TWI730509B - 影像偵測區域取得方法及空間使用情況的判定方法 - Google Patents
影像偵測區域取得方法及空間使用情況的判定方法 Download PDFInfo
- Publication number
- TWI730509B TWI730509B TW108142605A TW108142605A TWI730509B TW I730509 B TWI730509 B TW I730509B TW 108142605 A TW108142605 A TW 108142605A TW 108142605 A TW108142605 A TW 108142605A TW I730509 B TWI730509 B TW I730509B
- Authority
- TW
- Taiwan
- Prior art keywords
- detection area
- computing device
- detection
- image
- images
- Prior art date
Links
Images
Abstract
一種影像偵測區域取得方法,包含以攝像裝置依序取得關聯於取像場景的多個影像,以運算裝置計算出該些影像中多個物件的多條移動軌跡,以運算裝置對該些移動軌跡執行聚類程序以取得偵測區域,以及於顯示器顯示偵測區域及關聯於取像場景且異於該些影像的另一影像。
Description
本發明係關於一種影像偵測區域取得方法及空間使用情況的判定方法,特別係關於一種基於影像中多個物件的多條移動軌跡以取得偵測區域及判定空間使用情況的方法。
為了監控路上車子的行進方向、行進時間及停留時間等,已發展出多種監控方法來監控車子的行進行為,然大多數的監控方法仍是藉由設置監視攝影機拍攝多個場景,並再由監控人員依據監視攝影機所拍攝的影像判斷該些場景是否有異常狀況。此外,每當安裝監視攝影機於新的場域時,仍需要人工判斷不同方向的車道,並據此繪製每個車道中的感興趣區域(Region of Interest,ROI)或偵測區域。
然而,人為繪製的ROI可能並非最有效的偵測區域,因此若在此偵測區域計算或統計車流恐使得統計出來的數據失準。此外,若需在一個新的場域安裝多台攝像裝置,則每台攝像裝置所拍攝的場景的偵測區域仍是由人工劃分,更造成時間的浪費。並且,設置在監控場域中的攝像裝置可能因為受到外力的影響(例如振動或風吹等不可抗力因素)而產生偏移,造成原已設定好的偵測區域產生偏移,使得監控人員又需前往監控場域調整偏移的攝像裝置。
鑒於上述,本發明提供一種以滿足上述需求的影像偵測區域取得方法及空間使用情況的判定方法,以在一個新的場域安裝多台攝像裝置時不需由監控人員劃分偵測區域,藉此節省人工劃分的時間。此外,依據本發明的一或多個實施例的空間使用情況的判定方法,更可以在取得偵測區域後由運算裝置判斷在取像場景的物件的流量以及物件是否有異常行為,以及判斷攝像裝置是否有偏移,並據以通知監控單位,且當攝像裝置有偏移時,即使監控人員未即時調整偏移的攝像裝置,亦不會大幅影響偵測區域的準確性。
依據本發明一實施例的影像偵測區域取得方法,該方法包含:以一攝像裝置依序取得關聯於一取像場景的多個影像;以一運算裝置計算出該些影像中多個物件的多條移動軌跡;以該運算裝置對該些移動軌跡執行一聚類程序以取得一偵測區域;以及於一顯示器顯示該偵測區域及關聯於該取像場景且異於該些影像的另一影像。
依據本發明一實施例的空間使用情況的判定方法,該方法包含:以一攝像裝置依序取得關聯於一取像場景的多個影像;以一攝像裝置依序取得關聯於一取像場景的多個影像;以一運算裝置計算出該些影像中多個物件的多條移動軌跡;以該運算裝置對該些移動軌跡執行一聚類程序以取得一偵測區域;以該運算裝置基於該偵測區域執行一事件偵測程序,其中該事件偵測程序係以該運算裝置判斷一待偵測物件的行為是否符合一事件規則;以及以該運算裝置輸出該事件偵測程序的一偵測。
以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理,並且提供本發明之專利申請範圍更進一步之解釋。
以下在實施方式中詳細敘述本發明之詳細特徵以及優點,其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施,且根據本說明書所揭露之內容、申請專利範圍及圖式,任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點,但非以任何觀點限制本發明之範疇。
本發明所揭示的影像偵測區域取得方法是用以取得攝像裝置所拍攝的取像場景的偵測區域。舉例而言,所述的偵測區域可以是平面道路、高速公路、百貨公司、商場、農場等的取像場景的偵測區域,其中取像場景較佳是有多個移動物件的場域,等然本發明不以此為限。其中為了便於說明,以下多個實施例所揭示的偵測區域取得方法將以道路作為取像場景的示例。
請一併參考圖1及圖2,其中圖1是依據本發明一實施例所繪示的影像偵測區域取得方法的示意圖;圖2是依據本發明一實施例所繪示的影像偵測區域取得方法的流程圖。
請參考步驟S01:以攝像裝置依序取得關聯於取像場景的多個影像,所述得攝像裝置例如是設置於道路旁的監視錄影機,取像場景即為攝像裝置所拍攝的道路的場景,而影像即為如圖1所示的道路的影像。詳細而言,攝像裝置取得的多個影像係攝像裝置在不同的時間點依序取得的影像,且該些影像中包含如圖1所示的多個物件O。
當以攝像裝置取得多個影像後,運算裝置於步驟S03計算出該些影像中的該些物件的多條移動軌跡MT。詳言之,攝像裝置於第一取像時間取得第一影像,且運算裝置以神經網路深度學習法辨識出第一影像中的這些物件,以及該些物件在第一影像中分別位處的多個第一位置,且此辨識結果的信心值高於一門檻值;攝像裝置接著於第二取像時間取得第二影像,且運算裝置以神經網路深度學習法辨識出第二影像中的這些物件,以及該些物件在第二影像中分別位處的多個第二位置,且此辨識結果的信心值高於前述門檻值。隨後,運算裝置便依據每一物件的第一位置及第二位置取得每一物件的移動軌跡MT。換句話說,運算裝置乃是依據神經網路深度學習法對多個影像的每一物件的辨識信心值以及每一物件的多個位置計算出每一物件的移動軌跡MT。其中運算裝置例如是監控單位的中央處理器或具有運算功能的雲端伺服器等;而神經網路深度學習法例如是人工智慧(Artificial Intelligence,AI)技術的卷積神經網路(Convolutional Neural Network,CNN),然本發明不以此為限。
請繼續參考步驟S03,詳細而言,在運算裝置以神經網路深度學習法辨識出影像中的物件時,可同時附加前述的信心值,其中信心值代表運算裝置以神經網路深度學習法判斷物件後,對此判斷結果的把握程度。當信心值達到前述的門檻值(例如是70%)時,則表示運算裝置以神經網路深度學習法對物件的判斷結果是可信賴的。舉例而言,運算裝置以神經網路深度學習法辨識圖1所示的影像中的物件O為車子並產生對應於此辨識的信心值,當信心值達到70%時,則表示運算裝置以神經網路深度學習法辨識物件O是車子的結果是可信賴的。
請繼續參考步驟S03,在運算裝置辨識出物件O後,運算裝置接著依時序取得物件O在影像中的座標位置。以單一個物件O的例子而言,運算裝置取得物件O在多個影像中的每一個影像的座標位置,並且依時序連接該些座標位置,以取得物件O的移動軌跡MT。
於運算裝置取得該些移動軌跡MT後,運算裝置接著於步驟S05對該些移動軌跡MT執行聚類程序以取得偵測區域DZ,其中聚類程序包含以運算裝置基於該些移動軌跡MT取得數個邊界點,並且依據該些邊界點取得偵測區域DZ。運算裝置依據該些移動軌跡MT取得偵測區域DZ可以是基於一機率分佈函數,且為便於後續說明,以下皆舉常態分佈函數為例,其中常態分佈函數較佳是二元的常態分佈函數,且二元的常態分佈函數的一個維度為移動軌跡MT的密度,另一個維度為移動軌跡MT與一參考線的交點分佈。
請參考圖3(a),圖3(a)是依據本發明一實施例所繪示的影像偵測區域取得方法的示意圖。詳細而言,對該些移動軌跡MT執行聚類程序以取得邊界點的實現方式可以是運算裝置基於該些移動軌跡MT歸納出常態分佈函數,並且分別以常態分佈函數的信賴區間的兩邊界值定義偵測區域DZ的邊界線,其中信賴區間例如是常態分佈函數的68%到95%,然本發明不以此為限。尤其是,依據所述的常態分佈函數的實施方式,取得數個第一交點N1的常態分佈函數及其信賴區間的兩第一邊界點BP1,以及取得數個第二交點N2的常態分佈函數及其信賴區間的兩第二邊界點BP2,再以此二第一邊界點BP1及第二邊界點BP2所圈圍的區域做為偵測區域DZ。其中,前述的數個第一交點N1為該些移動軌跡MT與參考線L1的交點,而前述的數個第二交點N2為該些移動軌跡MT與參考線L2的交點。尤其是該些移動軌跡MT的每一個均由其起點延伸至其終點,且這些第一交點N1中較佳包含該些移動軌跡MT之一的起點,而這些第二交點N2中較佳包含該些移動軌跡MT之一的終點。
請參考圖3(b),圖3(b)是另一種取得偵測區域DZ的邊界線BL的方法的示意圖,其中此述取得邊界線BL的方法係基於至少二群的移動軌跡MT,即這些移動軌跡MT與單一參考線的交點所構成的常態分佈函數具有至少二信賴區間。為便於理解,以下僅以可形成二信賴區間的移動軌跡MT進行說明。在取得對應於參考線L1的二信賴區間及參考線L2的二信賴區間之後,運算裝置即基於該些移動軌跡MT之中同一群的移動軌跡MT關聯於參考線L1及參考線L2的二信賴區間的二中點取得中線CL1,並基於該些移動軌跡MT之中另一群的移動軌跡MT關聯於參考線L1及參考線L2的二信賴區間的二中點取得中線CL2,運算裝置再基於二中線CL1及CL2取得偵測區域的邊界線BL。其中運算裝置分別基於二群的該些移動軌跡MT歸納出常態分佈函數的實現方式可以是藉由如上述的參考線L1及L2的方式取得,故歸納出常態分佈函數的運作細節不再於此贅述。
詳細而言,請先參考圖3(b)中位在左側的那群移動軌跡MT,在運算裝置基於該些移動軌跡MT歸納出二常態分佈函數後,運算裝置以二常態分佈函數的信賴區間的第一頂點CP1及第二頂點CP2的連線作為第一中線CL1,其中第一頂點CP1及第二頂點CP2例如分別是二常態分佈函數的50%,然本發明不以此為限。請參考圖3(b) 中位在右側的另一群移動軌跡MT,相似地,運算裝置以另二常態分佈函數的信賴區間的第一頂點CP1’及第二頂點CP2’的連線作為第二中線CL2。接著,運算裝置均等地劃分第一中線CL1及第二中線CL2之間的距離以取得邊界線BL,使得邊界線BL上的任意點與第一中線CL1的距離相等於邊界線BL上的該任意點與第二中線CL2之間的距離。此外,在取得第一頂點CP1/CP1’及第二頂點CP2/CP2’後,運算裝置亦可以取得第一頂點CP1與第二頂點CP2之間的第一中間點BP1,以及第一頂點CP1’與第二頂點CP2’之間的第二中間點BP2,並以連接第一中間點BP1與第二中間點BP2的線段做為邊界線BL。
請接續參考上述圖3(b)的實施例,當取得邊界線BL後,運算裝置可以藉由以第一中線CL1做為中心線的方式將邊界線BL對稱到第一中線CL1的另一側以取得另一邊界線,並且以二邊界線BL以及二參考線L1及L2圈圍出偵測區域DZ。相似地,運算裝置亦可以是以第二中線CL2做為中心線以對稱的方式取得偵測區域DZ。需注意的是,當分別以第一中線CL1及第二中線CL2做為中心線以取得三條邊界線BL時,則運算裝置可以將位於第一中線CL1兩側的二邊界線BL朝向第一中線CL1移動一預設距離以做為更新的二邊界線BL;以及將位於第二中線CL2兩側的二邊界線BL朝向第二中線CL2移動該預設距離以做為更新的二邊界線BL,其中所述的預設距離可以是二第一頂點CP1及CP1’之間的距離的20%,或是二第二頂點CP2及CP2’ 之間的距離的20%,本發明不以此為限。據此,可以將原本相接的二偵測區域DZ調整為彼此分隔。
此外,若影像中具有至少四群的移動軌跡MT,則運算裝置可以執行如圖3(b)所揭示的以常態分佈函數取得邊界線BL的方法,基於該四群的移動軌跡MT取得二邊界線BL,再以二邊界線BL以及二參考線L1及L2圈圍出偵測區域DZ。
依據上述圖3(a)及3(b)所示的取得邊界線的方式,運算裝置便能基於邊界線取得偵測區域DZ。而在圖1的例子中,偵測區域DZ係在車輛行駛的車道內,而邊界線BL係重疊或鄰近劃分車道的車道線。
在以運算裝置取得偵測區域DZ後,本實施例的偵測區域DZ取得方法接著於步驟S07於顯示器顯示偵測區域DZ以及關聯於取像場景且異於該些影像的另一影像,其中另一影像較佳是套用偵測區域的即時影像。其中顯示器例如是設置於監控單位的顯示螢幕,然本發明不以此為限。
詳細而言,在取得偵測區域DZ後,攝像裝置持續取得取像場景的即時影像以供顯示器顯示,意即攝像裝置取得該些影像的時間點早於攝像裝置取得即時影像的時間點,且於顯示器顯示的即時影像上標示有偵測區域DZ,其中即時影像上標示的偵測區域DZ可以是一或多個,本發明不以此為限。
在於顯示器顯示偵測區域DZ及即時影像(步驟S07)後,本實施例的實現方式更可以包含每經過一間隔時段後,再次以攝像裝置依序取得多個影像(步驟S01),以對不同時段的交通狀況取得相對應的偵測區域DZ。
請參考圖4,圖4是依據本發明另一實施例所繪示的偵測區域取得方法的流程圖。其中圖4所揭示的步驟S01到S05以及步驟S01’到步驟S05’ 係與圖2所揭示的步驟S01到S05相同,故相同的運作細節不再於此贅述。惟,在圖4所揭示的偵測區域取得方法中,步驟S01所取得的多個影像異於步驟S01’所取得的多個影像,步驟S03所算出的移動軌跡也異於步驟S03’所算出的移動軌跡,因此在對步驟S03所算出的該些移動軌跡執行聚類程序後(步驟S05)所取得的第一偵測區域,係異於對步驟S03’所算出的該些移動軌跡執行聚類程序後(步驟S05’)所取得的第二偵測區域。此外,於本實施例中,較佳係步驟S01到S05執行在先,而步驟S01’到步驟S05’執行在後。
詳細而言,在於步驟S05取得第一偵測區域並於步驟S07顯示具有第一偵測區域的第一影像後,運算裝置接著執行步驟S01’到步驟S05’以取得第二偵測區域,其中第一偵測區域及第二偵測區域可以是一或多個,本發明不以此為限。換言之,步驟S01及S01’所述的第一影像及第二影像較佳分別是同個取像場景但不同時間點的即時影像。
在取得第一偵測區域及接著取得第二偵測區域後,運算裝置更於步驟S09比對第一偵測區域及第二偵測區域以取得比較值,其中運算裝置於步驟S09取得的比較值係用以表示第一偵測區域及第二偵測區域之間的重疊量。詳細而言,彼此關聯的第一偵測區域及第二偵測區域較佳是在不同日期但同一時段所取得的偵測區域,而運算裝置藉由比較不同日期但相同時段的第一偵測區域及第二偵測區域以判知攝像裝置是否有偏移,而取得第一偵測區域及第二偵測區域之間的重疊量的實現方式可以是判斷第二偵測區域重疊於第一偵測區域的比例值,並以此比例值做為所述的比較值。
請接續參考步驟S11,運算裝置並接著於步驟S11判斷比較值是否低於一重疊門檻值。換句話說,運算裝置基於比較值及重疊門檻值判斷攝像裝置本身是否有偏移,其中重疊門檻值例如是80%,然本發明不以此為限。
當運算裝置於步驟S11判斷運算裝置判斷比較值低於重疊門檻值時,則表示攝像裝置本身可能因受到風吹、振動等外力而產生偏移,則運算裝置接著於步驟S13以第二偵測區域更新偵測區域,並且於步驟S15輸出通知以供顯示器顯示。反之,若比較值未低於重疊門檻值,表示攝像裝置未產生偏移,或是攝像裝置的偏移量是在容許範圍內,則運算裝置回到步驟S09持續對第一偵測區域及第二偵測區域進行比對。
需注意的是,圖4所繪示的步驟S13是執行於步驟S15之前,然步驟S13以及步驟S15亦可以是同時執行,或是步驟S13執行於步驟S15之後,本發明不以此為限。
換句話說,運算裝置於步驟S13以第二偵測區域更新偵測區域是以最新取得的第二偵測區域作為偵測區域,並且於步驟S15輸出通知以通知監控單位攝像裝置可能有異常狀況。據此,當攝像裝置產生偏移時,即使工作人員未即時調整攝像裝置,仍不影響此取像場景的偵測區域。
請參考圖5,圖5是依據本發明一實施例所繪示的空間使用情況的判定方法的流程圖。其中圖5所揭示的空間使用情況的判定方法較佳係用以判定待偵測物件的行為是否符合一事件規則。圖5所揭示的步驟S01到S07相同於圖2所揭示的步驟S01到S07,故圖5所揭示的步驟S01到S07不再於此贅述。惟,圖5所揭示的基於偵測區域的違規判定方法在於運算裝置執行聚類程序取得偵測區域後(步驟S05),運算裝置除了可以於步驟S07於顯示器顯示偵測區域及關聯於取像場景且異於該些影像的另一影像之外,更可以於步驟S08以運算裝置基於偵測區域執行一事件偵測程序,以判斷一待偵測物件的行為是否符合一事件規則。然而,上述步驟S07及步驟S08也可以一併執行。其中,所述的事件規則例如是偵測區域內物件的流量、偵測區域內不得存在任一物件(禁入區域偵測)、偵測區域中的任一物件是否停留達一段預設時間(停車偵測)、偵測區域中的任一物件是否沿一預設方向移動(逆向偵測),以及偵測區域中的任一物件的移動速度是否落入一預設速度區段內(超速/慢速偵測)的其中至少一者,然本發明不以此為限。
詳細而言,若事件規則係偵測區域內不得存在任一物件時,則執行事件偵測程序包含判斷待偵測物件的座標位置是否落在偵測區域內。相似地,若事件偵測程序的事件規則係關於偵測區域中的任一物件的停留時間或移動等,且待偵測物件的多個座標位置落在偵測區域內時,則執行事件偵測程序除了基於待偵測物件的多個座標位置之外,更包含該些座標位置所對應的多個時間資訊,以基於多個座標位置及多個時間資訊判得待偵測物件的停留時間或移動。
請繼續參考步驟S08,在運算裝置於步驟S08執行事件偵測程序後,運算裝置於步驟S10輸出事件偵測程序的偵測結果。詳言之,若事件偵測程序係取得偵測區域的物件流量(例如,車流量),則偵測結果較佳包含偵測區域的物件流量,或是物件流量的異常狀況。此外,運算裝置可以是輸出偵測結果予監控單位的記憶裝置以做記錄,或是輸出到監控單位的顯示器顯示等,本發明不以此為限。
偵測結果亦可以包含當判斷待偵測物件的行為不符合事件規則時,運算裝置輸出通知以供顯示器顯示。反之,當運算裝置於步驟S08判斷待偵測物件的行為符合事件規則時,回到步驟S01以攝像裝置依序取得關聯於取像場景的多個影像,以更新偵測區域。
以上述車輛的例子而言,待偵測物件是在取得偵測區域之後存在於取像場景的車輛,因此,若車輛(待偵測物件)的座標位置落在偵測區域內、車輛在偵測區域內的停留時間超過事件規則的預設時間、車輛在偵測區域內的移動方向不符合事件規則的預設方向(例如逆向行駛),或是車輛在偵測區域內的移動速度落在預設速度區段外等,運算裝置便輸出通知予顯示器顯示,以提醒監控單位取像場景可能有異常狀況。
請繼續參考步驟S08,然而,在運算裝置於步驟S08執行事件偵測程序判斷待偵測物件的行為不符合事件規則時,亦可以是回到步驟S01以攝像裝置依序取得關聯於取像場景的多個影像;以及當待偵測物件的行為符合事件規則時,以運算裝置輸出通知以供顯示器顯示,本發明不以此為限。
綜上所述,依據本發明的一或多個實施例的偵測區域取得方法,可以基於物件的移動軌跡劃分出有效的偵測區域,且在一個新的場域安裝多台攝像裝置時不需由監控人員劃分偵測區域,藉此節省人工劃分的時間。此外,依據本發明的一或多個實施例的空間使用情況的判定方法,更可以在取得偵測區域後由運算裝置判斷在取像場景的物件的流量以及物件是否有異常行為,以及判斷攝像裝置是否有偏移,並據以通知監控單位,且當攝像裝置有偏移時,即使監控人員未即時調整偏移的攝像裝置,亦不會大幅影響偵測區域的準確性。
雖然本發明以前述之實施例揭露如上,然其並非用以限定本發明。在不脫離本發明之精神和範圍內,所為之更動與潤飾,均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。
O 物件
MT 移動軌跡
DZ 偵測區域
L1、L2 參考線
N1 第一交點
N2 第二交點
BP1 第一邊界點
BP2 第二邊界點
CP1、CP1’ 第一頂點
CP2、CP2’ 第二頂點
CL1 第一中線
CL2 第二中線
BL 邊界線
圖1係依據本發明一實施例所繪示的影像偵測區域取得方法的示意圖。
圖2係依據本發明一實施例所繪示的影像偵測區域取得方法的流程圖。
圖3(a)及3(b)係依據本發明一實施例所繪示的影像偵測區域取得方法的示意圖。
圖4係依據本發明另一實施例所繪示的影像偵測區域取得方法的流程圖。
圖5係依據本發明一實施例所繪示的違規判定方法的流程圖。
Claims (8)
- 一種偵測區域取得方法,該方法包含:以一攝像裝置依序取得關聯於一取像場景的多個影像;以一運算裝置計算出該些影像中多個物件的多條移動軌跡;以該運算裝置對該些移動軌跡執行一聚類程序以取得一偵測區域;以及於一顯示器顯示該偵測區域及關聯於該取像場景且異於該些影像的另一影像,其中該另一影像為一即時影像,且該攝像裝置取得該些影像的時間點早於該攝像裝置取得該另一影像的時間點,其中該聚類程序包含:以該運算裝置基於該些移動軌跡與一參考線的交點取得一機率分佈函數的信賴區間的二邊界點,基於該些移動軌跡與另一參考線的交點取得另一機率分佈函數的信賴區間的二邊界點,以及以該四邊界點所圈圍的區域做為該偵測區域。
- 如請求項1所述的偵測區域取得方法,其中該方法更包含: 以該運算裝置比對以兩次的該聚類程序取得彼此關聯的一第一偵測區域及一第二偵測區域以取得一比較值,其中用以取得該第一偵測區域的多個影像的取得時間早於用以取得該第二偵測區域的另多個影像的取得時間;當以該運算裝置判斷該比較值低於一重疊門檻值時,以該第二偵測區域更新該偵測區域;以及輸出一通知以供該顯示器顯示。
- 如請求項1所述的偵測區域取得方法,其中以該運算裝置計算出該些影像中該些物件的該些移動軌跡包含:以該運算裝置依據該些物件在一第一取像時間的多個第一位置,以及該些物件在一第二取像時間的多個第二位置計算出該些移動軌跡。
- 如請求項1所述的偵測區域取得方法,其中該方法更包含:以一神經網路(Neural Network)深度學習法辨識該些影像中的該些物件並取得關聯於該些物件的一信心值;以該運算裝置判斷該信心值是否達一門檻值;以及當該信心值達該門檻值時,以該運算裝置計算出該些影像中該些物件的該些移動軌跡。
- 一種空間使用情況的判定方法,該方法包含:以一攝像裝置依序取得關聯於一取像場景的多個影像;以一運算裝置計算出該些影像中多個物件的多條移動軌跡;以該運算裝置對該些移動軌跡執行一聚類程序以取得一偵測區域;以該運算裝置基於該偵測區域執行一事件偵測程序,其中該事件偵測程序係以該運算裝置判斷一待偵測物件的行為是否符合一事件規則;以及以該運算裝置輸出該事件偵測程序的一偵測結果,其中該聚類程序包含:以該運算裝置基於該些移動軌跡與一參考線的交點取得一機率分佈函數的信賴區間的二邊界點,基於該些移動軌跡與另一參考線的交點取得另一機率分佈函數的信賴區間的二邊界點,以及以該四邊界點所圈圍的區域做為該偵測區域。
- 如請求項5所述的空間使用情況的判定方法,其中該事件規則為該偵測區域中的任一物件是否停留達一段預設時間,以該運算裝置基於該偵測區域判斷該待偵測物件的行為是否符合該事件規則包含: 以該運算裝置基於該偵測區域判斷該待偵測物件的一座標位置是否落在該偵測區域內;以及當判斷該待偵測物件的該座標位置落在該偵測區域內時,以該運算裝置判斷該待偵測物件的該座標位置落在該偵測區域內的時間是否達該預設時間。
- 如請求項5所述的空間使用情況的判定方法,其中該事件規則為該偵測區域中的任一物件是否沿一預設方向移動,以該運算裝置基於該偵測區域判斷該待偵測物件的行為是否符合該事件規則包含:以該運算裝置基於該偵測區域判斷該待偵測物件的一座標位置是否落在該偵測區域內;以及當判斷該待偵測物件的該座標位置落在該偵測區域內時,以該運算裝置基於該待偵測物件的多個座標位置及對應的多個時間資訊判斷該待偵測物件是否沿該預設方向移動。
- 如請求項5所述的空間使用情況的判定方法,其中該事件規則為該偵測區域中的任一物件的移動速度是否落入一預設速度區段內,以該運算裝置基於該偵測區域判斷該待偵測物件的行為是否符合該事件規則包含: 以該運算裝置基於該偵測區域判斷該待偵測物件的一座標位置是否落在該偵測區域內;以及當判斷該待偵測物件的該座標位置落在該偵測區域內時,以該運算裝置基於該待偵測物件的多個座標位置及對應的多個時間資訊判斷該待偵測物件的移動速度是否落入該預設速度區段內。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108142605A TWI730509B (zh) | 2019-11-22 | 2019-11-22 | 影像偵測區域取得方法及空間使用情況的判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108142605A TWI730509B (zh) | 2019-11-22 | 2019-11-22 | 影像偵測區域取得方法及空間使用情況的判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202121332A TW202121332A (zh) | 2021-06-01 |
TWI730509B true TWI730509B (zh) | 2021-06-11 |
Family
ID=77516490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108142605A TWI730509B (zh) | 2019-11-22 | 2019-11-22 | 影像偵測區域取得方法及空間使用情況的判定方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI730509B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI785655B (zh) * | 2021-06-18 | 2022-12-01 | 逢甲大學 | 用於運動之攝影系統及其操作方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI244624B (en) * | 2004-06-04 | 2005-12-01 | Jin-Ding Lai | Device and method for defining an area whose image is monitored |
CN102396001A (zh) * | 2009-12-28 | 2012-03-28 | 松下电器产业株式会社 | 移动体检测装置以及移动体检测方法 |
CN102741884A (zh) * | 2010-07-27 | 2012-10-17 | 松下电器产业株式会社 | 移动体检测装置及移动体检测方法 |
US20130286198A1 (en) * | 2012-04-25 | 2013-10-31 | Xerox Corporation | Method and system for automatically detecting anomalies at a traffic intersection |
TWI676969B (zh) * | 2018-10-08 | 2019-11-11 | 南開科技大學 | 基於物聯網的紅綠燈控制系統及其方法 |
-
2019
- 2019-11-22 TW TW108142605A patent/TWI730509B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI244624B (en) * | 2004-06-04 | 2005-12-01 | Jin-Ding Lai | Device and method for defining an area whose image is monitored |
CN102396001A (zh) * | 2009-12-28 | 2012-03-28 | 松下电器产业株式会社 | 移动体检测装置以及移动体检测方法 |
CN102741884A (zh) * | 2010-07-27 | 2012-10-17 | 松下电器产业株式会社 | 移动体检测装置及移动体检测方法 |
US20130286198A1 (en) * | 2012-04-25 | 2013-10-31 | Xerox Corporation | Method and system for automatically detecting anomalies at a traffic intersection |
TWI676969B (zh) * | 2018-10-08 | 2019-11-11 | 南開科技大學 | 基於物聯網的紅綠燈控制系統及其方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202121332A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11024165B2 (en) | Driver behavior monitoring | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
WO2020000251A1 (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
CN110298307B (zh) | 一种基于深度学习的异常停车实时检测方法 | |
CN106652465A (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
EP4089659A1 (en) | Map updating method, apparatus and device | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
KR20200064873A (ko) | 객체와 감지 카메라의 거리차를 이용한 속도 검출 방법 | |
JP2011180982A (ja) | 区画線検出装置 | |
JP2023527265A (ja) | 交通異常を検出する方法および装置、電子機器、記憶媒体並びにコンピュータプログラム | |
WO2021227586A1 (zh) | 交通事故分析方法、装置及设备 | |
CN110929676A (zh) | 一种基于深度学习的违章掉头实时检测方法 | |
JP2012146146A (ja) | 移動物体検出装置 | |
JP2015090679A (ja) | 車両軌跡抽出方法、車両領域抽出方法、車両速度推定方法、車両軌跡抽出プログラム、車両領域抽出プログラム、車両速度推定プログラム、車両軌跡抽出システム、車両領域抽出システム、及び、車両速度推定システム | |
CN112906428B (zh) | 影像侦测区域取得方法及空间使用情况的判定方法 | |
WO2021036243A1 (zh) | 识别车道的方法、装置及计算设备 | |
CN111524350B (zh) | 车路协同异常行驶状况检测方法、系统、终端设备及介质 | |
TWI730509B (zh) | 影像偵測區域取得方法及空間使用情況的判定方法 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN116503818A (zh) | 一种多车道车速检测方法及系统 | |
Yu et al. | MPP: A novel algorithm for estimating vehicle space headways from a single image | |
KR101446545B1 (ko) | 위치기반 교차로 차량정보 표시시스템 | |
JP2000149181A (ja) | 交通流計測システム | |
JP7384181B2 (ja) | 画像収集装置、画像収集方法及び画像収集用コンピュータプログラム | |
TWI761863B (zh) | 交通狀況偵測方法 |