[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN103826102A - 一种运动目标的识别方法、装置 - Google Patents

一种运动目标的识别方法、装置 Download PDF

Info

Publication number
CN103826102A
CN103826102A CN201410062447.1A CN201410062447A CN103826102A CN 103826102 A CN103826102 A CN 103826102A CN 201410062447 A CN201410062447 A CN 201410062447A CN 103826102 A CN103826102 A CN 103826102A
Authority
CN
China
Prior art keywords
moving target
background model
macro block
image
variation
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
Application number
CN201410062447.1A
Other languages
English (en)
Other versions
CN103826102B (zh
Inventor
陈文明
庄少华
李秋林
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.)
SHENZHEN HUABAO ELECTRONIC TECHNOLOGY Co Ltd
Original Assignee
SHENZHEN HUABAO ELECTRONIC TECHNOLOGY 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 SHENZHEN HUABAO ELECTRONIC TECHNOLOGY Co Ltd filed Critical SHENZHEN HUABAO ELECTRONIC TECHNOLOGY Co Ltd
Priority to CN201410062447.1A priority Critical patent/CN103826102B/zh
Publication of CN103826102A publication Critical patent/CN103826102A/zh
Priority to PCT/CN2014/083257 priority patent/WO2015123967A1/zh
Priority to US15/120,989 priority patent/US10068343B2/en
Application granted granted Critical
Publication of CN103826102B publication Critical patent/CN103826102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于视频监控技术领域，提供了一种运动目标的识别方法、装置，所述方法包括：A、采集含有背景和运动目标的视频图像；B、对第一帧视频图像进行建模，得到第一背景模型；C、根据第二帧图像和第一背景模型计算得到第一差分图像；D、对第二帧视频图像进行建模，得到第二背景模型；E、根据第三帧视频图像和第二背景模型计算得到第二差分图像；F、根据第一差分图像和第二差分图像分别计算得到第一二值图像和第二二值图像；G、根据第一二值图像和第二二值图像得到运动目标的变化区域；H、依次重复执行步骤A到步骤G，检测出所有运动目标的变化区域。本发明，对车载移动摄像头有很好的自适应性，运动目标的识别率高。

Description

一种运动目标的识别方法、装置
技术领域
本发明属于视频监控技术，尤其涉及一种运动目标的识别方法、装置。
背景技术
视频监控是计算机视觉的一个重要应用，其广泛应用于居民小区、办公楼宇和交通运输等场合，已经成为住宅区、交通、商业乃至国防等领域进行安全防范监控的重要手段。
常用的移动侦测方法有背景减除法、帧差法和光流法等，这些方法主要以静态或准静态背景为条件，适应于车辆运动速度较慢且对图像分割精度要求不是很高的场合，但在背景为动态背景或复杂背景的情况下，用其实现移动侦测实时性差，对于外界环境的变化非常敏感，抗噪性能差，当视频图像受到严重噪声污染时，会导致较大的误判概率。
发明内容
本发明实施例提供了一种运动目标的识别方法、装置，旨在解决现有技术提供的移动侦测方法，误判概率较大的问题。
一方面，提供一种运动目标的识别方法，所述方法包括：
步骤A、采集含有背景和运动目标的视频图像；
步骤B、对第一帧视频图像进行建模，得到第一背景模型；
步骤C、根据第二帧图像和所述第一背景模型计算得到第一差分图像；
步骤D、对第二帧视频图像进行建模，得到第二背景模型；
步骤E、根据第三帧视频图像和所述第二背景模型计算得到第二差分图像；
步骤F、根据所述第一差分图像和所述第二差分图像分别计算得到第一二值图像和第二二值图像；
步骤G、根据所述第一二值图像和所述第二二值图像得到运动目标的变化区域；
步骤H、依次重复执行步骤A到步骤G，检测出所有运动目标的变化区域。
进一步地，在所述步骤G之后，还包括：
将运动目标的变化区域进行基于空间邻域信息的二维交叉熵阈值分割处理，并以预设大小的宏块为单位判定运动目标的变化区域中是否存在运动目标。
进一步地，所述以预设大小的宏块为单位判定运动目标的变化区域中是否存在运动目标包括：
以预设大小的宏块来分割所有运动目标的变化区域，统计出所用的宏块总个数N1；
对所述N1个宏块逐个检测，如果检测到的宏块中覆盖的运动目标像素总个数超过预设像素数量，则所述宏块被计数一次；
统计所有被计数的宏块个数N2；
当N2/N1大于预先设定的值时，则判定运动目标的变化区域中有运动目标。
进一步地，采用改进的混合高斯模型对第一帧视频图像进行建模，得到第一背景模型；
采用改进的混合高斯模型对第二帧视频图像进行建模，得到第二背景模型。
进一步地，采用帧间差分法根据第二帧图像和所述第一背景模型计算得到第一差分图像；
采用帧间差分法根据第三帧视频图像和所述第二背景模型计算得到第二差分图像。
另一方面，提供一种运动目标的识别装置，所述装置包括：
视频图像采集单元，用于采集含有背景和运动目标的视频图像；
第一背景模型获取单元，用于对第一帧视频图像进行建模，得到第一背景模型；
第一差分图像获取单元，用于根据第二帧图像和所述第一背景模型计算得到第一差分图像；
第二背景模型获取单元，用于对第二帧视频图像进行建模，得到第二背景模型；
第二差分图像获取单元，用于根据第三帧视频图像和所述第二背景模型计算得到第二差分图像；
二值图像获取单元，用于根据所述第一差分图像和所述第二差分图像分别计算得到第一二值图像和第二二值图像；
变化区域获取单元，用于根据所述第一二值图像和所述第二二值图像得到运动目标的变化区域。
进一步地，所述装置还包括：
运动目标识别单元，用于将运动目标的变化区域进行基于空间邻域信息的二维交叉熵阈值分割处理，并以预设大小的宏块为单位判定运动目标的变化区域中是否存在运动目标。
进一步地，所述运动目标识别单元包括：
宏块总个数统计模块，用于以预设大小的宏块来分割所有运动目标的变化区域，统计出所用的宏块总个数N1；
宏块检测模块，用于对所述N1个宏块逐个检测，如果宏块中覆盖的运动目标像素总个数超过预设像素数量，则所述宏块被计数一次；
宏块个数统计模块，用于统计所有被计数的宏块个数N2；
运动目标判断模块，用于当N2/N1大于预先设定的值时，则判定运动目标的变化区域中有运动目标。
进一步地，所述第一背景模型获取单元采用改进的混合高斯模型对第一帧视频图像进行建模，得到第一背景模型；
所述第二背景模型获取单元采用改进的混合高斯模型对第二帧视频图像进行建模，得到第二背景模型。
进一步地，所述第一差分图像获取单元采用帧间差分法根据第二帧图像和所述第一背景模型计算得到第一差分图像；
所述第二差分图像获取单元采用帧间差分法根据第三帧视频图像和所述第二背景模型计算得到第二差分图像。
在本发明实施例，在车辆移动的过程中，先根据实时采集的视频帧图像不断构建和更新背景模型，再根据更新后的背景模型以及实时采集的视频帧计算运动目标的变化区域，对车载移动摄像头有很好的自适应性，运动目标的识别率高。
附图说明
图1是本发明实施例一提供的运动目标的识别方法的实现流程图；
图2是本发明实施例一提供的运动目标的识别装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明实施例中，采集含有背景和运动目标的视频图像；对第一帧视频图像进行建模，得到第一背景模型；根据第二帧图像和所述第一背景模型计算得到第一差分图像；对第二帧视频图像进行建模，得到第二背景模型；根据第三帧视频图像和所述第二背景模型计算得到第二差分图像；根据所述第一差分图像和所述第二差分图像分别计算得到第一二值图像和第二二值图像；根据所述第一二值图像和所述第二二值图像得到运动目标的变化区域；重复依次执行上述步骤，检测出所有运动目标的变化区域。
以下结合具体实施例对本发明的实现进行详细描述：
实施例一
图1示出了本发明实施例一提供的运动目标的识别方法的实现流程，详述如下：
在步骤S101中，采集含有背景和运动目标的视频图像。
在本实施例中，用车载视频监控摄像头采集含有背景和运动目标的视频图像。
在步骤S102中，对第一帧视频图像进行建模，得到第一背景模型。
在本实施例中，将步骤S101中采集得到的第一帧视频图像作为初始背景图像，对所述初始背景图像的像素利用混合高斯模型建模，得到第一背景模型。
当然，也可以对所述初始背景图像的像素利用改进的混合高斯模型建模，得到第一背景模型。
具体的，本实施例中，还可以通过对初始背景图像的像素利用中值法背景建模、均值法背景建模、卡尔曼滤波背景建模或者高级背景建模等建模方法得到第一背景模型，具体采用何种建模方法，在此不做限制，只是优选的，采用混合高斯建模对初始背景图像的像素进行建模。
在步骤S103中，根据第二帧图像和所述第一背景模型计算得到第一差分图像。
在本实施例中，将第二帧视频图像与第一背景模型分别进行灰度化后，再对灰度化的第二帧视频图像和灰度化的第一背景模型通过帧间差分法进行处理，得到第一差分图像。
在步骤S104中，对第二帧视频图像进行建模，得到第二背景模型。
在本实施例中，对步骤S101中采集得到的第二帧视频图像的像素利用混合高斯建模，得到第二背景模型。
当然，也可以对第二帧视频图像的像素利用改进的混合高斯模型建模，得到第二背景模型。
在步骤S105中，根据第三帧视频图像和所述第二背景模型计算得到第二差分图像。
在本实施例中，将步骤S101中采集得到的第三帧视频图像与步骤S104中得到的第二背景模型分别进行灰度化后，再对灰度化的第三帧视频图像和灰度化的第二背景模型通过帧间差分法进行处理，得到第二差分图像。
在步骤S106中，根据所述第一差分图像和所述第二差分图像分别计算得到第一二值图像和第二二值图像。
在本实施例中，将步骤S103中得到的第一差分图像和步骤S105中得到的第二差分图像分别进行二值化处理，分别得到第一二值化图像和第二二值化图像。
在步骤S107中，根据所述第一二值图像和所述第二二值图像得到运动目标的变化区域。
在本实施例中，在每一个像素点，对步骤S106得到的第一二值化图像和第二二值化图像进行逻辑与运算，则可以计算得到运动目标的变化区域。基于运动目标的变化区域的灰度值设定灰度检测门限，进而可以准确地判断视频图像中的运动目标。
执行完步骤S107后，可以依次重复执行步骤S101至步骤S107，检测出所有运动目标的变化区域。
作为本发明的一个优选实施例，在步骤S107之后，还包括：
将运动目标的变化区域进行基于空间邻域信息的二维交叉熵阈值分割处理，并以预设大小的宏块为单位判定运动目标的变化区域中是否存在运动目标。其中，将运动目标的变化区域进行基于空间邻域信息的二维交叉熵阈值分割处理不仅可以最大限度地排除噪声像素的干扰，还可以在最大程度上提取出运动目标相关的像素，使运动目标的变化区域的判断更精准。
其中，本实施例中，将运动目标的变化区域分割成多个大小相同的图像块，每个图像块的大小为16*16像素，即宏块的尺寸为16*16像素。
具体实施时，如果被分割成的每个小区域超过16*8像素，即算作一个图像块。
具体的，用16*16像素的宏块来分割所有运动目标的变化区域，统计出所用的宏块总个数N1；然后对这N1个宏块逐个考量，如果宏块中覆盖的运动目标像素总个数超过预设的像素数量，比如128（即宏块像素数量的1/2），则该宏块被计数一次，再统计所有被计数的宏块个数N2；最后判断N2/N1的大小，当N2/N1大于某个预先设定的值（如1/4或者1/3或者1/2）时，即判定运动目标的变化区域中有运动目标。其中，“N2/N1”表示“N2除以N1”。
本实施例，在车辆移动的过程中，根据实时采集的视频帧图像不断构建和更新背景模型，再根据更新后的背景模型以及实时采集的视频帧计算运动目标的变化区域，对车载移动摄像头有很好的自适应性，运动目标的识别率高。另外，采用帧间差分法和二维交叉熵阈值分割法相结合的方式对视频图像进行处理，提高了对运动目标准确判断的概率和抗噪性能。
本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。
实施例二
图2示出了本发明实施例二提供的运动目标的识别装置的具体结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。该运动目标的识别装置包括：视频图像采集单元21、第一背景模型获取单元22、第一差分图像获取单元23、第二背景模型获取单元24、第二差分图像获取单元25、二值图像获取单元26和变化区域获取单元27。
其中，视频图像采集单元21，用于采集含有背景和运动目标的视频图像；
第一背景模型获取单元22，用于对第一帧视频图像进行建模，得到第一背景模型；
第一差分图像获取单元23，用于根据第二帧图像和所述第一背景模型计算得到第一差分图像；
第二背景模型获取单元24，用于对第二帧视频图像进行建模，得到第二背景模型；
第二差分图像获取单元25，用于根据第三帧视频图像和所述第二背景模型计算得到第二差分图像；
二值图像获取单元26，用于根据所述第一差分图像和所述第二差分图像分别计算得到第一二值图像和第二二值图像；
变化区域获取单元27，用于根据所述第一二值图像和所述第二二值图像得到运动目标的变化区域。
进一步地，所述装置2还包括：
运动目标识别单元，用于将运动目标的变化区域进行基于空间邻域信息的二维交叉熵阈值分割处理，并以预设大小的宏块为单位判定运动目标的变化区域中是否存在运动目标。
具体的，所述运动目标识别单元包括：
宏块总个数统计模块，用于以预设大小的宏块来分割所有运动目标的变化区域，统计出所用的宏块总个数N1；
宏块检测模块，用于对所述N1个宏块逐个检测，如果宏块中覆盖的运动目标像素总个数超过预设像素数量，则所述宏块被计数一次；
宏块个数统计模块，用于统计所有被计数的宏块个数N2；
运动目标判断模块，用于当N2/N1大于预先设定的值时，则判定运动目标的变化区域中有运动目标。
进一步地，所述第一背景模型获取单元采用改进的混合高斯模型对第一帧视频图像进行建模，得到第一背景模型；
所述第二背景模型获取单元采用改进的混合高斯模型对第二帧视频图像进行建模，得到第二背景模型。
进一步地，所述第一差分图像获取单元采用帧间差分法根据第二帧图像和所述第一背景模型计算得到第一差分图像；
所述第二差分图像获取单元采用帧间差分法根据第三帧视频图像和所述第二背景模型计算得到第二差分图像。
本发明实施例提供的运动目标的识别装置可以应用在前述对应的方法实施例一中，详情参见上述实施例一的描述，在此不再赘述。
值得注意的是，上述装置实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种运动目标的识别方法，其特征在于，所述方法包括：
步骤A、采集含有背景和运动目标的视频图像；
步骤B、对第一帧视频图像进行建模，得到第一背景模型；
步骤C、根据第二帧图像和所述第一背景模型计算得到第一差分图像；
步骤D、对第二帧视频图像进行建模，得到第二背景模型；
步骤E、根据第三帧视频图像和所述第二背景模型计算得到第二差分图像；
步骤F、根据所述第一差分图像和所述第二差分图像分别计算得到第一二值图像和第二二值图像；
步骤G、根据所述第一二值图像和所述第二二值图像得到运动目标的变化区域；
步骤H、依次重复执行步骤A到步骤G，检测出所有运动目标的变化区域。
2.如权利要求1所述的方法，其特征在于，在所述步骤G之后，还包括：
将运动目标的变化区域进行基于空间邻域信息的二维交叉熵阈值分割处理，并以预设大小的宏块为单位判定运动目标的变化区域中是否存在运动目标。
3.如权利要求2所述的方法，其特征在于，所述以预设大小的宏块为单位判定运动目标的变化区域中是否存在运动目标包括：
以预设大小的宏块来分割所有运动目标的变化区域，统计出所用的宏块总个数N1；
对所述N1个宏块逐个检测，如果检测到的宏块中覆盖的运动目标像素总个数超过预设像素数量，则所述宏块被计数一次；
统计所有被计数的宏块个数N2；
当N2/N1大于预先设定的值时，则判定运动目标的变化区域中有运动目标。
4.如权利要求1、2或3所述的方法，其特征在于，采用改进的混合高斯模型对第一帧视频图像进行建模，得到第一背景模型；
采用改进的混合高斯模型对第二帧视频图像进行建模，得到第二背景模型。
5.如权利要求1、2或3所述的方法，其特征在于，采用帧间差分法根据第二帧图像和所述第一背景模型计算得到第一差分图像；
采用帧间差分法根据第三帧视频图像和所述第二背景模型计算得到第二差分图像。
6.一种运动目标的识别装置，其特征在于，所述装置包括：
视频图像采集单元，用于采集含有背景和运动目标的视频图像；
第一背景模型获取单元，用于对第一帧视频图像进行建模，得到第一背景模型；
第一差分图像获取单元，用于根据第二帧图像和所述第一背景模型计算得到第一差分图像；
第二背景模型获取单元，用于对第二帧视频图像进行建模，得到第二背景模型；
第二差分图像获取单元，用于根据第三帧视频图像和所述第二背景模型计算得到第二差分图像；
二值图像获取单元，用于根据所述第一差分图像和所述第二差分图像分别计算得到第一二值图像和第二二值图像；
变化区域获取单元，用于根据所述第一二值图像和所述第二二值图像得到运动目标的变化区域。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
运动目标识别单元，用于将运动目标的变化区域进行基于空间邻域信息的二维交叉熵阈值分割处理，并以预设大小的宏块为单位判定运动目标的变化区域中是否存在运动目标。
8.如权利要求7所述的装置，其特征在于，所述运动目标识别单元包括：
宏块总个数统计模块，用于以预设大小的宏块来分割所有运动目标的变化区域，统计出所用的宏块总个数N1；
宏块检测模块，用于对所述N1个宏块逐个检测，如果宏块中覆盖的运动目标像素总个数超过预设像素数量，则所述宏块被计数一次；
宏块个数统计模块，用于统计所有被计数的宏块个数N2；
运动目标判断模块，用于当N2/N1大于预先设定的值时，则判定运动目标的变化区域中有运动目标。
9.如权利要求6、7或8所述的装置，其特征在于，所述第一背景模型获取单元采用改进的混合高斯模型对第一帧视频图像进行建模，得到第一背景模型；
所述第二背景模型获取单元采用改进的混合高斯模型对第二帧视频图像进行建模，得到第二背景模型。
10.如权利要求6、7或8所述的装置，其特征在于，所述第一差分图像获取单元采用帧间差分法根据第二帧图像和所述第一背景模型计算得到第一差分图像；
所述第二差分图像获取单元采用帧间差分法根据第三帧视频图像和所述第二背景模型计算得到第二差分图像。
CN201410062447.1A 2014-02-24 2014-02-24 一种运动目标的识别方法、装置 Active CN103826102B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201410062447.1A CN103826102B (zh) 2014-02-24 2014-02-24 一种运动目标的识别方法、装置
PCT/CN2014/083257 WO2015123967A1 (zh) 2014-02-24 2014-07-29 一种运动目标的识别方法、装置
US15/120,989 US10068343B2 (en) 2014-02-24 2014-07-29 Method and apparatus for recognizing moving target

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410062447.1A CN103826102B (zh) 2014-02-24 2014-02-24 一种运动目标的识别方法、装置

Publications (2)

Publication Number Publication Date
CN103826102A true CN103826102A (zh) 2014-05-28
CN103826102B CN103826102B (zh) 2018-03-30

Family

ID=50760898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410062447.1A Active CN103826102B (zh) 2014-02-24 2014-02-24 一种运动目标的识别方法、装置

Country Status (3)

Country Link
US (1) US10068343B2 (zh)
CN (1) CN103826102B (zh)
WO (1) WO2015123967A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104483712A (zh) * 2014-12-09 2015-04-01 北京国网富达科技发展有限责任公司 输电线路外物入侵检测方法、装置及系统
WO2015123967A1 (zh) * 2014-02-24 2015-08-27 深圳市华宝电子科技有限公司 一种运动目标的识别方法、装置
CN106408588A (zh) * 2016-04-29 2017-02-15 广西科技大学 一种基于图像处理技术的投篮命中率影响因素的分析方法
CN106651923A (zh) * 2016-12-13 2017-05-10 中山大学 一种视频图像目标检测与分割方法及系统
CN106778667A (zh) * 2016-12-30 2017-05-31 安徽省万薇网络科技有限公司 一种站外车流统计分析方法
CN106934789A (zh) * 2015-12-30 2017-07-07 航天信息股份有限公司 基于三帧差分法的包装动态检测方法及装置
CN108520528A (zh) * 2018-03-29 2018-09-11 中山大学新华学院 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
CN108629792A (zh) * 2017-08-23 2018-10-09 长安通信科技有限责任公司 基于背景建模与背景差分的激光目标检测方法和装置
CN108694722A (zh) * 2017-04-12 2018-10-23 杭州登虹科技有限公司 利用画面数据进行目标追踪的方法
CN108830834A (zh) * 2018-05-23 2018-11-16 重庆交通大学 一种爬索机器人视频缺陷信息自动提取方法
CN109766831A (zh) * 2019-01-09 2019-05-17 深圳市三宝创新智能有限公司 一种道路色带识别方法、装置、计算机设备、及存储介质
CN111476064A (zh) * 2019-01-23 2020-07-31 北京奇虎科技有限公司 小目标检测方法、装置、计算机设备及存储介质
CN112686931A (zh) * 2020-12-22 2021-04-20 北京百度网讯科技有限公司 图像识别方法、垃圾倾倒行为检测方法、设备和介质
CN113780119A (zh) * 2021-08-27 2021-12-10 华雁智能科技(集团)股份有限公司 基于静止摄像机应用场景的高精度运动目标检测方法
CN113791722A (zh) * 2021-09-13 2021-12-14 统信软件技术有限公司 一种截图处理方法、计算设备及可读存储介质

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015186347A1 (ja) * 2014-06-03 2015-12-10 日本電気株式会社 検出システム、検出方法及びプログラム記憶媒体
US10755419B2 (en) * 2017-01-30 2020-08-25 Nec Corporation Moving object detection apparatus, moving object detection method and program
CN108229385A (zh) * 2017-12-29 2018-06-29 江苏省新通智能交通科技发展有限公司 一种基于视频的船舶检测方法及系统
CN108288047A (zh) * 2018-02-07 2018-07-17 成都新舟锐视科技有限公司 一种行人/车辆检测方法
CN109145805B (zh) * 2018-08-15 2021-05-14 深圳市豪恩汽车电子装备股份有限公司 车载环境下的移动目标检测方法及系统
CN110879948B (zh) * 2018-09-06 2022-10-18 华为技术有限公司 图像处理方法、装置及存储介质
CN109636759B (zh) * 2018-12-18 2020-10-30 深圳市华星光电半导体显示技术有限公司 图像处理方法
CN110298323B (zh) * 2019-07-02 2021-10-15 中国科学院自动化研究所 基于视频分析的打架检测方法、系统、装置
CN111242128B (zh) * 2019-12-31 2023-08-04 深圳奇迹智慧网络有限公司 目标检测方法、装置、计算机可读存储介质和计算机设备
CN112587035B (zh) * 2020-12-08 2023-05-05 珠海一微半导体股份有限公司 移动机器人识别工作场景的控制方法和系统
CN112883836B (zh) * 2021-01-29 2024-04-16 中国矿业大学 一种煤矿井下巷道形变视频检测方法
CN113361449A (zh) * 2021-06-23 2021-09-07 公安部第一研究所 一种前端智能设备监控视频关键帧提取方法
CN113870220B (zh) * 2021-09-28 2024-06-25 合肥工业大学 基于矩形图像检测的导线舞动在线监测方法及装置
CN115359094B (zh) * 2022-09-05 2023-04-18 珠海安联锐视科技股份有限公司 一种基于深度学习的运动目标检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002083301A (ja) * 2000-09-06 2002-03-22 Mitsubishi Electric Corp 交通監視装置
CN101325690A (zh) * 2007-06-12 2008-12-17 上海正电科技发展有限公司 监控视频流中人流分析与人群聚集过程的检测方法及系统
CN102800107A (zh) * 2012-07-06 2012-11-28 浙江工业大学 一种基于改进最小交叉熵的运动目标检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3603737B2 (ja) * 2000-03-30 2004-12-22 日本電気株式会社 移動体追尾方法及びその装置
JP5704863B2 (ja) 2010-08-26 2015-04-22 キヤノン株式会社 画像処理装置、画像処理方法及び記憶媒体
US8724854B2 (en) * 2011-04-08 2014-05-13 Adobe Systems Incorporated Methods and apparatus for robust video stabilization
CN102568005B (zh) 2011-12-28 2014-10-22 江苏大学 一种基于混合高斯模型的运动目标检测方法
US8798357B2 (en) * 2012-07-09 2014-08-05 Microsoft Corporation Image-based localization
CN103150738A (zh) * 2013-02-02 2013-06-12 南京理工大学 分布式多传感器运动目标的检测方法
US20150154463A1 (en) * 2013-12-04 2015-06-04 Irida Labs S.A. System and a method for the detection of multiple number-plates of moving cars in a series of 2-d images
CN103826102B (zh) * 2014-02-24 2018-03-30 深圳市华宝电子科技有限公司 一种运动目标的识别方法、装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002083301A (ja) * 2000-09-06 2002-03-22 Mitsubishi Electric Corp 交通監視装置
CN101325690A (zh) * 2007-06-12 2008-12-17 上海正电科技发展有限公司 监控视频流中人流分析与人群聚集过程的检测方法及系统
CN102800107A (zh) * 2012-07-06 2012-11-28 浙江工业大学 一种基于改进最小交叉熵的运动目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于移动检测的运动物体识别技术的研究;项昀;《中国优秀博硕士学位论文全文数据库》;20070515;正文第25页第7行-第29页第4行 *
复杂背景下运动目标识别算法研究;程娟;《中国优秀硕士学位论文全文数据库》;20080915;正文第7页第4行-第17页第17行 *
程娟: "复杂背景下运动目标识别算法研究", 《中国优秀硕士学位论文全文数据库》 *
项昀: "基于移动检测的运动物体识别技术的研究", 《中国优秀博硕士学位论文全文数据库》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015123967A1 (zh) * 2014-02-24 2015-08-27 深圳市华宝电子科技有限公司 一种运动目标的识别方法、装置
US10068343B2 (en) 2014-02-24 2018-09-04 Shenzhen Huabao Electronic Technology Co., Ltd. Method and apparatus for recognizing moving target
CN104483712A (zh) * 2014-12-09 2015-04-01 北京国网富达科技发展有限责任公司 输电线路外物入侵检测方法、装置及系统
CN106934789A (zh) * 2015-12-30 2017-07-07 航天信息股份有限公司 基于三帧差分法的包装动态检测方法及装置
CN106408588A (zh) * 2016-04-29 2017-02-15 广西科技大学 一种基于图像处理技术的投篮命中率影响因素的分析方法
CN106651923A (zh) * 2016-12-13 2017-05-10 中山大学 一种视频图像目标检测与分割方法及系统
CN106778667A (zh) * 2016-12-30 2017-05-31 安徽省万薇网络科技有限公司 一种站外车流统计分析方法
CN108694722A (zh) * 2017-04-12 2018-10-23 杭州登虹科技有限公司 利用画面数据进行目标追踪的方法
CN108629792A (zh) * 2017-08-23 2018-10-09 长安通信科技有限责任公司 基于背景建模与背景差分的激光目标检测方法和装置
CN108520528A (zh) * 2018-03-29 2018-09-11 中山大学新华学院 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
CN108520528B (zh) * 2018-03-29 2021-05-11 中山大学新华学院 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
CN108830834A (zh) * 2018-05-23 2018-11-16 重庆交通大学 一种爬索机器人视频缺陷信息自动提取方法
CN109766831A (zh) * 2019-01-09 2019-05-17 深圳市三宝创新智能有限公司 一种道路色带识别方法、装置、计算机设备、及存储介质
CN111476064A (zh) * 2019-01-23 2020-07-31 北京奇虎科技有限公司 小目标检测方法、装置、计算机设备及存储介质
CN112686931A (zh) * 2020-12-22 2021-04-20 北京百度网讯科技有限公司 图像识别方法、垃圾倾倒行为检测方法、设备和介质
CN112686931B (zh) * 2020-12-22 2024-07-02 北京至为恒通企业管理有限公司 图像识别方法、垃圾倾倒行为检测方法、设备和介质
CN113780119A (zh) * 2021-08-27 2021-12-10 华雁智能科技(集团)股份有限公司 基于静止摄像机应用场景的高精度运动目标检测方法
CN113791722A (zh) * 2021-09-13 2021-12-14 统信软件技术有限公司 一种截图处理方法、计算设备及可读存储介质

Also Published As

Publication number Publication date
CN103826102B (zh) 2018-03-30
US10068343B2 (en) 2018-09-04
WO2015123967A1 (zh) 2015-08-27
US20160371827A1 (en) 2016-12-22

Similar Documents

Publication Publication Date Title
CN103826102A (zh) 一种运动目标的识别方法、装置
KR101240469B1 (ko) 객체 인식 시스템, 차량용 장애물 인식 시스템 및 차량용 장애물 인식 방법
CN110782433B (zh) 基于时序的动态信息暴力抛物检测方法、装置及存储介质
CN103246896B (zh) 一种鲁棒性车辆实时检测与跟踪方法
CN111399492A (zh) 一种机器人及其障碍物感知方法和装置
US10853949B2 (en) Image processing device
CN105744232A (zh) 一种基于行为分析技术的输电线路视频防外破的方法
CN102521842B (zh) 一种实现快速移动检测的方法和装置
CN105493502A (zh) 视频监控方法、视频监控系统以及计算机程序产品
JP2015036980A (ja) 駐車区画占有率判定のための映像および視覚ベースのアクセス制御のハイブリッド方法およびシステム
CN105336169A (zh) 一种基于视频判断交通拥堵的方法和系统
CN105469054B (zh) 正常行为的模型构建方法及异常行为的检测方法
CN103810717A (zh) 一种人体行为检测方法及装置
CN104766079A (zh) 一种远距离红外弱小目标检测方法
CN111402293A (zh) 面向智能交通的一种车辆跟踪方法及装置
CN104282027A (zh) 一种基于Hough变换的圆检测方法
CN111626189B (zh) 一种路面异常检测方法、装置、电子设备及存储介质
CN106097725A (zh) 一种基于动态特征提取的车辆分类流量检测方法
CN110889347B (zh) 基于时空计数特征的密度交通流计数方法及系统
CN102789645A (zh) 一种用于周界防范的多目标快速跟踪方法
CN105354610A (zh) 一种基于随机Hough变换的人数统计方法
CN111784750A (zh) 视频图像中移动物体追踪方法、装置、设备以及存储介质
CN107958226B (zh) 一种道路曲线检测方法、装置和终端
CN112950961B (zh) 车流量统计方法、装置、设备和存储介质
CN103996187A (zh) 对地运动目标光电检测系统及其数据处理方法和图像处理方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant