CN109191497A - 一种基于多种信息融合的实时在线多目标跟踪方法 - Google Patents
一种基于多种信息融合的实时在线多目标跟踪方法 Download PDFInfo
- Publication number
- CN109191497A CN109191497A CN201810927485.7A CN201810927485A CN109191497A CN 109191497 A CN109191497 A CN 109191497A CN 201810927485 A CN201810927485 A CN 201810927485A CN 109191497 A CN109191497 A CN 109191497A
- Authority
- CN
- China
- Prior art keywords
- target
- frame
- kalman
- 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.)
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多种信息融合的实时在线多目标跟踪方法。该方法为：首先使用数据集对目标检测网络进行训练，从网络中提取深度卷积特征，归一化特征向量，采用欧氏距离度量特征向量相似性；然后使用匈牙利算法对检测目标与追踪轨迹进行匹配，对于未匹配追踪轨迹的目标检测，分配卡尔曼预估器与相关滤波器结合的单目标追踪器，对于未分配检测目标的追踪轨迹进行阈值判断和追踪器销毁；最后对于跟踪成功的集合，通过检测集设置卡尔曼滤波器观测值，更新卡尔曼预估器参数。本发明提高了目标跟踪在跟踪困难场景下的鲁棒性，能够在目标遮挡、快速移动等跟踪困难场景下，实现对目标的精确跟踪。
Description
技术领域
本发明涉及计算机视觉技术领域，特别是一种基于多种信息融合的实时在线多目标跟踪方法。
背景技术
传统的目标检测算法是使用滑动窗口在不同尺度的输入图像中选定某一个候选区域，然后提取haar-like，hog等特征，使用传统的机器学习方法训练分类器，比如Adaboost、SVM等，最后对候选区域进行分类，区分目标和背景。传统方法使用滑动窗口采样，样本数目巨大，为了平衡检测速率，一般只计算简单的图像特征，这些特征的表现能力非常有限，比如模板匹配特征hog特征在目标发生形变时，将无法检测到目标。
近年来，随着深度学习技术的发展，深度卷积网络进行分类时能够学习到描述能力强大的特征。RCNN通过selective search算法从输入图像中提取可能存在目标的候选区域，提取候选区域的深度卷积特征，最后将特征送入分类器进行分类，区分目标和背景。后来又提出了ROI pooling层来解决了重复的卷积计算问题。Faster-RCNN引入候选区域生成网络(region proposal network)替代selective search算法实现了端到端的深度学习训练算法。以上均是采用对候选区域分类的方法来解决目标检测问题，速度较慢。
多目标跟踪算法是基于通过检测实现跟踪，然后将每一帧的检测目标位置连接匹配成各个目标的轨迹的算法。近年来，多目标跟踪算法更加侧重于设计一个强有力的相似性度量方法，他们大部分是基于一些强大表示能力的特征，例如外观稀疏表示，积分通道特征，递归神经网络编码等，但是该方法在目标遮挡、快速移动等跟踪困难场景下，无法实现对目标的较好跟踪。
发明内容
本发明的目的在于提供一种基于多种信息融合的实时在线多目标跟踪方法，在目标遮挡、快速移动等跟踪困难场景下，实现对目标的精确、高效跟踪。
实现本发明目的的技术解决方案为：一种基于多种信息融合的实时在线多目标跟踪方法，步骤如下：
步骤1，输入时间顺序下的第t帧图像：如果t等于1，直接转到步骤4，否则，进入步骤2；
步骤2，采用欧氏距离法度量目标检测i和目标追踪轨迹j的相似性S(i,j)；
步骤3，采用匈牙利算法匹配目标检测集Dt和目标追踪轨迹集Tt-1，当相似性S(i,j)超过阈值θ，则目标检测i和目标追踪轨迹j不相匹配；
步骤4，为未匹配目标追踪轨迹的目标检测集中的每一个目标检测，分配一个卡尔曼预估器和相关滤波器结合的单目标追踪器；
步骤5，记录未分配目标检测的目标追踪轨迹集中未分配的次数：当该次数超过阈值τ时，则认定为目标离开场景，销毁目标对应的追踪器，并进入步骤6；否则当该次数没超过阈值τ时，则直接进入步骤6；
步骤6，成功匹配目标检测和目标追踪轨迹的集合为目标检测集用目标检测集设置卡尔曼预估器的观测值，更新卡尔曼预估器的参数，而后参数t自增1，进入步骤1。
进一步地，步骤2所述的采用欧氏距离法度量目标检测i和目标追踪轨迹j的相似性S(i,j)，具体如下：
在图像分类任务ImageNet上预训练GoogleNet，提取pool5层的深度卷积特征，归一化特征向量，然后使用欧式距离来度量，公式如下：
Sappearance(di,dj)＝||di-dj||2
其中，Sappearance表示计算第i个目标从GoogleNet上提取深度卷积特征di和第j个目标特征dj之间的外观相似性，||.||2表示向量二范数；
最后计算目标检测i和目标追踪轨迹j的相似性S(i,j)，公式如下：
S(i,j)＝Sappearance(di,dj)*Smotion(pi,bj)*Smotion(pi,bj)
其中，Smotion(pi,bj)表示目标检测i与目标追踪轨迹的运动相似性。
进一步地，步骤4中所述的卡尔曼预估器与相关滤波器结合的单目标追踪器，具体如下：
输入第K帧图像，使用滤波器对目标包围框进行跟踪，计算出相应的输出峰值和APEC，在跟踪成功后将输出目标的包围框作为卡尔曼滤波器的观测值，将卡尔曼预测值作为观测值，然后对卡尔曼滤波器的参数进行更新，预测出第K+1帧目标的位置，然后读入下一帧图像，设置搜索框的位置；
在多目标跟踪算法框架下，当前帧检测器检测到的目标包围框为其中当前帧卡尔曼预估的目标状态为其中则目标的运动相似性和形状相似性计算方法如下式所示：
式中，bj表示检测器检测到的包围框中的第j个，分别表示第j个包围框的左上角七点的x与y坐标和包围框的长度与宽度，M表示当前帧检测到的包围框数；pi表示卡尔曼滤波器预估的第i个目标包围框，分别表示第i个包围框的左上角七点的x与y坐标和包围框的长度与宽度，N表示卡尔曼滤波器预估的目标框数；Smotion(pi,bj)表示第j个检测器检测到的包围框与第i个卡尔曼预估器预估目标之间的运动相似性，Sshape(pi,bj)表示第j个检测器检测到的包围框与第i个卡尔曼预估器预估目标之间的外观相似性。
本发明与现有技术相比，其显著优点为：(1)采用多种信息融合的目标特征表示，准确地计算出目标之间的相似性，使得算法可以很好的跟踪目标；(2)采用卡尔曼预估器和相关滤波器结合的单目标追踪器，在目标完全遮挡时，可以利用卡尔曼预估器估计目标的后续位置，提高了模型对目标遮挡问题的鲁棒性。
附图说明
图1为本发明基于多种信息融合的实时在线多目标跟踪方法的流程图。
图2为结合卡尔曼预估器和相关滤波器的单目标跟踪算法流程图。
图3为本发明在实际视频跟踪实验中的结果图，其中(a)、(b)为车辆视频跟踪实验结果图，(c)为人脸视频跟踪实验结果图。
具体实施方式
本发明基于多种信息融合的实时在线多目标跟踪方法，该方法主要分三大步：第一步提取深度卷积特征计算目标相似性；第二步对目标检测与追踪轨迹进行匹配；第三部结合检测集更新卡尔曼预估器参数，结合图1，具体步骤如下：
步骤1，输入时间顺序下的第t帧图像：如果t等于1，直接转到步骤4，否则，进入步骤2；
步骤2，采用欧氏距离法度量目标检测i和目标追踪轨迹j的相似性S(i,j)；
步骤3，采用匈牙利算法匹配目标检测集Dt和目标追踪轨迹集Tt-1，当相似性S(i,j)超过阈值θ，则目标检测i和目标追踪轨迹j不相匹配；
步骤4，为未匹配目标追踪轨迹的目标检测集中的每一个目标检测，分配一个卡尔曼预估器和相关滤波器结合的单目标追踪器；
步骤5，记录未分配目标检测的目标追踪轨迹集中未分配的次数：当该次数超过阈值τ时，则认定为目标离开场景，销毁目标对应的追踪器，并进入步骤6；否则当该次数没超过阈值τ时，则直接进入步骤6；
步骤6，成功匹配目标检测和目标追踪轨迹的集合为目标检测集用目标检测集设置卡尔曼预估器的观测值，更新卡尔曼预估器的参数，而后参数t自增1，进入步骤1。
进一步地，步骤2所述的采用欧氏距离法度量目标检测i和目标追踪轨迹j的相似性S(i,j)，具体如下：
在图像分类任务ImageNet上预训练GoogleNet，提取pool5层的深度卷积特征，归一化特征向量，然后使用欧式距离来度量，公式如下：
Sappearance(di,dj)＝||di-dj||2
其中，Sappearance表示计算第i个目标从GoogleNet上提取深度卷积特征di和第j个目标特征dj之间的外观相似性，||.||2表示向量二范数；
最后计算目标检测i和目标追踪轨迹j的相似性S(i,j)，公式如下：
S(i,j)＝Sappearance(di,dj)*Smotion(pi,bj)*Smotion(pi,bj)
其中，Smotion(pi,bj)表示目标检测i与目标追踪轨迹的运动相似性。
进一步地，步骤4中所述的卡尔曼预估器与相关滤波器结合的单目标追踪器，具体如下：
结合图2，结合卡尔曼预估器和相关滤波器的单目标跟踪算法流程，本发明采用卡尔曼预估器与相关滤波器结合的单目标追踪算法，增强了算法对于目标遮挡、快速运动以及目标交汇场景下的多目标追踪能力，具体方法如下：
输入第K帧图像，使用滤波器对目标包围框进行跟踪，计算出相应的输出峰值和APEC，在跟踪成功后将输出目标的包围框作为卡尔曼滤波器的观测值，将卡尔曼预测值作为观测值，然后对卡尔曼滤波器的参数进行更新，预测出第K+1帧目标的位置，然后读入下一帧图像，设置搜索框的位置；
在多目标跟踪算法框架下，当前帧检测器检测到的目标包围框为其中当前帧卡尔曼预估的目标状态为其中则目标的运动相似性和形状相似性计算方法如下式所示：
式中，bj表示检测器检测到的包围框中的第j个，分别表示第j个包围框的左上角七点的x与y坐标和包围框的长度与宽度，M表示当前帧检测到的包围框数；pi表示卡尔曼滤波器预估的第i个目标包围框，分别表示第i个包围框的左上角七点的x与y坐标和包围框的长度与宽度，N表示卡尔曼滤波器预估的目标框数；Smotion(pi,bj)表示第j个检测器检测到的包围框与第i个卡尔曼预估器预估目标之间的运动相似性，Sshape(pi,bj)表示第j个检测器检测到的包围框与第i个卡尔曼预估器预估目标之间的外观相似性。
如图3所示，展示了本发明在实际视频中目标跟踪的结果图，本发明的实验测试是在NVIDIA TITAN X环境下进行测试的，在这样的测试环境下，设置YOLO作为检测器部分，将相似度阈值参数θ设置为0.5，将追踪未分配次数阈值τ设置为8，然后分别对车辆视频和人脸视频进行测试，其中图3(a)、(b)为车辆视频跟踪实验结果图，图3(c)为人脸视频跟踪实验结果图。由实验结果图可知，本发明跟踪效果很好，能够在目标遮挡、快速移动、目标交汇等场景下鲁棒的跟踪各个目标。
Claims (3)
1.一种基于多种信息融合的实时在线多目标跟踪方法，其特征在于，步骤如下：
步骤1，输入时间顺序下的第t帧图像：如果t等于1，直接转到步骤4，否则，进入步骤2；
步骤2，采用欧氏距离法度量目标检测i和目标追踪轨迹j的相似性S(i，j)；
步骤3，采用匈牙利算法匹配目标检测集Dt和目标追踪轨迹集Tt-1，当相似性S(i，j)超过阈值θ，则目标检测i和目标追踪轨迹j不相匹配；
步骤4，为未匹配目标追踪轨迹的目标检测集中的每一个目标检测，分配一个卡尔曼预估器和相关滤波器结合的单目标追踪器；
步骤5，记录未分配目标检测的目标追踪轨迹集中未分配的次数：当该次数超过阈值τ时，则认定为目标离开场景，销毁目标对应的追踪器，并进入步骤6；否则当该次数没超过阈值τ时，则直接进入步骤6；
步骤6，成功匹配目标检测和目标追踪轨迹的集合为目标检测集用目标检测集设置卡尔曼预估器的观测值，更新卡尔曼预估器的参数，而后参数t自增1，进入步骤1。
2.根据权利要求l所述的基于多种信息融合的实时在线多目标跟踪方法，其特征在于，步骤2所述的采用欧氏距离法度量目标检测i和目标追踪轨迹j的相似性S(i，j)，具体如下：
在图像分类任务ImageNet上预训练GoogleNet，提取pool5层的深度卷积特征，归一化特征向量，然后使用欧式距离来度量，公式如下：
Sappearance(di，dj)＝||di-dj||2
其中，Sappearance表示计算第i个目标从GoogleNet上提取深度卷积特征di和第j个目标特征dj之间的外观相似性，||·||2表示向量二范数；
最后计算目标检测i和目标追踪轨迹j的相似性S(i，j)，公式如下：
S(i，j)＝Sappearance(di，dj)*Smotion(pi，bj)*Smotion(pi，bj)
其中，Smotion(pi，bj)表示目标检测i与目标追踪轨迹的运动相似性。
3.根据权利要求1所述的基于多种信息融合的实时在线目标跟踪方法，其特征在于，步骤4中所述的卡尔曼预估器与相关滤波器结合的单目标追踪器，具体如下：
输入第K帧图像，使用滤波器对目标包围框进行跟踪，计算出相应的输出峰值和APEC，在跟踪成功后将输出目标的包围框作为卡尔曼滤波器的观测值，将卡尔曼预测值作为观测值，然后对卡尔曼滤波器的参数进行更新，预测出第K+1帧目标的位置，然后读入下一帧图像，设置搜索框的位置；
在多目标跟踪算法框架下，当前帧检测器检测到的目标包围框为其中当前帧卡尔曼预估的目标状态为其中则目标的运动相似性和形状相似性计算方法如下式所示：
式中，bj表示检测器检测到的包围框中的第j个，分别表示第j个包围框的左上角七点的x与y坐标和包围框的长度与宽度，M表示当前帧检测到的包围框数；pi表示卡尔曼滤波器预估的第i个目标包围框，xpi，ypi，wpi，hpi分别表示第i个包围框的左上角七点的x与y坐标和包围框的长度与宽度，N表示卡尔曼滤波器预估的目标框数；Smotion(pi，bj)表示第j个检测器检测到的包围框与第i个卡尔曼预估器预估目标之间的运动相似性，Sshape(pi，bj)表示第j个检测器检测到的包围框与第i个卡尔曼预估器预估目标之间的外观相似件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810927485.7A CN109191497A (zh) | 2018-08-15 | 2018-08-15 | 一种基于多种信息融合的实时在线多目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810927485.7A CN109191497A (zh) | 2018-08-15 | 2018-08-15 | 一种基于多种信息融合的实时在线多目标跟踪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109191497A true CN109191497A (zh) | 2019-01-11 |
Family
ID=64935953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810927485.7A Pending CN109191497A (zh) | 2018-08-15 | 2018-08-15 | 一种基于多种信息融合的实时在线多目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109191497A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872342A (zh) * | 2019-02-01 | 2019-06-11 | 北京清帆科技有限公司 | 一种特定场景下的目标跟踪方法 |
| CN109919974A (zh) * | 2019-02-21 | 2019-06-21 | 上海理工大学 | 基于r-fcn框架多候选关联的在线多目标跟踪方法 |
| CN109934849A (zh) * | 2019-03-08 | 2019-06-25 | 西北工业大学 | 基于轨迹度量学习的在线多目标跟踪方法 |
| CN110334734A (zh) * | 2019-05-31 | 2019-10-15 | 宁波中车时代传感技术有限公司 | 一种基于元学习技术的智能传感融合方法 |
| CN110415277A (zh) * | 2019-07-24 | 2019-11-05 | 中国科学院自动化研究所 | 基于光流和卡尔曼滤波的多目标追踪方法、系统、装置 |
| CN110619657A (zh) * | 2019-08-15 | 2019-12-27 | 青岛文达通科技股份有限公司 | 一种面向智慧社区的多摄像机联动多目标追踪方法及系统 |
| CN110675432A (zh) * | 2019-10-11 | 2020-01-10 | 智慧视通(杭州)科技发展有限公司 | 一种基于多维特征融合的视频多目标跟踪方法 |
| CN111009000A (zh) * | 2019-11-28 | 2020-04-14 | 华南师范大学 | 昆虫取食行为分析方法、装置和存储介质 |
| CN111311647A (zh) * | 2020-01-17 | 2020-06-19 | 长沙理工大学 | 一种基于全局-局部及卡尔曼滤波的目标跟踪方法及装置 |
| CN111833375A (zh) * | 2019-04-23 | 2020-10-27 | 舟山诚创电子科技有限责任公司 | 一种动物群体轨迹追踪的方法及其系统 |
| CN112116634A (zh) * | 2020-07-30 | 2020-12-22 | 西安交通大学 | 一种半在线机置的多目标跟踪方法 |
| CN112418213A (zh) * | 2020-11-06 | 2021-02-26 | 北京航天自动控制研究所 | 一种车辆行驶轨迹识别方法、装置及存储介质 |
| CN112561963A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 目标跟踪的方法、装置、路侧设备以及存储介质 |
| CN112634333A (zh) * | 2020-12-30 | 2021-04-09 | 武汉卓目科技有限公司 | 一种基于eco算法和卡尔曼滤波的跟踪装置方法及装置 |
| CN112785630A (zh) * | 2021-02-02 | 2021-05-11 | 宁波智能装备研究院有限公司 | 一种显微操作中多目标轨迹异常处理方法及系统 |
| CN113012194A (zh) * | 2020-12-25 | 2021-06-22 | 深圳市铂岩科技有限公司 | 目标追踪方法、装置、介质和设备 |
-
2018
- 2018-08-15 CN CN201810927485.7A patent/CN109191497A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 刘忠耿等: "多种信息融合的实时在线多目标跟踪", 《南京信息工程大学学报(自然科学版)》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872342A (zh) * | 2019-02-01 | 2019-06-11 | 北京清帆科技有限公司 | 一种特定场景下的目标跟踪方法 |
| CN109919974A (zh) * | 2019-02-21 | 2019-06-21 | 上海理工大学 | 基于r-fcn框架多候选关联的在线多目标跟踪方法 |
| CN109919974B (zh) * | 2019-02-21 | 2023-07-14 | 上海理工大学 | 基于r-fcn框架多候选关联的在线多目标跟踪方法 |
| CN109934849A (zh) * | 2019-03-08 | 2019-06-25 | 西北工业大学 | 基于轨迹度量学习的在线多目标跟踪方法 |
| CN111833375B (zh) * | 2019-04-23 | 2024-04-05 | 舟山诚创电子科技有限责任公司 | 一种动物群体轨迹追踪的方法及其系统 |
| CN111833375A (zh) * | 2019-04-23 | 2020-10-27 | 舟山诚创电子科技有限责任公司 | 一种动物群体轨迹追踪的方法及其系统 |
| CN110334734A (zh) * | 2019-05-31 | 2019-10-15 | 宁波中车时代传感技术有限公司 | 一种基于元学习技术的智能传感融合方法 |
| CN110415277B (zh) * | 2019-07-24 | 2022-03-08 | 中国科学院自动化研究所 | 基于光流和卡尔曼滤波的多目标追踪方法、系统、装置 |
| CN110415277A (zh) * | 2019-07-24 | 2019-11-05 | 中国科学院自动化研究所 | 基于光流和卡尔曼滤波的多目标追踪方法、系统、装置 |
| CN110619657A (zh) * | 2019-08-15 | 2019-12-27 | 青岛文达通科技股份有限公司 | 一种面向智慧社区的多摄像机联动多目标追踪方法及系统 |
| CN110619657B (zh) * | 2019-08-15 | 2023-10-24 | 青岛文达通科技股份有限公司 | 一种面向智慧社区的多摄像机联动多目标追踪方法及系统 |
| CN115311329A (zh) * | 2019-10-11 | 2022-11-08 | 杭州云栖智慧视通科技有限公司 | 一种基于双环节约束的视频多目标跟踪方法 |
| CN115311329B (zh) * | 2019-10-11 | 2023-05-23 | 杭州云栖智慧视通科技有限公司 | 一种基于双环节约束的视频多目标跟踪方法 |
| CN110675432A (zh) * | 2019-10-11 | 2020-01-10 | 智慧视通(杭州)科技发展有限公司 | 一种基于多维特征融合的视频多目标跟踪方法 |
| CN111009000A (zh) * | 2019-11-28 | 2020-04-14 | 华南师范大学 | 昆虫取食行为分析方法、装置和存储介质 |
| CN111311647A (zh) * | 2020-01-17 | 2020-06-19 | 长沙理工大学 | 一种基于全局-局部及卡尔曼滤波的目标跟踪方法及装置 |
| CN112116634A (zh) * | 2020-07-30 | 2020-12-22 | 西安交通大学 | 一种半在线机置的多目标跟踪方法 |
| CN112116634B (zh) * | 2020-07-30 | 2024-05-07 | 西安交通大学 | 一种半在线机置的多目标跟踪方法 |
| CN112418213A (zh) * | 2020-11-06 | 2021-02-26 | 北京航天自动控制研究所 | 一种车辆行驶轨迹识别方法、装置及存储介质 |
| CN112561963A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 目标跟踪的方法、装置、路侧设备以及存储介质 |
| CN113012194A (zh) * | 2020-12-25 | 2021-06-22 | 深圳市铂岩科技有限公司 | 目标追踪方法、装置、介质和设备 |
| CN113012194B (zh) * | 2020-12-25 | 2024-04-09 | 深圳市铂岩科技有限公司 | 目标追踪方法、装置、介质和设备 |
| CN112634333B (zh) * | 2020-12-30 | 2022-07-05 | 武汉卓目科技有限公司 | 一种基于eco算法和卡尔曼滤波的跟踪装置方法及装置 |
| CN112634333A (zh) * | 2020-12-30 | 2021-04-09 | 武汉卓目科技有限公司 | 一种基于eco算法和卡尔曼滤波的跟踪装置方法及装置 |
| CN112785630A (zh) * | 2021-02-02 | 2021-05-11 | 宁波智能装备研究院有限公司 | 一种显微操作中多目标轨迹异常处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191497A (zh) | 一种基于多种信息融合的实时在线多目标跟踪方法 | |
| CN108875588B (zh) | 基于深度学习的跨摄像头行人检测跟踪方法 | |
| Iqbal et al. | Pose for action-action for pose | |
| CN103020986B (zh) | 一种运动目标跟踪方法 | |
| Ogale | A survey of techniques for human detection from video | |
| KR102132722B1 (ko) | 영상 내 다중 객체 추적 방법 및 시스템 | |
| Kaâniche et al. | Recognizing gestures by learning local motion signatures of HOG descriptors | |
| CN104616316B (zh) | 基于阈值矩阵和特征融合视觉单词的人物行为识别方法 | |
| CN107944431A (zh) | 一种基于运动变化的智能识别方法 | |
| Elmezain et al. | Hand trajectory-based gesture spotting and recognition using HMM | |
| CN114639117B (zh) | 一种跨境特定行人追踪的方法和装置 | |
| CN107194950B (zh) | 一种基于慢特征分析的多人跟踪方法 | |
| Azmat et al. | An elliptical modeling supported system for human action deep recognition over aerial surveillance | |
| CN113850221A (zh) | 一种基于关键点筛选的姿态跟踪方法 | |
| CN114283355A (zh) | 一种基于小样本学习的多目标濒危动物跟踪方法 | |
| Zhu et al. | Action recognition in broadcast tennis video using optical flow and support vector machine | |
| Lit et al. | Multiple object tracking with gru association and kalman prediction | |
| Lian et al. | A real time face tracking system based on multiple information fusion | |
| Pang et al. | Analysis of computer vision applied in martial arts | |
| Xiang et al. | Multitarget tracking using hough forest random field | |
| CN112613472B (zh) | 一种基于深度搜索匹配的行人检测方法及系统 | |
| Ramadass et al. | Feature extraction method for video based human action recognitions: extended optical flow algorithm | |
| Zheng et al. | Identifying same persons from temporally synchronized videos taken by multiple wearable cameras | |
| Jiang et al. | Spatial and temporal pyramid-based real-time gesture recognition | |
| Wang et al. | Beyond pedestrians: A hybrid approach of tracking multiple articulating humans |
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: 20190111 |
|
| RJ01 | Rejection of invention patent application after publication |