CN107845105B - 一种基于全景枪球联动的监控方法、智能设备及存储介质 - Google Patents
一种基于全景枪球联动的监控方法、智能设备及存储介质 Download PDFInfo
- Publication number
- CN107845105B CN107845105B CN201711001897.XA CN201711001897A CN107845105B CN 107845105 B CN107845105 B CN 107845105B CN 201711001897 A CN201711001897 A CN 201711001897A CN 107845105 B CN107845105 B CN 107845105B
- Authority
- CN
- China
- Prior art keywords
- dynamic object
- gun
- panoramic
- shot
- dynamic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全景枪球联动的监控方法、智能设备及存储介质。本发明监控方法包括:初始化匹配枪机与球机拍摄图像的位置信息;采集枪机任一时间段拍摄的每一帧的图像,区分出任一时间段内拍摄的动态物体和静止物体;通过卡尔曼滤波方式预测动态物体的位置与速度,并创建动态物体检测队列;根据动态物体检测队列控制球机的位置,并获取球机拍摄的动态物体图像;通过深度学习算法,识别动态物体图像中的一个或多个物体的类别、位置以及特征点数目,并存储在动态物体信息存储表中,依据动态物体信息存储表来监控实际拍摄区域的物体活动详情。本发明通过深度学习以及枪机与球机的相互配合实现监控的自动化,无人化,且更全面清晰。
Description
技术领域
本发明涉及全景领域,尤其涉及一种基于全景枪球联动的监控方法、智能设备及存储介质
背景技术
目前市场上已有的枪球联动***在结构设计、相机标定、***集成等硬件平台上已经较为完善,但由于大多枪球联动***基于传统视觉识别实现,识别率低、误检漏检严重、仍需要人工观测与介入,无法达到用户预期,也无法满足商业用途需求。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于全景枪球联动的监控方法、智能设备及存储介质,旨在解决现有技术中大多枪球联动***基于传统视觉需要人工观测监控,而没有实现自动化的技术问题。
为实现上述目的,本发明提供一种基于全景枪球联动的监控方法,所述方法包括以下步骤:
初始化匹配枪机与球机拍摄图像的位置信息;
采集枪机任一时间段拍摄的每一帧的图像;
区分出任一时间段内拍摄的动态物体和静止物体;
通过卡尔曼滤波方式预测动态物体的位置与速度,并创建动态物体检测队列;
根据动态物体检测队列控制球机的位置,并获取球机拍摄的动态物体图像;
获取所述球机拍摄的所述动态物体图像后,通过深度学习算法,识别所述动态物体图像中的一个或多个物体的类别、位置以及特征点数目,并存储在动态物体信息存储表中;
依据所述动态物体信息存储表来监控实际拍摄区域的物体活动详情。
优选地,初始化匹配枪机与球机拍摄图像的位置信息的方法包括:
通过枪机拍摄图像和高倍率的球机拍摄图像,提取枪机拍摄图像中的关键特征点并匹配位置,根据匹配的位置信息计算偏差与比例矩阵;
依据偏差与比例矩阵设定阈值,并不断进行多次匹配直至达到设定阈值后匹配成功。
优选地,区分出任一时间段内拍摄的动态物体和静止物体的方法包括:
通过图像背景提取(VIBE)方式区分动态物体和静止物体,并通过开闭运算过滤筛除散点信息,联结临近动态物体;
再通过轮廓查找,得到动态物体的大小与位置。
优选地,通过卡尔曼滤波方式预测动态物体的位置与速度,并创建动态物体检测队列的方法包括:
通过卡尔曼滤波的方式,修正动态物体路径,并预测动态物体的位置、速度以及离场时间;
根据前后帧的队列信息,关联区域重叠的动态物体,依据动态物体突然消失与突然出现的信息,得到动态物体检测队列并更新动态物体信息存储表;
根据动态物体的拍摄次数以及预计的离场时间进行加权排序,并通过图搜索算法进行最优路径规划,更新动态物体检测队列。
优选地,根据动态物体检测队列控制球机的位置,并获取球机拍摄的动态物体图像的方法包括:
根据动态物体检测队列控制球机位置,并通过前后路径距离预测运动时间,通过动态物体大小预测对焦时间,在合理延迟后获取球机图像数据。
此外,为实现上述目的,本发明还提供一种智能设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的基于全景枪球联动的监控程序,基于全景枪球联动的监控程序被处理器执行时实现基于全景枪球联动的监控程序方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,存储介质上存储有全景枪球联动的监控程序,全景枪球联动的监控程序被处理器执行时实现的全景枪球联动***的监控方法的步骤。
本发明通过本发明通过深度学习以及枪机与球机的相互配合实现监控的自动化,无人化,通过不断更新动态物体存储表中的动态物体信息,达到实时监控图像中运动物体和静止物体的目的,且监控清晰准确。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的智能设备结构示意图;
图2为本发明基于全景枪球联动的监控方法第一实施例的流程示意图;
图3为本发明基于全景枪球联动的监控方法第二实施例的流程示意图;
图4为本发明基于全景枪球联动的监控方法第三实施例的流程示意图;
图5为本发明基于全景枪球联动的监控方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的智能设备结构示意图。
如图1所示,该智能设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
所述智能设备可为安防监控摄像头、全景摄像头或者具有全景摄像功能的设备。
本领域技术人员可以理解,图1中示出的结构并不构成对智能设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于全景枪球联动的监控程序。
在图1所示的智能设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户终端,与用户终端进行数据通信,所述用户终端可为手机等;所述智能设备通过处理器1001调用存储器1005中存储的基于全景枪球联动的监控程序,并执行以下操作:
初始化匹配枪机与球机拍摄图像的位置信息;
采集枪机任一时间段拍摄的每一帧的图像;
区分出任一时间段内拍摄的动态物体和静止物体;
通过卡尔曼滤波方式预测动态物体的位置与速度,并创建动态物体检测队列;
根据动态物体检测队列控制球机的位置,并获取球机拍摄的动态物体图像;
获取球机拍摄的动态物体图像后,通过深度学习算法,识别动态物体图像中的类别、位置以及特征点数目,并存储在动态物体信息存储表中;
依据动态物体信息存储表监控拍摄图像中的动态物体和静止物体。
进一步地,处理器1001可以调用存储器1005中存储的基于全景枪球联动的监控程序,还执行以下操作:
通过枪机拍摄图像和高倍率的球机拍摄图像,提取枪机拍摄图像中的关键特征点并匹配位置,根据匹配的位置信息计算偏差与比例矩阵;
依据偏差与比例矩阵设定阈值,并不断进行多次匹配直至达到设定阈值后匹配成功。
进一步地,处理器1001可以调用存储器1005中存储的基于全景枪球联动的监控程序,还执行以下操作:
通过图像背景提取(VIBE)方式区分动态物体和静止物体,并通过开闭运算过滤筛除散点信息,联结临近动态物体;
再通过轮廓查找,得到动态物体的大小与位置。
进一步地,处理器1001可以调用存储器1005中存储的基于全景枪球联动的监控程序,还执行以下操作:
通过卡尔曼滤波的方式,修正动态物体路径,并预测动态物体的位置、速度以及离场时间;
根据前后帧的队列信息,关联区域重叠的动态物体,依据动态物体突然消失与突然出现的信息,得到动态物体检测队列并更新动态物体信息存储表;
根据动态物体的拍摄次数以及预计的离场时间进行加权排序,并通过图搜索算法进行最优路径规划,更新动态物体检测队列。
进一步地,处理器1001可以调用存储器1005中存储的基于全景枪球联动的监控程序,还执行以下操作:
根据动态物体检测队列控制球机位置,并通过前后路径距离预测运动时间,通过动态物体大小预测对焦时间,在合理延迟后获取球机图像数据。
本实施例中通过深度学习以及枪机与球机的相互配合实现监控的自动化,无人化,通过不断更新动态物体存储表中的动态物体信息,达到实时监控图像中运动物体和静止物体的目的,且监控清晰准确。
基于上述硬件结构,提出本发明基于全景枪球联动的监控方法的实施例。
参照图2,图2为本发明基于安卓***的文件监听方法第一实施例的流程示意图。
在第一实施例中,所述基于安卓***的文件监听方法包括以下步骤:
步骤S10:初始化匹配枪机与球机拍摄图像的位置信息;
需要理解的是,初始化匹配并不是说将图像的位置信息进行初始化,而是将位置信息进行合理匹配,使球机在枪机拍摄的图像中通过不断调整焦距和位置,达到一个图像清晰稳定的位置后匹配此时枪机和球机的相对位置。
步骤S20:采集枪机任一时间段拍摄的每一帧的图像。
在具体实现中,枪机一直拍摄可见范围内的影像并存储在存储器中,可以采集任一时间段,比如1小时内所拍摄的所有画面和图像。
步骤S30:区分出任一时间段内拍摄的动态物体和静止物体。
可以理解的是,
步骤S40:通过卡尔曼滤波方式预测动态物体的位置与速度,并创建动态物体检测队列。
值得说明的是,
步骤S50:根据动态物体检测队列控制球机的位置,并获取球机拍摄的动态物体图像。
步骤S60:获取所述球机拍摄的所述动态物体图像后,通过深度学习算法,识别所述动态物体图像中的一个或多个物体的类别、位置以及特征点数目,并存储在动态物体信息存储表中。
步骤S70:依据所述动态物体信息存储表来监控实际拍摄区域的物体活动详情。
本实施例中通过深度学习以及枪机与球机的相互配合实现监控的自动化,无人化,通过不断更新动态物体存储表中的动态物体信息,达到实时监控图像中运动物体和静止物体的目的,且监控清晰准确。
参照图3,图3为本发明基于全景枪球联动的监控方法第二实施例的流程示意图,基于上述图2所示的实施例,提出本发明基于全景枪球联动的监控方法的第二实施例。
在第二实施例中,所述步骤S10具体包括:
步骤S101:通过枪机拍摄图像和高倍率的球机拍摄图像,提取枪机拍摄图像中的关键特征点并匹配位置,根据匹配的位置信息计算偏差与比例矩阵;
步骤S102:依据偏差与比例矩阵设定阈值,并不断进行多次匹配直至达到设定阈值后匹配成功。
本实施例通过枪机与球机所拍摄的静止物体进行位置匹配,使得枪机和球机标定成功,为后续枪球联动提供了初始化的设定,便于高效的监控。
参照图4,图4为本发明基于全景枪球联动的监控方法第三实施例的流程示意图,基于上述图2所示的实施例,提出本发明基于全景枪球联动的监控方法的第三实施例。
在第三实施例中,所述步骤S30具体包括:
步骤S301:通过图像背景提取(VIBE)方式区分动态物体和静止物体,并通过开闭运算过滤筛除散点信息,联结临近动态物体;
步骤S302:再通过轮廓查找,得到动态物体的大小与位置。
本实施例中通过常用的图像背景提取(VIBE)方式对枪机所拍摄的图像中的动态物体和静止物体进行区别,这样就可以便于监控影像中动态物体的运动状态与运动轨迹。
参照图5,图5为本发明基于全景枪球联动的监控方法第四实施例的流程示意图,基于上述图2所示的实施例,提出本发明基于全景枪球联动的监控方法的第四实施例。
在第四实施例中,所述步骤S40具体包括:
步骤S401:通过卡尔曼滤波的方式,修正动态物体路径,并预测动态物体的位置、速度以及离场时间;
步骤S402:根据前后帧的队列信息,关联区域重叠的动态物体,依据动态物体突然消失与突然出现的信息,得到动态物体检测队列并更新动态物体信息存储表。
步骤S403:根据动态物体的拍摄次数以及预计的离场时间进行加权排序,并通过图搜索算法进行最优路径规划,更新动态物体检测队列。
本实施例中通过分析动态物体的运动轨迹和运动状态,来实时侦测影像中动态物体间的运动快慢,并实时预测这些动态物体的运动趋势。
进一步的,所述步骤S50具体包括:
步骤S501:根据动态物体检测队列控制球机位置,并通过前后路径距离预测运动时间,通过动态物体大小预测对焦时间,在合理延迟后获取球机图像数据。
本步骤中通过合理预测动态物体的运动时间来调整球机的焦距,使得球机能够更加清晰的获取图像中的动态物体的信息。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于全景枪球联动的监控程序,所述基于全景枪球联动的监控程序被处理器执行时实现如下操作:
初始化匹配枪机与球机拍摄图像的位置信息;
采集枪机任一时间段拍摄的每一帧的图像;
区分出任一时间段内拍摄的动态物体和静止物体;
通过卡尔曼滤波方式预测动态物体的位置与速度,并创建动态物体检测队列;
根据动态物体检测队列控制球机的位置,并获取球机拍摄的动态物体图像;
获取球机拍摄的动态物体图像后,通过深度学习算法,识别动态物体图像中的类别、位置以及特征点数目,并存储在动态物体信息存储表中;
依据动态物体信息存储表监控拍摄图像中的动态物体和静止物体。
进一步地,处理器1001可以调用存储器1005中存储的基于全景枪球联动的监控程序被处理器执行时实现如下操作:
通过枪机拍摄图像和高倍率的球机拍摄图像,提取枪机拍摄图像中的关键特征点并匹配位置,根据匹配的位置信息计算偏差与比例矩阵;
依据偏差与比例矩阵设定阈值,并不断进行多次匹配直至达到设定阈值后匹配成功。
进一步地,处理器1001可以调用存储器1005中存储的基于全景枪球联动的监控程序被处理器执行时实现如下操作:
通过图像背景提取(VIBE)方式区分动态物体和静止物体,并通过开闭运算过滤筛除散点信息,联结临近动态物体;
再通过轮廓查找,得到动态物体的大小与位置。
进一步地,处理器1001可以调用存储器1005中存储的基于全景枪球联动的监控程序被处理器执行时实现如下操作:
通过卡尔曼滤波的方式,修正动态物体路径,并预测动态物体的位置、速度以及离场时间;
根据前后帧的队列信息,关联区域重叠的动态物体,依据动态物体突然消失与突然出现的信息,得到动态物体检测队列并更新动态物体信息存储表;
根据动态物体的拍摄次数以及预计的离场时间进行加权排序,并通过图搜索算法进行最优路径规划,更新动态物体检测队列。
进一步地,处理器1001可以调用存储器1005中存储的基于全景枪球联动的监控程序被处理器执行时实现如下操作:
根据动态物体检测队列控制球机位置,并通过前后路径距离预测运动时间,通过动态物体大小预测对焦时间,在合理延迟后获取球机图像数据。
本实施例中通过深度学习以及枪机与球机的相互配合实现监控的自动化,无人化,通过不断更新动态物体存储表中的动态物体信息,达到实时监控图像中运动物体和静止物体的目的,且监控清晰准确。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于全景枪球联动的监控方法,其特征在于,所述方法包括以下步骤:
依据枪机与球机拍摄图像的位置信息对枪击和球机进行初始化匹配;
采集枪机任一时间段拍摄的每一帧的图像,区分出所述任一时间段内拍摄的动态物体和静止物体;
通过卡尔曼滤波方式预测所述动态物体的位置与速度,并创建所述动态物体检测队列;
根据所述动态物体检测队列控制所述球机的位置,并获取球机拍摄的所述动态物体图像;
获取所述球机拍摄的所述动态物体图像后,通过深度学习算法,识别所述动态物体图像中的一个或多个物体的类别、位置以及特征点数目,并存储在动态物体信息存储表中;
依据所述动态物体信息存储表来监控实际拍摄区域的物体活动详情;
其中,所述通过卡尔曼滤波方式预测所述动态物体的位置与速度,并创建所述动态物体检测队列的方法包括:
通过卡尔曼滤波的方式,修正所述动态物体路径,并预测所述动态物体的位置、速度以及离场时间;
根据前后帧的队列信息,关联区域重叠的所述动态物体,依据所述动态物体突然消失与突然出现的信息,得到所述动态物体检测队列并更新所述动态物体信息存储表;
根据所述动态物体的拍摄次数以及预计的离场时间进行加权排序,并通过图搜索算法进行最优路径规划,更新所述动态物体检测队列。
2.如权利要求1所述的基于全景枪球联动的监控方法,其特征在于,所述依据枪机与球机拍摄图像的位置信息对枪击和球机进行初始化匹配的方法包括:
通过枪机拍摄图像和高倍率的球机拍摄图像,提取所述枪机拍摄图像中的关键特征点并匹配位置,根据匹配的位置信息计算偏差与比例矩阵;
依据所述偏差与比例矩阵设定阈值,并不断进行多次匹配直至达到所述设定阈值后匹配成功。
3.如权利要求2所述的基于全景枪球联动的监控方法,其特征在于,所述区分出所述任一时间段内拍摄的动态物体和静止物体的方法包括:
通过图像背景提取(VIBE)方式区分所述动态物体和静止物体,并通过开闭运算过滤筛除散点信息,联结临近动态物体;
再通过轮廓查找,得到所述动态物体的大小与位置。
4.如权利要求3所述的基于全景枪球联动的监控方法,其特征在于,所述根据所述动态物体检测队列控制所述球机的位置,并获取球机拍摄的所述动态物体图像的方法包括:
根据所述动态物体检测队列控制球机位置,并通过前后路径距离预测运动时间,通过所述动态物体大小预测对焦时间,在合理延迟后获取球机图像数据。
5.一种智能设备,其特征在于,所述智能设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于全景枪球联动的监控程序,所述基于全景枪球联动的监控程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于全景枪球联动的监控方法的步骤。
6.一种存储介质,其特征在于,所述存储介质上存储有全景枪球联动的监控程序,所述全景枪球联动的监控程序被处理器执行时实现如权利要求1至4中任一项所述的全景枪球联动的监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711001897.XA CN107845105B (zh) | 2017-10-24 | 2017-10-24 | 一种基于全景枪球联动的监控方法、智能设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711001897.XA CN107845105B (zh) | 2017-10-24 | 2017-10-24 | 一种基于全景枪球联动的监控方法、智能设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107845105A CN107845105A (zh) | 2018-03-27 |
CN107845105B true CN107845105B (zh) | 2021-09-10 |
Family
ID=61662856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711001897.XA Active CN107845105B (zh) | 2017-10-24 | 2017-10-24 | 一种基于全景枪球联动的监控方法、智能设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107845105B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840488A (zh) * | 2019-01-24 | 2019-06-04 | 深圳市云恩科技有限公司 | 一种渡口人员识别***及其识别方法 |
CN110175535B (zh) * | 2019-05-08 | 2023-07-04 | 广州中交通信有限公司 | 一种基于深度学习的船舶识别***及其识别方法 |
CN113095261B (zh) * | 2021-04-21 | 2023-09-05 | 苏州科达科技股份有限公司 | 基于枪球联动的监控方法、***、设备及存储介质 |
CN115760910A (zh) * | 2022-10-20 | 2023-03-07 | 浙江大华技术股份有限公司 | 枪球联动设备的目标跟踪方法、装置、终端及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8036425B2 (en) * | 2008-06-26 | 2011-10-11 | Billy Hou | Neural network-controlled automatic tracking and recognizing system and method |
CN103198487A (zh) * | 2013-04-15 | 2013-07-10 | 厦门博聪信息技术有限公司 | 一种用于视频监控***中的自动定标方法 |
CN104966304A (zh) * | 2015-06-08 | 2015-10-07 | 深圳市赛为智能股份有限公司 | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 |
CN105427288A (zh) * | 2015-11-10 | 2016-03-23 | 凌云光技术集团有限责任公司 | 一种机器视觉对位***的标定方法及装置 |
CN105812746A (zh) * | 2016-04-21 | 2016-07-27 | 北京格灵深瞳信息技术有限公司 | 一种目标检测方法及*** |
CN105979210A (zh) * | 2016-06-06 | 2016-09-28 | 深圳市深网视界科技有限公司 | 一种基于多枪多球摄像机阵列的行人识别*** |
CN106327738A (zh) * | 2016-08-26 | 2017-01-11 | 特斯联(北京)科技有限公司 | 一种智能分级监控*** |
CN106408551A (zh) * | 2016-05-31 | 2017-02-15 | 北京格灵深瞳信息技术有限公司 | 一种监控装置控制的方法及装置 |
CN106845385A (zh) * | 2017-01-17 | 2017-06-13 | 腾讯科技(上海)有限公司 | 视频目标跟踪的方法和装置 |
CN106875425A (zh) * | 2017-01-22 | 2017-06-20 | 北京飞搜科技有限公司 | 一种基于深度学习的多目标追踪***及实现方法 |
CN106992518A (zh) * | 2017-05-02 | 2017-07-28 | 华北电力大学 | 基于态势感知的电网智能控制方法及监控终端*** |
CN107093188A (zh) * | 2017-04-12 | 2017-08-25 | 湖南源信光电科技股份有限公司 | 一种基于全景摄像机和高速球机的智能联动与跟踪方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104483983B (zh) * | 2014-11-24 | 2016-12-07 | 成都新舟锐视科技有限公司 | 一种多摄像头实时联动的双云台控制方法 |
CN104463899B (zh) * | 2014-12-31 | 2017-09-22 | 北京格灵深瞳信息技术有限公司 | 一种目标对象检测、监控方法及其装置 |
CN105744227B (zh) * | 2016-02-22 | 2018-07-06 | 北京深博达智能***有限公司 | 一种开放式1+n枪球联动*** |
CN105898107B (zh) * | 2016-04-21 | 2019-01-25 | 北京格灵深瞳信息技术有限公司 | 一种目标物体抓拍方法及*** |
CN106303410B (zh) * | 2016-08-01 | 2019-01-08 | 北京工商大学 | 一种基于全景视频和球机预置位的枪球机联动方法 |
-
2017
- 2017-10-24 CN CN201711001897.XA patent/CN107845105B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8036425B2 (en) * | 2008-06-26 | 2011-10-11 | Billy Hou | Neural network-controlled automatic tracking and recognizing system and method |
CN103198487A (zh) * | 2013-04-15 | 2013-07-10 | 厦门博聪信息技术有限公司 | 一种用于视频监控***中的自动定标方法 |
CN103198487B (zh) * | 2013-04-15 | 2016-05-25 | 厦门博聪信息技术有限公司 | 一种用于视频监控***中的自动定标方法 |
CN104966304A (zh) * | 2015-06-08 | 2015-10-07 | 深圳市赛为智能股份有限公司 | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 |
CN105427288A (zh) * | 2015-11-10 | 2016-03-23 | 凌云光技术集团有限责任公司 | 一种机器视觉对位***的标定方法及装置 |
CN105812746A (zh) * | 2016-04-21 | 2016-07-27 | 北京格灵深瞳信息技术有限公司 | 一种目标检测方法及*** |
CN106408551A (zh) * | 2016-05-31 | 2017-02-15 | 北京格灵深瞳信息技术有限公司 | 一种监控装置控制的方法及装置 |
CN105979210A (zh) * | 2016-06-06 | 2016-09-28 | 深圳市深网视界科技有限公司 | 一种基于多枪多球摄像机阵列的行人识别*** |
CN106327738A (zh) * | 2016-08-26 | 2017-01-11 | 特斯联(北京)科技有限公司 | 一种智能分级监控*** |
CN106845385A (zh) * | 2017-01-17 | 2017-06-13 | 腾讯科技(上海)有限公司 | 视频目标跟踪的方法和装置 |
CN106875425A (zh) * | 2017-01-22 | 2017-06-20 | 北京飞搜科技有限公司 | 一种基于深度学习的多目标追踪***及实现方法 |
CN107093188A (zh) * | 2017-04-12 | 2017-08-25 | 湖南源信光电科技股份有限公司 | 一种基于全景摄像机和高速球机的智能联动与跟踪方法 |
CN106992518A (zh) * | 2017-05-02 | 2017-07-28 | 华北电力大学 | 基于态势感知的电网智能控制方法及监控终端*** |
Non-Patent Citations (2)
Title |
---|
基于无线网桥的"枪球联动"水文检测***;陈愚等;《电子设计工程》;20160930;第24卷(第18期);第79-81页 * |
复杂场景下运动物体检测与跟踪算法的研究;陈锋强;《中国优秀硕士学位论文全文数据库·信息科技辑》;20080715(第7期);第I138-660页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107845105A (zh) | 2018-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845105B (zh) | 一种基于全景枪球联动的监控方法、智能设备及存储介质 | |
CN110866480B (zh) | 对象的跟踪方法及装置、存储介质、电子装置 | |
JP6128468B2 (ja) | 人物追尾システム及び人物追尾方法 | |
JP2021514548A (ja) | 目標対象物の監視方法、装置及びシステム | |
CN109151295B (zh) | 一种目标对象抓拍方法、装置及视频监控设备 | |
EP2775374B1 (en) | User interface and method | |
CN109299658B (zh) | 脸部检测方法、脸部图像渲染方法、装置及存储介质 | |
US10909388B2 (en) | Population density determination from multi-camera sourced imagery | |
US10373015B2 (en) | System and method of detecting moving objects | |
US9671493B1 (en) | Automated scheduling of radar-cued camera system for optimizing visual inspection (detection) of radar targets | |
CN108037830B (zh) | 一种增强现实的实现方法 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
US20140233854A1 (en) | Real time object scanning using a mobile phone and cloud-based visual search engine | |
CN111862341A (zh) | 虚拟对象的驱动方法、装置、显示设备及计算机存储介质 | |
CN111191507A (zh) | 智慧社区的安全预警分析方法及*** | |
CN111263955A (zh) | 一种目标对象的移动轨迹确定方法和装置 | |
EP3462734A1 (en) | Systems and methods for directly accessing video data streams and data between devices in a video surveillance system | |
CN111401239A (zh) | 一种视频分析方法、装置、***、设备及存储介质 | |
CN108881846B (zh) | 信息融合方法、装置及计算机可读存储介质 | |
CN112613358A (zh) | 物品的识别方法、装置、存储介质以及电子装置 | |
JP7020567B2 (ja) | 情報処理システム、情報処理装置、情報処理方法、およびプログラム | |
CN112291478A (zh) | 一种高空抛坠物的监测方法、装置、设备及存储介质 | |
JP2022058833A (ja) | 情報処理システム、情報処理装置、情報処理方法、およびプログラム | |
WO2021138856A1 (zh) | 相机控制方法、设备及计算机可读存储介质 | |
US11216969B2 (en) | System, method, and computer-readable medium for managing position of target |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Building 4D, Gongyanhui Science and Technology Industrial Park, No. 160, Xihu West Road, Wujin National High and New Technology Industrial Development Zone, Changzhou City, Jiangsu Province, 213166 Patentee after: Pi Technology (Changzhou) Co.,Ltd. Address before: 518052 102, building C11, TCL Science Park, 1001 Zhongshan Garden Road, Nanshan District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN PISOFTTECH TECHNOLOGY Co.,Ltd. |