CN107657630A - 一种基于kcf的改进型抗遮挡目标跟踪方法 - Google Patents
一种基于kcf的改进型抗遮挡目标跟踪方法 Download PDFInfo
- Publication number
- CN107657630A CN107657630A CN201710599842.7A CN201710599842A CN107657630A CN 107657630 A CN107657630 A CN 107657630A CN 201710599842 A CN201710599842 A CN 201710599842A CN 107657630 A CN107657630 A CN 107657630A
- Authority
- CN
- China
- Prior art keywords
- target
- kcf
- modified anti
- threshold value
- shelter
- 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
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于KCF的改进型抗遮挡目标跟踪方法,基于KCF算法并和卡尔曼滤波器相结合,KCF算法跟踪速度快,跟踪精度高,在目标跟踪领域有着广泛应用,但其无法很好地应对尺度变化和目标大面积遮挡的情况。本发明使用并行计算实现KCF的多尺度目标检测,同时设计一种有效的判别目标遮挡的算法,当本发明判定目标发生严重遮挡时,使用卡尔曼滤波器的预测结果作为当前帧目标位置。经过实验证明,本发明可以有效应对KCF算法面对目标大面积遮挡时跟踪漂移状况的发生,使得KCF算法在面对遮挡时能够更加准确地跟踪目标。
Description
技术领域
本发明属于图像处理目标跟踪技术领域,尤其涉及一种基于KCF的改进型抗遮挡目标跟踪方法。
背景技术
随着机器视觉和人工智能的蓬勃发展,视频跟踪技术作为人机交互,无人驾驶等前沿技术的基础,被广泛地关注和研究。至今已有很多算法被提出,但无一能够完全解决诸如跟踪速度,光照变化,尺度变化,复杂背景和目标遮挡等问题。
KCF算法是一种基于检测的跟踪算法,它巧妙利用了循环矩阵的性质使得检测过程十分快速,准确,是一种应用较为广泛的跟踪技术。但算法本身未应对尺度变化和遮挡情况;卡尔曼滤波器是一种应用广泛的从带噪声的测量数值中进行数学随机估计的工具。能够动态系统的状态序列进行线性最小方差估计,在系统前一个状态的基础上进行下一时刻的状态估计。
发明内容
本发明所要解决的技术问题是针对KCF算法未应对尺度变化的问题,提出使用并行技术进行多尺度检测,在不增加算法时间消耗的情况下应对尺度变化;针对其无法有效应对遮挡,并被障碍物大范围遮挡时容易发生漂移现象的情况,提出使用卡尔曼滤波器结合KCF算法,有效应对遮挡,并减少跟踪漂移状况的发生。
本发明为解决上述技术问题采用以下技术方案
一种基于KCF的改进型抗遮挡目标跟踪方法,具体包含以下步骤;
步骤1,读入视频帧序列,并选择待跟踪目标,初始化KCF跟踪器,初始化卡尔曼滤波器;
步骤2,使用线程池技术开启三个线程,三个线程分别检测待跟踪目标的三个尺度图像,获取响应最大的线程,将响应最大的线程对应的输出位置及尺度作为当前帧的目标位置;
步骤3,将步骤2中获取的最大响应与预设阈值进行对比,若小于预设阈值,响应最大的线程对应的输出位置及尺度进行遮挡判别;
步骤4,若步骤3判别输出位置及尺度为遮挡时,则使用卡尔曼滤波器的输出结果作为当前帧目标位置;反之则使用KCF跟踪器的输出结果作为当前帧目标位置。
作为本发明一种基于KCF的改进型抗遮挡目标跟踪方法的进一步优选方案,在步骤3中,所述预设阈值取值0.15。
作为本发明一种基于KCF的改进型抗遮挡目标跟踪方法的进一步优选方案,在步骤3中,则将响应最大的线程对应的输出位置及尺度输入遮挡判别器进行遮挡判别
作为本发明一种基于KCF的改进型抗遮挡目标跟踪方法的进一步优选方案,在步骤3中,遮挡判别的具体步骤如下:
步骤3.1,提取待检测目标区域的颜色直方图,并与初始设置目标时保留的目标区域颜色直方图进行匹配;
步骤3.2,判断待检测目标区域的颜色直方图和初始设置目标时保留的目标区域颜色直方图的欧式距离是否大于阈值,若是,则判定待检测目标区域在这一帧遭受严重遮挡。
作为本发明一种基于KCF的改进型抗遮挡目标跟踪方法的进一步优选方案,在步骤3.2中,阈值取值0.2。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、融合了KCF算法和卡尔曼滤波器各自的优点,KCF算法充分巧妙利用了循环矩阵的性质,当目标未发生遮挡时,结合HOG特征能够快速,准确地跟踪目标,但当发生遮挡时,由于目标模板在不断更新,当目标再次出现时,算法很有可能漂移到障碍物身上,造成跟踪失败。但卡尔曼滤波器并不基于特征跟踪,而是充分利用目标的当前状态,包括位置和速度信息,预测下一帧目标的位置,有很强的抗障碍物干扰性。当发生遮挡时,基于之前KCF算法给出的目标状态信息,当前帧目标位置信息使用卡尔曼滤波器进行预测;
2、本发明设计一种有效快速判别当前帧目标是否被障碍物遮挡的方法:保留用户初始选定的目标区域以及其颜色直方图,当当前帧KCF滤波响应值小于一定阈值时,开始通过颜色直方图欧式距离进行判别,当计算结果小于一定阈值时判定该帧图像输出目标遭受遮挡,当前帧目标位置由卡尔曼滤波器给定,并拒绝为当前帧更新模板和滤波器,由于事先经过使用HOG特征的KCF,故而实际上是经过两层判别的串联,使得判别更加准确;
3、使用线程池技术对目标进行多尺度检测,避免每一帧线程开启和销毁的开销,并且能够有效应对尺度变化,输出正确的尺度。
附图说明
图1是本发明的方法流程图;
图2是在有遮挡情况下本发明专利对KCF的优势;
图3是在尺度变化的情况下,本发明可以有效适应尺度变化。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
一种基于KCF的改进型抗遮挡目标跟踪方法KKCF,多尺度并行KCF算法和卡尔曼滤波器并行执行,当判别KCF算法识别出的目标被大面积遮挡时,使用卡尔曼滤波器对目标位置进行预测,并保留前一帧的滤波器参数和特征模板。直到KCF算法检测出的目标达到阈值以上切换回多尺度KCF跟踪。
如图1所示,所述方法包括以下步骤:
步骤A):读入视频流,初始化KCF跟踪器进行跟踪,初始化卡尔曼滤波器对下一帧目标位置进行预测。
步骤B):使用一个具有三个线程的线程池,其中一个为主线程,执行默认尺度检测,另外两个分别检测经过尺度因子以及尺度因子倒数变化过的图像,分别得到响应,取其中最大值,并将该线程输出位置和尺度作为当前待确定目标位置。
步骤C):若步骤B得到的响应小于预设阈值,则进行遮挡判别。
步骤D):使用未遮挡时KCF跟踪位置作为卡尔曼滤波器的状态变量输入卡尔曼滤波器,输出下一帧预测位置。
步骤E):当步骤C中判别假设发生遮挡时,使用目标遮挡判别算法判定该目标是否确定丢失。
步骤F):若目标区域被判定为障碍物,为防止跟踪漂移,停止KCF参数的更新,使用前一帧的滤波器参数逐帧检测,直到KCF响应结果高于阈值。并将当前帧卡尔曼滤波器输出作为结果,并更新卡尔曼滤波器的状态变量。
步骤G):当KCF响应重新高于阈值后,将该区域输入目标遮挡判别算法,若判定为目标,则重新将其设置为当前帧结果,重启KCF参数的更新,转到步骤A继续执行如图1所示,
本KKCF算法的具体技术步骤如下:
步骤1:读入视频帧序列,并选择待跟踪目标,初始化KCF跟踪器,设置尺度因子(本发明设置为1.05),初始化卡尔曼滤波器。
步骤2:使用线程池技术开启三个线程,避免每一帧开启关闭三个线程的额外开销。当新的一帧到来,三个线程分别检测三个尺度的图像,取相应最大的线程,将其输出位置和尺度作为当前帧目标位置。
步骤3:当前帧KCF滤波器响应过低的情况下(本发明取0.15),将其输入遮挡判别器,提取该区域颜色直方图,并与初始设置目标时保留的目标区域颜色直方图进行匹配,使用欧式距离进行判别,当两者欧式距离大于某一阈值时(本发明使用的是初始模板直方图和的百分之二十)判断目标在这一帧确实遭受严重遮挡。
步骤4:当前KCF输出位置被判别为遭受严重遮挡时,使用卡尔曼滤波器的输出作为当前帧目标位置,否则使用多尺度KCF跟踪算法检测结果作为当前帧目标位置。
步骤5:若当前帧目标未遭受严重阻挡,则使用学习因子(本发明使用0.02)对模板和滤波器参数进行更新,否则不引入当前目标图像(因为已经判别其为受遮挡状态,会引起跟踪漂移)信息进行更新。
具体应用如下图所示:图2是在有遮挡情况下本发明专利对KCF的优势;图3是在尺度变化的情况下,本发明可以有效适应尺度变化。
综上所述;本发明融合了KCF算法和卡尔曼滤波器各自的优点,KCF算法充分巧妙利用了循环矩阵的性质,当目标未发生遮挡时,结合HOG特征能够快速,准确地跟踪目标。但当发生遮挡时,由于目标模板在不断更新,当目标再次出现时,算法很有可能漂移到障碍物身上,造成跟踪失败。但卡尔曼滤波器并不基于特征跟踪,而是充分利用目标的当前状态,包括位置和速度信息,预测下一帧目标的位置,有很强的抗障碍物干扰性。当发生遮挡时,基于之前KCF算法给出的目标状态信息,当前帧目标位置信息使用卡尔曼滤波器进行预测。
本发明设计一种有效快速判别当前帧目标是否被障碍物遮挡的方法:保留用户初始选定的目标区域以及其颜色直方图,当当前帧KCF滤波响应值小于一定阈值时,开始通过颜色直方图欧式距离进行判别,当计算结果小于一定阈值时判定该帧图像输出目标遭受遮挡,当前帧目标位置由卡尔曼滤波器给定,并拒绝为当前帧更新模板和滤波器。由于事先经过使用HOG特征的KCF,故而实际上是经过两层判别的串联,使得判别更加准确。
使用线程池技术对目标进行多尺度检测,避免每一帧线程开启和销毁的开销,并且能够有效应对尺度变化,输出正确的尺度。
Claims (5)
1.一种基于KCF的改进型抗遮挡目标跟踪方法,其特征在于:具体包含以下步骤;
步骤1,读入视频帧序列,并选择待跟踪目标,初始化KCF跟踪器,初始化卡尔曼滤波器;
步骤2,使用线程池技术开启三个线程,三个线程分别检测待跟踪目标的三个尺度图像,获取响应最大的线程,将响应最大的线程对应的输出位置及尺度作为当前帧的目标位置;
步骤3,将步骤2中获取的最大响应与预设阈值进行对比,若小于预设阈值,则将响应最大的线程对应的输出位置及尺度进行遮挡判别;
步骤4,若步骤3判别输出位置及尺度为遮挡时,则使用卡尔曼滤波器的输出结果作为当前帧目标位置;反之则使用KCF跟踪器的输出结果作为当前帧目标位置。
2.根据权利要求1所述的一种基于KCF的改进型抗遮挡目标跟踪方法,其特征在于:在步骤3中,所述预设阈值取值0.15。
3.根据权利要求1所述的一种基于KCF的改进型抗遮挡目标跟踪方法,其特征在于:在步骤3中,响应最大的线程对应的输出位置及尺度输入遮挡判别器进行遮挡判别。
4.根据权利要求3所述的一种基于KCF的改进型抗遮挡目标跟踪方法,其特征在于:在步骤3中,遮挡判别的具体步骤如下:
步骤3.1,提取待检测目标区域的颜色直方图,并与初始设置目标时保留的目标区域颜色直方图进行匹配;
步骤3.2,判断待检测目标区域的颜色直方图和初始设置目标时保留的目标区域颜色直方图的欧式距离是否大于阈值,若是,则判定待检测目标区域在这一帧遭受严重遮挡。
5.根据权利要求4所述的一种基于KCF的改进型抗遮挡目标跟踪方法,其特征在于:在步骤3.2中,阈值取值0.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710599842.7A CN107657630A (zh) | 2017-07-21 | 2017-07-21 | 一种基于kcf的改进型抗遮挡目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710599842.7A CN107657630A (zh) | 2017-07-21 | 2017-07-21 | 一种基于kcf的改进型抗遮挡目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107657630A true CN107657630A (zh) | 2018-02-02 |
Family
ID=61127633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710599842.7A Pending CN107657630A (zh) | 2017-07-21 | 2017-07-21 | 一种基于kcf的改进型抗遮挡目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657630A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510521A (zh) * | 2018-02-27 | 2018-09-07 | 南京邮电大学 | 一种多特征融合的尺度自适应目标跟踪方法 |
CN108564069A (zh) * | 2018-05-04 | 2018-09-21 | 中国石油大学(华东) | 一种工业佩戴安全帽视频检测方法 |
CN108765470A (zh) * | 2018-06-17 | 2018-11-06 | 天津理工大学 | 一种针对目标遮挡改进的kcf跟踪算法 |
CN109102522A (zh) * | 2018-07-13 | 2018-12-28 | 北京航空航天大学 | 一种目标跟踪方法及装置 |
CN109360224A (zh) * | 2018-09-29 | 2019-02-19 | 吉林大学 | 一种融合kcf和粒子滤波的抗遮挡目标跟踪方法 |
CN109448027A (zh) * | 2018-10-19 | 2019-03-08 | 成都睿码科技有限责任公司 | 一种基于算法融合的自适应、持久的运动目标识别方法 |
CN109448021A (zh) * | 2018-10-16 | 2019-03-08 | 北京理工大学 | 一种运动目标跟踪方法及系统 |
CN109584267A (zh) * | 2018-11-05 | 2019-04-05 | 重庆邮电大学 | 一种结合背景信息的尺度自适应相关滤波跟踪方法 |
CN109902588A (zh) * | 2019-01-29 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种手势识别方法、装置及计算机可读存储介质 |
CN109978923A (zh) * | 2019-04-04 | 2019-07-05 | 杭州电子科技大学 | 一种基于双模板尺度自适应相关滤波目标跟踪方法及系统 |
CN110689557A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种基于kcf的改进型抗遮挡目标跟踪方法 |
CN110717934A (zh) * | 2019-10-17 | 2020-01-21 | 湖南大学 | 一种基于strcf的抗遮挡目标跟踪方法 |
CN112150511A (zh) * | 2020-11-02 | 2020-12-29 | 电子科技大学 | 一种基于图像匹配与改进核相关滤波器结合的目标跟踪算法 |
CN112633105A (zh) * | 2020-12-15 | 2021-04-09 | 重庆电子工程职业学院 | 一种目标跟踪、统计系统及方法 |
CN113096160A (zh) * | 2021-06-09 | 2021-07-09 | 深圳市优必选科技股份有限公司 | 多目标追踪方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881022A (zh) * | 2012-07-20 | 2013-01-16 | 西安电子科技大学 | 基于在线学习的遮挡目标跟踪方法 |
CN104089697A (zh) * | 2014-07-08 | 2014-10-08 | 安徽常春藤光电智能科技有限公司 | 一种基于线程池并发技术的实时在线的视觉振动测量方法 |
CN104318211A (zh) * | 2014-10-17 | 2015-01-28 | 中国传媒大学 | 一种抗遮挡人脸跟踪方法 |
CN104933731A (zh) * | 2015-04-17 | 2015-09-23 | 阔地教育科技有限公司 | 一种基于图形处理器的运动目标检测方法及装置 |
CN105279773A (zh) * | 2015-10-27 | 2016-01-27 | 杭州电子科技大学 | 一种基于tld框架的改进型视频跟踪优化方法 |
CN106204638A (zh) * | 2016-06-29 | 2016-12-07 | 西安电子科技大学 | 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 |
CN106571014A (zh) * | 2016-10-24 | 2017-04-19 | 上海伟赛智能科技有限公司 | 一种在视频中识别异常动作的方法和系统 |
CN106874865A (zh) * | 2017-02-10 | 2017-06-20 | 深圳前海大造科技有限公司 | 一种基于图像识别的扩增实境实现方法 |
CN106875431A (zh) * | 2017-02-10 | 2017-06-20 | 深圳前海大造科技有限公司 | 具有移动预测的图像追踪方法及扩增实境实现方法 |
-
2017
- 2017-07-21 CN CN201710599842.7A patent/CN107657630A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881022A (zh) * | 2012-07-20 | 2013-01-16 | 西安电子科技大学 | 基于在线学习的遮挡目标跟踪方法 |
CN104089697A (zh) * | 2014-07-08 | 2014-10-08 | 安徽常春藤光电智能科技有限公司 | 一种基于线程池并发技术的实时在线的视觉振动测量方法 |
CN104318211A (zh) * | 2014-10-17 | 2015-01-28 | 中国传媒大学 | 一种抗遮挡人脸跟踪方法 |
CN104933731A (zh) * | 2015-04-17 | 2015-09-23 | 阔地教育科技有限公司 | 一种基于图形处理器的运动目标检测方法及装置 |
CN105279773A (zh) * | 2015-10-27 | 2016-01-27 | 杭州电子科技大学 | 一种基于tld框架的改进型视频跟踪优化方法 |
CN106204638A (zh) * | 2016-06-29 | 2016-12-07 | 西安电子科技大学 | 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 |
CN106571014A (zh) * | 2016-10-24 | 2017-04-19 | 上海伟赛智能科技有限公司 | 一种在视频中识别异常动作的方法和系统 |
CN106874865A (zh) * | 2017-02-10 | 2017-06-20 | 深圳前海大造科技有限公司 | 一种基于图像识别的扩增实境实现方法 |
CN106875431A (zh) * | 2017-02-10 | 2017-06-20 | 深圳前海大造科技有限公司 | 具有移动预测的图像追踪方法及扩增实境实现方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510521A (zh) * | 2018-02-27 | 2018-09-07 | 南京邮电大学 | 一种多特征融合的尺度自适应目标跟踪方法 |
CN108564069A (zh) * | 2018-05-04 | 2018-09-21 | 中国石油大学(华东) | 一种工业佩戴安全帽视频检测方法 |
CN108564069B (zh) * | 2018-05-04 | 2021-09-21 | 中国石油大学(华东) | 一种工业佩戴安全帽视频检测方法 |
CN108765470A (zh) * | 2018-06-17 | 2018-11-06 | 天津理工大学 | 一种针对目标遮挡改进的kcf跟踪算法 |
CN109102522A (zh) * | 2018-07-13 | 2018-12-28 | 北京航空航天大学 | 一种目标跟踪方法及装置 |
CN109102522B (zh) * | 2018-07-13 | 2021-08-31 | 北京航空航天大学 | 一种目标跟踪方法及装置 |
CN109360224A (zh) * | 2018-09-29 | 2019-02-19 | 吉林大学 | 一种融合kcf和粒子滤波的抗遮挡目标跟踪方法 |
CN109448021A (zh) * | 2018-10-16 | 2019-03-08 | 北京理工大学 | 一种运动目标跟踪方法及系统 |
CN109448027B (zh) * | 2018-10-19 | 2022-03-29 | 成都睿码科技有限责任公司 | 一种基于算法融合的自适应、持久的运动目标识别方法 |
CN109448027A (zh) * | 2018-10-19 | 2019-03-08 | 成都睿码科技有限责任公司 | 一种基于算法融合的自适应、持久的运动目标识别方法 |
CN109584267A (zh) * | 2018-11-05 | 2019-04-05 | 重庆邮电大学 | 一种结合背景信息的尺度自适应相关滤波跟踪方法 |
CN109584267B (zh) * | 2018-11-05 | 2022-10-18 | 重庆邮电大学 | 一种结合背景信息的尺度自适应相关滤波跟踪方法 |
CN109902588A (zh) * | 2019-01-29 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种手势识别方法、装置及计算机可读存储介质 |
CN109978923A (zh) * | 2019-04-04 | 2019-07-05 | 杭州电子科技大学 | 一种基于双模板尺度自适应相关滤波目标跟踪方法及系统 |
CN109978923B (zh) * | 2019-04-04 | 2020-12-08 | 杭州电子科技大学 | 一种基于双模板尺度自适应相关滤波目标跟踪方法及系统 |
CN110689557A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种基于kcf的改进型抗遮挡目标跟踪方法 |
CN110717934A (zh) * | 2019-10-17 | 2020-01-21 | 湖南大学 | 一种基于strcf的抗遮挡目标跟踪方法 |
CN110717934B (zh) * | 2019-10-17 | 2023-04-28 | 湖南大学 | 一种基于strcf的抗遮挡目标跟踪方法 |
CN112150511A (zh) * | 2020-11-02 | 2020-12-29 | 电子科技大学 | 一种基于图像匹配与改进核相关滤波器结合的目标跟踪算法 |
CN112633105A (zh) * | 2020-12-15 | 2021-04-09 | 重庆电子工程职业学院 | 一种目标跟踪、统计系统及方法 |
CN113096160A (zh) * | 2021-06-09 | 2021-07-09 | 深圳市优必选科技股份有限公司 | 多目标追踪方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657630A (zh) | 一种基于kcf的改进型抗遮挡目标跟踪方法 | |
CN101814149B (zh) | 一种基于在线学习的自适应级联分类器训练方法 | |
CN102324166B (zh) | 一种疲劳驾驶检测方法及装置 | |
CN105095829B (zh) | 一种人脸识别方法及系统 | |
CN108416287A (zh) | 一种基于遗漏负样本挖掘的行人检测方法 | |
CN107705324A (zh) | 一种基于机器学习的视频目标检测方法 | |
CN105225523B (zh) | 一种车位状态检测方法及装置 | |
CN107480658A (zh) | 基于多角度视频的人脸识别装置和方法 | |
CN107833221A (zh) | 一种基于多通道特征融合和机器学习的漏水监测方法 | |
CN100498820C (zh) | 纸币号码自动识别方法及自动识别记录系统 | |
CN102254428A (zh) | 一种基于视频处理的交通拥塞检测方法 | |
CN102968625A (zh) | 基于轨迹的船舶识别与跟踪方法 | |
CN104318211A (zh) | 一种抗遮挡人脸跟踪方法 | |
CN109460704A (zh) | 一种基于深度学习的疲劳检测方法、系统和计算机设备 | |
CN110187334A (zh) | 一种目标监控方法、装置及计算机可读存储介质 | |
CN109360224A (zh) | 一种融合kcf和粒子滤波的抗遮挡目标跟踪方法 | |
CN106570478A (zh) | 视觉跟踪中的目标丢失判断方法和装置 | |
CN108776974A (zh) | 一种适用于公共交通场景的实时目标跟踪方法 | |
CN109583295A (zh) | 一种基于卷积神经网络的转辙机缺口自动检测方法 | |
CN107909012A (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
CN104866830B (zh) | 一种异常动作检测方法及装置 | |
CN107015565B (zh) | 一种agv磁组合导航方法 | |
CN106650735A (zh) | 一种led字符自动定位识别方法 | |
CN103679183A (zh) | 一种平纹本色布疵点识别的方法 | |
CN103489001B (zh) | 图像目标追踪方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |
|
RJ01 | Rejection of invention patent application after publication |