CN108596954A - 一种基于压缩感知的视频车辆跟踪方法 - Google Patents
一种基于压缩感知的视频车辆跟踪方法 Download PDFInfo
- Publication number
- CN108596954A CN108596954A CN201810377926.0A CN201810377926A CN108596954A CN 108596954 A CN108596954 A CN 108596954A CN 201810377926 A CN201810377926 A CN 201810377926A CN 108596954 A CN108596954 A CN 108596954A
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- sampling
- compressed sensing
- indicates
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于压缩感知的视频车辆跟踪方法,该方法利用原始信号的可压缩性,即稀疏性,采用非相关随机测量矩阵对信号进行压缩处理,而不会丢失或损坏原始信号的信息,然后通过构建分类器并对分类器进行实时更新来实现目标跟踪。基于压缩感知的跟踪算法,不会对原始图像特征中的冗余信息进行处理,直接从特征空间抽样得到压缩特征,然后将压缩特征分类实现目标跟踪,具有计算量小、跟踪效率高等优点。
Description
技术领域
本发明涉及视觉跟踪领域,具体涉及一种基于压缩感知的视频车辆跟踪方法。
背景技术
智能交通领域中,基于视频的车辆跟踪系统,是实现车辆行为分析以及汽车辅助驾驶等技术的重要组成模块。视频车辆跟踪技术是指对采集到的含有目标车辆的视频图像序列进行图像处理等一系列步骤,根据视频中目标车辆的特性,选择合适的算法,在连续的视频或图像序列的下一帧中找到目标车辆,以便进一步分析目标车辆。基于视频的车辆跟踪效率的高低,取决于跟踪算法性能的优劣。因此对基于视频的车辆跟踪算法的研究,有着重要的学术价值和社会、经济意义。
目前,常用的车辆视频跟踪方法包括结合离线boost和在线TLD的车辆检测与跟踪算法、结合Mean-shift和卡尔曼(Kalman)粒子滤波的视频车辆跟踪算法、使用Kalman滤波器预测车辆位置并用距离和颜色信息辅助识别车辆的跟踪算法、质心跟踪算法、区域跟踪算法以及半自动起始区域增长算法,这些算法在实际应用中都能取得很好的车辆跟踪效果,但依然存在一些问题,如阴影、相似目标混入和视频质量模糊等,都影响跟踪算法在视频序列中稳定的跟踪目标车辆,因此,能在复杂环境下实现鲁棒、准确、稳定的跟踪目标车辆的算法仍然有待研究。
发明内容
为了解决现有技术的不足,本发明提供了一种基于压缩感知的视频车辆跟踪方法,该方法利用原始信号的可压缩性,即稀疏性,采用非相关随机测量矩阵对信号进行压缩处理,而不会丢失或损坏原始信号的信息,然后通过构建分类器并对分类器进行实时更新来实现目标跟踪。基于压缩感知的跟踪算法,不会对原始图像特征中的冗余信息进行处理,直接从特征空间抽样得到压缩特征,然后将压缩特征分类实现目标跟踪,具有计算量小、跟踪效率高等优点。
为了实现上述目的,本发明的技术方案如下:
一种基于压缩感知的视频车辆跟踪方法,包括以下步骤:
1)读取当前视频图像序列,经过预处理后,将其转化为灰度图像;
2)对灰度图像进行多次采样,得到采样样本集合;
3)将采样样本集合进行多尺度滤波,得到高维图像特征,将高维图像特征与随机测量矩阵进行二维卷积,并对卷积结果进行积分图运算,得到低维图像特征;
4)将低维图像特征输入分类器,通过分类器对样本集合进行分类,得到粗略目标,并同时对分类器进行更新;
5)对粗略目标进行目标优化,确定跟踪目标位置,并输出目标跟踪结果,同时返回步骤1)。
进一步的,所述步骤2)中,采样包括:
设定候选目标的采样区域,计算采样概率;
根据采样概率设置采样条件,并根据采样条件进行采样;
对采样区域多次采样后形成采样样本集合。
进一步的,所述采样区域为矩形区域,该区域以人工标注的目标位置为左上角坐标,采样时以左上角坐标为圆心对在采样区域一定半径范围内的像素点进行采样,所述采样概率为0至1之间服从均匀分布的一个随机变量。
进一步的,所述采样条件为:
其中,rd表示采样概率,prob表示预设概率,dist表示(mx,my)与(x,y)之间的距离,(mx,my)表示采样区域内的像素点坐标,(x,y)表示人工标注的目标位置的左上角坐标,inrad表示预设采样内径,outrad表示预设采样外径,&&表示逻辑与运算,如果samp=1,则对(mx,my)进行采样。
进一步的,所述步骤3)中,随机测量矩阵采用离散随机概率分布,随机生成。
进一步的,所述粗略目标的获取包括:
将采样样本集合中的每个样本分别与随机测量矩阵进行二维卷积运算,并对每个样本的二维卷积运算结果求和,得到每个样本的求和结果;
选取二维卷积运算求和结果最大值所对应的采样样本,该采样样本所对应的矩形区域即为粗略目标。
进一步的,所述分类器更新包括根据上次迭代的正样本的均值和标准差对本次正样本中的第p个特征的均值和标准差进行更新,所述正样本为上次迭代过程中的经过分类器并被判定为属于跟踪目标位置的低维图像特征。
进一步的,所述目标优化包括对粗略目标进行阴影处理,所述阴影处理的具体步骤包括:
5-1)对粗略目标区域进行阈值计算,并将粗略目标等分为多个子区域;
5-2)计算当前序列及上一序列的子区域均值;
5-3)根据下列判断条件变换当前序列的目标跟踪模式:
|pNum(n)-pNum(n-1)|>pDiffThres (2)
pNum(n)>pThres (3)
|mean_p(n)-mean_p(n-1)|>pLevelThres (4)
若同时满足上述三个条件,则MODE(n)=-MODE(n-1),否则MODE(n)=MODE(n-1);
其中,pNum(n)表示在当前序列的所有子区域中均值大于等于阈值的数量,nNum(n)表示在当前序列的所有子区域中均值小于阈值的数量;pNum(n-1)表示在上一序列的所有子区域中均值大于等于阈值的数量,nNum(n-1)表示在上一序列的所有子区域中均值小于阈值的数量;mean_p(n)表示当前序列中均值大于等于阈值的所有子区域的均值,mean_p(n-1)表示上一序列帧中均值大于等于阈值的所有子区域的均值;pDiffThres、pThres、pLevelThres分别表示预设的正样本数量差分阈值、正样本数量阈值和正样本平均灰度阈值,MODE(n)表示当前序列的目标跟踪模式,MODE(n-1)表示上一序列的目标跟踪模式;
5-4)根据当前目标跟踪模式,对子区域进行阈值化处理,保留子区域中的相应阈值区域;
5-5)根据保留的子区域中的相应阈值区域的位置坐标计算处理后目标位置区域的质心。
进一步的,所述步骤5-4)中,目标跟踪模式的取值范围为±1,当目标跟踪模式为1时,留子区域中灰度均值大于阈值的区域,其余区域置为零,当目标跟踪模式为-1时,保留子区域中灰度均值小于阈值的区域,其余区域置为零。
进一步的,所述确定目标跟踪位置包括根据当前序列、上一序列和上上序列目标优化后的质心,对跟踪目标位置进行加权计算,确定跟踪目标的质心,从而得到跟踪目标的左上角坐标。
与现有技术相比,本发明的有益效果是:
本发明可在车辆上通过摄像头实现对周围车辆的自动跟踪,处理速度快,对车载监控系统的软硬件资源要求不高;算法可移植性好,适用性强,便于应用于无人驾驶。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明总体流程图;
图2为本发明特征提取流程图;
图3为本发明目标优化流程图;
图4为MODE=1时,子区域灰度处理图示;
图5(a)~(c)为本发明车辆穿过阴影区的跟踪效果图,其中(a)为第66帧,(b)为第75帧,(c)为第91帧。
具体实施方式
下面结合附图与具体实施例对本发明做进一步的说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
正如背景技术所介绍的,现有车辆视频跟踪方法中存在如阴影、相似目标混入和视频质量模糊等影响跟踪算法在视频序列中稳定的跟踪目标车辆的问题,为了解决如上的技术问题,本申请提供了一种基于压缩感知的视频车辆跟踪方法,该方法利用原始信号的可压缩性(稀疏性),采用非相关随机测量矩阵对信号进行压缩处理,而不会丢失或损坏原始信号的信息,然后通过构建分类器并对分类器进行实时更新来实现目标跟踪。
如图1所示,一种基于压缩感知的视频车辆跟踪方法,包括以下步骤:
1)读取当前视频图像序列,经过预处理后,将其转化为灰度图像;
2)对灰度图像进行多次采样,得到采样样本集合;
3)将采样样本集合进行多尺度滤波,得到高维图像特征,将高维图像特征与随机测量矩阵进行二维卷积,并对卷积结果进行积分图运算,得到低维图像特征;
4)将低维图像特征输入分类器,通过分类器对样本集合进行分类,得到粗略目标,并同时对分类器进行更新;
5)对粗略目标进行目标优化,确定跟踪目标位置,并输出目标跟踪结果,同时返回步骤1)。
所述步骤1)中,读取当前视频帧f(n),f(n)表示当前视频帧,n表示当前视频帧序号(第n帧即为当前帧),将当前视频帧f(n)转化为灰度图像fg(n),fg(n)表示当前视频帧f(n)的灰度图像。
所述步骤2)中,采样包括:
设定候选目标的采样区域S,计算采样概率;
根据采样概率设置采样条件,并根据采样条件进行采样;
对采样区域多次采样后形成采样样本集合。
所述采样区域S为矩形区域,令[x,y,w,h]表示fg(n)中的一个矩形区域,该区域以人工标注的目标位置(x,y)为左上角坐标,采样时以左上角坐标(x,y)为圆心对在采样区域一定半径r范围内的像素点进行采样,其中w表示矩形区域[x,y,w,h]的宽,h表示矩形区域[x,y,w,h]的高。
计算采样概率rd,采样概率的计算公式为:
rd=rand(0,1) (1)
其中,rand(0,1)表示生成一个0至1之间服从均匀分布的随机变量。
所述采样条件为:
其中,prob表示预设概率,dist表示(mx,my)与(x,y)之间的距离,(mx,my)表示采样区域内的像素点坐标,inrad表示预设采样内径,outrad表示预设采样外径,&&表示逻辑与运算,如果samp=1,则对(mx,my)进行采样。
所述形成样本集合,令Num表示预设的样本生成次数,Samp-Set表示由(2)式运行Num次后得到的样本集合,即
Samp-Set={sampindex,1≦index≦Num} (3)
其中,index表示采样的序号,即第index次采样,sampindex表示第index次采样得到的样本。
如图2所示,所述特征提取流程包括:
3-1)将样本与二维多尺度矩形滤波器进行卷积,得到高维图像特征。其中,令hM,N (i,j)表示二维多尺度矩形滤波器,其表达式为
M表示该二维多尺度矩形滤波器的高,N表示该二维多尺度矩形滤波器的宽,且M和N均为随机生成的整数,(i,j)表示二维多尺度矩形滤波器系数所在的坐标。令Samp-Setconv表示二维多尺度矩形滤波器hM,N (i,j)与样本集合Samp-Set进行二维卷积得到的高维图像特征,即
其中,表示二维卷积运算。
3-2)将高维图像特征与随机测量矩阵进行卷积。首先生成随机测量矩阵,令R表示随机测量矩阵,其表达式为R={ri,j k,k=1,2,...,Num_R},其中
ri,j k表示R的元素,sr表示R的预设参数,k表示序号,Num_R表示预设的随机测量矩阵的数量。然后,将Samp-Setconv与ri,j k进行二维卷积,其卷积结果表示为Samp-Set* conv。
3-3)将Samp-Set* conv进行积分图运算,得到低维图像特征。令Intigral_Map表示对所有样本进行积分图运算得到的集合,即
Intigral_Map={Sum(Samp-Set* conv(index)),1≦index≦Num} (7)
其中,Samp-Set* conv(index)表示Samp-Set* conv中序号为index的样本,Sum(Samp-Set* conv(index))表示对Samp-Set* conv(index)的所有像素值求和。又令V表示生成的低维图像特征,其计算公式为:
V=Sum(Samp-Set* conv(index)) (8)
所述粗略目标的获取包括:
将采样样本集合中的每个样本分别与随机测量矩阵进行二维卷积运算,并对每个样本的二维卷积运算结果求和,得到每个样本的求和结果;
选取二维卷积运算求和结果最大值所对应的采样样本,该采样样本所对应的矩形区域即为粗略目标。
令findex表示sampindex与R进行二维卷积得到的结果,即
令Sfindex表示对findex求和得到的结果,即
又令
Fmax=argindex(Sfindex) (11)
Fmax表示对于所有的index,计算使得Sfindex取最大值的序号。令该序号表示为index_track,该序号对应的样本所在的矩形区域即为粗略目标,该粗滤目标表示为Tc。
所述分类器更新包括根据上次迭代的正样本的均值和标准差对本次正样本中的第p个特征的均值和标准差进行更新,所述正样本为上次迭代过程中的经过分类器并被判定为属于跟踪目标位置的低维图像特征。
令分别表示一个正样本中第p个特征的均值和标准差,则和的更新公式分别是
其中,λ>0是学习率参数,μ1表示上次迭代时的正样本的均值,σ1表示上次迭代时的正样本的标准差。
如图3所示,所述目标优化包括对粗略目标进行阴影处理,所述阴影处理的具体步骤包括:
5-1)对粗略目标区域进行阈值计算,并将粗略目标等分为多个子区域;
首先通过大津算法,对Tc区域进行阈值计算,并令该阈值表示为thres。同时将区域等分为5×5的子区域,如图4所示,则子区域数量为25。
5-2)计算当前帧n及n-1帧中的子区域均值;
5-3)根据下列判断条件变换当前序列的目标跟踪模式:
|pNum(n)-pNum(n-1)|>pDiffThres (14)
pNum(n)>pThres (15)
|mean_p(n)-mean_p(n-1)|>pLevelThres (16)
若同时满足上述三个条件,则MODE(n)=-MODE(n-1),否则MODE(n)=MODE(n-1);
其中,pNum(n)表示在当前帧n的所有子区域中均值大于等于阈值的数量,nNum(n)表示在当前帧n的所有子区域中均值小于阈值的数量;pNum(n-1)表示在n-1帧的所有子区域中均值大于等于阈值的数量,nNum(n-1)表示在n-1帧的所有子区域中均值小于阈值的数量;mean_p(n)表示当前帧n中均值大于等于阈值的所有子区域的均值,mean_p(n-1)表示n-1帧中均值大于等于阈值的所有子区域的均值;pDiffThres、pThres、pLevelThres分别表示预设的正样本数量差分阈值、正样本数量阈值和正样本平均灰度阈值,MODE(n)表示当前帧n的目标跟踪模式,MODE(n-1)表示n-1帧的目标跟踪模式;目标跟踪模式的取值范围为±1;
5-4)根据当前目标跟踪模式,对子区域进行阈值化处理,保留子区域中的相应阈值区域;
即在确定第n帧的模式之后,要根据对应的模式,保留相应的区域,其余区域置零。当目标跟踪模式为1时,留子区域中灰度均值大于阈值的区域,其余区域置为零,当目标跟踪模式为-1时,保留子区域中灰度均值小于阈值的区域,其余区域置为零。
5-5)根据保留的子区域中的相应阈值区域的位置坐标计算处理后目标位置区域的质心。
经实验发现,当pThres=6、pDiffThres=4、pLevelThres=50时,算法的跟踪效果是最好的。
令Centroid(n)表示当前帧中经目标优化后得到的质心,Centroid(n-1)表示第n-1帧中经目标优化后得到的质心,Centroid(n-2)表示第n-2帧帧中经目标优化后得到的质心,那么
C(n)=a·Centroid(n-2)+b·Centroid(n-1)+c·Centroid(n) (17)
其中,C(n)表示跟踪目标的质心。将C(n)向左偏移w/2,向上偏移h/2,就得到跟踪目标左上角坐标(x1,y1),其中,x1表示跟踪目标左上角横坐标,y1表示跟踪目标左上角纵坐标
将[x1,y1,w,h]作为跟踪结果输出,同时返回步骤1。
图5(a)~(c)为本发明跟踪效果图,车辆穿过阴影区,左上角数字为帧序号。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于压缩感知的视频车辆跟踪方法,其特征在于:包括以下步骤:
1)读取当前视频图像序列,经过预处理后,将其转化为灰度图像;
2)对灰度图像进行多次采样,得到采样样本集合;
3)将采样样本集合进行多尺度滤波,得到高维图像特征,将高维图像特征与随机测量矩阵进行二维卷积,并对卷积结果进行积分图运算,得到低维图像特征;
4)将低维图像特征输入分类器,通过分类器对样本集合进行分类,得到粗略目标,并同时对分类器进行更新;
5)对粗略目标进行目标优化,确定跟踪目标位置,并输出目标跟踪结果,同时返回步骤1)。
2.如权利要求1所述的一种基于压缩感知的视频车辆跟踪方法,其特征在于,所述步骤2)中,采样包括:
设定候选目标的采样区域,计算采样概率;
根据采样概率设置采样条件,并根据采样条件进行采样;
对采样区域多次采样后形成采样样本集合。
3.如权利要求2所述的一种基于压缩感知的视频车辆跟踪方法,其特征在于,所述采样区域为矩形区域,该区域以人工标注的目标位置为左上角坐标,采样时以左上角坐标为圆心对在采样区域一定半径范围内的像素点进行采样,所述采样概率为0至1之间服从均匀分布的一个随机变量。
4.如权利要求2所述的一种基于压缩感知的视频车辆跟踪方法,其特征在于,所述采样条件为:
其中,rd表示采样概率,prob表示预设概率,dist表示(mx,my)与(x,y)之间的距离,(mx,my)表示采样区域内的像素点坐标,(x,y)表示人工标注的目标位置的左上角坐标,inrad表示预设采样内径,outrad表示预设采样外径,&&表示逻辑与运算,如果samp=1,则对(mx,my)进行采样。
5.如权利要求1所述的一种基于压缩感知的视频车辆跟踪方法,其特征在于,所述步骤3)中,随机测量矩阵采用离散随机概率分布,随机生成。
6.如权利要求1所述的一种基于压缩感知的视频车辆跟踪方法,其特征在于,所述粗略目标的获取包括:
将采样样本集合中的每个样本分别与随机测量矩阵进行二维卷积运算,并对每个样本的二维卷积运算结果求和,得到每个样本的求和结果;
选取二维卷积运算求和结果最大值所对应的采样样本,该采样样本所对应的矩形区域即为粗略目标。
7.如权利要求1所述的一种基于压缩感知的视频车辆跟踪方法,其特征在于,所述分类器更新包括根据上次迭代的正样本的均值和标准差对本次正样本中的第p个特征的均值和标准差进行更新,所述正样本为上次迭代过程中的经过分类器并被判定为属于跟踪目标位置的低维图像特征。
8.如权利要求1所述的一种基于压缩感知的视频车辆跟踪方法,其特征在于,所述目标优化包括对粗略目标进行阴影处理,所述阴影处理的具体步骤包括:
5-1)对粗略目标区域进行阈值计算,并将粗略目标等分为多个子区域;
5-2)计算当前序列及上一序列的子区域均值;
5-3)根据下列判断条件变换当前序列的目标跟踪模式:
|pNum(n)-pNum(n-1)|>pDiffThres (2)
pNum(n)>pThres (3)
|mean_p(n)-mean_p(n-1)|>pLevelThres (4)
若同时满足上述三个条件,则MODE(n)=-MODE(n-1),否则MODE(n)=MODE(n-1);
其中,pNum(n)表示在当前序列的所有子区域中均值大于等于阈值的数量,nNum(n)表示在当前序列的所有子区域中均值小于阈值的数量;pNum(n-1)表示在上一序列的所有子区域中均值大于等于阈值的数量,nNum(n-1)表示在上一序列的所有子区域中均值小于阈值的数量;mean_p(n)表示当前序列中均值大于等于阈值的所有子区域的均值,mean_p(n-1)表示上一序列帧中均值大于等于阈值的所有子区域的均值;pDiffThres、pThres、pLevelThres分别表示预设的正样本数量差分阈值、正样本数量阈值和正样本平均灰度阈值,MODE(n)表示当前序列的目标跟踪模式,MODE(n-1)表示上一序列的目标跟踪模式;
5-4)根据当前目标跟踪模式,对子区域进行阈值化处理,保留子区域中的相应阈值区域;
5-5)根据保留的子区域中的相应阈值区域的位置坐标计算处理后目标位置区域的质心。
9.如权利要求8所述的一种基于压缩感知的视频车辆跟踪方法,其特征在于,所述步骤5-4)中,目标跟踪模式的取值范围为±1,当目标跟踪模式为1时,留子区域中灰度均值大于阈值的区域,其余区域置为零,当目标跟踪模式为-1时,保留子区域中灰度均值小于阈值的区域,其余区域置为零。
10.如权利要求1所述的一种基于压缩感知的视频车辆跟踪方法,其特征在于,所述确定目标跟踪位置包括根据当前序列、上一序列和上上序列目标优化后的质心,对跟踪目标位置进行加权计算,确定跟踪目标的质心,从而得到跟踪目标的左上角坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810377926.0A CN108596954B (zh) | 2018-04-25 | 2018-04-25 | 一种基于压缩感知的视频车辆跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810377926.0A CN108596954B (zh) | 2018-04-25 | 2018-04-25 | 一种基于压缩感知的视频车辆跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596954A true CN108596954A (zh) | 2018-09-28 |
CN108596954B CN108596954B (zh) | 2020-06-30 |
Family
ID=63609134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810377926.0A Expired - Fee Related CN108596954B (zh) | 2018-04-25 | 2018-04-25 | 一种基于压缩感知的视频车辆跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596954B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008567A (zh) * | 2019-11-07 | 2020-04-14 | 郑州大学 | 一种驾驶员行为识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331906A (zh) * | 2014-11-10 | 2015-02-04 | 成都信升斯科技有限公司 | 图像实时处理方法 |
CN106780568A (zh) * | 2016-12-20 | 2017-05-31 | 云南大学 | 一种基于压缩不规则分块lbp的视频目标跟踪方法 |
CN107230188A (zh) * | 2017-04-19 | 2017-10-03 | 湖北工业大学 | 一种视频运动阴影消除的方法 |
-
2018
- 2018-04-25 CN CN201810377926.0A patent/CN108596954B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331906A (zh) * | 2014-11-10 | 2015-02-04 | 成都信升斯科技有限公司 | 图像实时处理方法 |
CN106780568A (zh) * | 2016-12-20 | 2017-05-31 | 云南大学 | 一种基于压缩不规则分块lbp的视频目标跟踪方法 |
CN107230188A (zh) * | 2017-04-19 | 2017-10-03 | 湖北工业大学 | 一种视频运动阴影消除的方法 |
Non-Patent Citations (4)
Title |
---|
WEI-ZHENG ZHANG ET AL.: "Adaptive Real-Time Compressive Tracking", 《2015 INTERNATIONAL CONFERENCE ON NETWORK AND INFORMATION SYSTEM FOR COMPUTERS》 * |
向金海: "视频中运动目标检测与跟踪相关问题研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
朱建章: "复杂场景下实时视觉目标跟踪的若干研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
李灿锋: "基于压缩感知的视频目标跟踪研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008567A (zh) * | 2019-11-07 | 2020-04-14 | 郑州大学 | 一种驾驶员行为识别方法 |
CN111008567B (zh) * | 2019-11-07 | 2023-03-24 | 郑州大学 | 一种驾驶员行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108596954B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705560B (zh) | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 | |
CN110097044B (zh) | 基于深度学习的一阶段车牌检测识别方法 | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN103886308B (zh) | 一种使用聚合通道特征和软级联分类器的行人检测方法 | |
CN109816689A (zh) | 一种多层卷积特征自适应融合的运动目标跟踪方法 | |
CN112818903A (zh) | 一种基于元学习和协同注意力的小样本遥感图像目标检测方法 | |
Cui et al. | 3D semantic map construction using improved ORB-SLAM2 for mobile robot in edge computing environment | |
CN105069472A (zh) | 一种基于卷积神经网络自适应的车辆检测方法 | |
CN104063711B (zh) | 一种基于K‑means方法的走廊消失点快速检测算法 | |
CN115049944B (zh) | 一种基于多任务优化的小样本遥感图像目标检测方法 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
Xiang et al. | Lightweight fully convolutional network for license plate detection | |
CN106128121A (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN110210418A (zh) | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 | |
CN110458047B (zh) | 一种基于深度学习的越野环境场景识别方法及系统 | |
CN104715251A (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
CN111210458B (zh) | 一种基于预检测置信度的运动目标检测前跟踪方法 | |
CN114842308B (zh) | 一种基于全特征融合建立目标预判优化模型的方法 | |
Liu et al. | Effective road lane detection and tracking method using line segment detector | |
CN110008834B (zh) | 一种基于视觉的方向盘干预检测与统计方法 | |
CN103456029A (zh) | 一种抗相似颜色和光照变化干扰的Mean Shift跟踪方法 | |
CN108596954A (zh) | 一种基于压缩感知的视频车辆跟踪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200630 |