CN103578121B - 干扰运动环境下基于共享高斯模型的运动检测方法 - Google Patents
干扰运动环境下基于共享高斯模型的运动检测方法 Download PDFInfo
- Publication number
- CN103578121B CN103578121B CN201310595061.2A CN201310595061A CN103578121B CN 103578121 B CN103578121 B CN 103578121B CN 201310595061 A CN201310595061 A CN 201310595061A CN 103578121 B CN103578121 B CN 103578121B
- Authority
- CN
- China
- Prior art keywords
- gauss model
- point
- image
- model
- gaus
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种干扰运动环境下基于共享高斯模型的运动检测方法,其包括如下步骤:A、获取干扰运动前景,消除背景与噪音干扰。B、建立干扰运动前景的共享高斯模型。C、过滤干扰运动前景,消除对目标物体的干扰。D、实时跟踪目标物体,绘制运动轨迹。本发明能对干扰运动进行实时建模,并将建立的高斯模型共享给视频流中每一帧图像的每一个点。当目标物体进入场景后,使用共享高斯模型过滤掉干扰运动,再对目标物体进行运动跟踪等其他需求处理,满足存在其他剧烈干扰运动前景的环境下,检测运动目标的需求。
Description
技术领域
本发明涉及运动目标检测技术领域,尤其涉及一种干扰运动环境下基于共享高斯模型的运动检测方法。
背景技术
运动目标检测是数字图像处理技术的一个主要部分,是计算机视觉、跟踪、模式识别、运动图像编码、基于内容的检索等研究领域的重点和难点。由于天气和光照的变化、背景混乱运动的干扰、运动目标的影子以及摄像机运动等原因的存在,在实际系统中进行正确的运动目标检测成为一项非常具有挑战性的任务。目前,现有的视频运动目标检测方法主要分三类:光流法、帧差法、减背景法。这些方法均是使用不同的途径,在连续的视频图像序列中分割出运动目标所在区域。光流法以灰度梯度基本不变或亮度恒定的约束假设为基础进行目标检测;帧差法通过比较视频序列连续两帧或多帧图像中对应位置像素点的灰度差或颜色分量的差值,来确定目标像素点和背景点;背景差法是利用当前帧图像和背景图像的差分来检测运动目标。不同的检测方法使用于不同的场景区分前景和背景,但这些方法无法满足存在其他剧烈干扰运动前景的环境下,检测运动目标的需求。具体的应用场景如机场行李分拣过程中,在某些情况下,我们希望获取并分析工人搬运行李过程中行李的一些信息。这时需要一种方法在摄像头拍摄到的工人分拣行李的视频流中过滤掉工人,实时跟踪目标行李。
发明内容
本发明的目的在于通过一种干扰运动环境下基于共享高斯模型的运动检测方法,来解决以上背景技术部分提到的问题。
为达此目的,本发明采用以下技术方案:
一种干扰运动环境下基于共享高斯模型的运动检测方法,其包括如下步骤:
A、获取干扰运动前景,消除背景与噪音干扰;
B、建立干扰运动前景的共享高斯模型;
C、过滤干扰运动前景,消除对目标物体的干扰;
D、实时跟踪目标物体,绘制运动轨迹。
特别地,所述步骤A具体包括:
实时采集RGB视频图像帧Ft(x,y),使用混合高斯背景建模算法消除背景,获取干扰运动前景图像,得到一个二值图像bt(x,y):
使用3*3的圆形核对图像bt(x,y)进行形态学开操作,去除噪音点,得到二值图像bt'(x,y)。
特别地,所述步骤B具体包括:
计算干扰运动前景的三通道RGB图像Rt(x,y),其中,Rt(x,y)=Ft(x,y)*bt'(x,y);
初始化共享高斯模型;
使用从视频流中取出的每一帧干扰运动前景图像更新共享高斯模型;
根据模型稳定性判断条件,判定是否终止共享高斯模型的更新。
特别地,所述步骤C具体包括:
让视频流中的所有像素点共享已学习的共享高斯模型;
使用混合高斯背景建模算法,获取包含干扰运动的前景与目标前景的图像;
使用共享高斯模型过滤干扰运动的前景图像,得到目标前景图像。
特别地,所述步骤D具体包括:
使用一个3*3的圆形核对目标前景图像,进行图形学腐蚀操作;
使用一个30*30的参考点为圆心的圆形核对经过腐蚀处理后的图像,进行膨胀操作;
计算目标物体的几何中心,绘制运动轨迹。
特别地,所述步骤B中初始化共享高斯模型,具体包括:
初始化一个100个高斯模型队列;令其初始均值mean都为[0,0,0],方差var都为[144,144,144]。
特别地,所述步骤B中使用从视频流中取出的每一帧干扰运动前景图像更新共享高斯模型,具体包括:
对于每一帧干扰运动前景图像Rt(x,y),依次取每一个前景像素点Pix;
如果Pix的RGB颜色表示不为[0,0,0],则判定为前景点;
依次从共享高斯模型队列中取出高斯模型Gaus,判断Pix是否处在其高斯分布中;
设Pix=[x1,x2,x3],模型均值Gaus(mu)=[m1,m2,m3],模型方差Gaus(var)=[v1,v2,v3],则Pix与当前高斯模型的均值差的平方和为:
diff=(x1-m1)2+(x2-m2)2+(x3-m3)2
如果
diff<1.5*(v1+v2,+v3)
则更新当前模型的均值与方差:
Gaus(mean)=(1-α)Gaus(mean)+α*Pix
Gaus(var)=(1-α)Gaus(var)+α*diff
0≤α≤1
高斯模型的方差的最小值为81,最大值为225,即:
如果Gaus(var)更新后,若:
Gaus(var)<81
则令
Gaus(var)=81
若:
Gaus(var)>225
则令
Gaus(var)=225
如果Pix不满足当前共享高斯模型队列中的任何高斯模型,在队列中新建高斯模型,其均值mean=Pix,方差var=[144,144,144];
但队列数最大为1000,当队列数最大时,找到已匹配像素点数最少的模型,将其均值mean赋为Pix,并将方差设置为[144,144,144]。
特别地,所述步骤B中根据模型稳定性判断条件,判定是否终止共享高斯模型的更新,具体包括:
如果连续10帧,所有干扰运动前景的像素点都被高斯模型队列匹配,即不增加新的高斯模型并不更换最少匹配数的模型时,则停止模型更新。
特别地,所述步骤C进一步包括:
让视频流中的所有像素点共享已学习的共享高斯模型:视频流中的每一个像素点都关联同一个根据干扰运动前景像素学习得到的高斯模型队列,即为共享高斯模型;
共享高斯模型学习完毕后,继续实时采集视频图像帧,并得到含有干扰运动以及目标物体的前景图像Gt(x,y);
对于每一帧干扰运动前景图像Gt(x,y),依次取每一个前景像素点FPix;
如果FPix的RGB颜色表示不为[0,0,0],则判定为前景点;
依次计算FPix与高斯模型队列中的每一个模型Gaus1,Gaus1......Gausn的均值差值的平方和FDiffi(1≤i≤n),模型方差为Gausi(var)=[vi1,vi2,vi3],如果存在
FDiffi≤vi1+vi2+vi3
则认为该像素属于干扰运动前景点,将FPix设为[0,0,0];
如果对所有的i
FDiffi>vi1+vi2+vi3
则认为该像素点为目标前景点;
使用上述方法,处理图像中的每一个像素点,得到目标前景图像Ot(x,y)。
特别地,所述步骤D中计算目标物体的几何中心,绘制运动轨迹具体包括:
使用轮廓寻找算法处理得到的目标前景图像,得到一个轮廓列表,取像素数最多的轮廓C作为目标前景图像轮廓,轮廓由依次相连的点集组成:
(x1,y1),(x2,y2)......,(xm,ym)
取轮廓C上所有像素点的几何中心作为目标物体的中心点(cx,cy),其中
cx=(x1+x2+...+xm)/m
cy=(y1+y2+...+ym)/m
实时采集视频图像帧,并经过上述步骤处理,得到按时间先后顺序的中心点序列C1,C2......C3;
实时跟踪记录物体轨迹,需要消除中心点序列中的噪音点:
每次计算得到一个新的中心点,都计算当前点与上一个中心点间的距离,直到寻找到第一个点Ck,使得最近连续三个点的距离都小于50,即:
|Ci-3Ci-2|≤50且|Ci-2Ci-1|≤50且|Ci-1Ck|≤50
假定满足以上条件的连续三点在正确的目标物体运动轨迹上,则当前点Ck为
已知的正确路径上最新一个点,对于后续中心点,如果:
|CkCk+1|>50
则认为该点为噪音点,丢弃,Ck保持为正确路径上的最新点;如果:
|CkCk+1|≤50
则认为该点为正确路径上的点,更新最近路径点;重复以上方法,后续生成点的噪音消除。
本发明提供的干扰运动环境下基于共享高斯模型的运动检测方法能对干扰运动进行实时建模,并将建立的高斯模型共享给视频流中每一帧图像的每一个点。当目标物体进入场景后,使用共享高斯模型过滤掉干扰运动,再对目标物体进行运动跟踪等其他需求处理,满足存在其他剧烈干扰运动前景的环境下,检测运动目标的需求。
附图说明
图1为本发明实施例提供的干扰运动环境下基于共享高斯模型的运动检测方法流程图;
图2为本发明实施例提供的共享高斯模型建模流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
请参照图1所示,图1为本发明实施例提供的干扰运动环境下基于共享高斯模型的运动检测方法流程图。
本实施例中干扰运动环境下基于共享高斯模型的运动检测方法具体包括如下步骤:
步骤S101、获取干扰运动前景,消除背景与噪音干扰。
实时采集RGB视频图像帧Ft(x,y),使用混合高斯背景建模算法消除背景,获取干扰运动前景图像,得到一个二值图像bt(x,y):
使用3*3的圆形核对图像bt(x,y)进行形态学开操作,去除噪音点,得到二值图像bt'(x,y)。
步骤S102、建立干扰运动前景的共享高斯模型。如图2所示,其具体过程如下:
计算干扰运动前景的三通道RGB图像Rt(x,y),其中,Rt(x,y)=Ft(x,y)*bt'(x,y)。
初始化共享高斯模型:初始化一个100个高斯模型队列(RGB颜色表示);令其初始均值mean都为[0,0,0],方差var都为[144,144,144]。
使用从视频流中取出的每一帧干扰运动前景图像更新共享高斯模型:对于每一帧干扰运动前景图像Rt(x,y),依次取每一个前景像素点Pix;
如果Pix的RGB颜色表示不为[0,0,0],则判定为前景点;
依次从共享高斯模型队列中取出高斯模型Gaus,判断Pix是否处在其高斯分布中;
设Pix=[x1,x2,x3],模型均值Gaus(mu)=[m1,m2,m3],模型方差Gaus(var)=[v1,v2,v3],则Pix与当前高斯模型的均值差的平方和为:
diff=(x1-m1)2+(x2-m2)2+(x3-m3)2
如果
diff<1.5*(v1+v2,+v3)
则更新当前模型的均值与方差:
Gaus(mean)=(1-α)Gaus(mean)+α*Pix
Gaus(var)=(1-α)Gaus(var)+α*diff
0≤α≤1
高斯模型的方差的最小值为81,最大值为225,即:
如果Gaus(var)更新后,若:
Gaus(var)<81
则令
Gaus(var)=81
若:
Gaus(var)>225
则令
Gaus(var)=225
如果Pix不满足当前共享高斯模型队列中的任何高斯模型,在队列中新建高斯模型,其均值mean=Pix,方差var=[144,144,144];
但队列数最大为1000,当队列数最大时,找到已匹配像素点数最少的模型,将其均值mean赋为Pix,并将方差设置为[144,144,144]。
根据模型稳定性判断条件,判定是否终止共享高斯模型的更新:如果连续10帧,所有干扰运动前景的像素点都被高斯模型队列匹配,即不增加新的高斯模型并不更换最少匹配数的模型时,则停止模型更新。
步骤S103、过滤干扰运动前景,消除对目标物体的干扰。
让视频流中的所有像素点共享已学习的共享高斯模型:视频流中的每一个像素点都关联同一个根据干扰运动前景像素学习得到的高斯模型队列,即为共享高斯模型。
共享高斯模型学习完毕后,继续实时采集视频图像帧,并得到含有干扰运动以及目标物体的前景图像Gt(x,y);
对于每一帧干扰运动前景图像Gt(x,y),依次取每一个前景像素点FPix;
如果FPix的RGB颜色表示不为[0,0,0],则判定为前景点;
依次计算FPix与高斯模型队列中的每一个模型Gaus1,Gaus1......Gausn的均值差值的平方和FDiffi(1≤i≤n),模型方差为Gausi(var)=[vi1,vi2,vi3],如果存在
FDiffi≤vi1+vi2+vi3
则认为该像素属于干扰运动前景点,将FPix设为[0,0,0];
如果对所有的i
FDiffi>vi1+vi2+vi3
则认为该像素点为目标前景点;
使用上述方法,处理图像中的每一个像素点,得到目标前景图像Ot(x,y)。
步骤S104、实时跟踪目标物体,绘制运动轨迹。
使用一个3*3的圆形核对目标前景图像,进行图形学腐蚀操作。
使用一个30*30的参考点为圆心的圆形核对经过腐蚀处理后的图像,进行膨胀操作。
计算目标物体的几何中心,绘制运动轨迹。
于本实施例,计算目标物体的几何中心,绘制运动轨迹,具体包括:
使用轮廓寻找算法处理得到的目标前景图像,得到一个轮廓列表,取像素数最多的轮廓C作为目标前景图像轮廓,轮廓由依次相连的点集组成:
(x1,y1),(x2,y2)......,(xm,ym)
取轮廓C上所有像素点的几何中心作为目标物体的中心点(cx,cy),其中
cx=(x1+x2+...+xm)/m
cy=(y1+y2+...+ym)/m
实时采集视频图像帧,并经过上述步骤处理,得到按时间先后顺序的中心点序列C1,C2......C3;
实时跟踪记录物体轨迹,需要消除中心点序列中的噪音点:
每次计算得到一个新的中心点,都计算当前点与上一个中心点间的距离,直到寻找到第一个点Ck,使得最近连续三个点的距离都小于50,即:
|Ci-3Ci-2|≤50且|Ci-2Ci-1|≤50且|Ci-1Ck|≤50
假定满足以上条件的连续三点在正确的目标物体运动轨迹上,则当前点Ck为已知的正确路径上最新一个点,对于后续中心点,如果:
|CkCk+1|>50
则认为该点为噪音点,丢弃,Ck保持为正确路径上的最新点;如果:
|CkCk+1|≤50
则认为该点为正确路径上的点,更新最近路径点;重复以上方法,后续生成点的噪音消除。
本发明的技术方案能对干扰运动进行实时建模,并将建立的高斯模型共享给视频流中每一帧图像的每一个点。当目标物体进入场景后,使用共享高斯模型过滤掉干扰运动,再对目标物体进行运动跟踪等其他需求处理,满足存在其他剧烈干扰运动前景的环境下,检测运动目标的需求。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种干扰运动环境下基于共享高斯模型的运动检测方法,其特征在于,包括如下步骤:
A、获取干扰运动前景,消除背景与噪音干扰;具体包括:实时采集RGB视频图像帧Ft(x,y),使用混合高斯背景建模算法消除背景,获取干扰运动前景图像,得到一个二值图像bt(x,y):
使用3*3的圆形核对图像bt(x,y)进行形态学开操作,去除噪音点,得到二值图像;
B、建立干扰运动前景的共享高斯模型;具体包括:计算干扰运动前景的三通道RGB图像Rt(x,y),其中,Rt(x,y0=Ft(x,y)*b′t(x,y);
初始化共享高斯模型:初始化一个100个高斯模型队列;令其初始均值mean都为[0,0,0],方差var都为[144,144,144];
使用从视频流中取出的每一帧干扰运动前景图像更新共享高斯模型:对于每一帧干扰运动前景图像Rt(x,y),依次取每一个前景像素点Pix;
如果Pix的RGB颜色表示不为[0,0,0],则判定为前景点;
依次从共享高斯模型队列中取出高斯模型Gaus,判断Pix是否处在其高斯分布中;
设Pix=[x1,x2,x3],模型均值Gaus(mu)=[m1,m2,m3],模型方差Gaus(var)=[v1,v2,v3],则Pix与当前高斯模型的均值差的平方和为:
diff=(x1-m1)2+(x2-m2)2+(x3-m3)2
如果
diff<1.5*(v1+v2,+v3)
则更新当前模型的均值与方差:
Gaus(mean)=(1-α)Gaus(mean)+α*Pix
Gaus(var)=(1-α)Gaus(var)+α*diff
0≤α≤1
高斯模型的方差的最小值为81,最大值为225,即:
如果Gaus(var)更新后,若:
Gaus(var)<81
则令
Gaus(var)=81
若:
Gaus(var)>225
则令
Gaus(var)=225
如果Pix不满足当前共享高斯模型队列中的任何高斯模型,在队列中新建高斯模型,其均值mean=Pix,方差var=[144,144,144];
但队列数最大为1000,当队列数最大时,找到已匹配像素点数最少的模型,将其均值mean赋为Pix,并将方差设置为[144,144,144];
根据模型稳定性判断条件,判定是否终止共享高斯模型的更新;
C、过滤干扰运动前景,消除对目标物体的干扰;具体包括:让视频流中的所有像素点共享已学习的共享高斯模型;
使用混合高斯背景建模算法,获取包含干扰运动的前景与目标前景的图像;
使用共享高斯模型过滤干扰运动的前景图像,得到目标前景图像;
D、实时跟踪目标物体,绘制运动轨迹;具体包括:使用一个3*3的圆形核对目标前景图像,进行图形学腐蚀操作;
使用一个30*30的参考点为圆心的圆形核对经过腐蚀处理后的图像,进行膨胀操作;
计算目标物体的几何中心,绘制运动轨迹。
2.根据权利要求1所述的干扰运动环境下基于共享高斯模型的运动检测方法,其特征在于,所述步骤B中根据模型稳定性判断条件,判定是否终止共享高斯模型的更新,具体包括:
如果连续10帧,所有干扰运动前景的像素点都被高斯模型队列匹配,即不增加新的高斯模型并不更换最少匹配数的模型时,则停止模型更新。
3.根据权利要求2所述的干扰运动环境下基于共享高斯模型的运动检测方法,其特征在于,所述步骤C进一步包括:
让视频流中的所有像素点共享已学习的共享高斯模型:视频流中的每一个像素点都关联同一个根据干扰运动前景像素学习得到的高斯模型队列,即为共享高斯模型;
共享高斯模型学习完毕后,继续实时采集视频图像帧,并得到含有干扰运动以及目标物体的前景图像Gt(x,y);
对于每一帧干扰运动前景图像Gt(x,y),依次取每一个前景像素点FPix;
如果FPix的RGB颜色表示不为[0,0,0],则判定为前景点;
依次计算FPix与高斯模型队列中的每一个模型Gaus1,Gaus1……Gausn的均值差值的平方和FDiffi(1≤i≤n),模型方差为Gausi(var)=[vi1,vi2,vi3],如果存在
FDiffi≤vi1+vi2+vi3
则认为该像素属于干扰运动前景点,将FPix设为[0,0,0];
如果对所有的i
FDiffi>vi1+vi2+vi3
则认为该像素点为目标前景点;
使用上述方法,处理图像中的每一个像素点,得到目标前景图像Ot(x,y)。
4.根据权利要求3所述的干扰运动环境下基于共享高斯模型的运动检测方法,其特征在于,所述步骤D中计算目标物体的几何中心,绘制运动轨迹,具体包括:
使用轮廓寻找算法处理得到的目标前景图像,得到一个轮廓列表,取像素数最多的轮廓C作为目标前景图像轮廓,轮廓由依次相连的点集组成:
(x1,y1),(x2,y2)……,(xm,ym)
取轮廓C上所有像素点的几何中心作为目标物体的中心点(cx,cy),其中
cx=(x1+x2+…+xm)/m
cy=(y1+y2+…+ym)/m
实时采集视频图像帧,并经过上述步骤处理,得到按时间先后顺序的中心点序列C1,C2……C3;
实时跟踪记录物体轨迹,需要消除中心点序列中的噪音点:
每次计算得到一个新的中心点,都计算当前点与上一个中心点间的距离,直到寻找到第一个点Ck,使得最近连续三个点的距离都小于50,即:
|Ci-3Ci-2|≤50且|Ci-2Ci-1|≤50且|Ci-1Ck|≤50
假定满足以上条件的连续三点在正确的目标物体运动轨迹上,则当前点Ck为已知的正确路径上最新一个点,对于后续中心点,如果:
|CkCk+1|>50
则认为该点为噪音点,丢弃,Ck保持为正确路径上的最新点;如果:
|CkCk+1|≤50
则认为该点为正确路径上的点,更新最近路径点;重复以上方法,后续生成点的噪音消除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310595061.2A CN103578121B (zh) | 2013-11-22 | 2013-11-22 | 干扰运动环境下基于共享高斯模型的运动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310595061.2A CN103578121B (zh) | 2013-11-22 | 2013-11-22 | 干扰运动环境下基于共享高斯模型的运动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103578121A CN103578121A (zh) | 2014-02-12 |
CN103578121B true CN103578121B (zh) | 2016-08-17 |
Family
ID=50049841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310595061.2A Expired - Fee Related CN103578121B (zh) | 2013-11-22 | 2013-11-22 | 干扰运动环境下基于共享高斯模型的运动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103578121B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062773B (zh) * | 2016-11-07 | 2021-05-28 | 深圳光启合众科技有限公司 | 图像处理方法和装置、机器人 |
CN106843054A (zh) * | 2017-02-23 | 2017-06-13 | 深圳市地铁集团有限公司 | 一种基于互联网的土木工程监测控制系统 |
CN106909736B (zh) * | 2017-02-24 | 2020-07-14 | 北京航天控制仪器研究所 | 一种扰动运动统计特性的解析计算方法 |
CN109344813B (zh) * | 2018-11-28 | 2023-11-28 | 北醒(北京)光子科技有限公司 | 一种基于rgbd的目标识别和场景建模方法 |
CN112639815A (zh) * | 2020-03-27 | 2021-04-09 | 深圳市大疆创新科技有限公司 | 目标跟踪方法、目标跟踪装置、可移动平台和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1984236A (zh) * | 2005-12-14 | 2007-06-20 | 浙江工业大学 | 一种交通流信息视频检测中的特征采集方法 |
CN101447082A (zh) * | 2008-12-05 | 2009-06-03 | 华中科技大学 | 一种运动目标实时检测方法 |
CN102087707A (zh) * | 2009-12-03 | 2011-06-08 | 索尼株式会社 | 图像处理设备和图像处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100568237B1 (ko) * | 2004-06-10 | 2006-04-07 | 삼성전자주식회사 | 비디오 영상으로부터 이동 물체를 추출하는 장치 및 방법 |
-
2013
- 2013-11-22 CN CN201310595061.2A patent/CN103578121B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1984236A (zh) * | 2005-12-14 | 2007-06-20 | 浙江工业大学 | 一种交通流信息视频检测中的特征采集方法 |
CN101447082A (zh) * | 2008-12-05 | 2009-06-03 | 华中科技大学 | 一种运动目标实时检测方法 |
CN102087707A (zh) * | 2009-12-03 | 2011-06-08 | 索尼株式会社 | 图像处理设备和图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103578121A (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN108537782B (zh) | 一种基于轮廓提取的建筑物图像匹配与融合的方法 | |
CN103578121B (zh) | 干扰运动环境下基于共享高斯模型的运动检测方法 | |
CN111161313B (zh) | 一种视频流中的多目标追踪方法及装置 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN103955949B (zh) | 基于Mean-shift算法的运动目标检测方法 | |
CN110910421B (zh) | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 | |
CN109035195A (zh) | 一种织物疵点检测方法 | |
CN111199556A (zh) | 基于摄像头的室内行人检测和跟踪方法 | |
CN105160649A (zh) | 基于核函数非监督聚类的多目标跟踪方法及系统 | |
CN107066963B (zh) | 一种自适应人群计数方法 | |
WO2023159985A1 (zh) | 一种基于视频检测技术的分拣中心异常行为的识别方法 | |
CN111598918B (zh) | 一种基于参考帧优选和前后景分离的视频稳像运动估计方法 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
CN107545550B (zh) | 细胞图像偏色校正方法 | |
CN115619826A (zh) | 一种基于重投影误差和深度估计的动态slam方法 | |
CN105139417A (zh) | 视频监控下的多目标实时跟踪方法 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN107123130A (zh) | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 | |
CN112364865A (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN110555377A (zh) | 一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法 | |
CN106023249A (zh) | 一种基于局部二值相似性模式的运动目标检测方法 | |
CN111161219B (zh) | 一种适用于阴影环境的鲁棒单目视觉slam方法 | |
CN114511803B (zh) | 一种面向视觉跟踪任务的目标遮挡检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 |
|
CF01 | Termination of patent right due to non-payment of annual fee |