CN101399969A - 基于运动相机的运动目标检测与跟踪的系统、设备和方法 - Google Patents
基于运动相机的运动目标检测与跟踪的系统、设备和方法 Download PDFInfo
- Publication number
- CN101399969A CN101399969A CNA2007101518982A CN200710151898A CN101399969A CN 101399969 A CN101399969 A CN 101399969A CN A2007101518982 A CNA2007101518982 A CN A2007101518982A CN 200710151898 A CN200710151898 A CN 200710151898A CN 101399969 A CN101399969 A CN 101399969A
- Authority
- CN
- China
- Prior art keywords
- tracking
- point
- algorithm
- characteristic
- unit
- 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
Links
Images
Abstract
一种用于基于运动相机的运动目标检测与跟踪的设备,包括:特征检测单元,在输入视频的第一帧中找出特征点;特征跟踪单元,在后面的帧中跟踪由特征检测单元找出的特征点;潜在运动检测单元,从特征跟踪单元跟踪的特征点之中找出潜在的运动点;运动分析单元,从潜在运动检测单元找出的潜在的运动点中确定运动点;目标跟踪单元,根据给定的初始位置从输入视频中跟踪运动目标区域。根据本发明的运动目标检测与跟踪系统、设备和方法在移动平台中为3A成像提供运动目标位置。
Description
技术领域
本发明涉及一种用于运动目标检测与跟踪的系统、设备、和方法,更具体地讲,涉及一种用于基于运动相机的运动目标检测与跟踪的系统、设备和方法。
背景技术
运动检测和跟踪是计算机视觉领域中最重要的技术,它包括成像、图像捕捉和图像分析。
在现有技术中,运动检测和跟踪技术可包括下面几种方法:
基于额外硬件(Extra-Hardware)的方法[1]。在这种方法中,利用额外硬件(诸如红外线(IR)、超声波或立体视觉)来进行运动检测。
基于图像拼接的方法。在这种方法中,将不同的示图拼接成全景图像作为运动检测的背景。
背景估计方法[2]。在这种方法中,利用固定相机使用图像序列来进行背景估计,并通过背景和输入图像之间的图像差别来获取运动目标。
颜色分割方法[3]。在这种方法中,利用颜色信息将图像进行分割,并跟踪每个分割的块的运动以进行运动检测。
光流方法[4]。在这种方法中,利用光流来获取运动信息。
额外硬件方法会增加系统进行运动检测和跟踪的成本。图像拼接和背景估计方法不能在运动的平台(诸如,汽车、PDA)中获得稳定的结果。由于不稳定的颜色特性,颜色分割方法在实际应用中也不具有鲁棒性。虽然光流方法可以用于实时应用,但是跟踪误差能够显著影响运动检测结果。
发明内容
在下面的描述中将部分地阐明本发明另外的方面和/或优点,通过描述,其会变得更加清楚,或者通过实施本发明可以了解。
本发明的一方面在于提供一种用于基于运动相机的运动目标检测与跟踪的设备,包括:特征检测单元,在输入视频的第一帧中找出特征点;特征跟踪单元,在后面的帧中跟踪由特征检测单元找出的特征点;潜在运动检测单元,从特征跟踪单元跟踪的特征点之中找出潜在的运动点;运动分析单元,从潜在运动检测单元找出的潜在的运动点中确定运动点;目标跟踪单元,根据给定的初始位置从输入视频中跟踪运动目标区域。
本发明的另一方面在于提供一种用于基于运动相机的运动目标检测与跟踪的方法,包括:在输入视频的第一帧中找出特征点;在后面的帧中跟踪找出的特征点;从跟踪的特征点之中找出潜在的运动点;从找出的潜在的运动点中确定运动点;根据给定的初始位置从输入视频中跟踪运动目标区域。
本发明的另一方面在于提供一种基于运动相机的运动目标检测与跟踪的系统,包括:相机,用于捕获视频信息;运动目标检测与跟踪设备,接收并处理从相机输入的视频信息,并将处理结果提供给图像捕获控制器;图像捕获控制器,从运动目标检测与跟踪设备接收处理结果,并根据该处理结果对相机进行控制以实现3A成像,其中,3A指的是自动聚焦、自动白平衡、和自动增益控制,其中,运动目标检测与跟踪设备包括:特征检测单元,在输入视频的第一帧中找出特征点;特征跟踪单元,在后面的帧中跟踪由特征检测单元找出的特征点;潜在运动检测单元,从特征跟踪单元跟踪的特征点之中找出潜在的运动点;运动分析单元,从潜在运动检测单元找出的潜在的运动点中确定运动点;目标跟踪单元,根据给定的初始位置从输入视频中跟踪运动目标区域。
附图说明
通过下面结合附图对实施例进行的描述,本发明总的发明构思的这些和/或其他方面和优点将会变得清楚和更易于理解,其中:
图1是表示根据本发明的用于基于运动相机的运动目标检测与跟踪的设备的方框图;
图2是表示根据本发明的用于基于运动相机的运动目标检测与跟踪的方法的流程图;
图3是表示本发明的应用方案的示图。
具体实施方式
现在将参照附图对本发明进行更充分的描述,其中,本发明的示例性实施例表示在附图中。
图1是表示根据本发明的用于基于运动相机的运动目标检测与跟踪的设备100的方框图。
参照图1,设备100包括5个部分:特征检测单元101、特征跟踪单元105、潜在运动检测单元110、运动分析单元115和目标跟踪单元120。在设备100中,视频被输入给特征检测单元101、特征跟踪单元105和目标跟踪单元120。
特征检测单元101在输入视频的第一帧中找出角点(即,特征点)。此时,可以使用任何角点检测算法,例如,Harris角点检测算法[5]、尺度不变量特征变换(SIFT)算法[6]、机器学习(machine learning)检测算法[7]。
特征跟踪单元105在后面的帧中跟踪由特征检测单元101找出的特征点。此时,可使用任何特征点跟踪算法,诸如光流算法[8]、模板匹配算法[9]和活动轮廓模型(Active Shape Model,ASM)算法[10]。
潜在运动检测单元110从特征跟踪单元105跟踪的特征点之中找出潜在的运动点。与静止点相比,由于运动,所以可将运动点用作离群值(outlier)。在这个过程中,可应用两种可选的算法,即旋转离群值否决(Rejection ofOutliers by Rotations,ROR)方法[11]和随机抽样一致性(Random SampleConsensus,RANSAC)方法[12]。
运动分析单元115从潜在运动检测单元110找出的潜在的运动点中确定运动点。
首先,假设:(1)显著运动(salient motion)恒定,并且持续时间至少为几个连续帧(例如,使用4个帧);(2)由相机运动和可变背景引起的意外运动不维持持续的运动。
然后,运动分析单元115按照下述步骤来确定运动点:
(a)对每个点Pi,计算m+1个连续帧On-m,On-m-1,...,On之间的光流;
(b)计算光流差D1,D2,...,Dm,其中,Di=|On-m+i-1-On-m+i|;
(c)如果Oj>T1并且Di<T2,则将Pi标记为候选点;
(d)如果Pi被K次(K<m)或多于K次标记为候选点,则在最终输出中Pi被标记为运动点,并且所有的运动点形成最小矩形R作为运动目标区域,
其中,n和m为正整数;j=n-m,...,n;i=1,...,m;T1和T2是两个预定阈值。
目标跟踪单元120根据给定的初始位置从输入视频中跟踪运动目标区域。在这个过程中,有两种可选的方法,即均值偏移(mean-shift)算法[13]和粒子滤波器算法[14]。根据本发明,将均值偏移算法和粒子滤波器算法结合以在速度和鲁棒性两方面都实现较好效果。
具体地讲,目标跟踪单元120选择前述矩形R作为初始跟踪区域,使用(例如,具有50个粒子的)粒子滤波器作为初始跟踪器(tracker),使用初始跟踪器的输出作为用于均值偏移算法的初始跟踪区域,并将均值偏移的输出用作最终输出。
图2是表示根据本发明的用于基于运动相机的运动目标检测与跟踪的方法的流程图。
参照图2,在步骤S201中,在输入视频的第一帧中找出角点(即,特征点)。此时,可以使用任何角点检测算法,例如,Harris角点检测算法、尺度不变量特征变换(SIFT)算法、机器学习检测算法。
在步骤S205中,在后面的帧中跟踪在步骤S201中找出的特征点。此时,可使用任何特征点跟踪算法,诸如光流算法、模板匹配算法和活动轮廓模型(ASM)算法。
在步骤S210中,从在步骤S205中跟踪的特征点之中找出潜在的运动点。与静止点相比,由于运动,所以可将运动点用作离群值。在这个过程中,可应用两种可选的算法,即旋转离群值否决(ROR)方法和随机抽样一致性(RANSAC)方法。
在步骤S215中,从在步骤S210中找出的潜在的运动点中确定运动点。
首先,假设:(1)显著运动恒定,并且持续时间至少为几个连续帧(例如,使用4个帧);(2)由相机运动和可变背景引起的意外运动不维持持续的运动。
然后,按照下述步骤来确定运动点:
(a)对每个点Pi,计算m+1个连续帧On-m,On-m-1,...,On之间的光流;
(b)计算光流差D1,D2,...,Dm,其中,Di=|On-m+i-1-On-m+i|;
(c)如果Oj>T1并且Di<T2,则将Pi标记为候选点;
(d)如果Pi被K次(K<m)或多于K次标记为候选点,则在最终输出中Pi被标记为运动点,并且所有的运动点形成最小矩形R作为运动目标区域,
其中,n和m为正整数;j=n-m,...,n;i=1,...,m;T1和T2是两个预定阈值。
在步骤S220中,根据给定的初始位置从输入视频中跟踪运动目标区域。在这个过程中,有两种可选的方法,即均值偏移算法和粒子滤波器算法。根据本发明,将均值偏移算法和粒子滤波器算法结合以在速度和鲁棒性两方面都实现较好效果。
具体地讲,在步骤S220中,选择前述矩形R作为初始跟踪区域,使用(例如,具有50个粒子的)粒子滤波器作为初始跟踪器,使用初始跟踪器的输出作为用于均值偏移算法的初始跟踪区域,并将均值偏移的输出用作最终输出。
图3是表示本发明的应用方案的示图。
参照图3,根据本发明的运动目标检测与跟踪设备305对相机捕获的视频信息进行处理,并将处理结果(即,运动目标位置)提供给图像捕获控制器310,以实现3A(自动聚焦、自动白平衡、和自动增益控制)成像。
根据本发明的运动目标检测与跟踪系统、设备和方法在移动平台中为3A成像提供运动目标位置。
根据本发明的运动目标检测与跟踪系统、设备和方法用于为移动相机、DSC和DV中的图像捕获提供信息,能够给出给定视频中的运动目标位置,以实现自动聚焦、自动白平衡、和自动增益控制。
为了有助于本领域技术人员更好地理解本发明,本申请说明书中的部分技术内容(以[1]-[14]标记)所涉及的参考文献列举如下:
[1]公开号为US 2007/0110298 A1的美国专利申请
[2]公开号为US 2007/0047811 A1的美国专利申请
[3]专利号为US 6,337,917 B1的美国专利
[4]公开号为US 2007/0116356 A1的美国专利申请
[5]Harris,C.and Stephens,M.1988,A combined corner and edge detector.In Fourth Alvey Vision Conference,Manchester,UK,pp.147-151
[6]David G.Lowe,"Distinctive image features from scale-invariantkeypoints,"International Journal of Computer Vision,60,2(2004),pp.91-110
[7]Edward Rosten and Tom Drummond,Machine learning for high-speedcorner detection,European Conference on Computer Vision,2006,430--443
[8]Jean-Yves Bouguet,Pyramidal Implementation of the Lucas KanadeFeature Tracker,Intel Corporation,Microprocessor Research Labs,OpenCVDocuments
[9]WANG,CHING YAN G,Ph.D."EDGE DETECTION USINGTEMPLATE MATCHING(IMAGE PROCESSING,THRESHOLD LOGIC,ANALYSIS,FILTERS)".Duke University,1985,288pages;AAT 8523046
[10]T.F.Cootes,G.J.Edwards,and C.J.Taylor.Active appearance models.In H.Burkhardt and B.Neumann,editors,5th European Conference on ComputerVision,volume 2,pages 484-498.Springer,Berlin,1998
[11]A.Adam,E.Rivlin and I.Shimshoni,"ROR:Rej ection of Outliersby Rotations",IEEE Trans.on Pattern Analysis and Machine Intelligence(PAMI),23(1)pp.78-84,2001
[12]FISCHLER,M.,AND BOLLES,R.Random sample consensus:aparadigm for model fitting with applications to image analysis and automatedcartography.Readings in computer vision:issues,problems,principles,andparadigms,726--7401987
[13]M.Isard and A.Blake,"Condensation--conditional density propagationfor visual tracking,"International Journal of Computer Vision 29(1),pp.5--28,1998
[14]D.Comaniciu,V.Ramesh,P.Meer:Real-Time Tracking of Non-RigidObjects using Mean Shift,BEST PAPER AWARD,IEEE Conf.Computer Visionand Pattern Recognition(CVPR′00),Hilton Head Island,South Carolina,Vol.2,142-149,2000
尽管已参照本发明的特定优选实施例表示和描述了本发明,但本领域技术人员应该理解,在不脱离由权利要求限定的本发明的精神和范围的情况下,可以对这些实施例进行各种形式和细节上的修改。
Claims (16)
1、一种用于基于运动相机的运动目标检测与跟踪的设备,包括:
特征检测单元,在输入视频的第一帧中找出特征点;
特征跟踪单元,在后面的帧中跟踪由特征检测单元找出的特征点;
潜在运动检测单元,从特征跟踪单元跟踪的特征点之中找出潜在的运动点;
运动分析单元,从潜在运动检测单元找出的潜在的运动点中确定运动点;
目标跟踪单元,根据给定的初始位置从输入视频中跟踪运动目标区域。
2、如权利要求1所述的设备,其中,运动分析单元按照下述方法确定运动点:
对每个点Pi,计算m+1个连续帧On-m,On-m-1,...,On之间的光流;
计算光流差D1,D2,...,Dm,其中,Di=|On-m+i-1-On-m+i|;
如果Oj>T1并且Di<T2,则将Pi标记为候选点;
如果Pi被K次或多于K次标记为候选点,则在最终输出中Pi被标记为运动点,并且所有的运动点形成最小矩形R作为运动目标区域,
其中,n和m为正整数;K<m;j=n-m,...,n;i=1,...,m;T1和T2是两个预定阈值。
3、如权利要求1所述的设备,其中,目标跟踪单元使用均值偏移算法和粒子滤波器算法的结合来跟踪运动目标区域。
4、如权利要求3所述的设备,其中,目标跟踪单元选择矩形R作为初始跟踪区域,使用粒子滤波器作为初始跟踪器,使用初始跟踪器的输出作为用于均值偏移算法的初始跟踪区域,并将均值偏移的输出用作最终输出。
5、如权利要求1至4中任一项所述的设备,其中,特征检测单元使用以下角点检测算法之一来找出特征点:Harris角点检测算法、尺度不变量特征变换算法、机器学习检测算法。
6、如权利要求1至4中任一项所述的设备,其中,特征跟踪单元使用以下特征点跟踪算法之一来跟踪特征点:光流算法、模板匹配算法和活动轮廓模型算法。
7、如权利要求1至4中任一项所述的设备,其中,潜在运动检测单元使用以下算法之一来找出潜在的运动点:旋转离群值否决方法和随机抽样一致性方法。
8、一种用于基于运动相机的运动目标检测与跟踪的方法,包括:
在输入视频的第一帧中找出特征点;
在后面的帧中跟踪找出的特征点;
从跟踪的特征点之中找出潜在的运动点;
从找出的潜在的运动点中确定运动点;
根据给定的初始位置从输入视频中跟踪运动目标区域。
9、如权利要求8所述的方法,其中,确定运动点的步骤包括:
对每个点Pi,计算m+1个连续帧On-m,On-m-1,...,On之间的光流;
计算光流差D1,D2,...,Dm,其中,Di=|On-m+i-1-On-m+i|;
如果Oj>T1并且Di<T2,则将Pi标记为候选点;
如果Pi被K次或多于K次标记为候选点,则在最终输出中Pi被标记为运动点,并且所有的运动点形成最小矩形R作为运动目标区域,
其中,n和m为正整数;K<m;j=n-m,...,n;i=1,...,m;T1和T2是两个预定阈值。
10、如权利要求8所述的方法,其中,使用均值偏移算法和粒子滤波器算法的结合来跟踪运动目标区域。
11、如权利要求10所述的方法,其中,使用均值偏移算法和粒子滤波器算法的结合来跟踪运动目标区域的步骤包括:选择矩形R作为初始跟踪区域,使用粒子滤波器作为初始跟踪器,使用初始跟踪器的输出作为用于均值偏移算法的初始跟踪区域,并将均值偏移的输出用作最终输出。
12、如权利要求8至11中任一项所述的方法,其中,使用以下角点检测算法之一来找出特征点:Harris角点检测算法、尺度不变量特征变换算法、机器学习检测算法。
13、如权利要求8至11中任一项所述的方法,其中,使用以下特征点跟踪算法之一来跟踪特征点:光流算法、模板匹配算法和活动轮廓模型算法。
14、如权利要求8至11中任一项所述的方法,其中,使用以下算法之一来找出潜在的运动点:旋转离群值否决方法和随机抽样一致性方法。
15、一种基于运动相机的运动目标检测与跟踪的系统,包括:
相机,用于捕获视频信息;
运动目标检测与跟踪设备,接收并处理从相机输入的视频信息;
图像捕获控制器,从运动目标检测与跟踪设备接收处理结果,并对相机进行控制以实现3A成像,
其中,3A指的是自动聚焦、自动白平衡、和自动增益控制,
其中,运动目标检测与跟踪设备包括:
特征检测单元,在输入视频的第一帧中找出特征点;
特征跟踪单元,在后面的帧中跟踪由特征检测单元找出的特征点;
潜在运动检测单元,从特征跟踪单元跟踪的特征点之中找出潜在的运动点;
运动分析单元,从潜在运动检测单元找出的潜在的运动点中确定运动点;
目标跟踪单元,根据给定的初始位置从输入视频中跟踪运动目标区域。
16、如权利要求15所述的系统,其中,所述处理结果是运动目标位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200710151898A CN101399969B (zh) | 2007-09-28 | 2007-09-28 | 基于运动相机的运动目标检测与跟踪的系统、设备和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200710151898A CN101399969B (zh) | 2007-09-28 | 2007-09-28 | 基于运动相机的运动目标检测与跟踪的系统、设备和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101399969A true CN101399969A (zh) | 2009-04-01 |
CN101399969B CN101399969B (zh) | 2012-09-05 |
Family
ID=40518183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200710151898A Expired - Fee Related CN101399969B (zh) | 2007-09-28 | 2007-09-28 | 基于运动相机的运动目标检测与跟踪的系统、设备和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101399969B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901354A (zh) * | 2010-07-09 | 2010-12-01 | 浙江大学 | 基于特征点分类的监控录像中实时多目标检测与跟踪方法 |
CN101945215A (zh) * | 2009-07-03 | 2011-01-12 | 三洋电机株式会社 | 摄像机 |
CN101957996A (zh) * | 2009-07-17 | 2011-01-26 | 上海遥薇实业有限公司 | 一种基于稳定特征的上下车乘客目标跟踪方法 |
CN102087746A (zh) * | 2009-12-08 | 2011-06-08 | 索尼公司 | 图像处理装置、图像处理方法和程序 |
CN102131078A (zh) * | 2011-03-11 | 2011-07-20 | 北京国铁华晨通信信息技术有限公司 | 一种视频图像校正方法和系统 |
CN102222341A (zh) * | 2010-04-16 | 2011-10-19 | 东软集团股份有限公司 | 运动特征点检测方法及装置、运动目标检测方法及装置 |
CN101923717B (zh) * | 2009-06-10 | 2012-09-05 | 新奥特(北京)视频技术有限公司 | 一种对快速运动目标的特征点准确跟踪的方法 |
CN102819845A (zh) * | 2011-06-07 | 2012-12-12 | 中兴通讯股份有限公司 | 一种混合特征的跟踪方法和装置 |
CN101923719B (zh) * | 2009-06-12 | 2013-03-06 | 新奥特(北京)视频技术有限公司 | 一种基于粒子滤波和光流矢量的视频目标跟踪方法 |
CN103279952A (zh) * | 2013-05-17 | 2013-09-04 | 华为技术有限公司 | 一种目标跟踪方法和装置 |
CN103649988A (zh) * | 2011-05-11 | 2014-03-19 | 谷歌公司 | 视点物体选择 |
CN104268827A (zh) * | 2014-09-24 | 2015-01-07 | 三星电子(中国)研发中心 | 视频图像局部区域放大的方法和装置 |
CN104361610A (zh) * | 2014-11-18 | 2015-02-18 | 电子科技大学 | 基于交叉耦合的边检测边跟踪系统 |
CN104751492A (zh) * | 2015-04-17 | 2015-07-01 | 中国科学院自动化研究所 | 基于动态耦合条件随机场的目标区域跟踪方法 |
CN104902182A (zh) * | 2015-05-28 | 2015-09-09 | 努比亚技术有限公司 | 一种实现连续自动对焦的方法和装置 |
CN105761245A (zh) * | 2016-01-29 | 2016-07-13 | 速感科技(北京)有限公司 | 一种基于视觉特征点的自动跟踪方法及装置 |
CN106054174A (zh) * | 2015-04-06 | 2016-10-26 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机用于横越交通应用的融合方法 |
CN107766810A (zh) * | 2017-10-10 | 2018-03-06 | 湖南省测绘科技研究所 | 一种云、影检测方法 |
CN108732570A (zh) * | 2017-04-20 | 2018-11-02 | 深圳市气象局 | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 |
CN109478333A (zh) * | 2016-09-30 | 2019-03-15 | 富士通株式会社 | 目标检测方法、装置以及图像处理设备 |
CN109844825A (zh) * | 2016-10-24 | 2019-06-04 | 昕诺飞控股有限公司 | 存在检测系统和方法 |
CN113212498A (zh) * | 2020-01-21 | 2021-08-06 | 星克跃尔株式会社 | 车间距离测量方法、车间距离测量装置、电子设备、计算机程序以及计算机可读记录介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1178467C (zh) * | 1998-04-16 | 2004-12-01 | 三星电子株式会社 | 自动跟踪运动目标的方法和装置 |
CN1282132C (zh) * | 2004-05-20 | 2006-10-25 | 上海交通大学 | 基于运动目标检测的红外和可见光动态图像融合方法 |
CN100530239C (zh) * | 2007-01-25 | 2009-08-19 | 复旦大学 | 基于特征匹配与跟踪的视频稳定方法 |
-
2007
- 2007-09-28 CN CN200710151898A patent/CN101399969B/zh not_active Expired - Fee Related
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923717B (zh) * | 2009-06-10 | 2012-09-05 | 新奥特(北京)视频技术有限公司 | 一种对快速运动目标的特征点准确跟踪的方法 |
CN101923719B (zh) * | 2009-06-12 | 2013-03-06 | 新奥特(北京)视频技术有限公司 | 一种基于粒子滤波和光流矢量的视频目标跟踪方法 |
CN101945215A (zh) * | 2009-07-03 | 2011-01-12 | 三洋电机株式会社 | 摄像机 |
CN101957996A (zh) * | 2009-07-17 | 2011-01-26 | 上海遥薇实业有限公司 | 一种基于稳定特征的上下车乘客目标跟踪方法 |
CN102087746A (zh) * | 2009-12-08 | 2011-06-08 | 索尼公司 | 图像处理装置、图像处理方法和程序 |
CN102222341A (zh) * | 2010-04-16 | 2011-10-19 | 东软集团股份有限公司 | 运动特征点检测方法及装置、运动目标检测方法及装置 |
CN101901354A (zh) * | 2010-07-09 | 2010-12-01 | 浙江大学 | 基于特征点分类的监控录像中实时多目标检测与跟踪方法 |
CN101901354B (zh) * | 2010-07-09 | 2014-08-20 | 浙江大学 | 基于特征点分类的监控录像中实时多目标检测与跟踪方法 |
CN102131078A (zh) * | 2011-03-11 | 2011-07-20 | 北京国铁华晨通信信息技术有限公司 | 一种视频图像校正方法和系统 |
CN103649988A (zh) * | 2011-05-11 | 2014-03-19 | 谷歌公司 | 视点物体选择 |
CN103649988B (zh) * | 2011-05-11 | 2016-11-09 | 谷歌公司 | 视点物体选择 |
US9429990B2 (en) | 2011-05-11 | 2016-08-30 | Google Inc. | Point-of-view object selection |
CN102819845A (zh) * | 2011-06-07 | 2012-12-12 | 中兴通讯股份有限公司 | 一种混合特征的跟踪方法和装置 |
CN103279952A (zh) * | 2013-05-17 | 2013-09-04 | 华为技术有限公司 | 一种目标跟踪方法和装置 |
CN103279952B (zh) * | 2013-05-17 | 2017-10-17 | 华为技术有限公司 | 一种目标跟踪方法和装置 |
CN104268827A (zh) * | 2014-09-24 | 2015-01-07 | 三星电子(中国)研发中心 | 视频图像局部区域放大的方法和装置 |
CN104268827B (zh) * | 2014-09-24 | 2019-06-04 | 三星电子(中国)研发中心 | 视频图像局部区域放大的方法和装置 |
CN104361610A (zh) * | 2014-11-18 | 2015-02-18 | 电子科技大学 | 基于交叉耦合的边检测边跟踪系统 |
CN106054174B (zh) * | 2015-04-06 | 2018-10-09 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机用于横越交通应用的融合方法 |
DE102016106298B4 (de) | 2015-04-06 | 2022-10-27 | GM Global Technology Operations LLC | Fusionsverfahren für eine Querverkehr-Applikation unter Verwenden von Radargeräten und einer Kamera |
CN106054174A (zh) * | 2015-04-06 | 2016-10-26 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机用于横越交通应用的融合方法 |
CN104751492A (zh) * | 2015-04-17 | 2015-07-01 | 中国科学院自动化研究所 | 基于动态耦合条件随机场的目标区域跟踪方法 |
CN104751492B (zh) * | 2015-04-17 | 2017-10-27 | 中国科学院自动化研究所 | 基于动态耦合条件随机场的目标区域跟踪方法 |
CN104902182A (zh) * | 2015-05-28 | 2015-09-09 | 努比亚技术有限公司 | 一种实现连续自动对焦的方法和装置 |
CN105761245A (zh) * | 2016-01-29 | 2016-07-13 | 速感科技(北京)有限公司 | 一种基于视觉特征点的自动跟踪方法及装置 |
CN105761245B (zh) * | 2016-01-29 | 2018-03-06 | 速感科技(北京)有限公司 | 一种基于视觉特征点的自动跟踪方法及装置 |
CN109478333A (zh) * | 2016-09-30 | 2019-03-15 | 富士通株式会社 | 目标检测方法、装置以及图像处理设备 |
CN109844825A (zh) * | 2016-10-24 | 2019-06-04 | 昕诺飞控股有限公司 | 存在检测系统和方法 |
CN108732570B (zh) * | 2017-04-20 | 2021-10-19 | 深圳市气象局 | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 |
CN108732570A (zh) * | 2017-04-20 | 2018-11-02 | 深圳市气象局 | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 |
CN107766810B (zh) * | 2017-10-10 | 2021-05-14 | 湖南省测绘科技研究所 | 一种云、影检测方法 |
CN107766810A (zh) * | 2017-10-10 | 2018-03-06 | 湖南省测绘科技研究所 | 一种云、影检测方法 |
CN113212498A (zh) * | 2020-01-21 | 2021-08-06 | 星克跃尔株式会社 | 车间距离测量方法、车间距离测量装置、电子设备、计算机程序以及计算机可读记录介质 |
US11680813B2 (en) | 2020-01-21 | 2023-06-20 | Thinkware Corporation | Method, apparatus, electronic device, computer program, and computer readable recording medium for measuring inter-vehicle distance based on vehicle image |
CN113212498B (zh) * | 2020-01-21 | 2023-08-04 | 星克跃尔株式会社 | 车间距离测量方法、车间距离测量装置、电子设备、计算机程序以及计算机可读记录介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101399969B (zh) | 2012-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101399969B (zh) | 基于运动相机的运动目标检测与跟踪的系统、设备和方法 | |
Cannons | A review of visual tracking | |
Kar | Skeletal tracking using microsoft kinect | |
JP5715833B2 (ja) | 姿勢状態推定装置および姿勢状態推定方法 | |
US6757571B1 (en) | System and process for bootstrap initialization of vision-based tracking systems | |
US20160110610A1 (en) | Image processor, image processing method, and computer program | |
AU3554199A (en) | Face recognition from video images | |
JP5001930B2 (ja) | 動作認識装置及び方法 | |
Chebli et al. | Pedestrian detection based on background compensation with block-matching algorithm | |
Darujati et al. | Facial motion capture with 3D active appearance models | |
Jean et al. | Body tracking in human walk from monocular video sequences | |
Wedel et al. | Warpcut–fast obstacle segmentation in monocular video | |
Haker et al. | Self-organizing maps for pose estimation with a time-of-flight camera | |
Sharma et al. | NAVI: Navigation aid for the visually impaired | |
Kurmankhojayev et al. | Monocular pose capture with a depth camera using a Sums-of-Gaussians body model | |
Luo et al. | Real-time stereo tracking of multiple moving heads | |
Islam et al. | ARD-SLAM: Accurate and robust dynamic SLAM using dynamic object identification and improved multi-view geometrical approaches | |
Li et al. | A multi-modal gesture recognition system in a human-robot interaction scenario | |
Taher et al. | Proposed method for road detection and following boundaries | |
Elmogy et al. | Robust real-time landmark recognition for humanoid robot navigation | |
Ferreira et al. | A comparison between different feature-based methods for ROV vision-based speed estimation | |
Riecický et al. | Optical-inertial Synchronization of MoCap Suit with Single Camera Setup for Reliable Position Tracking. | |
Cristina et al. | Model-free non-rigid head pose tracking by joint shape and pose estimation | |
Li et al. | Robust target detection, tracking and following for an indoor mobile robot | |
KR101788070B1 (ko) | 코 영역 검출 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120905 Termination date: 20200928 |