[go: up one dir, main page]

CN107256386A - 基于深度学习的人类行为分析方法 - Google Patents

基于深度学习的人类行为分析方法 Download PDF

Info

Publication number
CN107256386A
CN107256386A CN201710368874.6A CN201710368874A CN107256386A CN 107256386 A CN107256386 A CN 107256386A CN 201710368874 A CN201710368874 A CN 201710368874A CN 107256386 A CN107256386 A CN 107256386A
Authority
CN
China
Prior art keywords
behavior
personage
bounding box
sequence
video
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
CN201710368874.6A
Other languages
English (en)
Inventor
姚莉
储彬彬
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201710368874.6A priority Critical patent/CN107256386A/zh
Publication of CN107256386A publication Critical patent/CN107256386A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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

Landscapes

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

Abstract

本发明公开了一种基于深度学习的人类行为分析方法。本发明包括两个阶段：标注训练阶段和应用阶段；所述标注阶段包括如下步骤：S1：对多个监控场景视频数据进行相关人物的标注,并训练人物检测网络；S2：进行人物行为序列提取；S3：对提取的人物的行为序列进行标注，并训练行为识别网络，得到行为识别模型；所述应用阶段包括针对实际监控场景的视频，使用与标注训练阶段相同的人物行为序列提取方法，将提取出来的行为视频序列及其对应的光流矢量图像化序列作为行为识别卷积神经网络的输入，通过行为识别模型进行行为分类。本发明可以自动对视频场景中的人类行为进行分析，无需人工干预,能够较好地对人类行为进行分析。

Description

基于深度学习的人类行为分析方法
技术领域：
本发明涉及一种基于深度学习的人类行为分析方法，属于视频和图像处理技术领域。
背景技术：
随着信息技术的不断发展、城市信息化应用水平不断提升，智慧城市建设成为社会建设的一个趋势。目前，监控摄像头已遍布中国大地的每个街头，昼夜不停地监视和录像。在改善社会治安的同时，产生海量视频信息，对成千上万的监控平台进行监控将耗费大量的人力、物力和时间。传统的人海战术，因其效率低下，容易错过关键目标，常常使视频监控处于“监而不控”的状态。而智能视频监控系统，能够在节约人力、物力和时间的成本的同时，进一步解决目前视频监控“监而不控”的病态，从而更加智能、快速、准确地分析出视频中发生的事件。
目前国内外关于视频监控中人类行为分析技术存在着不少急待解决的问题：
1)在对视频监控中的人物进行检测的方法大都是基于帧的，不同帧之间的同一个人无法建立相互联系，而行为是包含时空信息的，这就需要将前后帧上面同一个人的行为进行关联。
2)行为分析比较看重时间和空间特征，很多深度学习算法在输入的时候直接采用缩放方法来使得输入规模一样，但是这种方法在处理输入源尺度不一致的问题时，容易破坏输入的空间特征。
3)现有的行为识别方法能够很好地利用行为的空间特征进行识别，但是有很多没有考虑行为的时间特征，或者没有考虑时间和空间特征的充分融合，将时间和空间特征孤立开来，这样就会使得提取的特征不具有代表性。
发明内容
本发明的目的是提供一种基于深度学习的人类行为分析方法，能够自动对现实监控场景下人进行检测与跟踪，并可较为准确地对其行为进行分析，给出相关类别，适应性强、效果好。
上述的目的通过以下技术方案实现：
基于深度学习的人类行为分析方法，该方法包括两个阶段：标注训练阶段和应用阶段；
所述标注阶段包括如下步骤：
S1：对多个监控场景视频数据进行相关人物的标注，用于训练人物检测卷积神经网络，通过网络微调和参数优化方法来得到人物检测模型；
S2：进行人物行为序列提取；
S3：对提取的人物的行为序列进行标注，用于训练行为识别卷积神经网络，通过网络微调和参数优化方法来得到行为识别模型；
所述应用阶段包括针对实际监控场景的视频，使用与标注训练阶段相同的人物行为序列提取方法，将提取出来的行为视频序列及其对应的光流矢量图像化序列作为行为识别卷积神经网络的输入，通过行为识别模型进行行为分类。
所述的基于深度学习的人类行为分析方法，所述的进行人物行为序列提取的方法包括如下步骤：
S21：对使用人物检测模型对视频序列中的人物进行检测、建模、预估、关联；
S22：对同一人物的行为进行区域提取，形成该人物的行为视频序列；
S23：提取行为视频序列的光流矢量图像化序列：采用相邻的帧之间的光流场估计方法在提取行为视频序列的光流矢量信息，然后将光流矢量值属于固定范围光流信息归一化到0-255之间，将光流矢量图像化，然后根据先后顺序进行堆叠，得到光流矢量图像化序列。
所述的基于深度学习的人类行为分析方法，所述的对使用人物检测模型对视频序列中的人物进行检测、建模、预估、关联的具体方法是：
S211：使用人物检测模型来对视频当前帧上面的人物进行检测，得到检测包围盒；
S212：对前一帧中检测到的人物建立模型[x，y，s，r，x′，y′，s′]，其中(x，y)，s，r分别是前一帧中包围盒的质心坐标、面积和长宽比例，(x′，y′)，s′表示建模人物分配到的包围盒信息；
S213：假设人物在当前帧上面包围盒的长宽比例与上一帧相同，根据已建模人物在前一帧包围盒的信息，使用卡尔曼滤波对其在当前帧上面包围盒的信息进行预估，得到预估包围盒；
假设人物在t-1时刻的最佳状态P(t-1|t-1)，该状态是个包含了该人物在t-1时刻的坐标和其对应速度信息的向量。根据公式(1)对该人物在t时刻的状态进行预测，得到P(t|t-1)，
P(t|t-1)＝AP(t-1|t-1) (1)
利用公式(2)来计算公式(1)中预测值的协方差，其中，C(t|t-1)是P(t|t-1)对应的协方差，Q(t)是系统协方差，
C(t|t-1)＝AC(t-1|t-1)AT+Q(t) (2)
利用公式(3)计算卡尔曼增益K(t)，其中R是观测结果的不确定性，
K(t)＝C(t|t-1)HT(HC(t|t-1)HT+R)-1 (3)
S214：然后根据公式(4)计算当前帧上面的检测包围盒与预估包围盒的重合度，再使用匈牙利优化算法根据重合度将检测包围盒分配给建模人物，
根据公式(3)得到的卡尔曼增益和实际分配包围盒的状态Zk来计算t时刻人物的最佳状态，
P(t|t)＝P(t|t-1)+K(t)(Zk-HP(t|t-1)) (5)
获得t时刻的最佳状态P(t|t)后，使用公式(6)更新t时刻的协方差C(t|t)，继续迭代预估、关联相邻帧上面相同的人物，
C(t|t)＝C(t|t-1)-K(t)HC(t|t-1) (6)
公式(1)至(6)中，A是状态转移矩阵，H是观测矩阵。
所述的基于深度学习的人类行为分析方法，所述的对同一人物的行为进行区域提取，形成该人物的行为视频序列，具体是：根据人物一系列行为中各包围盒的大小，重新定义整个过程中包含该人物行为的最优包围盒，采用最优包围盒来将视频中该人物的行为分割出来，以得到尺度相同的单一人物的行为视频序列同时记录序列包围盒质心坐标信息。
所述的基于深度学习的人类行为分析方法，所述的提取行为视频序列的光流矢量图像化序列的具体方法是：
采用相邻的帧之间的光流场估计方法在提取行为视频序列的光流矢量信息，然后根据公式(7)将正负thresh范围光流信息归一化到0-255之间。
其中，img(i,j)表示得到光流矢量图像上(i,j)位置出的灰度值，thresh是设定的阈值，光流场估计过程中假设相邻帧运动细微，因此这里的thresh可以选取例如20之类的细小数值，然后根据先后顺序将得到水平和垂直方向的光流矢量图像进行堆叠，得到光流矢量图像化序列。
有益效果：
本发明避免了传统方法特征设计、提取过程中复杂的计算，能够自动对现实监控场景下人进行检测与跟踪，并可较为准确地对其行为进行分析，给出相关类别。
附图说明
图1是本发明基于深度学习的人类行为分析方法框架图；
图2是本发明人物行为序列提取方法流程图；
图3是本发明3D行为识别网络框架图。
具体实施方式
下面结合具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
请参阅附图，图1是本发明基于深度学习的人类行为分析方法框架图；图2是本发明人物行为序列提取方法流程图；图3是本发明3D行为识别网络框架图。
本发明提供了一种基于深度学习的人类行为分析方法。该方法包括两个阶段：标注训练阶段和应用阶段。标注训练阶段：首先需要标注一定数量的人物监控视频数据；这些数据被用来训练人物检测卷积神经网络，得到人物检测模型；使用人物检测模型对监控视频中的人物进行检测、建模、预估、关联；对关联后的相同人物提取行为视频序列，提取行为视频序列的光流矢量图像化序列，并对行为序列进行行为类别标注，同时；使用行为视频序列和对应的光流矢量图像化序列训练行为识别卷积神经网络，得到行为识别模型。应用阶段：使用人物检测模型对实际监控场景的视频中的人物进行检测、建模、预估、关联；对关联后的相同人物提取行为视频序列，提取行为视频序列的光流矢量图像化序列，并对行为序列进行行为类别标注；将行为视频序列和光流矢量图像化序列作为行为识别网络的输入，利用行为识别模型对其行为进行分类。
下面通过具体实施例对本发明做进一步阐述：
1)针对实际监控场景的视频，使用人物行为序列提取方法：
1.1)对使用人物检测模型对视频序列中的人物进行检测、建模、预估、关联。
1.1.1)使用人物检测模型来对视频当前帧上面的人物进行检测，得到检测包围盒；
1.1.2)对前一帧中检测到的人物建立模型[x，y，s，r，x′，y′，s′]，其中(x，y)，s，r分别是前一帧中包围盒的质心坐标、面积和长宽比例，(x′，y′)，s′表示建模人物分配到的包围盒信息；
1.1.3)假设人物在当前帧上面包围盒的长宽比例与上一帧相同，根据已建模人物在前一帧包围盒的信息，使用卡尔曼滤波对其在当前帧上面包围盒的信息进行预估，得到预估包围盒；
假设人物在t-1时刻的最佳状态P(t-1|t-1)，该状态是个包含了该人物在t-1时刻的坐标和其对应速度信息的向量。根据公式(1)对该人物在t时刻的状态进行预测，得到P(t|t-1)。
P(t|t-1)＝AP(t-1|t-1) (1)
利用公式(2)来计算公式(1)中预测值的协方差，其中，C(t|t-1)是P(t|t-1)对应的协方差，Q(t)是系统协方差。
C(t|t-1)＝AC(t-1|t-1)AT+Q(t) (2)
利用公式(3)计算卡尔曼增益K(t)，其中R是观测结果的不确定性。
K(t)＝C(t|t-1)HT(HC(t|t-1)HT+R)-1 (3)
1.1.4)然后根据公式(4)计算当前帧上面的检测包围盒与预估包围盒的重合度，再使用匈牙利优化算法根据重合度将检测包围盒分配给建模人物。
根据公式(3)得到的卡尔曼增益和实际分配包围盒的状态Zk来计算t时刻人物的最佳状态。
P(t|t)＝P(t|t-1)+K(t)(Zk-HP(t|t-1)) (5)
获得t时刻的最佳状态P(t|t)后，使用公式(6)更新t时刻的协方差C(t|t)，继续迭代预估、关联相邻帧上面相同的人物。
C(t|t)＝C(t|t-1)-K(t)HC(t|t-1) (6)
公式(1)至(6)中，A是状态转移矩阵，H是观测矩阵。
1.2)对同一人的行为进行区域提取，形成对应的行为视频序列：
通过记录同一人在各帧上面包围盒质心以及大小，来确定一个新的包围盒，该包围盒能够将该行为的所有肢体行为都涵盖进去，然后根据新的包围盒来将该主体从整个视频场景中抠出来，从而得到该主体的行为视频序列同时记录序列包围盒质心坐标信息。
1.3)提取行为视频序列的光流矢量图像化序列。采用相邻的帧之间的光流场估计方法在提取行为视频序列的光流矢量信息，然后根据公式(7)将正负thresh范围光流信息归一化到0-255之间。
其中，img(i,j)表示得到光流矢量图像上(i,j)位置出的灰度值，thresh是设定的阈值，光流场估计过程中假设相邻帧运动细微，因此这里的thresh可以选取例如20之类的细小数值。
然后根据先后顺序将得到水平和垂直方向的光流矢量图像进行堆叠，得到光流矢量图像化序列。
2)行为识别：
根据步骤1得到的行为视频序列及其对应的光流矢量图像化序列作为行为识别卷积神经网络的输入，时间、空间网络采用了三维的卷积和三维的池化操作，在分别提取其时间、空间特征的过程中就将时空信息进行了部分融合，最终将时空网络提取的时空信息再次进行融合，从而提取出更具有时空特征的时间描述符，根据行为识别模型来进行行为分类。
应当指出，上述实施实例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定，这里无需也无法对所有的实施方式予以穷举。本实施例中未明确的各组成部分均可用现有技术加以实现。对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于深度学习的人类行为分析方法，其特征在于，该方法包括两个阶段：标注训练阶段和应用阶段；
所述标注阶段包括如下步骤：
S1：对多个监控场景视频数据进行相关人物的标注，用于训练人物检测卷积神经网络，通过网络微调和参数优化方法来得到人物检测模型；
S2：进行人物行为序列提取；
S3：对提取的人物的行为序列进行标注，用于训练行为识别卷积神经网络，通过网络微调和参数优化方法来得到行为识别模型；
所述应用阶段包括针对实际监控场景的视频，使用与标注训练阶段相同的人物行为序列提取方法，将提取出来的行为视频序列及其对应的光流矢量图像化序列作为行为识别卷积神经网络的输入，通过行为识别模型进行行为分类。
2.根据权利要求1所述的基于深度学习的人类行为分析方法，其特征在于，所述的进行人物行为序列提取的方法包括如下步骤：
S21：对使用人物检测模型对视频序列中的人物进行检测、建模、预估、关联；
S22：对同一人物的行为进行区域提取，形成该人物的行为视频序列；
S23：提取行为视频序列的光流矢量图像化序列：采用相邻的帧之间的光流场估计方法在提取行为视频序列的光流矢量信息，然后将光流矢量值属于固定范围光流信息归一化到0-255之间，将光流矢量图像化，然后根据先后顺序进行堆叠，得到光流矢量图像化序列。
3.根据权利要求2所述的基于深度学习的人类行为分析方法，其特征在于，所述的对使用人物检测模型对视频序列中的人物进行检测、建模、预估、关联的具体方法是：
S211：使用人物检测模型来对视频当前帧上面的人物进行检测，得到检测包围盒；
S212：对前一帧中检测到的人物建立模型[x，y，s，r，x′，y′，s′]，其中(x，y)，s，r分别是前一帧中包围盒的质心坐标、面积和长宽比例，(x′，y′)，s′表示建模人物分配到的包围盒信息；
S213：假设人物在当前帧上面包围盒的长宽比例与上一帧相同，根据已建模人物在前一帧包围盒的信息，使用卡尔曼滤波对其在当前帧上面包围盒的信息进行预估，得到预估包围盒；
假设人物在t-1时刻的最佳状态P(t-1|t-1)，该状态是个包含了该人物在t-1时刻的坐标和其对应速度信息的向量。根据公式(1)对该人物在t时刻的状态进行预测，得到P(t|t-1)，
P(t|t-l)＝AP(t-l|t-1) (1)
利用公式(2)来计算公式(1)中预测值的协方差，其中，C(t|t-1)是P(t|t-1)对应的协方差，Q(t)是系统协方差，
C(t|t-1)＝AC(t-1|t-1)AT+Q(t) (2)
利用公式(3)计算卡尔曼增益K(t)，其中R是观测结果的不确定性，
K(t)＝C(t|t-1)HT(HC(t|t-1)HT+R)-1 (3)
S214：然后根据公式(4)计算当前帧上面的检测包围盒与预估包围盒的重合度，再使用匈牙利优化算法根据重合度将检测包围盒分配给建模人物，
根据公式(3)得到的卡尔曼增益和实际分配包围盒的状态Zk来计算t时刻人物的最佳状态，
P(t|t)＝P(t|t-1)+K(t)(Zk-HP(t|t-1)) (5)
获得t时刻的最佳状态P(t|t)后，使用公式(6)更新t时刻的协方差C(t|t)，继续迭代预估、关联相邻帧上面相同的人物，
C(t|t)＝C(t|t-1)-K(t)HC(t|t-1) (6)
公式(1)至(6)中，A是状态转移矩阵，H是观测矩阵。
4.根据权利要求2所述的基于深度学习的人类行为分析方法，其特征在于，所述的对同一人物的行为进行区域提取，形成该人物的行为视频序列，具体是：根据人物一系列行为中各包围盒的大小，重新定义整个过程中包含该人物行为的最优包围盒，采用最优包围盒来将视频中该人物的行为分割出来，以得到尺度相同的单一人物的行为视频序列同时记录序列包围盒质心坐标信息。
5.根据权利要求2所述的基于深度学习的人类行为分析方法，其特征在于，所述的提取行为视频序列的光流矢量图像化序列的具体方法是：
采用相邻的帧之间的光流场估计方法在提取行为视频序列的光流矢量信息，然后根据公式(7)将正负thresh范围光流信息归一化到0-255之间。
其中，img(i，j)表示得到光流矢量图像上(i，j)位置出的灰度值，thresh是设定的阈值，光流场估计过程中假设相邻帧运动细微，因此这里的thresh可以选取例如20之类的细小数值，然后根据先后顺序将得到水平和垂直方向的光流矢量图像进行堆叠，得到光流矢量图像化序列。
CN201710368874.6A 2017-05-23 2017-05-23 基于深度学习的人类行为分析方法 Pending CN107256386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710368874.6A CN107256386A (zh) 2017-05-23 2017-05-23 基于深度学习的人类行为分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710368874.6A CN107256386A (zh) 2017-05-23 2017-05-23 基于深度学习的人类行为分析方法

Publications (1)

Publication Number Publication Date
CN107256386A true CN107256386A (zh) 2017-10-17

Family

ID=60027692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710368874.6A Pending CN107256386A (zh) 2017-05-23 2017-05-23 基于深度学习的人类行为分析方法

Country Status (1)

Country Link
CN (1) CN107256386A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107749950A (zh) * 2017-11-09 2018-03-02 睿魔智能科技（东莞）有限公司 一种基于深度学习的拍摄方法和系统
CN107871019A (zh) * 2017-12-01 2018-04-03 湖北微模式科技发展有限公司 人车关联搜索方法及装置
CN108021864A (zh) * 2017-11-02 2018-05-11 平安科技（深圳）有限公司 人物性格分析方法、装置及存储介质
CN108229337A (zh) * 2017-12-14 2018-06-29 阿里巴巴集团控股有限公司 一种数据处理的方法、装置及设备
CN108710868A (zh) * 2018-06-05 2018-10-26 中国石油大学(华东) 一种基于复杂场景下的人体关键点检测系统及方法
CN109117803A (zh) * 2018-08-21 2019-01-01 腾讯科技（深圳）有限公司 人脸图像的聚类方法、装置、服务器及存储介质
CN109241980A (zh) * 2018-08-24 2019-01-18 北京陌上花科技有限公司 用于虚拟人物的识别方法及装置
CN109472895A (zh) * 2018-10-31 2019-03-15 广州畅驿智能科技有限公司 一种安防综合应用管理系统及其管理实现方法
CN109757395A (zh) * 2018-09-24 2019-05-17 天津大学 一种宠物行为检测监控系统及方法
CN109995601A (zh) * 2017-12-29 2019-07-09 中国移动通信集团上海有限公司 一种网络流量识别方法及装置
CN110135352A (zh) * 2019-05-16 2019-08-16 南京砺剑光电技术研究院有限公司 一种基于深度学习的战术动作评估方法
CN110378259A (zh) * 2019-07-05 2019-10-25 桂林电子科技大学 一种面向监控视频的多目标行为识别方法及系统
CN110895661A (zh) * 2018-09-12 2020-03-20 杭州海康威视数字技术股份有限公司 一种行为识别方法、装置及设备
CN111832485A (zh) * 2020-07-14 2020-10-27 深圳市法本信息技术股份有限公司 一种用于识别场景的深度学习方法及自动学习巡检方法
CN112257558A (zh) * 2020-10-20 2021-01-22 吉林师范大学 一种基于大数据分析和深度学习的体育运动实时监测方法
CN116564460A (zh) * 2023-07-06 2023-08-08 四川省医学科学院·四川省人民医院 一种针对白血病患儿的健康行为监控方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955682A (zh) * 2014-05-22 2014-07-30 深圳市赛为智能股份有限公司 基于surf兴趣点的行为识别方法及装置
CN104966304A (zh) * 2015-06-08 2015-10-07 深圳市赛为智能股份有限公司 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
CN104992451A (zh) * 2015-06-25 2015-10-21 河海大学 一种改进的目标跟踪方法
CN106407903A (zh) * 2016-08-31 2017-02-15 四川瞳知科技有限公司 基于多尺度卷积神经网络的实时人体异常行为识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955682A (zh) * 2014-05-22 2014-07-30 深圳市赛为智能股份有限公司 基于surf兴趣点的行为识别方法及装置
CN104966304A (zh) * 2015-06-08 2015-10-07 深圳市赛为智能股份有限公司 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
CN104992451A (zh) * 2015-06-25 2015-10-21 河海大学 一种改进的目标跟踪方法
CN106407903A (zh) * 2016-08-31 2017-02-15 四川瞳知科技有限公司 基于多尺度卷积神经网络的实时人体异常行为识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜兰等: "基于卷积神经网络的SAR图像目标检测算法", 《电子与信息学报》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021864A (zh) * 2017-11-02 2018-05-11 平安科技（深圳）有限公司 人物性格分析方法、装置及存储介质
WO2019085330A1 (zh) * 2017-11-02 2019-05-09 平安科技（深圳）有限公司 人物性格分析方法、装置及存储介质
CN107749950A (zh) * 2017-11-09 2018-03-02 睿魔智能科技（东莞）有限公司 一种基于深度学习的拍摄方法和系统
CN107871019A (zh) * 2017-12-01 2018-04-03 湖北微模式科技发展有限公司 人车关联搜索方法及装置
CN107871019B (zh) * 2017-12-01 2020-09-15 湖北微模式科技发展有限公司 人车关联搜索方法及装置
CN108229337A (zh) * 2017-12-14 2018-06-29 阿里巴巴集团控股有限公司 一种数据处理的方法、装置及设备
US11106909B2 (en) 2017-12-14 2021-08-31 Advanced New Technologies Co., Ltd. Recognizing carbon-saving behaviors from images
CN108229337B (zh) * 2017-12-14 2021-03-30 创新先进技术有限公司 一种数据处理的方法、装置及设备
US10878239B2 (en) 2017-12-14 2020-12-29 Advanced New Technologies Co., Ltd. Recognizing carbon-saving behaviors from images
CN109995601A (zh) * 2017-12-29 2019-07-09 中国移动通信集团上海有限公司 一种网络流量识别方法及装置
CN109995601B (zh) * 2017-12-29 2020-12-01 中国移动通信集团上海有限公司 一种网络流量识别方法及装置
CN108710868A (zh) * 2018-06-05 2018-10-26 中国石油大学(华东) 一种基于复杂场景下的人体关键点检测系统及方法
WO2019232894A1 (zh) * 2018-06-05 2019-12-12 中国石油大学(华东) 一种基于复杂场景下的人体关键点检测系统及方法
CN108710868B (zh) * 2018-06-05 2020-09-04 中国石油大学(华东) 一种基于复杂场景下的人体关键点检测系统及方法
CN109117803A (zh) * 2018-08-21 2019-01-01 腾讯科技（深圳）有限公司 人脸图像的聚类方法、装置、服务器及存储介质
CN109241980A (zh) * 2018-08-24 2019-01-18 北京陌上花科技有限公司 用于虚拟人物的识别方法及装置
CN110895661A (zh) * 2018-09-12 2020-03-20 杭州海康威视数字技术股份有限公司 一种行为识别方法、装置及设备
CN109757395A (zh) * 2018-09-24 2019-05-17 天津大学 一种宠物行为检测监控系统及方法
CN109472895A (zh) * 2018-10-31 2019-03-15 广州畅驿智能科技有限公司 一种安防综合应用管理系统及其管理实现方法
CN110135352A (zh) * 2019-05-16 2019-08-16 南京砺剑光电技术研究院有限公司 一种基于深度学习的战术动作评估方法
CN110135352B (zh) * 2019-05-16 2023-05-12 南京砺剑光电技术研究院有限公司 一种基于深度学习的战术动作评估方法
CN110378259A (zh) * 2019-07-05 2019-10-25 桂林电子科技大学 一种面向监控视频的多目标行为识别方法及系统
CN111832485A (zh) * 2020-07-14 2020-10-27 深圳市法本信息技术股份有限公司 一种用于识别场景的深度学习方法及自动学习巡检方法
CN112257558A (zh) * 2020-10-20 2021-01-22 吉林师范大学 一种基于大数据分析和深度学习的体育运动实时监测方法
CN116564460A (zh) * 2023-07-06 2023-08-08 四川省医学科学院·四川省人民医院 一种针对白血病患儿的健康行为监控方法和系统
CN116564460B (zh) * 2023-07-06 2023-09-12 四川省医学科学院·四川省人民医院 一种针对白血病患儿的健康行为监控方法和系统

Similar Documents

Publication Publication Date Title
CN107256386A (zh) 基于深度学习的人类行为分析方法
Hanzla et al. Smart traffic monitoring through drone images via Yolov5 and Kalman filter
CN109190508B (zh) 一种基于空间坐标系的多摄像头数据融合方法
CN105550678B (zh) 基于全局显著边缘区域的人体动作特征提取方法
CN108830145B (zh) 一种基于深度神经网络的人数统计方法及存储介质
CN106096577B (zh) 一种摄像头分布地图中的目标追踪方法
CN110378259A (zh) 一种面向监控视频的多目标行为识别方法及系统
CN114120444B (zh) 基于人体骨架特征的3d卷积神经网络不安全行为检测方法
CN110472467A (zh) 基于YOLO v3的针对交通枢纽关键物体的检测方法
CN107451553B (zh) 一种基于超图转变的视频中暴力事件检测方法
CN108537818B (zh) 基于集群压力lstm的人群轨迹预测方法
CN103824284B (zh) 一种基于视觉注意力模型的关键帧提取方法和系统
CN104123544A (zh) 基于视频分析的异常行为检测方法及系统
CN103971386A (zh) 一种动态背景场景下的前景检测方法
CN111723773A (zh) 遗留物检测方法、装置、电子设备及可读存储介质
CN110852179B (zh) 基于视频监控平台的可疑人员入侵的检测方法
CN119068412B (zh) 一种高空作业生命线预警方法
CN113627497B (zh) 一种基于时空约束的跨摄像头行人轨迹匹配方法
Gleason et al. A Fusion Approach for Tree Crown Delineation from Lidar Data.
CN106815563B (zh) 一种基于人体表观结构的人群数量预测方法
CN106815576B (zh) 基于连续时空置信图和半监督极限学习机的目标追踪方法
CN104156729A (zh) 一种教室人数统计方法
CN120013260A (zh) 多域数据融合逐级收敛的社区重点人群监控方法及系统
CN103049748B (zh) 行为监测方法及装置
CN118864527A (zh) 目标流量计数方法、装置、电子设备及存储介质

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

Application publication date: 20171017

RJ01 Rejection of invention patent application after publication