CN108229459A - 一种目标跟踪方法 - Google Patents
一种目标跟踪方法 Download PDFInfo
- Publication number
- CN108229459A CN108229459A CN201810007853.6A CN201810007853A CN108229459A CN 108229459 A CN108229459 A CN 108229459A CN 201810007853 A CN201810007853 A CN 201810007853A CN 108229459 A CN108229459 A CN 108229459A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- value
- gradation
- potential
- 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 41
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000005855 radiation Effects 0.000 claims description 18
- 230000005457 Black-body radiation Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000005352 clarification Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000029052 metamorphosis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标跟踪方法。该方法包括:对所使用的红外探测器进行标定,获取红外探测器的标定系数;使用形态滤波算法对原始的红外图像进行预处理;对预处理后的图像的全图进行目标搜索,获取所有符合预设条件的潜在目标;提取所获取的各个潜在目标的目标特征;根据各个潜在目标的目标特征,在至少两帧图像之间进行特征匹配,确定各个目标;进行目标轨迹关联,对各个目标进行排序,进行多目标跟踪。应用本发明可以根据实时采集的红外图像进行实时的多目标检测和跟踪。
Description
技术领域
本申请涉及光学目标特性研究技术领域,尤其涉及一种目标跟踪方法。
背景技术
开展空天目标的红外特征提取与特性研究的前提是获得准确可靠的目标图像数据。在现有的技术中,多波段车载红外跟踪测量系统的主要功能是完成对飞行试验目标的红外图像数据的获取与分析,现场收集其他联试设备的测试数据,然后通过目标特征提取与数据的综合分析,对目标进行真假识别,并对算法进行验证和评估。现有技术中的基于目标特性匹配的多目标跟踪方法应用在多波段车载红外跟踪测量系统上,可稳定自动跟踪多个空天目标,替代人工操作,方便获取目标图像,有利用目标识别工作的开展。但是,上述多目标跟踪技术的难点在于目标匹配确认或目标识别。
发明内容
有鉴于此,本发明提供了一种目标跟踪方法,从而可以根据实时采集的红外图像进行实时的多目标检测和跟踪。
本发明的技术方案具体是这样实现的:
一种目标跟踪方法,该方法包括:
对所使用的红外探测器进行标定,获取红外探测器的标定系数;
使用形态滤波算法对原始的红外图像进行预处理;
对预处理后的图像的全图进行目标搜索,获取所有符合预设条件的潜在目标;
提取所获取的各个潜在目标的目标特征;
根据各个潜在目标的目标特征,在至少两帧图像之间进行特征匹配,确定各个目标;
进行目标轨迹关联,对各个目标进行排序,进行多目标跟踪。
较佳的,所述获取红外探测器的标定系数包括:
从红外探测器得到的红外图像中提取灰度数据,根据所提取的灰度数据计算图像灰度均值;
获取所述红外图像对应的黑体温度数据,将所述黑体温度数据转化为黑体辐射亮度值;
根据所得到的图像灰度均值和黑体辐射亮度值,建立图像灰度均值和黑体辐射亮度值的对应关系。
较佳的,通过如下的公式计算图像灰度均值:
其中,DN为图像灰度均值,I(m,n)为图像像素灰度值矩阵,图像的分辨率为M×N。
较佳的,通过如下的公式得到图像灰度均值和黑体辐射亮度值的对应关系:
K=a*DN*DN+b*DN+c;
其中,a、b和c为标定系数,K为黑体辐射亮度值,DN为图像灰度均值。
较佳的,使用如下的滤波算子对原始的红外图像进行预处理:
其中,S为滤波算子;
使用滤波算子S对I(m,n)做卷积运算,得到形态滤波后的图像灰度值矩阵G:
G(m,n)=I(m,n)·S。
较佳的,所述对预处理后的图像的全图进行目标搜索,获取所有符合预设条件的潜在目标包括:
对预处理后的图像做如下处理:
H(m,n)=G(m,n)·T;
其中,H(m,n)为处理后的图像灰度值矩阵,卷积算子T为:
在处理后的图像灰度值矩阵H(m,n)中选取局部最大值作为潜在目标。
较佳的,所述提取所获取的各个潜在目标的目标特征包括:
使用目标分割的方法对所获取的潜在目标进行分割、计算,得到各个潜在目标的大小、位置和灰度均值;
计算各个潜在目标的位置附近的背景均值,得到目标灰度总值;
计算潜在目标的辐射值。
较佳的,通过如下的公式计算得到目标灰度总值:
其中,Hbk为潜在目标的位置附近的背景均值,Hall为目标灰度总值,L为潜在目标的最大边长。
较佳的,通过如下的公式计算得到潜在目标的辐射值:
Hf=a*Hall*Hall+b*Hall+c;
其中,Hf为潜在目标的辐射值,a、b、c为标定系数。
较佳的,所述根据各个潜在目标的目标特征,在至少两帧图像之间进行特征匹配,确定各个目标包括:
将当前帧图像中的各个潜在目标的目标特征与前一帧中对应的已确认目标的目标特征进行特征匹配;
将符合特征匹配条件的潜在目标确定为目标。
较佳的,如果当前帧图像中的某一个潜在目标的特征值包括:所述潜在目标的大小S1、位置(M1,N1)、灰度均值I1和辐射值Hf1;前一帧图像的对应的已确认目标的特征值包括:大小Sa、位置(Ma,Na)、灰度均值Ia和辐射值Hfa;
则通过如下的公式进行特征匹配:
Fmin=(S1-Sa)2+(M1-Ma)2+(N1-Na)2+(I1-Ia)2+(Hf1-Hfa)2;
其中,Fmin为匹配值。
如上可见,在本发明中的目标跟踪方法中,先对所使用的红外探测器进行标定,获取红外探测器的标定系数,然后使用形态滤波算法对原始的红外图像进行预处理,并对预处理后的图像的全图进行目标搜索,获取所有符合预设条件的潜在目标,然后再提取所获取的各个潜在目标的目标特征,根据各个潜在目标的目标特征,在至少两帧图像之间进行特征匹配,确定各个目标,最后即可进行目标轨迹关联,对各个目标进行排序,进行多目标跟踪,从而可以根据实时采集的红外图像进行实时的多目标检测和跟踪。由于上述方法中提取了各个潜在目标的目标特征,并通过特征匹配来确定各个目标,从而可以有效地对多目标进行区分,显著地提高多目标跟踪的稳定性。另外,由于本发明中还使用形态滤波算法对原始的红外图像进行预处理,因此可以对各个潜在目标点进行很好的定位,提高定位的准确性。
附图说明
图1为本发明实施例中的目标跟踪方法的流程图。
图2为本发明的一个具体实施例中的原始红外图像。
图3为本发明的一个具体实施例中的进行预处理后的预处理图像。
图4为本发明的一个具体实施例中的目标跟踪图像的示意图。
具体实施方式
为使本发明的技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明作进一步详细的说明。
图1为本发明实施例中的目标跟踪方法的流程图。如图1所示,本发明实施例中的目标跟踪方法包括如下所述步骤:
步骤11,对所使用的红外探测器进行标定,获取红外探测器的标定系数。
在本发明的技术方案中,将在测量前或测量后对所使用的红外探测器(例如,红外定量跟踪测量系统)进行标定,以获取红外探测器的标定系数。
例如,在本发明的一个较佳实施例中,所述红外探测器可以是红外定量跟踪测量系统。
在上述红外探测器的标定过程中,可以得到黑体温度和对应的红外图像数据。根据红外辐射理论,可以计算黑体温度对应的辐射亮度,辐射亮度和红外图像灰度值近似为线性关系。因此,通过对标定数据的处理,可以得到红外探测器的标定系数,即图像灰度值和辐射亮度值的对应关系。
所以,在本发明的技术方案中,所述获取红外探测器的标定系数,可以是根据标定数据建立图像灰度值与辐射亮度值的对应关系。
在本发明的技术方案中,可以使用多种实现方法来获取红外探测器的标定系数。以下将以其中的一种实现方式为例对本发明的技术方案进行详细的介绍。
例如,较佳的,在本发明的一个具体实施例中,所述获取红外探测器的标定系数可以包括如下的步骤:
步骤111,从红外探测器得到的红外图像中提取灰度数据,根据所提取的灰度数据计算图像灰度均值。
较佳的,在本发明的一个具体实施例中,可以通过如下的公式计算图像灰度均值:
其中,DN为图像灰度均值,I(m,n)为图像像素灰度值矩阵,图像的分辨率为M×N。
另外,在本发明的一个具体实施例中,为了使得所提取的数据更加准确,可以只提取红外图像中心部分的灰度数据。
步骤112,获取所述红外图像对应的黑体温度数据,将所述黑体温度数据转化为黑体辐射亮度值。
例如,在本发明的一个较佳实施例中,可以在所述红外图像中采集多个(例如,至少3个)黑体温度点的数据(即黑体温度数据K)。然后,可根据普朗克公式将所述黑体温度数据转化为黑体辐射亮度值。
步骤113,根据所得到的图像灰度均值和黑体辐射亮度值,建立图像灰度均值和黑体辐射亮度值的对应关系。
例如,在本发明的一个较佳实施例中,可以通过二次曲线拟合算法,得到图像灰度均值和黑体辐射亮度值的对应关系。
例如,可以通过如下所述的公式得到图像灰度均值和黑体辐射亮度值的对应关系:
K=a*DN*DN+b*DN+c (2)
其中,a、b、c为标定系数,K为黑体辐射亮度值,DN为图像灰度均值。
因此可知,通过上述的步骤111~113,即可获取红外探测器的标定系数。
步骤12,使用形态滤波算法对原始的红外图像进行预处理。
在本发明的技术方案中,由于所针对的图像一般都是空天背景的红外图像,目标距离较远,一般为点目标,背景主要是云或天空。因此,在本发明的技术方案中,将针对上述的特点,使用形态滤波算法对原始的红外图像进行预处理,从而抑制图像中的背景,突出目标,便于进行后续的目标搜索。
例如,较佳的,在本发明的一个具体实施例中,可以使用如下的滤波算子对原始的红外图像进行预处理:
其中,S为滤波算子。
例如,如果I(m,n)为图像像素灰度值矩阵,图像的分辨率为M×N,则利用上述的滤波算子S对I(m,n)做卷积运算,即可得到形态滤波后的图像灰度值矩阵G:
G(m,n)=I(m,n)·S (4)
例如,图2为本发明的一个具体实施例中的原始红外图像,图3为本发明的一个具体实施例中的进行预处理后的预处理图像。从图2和图3中可以看出,预处理后的图像的背景得到了抑制,目标相对突出,从而有利于进行后续的目标搜索。
步骤13,对预处理后的图像的全图进行目标搜索,获取所有符合预设条件的潜在目标。
在本发明的技术方案中,经过预处理后的图像,图像中的亮噪点被消除,成片的云背景也被抑制,只有目标点被留下。因此,理论上可以直接选取局部最大点作为目标候选点。
但在,由于实际图像中的情况一般比较复杂(例如,由于目标闪烁变化,目标大小和滤波算子不匹配等),因此直接选取局部最大点作为目标候选点往往存在误差。
所以,更进一步的,在本发明的一个具体实施例中,上述步骤13可以包括:
步骤131,对预处理后的图像做如下处理:
H(m,n)=G(m,n)·T (5)
其中,H(m,n)为处理后的图像灰度值矩阵,卷积算子T为:
步骤132,在处理后的图像灰度值矩阵H(m,n)中选取局部最大值作为潜在目标。
通过上述的步骤131~132,即可从预处理后的图像中获取所有符合预设条件的潜在目标。
步骤14,提取所获取的各个潜在目标的目标特征。
较佳的,在本发明的一个具体实施例中,所述目标特征可以是潜在目标的大小、位置、灰度均值、辐射值等特征。
另外,在本发明的技术方案中,可以使用多种实现方法来实现上述的步骤14。以下将以其中的一种实现方式为例对本发明的技术方案进行详细的介绍。
例如,较佳的,在本发明的一个具体实施例中,所述步骤14可以包括如下的步骤:
步骤141,使用目标分割的方法对所获取的潜在目标进行分割、计算,得到各个潜在目标的大小(例如,像素个数)、位置和灰度均值。
步骤142,计算各个潜在目标的位置附近的背景均值,得到目标灰度总值。
例如,较佳的,在本发明的一个具体实施例中,可以通过如下的公式计算得到目标灰度总值:
其中,Hbk为潜在目标的位置附近的背景均值,Hall为目标灰度总值,L为潜在目标的最大边长。
步骤143,计算潜在目标的辐射值。
例如,较佳的,在本发明的一个具体实施例中,可以通过如下的公式计算得到潜在目标的辐射值:
Hf=a*Hall*Hall+b*Hall+c (8)
其中,Hf为潜在目标的辐射值,a、b、c为标定系数。
因此可知,根据上述的步骤141~143,即可提取所获取的各个潜在目标的目标特征。
步骤15,根据各个潜在目标的目标特征,在至少两帧图像之间进行特征匹配,确定各个目标。
在本发明的技术方案中,在根据上述步骤14得到各个潜在目标的目标特征之后,即可在多帧图像之间进行目标的特征匹配,以确定各个目标。
另外,在本发明的技术方案中,可以使用多种实现方法来实现上述的步骤15。以下将以其中的一种实现方式为例对本发明的技术方案进行详细的介绍。
例如,较佳的,在本发明的一个具体实施例中,所述步骤15可以包括如下所述的步骤:
步骤151,将当前帧图像中的各个潜在目标的目标特征与前一帧中对应的已确认目标的目标特征进行特征匹配。
例如,较佳的,在本发明的一个具体实施例中,可以假设当前帧图像中的某一个潜在目标的特征值包括:所述潜在目标的大小S1、位置(M1,N1)、灰度均值I1和辐射值Hf1;假设前一帧图像的对应的已确认目标的特征值包括:大小Sa、位置(Ma,Na)、灰度均值Ia和辐射值Hfa。
因此,较佳的,可以通过如下的公式进行特征匹配:
Fmin=(S1-Sa)2+(M1-Ma)2+(N1-Na)2+(I1-Ia)2+(Hf1-Hfa)2 (9)
其中,Fmin为匹配值。Fmin越小,则表示该潜在目标和前一帧中的已确认目标的特征值越匹配。
上述的匹配值Fmin的计算过程考虑了目标本身的大小、灰度值和位置,同时利用了目标本身的辐射值。其中的辐射值在目标由于远程大气扰动而出现大小、形态变化时具有明显的稳定性。因此,通过判断匹配值的方法,即可进行目标匹配、确认和跟踪工作。
步骤152,将符合特征匹配条件的潜在目标确定为目标。
例如,较佳的,在本发明的一个具体实施例中,所述特征匹配条件可以是:匹配值小于或等于预设的匹配阈值。
在本发明的一个较佳的具体实施例中,可以根据实际应用情况的需要预先设置一个匹配阈值,然后将上述计算得到的匹配值与该匹配阈值进行对比。如果上述的匹配值Fmin小于或等于上述的匹配阈值,则表示该潜在目标符合特征匹配条件,因此可以将该潜在目标确定为目标;如果上述的匹配值Fmin大于上述的匹配阈值,则表示该潜在目标不符合特征匹配条件,不能作为目标。
因此,通过上述的步骤151~152,即可根据各个潜在目标的目标特征确定各个目标。
步骤16,进行目标轨迹关联,对各个目标进行排序,进行多目标跟踪。
在通过上述步骤15确定了各个目标之后,即可进行目标轨迹关联,对各个目标进行排序,进行多目标跟踪。
例如,图4为本发明的一个具体实施例中的目标跟踪图像的示意图。如图4所示,通过上述的目标检测和特征匹配后,确认了各个目标的序号,例如,将图4中的3个目标分别编号为目标1、2和3,以便于进行多目标跟踪。
此外,在本发明的技术方案中,上述的方法也可以通过计算机语言(例如,VC++等)编程之后,运行在计算机上,并设置相应的可视化操作界面,从而便于人员观看和操作,有利于目标红外图像数据的获取和实时目标定量特性分析处理。
综上所述,在本发明的技术方案中,提供了一种基于特征匹配的目标跟踪方法,在该方法中,先对所使用的红外探测器进行标定,获取红外探测器的标定系数,然后使用形态滤波算法对原始的红外图像进行预处理,并对预处理后的图像的全图进行目标搜索,获取所有符合预设条件的潜在目标,然后再提取所获取的各个潜在目标的目标特征,根据各个潜在目标的目标特征,在至少两帧图像之间进行特征匹配,确定各个目标,最后即可进行目标轨迹关联,对各个目标进行排序,进行多目标跟踪,从而可以根据实时采集的红外图像进行实时的多目标检测和跟踪。由于上述方法中提取了各个潜在目标的目标特征,并通过特征匹配来确定各个目标,从而可以有效地对多目标进行区分,显著地提高多目标跟踪的稳定性。另外,由于本发明中还使用形态滤波算法对原始的红外图像进行预处理,因此可以对各个潜在目标点进行很好的定位,提高定位的准确性。更进一步的,由于上述的目标特征中可以包括目标辐射强度(即辐射值),该目标辐射值的连续性和稳定性能比较好,因此可以很好地定位和确认不同的目标,显著地提高多目标跟踪的稳定性和准确性,对定量红外跟踪测量系统的测试和数据处理也有很大的帮助。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (9)
1.一种目标跟踪方法,其特征在于,该方法包括:
对所使用的红外探测器进行标定,获取红外探测器的标定系数;
使用形态滤波算法对原始的红外图像进行预处理;
对预处理后的图像的全图进行目标搜索,获取所有符合预设条件的潜在目标;
提取所获取的各个潜在目标的目标特征;
根据各个潜在目标的目标特征,在至少两帧图像之间进行特征匹配,确定各个目标;
进行目标轨迹关联,对各个目标进行排序,进行多目标跟踪。
2.根据权利要求1所述的方法,其特征在于,所述获取红外探测器的标定系数包括:
从红外探测器得到的红外图像中提取灰度数据,根据所提取的灰度数据计算图像灰度均值;
获取所述红外图像对应的黑体温度数据,将所述黑体温度数据转化为黑体辐射亮度值;
根据所得到的图像灰度均值和黑体辐射亮度值,建立图像灰度均值和黑体辐射亮度值的对应关系。
3.根据权利要求2所述的方法,其特征在于,通过如下的公式计算图像灰度均值:
其中,DN为图像灰度均值,I(m,n)为图像像素灰度值矩阵,图像的分辨率为M×N。
4.根据权利要求3所述的方法,其特征在于,通过如下的公式得到图像灰度均值和黑体辐射亮度值的对应关系:
K=a*DN*DN+b*DN+c;
其中,a、b和c为标定系数,K为黑体辐射亮度值,DN为图像灰度均值。
5.根据权利要求4所述的方法,其特征在于,使用如下的滤波算子对原始的红外图像进行预处理:
其中,S为滤波算子;
使用滤波算子S对I(m,n)做卷积运算,得到形态滤波后的图像灰度值矩阵G:
G(m,n)=I(m,n)·S。
6.根据权利要求5所述的方法,其特征在于,所述对预处理后的图像的全图进行目标搜索,获取所有符合预设条件的潜在目标包括:
对预处理后的图像做如下处理:
H(m,n)=G(m,n)·T;
其中,H(m,n)为处理后的图像灰度值矩阵,卷积算子T为:
在处理后的图像灰度值矩阵H(m,n)中选取局部最大值作为潜在目标。
7.根据权利要求6所述的方法,其特征在于,所述提取所获取的各个潜在目标的目标特征包括:
使用目标分割的方法对所获取的潜在目标进行分割、计算,得到各个潜在目标的大小、位置和灰度均值;
计算各个潜在目标的位置附近的背景均值,得到目标灰度总值;
计算潜在目标的辐射值。
8.根据权利要求7所述的方法,其特征在于,通过如下的公式计算得到目标灰度总值:
其中,Hbk为潜在目标的位置附近的背景均值,Hall为目标灰度总值,L为潜在目标的最大边长。
9.根据权利要求8所述的方法,其特征在于,通过如下的公式计算得到潜在目标的辐射值:
Hf=a*Hall*Hall+b*Hall+c;
其中,Hf为潜在目标的辐射值,a、b、c为标定系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810007853.6A CN108229459B (zh) | 2018-01-04 | 2018-01-04 | 一种目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810007853.6A CN108229459B (zh) | 2018-01-04 | 2018-01-04 | 一种目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229459A true CN108229459A (zh) | 2018-06-29 |
CN108229459B CN108229459B (zh) | 2020-11-20 |
Family
ID=62643143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810007853.6A Active CN108229459B (zh) | 2018-01-04 | 2018-01-04 | 一种目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229459B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741370A (zh) * | 2019-01-04 | 2019-05-10 | 北京环境特性研究所 | 一种目标跟踪方法和装置 |
CN117765243A (zh) * | 2023-12-22 | 2024-03-26 | 北京中科航星科技有限公司 | 一种基于高性能计算架构的ai导引系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887587A (zh) * | 2010-07-07 | 2010-11-17 | 南京邮电大学 | 视频监控中基于运动目标检测的多目标跟踪方法 |
CN103714553A (zh) * | 2012-10-09 | 2014-04-09 | 杭州海康威视数字技术股份有限公司 | 一种多目标跟踪方法和装置 |
CN103729861A (zh) * | 2014-01-03 | 2014-04-16 | 天津大学 | 一种多目标跟踪方法 |
CN105138720A (zh) * | 2015-07-13 | 2015-12-09 | 北京环境特性研究所 | 基于矩阵正交三角化的标定数据曲线拟合方法 |
CN105513034A (zh) * | 2015-12-16 | 2016-04-20 | 中国电子科技集团公司第十一研究所 | 一种弱小目标检测预处理方法和装置 |
CN107133937A (zh) * | 2017-04-27 | 2017-09-05 | 北京环境特性研究所 | 一种红外图像的自适应增强方法 |
CN107145862A (zh) * | 2017-05-05 | 2017-09-08 | 山东大学 | 一种基于霍夫森林的多特征匹配多目标跟踪方法 |
-
2018
- 2018-01-04 CN CN201810007853.6A patent/CN108229459B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887587A (zh) * | 2010-07-07 | 2010-11-17 | 南京邮电大学 | 视频监控中基于运动目标检测的多目标跟踪方法 |
CN103714553A (zh) * | 2012-10-09 | 2014-04-09 | 杭州海康威视数字技术股份有限公司 | 一种多目标跟踪方法和装置 |
CN103729861A (zh) * | 2014-01-03 | 2014-04-16 | 天津大学 | 一种多目标跟踪方法 |
CN105138720A (zh) * | 2015-07-13 | 2015-12-09 | 北京环境特性研究所 | 基于矩阵正交三角化的标定数据曲线拟合方法 |
CN105513034A (zh) * | 2015-12-16 | 2016-04-20 | 中国电子科技集团公司第十一研究所 | 一种弱小目标检测预处理方法和装置 |
CN107133937A (zh) * | 2017-04-27 | 2017-09-05 | 北京环境特性研究所 | 一种红外图像的自适应增强方法 |
CN107145862A (zh) * | 2017-05-05 | 2017-09-08 | 山东大学 | 一种基于霍夫森林的多特征匹配多目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
LIANG XU: "《Online Multi-Object Tracking Based on Global and Local Features》", 《VCIP 2016》 * |
向健勇等: "《一种红外弱小目标检测方法》", 《电子科技》 * |
李鹏等: "《基于ORB特征点匹配的多目标跟踪算法》", 《湖南大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741370A (zh) * | 2019-01-04 | 2019-05-10 | 北京环境特性研究所 | 一种目标跟踪方法和装置 |
CN109741370B (zh) * | 2019-01-04 | 2020-09-11 | 北京环境特性研究所 | 一种目标跟踪方法和装置 |
CN117765243A (zh) * | 2023-12-22 | 2024-03-26 | 北京中科航星科技有限公司 | 一种基于高性能计算架构的ai导引系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108229459B (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A detection and recognition system of pointer meters in substations based on computer vision | |
CN108460341B (zh) | 基于集成深度卷积网络的光学遥感图像目标检测方法 | |
CN108416378B (zh) | 一种基于深度神经网络的大场景sar目标识别方法 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
JP2014229303A (ja) | シーン内の物体を検出する方法 | |
WO2019154383A1 (zh) | 刀具检测方法及装置 | |
CN112446852B (zh) | 一种隧道成像平面展示方法及缺陷智能识别系统 | |
CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
Feng et al. | Statistical study of photospheric bright points in an active region and quiet Sun | |
CN108229459A (zh) | 一种目标跟踪方法 | |
CN114529610A (zh) | 一种基于rgb-d相机的毫米波雷达数据标注方法 | |
CN107133937B (zh) | 一种红外图像的自适应增强方法 | |
Chen et al. | An intelligent vision recognition method based on deep learning for pointer meters | |
CN107346549B (zh) | 一种利用遥感影像多特征的多类别变化动态阈值检测方法 | |
Zhang et al. | Light source point cluster selection-based atmospheric light estimation | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
CN110689510A (zh) | 一种引入字典信息基于稀疏表示的图像融合方法 | |
CN113887652B (zh) | 基于形态和多示例学习的遥感图像弱小目标检测方法 | |
CN115797804A (zh) | 一种基于不平衡时序航空飞行数据的异常检测方法 | |
Gao et al. | Low saliency crack detection based on improved multimodal object detection network: an example of wind turbine blade inner surface | |
Jazayeri et al. | Interest operators in close-range object reconstruction | |
CN111539329B (zh) | 一种自适应的变电站指针仪表识别方法 | |
Guo et al. | A cloud boundary detection scheme combined with aslic and cnn using zy-3, gf-1/2 satellite imagery | |
Sheng et al. | Multi-target Localization and Pose Estimation Based on Mixed Programming of Halcon and C | |
Zhang et al. | A Text-Detecting Method Based on Improved CTPN |
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 |