CN109120932B - Hevc压缩域双svm模型的视频显著性预测方法 - Google Patents

Hevc压缩域双svm模型的视频显著性预测方法 Download PDF

Info

Publication number
CN109120932B
CN109120932B CN201810766665.1A CN201810766665A CN109120932B CN 109120932 B CN109120932 B CN 109120932B CN 201810766665 A CN201810766665 A CN 201810766665A CN 109120932 B CN109120932 B CN 109120932B
Authority
CN
China
Prior art keywords
video sequence
hevc
significance prediction
significance
training
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
Application number
CN201810766665.1A
Other languages
English (en)
Other versions
CN109120932A (zh
Inventor
张鑫生
刘浩
孙晓帆
吴乐明
况奇刚
魏国林
廖荣生
孙嘉曈
刘洋
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.)
Donghua University
Original Assignee
Donghua 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 Donghua University filed Critical Donghua University
Priority to CN201810766665.1A priority Critical patent/CN109120932B/zh
Publication of CN109120932A publication Critical patent/CN109120932A/zh
Application granted granted Critical
Publication of CN109120932B publication Critical patent/CN109120932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/136—Incoming video signal characteristics or properties
    • H04N19/137—Motion inside a coding unit, e.g. average field, frame or block difference
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/182—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a pixel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明提出了一种基于HEVC压缩域双SVM模型的视频显著性预测方法。所提方法对视频数据集中选定的所有训练视频序列进行分类，使用分类的训练视频序列A类和B类对HEVC压缩域双SVM显著性预测模型分别进行训练，得到两种不同的压缩域显著性预测模型。从视频数据集中选取某一测试视频序列进行预分类操作，使用已经训练好的HEVC双SVM显著性预测模型对测试视频序列进行显著性的预测，所提方法能够获得较好的显著性预测效果。

Description

HEVC压缩域双SVM模型的视频显著性预测方法
技术领域
本发明涉及一种压缩域视频显著性预测方法，属于视频显著性检测领域。
背景技术
鉴于目前视频信号分辨率不断提高以及并行处理的广泛应用，2013年HEVC(HighEfficiency Video Coding)编码标准得以发布。与先前的H.264/AVC标准相比较，HEVC定义了灵活的分块结构，同时对各个编码模块进行了优化和改进，并添加了大量新的编码工具。在相同应用条件和视频质量前提下，HEVC比H.264/AVC的压缩率提高一倍，能够更有效地提取视频的特征信息，这使得HEVC压缩技术日益成为视频分析的常用工具。
人类在观察物体时会迅速捕捉与背景和周围不同的显著性区域，以此实现在短时间内最大化地获取有用信息。因此，一个计算视觉显著性模型可以极大地帮助解决许多具有挑战性的计算机视觉和图像处理问题。例如，通过检测突出的位置和忽略大部分无关的背景，目标识别将会变得更有效和可靠；通过检测时空显著性点，视觉显著性模型有利于实现目标的跟踪。
运动显著性是视频显著性预测区别于图像显著性预测的一个重要特征，它能够帮助机器更好地预测视频中的重要内容。基于像素域的视频显著性预测算法，在预测之前需要将压缩视频完全解码至像素域中，增加了终端设备的计算复杂度。若直接在压缩域中进行显著性预测，可避免解码带来的复杂运算步骤，也可提高数据处理的效率。
发明内容
本发明的目的是：利用压缩码流中的运动信息获得与人眼视觉注视机制一致的视频显著性预测结果。
为了达到上述目的，本发明的技术方案是提供了一种HEVC压缩域双SVM模型的视频显著性预测方法，其特征在于，包括以下步骤：
步骤1、获取视频数据集，对其中的视频序列分成训练视频序列和测试视频序列两类；
步骤2、对视频数据集中选定的所有训练视频序列进行分类，分类过程包括以下步骤：
步骤201、使用HEVC压缩域视频显著性预测方法对某一训练视频序列进行显著性的预测；
步骤202、选定一种像素域显著性预测方法对步骤201中相同的训练视频序列进行显著性的预测；
步骤203、使用显著性预测评估指标对步骤201获得的显著性预测结果及步骤202获得的显著性预测结果进行评估；
步骤204、依据步骤203的评估结果对当前训练视频序列分类，若通过步骤202得到的当前训练视频序列的显著性预测结果好于通过步骤201得到的同一训练视频序列的显著性预测结果，则当前训练视频序列为A类训练视频序列，否则为B类训练视频序列；
步骤3、分别使用A类训练视频序列及B类训练视频序列对HEVC压缩域双SVM显著性预测模型进行训练，得到两种不同的压缩域显著性预测模型；
步骤4、使用已经训练好两种不同的压缩域显著性预测模型对某个测试视频序列进行显著性的预测，包括以下步骤：
步骤401、从所有测试视频序列中任意选取一个测试视频序列，对其进行预分类操作，获得当前测试视频序列所属的类别；
步骤402、获取测试视频序列的HEVC压缩码流，从压缩码流中提取HEVC特征；
步骤403、将获得的HEVC特征输入到与当前测试视频序列所属的类别相对应的压缩域显著性预测模型；
步骤404、进行卡尔曼滤波，得到最终的视频显著性图。
优选地，所述步骤201包括以下步骤：
步骤2011、从所有训练视频序列中任意选取一个训练视频序列，获取当前训练视频序列的HEVC压缩码流；
步骤2012、从HEVC压缩码流中提取HEVC特征；
步骤2013、将获得的HEVC特征输入到HEVC显著性预测模型；
步骤2014、进行前向平滑滤波；
步骤2015、得到最终的视频显著性图。
优选地，所述步骤203中使用的显著性预测评估指标为AUC、CC和NSS。
优选地，所述步骤3包括以下步骤：
步骤301、获取A类训练视频序列或B类训练视频序列的HEVC压缩码流；
步骤302、提取相关的HEVC特征；
步骤303、将获得的HEVC特征和人眼视觉注视图输入到HEVC压缩域双SVM显著性预测模型；
步骤304、得到两种分类训练的压缩域显著性预测模型。
本发明针对视频的显著性预测任务提供了一种新的解决思路，通过结合压缩域预测方法实时性高、能有效利用视频信息的特点，以及像素域预测方法在某些场景下显著性预测更为准确的优势，能够实现视频序列的有效分类，从而针对不同类型的视频序列对HEVC压缩域SVM显著性模型进行高效、准确的训练。本发明对视频的显著性预测准确度高，为后续基于视频显著性的应用领域提供了较好的基础。
附图说明
图1是本发明的主要处理流程图；
图2是本发明的视频分类流程图；
图3是本发明的基于视频分类的双SVM模型训练流程图；
图4是HEVC压缩域视频显著性预测流程图；
图5是基于像素域的FES视频显著性预测流程图。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。
本发明提供了一种HEVC压缩域双SVM模型的视频显著性预测方法，包括以下步骤：
步骤1、获取视频数据集，对其中的视频序列分成训练视频序列和测试视频序列两类；
步骤2、对视频数据集中选定的所有训练视频序列进行分类，分类过程包括以下步骤：
步骤201、使用HEVC压缩域视频显著性预测方法对某一训练视频序列进行显著性的预测，包括以下步骤：
步骤2011、从所有训练视频序列中任意选取一个训练视频序列，获取当前训练视频序列的HEVC压缩码流；
步骤2012、从HEVC压缩码流中提取HEVC特征；
步骤2013、将获得的HEVC特征输入到HEVC显著性预测模型；
步骤2014、进行前向平滑滤波；
步骤2015、得到最终的视频显著性图。
步骤202、选定一种像素域显著性预测方法对步骤201中相同的训练视频序列进行显著性的预测；
步骤203、使用显著性预测评估指标对步骤201获得的显著性预测结果及步骤202获得的显著性预测结果进行评估，使用的显著性预测评估指标为AUC、CC和NSS；
步骤204、依据步骤203的评估结果对当前训练视频序列分类，若通过步骤202得到的当前训练视频序列的显著性预测结果好于通过步骤201得到的同一训练视频序列的显著性预测结果，则当前训练视频序列为A类训练视频序列，否则为B类训练视频序列；
步骤3、分别使用A类训练视频序列及B类训练视频序列对HEVC压缩域双SVM显著性预测模型进行训练，得到两种不同的压缩域显著性预测模型，包括以下步骤：
步骤301、获取A类训练视频序列或B类训练视频序列的HEVC压缩码流；
步骤302、提取相关的HEVC特征；
步骤303、将获得的HEVC特征和人眼视觉注视图输入到HEVC压缩域双SVM显著性预测模型；
步骤304、得到两种分类训练的压缩域显著性预测模型；
步骤4、使用已经训练好两种不同的压缩域显著性预测模型对某个测试视频序列进行显著性的预测，包括以下步骤：
步骤401、从所有测试视频序列中任意选取一个测试视频序列，对其进行预分类操作，获得当前测试视频序列所属的类别；
步骤402、获取测试视频序列的HEVC压缩码流，从压缩码流中提取HEVC特征；
步骤403、将获得的HEVC特征输入到与当前测试视频序列所属的类别相对应的压缩域显著性预测模型；
步骤404、进行卡尔曼滤波，得到最终的视频显著性图。
结合图1，本实例给出了基于HEVC压缩域双SVM模型的视频显著性预测方法。所提方法获取视频数据集，对其中的视频序列分成训练和测试两类。在本实例中，用来训练的视频序列有Tennis、Kimono、ParkScene、Cactus、BQTerrace、BasketballDrive、Yan、Simo、Male、Female、Lee、Couple、RaceHorsesC、BQMall、PartyScene、BasketballDrill、Keiba、RaceHorsesD、BQSquare和BlowingBubbles；用来测试的视频序列有BasketballPass、FourPeople、Johnny、KristenAndSara、Vidyo1、Vidyo3、Vidyo4、BasketballDrillText、ChinaSpeed、SlideEditing、SlideShow、Traffic和PeopleOnStreet。
图2表示了对视频数据集中选定的所有训练视频序列进行分类过程。本实施例中选取了基于像素域的FES(Fast Efficient Saliency)显著性预测方法，下面以Tennis为例进行说明：
本发明使用HEVC压缩域显著性预测方法对视频序列Tennis进行显著性的预测，如图3所示，首先使用FFMPEG工具获取视频序列Tennis的HEVC压缩码流；从压缩码流中提取相关的HEVC特征splitting-depth、mv和bit-allocation；将获得的HEVC特征输入到HEVC显著性预测模型；为了能更好地预测出正在运动或者新出现的目标，进行前向平滑滤波；得到最终的视频显著性图。
本发明使用FES显著性预测方法对上述视频序列Tennis进行显著性的预测，如图4所示，首先获取视频序列Tennis的图像帧；提取视频序列Tennis中每一帧每个像素的CIELab色彩向量；使用基于贝叶斯的center-around方法，利用训练好的高斯核密度函数，计算每个像素的显著性；利用多尺度方法，计算每个像素在不同尺度下的平均显著性；计算视频序列Tennis 240帧的显著性，得到最终的视频显著性图。
使用显著性预测评估指标对视频序列Tennis的两种显著性预测进行评估，这里采用AUC、CC和NSS评估指标。依据上述评估的结果对视频分类。如果FES方法的显著性评估结果好于HEVC显著性评估结果，即三个指标中至少有两个指标好于HEVC显著性评估结果，那么这个视频归为A类，反之则归为B类。在本实例中，A类包括：Kimono、ParkScene、BQTerrace、BasketballDrive、Tennis、RaceHorsesC、BQMall、PartyScene、BasketballDrill、Keiba、RaceHorsesD、BQSquare；B类包括：Cactus、Yan、Simo、Male、Female、Lee、Couple、BlowingBubbles。
本发明使用分类的训练视频序列A类和B类对HEVC压缩域双SVM显著性模型分别进行训练，得到两种不同的压缩域显著性预测模型，如图5所示，首先使用FFMPEG获取已经分类视频的HEVC压缩码流；从压缩码流中提取相关的HEVC特征splitting-depth、mv和bit-allocation；将获得的HEVC特征和人眼视觉注视图(Human Fixation Map)输入到SVM学习模型，对模型进行训练；得到两种分类训练的HEVC双SVM显著性预测模型。
如图1所示，本实施例使用上述HEVC双SVM显著性预测模型对测试视频Traffic进行显著性的预测。对测试视频Traffic进行分类操作；使用FFMPEG获取视频序列Traffic的HEVC压缩码流；从视频序列Traffic压缩码流中提取HEVC的三个特征：splitting-depth、mv和bit-allocation；将获得的HEVC特征输入到相应的分类训练的HEVC显著性预测模型；为了能更好地预测出正在运动或者新出现的目标，进行卡尔曼滤波；得到最终的视频显著性图。对剩余测试视频序列同样执行上述操作，都能获得较好的视频显著性图。

Claims (3)

1.一种HEVC压缩域双SVM模型的视频显著性预测方法，其特征在于，包括以下步骤：
步骤1、获取视频数据集，对其中的视频序列分成训练视频序列和测试视频序列两类；
步骤2、对视频数据集中选定的所有训练视频序列进行分类，分类过程包括以下步骤：
步骤201、使用HEVC压缩域视频显著性预测方法对某一训练视频序列进行显著性的预测，包括以下步骤：
步骤2011、从所有训练视频序列中任意选取一个训练视频序列，获取当前训练视频序列的HEVC压缩码流；
步骤2012、从HEVC压缩码流中提取HEVC特征；
步骤2013、将获得的HEVC特征输入到HEVC显著性预测模型；
步骤2014、进行前向平滑滤波；
步骤2015、得到最终的视频显著性图；
步骤202、选定一种像素域显著性预测方法对步骤201中相同的训练视频序列进行显著性的预测；
步骤203、使用显著性预测评估指标对步骤201获得的显著性预测结果及步骤202获得的显著性预测结果进行评估；
步骤204、依据步骤203的评估结果对当前训练视频序列分类，若通过步骤202得到的当前训练视频序列的显著性预测结果好于通过步骤201得到的同一训练视频序列的显著性预测结果，则当前训练视频序列为A类训练视频序列，否则为B类训练视频序列；
步骤3、分别使用A类训练视频序列及B类训练视频序列对HEVC压缩域双SVM显著性预测模型进行训练，得到两种不同的压缩域显著性预测模型；
步骤4、使用已经训练好两种不同的压缩域显著性预测模型对某个测试视频序列进行显著性的预测，包括以下步骤：
步骤401、从所有测试视频序列中任意选取一个测试视频序列，对其进行预分类操作，获得当前测试视频序列所属的类别；
步骤402、获取测试视频序列的HEVC压缩码流，从压缩码流中提取HEVC特征；
步骤403、将获得的HEVC特征输入到与当前测试视频序列所属的类别相对应的压缩域显著性预测模型；
步骤404、进行卡尔曼滤波，得到最终的视频显著性图。
2.如权利要求1所述的一种HEVC压缩域双SVM模型的视频显著性预测方法，其特征在于，所述步骤203中使用的显著性预测评估指标为AUC、CC和NSS。
3.如权利要求1所述的一种HEVC压缩域双SVM模型的视频显著性预测方法，其特征在于，所述步骤3包括以下步骤：
步骤301、获取A类训练视频序列或B类训练视频序列的HEVC压缩码流；
步骤302、提取相关的HEVC特征；
步骤303、将获得的HEVC特征和人眼视觉注视图输入到HEVC压缩域双SVM显著性预测模型；
步骤304、得到两种分类训练的压缩域显著性预测模型。
CN201810766665.1A 2018-07-12 2018-07-12 Hevc压缩域双svm模型的视频显著性预测方法 Active CN109120932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810766665.1A CN109120932B (zh) 2018-07-12 2018-07-12 Hevc压缩域双svm模型的视频显著性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810766665.1A CN109120932B (zh) 2018-07-12 2018-07-12 Hevc压缩域双svm模型的视频显著性预测方法

Publications (2)

Publication Number Publication Date
CN109120932A CN109120932A (zh) 2019-01-01
CN109120932B true CN109120932B (zh) 2021-10-26

Family

ID=64862724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810766665.1A Active CN109120932B (zh) 2018-07-12 2018-07-12 Hevc压缩域双svm模型的视频显著性预测方法

Country Status (1)

Country Link
CN (1) CN109120932B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8965115B1 (en) * 2013-03-14 2015-02-24 Hrl Laboratories, Llc Adaptive multi-modal detection and fusion in videos via classification-based-learning
CN105138991A (zh) * 2015-08-27 2015-12-09 山东工商学院 一种基于情感显著性特征融合的视频情感识别方法
CN105472380A (zh) * 2015-11-19 2016-04-06 国家新闻出版广电总局广播科学研究院 基于蚁群的压缩域显著性检测算法
CN105893957A (zh) * 2016-03-30 2016-08-24 上海交通大学 基于视觉湖面船只检测识别与跟踪方法
CN106993188A (zh) * 2017-03-07 2017-07-28 北京航空航天大学 一种基于多人脸视频显著性的hevc压缩编码方法
WO2018019126A1 (zh) * 2016-07-29 2018-02-01 北京市商汤科技开发有限公司 视频类别识别方法和装置、数据处理装置和电子设备
CN108134937A (zh) * 2017-12-21 2018-06-08 西北工业大学 一种基于hevc的压缩域显著性检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8965115B1 (en) * 2013-03-14 2015-02-24 Hrl Laboratories, Llc Adaptive multi-modal detection and fusion in videos via classification-based-learning
CN105138991A (zh) * 2015-08-27 2015-12-09 山东工商学院 一种基于情感显著性特征融合的视频情感识别方法
CN105472380A (zh) * 2015-11-19 2016-04-06 国家新闻出版广电总局广播科学研究院 基于蚁群的压缩域显著性检测算法
CN105893957A (zh) * 2016-03-30 2016-08-24 上海交通大学 基于视觉湖面船只检测识别与跟踪方法
WO2018019126A1 (zh) * 2016-07-29 2018-02-01 北京市商汤科技开发有限公司 视频类别识别方法和装置、数据处理装置和电子设备
CN106993188A (zh) * 2017-03-07 2017-07-28 北京航空航天大学 一种基于多人脸视频显著性的hevc压缩编码方法
CN108134937A (zh) * 2017-12-21 2018-06-08 西北工业大学 一种基于hevc的压缩域显著性检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Learning to Detect Video Saliency With HEVC Features;Mai Xu等;《IEEE Transactions on Image Processing》;20161114;第26卷(第1期);全文 *
Visual Saliency Detection Based on Mutual Information in Compressed Domain;Ran Gao等;《2015 Visual Communications and Image Processing (VCIP)》;20151216;全文 *
基于显著性检测的感兴趣区域编码;沈新雨;《中国优秀硕士学位论文全文数据库信息科技辑》;20180615(第6期);全文 *

Also Published As

Publication number Publication date
CN109120932A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
Singh et al. Muhavi: A multicamera human action video dataset for the evaluation of action recognition methods
KR101942808B1 (ko) 객체 이미지 인식 dcnn 기반 cctv 영상분석장치
Ye et al. Unsupervised feature learning framework for no-reference image quality assessment
CN109241985B (zh) 一种图像识别方法及装置
Wong et al. Patch-based probabilistic image quality assessment for face selection and improved video-based face recognition
CN110929593B (zh) 一种基于细节辨别区别的实时显著性行人检测方法
CN108564066B (zh) 一种人物识别模型训练方法以及人物识别方法
CN105184818B (zh) 一种视频监控异常行为检测方法及其检测***
CN112016500A (zh) 基于多尺度时间信息融合的群体异常行为识别方法及***
CN110210335B (zh) 一种行人重识别学习模型的训练方法、***和装置
CN112464807A (zh) 视频动作识别方法、装置、电子设备和存储介质
CN110795595A (zh) 基于边缘计算的视频结构化存储方法、装置、设备及介质
CN111401308B (zh) 一种基于光流效应的鱼类行为视频识别方法
Poyser et al. On the impact of lossy image and video compression on the performance of deep convolutional neural network architectures
CN112488071B (zh) 提取行人特征的方法、装置、电子设备和存储介质
Giraldo et al. Graph CNN for moving object detection in complex environments from unseen videos
CN113313037A (zh) 一种基于自注意力机制的生成对抗网络视频异常检测方法
CN112329656B (zh) 一种视频流中人体动作关键帧的特征提取方法
Wang et al. Real-time smoke detection using texture and color features
CN111738218A (zh) 人体异常行为识别***及方法
CN114049581A (zh) 一种基于动作片段排序的弱监督行为定位方法和装置
Soon et al. Malaysian car number plate detection and recognition system
CN113688804B (zh) 基于多角度视频的动作识别方法及相关设备
CN111027482B (zh) 基于运动向量分段分析的行为分析方法及装置
Javed et al. Human movement recognition using euclidean distance: a tricky approach

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