CN104866616B - 监控视频目标搜索方法 - Google Patents
监控视频目标搜索方法 Download PDFInfo
- Publication number
- CN104866616B CN104866616B CN201510307279.2A CN201510307279A CN104866616B CN 104866616 B CN104866616 B CN 104866616B CN 201510307279 A CN201510307279 A CN 201510307279A CN 104866616 B CN104866616 B CN 104866616B
- Authority
- CN
- China
- Prior art keywords
- target
- similarity
- frame
- feature
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
- G06F16/785—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content using colour or luminescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
- G06F16/7857—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content using texture
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
一种监控视频目标搜索方法,包括步骤1,获取搜索目标图像,并提取所述搜索目标图像的特征以建立目标模型;步骤2,获取输入视频,并根据所述输入视频建立背景模型,以提取每一视频帧中的运动前景,并通过连通域检测得到候选目标区域,在所述候选内利用边缘轮廓估计法求出可能的物体目标框位置;步骤3,将候选目标区域的与搜索目标具有最大综合相似度的物体子框的特征相似度作为候选目标区域对应的相似度,若候选目标区域与搜索目标的综合相似度大于阈值,则将候选目标区域的相关信息存入数据库;步骤4,对数据库中的记录进行归类筛选,以减少在筛选结果中连续时间段内重复目标出现的次数;步骤5,查询数据库并根据预设条件对查询结果排序。
Description
技术领域
本发明涉及计算机视觉技术和图像处理领域,具体涉及一种监控视频目标搜索方法。
背景技术
随着科学技术的进步,摄像机的清晰度不断上升,成本不断降低,监控网络已遍布于社会的各个角落,如何快速高效地从监控网络产生的海量视频信息中获取关键信息成为亟待解决的问题。公安刑警在办理案件过程中通常需要在大量的监控视频中对某个特定目标进行搜索,例如对犯罪嫌疑人以及对肇事车辆的搜索,在传统的搜索过程中,对目标的搜索通过人眼完成,需要大量的人力资源,且其搜索的准确度会随着人的疲劳程度降低,因此建立一种能自动搜索视频中特定目标的***显得十分重要。
在文献:Arnold W.M.Smeulders,Marcel Worring,Simone Santini.Content-Based Image Retrieval at the End of the Early Years,IEEE Transactions onPattern Analysis and Machine Intelligence,VOL.22,NO.12,2000.中,给出了经典的目标图像搜索***框架,并对目标的局部、全局以及显著性等特征进行了讨论,但直接将文中的搜索框架应用于监控视频目标搜索中,会忽略视频中帧与帧之间的连续性等信息,导致搜索速度较慢。
在中国专利《一种在视频中搜索目标的方法》(公布号为CN 103020198A)中,公开了一种在视频中搜索目标的方法,该方法通过前景/背景分离技术可以将视频中的运动前景提取出,从而有效缩小了目标搜索范围,然而该方法通过前景分离得到的区域并不能直接作为目标进行特征提取,因为前景分离可能会得到重叠的目标,从而会造成搜索失败。而且在该方法的框架下,同一目标在连续时间段内特征比对成功都将视为搜索结果,当查看搜索结果时,会导致结果过多且较混乱等问题。
发明内容
本发明的目的是提供一种监控视频目标搜索方法,以解决现有技术中的图像搜索方法难以直接应用于视频中特定目标搜索的技术问题,以取得较快的搜索速度和准确度。
作为本发明的一个方面,提供了一种监控视频目标搜索方法,其特征在于,包括:步骤1,获取搜索目标图像,并提取所述搜索目标图像的特征以建立目标模型;步骤2,获取输入视频,并根据所述输入视频建立背景模型,以提取每一视频帧中的运动前景,并通过连通域检测得到候选目标区域,在所述候选目标区域内利用边缘轮廓估计法求出所有可能的物体目标框位置,其中物体目标框是指包含边缘闭合物体的矩形框;步骤3,将候选目标区域中的与搜索目标具有最大综合相似度的物体目标框物体子框的特征相似度作为候选目标区域对应的相似度,若候选目标区域与搜索目标的综合相似度大于阈值,则将候选目标区域的相关信息存入数据库;步骤4,对数据库中的记录进行归类筛选,以减少在筛选结果中连续时间段内重复目标出现的次数;步骤5,查询数据库并根据预设条件对查询结果排序。
在步骤1和3中,采用多特征对搜索目标和候选目标进行特征提取和相似度计算,能够提高目标搜索的鲁棒性,通过步骤2利用运动前景信息以及边缘轮廓估计法则能够准确快速地定位到视频中的物体目标框,步骤4和5在查询过程中采用多特征的组合条件排序和查询可避免按固定权重组合特征造成的搜索失败。
优选地,所述步骤1中,提取所述搜索目标图像的特征包括:HSV颜色直方图特征、边缘点个数与面积比例特征、感知哈希指纹特征。其中HSV颜色直方图特征能够描述目标的颜色分布情况,使我们从颜色上识别目标,而边缘点个数与面积比特征可以反映目标包含边缘信息的情况,使我们可以从目标的边缘信息量上描述目标,感知哈希指纹特征用于描述物体的纹理,且具有尺度不变性。
优选地,所述背景模型采用混合高斯模型。通过混合高斯模型可以快速提取出视频帧上的运动前景点。
优选地,在所述候选目标区域内利用边缘轮廓估计法求出所有可能的物体目标框位置包括:S1:计算目标图像的梯度图;S2:将梯度图进行多尺度缩放,得到不同尺度下的梯度图;S3:以尺度为8*8的矩形框遍历各个梯度图,分析各框内的梯度分布以确定物体目标框位置。
优选地,所述步骤S3包括:分别从所述梯度图的矩形框四条边各边上的每一个像素以垂直于该边的方向出发,计算遇到第一个大于128梯度值(即边缘点)的距离,若从各边上的每个像素出发找到边缘点的距离平均值小于5,则判定该矩形框通过缩放比例对应到原图的矩形框为物体目标框判定该矩形框对应的位置可能存在目标物体。
优选地,步骤3中,对物体目标框进行多特征提取,计算该物体目标框的各个特征与搜索目标的各个特征之间的相似度,将各个特征所述相似度进行线性叠加得到所述综合相似度;所述相关信息包括候选目标区域的帧号、位置、尺寸以及图像各个特征的相似度值。
优选地,步骤4包括:按帧号的顺序依次读出数据库中的各条记录,若连续两帧之间存在目标的位置差小于5,且长宽差值均小于5,则认为这两条记录属于同一类;在遍历数据库后,对每一类中的记录进行筛选,每一类记录条数不超过3条,对于超过3条记录的类只保留其第一条、中间一条以及最后一条。
优选地,所述相似度包括HSV颜色直方图特征的相似度、边缘点个数与目标面积比例特征相似度、感知哈希指纹特征的相似度,所述综合相似度由所述HSV颜色直方图特征的相似度、边缘点个数与目标面积比例特征相似度、和感知哈希指纹特征的相似度分别以0.5、0.2、0.3为权值线性叠加得到而成。
优选地,步骤5中,根据所述HSV颜色直方图特征的相似度、边缘点个数与目标面积比例特征相似度、感知哈希指纹特征的相似度对查询结果排序。
附图说明
图1是本发明监控视频目标搜索的算法流程框图。
图2是本发明前景检测得到的候选目标区域示意图。
图3是本发明候选目标区域的多尺度变换示意图。
图4是本发明物体边缘轮廓分析示意图。
图5是本发明实施例效果图。
具体实施方式
下面,结合图1至5,以一个具体的实施例,对本发明进行详细说明。
步骤1,对输入的搜索目标T进行特征提取,包括HSV颜色直方图特征、边缘点个数与面积比例特征以及感知哈希指纹特征。
HSV颜色直方图特征C是将HSV颜色空间划分为105个组,然后统计图像上的各个像素落入每个组的个数,并归一化得到C。其中,在色度H上划分为12等份,在饱和度S上划分为8等份,得到96个组,再单独为黑白灰划分9个组总共得到105个组。
为提高计算速度,一个实施例中通过查表映射法对直方图进行统计,即求出一个从RGB空间直接到直方图颜色值的映射表Map(R,G,B),该表把像素的颜色值直接映射到直方图的某一个组上。
边缘点个数与面积比例特征β用于衡量目标上的边缘纹理与目标大小之间的关系,通过Canny算子计算目标图像的边缘,并统计其中边缘点的个数n,用n除以目标图像面积Area,即为边缘点个数与面积比特征。
感知哈希指纹特征H,是指将目标图像转换为灰度图后,归一化到8*8的尺寸,计算归一化后图像的像素平均值,从上到下从左到右将各个像素分别与平均值进行比较,大于平均值时取1,否则取0,通过这种方式得到的64位整数即为本实例中使用的感知哈希指纹特征H。这里,用H表示感知哈希指纹特征,以便于下述的公式中使用。
步骤2,对输入的视频图像进行背景建模,用以提取每一帧的运动区域。这里,采用混合高斯模型进行背景建模,具体算法可参照文献C.Stauffer and W.Crimson,"Adaptivebackground mixture models for real-time tracking,"In Proceedings CVPR,pp.246-252,1999。
在得到运动前景图后,通过连通域检测找出候选目标区域Ri,该区域在连通域对应的矩形框基础上分别向上下左右拓展5个像素的距离,如图2所示。
步骤3,在候选目标区域Ri中通过边缘轮廓估计方法估计可能存在物体的物体子框Wij。
由于前景检测得到的目标区域中可能存在多个目标,以及包含目标阴影等情况,因此直接使用目标区域Ri作特征提取误差较大,本申请所述方法通过估计可能包含物体子框的具***置来避免直接使用运动前景目标带来的误差。
所述边缘轮廓估计法的具体步骤可以为:
S1.将原图转换为灰度图,然后用下式计算图像的梯度图:
gradient(x,y)=2×(abs(f(x+1,y)-f(x-1,y))+abs(f(x,y+1)-f(x,y-1)))
其中,gradient(x,y)为像素(x,y)上的梯度值,f(x,y)为像素(x,y)上的灰度值。
S2.将梯度图进行多尺度缩放,得到不同尺度下的梯度图,如图3所示。
S3.以8*8的矩形框遍历各个梯度图,分析各框内的梯度分布。具体地,如图4所示,分别从矩形四条边上的每一个像素以垂直于该边的方向出发,计算遇到第一个大于128梯度值(即边缘点)的距离,若从各边上的每个像素出发找到边缘点的距离平均值小于5,则判定该矩形框对应的位置可能存在目标物体。
步骤4,首先,判断估计得到的物体目标框Wij中前景点个数是否超过其面积的0.2,如果超过则对该物体目标进行特征提取,特征包括HSV颜色直方图特征、边缘点个数与面积比例特征以及感知哈希指纹特征。
其次,计算各物体目标框Wij的HSV颜色直方图特征边缘点个数与面积比例特征、感知哈希指纹特征与搜索目标的HSV颜色直方图特征CT、边缘点个数与面积比例特征βT、感知哈希指纹特征HT之间的相似度,并求出综合相似度S。
(1)采用下式计算HSV颜色直方图特征的相似度:
其中,I为HSV颜色直方图中的组号,N为直方图中组的总数105,k为1和2。
(2)采用下式计算边缘点个数与目标面积比例特征相似度:
其中,abs(x)函数用于计算x的绝对值,max(x,y)函数用于求x,y之间的最大值。
(3)采用下式计算感知哈希指纹特征的相似度SH:
其中,hammingDis(H1,H2)用于计算H1,H2之间的汉明距离,即H1,H2之间不相同的位数个数。
(4)采用下式对Sc、Sβ、SH线性叠加,从而得到综合相似度S:
S=0.5×Sc+0.2*Sβ+0.3*SH
第三,对于候选目标区域Ri,用其中与搜索目标T具有最大综合相似度的物体子框Wij的特征相似度作为候选目标区域Ri对应的相似度,若候选目标区域Ri与搜索目标T的综合相似度大于阈值0.3,则将候选目标区域Ri的相关信息存入数据库,包括帧号,候选目标区域Ri左上角位置(x,y),尺寸(width,height),候选目标区域Ri对应图像,以及S、Sc、Sβ、SH。
步骤5,首先,对数据库中的记录进行归类筛选,以减少在结果中连续时间段内重复目标出现的次数。
归类筛选方法的具体实现过程可以是:按帧号的顺序依次读出各条记录,若连续两帧之间存在记录目标的位置差小于5,且长宽差值均小于5,则认为这两条记录属于同一类。在遍历数据库后,对每一类中的记录进行筛选,每一类记录条数不超过3条,对于超过3条记录的类只保留其第一条,中间一条以及最后一条。
然后,对数据库进行条件查询操作以提取搜索结果,根据设定条件可以按照综合相似度排序,颜色相似度以及哈希相似度排序。
本实施例的测试在PC计算机上完成,计算机的参数为Intel(R)Core(TM)[email protected],内存4G。测试结果如图5所示,其中右侧图像检索标记的窗口内为输入的目标图像,左侧框为输入视频的显示窗口,中间所有结果窗口下的图像阵列为搜索结果按综合相似度进行排序后的效果。
Claims (7)
1.一种监控视频目标搜索方法,其特征在于,包括:
步骤1,获取搜索目标图像,并提取所述搜索目标图像的特征以建立目标模型;
步骤2,获取输入视频,并根据所述输入视频建立背景模型,以提取每一视频帧中的运动前景,并通过连通域检测得到候选目标区域,在所述候选目标区域内利用边缘轮廓估计法求出所有物体目标框位置,其中物体目标框是指包含边缘闭合物体的矩形框;
步骤3,将候选目标区域中与搜索目标具有最大综合相似度的物体目标框的特征相似度作为候选目标区域对应的相似度,若候选目标区域与搜索目标的综合相似度大于阈值,则将候选目标区域的相关信息存入数据库;
步骤4,对数据库中的记录进行归类筛选,以减少在筛选结果中连续时间段内重复目标出现的次数;步骤4包括:按帧号的顺序依次读出数据库中的各条记录,若连续两帧之间存在目标区域的位置差小于5像素,且目标区域的长与长之间的差值、及宽与宽之间差值均小于5像素,则认为这两条记录属于同一类;在遍历数据库后,对每一类中的记录进行筛选,每一类记录条数不超过3条,对于超过3条记录的类只保留其第一条、中间一条以及最后一条;
步骤5,查询数据库并根据预设条件对查询结果排序;
在所述候选目标区域内利用边缘轮廓估计法求出所有物体目标框位置包括:S1:计算目标图像的梯度图;S2:将梯度图进行多尺度缩放,得到不同尺度下的梯度图;S3:以尺度为8*8像素的矩形框遍历各个梯度图,分析各框内的梯度分布以确定物体目标框位置。
2.根据权利要求1所述的监控视频目标搜索方法,其特征在于,所述步骤1中,提取所述搜索目标图像的特征包括:HSV颜色直方图特征、边缘点个数与面积比例特征、感知哈希指纹特征。
3.根据权利要求1所述的监控视频目标搜索方法,其特征在于,所述背景模型采用混合高斯模型。
4.根据权利要求1所述的监控视频目标搜索方法,其特征在于,所述步骤S3包括:分别从所述梯度图的矩形框四条边上的每一个像素以垂直于该边的方向出发,计算遇到第一个大于128梯度值的距离,若从各边上的每个像素出发找到边缘点的距离平均值小于5像素,则判定该矩形框通过缩放比例对应到原图的矩形框为物体目标框。
5.根据权利要求1所述的监控视频目标搜索方法,其特征在于,步骤3中,对物体目标框进行多特征提取,计算该物体目标框的各个特征与搜索目标的各个特征之间的相似度,将各个特征相似度进行线性叠加得到所述综合相似度;所述相关信息包括候选目标区域的帧号、位置、尺寸以及图像各个特征的相似度值。
6.根据权利要求5所述的监控视频目标搜索方法,其特征在于,所述相似度包括HSV颜色直方图特征的相似度、边缘点个数与目标面积比例特征相似度、感知哈希指纹特征的相似度,所述综合相似度由所述HSV颜色直方图特征的相似度、边缘点个数与目标面积比例特征相似度、和感知哈希指纹特征的相似度分别以0.5、0.2、0.3为权值线性叠加得到。
7.根据权利要求6所述的监控视频目标搜索方法,其特征在于,步骤5中,根据所述HSV颜色直方图特征的相似度、边缘点个数与目标面积比例特征相似度、感知哈希指纹特征的相似度对查询结果排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510307279.2A CN104866616B (zh) | 2015-06-07 | 2015-06-07 | 监控视频目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510307279.2A CN104866616B (zh) | 2015-06-07 | 2015-06-07 | 监控视频目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104866616A CN104866616A (zh) | 2015-08-26 |
CN104866616B true CN104866616B (zh) | 2019-01-22 |
Family
ID=53912442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510307279.2A Active CN104866616B (zh) | 2015-06-07 | 2015-06-07 | 监控视频目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104866616B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105200938B (zh) * | 2015-08-27 | 2017-06-27 | 广西交通科学研究院 | 一种基于视觉的车道闸杆防撞*** |
CN106601243B (zh) * | 2015-10-20 | 2020-11-06 | 阿里巴巴集团控股有限公司 | 一种视频文件识别方法及装置 |
CN105893510A (zh) * | 2016-03-30 | 2016-08-24 | 北京格灵深瞳信息技术有限公司 | 一种视频结构化***及其目标搜索方法 |
CN106403951A (zh) * | 2016-08-26 | 2017-02-15 | 观宇能源科技(上海)有限公司 | 一种基于计算机视觉的定位***及其定位方法 |
WO2018137226A1 (zh) * | 2017-01-25 | 2018-08-02 | 深圳市汇顶科技股份有限公司 | 指纹提取方法及装置 |
CN107103615A (zh) * | 2017-04-05 | 2017-08-29 | 合肥酷睿网络科技有限公司 | 一种监控视频目标锁定追踪***及锁定追踪方法 |
CN107729379B (zh) * | 2017-09-15 | 2021-01-12 | 中原智慧城市设计研究院有限公司 | 基于深度学习算法的特定车辆检索方法 |
CN108090916B (zh) * | 2017-12-21 | 2019-05-07 | 百度在线网络技术(北京)有限公司 | 用于跟踪视频中的目标图形的方法和装置 |
CN110059521B (zh) * | 2018-01-18 | 2022-05-13 | 浙江宇视科技有限公司 | 目标跟踪方法及装置 |
CN110490025B (zh) * | 2018-05-14 | 2023-05-05 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置、设备及*** |
CN109495749A (zh) * | 2018-12-24 | 2019-03-19 | 上海国茂数字技术有限公司 | 一种视频编解码、检索方法及装置 |
CN110175559B (zh) * | 2019-05-24 | 2020-12-11 | 北京博视未来科技有限公司 | 一种用于智能识别的视频帧的独立判断方法 |
CN113128543B (zh) * | 2020-01-15 | 2024-02-13 | 阿里巴巴集团控股有限公司 | 图像匹配方法、应用测试方法及装置和*** |
CN111930987B (zh) * | 2020-08-11 | 2023-12-26 | 复旦大学 | 一种基于机器视觉颜色识别的智慧城域定位方法及*** |
CN112800985A (zh) * | 2021-02-02 | 2021-05-14 | 杭州刀豆网络科技有限公司 | 一种基于深度学习的视频对比方法 |
CN115858855B (zh) * | 2023-02-28 | 2023-05-05 | 江西师范大学 | 一种基于情景特征的视频数据查询方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129695A (zh) * | 2010-01-19 | 2011-07-20 | 中国科学院自动化研究所 | 基于遮挡物建模的有遮挡情况下的目标跟踪方法 |
CN102509118A (zh) * | 2011-09-28 | 2012-06-20 | 安科智慧城市技术(中国)有限公司 | 一种监控视频检索方法 |
CN103020198A (zh) * | 2012-11-30 | 2013-04-03 | 杭州易尊数字科技有限公司 | 一种在视频中搜索目标的方法 |
CN103530612A (zh) * | 2013-10-14 | 2014-01-22 | 电子科技大学 | 基于少量样本的快速目标检测方法 |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
CN104683803A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种应用于压缩域的运动对象检测与跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120173577A1 (en) * | 2010-12-30 | 2012-07-05 | Pelco Inc. | Searching recorded video |
-
2015
- 2015-06-07 CN CN201510307279.2A patent/CN104866616B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129695A (zh) * | 2010-01-19 | 2011-07-20 | 中国科学院自动化研究所 | 基于遮挡物建模的有遮挡情况下的目标跟踪方法 |
CN102509118A (zh) * | 2011-09-28 | 2012-06-20 | 安科智慧城市技术(中国)有限公司 | 一种监控视频检索方法 |
CN103020198A (zh) * | 2012-11-30 | 2013-04-03 | 杭州易尊数字科技有限公司 | 一种在视频中搜索目标的方法 |
CN103530612A (zh) * | 2013-10-14 | 2014-01-22 | 电子科技大学 | 基于少量样本的快速目标检测方法 |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
CN104683803A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种应用于压缩域的运动对象检测与跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104866616A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104866616B (zh) | 监控视频目标搜索方法 | |
Xu et al. | Depth information guided crowd counting for complex crowd scenes | |
Gllavata et al. | Text detection in images based on unsupervised classification of high-frequency wavelet coefficients | |
Bai et al. | Saliency-SVM: An automatic approach for image segmentation | |
US20120263346A1 (en) | Video-based detection of multiple object types under varying poses | |
Kortylewski et al. | Unsupervised footwear impression analysis and retrieval from crime scene data | |
CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
CN103988232A (zh) | 使用运动流形来改进图像匹配 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
Yadav et al. | Survey on content-based image retrieval and texture analysis with applications | |
Shen et al. | Adaptive pedestrian tracking via patch-based features and spatial–temporal similarity measurement | |
CN104732534B (zh) | 一种图像中显著目标的抠取方法及*** | |
CN112749673A (zh) | 一种基于遥感影像智能提取储油罐库存的方法及装置 | |
CN106909883A (zh) | 一种基于ros的模块化手部区域检测方法和装置 | |
Wu et al. | Research on computer vision-based object detection and classification | |
Bai et al. | Principal pixel analysis and SVM for automatic image segmentation | |
Kuang et al. | MutualCascade method for pedestrian detection | |
Usha et al. | Content based image retrieval using combined features of color and texture features with SVM classification | |
Aradhya | Simulation of object detection algorithms for video survillance applications | |
Dai et al. | Robust and accurate moving shadow detection based on multiple features fusion | |
Chen et al. | An improved local descriptor and threshold learning for unsupervised dynamic texture segmentation | |
CN109271902B (zh) | 复杂背景下基于时域经验模态分解的红外弱小目标检测方法 | |
CN107122714B (zh) | 一种基于边缘约束的实时行人检测方法 | |
Khryashchev et al. | Evaluation of face image quality metrics in person identification problem | |
Misra et al. | Text extraction and recognition from image using neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |