-
公开(公告)号:CN112734809A
公开(公告)日:2021-04-30
申请号:CN202110083052.X
申请日:2021-01-21
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06T7/246
摘要: 本申请揭示了一种基于Deep‑Sort跟踪框架的在线多行人跟踪方法及装置,该方法包括:利用视频帧输入生成目标检测框;计算目标检测框的余弦距离;将目标检测框输入至融合的Vgg‑16网络模型中,将提取的特征值和轨迹输入至KCF中,计算出目标检测框的欧氏距离;根据余弦距离和欧氏距离,结合每个目标检测框的总距离以及Deep‑Sort跟踪框架的匹配级联方式,输出跟踪结果。本申请将Deep‑Sort跟踪算法中的卡尔曼滤波换成高斯核相关滤波,使运动模型可建立在更加丰富的运动场景中,同时加快估计行人运动位置的计算时间,提升算法性能;通过针对高斯核相关滤波器跟踪行人运动产生的漂移现象,提出峰值旁瓣比,将多个相关滤波器衔接起来,以达到更高的跟踪准确率和精确率。
-
公开(公告)号:CN112733792A
公开(公告)日:2021-04-30
申请号:CN202110083039.4
申请日:2021-01-21
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要: 本发明属于倒地行为检测领域,特别涉及一种基于监控视频的倒地行为检测方法,首先将监控视频经过OpenCV处理成图片帧;将所述图片帧输入人体检测网络,若检测到人体,则将所述图片帧输入倒地行为二分类网络,进行是否为倒地行为的二分类,所述倒地行为二分类网络采用优化的RefineDet网络;如果是倒地行为,则开始计数并进行时间阈值的计时;在所述时间阈值内,倒地图片帧数如果大于等于所述时间阈值内的总图片帧数的预定比例,则判定所述监控视频发生了倒地事件,否则为非倒地事件。采用优化的RefineDet网络;大幅提高基于监控视频抓拍的图像中人的倒地行为检测的检测率,同时降低误检率提高精度。
-
公开(公告)号:CN114267020A
公开(公告)日:2022-04-01
申请号:CN202111553783.2
申请日:2021-12-17
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要: 本发明公开了一种基于深度学习的道路交通状态检测方法,包括:获取交通图像训练集,对所述交通图像训练集中的训练样本执行R‑Mosaic数据增强处理;采用R‑Mosaic数据增强后的训练样本训练预设的H‑FPN深度卷积网络,其中,所述H‑FPN深度卷积网络采用三层预测层从输入图像中提取交通流的特征参数;获取待处理的交通图像,通过训练好的H‑FPN深度卷积网络提取所述交通图像对应的特征参数;通过预设的判别模型根据所述交通流的特征参数生成并输出交通状态预测值。本发明解决了现有技术在检测道路交通状态时存在的指标单一、检测速度慢、信息提取以及检测精度低的问题。
-
公开(公告)号:CN113920104A
公开(公告)日:2022-01-11
申请号:CN202111266742.5
申请日:2021-10-28
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要: 本发明公开了一种基于改进UNet3+网络的分段绝缘器异常识别方法,包括:获取待识别监控视频中的每一帧图像信息;采用目标检测技术对所述图像信息中的分段绝缘器进行粗定位,得到分段绝缘器的位置信息;将所述图像信息按照位置信息进行分割,得到分段绝缘器的图像块;采用改进UNet3+网络对所述图像块进行细节特征提取,得到所述分段绝缘器的特征信息;根据所述特征信息进行分段绝缘器的异常预警。本发明解决了现有技术在进行分段绝缘器异常识别时存在的鲁棒性不够、缺乏普适性的问题,实现对设备实时监测。
-
公开(公告)号:CN112733792B
公开(公告)日:2024-07-05
申请号:CN202110083039.4
申请日:2021-01-21
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06V20/40 , G06V20/52 , G06V40/10 , G06V40/20 , G06V10/25 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/0464
摘要: 本发明属于倒地行为检测领域,特别涉及一种基于监控视频的倒地行为检测方法,首先将监控视频经过OpenCV处理成图片帧;将所述图片帧输入人体检测网络,若检测到人体,则将所述图片帧输入倒地行为二分类网络,进行是否为倒地行为的二分类,所述倒地行为二分类网络采用优化的RefineDet网络;如果是倒地行为,则开始计数并进行时间阈值的计时;在所述时间阈值内,倒地图片帧数如果大于等于所述时间阈值内的总图片帧数的预定比例,则判定所述监控视频发生了倒地事件,否则为非倒地事件。采用优化的RefineDet网络;大幅提高基于监控视频抓拍的图像中人的倒地行为检测的检测率,同时降低误检率提高精度。
-
公开(公告)号:CN114267047A
公开(公告)日:2022-04-01
申请号:CN202111450912.5
申请日:2021-11-30
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06V30/413 , G06V30/148 , G06V30/18 , G06V30/19 , G06V10/46 , G06V10/56 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要: 本发明公开了一种基于深度学习的电子卷宗文本检测方法,包括:构建电子卷宗文本检测网络,对所述电子卷宗文本检测网络进行训练;获取待处理的电子卷宗图像,采用OpenCV技术对所述电子卷宗图像进行色彩通道分离,得到目标电子卷宗图像,所述目标电子卷宗图像为去除红色印章后的电子卷宗图像;以所述目标电子卷宗图像作为所述电子卷宗文本检测网络的输入,通过训练好的电子卷宗文本检测网络提取所述目标电子卷宗图像中的文字区域。本发明解决了现有文本检测技术对电子卷宗进行检测时存在检测精度以及稳定性欠佳的问题。
-
公开(公告)号:CN114267010A
公开(公告)日:2022-04-01
申请号:CN202111448871.6
申请日:2021-11-30
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06V20/52 , G06V20/54 , G06V10/40 , G06V10/74 , G06V10/75 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08
摘要: 本发明公开了一种多尺度机非人检测方法,包括:获取道路监控场景的图像训练集,对所述图像训练集中的训练样本进行预处理;采用预处理后的训练样本训练预设的机非人检测模型,所述机非人检测模型采用不同大小的四个预测尺度对输入图像进行机非人目标预测;获取道路监控场景的待预测图像,通过训练好的机非人检测模型提取所述待预测图像中的机非人目标特征;将所述机非人目标特征与道路监控场景图库中的特征信息进行匹配,得到所述待预测图像中的机非人目标的位置信息和分类信息。本发明在机非人检测模型的预测步骤中采用四个预测尺度,可以兼顾更小目标的检测,对大目标和小目标都有较好的检测效果,有效地提高了机非人检测的精确度和稳健性。
-
公开(公告)号:CN112749677A
公开(公告)日:2021-05-04
申请号:CN202110084427.4
申请日:2021-01-21
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06K9/00
摘要: 本申请是关于一种玩手机行为识别方法、装置和电子设备。该方法包括:提取监控视频中包含人物图像的视频帧;对视频帧进行人体检测;根据检测结果,截取包含人体的周围区域图片;采用注入了注意力机制的小目标识别算法对周围区域图片进行识别来判断周围区域图片是否包含手机;确认周围区域图片包含手机且周围区域图片对应的视频帧为预设视频帧,则判断监控视频中存在玩手机行为。本申请使用加入了注意力机制的小目标识别算法来识别图片中的手机,提高手机检测精度,进一步提高了办公环境玩手机行为识别的准确度。
-
公开(公告)号:CN112163503A
公开(公告)日:2021-01-01
申请号:CN202011017016.5
申请日:2020-09-24
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要: 本发明提供了一种办案区人员无感轨迹生成方法、系统、计算机存储介质及电子设备,方法包括以下步骤:S1、获取摄像头拍摄的人员视频,分析视频并获取人员的人体位置和人体的关键点和角度信息;S2、根据人体的关键点和角度信息,获取符合设定要求的人体,并输出人体置信度信息;S3、对符合设定要求的人体进行特征提取和跟踪;S4、输出每个摄像头的人体信息;S5、对每个摄像头的人体信息进行处理,得到具有时间戳的人体图像队列;S6、将每个人体图像队列进行跨摄像头行人重识别,合并属于同一人员的人体图像队列,生成该人员的轨迹。根据本发明实施例的方法,通过监控视频信息获取人员轨迹,不易被破坏,也大大降低了轨迹的丢失率。
-
公开(公告)号:CN112734809B
公开(公告)日:2024-07-05
申请号:CN202110083052.X
申请日:2021-01-21
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06T7/246
摘要: 本申请揭示了一种基于Deep‑Sort跟踪框架的在线多行人跟踪方法及装置,该方法包括:利用视频帧输入生成目标检测框;计算目标检测框的余弦距离;将目标检测框输入至融合的Vgg‑16网络模型中,将提取的特征值和轨迹输入至KCF中,计算出目标检测框的欧氏距离;根据余弦距离和欧氏距离,结合每个目标检测框的总距离以及Deep‑Sort跟踪框架的匹配级联方式,输出跟踪结果。本申请将Deep‑Sort跟踪算法中的卡尔曼滤波换成高斯核相关滤波,使运动模型可建立在更加丰富的运动场景中,同时加快估计行人运动位置的计算时间,提升算法性能;通过针对高斯核相关滤波器跟踪行人运动产生的漂移现象,提出峰值旁瓣比,将多个相关滤波器衔接起来,以达到更高的跟踪准确率和精确率。
-
-
-
-
-
-
-
-
-