CN108257152A - 一种基于视频的道路入侵检测方法及*** - Google Patents

一种基于视频的道路入侵检测方法及*** Download PDF

Info

Publication number
CN108257152A
CN108257152A CN201711458198.8A CN201711458198A CN108257152A CN 108257152 A CN108257152 A CN 108257152A CN 201711458198 A CN201711458198 A CN 201711458198A CN 108257152 A CN108257152 A CN 108257152A
Authority
CN
China
Prior art keywords
target
detection
area
threshold value
center
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.)
Granted
Application number
CN201711458198.8A
Other languages
English (en)
Other versions
CN108257152B (zh
Inventor
路萍
成波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Automotive Research Institute of Tsinghua University
Original Assignee
Suzhou Automotive Research Institute of Tsinghua University
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 Suzhou Automotive Research Institute of Tsinghua University filed Critical Suzhou Automotive Research Institute of Tsinghua University
Priority to CN201711458198.8A priority Critical patent/CN108257152B/zh
Publication of CN108257152A publication Critical patent/CN108257152A/zh
Application granted granted Critical
Publication of CN108257152B publication Critical patent/CN108257152B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于视频的道路入侵检测方法，包括：对视频图像的每一帧在检测区域内进行运动目标检测，提取检测目标的属性特征，所述属性特征包括质心点和面积；跟踪检测目标，当跟踪目标与检测目标的质心点差值不超过质心阈值Tcenter，且面积差值不超过面积阈值Tarea，则判定追踪成功，否则判定追踪失败；若追踪成功，判定检测目标的面积是否大于最大面积阈值Area1，若大于最大面积阈值Area1，则检测下一帧图像，否则，判定为一次入侵；若入侵次数大于设定阈值T，则判定检测目标发生入侵。能进行更加精确的检测跟踪，增加对摄像头抖动和鬼影处理，可以有效检测非机动车入侵，提高算法的鲁棒性，降低误检率。

Description

一种基于视频的道路入侵检测方法及***
技术领域
本发明涉及一种道路入侵检测方法，具体地涉及一种基于视频的非机动车入侵机动车道路的入侵检测方法及***。
背景技术
智能视频监控作为安防的一种重要手段越来越多的被社会所认可。智能视频监控***可以实现全天候可靠监控，为用户可以提供更加精确地安全威胁的特征，因而提高报警精确度，降低误报和漏报现象的发生，能够在安全威胁发生之前就能够提示安全人员关注相关监控画面，使***门由足够的时间为潜在的威胁做好准备工作。
道路入侵，主要是指非机动车侵入机动车道路环境，入侵检测方法目前主流方法有地感线圈检测、微波检测、激光检测、视频检测等方法。地感线圈检测具有价格低、精度高、检测速度快、抗干扰能力强等优点，但其主要存在问题对道路损坏大，并且前期工程量大、影响交通和城市形象。微波检测和激光检测精度高，抗光、电干扰能力强，但易受地形起伏干扰，且对人体有害，成本高，容易受太阳光等多种含有红外线光源的干扰。视频检测能适应环境变化，实时性好，使用方便，成本低，但算法的输入依赖于前期的检测跟踪结果，并且目前已有的算法或专门定制不具普适性，或算法单一分散，检测精度低。
发明内容
为了解决上述存在的技术问题，本发明提供了一种基于视频的道路入侵检测方法，通过改进的目标检测跟踪算法可以减少内存的占用，又保证图片序列的原始信息，避免背景的重复计算，同时也可检测出较长时间停止的运动目标，从而能得出更加精确检测跟踪结果，增加对摄像头抖动和鬼影处理，可以有效检测非机动车入侵，提高算法的鲁棒性，同时也可以降低计算复杂度，降低误检率。
本发明的技术方案是：
一种基于视频的道路入侵检测方法，包括以下步骤：
S01：对视频图像的每一帧在检测区域内进行运动目标检测，提取检测目标的属性特征，所述属性特征包括质心点和面积；
S02：跟踪检测目标，当跟踪目标与检测目标的质心点差值不超过质心阈值Tcenter，且面积差值不超过面积阈值Tarea，则判定追踪成功，否则判定追踪失败；
S03：若追踪成功，判定检测目标的面积是否大于最大面积阈值Area1，若大于最大面积阈值Area1，则检测下一帧图像，否则，判定为一次入侵；
S04：若入侵次数大于设定阈值T，则判定检测目标发生入侵。
优选的，所述步骤S04后还包括：
通过方向梯度直方图特征结合支持向量机分类器根据非机动车的图像特征，对检测目标进行识别，若识别为非机动车，则判定非机动车入侵道路。
优选的，所述步骤S03中，若不大于最大面积阈值Area1，判断检测目标是否位于图像的边缘，若是，则检测下一帧图像，否则，判定为一次入侵。
优选的，若检测目标不位于图像边缘，判断检测目标的质心点是否在检测区域内，若是，判定为一次入侵，否则，检测下一帧图像。
优选的，所述步骤S03中判定为一次入侵之前，还包括对摄像头抖动处理，判断检测目标是否满足下列条件：
其中，areaj为检测目标的面积，Area2是检测目标的最小面积阈值，T2是追踪失败次数inativej的最小值,S1是检测目标一段时间内移动的最小距离阈值，centern(x,y)是检测目标当前帧n图像中的质心点坐标，centern-1(x,y)是检测目标前一帧n-1图像中的质心坐标。
优选的，对检测目标进行识别之前还包括鬼影去除操作，若鬼影和背景的相似度大于鬼影与当前图像的相似度，且鬼影和背景的相似度大于阈值，且鬼影与当前图像相似度大于阈值，则对检测进行识别，否则，检测下一帧图像。
本发明还公开了一种基于视频的道路入侵检测***，包括：
运动目标检测及属性提取模块，用于对视频图像的每一帧在检测区域内进行运动目标检测，提取检测目标的属性特征，所述属性特征包括质心点和面积；
检测目标跟踪模块，用于跟踪检测目标，当跟踪目标与检测目标的质心点差值不超过质心阈值Tcenter，且面积差值不超过面积阈值Tarea，则判定追踪成功，否则判定追踪失败；
一次入侵判断模块，若追踪成功，判定检测目标的面积是否大于最大面积阈值Area1，若大于最大面积阈值Area1，则检测下一帧图像，否则，判定为一次入侵；
入侵道路判断模块，若入侵次数大于设定阈值T，则判定检测目标发生入侵。
优选的，还包括：
非机动车入侵道路判断模块，通过方向梯度直方图特征结合支持向量机分类器根据非机动车的图像特征，对检测目标进行识别，若识别为非机动车，则判定非机动车入侵道路。
优选的，所述一次入侵判断模块在判定为一次入侵之前，还包括对摄像头抖动处理，判断检测目标是否满足下列条件：
其中，areaj为检测目标的面积，Area2是检测目标的最小面积阈值，T2是追踪失败次数inativej的最小值,S1是检测目标一段时间内移动的最小距离阈值，centern(x,y)是检测目标当前帧n图像中的质心点坐标，centern-1(x,y)是检测目标前一帧n-1图像中的质心坐标。
优选的，对检测目标进行识别之前还包括鬼影去除操作，若鬼影和背景的相似度大于鬼影与当前图像的相似度，且鬼影和背景的相似度大于阈值，且鬼影与当前图像相似度大于阈值，则对检测进行识别，否则，检测下一帧图像。
与现有技术相比，本发明的优点是：
1、本发明使用改进型的目标检测跟踪算法可以更精确的提取检测目标，又能降低内存的占据，大约能降低50％。又保证图片序列的原始信息，避免背景的重复计算，同时也可检测出较长时间停止的运动目标，从而能得出更加精确检测跟踪结果。
2、对非机动车入侵的检测中，增加对摄像头抖动和鬼影处理，较好的排除了摄像头、天气等外部环境的影响，提高算法的鲁棒性，同时也可以降低计算复杂度，降低误检率。然后引入机器学习，使用方向梯度直方图(HOG)特征结合支持向量机(SVM)分类器依据非机动车的图像特征，对检测目标进行检测，进一步降低算法的误检率。最后非机动车入侵的图片和相关视频将上传后台服务器，以便后续开发。本发明应用广泛，也可用于码头、航道等场景。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明基于视频的道路入侵检测方法的流程图；
图2为本发明入侵检测的算法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例：
下面结合附图，对本发明的较佳实施例作进一步说明。
如图1、2所示，本发明基于视频的道路入侵检测方法，包括以下步骤：
步骤1：开始读取视频，选取一帧图片，绘制需要检测的区域，区域可为多边形，绘制方向不论。对检测区域内的运动目标进行检测，运动目标的检测可以采用已知的方法进行检测，例如采用公告号为CN 106296739A的一种改进的运动目标检测方法和***进行检测，对检测出的每个车辆区域(检测目标)，提取检测目标的质心点，面积，外接矩形等属性特征。首次检测结果作为检测目标{trackj|j＝1,2,…,M}，之后的检测结果{blobi|i＝1,2,…,N}则用于追踪。
步骤2：车辆{trackj|j＝1,2,…,M}跟踪。当blobi质心点centeri、面积areai与trackj的质心点centerj(x,y)、面积areaj(x,y)的差值都满足不超过阈值Tcenter和阈值Tarea，则认为追踪成功。trackj的追踪失败次数inactivej初始化为0，若追踪成功，更新trackj的特征，否则inactivej自增1；如果trackj的追踪失败次数inactivej超过最大追踪失败次数阈值T1，则认为该车辆已驶出摄像头拍摄范围，可以删除不用再追踪。
步骤3：遍历每个trackj，如果trackj已被检测为入侵的非机动车，就返回继续遍历，若尚未检测出则继续下面的步骤。首次进入检测的trackj的入侵次数iNumIntrusionj初始化为0。
步骤4：初步筛选非机动车辆。摩托车、自行车等非机动车一般比机动车小，因此trackj的面积特征大于面积阈值Area1时不检测。另外，因为摄像头的安装位置，当车辆区域接近或驶离摄像头时，检测出车辆的面积特征差异较大，所以接近图片边缘的trackj也不检测。trackj质心没有进入入侵检测范围也不检测。
步骤5：摄像头抖动处理。摄像头抖动可能造成车辆没办法连续追踪，路面、隔离带等部分背景被误认为非机动车，这些背景面积小，停留时间短，位置相对固定而非机动车面积相对较大，不停移动。因此针对这些特点，trackj满足式(3)条件就可能是非机动车，iNumIntrusionj自增1，否则返回重新遍历。
Area2是trackj的最小面积阈值，T2是trackj最小累计追踪失败次数,S1是trackj一段时间内移动的最小距离阈值，centern(x,y)是trackj当前帧n图像中的质心点坐标，centern-1(x,y)是trackj前一帧n-1图像中的质心坐标。
步骤6：当iNumIntrusionj值大于阈值T时，则可认为检测目标发生入侵：
步骤6.1：使用鬼影去除。鬼影去除是依据鬼影区域的颜色特征均与背景相似，但与当前图像的颜色特征差异较大，因此利用cosine相似度公式比较鬼影与这两者的相似度，若不满足式(4)条件,则返回重新遍历。
N是非机动车区域的宽与高的积，X(xk)＝(r1,r2,…rN,g1,g2,…gN,b1,b2,…bN)是背景图对应位置的颜色特征，Y(yk)＝(r1,r2,…rN,g1,g2,…gN,b1,b2,…bN)是鬼影的颜色特征，Z(zk)＝(r1,r2,…rN,g1,g2,…gN,b1,b2,…bN)是当前图像对应位置颜色特征。c0、c1是鬼影和背景相似度的两个阈值，c2、c3是鬼影与当前图像相似度的两个阈值。
步骤6.2：通过机器学习，使用方向梯度直方图(Histogram of OrientedGradient,HOG)特征结合支持向量机(Support Vector Machine，SVM)分类器依据非机动车的图像特征，对检测目标进行识别是否为非机动车；若不是非机动车，则返回，重新遍历。
步骤7：保存入侵非机动车的图片和视频，上传后台服务器。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种基于视频的道路入侵检测方法，其特征在于，包括以下步骤：
S01：对视频图像的每一帧在检测区域内进行运动目标检测，提取检测目标的属性特征，所述属性特征包括质心点和面积；
S02：跟踪检测目标，当跟踪目标与检测目标的质心点差值不超过质心阈值Tcenter，且面积差值不超过面积阈值Tarea，则判定追踪成功，否则判定追踪失败；
S03：若追踪成功，判定检测目标的面积是否大于最大面积阈值Area1，若大于最大面积阈值Area1，则检测下一帧图像，否则，判定为一次入侵；
S04：若入侵次数大于设定阈值T，则判定检测目标发生入侵。
2.根据权利要求1所述的基于视频的道路入侵检测方法，其特征在于，所述步骤S04后还包括：
通过方向梯度直方图特征结合支持向量机分类器根据非机动车的图像特征，对检测目标进行识别，若识别为非机动车，则判定非机动车入侵道路。
3.根据权利要求1或2所述的基于视频的道路入侵检测方法，其特征在于，所述步骤S03中，若不大于最大面积阈值Area1，判断检测目标是否位于图像的边缘，若是，则检测下一帧图像，否则，判定为一次入侵。
4.根据权利要求3所述的基于视频的道路入侵检测方法，其特征在于，若检测目标不位于图像边缘，判断检测目标的质心点是否在检测区域内，若是，判定为一次入侵，否则，检测下一帧图像。
5.根据权利要求1所述的基于视频的道路入侵检测方法，其特征在于，所述步骤S03中判定为一次入侵之前，还包括对摄像头抖动处理，判断检测目标是否满足下列条件：
其中，areaj为检测目标的面积，Area2是检测目标的最小面积阈值，T2是追踪失败次数inativej的最小值,S1是检测目标一段时间内移动的最小距离阈值，centern(x,y)是检测目标当前帧n图像中的质心点坐标，centern-1(x,y)是检测目标前一帧n-1图像中的质心坐标。
6.根据权利要求2所述的基于视频的道路入侵检测方法，其特征在于，对检测目标进行识别之前还包括鬼影去除操作，若鬼影和背景的相似度大于鬼影与当前图像的相似度，且鬼影和背景的相似度大于阈值，且鬼影与当前图像相似度大于阈值，则对检测进行识别，否则，检测下一帧图像。
7.一种基于视频的道路入侵检测***，其特征在于，包括：
运动目标检测及属性提取模块，用于对视频图像的每一帧在检测区域内进行运动目标检测，提取检测目标的属性特征，所述属性特征包括质心点和面积；
检测目标跟踪模块，用于跟踪检测目标，当跟踪目标与检测目标的质心点差值不超过质心阈值Tcenter，且面积差值不超过面积阈值Tarea，则判定追踪成功，否则判定追踪失败；
一次入侵判断模块，若追踪成功，判定检测目标的面积是否大于最大面积阈值Area1，若大于最大面积阈值Area1，则检测下一帧图像，否则，判定为一次入侵；
入侵道路判断模块，若入侵次数大于设定阈值T，则判定检测目标发生入侵。
8.根据权利要求7所述的基于视频的道路入侵检测***，其特征在于，还包括：
非机动车入侵道路判断模块，通过方向梯度直方图特征结合支持向量机分类器根据非机动车的图像特征，对检测目标进行识别，若识别为非机动车，则判定非机动车入侵道路。
9.根据权利要求7所述的基于视频的道路入侵检测***，其特征在于，所述一次入侵判断模块在判定为一次入侵之前，还包括对摄像头抖动处理，判断检测目标是否满足下列条件：
其中，areaj为检测目标的面积，Area2是检测目标的最小面积阈值，T2是追踪失败次数inativej的最小值,S1是检测目标一段时间内移动的最小距离阈值，centern(x,y)是检测目标当前帧n图像中的质心点坐标，centern-1(x,y)是检测目标前一帧n-1图像中的质心坐标。
10.根据权利要求8所述的基于视频的道路入侵检测***，其特征在于，对检测目标进行识别之前还包括鬼影去除操作，若鬼影和背景的相似度大于鬼影与当前图像的相似度，且鬼影和背景的相似度大于阈值，且鬼影与当前图像相似度大于阈值，则对检测进行识别，否则，检测下一帧图像。
CN201711458198.8A 2017-12-28 2017-12-28 一种基于视频的道路入侵检测方法及*** Active CN108257152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711458198.8A CN108257152B (zh) 2017-12-28 2017-12-28 一种基于视频的道路入侵检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711458198.8A CN108257152B (zh) 2017-12-28 2017-12-28 一种基于视频的道路入侵检测方法及***

Publications (2)

Publication Number Publication Date
CN108257152A true CN108257152A (zh) 2018-07-06
CN108257152B CN108257152B (zh) 2022-04-08

Family

ID=62724307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711458198.8A Active CN108257152B (zh) 2017-12-28 2017-12-28 一种基于视频的道路入侵检测方法及***

Country Status (1)

Country Link
CN (1) CN108257152B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109147393A (zh) * 2018-10-18 2019-01-04 清华大学苏州汽车研究院（吴江） 基于视频分析的车辆变道检测方法
CN109325447A (zh) * 2018-09-21 2019-02-12 清华大学苏州汽车研究院（吴江） 基于视频分析的非导向行驶检测方法
CN111368812A (zh) * 2020-05-27 2020-07-03 北京伟杰东博信息科技有限公司 一种列车前方异物侵限检测方法及***
CN112560664A (zh) * 2020-12-11 2021-03-26 清华大学苏州汽车研究院（吴江） 一种违禁区域入侵检测的方法、装置、介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017573A (zh) * 2007-02-09 2007-08-15 南京大学 一种基于视频监控的运动目标检测与识别方法
CN101739550A (zh) * 2009-02-11 2010-06-16 北京智安邦科技有限公司 运动目标检测方法及***
CN103400157A (zh) * 2013-07-23 2013-11-20 青岛海信网络科技股份有限公司 一种基于视频分析的道路行人及非机动车检测方法
CN104463904A (zh) * 2014-09-22 2015-03-25 国家电网公司 一种高压线异物入侵目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017573A (zh) * 2007-02-09 2007-08-15 南京大学 一种基于视频监控的运动目标检测与识别方法
CN101739550A (zh) * 2009-02-11 2010-06-16 北京智安邦科技有限公司 运动目标检测方法及***
CN103400157A (zh) * 2013-07-23 2013-11-20 青岛海信网络科技股份有限公司 一种基于视频分析的道路行人及非机动车检测方法
CN104463904A (zh) * 2014-09-22 2015-03-25 国家电网公司 一种高压线异物入侵目标检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325447A (zh) * 2018-09-21 2019-02-12 清华大学苏州汽车研究院（吴江） 基于视频分析的非导向行驶检测方法
CN109147393A (zh) * 2018-10-18 2019-01-04 清华大学苏州汽车研究院（吴江） 基于视频分析的车辆变道检测方法
CN111368812A (zh) * 2020-05-27 2020-07-03 北京伟杰东博信息科技有限公司 一种列车前方异物侵限检测方法及***
CN112560664A (zh) * 2020-12-11 2021-03-26 清华大学苏州汽车研究院（吴江） 一种违禁区域入侵检测的方法、装置、介质及电子设备
CN112560664B (zh) * 2020-12-11 2023-08-01 清华大学苏州汽车研究院（吴江） 一种违禁区域入侵检测的方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN108257152B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
Yang et al. Vehicle detection in intelligent transportation systems and its applications under varying environments: A review
Luvizon et al. A video-based system for vehicle speed measurement in urban roadways
Mammeri et al. Lane detection and tracking system based on the MSER algorithm, hough transform and kalman filter
Li et al. Abandoned objects detection using double illumination invariant foreground masks
KR101735365B1 (ko) 학습 기반의 영상 내 관심 물체 검지 및 환경 변화에 강인한 물체 추적 방법
CN108257152A (zh) 一种基于视频的道路入侵检测方法及***
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
Lee et al. Real-time illegal parking detection in outdoor environments using 1-D transformation
Toropov et al. Traffic flow from a low frame rate city camera
EP2813973B1 (en) Method and system for processing video image
Sharma Human detection and tracking using background subtraction in visual surveillance
Khan et al. An intelligent monitoring system of vehicles on highway traffic
CN108520528B (zh) 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
CN111696135A (zh) 基于交并比的违禁停车检测方法
Huang et al. A real-time and color-based computer vision for traffic monitoring system
CN110796682A (zh) 运动目标的检测识别方法及检测识别***
Kanhere et al. Real-time detection and tracking of vehicle base fronts for measuring traffic counts and speeds on highways
Moizumi et al. Traffic light detection considering color saturation using in-vehicle stereo camera
Cao et al. Visual attention accelerated vehicle detection in low-altitude airborne video of urban environment
Liu et al. A real-time vision-based vehicle tracking and traffic surveillance
Munajat et al. Vehicle detection and tracking based on corner and lines adjacent detection features
Deng et al. An integrated forward collision warning system based on monocular vision
Miao et al. Intelligent video surveillance system based on moving object detection and tracking
Al-Refai et al. A framework for background modeling using vehicle-to-infrastructure communication for improved candidate generation in pedestrian detection
Sri Jamiya et al. A survey on vehicle detection and tracking algorithms in real time video surveillance

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