CN109118516A - 一种目标从运动到静止的跟踪方法及装置 - Google Patents
一种目标从运动到静止的跟踪方法及装置 Download PDFInfo
- Publication number
- CN109118516A CN109118516A CN201810767931.2A CN201810767931A CN109118516A CN 109118516 A CN109118516 A CN 109118516A CN 201810767931 A CN201810767931 A CN 201810767931A CN 109118516 A CN109118516 A CN 109118516A
- Authority
- CN
- China
- Prior art keywords
- static
- target
- frame
- moving target
- information
- 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
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
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标从运动到静止的跟踪方法及装置,其方法包括:依次获取视频图像帧,检测所述视频图像的帧信息,以获取待跟踪运动目标的位置信息;跟踪计算所述运动目标质心图像坐标的平均帧间距,以判定所述运动目标是否趋于静止;若所述运动目标趋于静止,检测趋于静止的运动目标的位置信息,获得静止目标的位置信息。通过提取待跟踪目标的位置信息,再根据运动目标的平均帧间距判定运动目标是否趋于静止,并对趋于静止的运动目标进行检测并分离,解决了在传统生成式算法中目标由于静止目标物体只会产生极其微小的像素扰动,在像素统计分布阈值的过滤下,其扰动程度和背景像素扰动程度相差无几,因此导致的跟踪不稳定的技术问题。
Description
技术领域
本发明涉及运动目标跟踪技术领域,尤其涉及一种目标从运动到静止的跟踪方法及装置。
背景技术
目标跟踪算法是目标定位领域的关键技术,是目标特征识别和目标重识别分析的基础,在视频监控、信息指导、医疗诊断、轨迹检测、人工智能等众多领域具有广泛的研究价值。
现有的目标跟踪方案主要集中在对前景/背景分割、运动目标检测与识别是否同时进行,静止目标与背景的分离。
针对跟踪目标由运动向静止的稳定跟踪,有两种比较常见的算法,基于深度学习的网络模型算法和传统生成式算法。前者利用训练完成的深度学习网络模型可以轻松完成对静止目标的检测,但是对于缺少大量训练样本的应用场景中,检测的效果往往会差强人意,并且深度学习的检测模型需要专门的人员进行样本标注和训练,需要较多的人工成本,在调用模型的过程中,为了实现跟踪算法的时效性,往往也需要价格高昂的硬件加速设备,因此也会增加项目的硬件成本。后者是传统计算机视觉计算主流的跟踪算法,以基于混合高斯模型的跟踪算法和基于VIBE(Visual Background Extractor,视觉背景提取)的跟踪算法为代表,根据判断目标运动产生的像素扰动分布和背景固有的分布,通过人工设计分布统计算子来对前景和背景进行分割,能够满足一般的跟踪快速响应及对单个跟踪对象的模糊定位,但该算法容易受到环境光照、粉尘等因素的干扰,在对趋于静止目标的跟踪检测时,静止目标物体只会产生极其微小的像素扰动,在像素统计分布阈值的过滤下,其扰动程度和背景像素扰动程度相差无几,因此会逐渐失去对目标的跟踪。
发明内容
现有技术中传统的算法对于静止的物体会直接识别成背景,其原因是静止的物体和原本的背景会带有相同的像素扰动频率,而与运动的物体产生的像素扰动频率不一样,因此原来的方法对于静止的物体是不能跟踪的。
基于上述目标从运动向静止的稳定跟踪存在的技术问题,也就是本发明提供了一种基于混合高斯模型的目标从运动到静止的跟踪方法和装置,有效解决了在传统生成式算法中目标由于静止目标物体只会产生极其微小的像素扰动,在像素统计分布阈值的过滤下,其扰动程度和背景像素扰动程度相差无几,因此导致的跟踪不稳定的技术问题。
本发明提供的一种目标从运动到静止的跟踪方法,包括,
依次获取视频图像帧,检测所述视频图像的帧信息,以获取待跟踪运动目标的位置信息;
跟踪计算所述运动目标质心图像坐标的平均帧间距,以判定所述运动目标是否趋于静止;
若所述运动目标趋于静止,检测趋于静止的运动目标的位置信息,获得静止目标的位置信息。
更进一步,所述依次获取视频图像帧,在所述视频图像中提取运动物体的位置信息包括如下步骤:
获取视频图像当前帧的信息,对所述视频图像当前帧建立混合高斯模型以获取所述当前视频图像帧每个像素点的特征;
获取视频图像下一帧的信息,对所述视频图像下一帧建立混合高斯模型以获取所述视频图像下一帧每个像素点的特征;
对所述视频图像当前帧的每个像素点的所述混合高斯模型与所述视频图像下一帧的每个像素点的高斯模型进行对应匹配,判断所述每个像素点的前后景标签;
根据所述匹配结果,分割出所述运动目标的位置信息,并更新所述混合高斯模型;
根据所述分割出的运动目标坐标,框选出所述运动目标的位置信息。
更进一步,所述跟踪计算所述运动物体质心图像坐标的平均帧间距,判定所述运动物体是否趋于静止,包括如下步骤:
预先设定N个像素作为判断所述运动目标趋于静止的条件阈值;
计算连续10~20帧所述运动目标的质心图像坐标的平均帧间距;
若所述质心图像坐标的平均帧间距小于所述预先设定的像素数N,则判定所述运动目标趋于静止。
更进一步,所述判断所述运动目标趋于静止的条件阈值小于5。
更进一步,所述检测趋于静止的运动目标的位置信息包括,包括如下步骤:
获取所述趋于静止的运动目标的帧信息以备提取所述趋于静止运动目标;
获取所述趋于静止的运动目标的帧信息前M帧的图像信息,对所述M帧的图像信息建立混合高斯模型;
根据所述混合高斯模型获取缓冲背景的视频图片信息;
对所述趋于静止的运动目标的帧信息与所述缓冲背景的视频图片信息进行差分运算;
获得所述趋于静止的运动目标的位置信息;
完成对静止目标的检测。
更进一步,所述帧数M小于5。
本发明提供的一种目标从运动到静止的跟踪装置,包括:
获取单元,用于在依次获取视频图像帧信息后,对所述视频图像进行混合高斯建模,以获取运动目标的图像信息;
计算单元,用于提取跟踪所述视频图像的实时帧信息,并计算所述运动目标质心图像坐标的平均帧间距,以判定所述运动目标是否趋于静止;
检测单元,用于检测所述趋于静止的运动目标,并获得静止目标的位置信息。
更进一步,所述获取单元包括,
选取建模模块,用于获取所述视频图像当前帧及所述视频图像下一帧的信息,并对所述视频图像当前帧及所述视频图像下一帧的信息分别进行混合高斯建模;
匹配模块,用于对所述视频图像当前帧的每个像素点的所述混合高斯模型与所述视频图像下一帧的每个像素点的混合高斯模型进行对应匹配,以判断所述每个像素点的前后景标签;
确定模块,用于根据所述每个像素点的匹配结果,分割出所述运动目标的位置信息,并框选出所述运动目标的位置信息。
更进一步,所述计算单元包括,
预设模块,用于设定用于判断所述运动目标趋于静止的条件像素阈值;
计算模块,用于计算所述运动目标的质心图像坐标的平均帧间距;
判断模块,用于判断所述质心图像坐标的平均帧间距是否小于所述预先设定的像素阈值,以判定所述运动目标是否趋于静止。
更进一步,所述检测单元包括,
获取模块,用于获取所述趋于静止的运动目标的帧信息及获取所述趋于静止的运动目标的帧信息前M帧的图像信息;
建模模块,用于对所述趋于静止的运动目标的帧信息前M帧的图像信息进行混合高斯建模;
差分检测模块,用于对所述趋于静止的运动目标的帧信息与所述缓冲背景的视频图片信息进行差分运算,以获得所述趋于静止的运动目标的位置信息,完成对静止目标的检测。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明通过提取待跟踪目标的位置信息,再根据运动目标的平均帧间距判定运动目标是否趋于静止,并对趋于静止的运动目标进行检测并分离,解决了在传统生成式算法中目标由于静止目标物体只会产生极其微小的像素扰动,在像素统计分布阈值的过滤下,其扰动程度和背景像素扰动程度相差无几,因此导致的跟踪不稳定的技术问题。
附图说明
图1为本发明实施例中提供的一种目标由运动向静止跟踪算法的流程示意图;
图2为本发明实施例中提供的一种目标由运动向静止跟踪算法的另一个实施例的流程示意图;
图3为本发明实施例中提供的一种目标由运动向静止跟踪装置的一个实施例的结构示意图;
图4为本发明实施例中提供的一种目标由运动向静止跟踪装置的另一个实施例的结构示意图;
图5为本发明实施例获得运动行人跟踪结果的实景图;
图6为本发明实施例在目标对象人出现静止时,启动对目标对象人检测到目标对象人的实景图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:
图1为本发明提供的一种目标由运动向静止的跟踪算法的实施例包括:
步骤101、依次获取视频图像的帧信息,检测获取的视频图像的帧信息,以获取待跟踪运动目标的位置信息;
本实施例中,在确定运动目标的位置信息之前,首先需要获取完整的视频图像帧信息,并进行混合高斯建模,继续获取当前帧的信息,并将当前帧的每个像素点的特征与所述混合高斯模型进行对比,当符合运动目标的条件时,判定为运动目标,继而获取待跟踪的运动目标位置信息。前述视频图像可以是任何包含运动目标的视频图像。
步骤102、跟踪计算所述运动目标质心图像坐标的平均帧间距,以判定所述运动目标是否趋于静止,若运动目标趋于静止,则执行步骤103;
当获取到运动目标的位置信息后,为判定运动目标是否趋于静止,需要跟踪获取运动目标的帧信息,计算运动目标质心图像的相邻帧间距,将平均帧间距与预设阈值进行对比,判定运动目标是否趋于静止,当平均帧间距小于预设阈值条件时,执行步骤103。
步骤103、所述运动目标趋于静止,检测趋于静止的运动目标的位置信息,获得静止目标的位置信息。
当运动目标经过步骤102的趋于静止判断后,需要提取趋于静止的目标位置信息,以免静止目标被算法同化为背景。
步骤104、提取静止目标的位置信息。
本实施例中,先对视频图像信息进行提取,通过混合高斯建模训练得到背景比对模型,再对获取的当前帧信息与模型信息进行像素比对,从而获得待跟踪目标的位置信息;通过获取跟踪目标的帧信息,计算出运动目标的平均帧间距,判定跟踪目标趋于静止;为避免趋于静止的目标被算法误识别为背景,对趋于静止的目标位置信息进行额外算法的检测,从而获得静止目标的位置信息。
通过本实施例,解决了在传统生成式算法中目标由于静止目标物体只会产生极其微小的像素扰动,在像素统计分布阈值的过滤下,其扰动程度和背景像素扰动程度相差无几,因此导致的跟踪不稳定的技术问题。
实施例2:
图2为本发明提供的一种目标从运动到静止跟踪算法的另一个实施例,包括:
步骤201、获取视频图像的当前帧的信息,对视频图像当前帧建立混合高斯模型以获取当前视频图像帧每个像素点的特征;
在本实施例中,在确定运动目标的位置信息之前,首先需要获取完整的视频图像帧信息,并对该视频图像帧信息进行混合高斯建模,以获取当前视频图像帧每个像素点的特征。该视频图像可以是任何包含运动目标的视频图像。
步骤202、获取视频图像下一帧的信息,对视频图像下一帧建立混合高斯模型以获取视频图像下一帧每个像素点的特征;
为获取运动目标的位置信息,需要对下一帧的视频图像信息进行混合高斯建模,以备与前述当前帧的混合高斯模型进行比对。
步骤203、对视频图像当前帧的每个像素点的混合高斯模型与视频图像下一帧的每个像素点的混合高斯模型进行对应匹配,判断所述每个像素点的前后景标签,若为前景标签,则执行步骤204;
通过步骤201、步骤202已获得视频图像当前帧和下一帧的混合高斯模型,对每个像素点的特征进行匹配,判定每个像素点的前后景标签,对于前景标签的像素点的集合判定为运动目标,执行步骤204。
步骤204、根据匹配结果,分割出所述运动目标的位置信息,并更新混合高斯模型。
步骤203获得了前景图像的集合信息,确定为运动目标,将该运动目标集合分割出来,更新运动目标的混合高斯模型。
步骤205、根据分割出的运动目标坐标,框选出运动目标的位置信息。
根据步骤204获得的混合高斯模型,框选出待跟踪的运动目标的位置信息,作为跟踪监测的运动物体。
步骤206、预先设定N个像素作为判断运动目标趋于静止的条件阈值。
本实施例根据运动目标质心的帧间距判定运动目标是否趋于静止,因此需要预先设定确定的像素阈值N作为判断依据,N是运动目标质心图像的平均帧间距,N在本实施例中可设定为5。
步骤207、计算连续10~20帧运动目标的质心图像坐标的平均帧间距,当该平均帧间距小于N时,执行步骤208;
计算运动目标连续10~20帧的质心图像坐标的间距,计算出连续10~20帧的质心图像坐标的平均帧间距,当该平均帧间距小于步骤206的像素数N时,执行步骤208。
步骤208、若质心图像坐标的平均帧间距小于所述预先设定的像素数N,则判定运动目标趋于静止。
比对骤207获得的连续10~20帧的运动目标的质心图像坐标的平均帧间距与N,若该平均帧间距小于N,判定运动目标趋于静止。
步骤209、获取趋于静止的运动目标的帧信息以备提取趋于静止运动目标;
当判定运动目标趋于静止时,获取该运动目标的帧信息,以备提取静止目标的信息。
步骤210、获取趋于静止的运动目标的帧信息前M帧的图像信息,对M帧的图像信息建立混合高斯模型,以获取缓冲背景的视频图像信息;
为获取静止目标的信息,需要获取趋于静止的运动目标帧信息前M帧的信息,通过对M帧的图像信息进行混合高斯建模,获得缓冲背景的视频图像信息,在本实施例中M设定为5。
步骤211、对趋于静止的运动目标的帧信息与缓冲背景的视频图片信息进行差分运算;
步骤212、获得静止目标信息。
对步骤209获得的区域静止的运动目标的帧信息与步骤210获得的缓冲背景的视频图像信息进行差分运算,即可获得静止目标的检测。
在实施例2中,先对视频图像信息进行提取,通过混合高斯建模训练得到背景比对模型,再对获取的当前帧信息与模型信息进行像素比对,从而获得待跟踪目标的位置信息;通过获取跟踪目标的帧信息,计算出运动目标的平均帧间距,判定跟踪目标趋于静止;为避免趋于静止的目标被同化为背景,对区域静止的目标位置信息进行检测,从而活动静止目标的位置信息。
本发明实施例解决了在传统生成式算法中目标由于静止目标物体只会产生极其微小的像素扰动,在像素统计分布阈值的过滤下,其扰动程度和背景像素扰动程度相差无几,因此导致的跟踪不稳定的技术问题。以及,通过混合高斯建模,预先设定对比像素阈值,连续10~20帧运动目标质心图像坐标的平均帧间距等,对趋于静止的运动目标进行检测确认为静止目标,进一步提高了运动目标的提取精度。
实施例3:
图3为本发明提供的一种目标从运动到静止跟踪装置的一个实施例包括:
步骤301、获取单元,用于在依次获取视频图像帧信息后,对视频图像进行混合高斯建模,以获取运动目标的图像信息;
步骤302、计算单元,用于提取跟踪所述视频图像的实时帧信息,并计算运动目标质心图像坐标的平均帧间距,以判定运动目标是否趋于静止;
步骤303、检测单元,用于检测趋于静止的运动目标,并获得静止目标的位置信息。
本实施例中,通过获取单元301获取运动目标的图像信息,再通过计算单元302计算出运动目标的质心图像坐标平均帧间距,判断运动目标是否趋于静止,检测单元303对于趋于静止的运动目标进行检测,提取静止目标的位置信息,以便将静止目标从背景中分离出来。解决了在传统生成式算法中目标由于静止目标物体只会产生极其微小的像素扰动,在像素统计分布阈值的过滤下,其扰动程度和背景像素扰动程度相差无几,因此导致的跟踪不稳定的技术问题。
实施例4:
图4为本发明实施例中提供的一种目标从运动到静止的跟踪装置的另一个实施例包括:
步骤401、获取单元,用于在依次获取视频图像帧信息后,对视频图像进行混合高斯建模,以获取运动目标的图像信息;
获取单元401具体包括,
选取建模模块4011,用于获取视频图像当前帧及所述视频图像下一帧的图像信息,并对视频图像当前帧及所述视频图像下一帧的图像信息分别进行混合高斯建模;
匹配模块4012,用于对视频图像当前帧的每个像素点的混合高斯模型与视频图像下一帧的每个像素点的混合高斯模型进行对应匹配,符合运动目标的像素点判定为前景标签;
确定模块4013,用于根据每个像素点的匹配结果,将前景图像确定为运动目标,分割出运动目标的位置信息,并框选出运动目标的位置信息。
步骤402、计算单元,用于提取跟踪所述视频图像的实时帧信息,并计算运动目标质心图像坐标的平均帧间距,以判定运动目标是否趋于静止;
计算单元402具体包括,
预设模块4021,用于设定用于判断运动目标趋于静止的条件像素阈值;
计算模块4022,用于计算运动目标的质心图像坐标的平均帧间距;
判断模块4023,用于判断质心图像坐标的平均帧间距是否小于预先设定的像素阈值,以判定运动目标是否趋于静止。
步骤403、检测单元,用于检测趋于静止的运动目标,并获得静止目标的位置信息。
检测单元403具体包括,
获取模块4031,用于获取趋于静止的运动目标的帧信息及获取趋于静止的运动目标的帧信息前M帧的图像信息;
建模模块4032,用于对趋于静止的运动目标的帧信息前M帧的图像信息进行混合高斯建模;
差分检测模块4033,用于对趋于静止的运动目标的帧信息与缓冲背景的视频图片信息进行差分运算,以获得趋于静止的运动目标的位置信息,完成对静止目标的检测。
本实施例中,通过获取单元401获取运动目标的图像信息,再通过计算单元402计算出运动目标的质心图像坐标平均帧间距,判断运动目标是否趋于静止,检测单元403对于趋于静止的运动目标进行检测,提取净值目标的位置信息,以便将静止目标从背景中分离出来。解决了在传统生成式算法中目标由于静止目标物体只会产生极其微小的像素扰动,在像素统计分布阈值的过滤下,其扰动程度和背景像素扰动程度相差无几,因此导致的跟踪不稳定的技术问题,以及各个子模块对运动目标提取、趋于静止的运动目标的判定、静止目标的检测进一步提高了运动目标的提取精度。
为更直观地体现本发明实施例,图5为本发明获得运动行人跟踪结果的实景图;图6为本发明在目标对象人出现静止时,启动对目标对象人检测到目标对象人的实景图。前述两个实施例实景图展示了本发明技术方案对运动行人目标的获取,静止行人目标的分离检测。达到了对运动行人由运动到静止的稳定性跟踪。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种目标从运动到静止的跟踪方法,其特征在于,包括如下步骤:
依次获取视频图像帧,检测所述视频图像的帧信息,以获取待跟踪运动目标的位置信息;
跟踪计算所述运动目标质心图像坐标的平均帧间距,以判定所述运动目标是否趋于静止;
若所述运动目标趋于静止,检测趋于静止的运动目标的位置信息,获得静止目标的位置信息。
2.根据权利要求1所述的目标从运动到静止的跟踪方法,其特征在于,所述依次获取视频图像帧,在所述视频图像中提取运动物体的位置信息包括如下步骤:
获取视频图像当前帧的信息,对所述视频图像当前帧建立混合高斯模型以获取所述当前视频图像帧每个像素点的特征;
获取视频图像下一帧的信息,对所述视频图像下一帧建立混合高斯模型以获取所述视频图像下一帧每个像素点的特征;
对所述视频图像当前帧的每个像素点的所述混合高斯模型与所述视频图像下一帧的每个像素点的混合高斯模型进行对应匹配,判断所述每个像素点的前后景标签;
根据所述匹配结果,分割出所述运动目标的位置信息,并更新所述混合高斯模型;
根据所述分割出的运动目标坐标,框选出所述运动目标的位置信息。
3.根据权利要求1所述的目标从运动到静止的跟踪方法,其特征在于,所述跟踪计算所述运动物体质心图像坐标的平均帧间距,判定所述运动物体是否趋于静止,包括如下步骤:
预先设定N个像素作为判断所述运动目标趋于静止的条件阈值;
计算连续10~20帧所述运动目标的质心图像坐标的平均帧间距;
若所述质心图像坐标的平均帧间距小于所述预先设定的像素数N,则判定所述运动目标趋于静止。
4.根据权利要求3所述的目标从运动到静止的跟踪方法,其特征在于,所述N≤5。
5.根据权利要求1所述的目标从运动到静止的跟踪方法,其特征在于,所述检测趋于静止的运动目标的位置信息包括,包括如下步骤:
获取所述趋于静止的运动目标的帧信息以备提取所述趋于静止运动目标;
获取所述趋于静止的运动目标的帧信息前M帧的图像信息,对所述M帧的图像信息建立混合高斯模型;
根据所述混合高斯模型获取缓冲背景的视频图片信息;
对所述趋于静止的运动目标的帧信息与所述缓冲背景的视频图片信息进行差分运算;
获得所述趋于静止的运动目标的位置信息;
完成对静止目标的检测。
6.根据权利要求5所述的目标从运动到静止的跟踪方法,其特征在于,所述帧数M小于5。
7.一种目标从运动到静止的跟踪装置,其特征在于,包括如下单元:
获取单元,用于在依次获取视频图像帧信息后,对所述视频图像进行混合高斯建模,以获取运动目标的图像信息;
计算单元,用于提取跟踪所述视频图像的实时帧信息,并计算所述运动目标质心图像坐标的平均帧间距,以判定所述运动目标是否趋于静止;
检测单元,用于检测所述趋于静止的运动目标,并获得静止目标的位置信息。
8.根据权利要求7所述的目标从运动到静止的跟踪装置,其特征在于,所述获取单元包括,
选取建模模块,用于获取所述视频图像当前帧及所述视频图像下一帧的信息,并对所述视频图像当前帧及所述视频图像下一帧的信息分别进行混合高斯建模;
匹配模块,用于对所述视频图像当前帧的每个像素点的所述混合高斯模型与所述视频图像下一帧的每个像素点的混合高斯模型进行对应匹配,以判断所述每个像素点的前后景标签;
确定模块,用于根据所述每个像素点的匹配结果,分割出所述运动目标的位置信息,并框选出所述运动目标的位置信息。
9.根据权利要求7所述的目标从运动到静止的跟踪装置,其特征在于,所述计算单元包括,
预设模块,用于设定用于判断所述运动目标趋于静止的条件像素阈值;
计算模块,用于计算所述运动目标的质心图像坐标的平均帧间距;
判断模块,用于判断所述质心图像坐标的平均帧间距是否小于所述预先设定的像素阈值,以判定所述运动目标是否趋于静止。
10.根据权利要求7所述的目标从运动到静止的跟踪装置,其特征在于,所述检测单元包括,
获取模块,用于获取所述趋于静止的运动目标的帧信息及获取所述趋于静止的运动目标的帧信息前M帧的图像信息;
建模模块,用于对所述趋于静止的运动目标的帧信息前M帧的图像信息进行混合高斯建模;
差分检测模块,用于对所述趋于静止的运动目标的帧信息与所述缓冲背景的视频图片信息进行差分运算,以获得所述趋于静止的运动目标的位置信息,完成对静止目标的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767931.2A CN109118516A (zh) | 2018-07-13 | 2018-07-13 | 一种目标从运动到静止的跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767931.2A CN109118516A (zh) | 2018-07-13 | 2018-07-13 | 一种目标从运动到静止的跟踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109118516A true CN109118516A (zh) | 2019-01-01 |
Family
ID=64862714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810767931.2A Pending CN109118516A (zh) | 2018-07-13 | 2018-07-13 | 一种目标从运动到静止的跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118516A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110208765A (zh) * | 2019-05-09 | 2019-09-06 | 南京航空航天大学 | 基于相关性的海杂波环境下动静目标分离方法 |
CN110348394A (zh) * | 2019-07-15 | 2019-10-18 | 广东名阳信息科技有限公司 | 一种检测视频静态目标的方法 |
CN111429477A (zh) * | 2020-04-13 | 2020-07-17 | 展讯通信(上海)有限公司 | 目标追踪方法及装置、存储介质、计算机设备 |
CN112419364A (zh) * | 2020-11-06 | 2021-02-26 | 江苏禹空间科技有限公司 | 基于图像特征匹配的目标跟踪方法及系统 |
CN113313007A (zh) * | 2021-05-26 | 2021-08-27 | 每日互动股份有限公司 | 一种基于视频的行人静止状态识别方法、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258432A (zh) * | 2013-04-19 | 2013-08-21 | 西安交通大学 | 基于视频的交通事故自动识别处理方法和系统 |
CN103745485A (zh) * | 2013-12-31 | 2014-04-23 | 深圳泰山在线科技有限公司 | 判断物体静止或运动的方法及系统 |
CN104658007A (zh) * | 2013-11-25 | 2015-05-27 | 华为技术有限公司 | 一种实际运动目标的识别方法及装置 |
US20160224833A1 (en) * | 2015-02-04 | 2016-08-04 | Alibaba Group Holding Limited | Method and apparatus for target acquisition |
CN107066931A (zh) * | 2017-01-12 | 2017-08-18 | 张家港全智电子科技有限公司 | 一种基于监控视频的目标轨迹跟踪方法 |
CN107204006A (zh) * | 2017-06-01 | 2017-09-26 | 大连海事大学 | 一种基于双背景差分的静止目标检测方法 |
-
2018
- 2018-07-13 CN CN201810767931.2A patent/CN109118516A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258432A (zh) * | 2013-04-19 | 2013-08-21 | 西安交通大学 | 基于视频的交通事故自动识别处理方法和系统 |
CN104658007A (zh) * | 2013-11-25 | 2015-05-27 | 华为技术有限公司 | 一种实际运动目标的识别方法及装置 |
CN103745485A (zh) * | 2013-12-31 | 2014-04-23 | 深圳泰山在线科技有限公司 | 判断物体静止或运动的方法及系统 |
US20160224833A1 (en) * | 2015-02-04 | 2016-08-04 | Alibaba Group Holding Limited | Method and apparatus for target acquisition |
CN107066931A (zh) * | 2017-01-12 | 2017-08-18 | 张家港全智电子科技有限公司 | 一种基于监控视频的目标轨迹跟踪方法 |
CN107204006A (zh) * | 2017-06-01 | 2017-09-26 | 大连海事大学 | 一种基于双背景差分的静止目标检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110208765A (zh) * | 2019-05-09 | 2019-09-06 | 南京航空航天大学 | 基于相关性的海杂波环境下动静目标分离方法 |
CN110348394A (zh) * | 2019-07-15 | 2019-10-18 | 广东名阳信息科技有限公司 | 一种检测视频静态目标的方法 |
CN111429477A (zh) * | 2020-04-13 | 2020-07-17 | 展讯通信(上海)有限公司 | 目标追踪方法及装置、存储介质、计算机设备 |
CN112419364A (zh) * | 2020-11-06 | 2021-02-26 | 江苏禹空间科技有限公司 | 基于图像特征匹配的目标跟踪方法及系统 |
CN113313007A (zh) * | 2021-05-26 | 2021-08-27 | 每日互动股份有限公司 | 一种基于视频的行人静止状态识别方法、电子设备及存储介质 |
CN113313007B (zh) * | 2021-05-26 | 2022-10-14 | 每日互动股份有限公司 | 一种基于视频的行人静止状态识别方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118516A (zh) | 一种目标从运动到静止的跟踪方法及装置 | |
CN105405154B (zh) | 基于颜色-结构特征的目标对象跟踪方法 | |
Luber et al. | People tracking in rgb-d data with on-line boosted target models | |
CN113011367B (zh) | 一种基于目标轨迹的异常行为分析方法 | |
EP2858008A2 (en) | Target detecting method and system | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN106204586B (zh) | 一种基于跟踪的复杂场景下的运动目标检测方法 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN107133607B (zh) | 基于视频监控的人群统计方法及系统 | |
JP2007128513A (ja) | シーン解析 | |
CN110287907B (zh) | 一种对象检测方法和装置 | |
CN109460719A (zh) | 一种电力作业安全识别方法 | |
CN110232379A (zh) | 一种车辆姿态检测方法及系统 | |
CN108537829B (zh) | 一种监控视频人员状态识别方法 | |
CN110097586A (zh) | 一种人脸检测追踪方法及装置 | |
CN106709938B (zh) | 基于改进tld的多目标追踪方法 | |
CN108596157B (zh) | 一种基于运动检测的人群惊扰场景检测方法及系统 | |
CN111798487A (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
CN106778570A (zh) | 一种行人实时检测与跟踪方法 | |
CN103413149A (zh) | 复杂背景中实现静态目标检测和识别的方法 | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
KR102434397B1 (ko) | 전역적 움직임 기반의 실시간 다중 객체 추적 장치 및 방법 | |
CN104778676A (zh) | 基于深度测距的运动目标检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |