US20150281655A1 (en) * 2014-03-25 2015-10-01 Ecole Polytechnique Federale De Lausanne (Epfl) Systems and methods for tracking interacting objects

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070013776A1 (en) 2001-11-15 2007-01-18 Objectvideo, Inc. Video surveillance system employing video primitives
US20150281655A1 (en) * 2014-03-25 2015-10-01 Ecole Polytechnique Federale De Lausanne (Epfl) Systems and methods for tracking interacting objects

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHAHIR HAMED YAGHOUBI ET AL: "Maritime situation analysis framework: Vessel interaction classification and anomaly detection", 2015 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA), IEEE, 29 October 2015 (2015-10-29), pages 1279 - 1289, XP032837095, DOI: 10.1109/BIGDATA.2015.7363883 *
YINGYING ZHU ET AL: "Context-Aware Activity Recognition and Anomaly Detection in Video", IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING, IEEE, US, vol. 7, no. 1, 1 February 2013 (2013-02-01), pages 91 - 101, XP011488792, ISSN: 1932-4553, DOI: 10.1109/JSTSP.2012.2234722 *
YUE ZHOU ET AL: "Pair-activity classification by bi-trajectories analysis", COMPUTER VISION AND PATTERN RECOGNITION, 2008. CVPR 2008. IEEE CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 23 June 2008 (2008-06-23), pages 1 - 8, XP031297374, ISBN: 978-1-4244-2242-5 *

Similar Documents

Publication Publication Date Title
Chang et al. Probabilistic group-level motion analysis and scenario recognition
Lee et al. On-road pedestrian tracking across multiple driving recorders
Remagnino et al. Distributed intelligence for multi-camera visual surveillance
Yogameena et al. Computer vision based crowd disaster avoidance system: A survey
Ge et al. Vision-based analysis of small groups in pedestrian crowds
Dee et al. How close are we to solving the problem of automated visual surveillance? A review of real-world surveillance, scientific progress and evaluative mechanisms
Shah et al. Automated visual surveillance in realistic scenarios
Makris et al. Learning semantic scene models from observing activity in visual surveillance
Saxena et al. Crowd behavior recognition for video surveillance
Zaki et al. Automated analysis of pedestrian group behavior in urban settings
US8744125B2 (en) Clustering-based object classification
Linder et al. Multi-model hypothesis tracking of groups of people in RGB-D data
Hakeem et al. Video analytics for business intelligence
CN113326719A (zh) 一种用于目标追踪的方法、设备及系统
US20080123900A1 (en) Seamless tracking framework using hierarchical tracklet association
Bertoni et al. Perceiving humans: from monocular 3d localization to social distancing
US7295106B1 (en) Systems and methods for classifying objects within a monitored zone using multiple surveillance devices
Wong et al. Recognition of pedestrian trajectories and attributes with computer vision and deep learning techniques
Ahmed et al. Surveillance scene representation and trajectory abnormality detection using aggregation of multiple concepts
Stauffer Learning to track objects through unobserved regions
Nikouei et al. I-safe: Instant suspicious activity identification at the edge using fuzzy decision making
Chauhan et al. Study of moving object detection and tracking for video surveillance
Kooij et al. Mixture of switching linear dynamics to discover behavior patterns in object tracks
Bennett et al. Enhanced tracking and recognition of moving objects by reasoning about spatio-temporal continuity
Rezaee et al. Deep-Transfer-learning-based abnormal behavior recognition using internet of drones for crowded scenes

Legal Events

Date Code Title Description
FG Patent granted

Effective date: 20210331