CN108010058A - 一种对视频流中目标对象进行视觉跟踪的方法及系统 - Google Patents

一种对视频流中目标对象进行视觉跟踪的方法及系统 Download PDF

Info

Publication number
CN108010058A
CN108010058A CN201711231402.2A CN201711231402A CN108010058A CN 108010058 A CN108010058 A CN 108010058A CN 201711231402 A CN201711231402 A CN 201711231402A CN 108010058 A CN108010058 A CN 108010058A
Authority
CN
China
Prior art keywords
destination object
target
frame
video
time threshold
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
CN201711231402.2A
Other languages
English (en)
Inventor
詹瑾
郑鹏根
司瑶
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.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN201711231402.2A priority Critical patent/CN108010058A/zh
Publication of CN108010058A publication Critical patent/CN108010058A/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
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种对视频流中目标对象进行视觉跟踪的方法及系统，其方法包括：识别视频流中的视频帧格式；基于视频帧格式设置相应的视频流模式下的帧取值时间阈值；基于目标模型在下一个帧取值时间阈值内通过粒子滤波方法获取与所述目标对象最佳匹配的估计目标；判断所述估计目标是否为所述目标对象，并在判断所述估计目标为所述目标对象时，以所述帧取值时间阈值的时间轴为单位进行所述目标对象的存储过程。通过本发明实施例针对视频流帧格式不同，采用相应的方法实现视觉跟踪效果。

Description

一种对视频流中目标对象进行视觉跟踪的方法及系统
技术领域
本发明涉及计算机技术领域，具体涉及一种对视频流中目标对象进行视觉跟踪的方法及系统。
背景技术
目标跟踪是计算机视觉研究领域中重要的基础问题之一，在监控、运动估计、人机交互等方面具有非常广泛的应用。近年来出现的许多跟踪算法在一定的场景下能够较好的跟踪目标物体，如粒子滤波、Boosting算法、L1跟踪算法等。但是，由于视频是一个复杂场景下的时序图像序列，复杂场景包括了光照变化、遮挡、动作变形、背景杂乱、目标尺度变化等，因此，构建一个自适应的目标表达模型以便得到鲁棒的跟踪算法，是目前跟踪领域的研究热点，也是难点问题。现有的视频监控环节会形成视频流，而视频流以视频帧为载体进行数据流的传输，而这些视频帧播放帧的数量也不会相同，比如以10帧每秒进行传输、20帧每秒进行传输等等。在此目标跟踪中，需要涉及到对一定时间内关键帧提取，然后建立相应目标，而现有技术中缺乏一种有效针对不同视频流的目标跟踪过程。
发明内容
本发明提供了一种对视频流中目标对象进行视觉跟踪的方法及系统，该方法可以针对视频流帧格式不同，采用相应的方法实现视觉跟踪效果。
本发明提供了一种对视频流中目标对象进行视觉跟踪的方法，包括：
识别视频流中的视频帧格式；
基于视频帧格式设置相应的视频流模式下的帧取值时间阈值；
基于帧取值时间阈值提取所述帧取值时间阈值所对应的视频关键帧；
使用目标选择框选择视频关键帧中视频图像所对应的目标对象，并将所述目标对象作为将要跟踪的目标，建立目标模型；
基于所述目标选择框获取所述目标对象的位置信息模板；
将所述目标对象的颜色信息和位置信息以生成五通道图像；
根据所述五通道图像生成所述目标模型的直方图；
基于目标模型在下一个帧取值时间阈值内通过粒子滤波方法获取与所述目标对象最佳匹配的估计目标；
判断所述估计目标是否为所述目标对象，并在判断所述估计目标为所述目标对象时，以所述帧取值时间阈值的时间轴为单位进行所述目标对象的存储过程。
在判断所述估计目标为所述目标对象时时，通过比例积分控制，使超声雷达针对所述目标对象，并通过比例积分跟着所述目标对象。
所述将所述目标对象的颜色信息和位置信息以生成五通道图像包括：
将表示所述目标对象的颜色信息的H、S、V三通道颜色信息以及所述矩形框的x和y方向的两通道目标颜色分布的相对位置信息模板进行融合，以生成具有所述目标选择框的尺寸的所述五通道图像，所述梧桐岛图像的每一个像素包括颜色分量H、S、V、以及方向分量x、y的五维向量。
所述粒子滤波方法包括：
基于状态转移矩阵、所述目标对象在获得上一个帧取值时间阈值时的目标模型以及噪声，估计所述目标对象在获得所述当前一个帧取值时间阈值内的目标模型；
在所述当前一个帧取值时间阈值内的目标模型周围分布预定数量的具有所述目标选择框的尺寸的粒子，以获得粒子模型；
针对当前时刻的粒子的集合，基于Bhattacharyya系数计算各个权重值，其中Bhattacharyya系数由表征所述粒子模型的直方图以及表征所述目标模型的直方图计算得到；
根据所计算的权重值，估计当前时刻的粒子的集合的平均值，并且提取位置坐标作为所述估计目标的位置。
在所述权重值中的最大值大于预定阈值时，判断所述估计目标为所述目标对象；否则判定所述估计目标不是所述目标对象。
所述目标模型为所述目标对象的中心坐标、所述目标对象的移动速度、所述目标选择框的列数和行数的集合，所述目标对象的移动速度的初始值为零。
所述粒子模型为所述粒子的中心坐标、所述粒子的移动速度、所述目标选择框的列数和行数的集合，所述粒子的移动速度通过所述粒子的中心坐标与上一帧取值时间阈值的目标模型的中心坐标计算得到。
所述将所述目标对象的颜色信息和位置信息以生成五通道图像包括：
根据颜色分量H、S、V，以及方向分量x、y在各自预定范围内的概率，将所述五通道图像的全部像素分为预定数量的集合，以生成用于表征所述目标模型的直方图。
相应的，本法还提供了一种对视频流中目标对象进行视觉跟踪的系统，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-8任一项所述的方法。
在本发明中，对摄像头上的视频流进行模式识别，识别出视频帧的格式，从而根据视频帧的不同情况而设置相应的时间取值，提取出视频关键帧，基于视频关键帧来对每一帧取值时间阈值内建立目标模型，从而实现相应的目标跟踪，以及将目标跟踪有效的视频帧存储起来。针对视频关键帧的目标模型建立过程中，通过加入目标颜色位置信息，并通过粒子滤波实现对目标对象的跟踪，以实现持续观察可疑目标等要求，其可以首先通过视觉跟踪技术使超声雷达对准目标对象，然后依靠超声雷达测量目标的深度信息进行跟随，从而提高了整个视频流中目标对象跟踪的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的对视频流中目标对象进行视觉跟踪的方法流程图；
图2是本发明实施例中的对视频流中目标对象进行视觉跟踪的系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
相应的，图1示出了本发明实施例中的对视频流中目标对象进行视觉跟踪的方法流程图，具体包括如下步骤：
S101、识别视频流中的视频帧格式；
简单地说，帧数就是在1秒钟时间里传输的图片的帧数，也可以理解为图形处理器每秒钟能够刷新几次，通常用fps(Frames Per Second)表示。每一帧都是静止的图象，快速连续地显示帧便形成了运动的假象。高的帧率可以得到更流畅、更逼真的动画。每秒钟帧数(fps)愈多，所显示的动作就会愈流畅。一般来说30fps是可以接受的，所以要避免动作不流畅的最低fps是30。除了30fps外，有些计算机视频格式，例如AVI，每秒只能提供15帧。我们之所以能够利用摄像头来看到连续不断的影像，是因为影像传感器不断摄取画面并传输到屏幕上来，当传输速度达到一定的水平时，人眼就无法辨别画面之间的时间间隙，所以大家可以看到连续动态的画面。视频流中由一张张连续的图片组成的，每幅图片就是一帧，PAL制式每秒钟25帧，NTSC制式每秒钟30帧。摄像头厂商所提供的视频采集速度和使用视频播放软件所指的速度有所区别，这种区别主要体现在单位上。一般摄像头厂商提供的单位是CIF，即352x288分辨率，摄像头在此分辨率下理想状态可以达到30FPS(帧/秒)，因此CIF可以看成是一种固定分辨率的别称。类似的还有：QSIF(160×120)；QCIF(176×144)；SIF(320×240)；VGA(640×480)。从实际速度上看，摄像头在QSIF、QCIF状态下可达到30FPS；在SIF、CIF状态下可达到20-26FPS；而在VGA状态下达到10FPS则可以认为是正常的。
S102、基于视频帧格式设置相应的视频流模式下的帧取值时间阈值；
不同视频流所承载的视频帧不同，在识别相应的视频帧格式之后，可以针对视频流模式提取相应的帧图纸时间阈值，比如针对不同视频帧所设置的帧取值时间阈值不同，比如帧数量相同情况下，30FPS和20FPS所对应的帧取值时间阈值会不同；或者帧数量请了不同情况下，结合帧时间播放关系，也可以考虑相应的帧取值时间阈值。以上视频帧格式设置相应的设置过程中，可以是针对帧数量关系来设置，也可以针对帧数量和帧时间关系来设置。比如针对30FPS，设置帧取值时间阈值为0.2S，针对20FPS，设置帧取值时间阈值为0.5S，以上时间内设置，提取视频关键帧时，这些关键帧内的视频图像数据不会有多大变化。
S103、基于帧取值时间阈值提取所述帧取值时间阈值所对应的视频关键帧；
在确定好帧取值时间阈值后，在这个帧取值时间阈值内会存在若干个视频帧，那么会在这些视频帧内选择出相关联的视频关键帧，以作为后续目标模型的建立过程。
S104、使用目标选择框选择视频关键帧中视频图像所对应的目标对象，并将所述目标对象作为将要跟踪的目标，建立目标模型；
具体实施过程中，在判断所述估计目标为所述目标对象时时，通过比例积分控制，使超声雷达针对所述目标对象，并通过比例积分跟着所述目标对象。
具体实施过程中，目标模型为所述目标对象的中心坐标、所述目标对象的移动速度、所述目标选择框的列数和行数的集合，所述目标对象的移动速度的初始值为零。
S105、基于所述目标选择框获取所述目标对象的位置信息模板；
S106、将所述目标对象的颜色信息和位置信息以生成五通道图像；
具体实施过程中，将表示所述目标对象的颜色信息的H、S、V三通道颜色信息以及所述矩形框的x和y方向的两通道目标颜色分布的相对位置信息模板进行融合，以生成具有所述目标选择框的尺寸的所述五通道图像，所述梧桐岛图像的每一个像素包括颜色分量H、S、V、以及方向分量x、y的五维向量。
S107、根据所述五通道图像生成所述目标模型的直方图；
具体实施过程中，直方图生成步骤包括：根据颜色分量H、S、V，以及方向分量x、y在各自预定范围内的概率，将所述五通道图像的全部像素分为预定数量的集合，以生成用于表征所述目标模型的直方图。
S108、基于目标模型在下一个帧取值时间阈值内通过粒子滤波方法获取与所述目标对象最佳匹配的估计目标；
具体实施过程中，基于状态转移矩阵、所述目标对象在获得上一个帧取值时间阈值时的目标模型以及噪声，估计所述目标对象在获得所述当前一个帧取值时间阈值内的目标模型；在所述当前一个帧取值时间阈值内的目标模型周围分布预定数量的具有所述目标选择框的尺寸的粒子，以获得粒子模型；针对当前时刻的粒子的集合，基于Bhattacharyya系数计算各个权重值，其中Bhattacharyya系数由表征所述粒子模型的直方图以及表征所述目标模型的直方图计算得到；根据所计算的权重值，估计当前时刻的粒子的集合的平均值，并且提取位置坐标作为所述估计目标的位置。
具体实施过程中，在所述权重值中的最大值大于预定阈值时，判断所述估计目标为所述目标对象；否则判定所述估计目标不是所述目标对象。
具体实施过程中，粒子模型为所述粒子的中心坐标、所述粒子的移动速度、所述目标选择框的列数和行数的集合，所述粒子的移动速度通过所述粒子的中心坐标与上一帧取值时间阈值的目标模型的中心坐标计算得到。
S109、判断所述估计目标是否为所述目标对象，若判断所述估计目标为目标对象，则进入S110，否则继续下一个帧取值时间阈值内的计算过程；
S110、在判断所述估计目标为所述目标对象时，以所述帧取值时间阈值的时间轴为单位进行所述目标对象的存储过程。
具体实施过程中，针对视频流先建立一个视频帧格式先建立一个帧取值时间阈值，针对不同的视频帧格式设置不同的帧取值时间阈值，那么以视频流时间轴为方向，以帧取时间阈值来提取视频流上的关键帧，以关键帧建立目标模型，再逐个以一个帧取值时间阈值往下进行估计目标的计算和判断过程。在实现目标模型判断之后，将所关联的目标对象以视频流时间先后顺序为轴，将这些相关的目标对象存储起来，供后续查询或者显示等。
相应的，图2还示出了本发明实施例中的对视频流中目标对象进行视觉跟踪的系统结构示意图，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行图1中所示的方法。
综上，对摄像头上的视频流进行模式识别，识别出视频帧的格式，从而根据视频帧的不同情况而设置相应的时间取值，提取出视频关键帧，基于视频关键帧来对每一帧取值时间阈值内建立目标模型，从而实现相应的目标跟踪，以及将目标跟踪有效的视频帧存储起来。针对视频关键帧的目标模型建立过程中，通过加入目标颜色位置信息，并通过粒子滤波实现对目标对象的跟踪，以实现持续观察可疑目标等要求，其可以首先通过视觉跟踪技术使超声雷达对准目标对象，然后依靠超声雷达测量目标的深度信息进行跟随，从而提高了整个视频流中目标对象跟踪的稳定性。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
以上对本发明实施例所提供的对视频流中目标对象进行视觉跟踪的方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种对视频流中目标对象进行视觉跟踪的方法，其特征在于，包括：
识别视频流中的视频帧格式；
基于视频帧格式设置相应的视频流模式下的帧取值时间阈值；
基于帧取值时间阈值提取所述帧取值时间阈值所对应的视频关键帧；
使用目标选择框选择视频关键帧中视频图像所对应的目标对象，并将所述目标对象作为将要跟踪的目标，建立目标模型；
基于所述目标选择框获取所述目标对象的位置信息模板；
将所述目标对象的颜色信息和位置信息以生成五通道图像；
根据所述五通道图像生成所述目标模型的直方图；
基于目标模型在下一个帧取值时间阈值内通过粒子滤波方法获取与所述目标对象最佳匹配的估计目标；
判断所述估计目标是否为所述目标对象，并在判断所述估计目标为所述目标对象时，以所述帧取值时间阈值的时间轴为单位进行所述目标对象的存储过程。
2.如权利要求1所述的对视频流中目标对象进行视觉跟踪的方法，其特征在于，在判断所述估计目标为所述目标对象时时，通过比例积分控制，使超声雷达针对所述目标对象，并通过比例积分跟着所述目标对象。
3.如权利要求2所述的对视频流中目标对象进行视觉跟踪的方法，其特征在于，所述将所述目标对象的颜色信息和位置信息以生成五通道图像包括：
将表示所述目标对象的颜色信息的H、S、V三通道颜色信息以及所述矩形框的x和y方向的两通道目标颜色分布的相对位置信息模板进行融合，以生成具有所述目标选择框的尺寸的所述五通道图像，所述梧桐岛图像的每一个像素包括颜色分量H、S、V、以及方向分量x、y的五维向量。
4.如权利要求3所述的对视频流中目标对象进行视觉跟踪的方法，其特征在于，所述粒子滤波方法包括：
基于状态转移矩阵、所述目标对象在获得上一个帧取值时间阈值时的目标模型以及噪声，估计所述目标对象在获得所述当前一个帧取值时间阈值内的目标模型；
在所述当前一个帧取值时间阈值内的目标模型周围分布预定数量的具有所述目标选择框的尺寸的粒子，以获得粒子模型；
针对当前时刻的粒子的集合，基于Bhattacharyya系数计算各个权重值，其中Bhattacharyya系数由表征所述粒子模型的直方图以及表征所述目标模型的直方图计算得到；
根据所计算的权重值，估计当前时刻的粒子的集合的平均值，并且提取位置坐标作为所述估计目标的位置。
5.如权利要求4所述的对视频流中目标对象进行视觉跟踪的方法，其特征在于，在所述权重值中的最大值大于预定阈值时，判断所述估计目标为所述目标对象；否则判定所述估计目标不是所述目标对象。
6.如权利要求5所述的对视频流中目标对象进行视觉跟踪的方法，其特征在于，所述目标模型为所述目标对象的中心坐标、所述目标对象的移动速度、所述目标选择框的列数和行数的集合，所述目标对象的移动速度的初始值为零。
7.如权利要求6所述的对视频流中目标对象进行视觉跟踪的方法，其特征在于，所述粒子模型为所述粒子的中心坐标、所述粒子的移动速度、所述目标选择框的列数和行数的集合，所述粒子的移动速度通过所述粒子的中心坐标与上一帧取值时间阈值的目标模型的中心坐标计算得到。
8.如权利要求7所述的对视频流中目标对象进行视觉跟踪的方法，其特征在于，所述将所述目标对象的颜色信息和位置信息以生成五通道图像包括：
根据颜色分量H、S、V，以及方向分量x、y在各自预定范围内的概率，将所述五通道图像的全部像素分为预定数量的集合，以生成用于表征所述目标模型的直方图。
9.一种对视频流中目标对象进行视觉跟踪的系统，其特征在于，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-8任一项所述的方法。
CN201711231402.2A 2017-11-29 2017-11-29 一种对视频流中目标对象进行视觉跟踪的方法及系统 Pending CN108010058A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711231402.2A CN108010058A (zh) 2017-11-29 2017-11-29 一种对视频流中目标对象进行视觉跟踪的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711231402.2A CN108010058A (zh) 2017-11-29 2017-11-29 一种对视频流中目标对象进行视觉跟踪的方法及系统

Publications (1)

Publication Number Publication Date
CN108010058A true CN108010058A (zh) 2018-05-08

Family

ID=62054915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711231402.2A Pending CN108010058A (zh) 2017-11-29 2017-11-29 一种对视频流中目标对象进行视觉跟踪的方法及系统

Country Status (1)

Country Link
CN (1) CN108010058A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785385A (zh) * 2019-01-22 2019-05-21 中国科学院自动化研究所 视觉目标跟踪方法及系统
CN112860198A (zh) * 2021-01-05 2021-05-28 中科创达软件股份有限公司 视频会议的画面切换方法、装置、计算机设备及存储介质
CN113658232A (zh) * 2021-07-13 2021-11-16 广东技术师范大学 基于视频跟踪的建模方法、装置及计算机可读程序介质
CN115098731A (zh) * 2022-07-14 2022-09-23 浙江大华技术股份有限公司 目标关联方法、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101827264A (zh) * 2009-03-06 2010-09-08 刘永 分层式自适应的视频帧采样方法
CN102957966A (zh) * 2011-08-19 2013-03-06 深圳市快播科技有限公司 一种播放器及用于播放器的视频帧内嵌时间的方法
US20140233637A1 (en) * 2001-03-30 2014-08-21 Vixs Systems Inc. Managed degradation of a video stream
CN105681717A (zh) * 2016-03-04 2016-06-15 广州星唯信息科技有限公司 公交车载监控视频的分布式存储方法及系统
CN106780539A (zh) * 2016-11-30 2017-05-31 航天科工智能机器人有限责任公司 机器人视觉跟踪方法
CN107018442A (zh) * 2016-01-28 2017-08-04 浙江宇视科技有限公司 一种录像同步回放方法及装置
CN107133580A (zh) * 2017-04-24 2017-09-05 杭州空灵智能科技有限公司 一种3d打印监控视频的合成方法
US20170272791A1 (en) * 2002-09-17 2017-09-21 Lightside Technologies LLC High-Quality, Reduced Data Rate Streaming Video Production and Monitoring System

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140233637A1 (en) * 2001-03-30 2014-08-21 Vixs Systems Inc. Managed degradation of a video stream
US20170272791A1 (en) * 2002-09-17 2017-09-21 Lightside Technologies LLC High-Quality, Reduced Data Rate Streaming Video Production and Monitoring System
CN101827264A (zh) * 2009-03-06 2010-09-08 刘永 分层式自适应的视频帧采样方法
CN102957966A (zh) * 2011-08-19 2013-03-06 深圳市快播科技有限公司 一种播放器及用于播放器的视频帧内嵌时间的方法
CN107018442A (zh) * 2016-01-28 2017-08-04 浙江宇视科技有限公司 一种录像同步回放方法及装置
CN105681717A (zh) * 2016-03-04 2016-06-15 广州星唯信息科技有限公司 公交车载监控视频的分布式存储方法及系统
CN106780539A (zh) * 2016-11-30 2017-05-31 航天科工智能机器人有限责任公司 机器人视觉跟踪方法
CN107133580A (zh) * 2017-04-24 2017-09-05 杭州空灵智能科技有限公司 一种3d打印监控视频的合成方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AMER AL-RAHAYFEH ET AL: "Enhanced frame rate for real-time eye tracking using circular hough transform", 《2013 IEEE LONG ISLAND SYSTEMS, APPLICATIONS AND TECHNOLOGY CONFERENCE (LISAT)》 *
戴蓉: "视频目标检测匹配跟踪算法优化研究", 《计算机仿真》 *
靳东旺等: "《图书馆信息服务研究》", 30 June 2013 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785385A (zh) * 2019-01-22 2019-05-21 中国科学院自动化研究所 视觉目标跟踪方法及系统
CN112860198A (zh) * 2021-01-05 2021-05-28 中科创达软件股份有限公司 视频会议的画面切换方法、装置、计算机设备及存储介质
CN112860198B (zh) * 2021-01-05 2024-02-09 中科创达软件股份有限公司 视频会议的画面切换方法、装置、计算机设备及存储介质
CN113658232A (zh) * 2021-07-13 2021-11-16 广东技术师范大学 基于视频跟踪的建模方法、装置及计算机可读程序介质
CN113658232B (zh) * 2021-07-13 2024-01-05 杭州追形视频科技有限公司 基于视频跟踪的建模方法、装置及计算机可读程序介质
CN115098731A (zh) * 2022-07-14 2022-09-23 浙江大华技术股份有限公司 目标关联方法、设备及存储介质
CN115098731B (zh) * 2022-07-14 2022-11-22 浙江大华技术股份有限公司 目标关联方法、设备及存储介质

Similar Documents

Publication Publication Date Title
KR102049245B1 (ko) 화상처리 장치, 화상처리 방법, 화상처리 시스템 및 기억매체
CN113286194B (zh) 视频处理方法、装置、电子设备及可读存储介质
CN110650368B (zh) 视频处理方法、装置和电子设备
CN112308095B (zh) 图片预处理及模型训练方法、装置、服务器及存储介质
KR102806686B1 (ko) 다중 카메라 영상 내 관심 객체 중심의 베스트 뷰 영상 생성 장치 및 방법
US9396399B1 (en) Unusual event detection in wide-angle video (based on moving object trajectories)
US8903130B1 (en) Virtual camera operator
CN111539273A (zh) 一种交通视频背景建模方法及系统
CN105957110B (zh) 用于检测对象的设备和方法
US20120170800A1 (en) Systems and methods for continuous physics simulation from discrete video acquisition
JP2016085742A (ja) 前景画像分割方法及び前景画像分割装置
JP2009171296A (ja) 映像ネットワークシステム及び映像データ管理方法
CN110572636B (zh) 摄像头脏污检测方法、装置、存储介质及电子设备
CN108010058A (zh) 一种对视频流中目标对象进行视觉跟踪的方法及系统
US11348338B2 (en) Methods and systems for crowd motion summarization via tracklet based human localization
CN114442805A (zh) 一种监控场景展示方法、系统、电子设备及存储介质
US20230394834A1 (en) Method, system and computer readable media for object detection coverage estimation
JP2019029747A (ja) 画像監視システム
CN113805824B (zh) 电子装置以及在显示设备上显示图像的方法
JP4751871B2 (ja) 撮像対象検出装置および方法
JP4694461B2 (ja) 撮像装置、撮像方法、監視システム、監視方法、及びプログラム
WO2012153868A1 (ja) 情報処理装置、情報処理方法および情報処理プログラム
Fiore et al. Towards achieving robust video selfavatars under flexible environment conditions
CN113743339B (zh) 一种基于场景识别的室内跌倒检测方法和系统
WO2022040988A1 (zh) 图像处理方法、装置及可移动平台

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180508