CN102930245A - 一种车辆跟踪方法及系统 - Google Patents
一种车辆跟踪方法及系统 Download PDFInfo
- Publication number
- CN102930245A CN102930245A CN2012103578743A CN201210357874A CN102930245A CN 102930245 A CN102930245 A CN 102930245A CN 2012103578743 A CN2012103578743 A CN 2012103578743A CN 201210357874 A CN201210357874 A CN 201210357874A CN 102930245 A CN102930245 A CN 102930245A
- Authority
- CN
- China
- Prior art keywords
- unique point
- point
- characteristic
- descriptor
- fast
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种车辆跟踪方法及系统,用于车辆的跟踪,本发明实施例方法包括:根据当前帧的视频图像建立高斯图像金字塔,对高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合;根据该第一FAST得到第一FAST特征集合所对应的点对序列集合;对第一FAST特征集合中的特征点,根据与特征点对应的点对序列生成特征点的BRIEF描述符,得到当前帧的特征点的描述符集合;根据预置的跟踪半径、当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立特征点对序列;根据特征点对序列确定跟踪目标在当前帧的位置,能够有效的实现车辆的跟踪,不会丢失跟踪目标,跟踪效果好。
Description
技术领域
本发明涉及视频监控技术领域,尤其涉及一种目标检测及跟踪的方法及视频监控系统。
背景技术
随着国家对“平安城市”、“平安校园”、“平安交通”等项目的推进,整个社会对视频监控系统的需求量越来达大,对其智能化程度的要求也越来越高,传统的监控方法已经不能满足社会的需求,智能视频监控系统应运而生。智能视频监控系统的智能化主要表现在对目标的自动检测和跟踪,并根据预设的逻辑判断目标是否越界,进而发出预警。
智能交通管理系统是智能视频监控系统的一个子集,监控的目标是车辆,对车辆进行智能化的管理。车辆跟踪是智能交通管理系统的一项基础功能。目前的车辆跟踪方法主要有:基于光流场的方法、基于粒子滤波的方法、基于SIFT或SURF特征匹配的方法。基于光流场的方法对光照的适应性较差,在光线发生变化的时候容易丢失跟踪目标;基于粒子滤波的方法跟踪精度和跟踪速度都不够,很难达到实时、稳定跟踪的目的;基于SIFT或SURF特征匹配的方法对光照和仿射变化的鲁棒性都比较高,但是特征检测和匹配需要花费大量的时间,难以达到实时跟踪的目的。
因此,目前的车辆跟踪方法容易丢失跟踪目标,跟踪效果不好,跟踪的实时性太差。
发明内容
本发明实施例提供了一种车辆跟踪方法及系统,用于实现车辆的跟踪。
本发明实施例中提供的车辆跟踪方法包括:
根据当前帧的视频图像建立高斯图像金字塔,对所述高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合;
确定所述第一FAST特征集合中的特征点的特征方向和特征半径,根据所述特征方向和特征半径以及预置的归一化点对序列得到所述第一FAST特征集合所对应的点对序列集合,所述点对序列集合中包含特征点与点对序列之间的对应关系;
对所述第一FAST特征集合中的特征点,根据与所述特征点对应的点对序列生成所述特征点的BRIEF描述符,得到当前帧的特征点的描述符集合,所述描述符集合中包含特征点与描述符之间的对应关系;
根据预置的跟踪半径、所述当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立哈希hash表,所述hash表中包含所述前一帧中跟踪目标的特征点与所述当前帧中与其可匹配的特征点之间的对应关系;
根据所述hash表,采用描述符分块的方式在所述当前帧的特征点中查找与所述前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列;
根据所述特征点对序列计算跟踪目标在当前帧与前一帧之间的偏移系数和尺度系数,确定所述跟踪目标在当前帧的位置。
本发明实施例中提供的车辆跟踪系统包括:
检测模块,用于根据当前帧的视频图像建立高斯图像金字塔,对所述高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合;
处理模块,用于在所述检测模块得到所述第一FAST特征集合之后,确定所述第一FAST特征集合中的特征点的特征方向和特征半径,根据所述特征方向和特征半径、及预置的归一化点对序列得到所述第一FAST特征集合所对应的点对序列集合,所述点对序列集合中包含特征点与点对序列之间的对应关系;
描述符生成模块,用于在所述处理模块得到所述第一FAST特征集合所对应的点对序列集合之后,对所述第一FAST特征集合中的特征点,根据特征点对应的点对序列的生成所述特征点对应的BRIEF描述符,得到当前帧的特征点的描述符集合,所述描述符集合中包含特征点与描述符之间的对应关系;
Hash表建立模块,用于在所述描述符生成模块得到所述当前帧的特征点的描述符集合之后,根据预置的跟踪半径、当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立哈希hash表,所述hash表中包含所述前一帧中跟踪目标的特征点与所述当前帧中可匹配的可匹配特征点之间的对应关系;
序列建立模块,用于在所述hash表建立模块建立所述hash表之后,根据所述hash表,采用描述符分块的方式在所述当前帧的特征点中查找与所述前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列;
目标确定模块,用于在所述序列建立模块建立所述特征点对序列之后,根据所述特征点对序列计算跟踪目标在当前帧与前一帧之间的偏移系数和尺度系数,确定所述跟踪目标在当前帧的位置。
从以上技术方案可以看出,本发明实施例具有以下优点:
根据当前帧的视频图像建立高斯图像金字塔,通过对高斯图像金字塔各层进行FAST特征检测,得到第一FAST特征集合,且该第一FAST特征集合中的特征点具有多尺度的特性;通过利用第一FAST特征集合中每一个特征的特征方向和特征半径、旋转和缩放预置的归一化点对序列进行计算,得到第一FAST集合所对应的点对序列集合,使得利用该点对序列集合得到的BRIEF描述符具有旋转不变性,这两点有效地提高了跟踪的精度和跟踪的稳定性。此外,根据预置的跟踪半径和描述符分块匹配的策略得到特征点对序列,使得可在不降低跟踪精度前提下,提高跟踪的速度。最终,使得本方法能够实现快速、稳定的目标跟踪,得到更好的跟踪效果。
附图说明
图1为本发明实施例中车辆跟踪方法的一个示意图;
图2为本发明实施例中车辆跟踪方法的另一示意图;
图3为本发明实施例中特征点的坐标的示意图;
图4为本发明实施例中归一化点对矩阵的旋转及方法的示意图;
图5为本发明实施例中车辆跟踪系统的结构图;
图6为本发明实施例中车辆跟踪系统的另一结构图;
图7为本发明实施例中处理模块的结构图;
图8为本发明实施例中hash表建立模块的结构图。
具体实施方式
本发明实施例提供了一种车辆跟踪方法及系统,用于车辆的跟踪,且能够有效的实现车辆的跟踪,不会丢失跟踪目标,跟踪效果好。
请参阅图1,为本发明实施例中一种车辆跟踪方法的实施例,包括:
101、根据当前帧的视频图像建立高斯图像金字塔,对高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合;
在本发明实施例中,车辆跟踪系统将根据当前帧的视频图像建立高斯图像金字塔,对高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合,其中,该第一FAST特征集合中包含当前帧的视频图像的特征点,此外,由于是对高斯图像金字塔进行的FAST特征检测,因此可得到具有多个尺度的特征点,使得该第一FAST特征集合具有多尺度的特性。
102、确定第一FAST特征集合中的特征点的特征方向和特征半径,根据所述特征方向和特征半径、及预置的归一化点对序列得到第一FAST特征集合所对应的点对序列集合;
在本发明实施例中,车辆跟踪系统将确定第一FAST特征集合中的每一个特征点的特征方向和特征方向,并将根据特征点的特征方向和特征半径、及预置的归一化点对序列得到第一FAST特征集合所对应的点对序列集合,该过程包括旋转及缩放(具体过程将在后面的实施例中进行描述),可使到点对序列集合中的每一个点对序列相对于特征方法和特征半径的位置具有一致性。其中,点对序列集合中包含特征点点对序列之间的对应关系。
103、对第一FAST特征集合中的特征点,根据与特征点对应的点对序列生成BRIEF描述符,得到当前帧的特征点的描述符集合,描述符的集合中包含特征点与描述符之间的对应关系;
在本发明实施例中,在得到第一FAST特征集合所对应的点对序列集合后,车辆跟踪系统还将对第一FAST特征集合中的每个特征点,根据与该特征点对应的点对序列生成该特征点对应的BRIEF描述符,可得到当前帧的特征点的描述符集合,该描述符集合中包含特征点与描述符之间的对应关系,其中,由于点对序列集合中的每一个点对序列相对于所对应特征点的特征方向和特征半径的位置具有一致性,使得当前帧的特征点的描述符集合具有旋转不变性。
104、根据预置的跟踪半径,当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立hash表;
在本发明实施例中,车辆跟踪系统根据预置的跟踪半径,当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立hash表,该hash表中包含前一帧中跟踪目标的特征点与当前帧中与其可匹配的可匹配特征点之间的对应关系,具体包括:对前一帧中跟踪目标的特征点的描述符集合中的每一个特征点,都在当前帧的特征点的描述符集合中找到与其可匹配的特征点,作为其可匹配特征点,并建立前一帧中跟踪目标中的特征点与其可匹配特征点之间的对应关系,得到hash表。
105、根据hash表,采用描述符分块的方式在当前帧的特征点中查找与前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列;
在本发明实施例中,车辆跟踪系统将很据hash表,采用描述符分块的方式在当前帧的特征点中查找与前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,并将前一帧中跟踪目标的特征点与当前帧中满足预置条件的特征点建立对应关系,得到特征点对序列。
在建立hash表时利用预置的跟踪半径,能够有效的减少匹配特征点时,搜索的次数,且在确定特征点对序列时利用描述符分块的方式,能够有效的减少相似度的计算量,使得在不降低跟踪精度的前提下,改善了特征点匹配的速度。
106、根据匹配特征点对序列计算跟踪目标在当前帧中和前一帧之间的偏移系数和尺度系数,确定跟踪目标在当前帧的位置。
在本发明实施例中,车辆跟踪系统在得到当前帧的特征点对序列之后,将根据该特征点对序列计算跟踪目标在当前帧与前一帧之间的偏移系数和尺度系数,确定该跟踪目标在当前帧的位置。
为了更好的理解本发明实施例中的车辆跟踪方法,请参阅图2,为本发明实施例中车辆跟踪方法的另一实施例,包括:
201、以预置的标准差对当前帧的视频图像进行高斯滤波,建立高斯图像金字塔;
在本发明实施例中,车辆跟踪系统将以预置的标准差对当前帧的视频图像进行高斯滤波,建立高斯图像金字塔,具体包括:以标准差为σ对当前帧的视频图像进行高斯滤波,并将高斯滤波后的图像作为高斯图像金字塔的第一层图像,接着,i的起始值为2,执行以下过程:
1)将第i-1层图像缩小σ倍,再进行标准差为σ的高斯滤波得到第i层图像,该第i层图像即为高斯图像金字塔的第i层图像;
2)判断i是否小于预置的数值;
3)若i小于该预置的数值,则i=i+1,返回执行步骤1),若i等于或大于该预置的数值,则结束高斯图像金字塔的建立。
其中,预置的数值即为高斯图像金字塔的层数,可根据具体的情况设置该数值,例如,该预置的数值可以为3~6之间的整数。按照上述的方法可建立一个缩放系数为σ的高斯图像金字塔,σ的取值可以为1.319~1.741。
202、分别检测高斯图像金字塔的各层图像的FAST特征,得到第二FAST特征集合;
在本发明实施例中,建立高斯图像金字塔之后,车辆跟踪系统将分别检测该高斯图像金字塔的各层图像的FAST特征,得到第二FAST特征集合。
优选的,在本发明实施例中,由于该第二FAST特征集合中可能包含一些边缘点和噪声点等不稳定的特征点,影响跟踪的稳定性,因此,车辆跟踪系统可利用SHI-TOMASI角点检测器计算第二FAST特征集合中的每一个特征点的特征响应度,并将计算得到的特征点的特征响应度与预置的响应度阈值进行比较,若计算得到的特征点的特征响应度大于或等于该预置的响应度预置,则保留该特征点,若计算得到的特征点的特征响应度小于该预置的响应度预置,则将该特征点从第二FAST特征集合中剔除,使得第二FAST特征集合中不包含边缘点和噪声点。
203、将第二FAST特征集合中的特征点的坐标映射到高斯图像金字塔的第一层图像的坐标系中,得到第一FAST特征集合;
在本发明实施例中,车辆跟踪系统在得到第二FAST特征集合之后,将该第二FAST特征集合中的特征点的坐标系映射到高斯图像金字塔的第一层图像的坐标系中,得到第一FAST特征集合。其中,映射函数如公式(1)所示:
x2(i,j)=σ(i-1)·x1(i,j) 公式(1)
其中,i是特征点在高斯图像金字塔的层次,j是特征点的序号,x1是特征点映射前的坐标,x2是特征点映射后的坐标,在本发明实施例中,通过坐标映射可以使得不同尺度的特征点都统一到同一坐标系中。
需要说明的是,在本发明实施例中,车辆跟踪系统在得到第一FAST特征集合之后,为了让检测到的特征点分步均匀,并合理控制特征点的数目,车辆跟踪系统对该FAST特征集合进行进一步的非极大值抑制的优化处理,包括对第一FAST特征集合中的每一个特征点进行以下处理:
在以特征点的坐标X为中心,2r0+1为长度的矩形区域R内,判断该特征点的特征响应度是否是该矩形区域中的特征点的特征响应度中的最大值,若是,则保留该特征点,若否,则将该特征点从第一FAST特征集合中剔除。
其中,r0的值可以根据跟踪所需的特征点的数量及跟踪目标的尺寸得到,具体的计算方式可参阅公式(2),如下:
其中,w和h为跟踪目标的长和宽,n是跟踪的特征点数量,一般取值为100~200,λ为加权系数,一般取值为1.2~1.4。
在本发明实施例中,步骤101至步骤103是车辆跟踪系统获得当前帧的视频图像的第一FAST特征集合的过程,通过建立高斯图像金字塔,使得检测得到的特征点具有多尺度的特性。
需要说明的是,本发明实施例中的“第一FAST特征集合”和“第二FAST特征集合”仅用于区别两个不同的特征集合,不对本发明的实质性内容造成限定。
204、计算第一FAST特征集合中的特征点的特征方向和特征半径,根据特征点的特征方向得到方向角;
在本发明实施例中,车辆跟踪系统在得到第一FAST特征集合之后,将计算该第一FAST特征集合中的特征点的特征方向和特征半径,并根据该特征方向得到方向角,具体可利用公式(3)计算第一FAST特征集合中每一个特征点的特征方向和特征半径,如下:
其中,I(x,y)是特征点灰度值,(x,y)是该特征点的坐标,i是该特征点在高斯图像金字塔的层次,σ是高斯图像金字塔的相邻两层之间的缩放系数,以该特征点的坐标为中心,2r1+1为长度的矩形区域为Rr,xc和yc是计算得到的特征点的重心坐标,也是矩形中心到重心的向量,这个向量的方向即为特征方向,该特征方向与X轴正方向的夹角为方向角。
为了更好的理解本发明实施例中的特征点的特征方向和特征半径,请参阅图3,为本发明实施例中的特征点的坐标的示意图,其中,方框表示特征点的特征半径构成的区域,特征点的描述方式采用的是(x,y,θ,r)的格式,其中,(x,y)表示特征点的的坐标,θ表示特征点的特征方向,r表示特征点的特征半径。
205、分别将第一FAST特征集合中的每一个特征点的特征方向与特征半径的乘积与预置的归一化点对序列相乘,得到各个特征点对应的点对序列,得到第一FAST特征集合所对应的点对序列集合;
在本发明实施例中,车辆跟踪系统还将第一FAST特征集合中的每一个特征点的特征方向与特征半径的乘积与预置的归一化点对序列相乘,得到得到各个特征点对应的点对序列,且该各个特征点对应的点对序列的集合即为第一FAST特征集合所对应的点对序列集合。其中预置归一化点对序列是由在归一化区域内,随机生成的若干点对构成,具体包括:对归一化区域用网格进行分割(例如,归一化的矩形区域是(-1,-1)~(1,1)用12*12的网格进行分割),随机生成m对网格点对,该m一般取64~128,其中,每个网格点对都是从网格上随机抽取的两个点,从而可构成一个2*2m的归一化点对序列M0,具体可参考公式(4),如下:
在公式(4)中,前m列中的一列x和y与和后m列中的一列x和y构成点对,例如,(x11,y11)和(x21,y21)构成点对。
在本发明实施例中,为了使得不同尺度,不同方向的特征点能相互匹配,可按照公式(5)对第一FAST特征集合中的特征点进行处理,得到每个特征点的点对序列,如下:
其中,r2为为特征点的特征半径,θ为特征点的方向角,M0为归一化点对序列,且得到的特征点的点对序列M的集合为点对序列集合。
为了更好的理解,本发明实施例中的归一化点对矩阵及第一FAST特征集合的θ角度的旋转,请参阅图4,为本发明实施例中的归一化点对矩阵的旋转及放大的示意图。
206、对第一FAST特征集合中的特征点,根据与特征点对应的点对序列生成特征点的BRIEF描述符,得到当前帧的特征点的描述符集合;
在本发明实施例中,车辆跟踪系统可对得到的第一FAST特征集合中的每个特征点生成BRIEF描述符,得到当前帧的特征点的描述符集合。
在本发明实施例中,车辆跟踪系统可对FAST特征集中的每一个特征点的点对序列M按照如下方式生成描述符,其集合即为当前帧的特征点的描述符集合,具体包括:
判断特征点的对应的点对序列M中的任意两个点对的二值函数值的大小,如公式(6)所示:
其中,P()为二值函数,(x1,y1)、(x2,y2)是矩阵M中的任意点对,I()为灰度值函数。
在本发明实施例中,对每一个特征点,可任意选择m对点对按照公式(6)进行判断,则可得到特征点的m个p值,如p1、p2、p3、……、pm,将该m个p值用二进制的格式表示,即利用公式(7)可得到该特征点的描述符:
其中,m是指p值的个数。
按照公式(6)和(7)的方式可对第一FAST特征集合中的每个特征点建立描述符,则描述符的集合即为当前帧的特征点的描述符的集合,需要说明的是,该当前帧的特征点的描述符的集合中包含当前帧的特征点与其描述符之间的对应关系。
207、根据预置的跟踪半径、当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立hash表;
在本发明实施例中,车辆跟踪系统在得到当前帧的描述符的集合之后,将根据预置的跟踪半径、当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立hash表,该hash表中包含前一帧中跟踪目标的特征点与当前帧中可匹配特征点之间的对应关系。
在本发明实施例中,车辆跟踪系统可按照以下的方式对前一帧中跟踪目标的特征点的描述符集合中的每一个特征点进行处理,以建立hash表,包括:
1)以前一帧中跟踪目标的特征点的坐标为中心,以预置的长度为跟踪半径确定该前一帧中跟踪目标的特征点的跟踪区域;
2)将当前帧的特征点的描述符集合中在该跟踪区域内的当前帧的特征点作为该前一帧中跟踪目标的特征点的可匹配特征点;
3)将该前一帧中跟踪目标的特征点与其可匹配特征点的对应关系添加至hash表中。
例如:若前一帧中跟踪目标的特征点的A的坐标为(100,100),预置的长度为8,则以该特征点的坐标(100,100)为中心,半径为8的圆形区域为特征点A的跟踪区域,则确定在当前帧的特征点的描述符集合中,坐标值在跟踪区域内的特征点有哪些,若当前帧的特征点B,C,D在该跟踪区域内,则确定特征点B,C,D为特征点A的可匹配特征点,则可将特征点A与特征点B,C,D的对应关系添加至hash表中。
208、根据hash表,采用描述符分块的方式在当前帧的特征点中查找与所述前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列;
在本发明实施例中,车辆跟踪系统在得到hash表之后,可采用描述符分块的方式在当前帧的特征点中查找与每一个前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列,其中,满足预置条件的特征点可以是hamming相似度最高和次高的特征点。
在本发明实施例中,车辆跟踪系统可按照以下的方式对hash表中每一个前一帧的跟踪目标的特征点与其可匹配特征点进行如下处理,得到该前一帧的跟踪目标的特征点的点对序列,包括:
1)根据预置的分块数目N,将前一帧中跟踪目标的特征点的描述符划分为N个描述符块,且将前一帧中跟踪目标的特征点对应的可匹配特征点的描述符按划分为N个描述符块,且将前一帧中跟踪目标的特征点的描述符块及其可匹配特征点的描述符块进行编号,例如,每一个描述符的大小为64bit,则可将描述符以8bit为单位划分为8个描述符块,且若前一帧中跟踪目标的特征点A有特征点B,C,D三个可匹配特征点,则需要将特征点A,B,C,D的描述符分别划分为8个描述符块,并分别依次进行编号,即特征点A,B,C,D分别具有编号为1至8的8个描述符块;
2)i的起始值为为1开始执行以下步骤:
2.1)计算前一帧的跟踪目标的特征点的第i个描述符块与其可匹配特征点的第i个描述符分块的hamming相似度,从可匹配特征点中剔除hamming相似度小于预置相似度阈值的描述块所属的特征点;
2.2)判断i是否等于N,若否则i=1+1,返回执行步骤2.1),若是,则结束该前一帧中跟踪目标的特征点的匹配,将剩余的可匹配特征点作为该前一帧中跟踪目标的特征点的匹配特征点。
在本发明实施例中,通过描述符分块的方式剔除前一帧中跟踪目标的特征点的可匹配特征点中的特征点,可能存在以下几种情况:
若按照步骤2)对前一帧中跟踪目标的特征点进行处理之后,该前一帧中跟踪目标的特征点剩余0个可匹配特征点,则丢弃该前一帧中跟踪目标的特征点;
若按照步骤2)对前一帧中跟踪目标的特征点进行处理之后,该前一帧中跟踪目标的特征点剩余1个可匹配特征点,则将该该剩余的1个可匹配特征点作为前一帧中跟踪目标的特征点的匹配特征点;
若按照步骤2)对前一帧中跟踪目标的特征点进行处理后,该前一帧中跟踪目标的特征点剩余2个或2个以上可匹配特征点,则将具有与该前一帧中跟踪目标的特征点hamming相似度最高的描述符块所属的可匹配特征点作为该前一帧中跟踪目标的特征点的第一匹配特征点,将具有与该前一帧中跟踪目标的特征点hamming相似度次高的描述符块所属的可匹配特征点作为该前一帧中跟踪目标的特征点的第二匹配特征点。
4)利用RANAC算法去除前一帧中跟踪目标的特征点的匹配特征点中的伪匹配特征点,得到前一帧中跟踪目标的特征点的特征点对序列,特征点对序列包含前一帧中跟踪目标特征点与其去伪匹配后的可匹配特征点之间的对应关系。
需要说明的是,在本发明实施例中,当前一帧中跟踪目标的特征点仅有一个匹配特征点时,若利用RANCA算法确定该匹配特征点为伪匹配特征点时,则丢弃该前一帧的跟踪目标的特征点,若利用RANCA算法确定该匹配特征点不是伪匹配特征点,则将该前一帧中跟踪目标的特征点与其匹配特征点作为特征点对。
当前一帧中跟踪目标的特征点有两个匹配特征点(第一匹配特征点和第二匹配特征点)时,若利用RANCA确定该第一匹配特征点为伪匹配特征点,且第二匹配特征点不是伪匹配特征点,则将该前一帧的跟踪目标的特征点与其第二匹配特征点作为特征点对;若确定其第一匹配特征点和第二匹配特征点均为伪匹配特征点,则放弃该前一帧的跟踪目标的特征点与其匹配特征点;若确定其第一匹配特征点不是伪匹配特征点,则将该前一帧的跟踪目标的特征点与其第一匹配特征点作为特征点对。
按照上述的方式对前一帧中跟踪目标的特征点的描述符集合中的特征点进行匹配及去伪匹配处理之后,将得到该前一帧中跟踪目标的特征点的特征点对,该特征点对序列中包含的特征点对均为一对一的格式,且对前一帧中跟踪目标的特征点的描述符集合中的每一个特征点进行步骤1)至4)的处理之后得到的特征点对的集合即为特征点对序列。
209、根据特征点对序列计算跟踪目标在当前帧与前一帧之间的偏移系数和尺度系数,确定跟踪目标在当前帧的位置。
在本发明实施例中,车辆跟踪系统在得到特征点对序列之后,将根据该特征点对序列计算跟踪目标在当前帧与其在前一帧之间的偏移系数和尺度系数,并根据该偏移系数和尺度系数确定跟踪目标在当前帧的位置。
在本发明实施例中,特征点对序列中包含若干个特征点对,车辆跟踪系统将分别计算该特征点对中当前帧的特征点的坐标减去前一帧的跟踪目标的特征点的坐标得到的差值,并取计算得到的差值的中间值作为当前帧的偏移系数,例如:若特征点对序列包含64对特征点对,车辆跟踪系统将分别计算该64对特征点对中的特征点之间的坐标差值,可得到64个坐标差值,则利用中值函数从该64个坐标差值中选取中值作为当前帧的偏移系数,具体公式如下:
Δb=median(X2-X1) 公式(8)
其中,Δb是当前帧的偏移系数,median()是中值函数,X2是特征点对中前一帧中跟踪目标的特征点,X1是特征点对中当前帧的特征点。
在本发明实施例中,车辆跟踪系统将从特征点对序列中抽取所有可能的Q组特征点对,每组具有两个特征点对,分别计算每组特征点对中当前帧的特征点之间的欧式距离与前一帧中跟踪目标的特征点之间的欧式距离的商,则可得到Q个商,并利用中值函数从该Q个商中选取中值,将1减去该中值得到的差作为当前帧的尺度系数,具体公式如下:
其中,Δa是特征点对的尺度系数,median()是中值函数,distance()是欧式距离函数,distance(X2)=distance(x21,x22),x21及x22是一组特征点对中的前一帧的跟踪目标的特征点,distance(X1)=distance(x11,x12)是一组特征点对中当前帧的特征点。
在本发明实施例中,车辆跟踪系统在得到当前帧的偏移系数和尺度系数之后,将根据该偏移系数和尺度系数确定跟踪目标在当前帧的位置,具体包括:若跟踪目标在前一帧中位置为(e1,t1,w1,h1),则该跟踪目标在当前帧中的位置的计算公式如下:
其中,(e2,t2,w2,h2)为跟踪目标在当前帧中的位置,其中,(e,t)是起点坐标,w,h分别代表跟踪目标在当前帧的长和宽。
在本发明实施例中,通过对当前帧的视频图像建立高斯图像金字塔,对该高斯图像金字塔的各层进行FAST特征检测,可得到具有多尺度的特征点,且使得该特征点的集合即第一FAST特征集合具有多尺度的特性,具有较快的特征点定位速度;通过利用第一FAST特征集合中的特征点的特征方向和特征半径,以及预置的归一化点对序列进行计算,可得到该第一FAST特征集合对应的点对序列集合,且利用该点对序列集合可建立当前帧的特征点的描述符集合,使用该方法对视频图像的光照变化、仿射变换(包括平移、旋转、缩放等)都具有较强的鲁棒性;此外,还利用跟踪半径和描述符分块的方式进行特征点匹配,能够在不降低跟踪精度的前提下,提高特征点匹配的速度。综上所述,使用本发明实施例中的车辆跟踪方法能够有效的实现目标车辆的跟踪,跟踪效果好。
请参阅图5,为本发明实施例中的车辆跟踪系统的结构的示意图,包括:
检测模块501,用于根据当前帧的视频图像建立高斯图像金字塔,对高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合;
处理模块502,用于在检测模块501得到第一FAST特征集合之后,确定第一FAST特征集合中的特征点的特征方向和特征半径,根据特征方向和特征半径,以及预置的归一化点对序列,得到第一FAST特征集合对应的点对序列集合,点对序列集合中包含特征点与点对序列之间的对应关系;
描述符生成模块503,用于在处理模块502得到点对序列集合之后,对所述第一FAST特征集合中的特征点,根据特征点对应的点对序列的生成所述特征点对应的BRIEF描述符,得到当前帧的特征点的描述符集合,描述符集合中包含特征点与描述符之间的对应关系;
Hash表建立模块504,用于在描述符生成模块503得到当前帧的特征点的描述符集合之后,根据预置的跟踪半径、当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立哈希hash表,hash表中包含前一帧中跟踪目标的特征点与当前帧中与其可匹配的可匹配特征点之间的对应关系;
序列建立模块505,用于在hash表建立模块504建立hash表之后,根据hash表,采用描述符分块的方式在当前帧的特征点中查找与前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列;
目标确定模块506,用于在序列建立模块505建立特征点对序列之后,根据特征点对序列计算跟踪目标在当前帧与前一帧中之间的偏移系数和尺度系数,确定跟踪目标在当前帧的位置。
在本发明实施例中,车辆跟踪系统中的检测模块501根据当前帧的视频图像建立高斯图像金字塔,对高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合;接着,处理模块502确定第一FAST特征集合中的特征点的特征方向和特征半径,以及预置的归一化点对序列,得到对应的点对序列集合;再通过描述符生成模块503对根据点对序列集合生成BRIEF描述符,得到当前帧的特征点的描述符集合;接着,Hash表建立模块504再根据预置的跟踪半径、当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立哈希hash表;并由序列建立模块505根据hash表,采用描述符分块的方式在当前帧的特征点中查找与前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列;最后,目标确定模块506根据特征点对序列计算跟踪目标在当前帧与前一帧之间的偏移系数和尺度系数,确定跟踪目标在当前帧的位置。
在本发明实施例中,通过对当前帧的视频图像建立高斯图像金字塔,并对该金字塔检测特征点,使得检测得到的第一FAST特征集合中的特征点具有多尺度特性。根据特征点的特征方向和特征半径,以及预置的归一化点对序列,得到第一FAST特征集合所对应的点对序列集合,可使到点对序列集合中的每一个点对序列相对于特征方法和特征半径的位置具有一致性,利用该点对序列集合生成BRIEF描述符,使得得到的当前帧的特征点的描述符集合具有旋转不变性,对光照变化、仿射变换等具有较强的鲁棒性,此外,还利用跟踪半径及描述符分块的方式进行特征点的匹配,能够有效的加快特征点匹配的速度。综上所述,使用本发明实施例中的车辆跟踪方法能够有效的实现目标车辆的跟踪,跟踪效果好。
为了更好的理解本发明实施例中的车辆跟踪系统,请参阅图6,为本发明实施例中车辆跟踪系统的结构的示意图,包括:
如图5所示实施例中描述的检测模块501,处理模块502,描述符生成模块503,hash表建立模块504、序列建立模块505、目标确定模块506,且与图5所示实施例中描述的内容相似,此处不再赘述。
在本发明实施例中,检测模块501包括:
金字塔建立模块601,用于以预置的标准差对当前帧的视频图像进行高斯滤波,建立高斯图像金字塔;
特征点检测模块602,用于在金字塔建立模块601建立高斯图像金字塔之后,分别检测高斯图像金字塔的各层图像的FAST特征,得到第二FAST特征集合;
映射模块603,用于在特征点检测模块602得到第二FAST特征集合之后,将第二FAST特征集合中的特征点的坐标映射到高斯图像金字塔的第一层图像的坐标系中,得到第一FAST特征集合。
在本发明实施例中,车辆跟踪系统还包括:
非极大值抑制模块604,用于在映射模块603得到第一FAST特征集合之后,对FAST特征集合中的特征点进行非极大值抑制的优化处理,得到优化后的第一FAST特征集合。
在本发明实施例中,序列建立模块505具体用于对前一帧中跟踪目标的特征点的描述符集合中的每一个特征点及其可匹配特征点执行以下步骤得到其对应的特征点对:根据预置的分块数目N,将前一帧中跟踪目标的特征点的描述符划分为N个描述符块,且将前一帧中跟踪目标的特征点对应的每一个可匹配特征的描述符划分为N个描述符块,且将前一帧中跟踪目标的特征点的描述符块及其可匹配特征点的描述符块进行编号,例如,每一个描述符的大小为64bit,则可将描述符以8bit为单位划分为8个描述符块,且若前一帧中跟踪目标的特征点A有特征点B,C,D三个可匹配特征点,则需要将特征点A,B,C,D的描述符分别划分为8个描述符块,并分别依次进行编号,即特征点A,B,C,D分别具有编号为1至8的8个描述符块;
i的起始值为1开始执行以下步骤:
1)计算所述前一帧的跟踪目标的特征点的第i个描述符块与其可匹配的特征点的第i个描述符块的hamming相似度,从所述可匹配特征点中剔除hamming相似度小于预置相似度预置的描述符块所属的特征点;
2)判断i是否等于N,若否,则i=i+1,返回执行步骤1),若是,则将剩余的可匹配特征点作为所述前一帧中跟踪目标的特征点的匹配特征点,并利用RANAC算法去除所述匹配特征点中的伪匹配特征点,得到前一帧中跟踪目标的特征点的特征点对。
在本发明实施例中,车辆跟踪系统中的检测模块501中的金字塔建立模块601以预置的标准差对当前帧的视频图像进行高斯滤波,建立高斯图像金字塔;接着特征点检测模块602分别检测高斯图像金字塔的各层图像的FAST特征,得到第二FAST特征集合;并由映射模块603将第二FAST特征集合中的特征点的坐标映射到高斯图像金字塔的第一层图像的坐标系中,得到第一FAST特征集合;接着非极大值抑制模块604对第一FAST特征集合中的特征点进行非极大值抑制的优化处理,得到优化后的第一FAST特征集合,处理模块502确定第一FAST特征集合中的特征点的特征方向和特征半径,根据特征方向和特征半径,以及预置的归一化点对序列得到点对序列集合;再通过描述符生成模块503利用点对序列集合生成BRIEF描述符,得到当前帧的特征点的描述符集合;接着,Hash表建立模块504再根据预置的跟踪半径、当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立哈希hash表;并由序列建立模块505根据hash表,采用描述符分块的方式在当前帧的特征点中查找与前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列;最后,目标确定模块506根据特征点对序列计算跟踪目标在当前帧中与前一帧之间的偏移系数和尺度系数,确定跟踪目标在当前帧的位置。
请参阅图7,为本发明实施例中的图5及图6所示实施例中处理模块502的结构图,包括:
计算模块701,用于在检测模块得到第一FAST特征集合之后,计算第一FAST特征集合中的特征点的特征方向和特征半径,根据特征点的特征方向得到方向角;
乘积模块702,用于分别将第一FAST特征集合中的每一个特征点的特征方向与特征半径的乘积与预置归一化点对序列相乘,得到各个特征点对应的点对序列,得到第一FAST特征集合所对应的点对序列集合,预置归一化点对序列是由在预置的归一化区域内,随机生成的若干点对构成的。
在本发明实施例中,处理模块502用于在检测模块501得到第一FAST特征集合之后,确定第一FAST特征集合中的特征点的特征方向和特征半径,根据特征方向和特征半径对第一FAST特征集合中的特征点进行处理得到对应的点对序列集合。具体包括:在检测模块501得到第一FAST特征集合之后,先由计算模块701计算第一FAST特征集合中的特征点的特征方向和特征半径,根据特征点的特征方向得到方向角;再由乘积模块703分别将第一FAST特征集合中的每一个特征点的特征方向与特征半径的乘积与预置的归一化点对序列相乘,得到各个特征点对应的点对序列,得到第一FAST特征集合所对应的点对序列集合。
请参阅图8,为本发明实施例中图5及图6所示实施例中的hash表建立模块504的结构图,包括:
区域确定模块801,用于以前一帧中跟踪目标的特征点的坐标为中心,以预置的长度为跟踪半径确定前一帧中跟踪目标的特征点的跟踪区域;
匹配模块802,用于将当前帧的特征点的描述符集合中在跟踪区域内的当前帧的特征点作为前一帧中跟踪目标的特征点的可匹配特征点;
添加模块803,用于将前一帧中跟踪目标的特征点与其可匹配特征点的对应关系添加至hash表中。
在本发明实施例中,Hash表建立模块504用于在描述符生成模块503得到当前帧的特征点的描述符集合之后,根据预置的跟踪半径、当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立hash表,具体的,hash表建立模块504包括对前一帧中跟踪目标的特征点的描述符集合中的每一特征点建立hash对应关系的以下过程:先由区域确定模块801以前一帧中跟踪目标的特征点的坐标为中心,以预置的长度为跟踪半径确定前一帧中跟踪目标的特征点的跟踪区域;接着匹配模块802将当前帧的特征点的描述符集合中在跟踪区域内的当前帧的特征点作为前一帧中跟踪目标的特征点的可匹配特征点;最后,添加模块803将前一帧中跟踪目标的特征点与其可匹配特征点的对应关系添加至hash表中。
在本发明图5至图8所示实施例中,通过对当前帧的视频图像建立高斯图像金字塔,对该高斯图像金字塔的各层进行FAST特征检测,可得到具有多尺度的特征点,且使得该特征点的集合即第一FAST特征集合具有多尺度的特性,具有较快的特征点定位速度;通过将第一FAST特征集合中的特征点,根据特征点的特征方向和特征半径,以及预置的归一化点对序列,得到第一FAST特征集合所对应的点对序列集合,利用该点对序列集合建立当前帧的特征点的描述符集合,使用该方法对视频图像的光照变化、仿射变换(包括平移、旋转、缩放等)都具有较强的鲁棒性;此外,还利用跟踪半径和描述符分块的方式进行特征点匹配,能够在不降低跟踪精度的前提下,提高特征点匹配的速度。综上所述,使用本发明实施例中的车辆跟踪方法能够有效的实现目标车辆的跟踪,跟踪效果好。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机或嵌入式设备可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘、光盘、FLASH等。
以上对本发明所提供的一种车辆跟踪方法及系统进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种车辆跟踪方法,其特征在于,包括:
根据当前帧的视频图像建立高斯图像金字塔,对所述高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合;
确定所述第一FAST特征集合中的特征点的特征方向和特征半径,根据所述特征方向和特征半径以及预置的归一化点对序列得到所述第一FAST特征集合所对应的点对序列集合,所述点对序列集合中包含特征点与点对序列之间的对应关系;
对所述第一FAST特征集合中的特征点,根据与所述特征点对应的点对序列生成所述特征点的BRIEF描述符,得到当前帧的特征点的描述符集合,所述描述符集合中包含特征点与描述符之间的对应关系;
根据预置的跟踪半径、所述当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立哈希hash表,所述hash表中包含所述前一帧中跟踪目标的特征点与所述当前帧中与其可匹配的特征点之间的对应关系;
根据所述hash表,采用描述符分块的方式在所述当前帧的特征点中查找与所述前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列;
根据所述特征点对序列计算跟踪目标在当前帧与前一帧之间的偏移系数和尺度系数,确定所述跟踪目标在当前帧的位置。
2.根据权利要求1所述的跟踪方法,其特征在于,所述根据当前帧的视频图像建立高斯图像金字塔,对所述高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合,包括:
以预置的标准差对所述当前帧的视频图像进行高斯滤波,建立所述高斯图像金字塔;
分别检测所述高斯图像金字塔的各层图像的FAST特征,得到第二FAST特征集合;
将所述第二FAST特征集合中的特征点的坐标映射到所述高斯图像金字塔的第一层图像的坐标系中,得到所述第一FAST特征集合。
3.根据权利要求2所述的跟踪方法,其特征在于,所述将所述第二FAST特征集合中的特征点的坐标映射到所述高斯图像金字塔的第一层图像的坐标系统中,得到所述第一FAST特征集合的步骤之后还包括:
对所述第一FAST特征集合中的特征点进行非极大值抑制的优化处理,得到优化后的第一FAST特征集合。
4.根据权利要求1至3任一项所述的跟踪方法,其特征在于,所述确定所述第一FAST特征集合中的特征点的特征方向和特征半径,根据所述特征方向和特征半径得到所述第一FAST特征所对应的点对序列集合包括:
计算所述第一FAST特征集合中的特征点的特征方向和特征半径,根据所述特征点的特征方向得到方向角;
分别将所述第一FAST特征集合中的每一个特征点的特征方向与特征半径的乘积与预置的归一化点对序列相乘,得到各个特征点对应的点对序列,得到所述第一FAST特征集合所对应的点对序列集合,所述的预置归一化点对序列是由在预置的归一化区域内,随机生成的若干点对构成的。
5.根据权利要求1所述的跟踪方法,其特征在于,所述根据预置的跟踪半径、所述当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立哈希hash表包括:
对所述前一帧中跟踪目标的特征点的描述符集合中的每一个特征点执行以下步骤:
以前一帧中跟踪目标的特征点的坐标为中心,以预置的长度为跟踪半径确定所述前一帧中跟踪目标的特征点的跟踪区域;
将所述当前帧的特征点的描述符集合中在所述跟踪区域内的当前帧的特征点作为所述前一帧中跟踪目标的特征点的可匹配特征点;
将所述前一帧中跟踪目标的特征点与其可匹配特征点的对应关系添加至所述hash表中。
6.根据权利要求1所述的跟踪方法,其特征在于,所述根据所述hash表,采用描述符分块的方式在所述当前帧的特征点中查找与所述前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列包括:
对前一帧中跟踪目标的特征点的描述符集合中的每一个特征点及其可匹配特征点执行以下步骤:
根据预置的分块数目N,将前一帧中跟踪目标的特征点的描述符划分为N个描述符块,且将所述前一帧中跟踪目标的特征点对应的每一个可匹配特征的描述符划分为N个描述符块,且将所述前一帧中跟踪目标的特征点的描述符块及所述可匹配特征点的描述符块进行编号;
i的起始值为1开始执行以下步骤:
1)计算所述前一帧的跟踪目标的特征点的第i个描述符块与其可匹配的特征点的第i个描述符块的hamming相似度,从所述可匹配特征点中剔除hamming相似度小于预置相似度的描述符块所属的特征点;
2)判断i是否等于N,若否,则i=i+1,返回执行步骤1),若是,则将剩余的可匹配特征点作为所述前一帧中跟踪目标的特征点的匹配特征点,并利用RANAC算法去除所述匹配特征点中的伪匹配特征点,得到前一帧中跟踪目标的特征点的特征点对。
7.一种车辆跟踪系统,其特征在于,包括:
检测模块,用于根据当前帧的视频图像建立高斯图像金字塔,对所述高斯图像金字塔进行FAST特征检测,得到第一FAST特征集合;
处理模块,用于在所述检测模块得到所述第一FAST特征集合之后,确定所述第一FAST特征集合中的特征点的特征方向和特征半径,根据所述特征方向和特征半径、及预置的归一化点对序列得到所述第一FAST特征集合所对应的点对序列集合,所述点对序列集合中包含特征点与点对序列之间的对应关系;
描述符生成模块,用于在所述处理模块得到所述第一FAST特征集合所对应的点对序列集合之后,对所述第一FAST特征集合中的特征点,根据特征点对应的点对序列的生成所述特征点对应的BRIEF描述符,得到当前帧的特征点的描述符集合,所述描述符集合中包含特征点与描述符之间的对应关系;
Hash表建立模块,用于在所述描述符生成模块得到所述当前帧的特征点的描述符集合之后,根据预置的跟踪半径、当前帧的特征点的描述符集合及前一帧中跟踪目标的特征点的描述符集合建立哈希hash表,所述hash表中包含所述前一帧中跟踪目标的特征点与所述当前帧中可匹配的可匹配特征点之间的对应关系;
序列建立模块,用于在所述hash表建立模块建立所述hash表之后,根据所述hash表,采用描述符分块的方式在所述当前帧的特征点中查找与所述前一帧中跟踪目标的特征点hamming相似度满足预置条件的特征点,建立特征点对序列;
目标确定模块,用于在所述序列建立模块建立所述特征点对序列之后,根据所述特征点对序列计算跟踪目标在当前帧与前一帧之间的偏移系数和尺度系数,确定所述跟踪目标在当前帧的位置。
8.根据权利要求7所述的车辆跟踪系统,其特征在于,所述检测模块包括:
金字塔建立模块,用于以预置的标准差对所述当前帧的视频图像进行高斯滤波,建立所述高斯图像金字塔;
特征点检测模块,用于在所述金字塔建立模块建立所述高斯图像金字塔之后,分别检测所述高斯图像金字塔的各层图像的FAST特征,得到第二FAST特征集合;
映射模块,用于在所述特征点检测模块得到所述第二FAST特征集合之后,将所述第二FAST特征集合中的特征点的坐标映射到所述高斯图像金字塔的第一层图像的坐标系中,得到所述第二FAST特征集合。
9.根据权利要求7或8所述的车辆跟踪系统,其特征在于,所述车辆跟踪系统还包括:
非极大值抑制模块,用于在所述映射模块得到所述第一FAST特征集合之后,对所述第一FAST特征集合中的特征点进行非极大值抑制的优化处理,得到优化后的第一FAST特征集合。
10.根据权利要求7所述的车辆跟踪系统,其特征在于,所述处理模块包括:
计算模块,用于在所述检测模块得到所述第一FAST特征集合之后,计算所述第一FAST特征集合中的特征点的特征方向和特征半径,根据所述特征点的特征方向得到方向角;
乘积模块,用于分别将所述第一FAST特征集合中的每一个特征点的特征方向与特征半径的乘积与所述预置的归一化点对序列相乘,得到各个特征点对应的点对序列,得到所述第一FAST特征集合所对应的点对序列集合,所述的预置归一化点对序列是由在预置的归一化区域内,随机生成的若干点对构成的。
11.根据权利要求7所述的车辆跟踪系统,其特征在于,所述hash表建立模块包含用于对所述前一帧中跟踪目标的特征点的描述符集合中的每一个特征点建立hash对应关系的以下模块:
区域确定模块,用于以所述前一帧中跟踪目标的特征点的坐标为中心,以预置的长度为跟踪半径确定所述前一帧中跟踪目标的特征点的跟踪区域;
匹配模块,用于将所述当前帧的特征点的描述符集合中在所述跟踪区域内的当前帧的特征点作为所述前一帧中跟踪目标的特征点的可匹配特征点;
添加模块,用于将所述前一帧中跟踪目标的特征点与其可匹配特征点的对应关系添加至所述hash表中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210357874.3A CN102930245B (zh) | 2012-09-24 | 2012-09-24 | 一种车辆跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210357874.3A CN102930245B (zh) | 2012-09-24 | 2012-09-24 | 一种车辆跟踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102930245A true CN102930245A (zh) | 2013-02-13 |
CN102930245B CN102930245B (zh) | 2015-03-18 |
Family
ID=47645042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210357874.3A Expired - Fee Related CN102930245B (zh) | 2012-09-24 | 2012-09-24 | 一种车辆跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102930245B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376548A (zh) * | 2014-11-07 | 2015-02-25 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
CN104574440A (zh) * | 2014-12-30 | 2015-04-29 | 安科智慧城市技术(中国)有限公司 | 一种视频运动目标跟踪方法及装置 |
CN105894701A (zh) * | 2016-04-05 | 2016-08-24 | 江苏电力信息技术有限公司 | 输电线路防外破大型施工车辆的识别报警方法 |
CN108460972A (zh) * | 2018-05-17 | 2018-08-28 | 南京云思创智信息科技有限公司 | 一种基于无人机的多车牌自主检测和定位系统及方法 |
CN108470453A (zh) * | 2018-03-16 | 2018-08-31 | 长安大学 | 一种车辆直行的车速计算方法 |
CN110348374A (zh) * | 2019-07-09 | 2019-10-18 | 北京字节跳动网络技术有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
CN110414534A (zh) * | 2019-07-01 | 2019-11-05 | 深圳前海达闼云端智能科技有限公司 | 图像特征的提取方法、装置、存储介质和电子设备 |
WO2020056688A1 (zh) * | 2018-09-20 | 2020-03-26 | 华为技术有限公司 | 提取图像关键点的方法及装置 |
CN115098708A (zh) * | 2022-08-26 | 2022-09-23 | 深圳市纬亚森科技有限公司 | 一种基于多媒体技术的智慧校园远程监管系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226592A (zh) * | 2008-02-21 | 2008-07-23 | 上海交通大学 | 基于部件的对象跟踪方法 |
CN101800890A (zh) * | 2010-04-08 | 2010-08-11 | 北京航空航天大学 | 一种高速公路监控场景下多车辆视频跟踪方法 |
-
2012
- 2012-09-24 CN CN201210357874.3A patent/CN102930245B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226592A (zh) * | 2008-02-21 | 2008-07-23 | 上海交通大学 | 基于部件的对象跟踪方法 |
CN101800890A (zh) * | 2010-04-08 | 2010-08-11 | 北京航空航天大学 | 一种高速公路监控场景下多车辆视频跟踪方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376548A (zh) * | 2014-11-07 | 2015-02-25 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
CN104376548B (zh) * | 2014-11-07 | 2017-11-03 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
CN104574440A (zh) * | 2014-12-30 | 2015-04-29 | 安科智慧城市技术(中国)有限公司 | 一种视频运动目标跟踪方法及装置 |
CN105894701A (zh) * | 2016-04-05 | 2016-08-24 | 江苏电力信息技术有限公司 | 输电线路防外破大型施工车辆的识别报警方法 |
CN108470453B (zh) * | 2018-03-16 | 2021-01-01 | 长安大学 | 一种车辆直行的车速计算方法 |
CN108470453A (zh) * | 2018-03-16 | 2018-08-31 | 长安大学 | 一种车辆直行的车速计算方法 |
CN108460972A (zh) * | 2018-05-17 | 2018-08-28 | 南京云思创智信息科技有限公司 | 一种基于无人机的多车牌自主检测和定位系统及方法 |
WO2020056688A1 (zh) * | 2018-09-20 | 2020-03-26 | 华为技术有限公司 | 提取图像关键点的方法及装置 |
CN112424787A (zh) * | 2018-09-20 | 2021-02-26 | 华为技术有限公司 | 提取图像关键点的方法及装置 |
CN112424787B (zh) * | 2018-09-20 | 2024-07-09 | 华为技术有限公司 | 提取图像关键点的方法及装置 |
CN110414534A (zh) * | 2019-07-01 | 2019-11-05 | 深圳前海达闼云端智能科技有限公司 | 图像特征的提取方法、装置、存储介质和电子设备 |
CN110414534B (zh) * | 2019-07-01 | 2021-12-03 | 达闼机器人有限公司 | 图像特征的提取方法、装置、存储介质和电子设备 |
CN110348374A (zh) * | 2019-07-09 | 2019-10-18 | 北京字节跳动网络技术有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
CN115098708A (zh) * | 2022-08-26 | 2022-09-23 | 深圳市纬亚森科技有限公司 | 一种基于多媒体技术的智慧校园远程监管系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102930245B (zh) | 2015-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102930245A (zh) | 一种车辆跟踪方法及系统 | |
Chai et al. | To the point: Efficient 3d object detection in the range image with graph convolution kernels | |
Kong et al. | Vanishing point detection for road detection | |
US10101746B2 (en) | Automated vehicle road model definition system | |
CN104541302B (zh) | 距离提示对象分割系统和方法 | |
CN103473763B (zh) | 基于启发式概率Hough变换的道路边缘检测方法 | |
CN102540181B (zh) | 一种基于环境信息图点迹预处理的航迹起始方法 | |
CN104102905B (zh) | 一种车道线自适应的检测方法 | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
Wang et al. | Lane detection based on random hough transform on region of interesting | |
Ming et al. | Vehicle detection using tail light segmentation | |
CN105608441B (zh) | 一种车型识别方法及系统 | |
CN109744945A (zh) | 一种区域属性确定方法、装置、系统及电子设备 | |
CN107092871A (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN105376791A (zh) | 基于sub-Voronoi图面积法的动态传感器网络覆盖空洞检测修复方法 | |
CN101567046A (zh) | 一种基于最小覆盖圆匹配的无人机目标识别方法 | |
CN109813334A (zh) | 基于双目视觉的实时高精度车辆里程计算方法 | |
CN105574542A (zh) | 基于多传感器融合的多视觉特征车辆检测方法 | |
CN102800099A (zh) | 多特征多级别的可见光与高光谱图像高精度配准方法 | |
CN102651069A (zh) | 基于轮廓的局部不变区域的检测方法 | |
Khamsehashari et al. | Improving deep multi-modal 3D object detection for autonomous driving | |
Wang et al. | InterFusion: Interaction-based 4D radar and LiDAR fusion for 3D object detection | |
Liu et al. | Prototype-voxel contrastive learning for lidar point cloud panoptic segmentation | |
CN106157371A (zh) | 基于自适应周向扩张策略的散乱点云高效网格化方法 | |
CN105740882A (zh) | 一种基于多尺度不变量描述的目标识别方法及装置 |
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 |
Granted publication date: 20150318 |
|
CF01 | Termination of patent right due to non-payment of annual fee |