TWI771026B - 偵測物體之監控方法及其監控系統 - Google Patents
偵測物體之監控方法及其監控系統 Download PDFInfo
- Publication number
- TWI771026B TWI771026B TW110119447A TW110119447A TWI771026B TW I771026 B TWI771026 B TW I771026B TW 110119447 A TW110119447 A TW 110119447A TW 110119447 A TW110119447 A TW 110119447A TW I771026 B TWI771026 B TW I771026B
- Authority
- TW
- Taiwan
- Prior art keywords
- probability
- image
- mask
- monitoring method
- subsection
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
-
- 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
-
- 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
- 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
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
一種偵測物體之監控方法,包含擷取一影像;計算該物體存在於該影像之一初始機率;當該初始機率高於一門檻值,以一遮罩覆蓋該影像之一第一部分;計算該物體存在於該影像之該第一部分以外之處的一第一機率;及使用至少該第一機率以偵測該物體於該影像之一位置。
Description
本發明係關於偵測方法及其監測系統,尤指使用遮罩覆蓋影像以偵測物體之偵測方法及其監測系統。
隨著對於安全監視之需求增加,對於監視影像進行分析之需求也增長。舉例而言,每日24小時持續運作之監控攝影機,每年會產生8760小時的影片,且建築物中,可能有數百部攝影機。因此,用以監看、甚至分析這些影片的人力,將會不堪重負。目前,已投入大量人力監視螢幕或影像,以確保安全。然而,由於保安人員之專注力有限,當前作法將導致更高的成本,與更多的人為疏失。於本領域,仍缺乏使用合理資源分析攝影機擷取之影片的自動化解決方案。
實施例提供一種偵測物體之監控方法,包含擷取一影像;計算該物體存在於該影像之一初始機率;當該初始機率高於一門檻值,以一遮罩覆蓋該影像之一第一部分;計算該物體存在於該影像之該第一部分以外之處的一第一機率;及使用至少該第一機率以偵測該物體於該影像之一位置。
另一實施例提供一種偵測物體之監控系統,包含一監控攝影機及一
處理器。該監控攝影機用以擷取一影像。該處理器用以使用一遮罩覆蓋該影像之一第一部分,計算該物體存在於該影像之該第一部分以外之處的一第一機率,及使用至少該第一機率以於該影像偵測該物體。
100:影像
110:處理後影像
1500:監控系統
1510:監控攝影機
1520:處理器
1530:警報裝置
1540:顯示器
200:監控方法
202至235:步驟
A1至A24,A169:部分
A41,A42,A43,A44:子部分
M:遮罩
OBJ:物體
OBJd:圖案
P1至P24,P41,P42,P43,P44:機率
W:寬度
第1圖為包含被偵測物體之影像的示意圖。
第2圖為實施例中,監控方法的流程圖。
第3圖為使用第2圖之監控方法處理第1圖之影像所得到之處理後影像之示意圖。
第4圖為遮罩依序覆蓋之部分及下一部分彼此部分重疊之舉例示意圖。
第5圖為調整遮罩之尺寸的舉例示意圖。
第6圖至第9圖為遮罩分別覆蓋影像之各部分之舉例示意圖。
第10圖至第13圖為遮罩分別覆蓋所選部分之各子部分之舉例示意圖。
第14圖係如第6圖至第13圖所示處理影像所產生之處理後影像的示意圖。
第15圖為實施例中,偵測物體之監控系統的示意圖。
為了處理上述問題,實施例提供監控方法及監控系統,以分析被監視之空間的影像。
第1圖為包含被偵測物體OBJ之影像100的示意圖。第2圖為實施例中,監控方法200的流程圖。第3圖為使用監控方法200處理第1圖之影像100所得到之處理後影像110之示意圖。第1圖至第3圖僅為舉例,而非限制實施例的範圍。使用監控方法200,可處理影像100以產生處理後影像110。
物體OBJ可為人或預定物體,舉例而言,影像100可為辦公室之影像,且安全監視之目的,可為監控是否有人於異常時間(如週末或深夜)存在,或是否有任何人異常地出現於管制區域(例如接近保險箱之區域)。為了偵測物體OBJ之存在及/或物體OBJ之位置,可使用監控方法200。監控方法200可包含以下步驟。
步驟202:擷取影像100;步驟204:計算物體OBJ存在於影像100之初始機率P0;步驟206:判斷初始機率P0是否高於門檻值;若是,執行步驟210;若否,執行步驟208;步驟208:判斷物體OBJ不存在於影像100;執行步驟202;步驟210:判斷物體OBJ存在於影像100;步驟215:以遮罩M覆蓋影像100之第i部分Ai;步驟220:計算物體OBJ存在於影像100之第i部分Ai以外之處的第i機率Pi;步驟225:判斷遮罩M是否已位於預定位置;若是,執行步驟235;若否,執行步驟230;步驟230:將i加1,以取代原本的i;執行步驟215;及步驟235:判斷物體OBJ之位置。
步驟202至步驟210可執行初步分類,以判斷物體OBJ(例如人或特定物體)是否存在。步驟204及步驟206中,可使用機器學習模型(例如,卷積神經網路),且模型所做之判斷可隨機器學習之訓練而越來越精準,其中訓練可調
整計算時使用之權重值。
舉例而言,步驟206所述的門檻值可為90%,或經實驗及計算(例如根據機器學習之結果)所得到之適宜門檻值。唯有當物體OBJ被判斷存在時,才會執行步驟215至步驟235,以判斷物體OBJ之位置。
步驟215至步驟235中,可移動遮罩M以覆蓋影像100之相異部分,以得到對應於相異部分之機率,且求得之機率可標記於影像100之相異部分,從而據以判斷物體OBJ之位置,如下所述。
步驟215至步驟235中,遮罩M可覆蓋影像100之第i部分Ai。其中,變數i可為大於零之整數。遮罩M可具有預定尺寸,例如m畫素×n畫素,其中m及n為大於零之整數。當遮罩覆蓋影像100之第i部分Ai時,可發生以下三種情況之一。
(情況-i)
若遮罩M無法覆蓋影像100中的物體OBJ之任何部分,則步驟220中,物體OBJ存在於影像100之第i部分Ai以外之處的第i機率Pi,可與步驟204所述之初始機率P0一樣高。
(情況-ii)
若遮罩M可覆蓋影像100中的物體OBJ之一部分,則步驟220中,物體OBJ存在於影像100之第i部分Ai以外之處的第i機率Pi,可低於步驟204所述之初始機率P0。
(情況-ii)
若遮罩M可完全覆蓋影像100中的物體OBJ,則步驟220中,物體OBJ存在於影像100之第i部分Ai以外之處的第i機率Pi,可為最低值(例如,零)。
當影像100之複數個部分(例如A1、A2、A3...)被依序覆蓋時,所得之機率(例如P1、P2、P3...)可分別被標記於該些部分,以產生處理後影像110,且處理後影像110可用以判斷物體OBJ之位置。下文以第1圖及第3圖為例,說明監控方法200。
第1圖中,遮罩M可被移動,以依序覆蓋多個部分A1、A2、A3...A24,以得到機率P1、P2、P3...P24。將機率P1、P2、P3...P24分別標記於部分A1、A2、A3...A24,可得第3圖之處理後影像110。第3圖之例子中,因為當遮罩覆蓋影像100的部分A3、A4、A9及A10時,物體OBJ之一部分被覆蓋,如上文之情況-ii所述,故機率P3、P4、P9及P10(分別標記於影像100之部分A3、A4、A9及A10)可相對低於其他機率。因此,於步驟235,可檢視第3圖之所有機率,且判斷物體OBJ之位置係位於部分A3、A4、A9及A10。第1圖之箭號用以表示遮罩M之移動。
步驟225中,若遮罩M的位置並非位於預定位置,則遮罩M可移動以覆蓋影像100之接續部分,且影像100被覆蓋之部分可逐次依序調整。步驟225所述之預定位置可為預定的最終位置。若遮罩M已位於預定位置,則遮罩M不須再移動以覆蓋影像100中的下一部分。
舉例而言,於第1圖及第3圖中,最先被覆蓋之部分A1可位於影像100之左上角。然後,遮罩M可被向右移動以覆蓋部分A2。依此類推,遮罩M可向右移動以依序覆蓋部分A3、A4、A5及A6。因為部分A6位於影像100之右上角,覆蓋部分A6以求得機率P6後,可移動遮罩M以覆蓋位於部分A1下方之部分A7。同理,遮罩M可被持續移動以計算對應於影像100之相異部分之複數個機率,直到遮罩M被移動到步驟225所述之預定位置。舉例而言,第1圖及第3圖中,步驟225所述之預定位置可為影像100之右下角的部分A24。
第1圖及第3圖中,遮罩M依序覆蓋之一部分及下一部分,可彼此相鄰而不重疊;然而,此僅為舉例,而非用以限制實施例之樣態。其他實施例中,遮罩M依序覆蓋之一部分及下一部分可部分重疊,如第4圖所示。
舉例而言,若步驟202所述之影像100的寬度為192畫素,遮罩M之寬度為24畫素,且依序被覆蓋的部分(如第一部分A1)及下一部分(如第二部分A2)互相重疊之寬度W為23畫素,則遮罩M可被水平移動168(亦即,192減去24)次,由影像100之最左部分(如A1)移至最右部分(如A169),以覆蓋169個部分,從而計算物體OBJ位於影像100之上方部位的169個機率。換言之,遮罩M可每次被移動1畫素。藉由部分重疊遮罩M依序覆蓋之一部分及下一部分,可有效提高偵測物體OBJ之解析度;然而,計算量也會隨之增加,而須使用更多計算資源。
根據實施例,可調整遮罩M之尺寸,以使遮罩M覆蓋之一部分及接續覆蓋之下一部分具有相異尺寸。舉例而言,如第5圖所示,部分A2及先前之部分A1的尺寸可為相異,其中,遮罩M從部分A1移至部分A2後,其尺寸可縮減。第
5圖僅為舉例,根據需求,遮罩M之尺寸可增大,以計算機率。
根據實施例,遮罩M可覆蓋影像100之第一部份,然後,於另一次執行步驟215時,覆蓋影像100之第二部分。第一部分及第二部分之一者,可位於另一者之中。以此方式,偵測物體OBJ之解析度可更為改善,下文將舉例說明。
第6圖至第9圖為遮罩M分別覆蓋影像100之部分A1至部分A4之示意圖。第6圖至第9圖僅用以舉例,其中影像100可為辦公室的照片,且待偵測之物體OBJ可為人。部分A1、A2、A3及A4可分別位於影像100之左上部位、右上部位、左下部位及右下部位,此例中,部分A1至A4互不重疊。如步驟215及步驟220所述,可分別計算物體OBJ存在於被覆蓋部分以外之處之四個機率P1、P2、P3及P4,且機率P1至P4可分別標記於部分A1至A4。
如第6圖至第9圖所示,由於遮罩M於第9圖覆蓋部分A4時,物體OBJ被覆蓋最多,故機率P4可低於機率P1至P3之每一者。因此,可挑選部分A4,且可判斷物體OBJ的位置與部分A4之相關性較高。舉例而言,物體OBJ之位置可位於部分A4,或物體OBJ位於部分A4之比例可高於物體OBJ位於部分A1至A3之比例。
若判斷物體OBJ的位置較相關於部分A4已足供後續應用,則可停止程序。然而,若追求更高的解析度,則可局部覆蓋部分A4,以進一步分析物體OBJ之位置。第10圖至第13圖中,遮罩M被移動以依序覆蓋所選部分A4之子部分A41、A42、A43及A44,從而提高偵測物體OBJ之精確度。
第10圖至第13圖之操作可相似於第6圖至第9圖之操作,部分A4可為待分析之圖像,且四個子部分A41、A42、A43及A44可依序被覆蓋,以分別計算機率P41、P42、P43及P44。機率P41、P42、P43及P44可分別標記於子部分A41、A42、A43及A44,從而進一步偵測物體OBJ之位置於所選部分(如A4)中,較相關於子部分之何者(如A41)。因此,可改善偵測物體OBJ之解析度。第10圖至第13圖中,因機率P41相對較低,故可挑選子部分A41,且判斷物體OBJ之位置與子部分A41之相關性較高。
透過選擇影像之至少一部分(如A4)及進一步覆蓋所選部分之子部分以偵測物體OBJ之位置,可節省計算資源。例如第6圖至第9圖所示,因物體OBJ之位置較相關於部分A4,故可忽略部分A1至A3而不加以分析。因此,相較於第1圖之操作,第6圖至第13圖之操作可節省資源。
實施例提供之監控方法亦可節省神經網路模型使用的權重值。第1圖及第3圖至第13圖中,遮罩M被用以覆蓋影像100之部分及子部分,且神經網路模型可用以分析被覆蓋之影像,以計算物體OBJ存在的機率。遮罩M的位置及/或尺寸可被調整;然而,各階段用以計算及分類之神經網路模型(例如卷積神經網路模型)可相似或甚至相同。換言之,同一組權重值可用以計算不同的機率。因此,可進一步減少所需之計算資源。
當遮罩M具有對應於預定解析度之預定尺寸,不再部分遮蓋子部分以偵測物體OBJ之位置。若須更高的解析度,於第10圖至第13圖所選之子部分可被縮小尺寸之遮罩M部分覆蓋,以計算物體OBJ之存在機率,從而進一步分析物體OBJ於所選子部分中的位置。
第1圖及第4圖至第13圖之操作可選擇性地結合使用以分析影像。例如,第1圖、第4圖及第5圖之操作可用以分析影像以偵測物體。
第14圖為處理後影像110之示意圖。處理後影像110可如第6圖至第13圖處理影像100而產生。第14圖之縱軸及橫軸之單位可為畫素或長度單位。第14圖所示之密度可對應於物體OBJ存在於影像100之機率。如有需求,求得之機率可被標準化。如第1圖至第13圖所述,遮罩M可滑動以覆蓋複數個部分(及子部分)以計算複數個機率,且所得之機率可標記於處理後影像110。
物體OBJ之位置可如第14圖之圖案OBJd所示。雖然圖案OBJd之邊界不甚明確,但對安全監控而言已然足夠。若需更高解析度,則遮罩M之尺寸可進一步縮小,且遮罩M可逐次以小距離移動,以更精確地定位物體OBJ。圖案OBJd可顯示給使用者觀看,或不予顯示而僅供機器辨識。
第15圖為實施例中,偵測物體OBJ之監控系統1500之示意圖。監控系統1500可包含監控攝影機1510、警報裝置1530、顯示器1540及處理器1520。處理器1520可耦接於監控攝影機1510、警報裝置1530及顯示器1540。監控攝影機1510可用以擷取影像100,如上文所述。監控攝影機1510可為光學攝影機、紅外線攝影機及/或網路IP(Internet Protocol)攝影機。處理器1520可用以執行監控方法200及相關操作、判斷及分類,如上文所述。顯示器1540可選擇性地顯示影像100、處理後影像110、各階段之遮罩M、資料、處理程序,及/或相關於偵測與分析物體OBJ之位置的結果。當偵測到物體OBJ之存在,及/或當物體OBJ被偵測到位於預定區域中,警報裝置1530可發送警報,其中警報可包含警報聲、警報
燈光及/或送至警方或保全人員之通知。
總上,實施例之監控方法及監控系統可提供自動化解決方案以偵測物體之存在及位置。實施例之監控方法及監控系統可確保偵測之正確性,彈性調整偵測的解析度,及減少所需之計算資源。因此,可有效處理本領域長期之難題。
以上所述僅為本發明之較佳實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
200:監控方法
202至235:步驟
Claims (18)
- 一種偵測物體之監控方法,包含:擷取一影像;計算該物體存在於該影像之一初始機率;當該初始機率高於一門檻值,以一遮罩覆蓋該影像之一第一部分;計算該物體存在於該影像之該第一部分以外之處的一第一機率;以該遮罩覆蓋該影像之一第二部分;計算該物體存在於該影像之該第二部分以外之處的一第二機率;及使用至少該第一機率及該第二機率以偵測該物體於該影像之一位置。
- 如請求項1所述的監控方法,另包含:當該初始機率低於該門檻值,判斷該物體不存在於該影像。
- 如請求項1所述的監控方法,其中該第一部分部分重疊於該第二部分。
- 如請求項1所述的監控方法,其中該第一部分不重疊於該第二部分。
- 如請求項1所述的監控方法,其中該遮罩之尺寸被調整,以使該第一部分之尺寸相異於該第二部分之尺寸。
- 如請求項1所述的監控方法,其中該第一部分及該第二部分之一者係位於該第一部分及該第二部分之另一者中。
- 如請求項1所述的監控方法,其中使用至少該第一機率及該第二機率以偵測該物體於該影像之該位置,包含:選擇該第一機率及該第二機率之一較低機率,其中該較低機率對應於該第一部分及該第二部分之一所選部分;判斷該物體之該位置與該所選部分的相關性較高。
- 如請求項1所述的監控方法,其中該第一機率及該第二機率係以一神經網路模型之同一組權重值所計算產生。
- 如請求項1所述的監控方法,另包含:根據至少該第一機率及該第二機率,由該第一部分及該第二部分選擇一所選部分;以該遮罩覆蓋該所選部分之一第一子部分,其中該遮罩被縮小;及計算該物體存在於該影像之該第一子部分以外之處的一第三機率;其中該物體於該影像之該位置係根據至少該第三機率而被偵測。
- 如請求項9所述的監控方法,另包含:以該遮罩覆蓋該所選部分之一第二子部分;及計算該物體存在於該影像之該第二子部分以外之處的一第四機率;其中該物體於該影像之該位置係根據至少該第三機率及該第四機率而被偵測。
- 如請求項9所述的監控方法,其中該第一機率及該第三機率係以一神經網路模型之同一組權重值所計算產生。
- 如請求項9所述的監控方法,其中當該遮罩對應於一預定解析度,該第一子部分不被部分遮蓋以分析該物體之該位置。
- 如請求項1所述的監控方法,另包含:當偵測到該物體及/或當該物體被偵測到位於一預定區域中,發送一警報。
- 如請求項1所述的監控方法,另包含:判斷該遮罩是否位於一預定位置;其中當該遮罩位於該預定位置,不移動該遮罩至一後續位置。
- 一種偵測物體之監控系統,包含:一監控攝影機,用以擷取一影像;及一處理器,用以計算該物體存在於該影像之一初始機率,當該初始機率高於一門檻值,使用一遮罩覆蓋該影像之一第一部分,計算該物體存在於該影像之該第一部分以外之處的一第一機率,以該遮罩覆蓋該影像之一第二部分,計算該物體存在於該影像之該第二部分以外之處的一第二機率,及使用至少該第一機率及該第二機率以於該影像偵測該物體之一位置。
- 如請求項15所述的監控系統,另包含一顯示器,用以顯示該影像 及選擇性地顯示該遮罩。
- 如請求項15所述的監控系統,另包含一警報裝置,用以當偵測到該物體及/或當該物體被偵測到位於一預定區域中,發送一警報。
- 如請求項15所述的監控系統,其中該處理器另用以使用一神經網路模型之同一組權重值計算產生該第一機率及該第二機率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/111,515 US11461989B2 (en) | 2020-12-04 | 2020-12-04 | Monitor method and monitor system thereof wherein mask is used to cover image for detecting object |
US17/111,515 | 2020-12-04 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202223837A TW202223837A (zh) | 2022-06-16 |
TWI771026B true TWI771026B (zh) | 2022-07-11 |
Family
ID=81848170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110119447A TWI771026B (zh) | 2020-12-04 | 2021-05-28 | 偵測物體之監控方法及其監控系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11461989B2 (zh) |
TW (1) | TWI771026B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201308254A (zh) * | 2011-08-10 | 2013-02-16 | Univ Nat Taipei Technology | 適用複雜場景的移動偵測方法 |
TW202036091A (zh) * | 2018-12-06 | 2020-10-01 | 宏達國際電子股份有限公司 | 影像處理系統及影像處理方法 |
TW202038188A (zh) * | 2019-04-01 | 2020-10-16 | 大陸商北京市商湯科技開發有限公司 | 影像處理方法及影像處理裝置、電子設備和電腦可讀儲存媒體 |
US20200349711A1 (en) * | 2019-04-30 | 2020-11-05 | L'oreal | Image processing using a convolutional neural network to track a plurality of objects |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090175411A1 (en) * | 2006-07-20 | 2009-07-09 | Dan Gudmundson | Methods and systems for use in security screening, with parallel processing capability |
US9864901B2 (en) * | 2015-09-15 | 2018-01-09 | Google Llc | Feature detection and masking in images based on color distributions |
US9547908B1 (en) * | 2015-09-28 | 2017-01-17 | Google Inc. | Feature mask determination for images |
US10764713B2 (en) * | 2016-05-11 | 2020-09-01 | Here Global B.V. | Map based feedback loop for vehicle observation |
US10621729B2 (en) * | 2016-06-12 | 2020-04-14 | Apple Inc. | Adaptive focus sweep techniques for foreground/background separation |
EP3399465A1 (en) * | 2017-05-05 | 2018-11-07 | Dassault Systèmes | Forming a dataset for fully-supervised learning |
US10733431B2 (en) * | 2017-12-03 | 2020-08-04 | Facebook, Inc. | Systems and methods for optimizing pose estimation |
US10860888B2 (en) * | 2018-01-05 | 2020-12-08 | Whirlpool Corporation | Detecting objects in images |
US10740647B2 (en) * | 2018-03-14 | 2020-08-11 | Adobe Inc. | Detecting objects using a weakly supervised model |
CN108764306B (zh) * | 2018-05-15 | 2022-04-22 | 深圳大学 | 图像分类方法、装置、计算机设备和存储介质 |
US11594079B2 (en) * | 2018-12-18 | 2023-02-28 | Walmart Apollo, Llc | Methods and apparatus for vehicle arrival notification based on object detection |
US10867190B1 (en) * | 2019-11-27 | 2020-12-15 | Aimotive Kft. | Method and system for lane detection |
US11244188B2 (en) * | 2020-04-10 | 2022-02-08 | Inception Institute of Artificial Intelligence, Ltd. | Dense and discriminative neural network architectures for improved object detection and instance segmentation |
KR20220014678A (ko) * | 2020-07-29 | 2022-02-07 | 삼성전자주식회사 | 영상의 깊이를 추정하는 방법 및 장치 |
US10902291B1 (en) * | 2020-08-04 | 2021-01-26 | Superb Ai Co., Ltd. | Methods for training auto labeling device and performing auto labeling related to segmentation while performing automatic verification by using uncertainty scores and devices using the same |
-
2020
- 2020-12-04 US US17/111,515 patent/US11461989B2/en active Active
-
2021
- 2021-05-28 TW TW110119447A patent/TWI771026B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201308254A (zh) * | 2011-08-10 | 2013-02-16 | Univ Nat Taipei Technology | 適用複雜場景的移動偵測方法 |
TW202036091A (zh) * | 2018-12-06 | 2020-10-01 | 宏達國際電子股份有限公司 | 影像處理系統及影像處理方法 |
TW202038188A (zh) * | 2019-04-01 | 2020-10-16 | 大陸商北京市商湯科技開發有限公司 | 影像處理方法及影像處理裝置、電子設備和電腦可讀儲存媒體 |
US20200349711A1 (en) * | 2019-04-30 | 2020-11-05 | L'oreal | Image processing using a convolutional neural network to track a plurality of objects |
Also Published As
Publication number | Publication date |
---|---|
TW202223837A (zh) | 2022-06-16 |
US11461989B2 (en) | 2022-10-04 |
US20220180112A1 (en) | 2022-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287923B (zh) | 人体姿态获取方法、装置、计算机设备及存储介质 | |
CN109766779B (zh) | 徘徊人员识别方法及相关产品 | |
CN108062542B (zh) | 被遮挡的人脸的检测方法 | |
CN107122743B (zh) | 安防监控方法、装置和电子设备 | |
WO2020167155A1 (ru) | Способ и система выявления тревожных событий при взаимодействии с устройством самообслуживания | |
CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
CN108460319B (zh) | 异常人脸检测方法及装置 | |
CN113553922A (zh) | 一种基于改进型卷积神经网络口罩佩戴状态检测方法 | |
CN107301373B (zh) | 数据处理方法、装置及存储介质 | |
TWI771026B (zh) | 偵測物體之監控方法及其監控系統 | |
CN112016509B (zh) | 人员站位异常提醒方法及装置 | |
JP2012208878A (ja) | 画像監視装置 | |
JP3571628B2 (ja) | 画像処理装置 | |
CN111144260A (zh) | 一种翻越闸机的检测方法、装置及*** | |
CN113947795B (zh) | 口罩佩戴检测方法、装置、设备及存储介质 | |
TWI771857B (zh) | 判斷人員進出場域的系統、方法及記錄媒體 | |
JP2011258214A (ja) | 物体検出装置 | |
WO2022012573A1 (zh) | 图像处理方法及装置、电子设备、存储介质 | |
WO2022057329A1 (zh) | 安全监控方法、装置、***和存储介质 | |
JP2005149145A (ja) | 物体検出装置、物体検出方法、およびコンピュータプログラム | |
TW201430721A (zh) | 人員激烈行為偵測方法 | |
JP2012208850A (ja) | 異常検知装置 | |
CN111091024B (zh) | 一种基于视频识别结果的小目标过滤方法和*** | |
CN116343419B (zh) | 一种智能化视频监控报警管理*** | |
CN116883661B (zh) | 一种基于目标识别与图像处理的动火作业检测方法 |