JP4742168B2 - ビデオ監視カメラが検出した対象物の特性を識別する方法および機器 - Google Patents
ビデオ監視カメラが検出した対象物の特性を識別する方法および機器 Download PDFInfo
- Publication number
- JP4742168B2 JP4742168B2 JP2009511978A JP2009511978A JP4742168B2 JP 4742168 B2 JP4742168 B2 JP 4742168B2 JP 2009511978 A JP2009511978 A JP 2009511978A JP 2009511978 A JP2009511978 A JP 2009511978A JP 4742168 B2 JP4742168 B2 JP 4742168B2
- Authority
- JP
- Japan
- Prior art keywords
- video surveillance
- color histogram
- color
- histogram
- tracked
- 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
Links
- 238000000034 method Methods 0.000 title claims description 104
- 238000009826 distribution Methods 0.000 claims description 113
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000005286 illumination Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000005457 Black-body radiation Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 101000969688 Homo sapiens Macrophage-expressed gene 1 protein Proteins 0.000 description 1
- 102100021285 Macrophage-expressed gene 1 protein Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
- Studio Devices (AREA)
Description
ディジタル・ネットワーク・ビデオ・システムとアナログ・システムとを分ける1つの特徴は、前者のシステムが実時間の画像処理に適していることである。これは、或る種のディジタル信号プロセッサとカメラとを統合してこれにアルゴリズムを導入すれば可能になる。
ネットワーク・ビデオ・カメラがこれらの機能を満足な方法で行うことができれば、アナログ・システムより優れた独特の利点を有することになるであろう。
これらの事情から、非剛性対象物を検出しまた追跡する方法の中には適用できないものがある。解像度が低くまたカメラと対象物との間に距離があるために、詳かい部分を処理する方法は全て使えない。人の衣服の生地は非常に細かいことが多いので、生地に基づく方法も使えない。
監視カメラのユーザはカメラを較正することは望まないので、この方法はカメラの位置が既知であることに依存することはできない。このため、対象物を見る角度を考慮に入れることはできない。したがって、対象物の異なる部分の相対的サイズ(例えば、腕や足の相対的長さ)に基づく方法は使えない。
したがって、対象物の特性を識別する方法およびシステムが必要である。この特性は異なるビデオ・シーケンス間で対象物を追跡するのに用いることができるものであり、この方法は2つの異なるビデオ・シーケンス内で起こる全ての対象物を見落とすことがないという意味で信頼できるものである。
本発明の第1の態様では、これはビデオ監視カメラが捕らえたビデオ・シーケンス内の対象物の特性を識別するビデオ監視システムにおける方法により達成される。この方法は、ビデオ・シーケンス内の特定の対象物を識別するステップと、ビデオ・シーケンス内で識別された特定の対象物の色および強さの情報、すなわち、ビデオ・シーケンスの複数の画像から生じる色および強さの情報、に基づいて少なくとも2次元の色空間内に色ヒストグラムを生成するステップと、生成された色ヒストグラムに基づいて対象物の特性を識別するステップとを含む。
本発明の或る実施の形態では、生成された色ヒストグラムに基づいて対象物の特性を識別するステップは、色ヒストグラムを正規分布などの多数の分布でモデル化するステップと、生成されモデル化された色ヒストグラムに基づいて対象物の特性を識別するステップとを含む。色ヒストグラムを多数の分布でモデル化することにより、色ヒストグラムから受けるデータの量を、対象物の特性を識別するのに管理しやすい量まで減らすことができる。
本発明の第1の態様の別の実施の形態では、この方法は更に、複数の画像からそれぞれ生じた色および強さの情報を、各画像内で対象物を記述する画素の数に関して正規化するステップを含む。これにより、色および強さの情報は画素に中立になる。例えば、各画像を取得した異なる時間および対象物のスケールに対して不変になる。
更に別の実施の形態では、色ヒストグラムはビデオ・シーケンスの全ての画像内の色および強さの情報に基づいて生成する。色ヒストグラムを生成するのに用いる画像が多いほど、ヒストグラムは対象物の時間的および空間的態様に依存しなくなる。
また追跡装置200は、追跡すべき対象物の識別された特性を受けたカメラと同じカメラから候補の対象物の識別された特性に関する情報を受けてよい。この場合は、追跡すべき対象物の識別された特性は第1のビデオ・シーケンスから生じ、候補の対象物の識別された特性は第1のビデオ・シーケンスとは別個の第2のビデオ・シーケンスから生じる。
本発明の或る実施の形態では、対象物特性識別器は、ヒストグラム・モデル化器108、ヒストグラム変換器110、パラメータ計算器112、対象物特性計算器114を備える。
本発明の或る実施の形態では、分布のパラメータを計算するステップ312は、色ヒストグラムを極座標系からデカルト座標系に変換するステップと、座標の原点を色ヒストグラム内の対象物の重心に移すステップと、第2のデカルト座標系内の多数の分布の位置を計算するステップとを含む。第2のデカルト座標系内の多数の分布の位置は対象物の特性を識別するパラメータとして用いる。
本発明の別の実施の形態では、第1のビデオ監視カメラと第2のビデオ監視カメラとは同じビデオ監視カメラでよい。この場合は、第1のビデオ・シーケンスと第2のビデオ・シーケンスとは同じカメラで捕らえた別個のビデオ・シーケンスである。
本章は調査した問題の背後の基本的理論を含む。第1節は調査に用いた機器を扱い、第2節は数学を扱う。
調査の際に、研究、訓練、および確認のためにビデオ・シーケンスを作った。用いたカメラはAxis207ネットワーク・カメラおよびAxis210ネットワーク・カメラで、両方とも自動ホワイト・バランスおよび露出制御を備える。これらのカメラは2つの異なるセンサ技術を用いている。前者のカメラはディジタル・センサCMOSを用い、後者のカメラはアナログ・センサCCDを用いる。これらを用いて、この応用で説明する方法を、特定のカメラまたはセンサ技術に適用される技術ではなく、より一般的な技術環境で開発した。ビデオ・シーケンスはMJPGファイルとして捕らえた。各MJPGファイルはJPGファイルのシリーズから成る。これらを分離し、PPMファイルに変換して、調査の際にデータとして用いた。しかし、本発明を実施するのに任意の種類の画像フォーマットを用いてもよかった。
われわれの周囲のほとんどの光源は輻射黒体である。そのスペクトル強さはその温度に依存し、プランクの黒体輻射の法則により次式で与えられる。
ただし、Iはスペクトル放射輝度、?は周波数、Tは温度、hはプランクの定数、cは光速、eは自然対数の底、kはボルツマン定数である。
対象物から反射された光の色は対象物の色と入射光の色の両方に依存する。人間の脳は調整を行って周囲の光の色を補償するので、人間は入射光に関係なく対象物の正しい色を見ることができる。しかし普通のカメラはかかる調整を行わないので、画像の色は影響を受ける(例えば、その場面の入射光が青い場合は画像内の白色の対象物は青みがかることがある)。対象物の真の色を示す画像を作るにはホワイト・バランス・アルゴリズムを適用しなければならない。このアルゴリズムは場面内の白い対象物を画像内で白くし、他の全ての色も或る程度の正確さで修正する。
まず、ビデオ監視カメラが捕らえた画像を前処理して、識別された対象物を正しく区分する。図7aでは画像は識別された対象物(すなわち室内の人物)を含む。図7bでは対象物は区分されている。すなわち、対象物に対応しない画像の部分は削除されている。区分は、対象物を場面の残りから分離する任意の周知の区分方法により行ってよい。
異なるビデオ・シーケンス内の人物を認識するには、異なるビデオ・シーケンスからの特徴を互いに照合する。ヒストグラムを照合するいくつかの方法が文献に示されており、これらの方法を直接用いてよい。ヒストグラムを照合するこれらの方法の1つはヒストグラム内のビンを直接比較することである。これを行う1つの方法は、2つのヒストグラムの対応するビンの積の平方根の和であるバタチャヤ(Bhattacharyya)係数を用いることである。この方法は、D.Comaniciu、V.Ramesh、P.Meerの、「核ベースの対象物の追跡(Kernel−based object tracking)」、IEEE Computer Vision and Pattern Recognition,(2000)、に記述されている。
A.Moeの、「斑点の特徴を用いる視覚照合
、に記述されている。
はビン(YおよびCbまたはCr)に対応する座標、j=1,...,H、ただしHは空でないビンの数、k=0,...,Kはクラス数、ただしKは正規分布の数で、k=0は長方形分布を意味し、
は分布パラメータで、
は期待値、
は分布の観測結果
の共分散マトリックス、πkは相対度数を意味し、Ψk={πk,Θk}である。
の条件を有すると仮定すると、初期相対度数推定値πk 0は次式で与えられる。
Σk 0=Σ
である。ただし、
であり、またk=1,...,Kについて
である。
は2次元の変数
である。ただし、uj 1はY部分、uj 2はCbまたはCr部分である。
を用いてΨ={π,Θ}を推定する。変数
は
毎にモデル選択を完了した
の或るバージョンである。
が観測されたデータ
の確度であるとし、また
が
の確度であるとすると、
である。
Eステップ:
を評価すると、
である。ただし、
である。ベイズ(Bayes)の式を用いると、k=1,...,Kについて
および、長方形分布についての特殊のケース(k=0)
が得られる。ただし、上の2つの式においてj=1,...,Hであり、tは繰返し回数である。ωj=kはビン番号jをクラス番号kとして分類したことを意味する。
d=2は次元の数である(YおよびCbまたはCr)。
は近似的に1/2562に設定する。Aが色平面の面積とすると、これは1/Aである。この近似は結果に影響を与えないが、この式はその統計的意味を失う。
制約付き最適化のためのラグランジュ乗法を用いて条件
の下でQ(Ψ,Ψ(t))を最大にするΨ=Ψ(t+1)を見つけると、k=1,...,Kについて
k=1,...,Kについて
およびk=1,...,Kについて
が得られる。ただしnはヒストグラム内の画素の数である。
この節は異なるビデオ・シーケンス内の対象物間の類似性を測る測定基準の開発を扱う。第1部はどの変数を用いるかに関する説明を含み、第2部は測定基準関数を開発する。
測定基準を作るのに、パラメータ
を用いたが、いくつかの理由により、これらのパラメータを直接比較しても良い結果を得るのは難しい。異なる場面では光の強さおよび色が変わるので、ヒストグラム内の斑点の位置は変化する。このため、正規分布期待値
の値を測定基準関数への直接入力として扱うことが困難になる。
で定義される座標系に変える。ただし、CはCbまたはCrを意味し、ρは度で与えられる。
少なくとも3つのタイプの変化が異なるビデオ・シーケンス間に現われてモデルに影響を与えるはずである。すなわち、
・ 斑点の全クラスタがρ方向およびα方向に移動する。
・ 斑点の全クラスタが回転する。
・ 斑点が互いに対して内部で移動する。
次に、場面および環境に関する変動を対象物に関係する変動から分離する。次にこれに、対象物の認識の際の重要性に関して測定基準関数内で異なる重みを与えてよい。
で定義される。ただし、Hはヒストグラム内の空でないビンの数、hjはビン番号jの高さである。
重心はYCr平面またはYCb平面またはYCbCr空間内で直接計算してもよい。
の主成分は共分散マトリックスΣを対角化することにより得られる。
ただし、
はヒストグラム内の画素の数である。Λは降順の固有値λ1≧λ2を持つ対角マトリックスである。
は直交マトリックスで、列
はλiに属する固有ベクトルである。基準方向として用いる第1の主方向は最大の固有値に対応する
内の固有ベクトルである。あいまいな結果を確実にするため、必要であれば
の符号を変えて、
が負のρ方向を指し、
が正のα方向を指すようにする。
すなわち、内部クラスタ座標軸である。
で定義される。ただし、p1およびp2は新しい座標、αおよびρは古い座標、αcwおよびρcwはクラスタの重心のαおよびρ座標である。
は第1および第2の主方向をそれぞれ列として持つ2x2マトリックスである。
の行列式は1なので、この変換のためにスケールの変更を考慮に入れる必要はない。
測定基準関数内の諸変数は認識の際に必ずしも同じ重要性ではないので、その重要性に従って、比較した2つの対象物間の得られた類似度への影響に重みを付ける。したがって、全関数は重み付き副関数の和として構築する。或る実施の形態では、副関数は比較した2つのモデル内の変数間の偏差の二次関数として構築する。一次副関数ではなく二次副関数を用いて、大きな偏差の方を小さな偏差より比例的に大きく罰する。副関数は0から1まで変わる。すなわち、現在の変数の比較したモデル値間で、最大偏差の場合は0であり、1は全く偏差がないことに対応する。変数に属する重みを最終的に副関数に追加する。また、全クラスタではなく個別の斑点に接続する変数を扱う副関数を、最小数の斑点を持つモデル内の斑点の数で割る。これはある意味で全関数を0と1との間に入れるために行う。2つの同じモデルを比較した場合は後者の結果が得られる。
ただし、0≦Wx≦1、Σx∈UWx=1、U={ρCW,αCW,φ,π,p1,p2}は測定基準内で用いる全ての変数から成る集合である。
であり、Δxmaxは現在の変数の最大の可能な偏差で、ΔρCW max=256、ΔαCW max=90、Δφmax=180、Δπmax=1、Δplmax=271、Δp2max=271である。
ただし、fは式1.1で定義され、またT={π,p1,p2}は、斑点のクラスタではなく個別の斑点に接続する測定基準内の全ての変数の集合である。
で定義される全測定基準関数の中の罰金関数p(K1,K2,πk1)によりこれを罰する。ただし、F≦1である。pがないと、関数は0と1の間に広がる。f(x1,x2)は式1.1と同様に構築する。R={ρCW,αCW,φ}は、個別の斑点ではなく全クラスタに接続する全ての変数の集合である。p(K1,K2,πk1)は次の式1.2により定義される。
ただし、K1はモデル1内の正規分布の数、K2はモデル2内の正規分布の数、K1≧K2、ΔK=K1−K2である。πk1はモデル1内のクラスk1の相対度数で、1≦k1≦K1である。Vはモデル2内のどの斑点とも一致しなかったモデル1の中の全ての斑点から成る集合である。
ただし、h(k1,k2)は式1.2で定義されており、Sは2つのモデル内の斑点間に見られる最も良い一致の集合である。
式1.3はこの明細書のテスト部および確認部内で比較した対象物間の類似性を測定するのに用いられ、マットラブ(matlab)内に実現されている。
本章はビデオ・シーケンス内の対象物の特性を識別するための提案された方法およびビデオ監視システム内の対象物を追跡するための提案された方法の訓練およびテストを扱う。第1節は測定基準の重みを決定する訓練部を説明する。テストおよび結果は第2節に示す。
測定基準関数内で用いる重み(W={WρCW,WαCW,Wφ,Wπ,Wp1,Wp2})を決定するため、訓練データの或る集合を用いた。この集合は、同じ照明条件の2つの異なる場面(1および2)から得た6つ(各場面から3つ)のビデオ・シーケンス(L1,L2,M1,M2,N1,N2)から成る。これらのビデオ・シーケンスは、それぞれ現在の場面内で行ったり来たりして歩いているテストの人物を捕らえた。3人のテストの人物(L、M、N)を用いて、それぞれ2つ(各場面から1つ)のシーケンスを作った。2つの場面でカメラの位置および視角は同じでなく、対象物までの距離と、対象物の見た部分とはシーケンス内で変わっている。ビデオ・シーケンスL1からの画像を図16aに示し、ビデオ・シーケンスL2からの画像を図16bに示す。
が変わると変わり、また重みの最適な組合せとして、同じ人物を含むシーケンス間の最低の類似性値と異なる人物を含むシーケンス間の最高の類似性値との差が最大になるものを選んだ。最適な重みを見つけるため、簡単なフォアループ(forloop)を例えばマットラブで用いて、
の全ての可能な組合せを処理(loop through)した。0≦Wx∈U≦1およびΣx∈UWx=1という制約条件の下で0.04の増分を用いた。ただし、U={ρCW,αCW,φ,π,p1,p2}である。後で最適な重みWoptをこの明細書のテスト部分で用いた。
を用いると、
が得られる。Cb内の同じ人物間の最低の類似性値は0.9990であり、Cb内の異なる人物間の最高の類似性値は0.9792であって、その差は0.0198である。Crについての同じ値は0.9996および0.9805で、その差は0.0191である。
提案された認識方法をテストするため、訓練手続きと同じ手続きを行う。訓練集合の場合と同様に、8つのビデオ・シーケンスのテスト集合(E1,E2,F1,F2,G1,G2,H1,H2)を、同じ2つの場面(1および2)から捕らえた。4人のテストの人物(E,F,G,H)を用いてそれぞれ2つ(各場面から1つ)のシーケンスを作った。カメラの位置、視角、対象物までの距離、対象物の見た部分、に関する条件は訓練シーケンスの場合と同じであった。ビデオ・シーケンスE1およびE2からの画像を図18a−bに示す。
ただし、CはCbまたはCrで、
が得られる。Cb内の同じ人物間の最低の類似性値は0.9971であり、Cb内の異なる人物間の最高の値は0.9942であって、その差は0.0029である。Crについての同じ値は0.9982および0.9986で、その差は−0.0004である。
を得ることである。このマトリックス内の同じ人物間の最低の類似性値は0.9976であり、異なる人物間の最高の類似性値は0.9963であって、その差は0.0013である。
Claims (39)
- ビデオ監視カメラが捕らえたビデオ・シーケンス内の対象物の特性を識別するビデオ監視システムの方法であって、
前記ビデオ・シーケンス内の特定の対象物を識別するステップ(302)と、
前記ビデオ・シーケンス内で識別された前記特定の対象物の色および強さの情報、すなわち、前記ビデオ・シーケンスの複数の画像から生じた色および強さの情報、に基づいて少なくとも2次元の色空間内に色ヒストグラムを生成するステップ(306)と、
前記生成された色ヒストグラムに基づいて前記対象物の特性を識別するステップ(308,310,312,314)と、
を含むビデオ監視システムの方法。 - 前記生成された色ヒストグラムに基づいて前記対象物の特性を識別する前記ステップは、
前記色ヒストグラムを多数の分布でモデル化するステップ(308)と、
前記生成されモデル化された色ヒストグラムに基づいて前記対象物の特性を識別するステップ(310,312,314)と、
を含む請求項1記載のビデオ監視システムの方法。 - 前記生成されモデル化された色ヒストグラムに基づいて前記対象物の特性を識別する前記ステップは更に、
前記対象物の特性を識別するために多数の分布のパラメータを計算するステップ(312)と、
前記計算されたパラメータに基づいて前記対象物の特性を計算するステップ(314)と、
を含む請求項2記載のビデオ監視システムの方法。 - 前記色ヒストグラムは、分布当てはめアルゴリズムを用いて多数の分布でモデル化する、請求項3記載のビデオ監視システムの方法。
- 前記色ヒストグラムをデカルト座標系から極座標系に変換するステップ(310)、
を更に含む請求項3、4のいずれか一項記載のビデオ監視システムの方法。 - 前記計算されたパラメータに基づいて前記対象物の特性を計算する前記ステップ(314)は、
前記多数の分布のパラメータに、各パラメータと前記対象物の特性との相関に依存して重みを付けることにより前記対象物の特性を計算する、
ことを含む請求項3−5のいずれか一項記載のビデオ監視システムの方法。 - 前記分布のパラメータを計算する前記ステップ(312)は更に、
前記色ヒストグラムを極座標系から第2のデカルト座標系に変換するステップと、
前記第2のデカルト座標系の原点を前記色ヒストグラム内の前記対象物の重心にするステップと、
を含む請求項5または6記載のビデオ監視システムの方法。 - パラメータを計算する前記ステップ(312)は前記第2のデカルト座標系内の前記多数の分布の位置を計算するステップを更に含み、前記第2のデカルト座標系内の前記多数の分布の前記位置は前記対象物の特性を識別するためのパラメータとして用いられる、請求項7記載のビデオ監視システムの方法。
- 前記色ヒストグラム内で対象物の各色部分を前記色ヒストグラム内に或る広がりを有する斑点により表し、また前記対象物をかかる斑点のクラスタとして記述する、請求項1−8のいずれか一項記載のビデオ監視システムの方法。
- 色ヒストグラム内で対象物の各色部分を前記色ヒストグラム内に或る広がりを有する斑点により表し、また前記対象物をかかる斑点のクラスタとして記述し、また前記対象物の特性を識別するのに用いる前記多数の分布のパラメータは、前記斑点のクラスタの重心(ρcw,αcw)、前記斑点のクラスタの基準角(φ)、各分布の相対度数(πk)、前記座標系内の分布の位置(ρ1kおよびρ2k)であり、k=1,...,Kは分布番号、Kはモデル内の分布の総数である、請求項3−9のいずれか一項記載のビデオ監視システムの方法。
- 複数の画像からそれぞれ生じた色および強さの情報を各画像内で対象物を記述する前記画素の数に関して正規化するステップ(304)、
を更に含む請求項1−10のいずれか一項記載のビデオ監視システムの方法。 - 前記色空間は、強さの情報と色の情報とを分離できる、YCbCr、HSV、またはYUV色空間などの色空間である、請求項1−11のいずれか一項記載のビデオ監視システムの方法。
- 前記色ヒストグラムが2次元の色平面内に生成される、請求項1−12のいずれか一項記載のビデオ監視システムの方法。
- 前記色ヒストグラムは前記ビデオ・シーケンスの全ての画像内の色および強さの情報に基づいて生成される、請求項1−13のいずれか一項記載のビデオ監視システムの方法。
- 前記対象物の特性を前記色ヒストグラムに基づいて識別する前記ステップは、
前記ビデオ・シーケンス内の前記対象物を記述するパラメータを前記色ヒストグラムに基づいて識別するステップ(308,310,312)と、
前記対象物の特性を前記識別されたパラメータに基づいて計算するステップ(314)と、
を含む請求項1−14いずれか一項記載のビデオ監視システムの方法。 - 前記ビデオ・シーケンス内の前記対象物を記述するパラメータを識別する前記ステップ(308,310,312)は、
前記色ヒストグラムの重心および色ヒストグラム分布を識別するステップと、
前記対象物の特性を識別するためのパラメータを前記識別された重心および前記識別された色ヒストグラム分布に基づいて計算するステップと、
を含む請求項15記載のビデオ監視システムの方法。 - 前記重心は期待値として、および広がりは共分散マトリックスとして識別する、請求項16記載のビデオ監視システムの方法。
- ビデオ監視システムで対象物を追跡する方法であって、
第1のビデオ監視カメラが捕らえた第1のビデオ・シーケンス内の追跡すべき対象物を識別するステップ(402)と、
前記追跡すべき対象物の特性を請求項1−17のいずれか一項記載の方法に従って識別するステップ(404)と、
第2のビデオ監視カメラが捕らえた第2のビデオ・シーケンス内の候補の対象物を識別するステップ(406)と、
前記候補の対象物の特性を請求項1−17のいずれか一項記載の方法に従って識別するステップ(408)と、
前記候補の対象物の識別された特性と前記追跡すべき対象物の識別された特性とを照合するステップ(410)と、
前記候補の対象物が前記追跡すべき対象物と同一である確度を前記照合するステップに基づいて計算するステップ(412)と、
を含む対象物を追跡する方法。 - 前記照合するステップ(410)は、
前記追跡すべき対象物の生成された斑点のクラスタと前記候補の対象物の生成された斑点のクラスタとの間の移動を検出するステップと、
前記追跡すべき対象物の生成された斑点のクラスタと前記候補の対象物の生成された斑点のクラスタとの間の回転を検出するステップと、
前記追跡すべき対象物の生成された色ヒストグラム内の斑点と前記候補の対象物の生成された色ヒストグラム内の斑点との間の内部移動を検出するステップと、
前記検出された移動、回転、内部移動を比較するステップと、
を更に含む請求項18記載の対象物を追跡する方法。 - 前記検出された移動、回転、内部移動を比較する前記ステップは、
前記移動、回転、内部移動を示すパラメータを比較することにより前記検出された移動、回転、内部移動を比較するステップと、
前記候補の対象物が前記追跡すべき対象物と同一である確度を計算するために重要度に従って前記比較されたパラメータに重みを付けるステップと、
を更に含む請求項19記載の対象物を追跡する方法。 - 前記方法は、
前記候補の対象物が前記追跡すべき対象物と同一である確度を示す信号を生成するステップ(414)、
を更に含む請求項18−20のいずれか一項記載の対象物を追跡する方法。 - 前記候補の対象物の識別された特性と前記追跡すべき対象物の識別された特性とを照合する前記ステップ(410)は、
前記追跡すべき対象物の前記色ヒストグラム内の前記多数の斑点と前記候補の対象物の前記色ヒストグラム内の前記多数の斑点とを比較するステップ、
を更に含む請求項18−21のいずれか一項記載の対象物を追跡する方法。 - 前記候補の対象物の識別された特性と前記追跡すべき対象物の識別された特性とを照合する前記ステップ(410)は、
前記候補の対象物を記述する前記色ヒストグラムのパラメータと前記追跡すべき対象物を記述する前記色ヒストグラムのパラメータとを照合する、
ことを含む請求項18−22のいずれか一項記載の対象物を追跡する方法。 - ビデオ監視システム内の識別機器(100)であって、
ビデオ・シーケンス内の特定の対象物を識別する対象物識別ユニット(102)と、
前記ビデオ・シーケンス内で識別された特定の対象物の色および強さの情報、すなわち前記ビデオ・シーケンスの複数の画像から生じた色および強さの情報、に基づいて少なくとも2次元の色空間内に色ヒストグラムを生成する色ヒストグラム発生器(104)と、
前記生成された色ヒストグラムに基づいて前記対象物の特性を識別する対象物特性識別器(106)と、
を含む識別機器。 - 前記対象物特性識別器(106)は、
正規分布などの多数の分布で色ヒストグラムをモデル化するヒストグラム・モデル化器(108)、
を更に備える請求項24記載の識別機器。 - 前記対象物特性識別器(106)は、
前記対象物の特性を識別するための前記多数の分布のパラメータを計算するパラメータ計算器(112)と、
前記計算されたパラメータに基づいて前記対象物の特性を計算する対象物特性計算器(114)と、
を更に備える請求項25記載の識別機器。 - 前記対象物特性識別器(106)は、
前記色ヒストグラムをデカルト座標系から極座標系に変換するヒストグラム変換器(110)、
を更に備える請求項24−26のいずれか一項記載の識別機器。 - 前記対象物特性計算器(114)は、前記対象物の認識のときの各パラメータの重要性に従って前記多数の分布のパラメータに重みを付けることにより前記対象物の特性を計算する、請求項26または27記載の識別機器。
- 前記ヒストグラム変換器(110)は更に、前記色ヒストグラムを前記極座標系から第2のデカルト座標系に変換し、また前記座標の原点を前記色ヒストグラム内の前記対象物の重心に移す、請求項27または28記載の識別機器。
- 請求項24−29のいずれか一項記載の識別機器を備えるビデオ監視カメラ。
- ビデオ監視システムであって、
共通の通信ネットワーク(20)に接続する多数のビデオ監視カメラ(10,12,14)と、
請求項24−29のいずれか一項に係る前記共通の通信ネットワークに接続する少なくとも1台の識別機器(100)と、
前記共通の通信ネットワーク(20)に接続する、ビデオ監視システム内の対象物を追跡する追跡装置(200)と、
を備え、前記追跡装置は、
第1のビデオ監視カメラ(10)が捕らえた第1のビデオ・シーケンス内で識別された追跡すべき対象物の識別された特性に関する情報と第2のビデオ監視カメラ(12)が捕らえた第2のビデオ・シーケンス内で識別された候補の対象物の識別された特性に関する情報とを前記少なくとも1台の識別機器(100)から受ける受信器(202)と、
前記候補の対象物の識別された特性と前記追跡すべき対象物の識別された特性とを照合する照合ユニット(204)と、
前記照合するステップに基づいて前記候補の対象物が前記追跡すべき対象物と同一である確度を計算する計算ユニット(206)と、
を備える、
ビデオ監視システム。 - 前記第1のビデオ監視カメラ(10)と前記第2のビデオ監視カメラ(20)とは同じビデオ監視カメラである、請求項31記載のビデオ監視システム。
- 前記第1のビデオ監視カメラ(10)と前記第2のビデオ監視カメラ(20)とは前記ビデオ監視システム内の異なるビデオ監視カメラである、請求項31記載のビデオ監視システム。
- 前記追跡装置(200)は、
前記候補の対象物が前記追跡すべき対象物と同一である確度を示す信号を生成する信号発生器(208)、
を更に備える請求項31−33のいずれか一項記載のビデオ監視システム。 - 少なくとも1台の識別機器(100)から受ける前記候補の対象物の前記識別された特性に関する情報は前記候補の対象物の前記色ヒストグラムのパラメータを含み、少なくとも1台の識別機器(100)から受ける前記追跡すべき対象物の前記識別された特性に関する情報は前記追跡すべき対象物の前記色ヒストグラムのパラメータを含み、また前記照合ユニット(204)は前記候補の対象物の前記色ヒストグラムのパラメータと前記追跡すべき対象物の前記色ヒストグラムのパラメータとを照合する、請求項31−34のいずれか一項記載のビデオ監視システム。
- 前記追跡装置(200)は、前記共通の通信ネットワーク(20)を介して前記多数のビデオ監視カメラ(10)に接続する前記システムの中央ノード(30)に適している、請求項31−35のいずれか一項記載のビデオ監視システム。
- 請求項1−17のいずれか一項記載の方法を実行するための手段を有するビデオ監視システム内の識別機器。
- ビデオ監視システムであって、
共通の通信ネットワーク(20)に接続する多数のビデオ監視カメラ(10)と、
請求項37に係る少なくとも1台の識別機器と、
ビデオ監視システム内にあってビデオ監視システム内の対象物を追跡する追跡装置(200)と、
を備え、
前記追跡装置は、
第1のビデオ監視カメラ(10)が捕らえた第1のビデオ・シーケンス内で識別された追跡すべき対象物の識別された特性に関する情報と第2のビデオ監視カメラ(12)が捕らえた第2のビデオ・シーケンス内で識別された候補の対象物の識別された特性に関する情報とを前記少なくとも1台の識別機器から受ける手段と、
前記候補の対象物の識別された特性と前記追跡すべき対象物の識別された特性とを照合する手段と、
前記照合するステップに基づいて前記候補の対象物が前記追跡すべき対象物と同一である確度を計算する手段と、
を備える、
ビデオ監視システム。 - 請求項1−23のいずれか一項記載のステップをコンピュータに実行させるコンピュータ読取り可能プログラム手段を含む、コンピュータ使用可能媒体上に記憶されるコンピュータ・プログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US80272106P | 2006-05-22 | 2006-05-22 | |
US60/802,721 | 2006-05-22 | ||
PCT/SE2007/000496 WO2007136332A1 (en) | 2006-05-22 | 2007-05-21 | Method and apparatus for identifying properties of an object detected by a video surveillance camera |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009538558A JP2009538558A (ja) | 2009-11-05 |
JP4742168B2 true JP4742168B2 (ja) | 2011-08-10 |
Family
ID=38474137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009511978A Active JP4742168B2 (ja) | 2006-05-22 | 2007-05-21 | ビデオ監視カメラが検出した対象物の特性を識別する方法および機器 |
Country Status (6)
Country | Link |
---|---|
US (2) | US8478040B2 (ja) |
EP (1) | EP1862941B1 (ja) |
JP (1) | JP4742168B2 (ja) |
KR (1) | KR101180160B1 (ja) |
CN (1) | CN101563710B (ja) |
WO (1) | WO2007136332A1 (ja) |
Families Citing this family (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008185352A (ja) * | 2007-01-26 | 2008-08-14 | Nec Corp | 色識別装置および色識別方法 |
JP2008185526A (ja) * | 2007-01-31 | 2008-08-14 | Nec Corp | 色識別装置および色識別方法 |
US8270711B2 (en) * | 2007-08-10 | 2012-09-18 | Asian Institute Of Technology | Method and apparatus for recognition of an object by a machine |
AU2008200966B2 (en) * | 2008-02-28 | 2012-03-15 | Canon Kabushiki Kaisha | Stationary object detection using multi-mode background modelling |
GB2491987B (en) * | 2008-03-03 | 2013-03-27 | Videoiq Inc | Method of searching data for objects identified by object detection |
GB2472932B (en) * | 2008-06-13 | 2012-10-03 | Lockheed Corp | Method and system for crowd segmentation |
US8726355B2 (en) * | 2008-06-24 | 2014-05-13 | Gary Stephen Shuster | Identity verification via selection of sensible output from recorded digital data |
US8131063B2 (en) * | 2008-07-16 | 2012-03-06 | Seiko Epson Corporation | Model-based object image processing |
US8260039B2 (en) * | 2009-02-25 | 2012-09-04 | Seiko Epson Corporation | Object model fitting using manifold constraints |
US8260038B2 (en) * | 2009-02-25 | 2012-09-04 | Seiko Epson Corporation | Subdivision weighting for robust object model fitting |
US8208717B2 (en) * | 2009-02-25 | 2012-06-26 | Seiko Epson Corporation | Combining subcomponent models for object image modeling |
US8204301B2 (en) * | 2009-02-25 | 2012-06-19 | Seiko Epson Corporation | Iterative data reweighting for balanced model learning |
KR101038726B1 (ko) * | 2009-03-18 | 2011-06-03 | (주)에스엔알 | 높은 신뢰도를 갖는 무인 감시 방법, 무인 감시 장치 및 무인 감시 시스템 |
CN102117484B (zh) * | 2009-12-31 | 2013-04-10 | 新谊整合科技股份有限公司 | 使用图像色彩信息的处理***、处理方法与图像分类方法 |
US8665329B2 (en) * | 2010-06-11 | 2014-03-04 | Gianni Arcaini | Apparatus for automatically ignoring cast self shadows to increase the effectiveness of video analytics based surveillance systems |
JP5521836B2 (ja) * | 2010-07-05 | 2014-06-18 | ソニー株式会社 | 撮像装置及び画像処理装置 |
EP2410467A1 (en) * | 2010-07-23 | 2012-01-25 | Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO | System and method for identifying image locations showing the same person in different images |
EP2413265B1 (en) * | 2010-07-29 | 2017-10-18 | Tata Consultancy Services Ltd. | A system and method for classification of moving object during video surveillance |
WO2012046025A1 (en) * | 2010-10-07 | 2012-04-12 | Bae Systems Plc | Image processing |
AU2011311387B2 (en) * | 2010-10-07 | 2014-12-11 | Bae Systems Plc | Image processing |
US8193909B1 (en) | 2010-11-15 | 2012-06-05 | Intergraph Technologies Company | System and method for camera control in a surveillance system |
WO2012067603A1 (en) * | 2010-11-15 | 2012-05-24 | Intergraph Technologies Company | System and method for camera control in a surveillance system |
AU2010257454B2 (en) * | 2010-12-24 | 2014-03-06 | Canon Kabushiki Kaisha | Summary view of video objects sharing common attributes |
US9615064B2 (en) | 2010-12-30 | 2017-04-04 | Pelco, Inc. | Tracking moving objects using a camera network |
US9171075B2 (en) | 2010-12-30 | 2015-10-27 | Pelco, Inc. | Searching recorded video |
CN102103409A (zh) * | 2011-01-20 | 2011-06-22 | 桂林理工大学 | 基于运动轨迹识别的人机交互方法及装置 |
JP2012217137A (ja) * | 2011-03-31 | 2012-11-08 | Sony Corp | 画像処理装置、画像処理方法、画像処理プログラム |
JP5699802B2 (ja) * | 2011-05-26 | 2015-04-15 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム、及び情報処理システム |
CN102831615A (zh) * | 2011-06-13 | 2012-12-19 | 索尼公司 | 对象监控方法和装置,以及监控***操作方法 |
EP2549759B1 (en) * | 2011-07-19 | 2016-01-13 | Axis AB | 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 |
TWI439967B (zh) * | 2011-10-31 | 2014-06-01 | Hon Hai Prec Ind Co Ltd | 安全監控系統及安全監控方法 |
CN102663780B (zh) * | 2012-03-16 | 2015-04-15 | 安科智慧城市技术(中国)有限公司 | 遗留物属性的判断方法及*** |
JP2013210845A (ja) * | 2012-03-30 | 2013-10-10 | Secom Co Ltd | 移動物体照合装置 |
CN102706274B (zh) * | 2012-04-25 | 2014-08-06 | 复旦大学 | 工业结构化场景中机器视觉精确定位机械零件的*** |
CN103426159B (zh) * | 2012-05-23 | 2016-03-02 | 华为技术有限公司 | 多维直方图统计电路和图像处理*** |
CN102843547B (zh) * | 2012-08-01 | 2014-01-08 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑目标智能追踪方法和*** |
US9633263B2 (en) * | 2012-10-09 | 2017-04-25 | International Business Machines Corporation | Appearance modeling for object re-identification using weighted brightness transfer functions |
WO2014106777A1 (en) | 2013-01-03 | 2014-07-10 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | A system and method for contrast enhancement |
US9063991B2 (en) * | 2013-01-25 | 2015-06-23 | Wipro Limited | Methods for identifying unique entities across data sources and devices thereof |
US9100207B2 (en) * | 2013-02-13 | 2015-08-04 | Green Edge Technologies, Inc. | Systems, devices, and methods for mapping devices to realize building automation and energy management |
US20140267595A1 (en) * | 2013-03-15 | 2014-09-18 | Mark J. Cuddeback | Rotating surveillance camera |
US20160098609A1 (en) * | 2013-05-07 | 2016-04-07 | Koninklijke Philips N.V. | A video analysis device and a method of operating a video analysis device |
IL226751A (en) * | 2013-06-04 | 2014-06-30 | Elbit Systems Ltd | A method and system for coordinating imaging sensors |
JP6389888B2 (ja) * | 2013-08-04 | 2018-09-12 | アイズマッチ エルティーディー.EyesMatch Ltd. | 鏡における仮想化の装置、システム、及び方法 |
EP3066022A1 (en) * | 2013-11-06 | 2016-09-14 | The Procter & Gamble Company | Easy to empty flexible containers |
KR101541384B1 (ko) | 2013-12-24 | 2015-08-03 | 전남대학교산학협력단 | 영상 인식 장치 및 방법 |
KR102116092B1 (ko) * | 2014-01-21 | 2020-05-27 | 한화테크윈 주식회사 | 윤형 철조망 검출 방법 |
US20150379770A1 (en) * | 2014-06-27 | 2015-12-31 | David C. Haley, JR. | Digital action in response to object interaction |
CN104268568B (zh) * | 2014-09-17 | 2018-03-23 | 电子科技大学 | 基于独立子空间网络的行为识别方法 |
CN104331500A (zh) * | 2014-11-19 | 2015-02-04 | 中安消技术有限公司 | 一种监控录像分析方法及装置 |
US9678999B1 (en) * | 2014-12-31 | 2017-06-13 | Teradata Us, Inc. | Histogram generation on multiple dimensions |
CN104657490A (zh) * | 2015-03-05 | 2015-05-27 | 四川智羽软件有限公司 | 一种信息检索方法 |
CN104636497A (zh) * | 2015-03-05 | 2015-05-20 | 四川智羽软件有限公司 | 一种视频数据智能检索方法 |
JP6524497B2 (ja) * | 2015-03-31 | 2019-06-05 | 国立大学法人東北大学 | 画像処理装置、画像処理方法、及び、画像処理プログラム |
JP6789676B2 (ja) * | 2015-06-11 | 2020-11-25 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
US9449258B1 (en) | 2015-07-02 | 2016-09-20 | Agt International Gmbh | Multi-camera vehicle identification system |
US9767564B2 (en) | 2015-08-14 | 2017-09-19 | International Business Machines Corporation | Monitoring of object impressions and viewing patterns |
US9710911B2 (en) * | 2015-11-30 | 2017-07-18 | Raytheon Company | System and method for generating a background reference image from a series of images to facilitate moving object identification |
CN105718909A (zh) * | 2016-01-22 | 2016-06-29 | 孟玲 | 一种可增强对比度的地质采样装置 |
US10026003B2 (en) | 2016-03-08 | 2018-07-17 | Accuware, Inc. | Method and arrangement for receiving data about site traffic derived from imaging processing |
US10824878B2 (en) | 2016-03-08 | 2020-11-03 | Accuware, Inc. | Method and arrangement for receiving data about site traffic derived from imaging processing |
US10706516B2 (en) * | 2016-09-16 | 2020-07-07 | Flir Systems, Inc. | Image processing using histograms |
EP3312762B1 (en) * | 2016-10-18 | 2023-03-01 | Axis AB | Method and system for tracking an object in a defined area |
EP3321844B1 (en) * | 2016-11-14 | 2021-04-14 | Axis AB | Action recognition in a video sequence |
JP7085812B2 (ja) * | 2017-08-02 | 2022-06-17 | キヤノン株式会社 | 画像処理装置およびその制御方法 |
US10579880B2 (en) * | 2017-08-31 | 2020-03-03 | Konica Minolta Laboratory U.S.A., Inc. | Real-time object re-identification in a multi-camera system using edge computing |
GB2577689B (en) | 2018-10-01 | 2023-03-22 | Digital Barriers Services Ltd | Video surveillance and object recognition |
CN109973848B (zh) * | 2018-11-01 | 2021-05-18 | 南通益纳森智能科技有限公司 | 灯管颜色即时调整机构 |
EP3667557B1 (en) * | 2018-12-13 | 2021-06-16 | Axis AB | Method and device for tracking an object |
JP7285536B2 (ja) * | 2018-12-28 | 2023-06-02 | 国立大学法人佐賀大学 | 分類器生成装置、対象者推定装置及びそれらのプログラム、並びに対象者推定システム |
CN109614956A (zh) * | 2018-12-29 | 2019-04-12 | 上海依图网络科技有限公司 | 一种视频中对象的识别方法及装置 |
US11017240B2 (en) * | 2019-02-20 | 2021-05-25 | Vigilands Inc | System and method for image analysis based security system |
US11501619B2 (en) | 2019-11-22 | 2022-11-15 | Deere & Company | Worksite classification system and method |
KR102473804B1 (ko) * | 2020-10-16 | 2022-12-05 | 이노뎁 주식회사 | 영상관제 시스템에서 카메라 영상내 관제 지점의 지도 매핑 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005346287A (ja) * | 2004-06-01 | 2005-12-15 | Denso Corp | 画像認識方法および装置 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3544215B2 (ja) * | 1993-07-13 | 2004-07-21 | ソニー株式会社 | ビデオカメラシステム |
JPH11150676A (ja) * | 1997-11-17 | 1999-06-02 | Canon Inc | 画像処理装置及び追尾装置 |
US6389168B2 (en) | 1998-10-13 | 2002-05-14 | Hewlett Packard Co | Object-based parsing and indexing of compressed video streams |
US6980679B2 (en) | 1998-10-23 | 2005-12-27 | Varian Medical System Technologies, Inc. | Method and system for monitoring breathing activity of a subject |
US6226388B1 (en) * | 1999-01-05 | 2001-05-01 | Sharp Labs Of America, Inc. | Method and apparatus for object tracking for automatic controls in video devices |
US6532301B1 (en) | 1999-06-18 | 2003-03-11 | Microsoft Corporation | Object recognition with occurrence histograms |
US6611622B1 (en) | 1999-11-23 | 2003-08-26 | Microsoft Corporation | Object recognition system and process for identifying people and objects in an image of a scene |
JP4063486B2 (ja) | 2000-09-06 | 2008-03-19 | 日本電気株式会社 | 画像検索装置及び方法並びに画像検索プログラムを記録した記憶媒体 |
US6829391B2 (en) * | 2000-09-08 | 2004-12-07 | Siemens Corporate Research, Inc. | Adaptive resolution system and method for providing efficient low bit rate transmission of image data for distributed applications |
US7742073B1 (en) | 2000-11-01 | 2010-06-22 | Koninklijke Philips Electronics N.V. | Method and apparatus for tracking an object of interest using a camera associated with a hand-held processing device |
US6760465B2 (en) | 2001-03-30 | 2004-07-06 | Intel Corporation | Mechanism for tracking colored objects in a video sequence |
US20090231436A1 (en) * | 2001-04-19 | 2009-09-17 | Faltesek Anthony E | Method and apparatus for tracking with identification |
US6523301B2 (en) * | 2001-07-10 | 2003-02-25 | Vicke T. Delaney | Floral arranging device |
KR100459893B1 (ko) * | 2002-01-08 | 2004-12-04 | 삼성전자주식회사 | 동영상에서 칼라 기반의 객체를 추적하는 방법 및 그 장치 |
DE60330898D1 (de) | 2002-11-12 | 2010-02-25 | Intellivid Corp | Verfahren und system zur verfolgung und verhaltensüberwachung von mehreren objekten, die sich durch mehrere sichtfelder bewegen |
US7113185B2 (en) * | 2002-11-14 | 2006-09-26 | Microsoft Corporation | System and method for automatically learning flexible sprites in video layers |
US7263220B2 (en) | 2003-02-28 | 2007-08-28 | Eastman Kodak Company | Method for detecting color objects in digital images |
US7450735B1 (en) | 2003-10-16 | 2008-11-11 | University Of Central Florida Research Foundation, Inc. | Tracking across multiple cameras with disjoint views |
US7929017B2 (en) * | 2004-07-28 | 2011-04-19 | Sri International | Method and apparatus for stereo, multi-camera tracking and RF and video track fusion |
WO2006073647A2 (en) | 2004-12-03 | 2006-07-13 | Sarnoff Corporation | Method and apparatus for unsupervised learning of discriminative edge measures for vehicle matching between non-overlapping cameras |
US7817822B2 (en) * | 2005-10-14 | 2010-10-19 | Microsoft Corporation | Bi-directional tracking using trajectory segment analysis |
-
2007
- 2007-05-21 KR KR1020087028614A patent/KR101180160B1/ko active IP Right Grant
- 2007-05-21 JP JP2009511978A patent/JP4742168B2/ja active Active
- 2007-05-21 CN CN2007800187586A patent/CN101563710B/zh active Active
- 2007-05-21 WO PCT/SE2007/000496 patent/WO2007136332A1/en active Application Filing
- 2007-05-21 EP EP07108541.9A patent/EP1862941B1/en active Active
- 2007-05-22 US US11/805,465 patent/US8478040B2/en active Active
-
2011
- 2011-12-02 US US13/310,375 patent/US8472714B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005346287A (ja) * | 2004-06-01 | 2005-12-15 | Denso Corp | 画像認識方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
US20120133773A1 (en) | 2012-05-31 |
EP1862941B1 (en) | 2016-10-26 |
US8478040B2 (en) | 2013-07-02 |
CN101563710B (zh) | 2013-12-04 |
EP1862941A3 (en) | 2013-04-24 |
KR20090009899A (ko) | 2009-01-23 |
JP2009538558A (ja) | 2009-11-05 |
US20080031493A1 (en) | 2008-02-07 |
EP1862941A2 (en) | 2007-12-05 |
US8472714B2 (en) | 2013-06-25 |
CN101563710A (zh) | 2009-10-21 |
WO2007136332A1 (en) | 2007-11-29 |
KR101180160B1 (ko) | 2012-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4742168B2 (ja) | ビデオ監視カメラが検出した対象物の特性を識別する方法および機器 | |
US9646212B2 (en) | Methods, devices and systems for detecting objects in a video | |
Rosenberg et al. | Color constancy using kl-divergence | |
KR101953626B1 (ko) | 다중 히스토그램을 이용한 객체 추적 방법 및 이를 이용한 객체 추적 시스템 | |
EP2537140A2 (en) | Method and system for detection and tracking employing multi view multi spectral imaging | |
US20130021496A1 (en) | Method and system for facilitating color balance synchronization between a plurality of video cameras and for obtaining object tracking between two or more video cameras | |
CN109271932A (zh) | 基于颜色匹配的行人再识别方法 | |
CN110197185B (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和*** | |
CN110503017A (zh) | 基于图像处理的智慧节能室内人数检测***与方法 | |
Brenner et al. | RGB-D and thermal sensor fusion: a systematic literature review | |
Galiyawala et al. | Visual appearance based person retrieval in unconstrained environment videos | |
JP7092616B2 (ja) | 物体検出装置、物体検出方法、及び物体検出プログラム | |
CN116561700A (zh) | 基于毫米波雷达的室内人体姿态识别方法 | |
Yeu et al. | Investigation on different color spaces on faster RCNN for night-time human occupancy modelling | |
Iodice et al. | Person re-identification based on enriched symmetry salient features and graph matching | |
CN114359328B (zh) | 一种利用单深度相机和人体约束的运动参数测量方法 | |
JP6687658B2 (ja) | 領域区分装置 | |
Sofiah et al. | Performance Benchmark in Febrile Mass Screening Detection | |
Weiss et al. | An embedded ground change detector for a “smart walker” | |
CN117636226A (zh) | 一种基于人机交互的实境化对抗训练*** | |
CN117994286A (zh) | 一种对携带放射源的可疑行人进行定位与追踪的方法 | |
Madden | Tracking people across disjoint camera views | |
Mohammadi et al. | INTRODUCING NEW PARAMETERS TO COMPARE THE ACCURACY AND RELIABILITY OF MEAN-SHIFT BASED TRACKING ALGORITHMS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20100826 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100901 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101129 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20110422 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110509 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4742168 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140513 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |