CN106373144A - 图像目标相对位置确定方法与系统 - Google Patents
图像目标相对位置确定方法与系统 Download PDFInfo
- Publication number
- CN106373144A CN106373144A CN201610705050.9A CN201610705050A CN106373144A CN 106373144 A CN106373144 A CN 106373144A CN 201610705050 A CN201610705050 A CN 201610705050A CN 106373144 A CN106373144 A CN 106373144A
- Authority
- CN
- China
- Prior art keywords
- cluster
- target
- sample
- gradient
- relative 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.)
- Pending
Links
Classifications
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30212—Military
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像目标相对位置确定方法与系统,获取目标初始位置,根据目标初始位置进行稀疏采样,将采样点分为前景样本和背景样本,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,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。整个过程中,采用稀疏采样、采样点区分以及相邻的前景样本聚类完成多特征级联聚类,再进行稳健估计确定目标及伪装干扰的位置,能够准确确定含伪装干扰图像中目标与伪装干扰相对位置。
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相对位置确定方法与系统。
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。
在目标跟踪过程中,目标位置与伪装干扰相对位置确定是非常关键的一步,基于传统的目标跟踪方案,其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,传统的方案往往无法准确确定目标与伪装干扰的相对位置。
发明内容
基于此,有必要针对传统方案无法准确确定目标与伪装干扰相对位置的问题,提供一种能够准确确定目标与伪装干扰相对位置的方法与系统。
一种图像目标相对位置确定方法,包括步骤:
获取目标初始位置,根据目标初始位置进行稀疏采样;
将采样点分为前景样本和背景样本;
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;
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。
一种图像目标相对位置确定系统,包括:
稀疏采样模块,用于获取目标初始位置,根据目标初始位置进行稀疏采样;
采样点区分模块,用于将采样点分为前景样本和背景样本;
聚类模块,用于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;
位置确定模块,用于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。
本发明图像目标相对位置确定方法与系统,获取目标初始位置,根据目标初始位置进行稀疏采样,将采样点分为前景样本和背景样本,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,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。整个过程中,采用稀疏采样、采样点区分以及相邻的前景样本聚类完成多特征级联聚类,再进行稳健估计确定目标及伪装干扰的位置,能够准确确定含伪装干扰图像中目标与伪装干扰相对位置。
附图说明
图1为本发明图像目标相对位置确定方法第一个实施例的流程示意图;
图2为本发明图像目标相对位置确定方法第二个实施例的流程示意图;
图3为本发明图像目标相对位置确定系统第一个实施例的结构示意图;
图4为本发明图像目标相对位置确定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,一种图像目标相对位置确定方法,包括步骤:
S200: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。
S400:将采样点分为前景样本和背景样本。
将步骤S200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。
如图2所示,在其中一个实施例中,步骤S400包括:
S420:提取稀疏采样每个样本中的颜色特征。
在步骤S200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。
S440: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。
S460:根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,其中,前景样本中可能含有目标,同时也可能还有伪装干扰,在后续操作中也主要针对前景样本进行处理。
S600: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。
如图2所示,在其中一个实施例中,步骤S600包括:
S620:根据前景样本的空间分布,获取前景样本的重叠区域。
在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。
S640: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。
S800: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。
根据二次聚类结果进行稳健估计,确定图像中目标与伪装干扰的相对位置。
如图2所示,在其中一个实施例中,步骤S800包括:
S820: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。
在各个簇内进行密集采样,同时提取密集样本点的梯度特征。
S840:将提取的梯度特征与预设梯度模型匹配,获得匹配值。
预设梯度模型是预先构建的模型,具体来说,该预设梯度模型是梯度直方图HOG,其可以通过对图像目标的经验数据进行建模所得到。在进行匹配过程中,采用匹配值来表征两者之间匹配程度。
S860: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。
针对匹配值着重关注匹配均值点和匹配值最高点,并且分别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。
S880: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。
由于每个簇内可能含有一个至多个(两个)目标,为有效的估计出所有目标及伪装干扰的位置,采用匹配值均值点位置及匹配值最高点的对应位置来完成稳健估计,确定目标与伪装干扰在图像中的相对位置。
在其中一个实施例中,步骤S880包括:
步骤一: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。
步骤二: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。
步骤三: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,完成目标位置的确定。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。
本发明图像目标相对位置确定方法,获取目标初始位置,根据目标初始位置进行稀疏采样,将采样点分为前景样本和背景样本,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,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。整个过程中,采用稀疏采样、采样点区分以及相邻的前景样本聚类完成多特征级联聚类,再进行稳健估计确定目标及伪装干扰的位置,能够准确确定含伪装干扰图像中目标与伪装干扰相对位置。
为更进一步详细解释本发明图像目标相对位置确定方法的技术方案,下面将采用具体实例,详细说明整个方案以及其带来的有益效果。
步骤一:基于前一帧目标位置,在目标周围完成均匀稀疏采样,并从每个样本中提取颜色特征(直方图)。
步骤二: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。
步骤三:根据样本的颜色匹配值结合其空间位置信息,利用高斯聚类算法,将采样点分为前景样本和背景样本,其中,前景样本中可能含有目标,同时也可能还有伪装干扰。
步骤四:前景样本中具有重叠区域的样本再次进行空间聚类,算法根据空间分布将前景样本分为了几个不同的簇。
步骤五:为了提高精度,在每个簇里面实现密集采样,并从密集采样中提取梯度特征。
步骤六:根据样本的梯度特征完成与预设梯度模型的匹配,获得匹配值。
步骤七:由于每个簇内可能含有一个至多个(两个)目标,为有效的估计出所有目标及伪装干扰的位置,算法迭代计算簇内的均值点对应位置及最高点对应位置来完成稳健估计,当均值点和最高点的位置足够靠近(偏差小于50%),则迭代停止。
步骤八:根据迭代结果确定具有区域重叠的目标,从而确定目标与伪装干扰在图像中的相对位置。
上述图像目标相对位置确定方法,在目标周围完成均匀稀疏采样,并提取颜色特征,然后,将样本中提取的颜色特征与模型特征进行匹配,融合颜色匹配值及空间位置信息,利用高斯聚类将采样样本分为前景样本及背景样本,其中,前景样本中含有目标及伪装干扰,根据前景样本点的重叠区域算法将前景样本再次进行聚类,在各个簇里面完成密集采样,同时提取密集样本点里面的梯度特征,并将其与梯度模型的匹配,获得匹配值。根据梯度匹配值的大小,获得密集样本中均值点对应的位置,通过迭代对比匹配值最高点的位置及均值点位置,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,直到最后均值点对应位置和最高点对应位置足够靠近(偏差小于50%),则迭代停止,完成对目标及伪装干扰的位置估计。
如图3所示,一种图像目标相对位置确定系统,包括:
稀疏采样模块200,用于获取目标初始位置,根据目标初始位置进行稀疏采样。
采样点区分模块400,用于将采样点分为前景样本和背景样本。
聚类模块600,用于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。
位置确定模块800,用于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。
本发明图像目标相对位置确定系统,稀疏采样模块200获取目标初始位置,根据目标初始位置进行稀疏采样,采样点区分模块400将采样点分为前景样本和背景样本,聚类模块600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,位置确定模块800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。整个过程中,采用稀疏采样、采样点区分以及相邻的前景样本聚类完成多特征级联聚类,再进行稳健估计确定目标及伪装干扰的位置,能够准确确定含伪装干扰图像中目标与伪装干扰相对位置。
如图4所示,在其中一个实施例中,位置确定模块800包括:
梯度信息提取单元820,用于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。
匹配值计算单元840,用于将提取的梯度特征与预设梯度模型匹配,获得匹配值;
对应位置获取单元860,用于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。
位置确定单元880,用于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。
在其中一个实施例中,位置确定单元880包括:
迭代匹配值计算单元,用于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。
重叠区域查找单元,用于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。
确定单元,用于确定目标与伪装干扰在图像中的相对位置。
如图4所示,在其中一个实施例中,采样点区分模块400包括:
颜色特征提取单元420,用于提取稀疏采样每个样本中的颜色特征。
匹配单元440,用于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。
区分单元460,用于根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。
如图4所示,在其中一个实施例中,聚类模块600包括:
重叠区域获取单元620,用于根据前景样本的空间分布,获取前景样本的重叠区域。
聚类单元640,用于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。
以上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)
1.一种图像目标相对位置确定方法,其特征在于,包括步骤:
获取目标初始位置,根据所述目标初始位置进行稀疏采样;
将采样点分为前景样本和背景样本;
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;
根据所述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。
2.根据权利要求1所述的图像目标相对位置确定方法,其特征在于,所述根据所述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的步骤包括:
根据所述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;
将提取的梯度特征与预设梯度模型匹配,获得匹配值;
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;
根据所述梯度匹配均值点对应位置以及所述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。
3.根据权利要求2所述的图像目标相对位置确定方法,其特征在于,所述根据所述梯度匹配均值点对应位置以及所述梯度匹配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包括:
根据所述梯度匹配均值点对应位置以及所述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;
当每个所述梯度匹配均值点对应位置与所述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;
确定目标与伪装干扰在图像中的相对位置。
4.根据权利要求1所述的图像目标相对位置确定方法,其特征在于,所述将采样点分为前景样本和背景样本的步骤包括:
提取稀疏采样每个样本中的颜色特征;
获取颜色强度的梯度直方图特征,将提取的颜色特征与所述颜色强度的梯度直方图特征匹配,获得匹配结果;
根据所述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。
5.根据权利要求1所述的图像目标相对位置确定方法,其特征在于,所述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的步骤包括:
根据前景样本的空间分布,获取所述前景样本的重叠区域;
根据所述前景样本的重叠区域将所述前景样本进行聚类,获得包含多个簇的聚类结果。
6.一种图像目标相对位置确定系统,其特征在于,包括:
稀疏采样模块,用于获取目标初始位置,根据所述目标初始位置进行稀疏采样;
采样点区分模块,用于将采样点分为前景样本和背景样本;
聚类模块,用于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;
位置确定模块,用于根据所述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。
7.根据权利要求6所述的图像目标相对位置确定系统,其特征在于,所述位置确定模块包括:
梯度信息提取单元,用于根据所述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;
匹配值计算单元,用于将提取的梯度特征与预设梯度模型匹配,获得匹配值;
对应位置获取单元,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;
位置确定单元,用于根据所述梯度匹配均值点对应位置以及所述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。
8.根据权利要求7所述的图像目标相对位置确定系统,其特征在于,所述位置确定单元包括:
迭代匹配值计算单元,用于根据所述梯度匹配均值点对应位置以及所述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;
重叠区域查找单元,用于当每个所述梯度匹配均值点对应位置与所述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;
确定单元,用于确定目标与伪装干扰在图像中的相对位置。
9.根据权利要求6所述的图像目标相对位置确定系统,其特征在于,所述采样点区分模块包括:
颜色特征提取单元,用于提取稀疏采样每个样本中的颜色特征;
匹配单元,用于获取颜色强度的梯度直方图特征,将提取的颜色特征与所述颜色强度的梯度直方图特征匹配,获得匹配结果;
区分单元,用于根据所述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。
10.根据权利要求6所述的图像目标相对位置确定系统,其特征在于,所述聚类模块包括:
重叠区域获取单元,用于根据前景样本的空间分布,获取所述前景样本的重叠区域;
聚类单元,用于根据所述前景样本的重叠区域将所述前景样本进行聚类,获得包含多个簇的聚类结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610705050.9A CN106373144A (zh) | 2016-08-22 | 2016-08-22 | 图像目标相对位置确定方法与系统 |
US15/591,667 US10140727B2 (en) | 2016-08-22 | 2017-05-10 | Image target relative position determining method, device, and system thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610705050.9A CN106373144A (zh) | 2016-08-22 | 2016-08-22 | 图像目标相对位置确定方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106373144A true CN106373144A (zh) | 2017-02-01 |
Family
ID=57878431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610705050.9A Pending CN106373144A (zh) | 2016-08-22 | 2016-08-22 | 图像目标相对位置确定方法与系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10140727B2 (zh) |
CN (1) | CN106373144A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046895B (zh) * | 2018-10-15 | 2023-11-07 | 北京京东振世信息技术有限公司 | 一种确定目标区域的方法和装置 |
CN111914657B (zh) * | 2020-07-06 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种宠物行为检测方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281477A (zh) * | 2013-05-17 | 2013-09-04 | 天津大学 | 基于多级别特征数据关联的多目标视觉跟踪方法 |
CN103413120A (zh) * | 2013-07-25 | 2013-11-27 | 华南农业大学 | 基于物体整体性和局部性识别的跟踪方法 |
CN104766343A (zh) * | 2015-03-27 | 2015-07-08 | 电子科技大学 | 一种基于稀疏表示的视觉目标跟踪方法 |
Family Cites Families (6)
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 |
JP4787322B2 (ja) * | 2006-06-16 | 2011-10-05 | ビ−エイイ− システムズ パブリック リミテッド カンパニ− | 目標追跡に関する改善策 |
CN103207879B (zh) * | 2012-01-17 | 2016-03-30 | 阿里巴巴集团控股有限公司 | 图像索引的生成方法及设备 |
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 |
-
2016
- 2016-08-22 CN CN201610705050.9A patent/CN106373144A/zh active Pending
-
2017
- 2017-05-10 US US15/591,667 patent/US10140727B2/en not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281477A (zh) * | 2013-05-17 | 2013-09-04 | 天津大学 | 基于多级别特征数据关联的多目标视觉跟踪方法 |
CN103413120A (zh) * | 2013-07-25 | 2013-11-27 | 华南农业大学 | 基于物体整体性和局部性识别的跟踪方法 |
CN104766343A (zh) * | 2015-03-27 | 2015-07-08 | 电子科技大学 | 一种基于稀疏表示的视觉目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180053321A1 (en) | 2018-02-22 |
US10140727B2 (en) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070570B (zh) | 一种基于深度信息的障碍物检测系统及方法 | |
CN106327526A (zh) | 图像目标跟踪方法与系统 | |
US8855363B2 (en) | Efficient method for tracking people | |
CN105046197B (zh) | 基于聚类的多模板行人检测方法 | |
CN104268583B (zh) | 基于颜色区域特征的行人重识别方法及系统 | |
CN104331682B (zh) | 一种基于傅里叶描述子的建筑物自动识别方法 | |
CN106355604B (zh) | 图像目标跟踪方法与系统 | |
US20130243343A1 (en) | Method and device for people group detection | |
CN103268480A (zh) | 一种视觉跟踪系统及方法 | |
CN107610177B (zh) | 一种同步定位与地图构建中确定特征点的方法和设备 | |
CN110110650A (zh) | 行人中的人脸识别方法 | |
CN104537689B (zh) | 基于局部对比显著性联合特征的目标跟踪方法 | |
CN109033972A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
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 | |
CN108960185A (zh) | 基于YOLOv2的车辆目标检测方法及系统 | |
CN109344842A (zh) | 一种基于语义区域表达的行人重识别方法 | |
CN101131728A (zh) | 一种基于Shape Context的人脸形状匹配方法 | |
Wang et al. | An overview of 3d object detection | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN113112498B (zh) | 一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN110516533A (zh) | 一种基于深度度量的行人再辨识方法 | |
Tian et al. | Human Detection using HOG Features of Head and Shoulder Based on Depth Map. | |
CN104765739B (zh) | 基于形状空间的大规模人脸数据库检索方法 | |
CN106373144A (zh) | 图像目标相对位置确定方法与系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20170309 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. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170201 |
|
RJ01 | Rejection of invention patent application after publication |