CN109635720A - 基于视频主动监控的非法占道实时检测方法 - Google Patents
基于视频主动监控的非法占道实时检测方法 Download PDFInfo
- Publication number
- CN109635720A CN109635720A CN201811504517.9A CN201811504517A CN109635720A CN 109635720 A CN109635720 A CN 109635720A CN 201811504517 A CN201811504517 A CN 201811504517A CN 109635720 A CN109635720 A CN 109635720A
- Authority
- CN
- China
- Prior art keywords
- image
- video
- road occupying
- target
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011897 real-time detection Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 18
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30232—Surveillance
-
- 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)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频主动监控的非法占道实时检测方法。本发明基于视频主动监控的非法占道实时检测方法,包括:制作掩膜图像;获取目标区域视频灰度图像;使用混合高斯背景建模提取目标前景二值图像;滑动窗口检测;噪声去除;占道检测报警。有益效果:受环境扰动的影响较小,可以在一些环境比较复杂的监控场景中稳定运行,利用计算机视觉自动检测并识别出室内的占道现象,与现有的依靠人力去检测的手段相比,极大的节省了人力资源,减轻人员的工作负担。同时所提出的方法也带有存储包含占道现象的图片的功能,可以供人员作为证据使用。
Description
技术领域
本发明涉及菜市场占道领域,具体涉及一种基于视频主动监控的非法占道实时检测方法。
背景技术
目前,在超市、农贸市场或菜市场等场景中,存在摆摊或者是占道物品对人行道和过道堵塞,或者是小摊贩在人行道进行摆摊经营等不合法经营的问题。实际生活中,一般超市管理人员、市场保安或城市管理委员会对这些现象进行视频监控,或者现场巡逻进行处理,但一方面传统方法处理需要投入大量人力进行巡查和在监控室监察,另一方面在人流量较大的场景一旦存在占道经营,人工不能在第一时间发现并且及时处理。
传统技术存在以下技术问题:
现有的技术手段基本都是人工去排查,这样不仅需要大量人力物力,也有可能存在漏查的现象,毕竟人工的效率低,再加上人工精力有限不能及时对多起事件做出处理。
发明内容
本发明要解决的技术问题是提供一种基于视频主动监控的非法占道实时检测方法,利用计算机视觉自动识别出室内的占道现象,减少人力资源消耗,减轻人员工作的负担。
为了解决上述技术问题,本发明提供了一种基于视频主动监控的非法占道实时检测方法,包括:
制作掩膜图像;
获取目标区域视频灰度图像;
使用混合高斯背景建模提取目标前景二值图像;
滑动窗口检测;
噪声去除;
占道检测报警。
在其中一个实施例中,“制作掩膜图像;”具体包括:选取过道干净无杂物的图像作为背景图,用鼠标在视频中选取所感兴趣区域的四个角点,四个角点所围成的矩形区域便是过道区域;选取后将过道内像素设置为255,其他区域像素设置为0,便可得到所需掩膜图像M(x,y),并将掩膜图像保存。
在其中一个实施例中,“获取目标区域视频灰度图像;”具体包括:读入全景视频图像,将全景视频图像进行灰度化处理后得到图像I(x,y);图像I(x,y)加载掩膜图像M(x,y),得到目标区域视频灰度图像F(x,y);
F(x,y)=I(x,y)&M(x,y) (1)
其中,&是图像对应的像素点位置的像素值进行“与”操作。
在其中一个实施例中,“使用混合高斯背景建模提取目标前景二值图像;”具体包括:高斯分布,即正态分布;对于随机变量x,其概率密度函数为:
在式(2)中,μ表示高斯分布的期望,σ表示高斯分布的分差;假设一个模型服从于高斯分布,则可以得到这个模型的绝大部分数据都分布在[x-μ,x+μ]区间内;该算法的基本原理是:假设R1,R2…Rn为场景中同一像素点在不同时刻的像素值,可以将其视为相互独立的一组随机过程;用3—5个单高斯分布来共同描述像素值,其中大部分是背景模型,还有一些高斯模型用来表示运动目标;令平面坐标点(x,y)在t时刻的像素值为Rt,xy,为了降低计算量,此时,Rt,xy是标量;Rt,xy所对应的高斯分布的概率密度函数为:
在上式中,μk,t,xy为第k个高斯分布的均值矩阵,∑k,t,xy为协方差矩阵,n是Rt,xy的维数,像素值Rt,xy的概率密度函数为:
其中,wk,t,xy为第k个高斯分布的权重系数,且有:
据此,通过获取第1帧目标区域视频灰度图像F(x,y),将目标区域视频灰度图像F(x,y)采用混合高斯建立背景模型,得到背景图像B(x,y),将目标区域视频灰度图像F(x,y)与背景图像B(x,y)进行背景差分,由设定的阈值Tsu进行二值化处理,提取目标前景二值图像R(x,y);
在其中一个实施例中,“滑动窗口检测;”具体包括:连续选取K帧目标前景二值图像R(x,y)序列,建立一个时间大小为T的滑动窗口,
K=T*fps (8)
其中,fps为视频帧率;
当滑动窗口进行滑动检测时,相邻滑动窗口重叠时间的大小toverlap(toverlap<T),滑动窗口前端丢弃(T-toverlap)*fps帧的目标前景二值图像,滑动窗口末端接收新的(T-toverlap)*fps帧的目标前景二值图像;
对于滑动窗口内的目标前景二值图像序列,只要目标前景二值图像序列相同位置的所有像素值都相等,即不发生改变,此位置即为占用停留区域;
为了检测物体占用停留区域,对所有的滑动窗口内的目标前景二值图像序列均匀采样N帧,将窗口内采样的N帧图像进行与操作,得到新的二值图像。
在其中一个实施例中,“噪声去除;”具体包括:采用开运算对二值前景图进行去噪处理,使得可能的占道物体的轮廓更加完善,图像更加饱满方便后面连通区域的搜索;目标前景二值图像采用开运算进行滤波后得到目标前景二值图像D(x,y)。
在其中一个实施例中,“占道检测报警。”中,引入约束条件,设定一个面积阈值,排除面积较小的连通区域;当检测到的占道物体面积大于设定的面积阈值时,将其判断为占用区域。
一种计算机设备,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计算机程序,所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
本发明的有益效果:
受环境扰动的影响较小,可以在一些环境比较复杂的监控场景中稳定运行,利用计算机视觉自动检测并识别出室内的占道现象,与现有的依靠人力去检测的手段相比,极大的节省了人力资源,减轻人员的工作负担。同时所提出的方法也带有存储包含占道现象的图片的功能,可以供人员作为证据使用。
附图说明
图1是本发明基于视频主动监控的非法占道实时检测方法的流程图。
图2是本发明基于视频主动监控的非法占道实时检测方法中监控摄像头拍下的图像的示意图。
图3是本发明基于视频主动监控的非法占道实时检测方法中roi掩膜的示意图。
图4是本发明基于视频主动监控的非法占道实时检测方法中得到的灰度图像的示意图。
图5是本发明基于视频主动监控的非法占道实时检测方法中得到的背景图像的示意图。
图6是本发明基于视频主动监控的非法占道实时检测方法中提取目标前景二值图像的示意图。
图7是本发明基于视频主动监控的非法占道实时检测方法中占用停留区域的示意图。
图8是本发明基于视频主动监控的非法占道实时检测方法中得到目标前景二值图像的示意图。
图9是本发明基于视频主动监控的非法占道实时检测方法中监控摄像头拍下最后的检测结果的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
第一步,制作掩膜图像。
选取过道干净无杂物的图像作为背景图,用鼠标在视频中选取所感兴趣区域的四个角点,四个角点所围成的矩形区域便是过道区域。选取后将过道内像素设置为255,其他区域像素设置为0,便可得到所需掩膜图像M(x,y),并将掩膜图像保存。背景图选取的目的是为了之后和后续视频帧进行差分,因此要求背景图片干净无杂物,不存在任何非场景固有物品,方便后续方法使用。
第二步,获取目标区域视频灰度图像。
读入全景视频图像,将全景视频图像进行灰度化处理后得到图像I(x,y)。图像I(x,y)加载掩膜图像M(x,y),得到目标区域视频灰度图像F(x,y)。
F(x,y)=I(x,y)&M(x,y) (1)
其中,&是图像对应的像素点位置的像素值进行“与”操作。
第三步,使用混合高斯背景建模提取目标前景二值图像。
高斯分布,即正态分布。对于随机变量x,其概率密度函数为:
在式(2)中,μ表示高斯分布的期望,σ表示高斯分布的分差。假设一个模型服从于高斯分布,则可以得到这个模型的绝大部分数据都分布在[x-μ,x+μ]区间内。
在简单环境下,背景相对静止,没有扰动因素时,此时视频图像序列中的背景像素点都可以用一个单高斯分布来描述。但在实际的应用场景当中,背景是时刻变化的,且呈现多峰分布。例如光线的变化、水波的拖曳等情况发生,会影响背景模型的建立,这将导致像素点的值会发生预想不到的变化,此时,对应的像素点不在服从单高斯分布。在这种情况下,混合高斯模型提出来了,视频图像序列的像素点在不同的时刻采用不同的高斯分布来描述,这样提高了对场景变化的适应能力。
该算法的基本原理是:假设R1,R2…Rn为场景中同一像素点在不同时刻的像素值,可以将其视为相互独立的一组随机过程。一般用3—5个单高斯分布来共同描述像素值,其中大部分是背景模型,由于某种特定的情况,还有一些高斯模型用来表示运动目标。令平面坐标点(x,y)在t时刻的像素值为Rt,xy,为了降低计算量,此时,Rt,xy是标量。Rt,xy所对应的高斯分布的概率密度函数为:
在上式中,μk,t,xy为第k个高斯分布的均值矩阵,∑k,t,xy为协方差矩阵,n是Rt,xy的维数,像素值Rt,xy的概率密度函数为:
其中,wk,t,xy为第k个高斯分布的权重系数,且有:
据此,通过获取第1帧目标区域视频灰度图像F(x,y),将目标区域视频灰度图像F(x,y)采用混合高斯建立背景模型,得到背景图像B(x,y),将目标区域视频灰度图像F(x,y)与背景图像B(x,y)进行背景差分,由设定的阈值Tsu进行二值化处理,提取目标前景二值图像R(x,y)。
第四步,滑动窗口检测。
在视频监控中,若有目标物体出现并在一段时间内保持静止,我们则判断其为占用,否则不视为占用。在进行占用检测时,我们需要对目标前景二值图像R(x,y)序列进行采样并处理。为了便于占用检测我们采用了滑动窗口检测算法。
连续选取K帧目标前景二值图像R(x,y)序列,建立一个时间大小为T的滑动窗口,
K=T*fps (8)
其中,fps为视频帧率。
当滑动窗口进行滑动检测时,相邻滑动窗口重叠时间的大小toverlap(toverlap<T),滑动窗口前端丢弃(T-toverlap)*fps帧的目标前景二值图像,滑动窗口末端接收新的(T-toverlap)*fps帧的目标前景二值图像。
对于滑动窗口内的目标前景二值图像序列,只要目标前景二值图像序列相同位置的所有像素值都相等,即不发生改变,此位置即为占用停留区域。
为了检测物体占用停留区域,对所有的滑动窗口内的目标前景二值图像序列均匀采样N帧,将窗口内采样的N帧图像进行与操作,得到新的二值图像。
第五步,噪声去除。
由于环境噪声等干扰因素的影响,会导致停留图像受到影响,采用开运算对二值前景图进行去噪处理,使得可能的占道物体的轮廓更加完善,图像更加饱满方便后面连通区域的搜索。目标前景二值图像采用开运算进行滤波后得到目标前景二值图像D(x,y)。
第六步,占道检测报警。
由于背景中的小阴影、占道物品的小阴影以及人移动产生的小阴影,有可能出现面积较小的连通区域。为了解决这个问题可以引入约束条件,设定一个面积阈值,排除面积较小的连通区域。当检测到的占道物体面积大于设定的面积阈值时,我们将其判断为占用区域。
下面介绍一个本发明的具体应用场景:
本发明在提供了一种自动运行检测是否存在占道经营或者存在物品占道的方法,一方面可以准确的对存在占道信息的区域做出定位,另一方面可以在一定程度上减少人员的投入,增加工作效率;本发明方法简单,运算量小,检测灵敏精度高。
具体实施方式如下所述:
第一步,制作掩膜图像。
选取过道干净无杂物的图像作为背景图,用鼠标在视频中选取所感兴趣区域的四个角点,四个角点所围成的矩形区域便是过道区域。选取后将过道内像素设置为255,其他区域像素设置为0,便可得到所需掩膜图像,并将掩膜图像保存。背景图选取的目的是为了之后和后续视频帧进行差分,因此要求背景图片干净无杂物,不存在任何非场景固有物品,方便后续方法使用。
图2是监控摄像头拍下的图像,图3是得到的ROI掩模。
第二步,获取目标区域视频灰度图像。
读入全景视频图像,将全景视频图像进行灰度化处理后得到图像。图像加载掩膜图像,得到目标区域视频灰度图像。图4即为得到的灰度图像。
第三步,使用混合高斯背景建模提取目标前景二值图像。
通过获取第1帧目标区域视频灰度图像,将目标区域视频灰度图像采用混合高斯建立背景模型,得到背景图像如图5,将目标区域视频灰度图像与背景图像进行背景差分,由设定的阈值进行二值化处理,提取目标前景二值图像如图6。
第四步,滑动窗口检测。
在视频监控中,若有目标物体出现并在一段时间内保持静止,我们则判断其为占用,否则不视为占用。对于滑动窗口内的目标前景二值图像序列,只要目标前景二值图像序列相同位置的所有像素值都相等,即不发生改变,此位置即为占用停留区域。如图7所示。
第五步,噪声去除。
采用开运算对二值前景图进行去噪处理,使得可能的占道物体的轮廓更加完善,图像更加饱满方便后面连通区域的搜索。目标前景二值图像采用开运算进行滤波后得到目标前景二值图像。如图8所示。
第六步、室内占道检测
图9即为最后的检测结果。可以看出该算法准确的检测出了室内通道的占道物体。
一种计算机设备,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计算机程序,所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于视频主动监控的非法占道实时检测方法,其特征在于,包括:
制作掩膜图像;
获取目标区域视频灰度图像;
使用混合高斯背景建模提取目标前景二值图像;
滑动窗口检测;
噪声去除;
占道检测报警。
2.如权利要求1所述的基于视频主动监控的非法占道实时检测方法,其特征在于,“制作掩膜图像;”具体包括:选取过道干净无杂物的图像作为背景图,用鼠标在视频中选取所感兴趣区域的四个角点,四个角点所围成的矩形区域便是过道区域;选取后将过道内像素设置为255,其他区域像素设置为0,便可得到所需掩膜图像M(x,y),并将掩膜图像保存。
3.如权利要求1所述的基于视频主动监控的非法占道实时检测方法,其特征在于,“获取目标区域视频灰度图像;”具体包括:读入全景视频图像,将全景视频图像进行灰度化处理后得到图像I(x,y);图像I(x,y)加载掩膜图像M(x,y),得到目标区域视频灰度图像F(x,y);
F(x,y)=I(x,y)&M(x,y)(1)
其中,&是图像对应的像素点位置的像素值进行“与”操作。
4.如权利要求1所述的基于视频主动监控的非法占道实时检测方法,其特征在于,“使用混合高斯背景建模提取目标前景二值图像;”具体包括:高斯分布,即正态分布;对于随机变量x,其概率密度函数为:
在式(2)中,μ表示高斯分布的期望,σ表示高斯分布的分差;假设一个模型服从于高斯分布,则可以得到这个模型的绝大部分数据都分布在[x-μ,x+μ]区间内;该算法的基本原理是:假设R1,R2…Rn为场景中同一像素点在不同时刻的像素值,可以将其视为相互独立的一组随机过程;用3—5个单高斯分布来共同描述像素值,其中大部分是背景模型,还有一些高斯模型用来表示运动目标;令平面坐标点(x,y)在t时刻的像素值为Rt,xy,为了降低计算量,此时,Rt,xy是标量;Rt,xy所对应的高斯分布的概率密度函数为:
在上式中,μk,t,xy为第k个高斯分布的均值矩阵,∑k,t,xy为协方差矩阵,n是Rt,xy的维数,像素值Rt,xy的概率密度函数为:
其中,ωx,t,xy为第k个高斯分布的权重系数,且有:
据此,通过获取第1帧目标区域视频灰度图像F(x,y),将目标区域视频灰度图像F(x,y)采用混合高斯建立背景模型,得到背景图像B(x,y),将目标区域视频灰度图像F(x,y)与背景图像B(x,y)进行背景差分,由设定的阈值Tsu进行二值化处理,提取目标前景二值图像R(x,y);
5.如权利要求1所述的基于视频主动监控的非法占道实时检测方法,其特征在于,“滑动窗口检测;”具体包括:连续选取K帧目标前景二值图像R(x,y)序列,建立一个时间大小为T的滑动窗口,
K=T*fps(8)
其中,fps为视频帧率;
当滑动窗口进行滑动检测时,相邻滑动窗口重叠时间的大小toverlap(toverlap<T),滑动窗口前端丢弃(T-toverlap)*fps帧的目标前景二值图像,滑动窗口末端接收新的(T-toverlap)*fps帧的目标前景二值图像;
对于滑动窗口内的目标前景二值图像序列,只要目标前景二值图像序列相同位置的所有像素值都相等,即不发生改变,此位置即为占用停留区域;
为了检测物体占用停留区域,对所有的滑动窗口内的目标前景二值图像序列均匀采样N帧,将窗口内采样的N帧图像进行与操作,得到新的二值图像。
6.如权利要求1所述的基于视频主动监控的非法占道实时检测方法,其特征在于,“噪声去除;”具体包括:采用开运算对二值前景图进行去噪处理,使得可能的占道物体的轮廓更加完善,图像更加饱满方便后面连通区域的搜索;目标前景二值图像采用开运算进行滤波后得到目标前景二值图像D(x,y)。
7.如权利要求1所述的基于视频主动监控的非法占道实时检测方法,其特征在于,“占道检测报警。”中,引入约束条件,设定一个面积阈值,排除面积较小的连通区域;当检测到的占道物体面积大于设定的面积阈值时,将其判断为占用区域。
8.一种计算机设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811504517.9A CN109635720A (zh) | 2018-12-10 | 2018-12-10 | 基于视频主动监控的非法占道实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811504517.9A CN109635720A (zh) | 2018-12-10 | 2018-12-10 | 基于视频主动监控的非法占道实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635720A true CN109635720A (zh) | 2019-04-16 |
Family
ID=66072537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811504517.9A Pending CN109635720A (zh) | 2018-12-10 | 2018-12-10 | 基于视频主动监控的非法占道实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635720A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287993A (zh) * | 2019-05-22 | 2019-09-27 | 广东精点数据科技股份有限公司 | 一种基于图像特征细化的数据预处理方法及*** |
CN110751034A (zh) * | 2019-09-16 | 2020-02-04 | 平安科技(深圳)有限公司 | 行人行为识别方法及终端设备 |
CN111524158A (zh) * | 2020-05-09 | 2020-08-11 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂场景下的前景目标检测方法 |
CN112084957A (zh) * | 2020-09-11 | 2020-12-15 | 广东联通通信建设有限公司 | 一种移动目标滞留检测方法及*** |
CN113450003A (zh) * | 2021-07-02 | 2021-09-28 | 中标慧安信息技术股份有限公司 | 用于监测市场内部商户经营占道的方法与*** |
CN114792319A (zh) * | 2022-06-23 | 2022-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于变电图像的变电站巡检方法及*** |
CN116563774A (zh) * | 2023-02-23 | 2023-08-08 | 中国铁塔股份有限公司重庆市分公司 | 国土耕地非法开采自动识别方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103338336A (zh) * | 2013-07-03 | 2013-10-02 | 国家电网公司 | 一种架空输电线路通道烟火预警的视频检测方法 |
US20140098999A1 (en) * | 2012-10-04 | 2014-04-10 | Honeywell International Inc. | Detecting motion in a high resolution video |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
CN105373620A (zh) * | 2015-12-04 | 2016-03-02 | 中国电力科学研究院 | 大规模电池储能电站海量电池数据异常检测方法及*** |
CN106845890A (zh) * | 2016-12-23 | 2017-06-13 | 济南博图信息技术有限公司 | 一种基于视频监控的仓储监控方法及装置 |
CN108073930A (zh) * | 2017-11-17 | 2018-05-25 | 维库(厦门)信息技术有限公司 | 一种基于多个不规则roi的目标检测和跟踪方法 |
-
2018
- 2018-12-10 CN CN201811504517.9A patent/CN109635720A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140098999A1 (en) * | 2012-10-04 | 2014-04-10 | Honeywell International Inc. | Detecting motion in a high resolution video |
CN103338336A (zh) * | 2013-07-03 | 2013-10-02 | 国家电网公司 | 一种架空输电线路通道烟火预警的视频检测方法 |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
CN105373620A (zh) * | 2015-12-04 | 2016-03-02 | 中国电力科学研究院 | 大规模电池储能电站海量电池数据异常检测方法及*** |
CN106845890A (zh) * | 2016-12-23 | 2017-06-13 | 济南博图信息技术有限公司 | 一种基于视频监控的仓储监控方法及装置 |
CN108073930A (zh) * | 2017-11-17 | 2018-05-25 | 维库(厦门)信息技术有限公司 | 一种基于多个不规则roi的目标检测和跟踪方法 |
Non-Patent Citations (2)
Title |
---|
李博: "滑动窗口", 《阿里云》 * |
许成闯: "基于视频的车流量检测技术研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287993A (zh) * | 2019-05-22 | 2019-09-27 | 广东精点数据科技股份有限公司 | 一种基于图像特征细化的数据预处理方法及*** |
CN110751034A (zh) * | 2019-09-16 | 2020-02-04 | 平安科技(深圳)有限公司 | 行人行为识别方法及终端设备 |
CN110751034B (zh) * | 2019-09-16 | 2023-09-01 | 平安科技(深圳)有限公司 | 行人行为识别方法及终端设备 |
CN111524158A (zh) * | 2020-05-09 | 2020-08-11 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂场景下的前景目标检测方法 |
CN111524158B (zh) * | 2020-05-09 | 2023-03-24 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂场景下的前景目标检测方法 |
CN112084957A (zh) * | 2020-09-11 | 2020-12-15 | 广东联通通信建设有限公司 | 一种移动目标滞留检测方法及*** |
CN113450003A (zh) * | 2021-07-02 | 2021-09-28 | 中标慧安信息技术股份有限公司 | 用于监测市场内部商户经营占道的方法与*** |
CN113450003B (zh) * | 2021-07-02 | 2022-10-21 | 中标慧安信息技术股份有限公司 | 用于监测市场内部商户经营占道的方法与*** |
CN114792319A (zh) * | 2022-06-23 | 2022-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于变电图像的变电站巡检方法及*** |
CN114792319B (zh) * | 2022-06-23 | 2022-09-20 | 国网浙江省电力有限公司电力科学研究院 | 一种基于变电图像的变电站巡检方法及*** |
CN116563774A (zh) * | 2023-02-23 | 2023-08-08 | 中国铁塔股份有限公司重庆市分公司 | 国土耕地非法开采自动识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635720A (zh) | 基于视频主动监控的非法占道实时检测方法 | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN104112370B (zh) | 基于监控图像的停车场智能车位识别方法及*** | |
CN101827204B (zh) | 一种运动目标侦测方法及*** | |
CN111860160B (zh) | 一种室内检测口罩佩戴的方法 | |
CN111260693B (zh) | 一种高空抛物的检测方法 | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN102158653A (zh) | 一种实时高动态范围数字图像获取装置及方法 | |
CN109558815A (zh) | 一种实时多人脸的检测及跟踪方法 | |
CN106709903B (zh) | 基于图像质量的pm2.5浓度预测方法 | |
CN110533955A (zh) | 一种确定停车位的方法、终端设备及计算机可读存储介质 | |
CN111310592B (zh) | 一种基于场景分析和深度学习的检测方法 | |
Naufal et al. | Preprocessed mask RCNN for parking space detection in smart parking systems | |
Patil et al. | Motion saliency based generative adversarial network for underwater moving object segmentation | |
CN103049788B (zh) | 基于计算机视觉的待过行人数目的检测***及方法 | |
CN104700405A (zh) | 一种前景检测方法和*** | |
CN103489012A (zh) | 一种基于支持向量机的人群密集度检测方法及*** | |
CN109359593A (zh) | 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法 | |
CN106570440A (zh) | 基于图像分析的人数统计方法和人数统计装置 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN115546671A (zh) | 一种基于多任务学习的无人机变化检测方法及其*** | |
CN110503092B (zh) | 基于领域适应的改进ssd监控视频目标检测方法 | |
CN110866453B (zh) | 基于卷积神经网络的实时人群稳定状态识别方法及装置 | |
Lin et al. | Real-time active tampering detection of surveillance camera and implementation on digital signal processor |
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: 20190416 |