CN107248166A - 动态环境下的目标状态预估方法 - Google Patents
动态环境下的目标状态预估方法 Download PDFInfo
- Publication number
- CN107248166A CN107248166A CN201710512520.4A CN201710512520A CN107248166A CN 107248166 A CN107248166 A CN 107248166A CN 201710512520 A CN201710512520 A CN 201710512520A CN 107248166 A CN107248166 A CN 107248166A
- Authority
- CN
- China
- Prior art keywords
- central point
- identification
- target
- point
- new
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 239000003086 colorant Substances 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005192 partition 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及动态环境下的目标状态预估方法,对不同颜色空间在动态环境下,提取出识别效果最好的颜色空间,然后通过不断更新对下一帧中心点与下一帧图像阈值识别范围来达到自适应目标检测的效果,能有效地缩短阈值范围估计,最大化的识别出目标,并通过结合HSV与YCbCr颜色空间来对更新中心点进行修正与还原来提高算法的精确性,再根据卡尔曼滤波器和马尔科夫模型对目标的预判进行跟踪,克服复杂环境下的离散颜色特征和相似目标物体的干扰,缩小检测器搜索范围,提高目标局部遮挡时的跟踪精度,增强跟踪准确性。
Description
技术领域
本发明涉及图像处理与模式识别技术领域,尤其是涉及动态环境下的目标状态预估方法。
背景技术
如何从一副图像里提取出我们感兴趣的物体,并在图像序列中始终标定目标位置是目标跟踪的主要课题,也更是图像处理中的一个经久不衰的话题。在该领域研究较早的,应用较为广泛的适用于图像目标提取的是图像分割技术,它是图像处理与分析领域中的一个经典问题,也是该领域的难点之一。图像分割其实就是一个划分问题,按照特定的划分准则将图像中的像素点进行过滤与划分,通常划分的结果要么是区分背景与提取物,要么是突出提取物,要么是消除噪声,通过划分将图像归到具有实际意义的区域,我们便可以提取出我们感兴趣的目标。在图像分割领域中,利用颜色直方图的分布概率来提取目标是一类较为简单和实用的方法,其易于实现、分割效果良好,时间复杂度低,在简单背景下跟踪结果更精准并自动调节搜索窗口大小,是目前应用于机器视觉及其它各类图像处理与模式识别中较为常用的分割方法之一,并已广泛应用于工业产品缺陷提取、医疗图像处理、指纹识别、红外目标检测等实际应用领域,如何能够不受检测器检测范围的限制和对移动速度过快的目标跟踪效果较差的影响,并且由于主要处理颜色直方图反投影形成的二值图像,以获取图像颜色的概率分布信息的处理算法更是众多图像处理领域研究者努力探索的问题。
本文的研究是在FIRA机器人比赛,投篮比赛项目的基础上发展而来,FIRA(Federation of International Robot-Soccer Association)是在韩国创立,比赛更是涉及人工智能各个领域,包括智能机器人系统、多智能体系统、图像处理和模式识别、多机器人协作、路径规划与决策以及传感器技术等,投篮比赛项目明确规定了机器人在依靠视觉的情况下识别球和篮筐,自行抓起球完成整个投篮比赛,并且从起点线到终点线均不能碰到障碍物。因此,图像处理在该比赛项目中尤为重要,处理的结果将直接影响到机器人的姿态与决策。
在目标识别方法中,经典的目标识别方法有Otsu(类间方差法),最大熵法,基本全局阈值法,迭代阈值分割法以及各种自适应阈值法,上述方法都是基于灰度图像的单通道分割方法,这种方法在目标和背景差别大、噪声低的情况下得到的分割效果不错,但是对于背景复杂和纹理特征较为丰富的目标跟踪效果就会比较差,很容易受背景中与目标相似的物体的干扰,最终导致目标识别和跟踪失败。
发明内容
本发明所要解决的技术问题是提供一种动态环境下的目标状态预估方法,该方法是基于颜色直方图的概率分布来最大限度地提取出目标,并且具备高度的噪声抵抗性。
本发明所采用的技术方案是,动态环境下的目标状态预估方法,所述方法包括下列步骤:
(1)、从摄像头采集第一帧RGB图像作为先验图像;
(2)、将上述提取的RGB图像转换为HSV图像与YCbCr图像;
(3)、在HSV图像和YCbCr图像上分别检测一个目标范围,采用迭代法分别在提取的目标范围内求取中心点,即得到HSV图像中心点和YCbCr图像中心点;
(4)、根据步骤(3)中得到的两个中心点,求取两个中心点的偏移量以及中心点的上下限;
(5)、确定下一帧图像的识别上界和识别下界;
(6)、根据步骤(5)中预测的识别上界和识别下界,确定出下一帧图像的阈值选取准则;
(7)、更新步骤(3)中的HSV图像中心点和YCbCr图像中心点,来获取新的HSV图像中心点和新的YCbCr图像中心点,更新步骤(6)中的识别上界和识别下界来获取新的识别上界和新的识别下界,从而达到自适应检测目标的目的;
(8)、对新的HSV图像中心点和新的YCbCr图像中心点进行检测,即根据分割出像素点集合的直方图histnew,如果任意一个新的中心点符合要求,则将获得的新中心点、新的识别上界和新的识别下界作为当前中心点和边界范围,如果存在不符合要求的新的中心点,则对该不符合要求的新的中心点进行还原,同时对其边界也还原,既保持更新前的值和更新前的便捷范围;
(9)、利用Kalman预测器得出状态预测值,即在动态图像序列中,每相邻帧之间的时间间隔较小,可以近似认为目标在相邻帧之间为匀速运动,根据检测器搜索区域大小和位置,得出卡尔曼滤波器状态估计的状态变量Xk和预测变量Zk;
(10)、由马尔科夫模型得出目标方向,通过设定马尔科夫模型当前预测状态只和上一时刻状态及状态转移矩阵相关,则根据目标在t时刻的运动方向状态量和转移矩阵,由此预测t+1时刻的目标方向。
在步骤(2)中,将RGB图像转换为YCbCr图像,其转换公式为:
步骤(3)中,采用迭代法提取YCbCr图像的中心点的方法为:在第一帧图像中,以聚类的方式将初始障碍物大致范围聚出来或者用手动方式选取目标物体,若选取的目标区域为矩形,设定其矩形的宽为w,高为h,中心点为p(y,u,v),其中y为y通道,u为cb通道,v为cr通道,srci,j(y,u,v)表示转换为ycbcr颜色空间的像素点,目标二值化为desti,j,i,j为像素坐标,可得出初始中心点p(y,u,v)为:
更新点:
如果更新的点满足迭代终止条件,则确定其为中心点,否则继续迭代,所述终止条件是更新的点的变化达到一定精度或者是达到迭代上限,由于迭代法自身具备收敛性,因此一定可以得出一个中心点。
步骤(4)中,求取两个中心点的偏移量以及中心点的上下限的具体求取方法为:以直方图下界作为下界,中心点作为上界,利用迭代法来求出中心点下限;以中心点作为下界,直方图上界作为上界,同样利用迭代法来求出中心点上限;故可以得到中心点大致定位于中心点下限到中心点上限区间内。
步骤(5)中,确定下一帧图像的识别上界和识别下界的具体过程为:以提取的中心点的最大值识别到的最大距离作为上界,中心点的最小值识别到的最大距离作为下界,以中心点的最大值到最小值的距离作为识别范围,故可分别确定识别下界和识别上界。
步骤(5)中,确定的识别下界设为ξ,识别上界设为η,可以得出:
ξ=pdown(y,u,v)-(pup(y,u,v)-pdown(y,u,v))=2*pdown(y,u,v)-pup(y,u,v)
η=pup(y,u,v)+pup(y,u,v)-pdown(y,u,v)=2*pup(y,u,v)-pdown(y,u,v),
其中pdown(y,u,v)为步骤(4)中的中心点下限,pup(y,u,v)为步骤(4)中的中心点上限。
步骤(6)中,下一帧图像的阈值选取准则表示为:
步骤(7)中,设定当前图像通过中心点及边界分割出来的像素点集合为设定像素点的个数为num,前一中心点为pre(y,u,v),更新中心点为p'(y,u,v),更新中心点的过程可以表示为:
作为优先,步骤(8)中,对新中心点进行检测的过程如可以表示为:
本发明的有益效果是:本文提出了一种在动态环境下结合HSV颜色空间和YCbCr颜色空间的上下自适应目标识别检测方法,能够最大限度的提取出目标,也能对噪声的抵抗性较强,并结合卡尔曼滤波器,建立目标当前状态的模型预估目标运动速度,对目标中心点所在区域预估,缩小检测器搜索范围,提高目标局部遮挡时的跟踪精度。针对纹理特征较为丰富的的目标检测问题,结合基于马尔科夫模型的方向预测器,实现颜色特征离散情况下的状态估计,能够增强检测器对相似目标的辨识能力,解决背景中复杂的特征相似问题。
附图说明
图1为本发明动态环境下的目标状态预估方法的逻辑框图。
具体实施方式
以下参照附图并结合具体实施方式来进一步描述发明,以令本领域技术人员参照说明书文字能够据以实施,本发明保护范围并不受限于该具体实施方式。
本发明涉及动态环境下的目标状态预估方法,所述方法包括下列步骤:
(1)、从摄像头采集第一帧RGB图像作为先验图像;
(2)、将上述提取的RGB图像转换为HSV图像与YCbCr图像;其中将RGB图像转换为YCbCr图像,其转换公式为:
(3)、在HSV图像和YCbCr图像上分别检测一个目标范围,采用迭代法分别在提取的目标范围内求取中心点,即得到HSV图像中心点和YCbCr图像中心点;求取中心点的方法为:在第一帧图像中,以聚类的方式将初始障碍物大致范围聚出来或者用手动方式选取目标物体,若选取的目标区域为矩形,设定其矩形的宽为w,高为h,中心点为p(y,u,v),其中y可以表示为y通道,u可以表示为cb通道,v可以表示为cr通道,srci,j(y,u,v)表示转换为ycbcr颜色空间的像素点,目标二值化为desti,j,i,j为像素坐标,可得出初始中心点p(y,u,v)为:
更新点:
如果更新的点满足迭代终止条件,则确定其为中心点,否则继续迭代,所述终止条件是更新的点的变化达到一定精度或者是达到迭代上限,由于迭代法自身具备收敛性,因此一定可以得出一个中心点;该步骤中,采用提取中心点的方式目的是为了减小图像受光照强度的影响;
(4)、根据步骤(3)中得到的两个中心点,求取两个中心点的偏移量以及中心点的上下限,具体求取方法为:以直方图下界作为下界,中心点作为上界,利用迭代法来求出中心点下限;以中心点作为下界,直方图上界作为上界,同样利用迭代法来求出中心点上限;故可以得到中心点大致定位于中心点下限到中心点上限区间内;在该步骤中来求取中心点的偏移量和中心点的上下限,主要是因为确定好的中心点只是对下一帧图像中心点的预估,因此我们需要确定一个实际有效地范围来保障中心点的精确性;
(5)、确定下一帧图像的识别上界和识别下界,具体过程为:以提取的中心点的最大值识别到的最大距离作为上界,中心点的最小值识别到的最大距离作为下界,以中心点的最大值到最小值的距离作为识别范围,故可分别确定识别下界和识别上界,确定的识别下界设为ξ,识别上界设为η,可以得出:
ξ=pdown(y,u,v)-(pup(y,u,v)-pdown(y,u,v))=2*pdown(y,u,v)-pup(y,u,v)
η=pup(y,u,v)+pup(y,u,v)-pdown(y,u,v)=2*pup(y,u,v)-pdown(y,u,v),
其中pdown(y,u,v)为步骤(4)中的中心点下限,pup(y,u,v)为步骤(4)中的中心点上限;在该步骤中,确定识别上界和识别下界目的是为了确定识别的目标物体;
(6)、根据步骤(5)中预测的识别上界和识别下界,确定出下一帧图像的阈值选取准则;下一帧图像的阈值选取准则表示为:
(7)、更新步骤(3)中的HSV图像中心点和YCbCr图像中心点,来获取新的HSV图像中心点和新的YCbCr图像中心点,更新步骤(6)中的识别上界和识别下界来获取新的识别上界和新的识别下界,从而达到自适应检测目标的目的,设定当前图像通过中心点及边界分割出来的像素点集合为设定像素点的个数为num,前一中心点为pre(y,u,v),更新中心点为p'(y,u,v),更新中心点的过程可以表示为:
(8)、对新的HSV图像中心点和新的YCbCr图像中心点进行检测,即根据分割出像素点集合的直方图histnew,如果任意一个新的中心点符合要求,则将获得的新中心点、新的识别上界和新的识别下界作为当前中心点和边界范围,如果存在不符合要求的新的中心点,则对该不符合要求的新的中心点进行还原,同时对其边界也还原,既保持更新前的值和更新前的便捷范围;
(9)、利用Kalman预测器得出状态预测值,即在动态图像序列中,每相邻帧之间的时间间隔较小,可以近似认为目标在相邻帧之间为匀速运动,根据检测器搜索区域大小和位置,得出卡尔曼滤波器状态估计的状态变量Xk和预测变量Zk;
(10)、由马尔科夫模型得出目标方向,通过设定马尔科夫模型当前预测状态只和上一时刻状态及状态转移矩阵相关,则根据目标在t时刻的运动方向状态量和转移矩阵,由此预测t+1时刻的目标方向。
在步骤(8)中,由于结合了其它颜色空间的分割方法,使得阈值范围得到很有效的控制,并能实现最小的阈值范围最大限度的识别出目标物体,对环境噪声的鲁棒性更强。
步骤(9)和步骤(10)中结合了卡尔曼滤波器和马尔科夫预测器实现目标的状态预估,克服复杂环境下的离散颜色特征和相似目标物体的干扰,缩小检测器搜索范围,提高目标局部遮挡时的跟踪精度,增强跟踪准确性。
无论视角怎么变化,中心点都会不断偏向目标物体实际中心点,并根据目标物的大小实现边界收缩与扩张,能有效地剔除噪声影响并能随环境实现自适应变化。
一般的颜色直方图概率方法利用阈值分割都是在静态的情况下作的,而在动态环境下的阈值分割还相对较少,本方法不仅能在静态条件下取得不错的分割效果,也能在动态条件下分割,使用范围更加广。
Claims (9)
1.动态环境下的目标状态预估方法,其特征在于,所述方法包括下列步骤:
(1)、从摄像头采集第一帧RGB图像作为先验图像;
(2)、将上述提取的RGB图像转换为HSV图像与YCbCr图像;
(3)、在HSV图像和YCbCr图像上分别检测一个目标范围,采用迭代法分别在提取的目标范围内求取中心点,即得到HSV图像中心点和YCbCr图像中心点;
(4)、根据步骤(3)中得到的两个中心点,求取两个中心点的偏移量以及中心点的上下限;
(5)、确定下一帧图像的识别上界和识别下界;
(6)、根据步骤(5)中预测的识别上界和识别下界,确定出下一帧图像的阈值选取准则;
(7)、更新步骤(3)中的HSV图像中心点和YCbCr图像中心点,来获取新的HSV图像中心点和新的YCbCr图像中心点,更新步骤(6)中的识别上界和识别下界来获取新的识别上界和新的识别下界,从而达到自适应检测目标的目的;
(8)、对新的HSV图像中心点和新的YCbCr图像中心点进行检测,即根据分割出像素点集合的直方图histnew,如果任意一个新的中心点符合要求,则将获得的新中心点、新的识别上界和新的识别下界作为当前中心点和边界范围,如果存在不符合要求的新的中心点,则对该不符合要求的新的中心点进行还原,同时对其边界也还原,既保持更新前的值和更新前的便捷范围;
(9)、利用Kalman预测器得出状态预测值,即在动态图像序列中,每相邻帧之间的时间间隔较小,可以近似认为目标在相邻帧之间为匀速运动,根据检测器搜索区域大小和位置,得出卡尔曼滤波器状态估计的状态变量Xk和预测变量Zk;
(10)、由马尔科夫模型得出目标方向,通过设定马尔科夫模型当前预测状态只和上一时刻状态及状态转移矩阵相关,则根据目标在t时刻的运动方向状态量和转移矩阵,由此预测t+1时刻的目标方向。
2.根据权利要求1所述的动态环境下的目标状态预估方法,其特征在于,步骤(2)中,将RGB图像转换为YCbCr图像,其转换公式为:
。
3.根据权利要求1所述的动态环境下的目标状态预估方法,其特征在于,步骤(3)中,采用迭代法提取YCbCr图像的中心点的方法为:在第一帧图像中,以聚类的方式将初始障碍物大致范围聚出来或者用手动方式选取目标物体,若选取的目标区域为矩形,设定其矩形的宽为w,高为h,中心点为p(y,u,v),其中y为y通道,u为cb通道,v为cr通道,srci,j(y,u,v)表示转换为ycbcr颜色空间的像素点,目标二值化为desti,j,i,j为像素坐标,可得出初始中心点p(y,u,v)为:
更新点:
如果更新的点满足迭代终止条件,则确定其为中心点,否则继续迭代,所述终止条件是更新的点的变化达到一定精度或者是达到迭代上限,由于迭代法自身具备收敛性,因此一定可以得出一个中心点。
4.根据权利要求1所述的动态环境下的目标状态预估方法,其特征在于,步骤(4)中,求取两个中心点的偏移量以及中心点的上下限的具体求取方法为:以直方图下界作为下界,中心点作为上界,利用迭代法来求出中心点下限;以中心点作为下界,直方图上界作为上界,同样利用迭代法来求出中心点上限;故可以得到中心点大致定位于中心点下限到中心点上限区间内。
5.根据权利要求1所述的动态环境下的目标状态预估方法,其特征在于,步骤(5)中,确定下一帧图像的识别上界和识别下界的具体过程为:以提取的中心点的最大值识别到的最大距离作为上界,中心点的最小值识别到的最大距离作为下界,以中心点的最大值到最小值的距离作为识别范围,故可分别确定识别下界和识别上界。
6.根据权利要求1所述的动态环境下的目标状态预估方法,其特征在于,步骤(5)中,确定的识别下界设为ξ,识别上界设为η,可以得出:
ξ=pdown(y,u,v)-(pup(y,u,v)-pdown(y,u,v))=2*pdown(y,u,v)-pup(y,u,v)
η=pup(y,u,v)+pup(y,u,v)-pdown(y,u,v)=2*pup(y,u,v)-pdown(y,u,v),
其中pdown(y,u,v)为步骤(4)中的中心点下限,pup(y,u,v)为步骤(4)中的中心点上限。
7.根据权利要求1所述的动态环境下的目标状态预估方法,其特征在于,步骤(6)中,下一帧图像的阈值选取准则表示为:
8.根据权利要求1所述的动态环境下的目标状态预估方法,其特征在于,步骤(7)中,设定当前图像通过中心点及边界分割出来的像素点集合为设定像素点的个数为num,前一中心点为pre(y,u,v),更新中心点为p'(y,u,v),更新中心点的过程可以表示为:
9.根据权利要求1所述的动态环境下的目标状态预估方法,其特征在于,步骤(8)中,对新中心点进行检测的过程如可以表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710512520.4A CN107248166B (zh) | 2017-06-29 | 2017-06-29 | 动态环境下的目标状态预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710512520.4A CN107248166B (zh) | 2017-06-29 | 2017-06-29 | 动态环境下的目标状态预估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248166A true CN107248166A (zh) | 2017-10-13 |
CN107248166B CN107248166B (zh) | 2020-05-15 |
Family
ID=60013520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710512520.4A Active CN107248166B (zh) | 2017-06-29 | 2017-06-29 | 动态环境下的目标状态预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248166B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111886638A (zh) * | 2018-03-28 | 2020-11-03 | 京瓷株式会社 | 图像处理装置、拍摄装置以及移动体 |
CN113269838A (zh) * | 2021-05-20 | 2021-08-17 | 西安交通大学 | 一种基于fira平台的障碍物视觉检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050008193A1 (en) * | 2000-06-13 | 2005-01-13 | Microsoft Corporation | System and process for bootstrap initialization of nonparametric color models |
WO2007071476A1 (en) * | 2005-12-20 | 2007-06-28 | International Business Machines Corporation | Method, system and computer program for distributing software products based on an e-mail service |
CN101487838A (zh) * | 2008-12-11 | 2009-07-22 | 东华大学 | 一种异形纤维的尺度形状特征的提取方法 |
CN102508917A (zh) * | 2011-11-21 | 2012-06-20 | 洪涛 | 部分特征图像的多维度目标快速鲁棒检索定位方法 |
CN103279755A (zh) * | 2013-03-25 | 2013-09-04 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于汽车底部阴影特征的快速车牌定位方法 |
US8669998B1 (en) * | 2010-06-30 | 2014-03-11 | Amazon Technologies, Inc. | Selection of colors |
CN105913457A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于加强粒子群优化的粒子滤波目标跟踪方法 |
-
2017
- 2017-06-29 CN CN201710512520.4A patent/CN107248166B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050008193A1 (en) * | 2000-06-13 | 2005-01-13 | Microsoft Corporation | System and process for bootstrap initialization of nonparametric color models |
WO2007071476A1 (en) * | 2005-12-20 | 2007-06-28 | International Business Machines Corporation | Method, system and computer program for distributing software products based on an e-mail service |
CN101487838A (zh) * | 2008-12-11 | 2009-07-22 | 东华大学 | 一种异形纤维的尺度形状特征的提取方法 |
US8669998B1 (en) * | 2010-06-30 | 2014-03-11 | Amazon Technologies, Inc. | Selection of colors |
CN102508917A (zh) * | 2011-11-21 | 2012-06-20 | 洪涛 | 部分特征图像的多维度目标快速鲁棒检索定位方法 |
CN103279755A (zh) * | 2013-03-25 | 2013-09-04 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于汽车底部阴影特征的快速车牌定位方法 |
CN105913457A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于加强粒子群优化的粒子滤波目标跟踪方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111886638A (zh) * | 2018-03-28 | 2020-11-03 | 京瓷株式会社 | 图像处理装置、拍摄装置以及移动体 |
CN111886638B (zh) * | 2018-03-28 | 2023-01-03 | 京瓷株式会社 | 图像处理装置、拍摄装置以及移动体 |
CN113269838A (zh) * | 2021-05-20 | 2021-08-17 | 西安交通大学 | 一种基于fira平台的障碍物视觉检测方法 |
CN113269838B (zh) * | 2021-05-20 | 2023-04-07 | 西安交通大学 | 一种基于fira平台的障碍物视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107248166B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103325126B (zh) | 一种在尺度变化和遮挡情况下的视频目标跟踪方法 | |
US20110211754A1 (en) | Tracking body parts by combined color image and depth processing | |
CN108197587A (zh) | 一种通过人脸深度预测进行多模态人脸识别的方法 | |
CN105701437B (zh) | 基于机器人的肖像绘制系统 | |
CN106707296A (zh) | 一种基于双孔径光电成像系统的无人机检测与识别方法 | |
CN103886619B (zh) | 一种融合多尺度超像素的目标跟踪方法 | |
CN110569785B (zh) | 一种融合跟踪技术的人脸识别方法 | |
CN106296725A (zh) | 运动目标实时检测与跟踪方法及目标检测装置 | |
CN108983980A (zh) | 一种移动机器人基本运动手势控制方法 | |
US11676376B2 (en) | Method for detecting field navigation line after ridge sealing of crops | |
CN110032932B (zh) | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 | |
CN107230219B (zh) | 一种单目机器人上的目标人发现与跟随方法 | |
CN105138990A (zh) | 一种基于单目摄像头的手势凸包检测与掌心定位方法 | |
CN110555867B (zh) | 一种融合物体捕获识别技术的多目标物体跟踪方法 | |
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 | |
CN107248166A (zh) | 动态环境下的目标状态预估方法 | |
CN106934338A (zh) | 一种基于相关滤波器的长期行人跟踪方法 | |
CN104751487A (zh) | 一种基于彩色rgb三平面色变帧差的运动目标检测方法 | |
CN110688512A (zh) | 基于ptgan区域差距与深度神经网络的行人图像搜索算法 | |
CN105844641B (zh) | 一种动态环境下的自适应阈值分割方法 | |
CN111191659B (zh) | 服装生产系统多形状衣架识别方法 | |
CN116978090A (zh) | 一种基于特征分离和融合的行人重识别表征学习技术 | |
Jeyakar et al. | Robust object tracking using local kernels and background information | |
Herbst et al. | Object segmentation from motion with dense feature matching | |
CN115797397A (zh) | 一种机器人全天候自主跟随目标人员的方法及系统 |
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 |