CN109409315B - 一种atm机面板区域遗留物检测方法及*** - Google Patents

一种atm机面板区域遗留物检测方法及*** Download PDF

Info

Publication number
CN109409315B
CN109409315B CN201811319006.XA CN201811319006A CN109409315B CN 109409315 B CN109409315 B CN 109409315B CN 201811319006 A CN201811319006 A CN 201811319006A CN 109409315 B CN109409315 B CN 109409315B
Authority
CN
China
Prior art keywords
image
pedestrian
area
video stream
leaving
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
CN201811319006.XA
Other languages
English (en)
Other versions
CN109409315A (zh
Inventor
李代远
陈吉宏
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.)
Haoyun Technologies Co Ltd
Original Assignee
Haoyun Technologies Co Ltd
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 Haoyun Technologies Co Ltd filed Critical Haoyun Technologies Co Ltd
Priority to CN201811319006.XA priority Critical patent/CN109409315B/zh
Publication of CN109409315A publication Critical patent/CN109409315A/zh
Application granted granted Critical
Publication of CN109409315B publication Critical patent/CN109409315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/254—Analysis of motion involving subtraction of images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了一种ATM机面板区域遗留物检测方法及***，所述方法包括：步骤S1，获取ATM机区域的视频流，利用背景建模法对所获得的视频流进行处理，检测视频流中行人的进入或离开；步骤S2，分别在检测到行人进入和行人离开时各截取一帧图像，对行人进入图像与行人离开图像进行差分处理，提取出图像的灰度变化区域；步骤S3，将行人离开图像经过一训练后的卷积神经网络模型进行分割，提取出疑似遗留物区域；步骤S4，将步骤S2提取的灰度变化区域与步骤S3提取的疑似遗留物区域进行重叠度计算，以确定面板是否存在遗留物，通过本发明可在环境变化例如光照条件干扰的情况下仍能准确的检测面板区域的遗留物。

Description

一种ATM机面板区域遗留物检测方法及***
技术领域
本发明涉及图像处理和视频智能监控技术领域，特别是涉及一种基于深度卷积神经网络的ATM机面板区域遗留物检测方法及***。
背景技术
目前，自助柜员机(Automatic teller machine，ATM)已经成为人们生活中不可缺少的一部分，各银行均设有数量众多的ATM。然而ATM为人们的生活带来便利的同时，也带了一些困扰，比如物品遗忘等等。通常银行会在ATM机上方加装摄像头，在监测金融犯罪的同时也进行遗留物的监测。因此，面板遗留物检测分析已成为ATM安防***的重要组成部分之一，其主要的作用通过一系列的算法判断，检测出在使用者离开ATM机后，ATM机的面板区域是否存在用户的遗留物品以及ATM机的面板区域是否存在非法的粘贴或安装的物件。
目前，现有的atm机面板遗留物检测算法是基于传统的数字图像分析技术实现的，其主要通过对行人进出前后的面板图像的灰度对比，通过判断面板区域的图像的灰度变化程度判断是否存在遗留物体，这种方法简单直接，但是由于该方法对于图像区域的变化及其敏感，所以存在如下问题：1、会因为环境变化或其他因素导致判断的失误，例如室内外环境，光照的强度和方向的变化，客户无规律的进出，都有可能会错误引发遗留物报警；2、当遗留物体从面板区域“消失”的时候，也会引发遗留物报警。
因此，实有必要提出一种技术手段，以解决上述ATM机面板遗留物检测技术所存在的问题。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种ATM机面板区域遗留物检测方法及***，以在环境变化例如光照条件干扰的情况下仍能准确的检测面板区域的遗留物。
为达上述及其它目的，本发明提出一种ATM机面板区域遗留物检测方法，包括如下步骤：
步骤S1，获取ATM机区域的视频流，利用背景建模法对所获得的视频流进行处理，检测视频流中行人的进入或离开；
步骤S2，分别在检测到行人进入和行人离开时各截取一帧图像，对行人进入图像与行人离开图像进行差分处理，提取出图像的灰度变化区域；
步骤S3，将行人离开图像经过一训练后的卷积神经网络模型进行分割，提取出疑似遗留物区域；
步骤S4，将步骤S2提取的灰度变化区域与步骤S3提取的疑似遗留物区域进行重叠度分析计算，以确定面板是否存在遗留物。
优选地，步骤S1进一步包括：
步骤S100，获取视频流；
步骤S101，利用步骤S100中获取的视频流采用高斯背景建摸方法构建背景模型；
步骤S102，从视频流中依次获取一帧图像，利用步骤S101构建的背景模型获取运动前景图像；
步骤S103，根据获得运动前景图像确认行人的进入或离开。
优选地，于步骤S103中，若检测到运动的前景出现在行人区域则判断有行人进入，若运动前景消失则判断行人离开。
优选地，步骤S2进一步包括：
步骤S200，分别获取行人进入图像各个像素点的灰度值与行人离开图像各个像素点的灰度值；
步骤S201，将行人离开图像每个像素点的灰度值与行人进入图像对应像素点的灰度值作差，并对差值取绝对值，得到差分图像。
优选地，步骤S3进一步包括：
步骤S300，搭建卷积神经网络模型，输入人工标注了遗留物区域的图像后自动调整模型参数，对模型进行训练后，生成可以提取面板遗留物区域的数学模型。
步骤S301，将行人离开图像输入所述卷积神经网络模型，对所述图像进行分割，提取出疑似遗留物区域。
优选地，于步骤S4，若所述灰度变化区域与所述疑似遗留物区域重叠度大于预设阈值，则确定面板存在遗留物。
为达到上述目的，本发明还提供一种ATM机面板区域遗留物检测***，包括：
背景建模单元，用于获取ATM机区域的视频流，利用背景建模法对所获得视频流进行处理，检测行人的进入或离开；
图像差分处理单元，用于分别在检测到行人进入和行人离开时各截取一帧图像，对行人进入图像与行人离开图像进行差分处理，提取出图像的灰度变化区域；
深度学习单元，用于将行人离开图像经过一训练后的卷积神经网络模型进行分割，提取出疑似遗留物区域；
重叠度分析单元，用于将所述图像差分处理单元提取的灰度变化区域与深度学习单元提取出的疑似遗留物区域进行重叠度计算，以确定面板是否存在遗留物。
优选地，所述背景建模单元包括：
视频流获取单元，用于获取视频流；
背景模型构建单元，用于利用视频流获取单元获取的视频流采用高斯背景建摸方法构建背景模型；
运动前景获取单元，用于从视频流中依次获取一帧图像，利用所述背景模型构建单元构建的背景模型获取运动前景图像；
状态检测单元，用于根据获得运动前景图像确认行人的进入或离开。
优选地，所述图像差分处理单元进一步包括：
灰度值获取模块，用于分别获取行人进入图像各个像素点的灰度值与行人离开图像各个像素点的灰度值；
差分处理模块，用于将行人离开图像每个像素点的灰度值与行人进入图像对应像素点的灰度值作差，并对差值取绝对值，得到差分图像，即获得相应的灰度变化区域。
优选地，所述深度学习单元进一步包括：
卷积神经网络构建单元，用于搭建卷积神经网络模型，输入人工标注了遗留物区域的图像后自动调整模型参数，对模型进行训练后，生成可以提取面板遗留物区域的数学模型；
图像分割单元，用于将行人离开图像输入所述卷积神经网络模型，对所述图像进行分割，提取出疑似遗留物区域。
与现有技术相比，本发明一种ATM机面板区域遗留物检测方法及***通过结合疑似遗留物提取和灰度变化区域对比，可以在光照条件干扰的情况下准确的检测出面板区域的遗留物。
附图说明
图1为本发明一种ATM机面板区域遗留物检测方法的步骤流程图；
图2为本发明具体实施例中卷积神经网络模型的结构示意图；
图3为本发明一种ATM机面板区域遗留物检测***的***架构图；
图4为本发明具体实施例之ATM机面板区域遗留物检测的过程示意图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种ATM机面板区域遗留物检测方法的步骤流程图。如图1所示，本发明一种ATM机面板区域遗留物检测方法，包括如下步骤：
步骤S1，获取ATM机区域的视频流，利用背景建模法对所获得图像进行处理，检测行人的进入或离开。
在本发明具体实施例中，于步骤S1，采用高斯背景建模方法对获得的图像进行运动目标的检测，若检测到运动的前景出现在行人区域(可设置)则判断有行人进入，若前景消失则判断行人离开。在本发明具体实施例中，通过设置于ATM机区域顶部的摄像头获取视频流，具体地，步骤S1进一步包括：
步骤S100，获取视频流；
步骤S101，利用步骤S100中获取的视频流采用高斯背景建摸方法构建背景模型；
步骤S102，从视频流中依次获取一帧图像，利用S101构建的背景模型获取运动前景图像；
步骤S103，根据获得运动前景图像确认行人的进入或离开。若检测到运动的前景出现在行人区域(可设置)则判断有行人进入，若运动前景消失则判断行人离开。
步骤S2，分别在检测到行人进入和行人离开时各截取一帧图像，对行人进入图像与行人离开图像进行差分处理，提取出图像的灰度变化区域。也就是说，将行人进入图像与行人离开图像的两帧图像进行查分，得到查分图像，即灰度变化区域。具体地，步骤S2进一步包括：
步骤S200，分别获取行人进入图像各个像素点的灰度值与行人离开图像各个像素点的灰度值；
步骤S201，将行人离开图像每个像素点的灰度值与行人进入图像对应像素点的灰度值作差，并对差值取绝对值，得到差分图像，即获得相应的灰度变化区域。
步骤S3，将行人离开图像经过一训练后的卷积神经网络模型进行分割，提取出疑似遗留物区域。
具体地，步骤S3进一步包括：
步骤S300，搭建卷积神经网络模型，输入人工标注了遗留物区域的图像后自动调整模型参数，对模型进行训练后，生成可以提取面板遗留物区域的数学模型。图2为本发明具体实施例中搭建的卷积神经网络模型的结构示意图。原始图像输入至14层的MobileNet后输出1×1×512的特征图，经过上采样(Upsampling)还原至原图像的1/4大小后，将其与MobileNet输出的4x特征图和8x特征图在通道方向向进行拼接，最终通过后续的卷积层和上采样层计算后输出原图像分割结果。由于对卷积神经网络的训练采用的是现有技术，在此不予赘述。
步骤S301，将行人离开图像输入所述卷积神经网络模型，对所述图像进行分割，提取出疑似遗留物区域。
步骤S4，将步骤S2提取的灰度变化区域与步骤S3提取的疑似遗留物区域进行重叠度计算，以确定面板是否存在遗留物，若两者重叠度较大(例如大于预设阈值时)，则确定面板存在遗留物，并推送报警。
图3为本发明一种ATM机面板区域遗留物检测***的***架构图。如图3所示，本发明一种ATM机面板区域遗留物检测方法，包括如下步骤：
背景建模单元201，用于获取ATM机区域的视频流，利用背景建模法对所获得的视频流进行处理，检测行人的进入或离开。
在本发明具体实施例中，背景建模单元201采用高斯背景建模方法对获得的视频流的图像进行运动目标的检测，若检测到运动的前景出现在行人区域(可设置)则判断有行人进入，若前景消失则判断行人离开。具体地，行人状态检测单元201进一步包括：
视频流获取单元，用于获取视频流；
背景模型构建单元，用于利用视频流获取单元获取的视频流采用高斯背景建摸方法构建背景模型；
运动前景获取单元，用于从视频流中依次获取一帧图像，利用所述背景模型构建单元构建的背景模型获取运动前景图像；
状态检测单元，用于根据获得运动前景图像确认行人的进入或离开。若检测到运动的前景出现在行人区域(可设置)则判断有行人进入，若运动前景消失则判断行人离开。
图像差分处理单元202，用于分别在行人进入和行人离开时各截取一帧图像，对行人进入图像与行人离开图像进行差分处理，提取出图像的灰度变化区域。也就是说，将行人进入图像与行人离开图像的两帧图像进行查分，得到查分图像，即灰度变化区域。具体地，图像差分处理单元202进一步包括：
灰度值获取模块，用于分别获取行人进入图像各个像素点的灰度值与行人离开图像各个像素点的灰度值；
差分处理模块，用于将行人离开图像每个像素点的灰度值与行人进入图像对应像素点的灰度值作差，并对差值取绝对值，得到差分图像，即获得相应的灰度变化区域。
深度学习单元203，用于将行人离开图像经过一训练后的卷积神经网络模型进行分割，提取出疑似遗留物区域。
具体地，深度学习单元203进一步包括：
卷积神经网络构建单元，用于搭建卷积神经网络模型，输入人工标注了遗留物区域的图像后自动调整模型参数，对模型进行训练后，生成可以提取面板遗留物区域的数学模型。在本发明具体实施例中，卷积神经网络模型如图2所示，在此不予赘述。
图像分割单元，用于将行人离开图像输入所述卷积神经网络模型，对所述图像进行分割，提取出疑似遗留物区域。
重叠度分析单元204，用于将图像差分处理单元202提取的灰度变化区域与深度学习单元203提取出的疑似遗留物区域进行重叠度计算，以确定面板是否存在遗留物，若两者重叠度较大，则确定面板存在遗留物，并推送报警。
图4为本发明具体实施例之ATM机面板区域遗留物检测的过程示意图。
1、首先构建深度神经网络模型，搜集现场带标记(人工标注)的ATM机遗留物图像样本，对所述深度神经网络模型进行训练，使该深度神经网络模型可以分辨出图像中的面板区域，光照区域和遗留物区域；
2、获取ATM面板摄像头的图像后，通过背景建模法检测行人的进入和离开，并且分别在行人进入时和行人离开时各截取一张图像，送入图像差分处理单元进行处理，即图3中的实线流程，对前后两张图像(行人进入与行人离开)进行差分提取出图像灰度变化区域，即被认为有可能是遗留物区域；同时将行人离开后的图像通过训练后的深度神经网络模型进行分割，即图3中的虚线流程，提取出疑似遗留物区域。
3、通过对面板疑似遗留物区域和灰度变化区域进行重叠度分析，假如两者重叠度较大，则确定面板存在遗留物，并推送报警。
综上所述，本发明一种ATM机面板区域遗留物检测方法及***通过结合疑似遗留物提取和灰度变化区域对比，可以在光照条件干扰的情况下准确的检测出面板区域的遗留物。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (10)

1.一种ATM机面板区域遗留物检测方法，包括如下步骤：
步骤S1，获取ATM机区域的视频流，利用背景建模法对所获得的视频流进行处理，检测视频流中行人的进入或离开；
步骤S2，分别在检测到行人进入和行人离开时各截取一帧图像，对行人进入图像与行人离开图像进行差分处理，提取出图像的灰度变化区域；
步骤S3，将行人离开图像经过一训练后的卷积神经网络模型进行分割，提取出疑似遗留物区域；
步骤S4，将步骤S2提取的灰度变化区域与步骤S3提取的疑似遗留物区域进行重叠度计算，以确定面板是否存在遗留物。
2.如权利要求1所述的一种ATM机面板区域遗留物检测方法，其特征在于，步骤S1进一步包括：
步骤S100，获取视频流；
步骤S101，利用步骤S100中获取的视频流采用高斯背景建模 方法构建背景模型；
步骤S102，从视频流中依次获取一帧图像，利用步骤S101构建的背景模型获取运动前景图像；
步骤S103，根据获得运动前景图像确认行人的进入或离开。
3.如权利要求2所述的一种ATM机面板区域遗留物检测方法，其特征在于：于步骤S103中，若检测到运动的前景出现在行人区域则判断有行人进入，若运动前景消失则判断行人离开。
4.如权利要求1所述的一种ATM机面板区域遗留物检测方法，其特征在于，步骤S2进一步包括：
步骤S200，分别获取行人进入图像各个像素点的灰度值与行人离开图像各个像素点的灰度值；
步骤S201，将行人离开图像每个像素点的灰度值与行人进入图像对应像素点的灰度值作差，并对差值取绝对值，得到差分图像。
5.如权利要求1所述的一种ATM机面板区域遗留物检测方法，其特征在于，步骤S3进一步包括：
步骤S300，搭建卷积神经网络模型，输入人工标注了遗留物区域的图像后自动调整模型参数，对模型进行训练后，生成可以提取面板遗留物区域的数学模型；
步骤S301，将行人离开图像输入所述卷积神经网络模型，对所述图像进行分割，提取出疑似遗留物区域。
6.如权利要求1所述的一种ATM机面板区域遗留物检测方法，其特征在于：于步骤S4，若所述灰度变化区域与所述疑似遗留物区域重叠度大于预设阈值，则确定面板存在遗留物。
7.一种ATM机面板区域遗留物检测***，包括：
背景建模单元，用于获取ATM机区域的视频流，利用背景建模法对所获得视频流进行处理，检测行人的进入或离开；
图像差分处理单元，用于分别在检测到行人进入和行人离开时各截取一帧图像，对行人进入图像与行人离开图像进行差分处理，提取出图像的灰度变化区域；
深度学习单元，用于将行人离开图像经过一训练后的卷积神经网络模型进行分割，提取出疑似遗留物区域；
重叠度分析单元，用于将所述图像差分处理单元提取的灰度变化区域与深度学习单元提取出的疑似遗留物区域进行重叠度计算，以确定面板是否存在遗留物。
8.如权利要求7所述的一种ATM机面板区域遗留物检测***，其特征在于，所述背景建模单元包括：
视频流获取单元，用于获取视频流；
背景模型构建单元，用于利用视频流获取单元获取的视频流采用高斯背景建模 方法构建背景模型；
运动前景获取单元，用于从视频流中依次获取一帧图像，利用所述背景模型构建单元构建的背景模型获取运动前景图像；
状态检测单元，用于根据获得运动前景图像确认行人的进入或离开。
9.如权利要求7所述的一种ATM机面板区域遗留物检测***，其特征在于，所述图像差分处理单元进一步包括：
灰度值获取模块，用于分别获取行人进入图像各个像素点的灰度值与行人离开图像各个像素点的灰度值；
差分处理模块，用于将行人离开图像每个像素点的灰度值与行人进入图像对应像素点的灰度值作差，并对差值取绝对值，得到差分图像，即获得相应的灰度变化区域。
10.如权利要求7所述的一种ATM机面板区域遗留物检测***，其特征在于，所述深度学习单元进一步包括：
卷积神经网络构建单元，用于搭建卷积神经网络模型，输入人工标注了遗留物区域的图像后自动调整模型参数，对模型进行训练后，生成可以提取面板遗留物区域的数学模型；
图像分割单元，用于将行人离开图像输入所述卷积神经网络模型，对所述图像进行分割，提取出疑似遗留物区域。
CN201811319006.XA 2018-11-07 2018-11-07 一种atm机面板区域遗留物检测方法及*** Active CN109409315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811319006.XA CN109409315B (zh) 2018-11-07 2018-11-07 一种atm机面板区域遗留物检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811319006.XA CN109409315B (zh) 2018-11-07 2018-11-07 一种atm机面板区域遗留物检测方法及***

Publications (2)

Publication Number Publication Date
CN109409315A CN109409315A (zh) 2019-03-01
CN109409315B true CN109409315B (zh) 2022-01-11

Family

ID=65472088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811319006.XA Active CN109409315B (zh) 2018-11-07 2018-11-07 一种atm机面板区域遗留物检测方法及***

Country Status (1)

Country Link
CN (1) CN109409315B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399792B (zh) * 2019-06-19 2023-07-25 河南北斗卫星导航平台有限公司 一种监控方法、装置及计算机可读存储介质
CN110956102A (zh) * 2019-11-19 2020-04-03 上海眼控科技股份有限公司 银行柜台监控方法、装置、计算机设备和存储介质
CN111091097A (zh) * 2019-12-20 2020-05-01 ***通信集团江苏有限公司 遗留物的识别方法、装置、设备及存储介质
CN111259955B (zh) * 2020-01-15 2023-12-08 国家测绘产品质量检验测试中心 一种地理国情监测成果可靠性质检方法及***
CN111932525B (zh) * 2020-08-19 2024-02-23 中国银行股份有限公司 银行设备实物交付口的遗留实物检测方法及装置
CN112837326B (zh) * 2021-01-27 2024-04-09 南京中兴力维软件有限公司 遗留物检测方法、装置及设备
CN117036482B (zh) * 2023-08-22 2024-06-14 北京智芯微电子科技有限公司 目标对象定位方法、装置、拍摄设备、芯片、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101426128A (zh) * 2007-10-30 2009-05-06 三星电子株式会社 偷盗和遗失包裹检测***和检测方法
CN102034240A (zh) * 2010-12-23 2011-04-27 北京邮电大学 一种静态前景检测和跟踪方法
CN102413321A (zh) * 2011-12-26 2012-04-11 浙江省电力公司 一种自动录像的***和方法
CN103679123A (zh) * 2012-09-17 2014-03-26 浙江大华技术股份有限公司 一种atm面板上遗留物检测的方法和***
CN104156942A (zh) * 2014-07-02 2014-11-19 华南理工大学 一种用于复杂环境遗留物的检测方法
CN105678803A (zh) * 2015-12-29 2016-06-15 南京理工大学 基于w4算法和帧间差分的视频监控目标检测方法
CN106296677A (zh) * 2016-08-03 2017-01-04 浙江理工大学 一种基于双背景模型的双掩膜背景更新的遗留物检测方法
CN106372576A (zh) * 2016-08-23 2017-02-01 南京邮电大学 一种基于深度学习的智能室内入侵检测方法及***
CN106469311A (zh) * 2015-08-19 2017-03-01 南京新索奇科技有限公司 目标检测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101426128A (zh) * 2007-10-30 2009-05-06 三星电子株式会社 偷盗和遗失包裹检测***和检测方法
CN102034240A (zh) * 2010-12-23 2011-04-27 北京邮电大学 一种静态前景检测和跟踪方法
CN102413321A (zh) * 2011-12-26 2012-04-11 浙江省电力公司 一种自动录像的***和方法
CN103679123A (zh) * 2012-09-17 2014-03-26 浙江大华技术股份有限公司 一种atm面板上遗留物检测的方法和***
CN104156942A (zh) * 2014-07-02 2014-11-19 华南理工大学 一种用于复杂环境遗留物的检测方法
CN106469311A (zh) * 2015-08-19 2017-03-01 南京新索奇科技有限公司 目标检测方法及装置
CN105678803A (zh) * 2015-12-29 2016-06-15 南京理工大学 基于w4算法和帧间差分的视频监控目标检测方法
CN106296677A (zh) * 2016-08-03 2017-01-04 浙江理工大学 一种基于双背景模型的双掩膜背景更新的遗留物检测方法
CN106372576A (zh) * 2016-08-23 2017-02-01 南京邮电大学 一种基于深度学习的智能室内入侵检测方法及***

Also Published As

Publication number Publication date
CN109409315A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN109409315B (zh) 一种atm机面板区域遗留物检测方法及***
KR100831122B1 (ko) 얼굴 인증 장치, 얼굴 인증 방법, 및 출입 관리 장치
CN107679471B (zh) 基于视频监控平台的室内人员空岗检测方法
CN111553265B (zh) 一种排水管道内部缺陷的检测方法及***
JP4533836B2 (ja) 変動領域検出装置及びその方法
WO2015085811A1 (zh) 一种基于厚度信号识别的钞票识别方法及装置
CN108804987B (zh) 门开闭状态检测方法和装置、以及人流检测***
CN110589647A (zh) 一种通过监控对电梯门进行实时故障检测及预测的方法
US10599946B2 (en) System and method for detecting change using ontology based saliency
KR20120129301A (ko) 이동 객체 추출 및 추적 방법 및 장치
JP2003051076A (ja) 侵入監視装置
Santos et al. Car recognition based on back lights and rear view features
CN111626104B (zh) 一种基于无人机红外热像的电缆隐患点检测方法和装置
WO2012081969A1 (en) A system and method to detect intrusion event
CN115661475A (zh) 一种图像异物识别方法、装置、设备及存储介质
CN111368726B (zh) 建筑工地作业面人数统计方法、***、存储介质及装置
CN111191575B (zh) 一种基于火苗跳动建模的明火检测方法及***
JPH05300516A (ja) 動画処理装置
CN114694090A (zh) 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法
Mantini et al. A signal detection theory approach for camera tamper detection
KR100338473B1 (ko) 다-차원 신경 회로망을 이용한 얼굴 검출 방법 및 그 장치
CN116416565A (zh) 一种特定区域行人尾随及翻越检测方法和***
CN113762096A (zh) 健康码识别方法、装置、存储介质及电子设备
CN113247720A (zh) 基于视频的智能梯控方法及***
CN106250859B (zh) 基于特征矢量运动杂乱度的视频火焰检测方法

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
GR01 Patent grant
GR01 Patent grant