CN107977975A - 一种动态背景视频图像的前景目标提取方法 - Google Patents

一种动态背景视频图像的前景目标提取方法 Download PDF

Info

Publication number
CN107977975A
CN107977975A CN201711240159.0A CN201711240159A CN107977975A CN 107977975 A CN107977975 A CN 107977975A CN 201711240159 A CN201711240159 A CN 201711240159A CN 107977975 A CN107977975 A CN 107977975A
Authority
CN
China
Prior art keywords
mrow
msub
probability
state
foreground target
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
Application number
CN201711240159.0A
Other languages
English (en)
Inventor
吕学勤
王裕东
钦超
瞿艳
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.)
Shanghai University of Electric Power
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201711240159.0A priority Critical patent/CN107977975A/zh
Publication of CN107977975A publication Critical patent/CN107977975A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • 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

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

本发明涉及一种动态背景视频图像的前景目标提取方法，包括：S1、用连续观测值隐马尔可夫模型对视频帧中的人体进行建模，得到多个人体模型；S2、将所有人体模型在设定时间段内的观测向量分别组成一个观测序列；S3、通过前向‑后向算法计算得到每个人体模型产生观测序列的条件概率，选取条件概率最大的观测序列为前景目标。与现有技术相比，本发明将高斯模型和连续观测值隐马尔可夫模型结合应用于视频中观测目标的建模中，避免了出现背景模型建模与实际背景相差大的情况。

Description

一种动态背景视频图像的前景目标提取方法
技术领域
本发明涉及计算机视觉领域，尤其是涉及一种动态背景视频图像的前景目标提取方法。
背景技术
视频监控是中国安防产业中最为重要的信息获取手段。监控系统通过架设在不同生产现场的摄像机，同时对多处生产现场实时监督，提高了监督效率。运动检测作为许多计算机视觉应用中的预处理环节，在视频监控中起着不可或缺的作用。运动检测中的运动目标称为前景，是人们感兴趣的区域。运动检测的目的即是在一个视频流中提取出前景区域，供下一步目标识别、跟踪、行为分析等环节处理。而如何高效、快速、准确抽取出监控视频中的前景目标信息，是非常重要而基础的问题。以夜晚筛选与跟踪罪犯为例，如果能够预先有效、快速地提取视频中移动的前景目标，就能以最快的速度逮捕罪犯，将损失降到小。
运动图像前景提取旨在从视频流中提取运动目标，如人体、车辆等，随着这一问题的研究不断深入，大量算法被提出并应用于实际。可以把这些算法归纳为三类：时间差分、光流法和背景减除法。时间差分法通常用于目标的分类和跟踪，此类方法对背景环境为动态时有较强的适应性。但它存在不能完全提取所有前景像素点的缺陷。光流法普遍计算量太大，对处理器性能要求较高，并且对噪声干扰敏感。背景减除法是目前应用最为广泛的一种前景目标提取法。传统方法由均值、方差获得的背景模型与实际背景相差很多，并且没有背景更新机制，因此提取的运动目标就不够准确。
在数学、视频图像处理等工程领域中常用高斯分布来表征随机量的变化情况。自然界中，如果没有光线的剧变或者其他干扰不存在，图像中各点像素是随机分布的。通过研究发现，像素的灰度值是以某一均值为中心的高斯分布呈现出来。基于此，用高斯分布来描述背景图像的像素。当背景图像发生变化时，相应的对高斯分布的参数进行一定速率的更新，来适应场景内光线明暗等缓慢的背景变化。采用高斯建模方法简单，但其缺点是提取的前景目标噪声干扰多。
HMM分为离散观测值隐马尔可夫模型和连续观测值隐马尔可夫模型，成为信号处理的一个重要方向，现已成功地用于语音识别、行为识别、文字识别以及故障诊断等领域。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种动态背景视频图像的前景目标提取方法。
本发明的目的可以通过以下技术方案来实现：
一种动态背景视频图像的前景目标提取方法，包括：
S1、用连续观测值隐马尔可夫模型对视频帧中的人体进行建模，得到多个人体模型；
S2、将所有人体模型在设定时间段内的观测向量分别组成一个观测序列；
S3、通过前向-后向算法计算得到每个人体模型产生观测序列的条件概率，选取条件概率最大的观测序列为前景目标。
优选的，所述步骤S1中用连续观测值隐马尔可夫模型对视频帧中的人体进行建模得到的人体模型为λ＝(π，Α，Β)，其中π表示隐层各状态的初始概率分布，A表示隐层各状态之间的转换矩阵，Β表示输出概率分布。
优选的，所述输出概率分布为高斯分布。
优选的，所述输出概率分布包含所有隐层状态对应的输出概率分布P(Ot|qi)，qi表示第i个隐层状态，i＝1,2,...,N，N表示隐藏状态的个数，Ot∈Rx为t时刻的观测向量，x是观测向量的维数。
优选的，所述通过前向-后向算法计算得到每个人体模型产生观测序列的条件概率具体包括前向算法递推过程和后向算法递推过程。
优选的，所述前向算法递推过程具体为：
(1)初始化前向概率为：
a1(i)＝πibi(O1),1≤i≤N
a1(i)表示第1时刻的前向概率，前向概率为at(i)＝P(O1,O2,...,Ot|qt＝i,λ)，表示部分观测序列{O1,O2,...,Ot}在t时刻处在隐层状态i的概率，λ表示人体模型，qt表示t时刻的隐藏状态，πi表示隐层状态i的初始概率，bi表示隐层状态i的输出概率，O1表示第1时刻的观测向量；
(2)进行递归过程，递归方程为：
其中，aij表示t时刻隐藏状态为i、t+1时刻状态为j的概率，N表示隐藏状态的个数，T表示时间总长度；
(3)递归终止，终止条件为：
O表示观测序列，λl表示第l个人的人体模型。
优选的，所述后向算法递推过程具体为：
(1)初始化后向概率为：
βT(i)＝1,1≤i≤N
βT(i)表示第T时刻在隐藏状态i的后向概率；
(2)进行递归过程，递归方程为：
(3)递归终止，终止条件为：
与现有技术相比，本发明具有以下优点：
1、将高斯模型和连续观测值隐马尔可夫模型结合应用于视频中观测目标的建模中，避免了出现背景模型建模与实际背景相差大的情况。
2、利用连续观测值隐马尔可夫模型降低了目标轨迹距离较近时的关联错误，同时简化了算法，便于实时应用。
附图说明
图1为获取视频帧前景目标的流程图；
图2为连续观测值隐马尔可夫模型示意图；
图3为动态背景视频中某一帧图像；
图4为采用高斯建模提取图2的前景目标图；
图5为采用高斯建模和CHMM结合提取图2的前景目标图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
为了更加准确的提取出动态背景下的前景目标，本申请提出了基于连续观测值隐马尔可夫模型的视频跟踪方法。视频跟踪的主要思路为：在第一帧中用矩形框圈定目标，比如一个行人。在第二帧中，在不同的位置选择大小不同的矩形框，跟第一帧中框内的目标比较，如果第二帧中哪个框中的内容跟第一帧框中的内容最相似，那么就选这个框中的内容为第二帧中跟踪到的目标。然后开始第三帧，以此类推。视频跟踪的核心问题就是数据关联，本质是建立隐马尔可夫模型(HMM)。之后将数据的关联问题转化为运动轨迹的识别和分配的问题，利用隐马尔可夫模型降低了目标轨迹距离较近时的关联错误，同时简化了算法，便于实时应用。HMM分为离散观测值隐马尔可夫模型和连续观测值隐马尔可夫模型(CHMM)，因为观测目标的步态是连续的，所以对步态建立连续观测值隐马尔可夫模型。
图1所示为获取视频帧前景目标的流程图，当背景为静态时，可采用现有的高斯模型建模提取前景目标，当背景为动态时，采用本申请提出的前景目标提取方法，本方法具体包括以下步骤：
S1、用连续观测值隐马尔可夫模型对视频帧中的人体进行建模，提取人体动作的特征向量，得到多个人体模型；
S2、将所有人体模型在设定时间段内的观测向量分别组成一个观测序列；
S3、通过前向-后向算法计算得到每个人体模型产生观测序列的条件概率，选取条件概率最大的观测序列为前景目标。
步骤S1中CHMM用三元组λ＝(π，Α，Β)表示，其中，π、Α、Β是三个概率分布参数：
π：隐层各状态的初始概率分布，π＝{π1,π2,…,πN}，其中πi＝p(qt＝i)，表示各隐藏状态i在初始时刻的概率；
Α：隐层各状态之间的转换矩阵，A＝(aij)N×N，其中aij＝p(qt+1＝j|qt＝i)，表示t时刻隐藏状态为i、t+1时刻状态为j的概率，N表示隐藏状态的个数；
Β：输出概率分布，B＝(bij)N×N，其中：bij＝p(Ot＝k|qt＝j)，表示t时刻隐藏状态为j时，观测值为k的概率。
输出概率分布为高斯分布，包含所有隐层状态对应的输出概率分布P(Ot|qi)，qi表示第i个隐层状态，i＝1,2,...,N，Ot∈Rx为t时刻的观测向量，x是观测向量的维数。图2展示了一个隐层状态数为3，观测向量维数为x的连续观测隐马尔可夫模型。
已知CHMM模型λ，视频帧中行人每个时刻对应一个特征向量Ot，Ot即为观测向量，一个周期内所有的特征向量可以构成一个观测序列O：
O＝{O1,O2,...,ON}
用CHMM对步态进行建模时，由观测序列为每一个行人目标建立模型，用属于第l个人的观测序列训练对应的CHMM，记为λl。
通过前向-后向(Forward-Backword)算法计算得到每个人体模型λl产生观测O的条件概率P(O|λl)。
首先定义前向概率为：
at(i)＝P(O1,O2,...,Ot|qt＝i,λ)
表示部分观测序列{O1,O2,...,Ot}在t时刻处在隐层状态i的概率。
前向算法递推过程具体为：
(1)初始化前向概率为：
a1(i)＝πibi(O1),1≤i≤N
a1(i)表示第1时刻的前向概率，qt表示t时刻的隐藏状态，πi表示隐层状态i的初始概率，bi表示隐层状态i的输出概率，O1表示第1时刻的观测向量；
(2)进行递归过程，递归方程为：
其中，aij表示t时刻隐藏状态为i，t+1时刻状态为j的概率，T表示时间总长度；
(3)递归终止，终止条件为：
O表示观测序列。
后向算法递推过程具体为：
(1)初始化后向概率为：
βT(i)＝1,1≤i≤N
βT(i)表示第T时刻在隐藏状态i的后向概率；
(2)进行递归过程，递归方程为：
(3)递归终止，终止条件为：
Forward-Backword算法即是前向递推和后向递推的结合，也就是在0～t时刻采用前向递推，在(t+1)～T时刻采用后向递推，由此可得：
利用前向和后向结合的算法计算所有λl产生的观测序列的条件概率，将条件概率最大的那个观测序列判定为前景目标。
图3为背景为动态水面的图片，图4所示为采用高斯建模提取图3的前景目标图，图5所示为采用高斯建模和CHMM结合提取图3的前景目标图，从图中可以看出，采用本方法提取目标前景的效果更好，提取的更准确。

Claims (7)

1.一种动态背景视频图像的前景目标提取方法，其特征在于，包括：
S1、用连续观测值隐马尔可夫模型对视频帧中的人体进行建模，得到多个人体模型；
S2、将所有人体模型在设定时间段内的观测向量分别组成一个观测序列；
S3、通过前向-后向算法计算得到每个人体模型产生观测序列的条件概率，选取条件概率最大的观测序列为前景目标。
2.根据权利要求1所述的一种动态背景视频图像的前景目标提取方法，其特征在于，所述步骤S1中用连续观测值隐马尔可夫模型对视频帧中的人体进行建模得到的人体模型为λ＝(π，Α，Β)，其中π表示隐层各状态的初始概率分布，A表示隐层各状态之间的转换矩阵，Β表示输出概率分布。
3.根据权利要求2所述的一种动态背景视频图像的前景目标提取方法，其特征在于，所述输出概率分布为高斯分布。
4.根据权利要求2所述的一种动态背景视频图像的前景目标提取方法，其特征在于，所述输出概率分布包含所有隐层状态对应的输出概率分布P(Ot|qi)，qi表示第i个隐层状态，i＝1,2,...,N，N表示隐藏状态的个数，Ot∈Rx为t时刻的观测向量，x是观测向量的维数。
5.根据权利要求1所述的一种动态背景视频图像的前景目标提取方法，其特征在于，所述通过前向-后向算法计算得到每个人体模型产生观测序列的条件概率具体包括前向算法递推过程和后向算法递推过程。
6.根据权利要求5所述的一种动态背景视频图像的前景目标提取方法，其特征在于，所述前向算法递推过程具体为：
(1)初始化前向概率为：
a1(i)＝πibi(O1),1≤i≤N
a1(i)表示第1时刻的前向概率，前向概率为at(i)＝P(O1,O2,...,Ot|qt＝i,λ)，表示部分观测序列{O1,O2,...,Ot}在t时刻处在隐层状态i的概率，λ表示人体模型，qt表示t时刻的隐藏状态，πi表示隐层状态i的初始概率，bi表示隐层状态i的输出概率，O1表示第1时刻的观测向量；
(2)进行递归过程，递归方程为：
<mrow> <msub> <mi>a</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>&amp;lsqb;</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msub> <mi>a</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>O</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>t</mi> <mo>&amp;le;</mo> <mi>T</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mi>N</mi> </mrow>
其中，aij表示t时刻隐藏状态为i、t+1时刻状态为j的概率，N表示隐藏状态的个数，T表示时间总长度；
(3)递归终止，终止条件为：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>O</mi> <mo>|</mo> <msub> <mi>&amp;lambda;</mi> <mi>l</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msub> <mi>a</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow>
O表示观测序列，λl表示第l个人的人体模型。
7.根据权利要求6所述的一种动态背景视频图像的前景目标提取方法，其特征在于，所述后向算法递推过程具体为：
(1)初始化后向概率为：
βT(i)＝1,1≤i≤N
βT(i)表示第T时刻在隐藏状态i的后向概率；
(2)进行递归过程，递归方程为：
<mrow> <msub> <mi>&amp;beta;</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>b</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>O</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>&amp;beta;</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>t</mi> <mo>&amp;le;</mo> <mi>T</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mi>N</mi> </mrow>
(3)递归终止，终止条件为：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>O</mi> <mo>|</mo> <msub> <mi>&amp;lambda;</mi> <mi>l</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msub> <mi>&amp;pi;</mi> <mi>i</mi> </msub> <msub> <mi>b</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>O</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <msub> <mi>&amp;beta;</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
CN201711240159.0A 2017-11-30 2017-11-30 一种动态背景视频图像的前景目标提取方法 Pending CN107977975A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711240159.0A CN107977975A (zh) 2017-11-30 2017-11-30 一种动态背景视频图像的前景目标提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711240159.0A CN107977975A (zh) 2017-11-30 2017-11-30 一种动态背景视频图像的前景目标提取方法

Publications (1)

Publication Number Publication Date
CN107977975A true CN107977975A (zh) 2018-05-01

Family

ID=62008667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711240159.0A Pending CN107977975A (zh) 2017-11-30 2017-11-30 一种动态背景视频图像的前景目标提取方法

Country Status (1)

Country Link
CN (1) CN107977975A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681923A (zh) * 2018-05-16 2018-10-19 浙江大学城市学院 一种基于改进型隐马尔可夫模型的消费者消费行为预测方法
CN112734791A (zh) * 2021-01-18 2021-04-30 烟台南山学院 一种基于正则误差建模的在线视频前景背景分离方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030058340A1 (en) * 2001-09-27 2003-03-27 Koninklijke Philips Electronics N.V. Video monitoring system employing hierarchical hidden markov model (HMM) event learning and classification
CN101241546A (zh) * 2007-11-20 2008-08-13 西安电子科技大学 弥补步态二值图失真的方法
CN103810473A (zh) * 2014-01-23 2014-05-21 宁波大学 一种基于隐马尔科夫模型的人体对象的目标识别方法
CN105893966A (zh) * 2016-04-04 2016-08-24 上海大学 人体步态信息采集和步态形式分类识别系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030058340A1 (en) * 2001-09-27 2003-03-27 Koninklijke Philips Electronics N.V. Video monitoring system employing hierarchical hidden markov model (HMM) event learning and classification
CN101241546A (zh) * 2007-11-20 2008-08-13 西安电子科技大学 弥补步态二值图失真的方法
CN103810473A (zh) * 2014-01-23 2014-05-21 宁波大学 一种基于隐马尔科夫模型的人体对象的目标识别方法
CN105893966A (zh) * 2016-04-04 2016-08-24 上海大学 人体步态信息采集和步态形式分类识别系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
商磊: "基于动作特征的视频监控网络行人识别算法", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
李 锐 等: "基于帧差能量图行质量向量的步态识别算法", 《计算机应用》 *
谢剑斌 等: "《视觉感知与智能视频监控》", 31 March 2012, 国防科技大学出版社 *
邵新杰 等著: "《复杂装备故障预测与健康管理技术》", 31 December 2013, 国防工业出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681923A (zh) * 2018-05-16 2018-10-19 浙江大学城市学院 一种基于改进型隐马尔可夫模型的消费者消费行为预测方法
CN112734791A (zh) * 2021-01-18 2021-04-30 烟台南山学院 一种基于正则误差建模的在线视频前景背景分离方法
CN112734791B (zh) * 2021-01-18 2022-11-29 烟台南山学院 一种基于正则误差建模的在线视频前景背景分离方法

Similar Documents

Publication Publication Date Title
EP4002198A1 (en) Posture acquisition method and device, and key point coordinate positioning model training method and device
CN108416266B (zh) 一种利用光流提取运动目标的视频行为快速识别方法
CN111539273A (zh) 一种交通视频背景建模方法及系统
CN106846359A (zh) 基于视频序列的运动目标快速检测方法
CN105513053B (zh) 一种用于视频分析中背景建模方法
CN107895379A (zh) 一种视频监控中前景提取的改进算法
CN110458046B (zh) 一种基于关节点提取的人体运动轨迹分析方法
CN108830170B (zh) 一种基于分层特征表示的端到端目标跟踪方法
US20110208685A1 (en) Motion Capture Using Intelligent Part Identification
Xu et al. Moving object detection based on improved three frame difference and background subtraction
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN106529526A (zh) 一种基于稀疏表示和先验概率相结合的目标跟踪算法
CN104091350A (zh) 一种利用运动模糊信息的物体跟踪方法
CN109614896A (zh) 一种基于递归卷积神经网络的视频内容语义理解的方法
CN106504273A (zh) 一种基于gmm运动目标检测的改进算法
CN107977975A (zh) 一种动态背景视频图像的前景目标提取方法
Zheng et al. Video analysis in sports by lightweight object detection network under the background of sports industry development
Chen et al. Tssd: Temporal single-shot detector based on attention and lstm
CN111626197B (zh) 一种基于人体行为识别网络模型的识别方法
Xu-Wei et al. Real-time hand tracking based on YOLOv4 model and Kalman filter
Du et al. Monocular human motion tracking by using DE-MC particle filter
Kuang et al. An effective skeleton extraction method based on Kinect depth image
CN106875423A (zh) 一种用于海量视频流中的移动物体检测与跟踪方法
Song et al. Traffic sign recognition with binarized multi-scale neural networks
CN105654514A (zh) 一种图像目标跟踪方法

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: 20180501

RJ01 Rejection of invention patent application after publication