CN105741321A - 基于跟踪点分布的视频目标运动趋势分析方法 - Google Patents
基于跟踪点分布的视频目标运动趋势分析方法 Download PDFInfo
- Publication number
- CN105741321A CN105741321A CN201610070935.6A CN201610070935A CN105741321A CN 105741321 A CN105741321 A CN 105741321A CN 201610070935 A CN201610070935 A CN 201610070935A CN 105741321 A CN105741321 A CN 105741321A
- Authority
- CN
- China
- Prior art keywords
- coordinate
- point
- target
- trendline
- movement tendency
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于跟踪点分布的目标运动趋势分析方法。该方法中,用户选择视频中需要跟踪的目标,然后使用基于跟踪点分布的目标运动趋势分析方法对视频中的目标的运动趋势进行判定,经过跟踪点当前位置与历史位置分析,最终输出运动趋势线。本发明根据多个跟踪点的历史位置以及当前帧的位置,对目标运动的趋势进行预测。通过历史信息与当前帧信息的结合以及对离群点的分析与过滤,本发明能适应部分跟踪点丢失、跟错等异常情况。对视频中噪声鲁棒性较强,在具有噪声的情况下,也能输出较为准确的目标运动趋势线。
Description
技术领域
本发明一般涉及计算机视觉领域,具体涉及基于跟踪点分布的视频目标运动趋势分析方法。
背景技术
随着信息技术的发展,计算机已经能帮助人们对视频中的目标进行跟踪与分析,这一技术出现以后,已经应用在公共安全、医学、航天等多个领域。视频中目标的运动趋势的判定是轨迹分析的一个重要方向,也是人们常常需要用到的,目前的运动趋势分析虽然能在视频噪声较少的情况下得到正确的运动趋势,然而对复杂环境下的视频的运动趋势分析存在的需要目前难以解决的问题:(1)鲁棒性差:现有方法往往假设视频中目标跟踪结果是准确的,但在噪声较多的视频中,难以保证跟踪结果完全准确,现有方法对运动趋势的判定受到跟踪结果误差的影响;(2)输出运动趋势不稳定:现有方法在视频的开始即对目标的运动趋势进行判定,若目标在原地抖动,则会出现趋势线大幅度无规律的摆动,对用户产生较大干扰;
基于跟踪点分布的视频目标运动趋势分析方法除了可以克服现有技术存在的缺陷外,还具有跟踪信息利用率高、对目标运动速度变化程度不敏感等特点。该技术将在医学影像分析,如穿刺辅助,客流分析、公共安全及其它领域中显示出其良好的应用前景。
发明内容
本发明针对现有视频运动目标趋势判定技术的不足,提供了基于跟踪点分布的视频目标运动趋势分析方法。本发明的目的在于使用计算机视觉技术解决在噪声较多的视频中目标运动趋势的准确判定问题,克服现有的运动趋势分析技术的缺陷,提供一个可靠的、实时的目标运动趋势分析方案,具体技术方案如下。
基于跟踪点分布的视频目标运动趋势分析方法,包括以下步骤:
(a)从本地磁盘读入一个视频文件;
(b)用户在视频中选择需要跟踪并判定运动趋势的目标;
(c)对步骤(b)中选择的目标进行特征点跟踪;
(d)根据步骤(c)中得到的多个特征点的位置,对特征点的当前位置分布进行分析;
(e)计算步骤(c)中得到的多个特征点的位置,对特征点的历史位置分布进行分析;
(f)根据步骤(d)、(e)的结果,更新趋势线;
(g)在视频中绘制趋势线。
上述基于跟踪点分布的视频目标运动趋势分析方法中,步骤(c)使用Kanade-Lucas-Tomasi方法对用户选择的目标进行特征点提取与点的跟踪。
上述基于跟踪点分布的视频目标运动趋势分析方法中,步骤(d)包括以下步骤:
(d-1)根据步骤(c)得到的跟踪目标的多个特征点的位置,计算两两特征点之间的欧氏距离;
(d-2)计算步骤(d-1)中欧氏距离的最大值;
(d-3)若步骤(d-2)得到的最大值小于最大形变阈值,则当前帧目标特征点分布信息不足,当前帧跟踪点分析不输出趋势线,步骤(d)结束;若步骤(d-2)得到的最大值大于或等于最大形变阈值,则进行步骤(d-4)-(d-7),其中最大形变阈值t=2·r,式中r为用户框选目标矩形框对角线的长度;
(d-4)对当前帧的特征点x坐标与y坐标的极差,极差较大的坐标作为感兴趣坐标,在感兴趣坐标方向,等间距分为Ns段,计算落入各段特征点坐标的均值,得到Ns个重采样坐标,其中Ns取10;
(d-5)计算步骤(d-4)得到的重采样坐标中的与第个邻近的4个坐标构成的直线与竖直方向的夹角的均值
(d-6)计算步骤(d-4)得到的各重采样坐标与第个重采样坐标的构成的直线与竖直方向的夹角,并其计算与步骤(d-5)得到的的差的绝对值,若该值大于30°,则去除该点;
(d-7)对(d-6)中未被去除的点,使用最小二乘法拟合趋势线。
上述基于跟踪点分布的视频目标运动趋势分析方法中,步骤(e)包括以下步骤:
(e-1)根据步骤(c)得到的跟踪目标的多个特征点的位置,计算特征点x坐标与y坐标的均值,得到目标在当前帧的中心;
(e-2)将步骤(e-1)得到的中心位置的写入目标历史位置队列中,其中目标历史位置队列长度为200帧,即只保存目标最近200帧的目标中心的位置;
(e-3)若目标历史位置队列中,队首与队尾点的欧氏距离小于最小移动阈值,则历史信息不足以判定运动趋势,历史帧跟踪点分析不输出趋势线,步骤(e)结束;若目标历史位置队列中,队首与队尾点的欧氏距离大于或等于最小移动阈值,则进行步骤(e-4)-(e-7),其中最小移动阈值t=3·r,式中r为用户框选目标矩形框对角线的长度;
(e-4)计算目标历史位置队列中各点x坐标与y坐标的极差,极差较大的坐标作为感兴趣坐标,在感兴趣坐标方向,等间距分为Ns段,计算落入各段特征点坐标的均值,得到Ns个重采样坐标;
(e-5)计算步骤(e-4)得到的重采样坐标中的与第个邻近的4个坐标构成的直线与竖直方向的夹角的均值
(e-6)计算步骤(e-4)得到的各重采样坐标与第个重采样坐标的构成的直线与竖直方向的夹角,并其计算与步骤(e-5)得到的的差的绝对值,若该值大于30°,则去除该点;
(e-7)对(e-6)中未被去除的点,使用最小二乘法拟合趋势线。
上述基于跟踪点分布的视频目标运动趋势分析方法中,步骤(f)选择策略为:若趋势线未被绘制,则优先选择历史帧跟踪点分析得到的趋势线,当历史帧跟踪点分析没有输出趋势线时,选用当前帧跟踪点分析得到的趋势线,若两者均无输出则不输出趋势线;若趋势线已经绘制,则仅在当前帧跟踪点分析有输出新的趋势线时,更新趋势线,若当前帧跟踪点分析无输出时,则保持现有趋势线斜率,并使得趋势线过目标历史位置队列最后一个坐标。
本发明对输入视频中的目标的运动轨迹进行分析并判定其运动趋势,本发明通过特征点的当前与历史位置分布进行分析,实现了基于不同信息的运动趋势预测,提高了运动趋势分析的鲁棒性;其中在当前位置分布分析时利用了部分跟踪错误的特征点位置信息,提高容错能力;通过对目标运动状态的判断,避免了目标原地抖动时趋势线无规律摆动的问题;通过对趋势线的选择与更新,提高趋势线的准确性,最后输出结果。
与现有技术相比,本发明具有如下优点和技术效果:
相对于现有运动趋势分析技术本发明克服了鲁棒性差、输出不稳定等缺点,并具有跟踪信息利用率高、对目标运动速度变化程度不敏感等特点。本发明采用Kanade-Lucas-Tomasi方法对目标进行特征点的提取与跟踪,对特征点的当前与历史位置分布进行分析以及趋势线的选择与更新,使得本发明能容忍部分特征点跟错跟丢的情况,对适应于具有一定噪声的视频。
附图说明
图1为实施方式中基于跟踪点分布的视频目标运动趋势分析方法的流程图。
具体实施方式
以下结合附图对本发明的实施方式作进一步说明,但本发明的实施不限于此,需指出的是,以下若有未特别详细说明之过程,均是本领域技术人员可参照现有技术实现的。
如图1,基于跟踪点分布的视频目标运动趋势分析方法的主要流程包括以下步骤:
(a)从本地磁盘读入一个视频文件;
(b)用户在视频中选择需要跟踪并判定运动趋势的目标;
(c)对步骤(b)中选择的目标进行特征点跟踪;
(d)根据步骤(c)中得到的多个特征点的位置,对特征点的当前位置分布进行分析;
(e)计算步骤(c)中得到的多个特征点的位置,对特征点的历史位置分布进行分析;
(f)根据步骤(d)、(e)的结果,更新趋势线;
(g)在视频中绘制趋势线。
上述步骤(c)使用Kanade-Lucas-Tomasi方法对用户选择的目标进行特征点提取与点的跟踪。其中特征点使用最小特征值角点检测方法获取。
上述步骤(d)包括以下步骤:
(d-1)根据步骤(c)得到的跟踪目标的多个特征点的位置,计算两两特征点之间的欧氏距离;
(d-2)计算步骤(d-1)中欧氏距离的最大值;
(d-3)若步骤(d-2)得到的最大值小于最大形变阈值,则当前帧目标特征点分布信息不足,当前帧跟踪点分析不输出趋势线,步骤(d)结束;若步骤(d-2)得到的最大值大于或等于最大形变阈值,则进行步骤(d-4)-(d-7),其中最大形变阈值t=2·r,式中r为步骤(b)中用户框选目标矩形框对角线的长度;
(d-4)计算当前帧的特征点x坐标与y坐标的极差,极差较大的坐标作为感兴趣坐标,在感兴趣坐标方向,等间距分为Ns段,计算落入各段特征点坐标的均值,得到Ns个重采样坐标,其中Ns取10;
(d-5)计算步骤(d-4)得到的重采样坐标中的与第个邻近的4个坐标构成的直线与竖直方向的夹角的均值
(d-6)计算步骤(d-4)得到的各重采样坐标与第个重采样坐标的构成的直线与竖直方向的夹角,并其计算与步骤(d-5)得到的的差的绝对值,若该值大于30°,则去除该点;
(d-7)对(d-6)中未被去除的点,使用最小二乘法拟合趋势线。
上述步骤(e)包括以下步骤:
(e-1)根据步骤(c)得到的跟踪目标的多个特征点的位置,计算特征点x坐标与y坐标的均值,得到目标在当前帧的中心;
(e-2)将步骤(e-1)得到的中心位置的写入目标历史位置队列中,其中目标历史位置队列长度为200帧,即只保存目标最近200帧的目标中心的位置,超过200帧的数据自动删除;
(e-3)若目标历史位置队列中,队首与队尾点的欧氏距离小于最小移动阈值,则历史信息不足以判定运动趋势,历史帧跟踪点分析不输出趋势线,步骤(e)结束;若目标历史位置队列中,队首与队尾点的欧氏距离大于或等于最小移动阈值,则进行步骤(e-4)-(e-7),其中最小移动阈值t=3·r,式中r为步骤(b)中用户框选目标矩形框对角线的长度;
(e-4)计算目标历史位置队列中各点x坐标与y坐标的极差,极差较大的坐标作为感兴趣坐标,在感兴趣坐标方向,等间距分为Ns段,计算落入各段特征点坐标的均值,得到Ns个重采样坐标,其中Ns取10;
(e-5)计算步骤(e-4)得到的重采样坐标中的与第个邻近的4个坐标构成的直线与竖直方向的夹角的均值其中两坐标构成直线与竖直方向夹角的计算方式为:θ=tan-1((x1-x2)/(y1-y2));
(e-6)计算步骤(e-4)得到的各重采样坐标与第个重采样坐标的构成的直线与竖直方向的夹角,并其计算与步骤(e-5)得到的的差的绝对值,若该值大于30°,则去除该点;
(e-7)对(e-6)中未被去除的点,使用最小二乘法拟合趋势线,其中最小二乘法拟合直线(斜截式表示)计算方法为:
其中步骤(f)选择策略为:若趋势线未被绘制,则优先选择历史帧跟踪点分析得到的趋势线,当历史帧跟踪点分析没有输出趋势线时,选用当前帧跟踪点分析得到的趋势线,若两者均无输出则不输出趋势线;若趋势线已经绘制,则仅在当前帧跟踪点分析有输出新的趋势线时,更新趋势线,若当前帧跟踪点分析无输出时,则保持现有趋势线斜率,并使得趋势线过目标历史位置队列最后一个坐标。
由上述实例可知,本发明中,用户只需选择视频中需要跟踪的目标,然后使用基于跟踪点分布的目标运动趋势分析方法对视频中的目标的运动趋势进行判定,经过跟踪点当前位置与历史位置分析,最终输出运动趋势线。本发明根据多个跟踪点的历史位置以及当前帧的位置,对目标运动的趋势进行预测。通过历史信息与当前帧信息的结合以及对离群点的分析与过滤,本发明能适应部分跟踪点丢失、跟错等异常情况。对视频中噪声鲁棒性较强,在具有噪声的情况下,也能输出较为准确的目标运动趋势线。
Claims (5)
1.基于跟踪点分布的视频目标运动趋势分析方法,其特征在于,包括以下步骤:
(a)从本地磁盘读入一个视频文件;
(b)用户在视频中选择需要跟踪并判定运动趋势的目标;
(c)对步骤(b)中选择的目标进行特征点跟踪;
(d)根据步骤(c)中得到的多个特征点的位置,对特征点的当前位置分布进行分析;
(e)计算步骤(c)中得到的多个特征点的位置,特征对点的历史位置分布进行分析;
(f)根据步骤(d)、(e)的结果,更新趋势线;
(g)在视频中绘制趋势线。
2.根据权利要求1所述基于跟踪点分布的视频目标运动趋势分析方法,其特征在于:步骤(c)中,使用Kanade-Lucas-Tomasi方法对用户选择的目标进行特征点提取与点的跟踪。
3.根据权利要求1所述基于跟踪点分布的视频目标运动趋势分析方法,其特征在于,步骤(d)包括以下步骤:
(d-1)根据步骤(c)得到的跟踪目标的多个特征点的位置,计算两两特征点之间的欧氏距离;
(d-2)计算步骤(d-1)中欧氏距离的最大值;
(d-3)若步骤(d-2)得到的最大值小于最大形变阈值,则当前帧目标特征点分布信息不足,当前帧跟踪点分析不输出趋势线,步骤(d)结束;若步骤(d-2)得到的最大值大于或等于最大形变阈值,则进行步骤(d-4)-(d-7),其中最大形变阈值t=2·r,式中r为用户框选目标矩形框对角线的长度;
(d-4)计算当前帧的特征点x坐标与y坐标的极差,极差较大的坐标作为感兴趣坐标,在感兴趣坐标方向,等间距分为Ns段,计算落入各段特征点坐标的均值,得到Ns个重采样坐标;
(d-5)计算步骤(d-4)得到的重采样坐标中的与第个邻近的4个坐标构成的直线与竖直方向的夹角的均值
(d-6)计算步骤(d-4)得到的各重采样坐标与第个重采样坐标的构成的直线与竖直方向的夹角,并计算该夹角与步骤(d-5)得到的的差的绝对值,若该值大于30°,则去除该点;
(d-7)对(d-6)中未被去除的点,使用最小二乘法拟合趋势线。
4.根据权利要求1所述基于跟踪点分布的视频目标运动趋势分析方法,其特征在于,步骤(e)包括以下步骤:
(e-1)根据步骤(c)得到的跟踪目标的多个特征点的位置,计算特征点x坐标与y坐标的均值,得到目标在当前帧的中心;
(e-2)将步骤(e-1)得到的中心位置的写入目标历史位置队列中,其中目标历史位置队列长度为200帧,即只保存目标最近200帧的目标中心的位置;
(e-3)若目标历史位置队列中,队首与队尾点的欧氏距离小于最小移动阈值,则历史信息不足以判定运动趋势,历史帧跟踪点分析不输出趋势线,步骤(e)结束;若目标历史位置队列中,队首与队尾点的欧氏距离大于或等于最小移动阈值,则进行步骤(e-4)-(e-7),其中最小移动阈值t=3·r,式中r为用户框选目标矩形框对角线的长度;
(e-4)计算目标历史位置队列中各点x坐标与y坐标的极差,极差较大的坐标作为感兴趣坐标,在感兴趣坐标方向,等间距分为Ns段,计算落入各段特征点坐标的均值,得到Ns个重采样坐标,其中Ns取10;
(e-5)计算步骤(e-4)得到的重采样坐标中的与第个邻近的4个坐标构成的直线与竖直方向的夹角的均值
(e-6)计算步骤(e-4)得到的各重采样坐标与第个重采样坐标的构成的直线与竖直方向的夹角,并其计算与步骤(e-5)得到的的差的绝对值,若该值大于30°,则去除该点;
(e-7)对(e-6)中未被去除的点,使用最小二乘法拟合趋势线。
5.根据权利要求1所述基于跟踪点分布的视频目标运动趋势分析方法,其特征在于,步骤(f)选择策略为:若趋势线未被绘制,则优先选择历史帧跟踪点分析得到的趋势线,当历史帧跟踪点分析没有输出趋势线时,选用当前帧跟踪点分析得到的趋势线,若两者均无输出则不输出趋势线;若趋势线已经绘制,则仅在当前帧跟踪点分析有输出新的趋势线时,更新趋势线,若当前帧跟踪点分析无输出时,则保持现有趋势线斜率,并使得趋势线过目标历史位置队列最后一个坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610070935.6A CN105741321B (zh) | 2016-01-31 | 2016-01-31 | 基于跟踪点分布的视频目标运动趋势分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610070935.6A CN105741321B (zh) | 2016-01-31 | 2016-01-31 | 基于跟踪点分布的视频目标运动趋势分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105741321A true CN105741321A (zh) | 2016-07-06 |
CN105741321B CN105741321B (zh) | 2018-12-11 |
Family
ID=56241804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610070935.6A Active CN105741321B (zh) | 2016-01-31 | 2016-01-31 | 基于跟踪点分布的视频目标运动趋势分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105741321B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833240A (zh) * | 2017-11-09 | 2018-03-23 | 华南农业大学 | 多跟踪线索引导的目标运动轨迹提取和分析方法 |
CN109144043A (zh) * | 2017-06-27 | 2019-01-04 | 金宝电子工业股份有限公司 | 追踪目标物的方法 |
CN111369650A (zh) * | 2020-03-30 | 2020-07-03 | 广东精鹰传媒股份有限公司 | 一种二维和三维空间的对象连线效果的实现方法 |
CN111815679A (zh) * | 2020-07-27 | 2020-10-23 | 西北工业大学 | 一种基于双目相机的空间目标特征点丢失期间轨迹预测方法 |
CN112734795A (zh) * | 2020-12-31 | 2021-04-30 | 北京深睿博联科技有限责任公司 | 一种判断物体运动趋势及方向的方法和设备 |
CN112800349A (zh) * | 2021-02-02 | 2021-05-14 | 中华人民共和国广东海事局 | 水上移动目标的运动状态获取方法、装置、设备和介质 |
CN113239236A (zh) * | 2021-07-13 | 2021-08-10 | 北京达佳互联信息技术有限公司 | 视频处理方法、装置、电子设备及存储介质 |
CN113256686A (zh) * | 2021-06-28 | 2021-08-13 | 上海齐感电子信息科技有限公司 | 视觉准确目标跟踪系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324913A (zh) * | 2013-05-29 | 2013-09-25 | 长安大学 | 一种基于形状特征和轨迹分析的行人事件检测方法 |
CN104077783A (zh) * | 2013-03-25 | 2014-10-01 | 日电(中国)有限公司 | 一种视频中的物体跟踪方法及装置 |
CN104933710A (zh) * | 2015-06-10 | 2015-09-23 | 华南理工大学 | 基于监控视频下的商店人流轨迹智能分析方法 |
US20160023100A1 (en) * | 1998-08-10 | 2016-01-28 | Cybernet Systems Corporation | Real-time head tracking system for computer games and other applications |
-
2016
- 2016-01-31 CN CN201610070935.6A patent/CN105741321B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160023100A1 (en) * | 1998-08-10 | 2016-01-28 | Cybernet Systems Corporation | Real-time head tracking system for computer games and other applications |
CN104077783A (zh) * | 2013-03-25 | 2014-10-01 | 日电(中国)有限公司 | 一种视频中的物体跟踪方法及装置 |
CN103324913A (zh) * | 2013-05-29 | 2013-09-25 | 长安大学 | 一种基于形状特征和轨迹分析的行人事件检测方法 |
CN104933710A (zh) * | 2015-06-10 | 2015-09-23 | 华南理工大学 | 基于监控视频下的商店人流轨迹智能分析方法 |
Non-Patent Citations (2)
Title |
---|
MATTI KARPPA.ET AL: "Method for visualisation and analysis of hand and head movements in sign language video", 《PROCEEDINGS OF THE 2ND GESTURE AND SPEECH IN INTERACTION CONFERENCE (GESPIN 2011)》 * |
乔少杰 等: "一种基于高斯混合模型的轨迹预测算法", 《软件学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144043A (zh) * | 2017-06-27 | 2019-01-04 | 金宝电子工业股份有限公司 | 追踪目标物的方法 |
CN107833240A (zh) * | 2017-11-09 | 2018-03-23 | 华南农业大学 | 多跟踪线索引导的目标运动轨迹提取和分析方法 |
CN107833240B (zh) * | 2017-11-09 | 2020-04-17 | 华南农业大学 | 多跟踪线索引导的目标运动轨迹提取和分析方法 |
CN111369650A (zh) * | 2020-03-30 | 2020-07-03 | 广东精鹰传媒股份有限公司 | 一种二维和三维空间的对象连线效果的实现方法 |
CN111815679A (zh) * | 2020-07-27 | 2020-10-23 | 西北工业大学 | 一种基于双目相机的空间目标特征点丢失期间轨迹预测方法 |
CN112734795A (zh) * | 2020-12-31 | 2021-04-30 | 北京深睿博联科技有限责任公司 | 一种判断物体运动趋势及方向的方法和设备 |
CN112800349A (zh) * | 2021-02-02 | 2021-05-14 | 中华人民共和国广东海事局 | 水上移动目标的运动状态获取方法、装置、设备和介质 |
CN113256686A (zh) * | 2021-06-28 | 2021-08-13 | 上海齐感电子信息科技有限公司 | 视觉准确目标跟踪系统及方法 |
CN113239236A (zh) * | 2021-07-13 | 2021-08-10 | 北京达佳互联信息技术有限公司 | 视频处理方法、装置、电子设备及存储介质 |
CN113239236B (zh) * | 2021-07-13 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 视频处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105741321B (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105741321A (zh) | 基于跟踪点分布的视频目标运动趋势分析方法 | |
US7450737B2 (en) | Head detecting apparatus, head detecting method, and head detecting program | |
CN110008932B (zh) | 一种基于计算机视觉的车辆违章压线检测方法 | |
CN104463903B (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
CN105809715B (zh) | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 | |
CN110517288A (zh) | 基于全景多路4k视频图像的实时目标检测跟踪方法 | |
CN102509306A (zh) | 一种基于视频的特定目标的跟踪方法 | |
CN106652445A (zh) | 一种公路交通事故判别方法及装置 | |
CN102142085B (zh) | 一种林区监控视频中运动火焰目标的鲁棒跟踪方法 | |
CN104766316B (zh) | 中医望诊中新型嘴唇分割算法 | |
Tastimur et al. | Rail defect detection and classification with real time image processing technique | |
CN105512618B (zh) | 视频跟踪方法 | |
CN101393609A (zh) | 一种目标检测跟踪方法和装置 | |
JP7438684B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
Lim et al. | Vision‐based Lane‐Vehicle Detection and Tracking | |
US20200306585A1 (en) | Jump counting method for jump rope | |
JP6850751B2 (ja) | 物体追跡装置、物体追跡方法、及びコンピュータプログラム | |
CN103679745A (zh) | 一种运动目标检测方法及装置 | |
CN102722702A (zh) | 多特征融合的粒子滤波视频目标跟踪方法 | |
CN109949344B (zh) | 一种基于颜色概率目标建议窗口的核相关滤波跟踪方法 | |
CN104091352A (zh) | 基于结构相似度的视觉跟踪方法 | |
KR20190009006A (ko) | 전역적 움직임 기반의 실시간 다중 객체 추적 장치 및 방법 | |
CN109146928B (zh) | 一种梯度阈值判断模型更新的目标跟踪方法 | |
CN104142730A (zh) | 一种手势跟踪结果映射成鼠标事件的方法 | |
CN113096157B (zh) | 一种可靠的局部目标跟踪方法及跟踪器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |