CN106355602B - 一种多目标定位跟踪视频监控方法 - Google Patents
一种多目标定位跟踪视频监控方法 Download PDFInfo
- Publication number
- CN106355602B CN106355602B CN201610742578.3A CN201610742578A CN106355602B CN 106355602 B CN106355602 B CN 106355602B CN 201610742578 A CN201610742578 A CN 201610742578A CN 106355602 B CN106355602 B CN 106355602B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- background
- video
- moving target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 230000010339 dilation Effects 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 238000011410 subtraction method Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 6
- 238000004040 coloring Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种多目标定位跟踪视频监控方法，适用于摄像机视场固定，背景存在物体微小动态变化的运动目标定位跟踪视频监控方法。在系统工作前首先通过高斯混合模型训练背景，然后在视频下一帧中运用背景减除法得到前景图像，再根据膨胀运算与中值滤波得到准确的前景物体区域即运动目标位置；检测运动目标是否存在，如果运动目标存在则根据连通域查找确定目标位置，如果没有运动目标则转到到视频下一帧；对目标位置区域图像进行色调空间转换并将NTSC空间色调图I与HSV空间色调图H加权得到色调直方图，进一步得到图像的反向投影，然后运用Meanshift算法精确定位目标位置。进入视频的下一帧重复以上计算。本发明可作为运动目标轨迹分析，车辆超速和违规检测以及人流量检测。
Description
技术领域
本发明设计一种多目标定位跟踪视频监控方法，适用于摄像机视场固定，背景存在物体微小动态变化的运动目标定位跟踪视频监控。
背景技术
Meanshift算法是目前较为有效的目标跟踪算法之一，该算法通过采用梯度优化的方法来实现跟踪目标定位跟踪，对跟踪目标的变形、缩放、旋转等变化有较好的适应能力，同时该算法的运算速度也相对较快。Meanshift算法在单色调的跟踪目标及背景图像和跟踪目标颜色相似度较低的情况下有较好的跟踪效果，但是当周围环境存在相近颜色的前景物体时，由于Meanshift算法大多基于静态的目标表达模型，不适合复杂动态背景的情景并且它要求搜索的初始位置需位于以目标真实位置为中心的搜索窗以内，单纯的使用Meanshift算法容易造成目标定位不准确以至目标跟踪失败，所以在应用该算法时消除动态背景干扰和得到准确的跟踪框初始位置是十分关键的环节。
在视频背景图像保持不变即摄像机固定视场一定时，图像处理关注的通常是移动的前景物体，而提取出前景物体需要建立相应的背景模型，然后用帧差法处理背景模型和当前帧得到前景物体。如果视频中背景单一或者背景图像易于获取，那么提取前景的工作就是相对容易的。但是大多数情况，获得背景图片是不可能的，比如在复杂多变的场景下或者树叶飘动的条件下。因此，就需要动态的变换背景。最简单的办法就是对视频图像序列取平均值，但这样做有很多弊端，首先，在计算背景图像前需要输入大量的视频图像，其次取平均的视频图像中不能有前景物体。所以动态建立并更新背景图片对实现准确的提取前景物体与目标跟踪是十分重要的。
在一个复杂的具有前景物体运动的背景下，实现准确的目标定位跟踪一直是一个具有挑战性的研究课题。单目标、多目标定位跟踪是视频监控系统的关键部分。目前尚未有相关文献报导。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提供一种多目标定位跟踪视频监控方法，将高斯混合模型背景建模、背景减除法、形态学膨胀运算与中值滤波、颜色空间转换以及Meanshift算法相结合实现目标定位跟踪，具有可靠性强，操作简单，自动化性强等优点，可作为运动目标轨迹分析，车辆超速和违规检测以及人流量检测。
本发明的技术解决方案为：一种多目标定位跟踪视频监控方法，首先通过高斯混合模型训练背景，得到的背景图像，然后在视频下一帧中运用背景减除法得到前景图像，再根据膨胀运算与中值滤波得到准确的前景物体区域；如果前景物体存在则根据连通域查找确定目标位置，如果没有前景物体则转到视频下一帧；对目标位置区域图像进行色调空间转换并将NTSC空间色调图I与HSV空间色调图H加权得到色调直方图，进一步得到图像的反向投影，然后运用Meanshift算法精确定位目标位置；进入视频的下一帧重复上述运算。
应用高斯混合模型进行背景建模，有效去除背景中前景物体微小变化对运动目标提取的干扰，同时降低了对目标提取的视频序列的要求。
所述的通过高斯混合模型训练背景，得到的背景图像的过程如下：
假定图像像素点R、G、B三色通道相互独立互不相关并具有相同的方差，δt为方差，wt为t时刻高斯分布的权重，将高斯分量按照wi/δi值降序排列，将前m个权值之和大于设定阈值的作为当前背景模型。
视频中每帧图像都与由高斯混合模型背景建模得到的背景图像进行背景减除，得到的准确的目标位置。
所述视频下一帧中运用背景减除法得到前景图像如下：
首先计算背景图像与当前帧图像的绝对差值得到目标差分图像，接下来对目标差分图像进行二值化，得到前景图像。
运动物体与背景色调相似性很大时，得到的前景物体存在不完整的情况，所以在前景图像中进行膨胀运算使与跟踪目标接触的所有背景点合并到感兴趣区域中，使边界向外扩张，填充二值化跟踪目标中的空洞，填补不完整部分，但膨胀运算使边界向外扩张，噪声点扩大，所以对图像进行中值滤波得到准确的感兴趣区域。
所述根据膨胀运算与中值滤波得到准确的前景物体区域的过程如下：
(1)膨胀运算，通过用3x3的结构元素扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作如果存在1，结果图像的该像素为1，否则为0；
(2)中值滤波，把每一点的像素值用该点的邻域中各点像素值的中值代替，使感兴趣区域周围的像素值更接近真实值，从而消除前景图像中由于膨胀运算扩大的噪声点孤立的噪声点。
上述检测运动目标存在的过程如下：
如果运动目标存在即感兴趣区域大于设定的阈值，则进行下一步处理；如果运动目标被遮挡或者不存在即感兴趣区域小于设定的阈值，则跳到视频下一帧继续检测，直到存在前景物体进行下一步处理。
所述根据连通域查找确定目标位置的过程如下：
(1)一行一行地搜索整个前景图像，对每个赋一个非零的值。如果所有的邻域都是背景像素即像素值为零，则非零像素被赋予一个新的没使用过的标号。如果邻域的标号有标号冲突。则将标号对作为等价对保存起来。等价对被保存在单独的数据结构等价表中。
(2)所有的区域像素在第一遍扫描时被标注了，但是一些区域由于标号冲突存在具有不同标号的像素。再一遍扫描图像，使用等价表的信息重新标注像素。
(3)通过查找相同标号所在位置确定目标位置以及目标大小。
NTSC彩色空间图像数据分为三部分：亮度Y、色调I和饱和度Q。HSV空间中颜色的参数分别是：色调H，饱和度S，亮度V，色调图I与色调图H通过等权重加权得到图像整体的色调直方图，相较于单独使用色调图H颜色信息更丰富，定位更准确。
所述运用Meanshift算法精确定位目标位置过程如下：
(1)计算零阶距、一阶距、搜索窗质心、搜索窗大小。
(2)计算搜索窗中心到质心的距离，设定阈值和循环次数最大值，当搜索窗的中心到质心的距离小于阈值或者循环运算的次数达到设定的最大值，停止计算。
本发明所述方法在图像处理中自动完成定位；处理连续图像即视频的序列图像时，能够得到并运动目标的运动轨迹，速度以及运动目标出现的次数。
本发明与现有技术相比的优点在于：
(1)应用高斯混合模型进行背景建模，有效去除背景中前景物体微小变化对运动目标提取的干扰，同时降低了对目标提取的视频序列的要求。视频中每帧图像都与由高斯混合模型背景建模得到的背景图像进行背景减除，得到目标的位置；运动物体与背景色调相似性很大时，得到的前景物体存在不完整的情况，所以在前景图像中进行膨胀运算使与跟踪目标接触的所有背景点合并到感兴趣区域中，使边界向外扩张，填充二值化跟踪目标中的空洞，填补不完整部分。由于膨胀运算使边界向外扩张，噪声点扩大，所以对图像进行中值滤波使感兴趣区域周围的像素值更接近真实值，消除前景图像中由于膨胀运算扩大的孤立的噪声点。视频处理时不断检测运动目标是否存在，如果运动目标存在则继续运行程序；如果运动目标被遮挡或者不存在则跳到视频下一帧重复检查。对目标位置区域图像进行色调空间转换并将NTSC空间色调图I与HSV空间色调图H加权得到色调直方图，颜色信息更丰富，使得定位更准确。用Meanshift算法在感兴趣区域对目标进行准确定位，提高了定位精度以及可靠性。此外，Meanshift对目标的变形、缩放、旋转等有较好的适应能力，提高了系统的鲁棒性。
(2)本发明使用高斯混合模型进行视频背景建模并对前景图像进行形态学预处理，减少了背景中物体细微动态变化对提取前景物体的干扰，同时降低了对提取前景物体的视频序列的要求，更具实用性。此外，本发明通过对比HSV空间与NTSC空间色调图的区别，将H分量与I分量加权得到的色调图作为Meanshift算法处理的图像，改进了Meanshift算法。
附图说明
图1为本发明的多目标定位跟踪视频监控方法流程图。
具体实施方式
如图1所示，本发明实现如下：
(1)对视频前50帧图像应用高斯混合模型进行背景建模，有效去除背景中前景物体微小变化对运动目标提取的干扰，同时降低了对目标提取的视频序列的要求。
(2)视频中下一帧图像与由高斯混合模型背景建模得到的背景图像进行背景减除，得到前景图像。
(3)运动物体与背景色调相似性很大时，得到的前景图像中的前景物体存在不完整的情况，所以在前景图像中进行膨胀运算使与跟踪目标接触的所有背景点合并到感兴趣区域中，使边界向外扩张，填充二值化跟踪目标中的空洞，填补不完整部分。
(4)经膨胀运算的前景图像边界向外扩张，噪声点扩大，所以进一步进行中值滤波使感兴趣区域周围的像素值更接近真实值，消除前景图像中由于膨胀运算扩大的孤立的噪声点。
(5)对经过膨胀运算与中值滤波的前景图像进行连通域查找，检测运动目标是否存在，如果运动目标存在则进行下一步处理；如果运动目标被遮挡或者不存在则跳到视频下一帧重复(2)～(5)，直到存在运动目标进行下一步处理。
(6)对目标位置区域的原始图像进行色调空间转换并将NTSC空间色调图I与HSV空间色调图H等权重加权得到色调直方图，进一步得到图像的反向投影图像(即将图像H色调图的像素值用其色调出现的概率替换)。
(7)用Meanshift算法在反向投影图像的感兴趣区域的中对目标进行准确定位，得到运动目标的准确位置以及质心坐标。
(8)在视频的每一帧重复(2)～(7)过程，实现在视频中对目标的定位跟踪。
下面进行详细说明：
1、使用高斯混合模型进行背景建模，假定图像像素点R、G、B三色通道相互独立互不相关并具有相同的方差。对于随机变量X的观测数据集{x1,x2,…,xt}，xt＝(Rt,Gt,Bt)为t时刻像素的样本，则单个采样点xt其服从：
其中：k为表达像素特征的高斯分量个数，η(xt,ui,t,τi,t)三维高斯分布函数，ui,t为其均值向量，δi,t为方差，τi,t为协方差矩阵，wi,t为t时刻第i个高斯分布的权重，p(xt)为t时刻高斯分布的概率。
将k个高斯分量按照wi/σi值降序排列，将前m个权值之和大于设定阈值的作为当前背景模型，即：
其中：T为设定的背景建模阈值，wi,t为t时刻第i个高斯分布的权重，B为背景值。
2、视频中每帧图像都与由高斯混合模型背景建模得到的背景图像进行背景减除，得到运动目标的位置。
3、运动物体与背景色调相似性很大时，得到的前景物体存在不完整的情况，所以在前景图像中进行膨胀运算使与跟踪目标接触的所有背景点合并到感兴趣区域中，使边界向外扩张，填充二值化跟踪目标中的空洞，填补不完整部分。
4、由于膨胀运算使边界向外扩张，噪声点扩大，所以对图像进行中值滤波使感兴趣区域周围的像素值更接近真实值，消除前景图像中由于膨胀运算扩大的孤立的噪声点。
5、检测当前帧运动目标是否存在，如果运动目标存在则继续运行程序；如果运动目标被遮挡或者不存在则跳到视频下一帧重复检查。
6、运用连通域查找的方法得到运动目标的位置，并得到准确定位的初始位置即Meanshift算法搜索框的初始位置。
7、对目标位置区域图像进行色调空间转换并将NTSC空间色调图I与HSV空间色调图H加权得到色调直方图，颜色信息更丰富，使得定位更准确。
8、求图像的反向投影，将图像色调图的像素值用其色调出现的概率替换，即得到图像的颜色概率分布图。
9、利用Meanshift算法
计算零阶距：
其中，x,y表示像素点的横纵坐标，I(x,y)为该像素点的灰度值，M00为图像的零阶距。
计算一阶距：
其中，x,y表示像素点的横纵坐标，I(x,y)为该像素点的灰度值，M10为图像的y一阶距，M10为图像的x一阶距。
计算搜索窗质心
xc＝M10/M00
yc＝M01/M00
其中，x,y表示像素点的横纵坐标，I(x,y)为该像素点的灰度值，M00为图像的零阶距。xc为质心的横坐标，yc为质心的纵坐标，M00为图像的零阶距，M10为图像的y一阶距，M10为图像的x一阶距。
调整搜索窗大小：
设定阈值和循环次数最大值，例如阈值为1，循环次数为10，当搜索窗的中心到质心的距离小于阈值停止计算。
10、在视频的每一帧重复上述2-9过程。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (8)
1.一种多目标定位跟踪视频监控方法，其特征在于：首先通过高斯混合模型训练背景，得到背景图像，然后在视频下一帧中运用背景减除法得到前景图像，再根据膨胀运算与中值滤波得到准确的前景物体区域即运动目标位置；如果运动目标存在则根据连通域查找确定目标位置，如果没有运动目标则转到视频下一帧；对目标位置区域图像进行色调空间转换并将NTSC空间色调图I与HSV空间色调图H加权得到色调直方图，进一步得到图像的反向投影，然后运用Meanshift算法精确定位目标位置；进入视频的下一帧重复上述运算，
其中，NTSC彩色空间图像数据分为三部分：亮度Y、色调I和饱和度Q，HSV空间中颜色的参数分别是：色调H，饱和度S，亮度V，色调图I与色调图H通过等权重加权得到图像整体的色调直方图。
2.根据权利要求1所述一种多目标定位跟踪视频监控方法，其特征在于：所述的通过高斯混合模型训练背景，得到背景图像的过程如下：
假定图像像素点R、G、B三色通道相互独立互不相关并具有相同的方差，δt为方差，wt为t时刻高斯分布的权重，将高斯分量按照wi/δi值降序排列，将前m个权值之和大于设定阈值的作为当前背景模型。
3.根据权利要求1所述一种多目标定位跟踪视频监控方法，其特征在于：所述视频下一帧中运用背景减除法得到前景图像如下：
首先计算背景图像与当前帧图像的绝对差值得到目标差分图像，接下来对目标差分图像进行二值化，得到前景图像。
4.根据权利要求1所述一种多目标定位跟踪视频监控方法，其特征在于：所述根据膨胀运算与中值滤波得到准确的前景物体区域的过程如下：
(1)膨胀运算，通过用3x3的结构元素扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作如果存在1，结果图像的该像素为1，否则为0；
(2)中值滤波，把每一点的像素值用该点的邻域中各点像素值的中值代替，使感兴趣区域周围的像素值更接近真实值，从而消除前景图像中由于膨胀运算扩大的孤立的噪声点。
5.根据权利要求1所述一种多目标定位跟踪视频监控方法，其特征在于：检测所述运动目标存在的过程如下：
如果运动目标存在即感兴趣区域大于设定的阈值，则进行下一步处理；如果运动目标被遮挡或者不存在即感兴趣区域小于设定的阈值，则跳到视频下一帧继续检测，直到存在运动目标进行下一步处理。
6.根据权利要求1所述一种多目标定位跟踪视频监控方法，其特征在于：所述根据连通域查找确定目标位置的过程如下：
(1)一行一行地搜索整个前景图像，对每个赋一个非零的值，如果所有的邻域都是背景像素即像素值为零，则非零像素被赋予一个新的没使用过的标号，如果邻域的标号有标号冲突，则将标号对作为等价对保存起来，等价对被保存在单独的数据结构等价表中；
(2)所有的区域像素在第一遍扫描时被标注了，但是一些区域由于标号冲突存在具有不同标号的像素，再一遍扫描图像，使用等价表的信息重新标注像素；
(3)通过查找相同标号所在位置确定目标位置以及目标大小。
7.根据权利要求1所述一种多目标定位跟踪视频监控方法，其特征在于：所述运用Meanshift算法精确定位目标位置过程如下：
(1)计算零阶距、一阶距、搜索窗质心、搜索窗大小；
(2)计算搜索窗中心到质心的距离，设定阈值和循环次数最大值，当搜索窗的中心到质心的距离小于阈值或者循环运算的次数达到设定的最大值，停止计算。
8.根据权利要求1所述一种多目标定位跟踪视频监控方法，其特征在于：所述方法在图像处理中自动完成定位；处理连续图像即视频的序列图像时，能够得到运动目标的运动轨迹，速度以及运动目标出现的次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610742578.3A CN106355602B (zh) | 2016-08-26 | 2016-08-26 | 一种多目标定位跟踪视频监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610742578.3A CN106355602B (zh) | 2016-08-26 | 2016-08-26 | 一种多目标定位跟踪视频监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106355602A CN106355602A (zh) | 2017-01-25 |
| CN106355602B true CN106355602B (zh) | 2018-10-19 |
Family
ID=57855206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610742578.3A Active CN106355602B (zh) | 2016-08-26 | 2016-08-26 | 一种多目标定位跟踪视频监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106355602B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921878A (zh) * | 2018-04-30 | 2018-11-30 | 武汉工程大学 | 动目标低对比度下的危险气体泄漏红外视频检测方法 |
| CN110636248B (zh) * | 2018-06-22 | 2021-08-27 | 华为技术有限公司 | 目标跟踪方法与装置 |
| CN108960253A (zh) * | 2018-06-27 | 2018-12-07 | 魏巧萍 | 一种目标检测系统 |
| CN110378361B (zh) * | 2018-11-23 | 2022-04-12 | 北京京东乾石科技有限公司 | 一种用于密集拿取物品检测的方法和装置 |
| CN109711313B (zh) * | 2018-12-20 | 2022-10-14 | 四创科技有限公司 | 一种识别向河道内倾倒污水的实时视频监控方法 |
| CN110047092B (zh) * | 2019-03-27 | 2019-12-13 | 深圳职业技术学院 | 一种复杂环境下多目标实时跟踪方法 |
| CN110197121A (zh) * | 2019-04-24 | 2019-09-03 | 上海理工大学 | 基于DirectShow的运动目标检测方法、运动目标检测模块及监控系统 |
| CN110164153A (zh) * | 2019-05-30 | 2019-08-23 | 哈尔滨理工大学 | 一种交通信号自适应配时方法 |
| CN110427982B (zh) * | 2019-07-12 | 2021-09-07 | 北京航天光华电子技术有限公司 | 一种基于图像处理的自动布线机路线校正方法及系统 |
| CN111275737B (zh) * | 2020-01-14 | 2023-09-12 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法、装置、设备及存储介质 |
| CN113361299B (zh) * | 2020-03-03 | 2023-08-15 | 浙江宇视科技有限公司 | 一种异常停车的检测方法、装置、存储介质及电子设备 |
| CN111667508B (zh) * | 2020-06-10 | 2023-10-24 | 北京爱笔科技有限公司 | 一种检测方法和相关装置 |
| CN111667503A (zh) * | 2020-06-12 | 2020-09-15 | 中国科学院长春光学精密机械与物理研究所 | 基于前景检测的多目标跟踪方法、装置、设备及存储介质 |
| CN112184759A (zh) * | 2020-09-18 | 2021-01-05 | 深圳市国鑫恒运信息安全有限公司 | 一种基于视频的运动目标检测与跟踪方法及系统 |
| CN112507913A (zh) * | 2020-12-15 | 2021-03-16 | 北京京航计算通讯研究所 | 基于视频图像识别技术的目标检测系统 |
| CN112446358A (zh) * | 2020-12-15 | 2021-03-05 | 北京京航计算通讯研究所 | 基于视频图像识别技术的目标检测方法 |
| CN112802348B (zh) * | 2021-02-24 | 2022-05-06 | 辽宁石化职业技术学院 | 一种基于混合Gaussian模型的车流量计数方法 |
| CN113628242A (zh) * | 2021-07-07 | 2021-11-09 | 武汉大学 | 一种基于背景减除法的卫星视频目标跟踪方法及系统 |
| CN113808168A (zh) * | 2021-09-18 | 2021-12-17 | 上海电机学院 | 一种基于图像处理和卡尔曼滤波的水下管线定位跟踪方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103997624A (zh) * | 2014-05-21 | 2014-08-20 | 江苏大学 | 重叠域双摄像头目标跟踪系统及方法 |
| CN104766344A (zh) * | 2015-03-31 | 2015-07-08 | 华南理工大学 | 基于运动边缘提取器的车辆检测方法 |
| CN105632170A (zh) * | 2014-11-26 | 2016-06-01 | 安徽中杰信息科技有限公司 | 一种基于Mean Shift跟踪算法的交通流检测方法 |
-
2016
- 2016-08-26 CN CN201610742578.3A patent/CN106355602B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103997624A (zh) * | 2014-05-21 | 2014-08-20 | 江苏大学 | 重叠域双摄像头目标跟踪系统及方法 |
| CN105632170A (zh) * | 2014-11-26 | 2016-06-01 | 安徽中杰信息科技有限公司 | 一种基于Mean Shift跟踪算法的交通流检测方法 |
| CN104766344A (zh) * | 2015-03-31 | 2015-07-08 | 华南理工大学 | 基于运动边缘提取器的车辆检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "视频监控中运动目标的识别与跟踪研究";张岩岩;《中国优秀硕士学位论文全文数据库》;20160630;第5页第2段到第7页第2段、第11页第4-6段、第17页第1段到第22页第3段、第23页第1段、第24页第5段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106355602A (zh) | 2017-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106355602B (zh) | 一种多目标定位跟踪视频监控方法 | |
| CN105224912B (zh) | 基于运动信息和轨迹关联的视频行人检测和跟踪方法 | |
| CN108280397B (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
| CN109949340A (zh) | 基于OpenCV的目标尺度自适应跟踪方法 | |
| CN105740945B (zh) | 一种基于视频分析的人群计数方法 | |
| CN104601964B (zh) | 非重叠视域跨摄像机室内行人目标跟踪方法及系统 | |
| CN103186904B (zh) | 图片轮廓提取方法及装置 | |
| CN107273905B (zh) | 一种结合运动信息的目标主动轮廓跟踪方法 | |
| CN104050488B (zh) | 一种基于切换的卡尔曼滤波模型的手势识别方法 | |
| CN108198201A (zh) | 一种多目标跟踪方法、终端设备及存储介质 | |
| CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
| 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 | |
| CN105513053B (zh) | 一种用于视频分析中背景建模方法 | |
| CN110288538A (zh) | 一种多特征融合的运动目标阴影检测及消除方法 | |
| CN110717896A (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
| CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
| CN105225226A (zh) | 一种基于图像分割的级联可变形部件模型目标检测方法 | |
| CN104123529A (zh) | 人手检测方法及系统 | |
| CN109447082B (zh) | 一种场景运动目标分割方法、系统、存储介质及设备 | |
| CN110688965A (zh) | 基于双目视觉的ipt模拟训练手势识别方法 | |
| CN112818905B (zh) | 一种基于注意力和时空信息的有限像素车辆目标检测方法 | |
| CN107103301B (zh) | 视频目标时空最大稳定性判别性颜色区域匹配方法和系统 | |
| CN106056078A (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
| CN110516527B (zh) | 一种基于实例分割的视觉slam回环检测改进方法 | |
| Duan et al. | An approach to dynamic hand gesture modeling and real-time extraction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |