CN105261033B - 一种基于深度图像或深度视频序列的实时跟踪目标的计算方法 - Google Patents
一种基于深度图像或深度视频序列的实时跟踪目标的计算方法 Download PDFInfo
- Publication number
- CN105261033B CN105261033B CN201510585955.2A CN201510585955A CN105261033B CN 105261033 B CN105261033 B CN 105261033B CN 201510585955 A CN201510585955 A CN 201510585955A CN 105261033 B CN105261033 B CN 105261033B
- Authority
- CN
- China
- Prior art keywords
- sigma
- formula
- target
- sample
- overbar
- 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
- 238000000205 computational method Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 69
- 238000012360 testing method Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 5
- 230000003416 augmentation Effects 0.000 abstract description 2
- 230000007423 decrease Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度图像或深度视频序列的实时跟踪目标的计算方法,本发明包括预处理深度图像、搜索跟踪目标、实时更新跟踪模板;搜索跟踪目标过程分为粗略搜索和精细搜索两个阶段,减少了样本的数目,进而提高算法的运行速度。本发明使用深度图像进行目标跟踪,能在保护跟踪目标隐私的同时,实时跟踪目标,对光照、遮挡及复杂背景等因素具有较强的鲁棒性。本发明实时更新跟踪模板提高了跟踪的准确性,在跟踪目标的匹配值较低时,本发明不更新跟踪模板并对下一帧图像扩大搜索范围,避免了跟踪目标移动过快或变化过大造成的目标丢失。
Description
技术领域
本发明涉及一种基于深度图像或深度视频序列的实时跟踪目标的计算方法,属计算机视觉领域。
背景技术
在彩色图像的实时目标跟踪技术中,跟踪效果往往受光照、遮挡及复杂背景等因素的干扰,跟踪性能大受影响。因此,目标跟踪仍然是个具有挑战性的问题。
获取深度图像或深度视频序列的设备主要有双目视觉摄像机、激光扫描仪、Kinect设备等。其中,Kinect是微软在2010年6月14日对XBOX360体感周边外设正式发布的名字,是一种3D体感摄影机(开发代号“Project Natal”),同时它导入了即时动态捕捉、影像辨识、麦克风输入、语音辨识、社群互动等功能。随着Kinect的推出,通过Kinect采集的深度信息可不受场景光照和阴影的影响,为跟踪领域的研究提供了新的契机。
现有的实时目标跟踪算法中存在跟踪不准确、运算速度慢、目标移动过快或变化过大造成目标丢失、执行效率低等缺点。
发明内容
针对现有技术的不足,本发明提供了一种基于深度图像或深度视频序列的实时跟踪目标的计算方法;
该算法大致分为三步:(1)预处理深度图像,包括腐蚀、膨胀、边缘提取、距离变换等;(2)利用粗搜索到精搜索的搜索方法,确定预处理后的深度图像中跟踪目标的位置;(3)实时更新跟踪模板。在该部分的研究中,常用的技术为模板匹配,加权平均等。
术语解释:
求补:将图像进行取反。
腐蚀:利用一定尺寸的模版对图像进行与操作。
膨胀:利用一定尺寸的模版对图像进行或操作。
填充:在图像上利用紧邻像素恢复像素的缺失值。
重构:在对图像进行膨胀腐蚀操作后,基于原图像的图像恢复操作。
边缘提取:在图像上利用不同的边缘算子提取图像的边缘信息。
距离变换:在图像上计算任意点到目标点的距离。
归一化:在图像上通过数学关系式,使数据分布在一定区间范围内。
本发明的技术方案为:
一种基于深度图像或深度视频序列的实时跟踪目标的计算方法,具体步骤包括:
(1)采集深度图像,并对采集的深度图像进行预处理,所述预处理包括依次进行求补、腐蚀、膨胀、填充、重构、边缘提取、距离变换、归一化;
由于环境噪声和设备噪声的存在,深度图像的质量不理想,所以需要对获取的深度图像进行预处理。
(2)在第1帧深度图像中,手动标记初始跟踪目标A1;在初始跟踪目标A1附近取若干个训练样本X1t,训练样本X1t中心点的选取方法为:在以初始跟踪目标A1为圆心、(1-20)个像素点为半径的圆内随机取若干个像素点;在远离初始跟踪目标A1处取若干个训练样本Y1j,训练样本Y1j中心点的选取方法为:在以初始跟踪目标A1为圆心、(20-100)像素点为内半径、(40-150)个像素点为外半径的圆环内随机取若干个像素点;任一训练样本X1t、任一训练样本Y1j均与初始跟踪目标A1大小相同;训练样本B1i包括所有的训练样本X1t及所有的训练样本Y1j,i=t+j,将每一个训练样本B1i分别与初始跟踪目标A1进行模板匹配并分类,模式匹配并分类公式如式(Ⅰ)所示:
式(Ⅰ)中,C1i为第一帧深度图像中初始跟踪目标A1与训练样本B1i的匹配值,为A1的均值,为B1i的均值,为B1i的矩阵,m为的行,n为的列;为A1的矩阵,m为的行,n为的列;
当C1i的值大于阈值S时,训练样本B1i属于正样本,S的取值范围为(0.4-0.8),否则,属于负样本;
分类完毕后,将获取的所有正样本加权平均,得到S1,并与初始跟踪目标A1加权,加权公式如式(Ⅱ)所示,得到第1帧图像的跟踪模板;
T1=α1×S1+α2×A1 (Ⅱ)
式(Ⅱ)中,T1为第1帧图像的跟踪模板;α1+α2=1,α1的取值范围为(0.5-0.8);
(3)设定步骤(1)获取o帧深度图像,p=2,2≤p≤o,执行以下步骤:
A、在第p帧深度图像中,对应第p-1帧图像中Ap-1的相同位置为中心、(30-100)个像素点为半径、(5-10)个像素点为步长的圆内获取测试样本Dpl的中心,测试样本Dpl与跟踪模板Tp-1大小相同;将测试样本Dpl与Tp-1进行模板匹配,模板匹配公式如式(Ⅲ)所示:
式(Ⅲ)中,C′pl为第p帧深度图像中测试样本Dpl与跟踪模板Tp-1的匹配值,为Tp-1的均值,为Dpl的均值,为矩阵,m为的行,n为的列;为矩阵,m为的行,n为的列;l为正整数;
选出通过公式(Ⅲ)求取的最大的匹配值对应的测试样本,以最大的匹配值对应的测试样本位置为中心、(5-10)个像素点为半径、1个像素点为步长的圆内取测试样本D′pl的中心,将测试样本D′pl与Tp-1进行模板匹配,模板匹配公式如式(Ⅳ)所示:
式(Ⅳ)中,C″pl为第p帧深度图像中测试样本D′pl与跟踪模板Tp-1的匹配值,为Tp-1的均值,为D′pl的均值,为矩阵,m为的行,n为的列;为矩阵,m为的行,n为的列;
选出通过公式(Ⅳ)求取的最大的匹配值对应的测试样本即第p帧深度图像的跟踪目标Ap;
判断通过公式(Ⅳ)求取的最大的匹配值是否大于阈值S,S的取值范围为(0.4-0.8),如果大于,则进入步骤B,否则,Tp=Tp-1;Tp为第p帧图像的跟踪模板,进入步骤C;
B、在跟踪目标Ap附近取若干个训练样本Xpt,训练样本Xpt中心点的选取方法为:在以跟踪目标Ap为圆心、(1-20)个像素点为半径的圆内随机取若干个像素点;在远离跟踪目标Ap处取若干个训练样本Ypj,训练样本Ypj中心点的选取方法为:在以跟踪目标Ap为圆心、(20-100)像素点为内半径、(40-150)个像素点为外半径的圆环内随机取若干个像素点;任一训练样本Xpt、任一训练样本Ypj均与跟踪目标Ap大小相同;训练样本Bpi包括所有的训练样本Xpt及所有的训练样本Ypj,i=t+j,将每一个训练样本Bpi分别与跟踪模板Tp-1进行模板匹配并分类,模式匹配并分类公式如式(Ⅴ)所示:
式(Ⅴ)中,Cpi为第p帧深度图像中每一个训练样本Bpi与跟踪模板Tp-1的匹配值,为Tp-1的均值,为Bpi的均值,为矩阵,m为的行,n为的列;为矩阵,m为的行,n为的列;
当Cpi的值大于阈值S时,训练样本Bpi属于正样本,S的取值范围为(0.4-0.8),否则,属于负样本;
分类完毕后,将获取的所有正样本加权平均,得到Sp,并与初始跟踪目标A1加权,加权公式如式(Ⅵ)所示,得到第p帧图像的跟踪模板;
Tp=α1×Sp+α2×A1 (Ⅵ)
式(Ⅵ)中,Tp为第p帧图像的跟踪模板;
C、判断p是否等于o,如果是,结束,否则,p加1,进入步骤A。
根据本发明优选的,所述距离变换采用欧氏距离变换,欧氏距离变换公式如式(Ⅶ)所示:
式(Ⅶ)中,D为两点之间的欧氏距离,(x1,y1)为独立的像素点,(x2,y2)为离(x1,y1)最近的非零像素点。
根据本发明优选的,步骤A中,如果通过公式(Ⅳ)求取的最大的匹配值不大于阈值S,Tp=Tp-1,Tp为第p帧图像的跟踪模板,进入步骤C,并在搜索下一帧图像的跟踪目标时扩大测试样本Dpl中心点的选取范围,其选取范围的半径可扩大(1-50)个像素点。
本发明的有益效果为:
1、本发明所述方法应用于深度图像,能在保护跟踪目标隐私的同时,实时跟踪目标。
2、由于深度图像不受场景光照、阴影等复杂背景的影响,因此,本发明对光照、阴影等复杂背景有很强的鲁棒性,并且实验表明,本发明对遮挡有较强的鲁棒性;
3、本发明执行效率高,在预测跟踪目标时,本发明提出的方法采用了粗搜索到精搜索的搜索方法,减少了测试样本的数目,提高了算法的运行速度;
4、本发明具有较高的跟踪准确度,在跟踪目标的匹配值较低时,本发明不更新跟踪模板并对下一帧图像扩大搜索范围,避免了跟踪目标移动过快或变化过大造成的目标丢失。
具体实施方式
下面结合实施例对本发明作进一步限定,但不限于此。
实施例1
一种基于深度图像或深度视频序列的实时跟踪目标的计算方法,具体步骤包括:
(1)采集深度图像,并对采集的深度图像进行预处理,所述预处理包括依次进行求补、腐蚀、膨胀、填充、重构、边缘提取、距离变换、归一化;
由于环境噪声和设备噪声的存在,深度图像的质量不理想,所以需要对获取的深度图像进行预处理。
(2)在第1帧深度图像中,手动标记初始跟踪目标A1;在初始跟踪目标A1附近取若干个训练样本X1t,训练样本X1t中心点的选取方法为:在以初始跟踪目标A1为圆心、10个像素点为半径的圆内随机取20个像素点;在远离初始跟踪目标A1处取若干个训练样本Y1j,训练样本Y1j中心点的选取方法为:在以初始跟踪目标A1为圆心、30像素点为内半径、50个像素点为外半径的圆环内随机取20个像素点;任一训练样本X1t、任一训练样本Y1j均与初始跟踪目标A1大小相同;训练样本B1i包括所有的训练样本X1t及所有的训练样本Y1j,i=t+j,将每一个训练样本B1i分别与初始跟踪目标A1进行模板匹配并分类,模式匹配并分类公式如式(Ⅰ)所示:
式(Ⅰ)中,C1i为第一帧深度图像中初始跟踪目标A1与训练样本B1i的匹配值,为A1的均值,为B1i的均值,为B1i的矩阵,m为的行,n为的列;为A1的矩阵,m为的行,n为的列;
当C1i的值大于阈值S时,训练样本B1i属于正样本,S的取值为0.6,否则,属于负样本;
分类完毕后,将获取的所有正样本加权平均,得到S1,并与初始跟踪目标A1加权,加权公式如式(Ⅱ)所示,得到第1帧图像的跟踪模板;
T1=α1×S1+α2×A1 (Ⅱ)
式(Ⅱ)中,T1为第1帧图像的跟踪模板;α1=0.7,α2=0.3;
(3)设定步骤(1)获取o帧深度图像,p=2,2≤p≤o,执行以下步骤:
A、在第p帧深度图像中,对应第p-1帧图像中Ap-1的相同位置为中心、50个像素点为半径、5个像素点为步长的圆内获取测试样本Dpl的中心,测试样本Dpl与跟踪模板Tp-1大小相同;将测试样本Dpl与Tp-1进行模板匹配,模板匹配公式如式(Ⅲ)所示:
式(Ⅲ)中,C′pl为第p帧深度图像中测试样本Dpl与跟踪模板Tp-1的匹配值,为Tp-1的均值,为Dpl的均值,为矩阵,m为的行,n为的列;为矩阵,m为的行,n为的列;
选出通过公式(Ⅲ)求取的最大的匹配值对应的测试样本,以最大的匹配值对应的测试样本位置为中心、5个像素点为半径、1个像素点为步长的圆内取测试样本D′pl的中心,将测试样本D′pl与Tp-1进行模板匹配,模板匹配公式如式(Ⅳ)所示:
式(Ⅳ)中,C″pl为第p帧深度图像中测试样本D′pl与跟踪模板Tp-1的匹配值,为Tp-1的均值,为D′pl的均值,为矩阵,m为的行,n为的列;为矩阵,m为的行,n为的列;
选出通过公式(Ⅳ)求取的最大的匹配值对应的测试样本即第p帧深度图像的跟踪目标Ap;
判断通过公式(Ⅳ)求取的最大的匹配值是否大于阈值S,S的取值为0.6,如果大于,则进入步骤B,否则,Tp=Tp-1;Tp为第p帧图像的跟踪模板,进入步骤C;
B、在跟踪目标Ap附近取20个训练样本Xpt,训练样本Xpt中心点的选取方法为:在以跟踪目标Ap为圆心、10个像素点为半径的圆内随机取20个像素点;在远离跟踪目标Ap处取20个训练样本Ypj,训练样本Ypj中心点的选取方法为:在以跟踪目标Ap为圆心、30像素点为内半径、50个像素点为外半径的圆环内随机取20个像素点;任一训练样本Xpt、任一训练样本Ypj均与跟踪目标Ap大小相同;训练样本Bpi包括所有的训练样本Xpt及所有的训练样本Ypj,i=t+j,将每一个训练样本Bpi分别与跟踪模板Tp-1进行模板匹配并分类,模式匹配并分类公式如式(Ⅴ)所示:
式(Ⅴ)中,Cpi为第p帧深度图像中每一个训练样本Bpi与跟踪模板Tp-1的匹配值,为Tp-1的均值,为Bpi的均值,为矩阵,m为的行,n为的列;为矩阵,m为的行,n为的列;
当Cpi的值大于阈值S时,训练样本Bpi属于正样本,S的取值为0.6,否则,属于负样本;
分类完毕后,将获取的所有正样本加权平均,得到Sp,并与初始跟踪目标A1加权,加权公式如式(Ⅵ)所示,得到第p帧图像的跟踪模板;
Tp=α1×Sp+α2×A1 (Ⅵ)
式(Ⅵ)中,Tp为第p帧图像的跟踪模板;α1=0.7,α2=0.3;
C、判断p是否等于o,如果是,结束,否则,p加1,进入步骤A。
实施例2
根据实施例1所述的一种基于深度图像或深度视频序列的实时跟踪目标的计算方法,其区别在于,所述距离变换采用欧氏距离变换,欧氏距离变换公式如式(Ⅶ)所示:
式(Ⅶ)中,D为两点之间的欧氏距离,(x1,y1)为独立的像素点,(x2,y2)为离(x1,y1)最近的非零像素点。
实施例3
根据实施例1所述的一种基于深度图像或深度视频序列的实时跟踪目标的计算方法,其区别在于,步骤A中,如果通过公式(Ⅳ)求取的最大的匹配值不大于阈值S,Tp=Tp-1,Tp为第p帧图像的跟踪模板,进入步骤C,并在搜索下一帧图像的跟踪目标时扩大测试样本Dpl中心点的选取范围,其选取范围的半径可扩大(1-50)个像素点。
Claims (3)
1.一种基于深度图像或深度视频序列的实时跟踪目标的计算方法,其特征在于,具体步骤包括:
(1)采集深度图像,并对采集的深度图像进行预处理,所述预处理包括依次进行求补、腐蚀、膨胀、填充、重构、边缘提取、距离变换、归一化;
(2)在第1帧深度图像中,手动标记初始跟踪目标A1;在初始跟踪目标A1附近取若干个训练样本X1t,训练样本X1t中心点的选取方法为:在以初始跟踪目标A1为圆心、1-20个像素点为半径的圆内随机取若干个像素点;在远离初始跟踪目标A1处取若干个训练样本Y1j,训练样本Y1j中心点的选取方法为:在以初始跟踪目标A1为圆心、20-100个像素点为内半径、40-150个像素点为外半径的圆环内随机取若干个像素点;任一训练样本X1t、任一训练样本Y1j均与初始跟踪目标A1大小相同;训练样本B1i包括所有的训练样本X1t及所有的训练样本Y1j,i=t+j,将每一个训练样本B1i分别与初始跟踪目标A1进行模板匹配并分类,模式匹配并分类公式如式(I)所示:
式(I)中,C1i为第一帧深度图像中初始跟踪目标A1与训练样本B1i的匹配值,为A1的均值,为B1i的均值,为A1的矩阵,m为的行,n为的列;为B1i的矩阵,m1为的行,n1为的列;
当C1i的值大于阈值S时,训练样本B1i属于正样本,S的取值范围为0.4-0.8,否则,属于负样本;
分类完毕后,将获取的所有正样本加权平均,得到S1,并与初始跟踪目标A1加权,加权公式如式(II)所示,得到第1帧图像的跟踪模板;
T1=α1×S1+α2×A1 (II)
式(II)中,T1为第1帧图像的跟踪模板;α1+α2=1,α1的取值范围为0.5-0.8;
(3)设定步骤(1)获取o帧深度图像,p=2,执行以下步骤:
A、在第p帧深度图像中,对应第p-1帧图像中Ap-1的相同位置为中心、30-100个像素点为半径、5-10个像素点为步长的圆内获取测试样本Dpl的中心,测试样本Dpl与跟踪模板Tp-1大小相同;将测试样本Dpl与Tp-1进行模板匹配,模板匹配公式如式(III)所示:
式(III)中,C′pl为第p帧深度图像中测试样本Dpl与跟踪模板Tp-1的匹配值,为Tp-1的均值,为Dpl的均值,为矩阵,m2为的行,n2为的列;为矩阵,m3为的行,n3为的列;l为正整数;
选出通过公式(III)求取的最大的匹配值对应的测试样本,以最大的匹配值对应的测试样本位置为中心、5-10个像素点为半径、1个像素点为步长的圆内取测试样本D′pl的中心,将测试样本D′pl与Tp-1进行模板匹配,模板匹配公式如式(IV)所示:
式(IV)中,C″pl为第p帧深度图像中测试样本D′pl与跟踪模板Tp-1的匹配值,为Tp-1的均值,为D′pl的均值,为矩阵,m4为的行,n4为的列;
选出通过公式(IV)求取的最大的匹配值对应的测试样本即第p帧深度图像的跟踪目标Ap;
判断通过公式(IV)求取的最大的匹配值是否大于阈值S,S的取值范围为0.4-0.8,如果大于,则进入步骤B,否则,Tp=Tp-1;Tp为第p帧图像的跟踪模板,进入步骤C;
B、在跟踪目标Ap附近取若干个训练样本Xpt,训练样本Xpt中心点的选取方法为:在以跟踪目标Ap为圆心、1-20个像素点为半径的圆内随机取若干个像素点;在远离跟踪目标Ap处取若干个训练样本Ypj,训练样本Ynj中心点的选取方法为:在以跟踪目标Ap为圆心、20-100个像素点为内半径、40-150个像素点为外半径的圆环内随机取若干个像素点;任一训练样本Xpt、任一训练样本Ypj均与跟踪目标Ap大小相同;训练样本Bpi包括所有的训练样本Xpt及所有的训练样本Ypj,i=t+j,将每一个训练样本Bpi分别与跟踪模板Tp-1进行模板匹配并分类,模式匹配并分类公式如式(Ⅴ)所示:
式(Ⅴ)中,Cpi为第p帧深度图像中每一个训练样本Bpi与跟踪模板Tp-1的匹配值,为Tp-1的均值,为Bpi的均值,为矩阵,m5为的行,n5为的列;
当Cpi的值大于阈值S时,训练样本Bpi属于正样本,S的取值范围为0.4-0.8,否则,属于负样本;
分类完毕后,将获取的所有正样本加权平均,得到Sp,并与初始跟踪目标A1加权,加权公式如式(VI)所示,得到第p帧图像的跟踪模板;
Tp=α1×Sp+α2×A1 (VI)
式(VI)中,Tp为第p帧图像的跟踪模板;
C、判断p是否等于o,如果是,结束,否则,p加1,进入步骤A。
2.根据权利要求1所述的一种基于深度图像或深度视频序列的实时跟踪目标的计算方法,其特征在于,所述距离变换采用欧氏距离变换,欧氏距离变换公式如式(VII)所示:
式(VII)中,D为两点之间的欧氏距离,(x1,y1)为独立的像素点,(x2,y2)为离(x1,y1)最近的非零像素点。
3.根据权利要求1或2所述的一种基于深度图像或深度视频序列的实时跟踪目标的计算方法,其特征在于,步骤A中,如果通过公式(IV)求取的最大的匹配值不大于阈值S,Tp=Tp-1,Tp为第p帧图像的跟踪模板,进入步骤C,并在搜索下一帧图像的跟踪目标时扩大测试样本Dpl中心点的选取范围,其选取范围的半径可扩大1-50个像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510585955.2A CN105261033B (zh) | 2015-09-15 | 2015-09-15 | 一种基于深度图像或深度视频序列的实时跟踪目标的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510585955.2A CN105261033B (zh) | 2015-09-15 | 2015-09-15 | 一种基于深度图像或深度视频序列的实时跟踪目标的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105261033A CN105261033A (zh) | 2016-01-20 |
CN105261033B true CN105261033B (zh) | 2016-08-31 |
Family
ID=55100704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510585955.2A Expired - Fee Related CN105261033B (zh) | 2015-09-15 | 2015-09-15 | 一种基于深度图像或深度视频序列的实时跟踪目标的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261033B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920252B (zh) * | 2016-06-24 | 2020-07-03 | 阿里巴巴集团控股有限公司 | 一种图像数据处理方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063725B (zh) * | 2010-12-30 | 2013-05-08 | Tcl集团股份有限公司 | 一种基于深度信息的多目标跟踪方法 |
CN102867311B (zh) * | 2011-07-07 | 2015-11-25 | 株式会社理光 | 目标跟踪方法和目标跟踪设备 |
-
2015
- 2015-09-15 CN CN201510585955.2A patent/CN105261033B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN105261033A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN109919977A (zh) | 一种基于时间特征的视频运动人物跟踪与身份识别方法 | |
Ringwald et al. | UAV-Net: A fast aerial vehicle detector for mobile platforms | |
CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
CN103593679A (zh) | 一种基于在线机器学习的视觉人手跟踪方法 | |
US11361534B2 (en) | Method for glass detection in real scenes | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
CN113763424B (zh) | 基于嵌入式平台的实时智能目标检测方法及系统 | |
CN103593856A (zh) | 单目标跟踪方法及系统 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
CN111563404B (zh) | 用于基于视频的人再识别的全局局部时间表示方法 | |
CN106295532A (zh) | 一种视频图像中的人体动作识别方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN113158891B (zh) | 一种基于全局特征匹配的跨摄像头行人重识别方法 | |
CN104537356A (zh) | 利用瑞士轮排序进行步态识别的行人再标识方法和装置 | |
CN101216943A (zh) | 一种视频运动目标分割的方法 | |
CN102663777A (zh) | 基于多视点视频的目标跟踪方法及系统 | |
CN110569764B (zh) | 一种基于卷积神经网络的手机型号识别方法 | |
CN103577804A (zh) | 基于sift流和隐条件随机场的人群异常行为识别方法 | |
CN103218829B (zh) | 一种适应于动态背景的前景提取方法 | |
Vora et al. | Bringing generalization to deep multi-view pedestrian detection | |
CN105261033B (zh) | 一种基于深度图像或深度视频序列的实时跟踪目标的计算方法 |
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: 20160831 |
|
CF01 | Termination of patent right due to non-payment of annual fee |