CN108521554A - 大场景多目标协同跟踪方法、智能监控系统、交通系统 - Google Patents
大场景多目标协同跟踪方法、智能监控系统、交通系统 Download PDFInfo
- Publication number
- CN108521554A CN108521554A CN201810171281.5A CN201810171281A CN108521554A CN 108521554 A CN108521554 A CN 108521554A CN 201810171281 A CN201810171281 A CN 201810171281A CN 108521554 A CN108521554 A CN 108521554A
- Authority
- CN
- China
- Prior art keywords
- target
- gunlock
- ball machine
- detection
- tracking
- 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
Classifications
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明属于控制摄像机的装置技术领域,公开了一种大场景多目标协同跟踪方法、智能监控系统、交通系统,采用主从协同实现目标交错时仍能准确分割出目标,提高跟踪鲁棒性,主机为固定广角摄像机即枪机,从机为高分辨率可变焦球机即球机。本发明包括枪机和球机关系模块,目标检测模块,优先级判定模块,控制模块,目标更新模块,跟踪模块。本发明对枪机画面中多目标关系进行优先级分类,根据目标关系确定球机的动作,提高了球机利用率,节省资源;球机获取枪机画面中目标交错区域高清图像,球机对高清图像进行目标检测,提高了目标的检测准确率。通过枪球间关系矩阵将球机画面检测信息映射回枪机画面,进而将目标交错区域重新分割,实现协同跟踪。
Description
技术领域
本发明属于控制摄像机的装置技术领域,尤其涉及一种大场景多目标协同跟踪方法、智能监控系统、交通系统。
背景技术
运动目标的检测跟踪一直是图像处理和计算机视觉领域研究的热点。随着检测跟踪方法研究的不断深入,人们对目标检测跟踪性能要求越来越高,目标检测跟踪应用场景也越来越复杂,如何提高特殊条件下的多目标检测跟踪的鲁棒性一直是广大学者研究的热点问题之一。其中,大场景下多目标的协同跟踪一直是监控领域很重要的研究方向,在智能监控、智能交通等领域有着极其重要的应用价值。大场景多目标检测跟踪中,由于目标在场景中占比较小,目前,业内常用的现有技术是这样的:主要还是通过运动信息对目标进行检测定位,包括帧间差分,高斯背景建模,互相关滤波,Vibe等多种检测算法,大多基于图像灰度信息从图像中分割出目标,并进行检测定位。当目标不交错,不发生遮挡时,大部分方法能较好的检测出目标;但在多目标交错,遮挡严重时,有时就不能很好地从图像中分割出单个目标,常有多个目标合并的情况发生。这对后续的目标跟踪带来较大困难。专利文献“一种大场景中的小目标抗遮挡跟踪方法”(公开号:CN105469430A,申请号:CN201510925188.5,申请日:2015-12-10)公开了一种大场景中的小目标抗遮挡跟踪方法。该系统利用互相关滤波目标检测方法检测前一帧图像中目标所在的位置;从后一帧图像开始,判断目标是否被遮挡,若目标被遮挡,则直接利用轨迹预测方法对目标的位置进行预测跟踪。该方法在目标交错区域,不能将目标独立分割,仅采用轨迹预测方法对目标的位置进行预测跟踪,较难实现鲁棒的跟踪。
综上所述,现有技术存在的问题是:现有的大场景中的小目标抗遮挡跟踪方法在目标间交错遮挡时仅采用轨迹预测方法对目标的位置进行预测跟踪,但是当目标交错时,目标之间的避让很容易出现目标交错前和交错后运动速度和方向的改变,而轨迹预测方法采用的是目标交错前的运动状态数据,非常容易出现预测位置和目标实际位置差异,尤其在三个或者更多目标交错时预测位置和目标实际位置差异较大,目标交错结束后,容易出现跟踪错误或者跟踪丢失。
解决上述技术问题的难度和意义:大场景下目标较小,目标之间特征区别不明显,多目标交错时,较难分割出单个目标,同时目标的运动状态容易发生较大改变,仅依靠目标交错前的运动信息很难准确预测目标交错结束后的位置,容易造成跟踪错误或者丢失。本发明提高目标交错期间单个目标的检测准确率,并合理分配系统资源,保证系统的鲁棒性与实时性,实现大场景多目标交错前后的持续跟踪。
发明内容
针对现有技术存在的问题,本发明提供了一种大场景多目标协跟踪方法、智能监控系统、交通系统。
本发明是这样实现的,一种大场景多目标协同跟踪方法,所述大场景多目标协同跟踪方法采用主从相机结构,主机为固定广角摄像机即枪机,从机为高分辨率可变焦球机即球机;枪机监控整个大场景区域,并对区域进行目标检测跟踪,当枪机画面中目标存在可能的交错时,枪机控制球机转动到该区域,获取目标高清图像,通过对目标进行细化检测,根据枪机和球机间关系矩阵将球机画面检测信息映射到枪机画面,将目标交错区域重新分割,实现协同跟踪。
进一步,所述大场景多目标协同跟踪方法包括以下步骤:
步骤一,前后两帧目标图像,根据前一帧图像所有目标的质心和后一帧图像目标框的位置关系,将目标间关系分为目标交错,目标可能交错,目标不交错;
步骤二,前一帧目标质心在后一帧目标框中数量,若这个数量大于等于2,则认为该区域存在目标交错;若这个数量大于等于1,判断目标间是否可能存在交错趋势:计算目标检测框间最小距离,同时利用轨迹预测得到目标的运动大小和方向,若目标间距离小于D且目标运动是相互靠拢,则认为目标可能交错,否则为目标不交错;
步骤三,根据三种状态设置优先级,目标交错为第一优先级,目标可能交错为第二优先级,目标不交错为第三优先级。
进一步,所述步骤一具体包括:前后两帧目标图像BiBi+1,记录Bi所有目标的质心(xi,yi),判断Bi质心(xi,yi)与Bi+1目标框的位置;Bi质心在Bi+1目标框中数量M,若M>1则认为该区域存在目标交错;若M=1,判断目标间是否可能存在交错趋势:计算目标检测框之间最小,卡尔曼轨迹预测法得到目标的运动大小v和方向,若目标间距离小于D且目标运动是相互靠拢,则认为目标间可能交错,否则为目标不交错,D取值范围[10v 20v]。
进一步,所述步骤二具体包括:
枪机根据优先级控制球机转动到该区域,并获取该区域高清目标图像;若枪机画面目标交错即第一优先级,枪机控制球机转动到该区域;若枪机画面目标不交错且可能交错即第二优先级,枪机控制球机转动到该区域;否则枪机控制球机不转动;
根据枪机和球机关系矩阵P,将球机画面检测信息映射到枪机区域,更新枪机该区域的目标检测信息;球机画面中目标检测框的长宽w1,h1,球机缩放倍数z2,根据枪机和球机关系模块计算出枪机和球机间关系矩阵[W H Z],目标在枪机画面长宽分别为w2,h2,则w2=w1/W/z2,h2=h1/W/z2;对球机高清画面中对应的枪机目标交错区域处理,将该区域复制到长宽分别为w2,h2的图像B1上同时根据坐标变换关系转换检测框信息;将B1按比例缩放到长宽w,h,得到图像B2,同时将检测框信息按比例变换,B2区域中心和枪机画面坐标(x0,y0)对应,将B2计算的检测框变换到枪机区域,实现了区域目标重检测,得到新的检测框信息,更新检测结果;
利用检测的目标信息,采用卡尔曼滤波轨迹预测跟踪方法确定跟踪目标位置,卡尔曼滤波器轨迹预测跟踪:卡尔曼滤波器的状态定义为跟踪目标的质心位置和质心像素偏移目标不交错时采用枪机检测作为Bi质心(xi,yi),目标交错时采用球机检测后反算出的检测作为Bi质心(xi,yi),上一时刻质心偏移量前后三帧图像Bi- 1BiBi+1,i+1时刻状态预测方程和观测方程分别为:Xi+1=AXi+Wi,校正后的状态矩阵H观测矩阵,A状态转移矩阵,Ki为Kalman增益,Wi,Ni分别为状态和观测对应的噪声序列阵, 具体公式如下:
Ni为(1,1)
将卡尔曼滤波器X′i+1值更新为
本发明的另一目的在于提供一种所述大场景多目标协同跟踪方法的大场景多目标协同跟踪系统,所述大场景多目标协同跟踪系统包括:
枪机和球机关系模块,用于计算固定枪机和高清球机间关系矩阵;
目标检测模块,用于实现枪机画面中目标检测;
优先级模块,根据前一帧所有目标的质心和后一帧目标框的位置关系确定目标间关系。
所述优先级模块进一步包括:
控制模块:枪机根据优先级控制球机转动到该区域,并获取该区域高清目标图像。若枪机画面目标交错即第一优先级,枪机控制球机转动到该区域。若枪机画面目标不交错且可能交错即第二优先级,枪机控制球机转动到该区域。否则枪机控制球机不转动;
目标更新模块:根据枪机和球机关系矩阵,将球机画面检测信息映射到枪机区域,更新枪机该区域的目标检测信息;
跟踪模块:利用检测的目标信息,采用卡尔曼滤波轨迹预测跟踪方法确定跟踪目标位置。
本发明的另一目的在于提供一种应用所述大场景多目标协同跟踪方法的智能监控系统。
本发明的另一目的在于提供一种应用所述大场景多目标协同跟踪方法的智能交通系统。
综上所述,本发明的优点及积极效果为:本发明根据大场景监控区域大,目标在画面中占的比例相对较小,同时目标间颜色、纹理等特征区别不明显,提取目标颜色,纹理等特征也比较困难等问题,提出一种大场景多目标协同跟踪方法。采用主从相机结构,主机为固定广角摄像机即枪机,从机为高分辨率可变焦球机即球机。枪机监控整个大场景区域,并对区域进行目标检测跟踪,当枪机画面中目标存在可能的交错时,枪机控制球机转动到该区域,获取目标高清图像,通过对目标进行细化检测,然后根据枪机和球机间关系矩阵将球机画面检测信息映射到枪机画面,进而将目标交错区域重新分割,实现协同跟踪,有效提高目标跟踪的鲁棒性。
本发明对枪机画面中多目标关系进行优先级分类,根据目标关系确定球机的动作,提高了系统球机利用率,节省资源;枪机画面中目标交错区域,球机转动到该区域,并获取目标高清图像,球机对高清图像进行目标检测,大大提高目标的检测准确率。通过枪机和球机间关系矩阵将球机画面检测信息映射到枪机画面,进而将目标交错区域重新分割,实现协同跟踪,有效提高目标跟踪的鲁棒性。
附图说明
图1是本发明实施例提供的大场景多目标协同跟踪方法流程图。
图2是本发明实施例提供的大场景多目标协同跟踪方法实现流程图。
图3是本发明实施例提供的枪机目标检测结果图。
图4是本发明实施例提供的球机对枪机交错区域目标检测图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明针对大场景下多目标的跟踪过程中获得的目标信息较少,目标之间特征不明显,目标出现交错遮挡时,导致跟踪目标容易丢失问题,提供一种大场景多目标协同跟踪方法。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的大场景多目标协同跟踪方法包括以下步骤:
S101:前后两帧目标图像,根据前一帧图像所有目标的质心和后一帧图像目标框的位置关系,将目标间关系分为目标交错,目标可能交错,目标不交错;
S102:前一帧目标质心在后一帧目标框中数量,若这个数量大于等于2,则认为该区域存在目标交错。若这个数量大于等于1,判断目标间是否可能存在交错趋势:计算目标检测框之间最小距离,同时利用轨迹预测得到目标的运动大小和方向,若目标间距离小于D且目标运动是相互靠拢,则认为目标可能交错,否则为目标不交错;
S103:根据三种状态设置优先级,目标交错为第一优先级,目标可能交错为第二优先级,目标不交错为第三优先级。
下面结合附图对本发明的应用原理作进一步的描述。
图2所示,本发明实施例提供的大场景多目标协同跟踪包括枪机和球机关系模块,目标检测模块,优先级判定模块,控制模块,目标更新模块,跟踪模块。
枪机和球机关系模块:计算固定枪机和高清球机间关系矩阵:固定枪机和高清球机间相对位置固定后,采用坐标标定方法进行物理位置的坐标标定,获得枪机画面中每个像素与球机画面中心时对应的值,得到枪机坐标和球机转动关系。球机在某一固定焦距下z1,同一目标在枪机A和球机B画面中占的长宽分别为(x1,y1),(x2,y2)计算该目标在枪机和球机画面长宽比例W,H及缩放倍数Z其中W=x2/x1,H=y2/y1,Z=z1。则同一目标在枪机和球机中关系矩阵为[W H Z]。
目标检测模块:枪机画面中目标检测方法有背景差分,帧间差分,背景建模等,本发明采用帧间差分作为实例,但不限于用此方法进行目标检测。采用帧间差分进行目标检测具体为获取三帧图像并转化为灰度图I1I2I3,计算I1I2,I2I3的灰度差,差分后灰度图B1B2,B1中每一个灰度Bij用其自身灰度和其周围m*m区域灰度值和的平均值来代替,本发明中采样3*3区域,B2处理同B1。B1B2经过灰度处理后新灰度图B′1B′2,设置阈值为k,获得二值图像这里k取5-10,对二值图像相与得到目标检测信息。球机进行目标检测具体做法为:根据目标之间位置关系并结合卡尔曼轨迹预测法确定枪机画面坐标,根据枪机坐标和球机关系,枪机控制球机转动,使枪机画面坐标(x0,y0)目标在球机画面中心。同时将球机进行放大,获取目标区域高清图像。在球机画面中目标较大,特征明显,可以采用传统机器学习,深度学习方法等方法。本发明以深度学习目标检测为例对球机画面中目标进行检测,但不限于用此方法进行目标检测。
优先级模块:根据前一帧所有目标的质心和后一帧目标框的位置关系确定目标间关系。目标关系分为:目标交错,目标可能交错,目标不交错,同时根据这三种状态设置优先级。目标交错为第一优先级,目标可能交错为第二优先级,目标不交错为第三优先级。
本发明实施例提供的大场景多目标协同跟踪方法具体步骤为:
第1步,枪机目标检测框之间的关系:目标关系分为目标交错,目标可能交错,目标不交错。前后两帧目标图像BiBi+1,记录Bi所有目标的质心(xi,yi),判断Bi质心(xi,yi)与Bi+1目标框的位置。Bi质心在Bi+1目标框中数量M,若M>1则认为该区域存在目标交错。若M=1,判断目标间是否可能存在交错趋势:计算目标检测框之间最小,卡尔曼滤波轨迹预测法得到目标的运动大小v和方向,若目标间距离小于D且目标运动是相互靠拢,则认为目标间可能交错,否则为目标不交错,D取值范围[10v 20v]。
第2步,设置优先级:根据枪机目标间三种状态设置优先级。目标交错为第一优先级,目标可能交错为第二优先级,目标不交错为第三优先级。
控制模块:枪机根据优先级控制球机转动到该区域,并获取该区域高清目标图像。若枪机画面目标交错即第一优先级,枪机控制球机转动到该区域。若枪机画面目标不交错且可能交错即第二优先级,枪机控制球机转动到该区域。否则枪机控制球机不转动。
目标更新模块:根据枪机和球机关系矩阵P,将球机画面检测信息映射到枪机区域,更新枪机该区域的目标检测信息。球机画面中目标检测框的长宽w1,h1,球机缩放倍数z2,根据枪机和球机关系模块计算出枪机和球机间关系矩阵[W H Z],该目标在枪机画面长宽分别为w2,h2,则w2=w1/W/z2,h2=h1/W/z2。对球机高清画面中对应的枪机目标交错区域处理,将该区域复制到长宽分别为w2,h2的图像B1上同时根据坐标变换关系转换检测框信息。比如球机B对应的检测区域中心点坐标B(x,y),检测目标中心和长宽为(xi,yi,w,h),则变换后在B1图中目标检测框信息为(xj,yj,w,h),其中(xi,yj)=(xi,yi)-((x-w/2),(y-h/2))。最后将B1按比例缩放到长宽w,h,得到图像B2,同时将检测框信息按比例变换,B2区域中心和枪机画面坐标(x0,y0)对应,将B2计算的检测框变换到枪机区域,实现了区域目标重检测,得到新的检测框信息,更新检测结果。
跟踪模块:利用检测的目标信息,采用卡尔曼滤波轨迹预测跟踪方法确定跟踪目标位置。卡尔曼滤波器轨迹预测跟踪:卡尔曼滤波器的状态定义为跟踪目标的质心位置和质心像素偏移目标不交错时采用枪机检测作为Bi质心(xi,yi),目标交错时采用球机检测后反算出的检测作为Bi质心(xi,yi),上一时刻质心偏移量前后三帧图像Bi-1BiBi+1,i+1时刻状态预测方程和观测方程分别为:Xi+1=AXi+Wi,校正后的状态矩阵H观测矩阵,A状态转移矩阵,Ki为Kalman增益,Wi,Ni分别为状态和观测对应的噪声序列阵, 具体公式如下:
本发明中Ni为(1,1)
将卡尔曼滤波器X′i+1值更新为
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作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种大场景多目标协同跟踪方法,其特征在于,所述大场景多目标协同跟踪方法采用主从相机结构,主机为固定广角摄像机即枪机,从机为高分辨率可变焦球机即球机;枪机监控整个大场景区域,并对区域进行目标检测跟踪,当枪机画面中目标存在可能的交错时,枪机控制球机转动到该区域,获取目标高清图像,通过对目标进行细化检测,根据枪机和球机间关系矩阵将球机画面检测信息映射到枪机画面,将目标交错区域重新分割,实现协同跟踪。
2.如权利要求1所述的大场景多目标协同跟踪方法,其特征在于,所述大场景多目标协同跟踪方法包括以下步骤:
步骤一,前后两帧目标图像,根据前一帧图像所有目标的质心和后一帧图像目标框的位置关系,将目标间关系分为目标交错,目标可能交错,目标不交错;
步骤二,前一帧目标质心在后一帧目标框中数量,若这个数量大于等于2,则认为该区域存在目标交错;若这个数量大于等于1,判断目标间是否可能存在交错趋势:计算目标检测框之间的最小距离,同时利用轨迹预测得到目标的运动大小和方向,若目标间距离小于D且目标运动是相互靠拢,则认为目标可能交错,否则为目标不交错;
步骤三,根据三种状态设置优先级,目标交错为第一优先级,目标可能交错为第二优先级,目标不交错为第三优先级。
3.如权利要求2所述的大场景多目标协同跟踪方法,其特征在于,所述步骤一具体包括:前后两帧目标图像BiBi+1,记录Bi所有目标的质心(xi,yi),判断Bi质心(xi,yi)与Bi+1目标框的位置;Bi质心在Bi+1目标框中数量M,若M>1则认为该区域存在目标交错;若M=1,判断目标间是否可能存在交错趋势:计算目标检测框之间最小,卡尔曼滤波轨迹预测法得到目标的运动大小v和方向,若目标间距离小于D且目标运动是相互靠拢,则认为目标间可能交错,否则为目标不交错,D取值范围[10v 20v]。
4.如权利要求2所述的大场景多目标协同跟踪方法,其特征在于,所述步骤二具体包括:
枪机根据优先级控制球机转动到该区域,并获取该区域高清目标图像;若枪机画面目标交错即第一优先级,枪机控制球机转动到该区域;若枪机画面目标不交错且可能交错即第二优先级,枪机控制球机转动到该区域;否则枪机控制球机不转动;
根据枪机和球机关系矩阵P,将球机画面检测信息映射到枪机区域,更新枪机该区域的目标检测信息;球机画面中目标检测框的长宽w1,h1,球机缩放倍数z2,根据枪机和球机关系模块计算出枪机和球机间关系矩阵[W H Z],目标在枪机画面长宽分别为w2,h2,则对球机高清画面中对应的枪机目标交错区域处理,将该区域复制到长宽分别为w2,h2的图像B1上同时根据坐标变换关系转换检测框信息;将B1按比例缩放到长宽w,h,得到图像B2,同时将检测框信息按比例变换,B2区域中心和枪机画面坐标(x0,y0)对应,将B2计算的检测框变换到枪机区域,实现了区域目标重检测,得到新的检测框信息,更新检测结果;
利用检测的目标信息,采用卡尔曼滤波轨迹预测跟踪方法确定跟踪目标位置,卡尔曼滤波器轨迹预测跟踪:卡尔曼滤波器的状态定义为跟踪目标的质心位置和质心像素偏移目标不交错时采用枪机检测作为Bi质心(xi,yi),目标交错时采用球机检测后反算出的检测作为Bi质心(xi,yi),上一时刻质心偏移量前后三帧图像Bi- 1BiBi+1,i+1时刻状态预测方程和观测方程分别为:Xi+1=AXi+Wi,校正后的状态矩阵H观测矩阵,A状态转移矩阵,Ki为Kalman增益,Wi,Ni分别为状态和观测对应的噪声序列阵, 具体公式如下:
Ni为(1,1)
将卡尔曼滤波器X′i+1值更新为
5.一种如权利要求1所述大场景多目标协同跟踪方法的大场景多目标协同跟踪系统,其特征在于,所述大场景多目标协同跟踪系统包括:
枪机和球机关系模块,用于计算固定枪机和高清球机间关系矩阵;
目标检测模块,用于实现枪机画面中目标检测;
优先级模块,根据前一帧所有目标的质心和后一帧目标框的位置关系确定目标间关系。
6.如权利要求5所述的大场景多目标协同跟踪系统,其特征在于,所述优先级模块进一步包括:
控制模块:枪机根据优先级控制球机转动到该区域,并获取该区域高清目标图像;若枪机画面目标交错即第一优先级,枪机控制球机转动到该区域;若枪机画面目标不交错且可能交错即第二优先级,枪机控制球机转动到该区域;否则枪机控制球机不转动;
目标更新模块:根据枪机和球机关系矩阵,将球机画面检测信息映射到枪机区域,更新枪机该区域的目标检测信息;
跟踪模块:利用检测的目标信息,采用卡尔曼滤波轨迹预测跟踪方法确定跟踪目标位置。
7.一种应用权利要求1~4任意一项所述大场景多目标协同跟踪方法的智能监控系统。
8.一种应用权利要求1~4任意一项所述大场景多目标协同跟踪方法的智能交通系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810171281.5A CN108521554B (zh) | 2018-03-01 | 2018-03-01 | 大场景多目标协同跟踪方法、智能监控系统、交通系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810171281.5A CN108521554B (zh) | 2018-03-01 | 2018-03-01 | 大场景多目标协同跟踪方法、智能监控系统、交通系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108521554A true CN108521554A (zh) | 2018-09-11 |
CN108521554B CN108521554B (zh) | 2021-03-26 |
Family
ID=63433387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810171281.5A Active CN108521554B (zh) | 2018-03-01 | 2018-03-01 | 大场景多目标协同跟踪方法、智能监控系统、交通系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108521554B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446942A (zh) * | 2018-10-12 | 2019-03-08 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
WO2020135106A1 (zh) * | 2018-12-28 | 2020-07-02 | 杭州海康威视数字技术股份有限公司 | 一种跟踪目标对象的方法、装置、监控设备和存储介质 |
CN111667404A (zh) * | 2019-03-05 | 2020-09-15 | 杭州海康威视数字技术股份有限公司 | 目标信息采集方法、装置、系统、电子设备及存储介质 |
CN113132627A (zh) * | 2021-03-26 | 2021-07-16 | 张碧辉 | Ptz相机的双级视场动态多目标检测与跟踪系统及方法 |
CN113296546A (zh) * | 2021-04-22 | 2021-08-24 | 杭州晟冠科技有限公司 | 一种轮船联动跟踪定位误差的补偿方法 |
CN114866697A (zh) * | 2022-04-29 | 2022-08-05 | 重庆紫光华山智安科技有限公司 | 视频显示方法、装置、视频拍摄设备及存储介质 |
WO2024083113A1 (en) * | 2022-10-20 | 2024-04-25 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and computer-readable media for target tracking |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102447835A (zh) * | 2011-10-29 | 2012-05-09 | 合肥博微安全电子科技有限公司 | 无盲区多目标协同跟踪方法及系统 |
CN102737386A (zh) * | 2012-05-15 | 2012-10-17 | 北京硅盾安全技术有限公司 | 一种运动目标抗融合遮挡跟踪算法 |
CN105979210A (zh) * | 2016-06-06 | 2016-09-28 | 深圳市深网视界科技有限公司 | 一种基于多枪多球摄像机阵列的行人识别系统 |
WO2016152317A1 (ja) * | 2015-03-20 | 2016-09-29 | 日本電気株式会社 | 映像処理システム、映像処理方法および映像処理プログラム |
CN107093188A (zh) * | 2017-04-12 | 2017-08-25 | 湖南源信光电科技股份有限公司 | 一种基于全景摄像机和高速球机的智能联动与跟踪方法 |
-
2018
- 2018-03-01 CN CN201810171281.5A patent/CN108521554B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102447835A (zh) * | 2011-10-29 | 2012-05-09 | 合肥博微安全电子科技有限公司 | 无盲区多目标协同跟踪方法及系统 |
CN102737386A (zh) * | 2012-05-15 | 2012-10-17 | 北京硅盾安全技术有限公司 | 一种运动目标抗融合遮挡跟踪算法 |
WO2016152317A1 (ja) * | 2015-03-20 | 2016-09-29 | 日本電気株式会社 | 映像処理システム、映像処理方法および映像処理プログラム |
CN105979210A (zh) * | 2016-06-06 | 2016-09-28 | 深圳市深网视界科技有限公司 | 一种基于多枪多球摄像机阵列的行人识别系统 |
CN107093188A (zh) * | 2017-04-12 | 2017-08-25 | 湖南源信光电科技股份有限公司 | 一种基于全景摄像机和高速球机的智能联动与跟踪方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446942A (zh) * | 2018-10-12 | 2019-03-08 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
CN109446942B (zh) * | 2018-10-12 | 2020-10-16 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
WO2020135106A1 (zh) * | 2018-12-28 | 2020-07-02 | 杭州海康威视数字技术股份有限公司 | 一种跟踪目标对象的方法、装置、监控设备和存储介质 |
CN111383251A (zh) * | 2018-12-28 | 2020-07-07 | 杭州海康威视数字技术股份有限公司 | 一种跟踪目标对象的方法、装置、监控设备和存储介质 |
CN111667404A (zh) * | 2019-03-05 | 2020-09-15 | 杭州海康威视数字技术股份有限公司 | 目标信息采集方法、装置、系统、电子设备及存储介质 |
CN113132627A (zh) * | 2021-03-26 | 2021-07-16 | 张碧辉 | Ptz相机的双级视场动态多目标检测与跟踪系统及方法 |
CN113296546A (zh) * | 2021-04-22 | 2021-08-24 | 杭州晟冠科技有限公司 | 一种轮船联动跟踪定位误差的补偿方法 |
CN114866697A (zh) * | 2022-04-29 | 2022-08-05 | 重庆紫光华山智安科技有限公司 | 视频显示方法、装置、视频拍摄设备及存储介质 |
WO2024083113A1 (en) * | 2022-10-20 | 2024-04-25 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and computer-readable media for target tracking |
Also Published As
Publication number | Publication date |
---|---|
CN108521554B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108521554A (zh) | 大场景多目标协同跟踪方法、智能监控系统、交通系统 | |
Hu et al. | Moving object detection and tracking from video captured by moving camera | |
CN103325112B (zh) | 动态场景中运动目标快速检测方法 | |
Pollard et al. | Change detection in a 3-d world | |
CN104217428B (zh) | 一种融合特征匹配和数据关联的视频监控多目标跟踪方法 | |
Fu et al. | Centroid weighted Kalman filter for visual object tracking | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
Jia et al. | Sensor fusion-based visual target tracking for autonomous vehicles with the out-of-sequence measurements solution | |
CN104091348A (zh) | 融合显著特征和分块模板的多目标跟踪方法 | |
CN102447835A (zh) | 无盲区多目标协同跟踪方法及系统 | |
WO2012009947A1 (zh) | 特征迹驱动的多目标跟踪装置及方法 | |
Wang | Research of vehicle speed detection algorithm in video surveillance | |
CN103559725B (zh) | 一种面向视觉跟踪的无线传感器节点优化选择方法 | |
CN108320300A (zh) | 一种融合粒子滤波的时空上下文视觉跟踪方法 | |
Mazzeo et al. | HSV and RGB color histograms comparing for objects tracking among non overlapping FOVs, using CBTF | |
CN105469427A (zh) | 一种用于视频中目标跟踪方法 | |
CN102289822A (zh) | 一种多摄像机协同跟踪运动目标的方法 | |
CN103400120A (zh) | 基于视频分析的银行自助服务区域推入行为检测方法 | |
CN108416798A (zh) | 一种基于光流的车辆距离估计方法 | |
CN105469054B (zh) | 正常行为的模型构建方法及异常行为的检测方法 | |
CN103077534B (zh) | 时空多尺度运动目标检测方法 | |
Ali et al. | Vehicle detection and tracking in UAV imagery via YOLOv3 and Kalman filter | |
CN100583153C (zh) | 一种基于背景抑制的后验概率图像跟踪方法 | |
Li et al. | A Target Tracking Model for Enterprise Production Monitoring System Based on Spatial Information and Appearance Model. | |
Muñoz-Salinas et al. | Particle filtering with multiple and heterogeneous cameras |
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 |