TWI448977B - 基於視訊分析的物件計數方法與裝置 - Google Patents

基於視訊分析的物件計數方法與裝置 Download PDF

Info

Publication number
TWI448977B
TWI448977B TW100145363A TW100145363A TWI448977B TW I448977 B TWI448977 B TW I448977B TW 100145363 A TW100145363 A TW 100145363A TW 100145363 A TW100145363 A TW 100145363A TW I448977 B TWI448977 B TW I448977B
Authority
TW
Taiwan
Prior art keywords
pipeline
state
pipelines
gate line
counting
Prior art date
Application number
TW100145363A
Other languages
English (en)
Other versions
TW201324383A (zh
Inventor
Kual Zheng Lee
Luo Wei Tsai
Pang Chan Hung
Original Assignee
Ind Tech Res Inst
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 Ind Tech Res Inst filed Critical Ind Tech Res Inst
Priority to TW100145363A priority Critical patent/TWI448977B/zh
Priority to CN201110438765.XA priority patent/CN103164706B/zh
Priority to US13/422,496 priority patent/US8582816B2/en
Publication of TW201324383A publication Critical patent/TW201324383A/zh
Application granted granted Critical
Publication of TWI448977B publication Critical patent/TWI448977B/zh

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)
  • Image Processing (AREA)

Description

基於視訊分析的物件計數方法與裝置
本揭露係關於一種基於視訊分析的物件計數(object counting)方法與裝置。
物件計數是透過特定裝置，計算進出一區域或跨越一計數線的物件數量。其應用範圍廣泛，例如在大樓、道路、商場或大眾運輸系統等環境，可透過物件計數即時掌握進出特定區域的人數或車輛數，作為進出建築物的人數控制、道路上的車流量控制或衡量公共設施的使用率等。常見的物件計數方法有閘門計數器、紅外線感應器、視訊分析方法。
閘門計數器的技術是當物件通過閘門時，推動旋轉欄杆來驅動計數器；此技術可精確計算物件通過的數量，當物件通過閘門時，要降低速度。紅外線感應器的技術是在出入口的側向架設紅外線感應器，利用物件通過時遮斷紅外線的特性來估計物件數量；當物件並排進出時，物件彼此遮蔽的情況會使物件計數產生誤差。視訊分析的技術是利用攝影機拍攝計數區域，並運用物件偵測(object detection)及物件追蹤(object tracking)方法標示出物件所在的座標，以判斷其軌跡(trajectory)是否進出一區域或跨越一計數線；在物件偵測時，物件計數容易受光源的影響，並且在多物件追蹤時，物件遮蔽或合併分離等情況也容易產生誤判。
基於視訊分析的相關技術通常先將攝影裝置架設在場景正上方俯視取像，然後使用各種不同的影像辨識與處理技術來達成物件計數。使用面積估測法的技術是先偵測出畫面中異動像素，並標記出物件所在區域，再搭配物件追蹤而得知物件觸發一跨線事件時，再統計該物件所佔面積來估測出物件數量。例如，相關文獻中的一技術是對畫面中物件進行追蹤，當一物件進入一計數區域後，搭配物件位移像素在影像中X、Y方向的投影量來估測物件計數。
相關文獻中的另一技術如第一圖所示，將一待測影像110利用影像前處理(image preprocessing)與特徵擷取(feature extraction)切割成有多個網格(grid)的影像120後，輔以多種機器學習方法來分析物件數量與網格的關聯性，待物件跨線時，如標號130所示，依網格的異動資訊來判定是否有任一物件在影像120中，來估測出物件數量。相關文獻中的另一技術於物件跨線時，以一演算法將物件切割為近似面積之多個區域，來估測出跨線的物件數量。
使用模板比對(template matching)法的相關技術先定義物件模板，以模板比對方式疊合出物件所在區域，並追蹤物件的移動軌跡來判定方向及跨線事件是否發生，以達成物件計數。相關文獻中的一技術利用影像邊緣資訊建立局部行人模板，當有人員進入場景時，利用相似度比對的方式確認是否為行人並計算其數量。相關文獻中的另一技術則利用頭部形狀(圓、橢圓)與顏色資訊，進行物件偵測與追蹤。相關文獻中的技術有的是以多邊形模板逼近畫面中前景物區域，有的使用凸(convex)多邊形模板逼近畫面中物件區塊。
為避免物件計數的準確性受到異動區域外形的影響，有些相關文獻中的技術以事先訓練的物件偵測分類器自影像中偵測出包含特定物件的部位，例如擷取膚色區域、頭部區域、或人臉區域等，並輔以物件追蹤及相似度比對，判定是否有觸發跨線事件並統計物件數量。
使用光流法的相關技術是以物件移動時產生的特徵點，使用大量的運算來算出兩幀影像的移動向量，再藉由移動向量包含的速度與方向資訊來統計物件數量。例如一篇相關文獻中的技術以光流峰值來判定行人經過的數量，如第二圖中箭頭210、220、230所指之處，有三處光流峰值，並判定有三個行人經過。
為了有效解決行人間彼此遮蔽的問題，有些相關文獻中的技術是使用多支攝影機以不同角度取像的方式，並利用攝影位置的幾何關係來計算行人之間的對應關係，進而推估行人跨線的方向與數量；有些相關文獻中的技術則使用雙攝影機取得影像深度(depth)資訊，來判斷通過的人數。也有市售產品使用熱影像作為取像來源，來提升物件偵測及追蹤的準確度。
在物件計數的應用技術中，如何能夠不需使用特定的物件模板、不需明確偵測畫面中的獨立物件、以及不需複雜的物件標記與追蹤程序，而能在多物件並排或對向跨線的場景中，也可以正常地進行物件計數，且能達到高準確度，是非常值得研究與發展的。
本揭露實施例可提供一種基於視訊分析的物件計數方法與裝置。
所揭露的一實施例是關於一種基於視訊分析的物件計數方法，此方法包含：接取視訊來源以取得待處理的一或多個畫面的資料，參照此一或多個輸入畫面，設定多個參數、計算一參考點、及計算一取樣對照表；於每一輸入畫面上，根據此多個參數、此參考點、及此取樣對照表，擷取出一取樣影像以得到該取樣影像上的異動像素資訊，並計算多條管線上的異動量以判定此多條管線上的物件狀態；以及根據一參考物件的資訊、及此多條管線上的物件狀態，進行此參考物件的物件計數以得出一物件數。
所揭露的一實施例是關於一種基於視訊分析的物件計數裝置，此裝置包含一物件計數模組(object counting module)、以及一電腦可讀取媒體(computer-readable medium)。此物件計數模組在一或多個電腦系統的控制下來執行：參照此一或多個輸入畫面，設定多個參數、計算一參考點、及計算一取樣對照表；於每一輸入畫面上，根據此多個參數、此參考點、及此取樣對照表，擷取出一取樣影像以得到該取樣影像上的異動像素資訊，並計算多條管線上的異動量以判定此多條管線上的物件狀態；以及根據一參考物件的資訊、及此多條管線上的物件狀態，進行此參考物件的物件計數以得出一物件數。此電腦可讀取媒體用來儲存所述計算的結果。
茲配合下列圖示、實施例之詳細說明及申請專利範圍，將上述及本發明之其他優點詳述於後。
在本揭露之基於視訊分析的物件計數的實施例中，係針對計數線附近區域進行取樣資料的統計分析，並於計數線上定義多條平行於物件行進方向的取樣管線(tube)，利用統計管線上的異動狀態來進行物件計數。根據本揭露實施例，在視訊畫面中，此物件計數包含物件計數設定與即時物件計數。物件計數設定可於離線(offline)狀態下進行，即時物件計數可於在線(online)狀態下進行。
第三A圖是根據本揭露一實施例的一示意圖，說明一基於視訊分析的物件計數方法。參考第三A圖，物件計數方法300接取例如來自視訊裝置、影音檔案或網路串流等視訊來源，以取得待處理的一或多個輸入畫面，可分為物件計數設定310與即時物件計數320。在物件計數設定310中，於此一或多個輸入畫面，進行參數設定312、參考點計算314、以及取樣對照表計算316。在即時物件計數320中，於輸入畫面上進行影像取樣322、位移偵測324、管線異動量計算326、管線狀態判定328、以及物件計數330。
在影像取樣322中，根據所建構的取樣對照表，自輸入畫面中建構出取樣影像。在位移偵測324中，偵測此取樣影像中各像素的異動狀態。在管線異動量計算326中，統計此多條管線的各管線上的異動量。在管線狀態判定328中，判定取樣影像中，物件於各管線上相對應的狀態類別，以確認輸入畫面是否可能包含物件。在物件計數330中，藉由判定出的各管線上相對應的狀態類別的變化，推算出跨越此閘門線的物件數量。
閘門線是畫面中一直線的起點與終點，用來計數；在計數畫面中，可以取近似一待測物件大小的區域作為一參考物件，此參考物件的資訊例如可包含物件寬度(width)與物件深度(depth)資訊，可定義物件寬度為場景中物件平行於虛擬閘門線的長度(單位為畫素)，物件深度為場景中物件垂直於虛擬閘門線的長度(單位為畫素)；路徑參考線是用來判斷物件行進方向的直線，可定義為場景中平行於物件行進方向的直線。以下第五圖與第六圖將舉兩個應用場景的範例來說明參考物件及前述這些定義。
承上述，第三B圖是根據本揭露的一實施例，說明第三A圖之物件計數方法的運作。參考第三B圖，參照此一或多個輸入畫面，設定多個參數、計算一參考點、及計算一取樣對照表(步驟340)。於每一輸入畫面上，根據此多個參數、此參考點、及此取樣對照表，擷取出一取樣影像以得到該取樣影像上的異動像素資訊，並計算多條管線上的異動量以判定此多條管線上的物件狀態(步驟345)。並且，根據一參考物件的資訊、及此多條管線上的物件狀態，進行此參考物件的物件計數以得出一物件數(步驟350)。
結合此物件計數方法，第四圖是根據本揭露一實施例，基於視訊分析的物件計數裝置的一方塊示意圖。參考第四圖，此物件計數裝置可包含一物件計數模組(object counting module)410、以及一電腦可讀取媒體(computer-readable medium)430。此物件計數裝置接取視訊來源402以取得畫面資料，物件計數模組410在一運算平台，例如一或多個電腦系統420的控制下，根據上述第三B圖之物件計數方法的運作，計算出跨越閘門線的物件數量。電腦系統420可將物件計數模組410計算的結果儲存至電腦可讀取媒體430或輸出至一輸出裝置(output device)440，例如外接螢幕。視訊來源402例如是來自擷取裝置(capture device)、影音檔案或網路串流等的視訊或影像輸入(video or image input)。物件計數模組410例如是於一或多個電腦系統420中可執行的程式指令集。物件計數模組410例如可在一或多個電腦系統420中的一或多個實體中央處理單元(physical CPU)上執行。
承上述，舉兩個應用場景的範例來說明物件計數設定310。第五圖是根據本揭露一實施例，說明物件計數的一室內應用場景的一示意圖。第五圖的室內應用場景中含一門500及一人員510。一攝影機裝置520架設於一室內頂部，並以一可視範圍530俯拍地面，其拍攝的影像如第六圖所示的畫面。第六圖是根據本揭露一實施例的示意圖，說明一俯視計數畫面以及在此畫面上進行參數設定。第六圖中，俯視計數畫面600包含門牆610A與610B、以及一人員，欲計算人員進出門500的數量，則於計數畫面600中標示一虛擬閘門線630用來計算跨越該線之人員數目，虛擬閘門線630對應於第五圖實際應用場景中地面的一虛擬直線540。
在計數畫面600中，取一近似待測物件大小的區域作為參考物件，例如取人員620作為參考物件，此參考物件的物件寬度與物件深度如圖中所示。並且，於畫面600中，標示出兩條與人員620行進方向平行的路徑參考線，此兩條路徑參考線用來判斷物件的行進方向，例如是門牆側面所構成的一組平行線640A與640B，一條路徑參考線可表示為一起點座標及一終點座標，或可表示為一點座標搭配一斜率值。為統計物件移動狀態，於虛擬閘門線630上，定義出數條於場景中垂直於虛擬閘門線630的管線，一管線650係由多個取樣點660構成，所有管線之取樣點的集合構成一取樣影像。
以另一戶外場景畫面700為例，第七圖是根據本揭露一實施例的示意圖，說明一側視計數畫面以及在此畫面上進行參數設定。場景畫面700中一車輛710於行駛軌道720上，車輛710可視為參考物件並取其寬度及深度值，於行駛軌道720上可標示出兩條於場景中平行的路徑參考線730A與730B，並定義一條虛擬閘門線740用來計數。在場景畫面700中，虛擬閘門線740上可定義出數條於場景中垂直於虛擬閘門線740的管線750，其中一管線係由多個取樣點760構成，所有管線之取樣點的集合構成一取樣影像。
在參考點計算314中，參考點是畫面上兩條路徑參考線的交點，也可稱為消失點(vanishing point)，用來作為取樣點計算的參考。令兩條路徑參考線L1 與L2 ，L1 的起點座標與終點座標分別為(x 11 ,y 11 )與(x 12 ,y 12 )，L2 的起點座標與終點座標分別為(x 21 ,y 21 )與(x 22 ,y 22 )，則參考點P V 的座標(xV ,yV )可由兩線交點之計算方式、或是由斜率及點座標計算得知。當攝影機拍攝方向垂直於地面時，則路徑參考線是畫面上平行的兩線，也就是說，其交點是無限遠的一消失點。此情況可用兩極大數值作為參考點座標也無需計算參考點。
根據取樣對照表計算316後，可得出多條管線的取樣點的集合建構成取樣對照表，例如自第六圖或第七圖之場景畫面中閘門線的兩側選取許多像素以構成取樣影像，其寬度與高度分別為N T 個畫素及N P 個畫素。也就是說，N T 是虛擬閘門線上的管線總數，N P 是一管線上取樣點的數量。取樣影像上任一行(column)的像素就是一管線的取樣資料。第八A圖、第八B圖、及第八C圖是根據本揭露一實施例，說明取樣點計算的一示意圖。在第八A圖的一影像畫面800中，L1 與L2 是一畫面的兩條路徑參考線、閘門線810的起點為PS (xS ,yS )，終點為PE (xE ,yE )。P V (xV ,yV )是計算出的參考點，並構成兩條區域參考線，分別為L' 1 =及L' 2 =。
令參考物件的寬度為l W (畫素)、深度為l D (畫素)，並定義參考物件內包含的管線數量為N O ，則可計算出任兩管線的間距dT 如下：
所以，閘門線上的管線總數(即取樣影像的寬度N T )可由下列式子算出：
也就是說，取樣影像的寬度N T 可以由一參考物件內包含的管線數量N O 換算得知。
第八A圖中，由影像畫面800上兩平行於虛擬閘門線且取樣間距為d L 的兩條線，可得出與直線L'1 及L'2 的交點Q 1 、Q 2 、Q 3 與Q 4 。如第八B圖所示，由此四個交點形成的四邊形所涵蓋的區域就是取樣區域820。欲將取樣影像上任一點Pij 對照至取樣區域中的一點Qij ，i =1,2,...,N T ，j =1,2,...,N P ，可利用單應性(Homography)轉換方法計算得知。
例如，已知取樣影像的寬度N T 及高度N P ，輸入影像上的四邊形的四個端點Q1 、Q2 、Q3 、及Q4 的座標，故可定義出四組對照點組合，即Q1 -(1,1)、Q2 -(N T ,1)、Q3 -(N T ,NP )、Q4 -(1,N P )，由此四組對照點組合搭配單應性計算，可求得一3×3之座標轉換矩陣，如第八B圖與第八C圖所示，此轉換矩陣可用來轉換取樣影像830上的取樣點Pij 與取樣區域820上的Qij 的座標值。利用此轉換矩陣即可建構出取樣對照表，此取樣對照表用來從輸入影像中取得跨越閘門線的取樣區域，並快速取出N T ×N P 之取樣影像的資料。此處取樣間距dL 可採用參考物件的深度l D ，以有效測得物件的移動狀態。
位移偵測是判斷N T ×N P 取樣影像中各像素的異動狀態，有許多位移偵測方法，例如先建構出一張不含物件的背景(background)影像，再比較一輸入影像與此背景影像中各像素的差異值，當差異值大於臨界值時，則判斷為異動像素，或稱前景(foreground)。本揭露在一範例中，採用以高斯混合模型(Gaussian Mixture Model)為基礎的背景相減擷取法來偵測異動像素，當然也可採用其它位移偵測方法。第九圖是一23×16取樣影像之位移偵測結果的範例，此範例中，斜線影格表示異動像素，這些異動像素有的座落於閘門線905的上方區域910，有的座落於閘門線905的下方區域920。
偵測出取樣影像的異動像素後，從這些異動像素可算出各管線i 的異動量(tube variation)，包含異動像素總量以及閘門線之上、下方區域異動像素的差異量：
其中，當P ij 是異動像素時，F ij =1，否則F ij =0。由一管線上的異動像素總量可觀察出該管線上是否含有移動物件，由上下區域異動像素差異量則可觀察物件座落於閘門線的上側或下側。第十圖是以第九圖為例，算出各管線i的與，1≦i ≦23。例如，當i =9時，該管線上共有11個異動像素，所以=11。而在該管線上，座落於閘門線的上、下側分別有5個異動像素及6個異動像素，所以=5-6=-1。
管線狀態判定328用來分析物件在各管線上的狀態，本揭露實施例將各管線上的狀態分為四種，也就是靜止(STATIC)、物件於閘門線上方(TOP)、物件於閘門線下方(BOTTOM)、以及未定(UNCERTAIN)，並且以與的值與兩預定值(即異動像素的總量臨界值Tmotion 及差異量臨界值Tdiff )相較，來判定在時間點t 時管線i 的物件狀態D i (t )。根據本揭露一實施例，第十一圖是此判定流程。
從第十一圖的判定流程可得知，在時間點t 時對任一管線i 上之物件狀態的判斷條件如下。當小於Tmotion 時，D i (t )=STATIC，即物件為靜止的狀態(步驟1110)；當大於等於Tmotion 並且大於等於Tdiff 時，D i (t )=TOP，即物件於閘門線上方的狀態(步驟1120)；當大於等於Tmotion 並且小於等於-Tdiff 時，D i (t)=BOTTOM，即物件於閘門線下方的狀態(步驟1130)；當大於等於Tmotion 並且大於-Tdiff 時，Di (t)=UNCERTAIN，即物件為未定的狀態(步驟1140)。
以第十圖算出的的範例來進行此判定流程。可先觀察異動像素總量足夠大(即≧Tmotion )的管線、以及閘門線之上、下方區域異動像素的差異量大於等於一臨界值或小於等於此臨界值的負值(即≧Tdiff 或≦-Tdiff )的管線。以Tmotion =4、Tdiff =2為例，從第十圖算出的中，標示出這些的管線，如第十二A圖所示。在第十二A圖中，以雙線框表示的管線4~16、以及管線18~22之各管線的皆大於等於4；以雙線框表示的管線3~7、以及管線10~12之各管線的值皆大於等於2，以虛線框表示的管線14~22之各管線的值皆小於等於-2。
再根據第十一圖的判定流程，如第十二B圖所示，滿足＜4者，此管線的D i (t )=STATIC，以S表示；滿足≧4且≧2者，此管線的D i (t )=TOP，以T表示；滿足≧4且≦-2者，此管線的D i (t)=BOTTOM，以B表示；滿足≧4且＞-2者，此管線的D i (t )=UNCERTAIN，以U表示。
由於在物件跨越閘門線的瞬間，閘門線的兩側會含有大量的異動像素，容易被判定出許多未定(UNCERTAIN)狀態的管線。所以對未定狀態的管線需進行修補。第十三圖是根據本揭露一實施例，對未定狀態的管線進行修補的一流程圖。參考第十三圖，在時間點t 時，當一管線上的物件狀態為未定時，以此管線為中心，由近而遠逐次搜尋物件於閘門線上方或下方的管線，如步驟1310所示。一旦搜尋到，則未定狀態的原管線的物件狀態被替換為被搜尋到的管線的物件狀態，如步驟1320所示。對於在時間點t 沒有完成修補之未定狀態的管線，則參照其前一時間點t -1的管線狀態進行修補，如步驟1330所示。
根據第十三圖的修補流程，以第十二B圖算出的D i (t )的範例來修補管線的物件狀態，進行修補後的物件狀態如第十四圖所示。在第十四圖中，如箭頭所指，管線8~9、以及管線13的物件狀態從U被替換為T。
由於實際場景中，例如位移偵測時，可能因取樣失真、雜訊影響、或物件色彩與背景近似等因素，造成物件內部的異動像素形成破洞，進而使物件內的管線其物件狀態被判定為靜止狀態。所以對靜止狀態的管線需進行修補，例如可採用影像處理常用的型態學運算，將孤立的靜止管線修補為具方向性的TOP或BOTTOM狀態。第十五圖是根據本揭露一實施例，對靜止狀態的管線進行修補的一流程圖。
參考第十五圖，在時間點t ，且1＜i ＜N T ，當一管線i 的物件狀態D i (t )為靜止時，如果D i -1 (t )=D i +1 (t )=TOP，則D i (t )被替換為TOP(步驟1510)；如果D i -1 (t )=D i + 1 (t )=BOTTOM，則D i (t )被替換為BOTTOM(步驟1520)。也就是說，當一管線i 的物件狀態D i (t )為STATIC時，如果最靠近此管線i 的兩條管線的物件狀態都是TOP或者都是BOTTOM，則將管線i 的物件狀態修改為最靠近的此兩條管線的物件狀態。根據第十五圖的流程，第十四圖的範例經過靜止管線修補後，如第十六圖中的箭頭所指，D 17 (t )被修改為BOTTOM。
由最後得到的各管線的物件狀態D i (t )，可得知此畫面中虛擬閘門線兩側均包含移動物件。觀察各時間點的管線狀態值的變化，則可進一步計算出跨越閘門線的物件數量。說明如下。首先定義C i (t )為第i 條管線的狀態變化值，此狀態變化值包含由上往下(DOWN)、由下往上(UP)、及無動作(NONE)共三種數值，C i (t )計算如下：
於時間點t 算出所有管線i 的狀態變化值C i (t )後，可從C i (t )統計出數段具有相同變化值的線段及其長度。令l (t )是一段具有相同變化值(DOWN或UP)的線段長度(也就是具有相同變化值的連續管線的數量)。定義單一物件中取樣管線的數量為N O ，則此線段表示時間點t 跨越閘門線的物件數量N (t )，可由下式求得：
所以，可計算出在時間點t 由上往下(DOWN)及由下往上(UP)的物件數量。「由上往下」及「由下往上」的動作可依實際應用環境，解讀為「進入」及「離開」一區域。
第十七圖是於時間點t 、t +1、t +2、t +3、t +4、t +5、及t +6，一包含移動物件的序列取樣影像範例，其中依跨越閘門線(以虛線表示)順序包含一向下人員A、一向下人員B、及一向上人員C。此序列取樣影像經由位移偵測324、管線異動量計算326及管線狀態判定328後，可獲得如第十八圖所示的各管線狀態值D i (t )。再利用前述計算式，算出管線的狀態變化值C i (t )，如第十九圖所示。
在第十九圖的範例中，可得知在時間點t +2、t +4、及t +5中，各有一段具有相同狀態變化值的線段。依此，於此三個時間點，各計算得出一段具有相同狀態變化值的管線量，分別為l (t +2)=9、l (t +4)=9、及l (t +5)=10，令單一物件中的取樣管線數量N O =10，則在時間點t+2、t +4、及t +5，計算得出物件數量N (t +2)=1、N (t +4)=1、及N (t +5)=1，並且由管線的狀態變化值得知由上往下(DOWN)的物件數為2(即N (t +2)+N (t +4))、由下往上(UP)的物件數為1 (即N (t +5))。
根據上述實施例，本揭露搭配一視訊裝置如攝影機來錄製多段影片，內容包含室內室外、天候及不同光線條件等變因，此實驗中各影片的物件為上下移動的人員，拍攝離地距離近似，皆以畫面中心的水平線作為閘門線。設定各影片的共同參數包含單一物件中取樣管線的數量N O =10、取樣影像的高度N P =10、參考物件的寬度l W =120、參考物件的深度l D =50。並且根據本揭露實施例，於一運算平台如電腦系統中，來執行物件計數。定義物件計數準確率Accuracy如下：
其中RUP 及RDOWN 分別為實際進出的人數，SUP 及SDOWN 為根據本揭露實施例執行物件計數的實驗結果。
然後比較以本揭露實施例與使用面積估測法及光流法之習知技術的實驗結果。結果發現相較於這些習知技術，本揭露實施例的物件計數技術明顯提高物件計數準確率約為112%。以本揭露實施例的物件計數技術，由於大幅降低運算量，在運算時間上更有顯著的下降。
承上述，本揭露實施例提出的物件計數技術僅針對計數線附近區域進行取樣資料得統計分析，並於計數線上定義多條平行於物件行進方向的取樣管線，透過統計管線的異動狀態來達成物件計數，無需物件標記及追蹤等耗時程序，有效克服物件偵測與物件追蹤的困難議題，在多物件並排或是對向跨線情況下也可以正常運作。並且計算量低，適合於嵌入式系統。實驗結果顯示此物件計數的準確率高達94.95%。
所以，本揭露實施例是基於視訊分析的物件計數技術，並且至少包含下列特點：無需特定的物件模板，可適用於多種物件計數的應用，如人數統計、交通應用及人數或車流量管制等計數應用或衡量公共設施使用率等；無需明確偵測畫面中的獨立物件，可避免多物件追蹤的誤判問題，進而提高準確率；無需複雜的物件標記與追蹤程序，大幅降低運算量，易於嵌入式系統實現。
以上所述者僅為本揭露實施例，當不能依此限定本揭露實施之範圍。即大凡本發明申請專利範圍所作之均等變化與修飾，皆應仍屬本發明專利涵蓋之範圍。
110．．．待測影像
120．．．有多個網格的影像
130．．．依網格的異動資訊來判定是否有任一物件在影像
210、220、230．．．光流峰值
300．．．物件計數方法
310．．．物件計數設定
320．．．即時物件計數
312．．．參數設定
314．．．參考點計算
316．．．取樣對照表計算
322．．．影像取樣
324．．．位移偵測
326．．．管線異動量計算
328．．．管線狀態判定
330．．．物件計數
340．．．參照此一或多個輸入畫面，設定多個參數、計算一參考點、及計算一取樣對照表
345．．．於每一輸入畫面上，根據此多個參數、此參考點、及此取樣對照表，擷取出一取樣影像以得到該取樣影像上的異動像素資訊，並計算多條管線上的異動量以判定此多條管線上的物件狀態
350．．．根據一參考物件的資訊、及此多條管線上的物件狀態，進行此參考物件的物件計數以得出一物件數
402．．．視訊來源
410．．．物件計數模組
420．．．電腦系統
430．．．電腦可讀取媒體
440．．．輸出裝置
500．．．門
510．．．人員
520．．．攝影機裝置
530．．．可視範圍
540．．．虛擬直線
600．．．計數畫面
610A、610B．．．門牆
620．．．人員
630．．．虛擬閘門線
640A、640B．．．一組平行線
650．．．管線
660．．．取樣點
700．．．場景畫面
710．．．車輛
720．．．行駛軌道
730A、730B．．．路徑參考線
740．．．虛擬閘門線
750．．．管線
760．．．取樣點
800．．．影像畫面
810．．．閘門線
820．．．取樣區域
830．．．取樣影像
905．．．閘門線
910．．．閘門線的上方區域
920．．．閘門線的下方區域
．．．管線i 的異動像素總量
．．．管線i 的閘門線之上、下方區域異動像素的差異量
D i (t )．．．時間點t 時管線i 的物件狀態
Tmotion ．．．異動像素的總量臨界值
Tdiff ．．．異動像素的差異量臨界值
1110．．．物件為靜止的狀態
1120．．．物件於閘門線上方的狀態
1130．．．物件於閘門線下方的狀態
1140．．．物件為未定的狀態
S．．．物件為靜止的狀態
T．．．物件於閘門線上方的狀態
B．．．物件於閘門線下方的狀態
U．．．物件為未定的狀態
1310．．．在時間點t時，當一管線上的物件狀態為未定時，以此管線為中心，由近而遠逐次搜尋物件於閘門線上方或下方的管線
1320．．．一旦搜尋到，則未定狀態的原管線的物件狀態被替換為被搜尋到的管線的物件狀態
1330．．．對於在時間點t沒有完成修補之未定狀態的管線，則參照其前一時間點t-1的管線狀態進行修補
1510．．．D i (t )被替換為TOP
1520．．．D i( t )被替換為BOTTOM
TOP．．．等於T
BOTTOM．．．等於B
C i (t )．．．第i 條管線的狀態變化值
第一圖是一示意圖，說明使用面積估測法來估測物件計數的技術。
第二圖是一示意圖，說明使用光流法來來估測物件計數的技術。
第三A圖是根據本揭露的一實施例，說明一基於視訊分析的物件計數方法的一示意圖。
第三B圖是根據本揭露的一實施例，說明第三A圖之物件計數方法的運作。
第四圖是根據本揭露一實施例，基於視訊分析的物件計數裝置的一方塊示意圖。
第五圖是根據本揭露一實施例，說明物件計數的一室內應用場景的一示意圖。
第六圖是根據本揭露一實施例，說明一俯視計數畫面以及在此畫面上進行參數設定。
第七圖是根據本揭露一實施例，說明另一側視計數畫面以及在此畫面上進行參數設定。
第八A圖、第八B圖、及第八C圖是根據本揭露一實施例，說明取樣點計算的一示意圖。
第九圖是根據本揭露一實施例，一23×16取樣影像之位移偵測結果的範例。
第十圖是以第九圖為例，算出各管線的異動像素總量以及閘門線之上下區域異動像素的差異量。
第十一圖是根據本揭露一實施例，判定在時間點t時，管線i之物件狀態的流程圖。
第十二A圖與第十二B圖是根據本揭露一實施例，搭配總量臨界值及差異量臨界值，來標示符合臨界值條件的管線。
第十三圖是根據本揭露一實施例，對未定狀態的管線進行修補的一流程圖。
第十四圖是以第十二B圖算出的D i (t )的範例來修補管線的物件狀態後的結果。
第十五圖是根據本揭露一實施例，對靜止狀態的管線進行修補的一流程圖。
第十六圖是以第十五圖的範例經過靜止管線修補後的結果。
第十七圖是根據本揭露一實施例，於時間點t 、t +1、t +2、t +3、t +4、t +5、及t +6，一包含移動物件的序列取樣影像範例。
第十八圖是根據本揭露一實施例，以第十七圖為例，經由位移偵測、管線異動量計算及管線狀態判定後，得出的各管線狀態值。
第十九圖是根據本揭露一實施例，以第十八圖為例，算出各管線的狀態變化值。
340．．．參照此一或多個輸入畫面，設定多個參數、計算一參考點、及計算一取樣對照表
345．．．於每一輸入畫面上，根據此多個參數、此參考點、及此取樣對照表，擷取出一取樣影像以得到該取樣影像上的異動像素資訊，並計算多條管線上的異動量以判定此多條管線上的物件狀態
350．．．根據一參考物件的資訊、及此多條管線上的物件狀態，進行此參考物件的物件計數以得出一物件數

Claims (18)

  1. 一種基於視訊分析的物件計數方法，該方法包含：接取視訊來源以取得待處理的一或多個輸入畫面，參照該一或多個輸入畫面，設定多個參數、計算一參考點、及計算一取樣對照表；以及於該每一輸入畫面上，根據該多個參數、該參考點、及該取樣對照表，擷取出一取樣影像以得到該取樣影像上的異動像素資訊，並計算多條管線上的異動量以判定該多條管線上的物件狀態；以及根據一參考物件的資訊、及該多條管線上的物件狀態，進行該參考物件的物件計數以得出一物件數。
  2. 如申請專利範圍第1項所述之物件計數方法，其中該視訊來源來自一或多個視訊裝置、一或多個影音檔案、及一或多個網路串流之前述三者的其中任一組合。
  3. 如申請專利範圍第1項所述之物件計數方法，其中該多個參數設定至少包含設定一閘門線、參考物件資訊、及一或多條路徑參考線。
  4. 如申請專利範圍第3項所述之物件計數方法，該方法還包含：於該閘門線上，定義平行於物件行進方向的該多條管線，並且每一管線係由多個取樣點構成，該多條管線的取樣點的集合建構成該取樣對照表。
  5. 如申請專利範圍第3項所述之物件計數方法，其中計算多條管線上的異動量包含計算在該多條管線的每一條管線上的異動像素總量以及該閘門線之上、下方區域異動像素的差異量。
  6. 如申請專利範圍第5項所述之物件計數方法，該方法利用一異動像素的總量臨界值Tmotion 及一差異量臨界值Tdiff ，來判定在一時間點時每一管線上的物件狀態，並且一管線上的物件狀態分為靜止狀態、物件於閘門線上方狀態(TOP)、物件於閘門線下方狀態(BOTTOM)、以及未定狀態。
  7. 如申請專利範圍第1項所述之物件計數方法，其中該參考物件資訊包含物件寬度與物件深度資訊。
  8. 如申請專利範圍第6項所述之物件計數方法，該方法還包含對未定狀態的管線進行修補，其中在一時間點t ，當一管線上的物件狀態為未定時，以該管線為中心，由近而遠逐次搜尋物件狀態為TOP或BOTTOM的管線，一旦搜尋到，則該未定狀態的管線的物件狀態被替換為被搜尋到的管線的物件狀態，對於在該時間點t 沒有完成修補之未定狀態的管線，則參照其前一時間點t -1的管線狀態進行修補。
  9. 如申請專利範圍第8項所述之物件計數方法，該方法還包含對靜止狀態的管線進行修補，其中在一時間點t ，當一管線上的物件狀態為靜止時，如果最靠近該靜止狀態的管線的兩條管線的物件狀態都是TOP或者都是BOTTOM，則將該靜止狀態的管線的物件狀態修改為最靠近的該兩條管線的物件狀態。
  10. 如申請專利範圍第9項所述之物件計數方法，該方法進行該參考物件的物件計數還包含：根據修補後的該多條管線上的物件狀態，於多個時間點的每一時間點，算出該多條管線的每一管線上的狀態變化值，以統計出一或多段具有相同變化值的連續管線的數量；以及根據該參考物件的寬度資訊及統計出的該一或多段的連續管線的數量，計算出該一或多段的每一段跨越該閘門線的物件數量，以得出該物件數。
  11. 如申請專利範圍第6項所述之物件計數方法，其中該判定在一時間點時每一管線上的物件狀態還包含：在該時間點時，當該管線上的異動像素總量小於Tmotion 時，該管線上的物件狀態判定為靜止狀態；在該時間點時，當該管線上的異動像素總量大於等於Tmotion ，並且該管線上的閘門線之上、下方區域異動像素的差異量大於等於Tdiff 時，該管線上的物件狀態判定為TOP;在該時間點時，當該管線上的異動像素總量大於等於Tmotion ，並且該管線上的閘門線之上、下方區域異動像素的差異量小於等於-Tdiff 時，該管線上的物件狀態判定為BOTTOM；以及在該時間點時，當該管線上的異動像素總量大於等於Tmotion 並且該管線上的閘門線之上、下方區域異動像素的差異量大於-Tdiff 時，該管線上的物件狀態判定為未定的狀態。
  12. 一種基於視訊分析的物件計數裝置，該裝置包含：一物件計數模組，在一或多個電腦系統的控制下來執行：參照一或多個輸入畫面，設定多個參數、計算一參考點、及計算一取樣對照表；於每一輸入畫面上，根據該多個參數、該參考點、及該取樣對照表，擷取出一取樣影像以得到該取樣影像上的異動像素資訊，並計算多條管線上的異動量以判定此多條管線上的物件狀態；及根據一參考物件的資訊、及該多條管線上的物件狀態，進行該參考物件的物件計數以得出一物件數；以及一電腦可讀取媒體，用來儲存所述計算的結果。
  13. 如申請專利範圍第12項所述之物件計數裝置，其中該物件計數模組是在該一或多個電腦系統中可執行的程式指令集，並且在該一或多個電腦系統中的一或多個實體中央處理單元上執行。
  14. 如申請專利範圍第12項所述之物件計數裝置，其中該多個參數至少包含一閘門線、參考物件資訊、以及一或多條路徑參考線。
  15. 如申請專利範圍第12項所述之物件計數裝置，其中該多條管線近乎垂直於該閘門線，並且平行於物件行進方向。
  16. 如申請專利範圍第12項所述之物件計數裝置，其中該多條管線的每一管線係由多個取樣點構成，該多條管線的取樣點的集合建構成該取樣對照表。
  17. 如申請專利範圍第12項所述之物件計數裝置，其中該物件計數模組計算的結果儲存至該電腦可讀取媒體或輸出至一外接裝置。
  18. 如申請專利範圍第12項所述之物件計數裝置，該裝置自一或多個視訊裝置、一或多個影音檔案、及一或多個網路串流之前述三者的任一組合中，接取視訊來源以取得該一或多個畫面。
TW100145363A 2011-12-08 2011-12-08 基於視訊分析的物件計數方法與裝置 TWI448977B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW100145363A TWI448977B (zh) 2011-12-08 2011-12-08 基於視訊分析的物件計數方法與裝置
CN201110438765.XA CN103164706B (zh) 2011-12-08 2011-12-19 基于视频信号分析的对象计数方法与装置
US13/422,496 US8582816B2 (en) 2011-12-08 2012-03-16 Method and apparatus for video analytics based object counting

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW100145363A TWI448977B (zh) 2011-12-08 2011-12-08 基於視訊分析的物件計數方法與裝置

Publications (2)

Publication Number Publication Date
TW201324383A TW201324383A (zh) 2013-06-16
TWI448977B true TWI448977B (zh) 2014-08-11

Family

ID=48572009

Family Applications (1)

Application Number Title Priority Date Filing Date
TW100145363A TWI448977B (zh) 2011-12-08 2011-12-08 基於視訊分析的物件計數方法與裝置

Country Status (3)

Country Link
US (1) US8582816B2 (zh)
CN (1) CN103164706B (zh)
TW (1) TWI448977B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI827516B (zh) * 2023-06-06 2023-12-21 台達電子工業股份有限公司 影像處理裝置以及方法

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2455914B1 (en) * 2010-11-18 2012-10-17 Axis AB Object counter and method for counting objects
US9582671B2 (en) 2014-03-06 2017-02-28 Sensity Systems Inc. Security and data privacy for lighting sensory networks
JP6386217B2 (ja) 2012-09-12 2018-09-05 センシティ システムズ インコーポレイテッド 感知応用のためのネットワーク接続された照明インフラストラクチャ
US9213781B1 (en) 2012-09-19 2015-12-15 Placemeter LLC System and method for processing image data
KR101776706B1 (ko) * 2012-11-30 2017-09-08 한화테크윈 주식회사 복수의 카메라 기반 사람계수장치 및 방법
US9933297B2 (en) 2013-03-26 2018-04-03 Sensity Systems Inc. System and method for planning and monitoring a light sensory network
EP2976856B1 (en) 2013-03-26 2019-08-14 Sensity Systems Inc. Sensor nodes with multicast transmissions in lighting sensory network
TWI489415B (zh) * 2013-07-17 2015-06-21 Vivotek Inc 視訊處理方法及系統
TWI493477B (zh) * 2013-09-06 2015-07-21 Utechzone Co Ltd 用於偵測多人狀態之方法、電腦可讀取記錄媒體及用於偵測多人狀態之視訊監控裝置
TWI530909B (zh) 2013-12-31 2016-04-21 財團法人工業技術研究院 影像合成系統及方法
KR101557376B1 (ko) * 2014-02-24 2015-10-05 에스케이 텔레콤주식회사 사람 계수 방법 및 그를 위한 장치
US9746370B2 (en) 2014-02-26 2017-08-29 Sensity Systems Inc. Method and apparatus for measuring illumination characteristics of a luminaire
US10417570B2 (en) 2014-03-06 2019-09-17 Verizon Patent And Licensing Inc. Systems and methods for probabilistic semantic sensing in a sensory network
US10362112B2 (en) 2014-03-06 2019-07-23 Verizon Patent And Licensing Inc. Application environment for lighting sensory networks
US10013889B2 (en) * 2014-03-31 2018-07-03 Konica Minolta Laboratory U.S.A., Inc. Method and system for enhancing interactions between teachers and students
JP2017525064A (ja) 2014-05-30 2017-08-31 プレイスメーター インコーポレイテッドＰｌａｃｅｍｅｔｅｒ Ｉｎｃ． ビデオデータを用いた活動モニタリングのためのシステム及び方法
US9626639B2 (en) * 2014-09-26 2017-04-18 Shyp, Inc. Image processing and item transport
CN105844328B (zh) 2015-01-15 2021-03-02 开利公司 用于自动试运行人员计数系统的方法和系统
JP6651702B2 (ja) * 2015-03-23 2020-02-19 富士通株式会社 物体検出装置、物体検出方法および情報処理プログラム
US11334751B2 (en) 2015-04-21 2022-05-17 Placemeter Inc. Systems and methods for processing video data for activity monitoring
WO2016171878A1 (en) * 2015-04-21 2016-10-27 Placemeter, Inc. Virtual turnstile counter system and method
US10043078B2 (en) 2015-04-21 2018-08-07 Placemeter LLC Virtual turnstile system and method
JP6494418B2 (ja) * 2015-05-25 2019-04-03 キヤノン株式会社 画像解析装置、画像解析方法、およびプログラム
US9946951B2 (en) 2015-08-12 2018-04-17 International Business Machines Corporation Self-optimized object detection using online detector selection
TWI604416B (zh) 2015-10-01 2017-11-01 晶睿通訊股份有限公司 影像流量分析方法及具有影像流量分析功能的攝影機
KR102560684B1 (ko) 2015-10-21 2023-07-27 한화비전 주식회사 이미지 기반 객체 카운팅 방법 및 이를 위한 장치
US11100335B2 (en) 2016-03-23 2021-08-24 Placemeter, Inc. Method for queue time estimation
TWI608448B (zh) * 2016-03-25 2017-12-11 晶睿通訊股份有限公司 計數流道設定方法、具有計數流道設定功能的影像監控系統、及其相關的電腦可讀取媒體
CN105956619B (zh) * 2016-04-27 2019-05-24 浙江工业大学 一种集装箱锁孔粗定位和跟踪方法
TWI633497B (zh) 2016-10-14 2018-08-21 群暉科技股份有限公司 用來藉助於多個攝影機進行協同式計數之方法與裝置
CN106651905B (zh) * 2016-12-30 2019-01-22 广州市保伦电子有限公司 基于cell图像分割检测的跟踪方法及系统
US10210398B2 (en) * 2017-01-12 2019-02-19 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for predicting flow of crowds from limited observations
TWI669661B (zh) * 2017-06-08 2019-08-21 合盈光電科技股份有限公司 人數統計系統
TWI633501B (zh) * 2017-08-15 2018-08-21 晶睿通訊股份有限公司 物件計數裝置、物件計數系統及物件計數方法
JP7123545B2 (ja) * 2017-10-30 2022-08-23 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
TWI658430B (zh) * 2017-12-12 2019-05-01 緯創資通股份有限公司 熱影像處理系統及方法
US11288820B2 (en) 2018-06-09 2022-03-29 Lot Spot Inc. System and method for transforming video data into directional object count
JP7303412B2 (ja) * 2018-08-30 2023-07-05 シンフォニアテクノロジー株式会社 ワークカウント制御システム、パーツフィーダ
CN112861581B (zh) * 2019-11-27 2024-03-26 财团法人车辆研究测试中心 人数分析方法及其系统
US11151874B2 (en) * 2020-01-23 2021-10-19 Frogparking Limited Vehicle flow monitoring system
US11587325B2 (en) * 2020-09-03 2023-02-21 Industrial Technology Research Institute System, method and storage medium for detecting people entering and leaving a field
CN113159074B (zh) * 2021-04-26 2024-02-09 京东科技信息技术有限公司 图像处理方法、装置、电子设备和存储介质
EP4300434A1 (en) * 2022-06-28 2024-01-03 Axis AB Image processing device and method of detecting objects crossing a crossline and a direction the objects crosses the crossline

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW502229B (en) * 2000-08-03 2002-09-11 Chunghwa Telecomlaboratories Image-type system for automatically monitoring traffic flow on a lane
TW200727204A (en) * 2006-01-06 2007-07-16 Univ Nat Kaohsiung Applied Sci Bi-directional people counter for pedestrian passing flow

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0695008B2 (ja) * 1987-12-11 1994-11-24 株式会社東芝 監視装置
US6697104B1 (en) 2000-01-13 2004-02-24 Countwise, Llc Video based system and method for detecting and counting persons traversing an area being monitored
FR2806193B1 (fr) * 2000-03-10 2003-09-26 Science Et Tec Appareil de comptage de personnes ou d'objets
US7203338B2 (en) 2002-12-11 2007-04-10 Nielsen Media Research, Inc. Methods and apparatus to count people appearing in an image
JP3757959B2 (ja) * 2003-07-04 2006-03-22 コニカミノルタホールディングス株式会社 計数システムおよび計数方法
JP3944647B2 (ja) * 2003-10-21 2007-07-11 コニカミノルタホールディングス株式会社 物体計測装置、物体計測方法、およびプログラム
US7482774B2 (en) * 2003-11-25 2009-01-27 The Chamberlain Group, Inc. Self-healing passpoint-facilitated method and apparatus
WO2006105655A1 (en) 2005-04-06 2006-10-12 March Networks Corporation Method and system for counting moving objects in a digital video stream
US7409076B2 (en) * 2005-05-27 2008-08-05 International Business Machines Corporation Methods and apparatus for automatically tracking moving entities entering and exiting a specified region
US7787656B2 (en) 2007-03-01 2010-08-31 Huper Laboratories Co., Ltd. Method for counting people passing through a gate
CN101325690A (zh) * 2007-06-12 2008-12-17 上海正电科技发展有限公司 监控视频流中人流分析与人群聚集过程的检测方法及系统
US7965866B2 (en) 2007-07-03 2011-06-21 Shoppertrak Rct Corporation System and process for detecting, tracking and counting human objects of interest
CN101196991A (zh) * 2007-12-14 2008-06-11 同济大学 密集客流计数和行人步行速度自动检测方法及系统
KR101467847B1 (ko) 2008-01-16 2014-12-03 삼성전자주식회사 영역 기반의 물체 계수 장치 및 방법
TWI372359B (en) * 2008-03-21 2012-09-11 Huper Lab Co Ltd Vertical people monitoring and counting method
JP5073548B2 (ja) * 2008-03-27 2012-11-14 富士重工業株式会社 車両用環境認識装置および先行車追従制御システム
US8295545B2 (en) 2008-11-17 2012-10-23 International Business Machines Corporation System and method for model based people counting
DE102009000173A1 (de) 2009-01-13 2010-07-15 Robert Bosch Gmbh Vorrichtung zum Zählen von Objekten, Verfahren sowie Computerprogramm
TW201033908A (en) 2009-03-12 2010-09-16 Micro Star Int Co Ltd System and method for counting people flow

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW502229B (en) * 2000-08-03 2002-09-11 Chunghwa Telecomlaboratories Image-type system for automatically monitoring traffic flow on a lane
TW200727204A (en) * 2006-01-06 2007-07-16 Univ Nat Kaohsiung Applied Sci Bi-directional people counter for pedestrian passing flow

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI827516B (zh) * 2023-06-06 2023-12-21 台達電子工業股份有限公司 影像處理裝置以及方法

Also Published As

Publication number Publication date
US20130148848A1 (en) 2013-06-13
US8582816B2 (en) 2013-11-12
CN103164706B (zh) 2017-04-05
TW201324383A (zh) 2013-06-16
CN103164706A (zh) 2013-06-19

Similar Documents

Publication Publication Date Title
TWI448977B (zh) 基於視訊分析的物件計數方法與裝置
US10261574B2 (en) Real-time detection system for parked vehicles
TWI452540B (zh) 影像式之交通參數偵測系統與方法及電腦程式產品
CN103530874B (zh) 基于Kinect的人流计数方法
US9286678B2 (en) Camera calibration using feature identification
Mallikarjuna et al. Traffic data collection under mixed traffic conditions using video image processing
Zhang et al. Real-time traffic analysis using deep learning techniques and UAV based video
WO2017035663A1 (en) System and method for detecting and tracking objects
JP4793324B2 (ja) 車両監視装置および車両監視方法
Ferryman et al. Performance evaluation of crowd image analysis using the PETS2009 dataset
Laureshyn et al. Application of automated video analysis for behavioural studies: concept and experience
CN102034355A (zh) 一种基于特征点匹配的车辆检测及跟踪方法
CN103473554A (zh) 人流统计系统及方法
Meshram et al. Traffic surveillance by counting and classification of vehicles from video using image processing
Wu et al. Vehicle Classification and Counting System Using YOLO Object Detection Technology.
Furuya et al. Road intersection monitoring from video with large perspective deformation
CN110889347A (zh) 基于时空计数特征的密度交通流计数方法及系统
Ng et al. Traffic Impact Assessment System using Yolov5 and ByteTrack
Guerrieri et al. Traffic flow variables estimation: An automated procedure based on moving observer method. potential application for autonomous vehicles
Chen et al. A framework for real-time vehicle counting and velocity estimation using deep learning
Revaud et al. Robust automatic monocular vehicle speed estimation for traffic surveillance
JP3891181B2 (ja) カメラパラメータの自動算出方法及び装置
CN106919889B (zh) 对视频图像中的人头进行检测的方法和装置
CN103258433B (zh) 一种交通视频监控中智能车牌清晰显示方法
Guo et al. Vehicle detection and tracking based on optical field