CN108920997A - 基于轮廓判断非刚性目标是否存在遮挡的跟踪方法 - Google Patents

基于轮廓判断非刚性目标是否存在遮挡的跟踪方法 Download PDF

Info

Publication number
CN108920997A
CN108920997A CN201810314924.7A CN201810314924A CN108920997A CN 108920997 A CN108920997 A CN 108920997A CN 201810314924 A CN201810314924 A CN 201810314924A CN 108920997 A CN108920997 A CN 108920997A
Authority
CN
China
Prior art keywords
moving target
frame
tracked
characteristic point
present frame
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
CN201810314924.7A
Other languages
English (en)
Inventor
江樱
邱兰馨
王彦波
姚杨
姚一杨
叶伟静
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.)
Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
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 Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
Priority to CN201810314924.7A priority Critical patent/CN108920997A/zh
Publication of CN108920997A publication Critical patent/CN108920997A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供了基于轮廓判断非刚性目标是否存在遮挡的跟踪方法，属于计算机视觉领域，包括：通过目标检测算法获取运动目标；通过光流法对运动目标进行跟踪；对当前帧被跟踪运动目标进行遮挡判断，获取当前帧被跟踪运动目标的轮廓面积Ro，基于Ro与已知未遮挡时被跟踪运动目标的轮廓面积Rc的比值判断当前帧被跟踪运动目标是否发生遮挡。基于运动目标轮廓的特征点对运动目标进行跟踪，根据当前帧被跟踪运动目标的轮廓面积Ro与已知未遮挡时被跟踪运动目标的轮廓面积Rc的比值判断当前帧被跟踪运动目标是否发生遮挡。进而当被跟踪运动目标遮挡后再次出现时能准确地判断是原来跟踪的运动目标，提高了跟踪运动目标的准确性。

Description

基于轮廓判断非刚性目标是否存在遮挡的跟踪方法
技术领域
本发明属于计算机视觉领域，特别涉及基于轮廓判断非刚性目标是否存在 遮挡的跟踪方法。
背景技术
随着信息技术的快速发展，目标跟踪是计算机视觉领域一个重要的研究方 向。目标跟踪是指对图像序列中的运动目标进行检测、提取、识别和跟踪，获 得运动目标的运动参数，如位置、加速度、运动轨迹等，从而进行下一步的处 理与分析，实现对运动目标的行为理解，以完成更高一级的检测任务。
由于现有技术的限制，目前的目标跟踪技术还存在一些缺陷，如不能判断 被跟踪运动目标是否发生遮挡，导致当被跟踪运动目标再次出现时不能准确地 判断是否是原来跟踪的运动目标，降低了跟踪运动目标的准确性。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提供了基于轮廓判断非刚 性目标是否存在遮挡的跟踪方法，根据当前帧被跟踪运动目标的轮廓面积与已 知未遮挡时被跟踪运动目标的轮廓面积的比值判断当前帧被跟踪运动目标是否 发生遮挡，从而提高了跟踪运动目标的准确性。
为了达到上述技术目的，本发明提供了基于轮廓判断非刚性目标是否存在 遮挡的跟踪方法，所述方法包括：
步骤一，通过背景减法从预设数量的样本视频帧内获取运动物体的前景图 像；
步骤二，从前景图像中提取方向梯度直方图特征，用方向梯度直方图特征 训练至少两个已知分类器，根据优化后的至少两个已知分类器得到一个级联分 类器；
步骤三，通过滑动窗口扫描每帧目标视频帧，从每帧目标视频帧中得到每 帧运动目标，通过级联分类器区分每帧运动目标与背景；
步骤四，通过边缘检测从每帧运动目标中提取每帧运动目标的轮廓，从每 帧运动目标的轮廓中获取每帧特征点；
步骤五，通过光流法根据每帧特征点对运动目标进行跟踪；
步骤六，对当前帧被跟踪运动目标进行遮挡判断，获取当前帧被跟踪运动 目标的轮廓面积Ro，基于轮廓面积Ro与已知未遮挡被跟踪运动目标的轮廓面积 Rc的比值判断当前帧被跟踪运动目标是否发生遮挡。
可选的，所述通过光流法根据每帧特征点对运动目标进行跟踪，包括：
将前一帧特征点与相邻的后一帧特征点作对比，根据对比结果判断是否为 同一个运动目标的特征点；
如果对比结果表明为同一个运动目标的特征点，根据同一个运动目标的特 征点对运动目标进行跟踪。
可选的，所述将前一帧特征点与相邻的后一帧特征点作对比，根据对比结 果判断是否为同一个运动目标的特征点，包括：
根据前一帧特征点得到前一帧特征点的灰度值，根据当前帧特征点得到当 前帧特征点的灰度值；
将前一帧特征点的灰度值和当前帧特征点的灰度值代入公式一进行匹配， 得到匹配值U，
U＝I1(a，b，t)-I2(a+Δa，b+Δb，t+Δt) 公式一
其中，I1表示前一帧特征点的灰度值，a表示前一帧特征点位于x轴坐标的位置， b表示前一帧特征点位于y轴坐标的位置，t表示前一帧的时刻，I2表示当前帧 特征点的灰度值，a+△a表示当前帧特征点位于x轴坐标的位置，b+△b表示当 前帧特征点位于y轴坐标的位置，t+△t表示当前帧的时刻；
将匹配值U与误差阈值进行对比，根据对比结果判定为同一个运动目标的 特征点。
可选的，所述步骤六，包括：
对当前帧被跟踪运动目标进行遮挡判断，通过contourArea函数对当前帧 被跟踪运动目标的轮廓计算得到当前帧被跟踪运动目标的轮廓面积Ro；
根据轮廓面积Ro与轮廓面积Rc的比值得到当前帧被跟踪运动目标的轮廓遮 挡值RA，将当前帧被跟踪运动目标的轮廓遮挡值RA与经验阈值进行比较，根据 比较结果判断当前帧被跟踪运动目标是否发生遮挡。
可选的，所述将当前帧被跟踪运动目标的轮廓遮挡值RA与经验阈值进行比 较，根据比较结果判断当前帧被跟踪运动目标是否发生遮挡，包括：
如果当前帧被跟踪运动目标的轮廓遮挡值RA不小于经验阈值，则判定当前 帧被跟踪运动目标未发生遮挡；
如果当前帧被跟踪运动目标的轮廓遮挡值RA小于经验阈值，则判定当前帧被跟踪运动目标发生遮挡。
本发明提供的技术方案带来的有益效果是：
基于运动目标轮廓的特征点对运动目标进行跟踪，根据当前帧被跟踪运动 目标的轮廓面积Ro与已知未遮挡时被跟踪运动目标的轮廓面积Rc的比值判断当 前帧被跟踪运动目标是否发生遮挡。进而当被跟踪运动目标遮挡后再次出现时 能准确地判断是原来跟踪的运动目标，提高了跟踪运动目标的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用 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他的附图。
图1是本发明提供的基于轮廓判断非刚性目标是否存在遮挡的跟踪方法的 流程图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进 一步地描述。
实施例一
本发明提供了发明提供了基于轮廓判断非刚性目标是否存在遮挡的跟踪方 法，如图1所示，所述方法包括：
步骤一，通过背景减法从预设数量的样本视频帧内获取运动物体的前景图 像；
步骤二，从前景图像中提取方向梯度直方图特征，用方向梯度直方图特征 训练至少两个已知分类器，根据优化后的至少两个已知分类器得到一个级联分 类器；
步骤三，通过滑动窗口扫描每帧目标视频帧，从每帧目标视频帧中得到每 帧运动目标，通过级联分类器区分每帧运动目标与背景；
步骤四，通过边缘检测从每帧运动目标中提取每帧运动目标的轮廓，从每 帧运动目标的轮廓中获取每帧特征点；
步骤五，通过光流法根据每帧特征点对运动目标进行跟踪；
步骤六，对当前帧被跟踪运动目标进行遮挡判断，获取当前帧被跟踪运动 目标的轮廓面积Ro，基于轮廓面积Ro与已知未遮挡被跟踪运动目标的轮廓面积 Rc的比值判断当前帧被跟踪运动目标是否发生遮挡。
在实施中，为了解决因不能判断被跟踪运动目标是否发生遮挡导致降低了 跟踪目标的准确性的问题，本实施例提供的基于轮廓判断非刚性目标是否存在 遮挡的跟踪方法，具体处理步骤如下：
步骤一，为了减少背景对运动物体的干扰，通过背景减法从预设数量的样 本视频帧内获取运动物体的前景图像；
步骤二，为了下一步能将背景与运动目标区分，从运动物体的前景图像中 提取方向梯度直方图特征，简称HOG特征，用HOG特征训练至少两个已知分 类器，根据优化后的至少两个已知分类器得到一个分类能力较强的级联分类器， 级联分类器用于区分背景与运动目标。其中，每个已知分类器专注于某部分的 HOG特征，在所有已知分类器中，如果任意一个已知分类器判断为背景，则判 断为背景，只有所有的已知分类器判断为运动物体，才判断为运动物体，其中， 运动物体为非刚性运动物体。
步骤三，为了提高运动目标的准确率，先通过滑动窗口扫描每帧目标视频 帧，从每帧目标视频帧中得到每帧运动目标，再通过级联分类器区分每帧运动 目标与背景，其中，运动目标为非刚性运动目标。
步骤四，为了可以更好地描述运动目标的运动状态，同时减少背景对运动 目标污染，从每帧运动目标中检测到每帧运动目标的轮廓，通过Canny边缘检 测算法从每帧运动目标中提取每帧运动目标的轮廓，从每帧运动目标的轮廓中 获取每帧特征点；
步骤五，通过光流法根据每帧特征点对运动目标进行跟踪；
步骤六，对当前帧被跟踪运动目标进行遮挡判断，通过contourArea函数 运动目标的轮廓计算得到当前帧被跟踪运动目标的轮廓面积Ro，根据轮廓面积 Ro与已知未遮挡时被跟踪运动目标的轮廓面积Rc的比值判断当前帧被跟踪运动 目标是否发生遮挡。一般来说，目标视频帧中出现的遮挡运动目标的物体，要 么是目标视频帧中的背景，如建筑物、山脉、树木等，要么是目标视频帧中的 其他运动物体，它们造成的影响只是在跟踪运动目标过程中的某一段较短时间 段内，在能判断出被跟踪目标是否发生遮挡前提下，当被跟踪运动目标再次出 现时，就能准确、快速地判断是原来跟踪的运动目标，并完成对运动目标的继 续跟踪，从而提高了跟踪运动目标的准确性。
可选的，所述通过光流法根据每帧特征点对运动目标进行跟踪，包括：
将前一帧特征点与相邻的后一帧特征点作对比，根据对比结果判断是否为 同一个运动目标的特征点；
如果对比结果表明为同一个运动目标的特征点，根据同一个运动目标的特 征点对运动目标进行跟踪。
在实施中，将前一帧特征点与当前帧特征点进行匹配，根据匹配结果判断 是否为同一个运动目标的特征点，如果匹配结果表明为同一个运动目标的特征 点；根据同样原理继续确定当前帧特征点与后一帧特征点是否为同一个运动目 标的特征点。
依次类推，可以根据同样原理确定前一帧特征点与相邻的后一帧特征点是 否为同一个运动目标的特征点，进而可以确定每帧中同一个运动目标的特征点， 根据每帧中同一个运动目标的特征点对运动目标进行跟踪。
根据上述可知，未遮挡时运动目标的轮廓面积Rc是已知，但不能确定未遮 挡时运动目标与当前帧运动目标为同一个运动目标，在跟踪运动目标的前提下， 可以确定当前帧运动目标与未遮挡时运动目标为同一个运动目标，基于确定为 同一个运动目标更能准确地判断当前帧运动目标是否发生遮挡。
可选的，所述将前一帧特征点与相邻的后一帧特征点作对比，根据对比结 果判断是否为同一个运动目标的特征点，包括：
根据前一帧特征点得到前一帧特征点的灰度值，根据当前帧特征点得到当 前帧特征点的灰度值；
将前一帧特征点的灰度值和当前帧特征点的灰度值代入公式一进行匹配， 得到匹配值U，
U＝I1(a，b，t)-I2(a+Δa，b+Δb，t+Δt) 公式一
其中，I1表示前一帧特征点的灰度值，a表示前一帧特征点位于x轴坐标的位置， b表示前一帧特征点位于y轴坐标的位置，t表示前一帧的时刻，I2表示当前帧 特征点的灰度值，a+△a表示当前帧特征点位于x轴坐标的位置，b+△b表示当 前帧特征点位于y轴坐标的位置，t+△t表示当前帧的时刻；
将匹配值U与误差阈值进行对比，根据对比结果判定为同一个运动目标的 特征点。
在实施中，根据前一帧特征点与当前帧特征点分别得到前一帧特征点的灰 度值和当前帧特征点的灰度值，将前一帧特征点的灰度值和当前帧特征点代入 如上公式一进行匹配得到匹配值U，将匹配值U与误差阈值进行对比，如果匹 配值U小于误差阈值，说明在允许误差范围内前一帧特征点的灰度值与当前帧 特征点的灰度值可以看成相等，则判定为同一个运动目标的特征点；反之，如 果匹配值U不小于误差阈值，说明在允许误差范围内前一帧特征点的灰度值与 当前帧特征点的灰度值依然不可以看成相等，则判定不为同一个运动目标的特 征点。
可选的，所述步骤六，包括：
对当前帧被跟踪运动目标进行遮挡判断，通过contourArea函数对当前帧被 跟踪运动目标的轮廓计算得到当前帧被跟踪运动目标的轮廓面积Ro；
根据轮廓面积Ro与轮廓面积Rc的比值得到当前帧被跟踪运动目标的轮廓遮 挡值RA，将当前帧被跟踪运动目标的轮廓遮挡值RA与经验阈值进行比较，根据 比较结果判断当前帧被跟踪运动目标是否发生遮挡。
在实施中，对当前帧被跟踪运动目标进行遮挡判断，通过OpenCV库中的contourArea函数对当前帧被跟踪运动目标的轮廓计算得到当前帧被跟踪运动目 标的轮廓面积Ro，在理想情况下，当前帧被跟踪运动目标处于未遮挡的状态时， 当前帧被跟踪运动目标的轮廓遮挡值RA为1，但在实际情况下，当前帧被跟踪 运动目标处于未遮挡的状态时，当前帧被跟踪运动目标的轮廓遮挡值RA接近1， 因此，将当前帧被跟踪运动目标的轮廓遮挡值RA与经验阈值进行比较，根据比 较结果判断当前帧被跟踪运动目标是否发生遮挡。
可选的，所述将当前帧被跟踪运动目标的轮廓遮挡值RA与经验阈值进行比 较，根据比较结果判断当前帧被跟踪运动目标是否发生遮挡，包括：
如果当前帧被跟踪运动目标的轮廓遮挡值RA不小于经验阈值，则判定当前 帧被跟踪运动目标未发生遮挡；
如果当前帧被跟踪运动目标的轮廓遮挡值RA小于经验阈值，则判定当前帧 被跟踪运动目标发生遮挡。
在实施中，如果当前帧被跟踪运动目标的轮廓遮挡值RA不小于经验阈值， 说明在允许误差范围内当前帧被跟踪运动目标的轮廓遮挡值RA等于1，则判定 当前帧被跟踪运动目标未发生遮挡，如果当前帧被跟踪运动目标的轮廓遮挡值 RA小于经验阈值，说明在允许误差范围内当前帧被跟踪运动目标的轮廓遮挡值 RA也不等于1，则判定当前帧被跟踪运动目标发生遮挡。
本发明提供了基于轮廓判断非刚性目标是否存在遮挡的跟踪方法，包括： 通过目标检测算法获取运动目标；通过光流法对运动目标进行跟踪；对当前帧 被跟踪运动目标进行遮挡判断，获取当前帧被跟踪运动目标的轮廓面积Ro，基 于Ro与已知未遮挡是被跟踪运动目标的轮廓面积Rc的比值判断当前帧被跟踪运 动目标是否发生遮挡。基于运动目标轮廓的特征点对运动目标进行跟踪，根据 当前帧被跟踪运动目标的轮廓面积Ro与已知未遮挡时被跟踪运动目标的轮廓面 积Rc的比值判断当前帧被跟踪运动目标是否发生遮挡。进而当被跟踪运动目标 遮挡后再次出现时能准确地判断是原来跟踪的运动目标，提高了跟踪运动目标 的准确性。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程 中的先后顺序。
以上所述仅为本发明的实施例，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、改进等，均应包含在本发明的保护 范围之内。

Claims (5)

1.基于轮廓判断非刚性目标是否存在遮挡的跟踪方法，其特征在于，所述方法包括：
步骤一，通过背景减法从预设数量的样本视频帧内获取运动物体的前景图像；
步骤二，从前景图像中提取方向梯度直方图特征，用方向梯度直方图特征训练至少两个已知分类器，根据优化后的至少两个已知分类器得到一个级联分类器；
步骤三，通过滑动窗口扫描每帧目标视频帧，从每帧目标视频帧中得到每帧运动目标，通过级联分类器区分每帧运动目标与背景；
步骤四，通过边缘检测从每帧运动目标中提取每帧运动目标的轮廓，从每帧运动目标的轮廓中获取每帧特征点；
步骤五，通过光流法根据每帧特征点对运动目标进行跟踪；
步骤六，对当前帧被跟踪运动目标进行遮挡判断，获取当前帧被跟踪运动目标的轮廓面积Ro，基于轮廓面积Ro与已知未遮挡被跟踪运动目标的轮廓面积Rc的比值判断当前帧被跟踪运动目标是否发生遮挡。
2.根据权利要求1所述的基于轮廓判断非刚性目标是否存在遮挡的跟踪方法，其特征在于，所述通过光流法根据每帧特征点对运动目标进行跟踪，包括：
将前一帧特征点与相邻的后一帧特征点作对比，根据对比结果判断是否为同一个运动目标的特征点；
如果对比结果表明为同一个运动目标的特征点，根据同一个运动目标的特征点对运动目标进行跟踪。
3.根据权利要求2所述的基于轮廓判断非刚性目标是否存在遮挡的跟踪方法，其特征在于，所述将前一帧特征点与相邻的后一帧特征点作对比，根据对比结果判断是否为同一个运动目标的特征点，包括：
根据前一帧特征点得到前一帧特征点的灰度值，根据当前帧特征点得到当前帧特征点的灰度值；
将前一帧特征点的灰度值和当前帧特征点的灰度值代入公式一进行匹配，得到匹配值U，
U＝I1(a，b，t)-I2(a+Δa，b+Δb，t+Δt) 公式一
其中，I1表示前一帧特征点的灰度值，a表示前一帧特征点位于x轴坐标的位置，b表示前一帧特征点位于y轴坐标的位置，t表示前一帧的时刻，I2表示当前帧特征点的灰度值，a+Δa表示当前帧特征点位于x轴坐标的位置，b+Δb表示当前帧特征点位于y轴坐标的位置，t+Δt表示当前帧的时刻；
将匹配值U与误差阈值进行对比，根据对比结果判定为同一个运动目标的特征点。
4.根据权利要求1所述的基于轮廓判断非刚性目标是否存在遮挡的跟踪方法，其特征在于，所述步骤六，包括：
对当前帧被跟踪运动目标进行遮挡判断，通过contourArea函数对当前帧被跟踪运动目标的轮廓计算得到当前帧被跟踪运动目标的轮廓面积Ro；
根据轮廓面积Ro与轮廓面积Rc的比值得到当前帧被跟踪运动目标的轮廓遮挡值RA，将当前帧被跟踪运动目标的轮廓遮挡值RA与经验阈值进行比较，根据比较结果判断当前帧被跟踪运动目标是否发生遮挡。
5.根据权利要求4所述的基于轮廓判断非刚性目标是否存在遮挡的跟踪方法，其特征在于，所述将当前帧被跟踪运动目标的轮廓遮挡值RA与经验阈值进行比较，根据比较结果判断当前帧被跟踪运动目标是否发生遮挡，包括：
如果当前帧被跟踪运动目标的轮廓遮挡值RA不小于经验阈值，则判定当前帧被跟踪运动目标未发生遮挡；
如果当前帧被跟踪运动目标的轮廓遮挡值RA小于经验阈值，则判定当前帧被跟踪运动目标发生遮挡。
CN201810314924.7A 2018-04-10 2018-04-10 基于轮廓判断非刚性目标是否存在遮挡的跟踪方法 Pending CN108920997A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810314924.7A CN108920997A (zh) 2018-04-10 2018-04-10 基于轮廓判断非刚性目标是否存在遮挡的跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810314924.7A CN108920997A (zh) 2018-04-10 2018-04-10 基于轮廓判断非刚性目标是否存在遮挡的跟踪方法

Publications (1)

Publication Number Publication Date
CN108920997A true CN108920997A (zh) 2018-11-30

Family

ID=64403032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810314924.7A Pending CN108920997A (zh) 2018-04-10 2018-04-10 基于轮廓判断非刚性目标是否存在遮挡的跟踪方法

Country Status (1)

Country Link
CN (1) CN108920997A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210302A (zh) * 2019-04-26 2019-09-06 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机设备及存储介质
CN110604617A (zh) * 2019-10-30 2019-12-24 深圳市科创数字显示技术有限公司 板层角膜移植ar手术导航系统及方法
CN112418043A (zh) * 2020-11-16 2021-02-26 安徽农业大学 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质
WO2022052853A1 (zh) * 2020-09-10 2022-03-17 华为技术有限公司 目标跟踪方法、装置、设备及计算机可读存储介质
CN114943955A (zh) * 2022-07-25 2022-08-26 山东广通汽车科技股份有限公司 一种用于半挂车自动卸货控制方法
WO2023072290A1 (zh) * 2021-10-29 2023-05-04 中移(成都)信息通信科技有限公司 一种跟踪目标遮挡判定方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714256A (zh) * 2009-11-13 2010-05-26 河北工业大学 基于全方位视觉的动态目标识别和定位方法
CN103986910A (zh) * 2014-05-20 2014-08-13 中国科学院自动化研究所 一种基于智能分析摄像机的客流统计方法和系统
CN104239865A (zh) * 2014-09-16 2014-12-24 宁波熵联信息技术有限公司 一种基于多级检测的行人检测与跟踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714256A (zh) * 2009-11-13 2010-05-26 河北工业大学 基于全方位视觉的动态目标识别和定位方法
CN103986910A (zh) * 2014-05-20 2014-08-13 中国科学院自动化研究所 一种基于智能分析摄像机的客流统计方法和系统
CN104239865A (zh) * 2014-09-16 2014-12-24 宁波熵联信息技术有限公司 一种基于多级检测的行人检测与跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫钧华: ""基于Kalman 预测器的改进的CAMShift 目标跟踪"", 《中国惯性技术学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210302A (zh) * 2019-04-26 2019-09-06 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机设备及存储介质
WO2020215552A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机设备及存储介质
CN110210302B (zh) * 2019-04-26 2023-06-20 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机设备及存储介质
CN110604617A (zh) * 2019-10-30 2019-12-24 深圳市科创数字显示技术有限公司 板层角膜移植ar手术导航系统及方法
CN110604617B (zh) * 2019-10-30 2023-09-26 深圳市科创数字显示技术有限公司 板层角膜移植ar手术导航系统及方法
WO2022052853A1 (zh) * 2020-09-10 2022-03-17 华为技术有限公司 目标跟踪方法、装置、设备及计算机可读存储介质
CN112418043A (zh) * 2020-11-16 2021-02-26 安徽农业大学 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质
CN112418043B (zh) * 2020-11-16 2022-10-28 安徽农业大学 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质
WO2023072290A1 (zh) * 2021-10-29 2023-05-04 中移(成都)信息通信科技有限公司 一种跟踪目标遮挡判定方法、装置、设备及存储介质
CN114943955A (zh) * 2022-07-25 2022-08-26 山东广通汽车科技股份有限公司 一种用于半挂车自动卸货控制方法

Similar Documents

Publication Publication Date Title
CN108920997A (zh) 基于轮廓判断非刚性目标是否存在遮挡的跟踪方法
CN110084831B (zh) 基于YOLOv3多伯努利视频多目标检测跟踪方法
Cucchiara et al. Improving shadow suppression in moving object detection with HSV color information
CN110009665B (zh) 一种遮挡环境下的目标检测跟踪方法
CN105023278B (zh) 一种基于光流法的运动目标跟踪方法及系统
CN104392468B (zh) 基于改进视觉背景提取的运动目标检测方法
US10373320B2 (en) Method for detecting moving objects in a video having non-stationary background
CN103400157B (zh) 一种基于视频分析的道路行人及非机动车检测方法
CN103927764B (zh) 一种结合目标信息和运动估计的车辆跟踪方法
CN106778712A (zh) 一种多目标检测与跟踪方法
CN102542289A (zh) 一种基于多高斯计数模型的人流量统计方法
CN110555868A (zh) 一种复杂地面背景下运动小目标检测方法
CN113763424B (zh) 基于嵌入式平台的实时智能目标检测方法及系统
CN106447701A (zh) 用于图像相似性确定、对象检测和跟踪的方法和装置
CN101996307A (zh) 智能视频人体识别方法
CN109850518B (zh) 一种基于红外图像的实时矿用胶带预警撕裂检测方法
He et al. CamShift target tracking based on the combination of inter-frame difference and background difference
Xia et al. Automatic multi-vehicle tracking using video cameras: An improved CAMShift approach
CN108226890A (zh) 基于时间向统计的机场异物雷达检测方法
CN108830204A (zh) 面对目标的监控视频中异常检测方法
KR101690050B1 (ko) 지능형 영상보안 시스템 및 객체 추적 방법
Najafzadeh et al. Object tracking using Kalman filter with adaptive sampled histogram
Algethami et al. Combining Accumulated Frame Differencing and Corner Detection for Motion Detection.
CN112446913A (zh) 一种通道闸行人数量统计与尾随判断方法、装置和设备
CN111062415B (zh) 基于对比差异的目标对象图像提取方法、系统及存储介质

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

Application publication date: 20181130

RJ01 Rejection of invention patent application after publication