CN103425967B - 一种基于行人检测和跟踪的人流监控方法 - Google Patents
一种基于行人检测和跟踪的人流监控方法 Download PDFInfo
- Publication number
- CN103425967B CN103425967B CN201310311020.6A CN201310311020A CN103425967B CN 103425967 B CN103425967 B CN 103425967B CN 201310311020 A CN201310311020 A CN 201310311020A CN 103425967 B CN103425967 B CN 103425967B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- people
- detection
- tracking
- frame
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于行人检测和跟踪的人流监控方法，该方法首先获取并解码摄像头视频流得到RGB格式的单帧图像，其次对每帧图像进行行人检测得到一组行人位置，再次通过计算相似度，匹配相邻帧中检测到的行人，从而实现行人跟踪并得到每个行人的运动轨迹，最后在监控视频中设置检测线，通过得到的行人运动轨迹来判断不同方向上的人流量。本发明基于计算机视觉中行人检测领域的最新进展，检测准确率较高，检测速度较快，具有较大的发展前景，另外通过结合基于相似度的快速跟踪方法，以及采用由疏到密的多尺度检测方法，进一步提高了检测速度，并实现了快速的行人跟踪，在目前的普通计算机上，检测和跟踪速度超过10FPS，达到了实用水平。
Description
技术领域
本发明属于视频图像处理及模式识别技术领域，尤其涉及一种基于行人检测和跟踪的人流监控方法。
背景技术
人体或行人的检测和跟踪技术在汽车辅助驾驶以及视频监控等领域都有广泛的应用价值。在车辆行驶过程中，由于恶劣天气或驾驶员疲劳疏忽等原因可能导致严重的行人伤害事故，因而对能够自动检测行人并提醒驾驶者的辅助驾驶技术有着较为迫切的需求，并要求这种辅助驾驶技术能够尽可能快速准确的检测到行人。
在视频监控领域，传统的视频监控方法要求安排特定人员检阅视频监控摄像头中拍摄的内容，来完成防止可疑人员侵入和统计人流量等任务。而人工监控一方面较易出错，也带来了较高的人力成本。因而也迫切需求能够自动完成此类任务的智能监控技术。
传统的行人检测方法基于背景差、帧差和光流等图像处理方法，较难达到较高的检测准确率。最近十多年，基于机器学习的行人检测方法得到了较大的发展，如Dalal等人提出的基于梯度方向直方图（HOG）图像特征的检测方法，但这种方法检测速度较慢，无法达到客流监控中的实时要求。目前，基于积分通道特征(Integralchannelfeatures)和软级联分类器(softcascade)的行人检测方法在准确率特别是检测速度上达到了较高的水平，在结合GPU并行计算能力时检测速度达到100帧每秒，这使得基于此类方法的实时行人跟踪监控成为可能，但是该技术还存在许多问题及发展空间。
发明内容
本发明的目的在于针对目前行人检测方法检测准确率低、检测速度慢等缺陷，提供一种基于行人检测和跟踪的人流监控方法，该方法应用于公共场所的人流数量、流向和密度的统计分析中，实时地自动判断视频监控场景中人员的分布和流向情况，从而为交通指挥及突发情况处理等决策提供依据。
本发明是通过以下技术方案实现的：一种基于行人检测和跟踪的人流监控方法，该方法在人流监控系统上实现，人流监控系统包括：视频输入设备及控制中心，视频输入设备与控制中心之间通过LAN网络端口连接。该方法包括如下步骤：
步骤1：获取并解码摄像头视频流得到RGB格式的单帧图像。
步骤2：对每帧图像进行行人检测得到一组行人位置(包含框)。包括以下子步骤：
2.1读取当前帧图像；
2.2计算图像积分通道特征；
2.3进行由疏到密多尺度识别；
首先按尺度间缩放值等比例的方法根据最小最大尺度和尺度数量生成每个待检测的尺度的缩放值，然后每间隔N个尺度检测一次，之后对检测到的行人的尺度附近的N/2个尺度进行检测。这种多尺度检测方法能在保持检测准确率不变时将检测时间减少20%到50%，实际场景中N值选为3或者5。
2.4NMS方法组合所有尺度中的识别结果；
2.5计算每个检测结果区域和背景区域的差异；
通过设置背景图像解决背景被误检为行人的问题，当连续5帧未检测到行人且这些帧之间每像素通道平均绝对差值小于5时将当前帧设置为背景。之后若检测到行人的包含框与背景图像对应区域每像素通道平均绝对差值小于5时则认为此位置为背景误检为人，因此要将此位置排除。
2.6删除和背景差异值小的检测结果；
2.7得到检测结果，即一组行人位置(包含框)以及每个位置对应的置信值。
步骤3：通过计算相似度，匹配相邻帧中检测到的行人，从而实现行人跟踪并得到每个人的运动轨迹。
本步骤通过将当前帧检测得到的行人位置和前一帧检测得到的行人位置进行匹配来实现行人跟踪，行人跟踪的具体步骤为：
3.1对行人列表中的每个位置，计算其与当前帧中所有行人位置之间的相似值。
其中行人列表为一个记录当前帧中检测到的所有行人信息的数组，数组中的每一项记录了单个行人的位置、编号、包含框以及检测置信度等信息。该列表初始化为空，跟踪算法处理视频中的每一帧，获取行人信息并不断更新这一列表。
两个行人位置之间的相似度计算公式为：
下标a和b代表两个不同的行人位置（包含方框），每个行人包含方框为图像中的一个方形区域，由该区域的左上和右下两个坐标值表示；F代表通道特征在行人包含框区域中的积分值，通道选择为LUV颜色通道，如Fa为一三维向量，其第一维为图像的L颜色分量在整个a方块区域中的积分值(累加和)，第二维和第三维分别为U和V分量在a区域中的积分值；C为包含框的中心点像素坐标；N、D和M分别为参数。当相似度大于T时，认为两位置为同一人。这几个参数经测试选择N=1,D=50,M=5,T=0.8附近值时效果较好。
3.2对列表中每个编号不为-1的人，在当前帧中选择与其相似度最高的位置作为匹配位置，并将其编号赋予此位置。
其中编号为人的唯一标识，不同帧中行人位置编号相同则认为这两位置为同一人，编号从0开始每次加1，检测到新的行人时则将新编号赋予此人。为了解决一帧图像中非行人区域误检为人的问题，新检测到的位置编号置为-1，只有在下一帧中找到匹配时才被赋予新的行人编号。为了解决单帧图像中行人漏检的问题，之前已经检测到的行人只有当连续5帧未能找到匹配位置时才认为该人已经从监控区域消失，并将该人从列表中删除。
通过本步骤可以利用每帧图像行人检测的结果得到当前帧中的行人列表，从而可以在视频中对人进行跟踪并得到每个人的运动轨迹，同时还可以根据每帧中不同编号的数量得到此帧中的人数。
步骤4：在监控视频中设置检测线，通过步骤3得到的行人运动轨迹来判断不同方向上的人流量。
检测线通常设置于出入口位置，用于判断人的进出流量。当行人同时满足从检测线一方进入检测线邻近区域，之后从另一方走出检测线邻近区域时则判断该行人从该方向穿过检测线，由此可以得到从不同方向穿过该线的人流量信息。同时还可以设置检测区域以满足不同的人流统计需求。
本发明的有益效果是：本发明基于计算机视觉中行人检测领域的最新进展，检测准确率较高，检测速度较快，具有较大的发展前景。另外通过结合基于相似度的快速跟踪方法，以及采用由疏到密的多尺度检测方法，进一步提高了检测速度，并实现了快速的行人跟踪，在目前的普通计算机上，检测和跟踪速度超过10FPS，达到了实用水平。
附图说明
图1是本发明的基于行人检测和跟踪的人流监控方法的实现流程图；
图2是本发明的基于行人检测和跟踪的人流监控系统的系统框图；
图3是本发明的行人检测方法流程图；
图4是本发明的行人跟踪方法流程图。
具体实施方式
下面结合附图详细描述本发明，本发明的目的和效果将变得更加明显。
本发明基于行人检测和跟踪的人流监控方法在图2所示的人流监控系统上实现，流监控系统包括：视频输入设备及控制中心，视频输入设备与控制中心之间通过LAN网络端口连接。
视频输入设备：本系统所需视频输入设备可以为一个或者多个，视频输入设备可以采用监控摄像头或传统的摄像头，要求摄像头拍摄分辨率高于320*240，帧率高于15FPS，像素深度不低于RGB888。摄像头离地三到五米，拍摄角度为斜向下三十到六十度。要求摄像头的放置位置和拍摄角度使得大部分人全身都出现在拍摄区域中，而且人与人之间相互遮挡较少，同时还要求拍摄区域中人处于站立不动或者正在行走的状态。
控制中心：本系统控制中心可以由普通或专用的PC机或服务器来实现。控制中心包括：视频采集模块、行人检测和跟踪模块以及人流量统计模块，实现分析人流量并显示人流监控结果。
如图1所示，该方法包括如下步骤：
步骤1：获取并解码摄像头视频流得到RGB格式的单帧图像。
步骤2：对每帧图像进行行人检测得到一组行人位置(包含框)。如图3所示，该步骤通过以下子步骤来实现：
2.1读取当前帧图像；
2.2计算图像积分通道特征；
2.3进行由疏到密多尺度识别；
首先按尺度间缩放值等比例的方法根据最小最大尺度和尺度数量生成每个待检测的尺度的缩放值，然后每间隔N个尺度检测一次，之后对检测到的行人的尺度附近的N/2个尺度进行检测。这种多尺度检测方法能在保持检测准确率不变时将检测时间减少20%到50%，实际场景中N值选为3或者5。
2.4NMS方法组合所有尺度中的识别结果；
2.5计算每个检测结果区域和背景区域的差异；
通过设置背景图像解决背景被误检为行人的问题，当连续5帧未检测到行人且这些帧之间每像素通道平均绝对差值小于5时将当前帧设置为背景。之后若检测到行人的包含框与背景图像对应区域每像素通道平均绝对差值小于5时则认为此位置为背景误检为人，因此要将此位置排除。
2.6删除和背景差异值小的检测结果；
2.7得到检测结果，即一组行人位置(包含框)以及每个位置对应的置信值。
步骤3：通过计算相似度，匹配相邻帧中检测到的行人，从而实现行人跟踪并得到每个人的运动轨迹。
本步骤通过将当前帧检测得到的行人位置和前一帧检测得到的行人位置进行匹配来实现行人跟踪，其流程如图4所示。行人跟踪的具体步骤为：
3.1对行人列表中的每个位置，计算其与当前帧中所有行人位置之间的相似值。
其中行人列表为一个记录当前帧中检测到的所有行人信息的数组，数组中的每一项记录了单个行人的位置、编号、包含框以及检测置信度等信息。该列表初始化为空，跟踪算法处理视频中的每一帧，获取行人信息并不断更新这一列表。
两个行人位置之间的相似度计算公式为：
下标a和b代表两个不同的行人位置（包含方框），每个行人包含方框为图像中的一个方形区域，由该区域的左上和右下两个坐标值表示；F代表通道特征在行人包含框区域中的积分值，通道选择为LUV颜色通道，如Fa为一三维向量，其第一维为图像的L颜色分量在整个a方块区域中的积分值(累加和)，第二维和第三维分别为U和V分量在a区域中的积分值；C为包含框的中心点像素坐标；N、D和M分别为参数。当相似度大于T时，认为两位置为同一人。这几个参数经测试选择N=1,D=50,M=5,T=0.8附近值时效果较好。
3.2对列表中每个编号不为-1的人，在当前帧中选择与其相似度最高的位置作为匹配位置，并将其编号赋予此位置。
其中编号为人的唯一标识，不同帧中行人位置编号相同则认为这两位置为同一人，编号从0开始每次加1，检测到新的行人时则将新编号赋予此人。为了解决一帧图像中非行人区域误检为人的问题，新检测到的位置编号置为-1，只有在下一帧中找到匹配时才被赋予新的行人编号。为了解决单帧图像中行人漏检的问题，之前已经检测到的行人只有当连续5帧未能找到匹配位置时才认为该人已经从监控区域消失，并将该人从列表中删除。
通过本步骤可以利用每帧图像行人检测的结果得到当前帧中的行人列表，从而可以在视频中对人进行跟踪并得到每个人的运动轨迹，同时还可以根据每帧中不同编号的数量得到此帧中的人数。
步骤4：在监控视频中设置检测线，通过步骤3得到的行人运动轨迹来判断不同方向上的人流量。
检测线通常设置于出入口位置，用于判断人的进出流量。当行人同时满足从检测线一方进入检测线邻近区域，之后从另一方走出检测线邻近区域时则判断该行人从该方向穿过检测线，由此可以得到从不同方向穿过该线的人流量信息。同时还可以设置检测区域以满足不同的人流统计需求。。
Claims (3)
1.一种基于行人检测和跟踪的人流监控方法，该方法在人流监控系统上实现，人流监控系统包括：视频输入设备及控制中心，视频输入设备与控制中心之间通过LAN网络端口连接；其特征在于，该方法包括如下步骤：
步骤(1)：获取并解码摄像头视频流得到RGB格式的单帧图像；
步骤(2)：对每帧图像进行行人检测得到一组行人位置，即包含框；该步骤通过以下子步骤来实现：
(2.1)读取当前帧图像；
(2.2)计算图像积分通道特征；
(2.3)进行由疏到密多尺度识别；
(2.4)NMS方法组合所有尺度中的识别结果；
(2.5)计算每个检测结果区域和背景区域的差异；
(2.6)删除和背景差异值小的检测结果；
(2.7)得到检测结果，即一组行人位置以及每个位置对应的置信值；
步骤(3)：通过计算相似度，匹配相邻帧中检测到的行人，从而实现行人跟踪并得到每个人的运动轨迹；行人跟踪的具体步骤为：
(3.1)对行人列表中的每个位置，计算其与当前帧中所有行人位置之间的相似值；
行人列表是一个记录当前帧中检测到的所有行人信息的数组，数组中的每一项记录了单个行人的位置、编号、包含框以及检测置信度等信息；该列表初始化为空，跟踪算法处理视频中的每一帧，获取行人信息并不断更新这一列表；(3.2)对列表中每个编号不为-1的人，在当前帧中选择与其相似度最高的位置作为匹配位置，并将其编号赋予此位置；
编号为人的唯一标识，不同帧中行人位置编号相同则认为这两位置为同一人，编号从0开始每次加1，检测到新的行人时则将新编号赋予此人；为了解决一帧图像中非行人区域误检为人的问题，新检测到的位置编号置为-1，只有在下一帧中找到匹配时才被赋予新的行人编号；为了解决单帧图像中行人漏检的问题，之前已经检测到的行人只有当连续5帧未能找到匹配位置时才认为该人已经从监控区域消失，并将该人从列表中删除；
步骤(4)：在监控视频中设置检测线，通过步骤(3)得到的行人运动轨迹来判断不同方向上的人流量；
检测线通常设置于出入口位置，用于判断人的进出流量；当行人同时满足从检测线一方进入检测线邻近区域，之后从另一方走出检测线邻近区域时则判断该行人从该方向穿过检测线，由此可以得到从不同方向穿过该线的人流量信息；同时还可以设置检测区域以满足不同的人流统计需求。
2.根据权利要求1所述一种基于行人检测和跟踪的人流监控方法，其特征在于，所述步骤(2.3)中，所述的由疏到密多尺度识别，具体为：首先按尺度间缩放值等比例的方法根据最小最大尺度和尺度数量生成每个待检测的尺度的缩放值，然后每间隔N个尺度检测一次，之后对检测到的行人的尺度附近的N/2个尺度进行检测。
3.根据权利要求1所述一种基于行人检测和跟踪的人流监控方法，其特征在于，所述步骤(2.5)中，所述的计算每个检测结果区域和背景区域的差异，具体为：通过设置背景图像解决背景被误检为行人的问题，当连续5帧未检测到行人且这些帧之间每像素通道平均绝对差值小于5时将当前帧设置为背景；之后若检测到行人的包含框与背景图像对应区域每像素通道平均绝对差值小于5时则认为此位置为背景误检为人，将此位置排除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310311020.6A CN103425967B (zh) | 2013-07-21 | 2013-07-21 | 一种基于行人检测和跟踪的人流监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310311020.6A CN103425967B (zh) | 2013-07-21 | 2013-07-21 | 一种基于行人检测和跟踪的人流监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103425967A CN103425967A (zh) | 2013-12-04 |
| CN103425967B true CN103425967B (zh) | 2016-06-01 |
Family
ID=49650679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310311020.6A Active CN103425967B (zh) | 2013-07-21 | 2013-07-21 | 一种基于行人检测和跟踪的人流监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103425967B (zh) |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646254B (zh) * | 2013-12-19 | 2017-01-25 | 北方工业大学 | 一种高密度行人检测方法 |
| CN103646257B (zh) * | 2013-12-30 | 2017-06-16 | 中国科学院自动化研究所 | 一种基于视频监控图像的行人检测和计数方法 |
| CN105100683A (zh) * | 2014-05-04 | 2015-11-25 | 深圳市贝尔信智能系统有限公司 | 一种基于视频的客流统计的方法，装置及系统 |
| CN105303191A (zh) * | 2014-07-25 | 2016-02-03 | 中兴通讯股份有限公司 | 一种前视监视场景下的行人计数方法和装置 |
| CN104239854B (zh) * | 2014-08-30 | 2017-07-11 | 电子科技大学 | 一种基于区域稀疏积分通道的行人特征提取和表示方法 |
| CN104899574B (zh) * | 2015-06-18 | 2018-08-24 | 东方网力科技股份有限公司 | 一种进出事件检测方法及系统 |
| CN105550675B (zh) * | 2016-02-02 | 2019-02-22 | 天津大学 | 一种基于优化聚合积分通道的双目行人检测方法 |
| CN106407926B (zh) * | 2016-09-09 | 2019-09-20 | 东软集团股份有限公司 | 一种行人检测方法及装置 |
| CN106534779A (zh) * | 2016-10-28 | 2017-03-22 | 安徽三实信息技术服务有限公司 | 一种景区安全预警智能监控系统 |
| CN106845338B (zh) * | 2016-12-13 | 2019-12-20 | 深圳市智美达科技股份有限公司 | 视频流中行人检测方法与系统 |
| CN106650695A (zh) * | 2016-12-30 | 2017-05-10 | 苏州万店掌网络科技有限公司 | 一种基于视频分析技术的跟踪统计人流量的系统 |
| CN107403137B (zh) * | 2017-06-29 | 2020-01-31 | 山东师范大学 | 基于视频的密集人群流量计算方法和装置 |
| CN107657213A (zh) * | 2017-08-22 | 2018-02-02 | 三峡大学 | 一种运动视频目标路径检测方法和系统 |
| CN109697499B (zh) * | 2017-10-24 | 2021-09-07 | 北京京东尚科信息技术有限公司 | 行人流量漏斗生成方法及装置、存储介质、电子设备 |
| JP6615847B2 (ja) * | 2017-11-08 | 2019-12-04 | 株式会社東芝 | 画像処理装置、画像処理システム、画像処理方法、およびプログラム |
| CN108229390A (zh) * | 2018-01-02 | 2018-06-29 | 济南中维世纪科技有限公司 | 基于深度学习的快速行人检测方法 |
| CN108133197B (zh) * | 2018-01-05 | 2021-02-05 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108256501A (zh) * | 2018-02-05 | 2018-07-06 | 李刚毅 | 异常运动对象检测系统及其方法 |
| CN108921072B (zh) * | 2018-06-25 | 2021-10-15 | 苏州欧普照明有限公司 | 一种基于视觉传感器的人流量统计方法、装置及系统 |
| CN110765820B (zh) * | 2018-07-27 | 2022-09-09 | 杭州海康威视数字技术股份有限公司 | 一种双向通道的行走空间的控制方法、装置、设备及系统 |
| CN109101914B (zh) * | 2018-08-01 | 2021-08-20 | 苏州飞搜科技有限公司 | 一种基于多尺度的行人检测方法和装置 |
| CN109272528A (zh) * | 2018-09-18 | 2019-01-25 | 图普科技（广州）有限公司 | 一种行人轨迹获取方法及装置 |
| CN109902551A (zh) * | 2018-11-09 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 开放场景的实时人流统计方法和装置 |
| CN111950491B (zh) * | 2020-08-19 | 2024-04-02 | 成都飞英思特科技有限公司 | 一种人员密度的监控方法、装置及计算机可读存储介质 |
| CN112183304A (zh) * | 2020-09-24 | 2021-01-05 | 高新兴科技集团股份有限公司 | 离位检测方法、系统及计算机存储介质 |
| CN112393186B (zh) * | 2020-11-18 | 2022-05-20 | 横店集团得邦照明股份有限公司 | 一种具有人流密度监测报警功能的智能led路灯 |
| CN112541440B (zh) * | 2020-12-16 | 2023-10-17 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
| CN112923538A (zh) * | 2021-02-22 | 2021-06-08 | 天津大学 | 基于人流密度调节的大空间新风系统的精准送风方法 |
| CN113744221A (zh) * | 2021-08-26 | 2021-12-03 | 讯飞智元信息科技有限公司 | 拍摄对象计数方法、装置、计算机设备和存储介质 |
| CN114463653B (zh) * | 2022-04-12 | 2022-06-28 | 浙江大学 | 一种高浓度微群泡形态识别及轨迹追踪测速方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011015800A1 (en) * | 2009-08-06 | 2011-02-10 | Toshiba Research Europe Limited | Correlated probabilistic trajectories pedestrian motion detection using a decision forest |
| CN103177248A (zh) * | 2013-04-16 | 2013-06-26 | 浙江大学 | 一种基于视觉的快速行人检测方法 |
-
2013
- 2013-07-21 CN CN201310311020.6A patent/CN103425967B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011015800A1 (en) * | 2009-08-06 | 2011-02-10 | Toshiba Research Europe Limited | Correlated probabilistic trajectories pedestrian motion detection using a decision forest |
| CN103177248A (zh) * | 2013-04-16 | 2013-06-26 | 浙江大学 | 一种基于视觉的快速行人检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Pedestrian Detection System Integrated in a Framework of Level Set Based Motion Detection and Tracking;Wei-Gang Chen et al.;《International Journal of Digital Content Technology and its Applications》;20130331;第7卷(第5期);第33-43页 * |
| 车载视觉系统中的行人检测技术综述;许腾等;《中国图象图形学报》;20130430;第18卷(第4期);第359-367页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103425967A (zh) | 2013-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103425967B (zh) | 一种基于行人检测和跟踪的人流监控方法 | |
| CN111145545B (zh) | 基于深度学习的道路交通行为无人机监测系统及方法 | |
| Chen et al. | AI-empowered speed extraction via port-like videos for vehicular trajectory analysis | |
| CN103366156B (zh) | 道路结构检测和跟踪 | |
| CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
| CN105306892B (zh) | 一种证据链形式的船舶视频的生成及显示方法 | |
| CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
| CN104881645B (zh) | 基于特征点互信息量和光流法的车辆前方目标的检测方法 | |
| CN104754302A (zh) | 一种基于枪球联动系统的目标检测跟踪方法 | |
| CN113052876B (zh) | 一种基于深度学习的视频接力跟踪方法及系统 | |
| CN102243765A (zh) | 基于多相机的多目标定位跟踪方法及系统 | |
| TW201120807A (en) | Apparatus and method for moving object detection | |
| CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
| CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
| CN103729620B (zh) | 一种基于多视角贝叶斯网络的多视角行人检测方法 | |
| CN106156714A (zh) | 基于骨骼关节特征和表面特征融合的人体行为识别方法 | |
| CN106504274A (zh) | 一种基于红外摄像头下的视觉跟踪方法及系统 | |
| CN114612823A (zh) | 一种面向实验室安全管理的人员行为监测方法 | |
| CN112927233A (zh) | 一种船用激光雷达与视频联合目标捕捉方法 | |
| Jing et al. | Depth estimation matters most: Improving per-object depth estimation for monocular 3d detection and tracking | |
| Wu et al. | Registration-based moving vehicle detection for low-altitude urban traffic surveillance | |
| Yun et al. | Maximum-likelihood object tracking from multi-view video by combining homography and epipolar constraints | |
| CN116630267A (zh) | 基于无人机与激光雷达数据融合的路基沉降监测方法 | |
| CN111950524A (zh) | 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统 | |
| CN113824880B (zh) | 一种基于目标检测和uwb定位的车辆跟踪方法 |
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 |