CN109002750B - 一种基于显著性检测与图像分割的相关滤波跟踪方法 - Google Patents

一种基于显著性检测与图像分割的相关滤波跟踪方法 Download PDF

Info

Publication number
CN109002750B
CN109002750B CN201711305849.XA CN201711305849A CN109002750B CN 109002750 B CN109002750 B CN 109002750B CN 201711305849 A CN201711305849 A CN 201711305849A CN 109002750 B CN109002750 B CN 109002750B
Authority
CN
China
Prior art keywords
tracking
target
background
image
detection
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.)
Active
Application number
CN201711305849.XA
Other languages
English (en)
Other versions
CN109002750A (zh
Inventor
刘晓程
苏松志
蔡国榕
苏松剑
李仁杰
张翔
陈延艺
陈延行
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.)
Ropt Technology Group Co ltd
Original Assignee
Ropt Technology Group 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 Ropt Technology Group Co ltd filed Critical Ropt Technology Group Co ltd
Priority to CN201711305849.XA priority Critical patent/CN109002750B/zh
Publication of CN109002750A publication Critical patent/CN109002750A/zh
Application granted granted Critical
Publication of CN109002750B publication Critical patent/CN109002750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

一种基于显著性检测与图像分割的相关滤波跟踪方法。提出了一种结合显著性检测与图像分割的相关滤波改进方法，通过对图像中的背景进行破坏，突出目标特征，弱化背景特征，提高跟踪准确率。通过获取视频流；对目标进行检测；首先应用显著性检测技术区分图像中的前景与背景；进行图像对比度增强对图像进行分割；将得到的分割图与原图进行与操作，得到仅含有目标信息的矩形框；通过显著性检测，对比度增强，图像分割技术的引入，破坏了原本矩形框中的背景信息，保留了目标信息，使目标信息特征的表达始终强于背景信息，解决了复杂背景下相关滤波跟踪失效的问题。

Description

一种基于显著性检测与图像分割的相关滤波跟踪方法
技术领域
本发明涉及视频监控领域。特别涉及图像处理与分析技术，提出了一种基于显著性检测与图像分割的滤波跟踪方法。
背景技术
随着城市的发展，城市的安防问题受到了越来越多的关注，而视频监控则是安防的基石。近年来，视频处理越来越朝着智能化方向发展，视频跟踪技术的应用也愈加广泛，无论是大型广场，学校园区，还是无人值守变电站等场所，都需要对视频中的重点关注目标进行跟踪。传统的目标跟踪需要人工进行观察，跟踪效率低，无法同时兼顾多路视频。通过目标跟踪技术的引入，可以极大提高监控效率，做到一个人同时监控多路监控视频。但是在实际场景中，复杂的背景往往会给目标跟踪带来了极大的挑战。
目前在目标跟踪技术上，主要有两种方法：生成式方法和判别式方法。生成式方法主要是对当前帧的目标区域进行建模，下一帧寻找与模型最相似的区域就是预测位置，例如：kalman filter，mean shift。判别式方法主要以当前帧的目标区域为正样本，背景区域为负样本，通过机器学习训练分类器，下一帧用训练好的分类器寻找最优区域，例如：struck。近年来，相关滤波与基于深度学习的目标跟踪方法逐渐成为了主流的跟踪方法。其中，由于相关滤波将岭回归的封闭解变换到傅立叶域，并结合了循环矩阵的特性将样本集进行化简，在保持了较高跟踪速度的同时有着良好的跟踪准确度，以其优越的综合表现成为目标跟踪方法中的重要分支。针对复杂背景下引起的相关滤波跟踪性能降低的问题，目前人们主要从特征方面入手解决。人们试图将多种特征进行融合，设计出高维度的特征，以求更精确的表达前景信息，提高跟踪性能。随着深度学习的发展，人们将深度特征引入相关滤波领域，使得跟踪性能有着明显的提升。虽然此类方法能够提高一定的性能，但是往往带来的计算开销也是巨大的，难以满足视频监控的实时性要求。
相关滤波是一种基于模板匹配的跟踪方法，因此模板的选定与生成起着至关重要的作用，目前相关滤波方面主流的模板采用的是方向梯度直方图特征来表达。在进行跟踪的时候，需要通过检测方法给定一个初始矩形框，矩形框中包含目标本身与目标周围的背景信息。在背景较为简单的情况下，矩形框中目标的特征表达会强于背景的特征表达，相关滤波跟踪效果良好。但是，实际场景中的背景往往是比较复杂的，矩形框中目标的特征表达可能会弱于背景特征，导致跟踪失败。因此，即使提取的特征维度更高，更能表达矩形框中的信息，但是如果无法区分矩形框中的目标与背景，得到的特征也是错误的。
发明内容
本发明是在相关滤波方法的基础上，提出了一种结合显著性检测与图像分割的相关滤波改进方法，通过对矩形框中的目标进行显著性检测，根据显著性检测的结果进行图像分割，对背景进行破坏，突出目标特征，弱化背景特征，提高相关滤波在复杂背景情况下的跟踪准确率。
针对在实际场景中的背景比较复杂，矩形框中目标的特征表达弱于背景特征，导致跟踪失败这一现象，本发明结合显著性检测与图像分割方法，通过区分矩形框中的前景和背景，保留前景信息，破坏背景信息，降低背景特征表达，进而解决复杂背景下跟踪失败的问题。
本发明具体实现如下：
步骤一：从摄像头获取视频流；
步骤二：进行目标检测，目标跟踪的初始矩形框需要由目标检测方法给定。目标检测可使用运动目标检测，行人检测，车辆检测等方法，根据实际需求进行选择。通过目标检测，给定跟踪初始矩形框；
矩形框中除了需要跟踪的目标之外，还包含着丰富且复杂的背景信息，这些背景信息在相关滤波初始化提取特征的过程中，其特征的表达会强于目标信息特征的表达，导致将背景错误地认为目标，将真正的目标当做背景，导致跟踪失败；
步骤三：针对复杂背景导致的跟踪失败问题，首先将显著性检测技术引入相关滤波跟踪技术的初始化过程当中，运用显著性检测技术可以区分初始化图像中的前景和背景，对初始化图像进行显著性特征提取，得到显著性特征图，可以根据灰度值的强弱来判断图片中的显著性信息；
步骤四：根据得到的显著性特征图，再进一步进行图像对比度增强，提高前景信息特征与降低背景信息特征，扩大它们之间的差值；通过设置最大特征值0.5倍的值为阈值，对特征图进行图像分割，大于阈值为前景，小于阈值为背景，得到分割图；通过显著性检测，对比度增强，图像分割技术的引入，破坏了原本跟踪初始矩形框中的背景信息特征，保留了前景信息特征；使前景信息特征值的表达始终强于背景信息特征值；
步骤五：将得到的分割图与原图进行与操作，可以得到仅含有前景信息特征的矩形框图；
步骤六：将只含有前景信息的矩形框图作为跟踪目标信息的初始信息，进行跟踪目标初始化；
步骤七：读取下一帧图像，利用相关滤波技术进行目标跟踪，并显示结果；
步骤八：判断是否结束跟踪，是则结束跟踪任务；否则重复步骤七读取下一帧图像，进行跟踪；直到得到结束跟踪命令，程序退出。
本发明在相关滤波跟踪方法的基础上，通过显著性检测，对比度增强，图像分割技术的引入，破坏跟踪初始化矩形框中的背景信息，保留前景信息，使得到的前景信息特征的表达始终强于背景信息，解决了复杂背景下相关滤波跟踪易失效的问题，较好地实现了在复杂背景情况下的前景信息特征提取，使对目标的跟踪趋于稳定和可靠。
附图说明
图1是本发明视频流图像显著性检测与图像分割的相关滤波流程框图；
图2是本发明摄像机取初始影像并给定目标初始框示意图；
图3是本发明初始影像的背景信息特征强于前景信息特征的示意图；
图4是本发明根据灰度值的强弱来判断图片中的显著性强弱示意图；
图5是本发明进行图像对比度增强后的图像分割示意图；
图6是本发明破坏背景信息保留前景信息情况的示意图。
具体实施方式
实施例1：(行人)
步骤一：从摄像头获取视频流；
步骤二：进行目标检测，选用行人检测方法，得到包含行人的待跟踪的目标矩形框，如图2所示；矩形框中除了需要跟踪的目标之外，还包含着丰富且复杂的背景信息，这些背景信息在相关滤波初始化提取特征的过程中，其特征的表达会强于行人信息特征的表达，如图3所示，导致将背景错误地认为目标，将真正的目标当做背景，导致跟踪失败；
步骤三：针对复杂背景导致的跟踪失败，首先将显著性检测技术引入相关滤波跟踪技术的初始化过程当中，运用显著性检测技术可以区分初始化图像中的前景和背景，对初始化图像进行显著性特征提取，得到显著性特征图，可以根据灰度值的强弱来判断图片中的显著性信息，如图4所示；
步骤四：根据得到的显著性特征图，再进一步进行图像对比度增强，提高前景信息特征，降低背景信息特征，扩大它们之间的差值；通过设置最大特征值0.5倍的值为阈值，对特征图进行图像分割，大于阈值为前景，小于阈值为背景，得到分割图，如图5所示；通过显著性检测，对比度增强，图像分割技术的引入，破坏了原本跟踪初始矩形框中的背景信息特征，保留了前景信息特征；使前景信息特征值的表达始终强于背景信息特征值，解决了复杂背景下由于无法区分前景和背景导致的相关滤波跟踪失效的问题；
步骤五：将得到的分割图与原图进行与操作，可以得到仅含有前景信息特征的矩形框图，如图6所示；
步骤六：将只含有前景信息的矩形框图作为跟踪目标信息的初始信息，进行跟踪目标初始化；
步骤七：读取下一帧图像，利用相关滤波技术进行目标跟踪，并显示结果；
步骤八：判断是否结束跟踪，是则结束跟踪任务；否则重复步骤七读取下一帧图像，进行跟踪；直到得到结束跟踪命令，程序退出。
实施例2：(车辆)
步骤一：从摄像头获取视频流；
步骤二：进行目标检测，选用车辆检测方法，得到包含行车辆的待跟踪的目标矩形框；矩形框中除了需要跟踪的目标之外，还包含着丰富且复杂的背景信息，这些背景信息在相关滤波初始化提取特征的过程中，其特征的表达会强于行人信息特征的表达，导致将背景错误地认为目标，将真正的目标当做背景，导致跟踪失败；
步骤三：针对复杂背景导致的跟踪失败，首先将显著性检测技术引入相关滤波跟踪技术的初始化过程当中，运用显著性检测技术可以区分初始化图像中的前景和背景，对初始化图像进行显著性特征提取，得到显著性特征图，可以根据灰度值的强弱来判断图片中的显著性信息；
步骤四：根据得到的显著性特征图，再进一步进行图像对比度增强，提高前景信息特征，降低背景信息特征，扩大它们之间的差值；通过设置最大特征值0.5倍的值为阈值，对特征图进行图像分割，大于阈值为前景，小于阈值为背景，得到分割图；通过显著性检测，对比度增强，图像分割技术的引入，破坏了原本跟踪初始矩形框中的背景信息特征，保留了前景信息特征；使前景信息特征值的表达始终强于背景信息特征值，解决了复杂背景下由于无法区分前景和背景导致的相关滤波跟踪失效的问题；
步骤五：将得到的分割图与原图进行与操作，可以得到仅含有前景信息特征的矩形框图；
步骤六：将只含有前景信息的矩形框图作为跟踪目标信息的初始信息，进行跟踪目标初始化；
步骤七：读取下一帧图像，利用相关滤波技术进行目标跟踪，并显示结果；
步骤八：判断是否结束跟踪，是则结束跟踪任务；否则重复步骤七读取下一帧图像，进行跟踪；直到得到结束跟踪命令，程序退出。

Claims (5)

1.一种基于显著性检测与图像分割的相关滤波跟踪方法，其特征在于，
步骤一：从摄像头获取视频流；
步骤二：进行目标检测，目标跟踪的初始矩形框需要由目标检测方法给定；目标检测可使用运动目标检测，行人检测，车辆检测方法，根据实际需求进行选择，通过目标检测，给定跟踪初始矩形框；
矩形框中除了需要跟踪的目标之外，还包含着丰富且复杂的背景信息，这些背景信息在相关滤波初始化提取特征的过程中，其特征的表达会强于目标信息特征的表达，导致将背景错误地认为目标，将真正的目标当做背景，导致跟踪失败；
步骤三：针对复杂背景导致的跟踪失败，首先将显著性检测技术引入相关滤波跟踪技术的初始化过程当中，运用显著性检测技术区分初始化图像中的前景和背景，对初始化图像进行显著性特征提取，得到显著性特征图，根据灰度值的强弱来判断图片中的显著性信息；
步骤四：根据得到的显著性特征图，再进一步进行图像对比度增强，提高前景信息特征与降低背景信息特征，扩大它们之间的差值；通过设置最大特征值0.5倍的值为阈值，对特征图进行图像分割，大于阈值为前景，小于阈值为背景，得到分割图；通过显著性检测，对比度增强，图像分割技术的引入，破坏原本跟踪初始矩形框中的背景信息特征，保留前景信息特征；使前景信息特征值的表达始终强于背景信息特征值；
步骤五：将得到的分割图与原图进行与操作，得到仅含有前景信息特征的矩形框图；
步骤六：将只含有前景信息的矩形框图作为跟踪目标信息的初始信息，进行跟踪目标初始化；
步骤七：读取下一帧图像，利用相关滤波技术进行目标跟踪，并显示结果；
步骤八：判断是否结束跟踪，是则结束跟踪任务；否则重复步骤七读取下一帧图像，进行跟踪。
2.根据权利要求1所述的一种基于显著性检测与图像分割的相关滤波跟踪方法，其特征在于目标检测方法使用运动目标检测方法。
3.根据权利要求1所述的一种基于显著性检测与图像分割的相关滤波跟踪方法，其特征在于目标检测方法使用行人检测方法。
4.根据权利要求1所述的一种基于显著性检测与图像分割的相关滤波跟踪方法，其特征在于目标检测方法使用车辆检测方法。
5.根据权利要求1所述的一种基于显著性检测与图像分割的相关滤波跟踪方法，其特征在于目标检测方法使用固定目标检测方法。
CN201711305849.XA 2017-12-11 2017-12-11 一种基于显著性检测与图像分割的相关滤波跟踪方法 Active CN109002750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711305849.XA CN109002750B (zh) 2017-12-11 2017-12-11 一种基于显著性检测与图像分割的相关滤波跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711305849.XA CN109002750B (zh) 2017-12-11 2017-12-11 一种基于显著性检测与图像分割的相关滤波跟踪方法

Publications (2)

Publication Number Publication Date
CN109002750A CN109002750A (zh) 2018-12-14
CN109002750B true CN109002750B (zh) 2021-03-30

Family

ID=64574083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711305849.XA Active CN109002750B (zh) 2017-12-11 2017-12-11 一种基于显著性检测与图像分割的相关滤波跟踪方法

Country Status (1)

Country Link
CN (1) CN109002750B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110322473A (zh) * 2019-07-09 2019-10-11 四川大学 基于显著部位的目标抗遮挡跟踪方法
CN112163589B (zh) * 2020-11-10 2022-05-27 中国科学院长春光学精密机械与物理研究所 一种图像处理方法、装置、设备及存储介质
CN112766272A (zh) * 2021-01-15 2021-05-07 北京迈格威科技有限公司 目标检测方法、装置和电子系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914834A (zh) * 2014-03-17 2014-07-09 上海交通大学 一种基于前景先验和背景先验的显著性物体检测方法
CN104751466A (zh) * 2015-04-01 2015-07-01 电子科技大学 一种基于视觉显著性的形变物体跟踪算法及其系统
WO2015163830A1 (en) * 2014-04-22 2015-10-29 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi Target localization and size estimation via multiple model learning in visual tracking
CN107146240A (zh) * 2017-05-05 2017-09-08 西北工业大学 基于相关滤波和显著性检测的航拍视频目标跟踪方法
CN107358623A (zh) * 2017-07-12 2017-11-17 武汉大学 一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪算法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533511B (zh) * 2009-04-14 2011-02-16 清华大学 更新背景图像的方法和装置
CN102567959B (zh) * 2010-12-31 2016-10-19 新奥特（北京）视频技术有限公司 一种多方式的图像灰度调整方法
US9286658B2 (en) * 2012-03-22 2016-03-15 Qualcomm Incorporated Image enhancement
CN102903124B (zh) * 2012-09-13 2015-08-19 苏州大学 一种运动目标检测方法
CN103984955B (zh) * 2014-04-23 2017-02-22 浙江工商大学 基于显著性特征和迁移增量学习的多摄像机目标识别方法
EP2980789A1 (en) * 2014-07-30 2016-02-03 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Apparatus and method for enhancing an audio signal, sound enhancing system
CN105404438B (zh) * 2014-08-13 2019-10-15 小米科技有限责任公司 背景模糊方法、装置及终端设备
US10032280B2 (en) * 2014-09-19 2018-07-24 Brain Corporation Apparatus and methods for tracking salient features
CN106981053A (zh) * 2017-03-02 2017-07-25 天津大学 一种基于加权融合的水下图像增强方法
CN107066953B (zh) * 2017-03-22 2019-06-07 北京邮电大学 一种面向监控视频的车型识别、跟踪及矫正方法和装置
CN106887002B (zh) * 2017-04-01 2019-09-20 南京师范大学 一种红外图像序列显著性检测方法
CN107452015B (zh) * 2017-07-28 2020-09-25 南京工业职业技术学院 一种具有重检测机制的目标跟踪系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914834A (zh) * 2014-03-17 2014-07-09 上海交通大学 一种基于前景先验和背景先验的显著性物体检测方法
WO2015163830A1 (en) * 2014-04-22 2015-10-29 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi Target localization and size estimation via multiple model learning in visual tracking
CN104751466A (zh) * 2015-04-01 2015-07-01 电子科技大学 一种基于视觉显著性的形变物体跟踪算法及其系统
CN107146240A (zh) * 2017-05-05 2017-09-08 西北工业大学 基于相关滤波和显著性检测的航拍视频目标跟踪方法
CN107358623A (zh) * 2017-07-12 2017-11-17 武汉大学 一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪算法

Also Published As

Publication number Publication date
CN109002750A (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
Michieli et al. Adversarial learning and self-teaching techniques for domain adaptation in semantic segmentation
Wang et al. Video co-saliency guided co-segmentation
CN102184550B (zh) 一种动平台地面运动目标检测方法
CN107316031A (zh) 用于行人重识别的图像特征提取方法
WO2016034059A1 (zh) 基于颜色-结构特征的目标对象跟踪方法
CN108710865A (zh) 一种基于神经网络的司机异常行为检测方法
CN105046206B (zh) 基于视频中运动先验信息的行人检测方法及装置
Zhu et al. An optimization approach for localization refinement of candidate traffic signs
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
CN109002750B (zh) 一种基于显著性检测与图像分割的相关滤波跟踪方法
CN111582182B (zh) 船舶名称识别方法、系统、计算机设备及存储介质
Huang et al. Scribble-based boundary-aware network for weakly supervised salient object detection in remote sensing images
Kuang et al. Real-time pedestrian detection using convolutional neural networks
CN111242027A (zh) 一种融合语义信息的无监督学习场景特征快速提取方法
CN111985367A (zh) 一种基于多尺度特征融合的行人重识别特征提取方法
Jin et al. A GMM-based segmentation method for the detection of water surface floats
Li et al. Object tracking with only background cues
Chen et al. Salient object detection: Integrate salient features in the deep learning framework
CN105205834A (zh) 一种基于混合高斯及阴影检测模型的目标检测与提取方法
Wang et al. Hand posture recognition from disparity cost map
CN105005757B (zh) 一种基于Grassmann流行的车牌字符识别方法
Liu et al. Learning informative pairwise joints with energy-based temporal pyramid for 3D action recognition
CN116168438A (zh) 关键点检测方法、装置及电子设备
CN109389048A (zh) 一种监控视频中的行人检测与跟踪方法
CN103530879A (zh) 特定场景下的行人颜色提取方法

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
CB02 Change of applicant information

Address after: 361008 Fujian province Xiamen Software Park Siming District Road No. 59 102 two expected

Applicant after: ROPT TECHNOLOGY GROUP Co.,Ltd.

Address before: 361008 Fujian province Xiamen Software Park Siming District Road No. 59 102 two expected

Applicant before: Roput (Xiamen) Technology Group Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant