TW201904265A - 異常運動偵測方法及系統 - Google Patents

異常運動偵測方法及系統 Download PDF

Info

Publication number
TW201904265A
TW201904265A TW107111474A TW107111474A TW201904265A TW 201904265 A TW201904265 A TW 201904265A TW 107111474 A TW107111474 A TW 107111474A TW 107111474 A TW107111474 A TW 107111474A TW 201904265 A TW201904265 A TW 201904265A
Authority
TW
Taiwan
Prior art keywords
intervals
video
motion
abnormal
interval
Prior art date
Application number
TW107111474A
Other languages
English (en)
Inventor
妮可拉斯 艾爾卡克
愛理克希 里普其
布理納 瑞登理特
肖瀟
圖利歐 德 索薩 阿肯塔拉
Original Assignee
加拿大商艾維吉隆股份有限公司
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 加拿大商艾維吉隆股份有限公司 filed Critical 加拿大商艾維吉隆股份有限公司
Publication of TW201904265A publication Critical patent/TW201904265A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)

Abstract

本發明提供一種偵測異常運動之方法，其包含：判定在一固定時間週期期間發生之特徵；將該等特徵分組成該固定時間週期之第一子組及第二子組；將該第一子組及該第二子組之各者中之該等特徵分組成至少一個型樣間隔；及使用該等型樣間隔之至少一者判定何時已發生一異常事件。

Description

異常運動偵測方法及系統
本發明標的物係關於視訊中之異常運動偵測，且更特定言之關於在播放錄製視訊中及在近即時顯示來自視訊攝影機之視訊中進行異常運動偵測。
錄製視訊之播放係一視訊監控系統之核心操作之一者。錄製視訊之播放可對檢閱及識別由視訊攝影機擷取之視訊中發現之事件有用。在對受關注事件之任何搜尋中可存在大量錄製視訊。此將有助於此錄製視訊之檢閱者能夠快速地判定異常事件。 在視訊攝影機監控系統中，可存在各產生其自身視訊饋送之大數目個攝影機，此可使保全人員同時觀看此等視訊饋送變麻煩。此將有助於當偵測到受關注事件(例如，異常運動)時此保全人員即時產生警報或指示。
在一個態樣中，本文中所描述之實施例提供一種偵測視訊中之異常運動之方法，如本文中實質上描述。 根據一第一態樣，提供一種方法，其包括：將一固定時間週期劃分成複數個時間間隔；接收與運動向量相關聯之統計資訊，該等運動向量與在該複數個時間間隔之各者中發生之活動相關聯；基於各時間間隔內之統計資訊之類似性將該等時間間隔分群成該固定時間週期內之至少第一及第二叢集；及使用與該複數個時間間隔內之一對應時間間隔相關聯之該統計資訊判定在已發生的時間中何時發生一異常事件。該固定時間週期可為一週。該複數個時間間隔之各者可表示一小時。 根據另一態樣，提供一種方法，其包括：接收表示一視訊流中之一活動之複數個運動向量；判定複數個統計間隔，各統計間隔係基於該複數個運動向量；基於該等經分組統計間隔之類似性將該複數個統計間隔分群成一或多個型樣間隔，該等型樣間隔之各者表示一時間週期內之至少一個時間間隔；及使用該等型樣間隔以判定何時已發生一異常運動事件。該等統計間隔可用以產生複數個直方圖且可基於在各直方圖之間計算的一距離矩陣分群成型樣間隔。可週期性地重新執行該分群。 根據另一態樣，提供一種方法，其包括：偵測一視訊流中之一移動物件，該視訊流包括複數個單元；針對該視訊流之各單元，判定該移動物件之運動是否異常；及若針對至少一個單元，該移動物件之該運動異常，則在該至少一個單元上顯示一異常運動區塊。該區塊可經著色以指示該異常運動之罕見度或異常運動之一類型。該異常運動區塊之該顯示可藉由以下至少一者過濾：異常運動之類型；異常運動之方向；異常運動之量；異常運動之速度；運動之缺失；移動物件之分類；移動物件之大小；及該至少一個單元在一視域內之位置。 根據另一態樣，提供一種方法，其包括：接收表示一視訊流中之一活動之複數個運動向量，該等運動向量與時間間隔相關聯，該等時間間隔包含一週內之某一天及每天內之某一小時；基於與一週內每天相關聯之該等運動向量的雜訊度之類似性將該複數個統計間隔分群成一或多天長型樣間隔；針對該一或多天長型樣間隔之各者，基於該一或多天長型樣間隔之每小時內的該等運動向量之雜訊度之類似性將該等天長型樣間隔劃分成一或多個小時間隔；及使用該等型樣間隔以判定何時已發生一異常運動事件。 根據另一態樣，提供一種系統，其包括：一顯示器；一輸入器件；一處理器，其通信地耦合至該顯示器及該輸入器件；及一記憶體，其通信地耦合至該處理器且其上儲存有可由該處理器執行之電腦程式碼，其中該電腦程式碼在由該處理器執行時引起該處理器執行上文所描述之該等方法。 根據另一態樣，提供一種其上儲存有電腦程式碼之非暫時性電腦可讀媒體，該電腦程式碼可由一處理器執行且在由該處理器執行時引起該處理器執行上文所描述之該等方法。 本[發明內容]未必描述所有態樣之整個範疇。在檢閱特定實施例之下文描述之後，其他態樣、特徵及優點將對一般技術者顯而易見。
闡述眾多特定細節以提供對本文中所描述之實例性實施例之一透徹理解。然而，一般技術者將理解：可在無此等特定細節之情況下實踐本文中所描述之實施例。在其他例項中，尚未詳細描述熟知方法、程序及組件以免混淆本文中所描述之實施例。此外，本描述不應被視為以任何方式限制本文中所描述之實施例之範疇，而是僅描述本文中所描述之各項實施例之實施方案。 當在申請專利範圍及/或說明書中結合術語「包括」或「包含」使用時，字詞「一(a或an)」可意謂「一個」，但其亦與「一或多個」、「至少一個」及「一個或一個以上」之含義一致，除非內容另有明確規定。類似地，除非內容另有明確規定，否則字詞「另一」可意謂至少第二個或更多個。 取決於其中使用此等術語之背景，如本文中所使用之術語「經耦合」、「耦合」或「經連接」可具有若干不同含義。例如，術語經耦合、耦合或經連接可具有一機械或電氣含義。例如，如本文中所使用，取決於特定背景，術語經耦合、耦合或經連接可指示兩個元件或器件直接彼此連接或透過一或多個中間元件或器件經由一電元件、電信號或一機械元件彼此連接。 本文中之「處理影像資料」或其變體指代對影像資料執行之一或多個電腦實施功能。例如，處理影像資料可包含但不限於影像處理操作、分析、管理、壓縮、編碼、儲存、傳輸及/或播放視訊資料。分析影像資料可包含分割影像圖框之區域且偵測物件，追蹤及/或分類定位於由影像資料表示之經擷取場景內之物件。影像資料之處理可引起產生經修改影像資料，諸如經壓縮(例如，品質降低之)及/或經重新編碼之影像資料。影像資料之處理亦可引起輸出關於影像資料或影像內擷取之物件之額外資訊。例如，此額外資訊通常被理解為後設資料。後設資料亦可用於影像資料之進一步處理，諸如繪製圍繞影像圖框中偵測到之物件之邊界框。 如熟習此項技術者將明白，可將本文中所描述之各項實例性實施例體現為一方法、系統或電腦程式產品。據此，各項實例性實施例可呈一完全硬體實施例、一完全軟體實施例(包含韌體、常駐軟體、微碼等)或組合軟體及硬體態樣之一實施例的形式，其等一般皆可在本文中稱為「電路」、「模組」或「系統」。此外，各項實例性實施例可呈一電腦可用儲存媒體上之電腦程式產品之形式，該電腦可用儲存媒體具有該媒體中體現之電腦可用程式碼。 可利用任何適合電腦可用或電腦可讀媒體。電腦可用或電腦可讀媒體可為例如但不限於一電子、磁性、光學、電磁、紅外線或半導體系統、裝置、器件或傳播媒體。在本文件之內文中，一電腦可用或電腦可讀媒體可為可容納、儲存、傳達、傳播或輸送供指令執行系統、裝置或器件使用或結合指令執行系統、裝置或器件使用之程式之任何媒體。 用於實行各項實例性實施例之操作之電腦程式碼可用一物件導向程式設計語言(諸如Java、Smalltalk、C++或類似者)編寫。然而，用於實行各項實例性實施例之操作之電腦程式碼亦可用習知程序程式設計語言(諸如「C」程式設計語言或類似程式設計語言)編寫。程式碼可完全在一電腦上執行，部分在該電腦上作為一獨立軟體套件，部分在該電腦上且部分在一遠端電腦上執行，或完全在該遠端電腦或伺服器上執行。在後一案例中，該遠端電腦可透過一區域網路(LAN)或一廣域網路(WAN)連接至該電腦，或可連接至一外部電腦(例如，透過網際網路使用一網際網路服務提供者)。 下文參考根據本發明之實施例的方法、裝置(系統)及電腦程式產品之流程圖插圖及/或方塊圖描述各項實例性實施例。將理解，流程圖插圖及/或方塊圖之各方塊以及流程圖插圖及/或方塊圖之方塊組合可藉由電腦程式指令來實施。可將此等電腦程式指令提供至一通用電腦、專用電腦或其他可程式化資料處理裝置之一處理器以產生一機器，使得經由該電腦或其他可程式化資料處理裝置之處理器執行之指令產生用於實施(若干)流程圖及/或方塊圖之方塊或(若干)方塊中指定之功能/動作之手段。 亦可將此等電腦程式指令儲存於一電腦可讀記憶體中，該電腦可讀記憶體可引導一電腦或其他可程式化資料處理裝置以一特定方式運作，使得儲存於該電腦可讀記憶體中之指令產生包含實施流程圖及/或方塊圖之方塊或(若干)方塊中指定之功能/動作的指令之一製品。 亦可將電腦程式指令載入至一電腦或其他可程式化資料處理裝置上，以引起在該電腦或其他可程式化裝置上執行一系列操作步驟以產生一電腦實施程序，使得在該電腦或其他可程式化裝置上執行之指令提供用於實施流程圖及/或方塊圖之方塊或(若干)方塊中指定之功能/動作之步驟。 現參考圖1，圖中繪示根據一實例性實施例之一視訊監控系統100的經連接器件之一方塊圖。視訊監控系統100包含執行本文中所描述之程序及功能之硬體及軟體。 視訊監控系統100包括至少一個視訊擷取器件108，該至少一個視訊擷取器件108可操作以擷取複數個影像且產生表示複數個經擷取影像之影像資料。 各視訊擷取器件108包含用於擷取複數個影像之至少一個影像感測器116。視訊擷取器件108可為一數位視訊攝影機且影像感測器116可將經擷取光輸出為一數位資料。例如，影像感測器116可為一CMOS、NMOS或CCD。 至少一個影像感測器116可為可操作的以擷取在一或多個頻率範圍內之光。例如，至少一個影像感測器116可為可操作的以擷取在實質上對應於可見光頻率範圍之一範圍內之光。在其他實例中，至少一個影像感測器116可為可操作的以擷取在可見光範圍外之光，諸如在紅外線及/或紫外線範圍內。在其他實例中，視訊擷取器件108可為包含兩個或更多個感測器之多感測器攝影機，該等感測器可操作以擷取在不同頻率範圍內之光。 至少一個視訊擷取器件108可包含一專用攝影機。將理解，本文中之一專用攝影機指代其主要特徵係擷取影像或視訊之一攝影機。在一些實例性實施例中，該專用攝影機可執行與經擷取影像或視訊相關聯之功能，諸如但不限於處理由其或由另一視訊擷取器件108產生之影像資料。例如，該專用攝影機可為一監控攝影機，諸如一盒式旋轉式網路攝影機、半球型攝影機、天花板攝影機、盒式攝影機及子彈型攝影機之任一者。 另外或替代地，至少一個視訊擷取器件108可包含一嵌入式攝影機。將理解，本文中之一嵌入式攝影機指代嵌入可操作以執行與經擷取影像或視訊無關之功能的一器件內之一攝影機。例如，該嵌入式攝影機可為在一膝上型電腦、平板電腦、無人機器件、智慧型電話、視訊遊戲機或控制器之任一者上找到之一攝影機。 各視訊擷取器件108包含一或多個處理器124、耦合至該等處理器之一或多個記憶體器件132及一或多個網路介面。記憶體器件可包含在執行程式指令期間採用之一本機記憶體(例如，一隨機存取記憶體及一快取記憶體)。處理器執行可儲存於記憶體器件中之電腦程式指令(例如，一作業系統及/或應用程式)。 在各項實施例中，處理器124可由具有獨立地或並行地操作(包含可能冗餘地操作)之一或多個電路單元之任何處理電路來實施，包含一數位信號處理器(DSP)、圖形處理單元(GPU)嵌入式處理器等及其等任何組合。此處理電路可由一或多個積體電路(IC)來實施，包含由一單片積體電路(MIC)、一特殊應用積體電路(ASIC)、一場可程式化閘陣列(FPGA)等或其等任何組合來實施。另外或替代地，例如，可將此處理電路實施為一可程式化邏輯控制器(PLC)。例如，該處理器可包含用於儲存記憶體(諸如數位資料)之電路，且可包括記憶體電路或與記憶體電路有線通信。 在各項實例性實施例中，耦合至處理器電路之記憶體器件132可操作以儲存資料及電腦程式指令。通常，該記憶體器件係一數位電子積體電路之全部或部分，或由複數個數位電子積體電路形成。例如，可將該記憶體器件實施為唯讀記憶體(ROM)、可程式化唯讀記憶體(PROM)、可擦除可程式化唯讀記憶體(EPROM)、電可擦除可程式化唯讀記憶體(EEPROM)、快閃記憶體、一或多個隨身碟、通用串列匯流排(USB)連接記憶體單元、磁性儲存裝置、光學儲存裝置、磁光儲存裝置等或其等任何組合。該記憶體器件可為可操作的以將記憶體儲存為揮發性記憶體、非揮發性記憶體、動態記憶體等或其等任何組合。 在各項實例性實施例中，視訊擷取器件108之複數個組件可在單晶片系統(SOC)內一起實施。例如，處理器124、記憶體器件116及網路介面可在一SOC內實施。此外，當以此方式實施時，一通用處理器及DSP兩者可在該SOC內一起實施。 繼續圖1，至少一個視訊擷取器件108之各者經連接至一網路140。各視訊擷取器件108可操作以輸出表示其擷取之影像之影像資料且經由該網路傳輸影像資料。 將理解，網路140可為提供資料之接收及傳輸之任何通信網路。例如，網路140可為一區域網路、外部網路(例如，WAN、網際網路)或其組合。在其他實例中，網路140可包含一雲端網路。 在一些實例中，視訊監控系統100包含一處理設備148。處理設備148可操作以處理由一視訊擷取器件108輸出之影像資料。處理設備148亦包含一或多個處理器及耦合至處理器之一或多個記憶體器件。處理設備148亦可包含一或多個網路介面。 例如且如所繪示，處理設備148經連接至一視訊擷取器件108。處理設備148可進一步連接至網路140。 根據一項實例性實施例，且如圖1中所繪示，視訊監控系統100包含至少一個工作站156 (例如，伺服器)，各工作站具有一或多個處理器。至少一個工作站156亦可包含儲存記憶體。工作站156自至少一個視訊擷取器件108接收影像資料且執行影像資料之處理。工作站156可進一步發送用於管理及/或控制視訊擷取器件108之一或多者之命令。工作站156可自視訊擷取器件108接收原始影像資料。替代地或另外，工作站156可接收已經歷一些中間處理(諸如在視訊擷取器件108處及/或在一處理設備148處進行處理)之影像資料。工作站156亦可自影像資料接收後設資料且執行影像資料之進一步處理。 將理解，雖然在圖1中繪示單一工作站156，但可將該工作站實施為複數個工作站之一集合。 視訊監控系統100進一步包含連接至網路140之至少一個用戶端器件164。由一或多個使用者使用用戶端器件164以與視訊監控系統100互動。據此，用戶端器件164包含至少一個顯示器件及至少一個使用者輸入器件(例如，滑鼠、鍵盤、觸控螢幕)。用戶端器件164可操作以在其顯示器件上顯示一使用者介面以顯示資訊、接收使用者輸入及播放包含自視訊擷取器件108接收之近即時視訊之錄製視訊。近即時視訊意謂著顯示器描繪在當前時間減去處理時間(如接近視訊擷取器件108之視域中的實況事件之時間)存在之一事件或情況之視訊。例如，該用戶端器件可為一個人電腦、膝上型電腦、平板電腦、個人資料助理(PDA)、行動電話、智慧型電話、遊戲器件及其他行動器件之任一者。 用戶端器件164可操作以經由網路140接收影像資料且進一步可操作以播放經接收影像資料。一用戶端器件164亦可具有用於處理影像資料之功能。例如，一用戶端器件164之處理功能可限於與播放經接收影像資料之能力相關之處理。在其他實例中，可在工作站與一或多個用戶端器件164之間共用影像處理功能。 在一些實例中，可在不具工作站156之情況下實施視訊監控系統100。據此，可在一或多個視訊擷取器件108上整體地執行影像處理功能。替代地，可在視訊擷取器件108、處理設備148及用戶端器件164之兩者或更多者當中共用影像處理功能。 現參考圖2A，圖中繪示根據一項實例性實施例之視訊監控系統100的一操作模組組200之一方塊圖。如圖1A中所繪示，操作模組可在硬體、軟體、或視訊監控系統100之器件之一或多者中實施。 操作模組組200包含至少一個視訊擷取模組208。例如，各視訊擷取器件108可實施一視訊擷取模組208。視訊擷取模組208可操作以控制一視訊擷取器件108之一或多個組件(例如，感測器116等)以擷取影像資料，例如視訊。 操作模組組200包含一影像資料處理模組子組216。例如且如所繪示，影像資料處理模組子組216包含一視訊分析模組224及一視訊管理模組232。 視訊分析模組224接收影像資料且分析影像資料以判定經擷取影像或視訊及/或由該影像或視訊表示之場景中找到的物件之性質或特性。基於所做之判定，視訊分析模組224進一步輸出提供關於包含活動或運動偵測之判定的資訊之後設資料，如將在圖3及後圖中詳述。由視訊分析模組224所做之判定之其他實例可包含以下一或多者：前景/背景分割、物件偵測、物件追蹤、運動偵測、物件分類、虛擬絆網、反常偵測、面部偵測、面部辨識、牌照辨識、識別「遺留」物件、監測物件(即，以防止偷竊)及商業智能。然而，將理解，此項技術中已知之其他視訊分析功能亦可由視訊分析模組224來實施。 視訊管理模組232接收影像資料且對影像資料執行與視訊傳輸、播放及/或儲存相關之處理功能。例如，視訊管理模組232可處理影像資料以允許根據頻寬需求及/或容量傳輸影像資料。視訊管理模組232亦可根據將播放視訊之一用戶端器件164之播放能力(諸如用戶端器件164之顯示器之處理功率及/或解析度)處理影像資料。視訊管理模組232可亦根據用於儲存影像資料之視訊監控系統100內之儲存容量處理影像資料。 將理解，根據一些實例性實施例，視訊處理模組子組216可包含視訊分析模組224及視訊管理模組232之僅一者。 操作模組組200進一步包含一儲存模組子組240。例如且如所繪示，儲存模組子組240包含一視訊儲存模組248及一後設資料儲存模組256。視訊儲存模組248儲存影像資料，其可為由視訊管理模組232處理之影像資料。後設資料儲存模組256儲存自視訊分析模組224輸出之資訊資料。 將理解，雖然視訊儲存模組248及後設資料儲存模組256被繪示為分離模組，但其等可在同一硬體儲存器件內實施，藉此實施邏輯規則以使經儲存視訊與經儲存後設資料分離。在其他實例性實施例中，視訊儲存模組248及/或後設資料儲存模組256可在其中可實施一分佈式儲存方案之複數個硬體儲存器件內實施。 該操作模組組進一步包含至少一個視訊播放模組264，該至少一個視訊播放模組264可操作以自各擷取器件108接收影像資料且在一顯示器上將影像資料作為一視訊進行播放。例如，可在一用戶端器件164上實施視訊播放模組264以播放(來自儲存器件240之)錄製視訊且播放來自視訊擷取器件108之近即時視訊。 可在視訊擷取器件108、處理設備148、工作站156及用戶端器件164之一或多者上實施操作模組組200。在一些實例性實施例中，一操作模組可完全在單一器件上實施。例如，視訊分析模組224可完全在工作站156上實施。類似地，視訊管理模組232可完全在工作站156上實施。 在其他實例性實施例中，組200之一操作模組之一些功能可部分在一第一器件上實施，而一操作模組之其他功能可在一第二器件上實施。例如，可在一視訊擷取器件108、處理設備148與工作站156之一或多者之間拆分視訊分析功能。類似地，可在一視訊擷取器件108、處理設備148與工作站156之一或多者之間拆分視訊管理功能。 現參考圖2B，圖中繪示根據一項特定實例性實施例之視訊監控系統100的一操作模組組200之一方塊圖，其中視訊擷取模組208、視訊分析模組224、視訊管理模組232及儲存器件240全部在一或多個視訊擷取器件108上實施。據此，視訊監控系統100可無需一工作站156及/或一處理設備148。 如本文中別處所描述，由視訊擷取器件108之各者產生影像資料。根據各種實例，經產生影像資料係視訊資料(即，複數個循序影像圖框)。由各視訊擷取器件產生之視訊資料作為一視訊饋送儲存於系統100內。一視訊饋送包含已間歇地錄製之視訊資料段。間歇錄製視訊指代在一時間間隔內實行錄製由一視訊擷取器件108產生之視訊資料，其中未錄製由視訊擷取器件108產生之一些視訊資料。將正實行錄製時產生之視訊資料儲存於系統100內(例如，於視訊儲存模組248內)。未將在不實行錄製時產生之視訊資料儲存於系統100內。 例如，基於一組一或多個規則判定是否錄製由一視訊擷取器件108產生之視訊資料。例如，可基於在視訊內擷取之場景中的一特徵(諸如正偵測之運動)之存在錄製視訊資料。替代地或另外，可基於一預定錄製排程錄製視訊資料。亦可基於來自一操作者之一命令選擇性地錄製視訊資料。 例如，在該時間間隔內，一視訊擷取器件實行錄製之一第一時間子間隔導致儲存一第一視訊資料段。此經儲存視訊資料段包含在該第一時間子間隔期間由視訊擷取器件108產生之複數個循序影像。 在不實行錄製之一第二時間子間隔的期間內，不儲存複數個經產生影像。據此，此影像資料丟失。 在視訊擷取器件再次實行錄製之一第三時間子間隔的期間內，導致儲存另一視訊資料段。此經儲存視訊資料段包含在該第三時間子間隔期間由視訊擷取器件108產生之複數個循序影像。 據此，一給定視訊擷取器件108之視訊饋送係由一或多個視訊資料段形成，將該一或多個視訊資料段儲存為由給定視訊擷取器件108產生之視訊資料的間歇錄製之一結果。 給定視訊擷取器件108之視訊饋送可與一後設資料條目相關聯。該後設資料條目包含指示視訊饋送之各視訊資料段的開始及結束之時間位置之一或多個指示符。時間位置指示視訊資料段之一開始或結束發生之時間。例如，時間位置可指示一視訊資料段之開始或結束發生之真實世界時間。 根據一些實例性實施例，該後設資料條目可進一步包含複數個指示符，其等指示在一視訊饋送之經儲存視訊資料段內偵測到的一或多個事件之開始及結束之時間位置。 現參考圖3，圖中繪示根據H.block之由視訊監控系統100產生的視訊資料之一實施例之一方塊圖。H.264或MPEG-4 Part 10係國際電信聯盟之一區塊導向、基於運動補償之視訊壓縮標準。H.264或MPEG-4 Part 10係錄製、壓縮及分配視訊內容最常用之格式之一者。 H.264標準係複雜的，但在高階中，此壓縮採取一視訊擷取器件108之視域中之一場景300且將場景300劃分成巨集區塊305。一運動向量與巨集區塊305之各者相關聯。在時間線325上由H.264產生一視訊流320具有例如30 fps (30個圖框每秒)，其中各圖框包括一I圖框310接著包括P圖框315。各I圖框310係場景300之一完整影像，且各P圖框315包括自先前相鄰P圖框315或I圖框310之時間間隔起的場景300之巨集區塊305的各者之運動向量(視情況而定)。P圖框315亦稱為圖片間預測圖框，因為其等包含預測巨集區塊305之內容已在場景300中何處移動的運動之一估計。P圖框315亦含有經壓縮紋理資訊。I圖框亦稱為索引圖框。區塊305可具有可變大小，諸如16x16像素或8x16像素。H.264標準之細節係在國際電信聯盟之出版物中，且本文中所提供之高階細節僅用以促進理解本文中所揭示之實施例。 P圖框之運動向量具有運動之一量值及一方向。量值及方向並未直接在P圖框中，此兩個值係自x上之經偏移像素及y上之經偏移像素計算，即，量值=(x2 +y2 )之平方根且方向=atan(y/x)。 此等實例性活動或運動之統計模型(方向、量值、存在及缺失)隨著時間推移而自運動向量產生(學習)。針對一給定實例性活動，可自統計模型提供一概率以指示一給定活動有多常見或罕見。在一時間週期(在本文中亦稱為「間隔」)內針對各區塊305計算或產生至少一個統計模型。接著可偵測且突出一罕見或異常運動(反常)以警告保全人員。另外，在其中先前通常存在恆常運動之情況下，運動之缺失可被視為異常。相反，當先前存在極少運動或不存在運動時，運動之存在可為異常運動。 統計模型不斷地學習，且可能正在改變，其中在一間隔內針對各新圖框接收新運動向量。在一替代實施例中，一旦建立或學習，統計模型便可被固定且僅用新運動向量週期性地更新。 儘管已使用H.264實施此實施例，但一般技術者將理解，可使用其他標準(諸如H.265)實踐本文中所描述之實施例。 偵測反常之一方法係基於特徵學習一統計模型。特徵係諸如運動向量、光流、經偵測物件軌跡及紋理資訊之資訊。將不同於正常型樣或具有一低發生概率之活動(諸如運動)報告為反常，即，異常運動。 在一天週期(諸如早尖峰時間、午餐時間及晚尖峰時間)期間，可存在若干不同活動型樣。此外，在一天內此等型樣之時間間隔可隨著時間推移(例如隨不同季節)而改變。 現參考圖4，圖中繪示根據一項特定實例性實施例之使用具有單一維度、運動方向的運動向量之三個圖表。圖4展示運動方向之概率分佈之兩個實例性圖表405、410 (直方圖)。在圖表405、410中，x 軸表示運動方向(方向單位)在自0度至360度之範圍內之度數；y 軸表示等效於發生一特定度數(特徵值)運動之時間次數(計數)之概率(頻率)。圖表405展示大多數運動係沿對應於約180度之方向。圖表410展示大多數運動係沿約0 (或360)度之方向，此與圖表410中所展示之方向相反。此兩個統計分佈完全不同，因此其等可表示不同活動，例如圖表410可表示在一視域中汽車於一天上午駛向東部(0度)，且圖表405可表示在該視域中汽車於當天下午駛向西部(180度)。 圖4係遵循單向方向排程之一高速公路的一真實世界狀況之一簡化實例：所有汽車在上午期間(上午8點至中午12點)自東駛向西；且在同一道路上，所有汽車在下午期間(中午12點至下午5點)必須自西駛向東。若學習週期中某天係「當天」，則統計模型可能不準確，無論是上午還是下午。在上午期間，若一汽車自西向東行駛，則此將係一反常(反常運動方向)，因為正常型樣係汽車自東駛向西。然而，在下午期間，若一汽車自西向東行駛，此將並非為一反常，因為其匹配正常型樣(自西向東行駛)。因此，同一運動(自西駛向東)可在上午期間為一反常，但在下午期間並非為反常。若在日間無法區分此兩個活動型樣，則無法正確地偵測到反常。 此外，即使在一特定時間已知所有活動型樣，隨著時間推移其等可能在未來發生變化。例如，夏季上午之交通可能不如冬季密集。在視域條件改變時，統計模型應隨著時間時間推移而演進。 針對圖4中所展示之實施例，方向之一實例性統計模型係運動向量方向之一直方圖。所展示直方圖在水平線上具有十二個分格且各分格對應於一30度間隔。各分格之高度表示具有在一對應30度分格間隔內之方向的經觀察運動向量之概率(頻率)。將概率(頻率)計算為正規化觀察次數(計數)；一給定分格之觀察次數除以所有分格之總觀察次數。 使用正規化觀察次數，將一新分格添加至直方圖(如圖表415中所展示)以考量零運動向量之情況(即，運動之缺失)。此分格稱為非運動分格。此分格不對應於任何特定度數間隔，但對應於觀察非運動向量，即，零運動向量。若在一給定圖框中未觀察到運動，則使非運動分格值增量且接著重新正規化直方圖。在此一情況下，對應於運動方向之所有分格之值減小且非運動分格之值增大。若觀察到(非零)運動向量，則使對應於此運動向量之方向的分格之值增量且接著重新正規化直方圖。在此情況下，對應於此方向之分格之值增大，同時所有其他分格(包含非運動分格)之值減小。 現參考圖5A及圖5B，圖中繪示根據一項特定實例性實施例之間隔及其等統計(呈現為直方圖)之一圖。圖中展示一組統計間隔505、515及型樣間隔510、520之列之一實例。圖5A在日間(上午8點至下午5點)期間使用基於小時之統計間隔505提供九個統計間隔505。如所展示，將統計間隔505分群成列510中之兩個型樣間隔(上午8點至中午12點及中午12點至下午5點)。第一型樣間隔包含表示上午之四個統計間隔(上午8點至9點、上午9點至10點、上午10點至11點及上午11點至中午12點)，其等具有類似統計545及圖表525。第二型樣間隔包含表示下午之五個統計間隔(中午12點至下午1點、下午1點至2點、下午2點至3點、下午3點至4點、下午4至5點)，其等具有類似統計550及圖表530。圖表525、530、535、540係針對各間隔學習之統計(直方圖)。如所展示，在型樣間隔510中存在兩組完全不同統計545、550。 相較於圖5A，圖5B展示其中型樣間隔510改變為型樣間隔520之情況。在改變之後，515中之第一型樣間隔現包含三個統計間隔(上午8點至9點、上午9點至10點、上午10點至11點)，其等具有類似統計555及圖表535。第二型樣間隔515具有六個統計間隔(上午11點至中午12點、中午12點至下午1點、下午1點至2點、下午2點至3點、下午3點至4點及下午4點至5點)，其等具有類似統計560及圖表540。圖表535、540係針對各型樣間隔學習之統計(直方圖)。 當列510、520中之型樣間隔改變時，列510、520之型樣間隔內之統計間隔505、515亦改變。在此情況下，存在三個而非四個統計間隔515以計算列520中之第一型樣間隔(上午8點至上午11點)中之概率。圖表525、圖表535及圖表555具有類似統計。圖表530、圖表540及圖表560具有類似統計，但不同於圖表525、圖表535及圖表555之彼等統計。藉由使用統計間隔505、515，當列510、520中之型樣間隔改變時可無需重新開始。換言之，可重組統計間隔以形成不同型樣間隔以反映變化的活動或運動型樣。此既有統計間隔重組無需從頭開始重新學習活動統計(統計模型)。 各統計間隔具有統計(一直方圖)，且統計間隔之各者在一或多個型樣間隔內組合以計算一事件或活動或運動是否被偵測為反常(異常運動偵測)之概率，即，此等概率用於識別反常。一型樣間隔用作活動類似之一時間範圍。 現參考圖6，圖中繪示根據一實例性實施例之一週內的統計間隔及型樣間隔之一實例。網格600內之圖表表示各統計間隔之統計(直方圖)。本週存在三個型樣間隔，工作日下午6點至上午6點(PI 1) 605、工作日上午6點至下午6點(PI 2) 610及週末(PI 3) 615。因此，本週存在三個對應的型樣間隔。 圖5A、圖5B及圖6係關於如何定義統計間隔及型樣間隔之相對簡單實例。然而，真實世界狀況更加複雜。一個統計間隔可為一時間間隔群組。此等時間間隔可為一較長週期內之任何時間週期，諸如一週，例如週一上午8點至上午9點、週日上午10點20分至下午12點10分。此等時間間隔可為不連續的且具有不等長度。雖然為在不重新學習之情況下適應型樣間隔之變化，統計間隔相對短係較佳的，但統計間隔亦應足夠長以累積足夠資料來計算可靠統計。 現參考圖7，圖中繪示根據另一實例性實施例之一週內的統計間隔及型樣間隔之一實例。最高階705在一個維度中展示一週內之時間間隔。不具時間註釋之矩形(例如框710、715)留空以更好地闡釋此實例。具有時間註釋之矩形(例如，時間間隔(週一上午8點至9點) 720及時間間隔(週一下午5點至6點) 725係表示錄製統計之時間間隔之框。如所展示，存在四個統計間隔730、735、740、745。統計間隔#1 (730)係由三個時間間隔組成，其等係週一、週三及週五上午8點至9點。統計間隔#2 (735)係由三個時間間隔組成，其等係週一、週三及週五下午5點至6點。在此實例中，存在兩個型樣間隔750、755。型樣間隔#1 (750)包含兩個統計間隔730、735；其等係週一、週三及週五上午8點至9點及下午5點至6點。型樣間隔#1 (750)可為例如早尖峰時間(上午8點至9點)及晚尖峰時間(下午5點至6點)，若運動方向不受關注但運動速度受關注，則其等共用類似活動或運動型樣。 類似地，型樣間隔#2 (755)組合統計間隔#3 (740)(週六及週日上午8點至10點)及統計間隔#4 (745)(週六及週日上午10點至中午12點)。當時間間隔相對短時，自時間間隔學習之統計可為「有雜訊」或不穩健。可將共用類似活動型樣之時間間隔組合成更穩健統計之一個統計間隔。為更清楚起見，型樣間隔係由統計間隔組成且統計間隔係由時間間隔組成。統計間隔之統計模型隨著添加新運動向量而不斷地更新(例如，學習程序始終運行)。由於此不斷變化，故一型樣間隔內之統計間隔之統計可失去均勻性，在該情況下，將統計間隔重組成新型樣間隔以支援一型樣間隔內之統計間隔(統計或統計模型)均勻性。 針對具有K數目個統計間隔之一個樣式間隔之一般情況，各統計間隔產生一個直方圖。當發生一運動Hi (例如運動方向係120度)時，在型樣間隔中具有此運動Hi 之概率(p)之計算如下：(0) 其中i 係第i 統計間隔之索引，wi 係第i 統計間隔相對於型樣間隔之時間長度之百分比(權重)，且p i 係自Hi 計算之運動之概率。 可手動地或自動地判定型樣間隔。在定義統計間隔且已知活動型樣之後，使用者可藉由組合各種統計間隔，基於其等對場景之瞭解手動地定義型樣間隔。當型樣間隔改變時，使用者可藉由在型樣間隔當中重新指派統計間隔而手動地修改先前定義之型樣間隔。 參考圖8，圖中繪示展示根據一實例性實施例之用以將統計間隔組合(叢集)成型樣間隔的一程序之一流程圖。第一步驟805係錄製產生統計間隔(Si)之直方圖(統計)所需之資料。例如，此可為使具有一道路之一視域之一視訊擷取器件108錄製且分析運動視訊(以產生運動向量)。接著可針對與統計間隔相關聯之時間間隔判定統計。一使用者可組態時間間隔及統計間隔，其中時間間隔之間的一場景之狀況之類似性及差異可為已知或部分已知，否則可預設統計間隔之預設時間間隔，例如1小時、30分鐘、15分鐘或10分鐘。 接著，計算各對統計間隔之間的直方圖距離(步驟810)。如此做，產生一距離矩陣(M)。矩陣M維度係K xK 。矩陣之元素M ij 係第i 統計間隔與第j 統計間隔之間的直方圖距離。一型樣間隔在一些情況下可為單一統計間隔。 基於距離矩陣M，應用一無監督分群技術以對統計間隔分群(在步驟815處)。例如，該技術係K-中心點分群。在無監督分群815之後，將統計間隔分群成叢集。一個叢集對應於一個型樣間隔因此叢集之數目等於型樣間隔之數目。各叢集中之資料點係型樣間隔之統計間隔。 此分群可自動地實施且在一時間週期之後重新執行(步驟820)以擷取活動型樣之演進。在一定週期之後，亦可手動地重新分群統計間隔，尤其是在視訊監控系統100提供不應為反常之反常的過度警報或指示之情況下。 將視域或場景劃分成一單元網格，其可為一或多個巨集區塊。該系統學習各單元之運動概率直方圖，一個直方圖針對運動方向且另一直方圖針對運動速度。若一單元之當前運動方向或運動速度之概率低於一預定臨限值，則將當前運動視為反常，即，針對彼單元異常，在該情況下該單元被視為一異常運動區塊(UMB)。 參考圖9，圖中繪示根據圖3之實施例的由視訊監控系統100產生之一顯示之一螢幕截圖。螢幕截圖900展示其中一人905正穿過具有UMB 910之一走廊之一視訊段915，該等UMB 910被展示為一半透明區塊。UMB 910追蹤人員905之移動以獲得更好可視性。UMB 910可指示如自H.264視訊壓縮之運動向量判定的異常運動之偵測。在一實例性實施例中，UMB 910可經著色以藉由類型區分反常，例如一藍色UMB可表示一方向反常且一綠色UMB表示一速度反常。在另一實例性實施例中，可在顯示器上或在各UMB上呈現自運動向量導出之箭頭以指示異常運動之方向及量值。場景935中所展示之走廊係如先前所描述之場景300之等效物。 螢幕截圖900亦展示視訊段中之異常運動偵測之一列表，其等針對任何異常運動指示在一時間範圍及持續時間930內之一錄製視訊檔案925之搜尋結果920。可使用另一介面(未展示)選擇統計間隔及型樣間隔之時間間隔或時間週期。可藉由活動進一步過濾搜尋結果920，例如異常速度940、正常方向945、物件存在950及運動缺失955。 運動缺失955係其中在一統計間隔期間針對一給定位置幾乎始終存在運動但突然缺乏運動之情況。例如，運動缺失過濾955可對通常具有人之一恆常運動的一機場處之一極繁忙走廊有用。此一單元之統計模型可具有恆常運動。在一時間週期內偵測到之一運動缺乏接著可觸發一缺失運動偵測。 在此實施例中，搜尋結果920返回具有場景935中之至少一個區塊之視訊段，從而根據針對區塊之各者計算之統計模型偵測異常運動。在一替代實施例中，搜尋結果920僅返回具有特定數目個區塊之視訊段，其中偵測異常運動以減少自視覺效應(諸如隨機陰影或光線或移動樹葉)偵測異常運動。在一進一步實施例中，將UMB 910區分成紅色區塊及綠色區塊(未展示顏色)。由於各單元或區塊已學習其自身統計，故該等單元係獨立的且各單元具有其自身統計(統計模型)。例如，一區塊可為紅色以指示一極罕見的異常運動，但鄰近區塊係綠色的以指示更常見的異常運動。在一進一步實施例中，組合UMB 910及自多個UMB學習之統計以基於經組合資訊偵測反常。 在此實施例中，將錄製視訊925與視訊中偵測到之異常運動之相關聯後設資料及其偵測時間儲存在一起。對異常運動之搜尋可僅為後設資料之一資料庫搜尋，而非對搜尋結果之視訊之一耗時處理。視訊擷取器件108之各者具有一視訊分析模組224。視訊分析模組224具有各自視訊擷取器件108之視域中的場景之區塊之統計模型。視訊分析模組224進一步包含場景中之區塊的各者之統計模型以偵測異常運動。異常運動偵測係由視訊分析模組224產生且提供為與正經擷取或錄製之視訊相關聯的後設資料之部分。 在替代實施例中，視訊分析模組224經定位於工作站156、用戶端器件164或處理設備148中。在此等實施例中，由視訊分析模組224在視訊錄製之後使用後設資料處理錄製視訊。 雖然此實施例(圖9)展示來自錄製視訊925之場景935之螢幕截圖900；但亦可在例如一使用者之一用戶端器件164之一顯示器上近即時顯示場景935。在由視訊擷取器件108擷取場景935之視訊的同時，可將該視訊發送至用戶端器件164以在處理之後顯示以便異常運動偵測。使用者將由UMB 910予以警示異常運動。 參考圖10，圖中繪示根據一實例性實施例之由視訊監控系統100產生的一顯示之一螢幕截圖。該場景具有一雪犁1005沿通常僅人正行走之人行道相對快速地移動。如所展示，雪犁1005具有指示異常速度之異常運動區區塊追蹤。雖然未展示，但亦可用關於雪犁1005之UMB群組顯示「異常速度」或其他文字或圖形指示符。 參考圖11，圖中繪示根據圖9之實施例的由視訊監控系統100產生之一顯示之另一螢幕截圖。該場景展示不具UMB之一步行者1110。此情況應係人行走在此走廊上並非異常。該場景亦展示一畫家1105繪畫，但具有UMB。此情況應係人(畫家1105)在此走廊上繪畫之運動並非正常。參考圖12，圖中繪示根據圖10之實施例的由視訊監控系統100產生之一顯示之螢幕截圖。該場景具有一雪犁1205在道路上移動但沿錯誤方向行進。如所展示，雪犁1205具有指示異常運動之UMB追蹤。雖然未展示，但亦可用雪犁1205之UMB群組顯示「異常方向」或其他文字或圖形指示符。自動型樣間隔 替代上文所描述之一演算法亦可用以判定型樣間隔。在大多數情況下，在一監控視訊中，一場景具有「界限分明的」活動型樣。例如，針對室外場景，可將活動型樣劃分成日間及夜間，或在一天內某個時段期間之一高活動時間及在一天其餘時段期間之一低活動時間。工作日及週末之活動型樣亦可不同。針對室內場景，活動型樣可為營業時間及非營業時間。例如，營業時間可為週一、週三及週四上午8點至下午7點，且一周內之其餘時間為非營業時間。 一般言之，運動型樣在一天或一週間隔內重複其等自身，從而允許在一時間間隔(例如，一週)內識別型樣間隔。為識別此等型樣，可將一週長間隔劃分成離散時間週期間隔，而不管此等時間週期間隔是否均勻，且可針對各離散時間週期計算運動統計(特徵)。在下文所揭示之實例中，一小時將用作離散時間週期間隔。與各離散時間週期間隔相關聯之統計可為用於概率計算及反常偵測之統計，諸如運動向量量值及方向之分佈及直方圖；然而，可添加或使用不同特徵，而非用於概率計算之特徵。實驗表明運動向量之雜訊度作為一特徵提供良好分群結果。 透過對不同離散時間週期間隔進行分群統計之程序定義型樣間隔，使得將具有類似統計之離散間隔放置於用作一型樣間隔之同一叢集中。所使用叢集之數目可變化。在運行分群演算法之前，在一週期(諸如一週)內針對所有離散時間週期間隔累積統計。分群分兩個階段運行：天級及小時級。在第一階段中，識別天叢集。藉由比較每天之離散時間週期間隔(例如，小時)的統計之集合，可識別一個或兩個天叢集。兩個天叢集通常對應於工作日及週末。若每天之統計類似，則可將每天放置於單一叢集中。接著對各天級叢集內之離散時間週期間隔(例如，小時)之統計分群，使得各天級叢集可具有一個或兩個小時級叢集(間隔)。此等小時級叢集通常對應於日間及夜間、或營業時間及非營業時間。然而，如前述，在一天叢集中之每天的每小時之活動可能類似且無法區分成兩個不同型樣。在此情況下，彼天叢集中之每小時被視為一個小時間隔叢集。 小時級叢集可能不連續。上述解決方案將所使用間隔限於最擬合真實世界監控系統100之四個型樣間隔之一最大值，其中一視訊擷取器件108之視域中之運動在週末對週末基礎上且在日間對夜間基礎上改變。在一替代實施例中，可識別兩個以上叢集。 圖20繪示展示根據一實施例之上文所描述的分群程序之一決策樹。在天級分群決策中，在其中D1近似類似於D2之情況下，形成兩個天級叢集D1及D2或一個天級叢集D。各天級叢集(無論是D1及D2兩者還是僅D)經歷小時級分群。在其中H1近似類似於H2之情況下，各小時級分群程序導致兩個小時級叢集H1及H2或一個小時級叢集H。根據一實施例，最終結果係存在如圖22中所繪示之五種可能叢集組合。此等組合係：(1) D1H1、D1H2；D2H1；及D2H2；(2) D1H；D2H1；及D2H2；(3) D1H1；D1H2；及D2H；(4) D1H及D2H；及(5) DH。 圖21繪示根據一實施例之在分群程序之後的叢集之一典型分佈的一實例。如所展示，D1表示週日及週六且D2表示週一至週五。在D1內，H1表示傍晚及清晨之時間；且H2表示日間。在D2內，H1表示傍晚及上午之較長時間且H2表示典型工作時間及行程時間。 若識別僅一個型樣間隔，則其將係整週；若存在兩個型樣間隔，則其等可為例如整週之上午7點至下午7點(室外場景係日間)及整週之下午7點至上午7點(室外場景係夜間)；若存在三個型樣間隔，則其等可為例如週一至週五上午9點至下午9點(工作日期間之工作時間)、週一至週五下午9點至上午9點(工作日期間之非工作時間)、及週六及週日24小時(週末)；若存在四個型樣間隔，則其等可為例如週一至週五上午7點至下午11點(工作日期間之工作時間)、週一至週五下午11點至上午7點(工作日期間之非工作時間)、週六及週日上午11點至下午6點(週末期間之活動時間)、及週六及週日下午6點至上午11點(週末期間之非活動時間)。 上述限制簡化計算(並節省處理時間)且涵蓋大多數情況。在下列實例中，一個小時在一演算法中用作一離散化單位，即，比較每小時之活動統計以識別型樣。在實施方案中，可以其他離散化單位來替代。 參考圖13，圖中繪示根據一實例性實施例之一演算法工作流程。在步驟1300處，計算且收集基於特徵之統計參數；此等特徵描述一週期間各小時間隔之活動，使得將存在24x7=168個間隔。在步驟1310處，運行一分群演算法以識別小時間隔特徵當中之叢集。演算法之輸出(步驟1320)係定義本週內之型樣間隔之叢集。 各離散時間間隔(小時)之統計(特徵)之更新可不斷地(即，在各圖框之後)運行，而分群演算法週期性地運行。在一典型實施方案中，每週將運行一個分群演算法。 小時統計(x )針對各圖框t 使用圖框t 之一(若干)特徵觀察之指數平均來更新：(1) 其中N 係演算法之一參數，其被解釋為平均間隔中之有效圖框數目。針對t＜N ，使用指數平均之簡單移動平均或偏差校正。在一典型實施方案中，值N 等於8小時內之總圖框數目，此意謂著在過去8小時或8週行事曆時間內針對各小時間隔收集統計。參數N 支配穩健性(統計量)與靈活性之間的折衷，即，適應活動變化(例如，歸因於季節、日間節省等)。 離散時間間隔統計可為用於概率計算且最終用於反常偵測之相同統計，例如運動向量量值及方向之分佈/直方圖。然而，將不同特徵視為用於概率計算之特徵之添加或代替係有用的。實驗表明使用運動向量之雜訊度(如下文所描述)提供良好分群結果。 一視訊圖框中之各壓縮巨集區塊可具有或可不具有與其相關聯之一運動向量。時間過濾可用以檢查運動向量在位置及時間方面之一致性且用以濾除為雜訊且不對應於真實移動物件之運動向量。因此，針對各圖框，計算有雜訊運動向量之數目對運動向量之總數目的比率。此比率可在分群演算法中用作一維特徵。一般言之，更多統計參數可經提取且用作分群之多維特徵。 (使用如上文所描述之指數平滑)平均化一維特徵。在一實例性實施例中，收集24x7個平均統計(一週內每小時一次)，以產生24x7個值。如下文所描述，對此等值分群以識別型樣間隔。 基本上，一維特徵描述在一給定場景中針對不同小時間隔之運動向量之雜訊度。選擇一維特徵之原因係在夜間(低照明條件)或非活動時間期間，運動向量之雜訊度往往高於日間或活動時間。因此，一維特徵可用以區分一場景中之此等不同型樣。 圖14中展示自一室內辦公室之一週資料收集的一維特徵之一實例之一實施例，其中X軸表示各小時時間[1至24]；且Y軸表示運動向量之雜訊度[0至1]。不同線表示一週內之不同天。圖14中之七條線之各者對應於一週內某天。自圖14，在此實例中展示，在非工作時間(包含週末)期間，有雜訊運動級遠高於工作時間期間，因為在非工作時間期間活動更少。 基於上文所描述之特徵，可執行分群演算法以產生一週之型樣間隔。在分群演算法中可存在兩個步驟，圖15中展示該兩個步驟之一實例性實施例。 在第一步驟1510中，在整週對特徵運行分群演算法以在一週內獲得至多兩個(未必連續的)天群組(即，兩個叢集)。 通常，在此步驟中，判定工作日對非工作日且將一週內之七天分成兩個群組。應注意，整週(即，所有7天)亦可能屬於單一叢集/群組。作為一實例，在圖15中所展示之實施例中，兩個叢集/群組分別表示工作日及週末。 在第二步驟1520中，針對步驟1中獲得之各叢集(即，各天群組)，類似分群演算法運行自此群組中之天收集之特徵以獲得針對此天群組之至多兩個時間間隔，從而導致不超過四個間隔(步驟1530)。 此步驟通常用以判定日間對夜間或活動時間對非活動時間。應注意，一給定天群組中之整天(24小時)屬於一個叢集，此意謂著無法區分此等天期間之兩個不同型樣。 由於該演算法判定一週內之至多兩個天叢集，故檢查之可能組合數目係，其中係來自n 個元素之集合的m 個元素之組合(未飽和)：意謂7天作為一個群組，表示任何6天作為一個群組，且其餘係一天作為另一群組。為找出運動型樣之最佳天組合，可使用一分割演算法，諸如Otsu分割演算法。為此，針對各天組合，將(未正規化)組內方差之和(V )計算為：(2) 其中係叢集c 中第i 天之運動向量之雜訊度與叢集c 中之所有天之平均雜訊度之間的距離。此方程式中之外和取於叢集c 。叢集之數目可為1或2。若叢集之數目係1，則此意謂著無外求和(參見下文對1叢集情況之解釋)。與傳統Otsu方法之差別在於對多維變數分群：每天之雜訊度係24維值，各維度對應於1小時間隔之雜訊度。將兩個不同天之多維雜訊度之間的一平方距離定義為各小時間隔之差之平方和。因此，一給定天i 之雜訊度與來自叢集c 之平均天雜訊度之間的平方距離計算如下：(3) 其中對於第i 天之第h 時之雜訊度(例如，週三下午3點至4點之時間間隔之雜訊度)，且係叢集c 中所有天(例如週一、週二、週三及週四)之平均雜訊度。係24維向量：h=1,2,...,24。將此向量之第h元素定義為：(4) 在h 內針對24個小時間隔採取方程式(3)中之和，即，24次求和。在屬於一給定叢集c 之所有天(索引j )內採取方程式(4)中之和。方程式(4)中之係叢集c 中之天數。 為將該公式與Otsu演算法及一判別方法(諸如Fisher判別方法)之其他公式聯繫起來，可使用正規化組內方差，定義如下：(5) 在此公式中，可使用表達式V/N 而非V (參見方程式(2))：(6) 其中係一天屬於叢集c 之概率。N 等於7 (一週內之天數)。 在Otsu分割方法中，在針對兩個群組中之各可能天組合計算V 或V / N 之後，可判定對應於V 之最小值之組合。彼組合提供天之型樣間隔之一選擇。該公式(方程式(2))允許延伸Otsu方法以不僅比較兩個群組中之不同天組合之V 值，而且比較兩個群組之V 與一個群組之V (在方程式(2)中在c 內未求和)。因此，可藉由選擇對應於V 之最小值之情況而判定所有個組合當中之天之最佳型樣間隔。來自此步驟之結果可僅為一個天群組，例如週日至週六；或兩個群組，例如週一至週五及週六至週日。 在已判定天群組之叢集之後，針對各天群組，應用一類似方法以將小時間隔分群成至多兩個群組。該方法相同於上文所描述之方法，唯一差別係現正處理一更簡單情況：一維特徵對24維特徵。針對各天群組，如下般計算V：(7) 其中係此天群組之小時間隔h之平均雜訊度，係叢集c中所有小時間隔之平均雜訊度。在此，叢集之數目亦可為1或2。單叢集情況意謂著在單一時間間隔群組中組合所有24小時間隔。更準確言之，將及定義為(8)(9) 其中係群組中之天數，且係叢集c中之小時間隔之數目。 由於限制詢問以在一天內找到至多兩個時間間隔，故理論上可能組合數目係。然而，可引入一些約束。例如，可僅考量連續間隔。再者，可僅考量含有至少三個小時之間隔。再者，24小時間隔之循環性質意謂著時間點24:00相同於時間點00:00。在應用此等約束之後，可考量之可能組合數目減少為24*(12-3)。 可使用相同方法以針對各小時間隔組合計算組內方差(方程式(7))。具有最小值V之組合將提供叢集選項。亦如前述，可比較雙叢集情況之V值與單叢集情況之V值兩者。 例如，由於分群，故可判定以下內容：針對週日至週六，僅存在一個時間間隔00:00至24:00；針對週一至週五，存在兩個時間間隔，上午7點至下午7點、下午7點至上午7點。 有時針對兩種分群情況(針對天間隔及小時間隔)，選擇雙叢集選項佳於選擇單叢集選項，前提是此等選項之間的差別很小。原因係單叢集選項提供更大統計且對反常偵測可能更可靠。為此，除兩個叢集選項之組內方差V (方程(1)或(7))之和外，亦可計算Fisher判別式。在Fisher判別式小於預定臨限值之情況下，可選擇單叢集選項，即使此選項對應於更大V。使用者介面 圖16至圖19繪示根據本發明之一態樣的一使用者介面之一實施例。如圖16中所展示，本文中所描述之特徵可由一切換鍵1610啟動。圖16繪示一使用者介面，其中該切換鍵「關閉」且未標記異常運動。在此位置處，該使用者介面顯示錄製視訊(其可以一種顏色顯示)及運動像素偵測結果(其可以一不同顏色顯示)。 如圖17中所展示，當切換鍵1610切換至「開啟」時，過濾選項1630亦在呈現給使用者之使用者介面上可用以允許使用者調整時間線中所展示之資料，如圖18及圖19中所展示。調整時間線1620使得僅異常運動之發生變暗(如在時間線1620上以一較暗顏色展示)。 在圖19中，罕見度橫條1640已增至約中點位置，使得更常見「異常運動」將不會變暗。罕見度橫條1640使得使用者能夠調整判定「異常運動」之臨限值且由此可濾除不太「異常」之運動。同樣地，已選擇一最小持續時間1650，使得在此實例中選擇少於5秒之較短事件將不會變暗，儘管可選擇更長持續時間。再者，亦已選擇某一類型之異常運動(在此情況下「方向」)，使得僅與一異常移動方向相關之異常運動事件將會變暗。可選擇之其他過濾包含：人群聚集，即，僅顯示一異常總運動量；速度，即，僅顯示異常快或慢之運動；缺失，即，僅顯示異常運動缺乏；分類，即，藉由分類(例如人或車輛)過濾顯示結果；大小，即，藉由物件之一最小大小過濾顯示器結果；及位置，即，基於視域之一選定部分過濾結果。 本文中根據各項實例性實施例所描述之系統及方法允許同時改良複數個視訊饋送之播放。例如，追蹤具有在任何給定時間位置處可用之受關注視訊的視訊饋送之數目，且判定適於彼數目個可用視訊饋送之一播放佈局。藉由在播放佈局內播放視訊饋送，僅顯示具有可用受關注視訊之彼等視訊饋送。此可導致更有效地使用顯示區域之面積。例如，歸因於一視訊饋送在一給定時間位置處不具有受關注視訊，故顯示區域之子區域不留空。此外，當在播放佈局內播放時，顯示區域之面積更有效地用以顯示具有可用受關注視訊之彼等視訊饋送。 雖然上文描述提供實施例之實例，但將明白，在不背離所描述實施例之操作的精神及原理之情況下，所描述實施例之一些特徵及/或功能易於修改。據此，上文已描述之內容意欲於被闡釋為非限制性，且熟習此項技術者將理解，可在不背離如隨附申請專利範圍中定義之本發明的範疇之情況下進行其他變動及修改。
100‧‧‧視訊監控系統
108‧‧‧視訊擷取器件
116‧‧‧影像感測器
124‧‧‧處理器
132‧‧‧記憶體器件
140‧‧‧網路
148‧‧‧處理設備
156‧‧‧工作站
164‧‧‧用戶端器件
200‧‧‧操作模組組
208‧‧‧視訊擷取模組
216‧‧‧影像資料處理模組子組
224‧‧‧視訊分析模組
232‧‧‧視訊管理模組
240‧‧‧儲存模組子組
248‧‧‧視訊儲存模組
256‧‧‧後設資料儲存模組
264‧‧‧視訊播放模組
300‧‧‧場景
305‧‧‧巨集區塊
310‧‧‧I圖框
315‧‧‧P圖框
320‧‧‧視訊流
325‧‧‧時間線
405‧‧‧圖表
410‧‧‧圖表
415‧‧‧圖表
505‧‧‧統計間隔
510‧‧‧型樣間隔
515‧‧‧統計間隔
520‧‧‧型樣間隔
525‧‧‧圖表
530‧‧‧圖表
535‧‧‧圖表
540‧‧‧圖表
545‧‧‧統計
550‧‧‧統計
555‧‧‧統計
560‧‧‧統計
600‧‧‧網格
605‧‧‧工作日下午6點至上午6點(PI 1)
610‧‧‧工作日上午6點至下午6點(PI 2)
615‧‧‧週末(PI 3)
705‧‧‧最高階
710‧‧‧框
715‧‧‧框
720‧‧‧時間間隔(週一上午8點至9點)
725‧‧‧時間間隔(週一下午5點至6點)
730‧‧‧統計間隔#1
735‧‧‧統計間隔#2
740‧‧‧統計間隔#3
745‧‧‧統計間隔#4
750‧‧‧型樣間隔#1
755‧‧‧型樣間隔#2
805‧‧‧第一步驟
810‧‧‧步驟
815‧‧‧步驟
820‧‧‧步驟
900‧‧‧螢幕截圖
905‧‧‧人
910‧‧‧異常運動區塊(UMB)
915‧‧‧視訊段
920‧‧‧搜尋結構
925‧‧‧錄製視訊檔案
930‧‧‧時間範圍及持續時間
935‧‧‧場景
940‧‧‧異常速度
945‧‧‧正常方向
950‧‧‧物件存在
955‧‧‧運動缺失
1005‧‧‧雪犁
1105‧‧‧畫家
1110‧‧‧步行者
1205‧‧‧雪犁
1300‧‧‧步驟
1310‧‧‧步驟
1320‧‧‧步驟
1510‧‧‧第一步驟
1520‧‧‧第二步驟
1530‧‧‧步驟
1610‧‧‧切換鍵
1620‧‧‧時間線
1630‧‧‧過濾選項
1640‧‧‧罕見度橫條
1650‧‧‧最小持續時間
詳細描述參考下圖，其中： 圖1繪示根據一實例性實施例之一視訊監控系統的經連接器件之一方塊圖； 圖2A繪示根據一項實例性實施例之一視訊監控系統的一操作模組組之一方塊圖； 圖2B繪示根據一項實例性實施例之在一個器件內實施的一操作模組組之一方塊圖； 圖3繪示根據一項實例性實施例之由一視訊監控系統產生的視訊資料之一方塊圖； 圖4繪示根據一項實例性實施例之使用僅具有一個維度的運動向量之圖表； 圖5A及圖5B繪示根據一項實例性實施例之間隔及其等統計； 圖6繪示根據一項實例性實施例之在一週期間的統計間隔及型樣間隔之一實例； 圖7繪示根據另一實例性實施例之在一週期間的統計間隔及型樣間隔之一實例； 圖8繪示展示根據一實例性實施例之將統計間隔組合成型樣間隔的程序之一流程圖； 圖9繪示根據一實例性實施例之由一視訊監控系統產生之一顯示； 圖10繪示根據一實例性實施例之由一視訊監控系統產生之另一顯示； 圖11繪示根據圖9之實施例的由一視訊監控系統產生之另一顯示； 圖12繪示根據圖10之實施例的由一視訊監控系統產生之另一顯示； 圖13繪示根據一實例性實施例之一演算法工作流程之一流程圖； 圖14繪示展示根據一實例性實施例之運動向量的雜訊度之一圖表； 圖15繪示展示根據一實例性實施例之一分群演算法之一流程圖； 圖16繪示根據一實例性實施例之一使用者介面； 圖17繪示展示根據一實例性實施例之過濾選項之一使用者介面； 圖18繪示根據一實例性實施例之在選擇過濾選項之後的一使用者介面； 圖19繪示根據一實例性實施例之在選擇替代過濾選項之後的一使用者介面； 圖20繪示根據一實例性實施例之用於分群程序之一決策樹； 圖21繪示展示根據一實例性實施例之叢集之一每週行事曆；及 圖22繪示根據一實例性實施例之天級及小時級叢集之可能組合。 將明白，為闡釋簡便及清楚起見，圖中所展示之元件未必按比例繪製。例如，為清楚起見，一些元件之尺寸可相對於其他元件擴大。此外，適當時，可在圖當中重複元件符號以指示對應或類似元件。

Claims (14)

  1. 一種方法，其包括： 將一固定時間週期劃分成複數個時間間隔； 接收與運動向量相關聯之統計資訊，該等運動向量與在該複數個時間間隔之各者中發生之活動相關聯； 基於各時間間隔內之統計資訊之類似性將該等時間間隔分群成該固定時間週期內之至少第一及第二叢集；及 使用與該複數個時間間隔內之一對應時間間隔相關聯之該統計資訊判定在已發生的時間中何時發生一異常事件。
  2. 如請求項1之方法，其中該固定時間週期係一週。
  3. 如請求項1之方法，其中該複數個時間間隔之各者表示一小時。
  4. 一種方法，其包括： 接收表示一視訊流中之一活動之複數個運動向量； 判定複數個統計間隔，各統計間隔係基於該複數個運動向量； 基於該等經分組統計間隔之類似性將該複數個統計間隔分群成一或多個型樣間隔，該等型樣間隔之各者表示一時間週期內之至少一個時間間隔；及 使用該等型樣間隔以判定何時已發生一異常運動事件。
  5. 如請求項4之方法，其中使用該等統計間隔以產生複數個直方圖。
  6. 如請求項5之方法，其中基於在各直方圖之間計算的一距離矩陣將該等統計間隔分群成型樣間隔。
  7. 如請求項4之方法，其中週期性地重新執行該分群。
  8. 一種方法，其包括： 偵測一視訊流中之一移動物件，該視訊流包括複數個單元； 針對該視訊流之各單元，判定該移動物件之運動是否異常；及 若針對至少一個單元，該移動物件之該運動異常，則在該至少一個單元上顯示一異常運動區塊。
  9. 如請求項8之方法，其中該區塊經著色以指示該異常運動之罕見度。
  10. 如請求項8之方法，其中該區塊經著色以指示異常運動之一類型。
  11. 如請求項8之方法，其中該異常運動區塊之該顯示可藉由以下至少一者過濾：異常運動之類型；異常運動之方向；異常運動之量；異常運動之速度；運動之缺失；移動物件之分類；移動物件之大小；及該至少一個單元在一視域內之位置。
  12. 一種方法，其包括： 接收表示一視訊流中之一活動之複數個運動向量，該等運動向量與時間間隔相關聯，該等時間間隔包含一週內之某一天及每天內之某一小時； 基於與一週內每天相關聯之該等運動向量的雜訊度之類似性將該複數個統計間隔分群成一或多天長型樣間隔； 針對該一或多天長型樣間隔之各者，基於該一或多天長型樣間隔之每小時內的該等運動向量之雜訊度之類似性將該等天長型樣間隔劃分成一或兩小時間隔；及 使用該等型樣間隔以判定何時已發生一異常運動事件。
  13. 一種系統，其包括： 一顯示器； 一輸入器件； 一處理器，其通信地耦合至該顯示器及該輸入器件；及 一記憶體，其通信地耦合至該處理器且其上儲存有可由該處理器執行之電腦程式碼，其中該電腦程式碼在由該處理器執行時引起該處理器執行如請求項1至12中任一項之方法。
  14. 一種其上儲存有電腦程式碼之非暫時性電腦可讀媒體，該電腦程式碼可由一處理器執行且在由該處理器執行時引起該處理器執行如請求項1至12中任一項之方法。
TW107111474A 2017-03-31 2018-03-31 異常運動偵測方法及系統 TW201904265A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762480240P 2017-03-31 2017-03-31
US62/480,240 2017-03-31
US201762590498P 2017-11-24 2017-11-24
US62/590,498 2017-11-24

Publications (1)

Publication Number Publication Date
TW201904265A true TW201904265A (zh) 2019-01-16

Family

ID=63670565

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107111474A TW201904265A (zh) 2017-03-31 2018-03-31 異常運動偵測方法及系統

Country Status (6)

Country Link
US (2) US10878227B2 (zh)
CA (1) CA3057720A1 (zh)
DE (1) DE112018001635T5 (zh)
GB (1) GB2574961B (zh)
TW (1) TW201904265A (zh)
WO (1) WO2018176162A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6740539B2 (ja) 2016-11-07 2020-08-19 日本電気株式会社 情報処理装置、制御方法、及びプログラム
TW201904265A (zh) * 2017-03-31 2019-01-16 加拿大商艾維吉隆股份有限公司 異常運動偵測方法及系統
WO2020093164A1 (en) * 2018-11-07 2020-05-14 Genetec Inc. Methods and systems for detection of anomalous motion in a video stream and for creating a video summary
CA3135393C (en) 2019-04-09 2023-08-29 Avigilon Coporation Anomaly detection method, system and computer readable medium
WO2021107421A1 (ko) * 2019-11-26 2021-06-03 한화테크윈 주식회사 사건 중심의 다채널 영상 백업 장치 및 그 방법과, 이를 포함한 네트워크 감시 카메라 시스템
CN115719546A (zh) * 2021-08-24 2023-02-28 中移系统集成有限公司 轨迹异常检测方法和装置、电子设备及可读存储介质
US11682214B2 (en) 2021-10-05 2023-06-20 Motorola Solutions, Inc. Method, system and computer program product for reducing learning time for a newly installed camera

Family Cites Families (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002501711A (ja) 1997-06-04 2002-01-15 アスコム システツク アクチエンゲゼルシヤフト あらかじめ与えられた監視範囲を監視する方法
US6823011B2 (en) * 2001-11-19 2004-11-23 Mitsubishi Electric Research Laboratories, Inc. Unusual event detection using motion activity descriptors
US7672369B2 (en) * 2002-02-13 2010-03-02 Reify Corporation Method and apparatus for acquisition, compression, and characterization of spatiotemporal signals
GB0218982D0 (en) 2002-08-15 2002-09-25 Roke Manor Research Video motion anomaly detector
US8675059B2 (en) * 2010-07-29 2014-03-18 Careview Communications, Inc. System and method for using a video monitoring system to prevent and manage decubitus ulcers in patients
US9318012B2 (en) * 2003-12-12 2016-04-19 Steve Gail Johnson Noise correcting patient fall risk state system and method for predicting patient falls
US7697026B2 (en) * 2004-03-16 2010-04-13 3Vr Security, Inc. Pipeline architecture for analyzing multiple video streams
US7496141B2 (en) * 2004-04-29 2009-02-24 Mediatek Incorporation Adaptive de-blocking filtering apparatus and method for MPEG video decoder
US8724891B2 (en) * 2004-08-31 2014-05-13 Ramot At Tel-Aviv University Ltd. Apparatus and methods for the detection of abnormal motion in a video stream
EP1867167A4 (en) * 2005-04-03 2009-05-06 Nice Systems Ltd DEVICE AND METHOD FOR SEMI-AUTOMATIC TRACKING AND INVESTIGATION OF AN OBJECT OR EVENT AT A MONITORED LOCATION
US8075499B2 (en) * 2007-05-18 2011-12-13 Vaidhi Nathan Abnormal motion detector and monitor
US20170155877A1 (en) * 2008-05-06 2017-06-01 Careview Communications, Inc. System and method for predicting patient falls
US8538072B2 (en) 2008-08-27 2013-09-17 Imprivata, Inc. Systems and methods for operator detection
US8284258B1 (en) * 2008-09-18 2012-10-09 Grandeye, Ltd. Unusual event detection in wide-angle video (based on moving object trajectories)
CN102449660B (zh) 2009-04-01 2015-05-06 I-切塔纳私人有限公司 用于数据检测的系统和方法
US9082203B2 (en) * 2009-12-10 2015-07-14 Harris Corporation Image processing system for image resizing based upon operational feedback parameters and related methods
US20120179421A1 (en) * 2010-12-07 2012-07-12 Gautam Dasgupta Emergency Response Management Apparatuses, Methods and Systems
CN102831442A (zh) * 2011-06-13 2012-12-19 索尼公司 异常行为检测设备和方法及生成该检测设备的设备和方法
CN103136763B (zh) * 2011-12-02 2017-07-21 富泰华工业（深圳）有限公司 用于检测视频序列异常段落的电子装置及其方法
US9349275B2 (en) * 2012-03-15 2016-05-24 Behavorial Recognition Systems, Inc. Alert volume normalization in a video surveillance system
US8792677B2 (en) * 2012-04-19 2014-07-29 Intelligence Based Integrated Security Systems, Inc. Large venue security method
US9111353B2 (en) * 2012-06-29 2015-08-18 Behavioral Recognition Systems, Inc. Adaptive illuminance filter in a video analysis system
US9723271B2 (en) * 2012-06-29 2017-08-01 Omni Ai, Inc. Anomalous stationary object detection and reporting
WO2014004901A1 (en) * 2012-06-29 2014-01-03 Behavioral Recognition Systems, Inc. Unsupervised learning of feature anomalies for a video surveillance system
KR101932535B1 (ko) * 2012-08-27 2018-12-27 한화테크윈 주식회사 실내 감시 시스템 및 실내 감시 방법
KR102058918B1 (ko) * 2012-12-14 2019-12-26 삼성전자주식회사 홈 모니터링 방법 및 장치
WO2014102568A1 (en) * 2012-12-27 2014-07-03 Arria Data2Text Limited Method and apparatus for motion detection
US9693030B2 (en) * 2013-09-09 2017-06-27 Arris Enterprises Llc Generating alerts based upon detector outputs
US10341684B2 (en) * 2014-03-07 2019-07-02 Eagle Eye Networks, Inc. High definition surveillance image storage optimization apparatus and methods of retention triggering
US10796163B2 (en) * 2014-03-07 2020-10-06 Eagle Eye Networks, Inc. Surveillance video activity summary system and access method of operation (VASSAM)
US9652354B2 (en) 2014-03-18 2017-05-16 Microsoft Technology Licensing, Llc. Unsupervised anomaly detection for arbitrary time series
US10186123B2 (en) * 2014-04-01 2019-01-22 Avigilon Fortress Corporation Complex event recognition in a sensor network
US9224044B1 (en) * 2014-07-07 2015-12-29 Google Inc. Method and system for video zone monitoring
US9420331B2 (en) * 2014-07-07 2016-08-16 Google Inc. Method and system for categorizing detected motion events
US10121062B2 (en) * 2014-11-03 2018-11-06 Koninklijke Philips N.V. Device, system and method for automated detection of orientation and/or location of a person
US20160241818A1 (en) * 2015-02-18 2016-08-18 Honeywell International Inc. Automatic alerts for video surveillance systems
WO2016149938A1 (zh) * 2015-03-26 2016-09-29 北京旷视科技有限公司 视频监控方法、视频监控系统以及计算机程序产品
US10997428B2 (en) * 2015-06-01 2021-05-04 Placemeter Inc. Automated detection of building entrances
US10643442B2 (en) * 2015-06-05 2020-05-05 Withings Video monitoring system
US9554063B2 (en) * 2015-06-12 2017-01-24 Google Inc. Using infrared images of a monitored scene to identify windows
US9626849B2 (en) * 2015-06-12 2017-04-18 Google Inc. Using scene information from a security camera to reduce false security alerts
US9361011B1 (en) * 2015-06-14 2016-06-07 Google Inc. Methods and systems for presenting multiple live video feeds in a user interface
WO2016210305A1 (en) * 2015-06-26 2016-12-29 Mobile Video Corporation Mobile camera and system with automated functions and operational modes
SG10201510337RA (en) * 2015-12-16 2017-07-28 Vi Dimensions Pte Ltd Video analysis methods and apparatus
CN105448041B (zh) * 2016-01-22 2018-04-17 苏州望湖房地产开发有限公司 一种人体摔倒智能控制系统及其方法
JP6660236B2 (ja) * 2016-04-15 2020-03-11 キヤノン株式会社 画像処理装置及び画像処理方法、プログラム、並びに記憶媒体
US10192415B2 (en) * 2016-07-11 2019-01-29 Google Llc Methods and systems for providing intelligent alerts for events
US10347122B2 (en) * 2016-07-12 2019-07-09 Denson Corporation Road condition monitoring system
JP6942472B2 (ja) * 2017-01-13 2021-09-29 キヤノン株式会社 映像認識装置、映像認識方法及びプログラム
US10586433B2 (en) * 2017-02-13 2020-03-10 Google Llc Automatic detection of zones of interest in a video
TW201904265A (zh) * 2017-03-31 2019-01-16 加拿大商艾維吉隆股份有限公司 異常運動偵測方法及系統
US20190205608A1 (en) * 2017-12-29 2019-07-04 Deep Innovations Ltd Method and apparatus for safety monitoring of a body of water
US10706701B2 (en) * 2018-01-12 2020-07-07 Qognify Ltd. System and method for dynamically ordering video channels according to rank of abnormal detection
CN116738284A (zh) * 2018-01-25 2023-09-12 意法半导体公司 通过感测瞬态事件和连续事件的智能装置的情境感知
US10755106B1 (en) * 2018-05-09 2020-08-25 Amazon Technologies, Inc. Pattern recognition for habit engagement, mistake avoidance, and object finding using sensor data
CN109492551B (zh) * 2018-10-25 2023-03-24 腾讯科技（深圳）有限公司 活体检测方法、装置及应用活体检测方法的相关系统
CN112955900B (zh) * 2018-10-25 2023-08-04 上海趋视信息科技有限公司 智能视频监控系统和方法
WO2020093158A1 (en) * 2018-11-06 2020-05-14 Avigilon Corporation Method and system for displaying video streams
CA3135393C (en) * 2019-04-09 2023-08-29 Avigilon Coporation Anomaly detection method, system and computer readable medium
CN111539389B (zh) * 2020-06-22 2020-10-27 腾讯科技（深圳）有限公司 人脸防伪识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
GB201913557D0 (en) 2019-11-06
GB2574961A (en) 2019-12-25
US20180285633A1 (en) 2018-10-04
CA3057720A1 (en) 2018-10-04
WO2018176162A1 (en) 2018-10-04
GB2574961B (en) 2022-03-09
US20210110145A1 (en) 2021-04-15
DE112018001635T5 (de) 2019-12-12
US10878227B2 (en) 2020-12-29
US11580783B2 (en) 2023-02-14

Similar Documents

Publication Publication Date Title
AU2020272887B2 (en) Anomaly detection method, system and computer readable medium
TW201904265A (zh) 異常運動偵測方法及系統
CN110428522B (zh) 一种智慧新城的智能安防系统
Albiol et al. Detection of parked vehicles using spatiotemporal maps
US8953674B2 (en) Recording a sequence of images using two recording procedures
US7664292B2 (en) Monitoring an output from a camera
CN101751677B (zh) 基于多摄像机的目标连续跟踪方法
US8107680B2 (en) Monitoring an environment
US20190130165A1 (en) System and method for selecting a part of a video image for a face detection operation
US20050123172A1 (en) Monitoring an environment
CN101635835A (zh) 智能视频监控方法及系统
CN107229894A (zh) 基于计算机视觉分析技术的智能视频监控方法及系统
US8948245B2 (en) Displaying graphical output representing the activity of a plurality of monitoring detection devices
CN102892007A (zh) 促进多个摄像机间颜色平衡同步和获得跟踪的方法和系统
CN104159088B (zh) 一种远程智能车辆监控系统及方法
CN106940790A (zh) 一种人流拥塞预测方法及系统
CN104463125A (zh) 基于dsp的人脸自动检测跟踪装置及其方法
Berclaz et al. Multi-camera tracking and atypical motion detection with behavioral maps
US11893714B2 (en) Precipitation removal from video
Ramasamy et al. Detecting background setting for dynamic scene
Martin et al. Learning contextual variations for video segmentation
AU2004233463B2 (en) Monitoring an output from a camera
Nghiem Adaptive algorithms for background estimation to detect moving objects in videos
GB2456951A (en) Analysing images to find a group of connected foreground pixels, and if it is present recording the background and foreground using different methods
AU2004233448A1 (en) Monitoring an environment