CN102982559A - 车辆跟踪方法及系统 - Google Patents
车辆跟踪方法及系统 Download PDFInfo
- Publication number
- CN102982559A CN102982559A CN2012104972164A CN201210497216A CN102982559A CN 102982559 A CN102982559 A CN 102982559A CN 2012104972164 A CN2012104972164 A CN 2012104972164A CN 201210497216 A CN201210497216 A CN 201210497216A CN 102982559 A CN102982559 A CN 102982559A
- Authority
- CN
- China
- Prior art keywords
- tracking
- frame
- target
- tracking target
- tracks
- 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
本发明公开了一种车辆跟踪方法及系统,方法包括以下步骤:在车辆检测结果中选取适于跟踪的对象作为新的跟踪目标,并初始化跟踪目标的历史特征信息;基于跟踪目标已有的运动信息预测跟踪目标在当前帧出现的轨迹位置和范围;使用设定大小的扫描窗在跟踪目标的预测范围内扫描,保留满足码字匹配条件的扫描窗对应区域作为候选框;评价每个候选框作为最终跟踪结果的置信度,取有最大置信度的候选框作为跟踪目标在当前帧的跟踪结果;对跟踪结果进行修正;若对该跟踪目标继续跟踪则利用当前帧跟踪结果的信息对跟踪目标的历史特征信息进行在线更新后转到运动预测的步骤,否则结束跟踪。本发明的车辆跟踪方法计算量降低,并且具有更高的准确性和连续性。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种车辆跟踪方法及系统。
背景技术
智能交通视频监控算法主要包含车辆检测、车辆跟踪和车辆行为分析三个步骤,如图1所示。车辆检测实现初始交通场景中车辆目标的提取;车辆跟踪对提取的车辆目标进行实时的运动描述,并生成各自的运动轨迹;行为分析基于产生的运动轨迹的规律来判断车辆是否发生违章行为或处于异常状态。
车辆跟踪技术具有重要的应用价值和发展前景,近年来发展迅速。车辆跟踪试图在各帧图像之间确定目标相关信息参数的相互关系,通过前、后帧之间的对应匹配来获取目标的轨迹信息。常见跟踪算法可归为以下四类。
(1)点跟踪法:包括单点跟踪和多点跟踪,主要利用目标历史位置、速度等信息实现邻帧之间的目标关联,如kalman滤波法,光流法,SIFT匹配法。
(2)核跟踪法:核跟踪法通过对车辆外观模型在连续帧之间进行匹配来计算目标的运动,包括基于模版的方法、基于概率模型的方法和多视觉模型的方法。这类算法涉及的三个基本要素是目标外观模型、搜索策略和相似性度量。常采用的搜索策略有穷举法、目标函数优化法和统计性方法等;而相似性度量标准一般采用平方差和(Sumof Squared Difference,SSD)、互相关系数、正则化相关系数等。基于模版的方法实质上就是进行模版匹配。基于概率模型的方法将目标区域的特征用概率分布模型表示,通过模型匹配实施跟踪,如基于颜色直方图的目标跟踪、基于LBP纹理特征的目标跟踪、基于GM(1,1)模型的跟踪、基于马尔可夫随机场模型的跟踪、基于均值漂移的跟踪、基于质心迭代的跟踪、基于粒子滤波器的跟踪和基于多特征自适应融合的目标跟踪。其中基于多特征自适应融合的目标跟踪常采用的特征包括点、线、角点、颜色等。基于多视觉模型的方法能够适应目标姿态变化引起的外观变化,常见的有基于主成份分析(PCA)和基于分类器的方法,如Adaboost分类器。
(3)结构模型跟踪法:根据先验知识建立目标的几何模型,跟踪时先根据上一帧结果预测当前帧目标姿态,将处于预测姿态的目标模型投影到图像平面,计算匹配误差;然后通过优化预测姿态、最小化目标函数获得当前跟踪结果。常用的结构模型为3D线框模型。
(4)剪影跟踪法:首要任务是获取目标的轮廓,精确得到目标占据的区域;如基于主动轮廓模型的跟踪法。
此外,车辆跟踪算法根据算法驱动方式不同,还可分为自下而上的数据驱动方法,典型代表为MeanShift算法,和自上而下的模型驱动方法,典型代表为粒子滤波算法。
上述的车辆跟踪算法存在以下缺点:
(1)目标的模型建立、轮廓获取难度大,且目标函数定义或优化较复杂;
(2)搜索策略计算量较大;
(3)目标特征不能及时得到更新,姿态变化易导致跟丢;
(4)跟踪过程与检测结果相对独立,无交互;
(5)对光线变化、相邻目标遮挡等因素敏感;
(6)对由于遮挡、错误消去等原因造成的短暂丢失的目标无法继续跟踪。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:提供一种跟踪的准确性和连续性提高的车辆跟踪方法。
(二)技术方案
为解决上述问题,一方面,本发明提供了一种车辆跟踪方法,包括以下步骤:
在车辆检测结果中选取适于跟踪的对象作为新的跟踪目标,并初始化所述跟踪目标的历史特征信息;
基于所述跟踪目标已有的运动信息预测所述跟踪目标在当前帧出现的轨迹位置和范围;
使用设定大小的扫描窗在所述跟踪目标的预测范围内扫描,保留满足码字匹配条件的扫描窗对应区域作为候选框;
评价每个候选框作为最终跟踪结果的置信度,取有最大置信度的候选框作为跟踪目标在当前帧的跟踪结果;
对所述跟踪结果进行修正;
判断是否对该跟踪目标继续跟踪:
若继续执行跟踪,则利用当前帧跟踪结果的信息对跟踪目标的历史特征信息进行在线更新后转到所述基于所述跟踪目标已有的运动信息预测所述跟踪目标在当前帧出现的轨迹位置和范围的步骤;
若不继续执行跟踪,则跟踪结束。
优选地,所述初始化所述跟踪目标的历史特征信息的步骤包括:以所述车辆检测结果中的检测位置所对应的灰度、色调信息对所述跟踪目标的历史特征信息做初始化。
优选地,在所述使用设定大小的扫描窗在所述跟踪目标的预测范围内扫描的步骤之前还包括将所述预测范围归一化至设定尺寸的步骤。
优选地,所述保留满足码字匹配条件的扫描窗对应区域作为候选框的步骤包括:以所述跟踪目标于前一帧跟踪区域的4bitBP码字为模板,对预测范围内各扫描位置处扫描窗对应区域的灰度图像块的4bitBP编码作比对,保留满足设定重合度的扫描窗对应区域作为候选框。
优选地,在所述以跟踪目标于前一帧跟踪区域的4bitBP码字为模板,对预测范围内各扫描位置处扫描窗对应区域的灰度图像块的4bitBP编码作比对的步骤之前,还包括:将所述扫描窗对应区域的灰度图像块进行尺寸归一化的步骤,所述灰度图像块的4bitBP编码为归一化后的灰度图像块的4bitBP编码。
优选地,所述扫描窗对应区域的灰度图像块的4bitBP编码的方法包括:
对所述区域进行第一次全局加权,将区域均分为上下两个分块,对所述上下两个分块的灰度均值进行比较:若所述上下两个分块的灰度均值不相同,则将灰度均值较大的分块对应的码字进行预定值的加权;若所述上下两个分块的灰度均值相同,则不对所述上下两个分块对应的码字进行加权;
对所述区域进行第二次全局加权,将区域均分为左右两个分块,对所述左右两个分块的灰度均值进行比较:若所述左右两个分块的灰度均值不相同,则将灰度均值较大的分块对应的码字进行预定值的加权;若所述左右两个分块的灰度均值相同,则不对所述左右两个分块对应的码字进行加权;
对所述区域进行局部加权,将所述区域均分为左上、右上、左下、右下四个子区域,分别对每个子区域进行上述的第一次全局加权和第二次全局加权。
优选地,通过与跟踪目标在前一帧跟踪区域的分块色调直方图和历史整体色调直方图的加权的关联运算,来评价每个候选框作为最终跟踪结果的置信度。
优选地,所述通过与跟踪目标在前一帧跟踪区域的分块色调直方图和历史整体色调直方图的加权的关联运算,来评价每个候选框作为最终跟踪结果的置信度,取有最大置信度的候选框作为跟踪目标在当前帧的跟踪结果的步骤包括:
将候选框对应的色调图像块均分为四个子块;
生成每个子块的色调直方图;
将各子块的色调直方图累加得到整个候选框对应区域的整体色调直方图;
分别将每个子块的色调直方图与前一帧跟踪区域中对应子块的色调直方图进行关联度运算后加权求和,得到第一关联值;
将所述整体色调直方图与所述跟踪目标在前第M帧跟踪区域的整体色调直方图进行整体关联度运算,得到第二关联值;其中M为自然数;
将所述整体色调直方图与所述跟踪目标的初始色调直方图进行整体关联度运算,得到第三关联值;
通过下面的方法得到所述候选框作为最终跟踪结果的置信度:
置信度=第一关联值*设定的跟踪加权值+第二关联值*设定的记录加权值+第三关联值*设定的初始加权值;若计算得到的所述候选框的置信度大于等于历史最大置信度值,则更新记录的最大置信度和最佳匹配位置两变量;
遍历各候选框,取有最大置信度的候选框作为当前帧的跟踪结果。
优选地,其中,两个色调直方图的关联度运算公式为:
优选地,所述对所述跟踪结果进行修正包括:根据当前帧的车辆检测结果对所述跟踪结果进行修正,具体为:
对于每个检测结果,判断车辆检测结果对应的检测框与跟踪结果对应的跟踪框的几何交叠程度、所述检测框对应的分块灰度直方图与所述跟踪框对应的分块灰度直方图的相关度、所述检测框对应的分块色调直方图与所述跟踪框对应的分块色调直方图的相关度是否都满足设定的阈值要求,如果满足,则取检测结果和跟踪结果的中间位置作为当前帧跟踪目标的跟踪结果。
优选地,所述对所述跟踪结果进行修正包括:根据当前帧的多个跟踪框对所述跟踪结果进行修正,具体为:
判断当前帧的其它跟踪框与跟踪结果对应跟踪框的几何交叠程度、所述两个跟踪框对应的分块灰度直方图的相关度、所述两个跟踪框对应的分块色调直方图的相关度是否都满足设定的阈值要求,如果满足,则取所述其它跟踪框与所述跟踪结果的中间位置作为当前帧跟踪目标的跟踪结果。
优选地,所述方法进一步包括:
在目标被异常终止跟踪时,其跟踪相关信息仍被保留若干帧,期间,如有与所述终止跟踪的目标特征匹配、运动规律相符的跟踪目标出现,则重新启动对所述终止跟踪的目标的跟踪,实现对间断跟踪的目标的衔接。
另一方,本发明还提供了一种车辆跟踪系统,包括:
跟踪启动模块,用于在车辆检测结果中选取适于跟踪的对象作为新的跟踪目标,并初始化所述跟踪目标的历史特征信息;
运动预测模块,用于基于所述跟踪目标已有的运动信息预测所述跟踪目标在当前帧出现的轨迹位置和范围;
候选跟踪区域搜索模块,用于使用设定大小的扫描窗在所述跟踪目标的预测范围内扫描,保留满足码字匹配条件的扫描窗对应区域作为候选框;
最佳跟踪区域获取模块,用于评价每个候选框作为最终跟踪结果的置信度,取有最大置信度的候选框作为跟踪目标在当前帧的跟踪结果;
跟踪后处理模块,用于对所述跟踪结果进行修正;
判断更新模块,用于判断是否对该跟踪目标继续跟踪:若继续执行跟踪,则利用当前帧跟踪结果的信息对跟踪目标的历史特征信息进行在线更新。
(三)有益效果
本发明的车辆跟踪方法对多种干扰和车辆自身姿态变化具有较强的鲁棒性,可以提高车辆跟踪的准确性和连续性。
本发明利用码字匹配的方式,实现高效的候选跟踪区域搜索;利用色调和灰度变化的平滑性和均衡性,克服车辆自身姿态变化导致的跟丢;在特征信息的在线更新、车辆检测和车辆跟踪信息相互融合和丢失重拾机制的保证下,可将短时跟踪连接成长时跟踪;借助空间结构信息、特征信息的在线更新,可克服多目标之间相互干扰,实现多达20个目标的同时跟踪;特征信息的在线更新、车辆检测和车辆跟踪信息的相互融合有助于提高算法对光线变化的鲁棒性;利用结构化直方图、归一化等措施,较现有的TLD(Tracking-Learning-Detection)算法,极大地降低了计算量。
附图说明
图1为现有技术中交通监控算法的流程;
图2为根据本发明实施例一种车辆跟踪方法的流程图;
图3为根据本发明实施例车辆跟踪方法更为详细的流程图;
图4为根据本发明实施例车辆跟踪方法候选框搜索流程的具体步骤示意图;
图5a-5e为根据本发明实施例车辆跟踪方法对扫描窗对应区域的灰度图像块进行4bitBP编码的示意图;
图6为根据本发明实施例车辆跟踪方法单个候选框的置信度计算流程图;
图7为根据本发明实施例车辆跟踪方法根据当前帧的车辆检测结果对所述跟踪结果进行修正的流程图;
图8为根据本发明实施例车辆检测与车辆跟踪相互交互的流程示意图;
图9为根据本发明实施例车辆跟踪系统的结构示意框图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明如下。
图2所示为本实施例记载的一种车辆跟踪方法的流程图,包括以下步骤:
S110:在车辆检测结果中选取适于跟踪的对象作为新的跟踪目标,并初始化所述跟踪目标的历史特征信息;
S120:基于所述跟踪目标已有的运动信息预测所述跟踪目标在当前帧出现的轨迹位置和范围;
S130:使用设定大小的扫描窗在所述跟踪目标的预测范围内扫描,保留满足码字匹配条件的扫描窗对应区域作为候选框;
S140:评价每个候选框作为最终跟踪结果的置信度,取有最大置信度的候选框作为跟踪目标在当前帧的跟踪结果;
S150:对所述跟踪结果进行修正;
S160:判断是否对该跟踪目标继续跟踪:若继续执行跟踪,则利用当前帧跟踪结果的信息对跟踪目标的历史特征信息进行在线更新后转到步骤S120;若不继续执行跟踪,则跟踪结束。
在本实施例中,所述初始化所述跟踪目标的历史特征信息的步骤包括:以所述车辆检测结果中的检测位置所对应的灰度、色调信息对所述跟踪目标的历史特征信息做初始化。所述各目标的历史特征信息被及时地依照当前帧的跟踪位置所对应的信息进行在线更新,包括4bitBP码字模板,分块、整体色调直方图和轨迹等,为下一帧的跟踪提供准确的参考信息。
图3所示为本实施例记载的车辆跟踪方法更为详细的流程图。本实施例除了图2所示的各步骤外,在选取新的跟踪目标并进行历史特征信息初始化之前还包括对图像进行预处理的步骤。
在本实施例中,在所述使用设定大小的扫描窗在所述跟踪目标的预测范围内扫描的步骤之前还包括将所述预测范围归一化至设定尺寸的步骤。在本实施例中,所述预测区域为以当前帧预测轨迹点为中心、以车辆目标于上一帧的跟踪框的4倍大小的区域。采用归一化处理可以提升跟踪候选区的扫描效率,以达到减少计算量的目的,同时便于模块的FPGA设计实现。
在本实施例中,所述保留满足码字匹配条件的扫描窗对应区域作为候选框的步骤包括:
将预测范围内各扫描位置处扫描窗对应区域的灰度图像块进行尺寸归一化处理;
对所述归一化的扫描窗对应区域灰度图像块进行4bitBP编码;
以所述跟踪目标于前一帧跟踪区域的4bitBP码字为模板,对所述扫描窗对应区域的灰度图像块的4bitBP编码作比对,保留满足设定重合度的扫描窗对应区域作为候选框。
图4所示为本实施例步骤S130候选框搜索流程的具体步骤示意图,包括:
S131:对扫描窗码字数组和候选框数组进行初始化;
S132:固定大小的扫描窗以预测区域的左上角位置赋初值;
即本实施例从预测区域的左上角开始扫描;
S133:判断扫描窗是否在预测区域内:如果不在,则扫描结束;如果在,则转到步骤S134;
S134:对扫描窗对应区域的灰度图像块进行尺寸归一化;
S135:对所述归一化的灰度图像块进行4bitBP编码,得到更新的扫描窗码字数组;
S136:将扫描窗码字数组与作为模板的前一帧跟踪区域的4bitBP码字逐位相比;
S137:判断扫描窗码字与模板码字的重合度是否满足设定的重合度阈值,如果是,则转到步骤S138;否则转到步骤S139;
S138:将所述扫描窗对应区域作为候选框存入所述候选框数组;
S139:以设定的扫描步长调节扫描窗位置并转到步骤S133,本实施例中按照行优先的方式进行下一轮搜索。
图5a-5e所示为本申请对扫描窗对应区域的灰度图像块进行4bitBP编码的示意图。其中图5d为含有16个像素的扫描窗对应区域,其上的各数值为像素灰度值,其对应的4bitBP初始的16个码字都为0。
在本实施例中,所述扫描窗对应区域的灰度图像块的4bitBP编码的方法包括:
1)对所述区域进行第一次全局加权,如图5a所示,将区域均分为上下两个分块,对所述上下两个分块的灰度均值进行比较:若所述上下两个分块的灰度均值不相同,则将灰度均值较大的分块对应的码字进行预定值的加权;若所述上下两个分块的灰度均值相同,则不对所述上下两个分块对应的码字进行加权;
在本实施例中,图5d分为上下两个分块后,上部分块的灰度均值小于下部分块的灰度均值,因此将下部分块的对应的码字进行加权,在本实施例中加权的预定值为8,因此第一次全局加权后,图5d对应的4bitBP码字为上分块的8个数值都为0,下分块的8个数值都为8。
2)对所述区域进行第二次全局加权,如图5b所示,将区域均分为左右两个分块,对所述左右两个分块的灰度均值进行比较:若所述左右两个分块的灰度均值不相同,则将灰度均值较大的分块对应的码字进行预定值的加权;若所述左右两个分块的灰度均值相同,则不对所述左右两个分块对应的码字进行加权;
在本实施例中,图5d分为左右两个分块后,左部分块的灰度均值小于右部分块的灰度均值,因此将右部分块的对应的码字进行加权,在本实施例中加权的预定值为4,因此第二次全局加权后,图5d对应的4bitBP码字为上部左侧为4个0,右侧为4个4;下部左侧为4个8,右侧为4个12。
3)对所述区域进行局部加权,将所述区域均分为左上、右上、左下、右下四个子区域,如图5c所示,分别对每个子区域进行上述的第一次全局加权和第二次全局加权。
在本实施例中,图5d分为四个子区域后,以左上角的一个子区域为例,该子区域的左上、右上、左下、右下部分对应的像素数值分别为10、20、10、30,此时与该四个数值对应的码字都是0。对该子区域进行上面的第一次全局加权,并且这里加权数值为2,此时该子区域左上、右上、左下、右下部分对应的四个码字分别为:0、0、2、2;再对该子区域进行上面的第二次全局加权,并且加权数值为1,则此时该子区域左上、右上、左下、右下部分对应的四个码字分别为:0、1、2、3。依次对其它三个子区域也进行两次全局加权,则得到图5e所示的4bitBP码字。
4bitBP码字能描述同一区域内、不同子区域间的灰度相对变化情况,同时融合了空间信息,增强了信息的表达能力。如此,步骤S120所得的预测范围内若存在大片路面等干扰区域,则可通过码字比对在相当程度上被消除。
与现有技术相比,本实施例提供了更为有效的候选跟踪框搜索方法。
在本发明中,通过与跟踪目标在前一帧跟踪区域的分块色调直方图和历史整体色调直方图的加权的关联运算,来评价每个候选框作为最终跟踪结果的置信度。图6所示为单个候选框的置信度计算流程图,包括:
S141:将候选框对应的色调图像块均分为四个子块;
S142:归一化各子块;
S143:生成每个子块的色调直方图;
S144:将各子块的色调直方图累加得到整个候选框对应区域的整体色调直方图;
S145:分别将每个子块的色调直方图与前一帧跟踪区域中对应子块的色调直方图进行关联度运算后加权求和,得到第一关联值;
本实施例中,两个色调直方图的关联度运算公式为:
其中,fr为关联值,N为直方图条柱总数,xi,yi分别为两个色调直方图第i条条柱的统计值,分别为两个色调直方图的条柱值均值;在这里两个色调直方图分别为候选框子块的色调直方图以及前一帧跟踪区域对应子块的色调直方图;
在本实施例中,每个子块的加权权值为0.25,即每个子块的关联值均以同权重进行加权;
S146:将所述整体色调直方图与所述跟踪目标在前第M帧跟踪区域的整体色调直方图进行整体关联度运算,得到第二关联值;其中M为自然数,其可以根据需要确定;
S147:将所述整体色调直方图与所述跟踪目标的初始色调直方图进行整体关联度运算,得到第三关联值;
S148:通过下面的方法得到所述候选框作为最终跟踪结果的置信度:
置信度=第一关联值*设定的跟踪加权值+第二关联值*设定的记录加权值+第三关联值*设定的初始加权值。
若上面计算得到的所述候选框的置信度大于等于历史最大置信度值,则更新记录的最大置信度和最佳匹配位置两变量。
遍历各候选框,取有最大置信度的候选框作为当前帧的跟踪结果。通过本步骤,跟踪结果做了最优确认。
本实施例选用具有平滑性和均衡性的灰度和色调信息作为主特征,并添加空间信息,解决了车辆姿态变化过程中的跟踪难题。
如图7所示,在本实施例中,所述对所述跟踪结果进行修正为根据当前帧的车辆检测结果对所述跟踪结果进行修正,具体为:
对于每个检测结果,判断车辆检测结果对应的检测框与跟踪结果对应的跟踪框的几何交叠程度、所述检测框对应的分块灰度直方图与所述跟踪框对应的分块灰度直方图的相关度、所述检测框对应的分块色调直方图与所述跟踪框对应的分块色调直方图的相关度是否分别满足设定的阈值要求T1、T2和T3,如果满足,则取检测结果和跟踪结果的中间位置作为当前帧跟踪目标的跟踪结果。
在本发明的其它实施例中,还可以根据当前帧的多个跟踪框对所述跟踪结果进行修正,具体为:
判断当前帧的其它跟踪框与跟踪结果对应跟踪框的几何交叠程度、所述两个跟踪框对应的分块灰度直方图的相关度、所述两个跟踪框对应的分块色调直方图的相关度是否都满足设定的阈值要求,如果满足,则取所述其它跟踪框与所述跟踪结果的中间位置作为当前帧跟踪目标的跟踪结果。
检测结果与跟踪结果之间的信息融合,使得跟踪过程中、本已与跟踪割裂开的检测步骤,重新与跟踪发生了关联,并服务于跟踪;使得跟踪成为“有监督的”跟踪。如图8所示,利用实时检测信息来对跟踪结果进行可靠的修正,相互检查,加强了两者的交互。
在本实施例中,所述方法进一步包括丢失车辆重拾的方法,具体为:
在目标被异常终止跟踪时,其跟踪相关信息仍被保留若干帧,期间,如有与所述终止跟踪的目标特征匹配、运动规律相符的跟踪目标出现,则重新启动对所述终止跟踪的目标的跟踪,实现对间断跟踪的目标的衔接。丢失目标跟踪重新启动约束与上述对跟踪结果的修正所参考的因素相似,例如,可以为判断当前帧的跟踪框与终止跟踪目标经过运动预测得到的在当前帧的跟踪框的几何交叠程度、所述两个跟踪框对应的分块灰度直方图的相关度、所述两个跟踪框对应的分块色调直方图的相关度是否都满足设定的阈值要求,如果满足,则认为跟踪目标为所述终止跟踪的目标。
本实施例跟踪具有记忆性,可对跟踪暂时间断的目标重拾,故可克服多目标跟踪过程中的遮挡问题。
图9示出了本实施例记载的一种车辆跟踪系统,包括:
跟踪启动模块210,用于在车辆检测结果中选取适于跟踪的对象作为新的跟踪目标,并初始化所述跟踪目标的历史特征信息;
运动预测模块220,用于基于所述跟踪目标已有的运动信息预测所述跟踪目标在当前帧出现的轨迹位置和范围;
候选跟踪区域搜索模块230,用于使用设定大小的扫描窗在所述跟踪目标的预测范围内扫描,保留满足码字匹配条件的扫描窗对应区域作为候选框;
最佳跟踪区域获取模块240,用于评价每个候选框作为最终跟踪结果的置信度,取有最大置信度的候选框作为跟踪目标在当前帧的跟踪结果;
跟踪后处理模块250,用于对所述跟踪结果进行修正;
判断更新模块260,用于判断是否对该跟踪目标继续跟踪:若继续执行跟踪,则利用当前帧跟踪结果的信息对跟踪目标的历史特征信息进行在线更新。
在本实施例中,上述的各模块的主要功能由FPGA实现。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (13)
1.一种车辆跟踪方法,其特征在于,包括以下步骤:
在车辆检测结果中选取适于跟踪的对象作为新的跟踪目标,并初始化所述跟踪目标的历史特征信息;
基于所述跟踪目标已有的运动信息预测所述跟踪目标在当前帧出现的轨迹位置和范围;
使用设定大小的扫描窗在所述跟踪目标的预测范围内扫描,保留满足码字匹配条件的扫描窗对应区域作为候选框;
评价每个候选框作为最终跟踪结果的置信度,取有最大置信度的候选框作为跟踪目标在当前帧的跟踪结果;
对所述跟踪结果进行修正;
判断是否对该跟踪目标继续跟踪:若继续执行跟踪,则利用当前帧跟踪结果的信息对跟踪目标的历史特征信息进行在线更新后转到所述基于所述跟踪目标已有的运动信息预测所述跟踪目标在当前帧出现的轨迹位置和范围的步骤;若不继续执行跟踪,则跟踪结束。
2.如权利要求1所述的车辆跟踪方法,其特征在于,所述初始化所述跟踪目标的历史特征信息的步骤包括:以所述车辆检测结果中的检测位置所对应的灰度、色调信息对所述跟踪目标的历史特征信息做初始化。
3.如权利要求1所述的车辆跟踪方法,其特征在于,在所述使用设定大小的扫描窗在所述跟踪目标的预测范围内扫描的步骤之前还包括将所述预测范围归一化至设定尺寸的步骤。
4.如权利要求1所述的车辆跟踪方法,其特征在于,所述保留满足码字匹配条件的扫描窗对应区域作为候选框的步骤包括:以所述跟踪目标于前一帧跟踪区域的4bitBP码字为模板,对预测范围内各扫描位置处扫描窗对应区域的灰度图像块的4bitBP编码作比对,保留满足设定重合度的扫描窗对应区域作为候选框。
5.如权利要求4所述的车辆跟踪方法,其特征在于,在所述以跟踪目标于前一帧跟踪区域的4bitBP码字为模板,对预测范围内各扫描位置处扫描窗对应区域的灰度图像块的4bitBP编码作比对的步骤之前,还包括:将所述扫描窗对应区域的灰度图像块进行尺寸归一化的步骤,所述灰度图像块的4bitBP编码为归一化后的灰度图像块的4bitBP编码。
6.如权利要求4所述的车辆跟踪方法,其特征在于,所述扫描窗对应区域的灰度图像块的4bitBP编码的方法包括:
对所述区域进行第一次全局加权,将区域均分为上下两个分块,对所述上下两个分块的灰度均值进行比较:若所述上下两个分块的灰度均值不相同,则将灰度均值较大的分块对应的码字进行预定值的加权;若所述上下两个分块的灰度均值相同,则不对所述上下两个分块对应的码字进行加权;
对所述区域进行第二次全局加权,将区域均分为左右两个分块,对所述左右两个分块的灰度均值进行比较:若所述左右两个分块的灰度均值不相同,则将灰度均值较大的分块对应的码字进行预定值的加权;若所述左右两个分块的灰度均值相同,则不对所述左右两个分块对应的码字进行加权;
对所述区域进行局部加权,将所述区域均分为左上、右上、左下、右下四个子区域,分别对每个子区域进行上述的第一次全局加权和第二次全局加权。
7.如权利要求1所述的车辆跟踪方法,其特征在于,通过与跟踪目标在前一帧跟踪区域的分块色调直方图和历史整体色调直方图的加权的关联运算,来评价每个候选框作为最终跟踪结果的置信度。
8.如权利要求7所述的车辆跟踪方法,其特征在于,所述通过与跟踪目标在前一帧跟踪区域的分块色调直方图和历史整体色调直方图的加权的关联运算,来评价每个候选框作为最终跟踪结果的置信度,取有最大置信度的候选框作为跟踪目标在当前帧的跟踪结果的步骤包括:
将候选框对应的色调图像块均分为四个子块;
生成每个子块的色调直方图;
将各子块的色调直方图累加得到整个候选框对应区域的整体色调直方图;
分别将每个子块的色调直方图与前一帧跟踪区域中对应子块的色调直方图进行关联度运算后加权求和,得到第一关联值;
将所述整体色调直方图与所述跟踪目标在前第M帧跟踪区域的整体色调直方图进行整体关联度运算,得到第二关联值;其中M为自然数;
将所述整体色调直方图与所述跟踪目标的初始色调直方图进行整体关联度运算,得到第三关联值;
通过下面的方法得到所述候选框作为最终跟踪结果的置信度:
置信度=第一关联值*设定的跟踪加权值+第二关联值*设定的记录加权值+第三关联值*设定的初始加权值;若计算得到的所述候选框的置信度大于等于历史最大置信度值,则更新记录的最大置信度和最佳匹配位置两变量;
遍历各候选框,取有最大置信度的候选框作为当前帧的跟踪结果。
9.如权利要求8所述的车辆跟踪方法,其特征在于,其中,两个色调直方图的关联度运算公式为:
其中,fr为关联值,N为直方图条柱总数,xi,yi分别为两个色调直方图第i条条柱的统计值,分别为两个色调直方图的条柱值均值。
10.如权利要求1所述的车辆跟踪方法,其特征在于,所述对所述跟踪结果进行修正包括:根据当前帧的车辆检测结果对所述跟踪结果进行修正,具体为:
对于每个检测结果,判断车辆检测结果对应的检测框与跟踪结果对应的跟踪框的几何交叠程度、所述检测框对应的分块灰度直方图与所述跟踪框对应的分块灰度直方图的相关度、所述检测框对应的分块色调直方图与所述跟踪框对应的分块色调直方图的相关度是否都满足设定的阈值要求,如果满足,则取检测结果和跟踪结果的中间位置作为当前帧跟踪目标的跟踪结果。
11.如权利要求1所述的车辆跟踪方法,其特征在于,所述对所述跟踪结果进行修正包括:根据当前帧的多个跟踪框对所述跟踪结果进行修正,具体为:
判断当前帧的其它跟踪框与跟踪结果对应跟踪框的几何交叠程度、所述两个跟踪框对应的分块灰度直方图的相关度、所述两个跟踪框对应的分块色调直方图的相关度是否都满足设定的阈值要求,如果满足,则取所述其它跟踪框与所述跟踪结果的中间位置作为当前帧跟踪目标的跟踪结果。
12.如权利要求1所述的车辆跟踪方法,其特征在于,所述方法进一步包括:
在目标被异常终止跟踪时,其跟踪相关信息仍被保留若干帧,期间,如有与所述终止跟踪的目标特征匹配、运动规律相符的跟踪目标出现,则重新启动对所述终止跟踪的目标的跟踪,实现对间断跟踪的目标的衔接。
13.一种车辆跟踪系统,其特征在于,包括:
跟踪启动模块,用于在车辆检测结果中选取适于跟踪的对象作为新的跟踪目标,并初始化所述跟踪目标的历史特征信息;
运动预测模块,用于基于所述跟踪目标已有的运动信息预测所述跟踪目标在当前帧出现的轨迹位置和范围;
候选跟踪区域搜索模块,用于使用设定大小的扫描窗在所述跟踪目标的预测范围内扫描,保留满足码字匹配条件的扫描窗对应区域作为候选框;
最佳跟踪区域获取模块,用于评价每个候选框作为最终跟踪结果的置信度,取有最大置信度的候选框作为跟踪目标在当前帧的跟踪结果;
跟踪后处理模块,用于对所述跟踪结果进行修正;
判断更新模块,用于判断是否对该跟踪目标继续跟踪:若继续执行跟踪,则利用当前帧跟踪结果的信息对跟踪目标的历史特征信息进行在线更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210497216.4A CN102982559B (zh) | 2012-11-28 | 2012-11-28 | 车辆跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210497216.4A CN102982559B (zh) | 2012-11-28 | 2012-11-28 | 车辆跟踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102982559A true CN102982559A (zh) | 2013-03-20 |
CN102982559B CN102982559B (zh) | 2015-04-29 |
Family
ID=47856500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210497216.4A Active CN102982559B (zh) | 2012-11-28 | 2012-11-28 | 车辆跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102982559B (zh) |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268586A (zh) * | 2013-04-27 | 2013-08-28 | 电子科技大学 | 一种基于热扩散理论的窗融合方法 |
CN103413323A (zh) * | 2013-07-25 | 2013-11-27 | 华南农业大学 | 基于部件级表观模型的物体跟踪方法 |
CN103927764A (zh) * | 2014-04-29 | 2014-07-16 | 重庆大学 | 一种结合目标信息和运动估计的车辆跟踪方法 |
CN103985257A (zh) * | 2014-05-14 | 2014-08-13 | 南通大学 | 一种智能交通视频分析方法 |
CN104182993A (zh) * | 2014-09-10 | 2014-12-03 | 四川九洲电器集团有限责任公司 | 一种目标跟踪的方法 |
CN104217417A (zh) * | 2013-05-31 | 2014-12-17 | 张伟伟 | 一种视频多目标跟踪的方法及装置 |
CN104517275A (zh) * | 2013-09-27 | 2015-04-15 | 株式会社理光 | 对象检测方法和系统 |
CN106651955A (zh) * | 2016-10-10 | 2017-05-10 | 北京小米移动软件有限公司 | 图片中目标物的定位方法及装置 |
CN106682619A (zh) * | 2016-12-28 | 2017-05-17 | 上海木爷机器人技术有限公司 | 一种对象跟踪方法及装置 |
CN107392210A (zh) * | 2017-07-12 | 2017-11-24 | 中国科学院光电技术研究所 | 一种基于tld算法的目标检测跟踪方法 |
CN107481327A (zh) * | 2017-09-08 | 2017-12-15 | 腾讯科技(深圳)有限公司 | 关于增强现实场景的处理方法、装置、终端设备及系统 |
CN108257158A (zh) * | 2018-03-27 | 2018-07-06 | 福州大学 | 一种基于循环神经网络的目标预测与跟踪方法 |
CN108388879A (zh) * | 2018-03-15 | 2018-08-10 | 斑马网络技术有限公司 | 目标的检测方法、装置和存储介质 |
CN108932850A (zh) * | 2018-06-22 | 2018-12-04 | 安徽科力信息产业有限责任公司 | 一种记录机动车低速行驶违法行为的方法及装置 |
CN109344712A (zh) * | 2018-08-31 | 2019-02-15 | 电子科技大学 | 一种道路车辆跟踪方法 |
CN109410243A (zh) * | 2018-10-16 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于区域交叠与模板匹配的多目标跟踪方法 |
CN109636834A (zh) * | 2018-11-22 | 2019-04-16 | 北京工业大学 | 基于tld改进算法的视频车辆目标跟踪算法 |
CN109785385A (zh) * | 2019-01-22 | 2019-05-21 | 中国科学院自动化研究所 | 视觉目标跟踪方法及系统 |
CN109829935A (zh) * | 2018-12-29 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 车辆的场景序列跟踪处理方法、装置及车辆 |
CN109858436A (zh) * | 2019-01-29 | 2019-06-07 | 中国科学院自动化研究所 | 基于视频动态前景掩膜的目标类别修正方法、检测方法 |
CN109919053A (zh) * | 2019-02-24 | 2019-06-21 | 太原理工大学 | 一种基于监控视频的深度学习车辆停车检测方法 |
CN110032978A (zh) * | 2019-04-18 | 2019-07-19 | 北京字节跳动网络技术有限公司 | 用于处理视频的方法和装置 |
CN110287877A (zh) * | 2019-06-25 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 视频目标的处理方法及装置 |
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 |
CN110348440A (zh) * | 2019-07-09 | 2019-10-18 | 北京字节跳动网络技术有限公司 | 牌照检测方法、装置、电子设备及存储介质 |
CN110502962A (zh) * | 2018-05-18 | 2019-11-26 | 翔升(上海)电子技术有限公司 | 视频流中目标的检测方法、装置、设备和介质 |
CN111091022A (zh) * | 2018-10-23 | 2020-05-01 | 宏碁股份有限公司 | 机器视觉的效能评估方法与系统 |
CN111275737A (zh) * | 2020-01-14 | 2020-06-12 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法、装置、设备及存储介质 |
CN111324680A (zh) * | 2019-01-25 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 一种信息展示方法及装置 |
CN111832343A (zh) * | 2019-04-17 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 目跟踪方法和装置、存储介质 |
CN111898438A (zh) * | 2020-06-29 | 2020-11-06 | 北京大学 | 一种监控场景多目标跟踪方法及系统 |
CN112037257A (zh) * | 2020-08-20 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、终端及其计算机可读存储介质 |
CN112184769A (zh) * | 2020-09-27 | 2021-01-05 | 上海高德威智能交通系统有限公司 | 一种跟踪异常的识别方法、装置及设备 |
CN112528932A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 用于优化位置信息的方法、装置、路侧设备和云控平台 |
CN113014955A (zh) * | 2019-12-19 | 2021-06-22 | 北京百度网讯科技有限公司 | 视频帧处理方法和装置 |
WO2021142741A1 (zh) * | 2020-01-17 | 2021-07-22 | 深圳大学 | 目标跟踪方法、装置及终端设备 |
WO2021146952A1 (zh) * | 2020-01-21 | 2021-07-29 | 深圳市大疆创新科技有限公司 | 跟随方法、可移动平台、装置和存储介质 |
CN113688706A (zh) * | 2021-08-16 | 2021-11-23 | 南京信息工程大学 | 一种车辆检测方法、装置、设备及存储介质 |
TWI755849B (zh) * | 2020-09-08 | 2022-02-21 | 國立臺灣師範大學 | Fpga多主從硬體架構之即時物件追蹤系統 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292907B (zh) * | 2017-07-14 | 2020-08-21 | 灵动科技(北京)有限公司 | 一种对跟随目标进行定位的方法以及跟随设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739686A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标跟踪方法及其系统 |
CN101807300A (zh) * | 2010-03-05 | 2010-08-18 | 北京智安邦科技有限公司 | 一种目标碎片区域融合的方法及装置 |
CN102214359A (zh) * | 2010-04-07 | 2011-10-12 | 北京智安邦科技有限公司 | 基于层级式特征匹配的目标跟踪装置及方法 |
CN102215377A (zh) * | 2010-04-07 | 2011-10-12 | 北京智安邦科技有限公司 | Ptz单目标自动跟踪的装置及方法 |
-
2012
- 2012-11-28 CN CN201210497216.4A patent/CN102982559B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739686A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标跟踪方法及其系统 |
CN101807300A (zh) * | 2010-03-05 | 2010-08-18 | 北京智安邦科技有限公司 | 一种目标碎片区域融合的方法及装置 |
CN102214359A (zh) * | 2010-04-07 | 2011-10-12 | 北京智安邦科技有限公司 | 基于层级式特征匹配的目标跟踪装置及方法 |
CN102215377A (zh) * | 2010-04-07 | 2011-10-12 | 北京智安邦科技有限公司 | Ptz单目标自动跟踪的装置及方法 |
Non-Patent Citations (1)
Title |
---|
ZDENEK KALAL ET AL: "Online learning of robust object detectors during unstable tracking", 《IEEE 12TH ICCV WORKSHOPS》 * |
Cited By (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268586B (zh) * | 2013-04-27 | 2015-11-18 | 电子科技大学 | 一种基于热扩散理论的窗融合方法 |
CN103268586A (zh) * | 2013-04-27 | 2013-08-28 | 电子科技大学 | 一种基于热扩散理论的窗融合方法 |
CN104217417B (zh) * | 2013-05-31 | 2017-07-07 | 张伟伟 | 一种视频多目标跟踪的方法及装置 |
CN104217417A (zh) * | 2013-05-31 | 2014-12-17 | 张伟伟 | 一种视频多目标跟踪的方法及装置 |
CN103413323A (zh) * | 2013-07-25 | 2013-11-27 | 华南农业大学 | 基于部件级表观模型的物体跟踪方法 |
CN103413323B (zh) * | 2013-07-25 | 2016-01-20 | 华南农业大学 | 基于部件级表观模型的物体跟踪方法 |
CN104517275A (zh) * | 2013-09-27 | 2015-04-15 | 株式会社理光 | 对象检测方法和系统 |
CN103927764A (zh) * | 2014-04-29 | 2014-07-16 | 重庆大学 | 一种结合目标信息和运动估计的车辆跟踪方法 |
CN103927764B (zh) * | 2014-04-29 | 2017-09-29 | 重庆大学 | 一种结合目标信息和运动估计的车辆跟踪方法 |
CN103985257A (zh) * | 2014-05-14 | 2014-08-13 | 南通大学 | 一种智能交通视频分析方法 |
CN104182993A (zh) * | 2014-09-10 | 2014-12-03 | 四川九洲电器集团有限责任公司 | 一种目标跟踪的方法 |
CN104182993B (zh) * | 2014-09-10 | 2017-02-15 | 四川九洲电器集团有限责任公司 | 一种目标跟踪的方法 |
CN106651955A (zh) * | 2016-10-10 | 2017-05-10 | 北京小米移动软件有限公司 | 图片中目标物的定位方法及装置 |
CN106682619A (zh) * | 2016-12-28 | 2017-05-17 | 上海木爷机器人技术有限公司 | 一种对象跟踪方法及装置 |
CN106682619B (zh) * | 2016-12-28 | 2020-08-11 | 上海木木聚枞机器人科技有限公司 | 一种对象跟踪方法及装置 |
CN107392210A (zh) * | 2017-07-12 | 2017-11-24 | 中国科学院光电技术研究所 | 一种基于tld算法的目标检测跟踪方法 |
CN107481327A (zh) * | 2017-09-08 | 2017-12-15 | 腾讯科技(深圳)有限公司 | 关于增强现实场景的处理方法、装置、终端设备及系统 |
CN108388879A (zh) * | 2018-03-15 | 2018-08-10 | 斑马网络技术有限公司 | 目标的检测方法、装置和存储介质 |
CN108388879B (zh) * | 2018-03-15 | 2022-04-15 | 斑马网络技术有限公司 | 目标的检测方法、装置和存储介质 |
CN108257158A (zh) * | 2018-03-27 | 2018-07-06 | 福州大学 | 一种基于循环神经网络的目标预测与跟踪方法 |
CN108257158B (zh) * | 2018-03-27 | 2021-11-30 | 福州大学 | 一种基于循环神经网络的目标预测与跟踪方法 |
CN110502962A (zh) * | 2018-05-18 | 2019-11-26 | 翔升(上海)电子技术有限公司 | 视频流中目标的检测方法、装置、设备和介质 |
CN108932850A (zh) * | 2018-06-22 | 2018-12-04 | 安徽科力信息产业有限责任公司 | 一种记录机动车低速行驶违法行为的方法及装置 |
CN109344712B (zh) * | 2018-08-31 | 2021-09-24 | 电子科技大学 | 一种道路车辆跟踪方法 |
CN109344712A (zh) * | 2018-08-31 | 2019-02-15 | 电子科技大学 | 一种道路车辆跟踪方法 |
CN109410243A (zh) * | 2018-10-16 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于区域交叠与模板匹配的多目标跟踪方法 |
CN111091022A (zh) * | 2018-10-23 | 2020-05-01 | 宏碁股份有限公司 | 机器视觉的效能评估方法与系统 |
CN109636834A (zh) * | 2018-11-22 | 2019-04-16 | 北京工业大学 | 基于tld改进算法的视频车辆目标跟踪算法 |
CN109829935A (zh) * | 2018-12-29 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 车辆的场景序列跟踪处理方法、装置及车辆 |
US11062150B2 (en) | 2018-12-29 | 2021-07-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Processing method and apparatus for vehicle scene sequence tracking, and vehicle |
CN109785385A (zh) * | 2019-01-22 | 2019-05-21 | 中国科学院自动化研究所 | 视觉目标跟踪方法及系统 |
WO2020151110A1 (en) * | 2019-01-25 | 2020-07-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | An information presentation method and apparatus |
CN111324680A (zh) * | 2019-01-25 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 一种信息展示方法及装置 |
CN109858436A (zh) * | 2019-01-29 | 2019-06-07 | 中国科学院自动化研究所 | 基于视频动态前景掩膜的目标类别修正方法、检测方法 |
CN109919053A (zh) * | 2019-02-24 | 2019-06-21 | 太原理工大学 | 一种基于监控视频的深度学习车辆停车检测方法 |
CN111832343B (zh) * | 2019-04-17 | 2024-04-09 | 北京京东乾石科技有限公司 | 跟踪方法和装置、存储介质 |
CN111832343A (zh) * | 2019-04-17 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 目跟踪方法和装置、存储介质 |
CN110032978A (zh) * | 2019-04-18 | 2019-07-19 | 北京字节跳动网络技术有限公司 | 用于处理视频的方法和装置 |
CN110287877B (zh) * | 2019-06-25 | 2023-01-06 | 腾讯科技(深圳)有限公司 | 视频目标的处理方法及装置 |
CN110287877A (zh) * | 2019-06-25 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 视频目标的处理方法及装置 |
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 |
CN110348440A (zh) * | 2019-07-09 | 2019-10-18 | 北京字节跳动网络技术有限公司 | 牌照检测方法、装置、电子设备及存储介质 |
CN113014955A (zh) * | 2019-12-19 | 2021-06-22 | 北京百度网讯科技有限公司 | 视频帧处理方法和装置 |
US11375209B2 (en) | 2019-12-19 | 2022-06-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for processing video frame |
CN113014955B (zh) * | 2019-12-19 | 2022-11-15 | 北京百度网讯科技有限公司 | 视频帧处理方法、装置、电子设备和计算机可读存储介质 |
CN111275737B (zh) * | 2020-01-14 | 2023-09-12 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法、装置、设备及存储介质 |
CN111275737A (zh) * | 2020-01-14 | 2020-06-12 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法、装置、设备及存储介质 |
WO2021142741A1 (zh) * | 2020-01-17 | 2021-07-22 | 深圳大学 | 目标跟踪方法、装置及终端设备 |
WO2021146952A1 (zh) * | 2020-01-21 | 2021-07-29 | 深圳市大疆创新科技有限公司 | 跟随方法、可移动平台、装置和存储介质 |
CN111898438A (zh) * | 2020-06-29 | 2020-11-06 | 北京大学 | 一种监控场景多目标跟踪方法及系统 |
CN112037257B (zh) * | 2020-08-20 | 2023-09-29 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、终端及其计算机可读存储介质 |
CN112037257A (zh) * | 2020-08-20 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、终端及其计算机可读存储介质 |
TWI755849B (zh) * | 2020-09-08 | 2022-02-21 | 國立臺灣師範大學 | Fpga多主從硬體架構之即時物件追蹤系統 |
CN112184769A (zh) * | 2020-09-27 | 2021-01-05 | 上海高德威智能交通系统有限公司 | 一种跟踪异常的识别方法、装置及设备 |
CN112184769B (zh) * | 2020-09-27 | 2023-05-02 | 上海高德威智能交通系统有限公司 | 一种跟踪异常的识别方法、装置及设备 |
CN112528932B (zh) * | 2020-12-22 | 2023-12-08 | 阿波罗智联(北京)科技有限公司 | 用于优化位置信息的方法、装置、路侧设备和云控平台 |
CN112528932A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 用于优化位置信息的方法、装置、路侧设备和云控平台 |
CN113688706A (zh) * | 2021-08-16 | 2021-11-23 | 南京信息工程大学 | 一种车辆检测方法、装置、设备及存储介质 |
CN113688706B (zh) * | 2021-08-16 | 2023-12-05 | 南京信息工程大学 | 一种车辆检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102982559B (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102982559B (zh) | 车辆跟踪方法及系统 | |
Schonberger et al. | Learning to fuse proposals from multiple scanline optimizations in semi-global matching | |
CN108921875B (zh) | 一种基于航拍数据的实时车流检测与追踪方法 | |
Kühnl et al. | Monocular road segmentation using slow feature analysis | |
Shi et al. | Fast and robust vanishing point detection for unstructured road following | |
Wang et al. | Lane detection based on random hough transform on region of interesting | |
CN102722725B (zh) | 一种基于主动场景学习的对象跟踪方法 | |
Hoermann et al. | Object detection on dynamic occupancy grid maps using deep learning and automatic label generation | |
CN108596129A (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN105023278A (zh) | 一种基于光流法的运动目标跟踪方法及系统 | |
CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
Nassu et al. | A vision-based approach for rail extraction and its application in a camera pan–tilt control system | |
Kim | Realtime lane tracking of curved local road | |
CN107833239B (zh) | 一种基于加权模型约束的寻优匹配目标跟踪方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN101976504A (zh) | 一种基于颜色空间信息的多车辆视频跟踪方法 | |
CN106570499A (zh) | 一种基于概率图模型的目标跟踪方法 | |
CN105335701A (zh) | 一种基于hog与d-s证据理论多信息融合的行人检测方法 | |
CN106022243A (zh) | 一种基于图像处理的机动车道车辆逆行识别方法 | |
Zeng et al. | Lookup: Vision-only real-time precise underground localisation for autonomous mining vehicles | |
CN104700105A (zh) | 非结构化室外地形全局检测方法 | |
Wang et al. | Unstructured road detection using hybrid features | |
CN104778670A (zh) | 一种基于多元统计模型的分形小波自适应图像去噪方法 | |
CN108520529A (zh) | 基于卷积神经网络的可见光和红外视频目标跟踪方法 | |
CN112801021B (zh) | 基于多级语义信息的车道线检测方法及系统 |
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 |