CN106557760A - 一种基于视频识别技术的图像画面检索过滤监控*** - Google Patents
一种基于视频识别技术的图像画面检索过滤监控*** Download PDFInfo
- Publication number
- CN106557760A CN106557760A CN201611064208.5A CN201611064208A CN106557760A CN 106557760 A CN106557760 A CN 106557760A CN 201611064208 A CN201611064208 A CN 201611064208A CN 106557760 A CN106557760 A CN 106557760A
- Authority
- CN
- China
- Prior art keywords
- target
- video
- frame
- image
- pixel
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于视频识别技术的图像画面检索过滤监控***,监控***运行,产生视频源,依时序针对接收到的每一帧视频监控画面的操作步骤为:(1)针对当前视频监控画面帧进行背景建模,获得当前视频监控画面帧中的存在运动目标,检测得到各个目标的位置数据;如没检测到目标,继续步骤(1);(2)针对检测到的目标并行进行识别,获取到每个目标的识别信息并打印到警示框帧图上,同时保存到配置文件中;(3)当播放监控视频录像时,读取配置文件,根据用户输入的检索条件,将满足条件的时间在时间轴上高亮闪烁。本发明能够有效实现监控视频滤镜、快速检索,识别视频中关键目标信息,快速定位视频关键时刻,减少视频的存储与传输压力。
Description
技术领域
本发明涉及一种基于视频识别技术的图像画面检索过滤监控***,属于监控视频图像处理技术领域。
背景技术
随着“和谐社会”、“平安城市”建设的不断深入,视频安防监控技术的更新换代、新技术的更迭以及未来的发展越来越受到各界的高度重视。高清视频、视频存储、智能视频分析等技术成为当前视频技术发展的主要方面。2011年是我国安防行业飞速发展的一年,除了市场需求的增加外,政府的大力推动,特别是城市报警与监控***(“3111”工程)建设的完成及使用,加上大运会等大型活动的带动,全国进入了安防设施建设的高潮期,安防行业得到进一步高速发展。
但随着安防行业的发展,视频监控面临巨大的挑战。目前,监控摄像头已遍布中国大地的每个街头,昼夜不停地监视和录像。对成千上万个监控平台进行监控将耗费大量的人力、物力和时间。在海量的视频中查找我们需要的信息,无疑是大海捞针。在改善社会治安的同时,产生海量视频信息,也给视频监控带来巨大的挑战。如何化解这一危机,是现代安防的热点和难点。例如2012年1月6日上午发生在南京的银行枪击杀人抢劫案,警方为尽快锁定劫匪在南京的活动轨迹,动用了500多民警24小时不间断工作,对上万小时的视频断进行逐一甄别,终于找到了两段共14s有用视频,为警方破案提供了宝贵的线索。由此可见,如何忽略监控视频中大量的无用信息而快速检索到所感兴趣的目标,是当前视频监控一种重要的研究课题。
现有技术中,视频网站的绿镜功能能够通过综合分析用户海量视频观看数据,自动判断用户喜好,并将精彩内容抽离出来,生成受关注程度最高的“精华版”视频,用户进入爱奇艺内容播放页即可选择观看完整视频或绿镜精华版内。
现有技术中,例如申请号为201010221290.4的中国专利申请“视频监控中基于运动目标检测的多目标跟踪方法”,申请号为201510013289.5的中国专利申请“一种基于视频图像的运动目标检测方法”,在运动目标检测与识别的准确性和实时计算效率上都还有所欠缺。
然而,在视频监控领域如何有效的整合利用绿镜检索技术还有待进一步研究开发,现在有一些专利已经涉及这方面的技术领域,但是都存在一定不足,例如,对于基于关键帧的视频检索技术,虽然现在能获取到一段视频的关键目标帧,但通常无法识别视频中的目标是什么,属于哪一种类型,也没有过滤视频目标的噪声等。
发明内容
针对现有技术的缺陷,本发明提供一种基于视频识别技术的图像画面检索过滤监控***,引入目标检测和目标识别,能够有效实现监控视频滤镜、快速检索,识别视频中关键目标的相关信息,快速定位视频关键时刻,减少视频的存储与传输压力。
本发明采取的技术方案如下:
一种基于视频识别技术的图像画面检索过滤监控***,监控***运行,产生视频源,依时序针对接收到的每一帧视频监控画面按如下步骤进行操作:
步骤A:采用混合高斯背景建模法针对当前视频监控画面帧进行背景建模,通过背景差分法检测获得当前视频监控画面帧中的存在运动目标,并检测得到各个目标的位置数据;在该时刻帧图上,用警示框框定目标,并将检测到目标数据传递给下一步骤;如果没检测到目标,继续步骤A;
步骤B:针对当前视频监控画面帧中检测到的目标,采用随机森林分类器并行进行识别,获取到每个目标的识别信息;将识别信息打印到警示框帧图上,同时将识别信息保存到配置文件中;在全部目标识别完成后,将该帧图保存到本地硬盘中;返回步骤A;
步骤C:当播放监控视频录像时,读取配置文件,播放时间轴红点标注配置文件中时刻、浮现出识别目标信息,定位关键时间点;根据用户输入的检索条件,将满足条件的时间在时间轴上高亮闪烁。
优选的,所述步骤A具体包括如下步骤:
步骤A01:采用混合高斯背景建模法针对当前视频监控画面帧进行背景建模;
步骤A02:根据当前视频监控画面帧中的背景建模,通过背景差分法针对当前视频监控画面帧进行背景差分,获得当前视频监控画面帧中的前景图,针对该前景图,判断去除其中的阴影,并进行灰度处理和局部自适应二值化处理;
步骤A03:形态学处理二值图,先使用开运算去除二值图像的微小噪声,再使用闭运算来填补目标物体区域内部的小空缺;
步骤A04:针对经上一步骤处理后的前景图进行区域生长操作,分别针对该前景图中的各个像素点,将与之相邻具有相同像素值的像素点与该像素点划分为同一区域,获得该前景图中的初级目标;
步骤A05:根据预设噪声滤除要求,针对该前景图中的各个初级目标进行噪声滤除,获得该前景图中的目标,并检测得到各个目标的位置数据,即获得当前视频监控画面帧中的目标,以及各个目标的位置数据。
优选的,所述步骤A05中,所述预设噪声滤除要求为预设目标所占像素点的像素阀值或预设目标所占像素点区域的长宽比阀值;步骤A05具体过程为:根据预设噪声滤除要求,针对该前景图中的各个初级目标,删除所占像素点的像素值低于预设目标所占像素点的像素阀值的初级目标,或者删除所占像素点区域的长宽比超出预设目标所占像素点区域的长宽比阀值的初级目标,该前景图中的剩余初级目标即为获得该前景图中的目标。
优选的,所述步骤B具体包括如下步骤:
步骤B01:创建类型目标的训练样本图库;训练样本分为正样本和负样本两部分:正样本是指需要检测的目标图像,样本是指除了目标图像外的其他类型的图像;
步骤B02:提取训练图库中图像的综合特征;分别计算训练样本图像的HOG、Haar、LBP三种特征的特征向量,将三种特征向量连接成一组合特征个向量,得到HOG、Haar、LBP组合特征向量;
步骤B03:离线训练随机森林分类器,得到随机森林分类器的参数雏形;
步骤B04:利用训练好随机森林分类器对待识别目标图像进行多线程并行处理;获取待识别的图像,计算出该图像的组合特征向量;将组合特征向量的特征数据输入随机森林分类器,使用多种类型随机森林分类器进行识别,判断该图像属于哪一类目标,获取目标的表观信息;
步骤B05:对判断精确的测试图像加入已有的正负样本库,在一定时间间隔内对随机森林分类器进行重新训练,提高随机森林分类器识别准确度。
优选的,所述步骤B02中,图像的综合特征计算方法为:设定HOG特征向量为,Haar-like特征向量为,LBP特征向量为,则综合特征向量为:。
优选的,所述步骤C还包括,在***硬盘中查询***检测识别到的目标的截图。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明设计的基于视频识别检索的监控***,针对现有视频监控目标检测算法进行改进,在采用混合高斯背景建模方法进行检测的基础之上,引入局部自适应二值化以及自定义形态学处理,引入针对像素点的区域生长方法和针对目标的噪声滤除操作,能够实现针对视频中运动目标进行检测,保证了目标检测的准确度;
(2)本发明设计的基于视频识别检索的监控***中,针对目标识别算的步骤,在提取目标图像特征时,引入综合特征向量,通过将HOG、Haar-like、LBP三种特征向量串联组合成一个综合特征向量,发挥三者的优势,从而提高分类器识别的准确度;有效实现针对目标的各种运动状态进行跟踪,使得所能应对目标的运动状态更加全面,实现了多种情况、状态的跟踪,更加有效的保证了最终跟踪结果数据的完整性和准确性,避免了现有技术中的不足;
(3)本发明设计的基于视频识别检索的监控***中,在目标识别步骤中,引入随机森林分类器的在线学习,不断对其进行训练;离线训练的随机森林分类器只是一个雏形,对判断精确的测试图像加入已有的正负样本库,在一定时间间隔内对随机森林分类器进行重新训练,即在线学习、在线改进、重新训练随机森林分类器,提高随机森林分类器识别准确度;
(4)本发明设计的基于视频识别检索的监控***,在视频回放时,读取识别阶段产生的配置文件,播放时间轴红点标注配置文件中时刻、浮现出识别目标信息,从而快速查阅检索录像视频、自动定位关键时间点,达到绿镜效果;根据用户输入的检索条件,将满足条件的多个不同时间在时间轴上高亮闪烁;在打开***硬盘,可以查看到***检测识别到的目标的截图,同时存在目标的时间段的视频端,方便查询,取证。
附图说明
图1是本发明***整体流程图。
图2是运动检测模块流程图。
图3是基于机器学习的目标分类模块流程图。
图4是检索过滤模块流程图。
图5是积分图的示意图。
图6是积分图计算的示意图。
图7是基本Haar特征模板图。
图8是区域LBP特征向量的计算过程图。
图9是随机森林对检测样本X的测试过程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1至图9,一种基于视频识别技术的图像画面检索过滤监控***,监控***运行,产生视频源,依时序针对接收到的每一帧视频监控画面按如下步骤进行操作:
步骤A. 采用混合高斯背景建模法针对当前视频监控画面帧进行背景建模,通过背景差分法检测获得当前视频监控画面帧中的存在运动目标,并检测得到各个目标的位置数据;在该时刻帧图上,用警示框框定目标,并将检测到目标数据传递给下一步骤;如果没检测到目标,继续步骤A。
步骤B. 针对当前视频监控画面帧中检测到的目标,采用随机森林分类器并行进行识别,获取到每个目标的识别信息;将识别信息打印到警示框帧图上,同时将识别信息保存到配置文件中;在全部目标识别完成后,将该帧图保存到本地硬盘中;返回步骤A。
步骤C. 当播放监控视频录像时,读取配置文件,播放时间轴红点标注配置文件中时刻、浮现出识别目标信息,定位关键时间点;根据用户输入的检索条件,将满足条件的时间在时间轴上高亮闪烁。
作为本发明的进一步优选方案,所述步骤A具体包括如下步骤:
步骤A01. 采用混合高斯背景建模法针对当前视频监控画面帧进行背景建模;
步骤A02. 根据当前视频监控画面帧中的背景建模,通过背景差分法针对当前视频监控画面帧进行背景差分,获得当前视频监控画面帧中的前景图,针对该前景图,判断去除其中的阴影,并进行灰度处理和局部自适应二值化处理;
步骤A03. 形态学处理二值图,先使用开运算去除二值图像的微小噪声,再使用闭运算来填补目标物体区域内部的小空缺;
步骤A04. 针对经上一步骤处理后的前景图进行区域生长操作,分别针对该前景图中的各个像素点,将与之相邻具有相同像素值的像素点与该像素点划分为同一区域,获得该前景图中的初级目标;
步骤A05. 根据预设噪声滤除要求,针对该前景图中的各个初级目标进行噪声滤除,获得该前景图中的目标,并检测得到各个目标的位置数据,即获得当前视频监控画面帧中的目标,以及各个目标的位置数据。
作为本发明的进一步优选方案,步骤A05中,所述预设噪声滤除要求为预设目标所占像素点的像素阀值或预设目标所占像素点区域的长宽比阀值;步骤A05具体过程如下:根据预设噪声滤除要求,针对该前景图中的各个初级目标,删除所占像素点的像素值低于预设目标所占像素点的像素阀值的初级目标,或者删除所占像素点区域的长宽比超出预设目标所占像素点区域的长宽比阀值的初级目标,该前景图中的剩余初级目标即为获得该前景图中的目标。
作为本发明的进一步优选方案,所述步骤B具体包括如下步骤:
步骤B01. 创建类型目标的训练样本图库;训练样本分为正样本和负样本两部分:正样本是指需要检测的目标图像,样本是指除了目标图像外的其他类型的图像;
步骤B02. 提取训练图库中图像的综合特征;分别计算训练样本图像的HOG、Haar、LBP三种特征的特征向量,将三种特征向量连接成一组合特征个向量,得到HOG、Haar、LBP组合特征向量;
步骤B03. 离线训练随机森林分类器,得到随机森林分类器的参数雏形;
步骤B04. 利用训练好随机森林分类器对待识别目标图像进行多线程并行处理;获取待识别的图像,计算出该图像的组合特征向量;将组合特征向量的特征数据输入随机森林分类器,使用多种类型随机森林分类器进行识别,判断该图像属于哪一类目标,获取目标的表观信息;
步骤B05. 对判断精确的测试图像加入已有的正负样本库,在一定时间间隔内对随机森林分类器进行重新训练,提高随机森林分类器识别准确度。
作为本发明的进一步优选方案,所述步骤B02中,图像的综合特征计算方法为:设定HOG特征向量为,Haar-like特征向量为,LBP特征向量为,则综合特征向量为:。
作为本发明的进一步优选方案,所述步骤C还包括,在***硬盘中查询***检测识别到的目标的截图。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解,上述实施例不以任何形式限制本发明的保护范围,凡采用等同替换等方式所获得的技术方案,均落于本发明的保护范围内。本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (6)
1.一种基于视频识别技术的图像画面检索过滤监控***,其特征在于:监控***运行,产生视频源,依时序针对接收到的每一帧视频监控画面按如下步骤进行操作:
步骤A:采用混合高斯背景建模法针对当前视频监控画面帧进行背景建模,通过背景差分法检测获得当前视频监控画面帧中的存在运动目标,并检测得到各个目标的位置数据;在该时刻帧图上,用警示框框定目标,并将检测到目标数据传递给下一步骤;如果没检测到目标,继续步骤A;
步骤B:针对当前视频监控画面帧中检测到的目标,采用随机森林分类器并行进行识别,获取到每个目标的识别信息;将识别信息打印到警示框帧图上,同时将识别信息保存到配置文件中;在全部目标识别完成后,将该帧图保存到本地硬盘中;返回步骤A;
步骤C:当播放监控视频录像时,读取配置文件,播放时间轴红点标注配置文件中时刻、浮现出识别目标信息,定位关键时间点;根据用户输入的检索条件,将满足条件的时间在时间轴上高亮闪烁。
2.根据权利要求1所述的一种基于视频识别技术的图像画面检索过滤监控***,其特征在于所述步骤A具体包括如下步骤:
步骤A01:采用混合高斯背景建模法针对当前视频监控画面帧进行背景建模;
步骤A02:根据当前视频监控画面帧中的背景建模,通过背景差分法针对当前视频监控画面帧进行背景差分,获得当前视频监控画面帧中的前景图,针对该前景图,判断去除其中的阴影,并进行灰度处理和局部自适应二值化处理;
步骤A03:形态学处理二值图,先使用开运算去除二值图像的微小噪声,再使用闭运算来填补目标物体区域内部的小空缺;
步骤A04:针对经上一步骤处理后的前景图进行区域生长操作,分别针对该前景图中的各个像素点,将与之相邻具有相同像素值的像素点与该像素点划分为同一区域,获得该前景图中的初级目标;
步骤A05:根据预设噪声滤除要求,针对该前景图中的各个初级目标进行噪声滤除,获得该前景图中的目标,并检测得到各个目标的位置数据,即获得当前视频监控画面帧中的目标,以及各个目标的位置数据。
3.根据权利要求2所述的一种基于视频识别技术的图像画面检索过滤监控***,其特征在于所述步骤A05中,所述预设噪声滤除要求为预设目标所占像素点的像素阀值或预设目标所占像素点区域的长宽比阀值;步骤A05具体过程为:根据预设噪声滤除要求,针对该前景图中的各个初级目标,删除所占像素点的像素值低于预设目标所占像素点的像素阀值的初级目标,或者删除所占像素点区域的长宽比超出预设目标所占像素点区域的长宽比阀值的初级目标,该前景图中的剩余初级目标即为获得该前景图中的目标。
4.根据权利要求1所述的一种基于视频识别技术的图像画面检索过滤监控***,其特征在于:所述步骤B具体包括如下步骤:
步骤B01:创建类型目标的训练样本图库;训练样本分为正样本和负样本两部分:正样本是指需要检测的目标图像,样本是指除了目标图像外的其他类型的图像;
步骤B02:提取训练图库中图像的综合特征;分别计算训练样本图像的HOG、Haar、LBP三种特征的特征向量,将三种特征向量连接成一组合特征个向量,得到HOG、Haar、LBP组合特征向量;
步骤B03:离线训练随机森林分类器,得到随机森林分类器的参数雏形;
步骤B04:利用训练好随机森林分类器对待识别目标图像进行多线程并行处理;获取待识别的图像,计算出该图像的组合特征向量;将组合特征向量的特征数据输入随机森林分类器,使用多种类型随机森林分类器进行识别,判断该图像属于哪一类目标,获取目标的表观信息;
步骤B05:对判断精确的测试图像加入已有的正负样本库,在一定时间间隔内对随机森林分类器进行重新训练,提高随机森林分类器识别准确度。
5.根据权利要求4所述的一种基于视频识别技术的图像画面检索过滤监控***,其特征在于:所述步骤B02中,图像的综合特征计算方法为:设定HOG特征向量为,Haar-like特征向量为,LBP特征向量为,则综合特征向量为:。
6.根据权利要求1所述的一种基于视频识别技术的图像画面检索过滤监控***,其特征在于:所述步骤C还包括,在***硬盘中查询***检测识别到的目标的截图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611064208.5A CN106557760A (zh) | 2016-11-28 | 2016-11-28 | 一种基于视频识别技术的图像画面检索过滤监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611064208.5A CN106557760A (zh) | 2016-11-28 | 2016-11-28 | 一种基于视频识别技术的图像画面检索过滤监控*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106557760A true CN106557760A (zh) | 2017-04-05 |
Family
ID=58445116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611064208.5A Pending CN106557760A (zh) | 2016-11-28 | 2016-11-28 | 一种基于视频识别技术的图像画面检索过滤监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106557760A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203638A (zh) * | 2017-06-08 | 2017-09-26 | 北京深瞐科技有限公司 | 监控视频处理方法、装置及*** |
CN107301655A (zh) * | 2017-06-16 | 2017-10-27 | 上海远洲核信软件科技股份有限公司 | 一种基于背景建模的视频移动目标侦测方法 |
CN109785386A (zh) * | 2017-11-14 | 2019-05-21 | 中国电信股份有限公司 | 物体识别定位方法和装置 |
CN110740231A (zh) * | 2019-09-27 | 2020-01-31 | 浙江省北大信息技术高等研究院 | 视频数据标注方法、装置、电子设备及介质 |
CN111382313A (zh) * | 2018-12-29 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种动检数据检索方法、设备及装置 |
CN112465781A (zh) * | 2020-11-26 | 2021-03-09 | 华能通辽风力发电有限公司 | 一种基于视频的风电机组主要部件缺陷识别方法 |
CN112818172A (zh) * | 2021-01-18 | 2021-05-18 | 浙江大华技术股份有限公司 | 视频检索方法、电子装置和存储介质 |
CN113625603A (zh) * | 2021-07-27 | 2021-11-09 | 金鹏电子信息机器有限公司 | 基于大数据的安防监控管理***及管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025981A (zh) * | 2010-12-23 | 2011-04-20 | 北京邮电大学 | 一种监控视频中的前景检测的方法 |
CN102819578A (zh) * | 2012-07-24 | 2012-12-12 | 武汉大千信息技术有限公司 | 视频侦查嫌疑目标分析***及方法 |
CN103400391A (zh) * | 2013-08-09 | 2013-11-20 | 北京博思廷科技有限公司 | 一种基于改进的随机森林的多目标跟踪方法及装置 |
CN103905694A (zh) * | 2014-04-10 | 2014-07-02 | 中央电视台 | 一种关键帧处理方法及*** |
-
2016
- 2016-11-28 CN CN201611064208.5A patent/CN106557760A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025981A (zh) * | 2010-12-23 | 2011-04-20 | 北京邮电大学 | 一种监控视频中的前景检测的方法 |
CN102819578A (zh) * | 2012-07-24 | 2012-12-12 | 武汉大千信息技术有限公司 | 视频侦查嫌疑目标分析***及方法 |
CN103400391A (zh) * | 2013-08-09 | 2013-11-20 | 北京博思廷科技有限公司 | 一种基于改进的随机森林的多目标跟踪方法及装置 |
CN103905694A (zh) * | 2014-04-10 | 2014-07-02 | 中央电视台 | 一种关键帧处理方法及*** |
Non-Patent Citations (1)
Title |
---|
车少帅: "基于O2O学习的多目标检测与跟踪技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203638A (zh) * | 2017-06-08 | 2017-09-26 | 北京深瞐科技有限公司 | 监控视频处理方法、装置及*** |
CN107203638B (zh) * | 2017-06-08 | 2020-09-25 | 北京深瞐科技有限公司 | 监控视频处理方法、装置及*** |
CN107301655A (zh) * | 2017-06-16 | 2017-10-27 | 上海远洲核信软件科技股份有限公司 | 一种基于背景建模的视频移动目标侦测方法 |
CN109785386A (zh) * | 2017-11-14 | 2019-05-21 | 中国电信股份有限公司 | 物体识别定位方法和装置 |
CN111382313A (zh) * | 2018-12-29 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种动检数据检索方法、设备及装置 |
CN110740231A (zh) * | 2019-09-27 | 2020-01-31 | 浙江省北大信息技术高等研究院 | 视频数据标注方法、装置、电子设备及介质 |
CN112465781A (zh) * | 2020-11-26 | 2021-03-09 | 华能通辽风力发电有限公司 | 一种基于视频的风电机组主要部件缺陷识别方法 |
CN112818172A (zh) * | 2021-01-18 | 2021-05-18 | 浙江大华技术股份有限公司 | 视频检索方法、电子装置和存储介质 |
CN113625603A (zh) * | 2021-07-27 | 2021-11-09 | 金鹏电子信息机器有限公司 | 基于大数据的安防监控管理***及管理方法 |
CN113625603B (zh) * | 2021-07-27 | 2023-06-23 | 金鹏电子信息机器有限公司 | 基于大数据的安防监控管理***及管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106557760A (zh) | 一种基于视频识别技术的图像画面检索过滤监控*** | |
CN103347167B (zh) | 一种基于分段的监控视频内容描述方法 | |
Al-Nawashi et al. | A novel framework for intelligent surveillance system based on abnormal human activity detection in academic environments | |
Chen et al. | A decision tree-based multimodal data mining framework for soccer goal detection | |
CN108564052A (zh) | 基于mtcnn的多摄像头动态人脸识别***与方法 | |
Chen et al. | Semantic event detection via multimodal data mining | |
Li et al. | Attention-based anomaly detection in multi-view surveillance videos | |
CN111738218B (zh) | 人体异常行为识别***及方法 | |
Tian et al. | MCA-NN: Multiple correspondence analysis based neural network for disaster information detection | |
Oraibi et al. | Enhancement digital forensic approach for inter-frame video forgery detection using a deep learning technique | |
Maiano et al. | Depthfake: a depth-based strategy for detecting deepfake videos | |
Brindha et al. | Bridging semantic gap between high-level and low-level features in content-based video retrieval using multi-stage ESN–SVM classifier | |
Sirisha et al. | Gitaar-git based abnormal activity recognition on ucf crime dataset | |
Jin et al. | Object-based video forgery detection via dual-stream networks | |
Zhang et al. | Face occlusion detection using cascaded convolutional neural network | |
Durand et al. | Utilizing deep object detector for video surveillance indexing and retrieval | |
Anandhi | Edge Computing-Based Crime Scene Object Detection from Surveillance Video Using Deep Learning Algorithms | |
Zhu et al. | Person re-identification in the real scene based on the deep learning | |
Fu et al. | Research on detection and recognition of abnormal behavior in video | |
Rahul et al. | Efficient Video Storage Technique for CCTV Surveillance Using OpenCV | |
Zhu et al. | Advancing Video Anomaly Detection: A Concise Review and a New Dataset | |
To et al. | Deepfake Detection using EfficientNet: Working Towards Dense Sampling and Frames Selection | |
Ay et al. | A New Automatic Vehicle Tracking and Detection Algorithm for Multi-Traffic Video Cameras. | |
Chauhan et al. | Smart surveillance based on video summarization: a comprehensive review, issues, and challenges | |
Raj et al. | Content based Video Retrieval |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170405 |