CN106934817B - 基于多属性的多目标跟踪方法及装置 - Google Patents

基于多属性的多目标跟踪方法及装置 Download PDF

Info

Publication number
CN106934817B
CN106934817B CN201710101482.3A CN201710101482A CN106934817B CN 106934817 B CN106934817 B CN 106934817B CN 201710101482 A CN201710101482 A CN 201710101482A CN 106934817 B CN106934817 B CN 106934817B
Authority
CN
China
Prior art keywords
tracking target
target
current tracking
current
height
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
CN201710101482.3A
Other languages
English (en)
Other versions
CN106934817A (zh
Inventor
王亮
黄永祯
张宇琪
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201710101482.3A priority Critical patent/CN106934817B/zh
Publication of CN106934817A publication Critical patent/CN106934817A/zh
Application granted granted Critical
Publication of CN106934817B publication Critical patent/CN106934817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于多属性的多目标跟踪方法及装置。所述方法，包括：通过目标跟踪方法确定当前跟踪目标是否处于复杂交叉状态，所述复杂交叉状态是指所述当前跟踪目标在预定数量的连续图像帧中与其他目标发生重叠；在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着属性、步态属性三种信息进行再识别。本发明执行速度极快，同时也保证了准确率，特别是在有交叉发生时比一般方法出错少。

Description

基于多属性的多目标跟踪方法及装置
技术领域
本发明涉及计算机处理技术领域，更具体地涉及一种基于多属性的多目标跟踪方法及装置。
背景技术
多目标跟踪属于计算机视觉领域中的一个重要问题，在视频监控、自动驾驶、视频分析等领域有广泛的应用。根据场景不同，多目标跟踪的评价指标侧重不同。例如对于自动驾驶，不必过多考虑保持行人编号不变，实时性以及召回率显得更重要；而对于足球视频分析，实时性以及召回率则显得不那么重要，更多侧重于保持每个运动员的编号不要改变。
对于多目标跟踪，通常做法是用整体(batch)模式，即一次观看整段视频序列，优化得到轨迹。由于这种方法只能处理整段视频，故无法应用到实时监控以及自动驾驶等需要实时处理的领域。另一种做法是延迟(delay)模式，即每帧输出结果都可以根据未来一段时间的信息进行修正。这种做法能够应用在实时性要求不高的跟踪系统中。与以上两种不同，实时(online)模式每一帧的结果只依赖于过去历史信息，不能由未来信息修正。这种模式没有任何延迟，具有高实时性，然而准确率却不高，尤其在交叉时经常出错。
发明内容
结合实际需求，提出一种基于多属性的多目标跟踪方法及装置，具有高实时性，且能够保持目标编号在交叉情况下保持不变。
根据本发明一方面，提供了一种基于多属性的多目标跟踪方法，包括：
通过目标跟踪方法确定当前跟踪目标是否处于复杂交叉状态，所述复杂交叉状态是指所述当前跟踪目标在预定数量的连续图像帧中与其他目标发生重叠；
在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着属性、步态属性三种信息进行再识别。
其中，所述依次使用当前跟踪目标的身高、衣着属性、步态属性三种信息进行再识别，包括：
按照身高、衣着属性、步态属性三种信息的优先级，满足预设条件的情况下，优先使用高优先级的上述三种信息中的一种进行再识别；其中，上述三种信息的优先级顺序如下：身高>衣着属性>步态属性。
其中，在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着、步态三种信息进行再识别，包括：
确定所述当前跟踪目标以及与所述当前跟踪目标重叠的身高之差是否满足预设身高阈值；
在所述当前跟踪目标以及与所述当前跟踪目标重叠发生复杂交叉的目标的身高之差满足预设身高阈值时，利用所述当前跟踪目标的身高进行识别。
其中，在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着、步态三种信息进行再识别，还包括：
在所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的目标的身高之差不满足预设身高阈值时，确定所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的衣着属性之间的欧式距离是否满足预设距离阈值；
在所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的衣着属性之间的欧式距离满足预设衣着属性阈值时，利用所述当前跟踪目标的衣着属性进行识别。
其中，在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着、步态三种信息进行再识别，还包括：
在所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的目标的衣着属性之间的欧式距离不满足预设距离阈值时，确定所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的步态属性相似度是否满足预设相似度阈值；
在所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的步态属性相似度满足预设步态相似度阈值时，利用所述当前跟踪目标的步态属性进行识别。
其中，在通过目标跟踪方法确定当前跟踪目标是否处于复杂交叉状态之前，还包括：
计算当前跟踪目标与其他目标之间的面积交并比；
在所述面积交并比大于预设交并比阈值时，确定当前跟踪目标与其他目标重叠；
获取所述当前跟踪目标在当前帧之前预定数量帧中的身高、衣着属性和步态属性。
其中，所述身高、衣着属性和步态属性分别通过平均高度像素值、颜色直方图特征值以及步态特征值确定。
其中，在通过目标跟踪方法确定当前跟踪目标是否处于复杂交叉状态之前，还包括：
使用行人检测器在当前帧获取行人的检测框，当检测框在之前预定数量图像帧的一区域内连续出现，则新建为跟踪目标，初始化卡尔曼滤波器
对当前跟踪目标在当前帧中使用卡尔曼滤波器获取预测框，将所述预测框与当前跟踪目标的所述检测框进行联合概率数据关联，获得跟踪框；
所述在通过目标跟踪方法确定当前跟踪目标是否处于复杂交叉状态，包括：
判断当前跟踪目标的跟踪框与其他目标的跟踪框是否重叠，若不重叠则给出跟踪结果；若重叠，则把当前跟踪目标置为“交叉”状态；
对“交叉”状态的当前跟踪目标，当跟踪框不再交叉时，取消所述当前跟踪目标的“交叉”状态；若交叉时间超过预定数量值的图像帧，则确定当前跟踪目标发生复杂交叉，否则将所述跟踪框作为所述当前跟踪目标的跟踪结果。
其中，所述对当前跟踪目标在当前帧中使用卡尔曼滤波器获取预测框，将所述预测框与当前跟踪目标的所述检测框进行联合概率数据关联，获得跟踪框，包括：
把当前跟踪目标当作质点，使用卡尔曼滤波器预测框与当前帧的检测框进行联合概率数据关联。
根据本发明另一方面，提供了一种基于多属性的多目标跟踪装置，包括：
复杂交叉确定模块，被配置为通过目标跟踪方法确定当前跟踪目标是否处于复杂交叉状态，所述复杂交叉状态是指所述当前跟踪目标在预定数量的连续图像帧中与其他目标发生重叠；
再识别模块，被配置为在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着属性、步态属性三种信息进行再识别。
基于上述技术方案可知，本发明的方法基于行人的多种属性，平常未交叉或者简单的顺势交叉，只用人的运动属性即可；当发生复杂交叉，如握手、拥抱、长时间遮挡等情况，依次采用身高、衣着、步态这三种属性对分开后的目标进行再识别。本发明的方法利用了行人的多种属性特征，对于环境光照具有鲁棒性，在高实时性的同时，保证了交叉时不改变编号。
附图说明
图1是本发明的基于多属性的多目标跟踪方法的流程图；
图2(A)-(C)是本发明的基于多属性的多目标跟踪方法的示意图。
具体实施方式
以下结合附图详细说明本发明技术方案中所涉及的各个细节问题。应当指出的是，所描述的实施例仅旨在便于理解，对本发明不起任何限定作用。
本发明公开了一种基于多属性的多目标跟踪方法，主要包括对普通简单交叉以及复杂交叉，分别采用不同的属性特征进行多目标跟踪。对于未交叉或者简单顺势交叉的情况，仅依赖于人的运动属性，把人抽象成质点，相当于二维平面上做质点的多目标跟踪。由卡尔曼滤波预测出目标位置，使用联合概率数据关联算法对检测框与预测框进行匹配；对于复杂交叉，记录交叉前若干帧的身高、衣着、步态等属性信息，当交叉结束后，根据这些属性对目标进行再识别。本方法利用了行人的多种属性特征，对于环境光照等具有鲁棒性，在高实时性的同时，保证了交叉时不改变编号。
如图1所示，以下详细说明本发明方法涉及的关键步骤。
步骤一，使用基于深度学习的行人检测器获取高精度的行人检测框，当未被初始化的检测框在T1＝10帧内同时在某一小圆形区域连续出现，则新建为新的跟踪目标，求出其四个状态初始化卡尔曼滤波器，下一帧开始使用卡尔曼滤波进行预测。这种做法可以有效地去除误检干扰，这是因为多数误检并不能稳定存在，短时间在某一小区域连续出现的目标，基本可以确定是要跟踪的目标。；
步骤二，对各个目标的预测框与当前帧中检测框进行联合概率数据关联，获得跟踪框。具体地，分为以下几个子步骤：
步骤2.1，把人抽象成二维平面内的质点，则可以用四维状态向量
Figure BDA0001231637080000052
表示该目标，其中x，y表示目标在二维平面内的坐标，
Figure BDA0001231637080000051
表示目标在二维平面内的速度，用该状态向量初始化卡尔曼滤波器。
步骤2.2，对于新的一帧，基于目标的位置和速度信息，卡尔曼滤波可以预测出当前目标在该帧中可能的位置，即为预测框。而根据目标检测器实际检测到的目标位置，称为检测框。预测框是当前跟踪的当前目标的预测框，而检测框可能有多个，但是不确定哪个检测框对应当前目标；
步骤2.3，由于实际场景的复杂，预测框的位置不一定准，检测框也可能不准，因此需要综合检测框和预测框的结果，给出最终的跟踪框。当存在多个目标或者有误检存在时，就需要解决哪个预测框和哪个检测框匹配的问题，也就是数据关联问题。最简单的做法是对每个预测框，在其周围找离它最近的检测框进行匹配。然而这种方法在多目标或者有误检存在时经常出错，这就需要使用联合概率数据关联算法。简单地说，就是对预测框附近的所有检测框都允许按权值匹配，而不是仅匹配最近的一个检测框。
步骤三，判断目标跟踪框是否重叠，若所有目标跟踪框都不重叠则给出跟踪结果；若有至少两个目标跟踪框重叠，则把目标置为“交叉”状态，并存储此刻之前多帧如T2＝5帧的身高、衣着、步态信息，交叉人员的这些信息存入“交叉列表”中。判断重叠需要计算交并比(IOU)，其计算公式如下：
Figure BDA0001231637080000061
其中，BOX1，BOX2分别表示两个跟踪框，分子表示二者的交集，分母表示二者的并集。当交并比大于0.3时，说明发生了交叉；
步骤四，对“交叉”状态的目标，当交并比小于0.3时，取消其“交叉”状态。若交叉时间超过阈值T3＝20帧，则发生复杂交叉，执行步骤五，否则输出该帧跟踪结果。
步骤五，对复杂交叉的情况，依次使用身高、衣着、步态三种信息进行再识别，识别范围限定在“交叉列表”中的人员。具体地，
(1)先考虑身高，当身高相差至少1.5倍时，说明身高是一种有区分力的属性，再识别的过程中高个子的人对应交叉之前的高个子的人，结束判断，不再使用以下属性。否则，说明身高判别能力不足，使用以下属性判断
(2)当身高失效时，考虑衣着属性。分别求出行人的颜色直方图的欧式距离，其计算公式如下：
Dab＝(Ca-Cb)(Ca-Cb)T
上式中Ca，Cb表示A，B两个人的颜色直方图特征，是一维向量，Dab为二人的颜色直方图欧氏距离。当欧式距离至少相差0.5时，说明衣着是一种有区分力的属性，再识别的过程中衣着前后相似的视为同一个人。否则，说明衣着区分能力不足，使用以下属性判断。
(3)当身高、衣着都失效时，考虑步态属性。步态是每个人固有的生物特征，不受光照影响，具有远距离非受控等特点。分别求出每个人的步态特征，与交叉之前的步态特征计算其余弦相似度，其计算公式如下：
Figure BDA0001231637080000062
上式中Ga，Gb表示A，B两个人的步态特征，是一维向量，Sab为二人的步态相似度。根据步态相似度对交叉前后的行人进行匹配。
步骤六，对输出结果进行后处理，当某目标连续T4＝50帧没有匹配时，则删除该目标。
实施例
为了详细说明本发明的具体实施方式，以图2(A)-(C)的复杂交叉情况为例，说明多属性解决复杂交叉的情况。具体步骤如下：
(1)第370帧时，已经识别出两个人A，B。两个人跟踪框的“交并比”大于0.3，这两人进入“交叉列表”中，记录A的平均身高475像素，B的平均身高570像素，同时记录两人的衣着以及步态特征。
(2)370至413帧，两人发生推搡，属于复杂交叉。
(3)第413帧，交叉结束。此时两人的身高为400像素、530像素，身高差别不大，不足以区分两人；两人的颜色直方图欧式距离为0.63，表明衣着差别足够区分。交叉后的1与2分别和交叉前存储的A与B的颜色直方图求欧式距离，得到2*2的距离矩阵，如下：
A B
1 0.46 0.7
2 0.94 0.29
可知交叉后的1对应交叉前的A，交叉后的2对应交叉前的B。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多属性的多目标跟踪方法，包括：
通过跟踪确定当前跟踪目标是否处于复杂交叉状态，所述复杂交叉状态是指所述当前跟踪目标在预定数量的连续图像帧中与其他目标发生重叠；
在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着、步态三种信息进行再识别，其中，按照身高、衣着属性、步态属性三种信息的优先级，满足预设条件的情况下，优先使用上述三种信息中优先级最高的信息进行再识别，当优先级最高的信息满足再识别条件时，则不必进行下一优先级的信息的识别；其中，上述三种信息的优先级顺序如下：身高>衣着属性>步态属性；
其中，在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着、步态三种信息进行再识别，包括：
确定所述当前跟踪目标以及与所述当前跟踪目标重叠发生复杂交叉的目标的身高之差是否满足预设身高阈值；
在所述当前跟踪目标以及与所述当前跟踪目标重叠发生复杂交叉的目标的身高之差满足预设身高阈值时，利用所述当前跟踪目标的身高进行识别。
2.如权利要求1所述的方法，其中，在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着、步态三种信息进行再识别，还包括：
在所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的目标的身高之差不满足预设身高阈值时，确定所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的目标的衣着属性之间的欧式距离是否满足预设距离阈值；
在所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的目标的衣着属性之间的欧式距离满足预设衣着属性阈值时，利用所述当前跟踪目标的衣着属性进行识别。
3.如权利要求1所述的方法，其中，在所述当前跟踪目标处于复杂交叉状态时，依次使用当前跟踪目标的身高、衣着、步态三种信息进行再识别，还包括：
在所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的目标的衣着属性之间的欧式距离不满足预设距离阈值时，确定所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的目标的步态属性相似度是否满足预设步态相似度阈值；
在所述当前跟踪目标以及与所述当前跟踪目标发生复杂交叉的目标的步态属性相似度满足预设步态相似度阈值时，利用所述当前跟踪目标的步态属性进行识别。
4.如权利要求1所述的方法，其中，在通过跟踪确定当前跟踪目标是否处于复杂交叉状态之前，还包括：
计算当前跟踪目标与其他目标之间的面积交并比；
在所述面积交并比大于预设交并比阈值时，确定当前跟踪目标与其他目标重叠；
获取所述当前跟踪目标在当前帧之前预定数量帧中的身高、衣着属性和步态属性。
5.如权利要求4所述的方法，其中，所述身高、衣着属性和步态属性分别通过平均高度像素值、颜色直方图特征值以及步态特征值确定。
6.如权利要求1所述的方法，其中，在通过跟踪确定当前跟踪目标是否处于复杂交叉状态之前，还包括：
使用行人检测器在当前帧获取行人的检测框，当检测框在之前预定数量图像帧的一区域内连续出现，则新建为跟踪目标，初始化卡尔曼滤波器；
对当前跟踪目标在当前帧中使用卡尔曼滤波器获取预测框，将所述预测框与当前跟踪目标的所述检测框进行联合概率数据关联，获得跟踪框；
所述通过跟踪确定当前跟踪目标是否处于复杂交叉状态，包括：
判断当前跟踪目标的跟踪框与其他目标的跟踪框是否重叠，若不重叠则给出跟踪结果；若重叠，则把当前跟踪目标置为“交叉”状态；
对“交叉”状态的当前跟踪目标，当跟踪框不再交叉时，取消所述当前跟踪目标的“交叉”状态；若交叉时间超过预定数量值的图像帧，则确定当前跟踪目标发生复杂交叉，否则将所述当前跟踪目标的跟踪框作为所述当前跟踪目标的跟踪结果。
7.如权利要求6所述的方法，其中，所述对当前跟踪目标在当前帧中使用卡尔曼滤波器获取预测框，将所述预测框与当前跟踪目标的所述检测框进行联合概率数据关联，获得跟踪框，包括：
把当前跟踪目标当作质点，将卡尔曼滤波器预测框与当前帧的检测框进行联合概率数据关联。
CN201710101482.3A 2017-02-23 2017-02-23 基于多属性的多目标跟踪方法及装置 Active CN106934817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710101482.3A CN106934817B (zh) 2017-02-23 2017-02-23 基于多属性的多目标跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710101482.3A CN106934817B (zh) 2017-02-23 2017-02-23 基于多属性的多目标跟踪方法及装置

Publications (2)

Publication Number Publication Date
CN106934817A CN106934817A (zh) 2017-07-07
CN106934817B true CN106934817B (zh) 2020-11-10

Family

ID=59423032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710101482.3A Active CN106934817B (zh) 2017-02-23 2017-02-23 基于多属性的多目标跟踪方法及装置

Country Status (1)

Country Link
CN (1) CN106934817B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644204B (zh) * 2017-09-12 2020-11-10 南京凌深信息科技有限公司 一种用于安防系统的人体识别与跟踪方法
JP7104779B2 (ja) * 2017-09-15 2022-07-21 達闥科技（北京）有限公司 対象認識方法、装置及びインテリジェント端末
CN107995982B (zh) * 2017-09-15 2019-03-22 达闼科技（北京）有限公司 一种目标识别方法、装置和智能终端
CN108470332B (zh) * 2018-01-24 2023-07-07 博云视觉（北京）科技有限公司 一种多目标跟踪方法及装置
CN110688873A (zh) * 2018-07-04 2020-01-14 上海智臻智能网络科技股份有限公司 多目标追踪方法及人脸识别方法
CN109308469B (zh) * 2018-09-21 2019-12-10 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN111402288A (zh) * 2020-03-26 2020-07-10 杭州博雅鸿图视频技术有限公司 目标检测跟踪方法及装置
CN113312953B (zh) * 2021-01-05 2022-10-04 武汉大学 基于步态识别的类人机器人身份鉴别方法及系统
CN114022509B (zh) * 2021-09-24 2024-06-14 北京邮电大学 基于多个动物的监控视频的目标跟踪方法及相关设备
CN117333904B (zh) * 2023-10-18 2024-04-23 杭州锐颖科技有限公司 一种多特征融合的行人跟踪方法

Citations (1)

* Cited by examiner, † Cited by third party
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520896B (zh) * 2009-03-30 2012-05-30 中国电子科技集团公司第十研究所 利用光学遥感影像自动检测云层干扰舰船目标的方法
KR20140137893A (ko) * 2013-05-24 2014-12-03 한국전자통신연구원 객체 추적 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Identification of a specific person using color, height, and gait features for a person following robot;K. Koide et al;《Robotics and Autonomous Systems》;20160728;第76-87页 *
Integrated Person Tracking Using Stereo, Color, and Pattern Detection;T. DARRELL et al;《International Journal of Computer Vision》;20001231;第37卷(第2期);第175-185页 *

Also Published As

Publication number Publication date
CN106934817A (zh) 2017-07-07

Similar Documents

Publication Publication Date Title
CN106934817B (zh) 基于多属性的多目标跟踪方法及装置
US11393103B2 (en) Target tracking method, device, system and non-transitory computer readable medium
Yoon et al. Online multi-object tracking via structural constraint event aggregation
Breitenstein et al. Robust tracking-by-detection using a detector confidence particle filter
CN106846355B (zh) 基于提升直觉模糊树的目标跟踪方法及装置
CN113674328A (zh) 一种多目标车辆跟踪方法
US9569531B2 (en) System and method for multi-agent event detection and recognition
CN101577006B (zh) 视频监控中的徘徊检测方法和系统
CN110288627B (zh) 一种基于深度学习和数据关联的在线多目标跟踪方法
Lee et al. Place recognition using straight lines for vision-based SLAM
JP2021026644A (ja) 物体検出装置、物体検出方法及び物体検出用コンピュータプログラム
CN107563310A (zh) 一种违章变道检测方法
CN111626194A (zh) 一种使用深度关联度量的行人多目标跟踪方法
Soleimanitaleb et al. Single object tracking: A survey of methods, datasets, and evaluation metrics
CN111784744A (zh) 一种基于视频监控的目标自动检测与跟踪方法
CN114926859A (zh) 一种结合头部跟踪的密集场景下行人多目标跟踪方法
CN110349184B (zh) 基于迭代滤波和观测判别的多行人跟踪方法
CN114627339B (zh) 茂密丛林区域对越境人员的智能识别跟踪方法及存储介质
CN117011341A (zh) 基于目标追踪的车辆轨迹检测方法及系统
Xie et al. A multi-object tracking system for surveillance video analysis
Kokul et al. Online multi-person tracking-by-detection method using ACF and particle filter
CN107067411B (zh) 一种结合密集特征的Mean-shift跟踪方法
Di Lascio et al. Tracking interacting objects in complex situations by using contextual reasoning
CN113887449A (zh) 多目标跟踪方法及计算机可读存储介质
Baisa et al. Multiple Target, Multiple Type Visual Tracking using a Tri-GM-PHD 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