CN108022258A - 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法 - Google Patents

基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法 Download PDF

Info

Publication number
CN108022258A
CN108022258A CN201710986013.4A CN201710986013A CN108022258A CN 108022258 A CN108022258 A CN 108022258A CN 201710986013 A CN201710986013 A CN 201710986013A CN 108022258 A CN108022258 A CN 108022258A
Authority
CN
China
Prior art keywords
tracking
target
frame
real
kalman filtering
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
Application number
CN201710986013.4A
Other languages
English (en)
Other versions
CN108022258B (zh
Inventor
韩光
苏晋鹏
李晓飞
葛亚鸣
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.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication 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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201710986013.4A priority Critical patent/CN108022258B/zh
Publication of CN108022258A publication Critical patent/CN108022258A/zh
Application granted granted Critical
Publication of CN108022258B publication Critical patent/CN108022258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • 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
    • 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

本发明公开了基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，该方法包括首先读取视频流，然后调用单次多框检测器(Single Shot MultiBox Detector,SSD)模型对视频帧进行检测，之后采用卡尔曼滤波算法对检测结果进行单步预测(跟踪)，通过欧氏距离与HSV颜色直方图相似性联合判定检测框和跟踪框是否配对，并且对配对结果进行相应的更新，删除不满足新式的双判定条件的跟踪，最终完成多目标的实时跟踪。本发明可以在各种复杂场景和不同天气下较好地实现对多目标的实时稳定跟踪。

Description

基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法
技术领域
本发明一种基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，属于智能视频监 控技术领域。
背景技术
近几年来目标检测与跟踪算法越来越受到计算机视觉领域学者的重视，它已经成为视频 监控技术领域的重要课题，尤其是针对多目标而言。其中，可视化监视和监测系统通常采用 静态摄像头，目标检测部分的主要任务是从视频图像中检测出感兴趣的目标。现有的目标检 测使用方法通常为背景差法，即从所谓静止的背景中分离出运动物体，通常采用构建背景模 型方式，采用帧差法，检测出前景目标，从而实现目标的检测。目标跟踪部分多采用卡尔曼 滤波、camshift跟踪或者二者的结合等方法。由于在多目标的检测与跟踪算法中，目标检测 起到极其重要的作用，又由于背景差法的局限性，即当光线较差以及目标发生遮挡时，背景 差算法的效果极大下降，从而给后续的跟踪以及计数、画轨迹等应用带来很大的困难。
发明内容
本发明针对上述现有技术的不足，提出了一种基于单次多框检测器与卡尔曼滤波的实时 多目标跟踪方法。针对目标检测，本发明首先采用基于深度学习的目标检测算法SSD，将其 移植到windows系统下，更便于实际的推广应用；针对目标跟踪，采用更加稳定的卡尔曼滤 波算法，对检测得到的目标框进行预测，通过欧氏距离与HSV颜色直方图相似性联合判定检 测框和跟踪框是否配对，并且对配对结果进行相应的更新，删除不满足新式双判定条件的跟 踪，最终完成多目标的实时跟踪。该方法对各种复杂场景与不同天气下的多目标实现了实时 跟踪，具有很高的鲁棒性。
为了实现上述目的，本发明的技术方案是运用了一种基于单次多框检测器与卡尔曼滤波 的实时多目标跟踪方法，包括如下步骤：
步骤A，读取视频流；
步骤B，调用SSD目标检测算法模型对视频帧进行检测；
步骤C，用卡尔曼滤波算法对检测结果进行预测，并将预测坐标更新到跟踪框中；
步骤D，对检测框与跟踪框的结果进行配对；
步骤D-1：计算检测框与跟踪框中心点之间的欧氏距离
步骤D-2：计算检测框与跟踪框各自区域内的HSV颜色直方图，对二者进行直方图相似 性匹配；
步骤D-3：当h大于70且匹配结果大于0.7时,才认为检测框与跟踪框配对成功；
步骤E，更新配对成功与配对未成功的跟踪，删除不满足新式双判定条件的跟踪；
步骤F，对目标进行计数与画轨迹。
进一步地，本发明将SSD目标检测算法与卡尔曼滤波跟踪算法应用于windows系统。
进一步地，本发明步骤D配对方式采用的是双判定，即HSV颜色直方图相似性匹配与 欧氏距离阈值联合判定。
进一步地，本发明步骤D配对方式中的欧式距离阈值为70。
进一步地，本发明步骤D配对方式中的HSV颜色直方图相似性配对阈值为0.7。
进一步地，本发明步骤E中删除不满足新式双判定条件的跟踪步骤包括：
步骤E-1，判断该目标是否被SSD目标检测算法连续两帧及多帧检测到，如果成立，则 进行步骤E-2；否则进行步骤E-5；
步骤E-2，调用卡尔曼滤波算法对该目标连续预测20帧；
步骤E-3，判断在步骤E-2预测的20帧内，该目标是否被再次检测到，如果成立，则进 行步骤E-4；否则进行步骤E-5；
步骤E-4，用其检测框代替预测框，然后依次进行步骤E-2与E-3；
步骤E-5，删除该目标的跟踪ID号。
进一步地，本发明步骤F中画轨迹采用的是数据结构中的数组，不同于以往的链表。
所述步骤F中的画轨迹包括：
步骤F-1，首先建立一个数组Pt，共有20个元素，每一个元素又都是一个Point类型的 向量，即Pt[i][j]，其中i∈(0，1,2...1，9)j∈(0,1,2,3......)，初始化其元素为Pt[i][0]x.＝0， Pt[i][0].y＝0。其中Pt[i][0].x代表ID编号，Pt[i][0].y代表是否有更新的Flag；
步骤F-2，进行判定，假设某跟踪边框的ID号为T，则判断Pt[i][0].x是否等于T，如果 等于，则令Pt[i][0].y＝1，同时将该边框的中心坐标(tx,ty)，赋值给Pt[i][k]，即Pt[i][k]＝(tx,ty)， k∈(1,2,3...)，如果不等于，则寻找一个Pt[i][0].x＝0的Pt[i]向量，令Pt[i][0].x＝T，Pt[i][0].y＝1， 同时将该边框的中心坐标(tx,ty)，赋值给Pt[i][k]，即Pt[i][k]＝(tx,ty)，k∈(1,2,3...)；
步骤F-3，进行判定，如果Pt[i][0].x不等于0，同时Pt[i][0].y等于0，则对Pt[i]进行清 空，同时对Pt[i]进行步骤F-1的初始化，以供其他新出现的ID使用，如果Pt[i][0].x不等于0， 同时Pt[i][0].y不等于0，则令Pt[i][0].y＝0；
步骤F-4，根据上述步骤F-1到F-3，同一ID编号下的所有中心点坐标依次赋值到Pt[i][k]， k∈(1,2,3...)，把所有点的中心坐标连起来则为轨迹线。
有益效果：
1、本发明首次将基于深度学习的目标检测算法SSD与卡尔曼跟踪结合在一起，在windows平台下完成，能够很好地在实际场景中应用与推广。
2、本发明通过采用欧氏距离与HSV颜色直方图相似性联合判定检测框和跟踪框是否配 对，同时删除不满足新式双判定条件的跟踪，对多目标的精确跟踪起到了关键了作用。
3、本发明画目标轨迹线采用的是数据结构中的数组，更便捷与可靠。
4、本发明在光线较暗，目标遮挡与变形等极端情况下，依旧可以完成很好的跟踪，同时 针对实际场景中的车辆行人视频流连续运行一周，未出现程序奔溃等错误，具有很高的鲁棒 性与实用性。
附图说明
图1为本发明的方法流程图。
图2～4为本发明在不同道路状况下对多目标(车辆、行人)的实时跟踪效果图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图实施例对本发明作进 一步的详细说明。
本发明的流程示意图如图1所示，以下为一个具体的实施例，其具体步骤依次为：
步骤A，读取视频流；
步骤B，调用SSD目标检测算法模型对视频帧进行检测；
其中目标检测算法为基于深度学习的SSD算法，其具体使用步骤如下：
步骤B-1，训练基于深度学习的目标检测算法SSD的检测模型。该检测算法模型可以识 别包括背景在内的21类物体。模型训练中图片大小为300*300，训练数据集采用VOC2007 与VOC2012，测试数据集采用VOC2012，共迭代16000次；
步骤B-2，将SSD代码(Python语言)转为纯C代码，移植到配有VS2013、Open CV2.4.9、 cuda8.0、cudnn5.0、GPU的windows环境下，进行环境配置；
步骤B-3，调用SSD检测模型对输入的视频帧图片进行检测，其中置信度得分阈值为0.6 (置信度得分高于0.6的检测框会被显示出来)。得到第i个物体的检测框(xi,yi,wi,hi)，其中 (xi,yi)为该检测框的左上角坐标，wi为该检测框的宽度，hi该检测框的高度，其中心点为(dx,dy)。其中dx＝xi+wi/2，dy＝yi+hi/2；
步骤C，用卡尔曼滤波算法对检测结果进行预测，并将预测坐标更新到跟踪框中；
其中卡尔曼滤波系统的状态方程和观测方程为：
XK＝AXK-1+WK-1 (1)
ZK＝HZK+VK (2)
式中，XK表示K时刻系统的状态向量；ZK表示K时刻系统的观测向量；A表示状态转移矩阵；H表示观测矩阵；WK-1和VK表示高斯白噪声，二者互不相关，均值都为0。由步骤 B-3得出的检测框中心点坐标为(dx,dy)，框的高度与宽度分别为hi，wi。其运动矢量为 (vx,vy)。则运动物体的运动状态的状态向量为：
X＝(dx,dy,hi,wi,vx,vy)T (3)
选取观测向量Z＝(dx,dy,hi,wi)T，确定系统的状态转移矩阵与观测矩阵：
利用系统离散状态方程和观察方程式即式(1)、式(2)及相应的初始值，根据观测值ZK， 在均方误差最小的情况下，对当前状态XK进行估计修正，从而得到最优估计值，同时根据状 态方程预测下一时刻的状态向量，然后再进行修正，如此循环迭代，从而预测出物体在下一 帧图像中的位置坐标。
步骤C中，预测坐标更新到跟踪框中的方式为：通过步骤C中卡尔曼预测获得第i个物 体的预测位置为(px,py)，更新后坐标为(px-wi/2,py-hi/2,wi,hi)，其中心点为(dx’,dy’)。
步骤D，对检测框与跟踪框的结果进行配对；
步骤D-1：计算检测框与跟踪框中心点之间的欧氏距离
步骤D-2：计算检测框与跟踪框各自区域内的HSV颜色直方图，对二者进行直方图相似 性匹配；
步骤D-3：当h大于70且匹配结果大于0.7时,才认为检测框与跟踪框配对成功；
步骤E，更新配对成功与配对未成功的跟踪，删除不满足条件的跟踪；
其中删除不满足新式双判定条件的跟踪步骤如下：
步骤E-1，判断该目标是否被SSD目标检测算法连续两帧及多帧检测到，如果成立，则 进行步骤E-2；否则进行步骤E-5；
步骤E-2，调用卡尔曼滤波算法对该目标连续预测20帧；
步骤E-3，判断在步骤E-2预测的20帧内，该目标是否被再次检测到，如果成立，则进 行步骤E-4；否则进行步骤E-5；
步骤E-4，用其检测框代替预测框，然后依次进行步骤E-2与E-3；
步骤E-5，删除该目标的跟踪ID号；
步骤F，对目标进行计数与画轨迹。
所述步骤F中的画轨迹具体步骤包括如下：
步骤F-1，首先建立一个数组Pt，共有20个元素，每一个元素又都是一个Point类型的 向量，即Pt[i][j]，其中i∈(0，1,2...1，9)j∈(0,1,2,3......)，初始化其元素为Pt[i][0]x.＝0， Pt[i][0].y＝0。其中Pt[i][0].x代表ID编号，Pt[i][0].y代表是否有更新的Flag；
步骤F-2，进行判定，假设某跟踪边框的ID号为T，则判断Pt[i][0].x是否等于T，如果 等于，则令Pt[i][0].y＝1，同时将该边框的中心坐标(tx,ty)，赋值给Pt[i][k]，即Pt[i][k]＝(tx,ty)， k∈(1,2,3...)，如果不等于，则寻找一个Pt[i][0].x＝0的Pt[i]向量，令Pt[i][0].x＝T，Pt[i][0].y＝1， 同时将该边框的中心坐标(tx,ty)，赋值给Pt[i][k]，即Pt[i][k]＝(tx,ty)，k∈(1,2,3...)；
步骤F-3，进行判定，如果Pt[i][0].x不等于0，同时Pt[i][0].y等于0，则对Pt[i]进行清 空，同时对Pt[i]进行步骤F-1的初始化，以供其他新出现的ID使用，如果Pt[i][0].x不等于0， 同时Pt[i][0].y不等于0，则令Pt[i][0].y＝0；
步骤F-4，根据上述步骤F-1到F-3，同一ID编号下的所有中心点坐标依次赋值到Pt[i][k]， k∈(1,2,3...)，把所有点的中心坐标连起来则为轨迹线。
综上所述仅为本发明中的具体实施方式，但本发明的实际保护范围并不局限于此，任何 熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的推演或替换，都应涵盖在本发 明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，其特征在于，包括如下步骤：
步骤A，读取视频流；
步骤B，调用SSD目标检测算法模型对视频帧进行检测，得到第i个物体的检测框中心点为(dx,dy)；
步骤C，用卡尔曼滤波算法对检测结果进行预测，并将预测框坐标更新到跟踪框中，得到第i个物体的预测的跟踪框中心点为(dx’,dy’)；
步骤D，对检测框与跟踪框的结果进行配对；
步骤D-1：计算检测框与跟踪框中心点之间的欧氏距离
步骤D-2：计算检测框与跟踪框各自区域内的HSV颜色直方图，对二者进行直方图相似性匹配；
步骤D-3：当h大于70且匹配结果大于0.7时,才认为检测框与跟踪框配对成功；
步骤E，分别更新配对成功与配对未成功的跟踪，删除不满足新式双判定条件的跟踪；
步骤F，对目标进行计数与画轨迹；
所述步骤F中的画轨迹包括：
步骤F-1，首先建立一个数组Pt，共有20个元素，每一个元素又都是一个Point类型的向量，即Pt[i][j]，其中i∈(0，1,2...1，j∈(0,1,2,3......)，初始化其元素为Pt[i][0]x.＝0，Pt[i][0].y＝0，其中Pt[i][0].x代表ID编号，Pt[i][0].y代表是否有更新的Flag；
步骤F-2，进行判定，假设某跟踪边框的ID号为T，则判断Pt[i][0].x是否等于T，如果等于，则令Pt[i][0].y＝1，同时将该边框的中心坐标(tx,ty)，赋值给Pt[i][k]，即Pt[i][k]＝(tx,ty)，k∈(1,2,3...)，如果不等于，则寻找一个Pt[i][0].x＝0的Pt[i]向量，令Pt[i][0].x＝T，Pt[i][0].y＝1，同时将该边框的中心坐标(tx,ty)，赋值给Pt[i][k]，即Pt[i][k]＝(tx,ty)，k∈(1,2,3...)；
步骤F-3，进行判定，如果Pt[i][0].x不等于0，同时Pt[i][0].y等于0，则对Pt[i]进行清空，同时对Pt[i]进行步骤F-1的初始化，以供其他新出现的ID使用，如果Pt[i][0].x不等于0，同时Pt[i][0].y不等于0，则令Pt[i][0].y＝0；
步骤F-4，根据上述步骤F-1到F-3，同一ID编号下的所有中心点坐标依次赋值到Pt[i][k]，k∈(1,2,3...)，把所有点的中心坐标连起来则为轨迹线。
2.根据权利要求1所述的一种基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，其特征在于，所述方法将SSD目标检测算法与卡尔曼滤波跟踪算法应用于windows系统。
3.根据权利要求1所述的一种基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，其特征在于，所述步骤D配对方式采用的是双判定，即HSV颜色直方图相似性匹配与欧氏距离阈值联合判定。
4.根据权利要求1所述的一种基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，其特征在于，所述步骤D配对方式中的欧式距离阈值为70。
5.根据权利要求1所述的一种基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，其特征在于，所述步骤D配对方式中的HSV颜色直方图相似性配对阈值为0.7。
6.根据权利要求1所述的一种基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，其特征在于，所述步骤E中删除不满足新式双判定条件的跟踪步骤如下：
步骤E-1，判断该目标是否被SSD目标检测算法连续两帧及多帧检测到，如果成立，则进行步骤E-2；否则进行步骤E-5；
步骤E-2，调用卡尔曼滤波算法对该目标连续预测20帧；
步骤E-3，判断在步骤E-2预测的20帧内，该目标是否被再次检测到，如果成立，则进行步骤E-4；否则进行步骤E-5；
步骤E-4，用其检测框代替预测框，然后依次进行步骤E-2与E-3；
步骤E-5，删除该目标的跟踪ID号。
7.根据权利要求1所述的一种基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，其特征在于，所述步骤F中画轨迹采用的是数据结构中的数组，不同于以往的链表。
CN201710986013.4A 2017-10-20 2017-10-20 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法 Active CN108022258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710986013.4A CN108022258B (zh) 2017-10-20 2017-10-20 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710986013.4A CN108022258B (zh) 2017-10-20 2017-10-20 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法

Publications (2)

Publication Number Publication Date
CN108022258A true CN108022258A (zh) 2018-05-11
CN108022258B CN108022258B (zh) 2020-07-03

Family

ID=62080233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710986013.4A Active CN108022258B (zh) 2017-10-20 2017-10-20 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN108022258B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102702A (zh) * 2018-08-24 2018-12-28 南京理工大学 基于视频车辆检测和雷达信号融合的车辆测速方法
CN109325467A (zh) * 2018-10-18 2019-02-12 广州云从人工智能技术有限公司 一种基于视频检测结果的车辆跟踪方法
CN109377517A (zh) * 2018-10-18 2019-02-22 哈尔滨工程大学 一种基于视频追踪技术的动物个体识别系统
CN109615641A (zh) * 2018-11-23 2019-04-12 中山大学 基于kcf算法的多目标行人跟踪系统及跟踪方法
CN109816690A (zh) * 2018-12-25 2019-05-28 北京飞搜科技有限公司 基于深度特征的多目标追踪方法及系统
CN110009023A (zh) * 2019-03-26 2019-07-12 杭州电子科技大学上虞科学与工程研究院有限公司 智慧交通中的车流统计方法
CN110033050A (zh) * 2019-04-18 2019-07-19 杭州电子科技大学 一种水面无人船实时目标检测计算方法
WO2021018141A1 (zh) * 2019-07-31 2021-02-04 京东方科技集团股份有限公司 用于多目标的行人跟踪方法、装置及设备
CN110310305B (zh) * 2019-05-28 2021-04-06 东南大学 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737385A (zh) * 2012-04-24 2012-10-17 中山大学 一种基于camshift和卡尔曼滤波的视频目标跟踪方法
CN104021571A (zh) * 2014-06-03 2014-09-03 浙江宇视科技有限公司 一种增强用户体验的运动目标自动跟踪方法及装置
CN104091349A (zh) * 2014-06-17 2014-10-08 南京邮电大学 基于支持向量机的鲁棒目标跟踪方法
CN104574439A (zh) * 2014-12-25 2015-04-29 南京邮电大学 一种融合卡尔曼滤波与tld算法的目标跟踪方法
CN105469425A (zh) * 2015-11-24 2016-04-06 上海君是信息科技有限公司 一种视频浓缩方法
CN106204644A (zh) * 2016-07-01 2016-12-07 屈桢深 一种基于视频的目标长期跟踪方法
CN106683121A (zh) * 2016-11-29 2017-05-17 广东工业大学 一种融合检测过程的鲁棒目标追踪方法
CN106709938A (zh) * 2016-11-18 2017-05-24 电子科技大学 基于改进tld的多目标追踪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737385A (zh) * 2012-04-24 2012-10-17 中山大学 一种基于camshift和卡尔曼滤波的视频目标跟踪方法
CN104021571A (zh) * 2014-06-03 2014-09-03 浙江宇视科技有限公司 一种增强用户体验的运动目标自动跟踪方法及装置
CN104091349A (zh) * 2014-06-17 2014-10-08 南京邮电大学 基于支持向量机的鲁棒目标跟踪方法
CN104574439A (zh) * 2014-12-25 2015-04-29 南京邮电大学 一种融合卡尔曼滤波与tld算法的目标跟踪方法
CN105469425A (zh) * 2015-11-24 2016-04-06 上海君是信息科技有限公司 一种视频浓缩方法
CN106204644A (zh) * 2016-07-01 2016-12-07 屈桢深 一种基于视频的目标长期跟踪方法
CN106709938A (zh) * 2016-11-18 2017-05-24 电子科技大学 基于改进tld的多目标追踪方法
CN106683121A (zh) * 2016-11-29 2017-05-17 广东工业大学 一种融合检测过程的鲁棒目标追踪方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102702A (zh) * 2018-08-24 2018-12-28 南京理工大学 基于视频车辆检测和雷达信号融合的车辆测速方法
CN109377517B (zh) * 2018-10-18 2021-04-06 哈尔滨工程大学 一种基于视频追踪技术的动物个体识别系统
CN109325467A (zh) * 2018-10-18 2019-02-12 广州云从人工智能技术有限公司 一种基于视频检测结果的车辆跟踪方法
CN109377517A (zh) * 2018-10-18 2019-02-22 哈尔滨工程大学 一种基于视频追踪技术的动物个体识别系统
CN109615641A (zh) * 2018-11-23 2019-04-12 中山大学 基于kcf算法的多目标行人跟踪系统及跟踪方法
CN109615641B (zh) * 2018-11-23 2022-11-29 中山大学 基于kcf算法的多目标行人跟踪系统及跟踪方法
CN109816690A (zh) * 2018-12-25 2019-05-28 北京飞搜科技有限公司 基于深度特征的多目标追踪方法及系统
CN110009023A (zh) * 2019-03-26 2019-07-12 杭州电子科技大学上虞科学与工程研究院有限公司 智慧交通中的车流统计方法
CN110033050A (zh) * 2019-04-18 2019-07-19 杭州电子科技大学 一种水面无人船实时目标检测计算方法
CN110033050B (zh) * 2019-04-18 2021-06-22 杭州电子科技大学 一种水面无人船实时目标检测计算方法
CN110310305B (zh) * 2019-05-28 2021-04-06 东南大学 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置
WO2021018141A1 (zh) * 2019-07-31 2021-02-04 京东方科技集团股份有限公司 用于多目标的行人跟踪方法、装置及设备
US11830273B2 (en) 2019-07-31 2023-11-28 Boe Technology Group Co., Ltd. Multi-target pedestrian tracking method, multi-target pedestrian tracking apparatus and multi-target pedestrian tracking device

Also Published As

Publication number Publication date
CN108022258B (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN108022258A (zh) 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法
CN107545582B (zh) 基于模糊逻辑的视频多目标跟踪方法及装置
CN109076198B (zh) 基于视频的对象跟踪遮挡检测系统、方法和设备
Datta et al. Person-on-person violence detection in video data
US8705861B2 (en) Context processor for video analysis system
TWI382762B (zh) 移動物體的追蹤方法
US9213896B2 (en) Method for detecting and tracking objects in image sequences of scenes acquired by a stationary camera
CN109903312A (zh) 一种基于视频多目标跟踪的足球球员跑动距离统计方法
CN108805900B (zh) 一种跟踪目标的确定方法及装置
CN110751674A (zh) 多目标跟踪方法及相应视频分析系统
US20070133840A1 (en) Tracking Using An Elastic Cluster of Trackers
US20100150401A1 (en) Target tracker
CN103093198B (zh) 一种人群密度监测方法及装置
JP7272024B2 (ja) 物体追跡装置、監視システムおよび物体追跡方法
KR20190023389A (ko) 변화점 검출을 활용한 다중클래스 다중물체 추적 방법
CN105374049B (zh) 一种基于稀疏光流法的多角点跟踪方法及装置
CN105469427B (zh) 一种用于视频中目标跟踪方法
WO2019172172A1 (ja) 物体追跡装置、物体追跡方法、及びコンピュータプログラム
Tang et al. Multiple-kernel adaptive segmentation and tracking (MAST) for robust object tracking
Nallasivam et al. Moving human target detection and tracking in video frames
CN115731266A (zh) 跨相机多目标跟踪方法、装置、设备及可读存储介质
CN115100744A (zh) 一种羽毛球比赛人体姿态估计和球路追踪方法
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
JP5177030B2 (ja) 目標追尾装置
Wang et al. Tracking objects through occlusions using improved Kalman 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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180511

Assignee: NANJING NANYOU INSTITUTE OF INFORMATION TECHNOVATION Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2021980014141

Denomination of invention: Real time multi-target tracking method based on single shot multi frame detector and Kalman filter

Granted publication date: 20200703

License type: Common License

Record date: 20211206

EC01 Cancellation of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: NANJING NANYOU INSTITUTE OF INFORMATION TECHNOVATION Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2021980014141

Date of cancellation: 20231107