CN109359518A - 一种红外视频的运动物体识别方法、***和报警装置 - Google Patents
一种红外视频的运动物体识别方法、***和报警装置 Download PDFInfo
- Publication number
- CN109359518A CN109359518A CN201811020190.8A CN201811020190A CN109359518A CN 109359518 A CN109359518 A CN 109359518A CN 201811020190 A CN201811020190 A CN 201811020190A CN 109359518 A CN109359518 A CN 109359518A
- Authority
- CN
- China
- Prior art keywords
- gaussian distribution
- model
- distribution model
- weight
- current 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
- G06V20/41—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种红外视频的运动物体识别方法、***和报警装置,方法包括计算序列图像像素的均值和方差以作为背景模型,初始化高斯分布模型的参数和对应权值;基于匹配关系式处理当前像素和高斯分布模型以确定匹配关系;根据匹配关系修改权值、均值和方差;根据权值和标准差计算优先级,根据优先级排序高斯分布模型并从中选取高斯分布模型以作为背景模型的逼近;将当前像素与对应高斯分布模型逐一匹配,如果符合判断式则标定其为前景点;集合所述前景点以形成运动目标图像,根据运动目标图像的坐标变化以获取运动参数。***用于执行对应方法。装置包括红外摄像装置和处理装置。本发明能够正确识别红外视频中的运动物体。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种红外视频的运动物体识别方法、***和报警装置。
背景技术
居民小区的防盗一直是广大群众关心的重要问题,主流的视频防盗装置仍比较依赖于日光充足的环境,夜间的对策之一就是使用红外摄像头来获取红外图像,根据红外图像的显示判断是否出现盗贼,然而问题在于,作为入侵口的窗户、阳台等场景,除了可能的盗贼之外,还有房屋的主人会经过,因此也会留下对应的红外图像,需要区分这两种情况以确保报警的准确性。
现有的技术问题是如何实现合理的红外视频的运动物体识别的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的是提供一种红外视频的运动物体识别方法、***和报警装置。
本发明所采用的技术方案是:一种红外视频的运动物体识别方法,包括步骤:转换红外视频图像为灰度图像;计算一段时间内,序列图像像素的均值和方差以作为背景模型,初始化K个高斯分布模型的参数和对应权值;基于预设的匹配关系式处理当前像素和高斯分布模型以确定匹配关系;根据匹配关系修改高斯分布模型的权值、均值和方差;根据权值和标准差计算优先级,根据优先级排序高斯分布模型并从中选取若干个的高斯分布模型以作为背景模型的逼近;将当前像素根据优先级排序与对应高斯分布模型逐一匹配,如果符合判断式则标定其为前景点;集合所述前景点以形成运动目标图像,根据运动目标图像的坐标变化以获取运动参数。
进一步地,还包括步骤:基于|It-μi,t-1|≤D1δi,t-1处理所述当前像素和高斯分布模型以确定匹配关系,其中,It为当前像素,μi,t-1和δi,t-1分别是第i个高斯分布模型对应的高斯函数在时刻t-1的均值和标准差,D1为表示当前像素与模型匹配度的自定义常数。
进一步地,,所述根据匹配关系修改高斯分布模型的权值、均值和方差步骤包括:
当第i个高斯分布模型与当前像素It匹配,则修改权值wi,t=(1-α)wi,t-1+α,修改均值μi,t=(1-ρ)μi,t-1+ρIt,修改方差其中,α为权值更新率且0≤α≤1,ρ为模型参数更新率;当第i个高斯分布模型与当前像素It不匹配,则修改其权值wi,t=(1-α)wi,t-1;当不存在与当前像素It匹配的高斯分布模型,则将权值最小的高斯分布替换为均值为当前像素It,标准差为δ0,权值为wi,t=(1-α)wi,t-1+α的高斯分布,其他高斯分布则更新权值wi,t=(1-α)wi,t-1。
进一步地,所述模型参数更新率或者ρ=α+(1-α)/ck,其中,ck为第k个高斯模型的像素点总数。
进一步地,还包括步骤:归一化高斯模型权值计算优先级根据优先级大小排序高斯分布模型并从中选取B个的高斯分布模型以作为背景模型的逼近,其中,T为背景建模的分割阈值且0≤T≤1。
进一步地,还包括步骤:将当前像素It根据优先级排序与对应高斯分布模型逐一进行匹配,如果符合判断式|It-μi,t|>D2δi,t,i=1,2...B,则标定其为前景点,其中,D2为表示当前像素与背景模型的偏离度的自定义常数。
进一步地,所述根据运动目标图像的坐标变化以获取运动参数的步骤包括:当S秒内出现运动目标图像的次数超过阈值,则对运动目标图像的中心坐标进行最小二乘法直线拟合以获取运动参数。
本发明所采用的另一技术方案是:一种红外视频的运动物体识别***,包括:转换模块,用于转换红外视频图像为灰度图像;预处理模块,用于计算一段时间内,序列图像像素的均值和方差以作为背景模型,初始化K个高斯分布模型的参数和对应权值;处理模块,用于基于预设的匹配关系式处理当前像素和高斯分布模型以确定匹配关系;处理模块,用于根据匹配关系修改高斯分布模型的权值、均值和方差;处理模块,用于根据权值和标准差计算优先级,根据优先级排序高斯分布模型并从中选取若干个的高斯分布模型以作为背景模型的逼近;处理模块,用于将当前像素根据优先级排序与对应高斯分布模型逐一匹配,如果符合判断式则标定其为前景点;处理模块,用于集合所述前景点以形成运动目标图像,根据运动目标图像的坐标变化以获取运动参数。
进一步地,所述处理模块基于|It-μi,t-1|≤D1δi,t-1处理所述当前像素和高斯分布模型以确定匹配关系,其中,It为当前像素,μi,t-1和δi,t-1分别是第i个高斯分布模型对应的高斯函数在时刻t-1的均值和标准差,D1为表示当前像素与模型匹配度的自定义常数。
进一步地,所述根据匹配关系修改高斯分布模型的权值、均值和方差步骤包括:当第i个高斯分布模型与当前像素It匹配,则修改权值wi,t=(1-α)wi,t-1+α,修改均值μi,t=(1-ρ)μi,t-1+ρIt,修改方差其中,α为权值更新率且(0≤α≤1),ρ为模型参数更新率;当第i个高斯分布模型与当前像素It不匹配,则修改其权值wi,t=(1-α)wi,t-1;当不存在与当前像素It匹配的高斯分布模型,则将权值最小的高斯分布替换为均值为当前像素It,标准差为δ0,权值为wi,t=(1-α)wi,t-1+α的高斯分布,其他高斯分布则更新权值wi,t=(1-α)wi,t-1。
进一步地,所述模型参数更新率或者其中,ck为第k个高斯模型的像素点总数。
进一步地,所述处理模块还用于归一化高斯模型权值计算优先级根据优先级大小排序高斯分布模型并从中选取B个的高斯分布模型以作为背景模型的逼近,其中,T为背景建模的分割阈值且0≤T≤1。
进一步地,所述处理模块还用于将当前像素It根据优先级排序与对应高斯分布模型逐一进行匹配,如果符合判断式|It-μi,t|>D2δi,t,i=1,2...B,则标定其为前景点,其中,D2为表示当前像素与背景模型的偏离度的自定义常数。
进一步地,所述根据运动目标图像的坐标变化以获取运动参数的步骤包括:当S秒内出现运动目标图像的次数超过阈值,则对运动目标图像的中心坐标进行最小二乘法直线拟合以获取运动参数。
本发明所采用的另一技术方案是:一种报警装置,适用于上述的红外视频的运动物体识别方法,包括红外摄像装置和处理装置,其中,所述处理装置用于执行所述红外视频的运动物体识别方法并根据运动参数输出报警信号,所述红外摄像装置用于获取红外视频图像。
本发明的有益效果是:
本发明通过计算序列图像像素的均值和方差以作为背景模型,初始化高斯分布模型;基于匹配关系式处理当前像素和高斯分布模型以确定匹配关系;根据匹配关系修改高斯分布模型的权值、均值和方差;根据权值和标准差计算优先级,根据优先级排序高斯分布模型并从中选取若干个的高斯分布模型以作为背景模型的逼近;将当前像素根据优先级排序与对应高斯分布模型逐一匹配,如果符合判断式则标定其为前景点;集合所述前景点以形成运动目标图像,根据运动目标图像的坐标变化以获取运动参数,能够正确识别红外视频中的运动物体。
附图说明
图1是本发明的红外视频的运动物体识别方法示意图;
图2是本发明已处理图像示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例用于说明本发明的基本思想,包括如图1所示的红外视频的运动物体识别方法的步骤:
S1、转换红外视频图像为灰度图像;
S2、计算一段时间内,序列图像像素的均值和方差以作为背景模型,初始化K个高斯分布模型的参数和对应权值;
S4、基于预设的匹配关系式处理当前像素和高斯分布模型以确定匹配关系;
S5、根据匹配关系修改高斯分布模型的权值、均值和方差;
S6、根据权值和标准差计算优先级,根据优先级排序高斯分布模型并从中选取若干个的高斯分布模型以作为背景模型的逼近;
S7、将当前像素根据优先级排序与对应高斯分布模型逐一匹配,如果符合判断式则标定其为前景点;
S8、集合所述前景点以形成运动目标图像,根据运动目标图像的坐标变化以获取运动参数。
本方法的思路在于首先将红外视频图像转换成灰度图像,然后计算一段时间内,序列图像(即视频的一系列连续图像)像素的均值和方差以作为背景模型,然后设计若干个(K个)高斯分布模型(即根据实验数据设置若干个可能的高斯分布模型,即下称高斯模型,分别对应设置有高斯函数)的参数和对应权值(用于评价模型),设置一个匹配关系式来设置当前的图像的像素和高斯分布模型的匹配关系,然后根据匹配关系处理所有的高斯分布模型(即更新模型的各种参数),根据权值和标准差计算优先级,根据优先级排序高斯分布模型并从中选取若干个的高斯分布模型以作为背景模型的逼近(即更新背景模型),然后进行当前像素和高斯分布模型的匹配以判断当前像素是否属于前景点(即突然出现的异常像素,代表出现异物,也就是可能的盗贼),集合前景点以形成运动目标图像,根据运动目标图像的坐标变化以获取运动参数。
实施例2
本实施例用于解释优选方案:
背景模型和高斯分布模型的初始化:计算一段时间N内图像序列像素(即序列图像的像素)IT1(T1=0,1,2...N-1)的均值μ0和方差初始化K个高斯分布参数和权值wi,其中,
当前像素It与模型中K个高斯分布(等同高斯分布模型)按序(即从0至K)匹配,若满足匹配关系式,则当前像素It与第i个(隶属于K个高斯分布模型)高斯模型匹配,匹配关系式:
|It-μi,t-1|≤D1δi,t-1,式中,μi,t-1和δi,t-1分别是第i个高斯函数在时刻t-1的均值和标准差;D1为自定义常数,表示当前像素与模型的匹配度,一般取值为2.5。
根据匹配修改参数的步骤包括:
1)与当前像素It相匹配的第i个高斯分布,其权值、均值、方差作如下更新:
wi,t=(1-α)wi,t-1+α,μi,t=(1-ρ)μi,t-1+ρIt,
式中,α(0≤α≤1)为权值更新率,一般取较小的值;ρ为模型参数更新率,在经典算法中
2)与当前像素It不匹配的高斯分布,其均值、方差不变,权值作如下更新:
wi,t=(1-α)wi,t-1,
3)若没有一个高斯成分与当前像素It匹配,则将权值最小的高斯分布替换为均值为当前像素It,标准差为δ0(第0个高斯分布的标准差),权值为wi,t=(1-α)wi,t-1+α的高斯分布;其他高斯分布则按wi,t=(1-α)wi,t-1更新权值,均值和方差不变。
实施例3
本实施例用于在实施例2的基础上进一步说明优选方案
为了能够更快更真实地表征背景信息,降低环境噪声的影响,在初始化建模阶段,模型参数更新率应为较大值,随着像素信息的增多,模型参数将收敛趋于稳定,模型参数更新率应为较小值。基于此,可采用下面改进的参数更新率代替模型参数更新率ρ,即可以修改该更新率ρ=α+(1-α)/ck,式中,ck为第k个高斯模型的像素点总数。
实施例4
本实施例用于说明运动物体识别的原理
通过上述的步骤实现基础的背景建模之后,进行背景模型的重建,首先是模型权值归一化和优先级ρi,t的计算:
其中,模型权值wi,t越大,方差δi,t越小,ρi,t就越大,表示该高斯分布模型越好,将高斯分布按照优先级ρi,t从大到小进行排序。
从K个排序后的高斯分布中选取B(B≤K)个高斯分布模型作为场景背景模型的逼近,B表示为:
式中,T(0≤T≤1)为背景估计(即背景建模)的分割阈值,通过它的设定可选出背景最佳描述的分布模型。
前景检测,按优先级次序将当前像素It与各高斯分布逐一进行匹配,如果当前像素It与背景分布都满足判断式,则判定该点为前景点,否则为背景点。
|It-μi,t|>D2δi,t,i=1,2...B式中,D2为自定义常数,表示当前像素与背景的偏离度;B为背景的高斯分布个数。
实施例5
本实施例用于说明上述辨识方法在小区防盗的应用
一种基于上述识别方法的小区户外实时监控防盗***,包括视频采集***及视频处理***,视频采集***包括多台红外摄像机和图像采集卡(即红外摄像装置),视频处理***(处理装置)包括计算机及图像处理***。
所述视频采集***获取的视频信号经过光纤传输给视频处理***进行自动处理,所述的红外摄像机在安装时必须保证其视场能完全覆盖被监测的外墙壁,尤其是含窗户、阳台、下水管等的外墙壁,所述图像处理***将获取的运动目标轨迹进行最小二乘法直线拟合,获得目标的运动趋势,所述目标的运动趋势若为垂直方向趋势,则可判定为盗贼出现,进行及时报警。
其运行步骤包括:
视频采集到的图像变换为灰度图像,并采用中值滤波去噪,基于上述实施例的过程实现运动参数的获取,其中,若检测出运动目标,则提取目标区域的中心坐标(xt,yt)。设视频每秒传输帧数为fps,若(t~t+S)秒内的S*fps+1帧图像出现的运动目标次数达到一个临界值:
式中,D3为自定义常数,表示S秒内出现运动目标次数占总帧数的比例,可设置为80%。
满足上式的情况下,则进一步对S秒内出现的运动目标中心坐标(xt,yt)进行最小二乘法直线y=tan(a)*x+b(a为弧度)拟合,若拟合的直线斜率参数|a|接近说明目标运动轨迹表现为垂直趋势,可以判断运动目标为上下爬行目标,设报警参数为J,若J为1则进行报警:
式中,D4为自定义常数,表示目标运动轨迹方向与上下方向拟合度,可设置为80%。
实施例6
本实施例用于说明如图2所示的已处理图像示意图。
其中,图2a为运动目标图像,图2b为在t时刻的运动目标图像,图2c为t+s时刻的运动目标图像。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种红外视频的运动物体识别方法,其特征在于,包括步骤:
转换红外视频图像为灰度图像;
计算一段时间内,序列图像像素的均值和方差以作为背景模型,初始化K个高斯分布模型的参数和对应权值;
基于预设的匹配关系式处理当前像素和高斯分布模型以确定匹配关系;
根据匹配关系修改高斯分布模型的权值、均值和方差;
根据权值和标准差计算优先级,根据优先级排序高斯分布模型并从中选取若干个的高斯分布模型以作为背景模型的逼近;
将当前像素根据优先级排序与对应高斯分布模型逐一匹配,如果符合判断式则标定其为前景点;
集合所述前景点以形成运动目标图像,根据运动目标图像的坐标变化以获取运动参数。
2.根据权利要求1所述的一种红外视频的运动物体识别方法,其特征在于,还包括步骤:
基于|It-μi,t-1|≤D1δi,t-1处理所述当前像素和高斯分布模型以确定匹配关系,其中,It为当前像素,μi,t-1和δi,t-1分别是第i个高斯分布模型对应的高斯函数在时刻t-1的均值和标准差,D1为表示当前像素与模型匹配度的自定义常数。
3.根据权利要求2所述的一种红外视频的运动物体识别方法,其特征在于,所述根据匹配关系修改高斯分布模型的权值、均值和方差的步骤包括:
当第i个高斯分布模型与当前像素It匹配,则修改权值wi,t=(1-α)wi,t-1+α,修改均值μi,t=(1-ρ)μi,t-1+ρIt,修改方差其中,α为权值更新率且0≤α≤1,ρ为模型参数更新率;
当第i个高斯分布模型与当前像素It不匹配,则修改其权值wi,t=(1-α)wi,t-1;
当不存在与当前像素It匹配的高斯分布模型,则将权值最小的高斯分布替换为均值为当前像素It,标准差为δ0,权值为wi,t=(1-α)wi,t-1+α的高斯分布,其他高斯分布则更新权值wi,t=(1-α)wi,t-1。
4.根据权利要求3所述的一种红外视频的运动物体识别方法,其特征在于,所述模型参数更新率或者ρ=α+(1-α)/ck,其中,ck为第k个高斯模型的像素点总数。
5.根据权利要求4所述的一种红外视频的运动物体识别方法,其特征在于,还包括步骤:
归一化高斯模型权值计算优先级根据优先级大小排序高斯分布模型并从中选取B个的高斯分布模型以作为背景模型的逼近,其中,T为背景建模的分割阈值且0≤T≤1。
6.根据权利要求4或5所述的一种红外视频的运动物体识别方法,其特征在于,还包括步骤:
将当前像素It根据优先级排序与对应高斯分布模型逐一进行匹配,如果符合判断式|It-μi,t|>D2δi,t,i=1,2...B,则标定其为前景点,其中,D2为表示当前像素与背景模型的偏离度的自定义常数。
7.根据权利要求6所述的一种红外视频的运动物体识别方法,其特征在于,所述根据运动目标图像的坐标变化以获取运动参数的步骤包括:
当S秒内出现运动目标图像的次数超过阈值,则对运动目标图像的中心坐标进行最小二乘法直线拟合以获取运动参数。
8.一种红外视频的运动物体识别***,其特征在于,包括:
转换模块,用于转换红外视频图像为灰度图像;
预处理模块,用于计算一段时间内,序列图像像素的均值和方差以作为背景模型,初始化K个高斯分布模型的参数和对应权值;
处理模块,用于基于预设的匹配关系式处理当前像素和高斯分布模型以确定匹配关系;
处理模块,用于根据匹配关系修改高斯分布模型的权值、均值和方差;
处理模块,用于根据权值和标准差计算优先级,根据优先级排序高斯分布模型并从中选取若干个的高斯分布模型以作为背景模型的逼近;
处理模块,用于将当前像素根据优先级排序与对应高斯分布模型逐一匹配,如果符合判断式则标定其为前景点;
处理模块,用于集合所述前景点以形成运动目标图像,根据运动目标图像的坐标变化以获取运动参数。
9.一种报警装置,适用于权利要求1~7任一项所述的红外视频的运动物体识别方法,其特征在于,包括红外摄像装置和处理装置,其中,所述处理装置用于执行所述红外视频的运动物体识别方法并根据运动参数输出报警信号,所述红外摄像装置用于获取红外视频图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020190.8A CN109359518A (zh) | 2018-09-03 | 2018-09-03 | 一种红外视频的运动物体识别方法、***和报警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020190.8A CN109359518A (zh) | 2018-09-03 | 2018-09-03 | 一种红外视频的运动物体识别方法、***和报警装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359518A true CN109359518A (zh) | 2019-02-19 |
Family
ID=65350535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811020190.8A Pending CN109359518A (zh) | 2018-09-03 | 2018-09-03 | 一种红外视频的运动物体识别方法、***和报警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359518A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883865A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
CN117811218A (zh) * | 2024-02-29 | 2024-04-02 | 广东电网有限责任公司 | 一种无人机输变配一体化协同巡检方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289948A (zh) * | 2011-09-02 | 2011-12-21 | 浙江大学 | 高速公路场景下一种多特征融合的多车辆视频跟踪方法 |
US20130147951A1 (en) * | 2010-08-11 | 2013-06-13 | Flir Systems, Inc. | Infrared camera detection systems and methods |
CN103839373A (zh) * | 2013-03-11 | 2014-06-04 | 成都百威讯科技有限责任公司 | 一种突发异常事件智能识别报警装置及报警*** |
CN104392464A (zh) * | 2014-09-30 | 2015-03-04 | 天津艾思科尔科技有限公司 | 一种基于彩***图像的人为入侵检测方法 |
CN104599291A (zh) * | 2015-01-21 | 2015-05-06 | 内蒙古科技大学 | 基于结构相似度和显著性分析的红外运动目标检测方法 |
CN105354791A (zh) * | 2015-08-21 | 2016-02-24 | 华南农业大学 | 一种改进的自适应混合高斯前景检测方法 |
-
2018
- 2018-09-03 CN CN201811020190.8A patent/CN109359518A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130147951A1 (en) * | 2010-08-11 | 2013-06-13 | Flir Systems, Inc. | Infrared camera detection systems and methods |
CN102289948A (zh) * | 2011-09-02 | 2011-12-21 | 浙江大学 | 高速公路场景下一种多特征融合的多车辆视频跟踪方法 |
CN103839373A (zh) * | 2013-03-11 | 2014-06-04 | 成都百威讯科技有限责任公司 | 一种突发异常事件智能识别报警装置及报警*** |
CN104392464A (zh) * | 2014-09-30 | 2015-03-04 | 天津艾思科尔科技有限公司 | 一种基于彩***图像的人为入侵检测方法 |
CN104599291A (zh) * | 2015-01-21 | 2015-05-06 | 内蒙古科技大学 | 基于结构相似度和显著性分析的红外运动目标检测方法 |
CN105354791A (zh) * | 2015-08-21 | 2016-02-24 | 华南农业大学 | 一种改进的自适应混合高斯前景检测方法 |
Non-Patent Citations (1)
Title |
---|
文娟编著: "《楼宇智能化***的集成设计与施工》", 22 February 2017 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883865A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
CN112883865B (zh) * | 2021-02-09 | 2024-01-19 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
CN117811218A (zh) * | 2024-02-29 | 2024-04-02 | 广东电网有限责任公司 | 一种无人机输变配一体化协同巡检方法 |
CN117811218B (zh) * | 2024-02-29 | 2024-05-14 | 广东电网有限责任公司 | 一种无人机输变配一体化协同巡检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897670B (zh) | 一种基于计算机视觉的快递暴力分拣识别方法 | |
CN104123544B (zh) | 基于视频分析的异常行为检测方法及*** | |
CN112528966B (zh) | 一种取款人周边环境智能监控识别方法、装置及介质 | |
CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
CN113052876B (zh) | 一种基于深度学习的视频接力跟踪方法及*** | |
CN103971386A (zh) | 一种动态背景场景下的前景检测方法 | |
CN111401311A (zh) | 一种基于图像检测的高空抛物识别方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN110633643A (zh) | 一种面向智慧社区的异常行为检测方法及*** | |
CN109409289A (zh) | 一种电力作业安全监督机器人安全作业识别方法及*** | |
CN115761537B (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
CN112926522B (zh) | 一种基于骨骼姿态与时空图卷积网络的行为识别方法 | |
CN113076899B (zh) | 一种基于目标跟踪算法的高压输电线路异物检测方法 | |
CN109359518A (zh) | 一种红外视频的运动物体识别方法、***和报警装置 | |
CN116419059A (zh) | 基于行为标签的自动监控方法、装置、设备及介质 | |
CN109919068B (zh) | 基于视频分析适应密集场景人流实时监测方法 | |
CN113095160B (zh) | 基于人工智能和5g的电力***人员安全行为识别方法及*** | |
CN105095891A (zh) | 一种人脸捕捉的方法,装置及*** | |
CN113537137A (zh) | 一种面向电扶梯的人体动作本征特征提取的方法及*** | |
CN113449588A (zh) | 烟火检测方法 | |
CN116805234A (zh) | 一种基于激光雷达及相机融合的仓库物资管控方法 | |
CN112801072B (zh) | 一种基于计算机视觉的电梯非平层开门故障识别装置及方法 | |
CN114708544A (zh) | 一种基于边缘计算的违规行为智能监测头盔及其监测方法 | |
CN215520976U (zh) | 一种电缆隧道人员滞留监测*** | |
CN112288019A (zh) | 一种基于关键点定位的厨师帽检测方法 |
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: 20190219 |