Nothing Special   »   [go: up one dir, main page]

CN108537212B - 基于运动估计的学生行为检测方法 - Google Patents

基于运动估计的学生行为检测方法 Download PDF

Info

Publication number
CN108537212B
CN108537212B CN201810721742.1A CN201810721742A CN108537212B CN 108537212 B CN108537212 B CN 108537212B CN 201810721742 A CN201810721742 A CN 201810721742A CN 108537212 B CN108537212 B CN 108537212B
Authority
CN
China
Prior art keywords
motion
image
frame
student
motion estimation
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
CN201810721742.1A
Other languages
English (en)
Other versions
CN108537212A (zh
Inventor
唐贵进
李辉
刘小花
崔子冠
朱秀昌
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.)
Nanjing Hengxin Tianlang Eletronic Technologies Co ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Hengxin Tianlang Eletronic Technologies Co ltd
Nanjing University of Posts and Telecommunications
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 Nanjing Hengxin Tianlang Eletronic Technologies Co ltd, Nanjing University of Posts and Telecommunications filed Critical Nanjing Hengxin Tianlang Eletronic Technologies Co ltd
Priority to CN201810721742.1A priority Critical patent/CN108537212B/zh
Publication of CN108537212A publication Critical patent/CN108537212A/zh
Application granted granted Critical
Publication of CN108537212B publication Critical patent/CN108537212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Educational Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于运动估计的学生行为检测方法，应用于智能录播系统中，方法包括步骤：首先由视频采集模块采集智能录播系统中学生行为的YUV数据帧，并对采集得到的YUV数据帧做预处理；然后对预处理后图像的当前帧与前一帧依次做差分、二值化、腐蚀和膨胀操作，实现提取当前帧较于前一帧的运动轮廓区域和运动轮廓区域的外接矩形，并滤除面积过小的外接矩形的功能；接着对运动轮廓区域所在的像素块作运动估计，得到所有像素块的水平位移矢量和垂直位移矢量，并根据水平位移矢量和垂直位移矢量求出运动轮廓区域的运动角度大小；最后根据连续多帧中运动轮廓的运动角度大小对学生行为进行识别。本发明能有效减少行为识别的运算量，提高行为识别的准确性。

Description

基于运动估计的学生行为检测方法
技术领域
本发明属于计算机视觉研究领域，应用于智能录播系统，尤其涉及一种基于运动估计的学生行为检测方法。
背景技术
随着教育部对精品课程的要求，可以看出以后校园网络的发展的趋势会越来越好，极大地促进了学生的学习状态和老师的教学方式，以及多媒体资源和教育资源的网络共享。随着课堂录播系统的不断推进和完善，目前基于视频图像跟踪识别分析技术的智能录播系统应运而生，它无需教师和学生随身携带有关的数字设备，能够自动对学生和教师行为定位和跟踪识别，使得整个跟踪识别过程自然、连续、无抖动的进行，实现在无人值守的情况下能够自动的对课堂教学的整个状态和过程进行全程录制，并且易于观看。在智能录播系统的学生部分，当有学生站立起来发言时，能够检测出有学生站起，跟踪系统能够通过自动调用对应的学生摄像机对此学生行为智能识别、自动定位以及特写拍摄，当学生这一过程结束时，系统能够自动切换返回到教师跟踪系统。
发明内容
本发明的主要目的在于提供了一种基于运动估计的学生行为检测方法，应用于智能录播系统，实现对学生行为的检测判定，具体技术方案如下：
一种基于运动估计的学生行为检测方法，应用于智能录播系统中，通过装设在智能录播系统中的视频采集模块来采集学生的行为数据，所述行为检测方法包括步骤：
S1：通过视频采集模块采集智能录播系统中学生行为的YUV数据帧，并对采集得到的YUV数据帧做预处理；
S2：对预处理后图像中的当前帧与前一帧依次做差分、二值化、腐蚀和膨胀操作，提取当前帧较于前一帧的运动轮廓区域以及运动轮廓区域的外接矩形，并滤除面积过小的外接矩形；
S3：对运动轮廓区域所在的像素块作运动估计，并根据运动估计得到运动轮廓区域内所有像素块的水平位移矢量和垂直位移矢量；
S4：根据对运动轮廓区域的运动估计结果求出运动轮廓区域的运动角度大小，并根据连续求出预设数量的帧运动所在像素块的运动角度大小对学生行为进行识别判定。
作为优选，在步骤S1中，所述YUV数据帧的预处理方法为：首先将所述YUV数据帧转换为灰度帧后生成灰度图像；然后将所述灰度图像进行高斯滤波操作，用以减少所述灰度图像中的噪声。
作为优选，在步骤S2中，首先对当前帧与前一帧做差分处理和二值化处理，通过二值化处理判断图像中的各个像素点为前景像素点还是背景点；随后对二值化处理后得到图像作腐蚀和膨胀操作，通过腐蚀操作去除图像噪声，通过膨胀操作减少图像中的空洞，使得图像中更多像素连通；最后提取所述运动轮廓区域。
作为优选，所述运动估计的具体过程为：首先将预处理后图像的当前帧分为大小为M×N的块；然后对当前帧中每一指定的当前块根据指定的匹配准则在前一帧中指定的搜索范围内找出与当前块最相似的匹配块；最后根据匹配块与当前块的相对位置计算出运动位移，并将所述运动位移记录为当前块的运动矢量。
作为优选，所述匹配准则采用绝对差值和SAD构成，具体可通过公式
Figure BDA0001718699310000031
表示，其中，(i,j)为位移量，fk和fk-1分别为图像的当前帧与前一帧的灰度值。
作为优选，在步骤S4中，根据运动轮廓区域内的所有像素块的水平位移矢量和垂直位移矢量，来计算运动轮廓区域的运动角度，并基于多帧策略来判断学生行为。
与现有技术相比，本发明的有益效果为：
1、可减少计算量：现有技术中对图像作运动估计是对整个图像作运动估计，其计算量非常大，本发明基于帧间差分提取运动轮廓区域，只对运动轮廓所在的像素块做运动估计，减少了计算量；
2、可以实现实时性：本发明提出的算法只针对运动区域所在像素块作运动估计，所以当一帧图像较前一帧相对静止时，本发明不会对当前帧做运动估计，并且本发明只对当前帧的运动块区域做运动估计，所以很大程度上减少了计算量，提升了算法的运算速度；
3、可靠性高：本发明是连续统计预设数量帧的运动角度值，然后根据指定的评判标准来判断学生的行为动作，有效地提高了评判的可靠性，减少了误判的情况。
附图说明
图1为本发明所述基于运动估计的学生行为检测方法的流程框图；
图2为本发明中每帧图像基于帧间差分和运动估计判断行为的详细流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
参阅图1和图2，在本发明实施例中，提供了基于运动估计的学生行为检测方法，应用于智能录播系统，智能录播系统通过安装的视频采集模块来采集学生的行为数据，行为检测方法包括步骤S1、S2、 S3和S4，具体描述如下：
S1：通过视频采集模块采集智能录播系统中学生行为的YUV数据帧，并对采集得到的YUV数据帧做预处理；
在本发明实施例中，首先通过视频采集模块采集学生的行为数据，即YUV数据帧，YUV数据具体可分为Y、U和V三个分量；其中， Y表示图像的亮度，也就是图像的灰度值，U和V表示图像的色度，用于描述像素的颜色；然后将采集得到的YUV数据帧转为灰度帧，即直接提取Y数据，舍去另外两个分量，生成灰度图像；随后将生成的灰度图像作高斯滤波处理，高斯滤波处理即将灰度图像和一个高斯核做卷积操作，假如灰度图像用Gray表示，则可由公式Grayσ＝Gray*Gσ表示对灰度图像的高斯滤波过程，其中，公式中*表示卷积操作，Gσ表示标准差为σ的二维高斯核，由公式
Figure BDA0001718699310000051
定义形成。
由于高斯滤波是作为低通滤波器使用，可以起到消除高频能力 (比如噪声)的作用，所以本发明通过对YUV数据帧转换成的灰度图像做高斯滤波处理后，可有效减少图像中的噪声，使得灰度图像经过高斯滤波后更加平滑。
S2：对预处理后图像中的当前帧与前一帧依次做差分、二值化、腐蚀和膨胀操作，提取当前帧较于前一帧的运动轮廓区域以及运动轮廓区域的外接矩形，并滤除面积过小的外接矩形。
具体步骤为：
首先，对预处理后图像的当前帧与前一帧做差分和二值化处理，具体的，本发明在对当前帧和前一帧作帧间差分时利用图像序列中相邻两帧或者三帧图像对应像素值相减，然后取差值图像进行阈值化处理提取图像中的运动区域；优选地，以相邻两帧差分算法为例进行描述，首先假设fk(i,j)、fk-1(i,j)分别为图像序列的第k和k-1帧，则它们的差值图像可表示为式Dk＝|fk(i,j)-fk-1(i,j)|，式中，(i,j)表示离散图像坐标；差分处理后的图像再进行二值化处理，首先选取一个阈值 T，通过与阈值T比较来判断图像中的各个像素点是前景像素点还是背景点，其中，当差分图像中某一像素点大于给定的阈值T时，则认为该像素点为前景像素点，反之则认为是背景点，从而提取出当前帧的运动轮廓区域Rk(i,j)，当前帧的运动轮廓区域Rk(i,j)可通过式
Figure BDA0001718699310000061
表示，最后对二值化后的图像进行连通性分析。
随后，再对图像作腐蚀、膨胀操作，其中，腐蚀操作可滤除图像中的孤立点，即把图像噪声过滤掉；膨胀操作可减少图像中的空洞，使图像中更多的像素连通，在对二值化图像腐蚀、膨胀操作后所获得的像素连通域作为当前帧较前一帧的运动轮廓区域。
在其他实施例中，也可以采用相邻三帧图像差分算法进行图像的处理，相邻三帧图像的差分算法原理与相邻两帧的差分算法原理相同。
在获得当前帧运动区域轮廓Rk(i,j)后，本发明再提取运动轮廓区域Rk(i,j)的外接矩形，提取运动轮廓区域Rk(i,j)的外接矩形采用基于四连通区域的种子填充法：即从区域内一点出发，可通过上、下、左、右四个方向的移动组合，在不越出区域的前提下，能够到达区域内的任意像素；由此实现对运动轮廓区域Rk(i,j)的外接矩形提取。
S3：对运动轮廓区域所在的像素块作运动估计，并根据运动估计求出运动轮廓区域内所有像素块的水平位移矢量和垂直位移矢量。
具体步骤为：
首先，提取运动轮廓区域Rk(i,j)外接矩形的左上角坐标left(i,j)，以及右下角坐标right(i,j)。由于运动估计针对M×N的像素块处理，本发明取M和N均为8，即8×8的像素块，所以本发明把left(i,j)的横坐标和纵坐标向下取8的倍数，right(i,j)的横坐标和纵坐标向上取8 的倍数，即运动轮廓区域Rk(i,j)的左上角坐标为
Figure BDA0001718699310000071
运动轮廓区域Rk(i,j)的右下角坐标为
Figure BDA0001718699310000072
随后，根据得到的运动轮廓区域外接矩形的左上角、右下角坐标
Figure BDA0001718699310000073
和
Figure BDA0001718699310000074
在原图像上提取这个区域的像素块做运动估计，这样可避免对整个原图像作运动估计，较大减少了计算量。运动估计可以看作是对相邻图像帧时域相关性的检测，通过对相邻图像帧之间相似部分的搜索来获得图像中景物对象的运动信息；运动估计的基本过程是通过一定的方法在参考帧图像中搜索当前帧图像的运动信息；运动估计对于每一个当前帧的像素都采用一个二维矢量来表示运动信息，即现有技术中的运动矢量；现有技术中会把图像帧分割成许多互不重叠的块，并假定块中的所有像素做相同的运动，这样就可以分别对每个块独立地估计其运动信息参数即运动估计；运动估计的具体过程为：首先将当前帧分为大小为M×N的块，然后对当前帧中每一指定的当前块根据指定的匹配准则在前一帧中指定的搜索范围内找出与当前块最相似的匹配块，最后根据匹配块与当前块的相对位置计算出运动位移，并将运动位移记录为当前块的运动矢量；匹配准则基于绝对差值和SAD构成，具体可通过公式
Figure BDA0001718699310000075
表示，其中，(i,j)为位移量，fk和fk-1分别为当前帧和前一帧的灰度值。若在某一点处SAD(i0,j0)达到最小，则该点为找到的最优匹配点；为了便于说明块匹配准则的基本原理，设当前帧中的某目标块左上角像素点坐标为s＝(x,y)，然后在参考帧中，以待估计块的位置坐标s(i,j)为中心，在水平方向分别向左和向右扩展一定长度的搜索距离dx，而在垂直方向分别向上和向下扩展dy，则可得到一个大小为(2dx+1)×(2dy+1)的搜索窗，用w表示，搜索窗w中的每一点都对应着一个候选匹配块的左上角坐标，本发明中，设某个候选块的左上角像素点的坐标s'＝(x',y')，则该候选块的偏移量mv就是该搜索点对应的运动矢量，即：
mv＝s'-s＝(x',y')-(x,y)＝(x'-x,y'-y)＝(Δx,Δy)
块匹配运动估计的目的是在搜索窗w中搜索与目标块最为匹配的候选块，并获得相应的运动矢量；其中，搜索窗w的大小由视频中物体的运动速度决定；物体的运动速度越快，搜索窗w也就越大，即 dx和dy的取值需加大，以覆盖更大的运动范围，从而获得更高的预测精度；不过，较大的搜索窗通常会使得搜索点增多，从而加大计算量，所以本发明采用基于帧间差分的运动估计，只对当前帧较前一帧的运动轮廓区域作运动估计，有效减少了运算量，本发明中选dx和dy都为 16。
在对运动轮廓区域Rk(i,j)所在位置的原像素值做运动估计后，可以计算出两个值Number_X[i]和Number_Y[i]，其中0≤i≤32， Number_X[i]表示当前运动轮廓内水平位移为(i-16)的块数， Number_Y[i]表示当前运动轮廓内垂直位移为(i-16)的块数；接着统计运动轮廓区域内所有块的位移矢量和，具体可通过如下公式计算：
Figure BDA0001718699310000081
Figure BDA0001718699310000091
Figure BDA0001718699310000092
Figure BDA0001718699310000093
其中，Score_Left、Score_Right、Score_Up和Score_Down分别表示运动轮廓的水平向左位移矢量和、水平向右位移矢量和、垂直向上位移矢量和，以及垂直向下位移矢量和，然后即可求出整个运动轮廓区域的运动角度大小为：
Angle_Up＝atan2(Score_Up,Max(Score_left,Score_right))*180/π
Angle_Down＝atan2(Score_Down,Max(Score_left,Score_right))*180/π其中，atan2函数计算幅度角，Max函数取两者中较大值，π为数学常数，Angle_Up表示向上的运动角度，Angle_Down表示向下的运动角度。
S4：最后，本发明根据连续统计预设数量帧的运动轮廓的运动角度大小来判定学生的行为，优选的，本发明以连续10帧的运动轮廓区域的运动角度大小为依据，对学生行为进行识别；假设一开始学生处于坐下的状态，且学生在连续10帧内如果有至少6帧的运动轮廓区域的运动角度值大于75度，则判定其行为是站起；而在确定学生处于站起的状态下时，如果连续10帧内有至少6帧的运动角度值小于-75度，则可判定学生的行为是坐下。本发明的行为检测方法通过多次连续帧的运动角度判断，可以减少行为识别的误判率，即本发明的基于运动估计的学生行为检测方法具有较高的识别精度。
本发明的基于运动估计的学生行为检测方法，通过对视频采集模块采集到的YUV数据转换成灰度帧，并将灰度帧进行高斯滤波后对图像中的当前帧与前一帧依次做差分、二值化、腐蚀和膨胀操作，提取当前帧较于前一帧的运动轮廓区域以及运动轮廓区域的外接矩形框，并对运动轮廓区域的外接矩形内的像素块做运动估计处理，求出每个像素块的水平位移矢量和垂直位移矢量，从而求出当前帧运动轮廓区域内像素块相较于前一帧的运动角度大小，最后根据多帧中运动角度大小来判断学生的行为。本发明方法可减少计算量，并且由于运算速度快，可实现实时性，同时基于连续统计预设数量帧的运动角度值，有效地提高了行为识别的可靠性，减少了行为识别出错的情况。
以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims (4)

1.基于运动估计的学生行为检测方法，应用于智能录播系统中，通过装设在智能录播系统中的视频采集模块来采集学生的行为数据，其特征在于，所述行为检测方法包括步骤：
S1：通过视频采集模块采集智能录播系统中学生行为的YUV数据帧，并对采集得到的YUV数据帧做预处理；
S2：对预处理后图像中的当前帧与前一帧依次做差分、二值化、腐蚀和膨胀操作，提取当前帧较于前一帧的运动轮廓区域以及运动轮廓区域的外接矩形，并滤除面积过小的外接矩形；
S3：对运动轮廓区域所在的像素块作运动估计，并根据运动估计得到运动轮廓区域内所有像素块的水平位移矢量和垂直位移矢量；
所述运动估计的具体过程为：首先将预处理后图像的当前帧分为大小为M×N的块；然后对当前帧中每一指定的当前块根据指定的匹配准则在前一帧中指定的搜索范围内找出与当前块最相似的匹配块；最后根据匹配块与当前块的相对位置计算出运动位移，并将所述运动位移记录为当前块的运动矢量；
S4：根据对运动轮廓区域的运动估计结果求出运动轮廓区域的运动角度大小，并根据连续求出预设数量的帧运动所在像素块的运动角度大小对学生行为进行识别判定；
在步骤S4中，根据运动轮廓区域内的所有像素块的水平位移矢量和垂直位移矢量，来计算运动轮廓区域的运动角度，并基于多帧策略来判断学生行为。
2.根据权利要求1所述的基于运动估计的学生行为检测方法，其特征在于，在步骤S1中，所述YUV数据帧的预处理方法为：首先将所述YUV数据帧转换为灰度帧后生成灰度图像；然后将所述灰度图像进行高斯滤波操作，用以减少所述灰度图像中的噪声。
3.根据权利要求1所述的基于运动估计的学生行为检测方法，其特征在于，在步骤S2中，首先对当前帧与前一帧做差分处理和二值化处理，通过二值化处理判断图像中的各个像素点为前景像素点还是背景点；随后对二值化处理后得到图像作腐蚀和膨胀操作，通过腐蚀操作去除图像噪声，通过膨胀操作减少图像中的空洞，使得图像中更多像素连通；最后提取所述运动轮廓区域。
4.根据权利要求1所述的基于运动估计的学生行为检测方法，其特征在于，所述匹配准则采用绝对差值和SAD构成，具体可通过公式
Figure FDA0003795496940000021
表示，其中，(i,j)为位移量，fk和fk-1分别为图像的当前帧与前一帧的灰度值。
CN201810721742.1A 2018-07-04 2018-07-04 基于运动估计的学生行为检测方法 Active CN108537212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810721742.1A CN108537212B (zh) 2018-07-04 2018-07-04 基于运动估计的学生行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810721742.1A CN108537212B (zh) 2018-07-04 2018-07-04 基于运动估计的学生行为检测方法

Publications (2)

Publication Number Publication Date
CN108537212A CN108537212A (zh) 2018-09-14
CN108537212B true CN108537212B (zh) 2022-10-14

Family

ID=63487891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810721742.1A Active CN108537212B (zh) 2018-07-04 2018-07-04 基于运动估计的学生行为检测方法

Country Status (1)

Country Link
CN (1) CN108537212B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127971B (zh) * 2019-11-22 2020-12-08 重庆大学 杆系结构位移计算智能作业系统
CN111179301B (zh) * 2019-12-23 2023-06-30 北京中广上洋科技股份有限公司 一种基于计算机视频的运动趋势分析方法
CN111860192A (zh) * 2020-06-24 2020-10-30 国网宁夏电力有限公司检修公司 一种移动物体的识别方法及系统
CN111918099A (zh) * 2020-09-16 2020-11-10 Oppo广东移动通信有限公司 视频处理方法、装置、电子设备及存储介质
CN112492196B (zh) * 2020-10-29 2022-01-07 贝壳技术有限公司 一种直播进行中主播跟踪方法、装置及系统
CN112561951B (zh) * 2020-12-24 2024-03-15 上海富瀚微电子股份有限公司 一种基于帧差绝对误差和sad的运动和亮度检测方法
CN113457110B (zh) * 2021-07-13 2022-03-11 北京理工大学 一种智慧操场中的计数方法、系统及装置
CN113486841A (zh) * 2021-07-23 2021-10-08 北京林业大学 一种基于视觉的森林雷击火检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236656A (zh) * 2008-02-29 2008-08-06 上海华平信息技术股份有限公司 基于块划分的图像中运动目标的检测方法
CN102163334A (zh) * 2011-03-04 2011-08-24 北京航空航天大学 一种基于Fisher线性判别的动背景下视频对象的提取方法
CN104123733A (zh) * 2014-07-15 2014-10-29 合肥工业大学 一种基于块匹配的运动检测及降低错误率的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236656A (zh) * 2008-02-29 2008-08-06 上海华平信息技术股份有限公司 基于块划分的图像中运动目标的检测方法
CN102163334A (zh) * 2011-03-04 2011-08-24 北京航空航天大学 一种基于Fisher线性判别的动背景下视频对象的提取方法
CN104123733A (zh) * 2014-07-15 2014-10-29 合肥工业大学 一种基于块匹配的运动检测及降低错误率的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于视频监控的智慧幼儿园安全检测关键技术研究;高鹏辉;《中国博士论文全文数据库》;20180115;摘要，正文第9-60页 *

Also Published As

Publication number Publication date
CN108537212A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
CN108537212B (zh) 基于运动估计的学生行为检测方法
US11302315B2 (en) Digital video fingerprinting using motion segmentation
Cheng et al. Real time multiple objects tracking and identification based on discrete wavelet transform
CN103093198B (zh) 一种人群密度监测方法及装置
WO2008020598A1 (fr) Dispositif et procédé de détection d'un nombre d'objets
WO2006107055A2 (en) Method for tracking moving object in video acquired of scene with camera
CN110929593A (zh) 一种基于细节辨别区别的实时显著性行人检测方法
CN102457724B (zh) 一种图像运动检测系统及方法
US10110846B2 (en) Computationally efficient frame rate conversion system
CN114220061A (zh) 一种基于深度学习的多目标跟踪方法
CN103955682A (zh) 基于surf兴趣点的行为识别方法及装置
Jaiswal et al. Survey paper on various techniques of recognition and tracking
CN106446832B (zh) 一种基于视频的实时检测行人的方法
Khashman Automatic detection, extraction and recognition of moving objects
CN107273873A (zh) 基于不规则视频序列的行人重识别方法及系统
Chao et al. An improved occlusion handling for appearance-based tracking
Alavianmehr et al. Video foreground detection based on adaptive mixture gaussian model for video surveillance systems
Mudjirahardjo A Study On Human Motion Detection-Toward Abnormal Motion Identification
Wei et al. Automatic video object segmentation for MPEG-4
CN116343263A (zh) 内容自适应的行人重识别数据集生成方法及系统
Huang et al. Object-oriented foreground image extraction
Varadarajan et al. Background subtraction using spatio-temporal continuities
Zhang et al. A saliency based object tracking method
Zhong et al. Robust background modeling via standard variance feature
Chavan et al. Occlusion detection in video sequences

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