CN113628251A - 一种智慧酒店终端监测方法 - Google Patents
一种智慧酒店终端监测方法 Download PDFInfo
- Publication number
- CN113628251A CN113628251A CN202111180117.9A CN202111180117A CN113628251A CN 113628251 A CN113628251 A CN 113628251A CN 202111180117 A CN202111180117 A CN 202111180117A CN 113628251 A CN113628251 A CN 113628251A
- Authority
- CN
- China
- Prior art keywords
- target object
- moving target
- moving
- pixel point
- behaviors
- 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
Links
Images
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
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种智慧酒店终端监测方法,通过同一监测区间内的不同终端位置设置的多个摄像头对该监测区域进行不同角度的视频采集,对采集到的视频图像进行运动目标物体检测,提取运动目标物体前景像素点;获得运动目标物体的边界曲线;利用所述边界曲线建立运动目标物体模板,根据不同视角不同终端位置的摄像头进行运动目标物体模板的更新,匹配跟踪运动目标物体,生成运动目标物体的融合轨迹MI,预测移动方向,并调配移动方向的相邻区域的多个摄像头做跟踪准备;根据运动目标物体在各个监测区域的移动路线最终对运动目标物体的行为进行判定,若为异常行为,则保存运动目标物体异常行为的视频画面作为证据,同时在后台中向管理员发出警报。
Description
技术领域
本发明涉及商业管理领域,具体涉及一种智慧酒店终端监测方法。
背景技术
智慧酒店终端监测***作为一种防范能力很强的综合性***,一直在智慧酒店监测领域占据着重要地位。社会的发展,时代的进步,为利用终端监测视频进行监控提供了越来越广阔的应用天地。终端视频监控网络与其它学科的不断交叉衍生,赋予了视频监控新的定义。
视频监控***的功能很大程度上依赖于通信、嵌入式以及图像处理三大技术,近年来,随着三大技术的不断发展,视频监控***的功能己呈现多元化趋势。由于越来越多的行业追求成本化和精细化的管理模式,对于视频监控***,在满足功能和提升技术的同时,也将经济性、实用性、稳定性作为衡量其优劣的重要标准。现有技术中,智慧酒店的终端监测***还存在以下的问题:视频监控***的前端处理器实时性不高,功耗过大;视频信息处理中,对运动目标的提取与分割中,背景会因光照的变化,导致将扰动背景归为运动目标;运动目标的跟踪过程中,若运动目标移动细微距离时,传统的方法易出现目标跟丢情况;对运动目标的行为分析上,特征提取不显著,是行为识别的一个瓶颈。
例如专利文献CN101179707A,提出了一种无线网络视频图像多视角协作目标跟踪测量方法,通过动态背景构建方法在单个无线视频图像监测节点中实现目标测量,得到仅含有目标的最小矩形边界;通过节点间的协作,采用渐进分布式数据融合方法,融合各无线视频图像监测节点的测量结果,实现对移动目标的协作式定位测量。但该技术方案在协作过程中采用了基于能量熵和马氏距离的能耗、剩余能量、信息有效性、节点特性、信息反馈等多参数评价方法,在满足功能和提升技术的同时,忽略了应用上的经济性、实用性和稳定性。
再例如专利文献US2009324010A1,提出了一种神经网络控制的自动跟踪识别***及方法,包括固定视场采集模块、全功能可变视场采集模块、视频图像识别算法模块、神经网络控制模块、可疑目标跟踪模块、数据库比较和报警判断模块、监控特征记录和规则设置模块、灯光监控模块、背光模块、报警输出/显示/存储模块、安全监控传感器。但该技术方案需要基于神经网络控制,适用于人流量、车流量大的范围内进行粗略的跟踪识别,对运动目标的行为分析上,特征提取不显著。
发明内容
为了解决上述技术问题,本发明提出了一种智慧酒店终端监测方法,包括如下步骤:
步骤一,通过同一监测区域内的不同终端位置设置的多个不同视角的摄像头对该监测区域进行视频采集,对采集到的视频图像进行运动目标物体检测,提取运动目标物体前景像素点;
步骤二,将所有运动目标物体前景像素点结合获得运动目标物体的边界曲线;
步骤三,利用所述边界曲线建立运动目标物体模板,根据不同视角不同终端位置的摄像头进行运动目标物体模板的更新,匹配跟踪运动目标物体,利用多个摄像头获取的视频图像信息进行信息融合,生成运动目标物体的融合轨迹MI;
步骤四,根据运动目标物体的融合轨迹MI,预测移动方向,并调配移动方向的相邻区域的多个摄像头做跟踪准备;
步骤五,根据运动目标物体在各个监测区域的移动路线最终对运动目标物体的行为进行判定,跟行为定义库的已定义的行为模式进行比对,确认该行为是否为正常行为,若为异常行为,则保存运动目标物体异常行为的视频画面作为证据,同时在后台中向管理员发出警报。
其中,t表示当前帧,t-1表示上一帧,i表示当前像素点;
若绝对值大于分布标准差的D倍,则该像素点是运动目标物体的前景像素点,反之则是背景像素点。
进一步地,对于存在颜色的高斯分布,前景像素点根据下式来判断:
进一步地,步骤二中,将步骤一中提取的运动目标物体前景像素点结合起来,获得运动目标物体的轮廓,对轮廓进行多边形拟合,获得边界曲线。
进一步地,所述多边形拟合具体为:
为轮廓上的每一个像素点P(i)指定一个权值,所述权值为像素点P(i)的弦高度 C(P(i)),将弦高度大于阈值门限TC的像素点P(i)保留,形成点集为P = { P1,P2,…,Pm},其中m为进行多边形拟合后的像素点数目。
进一步地,步骤三中,所述运动目标物体模板的更新的过程为:
在同一监测区域内,在k-1时刻,建立当前摄像头的运动目标物体模板,设运动目标物体的状态向量为Xk-1,k时刻,运动目标物体移动到下一个摄像头中,运动目标物体的状态向量为Xk,则运动目标物体的运动状态根据下式计算:
Xk=AXk-1+BUk−1+Wk-1 (4);
其中,A是状态转移矩阵;B为控制矩阵,Uk−1和Wk-1为下一个摄像头与当前摄像头之间的距离的变化量和角度的变化量,根据式(4),更新运动目标物体模板。
进一步地,步骤三中,当运动目标物体离开所述监测区域后,在运动目标物体刚刚离开的监测区域内,将多位置的摄像头捕捉到的监测画面内的图像坐标转换为世界坐标系下的三维坐标,得到所述监测区域的运动目标物体的融合轨迹MI。
进一步地,步骤四中,将融合轨迹MI划分为多个短线段,分别计算每个短线段上的运动目标物体的移动方向,设Dx和Dy分别为每个短线段两个端点的x坐标和y坐标的差值,运动目标物体的移动方向orientation(x,y)的计算公式为:
orientation(x,y)=arctan(Dy(x,y)/Dx(x,y)) (5);
其中,orientation(x,y)为运动目标物体在短线段上的移动方向,通过orientation(x,y)预测每个短线段上运动目标物体的移动方向,将所有短线段上的运动目标物体的移动方向组合起来,形成融合轨迹MI的整体的运动目标物体移动路线,据此联动移动方向上的相邻监测区域的多个摄像头继续多维度监控运动目标物体移动路线。
进一步地,计算监测区域图像的边界处的边界梯度,通过限制梯度幅度,过滤异常值,精确预测运动目标物体的移动方向;
进一步地,步骤五中,若该行为被人为判定为异常行为且未被定义,则将异常行为作为样本保存到行为定义库中。
有益效果:
本发明的智慧酒店终端监测方法通过监测区域内的不同终端位置设置的多个不同视角的摄像头对该监测区域进行视频采集,对采集到的视频图像进行运动目标物体检测,根据运动目标物体在各个监测区域的运动目标物体移动路线最终对运动目标物体的行为进行判定,使得智慧酒店终端***能够及时、准确、快速的识别终端位置处的异常情况,提高了酒店管理的安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所 需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的智慧酒店终端监测方法的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参考图1所示,为本发明智慧酒店终端监测方法的流程示意图,在酒店的不同监测区间内的不同终端位置设置多个不同视角的摄像头,通过终端设置的多个摄像头对监测区域进行视频采集,处理器对采集到的视频文件进行实施的检测,发现视频每一帧画面的变化特征。具体监测方法包括如下步骤:
首先,步骤一,通过同一监测区域内的不同视角的终端位置设置的多个摄像头对该监测区域进行不同角度的视频采集,后台服务器对采集到的视频文件进行实时的检测,发现视频每一帧画面的变化特征。
具体的,获取首先采集到运动目标物体的终端位置的摄像头采集到的视频文件,提取视频文件中的静止背景画面进行建模,使得该背景模型可以作为理论标准用以跟实时的视频图像进行比对,通过检测算法在比对过程中对前后两帧图像画面(即捕捉到运动目标物体的帧画面和上一时刻运动目标物体未进入采集区域时的帧画面)进行差分计算,并加以阈值处理,快速捕捉图像变化区域(即运动目标物体轮廓及轮廓内部区域)的像素点,将描述变化区域边缘及内部的离散的像素点组合起来并标记。
在优选实施例中,本发明采用基于混合高斯前景建模的运动目标物体检测算法,利用混合高斯的参数学习机制,用权重较大的高斯函数描述频率高的背景像素值,用权重较小的高斯函数描述前景像素值。一般地,对一幅图像用混合高斯前景建模,最少要用三个高斯函数。在背景与前景的高斯分配上,像素点的背景要用至少两个高斯函数来描述,前景至少用一个高斯函数描述。在优选实施例中,选择用6个高斯函数混合进行前景建模,则更能精确地区分运动目标物体。
其中,t表示当前帧,t-1表示上一帧,i表示当前像素点。
若绝对值大于分布标准差的D倍,则该像素点是运动目标物体的前景像素点,反之则是背景像素点。只要像素值It匹配任一个背景高斯分布,则It是背景像素点对应的像素值。对于参数D的选取,本实施例取值为3。
对式(2)或(3)进行相或运算,即若像素值It满足(2)或(3)式之一,则判定像素值It对应的像素点为运动前景像素点。
其次,步骤二,在上一步骤中被标记的所有运动前景像素点结合起来,获得运动目标物体的大概轮廓,通过对轮廓曲线进行多边形拟合得到运动目标物体的精确外轮廓曲线,即边界曲线。
具体地,设运动目标物体的大概轮廓C经数字化处理后,被表示为一个平面上的点的序列:C={P(i) =(xi,yi)| i=1,2,...,n},其中n为图像边界曲线上像素点的个数。假设P(i),P(i-1),P(i+1)为相邻的三个像素点,定义某一像素点P(i)的弦高度是指以像素点P(i-1),P(i+1)的连线为底,像素点P(i)到线段P(i-1),P(i+1)的垂直距离C(P(i)),设定弦高度的初始阈值为TC。
为大概轮廓上的每一个像素点P(i)指定一个权值,这个权值就是上面所定义的弦高度C(P(i)),根据弦高度来分析此像素点对边界曲线形状的贡献。如果贡献值很小,那么把该像素点删除,保留那些边界曲线形状影响较大的像素点,最终达到阈值门限TC的拟合要求。如果权值大于此阈值,则算法结束,否则删除这个权值最小的像素点,重复上述步骤。最后剩下的边界曲线上的像素点集为P ={P1,P2,…,Pm},其中m为进行多边形拟合后的像素点数目。
再次,步骤三,将步骤二中拟合后的边界曲线作为运动目标物体模板,建立运动目标物体模板后,再通过根据多个摄像头的不同视角,不断进行运动目标物体模板的实时更新,实时匹配跟踪运动目标物体,并利用多个摄像头获取的图像帧信息进行信息融合,从而达到估计运动目标物体的运动轨迹的目的。
具体地,在同一监测区域内,在k-1时刻,建立当前摄像头的运动目标物体模板,设运动目标物体的状态向量为Xk-1,k时刻,运动目标物体移动到下一个摄像头中,运动目标物体的状态向量为Xk,则运动目标物体的运动状态根据下式计算:
Xk=AXk-1+BUk−1+Wk-1 (4);
其中,A是状态转移矩阵;B为控制矩阵,Uk−1和Wk-1为下一个摄像头与当前摄像头之间的距离的变化量和角度的变化量。根据式(4),更新运动目标物体模板。
以k-1时刻或k时刻获取到运动目标物体的摄像头的画面帧为二维平面,建立X-Y轴坐标系,取k-1时刻运动目标物体的状态向量Xk-1为一个4维向量Xk-1=(Sx,k-1、Sy,k-1、Vx,k-1、Vy,k-1)T、Sx,k-1、Sy,k-1为运动目标物体k-1时刻在上一个监测区域画面的 X 轴与 Y轴的位置;Vx,k-1、Vy,k-1为运动目标物体k时刻在X 轴与Y轴方向的分速度。
通过对运动目标物体模板进行更新,有助于针对不同角度和位置的摄像头的拍摄时,更好地匹配和追踪运动目标物体。
当运动目标物体离开当前的监测区域后,即在相邻监控区域捕捉到运动目标物体后,在运动目标物体刚刚离开的监测区域内,将多位置的摄像头捕捉到的图像信息进行信息融合,从而达到估计运动目标物体的运动轨迹的目的。
具体地,同一监测区域内的多个摄像头位置构成摄像机网络结构,每个摄像机可以将检测到的运动目标物体根据摄像机标定信息,将监测画面内的图像坐标转换为世界坐标系下的三维坐标。因此,可以将每个摄像头位置看作是一个三维位置传感器,并以此为基础进行多摄像头的目标的融合轨迹MI。
最后,步骤四,根据目标的融合轨迹MI预测行为的移动方向,调配移动方向的相邻区域的多个摄像头提前做好跟踪准备。
具体地,根据步骤三中,摄像机网络结构构成的监测区域中,形成融合的运动目标物体移动融合轨迹MI,就能得到整个监测区域的运动信息,其中由于监测区域的边界处容易产生极大的梯度异常值,为了精确预测行为的移动方向,我们计算监测区域图像的边界处的边界梯度,通过限制梯度幅度,过滤异常值,预测运动目标物体的移动方向。
在优选实施例中,边界梯度的计算方法如下所示:
这里,C(u)表示梯度相关性,和分别表示图像的边界处的相邻两个图
像块的灰度的梯度函数,u表示图像块的灰度,并且*表示复共轭。此外,梯度相关值越大,表
示边界处的两个图像块彼此相似,设定梯度阈值,过滤掉梯度相关值小于梯度阈值的图像
块。此处的图像块指代将图像的边缘处的图像窗口分成的若干个小区域,它们被称为“图像
块”。
基于过滤掉梯度异常的图像块后的融合轨迹MI,将融合轨迹MI划分为多个短线段,短线段划分的越多越好,短线段越短越好,划分的短线段越多则计算量越大,但是计算结果越精确。分别计算每个短线段上的运动目标物体的移动方向,设Dx和Dy分别为每个短线段两个端点的x坐标和y坐标的差值,运动目标物体的移动方向orientation(x,y)的计算公式为:
orientation(x,y)=arctan(Dy(x,y)/Dx(x,y)) (5);
其中,orientation(x,y)为运动目标物体在短线段上的移动方向,计算时要考虑Dx和Dy的符号,通过orientation(x,y)预测运动目标物体的每个短线段的移动方向,将所有短线段的移动方向组合起来,形成融合轨迹MI的整体的运动目标物体移动路线,联动移动方向的相邻监测区域的多个摄像头继续多维度监控运动目标物体的移动路线。
步骤五,根据运动目标物体在各个监测区域的轨迹最终对运动目标物体的行为进行判定,跟行为定义库的已定义的行为模式进行比对,确认该行为是否为正常行为,若该行为被人为判定为异常行为且未被定义,则将异常行为作为样本保存到行为定义库中,保存运动目标物体异常行为的视频画面作为证据,同时在后台中向管理员发出警报。
本发明的智慧酒店终端监测方法通过监测区域内的不同终端位置设置的多个不同视角的摄像头对该监测区域进行视频采集,对采集到的视频图像进行运动目标物体检测,根据运动目标物体在各个监测区域的运动目标物体移动路线最终对运动目标物体的行为进行判定,使得智慧酒店终端***能够及时、准确、快速的识别终端位置处的异常情况,提高了酒店管理的安全性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种智慧酒店终端监测方法,其特征在于,包括如下步骤:
步骤一,通过同一监测区域内的不同终端位置设置的多个不同视角的摄像头对该监测区域进行视频采集,对采集到的视频图像进行运动目标物体检测,提取运动目标物体前景像素点;
步骤二,将所有运动目标物体前景像素点结合获得运动目标物体的边界曲线;
步骤三,利用所述边界曲线建立运动目标物体模板,根据不同视角不同终端位置的摄像头进行运动目标物体模板的更新,匹配跟踪运动目标物体,利用多个摄像头获取的视频图像信息进行信息融合,生成运动目标物体的融合轨迹MI;
步骤四,根据运动目标物体的融合轨迹MI,预测移动方向,并调配移动方向的相邻区域的多个摄像头做跟踪准备;
步骤五,根据运动目标物体在各个监测区域的移动路线最终对运动目标物体的行为进行判定,跟行为定义库的已定义的行为模式进行比对,确认该行为是否为正常行为,若为异常行为,则保存运动目标物体异常行为的视频画面作为证据,同时在后台中向管理员发出警报。
4.根据权利要求1所述的智慧酒店终端监测方法,其特征在于,步骤二中,将步骤一中提取的运动目标物体前景像素点结合起来,获得运动目标物体的轮廓,对轮廓进行多边形拟合,获得边界曲线。
5.根据权利要求4所述的智慧酒店终端监测方法,其特征在于,所述多边形拟合具体为:
为轮廓上的每一个像素点P(i)指定一个权值,所述权值为像素点P(i)的弦高度 C(P(i)),将弦高度大于阈值门限TC的像素点P(i)保留,形成点集为P = { P1,P2,…,Pm},其中m为进行多边形拟合后的像素点数目。
6.根据权利要求1所述的智慧酒店终端监测方法,其特征在于,步骤三中,所述运动目标物体模板的更新的过程为:
在同一监测区域内,在k-1时刻,建立当前摄像头的运动目标物体模板,设运动目标物体的状态向量为Xk-1,k时刻,运动目标物体移动到下一个摄像头中,运动目标物体的状态向量为Xk,则运动目标物体的运动状态根据下式计算:
Xk=AXk-1+BUk−1+Wk-1 (4);
其中,A是状态转移矩阵;B为控制矩阵,Uk−1和Wk-1为下一个摄像头与当前摄像头之间的距离的变化量和角度的变化量,根据式(4),更新运动目标物体模板。
7.根据权利要求6所述的智慧酒店终端监测方法,其特征在于,步骤三中,当运动目标物体离开所述监测区域后,在运动目标物体刚刚离开的监测区域内,将多位置的摄像头捕捉到的监测画面内的图像坐标转换为世界坐标系下的三维坐标,得到所述监测区域的运动目标物体的融合轨迹MI。
8.根据权利要求5所述的智慧酒店终端监测方法,其特征在于,步骤四中,将融合轨迹MI划分为多个短线段,分别计算每个短线段上的运动目标物体的移动方向,设Dx和Dy分别为每个短线段两个端点的x坐标和y坐标的差值,运动目标物体的移动方向orientation(x,y)的计算公式为:
orientation(x,y)=arctan(Dy(x,y)/Dx(x,y)) (5);
其中,orientation(x,y)为运动目标物体在短线段上的移动方向,通过orientation(x,y)预测每个短线段上运动目标物体的移动方向,将所有短线段上的运动目标物体的移动方向组合起来,形成融合轨迹MI的整体的运动目标物体移动路线,据此联动移动方向上的相邻监测区域的多个摄像头继续多维度监控运动目标物体移动路线。
10.根据权利要求1所述的智慧酒店终端监测方法,其特征在于,步骤五中,若该行为被人为判定为异常行为且未被定义,则将异常行为作为样本保存到行为定义库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180117.9A CN113628251B (zh) | 2021-10-11 | 2021-10-11 | 一种智慧酒店终端监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180117.9A CN113628251B (zh) | 2021-10-11 | 2021-10-11 | 一种智慧酒店终端监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628251A true CN113628251A (zh) | 2021-11-09 |
CN113628251B CN113628251B (zh) | 2022-02-01 |
Family
ID=78390886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111180117.9A Active CN113628251B (zh) | 2021-10-11 | 2021-10-11 | 一种智慧酒店终端监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628251B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116887057A (zh) * | 2023-09-06 | 2023-10-13 | 北京立同新元科技有限公司 | 一种智能视频监控*** |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144716A (zh) * | 2007-10-15 | 2008-03-19 | 清华大学 | 一种多视角运动目标检测、定位与对应方法 |
CN101655357A (zh) * | 2009-09-11 | 2010-02-24 | 南京大学 | 一种用于二维相位展开的相位梯度相关质量图获取方法 |
CN102004922A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于骨架特征的高分辨率遥感影像飞机提取方法 |
CN202736000U (zh) * | 2012-03-01 | 2013-02-13 | 桂林电子科技大学 | 基于计算机视觉技术的多点触摸屏***装置 |
CN103116875A (zh) * | 2013-02-05 | 2013-05-22 | 浙江大学 | 自适应双边滤波图像去噪方法 |
CN103310427A (zh) * | 2013-06-24 | 2013-09-18 | 中国科学院长春光学精密机械与物理研究所 | 图像超分辨率与像质增强方法 |
CN104020751A (zh) * | 2014-06-23 | 2014-09-03 | 河海大学常州校区 | 基于物联网的校园安全监测***及方法 |
CN104125433A (zh) * | 2014-07-30 | 2014-10-29 | 西安冉科信息技术有限公司 | 基于多球机联动结构的视频运动目标监控方法 |
CN104244802A (zh) * | 2012-04-23 | 2014-12-24 | 奥林巴斯株式会社 | 图像处理装置、图像处理方法以及图像处理程序 |
CN104376564A (zh) * | 2014-11-24 | 2015-02-25 | 西安工程大学 | 基于各向异性高斯方向导数滤波器提取图像粗边缘的方法 |
CN105338248A (zh) * | 2015-11-20 | 2016-02-17 | 成都因纳伟盛科技股份有限公司 | 智能多目标主动跟踪监控方法及*** |
CN107273866A (zh) * | 2017-06-26 | 2017-10-20 | 国家电网公司 | 一种基于监控***的人体异常行为识别方法 |
CN108038833A (zh) * | 2017-12-28 | 2018-05-15 | 福州瑞芯微电子股份有限公司 | 一种梯度相关性检测的图像自适应锐化方法和存储介质 |
CN108280838A (zh) * | 2018-01-31 | 2018-07-13 | 桂林电子科技大学 | 一种基于边缘检测的夹片牙型缺陷检测方法 |
CN108846335A (zh) * | 2018-05-31 | 2018-11-20 | 武汉市蓝领英才科技有限公司 | 基于视频图像的智慧工地区域管理及入侵检测方法、*** |
CN110517293A (zh) * | 2019-08-29 | 2019-11-29 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、***和计算机可读存储介质 |
CN110797034A (zh) * | 2019-09-23 | 2020-02-14 | 重庆特斯联智慧科技股份有限公司 | 一种用于老人及病患照料的自动语音视频识别对讲*** |
US20200193662A1 (en) * | 2018-12-18 | 2020-06-18 | Genvis Pty Ltd | Video tracking system and data processing |
CN111640104A (zh) * | 2020-05-29 | 2020-09-08 | 研祥智慧物联科技有限公司 | 一种螺钉装配的视觉检测方法 |
CN111754540A (zh) * | 2020-06-29 | 2020-10-09 | 中国水利水电科学研究院 | 一种边坡质点位移轨迹监测实时跟踪方法及*** |
CN112001948A (zh) * | 2020-07-30 | 2020-11-27 | 浙江大华技术股份有限公司 | 一种目标跟踪处理方法及装置 |
CN112041890A (zh) * | 2018-04-06 | 2020-12-04 | 美敦力导航股份有限公司 | 用于减少图像中的伪像的***和方法 |
US20210201502A1 (en) * | 2019-12-27 | 2021-07-01 | Industrial Technology Research Institute | Method and system for motion prediction |
CN113326719A (zh) * | 2020-02-28 | 2021-08-31 | 华为技术有限公司 | 一种用于目标追踪的方法、设备及*** |
CN113362374A (zh) * | 2021-06-07 | 2021-09-07 | 浙江工业大学 | 一种基于目标跟踪网络的高空抛物检测方法及*** |
-
2021
- 2021-10-11 CN CN202111180117.9A patent/CN113628251B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144716A (zh) * | 2007-10-15 | 2008-03-19 | 清华大学 | 一种多视角运动目标检测、定位与对应方法 |
CN101655357A (zh) * | 2009-09-11 | 2010-02-24 | 南京大学 | 一种用于二维相位展开的相位梯度相关质量图获取方法 |
CN102004922A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于骨架特征的高分辨率遥感影像飞机提取方法 |
CN202736000U (zh) * | 2012-03-01 | 2013-02-13 | 桂林电子科技大学 | 基于计算机视觉技术的多点触摸屏***装置 |
CN104244802A (zh) * | 2012-04-23 | 2014-12-24 | 奥林巴斯株式会社 | 图像处理装置、图像处理方法以及图像处理程序 |
CN103116875A (zh) * | 2013-02-05 | 2013-05-22 | 浙江大学 | 自适应双边滤波图像去噪方法 |
CN103310427A (zh) * | 2013-06-24 | 2013-09-18 | 中国科学院长春光学精密机械与物理研究所 | 图像超分辨率与像质增强方法 |
CN104020751A (zh) * | 2014-06-23 | 2014-09-03 | 河海大学常州校区 | 基于物联网的校园安全监测***及方法 |
CN104125433A (zh) * | 2014-07-30 | 2014-10-29 | 西安冉科信息技术有限公司 | 基于多球机联动结构的视频运动目标监控方法 |
CN104376564A (zh) * | 2014-11-24 | 2015-02-25 | 西安工程大学 | 基于各向异性高斯方向导数滤波器提取图像粗边缘的方法 |
CN105338248A (zh) * | 2015-11-20 | 2016-02-17 | 成都因纳伟盛科技股份有限公司 | 智能多目标主动跟踪监控方法及*** |
CN107273866A (zh) * | 2017-06-26 | 2017-10-20 | 国家电网公司 | 一种基于监控***的人体异常行为识别方法 |
CN108038833A (zh) * | 2017-12-28 | 2018-05-15 | 福州瑞芯微电子股份有限公司 | 一种梯度相关性检测的图像自适应锐化方法和存储介质 |
CN108280838A (zh) * | 2018-01-31 | 2018-07-13 | 桂林电子科技大学 | 一种基于边缘检测的夹片牙型缺陷检测方法 |
CN112041890A (zh) * | 2018-04-06 | 2020-12-04 | 美敦力导航股份有限公司 | 用于减少图像中的伪像的***和方法 |
CN108846335A (zh) * | 2018-05-31 | 2018-11-20 | 武汉市蓝领英才科技有限公司 | 基于视频图像的智慧工地区域管理及入侵检测方法、*** |
US20200193662A1 (en) * | 2018-12-18 | 2020-06-18 | Genvis Pty Ltd | Video tracking system and data processing |
CN110517293A (zh) * | 2019-08-29 | 2019-11-29 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、***和计算机可读存储介质 |
CN110797034A (zh) * | 2019-09-23 | 2020-02-14 | 重庆特斯联智慧科技股份有限公司 | 一种用于老人及病患照料的自动语音视频识别对讲*** |
US20210201502A1 (en) * | 2019-12-27 | 2021-07-01 | Industrial Technology Research Institute | Method and system for motion prediction |
CN113326719A (zh) * | 2020-02-28 | 2021-08-31 | 华为技术有限公司 | 一种用于目标追踪的方法、设备及*** |
CN111640104A (zh) * | 2020-05-29 | 2020-09-08 | 研祥智慧物联科技有限公司 | 一种螺钉装配的视觉检测方法 |
CN111754540A (zh) * | 2020-06-29 | 2020-10-09 | 中国水利水电科学研究院 | 一种边坡质点位移轨迹监测实时跟踪方法及*** |
CN112001948A (zh) * | 2020-07-30 | 2020-11-27 | 浙江大华技术股份有限公司 | 一种目标跟踪处理方法及装置 |
CN113362374A (zh) * | 2021-06-07 | 2021-09-07 | 浙江工业大学 | 一种基于目标跟踪网络的高空抛物检测方法及*** |
Non-Patent Citations (2)
Title |
---|
QIAOYANGXIA 等: "Multi-UAV trajectory planning using gradient-based sequence minimal optimization", 《ROBOTICS AND AUTONOMOUS SYSTEMS》 * |
崔洲涓 等: "基于多层深度卷积特征的抗遮挡实时跟踪算法", 《光学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116887057A (zh) * | 2023-09-06 | 2023-10-13 | 北京立同新元科技有限公司 | 一种智能视频监控*** |
CN116887057B (zh) * | 2023-09-06 | 2023-11-14 | 北京立同新元科技有限公司 | 一种智能视频监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN113628251B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111724439B (zh) | 一种动态场景下的视觉定位方法及装置 | |
US9323991B2 (en) | Method and system for video-based vehicle tracking adaptable to traffic conditions | |
CN104303193B (zh) | 基于聚类的目标分类 | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN112101433A (zh) | 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法 | |
JP4429298B2 (ja) | 対象個数検出装置および対象個数検出方法 | |
CN110210276A (zh) | 一种移动轨迹获取方法及其设备、存储介质、终端 | |
CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
Peng et al. | Drone-based vacant parking space detection | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
EP2549759B1 (en) | Method and system for facilitating color balance synchronization between a plurality of video cameras as well as method and system for obtaining object tracking between two or more video cameras | |
CN104378582A (zh) | 一种基于ptz摄像机巡航的智能视频分析***及方法 | |
CN105160649A (zh) | 基于核函数非监督聚类的多目标跟踪方法及*** | |
CN111199556A (zh) | 基于摄像头的室内行人检测和跟踪方法 | |
CN112528974B (zh) | 测距方法、装置、电子设备及可读存储介质 | |
CN110634138A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN113469201A (zh) | 图像采集设备偏移检测方法、图像匹配方法、***和设备 | |
CN106530407A (zh) | 一种用于虚拟现实的三维全景拼接方法、装置和*** | |
CN111476314B (zh) | 一种融合光流算法与深度学习的模糊视频检测方法 | |
CN107045630B (zh) | 一种基于rgbd的行人检测和身份识别方法及*** | |
CN117475355A (zh) | 基于监控视频的安全预警方法及装置、设备、存储介质 | |
CN113628251B (zh) | 一种智慧酒店终端监测方法 | |
CN110636248B (zh) | 目标跟踪方法与装置 | |
CN116824641B (zh) | 姿态分类方法、装置、设备和计算机存储介质 |
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 |