CN102497505A - 基于改进的Meanshift算法的多球机联动目标跟踪方法及系统 - Google Patents

基于改进的Meanshift算法的多球机联动目标跟踪方法及系统 Download PDF

Info

Publication number
CN102497505A
CN102497505A CN2011104035909A CN201110403590A CN102497505A CN 102497505 A CN102497505 A CN 102497505A CN 2011104035909 A CN2011104035909 A CN 2011104035909A CN 201110403590 A CN201110403590 A CN 201110403590A CN 102497505 A CN102497505 A CN 102497505A
Authority
CN
China
Prior art keywords
target
ball machine
moving target
tracking
fuzzy control
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
CN2011104035909A
Other languages
English (en)
Inventor
李彤
张崴
曾杰
周金旺
戴冲
张珂
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.)
HEFEI BRAINWARE SECURITY ELECTRONICS TECHNOLOGY CO LTD
Original Assignee
HEFEI BRAINWARE SECURITY ELECTRONICS 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 HEFEI BRAINWARE SECURITY ELECTRONICS TECHNOLOGY CO LTD filed Critical HEFEI BRAINWARE SECURITY ELECTRONICS TECHNOLOGY CO LTD
Priority to CN2011104035909A priority Critical patent/CN102497505A/zh
Publication of CN102497505A publication Critical patent/CN102497505A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明涉及一种基于改进的Meanshift算法的多球机联动目标跟踪方法，该方法包括：获取球机监控场景内的初始图像序列，进行分析处理，得到运动目标；跟踪检测到的运动目标；采用模糊控制方法控制球机转动，使运动目标大致保持在球机的中心范围；当运动目标进入多个球机的公共监控区域时，多个球机进入检测待跟踪状态，若运动目标离开公共监控区域并进入某个球机视野时，启动相应球机，返回第一步对运动目标进行跟踪。本发明还公开了一种基于改进的Meanshift算法的多球机联动目标跟踪系统。本发明通过对运动目标的检测、实时跟踪和模糊控制，实现多球机的联动目标跟踪，大大提高了鲁棒性，扩大了监控范围。

Description

基于改进的Meanshift算法的多球机联动目标跟踪方法及系统
 
技术领域
本发明涉及智能视频监控领域，尤其是一种基于改进的Meanshift算法的多球机联动目标跟踪方法及系统。  
背景技术
随着国民经济的发展和经济全球化进程的加快，安防产业迅速发展，每一个城市都有上万只摄像头，这些摄像头在城市的安防中起着举足轻重的作用，一旦发生警情，如何快速的从视频储存资源中准确地搜索相关信息，并使得视频监控设备准确地跟踪疑犯，成为公安人员比较棘手的问题。随着计算机视觉和数字图像处理技术在目标跟踪中的应用，智能视频监控技术（IVT Intelligent Video Technology）也就应运而生。IVT就是用计算机代替大脑、摄像头代替眼睛，由计算机智能分析摄像头获取的图像序列，理解监控场景中的内容。与传统视频监控系统相比，IVT有明显的优势，不仅能减少监控人员的数量、降低成本，而且能快速准确的进行资源调度。
多球机联动目标跟踪系统是一项非常具有实用价值的智能视频监控技术，其主要难点是如何处理运动目标从临界区域进入对应球机的监控视野后的检测和跟踪、确保对大场景内的运动目标进行联动跟踪，以及始终保持被跟踪目标位于球机视野的中央区域。一种解决方法是采用背景稳定技术，通过背景建模后的运动目标检测与匹配或者光流等算法对目标进行反向运动补偿，从而实现对同一个目标的持续跟踪，由于涉及到图像背景稳定环节，运算较为复杂，达不到实时性的要求；另一种解决方法是得到目标的当前位置之后，利用特征点(如角点等)匹配方法将目标的前后帧进行拼接运算，在拼接图像中，计算前后帧之间的位移量，从而来控制摄像机的运动，由于这种方法涉及到图像拼接，复杂度较大，同时针对不同的场景，拼接匹配的精度也不相同。
 
发明内容
本发明的首要目的在于提供一种鲁棒性强、能够实时跟踪运动目标、扩大监控范围的基于改进的Meanshift算法的多球机联动目标跟踪方法，该方法包括下列顺序的步骤：
（1）获取球机监控场景内的初始图像序列，利用背景减法对初始图像序列进行分析处理，得到运动目标的初始位置和大小；
（2）利用改进的Meanshift算法跟踪检测到的运动目标；
（3）采用模糊控制方法控制球机转动，使运动目标大致保持在球机的中心范围；
（4）当运动目标进入多个球机的公共监控区域时，多个球机进入检测待跟踪状态，若运动目标离开公共监控区域并进入某个球机视野时，启动相应球机，返回步骤（1）对运动目标进行跟踪。
本发明的另一目的在于提供一种基于改进的Meanshift算法的多球机联动目标跟踪系统，包括：
球机目标检测模块，获取固定监控场景的初始图像序列，根据初始图像序列结合背景减法检测到运动目标，得到运动目标的初始位置和目标的颜色分布模型，并将运动目标信息发送至球机目标跟踪模块；
球机目标跟踪模块，获取运动目标信息，利用改进的Meanshift算法实时跟踪运动目标；
球机模糊控制模块，计算运动目标在前后帧或多帧中的运动矢量，根据模糊控制方法，得出球机转动的方位模糊控制量，对球机进行模糊控制。
由上述技术方案可知，由于单球机的跟踪范围有限，而且现有球机对目标检测、跟踪的实时性与鲁棒性并没有达到实际应用的需求，本发明通过架设多个球机，并且让相邻两球机之间有公共监控区域，通过对运动目标的检测、实时跟踪和模糊控制，实现多球机的联动目标跟踪，从而保证了监控区域的安全，本发明大大提高了鲁棒性，扩大了监控范围。
 
附图说明
图1是本发明的工作流程图；
图2是本发明中单球机的主动跟踪流程图；
图3是运动目标区域分块示意图；
图4是球机的布置场景示意图；
图5是本发明的功能模块示意图。
 
具体实施方式
一种基于改进的Meanshift算法的多球机联动目标跟踪方法，该方法包括下列顺序的步骤：（1）获取球机监控场景内的初始图像序列，利用背景减法对初始图像序列进行分析处理，得到运动目标的初始位置和大小；（2）利用改进的Meanshift算法跟踪检测到的运动目标；（3）采用模糊控制方法控制球机转动，使运动目标大致保持在球机的中心范围；（4）当运动目标进入多个球机的公共监控区域时，多个球机进入检测待跟踪状态，若运动目标离开公共监控区域并进入某个球机视野时，启动相应球机，返回步骤（1）对运动目标进行跟踪，如图1、2所示。
如图5所示，本系统包括三个模块：球机目标检测模块，获取固定监控场景的初始图像序列，根据初始图像序列结合背景减法检测到运动目标，得到运动目标的初始位置和目标的颜色分布模型，并将运动目标信息发送至球机目标跟踪模块；球机目标跟踪模块，获取运动目标信息，利用改进的Meanshift算法实时跟踪运动目标；球机模糊控制模块，计算运动目标在前后帧或多帧中的运动矢量，根据模糊控制方法，得出球机转动的方位模糊控制量，对球机进行模糊控制。
如图4所示，所架设的多个球机的两相邻球机之间有公共监控区域，当运动目标                                               
Figure 2011104035909100002DEST_PATH_IMAGE002
从区域
Figure 2011104035909100002DEST_PATH_IMAGE004
运动到公共区域
Figure 2011104035909100002DEST_PATH_IMAGE006
时，球机
Figure 2011104035909100002DEST_PATH_IMAGE008
启动并初始化背景准备检测物体，为后续的跟踪提供条件。一旦运动目标从公共区域
Figure 272259DEST_PATH_IMAGE006
进入到区域
Figure 2011104035909100002DEST_PATH_IMAGE010
时，球机
Figure 929374DEST_PATH_IMAGE008
继续采用改进的Meanshift算法和模糊控制方法实时跟踪运动目标
Figure 220678DEST_PATH_IMAGE002
。同理当运动目标
Figure 487711DEST_PATH_IMAGE002
从区域
Figure 280087DEST_PATH_IMAGE010
进入公共区域
Figure 2011104035909100002DEST_PATH_IMAGE012
，再运动到区域
Figure 2011104035909100002DEST_PATH_IMAGE014
中，球机
Figure 2011104035909100002DEST_PATH_IMAGE016
作出同样的反应。
以下结合图1、2、3、4、5对本发明作进一步的说明。
上电初始化，球机各项参数固定，球机目标检测模块获取球机监控场景内的初始图像序列，根据初始图像序列，采用背景减法检测到运动目标，得到运动目标的初始位置和颜色分布模型。采用背景减法检测运动目标的公式如下：
Figure 2011104035909100002DEST_PATH_IMAGE018
 
其中，表示球机
Figure 2011104035909100002DEST_PATH_IMAGE022
时刻的监控图像在处的像素值，而
Figure 2011104035909100002DEST_PATH_IMAGE026
是
Figure 293173DEST_PATH_IMAGE022
时刻背景图像在
Figure 2011104035909100002DEST_PATH_IMAGE028
处的像素值，
Figure 2011104035909100002DEST_PATH_IMAGE030
为前景像素值，
Figure 2011104035909100002DEST_PATH_IMAGE032
为阈值常量；
背景图像采用背景更新的方法获得：
其中
Figure 2011104035909100002DEST_PATH_IMAGE036
为更新率。背景减法获得的前景图像往往有很多噪声点和孔洞，为了获得准确的目标轮廓，以便后续精确的跟踪，所以需要对前景图像进行预处理。对经背景减法获得的前景图像进行预处理，首先对前景图像进行形态学腐蚀，去除前景图像中的噪声点；然后对前景图像进行形态学膨胀，消除前景图像中的一些孔洞，增强前景图像中运动目标的连通性。在强光照的自然条件下，系统检测运动目标的同时，会将运动目标的阴影误判为运动目标，用阴影属性的方法检测并去除阴影。经过视频预处理后，实时记录目标的初始位置、形状、运动信息等。
获得运动目标的初始位置和颜色分布模型后，球机目标跟踪模块利用改进的Meanshift算法实时跟踪运动目标。传统的Meanshift算法采用全局的颜色直方图进行建模，所有像素对直方图的分布都会产生影响，而没有考虑到背景像素与目标像素之间的关系。当目标模型中包含的背景像素较多时，目标定位就会发生偏差。因此，需要对传统的Meanshift算法做出改进，采用改进的Meanshift算法跟踪运动目标的公式如下：
设有特征集
Figure 2011104035909100002DEST_PATH_IMAGE038
，
Figure 2011104035909100002DEST_PATH_IMAGE040
和分别为目标和背景中特征值为
Figure 2011104035909100002DEST_PATH_IMAGE044
的像素总个数，定义其概率为和
Figure 2011104035909100002DEST_PATH_IMAGE048
：
Figure 2011104035909100002DEST_PATH_IMAGE050
Figure 2011104035909100002DEST_PATH_IMAGE052
其中，
Figure 2011104035909100002DEST_PATH_IMAGE054
、
Figure 2011104035909100002DEST_PATH_IMAGE056
分别是目标区域、背景区域的像素个数，对于特征值为
Figure 390267DEST_PATH_IMAGE044
的对数似然函数定义为： 
Figure 2011104035909100002DEST_PATH_IMAGE058
其中，是一个极小值，该似然函数将大部分目标区域像素出现的概率映射为正值，而将大部分背景区域像素出现的概率映射为负值。为了获得更加可靠的目标像素，对每个像素对应的对数似然值进行阈值分割，公式如下： 
Figure 2011104035909100002DEST_PATH_IMAGE062
当
Figure 2011104035909100002DEST_PATH_IMAGE064
大于
Figure DEST_PATH_IMAGE066
时，
Figure DEST_PATH_IMAGE068
为前景像素，其中，
Figure 19962DEST_PATH_IMAGE066
是阈值。
对像素值的优化区分可以更加准确的定位目标。传统的Meanshift算法在目标出现部分遮挡时，跟踪效果就会很差。为此，用一种分块的方法来处理部分遮挡，在运动目标出现部分遮挡时，将运动目标所处区域划分为若干个重叠的子块，分别利用改进的Meanshift算法对各个子块进行迭代跟踪，找出匹配度较高的子块，并以该子块位置作为运动目标的最终定位。如图3所示，第一个子块为目标的整个区域，反映目标的整体特征，第二个子块为第一个子块的缩小型，反映目标的中心特征，第三、四、五、六个子块分别为目标的上、下、左、右区域。
在跟踪过程中，随着运动目标位置的变化，通过计算多帧间目标的中心位移和方向变化得到运动矢量，利用模糊控制的办法调整球机参数，使目标大致在球机的中心范围。球机模糊控制模块计算运动目标在前后帧或多帧中的运动矢量，根据模糊控制方法，得出球机转动的方位模糊控制量，对球机进行模糊控制。以目标的中心位置与图像中心位置的距离矢量作为模糊控制的模糊距离矢量，根据模糊控制矢量与计算机模糊控制规则的关系，得出球机转动的方位模糊控制量，从而实现球机的跟踪控制，算法如下：
设图像中心点
Figure DEST_PATH_IMAGE070
的坐标为
Figure DEST_PATH_IMAGE072
，目标重心坐标为
Figure DEST_PATH_IMAGE074
，则跟踪位置矢量为
Figure DEST_PATH_IMAGE076
,设视野中心范围的半径为
Figure DEST_PATH_IMAGE078
，当
Figure DEST_PATH_IMAGE080
表示目标在球机视野中心范围内，否则，表示目标即将离开视野中心范围，球机根据位置矢量的角度控制球机的转动。
综上所述，本发明通过架设多个球机，并且让相邻两球机之间有公共监控区域，通过对运动目标的检测、实时跟踪和模糊控制，实现多球机的联动目标跟踪，从而保证了监控区域的安全，本发明大大提高了鲁棒性，扩大了监控范围。

Claims (9)

1.一种基于改进的Meanshift算法的多球机联动目标跟踪方法，该方法包括下列顺序的步骤：
（1）获取球机监控场景内的初始图像序列，利用背景减法对初始图像序列进行分析处理，得到运动目标的初始位置和大小；
（2）利用改进的Meanshift算法跟踪检测到的运动目标；
（3）采用模糊控制方法控制球机转动，使运动目标大致保持在球机的中心范围；
（4）当运动目标进入多个球机的公共监控区域时，多个球机进入检测待跟踪状态，若运动目标离开公共监控区域并进入某个球机视野时，启动相应球机，返回步骤（1）对运动目标进行跟踪。
2.根据权利要求1所述的基于改进的Meanshift算法的多球机联动目标跟踪方法，其特征在于：上电初始化，球机各项参数固定，球机目标检测模块获取球机监控场景内的初始图像序列，根据初始图像序列，采用背景减法检测到运动目标，得到运动目标的初始位置和颜色分布模型；获得运动目标的初始位置和颜色分布模型后，球机目标跟踪模块利用改进的Meanshift算法实时跟踪运动目标；球机模糊控制模块计算运动目标在前后帧或多帧中的运动矢量，根据模糊控制方法，得出球机转动的方位模糊控制量，对球机进行模糊控制。
3.根据权利要求2所述的基于改进的Meanshift算法的多球机联动目标跟踪方法，其特征在于：采用背景减法检测运动目标的公式如下：
Figure 2011104035909100001DEST_PATH_IMAGE002
 
其中，
Figure 2011104035909100001DEST_PATH_IMAGE004
表示球机
Figure 2011104035909100001DEST_PATH_IMAGE006
时刻的监控图像在
Figure 2011104035909100001DEST_PATH_IMAGE008
处的像素值，而
Figure 2011104035909100001DEST_PATH_IMAGE010
是
Figure 408474DEST_PATH_IMAGE006
时刻背景图像在
Figure 2011104035909100001DEST_PATH_IMAGE012
处的像素值，
Figure 2011104035909100001DEST_PATH_IMAGE014
为前景像素值，
Figure 2011104035909100001DEST_PATH_IMAGE016
为阈值常量；
背景图像采用背景更新的方法获得：
其中
Figure 2011104035909100001DEST_PATH_IMAGE020
为更新率。
4.根据权利要求2所述的基于改进的Meanshift算法的多球机联动目标跟踪方法，其特征在于：采用改进的Meanshift算法跟踪运动目标的公式如下：
设有特征集
Figure 2011104035909100001DEST_PATH_IMAGE022
，
Figure 2011104035909100001DEST_PATH_IMAGE024
和
Figure 2011104035909100001DEST_PATH_IMAGE026
分别为目标和背景中特征值为
Figure 2011104035909100001DEST_PATH_IMAGE028
的像素总个数，定义其概率为
Figure 2011104035909100001DEST_PATH_IMAGE030
和
Figure 2011104035909100001DEST_PATH_IMAGE032
：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE040
分别是目标区域、背景区域的像素个数，对于特征值为
Figure 43724DEST_PATH_IMAGE028
的对数似然函数定义为： 
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE044
是一个极小值，对每个像素对应的对数似然值进行阈值分割，公式如下： 
Figure DEST_PATH_IMAGE046
当
Figure DEST_PATH_IMAGE048
大于
Figure DEST_PATH_IMAGE050
时，
Figure DEST_PATH_IMAGE052
为前景像素，其中，
Figure 698827DEST_PATH_IMAGE050
是阈值。
5.根据权利要求2所述的基于改进的Meanshift算法的多球机联动目标跟踪方法，其特征在于：以目标的中心位置与图像中心位置的距离矢量作为模糊控制的模糊距离矢量，根据模糊控制矢量与计算机模糊控制规则的关系，得出球机转动的方位模糊控制量，从而实现球机的跟踪控制，算法如下：
设图像中心点的坐标为，目标重心坐标为
Figure DEST_PATH_IMAGE058
，则跟踪位置矢量为
Figure DEST_PATH_IMAGE060
,设视野中心范围的半径为
Figure DEST_PATH_IMAGE062
，当
Figure DEST_PATH_IMAGE064
表示目标在球机视野中心范围内，否则，表示目标即将离开视野中心范围，球机根据位置矢量的角度控制球机的转动。
6.根据权利要求2所述的基于改进的Meanshift算法的多球机联动目标跟踪方法，其特征在于：在运动目标出现部分遮挡时，将运动目标所处区域划分为若干个重叠的子块，分别利用改进的Meanshift算法对各个子块进行迭代跟踪，找出匹配度较高的子块，并以该子块位置作为运动目标的最终定位。
7.根据权利要求3所述的基于改进的Meanshift算法的多球机联动目标跟踪方法，其特征在于：对经背景减法获得的前景图像进行预处理，首先对前景图像进行形态学腐蚀，去除前景图像中的噪声点；然后对前景图像进行形态学膨胀，消除前景图像中的一些孔洞，增强前景图像中运动目标的连通性。
8.一种基于改进的Meanshift算法的多球机联动目标跟踪系统，包括：
球机目标检测模块，获取固定监控场景的初始图像序列，根据初始图像序列结合背景减法检测到运动目标，得到运动目标的初始位置和目标的颜色分布模型，并将运动目标信息发送至球机目标跟踪模块；
球机目标跟踪模块，获取运动目标信息，利用改进的Meanshift算法实时跟踪运动目标；
球机模糊控制模块，计算运动目标在前后帧或多帧中的运动矢量，根据模糊控制方法，得出球机转动的方位模糊控制量，对球机进行模糊控制。
9.根据权利要求8所述的基于改进的Meanshift算法的多球机联动目标跟踪系统，其特征在于：所架设的多个球机的两相邻球机之间有公共监控区域。
CN2011104035909A 2011-12-08 2011-12-08 基于改进的Meanshift算法的多球机联动目标跟踪方法及系统 Pending CN102497505A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011104035909A CN102497505A (zh) 2011-12-08 2011-12-08 基于改进的Meanshift算法的多球机联动目标跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011104035909A CN102497505A (zh) 2011-12-08 2011-12-08 基于改进的Meanshift算法的多球机联动目标跟踪方法及系统

Publications (1)

Publication Number Publication Date
CN102497505A true CN102497505A (zh) 2012-06-13

Family

ID=46189289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011104035909A Pending CN102497505A (zh) 2011-12-08 2011-12-08 基于改进的Meanshift算法的多球机联动目标跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN102497505A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700140A (zh) * 2014-01-06 2014-04-02 武汉烽火众智数字技术有限责任公司 用于单枪机-多球机联动的空间建模方法
CN103997624A (zh) * 2014-05-21 2014-08-20 江苏大学 重叠域双摄像头目标跟踪系统及方法
CN104424631A (zh) * 2013-08-23 2015-03-18 浙江大华技术股份有限公司 一种基于枪球联动系统的坐标关联方法及装置
CN106204643A (zh) * 2016-07-01 2016-12-07 湖南源信光电科技有限公司 基于多特征联合与Mean Shift算法的多目标跟踪方法
CN107578428A (zh) * 2017-08-31 2018-01-12 成都观界创宇科技有限公司 应用于全景图像的目标跟踪方法及全景相机
CN109120904A (zh) * 2018-10-19 2019-01-01 武汉星巡智能科技有限公司 双目摄像头监控方法、装置及计算机可读存储介质
CN109345594A (zh) * 2018-09-04 2019-02-15 顺丰科技有限公司 全局坐标系构建及应用方法、装置、设备及存储介质
CN110187725A (zh) * 2018-06-13 2019-08-30 葛高丽 基于灰度检测的电暖器吹风控制平台
CN110211076A (zh) * 2019-05-09 2019-09-06 上海联影智能医疗科技有限公司 图像拼接方法、图像拼接设备和可读存储介质
CN110930437A (zh) * 2019-11-20 2020-03-27 北京拙河科技有限公司 目标跟踪方法和装置
CN111815667A (zh) * 2020-06-23 2020-10-23 成都信息工程大学 一种相机移动条件下高精度检测运动目标的方法
CN113114938A (zh) * 2021-04-12 2021-07-13 滁州博格韦尔电气有限公司 一种基于电子信息的目标精确监控系统
CN113296546A (zh) * 2021-04-22 2021-08-24 杭州晟冠科技有限公司 一种轮船联动跟踪定位误差的补偿方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040220769A1 (en) * 2003-05-02 2004-11-04 Yong Rui System and process for tracking an object state using a particle filter sensor fusion technique
WO2009036103A1 (en) * 2007-09-10 2009-03-19 Retica Systems, Inc. Long distance multimodal biometric system and method
CN101950426A (zh) * 2010-09-29 2011-01-19 北京航空航天大学 一种多摄像机场景下车辆接力跟踪方法
CN102447835A (zh) * 2011-10-29 2012-05-09 合肥博微安全电子科技有限公司 无盲区多目标协同跟踪方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040220769A1 (en) * 2003-05-02 2004-11-04 Yong Rui System and process for tracking an object state using a particle filter sensor fusion technique
WO2009036103A1 (en) * 2007-09-10 2009-03-19 Retica Systems, Inc. Long distance multimodal biometric system and method
CN101950426A (zh) * 2010-09-29 2011-01-19 北京航空航天大学 一种多摄像机场景下车辆接力跟踪方法
CN102447835A (zh) * 2011-10-29 2012-05-09 合肥博微安全电子科技有限公司 无盲区多目标协同跟踪方法及系统

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104424631A (zh) * 2013-08-23 2015-03-18 浙江大华技术股份有限公司 一种基于枪球联动系统的坐标关联方法及装置
CN103700140A (zh) * 2014-01-06 2014-04-02 武汉烽火众智数字技术有限责任公司 用于单枪机-多球机联动的空间建模方法
CN103997624A (zh) * 2014-05-21 2014-08-20 江苏大学 重叠域双摄像头目标跟踪系统及方法
CN103997624B (zh) * 2014-05-21 2017-04-05 江苏大学 重叠域双摄像头目标跟踪系统及方法
CN106204643A (zh) * 2016-07-01 2016-12-07 湖南源信光电科技有限公司 基于多特征联合与Mean Shift算法的多目标跟踪方法
CN107578428A (zh) * 2017-08-31 2018-01-12 成都观界创宇科技有限公司 应用于全景图像的目标跟踪方法及全景相机
CN110187725A (zh) * 2018-06-13 2019-08-30 葛高丽 基于灰度检测的电暖器吹风控制平台
CN109345594A (zh) * 2018-09-04 2019-02-15 顺丰科技有限公司 全局坐标系构建及应用方法、装置、设备及存储介质
CN109120904A (zh) * 2018-10-19 2019-01-01 武汉星巡智能科技有限公司 双目摄像头监控方法、装置及计算机可读存储介质
CN110211076A (zh) * 2019-05-09 2019-09-06 上海联影智能医疗科技有限公司 图像拼接方法、图像拼接设备和可读存储介质
CN110211076B (zh) * 2019-05-09 2020-12-15 上海联影智能医疗科技有限公司 图像拼接方法、图像拼接设备和可读存储介质
CN110930437A (zh) * 2019-11-20 2020-03-27 北京拙河科技有限公司 目标跟踪方法和装置
CN111815667A (zh) * 2020-06-23 2020-10-23 成都信息工程大学 一种相机移动条件下高精度检测运动目标的方法
CN111815667B (zh) * 2020-06-23 2022-06-17 成都信息工程大学 一种相机移动条件下高精度检测运动目标的方法
CN113114938A (zh) * 2021-04-12 2021-07-13 滁州博格韦尔电气有限公司 一种基于电子信息的目标精确监控系统
CN113296546A (zh) * 2021-04-22 2021-08-24 杭州晟冠科技有限公司 一种轮船联动跟踪定位误差的补偿方法

Similar Documents

Publication Publication Date Title
CN102497505A (zh) 基于改进的Meanshift算法的多球机联动目标跟踪方法及系统
Gurghian et al. Deeplanes: End-to-end lane position estimation using deep neural networksa
CN105405154B (zh) 基于颜色-结构特征的目标对象跟踪方法
Tan et al. Robust monocular SLAM in dynamic environments
Kong et al. Detecting abandoned objects with a moving camera
EP2813973B1 (en) Method and system for processing video image
CN105160649A (zh) 基于核函数非监督聚类的多目标跟踪方法及系统
Xu et al. Dynamic obstacle detection based on panoramic vision in the moving state of agricultural machineries
CN105374049B (zh) 一种基于稀疏光流法的多角点跟踪方法及装置
Chen et al. A full density stereo matching system based on the combination of CNNs and slanted-planes
Zoidi et al. Stereo object tracking with fusion of texture, color and disparity information
Xu et al. A real-time, continuous pedestrian tracking and positioning method with multiple coordinated overhead-view cameras
Dornaika et al. A new framework for stereo sensor pose through road segmentation and registration
Li et al. Scale-aware monocular SLAM based on convolutional neural network
Haggui et al. Centroid human tracking via oriented detection in overhead fisheye sequences
Wang et al. Hand posture recognition from disparity cost map
Yun et al. Maximum-likelihood object tracking from multi-view video by combining homography and epipolar constraints
Almomani et al. Segtrack: A novel tracking system with improved object segmentation
Ren et al. Multi-view and multi-plane data fusion for effective pedestrian detection in intelligent visual surveillance
Edoardo Maresca et al. The Matrioska tracking algorithm on LTDT2014 dataset
Xu et al. Moving target detection and tracking in FLIR image sequences based on thermal target modeling
Wang et al. Online adaptive multiple pedestrian tracking in monocular surveillance video
CN108564020A (zh) 基于全景3d图像的微手势识别方法
Li et al. Robust object tracking in crowd dynamic scenes using explicit stereo depth
El Moudni et al. An Event-based Stereo 3D Mapping and Tracking Pipeline for Autonomous Vehicles

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20120613

C20 Patent right or utility model deemed to be abandoned or is abandoned