[go: up one dir, main page]

CN112232267A - 一种滞留人员检测方法及系统 - Google Patents

一种滞留人员检测方法及系统 Download PDF

Info

Publication number
CN112232267A
CN112232267A CN202011176794.9A CN202011176794A CN112232267A CN 112232267 A CN112232267 A CN 112232267A CN 202011176794 A CN202011176794 A CN 202011176794A CN 112232267 A CN112232267 A CN 112232267A
Authority
CN
China
Prior art keywords
frame rate
detection result
background model
background
rate detection
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
Application number
CN202011176794.9A
Other languages
English (en)
Inventor
曾军
高树国
马俊朋
贾晓峰
邵洪林
李邵尊
高艳海
郑鹏超
张逸娲
赵建豪
于洪亮
赵睿
张坤
王威
杨振
曹向勇
朗庆凯
赵爽
蔡光柱
魏雷
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.)
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Electric Power Co Ltd
Beijing Guowang Fuda Technology Development Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Electric Power Co Ltd
Beijing Guowang Fuda Technology Development 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 Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Electric Power Co Ltd, Beijing Guowang Fuda Technology Development Co Ltd filed Critical Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Priority to CN202011176794.9A priority Critical patent/CN112232267A/zh
Publication of CN112232267A publication Critical patent/CN112232267A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/215—Motion-based 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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • 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
    • G06T2207/30196—Human being; Person
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种滞留人员检测方法及系统。该方法包括：采集待检测的监控视频；对所述监控视频进行逐帧提取，得到图像数据集；基于高斯背景模型建立低帧率背景模型和高帧率背景模型；将所述图像数据集分别输入至所述低帧率背景模型和所述高帧率背景模型中，得到低帧率检测结果和高帧率检测结果；根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员。本发明能够快速、精准的检测出滞留人员，并根据滞留时间进行报警。

Description

一种滞留人员检测方法及系统
技术领域
本发明涉及人员检测领域，特别是涉及一种滞留人员检测方法及系统。
背景技术
变电站区内人员众多、流动性大，进行作业时，如果不切实做好安全控制措施，容易发生人身伤害事故，严重危及人员生命安全。作业时，安全控制区及其附近区域防止人员滞留是工程施工安全控制的重点和难点。
目前对于人员滞留检测的方法需要大量人员滞留数据样本，最小的数量级也是10000以上。并且训练识别模型时间较长，识别率不是特别好控制。此外，现有的识别模型不可以通用，比如识别人的模型仅限于识别人，不可识别其余物体。
发明内容
本发明的目的是提供一种滞留人员检测方法及系统，用以对滞留人员进行精准、快速的检测，并根据滞留时间进行报警。
为实现上述目的，本发明提供了如下方案：
一种滞留人员检测方法，包括：
采集待检测的监控视频；
对所述监控视频进行逐帧提取，得到图像数据集；
基于高斯背景模型建立低帧率背景模型和高帧率背景模型；
将所述图像数据集分别输入至所述低帧率背景模型和所述高帧率背景模型中，得到低帧率检测结果和高帧率检测结果；
根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员。
可选的，所述根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员，具体包括：
所述高帧率检测结果为前景时，DS(x,y)＝1；所述高帧率检测结果为背景时，DS(x,y)＝0；所述低帧率检测结果为前景时，DL(x,y)＝1；所述低帧率检测结果为背景时，DL(x,y)＝0；(x,y)表示所述图像数据集中的像素点，DS(x,y)表示高帧率检测结果，DL(x,y)表示低帧率检测结果；
当DS(x,y)＝1并且DL(x,y)＝1时，表示像素点(x,y)在区域内为运动目标；
当DS(x,y)＝1并且DL(x,y)＝0时，表示像素点(x,y)为之前被覆盖过、并且重新恢复原始状态的背景；
当DS(x,y)＝0并且DL(x,y)＝1时，表示像素点(x,y)为遗留物体，即滞留人员。
当DS(x,y)＝0并且DL(x,y)＝0时，像素点(x,y)为背景。
可选的，在所述根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员，之后还包括：
判断所述滞留人员的滞留时间是否超过预设时间；
若是，则进行报警。
可选的，还包括：当所述滞留人员离开后，解除警报。
本发明还提供了一种滞留人员检测系统，包括：
视频采集模块，用于采集待检测的监控视频；
提取模块，用于对所述监控视频进行逐帧提取，得到图像数据集；
模型建立模块，用于基于高斯背景模型建立低帧率背景模型和高帧率背景模型；
输入模块，用于将所述图像数据集分别输入至所述低帧率背景模型和所述高帧率背景模型中，得到低帧率检测结果和高帧率检测结果；
结果确定模块，用于根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员。
可选的，所述结果确定模块具体包括：
运动目标确定单元，用于当DS(x,y)＝1并且DL(x,y)＝1时，表示像素点(x,y)在区域内为运动目标；
第一背景确定单元，用于当DS(x,y)＝1并且DL(x,y)＝0时，表示像素点(x,y)为之前被覆盖过、并且重新恢复原始状态的背景；
滞留人员确定单元，用于当DS(x,y)＝0并且DL(x,y)＝1时，表示像素点(x,y)为遗留物体，即滞留人员。
第二背景确定单元，用于当DS(x,y)＝0并且DL(x,y)＝0时，像素点(x,y)为背景。
可选的，还包括：
判断模块，用于判断所述滞留人员的滞留时间是否超过预设时间；
报警模块，用于当所述滞留人员的滞留时间超过预设时间时，进行报警。
可选的，还包括：
解除模块，用于当所述滞留人员离开后，解除警报。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种滞留人员检测方法及系统。该方法包括：基于高斯背景模型建立低帧率背景模型和高帧率背景模型，将图像数据集分别输入至所述低帧率背景模型和所述高帧率背景模型中，得到低帧率检测结果和高帧率检测结果；根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员。本发明能够快速、精准的检测出滞留人员，并根据滞留时间进行报警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例滞留人员检测方法的流程图；
图2为本发明实施例低帧率背景模型和高帧率背景模型的建模方法示意图；
图3为本发明实施例低帧率背景模型和高帧率背景模型的检测结果示意图；
图4为本发明实施例由检测结果确定的四种情况；
图5为本发明实施例滞留人员检测系统的结构框图。
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。
本发明的目的是提供一种滞留人员检测方法及系统，用以对滞留人员进行精准、快速的检测，并根据滞留时间进行报警。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明公开的一种滞留人员检测方法包括以下步骤：
步骤101：采集待检测的监控视频。
步骤102：对所述监控视频进行逐帧提取，得到图像数据集。
步骤103：基于高斯背景模型建立低帧率背景模型和高帧率背景模型。
如果按照传统的运动目标检测方法进行滞留人员检测，就会将研究的对象融入背景当中，误判为背景对象。在需要检测外破目标或者其他情况下(比如非法区域停车等)，采用单一的背景模型对暂时的静态目标进行检测，这种方法是不可行的。因此，本发明设计了一种双背景模型对静态的目标进行检测，使用其中一个背景模型检测所有的前景目标，另一个背景模型检测运动的目标，然后将两个背景模型检测的结果进行信息融合，得到暂时的静态目标，即候选的遗留人员目标(滞留人员)。
双背景模型是在高斯背景模型的基础上建立的，建模方法如图2所示。通常情况下，视频的帧率是25帧/秒。在这种情况下，使用传统高斯背景模型对背景进行估计，即将连续的每一帧图像去更新高斯背景模型，所得到的背景模型与当前图像进行差分、目标分割，可以得到的检测结果是在一个短期的时间内，具有运动状态的目标。设定在帧率为25帧/秒情况下进行的传统意义的高斯背景模型为BS(高帧率背景模型)。第二个背景模型BL(低帧率背景模型)是在一个较低帧率的视频上建立的。降低原始视频的帧率，也就是每隔一定的时间采集一次视频图像，使用图像对背景模型BL进行检测和更新。当BL的帧率将低到一定程度时，可以认为低帧率的高斯背景模型退化成了单纯的背景图像，即采用低帧率的高斯背景模型进行运动目标检测的方法退化成了背景差分法。因此，在短时间内光照变化不明显的情况下，可以使用背景差分法代替低帧率的高斯背景模型。
高帧率背景模型BS能够检测到的目标主要包括运动着的对象或者刚刚从运动状态转变为静止状态的对象，但是当一个新的物体进入场景后静止一段时间，高帧率的背景模型BS则无法检测。而低帧率背景模型BL能够检测到的所有不属于原有背景的目标，无论其运动状态是静止还是运动。
步骤104：将所述图像数据集分别输入至所述低帧率背景模型和所述高帧率背景模型中，得到低帧率检测结果和高帧率检测结果。
如图3所示，假设了一组背景简单且同时存在静止对象和运动目标的视频序列。图a)是原始的背景图像，图b)是当前帧场景图像，其中矩形是静止了一段时间的目标，圆形是运动的目标。图c)是采用了高帧率的背景模型进行目标检测的结果，可以看出只检测到了运动物体。图d)是采用了低帧率的背景模型进行目标检测的结果，检测出了不属于原始背景图像的所有前景对象。因此将c)和d)图像再进行减法运算，就可以将运动的目标消除掉，得到所求的静止对象。
步骤105：根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员。
针对场景中的任意一个像素点f(x,y)，分别使用高帧率背景模型BS和低帧率背景模型BL进行目标检测，分别得到二值化的前景图像DS和DL。假设检测结果为前景时，D(x,y)＝1；检测结果为背景时，D(x,y)＝0。根据两种背景模型检测的不同结果，会产生如图4所示的四种情况。
(1)DS(x,y)＝1并且DL(x,y)＝1时，像素点(x,y)的像素值不符合这两个背景模型中的任意一个，也就是在两个背景模型中都呈现“运动”的状态，说明该点所在区域为运动目标；
(2)DS(x,y)＝1并且DL(x,y)＝0时，像素点(x,y)的像素值符合高帧率背景模型BS，与此同时，该点像素值不符合低帧率背景模型，说明该点为之前被覆盖过、并且重新恢复原始状态的背景；
(3)DS(x,y)＝0并且DL(x,y)＝1时，像素点(x,y)的像素值符合低帧率背景模型BL，与此同时，该点像素值不符合高帧率背景模型，说明该点为一段时间内不属于原始背景的、呈现“静止”状态的对象，即候选的遗留物体(滞留人员)；
(4)DS(x,y)＝0并且DL(x,y)＝0时，像素点(x,y)的像素值同时符合这两个背景模型，该点呈现“静止”状态，即该点为背景。
第三种情况为本发明所研究的对象。这是因为高帧率背景模型BS可以检测出运动目标，但是该模型并不学习这种临时的像素值变化。只有当运动的前景目标静止一段时间之后，高帧率背景模型BS通过较为频繁的学习可以将该前景目标融为背景模型。低帧率背景模型BL的更新频率较低，场景中的前景目标对该模型的训练效果较小，也就是说只要是不符合最初的原始背景模型的前景目标，无论其运动状态是“运动”还是“静止”，都很难对低帧率的背景模型进行训练。由于这两种背景模型在处理“静止的前景目标”的情况下，结果是完全相反的，因此通过条件判断就可以检测出“静止的前景目标”。
在步骤105之后，还包括：
步骤106：判断所述滞留人员的滞留时间是否超过预设时间；
步骤107：当判断所述滞留人员的滞留时间超过预设时间时进行报警。
步骤108：当所述滞留人员离开后，解除警报。
“静止的前景目标”是指不属于原有背景、但是进入了场景后并静止的物体。将双背景模型进行差分的方法只能判断出新的物体由运动变为静止，而不能判断该物体静止的时间。因此设定入侵物体停留报警时间，当静止的前景目标在场景中静止的时间超过停留报警时间时，需要做出报警响应与安全防范措施。当已经判定为滞留人员的目标被移除时，解除警报。
设计一种能够自动更新的可能性图像L(x,y)，使其能够根据双背景模型处理结果与停留报警时间，进行自适应的人员停留特性判断。阈值图像(可能性图像)需要针对场景中每个像素点进行计算，其初始值设置为0，在第t帧时的计算方法如公式：
Figure BDA0002748917770000071
其中，k和maxT均为常数，k是衰减参数，maxT是报警阈值。当位于(x,y)的像素值被判定为静止的前景目标时，该点所对应的L(x,y)会随着时间的变化而增长，当增长到阈值maxT时，判定所在位置为滞留人员，并报警。当该滞留人员离开时，所在点的L(x,y)会迅速低于阈值maxT并开始下降，下降速度与衰减参数k有关。
通常情况下，报警阈值maxT会设定为一个较高的数值。因为较高的报警阈值不仅具有较好的抗噪性，并且对应的启动报警时间较长，这样可以减少误判的概率，即降低虚警率。
当没有人员滞留事件对L(x,y)进行贡献时，L(x,y)的衰减速度由衰减参数k来决定。同时，衰减参数k也决定了人员离开时(离开后需要恢复原始背景)系统的响应速度。为了使人员离开时，系统警报能够迅速地解除，通常情况下，设定衰减参数k为一个较大的数值。
如图5所示，本发明还提供了一种滞留人员检测系统，包括：
视频采集模块501，用于采集待检测的监控视频。
提取模块502，用于对所述监控视频进行逐帧提取，得到图像数据集。
模型建立模块503，用于基于高斯背景模型建立低帧率背景模型和高帧率背景模型。
输入模块504，用于将所述图像数据集分别输入至所述低帧率背景模型和所述高帧率背景模型中，得到低帧率检测结果和高帧率检测结果。
结果确定模块505，用于根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员。
所述结果确定模块505具体包括：
运动目标确定单元，用于当DS(x,y)＝1并且DL(x,y)＝1时，表示像素点(x,y)在区域内为运动目标；
第一背景确定单元，用于当DS(x,y)＝1并且DL(x,y)＝0时，表示像素点(x,y)为之前被覆盖过、并且重新恢复原始状态的背景；
滞留人员确定单元，用于当DS(x,y)＝0并且DL(x,y)＝1时，表示像素点(x,y)为遗留物体，即滞留人员。
第二背景确定单元，用于当DS(x,y)＝0并且DL(x,y)＝0时，像素点(x,y)为背景。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种滞留人员检测方法，其特征在于，包括：
采集待检测的监控视频；
对所述监控视频进行逐帧提取，得到图像数据集；
基于高斯背景模型建立低帧率背景模型和高帧率背景模型；
将所述图像数据集分别输入至所述低帧率背景模型和所述高帧率背景模型中，得到低帧率检测结果和高帧率检测结果；
根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员。
2.根据权利要求1所述的滞留人员检测方法，其特征在于，所述根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员，具体包括：
所述高帧率检测结果为前景时，DS(x,y)＝1；所述高帧率检测结果为背景时，DS(x,y)＝0；所述低帧率检测结果为前景时，DL(x,y)＝1；所述低帧率检测结果为背景时，DL(x,y)＝0；(x,y)表示所述图像数据集中的像素点，DS(x,y)表示高帧率检测结果，DL(x,y)表示低帧率检测结果；
当DS(x,y)＝1并且DL(x,y)＝1时，表示像素点(x,y)在区域内为运动目标；
当DS(x,y)＝1并且DL(x,y)＝0时，表示像素点(x,y)为之前被覆盖过、并且重新恢复原始状态的背景；
当DS(x,y)＝0并且DL(x,y)＝1时，表示像素点(x,y)为遗留物体，即滞留人员。
当DS(x,y)＝0并且DL(x,y)＝0时，像素点(x,y)为背景。
3.根据权利要求1所述的滞留人员检测方法，其特征在于，在所述根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员，之后还包括：
判断所述滞留人员的滞留时间是否超过预设时间；
若是，则进行报警。
4.根据权利要求3所述的滞留人员检测方法，其特征在于，还包括：当所述滞留人员离开后，解除警报。
5.一种滞留人员检测系统，其特征在于，包括：
视频采集模块，用于采集待检测的监控视频；
提取模块，用于对所述监控视频进行逐帧提取，得到图像数据集；
模型建立模块，用于基于高斯背景模型建立低帧率背景模型和高帧率背景模型；
输入模块，用于将所述图像数据集分别输入至所述低帧率背景模型和所述高帧率背景模型中，得到低帧率检测结果和高帧率检测结果；
结果确定模块，用于根据所述低帧率检测结果和所述高帧率检测结果确定滞留人员。
6.根据权利要求5所述的滞留人员检测系统，其特征在于，所述结果确定模块，具体包括：
运动目标确定单元，用于当DS(x,y)＝1并且DL(x,y)＝1时，表示像素点(x,y)在区域内为运动目标；
第一背景确定单元，用于当DS(x,y)＝1并且DL(x,y)＝0时，表示像素点(x,y)为之前被覆盖过、并且重新恢复原始状态的背景；
滞留人员确定单元，用于当DS(x,y)＝0并且DL(x,y)＝1时，表示像素点(x,y)为遗留物体，即滞留人员。
第二背景确定单元，用于当DS(x,y)＝0并且DL(x,y)＝0时，像素点(x,y)为背景。
7.根据权利要求5所述的滞留人员检测系统，其特征在于，还包括：
判断模块，用于判断所述滞留人员的滞留时间是否超过预设时间；
报警模块，用于当所述滞留人员的滞留时间超过预设时间时，进行报警。
8.根据权利要求7所述的滞留人员检测系统，其特征在于，还包括：
解除模块，用于当所述滞留人员离开后，解除警报。
CN202011176794.9A 2020-10-29 2020-10-29 一种滞留人员检测方法及系统 Pending CN112232267A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011176794.9A CN112232267A (zh) 2020-10-29 2020-10-29 一种滞留人员检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011176794.9A CN112232267A (zh) 2020-10-29 2020-10-29 一种滞留人员检测方法及系统

Publications (1)

Publication Number Publication Date
CN112232267A true CN112232267A (zh) 2021-01-15

Family

ID=74109665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011176794.9A Pending CN112232267A (zh) 2020-10-29 2020-10-29 一种滞留人员检测方法及系统

Country Status (1)

Country Link
CN (1) CN112232267A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119360006A (zh) * 2024-12-25 2025-01-24 小米汽车科技有限公司 目标检测方法、装置、车辆和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104285175A (zh) * 2012-05-02 2015-01-14 法国国家科学研究中心 使用小波分析进行单颗粒定位的方法和装置
CN109120935A (zh) * 2018-09-27 2019-01-01 贺禄元 一种视频图像的编码方法和装置
CN111079612A (zh) * 2019-12-09 2020-04-28 北京国网富达科技发展有限责任公司 输电线路通道入侵物体停留监测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104285175A (zh) * 2012-05-02 2015-01-14 法国国家科学研究中心 使用小波分析进行单颗粒定位的方法和装置
CN109120935A (zh) * 2018-09-27 2019-01-01 贺禄元 一种视频图像的编码方法和装置
CN111079612A (zh) * 2019-12-09 2020-04-28 北京国网富达科技发展有限责任公司 输电线路通道入侵物体停留监测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119360006A (zh) * 2024-12-25 2025-01-24 小米汽车科技有限公司 目标检测方法、装置、车辆和存储介质

Similar Documents

Publication Publication Date Title
CN107330920B (zh) 一种基于深度学习的监控视频多目标追踪方法
KR101095528B1 (ko) 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법
CN104787084B (zh) 一种铁路异物侵限检测系统及检测方法
CN105678803B (zh) 基于w4算法和帧间差分的视频监控目标检测方法
CN106006266B (zh) 一种应用于电梯安全监控的机器视觉建立方法
KR101748121B1 (ko) 객체 인지 기반의 실시간 영상 검지 시스템 및 그 방법
CN109409315B (zh) 一种atm机面板区域遗留物检测方法及系统
KR20140033262A (ko) 실내 감시 시스템 및 실내 감시 방법
CN110796819A (zh) 一种针对站台黄线入侵越界人员的检测方法及系统
CN106241533A (zh) 基于机器视觉的电梯乘员综合安全智能监控方法
JP2009519510A (ja) 異常な群集の行動の検出
CN111259718B (zh) 一种基于高斯混合模型的扶梯滞留检测方法及系统
JP6621092B1 (ja) 危険度判別プログラム及びシステム
CN103729858A (zh) 一种视频监控系统中遗留物品的检测方法
CN106241534A (zh) 多人乘梯异常活动智能监控方法
JP7125843B2 (ja) 障害検知システム
CN114373162B (zh) 用于变电站视频监控的危险区域人员入侵检测方法及系统
KR101651410B1 (ko) 다중시차 행위인식 기반의 폭력 검출시스템 및 검출방법
CN114332736A (zh) 一种电力场所消防安全风险分析方法及系统
CN102496024B (zh) 智能监控中以特征帧触发的事件检测方法
Huang et al. A method for fast fall detection
CN112232267A (zh) 一种滞留人员检测方法及系统
CN104392201B (zh) 一种基于全向视觉的人体跌倒识别方法
JP6739115B1 (ja) 危険度判別プログラム及びシステム
KR102504320B1 (ko) 감시카메라 환경에서 다중 특징 정보를 이용한 쓰레기 투기 행위자 탐지 시스템 및 방법

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: 20210115