CN115914582B - 一种基于融合时序信息的小物体检测优化方法 - Google Patents

一种基于融合时序信息的小物体检测优化方法 Download PDF

Info

Publication number
CN115914582B
CN115914582B CN202310010407.1A CN202310010407A CN115914582B CN 115914582 B CN115914582 B CN 115914582B CN 202310010407 A CN202310010407 A CN 202310010407A CN 115914582 B CN115914582 B CN 115914582B
Authority
CN
China
Prior art keywords
monitoring
intersection
small object
area
small
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
CN202310010407.1A
Other languages
English (en)
Other versions
CN115914582A (zh
Inventor
高树会
雷佳琳
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.)
Bainiao Data Technology Beijing Co ltd
Original Assignee
Bainiao Data Technology Beijing 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 Bainiao Data Technology Beijing Co ltd filed Critical Bainiao Data Technology Beijing Co ltd
Priority to CN202310010407.1A priority Critical patent/CN115914582B/zh
Publication of CN115914582A publication Critical patent/CN115914582A/zh
Application granted granted Critical
Publication of CN115914582B publication Critical patent/CN115914582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及小物体检测技术领域，具体地说，涉及一种基于融合时序信息的小物体检测优化方法。其包括分辨小物体内容，实时剔除静态物体，确定各个监控点的实际小物体存量；确定监控重复区域小物体存量，根据小物体存量阈值，判断重复区域是否需要进行调整；分析各个监控区域的小物体的存量，实时调整监控点。本发明通过确定监控重复区域小物体存量，根据小物体存量阈值，判断重复区域是否需要进行调整，实时调整监控点，当某一监控区域实际小物体的存量不断增加，此时调整附近监控点，使得该监控区域转换为重复监控区域，从而形成对照组，提高监控点实际小物体的存量监控准确度。

Description

一种基于融合时序信息的小物体检测优化方法
技术领域
本发明涉及小物体检测技术领域，具体地说，涉及一种基于融合时序信息的小物体检测优化方法。
背景技术
湿地是自然形成的、常年或季节性积水的地域，在海滩其低潮时水深不超过6m；在陆地是永久性或间歇性被浅水淹没的土地，地下水埋深小于3米，底泥含水率超过30%，因此季节或年际水深变化较大，变化幅度超过30%的水域，如沼泽地、湿原、泥炭地、滩涂、稻田或其他积水地带，正是如此，湿地成为了许多鸟类栖息的场所。
近年来，随着城市化不断发展，湿地环境不断受到影响，湿地栖息的鸟类生活环境遭受破坏，为了防止一些珍贵鸟类濒临灭绝，不仅要人为干预过度城市化对湿地环境破坏，同时需要确定湿地环境中鸟类的存量，以此作为后期研究的基础，现有的湿地环境中鸟类的存量确定方式，大多数通过监控回调方式预估出鸟类存量，但由于湿地环境复杂，仅靠图像识别***监控难以判断出鸟类与其他物体，导致最终的预估信息出现误差，同时对于一些鸟类存量较大的区域来说，单一的监控预估量效果较差，且预估准确度较低。
为了应对上述问题，现亟须一种基于融合时序信息的小物体检测优化方法。
发明内容
本发明的目的在于提供一种基于融合时序信息的小物体检测优化方法，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于融合时序信息的小物体检测优化方法，包括如下步骤：
S1、定位监控区域，根据监控区域信息铺设对应监控点；
S2、设定监测时间间隔，按照规定时间实时调回各个监控点的监控信息；
S3、根据监控信息，确定监控区域小物体分布情况；
S4、分辨小物体内容，实时剔除静态物体，确定各个监控点的实际小物体存量；
S5、确定监控重复区域，制定小物体存量阈值；
S6、确定监控重复区域小物体存量，根据小物体存量阈值，判断重复区域是否需要进行调整；
S7、分析各个监控区域的小物体的存量，实时调整监控点。
作为本技术方案的进一步改进，所述S1中的监控区域定位方法包括如下步骤：
S1.1、分析各个小物体活动轨迹，确定轨迹交集区域；
S1.2、计算轨迹交集区域交集概率；
S1.3、制定交集概率阈值，将超过交集概率阈值的交集区域作为监控区域。
作为本技术方案的进一步改进，所述S1.2中轨迹交集区域交集概率的计算采用轨迹定位算法，其算法公式如下：
；（1）
；（2）
；（3）
式（1）中，为交集区域的交集概率，为不同轨迹交集区域的交集面积，为交集区域期望值，与交集面积呈反比，交集面积越大，交集区域期望值越小，为不同轨迹交集区域的交集点数，为交集区域规划值，与交集点数成正比，交集点数越大，交集区域规划值越高，式（2）中为不同轨迹交集区域的交集概率集合，至为不同轨迹交集区域的交集概率，n为所测交集区域数，式（3）中，为交集概率判断函数，为当前输入的交集区域的交集概率，为交集概率阈值，当前输入的交集区域的交集概率低于交集概率阈值，交集概率判断函数输出为0，表明该交集区域不为监控区域，当前输入的交集区域的交集概率不低于交集概率阈值，交集概率判断函数输出为1，表明该交集区域为监控区域。
作为本技术方案的进一步改进，所述S2中监测时间间隔设定方法包括如下步骤：
S2.1、分析小物体活动规律，确定不同时间点小物体活动强度；
S2.2、根据不同时间点小物体活动强度，制定对应时间间隔。
作为本技术方案的进一步改进，所述S3中小物体分布情况确定方法包括如下步骤：
S3.1、制定小物体尺寸范围，预估监控区域监控到的物体尺寸；
S3.2、剔除不符合小物体尺寸范围的物体，将剩余的物体标记为待测小物体。
作为本技术方案的进一步改进，所述S3.1中小物体尺寸范围制定采用尺寸估算算法，其算法公式如下：
（，）；（4）
；（5）
式（4）中，为监控到的物体预估尺寸，为监控到的物体横向最长距离，为横向预估常数，为监控到的物体纵向最长距离，为纵向预估常数，为规定的横向最短长度，为规定的横向最长长度，为规定的纵向最短长度，为规定的纵向最长长度，为监控到的物体尺寸判断函数，为规定的最小尺寸，为规定的最大尺寸，首先判断出监控到的物体横向最长距离是否符合横向规定的长度，同时需要判断出监控到的物体纵向最长距离是否符合向规定的长度，两者有一个不符合，则表明该物体不为待测小物体，当两者同时符合时，判断监控到的物体预估尺寸是否符合规定尺寸，当监控到的物体预估尺寸高于规定的最小尺寸且低于规定的最大尺寸，则表明该监控到的物体为待测小物体，当监控到的物体预估尺寸不高于最小尺寸或者不低于规定的最大尺寸，则表明该监控到的物体不符合待测小物体的尺寸标准。
作为本技术方案的进一步改进，所述S4中小物体内容分辨方法包括如下步骤：
S4.1、实时追踪监控区域的待测小物体，确定待测小物体是否存在活动轨迹；
S4.2、并将活动的待测小物体标记为动态小物体，将不存在活动轨迹的待测小物体标记为静态物体。
作为本技术方案的进一步改进，所述S5中的监控重复区域确定方法包括如下步骤：
S5.1、确定不同监控点的调回的轨迹交集区域；
S5.2、根据轨迹交集区域活动轨迹重复率，确定出不同监控点监控的重复区域。
作为本技术方案的进一步改进，所述S6中重复区域调整判断方法包括如下步骤：
S6.1、根据小物体存量阈值。实时监控不同监控重复区域小物体存量；
S6.2、比较不同重复区域小物体存量与小物体存量阈值；
S6.3、对超过小物体存量阈值重复区域不做监控点调整，对低于小物体存量阈值重复区域进行监控点单一化处理。
作为本技术方案的进一步改进，所述S7中监控点实时调整方法包括如下步骤：
S7.1、确定各个监控区域的附近监控点，并将附近监控点均标记为关联监控点；
S7.2、实时监控各个监控区域的小物体的存量，判断其是否超过小物体存量阈值；
S7.3、对超过小物体存量阈值监控区域进行关联标记，实时调整其关联监控点，将其监控区域转换为重复区域。
与现有技术相比，本发明的有益效果：
该基于融合时序信息的小物体检测优化方法中，通过确定监控重复区域小物体存量，根据小物体存量阈值，判断重复区域是否需要进行调整，实时调整监控点，当某一监控区域实际小物体的存量不断增加，此时调整附近监控点，使得该监控区域转换为重复监控区域，从而形成对照组，提高监控点实际小物体的存量监控准确度。
附图说明
图1为本发明的整体流程图；
图2为本发明的监控区域定位方法流程图；
图3为本发明的监测时间间隔设定方法流程图；
图4为本发明的小物体分布情况确定方法流程图；
图5为本发明的小物体内容分辨方法流程图；
图6为本发明的监控重复区域确定方法流程图；
图7为本发明的重复区域调整判断方法流程图；
图8为本发明的监控点实时调整方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
请参阅图1-图8所示，本实施例目的在于，提供了一种基于融合时序信息的小物体检测优化方法，包括包括如下步骤：
S1、定位监控区域，根据监控区域信息铺设对应监控点；
S2、设定监测时间间隔，按照规定时间实时调回各个监控点的监控信息；
S3、根据监控信息，确定监控区域小物体分布情况；
S4、分辨小物体内容，实时剔除静态物体，确定各个监控点的实际小物体存量；
S5、确定监控重复区域，制定小物体存量阈值；
S6、确定监控重复区域小物体存量，根据小物体存量阈值，判断重复区域是否需要进行调整；
S7、分析各个监控区域的小物体的存量，实时调整监控点。
具体使用时，首先确定小物体行为习惯，定位监控区域，根据监控区域信息铺设对应监控点，实时拍摄监控区域画面，设定监测时间间隔，按照规定时间实时调回各个监控点的监控信息，根据监控信息，确定监控区域小物体分布情况，例如分布密度、所处位置以及小物体尺寸，随后分辨小物体内容，判断各个小物体动静态情况，实时剔除静态物体，确定各个监控点的实际小物体存量，确定监控重复区域，即不同监控点监控到相同区域，制定重复区域小物体存量阈值，确定监控重复区域小物体存量，根据小物体存量阈值，判断重复区域是否需要进行调整，随后分析各个监控区域的小物体的存量，实时调整监控点，当某一监控区域实际小物体的存量不断增加，此时调整附近监控点，使得该监控区域转换为重复监控区域，从而形成对照组，提高监控点实际小物体的存量监控准确度。
此外，S1中的监控区域定位方法包括如下步骤：
S1.1、分析各个小物体活动轨迹，确定轨迹交集区域；
S1.2、计算轨迹交集区域交集概率；
S1.3、制定交集概率阈值，将超过交集概率阈值的交集区域作为监控区域。
具体使用时，首先提前监控小物体（动态）活动范围，得出小物体活动轨迹，并将监控到的各个小物体活动轨迹进行图像仿真，生成仿真图像轨迹，并将各个仿真图像轨迹整合至同一仿真区域，得出轨迹交集区域，随后根据各个仿真图像轨迹交集点，计算出轨迹交集区域交集概率，制定交集概率阈值，将超过交集概率阈值的交集区域作为监控区域。从而定位出监控区域。
进一步的，S1.2中轨迹交集区域交集概率的计算采用轨迹定位算法，其算法公式如下：
；（1）
；（2）
；（3）
式（1）中，为交集区域的交集概率，为不同轨迹交集区域的交集面积，为交集区域期望值，与交集面积呈反比，交集面积越大，交集区域期望值越小，为不同轨迹交集区域的交集点数，为交集区域规划值，与交集点数成正比，交集点数越大，交集区域规划值越高，式（2）中为不同轨迹交集区域的交集概率集合，至为不同轨迹交集区域的交集概率，n为所测交集区域数，式（3）中，为交集概率判断函数，为当前输入的交集区域的交集概率，为交集概率阈值，当前输入的交集区域的交集概率低于交集概率阈值，交集概率判断函数输出为0，表明该交集区域不为监控区域，当前输入的交集区域的交集概率不低于交集概率阈值，交集概率判断函数输出为1，表明该交集区域为监控区域。
再进一步的，S2中监测时间间隔设定方法包括如下步骤：
S2.1、分析小物体活动规律，确定不同时间点小物体活动强度；
S2.2、根据不同时间点小物体活动强度，制定对应时间间隔。
具体使用时，首先分析小物体活动规律，确定不同时间点小物体活动强度，例如早午时分，小物体大多数需要出来觅食或者活动，监控区域的小物体将会持续增加，此时需要将监控时间间隔缩短，相同时间范围内调回多组监控信息，到了傍晚时分，小物体活动结束，监控区域的小物体将会极具降低，此时需要将监控时间间隔延长，随后，根据不同时间点小物体活动强度，制定对应时间间隔，合理安排对监控区域的监控工作，进一步提高监控准确度，同时能够在小物体活动强度低时，及时减少监控回调，降低监控设备的能耗。
具体的，S3中小物体分布情况确定方法包括如下步骤：
S3.1、制定小物体尺寸范围，预估监控区域监控到的物体尺寸；
S3.2、剔除不符合小物体尺寸范围的物体，将剩余的物体标记为待测小物体。
具体使用时，首先制定小物体尺寸范围，预估监控区域监控到的物体尺寸，并将监控区域监控到的物体尺寸与小物体尺寸范围进行比较分析，将不符合小物体尺寸范围的物体剔除，剩余的物体标记为待测小物体，以供后期确定实际小物体存量。
此外，S3.1中小物体尺寸范围制定采用尺寸估算算法，其算法公式如下：
（，）；（4）
；（5）
式（4）中，为监控到的物体预估尺寸，为监控到的物体横向最长距离，为横向预估常数，为监控到的物体纵向最长距离，为纵向预估常数，为规定的横向最短长度，为规定的横向最长长度，为规定的纵向最短长度，为规定的纵向最长长度，为监控到的物体尺寸判断函数，为规定的最小尺寸，为规定的最大尺寸，首先判断出监控到的物体横向最长距离是否符合横向规定的长度，同时需要判断出监控到的物体纵向最长距离是否符合向规定的长度，两者有一个不符合，则表明该物体不为待测小物体，当两者同时符合时，判断监控到的物体预估尺寸是否符合规定尺寸，当监控到的物体预估尺寸高于规定的最小尺寸且低于规定的最大尺寸，则表明该监控到的物体为待测小物体，当监控到的物体预估尺寸不高于最小尺寸或者不低于规定的最大尺寸，则表明该监控到的物体不符合待测小物体的尺寸标准。
进一步的，S4中小物体内容分辨方法包括如下步骤：
S4.1、实时追踪监控区域的待测小物体，确定待测小物体是否存在活动轨迹；
S4.2、并将活动的待测小物体标记为动态小物体，将不存在活动轨迹的待测小物体标记为静态物体。
具体使用时，实时追踪监控区域的待测小物体，判断待测小物体是否存在活动轨迹，并将活动的待测小物体标记为动态小物体，将不存在活动轨迹的待测小物体标记为静态物体，例如在规定监控时间内，监测区域的待测小物***置发生改变，则表明该待测小物体存在活动轨迹，将其标记为动态物体，当监测区域的待测小物体在规定监控时间内位置未发生改变，则表明该待测小物体不存在活动轨迹，处于静止状态，不属于监控信息，则将该待测小物体标记未静态物体。
再进一步的，S5中的监控重复区域确定方法包括如下步骤：
S5.1、确定不同监控点的调回的轨迹交集区域；
S5.2、根据轨迹交集区域活动轨迹重复率，确定出不同监控点监控的重复区域。
具体使用时，首先确定不同监控点的调回的轨迹交集区域，分析出同一小物体活动轨迹区域，确定出不同监控点的轨迹交集区域活动轨迹重复率，轨迹重复区域即为不同监控点监控的重复区域。
此外，S6中重复区域调整判断方法包括如下步骤：
S6.1、根据小物体存量阈值。实时监控不同监控重复区域小物体存量；
S6.2、比较不同重复区域小物体存量与小物体存量阈值；
S6.3、对超过小物体存量阈值重复区域不做监控点调整，对低于小物体存量阈值重复区域进行监控点单一化处理。具体使用时，根据小物体存量阈值。实时监控不同监控重复区域小物体存量，比较不同重复区域小物体存量与小物体存量阈值，当监控重复区域小物体存量低于小物体存量阈值，则需要及时调整监控点，该监控重复区域无需进行重复监控对比，当监控重复区域小物体存量不低于小物体存量阈值，该监控重复区域小物体存量需要通过两个监控点进行重复监控，形成对比参考；
除此之外，S7中监控点实时调整方法包括如下步骤：
S7.1、确定各个监控区域的附近监控点，并将附近监控点均标记为关联监控点；
S7.2、实时监控各个监控区域的小物体的存量，判断其是否超过小物体存量阈值；
S7.3、对超过小物体存量阈值监控区域进行关联标记，实时调整其关联监控点，将其监控区域转换为重复区域。
具体使用时，首先确定各个监控区域的附近监控点，并将附近监控点均标记为关联监控点，实时监控各个监控区域的小物体的存量，判断其是否超过小物体存量阈值，当监控区域小物体存量超过小物体存量阈值时，实时调整其关联监控点，将其监控区域转换为重复区域，从而对该重复区域进行二次监控，进一步提高小物体监控回调信息的准确度，提高小物体检测效果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于融合时序信息的小物体检测优化方法，其特征在于，包括如下步骤：
S1、定位监控区域，根据监控区域信息铺设对应监控点；
S2、设定监测时间间隔，按照规定时间实时调回各个监控点的监控信息；
S3、根据监控信息，确定监控区域小物体分布情况；
S4、分辨小物体内容，实时剔除静态物体，确定各个监控点的实际小物体存量；
S5、确定监控重复区域，制定小物体存量阈值；
S6、确定监控重复区域小物体存量，根据小物体存量阈值，判断重复区域是否需要进行调整；
S7、分析各个监控区域的小物体的存量，实时调整监控点。
2.根据权利要求1所述的基于融合时序信息的小物体检测优化方法，其特征在于：所述S1中的监控区域定位方法包括如下步骤：
S1.1、分析各个小物体活动轨迹，确定轨迹交集区域；
S1.2、计算轨迹交集区域交集概率；
S1.3、制定交集概率阈值，将超过交集概率阈值的交集区域作为监控区域。
3.根据权利要求2所述的基于融合时序信息的小物体检测优化方法，其特征在于：所述S1.2中轨迹交集区域交集概率的计算采用轨迹定位算法，其算法公式如下：
；（1）
；（2）
；（3）
式（1）中，为交集区域的交集概率，为不同轨迹交集区域的交集面积，为交集区域期望值，与交集面积呈反比，交集面积越大，交集区域期望值越小，为不同轨迹交集区域的交集点数，为交集区域规划值，与交集点数成正比，交集点数越大，交集区域规划值越高，式（2）中为不同轨迹交集区域的交集概率集合，至为不同轨迹交集区域的交集概率，n为所测交集区域数，式（3）中，为交集概率判断函数，为当前输入的交集区域的交集概率，为交集概率阈值，当前输入的交集区域的交集概率低于交集概率阈值，交集概率判断函数输出为0，表明该交集区域不为监控区域，当前输入的交集区域的交集概率不低于交集概率阈值，交集概率判断函数输出为1，表明该交集区域为监控区域。
4.根据权利要求1所述的基于融合时序信息的小物体检测优化方法，其特征在于：所述S2中监测时间间隔设定方法包括如下步骤：
S2.1、分析小物体活动规律，确定不同时间点小物体活动强度；
S2.2、根据不同时间点小物体活动强度，制定对应时间间隔。
5.根据权利要求1所述的基于融合时序信息的小物体检测优化方法，其特征在于：所述S3中小物体分布情况确定方法包括如下步骤：
S3.1、制定小物体尺寸范围，预估监控区域监控到的物体尺寸；
S3.2、剔除不符合小物体尺寸范围的物体，将剩余的物体标记为待测小物体。
6.根据权利要求5所述的基于融合时序信息的小物体检测优化方法，其特征在于：所述S3.1中小物体尺寸范围制定采用尺寸估算算法，其算法公式如下：
（，）；（4）
；（5）
式（4）中，为监控到的物体预估尺寸，为监控到的物体横向最长距离，为横向预估常数，为监控到的物体纵向最长距离，为纵向预估常数，为规定的横向最短长度，为规定的横向最长长度，为规定的纵向最短长度，为规定的纵向最长长度，为监控到的物体尺寸判断函数，为规定的最小尺寸，为规定的最大尺寸，首先判断出监控到的物体横向最长距离是否符合横向规定的长度，同时需要判断出监控到的物体纵向最长距离是否符合纵向规定的长度，两者有一个不符合，则表明该物体不为待测小物体，当两者同时符合时，判断监控到的物体预估尺寸是否符合规定尺寸，当监控到的物体预估尺寸高于规定的最小尺寸且低于规定的最大尺寸，则表明该监控到的物体为待测小物体，当监控到的物体预估尺寸不高于最小尺寸或者不低于规定的最大尺寸，则表明该监控到的物体不符合待测小物体的尺寸标准。
7.根据权利要求1所述的基于融合时序信息的小物体检测优化方法，其特征在于：所述S4中小物体内容分辨方法包括如下步骤：
S4.1、实时追踪监控区域的待测小物体，确定待测小物体是否存在活动轨迹；
S4.2、并将活动的待测小物体标记为动态小物体，将不存在活动轨迹的待测小物体标记为静态物体。
8.根据权利要求1所述的基于融合时序信息的小物体检测优化方法，其特征在于：所述S5中的监控重复区域确定方法包括如下步骤：
S5.1、确定不同监控点的调回的轨迹交集区域；
S5.2、根据轨迹交集区域活动轨迹重复率，确定出不同监控点监控的重复区域。
9.根据权利要求1所述的基于融合时序信息的小物体检测优化方法，其特征在于：所述S6中重复区域调整判断方法包括如下步骤：
S6.1、根据小物体存量阈值实时监控不同监控重复区域小物体存量；
S6.2、比较不同重复区域小物体存量与小物体存量阈值；
S6.3、对超过小物体存量阈值重复区域不做监控点调整，对低于小物体存量阈值重复区域进行监控点单一化处理。
10.根据权利要求1所述的基于融合时序信息的小物体检测优化方法，其特征在于：所述S7中监控点实时调整方法包括如下步骤：
S7.1、确定各个监控区域的附近监控点，并将附近监控点均标记为关联监控点；
S7.2、实时监控各个监控区域的小物体的存量，判断其是否超过小物体存量阈值；
S7.3、对超过小物体存量阈值监控区域进行关联标记，实时调整其关联监控点，将其监控区域转换为重复区域。
CN202310010407.1A 2023-01-05 2023-01-05 一种基于融合时序信息的小物体检测优化方法 Active CN115914582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310010407.1A CN115914582B (zh) 2023-01-05 2023-01-05 一种基于融合时序信息的小物体检测优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310010407.1A CN115914582B (zh) 2023-01-05 2023-01-05 一种基于融合时序信息的小物体检测优化方法

Publications (2)

Publication Number Publication Date
CN115914582A CN115914582A (zh) 2023-04-04
CN115914582B true CN115914582B (zh) 2023-04-28

Family

ID=85751694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310010407.1A Active CN115914582B (zh) 2023-01-05 2023-01-05 一种基于融合时序信息的小物体检测优化方法

Country Status (1)

Country Link
CN (1) CN115914582B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108055501A (zh) * 2017-11-22 2018-05-18 天津市亚安科技有限公司 一种目标检测及跟踪的视频监控***及方法
CN110163125A (zh) * 2019-05-05 2019-08-23 浙江传媒学院 一种基于轨迹预测与尺寸决策的实时视频识别的方法
CN113743380A (zh) * 2021-11-03 2021-12-03 江苏博子岛智能产业技术研究院有限公司 一种基于视频图像动态监测的主动跟踪方法
CN114220077A (zh) * 2022-02-21 2022-03-22 金叶仪器(山东)有限公司 基于监控设备实现物体数量统计和移动方向监测的方法
CN114926783A (zh) * 2022-05-30 2022-08-19 星河互联网络(深圳)有限公司 一种基于水域多维信息数据处理方法
CN115661189A (zh) * 2022-12-27 2023-01-31 上海仙工智能科技有限公司 一种场景动态信息检测方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI594211B (zh) * 2014-10-31 2017-08-01 鴻海精密工業股份有限公司 監控設備及動態物件監控方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108055501A (zh) * 2017-11-22 2018-05-18 天津市亚安科技有限公司 一种目标检测及跟踪的视频监控***及方法
CN110163125A (zh) * 2019-05-05 2019-08-23 浙江传媒学院 一种基于轨迹预测与尺寸决策的实时视频识别的方法
CN113743380A (zh) * 2021-11-03 2021-12-03 江苏博子岛智能产业技术研究院有限公司 一种基于视频图像动态监测的主动跟踪方法
CN114220077A (zh) * 2022-02-21 2022-03-22 金叶仪器(山东)有限公司 基于监控设备实现物体数量统计和移动方向监测的方法
CN114926783A (zh) * 2022-05-30 2022-08-19 星河互联网络(深圳)有限公司 一种基于水域多维信息数据处理方法
CN115661189A (zh) * 2022-12-27 2023-01-31 上海仙工智能科技有限公司 一种场景动态信息检测方法及***

Also Published As

Publication number Publication date
CN115914582A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
Schwanghart et al. Flow network derivation from a high resolution DEM in a low relief, agrarian landscape
CN105844102B (zh) 一种自适应无参空间离群点检测方法
Sahu et al. Characterization of precipitation in the subdivisions of the Mahanadi River basin, India
CN115914582B (zh) 一种基于融合时序信息的小物体检测优化方法
CN114359654A (zh) 一种基于位置关联性特征融合的YOLOv4混凝土表观病害检测方法
Smith et al. Multiple variable indicator kriging: a procedure for integrating soil quality indicators
CN109934151B (zh) 一种基于movidius计算芯片和Yolo face的人脸检测方法
Hou et al. Automatic Extraction of Drainage Networks from DEMs Base on Heuristic Search.
Matgen et al. Sequential assimilation of remotely sensed water stages in flood inundation models
CN113269805B (zh) 降水事件引导的遥感降水反演训练样本自适应选取方法
CN105023271A (zh) 基于多线索信息的行为集体度衡量方法
Li et al. Spatiotemporal classification analysis of long-term environmental monitoring data in the northern part of Lake Taihu, China by using a self-organizing map
Heyns et al. Terrain visibility-dependent facility location through fast dynamic step-distance viewshed estimation within a raster environment
CN114021853A (zh) 一种风力预测方法、装置、电子设备及存储介质
CN114089371A (zh) 一种利用激光Lidar技术估算喀斯特地区地下土壤漏失量的方法
CN110084190B (zh) 一种基于ann的剧烈光照环境下实时非结构化道路检测方法
Chu et al. Incorporating spatial autocorrelation with neural networks in empirical land-use change models
CN117852775B (zh) 一种喀斯特碳汇潜力的评估方法及相关设备
Guccione et al. Trend cluster based Kriging interpolation in sensor data networks
Venek et al. Evaluating the Brownian bridge movement model to determine regularities of people’s movements
CN116628411B (zh) 一种基于全感融合的高精度流量在线监测智能方法
CN113867344B (zh) 一种基于地形复杂度的无人船自适应步长路径搜索方法
TWI592890B (zh) 二維淹水潛勢圖的產生方法
TWI578256B (zh) 在二維淹水潛勢圖資料庫中搜尋淹水圖資的方法
Zheng et al. Spatial estimation of soil moisture and salinity with neural kriging

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