CN106327526A - 图像目标跟踪方法与系统 - Google Patents
图像目标跟踪方法与系统 Download PDFInfo
- Publication number
- CN106327526A CN106327526A CN201610702053.7A CN201610702053A CN106327526A CN 106327526 A CN106327526 A CN 106327526A CN 201610702053 A CN201610702053 A CN 201610702053A CN 106327526 A CN106327526 A CN 106327526A
- Authority
- CN
- China
- Prior art keywords
- target
- camouflage
- observation
- observation sample
- sample position
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像目标跟踪方法与系统,确定目标与伪装干扰在图像中的相对位置,根据所述目标与伪装干扰在图像中的相对位置,生成预测轨迹,将观测样本位置与所述预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。整个过程中,基于确定的目标与伪装干扰相对位置生成预测轨迹,进行轨迹关联,判断目标是否被遮挡并准确跟踪目标。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及图像目标跟踪方法与系统。
背景技术
随着视频摄像头的在城市安防领域的应用,基于图像信息的目标跟踪算法吸引了工业界及学术界的研究热情。在过去的三十年,图像跟踪算法取得了长足的发展,但是依然有很多开放性的问题并未得到完善的解决方案,例如,目标的大变形,观察视角的改变,光线的变化,嘈杂的背景,干扰及遮挡等问题。
传统的目标跟踪方案对仅仅基于目标对象完成算法的建模,其中主要含有三个部分:1)目标特征模型的提取;2)多特征融合的模型匹配算法;3)算法的实时更新方案。
基于传统的目标跟踪方案,一个跟踪器能够应对的一些传统的问题,例如目标的大变形,光线变化及快速运动,但是当环境存在伪装的时候,很有可能由于图像目标被遮挡,而无法很好跟踪图像目标。例如在人群中,当跟踪的对象(行人)被遮挡的情况下,传统图像目标跟踪方案容易错误的跟踪到其他的行人中。
发明内容
基于此,有必要针对传统图像目标跟踪方案无法实现准确跟踪的问题,提供一种能够准确跟踪目标的图像目标跟踪方法与系统。
一种图像目标跟踪方法,包括步骤:
确定目标与伪装干扰在图像中的相对位置;
根据所述目标与伪装干扰在图像中的相对位置,生成预测轨迹;
将观测样本位置与所述预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。
一种图像目标跟踪系统,包括:
位置确定模块,用于确定目标与伪装干扰在图像中的相对位置;
预测轨迹生成模块,用于根据所述目标与伪装干扰在图像中的相对位置,生成预测轨迹;
跟踪模块,用于将观测样本位置与所述预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。
本发明图像目标跟踪方法与系统,确定目标与伪装干扰在图像中的相对位置,根据所述目标与伪装干扰在图像中的相对位置,生成预测轨迹,将观测样本位置与所述预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。整个过程中,基于确定的目标与伪装干扰相对位置生成预测轨迹,进行轨迹关联,判断目标是否被遮挡并准确跟踪目标。
附图说明
图1为本发明图像目标跟踪方法第一个实施例的流程示意图;
图2为本发明图像目标跟踪方法第二个实施例的流程示意图;
图3为本发明图像目标跟踪系统第一个实施例的结构示意图;
图4为本发明图像目标跟踪系统第二个实施例的结构示意图。
具体实施方式
如图1所示,一种图像目标跟踪方法,包括步骤:
S200:确定目标与伪装干扰在图像中的相对位置。
目标与伪装干扰在图像中的相对位置可以采用多种方式确定,具体来说,可以借助已有成熟图像识别与定位技术以及历史经验数据来确定,另外还可以采用数据实时处理方式来确定。下面将详细介绍一种基于实时获取的图像数据来确定目标与伪装干扰在图像中的相对位置的具体实施例。
在其中一个实施例,步骤S200包括:
步骤一:获取目标初始位置,根据目标初始位置进行稀疏采样。
抽取含有目标的图像,从中获取目标初始位置。在不同应用场景下目标初始位置获取方式不相同,具体来说,可以分为两种情况,一种是存在前一帧图像;第二种是不存在前一帧图像。针对存在前一帧图像的情况可以直接获取目标在前一帧图像中的位置来获取目标初始位置;针对不存在前一帧图像的情况可以获取目标预设位置来获取目标初始位置。下面以实例来进行说明,假定当前时间点之前已经采集有连续含有目标的图像,当前时间点为开始采集的第10帧,则可以从第9帧采集的含有目标的图像中获取目标初始位置;假定当前时间点之前没有采集连续含有目标的图像,即当前时间点为开始采集的第1帧,则获取目标预设位置来获取目标初始位置。更进一步来说,预设初始位置可以随机设定或者根据实际应用场景以及历史经验数据进行设定。基于目标初始位置,对目标初始位置周围进行稀疏采样,获得多个采样点,非必要的,可以对目标初始位置周围进行均匀稀疏采样,以获得更加整齐的多个采样点,采用均匀稀疏采样有利于减小后期数据处理量。
步骤二:将采样点分为前景样本和背景样本。
将步骤一获得的采样点分为前景样本和背景样本,其中,前景样本中可能含有目标,同时也可能还有伪装干扰。采用点区分过程包括:首先,提取稀疏采样每个样本中的颜色特征。在步骤一进行稀疏采样之后,会获得多个样本,提取每个样本中的颜色特征,具体来说,是提取每个样本的颜色特征直方图;再获取颜色强度的梯度直方图特征,将提取的颜色特征与颜色强度的梯度直方图特征匹配,获得匹配结果。颜色强度的梯度直方图特征是通过对已有的图像目标特征进行分体所提取的特征,其梯度模型为方向梯度直方图(HOG)。非必要的,可以利用巴氏距离计算法,将样本中提取的颜色特征与模型中的颜色特征进行匹配,每个样本将得到一个匹配值;最后,据匹配结果以及采样点空间位置信息,利用高斯聚类算法将采样点分为前景样本和背景样本。聚类算法是研究(样品或指标)分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类分析是由若干模式组成的,通常模式是一个度量的向量,或者是多维空间中的一个点。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。在这里,根据颜色匹配结果以及各个采样点空间位置信息,采用高斯聚类算法将采样点分为前景样本和背景样本。
步骤三:根据前景样本的空间分布,聚类相邻的前景样本,获得包含多个簇的聚类结果。
在将采样点分为前景样本和背景样本之后,遍历所有前景样本,根据前景样本的空间分布,将相邻的前景样本再次进行聚类,获得包含多个簇的聚类结果。非必要的,可以主要考虑前景样本在空间分布重叠的区域,对该重叠的区域进行再次聚类,获得包含多个簇的聚类结果。具体来说,聚类过程包括:首先,根据前景样本的空间分布,获取前景样本的重叠区域。再区分出前景样本和背景样本后,遍历所有的前景样本,分析前景样本的空间分布,查找到前景样本的重叠区域;最后,根据前景样本的重叠区域将前景样本进行聚类,获得包含多个簇的聚类结果。前景样本中具有重叠区域的样本再次进行空间聚类,根据空间分布将前景样本分为多个不同的簇。
步骤四:根据聚类结果进行稳健估计,确定目标与伪装干扰在图像中的相对位置。具体来说,整个确定过程可以包括:首先,根据聚类结果进行簇内密集采样,并在密集采样中提取梯度特征;再将提取的梯度特征与预设梯度模型匹配,获得匹配值;再获取梯度匹配均值点对应位置以及梯度匹配值最高点对应位置;最后,根据梯度匹配均值点对应位置以及梯度匹配值最高点对应位置进行稳健估计,确定目标与伪装干扰在图像中的相对位置。
更进一步来说,上述根据梯度匹配均值点对应位置以及梯度匹配值最高点对应位置进行稳健估计,确定目标与伪装干扰在图像中的相对位置的步骤可以包括:
1)根据梯度匹配均值点对应位置以及梯度匹配最高点对应位置,对每个簇内的密集样本进行迭代聚类和潜在目标区域估计。
2)当每个梯度匹配均值点对应位置与梯度匹配最高点对应位置偏差均小于预设值时,停止迭代,查找具有区域重叠的目标。
3)确定目标与伪装干扰在图像中的相对位置。
根据匹配值的大小,获得均值点对应的位置,通过对比匹配值最高点的位置,对每个簇内的密集样本完成迭代聚类并完成潜在目标区域的估计,直到均值点对应的位置和最高点对应的位置足够靠近,则迭代停止,利用目标及伪装干扰之间的相对位置,完成目标位置的预测。上述足够靠近在实际操作中具体为每个梯度匹配均值点对应位置与梯度匹配最高点对应位置偏差均小于预设值,更具体来说,预设值为50%,即当均值点对应的位置与最高点对应的位置之间偏差小于50%时,停止迭代,查找具有区域重叠的目标。
S400:根据目标与伪装干扰在图像中的相对位置,生成预测轨迹。
具体来说,预测轨迹可以分别包括目标预测轨迹和伪装干扰预测轨迹。
S600:将观测样本位置与预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。
基于步骤S400的生成预测轨迹,将实时获得的观测样本位置与预测轨迹进行关联,获得关联结果,在根据关联结果判断目标是否被遮挡,并最终准确跟踪目标。具体来说,利用目标及伪装干扰之间的相对位置,完成目标位置的预测,然后将观测样本位置与预测轨迹进行关联,如果没有找到合适的关联对象(目标),则判定目标被遮挡,如果找到合适的关联对象(目标),则追踪目标。
本发明图像目标跟踪方法,确定目标与伪装干扰在图像中的相对位置,根据目标与伪装干扰在图像中的相对位置,生成预测轨迹,将观测样本位置与预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。整个过程中,基于确定的目标与伪装干扰相对位置生成预测轨迹,进行轨迹关联,判断目标是否被遮挡并准确跟踪目标。
如图2所示,在其中一个实施例中,步骤S600包括:
S620:实时获取观测样本位置,将观测样本位置与预测轨迹关联。
对整个含伪装干扰的图像观测,实时获取观测样本位置,将观测样本位置与预测轨迹关联。在实际操作中,观测样本位置可能有很多,为更好判断目标是否被遮挡并跟踪目标,可以对观测样本位置进行筛选。
S640:若观测样本位置与目标的关联系数大于与伪装干扰的关联系数,则判定目标未被遮挡,确认跟踪目标,否则,判定目标被遮挡。
如果观测样本与目标的关联系数大于与伪装干扰的关联系数,则判定目标未被遮挡,确认跟踪目标。否则现有观测样本被全部认定为伪装干扰,判定目标被伪装干扰遮挡。
在其中一个实施例中,将观测样本位置与预测轨迹关联的步骤包括:
步骤一:通过贝叶斯概率算法,分别将观测样本位置与目标轨迹以及伪装干扰轨迹匹配。
步骤二:计算观测样本位置对应的观测权重值,其中,当观测样本位置与目标轨迹越相似时,观测权重值越高,当观测样本位置与伪装干扰轨迹越相似时,观测权重值越低。
步骤三:选取观测权重值最高的观测样本位置与预测轨迹关联。
采用上述方式可以选择最相似的观测样本位置与预测的轨迹进行关联,最终能够更加准确跟踪目标。
在其中一个实施例中,根据目标与伪装干扰在图像中的相对位置,生成预测轨迹的步骤包括:
根据目标与伪装干扰在图像中的相对位置以及历史信息,生成预测轨迹,历史信息包括目标的历史图像位置、伪装干扰的历史图像位置、伪装目标的历史个数以及目标与伪装干扰在历史图像中相对位置。
在本实施例中,综合考虑目标与伪装干扰在图像中的相对位置以及历史信息,能够更加准确获得预测轨迹,从而最终实现更加准确跟踪目标。
如图2所示,在其中一个实施例中,步骤S200之后还包括:
S300:记录目标与伪装干扰在图像中的相对位置。
记录目标与伪装干扰在图像中的相对位置,一方面,能有效防止数据由于意外而丢失,另一方面,有利于后期对图像中目标与伪装干扰相对位置情况进行进一步研究。
如图3所示,一种图像目标跟踪系统,包括:
位置确定模块200,用于确定目标与伪装干扰在图像中的相对位置。
预测轨迹生成模块400,用于根据目标与伪装干扰在图像中的相对位置,生成预测轨迹。
跟踪模块600,用于将观测样本位置与预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。
本发明图像目标跟踪系统,位置确定模块200确定目标与伪装干扰在图像中的相对位置,预测轨迹生成模块400根据目标与伪装干扰在图像中的相对位置,生成预测轨迹,跟踪模块600将观测样本位置与预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。整个过程中,基于确定的目标与伪装干扰相对位置生成预测轨迹,进行轨迹关联,判断目标是否被遮挡并准确跟踪目标。
如图4所示,在其中一个实施例中,跟踪模块600包括:
关联单元620,用于实时获取观测样本位置,将观测样本位置与预测轨迹关联。
跟踪单元640,用于若观测样本位置与目标的关联系数大于与伪装干扰的关联系数,则判定目标未被遮挡,确认跟踪目标,否则,判定目标被遮挡。
在其中一个实施例中,预测轨迹包括目标轨迹和伪装干扰轨迹,跟踪模块600包括:
匹配单元,用于通过贝叶斯概率算法,分别将观测样本位置与目标轨迹以及伪装干扰轨迹匹配。
观测权重计算单元,用于计算观测样本位置对应的观测权重值,其中,当观测样本位置与目标轨迹越相似时,观测权重值越高,当观测样本位置与伪装干扰轨迹越相似时,观测权重值越低。
关联执行单元,用于选取观测权重值最高的观测样本位置与预测轨迹关联。
在其中一个实施例中,预测轨迹生成模块400根据目标与伪装干扰在图像中的相对位置以及历史信息,生成预测轨迹,历史信息包括目标的历史图像位置、伪装干扰的历史图像位置、伪装目标的历史个数以及目标与伪装干扰在历史图像中相对位置。
如图4所示,在其中一个实施例中,图像目标跟踪系统还包括:
记录模块300,用于记录目标与伪装干扰在图像中的相对位置。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像目标跟踪方法,其特征在于,包括步骤:
确定目标与伪装干扰在图像中的相对位置;
根据所述目标与伪装干扰在图像中的相对位置,生成预测轨迹;
将观测样本位置与所述预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。
2.根据权利要求1所述的图像目标跟踪方法,其特征在于,所述将观测样本位置与所述预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标的步骤包括:
实时获取观测样本位置,将所述观测样本位置与所述预测轨迹关联;
若所述观测样本位置与目标的关联系数大于与伪装干扰的关联系数,则判定目标未被遮挡,确认跟踪目标,否则,判定目标被遮挡。
3.根据权利要求1所述的图像目标跟踪方法,其特征在于,所述预测轨迹包括目标轨迹和伪装干扰轨迹;
所述将观测样本位置与所述预测轨迹关联的步骤包括:
通过贝叶斯概率算法,分别将所述观测样本位置与目标轨迹以及伪装干扰轨迹匹配;
计算所述观测样本位置对应的观测权重值,其中,当所述观测样本位置与所述目标轨迹越相似时,所述观测权重值越高,当所述观测样本位置与所述伪装干扰轨迹越相似时,所述观测权重值越低;
选取观测权重值最高的观测样本位置与所述预测轨迹关联。
4.根据权利要求1所述的图像目标跟踪方法,其特征在于,所述根据所述目标与伪装干扰在图像中的相对位置,生成预测轨迹的步骤包括:
根据所述目标与伪装干扰在图像中的相对位置以及历史信息,生成预测轨迹,所述历史信息包括目标的历史图像位置、伪装干扰的历史图像位置、伪装目标的历史个数以及目标与伪装干扰在历史图像中相对位置。
5.根据权利要求1所述的图像目标跟踪方法,其特征在于,所述确定目标与伪装干扰在图像中的相对位置的步骤之后还包括:
记录目标与伪装干扰在图像中的相对位置。
6.一种图像目标跟踪系统,其特征在于,包括:
位置确定模块,用于确定目标与伪装干扰在图像中的相对位置;
预测轨迹生成模块,用于根据所述目标与伪装干扰在图像中的相对位置,生成预测轨迹;
跟踪模块,用于将观测样本位置与所述预测轨迹关联,根据关联结果,判断目标是否被遮挡并跟踪目标。
7.根据权利要求6所述的图像目标跟踪系统,其特征在于,所述跟踪模块包括:
关联单元,用于实时获取观测样本位置,将所述观测样本位置与所述预测轨迹关联;
跟踪单元,用于若所述观测样本位置与目标的关联系数大于与伪装干扰的关联系数,则判定目标未被遮挡,确认跟踪目标,否则,判定目标被遮挡。
8.根据权利要求6所述的图像目标跟踪系统,其特征在于,所述预测轨迹包括目标轨迹和伪装干扰轨迹,所述跟踪模块包括:
匹配单元,用于通过贝叶斯概率算法,分别将所述观测样本位置与目标轨迹以及伪装干扰轨迹匹配;
观测权重计算单元,用于计算所述观测样本位置对应的观测权重值,其中,当所述观测样本位置与所述目标轨迹越相似时,所述观测权重值越高,当所述观测样本位置与所述伪装干扰轨迹越相似时,所述观测权重值越低;
关联执行单元,用于选取观测权重值最高的观测样本位置与所述预测轨迹关联。
9.根据权利要求6所述的图像目标跟踪系统,其特征在于,所述预测轨迹生成模块根据所述目标与伪装干扰在图像中的相对位置以及历史信息,生成预测轨迹,所述历史信息包括目标的历史图像位置、伪装干扰的历史图像位置、伪装目标的历史个数以及目标与伪装干扰在历史图像中相对位置。
10.根据权利要求6所述的图像目标跟踪系统,其特征在于,还包括:
记录模块,用于记录目标与伪装干扰在图像中的相对位置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610702053.7A CN106327526B (zh) | 2016-08-22 | 2016-08-22 | 图像目标跟踪方法与系统 |
US15/468,185 US10115209B2 (en) | 2016-08-22 | 2017-03-24 | Image target tracking method and system thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610702053.7A CN106327526B (zh) | 2016-08-22 | 2016-08-22 | 图像目标跟踪方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106327526A true CN106327526A (zh) | 2017-01-11 |
CN106327526B CN106327526B (zh) | 2020-07-07 |
Family
ID=57741189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610702053.7A Active CN106327526B (zh) | 2016-08-22 | 2016-08-22 | 图像目标跟踪方法与系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10115209B2 (zh) |
CN (1) | CN106327526B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134126A (zh) * | 2019-05-15 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 轨迹匹配方法、装置、设备和介质 |
CN110443285A (zh) * | 2019-07-16 | 2019-11-12 | 浙江大华技术股份有限公司 | 相似轨迹的确定方法、装置及计算机存储介质 |
CN111047624A (zh) * | 2019-12-27 | 2020-04-21 | 成都英飞睿技术有限公司 | 图像弱小目标检测方法、装置、设备及存储介质 |
CN111652150A (zh) * | 2020-06-04 | 2020-09-11 | 北京环境特性研究所 | 一种红外抗干扰跟踪方法 |
CN112862863A (zh) * | 2021-03-04 | 2021-05-28 | 广东工业大学 | 一种基于状态机的目标跟踪定位方法 |
CN113920172A (zh) * | 2021-12-14 | 2022-01-11 | 成都睿沿芯创科技有限公司 | 一种目标跟踪方法、装置、设备以及存储介质 |
CN114821795A (zh) * | 2022-05-05 | 2022-07-29 | 北京容联易通信息技术有限公司 | 一种基于ReID技术的人员跑动检测和预警方法及系统 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180225799A1 (en) * | 2017-02-03 | 2018-08-09 | Cognex Corporation | System and method for scoring color candidate poses against a color image in a vision system |
US11562505B2 (en) | 2018-03-25 | 2023-01-24 | Cognex Corporation | System and method for representing and displaying color accuracy in pattern matching by a vision system |
CN108665481B (zh) * | 2018-03-27 | 2022-05-31 | 西安电子科技大学 | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 |
US10679362B1 (en) * | 2018-05-14 | 2020-06-09 | Vulcan Inc. | Multi-camera homogeneous object trajectory alignment |
CN109087335B (zh) * | 2018-07-16 | 2022-02-22 | 腾讯科技(深圳)有限公司 | 一种人脸跟踪方法、装置和存储介质 |
CN109117549B (zh) * | 2018-08-08 | 2023-09-05 | 浙江航天恒嘉数据科技有限公司 | 一种污染物扩散预测方法及系统 |
CN110031816B (zh) * | 2019-03-22 | 2021-04-27 | 中国民航科学技术研究院 | 基于探鸟雷达的机场飞行区非合作目标分类识别方法 |
CN110147768B (zh) * | 2019-05-22 | 2021-05-28 | 云南大学 | 一种目标跟踪方法及装置 |
CN111539977B (zh) * | 2020-04-23 | 2023-06-27 | 抖音视界有限公司 | 用于生成预测信息的方法、装置、电子设备和介质 |
CN112070802B (zh) * | 2020-09-02 | 2024-01-26 | 合肥英睿系统技术有限公司 | 一种目标跟踪方法、装置、设备及计算机可读存储介质 |
CN112801169B (zh) * | 2021-01-25 | 2024-02-06 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法、系统、装置及存储介质 |
CN113221677B (zh) * | 2021-04-26 | 2024-04-16 | 阿波罗智联(北京)科技有限公司 | 一种轨迹异常检测方法、装置、路侧设备和云控平台 |
CN113821965B (zh) * | 2021-09-23 | 2023-01-17 | 盐城师范学院 | 一种活性粒子轨迹追踪方法及系统 |
CN117251748B (zh) * | 2023-10-10 | 2024-04-19 | 中国船舶集团有限公司第七〇九研究所 | 一种基于历史规律挖掘的航迹预测方法、设备及存储介质 |
CN117671774B (zh) * | 2024-01-11 | 2024-04-26 | 好心情健康产业集团有限公司 | 一种人脸情绪智能识别分析设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080300787A1 (en) * | 2006-02-03 | 2008-12-04 | Gm Global Technology Operations, Inc. | Method and apparatus for on-vehicle calibration and orientation of object-tracking systems |
CN101853511A (zh) * | 2010-05-17 | 2010-10-06 | 哈尔滨工程大学 | 一种抗遮挡目标轨迹预测跟踪方法 |
CN105469430A (zh) * | 2015-12-10 | 2016-04-06 | 中国石油大学(华东) | 一种大场景中的小目标抗遮挡跟踪方法 |
CN105678804A (zh) * | 2016-01-06 | 2016-06-15 | 北京理工大学 | 一种耦合目标检测与数据关联的实时在线多目标跟踪方法 |
CN105894542A (zh) * | 2016-04-26 | 2016-08-24 | 深圳大学 | 一种在线目标跟踪方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9052386B2 (en) | 2002-02-06 | 2015-06-09 | Nice Systems, Ltd | Method and apparatus for video frame sequence-based object tracking |
US20040254503A1 (en) | 2003-06-13 | 2004-12-16 | Sarvazyan Armen P. | Internet-based system and a method for automated analysis of tactile imaging data and detection of lesions |
WO2007144580A1 (en) | 2006-06-16 | 2007-12-21 | Bae Systems Plc | Improvements relating to target tracking |
JP5205337B2 (ja) | 2009-06-18 | 2013-06-05 | 富士フイルム株式会社 | ターゲット追跡装置および画像追跡装置ならびにそれらの動作制御方法ならびにディジタル・カメラ |
KR101129328B1 (ko) | 2010-03-03 | 2012-03-26 | 광주과학기술원 | 타겟 추적 장치 및 방법 |
JP5720275B2 (ja) | 2011-02-03 | 2015-05-20 | 株式会社リコー | 撮像装置および撮像方法 |
US8994652B2 (en) | 2013-02-15 | 2015-03-31 | Intel Corporation | Model-based multi-hypothesis target tracker |
US9008840B1 (en) | 2013-04-19 | 2015-04-14 | Brain Corporation | Apparatus and methods for reinforcement-guided supervised learning |
US9269012B2 (en) | 2013-08-22 | 2016-02-23 | Amazon Technologies, Inc. | Multi-tracker object tracking |
JP6521626B2 (ja) | 2014-12-25 | 2019-05-29 | キヤノン株式会社 | 被写体追跡装置、方法およびプログラム |
-
2016
- 2016-08-22 CN CN201610702053.7A patent/CN106327526B/zh active Active
-
2017
- 2017-03-24 US US15/468,185 patent/US10115209B2/en not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080300787A1 (en) * | 2006-02-03 | 2008-12-04 | Gm Global Technology Operations, Inc. | Method and apparatus for on-vehicle calibration and orientation of object-tracking systems |
CN101853511A (zh) * | 2010-05-17 | 2010-10-06 | 哈尔滨工程大学 | 一种抗遮挡目标轨迹预测跟踪方法 |
CN105469430A (zh) * | 2015-12-10 | 2016-04-06 | 中国石油大学(华东) | 一种大场景中的小目标抗遮挡跟踪方法 |
CN105678804A (zh) * | 2016-01-06 | 2016-06-15 | 北京理工大学 | 一种耦合目标检测与数据关联的实时在线多目标跟踪方法 |
CN105894542A (zh) * | 2016-04-26 | 2016-08-24 | 深圳大学 | 一种在线目标跟踪方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134126A (zh) * | 2019-05-15 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 轨迹匹配方法、装置、设备和介质 |
CN110134126B (zh) * | 2019-05-15 | 2022-08-23 | 百度在线网络技术(北京)有限公司 | 轨迹匹配方法、装置、设备和介质 |
CN110443285A (zh) * | 2019-07-16 | 2019-11-12 | 浙江大华技术股份有限公司 | 相似轨迹的确定方法、装置及计算机存储介质 |
CN111047624A (zh) * | 2019-12-27 | 2020-04-21 | 成都英飞睿技术有限公司 | 图像弱小目标检测方法、装置、设备及存储介质 |
CN111652150A (zh) * | 2020-06-04 | 2020-09-11 | 北京环境特性研究所 | 一种红外抗干扰跟踪方法 |
CN111652150B (zh) * | 2020-06-04 | 2024-03-19 | 北京环境特性研究所 | 一种红外抗干扰跟踪方法 |
CN112862863A (zh) * | 2021-03-04 | 2021-05-28 | 广东工业大学 | 一种基于状态机的目标跟踪定位方法 |
CN113920172A (zh) * | 2021-12-14 | 2022-01-11 | 成都睿沿芯创科技有限公司 | 一种目标跟踪方法、装置、设备以及存储介质 |
CN113920172B (zh) * | 2021-12-14 | 2022-03-01 | 成都睿沿芯创科技有限公司 | 一种目标跟踪方法、装置、设备以及存储介质 |
CN114821795A (zh) * | 2022-05-05 | 2022-07-29 | 北京容联易通信息技术有限公司 | 一种基于ReID技术的人员跑动检测和预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20180053318A1 (en) | 2018-02-22 |
CN106327526B (zh) | 2020-07-07 |
US10115209B2 (en) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106327526A (zh) | 图像目标跟踪方法与系统 | |
CN106355604B (zh) | 图像目标跟踪方法与系统 | |
Li et al. | In-field tea shoot detection and 3D localization using an RGB-D camera | |
CN105405154B (zh) | 基于颜色-结构特征的目标对象跟踪方法 | |
Xu et al. | Automatic extraction of street trees’ nonphotosynthetic components from MLS data | |
CN108037770A (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
CN109785363A (zh) | 一种无人机航拍视频运动小目标实时检测与跟踪方法 | |
CN102496016B (zh) | 一种基于时空协同框架的红外目标检测方法 | |
CN103593679A (zh) | 一种基于在线机器学习的视觉人手跟踪方法 | |
CN106952293B (zh) | 一种基于非参数在线聚类的目标跟踪方法 | |
CN107256386A (zh) | 基于深度学习的人类行为分析方法 | |
CN106570490B (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN104835178A (zh) | 一种低信噪比运动小目标的跟踪与识别的方法 | |
CN112200106A (zh) | 跨相机行人重识别与跟踪方法 | |
WO2019019678A1 (zh) | 一种基于超图转变的视频中暴力事件检测方法 | |
CN103105924B (zh) | 人机交互方法和装置 | |
CN105654139A (zh) | 一种采用时间动态表观模型的实时在线多目标跟踪方法 | |
CN103426008B (zh) | 基于在线机器学习的视觉人手跟踪方法及系统 | |
CN109344842A (zh) | 一种基于语义区域表达的行人重识别方法 | |
CN108682022A (zh) | 基于对抗迁移网络的视觉跟踪方法及系统 | |
CN103699874A (zh) | 基于surf流和lle稀疏表示的人群异常行为识别方法 | |
CN110533100A (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
Xu et al. | Separation of wood and foliage for trees from ground point clouds using a novel least-cost path model | |
CN104765739B (zh) | 基于形状空间的大规模人脸数据库检索方法 | |
CN103456012B (zh) | 基于最大稳定曲率区域的视觉人手检测跟踪方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20170310 Address after: 310019 Zhejiang, Hangzhou, No. nine Ring Road, No. 1, building 63, room 2, building 2182 Applicant after: Hangzhou Baoxin Technology Co., Ltd. Address before: 410000 Changsha province high tech Development Zone, Hunan Road, No. 1, No. 1, No. 1 factory building, room 415, room Applicant before: Hunan Zhi new technology development Co. Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |