CN106886790B - 聚类方法和系统、对应的装置和计算机程序产品 - Google Patents

聚类方法和系统、对应的装置和计算机程序产品 Download PDF

Info

Publication number
CN106886790B
CN106886790B CN201610350211.7A CN201610350211A CN106886790B CN 106886790 B CN106886790 B CN 106886790B CN 201610350211 A CN201610350211 A CN 201610350211A CN 106886790 B CN106886790 B CN 106886790B
Authority
CN
China
Prior art keywords
image frame
cluster
frame
clusters
previous
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
Application number
CN201610350211.7A
Other languages
English (en)
Other versions
CN106886790A (zh
Inventor
G·斯潘皮纳托
A·R·布鲁纳
V·达尔托
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STMicroelectronics SRL
Original Assignee
STMicroelectronics SRL
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by STMicroelectronics SRL filed Critical STMicroelectronics SRL
Publication of CN106886790A publication Critical patent/CN106886790A/zh
Application granted granted Critical
Publication of CN106886790B publication Critical patent/CN106886790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • 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
    • G06T2207/30221—Sports video; Sports 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
    • G06T2207/30232—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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Hardware Redundancy (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

在实施例中，通过以下方式从输入帧(IF)的运动矢量(MV)开始聚类输入帧(IF)的流传达的图像信息(C)：将运动矢量(MV)分组(104)成簇集(106，108)，通过合并来自簇集(106，108)的簇来向簇集(106，108)施加合并聚类(110)，方法包括以下中的一项或多项：i)在分组(104)成簇集(106，108)之前，向运动矢量(MV)施加滤波(102')以去除没有被包括在之前的簇中的小运动矢量，ii)通过从簇集中去除那些没有在输入帧(IF)的流中的前一帧中的簇并且联合那些涉及输入帧(IF)的流中的前一帧的相同簇的当前帧的簇来使用时间聚类(112)补充合并聚类(110)，iii)针对输入帧(IF)的流中的当前帧和前一帧计算同源簇的加权平均(114)，iv)使用由于输入帧(IF)的流中的前一帧的合并聚类(110，112)而产生的矢量(116)、针对当前帧的簇集(106，108)中的分组(104)补充运动矢量(MV)。

Description

聚类方法和系统、对应的装置和计算机程序产品
技术领域
本描述涉及聚类技术。
一个或多个实施例可以被应用于检索通过图像传感器(图像捕获)设备获取的场景中的移动对象的簇。
背景技术
聚类是按照如下方式来对(例如图像)信息的集合分组的任务：该方式使得同一组(称为簇)中的信息的条目比其他组中的信息的条目彼此更加类似。
移动对象的检测和跟踪是计算机视觉应用中很普遍且重要的任务，主要是作为支持其他应用的低层级任务。
实现这一步骤的效率扮演着很重要的角色，因为其可能明显影响执行随后的处理步骤。
虽然该领域已经有广泛的活动，但仍然感到需要一种改进的聚类技术。
发明内容
一个或多个实施例的目的是用于满足这样的需求。
根据一个或多个实施例，该目的借助于具有下面的权利要求中给出的特征的方法来实现。
一个或多个实施例还可以涉及对应的系统、对应的装置(例如用于在下面例示的可能应用的领域中使用的各种类型的图像捕获或传感器装置)以及计算机程序产品，计算机程序产品可加载至少一个计算机的存储器并且包括用于当产品在至少一个计算机上运行时执行方法的步骤的软件代码部分。如本文中所使用的，对于这样的计算机程序产品的引用被理解为等同于对包含用于控制处理系统以便协调根据一个或多个实施例的方法的实现的指令的计算机可读装置的引用。对“至少一个计算机”的引用意图强调一个或多个实施例能够用模块化和/或分布式形式来实现的可能性。
权利要求是本文中提供的一个或多个示例性实施例的公开内容的组成部分。
一个或多个实施例可以使用相邻帧之间的运动矢量(借助于出于这一目的已知的任何过程而获得)；从这些运动矢量开始，根据一个或多个实施例的系统可以能够检索由图像传感器设备获取的场景中的移动对象的簇。
一个或多个实施例可以依赖于以下基本想法：将具有类似的空间和运动信息的矢量看作属于相同的对象。
在一个或多个实施例中，也可以使用时间信息来改善性能。
一个或多个实施例的典型的应用领域可以包括例如用于以下各项的装置：
-摄像头监视；
-人员/对象检测/识别；
–CTA(交叉车流警告)；
–人员行为分析(例如防盗、跌落检测等)；
–无人看管行李检测。
一个或多个实施例可以提供以下优点中的一个或多个：
–可以通过求助于具有低功耗并且没有附加存储器要求的简单技术来提供可靠且低成本的聚类系统；
–提供适合用于与各种用于估计相邻帧之间的运动矢量的过程一起使用的灵活的解决方案；
-可以采用前一帧聚类和矢量信息以获得在当前帧中的更加鲁棒的聚类确定；
可以对当前和之前的相关簇求平均以针对用户维持更“优美的”的聚类输出。
附图说明
现在将参考附图仅以示例方式来描述一个或多个实施例，在附图中：
图1是聚类布置的示意性框图；
图2是一个或多个实施例的示意性框图；以及
图3包括部分a)到g)，图3是一个或多个实施例的可能操作的示意性表示。
具体实施方式
在随后的描述中，说明一个或多个具体细节，旨在提供对实施例的示例的深度理解。可以在没有这些具体细节中的一个或多个的情况下或者使用其他方法、部件、材料等来获得这些实施例。在其他情况下，没有对已知的结构、材料或操作进行详细说明或描述，以免模糊实施例的某些方面。
本描述的框架中对“实施例”或“一个实施例”的引用意图表示关于该实施例描述的特定的配置、结构或特性被包括在至少一个实施例中。因此，诸如“在实施例中”或者“在一个实施例中”等可以存在于本描述的一个或多个位置处的短语不一定指代同一实施例。另外，可以在一个或多个实施例中按照任意适当的方式组合特定的构造、结构或特性。
本文中所使用的附图标记仅为了方便而提供，因此没有限定保护范围或实施例的范围。
为了简洁，下面的描述中借助于括号之间的附图标记(例如[X])来指代某些文档，并且附图标记表示中出现在本描述的末尾的文档的列表中的文档。
一个或多个实施例可以使用相邻帧(例如借助于已知用于该目的的任何装置、例如数字视频相机C获得的视频流中的输入帧IF)之间的运动矢量MV。
从这些矢量MV开始，一个或多个实施例可以能够检索通过图像传感器设备获得的场景中的运动对象的簇(参见例如图1和2中识别为CI的簇)。
一个或多个实施例的基本想法是：将具有类似的空间和运动信息的矢量看作属于同一对象[1]。可选地，也使用时间信息来改善性能。
如所指出的，运动对象的检测和跟踪是计算机视觉应用中普通且重要的任务，主要作为支持其他应用的低层级任务。实现这一步骤的效率扮演着很重要的角色，因为其可能显著影响执行随后的处理步骤。
本质上，可以采用两种类型的方法以便满足这一任务：基于区域的方法和基于边界的方法。
背景减除和光流是普通的基于区域的方法：然而这些并不特别适合用于实时应用，因为它们可能需要很长的时间以用于估计背景模型。
各种基于边界的方法可以使用基于边缘的光流[2][3][4]。
图1是例如[5][6]中公开的过程的例示。
应当理解，可以用硬件、软件、固件或者硬件、软件和固件的组合或子组合来执行在本示例性详细描述中讨论的处理步骤中的部分或全部步骤。例如，以上步骤中的一些或全部可以由执行程序指令的计算电路、诸如微处理器或微控制器来执行，或者可以由硬连线或固件配置的电路、诸如ASIC或FPGA来执行。
在步骤100，从由(数字)图像传感器或图像捕获设备C(其可以是出于这一目的已知的任何类型，例如相机，并且其本身可以不是实施例的部分)提供的输入帧IF开始，可以提供相邻帧之间的运动矢量MV的列表(通过已知的方法，其不需要在本文中详细描述)。
在步骤102，可以执行预滤波，以便例如消除噪声和/或毛刺。
在步骤104，可以执行标记(也是用本身已知的方式)以便针对每个“类似的”运动矢量插入标签。
在聚类步骤106，可以将具有相同标签的矢量分组成簇，并且在另外的“NxM聚类”步骤108中，可以将找到的簇扩展至更大的NxM窗口。
最后，在合并聚类步骤110中，可以将“类似的”簇合并以提供最终的被标识的簇CI。
这样的方法可能呈现各种缺点。
比如，以上考虑的各种步骤中的一些步骤可能结果在计算上事是繁重的，因为它们可能对图像(也就是帧)进行操作。在例如使用中值滤波器或者背景去除的情况下，对于预滤波步骤102尤其是这样。
另外，没有使用时间簇信息以便增强聚类，例如使用用于跟踪的之前的聚类信息，并且没有使用“之前”矢量信息。
一个或多个实施例可以采用图2中例示的聚类方法，其中已经结合图1介绍的部分或元素使用相同的附图标记来表示。在此出于简洁的目的不再重复相应的详细描述。
图2中例示的处理步骤中的一些或全部也可以用硬件、软件、固件或者硬件、软件和固件的组合或子组合来执行。例如，这些步骤中的一些或全部步骤可以由执行程序指令的计算电路、诸如微处理器或微控制器来执行，或者可以由硬连线或固件配置的电路、诸如ASIC或FPGA来执行。
在图2中例示的一个或多个实施例中，图1的预滤波步骤102可以用“智能”预滤波步骤102'来取代，在“智能”预滤波步骤102'中消除了在之前簇中没有的(非常)小矢量。
在图2中例示的一个或多个实施例中，可以在112与合并聚类110相关联地(例如在合并聚类110之后)执行时间聚类以便消除在前一帧中没有的簇并且联合涉及相同前一簇的当前簇。
在图2中例示的一个或多个实施例中，可以在114(例如在合并和时间聚类110、112之后)执行簇平滑以便产生例如当前和先前相关簇的加权平均。
在图2中例示的一个或多个实施例中，例如在标记步骤104中，可以在下一帧中插入(可选地施加相同的运动，也就是考虑恒定的对象速度)在当前簇(例如在114处的簇平滑中可用的簇)中包含的(所有)时间矢量116。
也就是，在一个或多个实施例中，可以使用由于先前帧的合并聚类110(以及可选的时间聚类112)产生的簇中包括的矢量116来补充意图被分组(例如经由104处的标记)在当前帧的簇集(例如106、108、110)中的运动矢量MV。
在图2中例示的一个或多个实施例中，可以对取决于距离、模和角度而被认为“类似”的矢量/簇执行各种类型的标记、聚类和合并步骤。
比如，在如图2中例示的一个或多个实施例中，光流步骤100可以生成输入运动矢量MV，其在标记104和聚类106、108(例如N＝16，M＝16)步骤之后可以标识如图3的部分a)中例示的多个簇。这些然后可以经历如图3的部分b)中用椭圆示意性地表示的合并聚类110以获得图3的部分c)中示意性地描绘的所得到的多个簇(在合并聚类之后)。
在施加时间聚类112时，可以去除这些所得到的簇中的某些簇(例如图3的部分d)中用十字标记表示的簇中的三个簇)，因为这些簇没有出现在之前的帧期间中，使得如图3的部分e)中示意性地描绘地仅保留例如三个簇。
在向这些簇施加时间矢量116时，例如可以扩展(联合)两个簇，并且例如可以引入另一簇，如图3的部分f)中示意性地描绘的。
在114施加簇平滑(可能连同102'处的“智能”预处理)可以允许通过去除上一被标识的簇来标识某些对象、例如三个移动的汽车，这导致最终结果，即图3的部分g)中示意性地描绘的被标识的簇CI。
如所指出的，图1的102处例示的传统的预滤波可以借助于复杂的滤波、诸如例如中值滤波器[5]来去除运动矢量噪声。
在图2中例示的一个或多个实施例中，可以使用各种简单的滤波方法用于102'处的智能预滤波，这取决于例如进来的运动矢量的噪声。
第一方法可以包括蛮力选项、例如删除所有的“小”矢量(被认为是噪声)。
比如，在一个或多个实施例中，如果abs_sum(v)<＝MAX_ABS_VALUE(例如小于某个门限)，例如其中abs_sum(v)＝ABS(dX)+ABS(dY)，则可以认为矢量v＝(dX,dY)“小”。
第二方法可以包括“智能”选项，基于其包括以下所有小矢量：
–位于前一帧的聚类的周围；
–在矢量与前一簇帧之间具有定向差异小于α。
第三方法可以包括在前面考虑的“智能”选项加上某个窗口WxH中至少为N个的具有相同定向的小矢量两者。
在一个或多个实施例中，可以在以上讨论的三个方法中使用以下数值：
–第一方法：MAX_ABS_VALUE＝1；
–第二方法：α＝[10°..50°]，这取决于应用；
–第三方法：W＝8，H＝8，N＝5。
在图2中例示的一个或多个实施例中，104处的标记处理可以类似于例如[6]中公开的标记处理。
这可以涉及：如果以下条件满足，则例如在位置p1和p2处向矢量v1和v2插入相同的标签：
-SAD(p1,p2)<MPD(参见例如[6])；
–SAD(v1,v2)<MVD(如果与例如[6]相比，这是不同的条件，其考虑单个组成的绝对差异)；
-orientation_difference(v1,v2)<α(如果与例如[6]相比，这是附加条件)。
在以上描述中，SAD表示绝对差异之和。
在一个或多个实施例中，可以使用以下数值：
MPD＝[15..75]，MVD＝[1..5]，这取决于应用。
在一个或多个实施例中，聚类布置106可以分组成具有相同标签的簇矢量，而聚类NxM步骤108可以将所找到的簇扩展至其NxM更大窗口。
在图2中例示的一个或多个实施例中，合并聚类步骤110在以下条件成立的情况下合并两个簇C1和C2：
–((X_distance(C1,C2)<MCD)并且(Y_distance(C1,C2)<MCD))，其是传统条件；
orientation_difference(C1,C2)<β，其可以被认为是引入的新的条件。
如本文中所使用的，簇定向表示簇中的矢量的平均(均值)定向。
在一个或多个实施例中，可以使用以下数值：
MCD＝17；β＝[10°..180°]，这取决于应用。
在图2中例示的一个或多个实施例中，112处的时间聚类可以包括：
–获取之前与当前帧簇之间的簇关系；
–消除与前一帧簇没有关系的当前簇；
–合并“有关系”的之前和当前簇。
如果以下条件成立，则可以保持来自前一帧的簇C1和在当前帧的簇C2“有关系”：
((X_distance(C1,C2)<MTCD)并且(Y_distance(C1,C2)<MTCD))；
orientation_difference(C1,C2)<β，其可以是针对110处的合并聚类考虑的相同的条件。
在一个或多个实施例中，MTCD＝1。
在图2中例示的一个或多个实施例中，114处的簇平滑可以涉及例如如下计算“有关系”的之前簇C1和当前簇C2之间的加权平均：
C2＝(C2*CURRENT_W+C1*PREVIOUS_W)/SUM_W。
在一个或多个实施例中，可以使用以下数值：
MTCD＝1；
CURRENT_W＝1；PREVIOUS_W＝3；SUM_W＝4。
在图2中例示的一个或多个实施例中，时间矢量框116可以对应于在下一帧中插入被包含在当前簇中的所有矢量(可选地施加相同的运动，其考虑恒定的对象速度)。
在一个或多个实施例中，112处的时间聚类可以导致获得之前与当前帧的簇之间的簇关系。
这可以促进例如在场景中显示对象的轨迹(例如由相同的簇编号标识)，使得例如可以计算和显示簇图心。
例如通过使用以下各项，在不同场景中的应用以及不同相机C的情况下执行的示例性实施例的测试具有演示的基本满意的视觉结果：
-线性和鱼眼镜头；
-不同的相机和分辨率；
-不同的场景(在不同的参数设置下)，例如用于具有真实和城市仿真图像的CTA(控制车流警告)、视频监控、人员检测和用于机动车的智能后视镜。
比如，在CTA城市仿真中，发现根据一个或多个实施例的系统能够正确地标识两个交叉的汽车。
此外，人员检测过程演示了正确地标识将袋子留下的人和袋子本身的能力，其与传统的人员检测过程相比具有改进的结果。
尝试根据一个或多个实施例的系统以正确地识别两个经过的人，而传统的人员检测过程仅识别一个人。
类似地，发现根据一个或多个实施例的系统在具有鱼眼镜头的真实CTA场景中能够正确地识别三个经过的汽车。
一个或多个实施例因此可以提供一种聚类(例如数字)输入帧(例如IF)的流传达的图像信息的方法，聚类从上述输入帧的运动矢量(MV)开始，方法包括：
-将上述运动矢量分组(例如104，106，108)成簇集，
-通过合并来自上述簇集的簇来向上述簇集施加合并聚类(110)，其中方法包括以下中的一项或多项(并且可选地包括全部)：
-i)在上述分组成簇集之前，向上述运动矢量施加滤波(例如102')以去除没有被包括在之前的簇(例如之前帧的簇)中的小运动矢量，
-ii)通过从上述簇集中去除那些没有在上述输入帧的流中的前一帧中的簇并且联合涉及上述输入帧的流中的前一帧的相同簇的当前帧的那些簇来使用时间聚类(例如112)补充上述合并聚类，
-iii)针对上述输入帧的流中的当前帧和前一帧计算同源(homologous)簇的加权平均(例如114)，
-iv)使用由于上述输入帧的流中的前一帧的上述合并聚类(110，可能在例如112被时间聚类补充)而产生的矢量(例如116)、针对当前帧的上述簇集中的分组补充上述运动矢量。
在一个或多个实施例中，可以根据上述运动矢量之间的距离、模和角度差异来将上述运动矢量分组成上述簇集。
在一个或多个实施例中，可以根据上述簇集中的上述簇之间的距离、模和角度差异来合并来自上述簇集的簇。
在一个或多个实施例中，向上述运动矢量施加上述滤波以去除没有被包括在之前的簇中的小运动矢量可以包括以下中的一项：
-a)删除绝对值(例如abs_sum(v))不大于某个门限(例如MAX_ABS_VALUE)的运动矢量；
-b)删除除了那些在上述输入帧的流中的前一帧中的簇周围的并且与上述输入帧(IF)的流中的前一帧中的矢量与上述簇之间的定向差异小于某个角度门限(例如α)的运动矢量之外的运动矢量；
-c)删除除了那些满足以上条件b)之外的运动矢量以及除了那些在某个帧窗口WxH中具有相同定向的至少某个数目N的运动矢量之外的运动矢量。
在一个或多个实施例中，时间聚类(例如112)可以包括：
-获取上述输入帧的流中的当前帧与前一帧中的帧簇之间的某个簇关系，
-删除与前一帧簇没有簇关系的当前帧簇，以及
-合并满足上述簇关系的之前和当前帧簇。
在一个或多个实施例中，当前帧簇和前一帧簇可以保持在具有小于相应距离和定向门限的距离(例如X_distance(C1，C2)和Y_distance(C1，C2))和定向差异(例如orientation_difference(C1，C2))的情况下满足上述关系。
一个或多个实施例可以包括针对上述输入帧的流中的当前帧和前一帧计算同源簇的加权平均，其中上述同源簇满足先前出于上述时间聚类的目的定义的上述簇关系。
在一个或多个实施例中，将上述运动矢量分组成簇集可以包括：如果
-i)SAD(p1,p2)<MPD并且SAD(v1,v2)<MVD，
其中SAD表示绝对差异之和并且MPD和MVD表示相应门限，以及
-ii)上述运动矢量v1和v2具有小于某个角度门限(例如α)的定向差异，
则通过在位置p1和p2向运动矢量v1和v2施加相同的标签来分组到上述簇矢量的集合中具有相同标签的同一簇。
描述中提及的文档的列表
1.W.-C.Lu,Y.-C.F.Wang and C.-S.Chen,"Learning dense optical-flowtrajectory patterns for video object extraction,"IEEE InternationalConference on Advanced Video&Signal-based Surveillance(AVSS),August 2010。
2.J.H.Duncan and T.-C.Chou,“On the detection of motion and thecomputation of optical flow,”IEEE Trans.Pattern Analysis and MachineIntelligence,vol.14,no.3,March 1992。
3.V.Caselles and B.Coll,“Snakes in movement,”SIAM J.NumericalAnalysis,vol.33,1996。
4.S.S.Beauchemin and J.L.Barron,“The computation of optical flow,”ACMComputing Surveys,1995。
5.S.Aslani and H.Mahdavi-Nasab,"Optical Flow Based Moving ObjectDetection and Tracking for Traffic Surveillance",World Academy of Science,Engineering and Technology International Journal of Electrical,Robotics,Electronics and Communications Engineering,Vol.7,No.9,2013。
6.M.Yokoyama and T.Poggio,"A Contour-Based Moving Object Detectionand Tracking",Proceedings of the 14th International Conference on ComputerCommunications and Networks(ICCCN),2005。
在不偏离背后原理的情况下，细节和实施例可以甚至明显地相对于仅通过示例公开的内容发生变化，而没有偏离保护范围。
保护范围由所附权利要求限定。

Claims (45)

1.一种从输入帧IF的运动矢量MV开始聚类输入帧IF的流中的图像信息C的方法，所述方法包括：
将所述运动矢量MV分组成簇集，
通过合并来自所述簇集中的簇来向所述簇集施加合并聚类，
其中所述方法包括：
i)在所述分组成簇集之前，向所述运动矢量MV施加滤波以去除没有被包括在之前的簇中的运动矢量的一部分，
ii)通过从所述簇集中去除那些没有在所述输入帧IF的流中的前一帧中的簇并且联合那些涉及所述输入帧IF的流中的前一帧的相同簇的当前帧的簇来使用时间聚类补充所述合并聚类，
iii)针对所述输入帧IF的流中的当前帧和前一帧计算同源簇的加权平均，
iv)使用由所述输入帧IF的流中的前一帧的所述合并聚类而产生的矢量、针对当前帧的所述簇集中的分组补充所述运动矢量MV。
2.根据权利要求1所述的方法，包括根据所述运动矢量MV之间的距离、模和角度差异来将所述运动矢量MV分组成所述簇集。
3.根据权利要求1或权利要求2所述的方法，包括根据所述簇集中的所述簇之间的距离、模和角度差异来合并来自所述簇集的簇。
4.根据权利要求1或2所述的方法，其中向所述运动矢量MV施加所述滤波以去除没有被包括在之前的簇中的运动矢量的一部分包括以下中的一项：
a)删除绝对值不大于某个门限的运动矢量MV；
b)删除除了那些在所述输入帧IF的流中的前一帧中的簇周围的并且在所述输入帧IF的流中的前一帧中的矢量与所述簇之间的定向差异小于某个角度门限的运动矢量之外的运动矢量MV；
c)删除除了那些满足以上条件b)之外的运动矢量以及除了那些在某个帧窗口中具有相同定向的具有至少某个数目N的运动矢量之外的运动矢量MV。
5.根据权利要求1或2所述的方法，其中所述时间聚类包括：
获取所述输入帧IF的流中的当前帧与前一帧中的帧簇之间的某个簇关系，
删除与前一帧簇没有簇关系的当前帧簇，以及
合并满足所述簇关系的之前和当前帧簇。
6.根据权利要求5所述的方法，其中当前帧簇和前一帧簇在具有小于相应距离和定向门限的距离和定向差异的情况下满足所述关系。
7.根据权利要求5所述的方法，包括针对所述输入帧IF的流中的当前帧和前一帧计算同源簇的加权平均，其中所述同源簇满足所述簇关系。
8.根据权利要求1-2或6-7中任一项所述的方法，其中将所述运动矢量MV分组成簇集包括：如果
i)SAD(p1,p2)<MPD并且SAD(v1,v2)<MVD，
其中SAD表示绝对差异之和并且MPD和MVD表示相应门限，并且
ii)运动矢量v1和v2具有小于某个角度门限的定向差异，
则通过在位置p1和p2处向所述运动矢量v1和v2施加相同的标签来分组到所述簇矢量集中具有相同标签的相同簇。
9.一种用于从输入帧IF的运动矢量MV开始聚类由输入帧IF的流传达的图像信息C的系统，所述系统包括：
聚类装置，用于将所述运动矢量MV分组成簇集，
合并聚类装置，用于合并来自所述簇集中的簇，
其中所述系统包括：
i)滤波器，用于在所述分组成簇集之前，向所述运动矢量MV施加滤波以去除没有被包括在之前的簇中的运动矢量的一部分，
ii)时间聚类装置，用于通过从所述簇集中去除那些没有在所述输入帧IF的流中的前一帧中的簇并且联合那些涉及所述输入帧IF的流中的前一帧的相同簇的当前帧的簇来使用时间聚类补充所述合并聚类，
iii)簇平滑装置，用于针对所述输入帧IF的流中的当前帧和前一帧计算同源簇的加权平均，
iv)所述聚类装置，被配置用于使用由所述输入帧IF的流中的前一帧的所述合并聚类而产生的矢量、针对当前帧的所述簇集中的分组补充所述运动矢量MV，
其中所述系统被配置用于根据权利要求1到8中的任一项所述的方法来操作。
10.一种电子装置，包括：
根据权利要求9所述的系统，
耦合至所述系统以向所述系统提供所述输入帧IF的流的图像捕获设备C。
11.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括软件代码部分，所述软件代码部分用于在至少一个计算机上运行时执行根据权利要求1到8中的任一项所述的方法的步骤。
12.一种用于聚类的方法，包括：
使用图像处理电路来处理在图像帧的流中与当前图像帧相关联的运动矢量，所述处理包括：
对与当前图像帧相关联的所述矢量进行滤波；
将与所述当前图像帧相关联的滤波后的运动矢量分组成与所述当前图像帧相关联的簇集；
选择性地合并与所述当前图像帧相关联的所述簇集中的簇，
计算同源簇的加权平均，用于在输入帧的所述流中的当前帧和之前帧；以及
基于与所述当前图像帧相关联的所述合并的簇来识别在图像流中的一个或多个感兴趣对象，其中所述处理包括以下中的至少一项：
在对所述当前帧中的所述运动矢量分组之前，向滤波后的运动矢量添加被包括在合并的簇中、与之前帧相关联的运动矢量；以及
使与所述当前图像帧相关联的所述运动矢量的所述分组、所述合并和滤波中的至少一个基于在所述图像帧的流中与一个或多个之前图像帧相关联的一个或多个簇。
13.根据权利要求12所述的用于聚类的方法，其中所述滤波包括：
将与所述当前图像帧相关联的运动矢量的幅度与门限幅度进行比较。
14.根据权利要求13所述的用于聚类的方法，其中所述滤波包括：
基于所述比较，以及所述运动矢量是否被包括在与之前图像帧相关联的至少一个簇中，选择性地从与所述当前图像帧相关联的所述运动矢量中删除所述运动矢量。
15.根据权利要求14所述的用于聚类的方法，其中所述滤波包括：当所述幅度低于所述门限幅度，并且所述运动矢量不被包括在与所述之前图像帧相关联的至少一个簇中时，从与所述当前图像帧相关联的所述运动矢量中删除所述运动矢量。
16.根据权利要求13所述的用于聚类的方法，其中所述滤波包括：
当所述运动矢量在与所述之前图像帧相关联的簇的门限距离内，并且所述运动矢量和与所述之前图像帧相关联的所述簇之间的定向差异小于门限角度时，保留与所述当前图像帧相关联的所述运动矢量中的所述运动矢量；
当所述运动矢量是多个运动矢量中的一个，并且所述运动矢量的数目大于门限数目，并且所述运动矢量在限定的窗口框架内具有相同定向时，保留与所述当前图像帧相关联的所述运动矢量中的所述运动矢量；
当所述运动矢量被包括在与所述之前图像帧相关联的至少一个簇中时，保留与所述当前图像帧相关联的所述运动矢量中的所述运动矢量；以及
否则，当所述比较指示所述幅度小于所述门限幅度时，从与所述当前图像帧相关联的所述运动矢量中删除所述运动矢量。
17.根据权利要求12所述的用于聚类的方法，包括：
从与所述当前图像帧相关联的所述簇集删除不被包括在与之前图像帧相关联的簇集中的簇；并且
合并与所述当前图像帧相关联，且参照与所述之前图像帧相关联的相同簇的两个或多个簇。
18.根据权利要求12所述的用于聚类的方法，包括：
确定是否满足与所述当前图像帧相关联的簇和与之前图像帧相关联的至少一个簇之间的关系准则；
当确定对于与所述之前图像帧相关联的至少一个簇，所述关系准则不被满足时，从与所述当前图像帧相关联的所述簇集删除与所述当前图像帧相关联的所述簇；以及
当确定对于与所述之前图像帧相关联的簇，所述关系准则被满足时，将与所述当前图像帧相关联的所述簇和与所述之前图像帧相关联的所述簇合并在与所述当前图像帧相关联的所述簇集中。
19.根据权利要求18所述的用于聚类的方法，包括在如下情况下，确定所述关系准则被满足：
与所述当前图像帧相关联的所述簇和与所述之前图像帧相关联的簇之间的距离小于门限距离；并且
与所述当前图像帧相关联的所述簇和与所述之前图像帧相关联的所述簇之间的定向差异小于门限角度。
20.根据权利要求18所述的用于聚类的方法，包括：
计算同源簇的加权平均，用于在图像帧的所述流中的所述当前图像帧和之前图像帧。
21.根据权利要求20所述的用于聚类的方法，其中所述同源簇满足与彼此的所述关系准则。
22.根据权利要求12所述的用于聚类的方法，包括：
在对所述当前帧中的所述运动矢量分组之前，向所述滤波后的运动矢量添加被包括在合并的簇中、与之前帧相关联的运动矢量。
23.根据权利要求12所述的用于聚类的方法，其中对所述运动矢量的所述分组是基于所述运动矢量之间的距离、幅度和角度差异中的至少一个。
24.根据权利要求12所述的用于聚类的方法，其中从所述簇集的所述合并簇是基于在所述簇集中的所述簇之间的距离、幅度和角度差异中的至少一个。
25.根据权利要求12所述的用于聚类的方法，包括：
在如下情况下，在位置p1和p2处向运动矢量v1和v2施加相同的标签：
i)SAD(p1,p2)<MPD并且SAD(v1,v2)<MVD，其中SAD表示绝对差异之和并且MPD和MVD表示相应门限；并且
ii)所述运动矢量v1和v2具有小于角度门限的定向差异；以及
将具有相同标签的运动矢量分组到簇。
26.一种电子装置，包括：
一个或多个存储器；以及
图像处理电路，耦合到所述一个或多个存储器，所述图像处理电路，在操作中，处理在图像帧的流中与当前图像帧相关联的运动矢量，所述处理包括：
对与当前图像帧相关联的所述矢量进行滤波；
将与所述当前图像帧相关联的滤波后的运动矢量分组成与所述当前图像帧相关联的簇集；
选择性地合并与所述当前图像帧相关联的所述簇集中的簇，
计算同源簇的加权平均，用于在输入帧的所述流中的当前帧和之前帧；以及
基于与所述当前图像帧相关联的所述合并的簇来识别在图像流中的一个或多个感兴趣对象，其中所述处理包括以下中的至少一项：
使与所述当前图像帧相关联的所述运动矢量的所述分组、所述合并和滤波中的至少一个基于在所述图像帧的流中与一个或多个之前图像帧相关联的一个或多个簇；以及
对在所述当前帧中的所述运动矢量分组之前，向滤波后的运动矢量添加被包括在合并的簇中、与之前帧相关联的运动矢量。
27.根据权利要求26所述的电子装置，其中所述滤波包括：
将与所述当前图像帧相关联的运动矢量的幅度与门限幅度进行比较。
28.根据权利要求27所述的电子装置，其中所述图像处理电路，在操作中，基于所述比较，以及所述运动矢量是否被包括在与之前图像帧相关联的至少一个簇中，选择性地从与所述当前图像帧相关联的所述运动矢量中删除所述运动矢量。
29.根据权利要求28所述的电子装置，其中所述图像处理电路，在操作中，当所述幅度低于所述门限幅度，并且所述运动矢量不被包括在与所述之前图像帧相关联的至少一个簇中时，从与所述当前图像帧相关联的所述运动矢量中删除所述运动矢量。
30.根据权利要求28所述的电子装置，其中所述图像处理电路，在操作中：
当所述运动矢量在与所述之前图像帧相关联的簇的门限距离内，并且所述运动矢量和与所述之前图像帧相关联的所述簇之间的定向差异小于门限角度时，保留与所述当前图像帧相关联的所述运动矢量中的所述运动矢量；
当所述运动矢量是多个运动矢量中的一个，并且所述运动矢量的数目大于门限数目，并且所述运动矢量在限定的窗口框架内具有相同定向时，保留与所述当前图像帧相关联的所述运动矢量中的所述运动矢量；
当所述运动矢量被包括在与所述之前图像帧相关联的至少一个簇中时，保留与所述当前图像帧相关联的所述运动矢量中的所述运动矢量；以及
否则，当所述比较指示所述幅度小于所述门限幅度时，从与所述当前图像帧相关联的所述运动矢量中删除所述运动矢量。
31.根据权利要求26所述的电子装置，其中所述图像处理电路，在操作中：
从与所述当前图像帧相关联的所述簇集删除不被包括在与之前图像帧相关联的簇集中的簇；并且
合并与所述当前图像帧相关联，且参照与所述之前图像帧相关联的相同簇的两个或多个簇。
32.根据权利要求26所述的电子装置，其中所述图像处理电路，在操作中：
确定是否满足与所述当前图像帧相关联的簇和与之前图像帧相关联的至少一个簇之间的关系准则；
当确定对于与所述之前图像帧相关联的至少一个簇，所述关系准则不被满足时，从与所述当前图像帧相关联的所述簇集删除与所述当前图像帧相关联的所述簇；以及
当确定对于与所述之前图像帧相关联的簇，所述关系准则被满足时，将与所述当前图像帧相关联的所述簇和与所述之前图像帧相关联的所述簇合并在与所述当前图像帧相关联的所述簇集中。
33.根据权利要求32所述的电子装置，其中所述图像处理电路在如下情况下确定所述关系准则被满足：
与所述当前图像帧相关联的所述簇和与所述之前图像帧相关联的簇之间的距离小于门限距离；并且
与所述当前图像帧相关联的所述簇和与所述之前图像帧相关联的所述簇之间的定向差异小于门限角度。
34.根据权利要求26所述的电子装置，其中所述图像处理电路，在操作中：
在对所述当前帧中的所述运动矢量分组之前，向所述运动矢量添加被包括在合并的簇中、与之前帧相关联的运动矢量。
35.一种电子系统，包括：
图像捕获装置，用于捕获图像帧的流；以及
图像处理电路，耦合到所述图像捕获装置，并且所述图像处理电路，在操作中，
对在所述图像帧的序列中与当前图像帧相关联的运动矢量进行滤波；
将与所述当前图像帧相关联的滤波后的运动矢量分组成与所述当前图像帧相关联的簇集；
选择性地合并与所述当前图像帧相关联的所述簇集中的簇；
计算同源簇的加权平均，用于在输入帧的所述流中的当前帧和之前帧，其中所述滤波、所述分组以及所述合并中至少一者基于在所述图像帧的序列中与一个或多个之前图像帧相关联的一个或多个簇；
基于与所述当前图像帧相关联的所述合并的簇来识别在图像流中的一个或多个感兴趣对象。
36.根据权利要求35所述的电子系统，其中对与当前图像帧相关联的运动矢量进行滤波包括：
将与所述当前图像帧相关联的运动矢量的幅度与门限幅度比较；以及
基于所述比较，以及所述运动矢量是否被包括在与之前图像帧相关联的至少一个簇中，选择性地从与所述当前图像帧相关联的所述运动矢量中删除所述运动矢量。
37.根据权利要求36所述的电子系统，其中所述图像处理电路，在操作中：
当所述运动矢量在与所述之前图像帧相关联的簇的门限距离内，并且所述运动矢量和与所述之前图像帧相关联的所述簇之间的定向差异小于门限角度时，保留与所述当前图像帧相关联的所述运动矢量中的所述运动矢量；
当所述运动矢量是多个运动矢量中的一个，并且所述运动矢量的数目大于门限数目，并且所述运动矢量在限定的窗口框架内具有相同定向时，保留与所述当前图像帧相关联的所述运动矢量中的所述运动矢量；
当所述运动矢量被包括在与所述之前图像帧相关联的至少一个簇中时，保留与所述当前图像帧相关联的所述运动矢量中的所述运动矢量；以及
否则，当所述比较指示所述幅度小于所述门限幅度时，从与所述当前图像帧相关联的所述运动矢量中删除所述运动矢量。
38.根据权利要求35所述的电子系统，其中所述图像处理电路，在操作中：
从与所述当前图像帧相关联的所述簇集删除不被包括在与之前图像帧相关联的簇集中的簇；并且
合并与所述当前图像帧相关联，且参照与所述之前图像帧相关联的相同簇的两个或多个簇。
39.根据权利要求35所述的电子系统，其中所述图像处理电路，在操作中：
确定是否满足与所述当前图像帧相关联的簇和与之前图像帧相关联的至少一个簇之间的关系准则；
当确定对于与所述之前图像帧相关联的至少一个簇，所述关系准则不被满足时，从与所述当前图像帧相关联的所述簇集删除与所述当前图像帧相关联的所述簇；以及
当确定对于与所述之前图像帧相关联的簇，所述关系准则被满足时，将与所述当前图像帧相关联的所述簇和与所述之前图像帧相关联的所述簇合并在与所述当前图像帧相关联的所述簇集中。
40.根据权利要求35所述的电子系统，其中所述图像处理电路，在操作中：
对在所述当前图像帧中的所述运动矢量分组之前，向所述滤波后的运动矢量添加被包括在合并的簇中、与之前帧相关联的运动矢量。
41.一种具有内容的非易失性计算机可读介质，所述内容将图像处理电路配置为执行一种方法，所述方法包括：
对在图像序列中与当前图像帧相关联的运动矢量进行滤波；
将与所述当前图像帧相关联的滤波后的运动矢量分组成与所述当前图像帧相关联的簇集；
选择性地合并与所述当前图像帧相关联的所述簇集中的簇；
计算同源簇的加权平均，用于在输入帧的流中的当前帧和之前帧；以及
基于与所述当前图像帧相关联的所述合并的簇来识别在图像流中的一个或多个感兴趣对象，其中所述方法包括以下中的至少一项：
使所述滤波、所述分组和所述合并中的至少一个基于在所述图像序列的与一个或多个之前图像帧相关联的一个或多个簇；以及
对在所述当前帧中的所述运动矢量分组之前，向所述滤波后的运动矢量添加被包括在合并的簇中、与之前帧相关联的运动矢量。
42.根据权利要求41所述的非易失性计算机可读介质，其中对与当前图像帧相关联的运动矢量进行滤波包括：
将与所述当前图像帧相关联的运动矢量的幅度与门限幅度进行比较；以及
基于所述比较，以及所述运动矢量是否被包括在与之前图像帧相关联的至少一个簇中，选择性地从与所述当前图像帧相关联的所述运动矢量中删除所述运动矢量。
43.根据权利要求41所述的非易失性计算机可读介质，其中所述方法包括：
从与所述当前图像帧相关联的所述簇集删除不被包括在与之前图像帧相关联的簇集中的簇；并且
合并与所述当前图像帧相关联，且参照与所述之前图像帧相关联的相同簇的两个或多个簇。
44.根据权利要求41所述的非易失性计算机可读介质，其中所述方法包括：
确定是否满足与所述当前图像帧相关联的簇和与之前图像帧相关联的至少一个簇之间的关系准则；
当确定对于与所述之前图像帧相关联的至少一个簇，所述关系准则不被满足时，从与所述当前图像帧相关联的所述簇集删除与所述当前图像帧相关联的所述簇；以及
当确定对于与所述之前图像帧相关联的簇，所述关系准则被满足时，将与所述当前图像帧相关联的所述簇和与所述之前图像帧相关联的所述簇合并在与所述当前图像帧相关联的所述簇集中。
45.根据权利要求41所述的非易失性计算机可读介质，其中所述方法包括：
对在所述当前帧中的所述运动矢量分组之前，向所述滤波后的运动矢量添加被包括在合并的簇中、与之前帧相关联的运动矢量。
CN201610350211.7A 2015-12-14 2016-05-24 聚类方法和系统、对应的装置和计算机程序产品 Active CN106886790B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IT102015000082886 2015-12-14
ITUB2015A009613A ITUB20159613A1 (it) 2015-12-14 2015-12-14 Procedimento e sistema di clustering, apparecchiatura e prodotto informatico corrispondenti

Publications (2)

Publication Number Publication Date
CN106886790A CN106886790A (zh) 2017-06-23
CN106886790B true CN106886790B (zh) 2021-08-24

Family

ID=55447062

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201610350211.7A Active CN106886790B (zh) 2015-12-14 2016-05-24 聚类方法和系统、对应的装置和计算机程序产品
CN201620481486.XU Active CN206411692U (zh) 2015-12-14 2016-05-24 聚类系统和对应的装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201620481486.XU Active CN206411692U (zh) 2015-12-14 2016-05-24 聚类系统和对应的装置

Country Status (4)

Country Link
US (1) US10140550B2 (zh)
CN (2) CN106886790B (zh)
DE (1) DE102016109660A1 (zh)
IT (1) ITUB20159613A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10600290B2 (en) * 2016-12-14 2020-03-24 Immersion Corporation Automatic haptic generation based on visual odometry
IT201900001833A1 (it) 2019-02-08 2020-08-08 St Microelectronics Srl Un procedimento per rilevare oggetti in movimento mediante una telecamera in movimento, e relativo sistema di elaborazione, dispositivo e prodotto informatico
US11662469B2 (en) 2019-04-04 2023-05-30 Denso International America, Inc. System and method for merging clusters
JP7224263B2 (ja) * 2019-09-11 2023-02-17 東京エレクトロン株式会社 モデル生成方法、モデル生成装置及びプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810207A (zh) * 2011-06-01 2012-12-05 索尼公司 图像处理装置、图像处理方法、记录介质和程序
CN104683803A (zh) * 2015-03-24 2015-06-03 江南大学 一种应用于压缩域的运动对象检测与跟踪方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4623368B2 (ja) * 2005-03-16 2011-02-02 ソニー株式会社 移動物体検出装置、移動物体検出方法及びプログラム
US20090316042A1 (en) * 2008-06-19 2009-12-24 Chin-Chuan Liang Video processing methods and related devices for determining target motion vector
US10018703B2 (en) * 2012-09-13 2018-07-10 Conduent Business Services, Llc Method for stop sign law enforcement using motion vectors in video streams
KR20140117754A (ko) * 2013-03-26 2014-10-08 삼성전자주식회사 움직임 벡터 처리 장치 및 처리 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810207A (zh) * 2011-06-01 2012-12-05 索尼公司 图像处理装置、图像处理方法、记录介质和程序
CN104683803A (zh) * 2015-03-24 2015-06-03 江南大学 一种应用于压缩域的运动对象检测与跟踪方法

Also Published As

Publication number Publication date
DE102016109660A1 (de) 2017-06-14
US20170169311A1 (en) 2017-06-15
ITUB20159613A1 (it) 2017-06-14
US10140550B2 (en) 2018-11-27
CN106886790A (zh) 2017-06-23
CN206411692U (zh) 2017-08-15

Similar Documents

Publication Publication Date Title
Singla Motion detection based on frame difference method
CN110232330B (zh) 一种基于视频检测的行人重识别方法
CN106886790B (zh) 聚类方法和系统、对应的装置和计算机程序产品
Benabbas et al. Spatio-temporal optical flow analysis for people counting
US11593949B2 (en) Method of detecting moving objects via a moving camera, and related processing system, device and computer-program product
Roy et al. A comprehensive survey on computer vision based approaches for moving object detection
Chaple et al. Vehicle detection and tracking from video frame sequence
Delibasoglu UAV images dataset for moving object detection from moving cameras
Lee et al. Estimation and analysis of urban traffic flow
Sincan et al. Moving object detection by a mounted moving camera
Saif et al. Moving object segmentation using various features from aerial images: a review
Low et al. Frame Based Object Detection--An Application for Traffic Monitoring
Chuang et al. Moving object segmentation and tracking using active contour and color classification models
CN110796035B (zh) 一种基于人形检测和速度计算的进出人数统计方法
Vinary et al. Object tracking using background subtraction algorithm
Dhananjaya et al. Detection of objects in aerial videos for object extraction and tracking for UAV applications
Yaakob et al. Moving object extraction in PTZ camera using the integration of background subtraction and local histogram processing
Joshi Vehicle speed determination using image processing
Malavika et al. Moving object detection and velocity estimation using MATLAB
Huang Video-based traffic analysis system using a hierarchical feature point grouping approach
Suresh et al. A survey on occlusion detection
Yang et al. Dual frame differences based background extraction algorithm
Suresh et al. Determination of Moving Vehicle Speed using Image Processing
Boonarchatong et al. Human Tracking System from Video Based on Blob Analysis and Object Segmentation Method
Kaittan et al. Tracking of Video Objects Based on Kalman Filter

Legal Events

Date Code Title Description
PB01 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