CN109345566A - 运动目标跟踪方法及系统 - Google Patents

运动目标跟踪方法及系统 Download PDF

Info

Publication number
CN109345566A
CN109345566A CN201811143920.3A CN201811143920A CN109345566A CN 109345566 A CN109345566 A CN 109345566A CN 201811143920 A CN201811143920 A CN 201811143920A CN 109345566 A CN109345566 A CN 109345566A
Authority
CN
China
Prior art keywords
video image
rectangular area
target
image
moving
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
CN201811143920.3A
Other languages
English (en)
Inventor
徐兵
任狄
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.)
Shanghai Institute of Technology
Original Assignee
Shanghai Institute of Technology
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 Shanghai Institute of Technology filed Critical Shanghai Institute of Technology
Priority to CN201811143920.3A priority Critical patent/CN109345566A/zh
Publication of CN109345566A publication Critical patent/CN109345566A/zh
Pending legal-status Critical Current

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种运动目标跟踪方法及系统，该方法包括：对获取的视频图像进行预处理，得到预处理后的视频图像；根据预设的高斯混合背景模型，从所述预处理后的视频图像中提取出前景运动目标图像和背景图像；根据所述前景运动目标图像，确定运动目标的第一矩形区域；根据YCbCr局部阴影检测，确定运动目标的第二矩形区域；根据改进Camshift算法，从所述预处理后的视频图像中确定运动目标的第三矩形区域；根据所述第二矩形区域和第三矩形区域，确定最终的运动目标的跟踪窗。在保证目标跟踪实时性的同时，可以提高目标跟踪的准确性。

Description

运动目标跟踪方法及系统
技术领域
本发明涉及目标检测与跟踪技术领域，具体地，涉及运动目标跟踪方法及系统。
背景技术
视频图像中的运动目标检测和跟踪一直是热门的研究领域。基于计算机视觉的运动目标跟踪技术在智能交通和智能安防等场景中发挥出重要作用，但是复杂环境会对目标跟踪的准确性产生干扰。
Camshift(continuously adaptive mean-shift，连续自适应均值偏移)算法是均值漂移(meanshift，均值漂移)算法的改进。在Camshift算法中，当前帧搜索窗中心是上一帧目标的质心，由于相邻两帧时间间隔短，目标移动距离较小，并未离开搜索窗内，因此Camshift算法能够快速的匹配目标，具有良好的实时性。
但是，当背景颜色与目标颜色相近，或者目标附近有与目标色调相似的物体时，会对Camshift算法的结果产生干扰，导致跟踪窗口扩大，进而造成目标跟踪的准确性降低甚至跟踪失败。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种运动目标跟踪方法及系统。
第一方面，本发明提供一种运动目标跟踪方法，包括：
对获取的视频图像进行预处理，得到预处理后的视频图像；
根据预设的高斯混合背景模型，从所述预处理后的视频图像中提取出前景运动目标图像和背景图像；
根据所述前景运动目标图像，确定运动目标的第一矩形区域；
根据YCbCr局部阴影检测，确定运动目标的第二矩形区域；
根据改进Camshift算法，从所述预处理后的视频图像中确定运动目标的第三矩形区域；
根据所述第二矩形区域和第三矩形区域，确定最终的运动目标的跟踪窗。
可选地，对获取的视频图像进行预处理，得到预处理后的视频图像，包括：
利用双线性插值方法将所述视频图像缩放至预设的尺寸，得到缩放后的视频图像；
对所述缩放后的视频图像进行高斯滤波以及噪声消除，得到预处理后的视频图像。
可选地，根据所述前景运动目标图像，确定运动目标的第一矩形区域，包括：
对所述前景运动目标图像依次进行固定阈值处理、中值滤波、形态学处理，获得处理后的前景运动目标图像；
在所述处理后的前景运动目标图像中确定运动目标的第一矩形区域；所述第一矩形区域包围所述运动目标。
可选地，根据YCbCr局部阴影检测，确定运动目标的第二矩形区域，包括：
将所述预处理后的视频图像的RGB颜色空间转到YCbCr颜色空间；
根据局部阴影检测，获得所述预处理后的视频图像的阴影图像；
根据所述阴影图像和前景运动目标图像，获得阴影移除后的前景运动目标图像；
在所述阴影移除后的前景运动目标图像中确定运动目标的第二矩形区域。
可选地，根据改进Camshift算法，从所述预处理后的视频图像中确定运动目标的第三矩形区域，包括：
步骤1：将所述预处理后的视频图像的RGB颜色空间转到HSV颜色空间；
步骤2：以所述第一矩形区域为初始搜索区域，计算所述初始搜索区域中H维和S维的颜色直方图；
步骤3：根据H维和S维的颜色直方图的反向投影，得到颜色概率分布图；
步骤4：在颜色概率分布图中计算搜索窗的零阶矩阵；
步骤5：基于所述零阶矩阵，得到所述搜索窗的目标质心；
步骤6：将所述搜索窗的目标质心作为所述搜索窗的中心，并将所述搜索窗的中心移动至上一帧预处理后的视频图像中的运动目标的质心位置，记录所述搜索窗的中心移动距离；
步骤7：判断所述搜索窗的中心移动距离是否小于预设的阈值，若小于，则将所述搜索窗的位置作为运动目标的第三矩形区域；若不小于，则返回执行步骤4。
可选地，根据所述第二矩形区域和第三矩形区域，确定最终的运动目标的跟踪窗，包括：
将所述第二矩形区域和第三矩形区域进行逻辑与运算，获得最终的运动目标跟踪窗。
可选地，根据预设的高斯混合背景模型，从所述预处理后的视频图像中提取出运动目标图像和背景图像之前，还包括：
从视频图像中提取出预设帧数的候选视频帧；
基于所述候选视频帧，构建高斯混合背景模型。
第二方面，本发明提供一种运动目标跟踪系统，包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器用于调取所述程序程序指令以第一方面中任一项所述的运动目标跟踪方法。
与现有技术相比，本发明具有如下的有益效果：
本发明提供一种运动目标跟踪方法及系统，通过对获取的视频图像进行预处理，得到预处理后的视频图像；根据预设的高斯混合背景模型，从所述预处理后的视频图像中提取出前景运动目标图像和背景图像；根据所述前景运动目标图像，确定运动目标的第一矩形区域；根据YCbCr局部阴影检测，确定运动目标的第二矩形区域；根据改进Camshift算法，从所述预处理后的视频图像中确定运动目标的第三矩形区域；根据所述第二矩形区域和第三矩形区域，确定最终的运动目标的跟踪窗。在保证目标跟踪实时性的同时，可以提高目标跟踪的准确性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例提供的运动目标跟踪方法的流程图；
图2为本发明实施例提供的运动目标跟踪方法的阴影处理前后的对比图；
图3为传统Camshift算法的目标跟踪方法的效果示意图；
图4为本发明实施例提供的运动目标跟踪方法的效果示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1为本发明实施例提供的运动目标跟踪方法的流程图，如图1所示。该方法可以包括：
S101、对获取的视频图像进行预处理，得到预处理后的视频图像。
本实施例中，利用双线性插值方法将视频图像缩放至预设的尺寸，得到缩放后的视频图像；对缩放后的视频图像进行高斯滤波以及噪声消除，得到预处理后的视频图像。具体地，利用双线性插值方法将导入的视频图像的width方向和height方向各缩小0.3倍，加快后期对图像的处理速度。然后，对视频图像进行高斯滤波，消除噪声干扰。高斯内核的大小为3×3，滤波后得到预处理后的视频图像frame。
S102、根据预设的高斯混合背景模型，从预处理后的视频图像中提取出前景运动目标图像和背景图像。
本实施例中，高斯混合背景模型建立完成后，提取前景运动目标图像fgMask1和背景图像bgImage。
可选地，在执行S102之前，还可以从视频图像中提取出预设帧数的候选视频帧；基于候选视频帧，构建高斯混合背景模型。具体地，利用视频图像的前10帧建立高斯混合背景模型，提取前景运动目标图像fgMask1和背景图像bgImage。
S103、根据前景运动目标图像，确定运动目标的第一矩形区域。
本实施例中，对前景运动目标图像依次进行固定阈值处理、中值滤波、形态学处理，获得处理后的前景运动目标图像；在处理后的前景运动目标图像中确定运动目标的第一矩形区域；第一矩形区域包围运动目标。
具体地，将前景运动目标图像fgMask1二值化，采用固定阈值处理，阈值设定为128。二值化后得到前景二值图像fgMask2。然后，对前景二值图像fgMask2进行中值滤波，进一步消除噪声点；其中，设定滤波二维滑动模板为5×5。然后，将滤波后的图像进行形态学闭处理，消除一些干扰团块；其中形态学闭处理使用5×5长方形结构元素。最后，利用OpenCV中findContours函数查找前景目标的所有轮廓，并标识前景运动目标最小外接矩形区域rt1。
S104、根据YCbCr局部阴影检测，确定运动目标的第二矩形区域。
本实施例中，将预处理后的视频图像的RGB颜色空间转到YCbCr颜色空间；根据局部阴影检测，获得预处理后的视频图像的阴影图像；根据阴影图像和前景运动目标图像，获得阴影移除后的前景运动目标图像；在阴影移除后的前景运动目标图像中确定运动目标的第二矩形区域。
具体地，预处理后的视频图像framed RGB颜色空间转到YCbCr颜色空间。导入的视频图像的颜色空间为RGB，由RGB颜色空间转到YCbCr颜色空间的关系式如下：
其中，Y是指YCbCr颜色空间的亮度分量，Cb指YCbCr颜色空间的蓝色色度分量，Cr指YCbCr颜色空间的红色色度分量，R是指RGB颜色空间的红色色度分量，G是指RGB颜色空间的绿色色度分量，B是指RGB颜色空间的蓝色色度分量。
基于YCbCr颜色空间的局部阴影检测。前景阴影区域中像素的亮度低于背景区域像素的亮度，但色调与背景区域像素色调很相似，以此作为阴影判断的依据，分别对前景图像和背景图像的最小外接矩形区域进行阴影检测。根据阴影判断依据，当像素点(x，y)满足下式则为阴影像素点，其像素值被设置为0：
式中，CY(x，y)、CCb(x，y)、CCr(x，y)为前景图像点(x，y)的Y、Cb、Cr三个分量值，BY(x，y)、BCb(x，y)、BCr(x，y)为背景图像相应点Y、Cb、Cr三个分量值，TY、TCb、TCr分别为Y、Cb、Cr三个分量的阴影判断阈值，分别设定为30、12、12。
阴影去除。将前景运动目标图像fgMask1通过二值化处理得到前景二值图像fgMask2，YCbCr局部阴影检测得到阴影图像YCbCrMat。前景二值图像fgMask2减去阴影图像YCbCrMat得到MoveImg图像。MoveImg图像是阴影去除后所得到的前景目标图像。图2为本发明实施例提供的运动目标跟踪方法的阴影处理前后的对比图。如图2所示，本方法可以有效地去除运动目标的阴影，更加准确的获得运动目标。最后，利用OpenCV中findContours函数查找前景目标的所有轮廓，并标识前景运动目标最小外接矩形区域rt2。
S105、根据改进Camshift算法，从预处理后的视频图像中确定运动目标的第三矩形区域。
本实施例中，根据改进Camshifi算法，从预处理后的视频图像中确定运动目标的第三矩形区域，具体包括以下步骤：
步骤1：将预处理后的视频图像的RGB颜色空间转到HSV颜色空间。
步骤2：以第一矩形区域为初始搜索区域，计算初始搜索区域中H维和S维的颜色直方图。具体地，分别设置H维的区间数H-bin和S维的区间数S-bin，组成{H-bin，S-bin}二维坐标系；统计对应bin中像素点个数，画出2维H-S颜色直方图。本实施例，以第一矩形区域为初始搜索区域，免除手动选取初始搜索区域的不便。
步骤3：根据H维和S维的颜色直方图的反向投影，得到颜色概率分布图。具体地，利用bin中像素点个数占目标搜索区域像素点总数的百分比替换当前帧中对应bin中像素点的像素值。
步骤4：在颜色概率分布图中计算搜索窗的零阶矩阵。具体地，零阶矩阵的计算公式如下：
x的一阶矩阵计算公式如下：
y的一阶矩阵计算公式如下：
其中，P(xi，yi)是图像坐标点(xi，yi)的像素值，(xi，yi)的变化范围取决于搜索窗的范围。
步骤5：基于零阶矩阵，得到搜索窗的目标质心。具体地，目标质心(xic，yic)的计算公式如下：
步骤6：将搜索窗的目标质心作为搜索窗的中心，并将搜索窗的中心移动至上一帧预处理后的视频图像中的运动目标的质心位置，记录搜索窗的中心移动距离；
步骤7：判断搜索窗的中心移动距离是否小于预设的阈值，若小于，则将搜索窗的位置作为运动目标的第三矩形区域rt3；若不小于，则返回执行步骤4。
S106、根据第二矩形区域和第三矩形区域，确定最终的运动目标的跟踪窗。
本实施例中，将第二次标识出的目标矩形区域rt2和目标搜索区域rt3进行逻辑“与”运算，获得最终的运动目标跟踪窗rt4。图3为传统Camshift算法的目标跟踪方法的效果示意图。图4为本发明实施例提供的运动目标跟踪方法的效果示意图。结合图3和图4所示，本方法可以更加准确的获得运动目标。
本实施例，通过对获取的视频图像进行预处理，得到预处理后的视频图像；根据预设的高斯混合背景模型，从预处理后的视频图像中提取出前景运动目标图像和背景图像；根据前景运动目标图像，确定运动目标的第一矩形区域；根据YCbCr局部阴影检测，确定运动目标的第二矩形区域；根据改进Camshift算法，从预处理后的视频图像中确定运动目标的第三矩形区域；根据第二矩形区域和第三矩形区域，确定最终的运动目标的跟踪窗。在保证目标跟踪实时性的同时，可以提高目标跟踪的准确性。
需要说明的是，本发明提供的运动目标方法中的步骤，可以利用运动目标系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照系统的技术方案实现方法的步骤流程，即，系统中的实施例可理解为实现方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种运动目标跟踪方法，其特征在于，包括：
对获取的视频图像进行预处理，得到预处理后的视频图像；
根据预设的高斯混合背景模型，从所述预处理后的视频图像中提取出前景运动目标图像和背景图像；
根据所述前景运动目标图像，确定运动目标的第一矩形区域；
根据YCbCr局部阴影检测，确定运动目标的第二矩形区域；
根据改进Camshift算法，从所述预处理后的视频图像中确定运动目标的第三矩形区域；
根据所述第二矩形区域和第三矩形区域，确定最终的运动目标的跟踪窗。
2.根据权利要求1所述的运动目标跟踪方法，其特征在于，对获取的视频图像进行预处理，得到预处理后的视频图像，包括：
利用双线性插值方法将所述视频图像缩放至预设的尺寸，得到缩放后的视频图像；
对所述缩放后的视频图像进行高斯滤波以及噪声消除，得到预处理后的视频图像。
3.根据权利要求1所述的运动目标跟踪方法，其特征在于，根据所述前景运动目标图像，确定运动目标的第一矩形区域，包括：
对所述前景运动目标图像依次进行固定阈值处理、中值滤波、形态学处理，获得处理后的前景运动目标图像；
在所述处理后的前景运动目标图像中确定运动目标的第一矩形区域；所述第一矩形区域包围所述运动目标。
4.根据权利要求1所述的运动目标跟踪方法，其特征在于，根据YCbCr局部阴影检测，确定运动目标的第二矩形区域，包括：
将所述预处理后的视频图像的RGB颜色空间转到YCbCr颜色空间；
根据局部阴影检测，获得所述预处理后的视频图像的阴影图像；
根据所述阴影图像和前景运动目标图像，获得阴影移除后的前景运动目标图像；
在所述阴影移除后的前景运动目标图像中确定运动目标的第二矩形区域。
5.根据权利要求1所述的运动目标跟踪方法，其特征在于，根据改进Camshift算法，从所述预处理后的视频图像中确定运动目标的第三矩形区域，包括：
步骤1：将所述预处理后的视频图像的RGB颜色空间转到HSV颜色空间；
步骤2：以所述第一矩形区域为初始搜索区域，计算所述初始搜索区域中H维和S维的颜色直方图；
步骤3：根据H维和S维的颜色直方图的反向投影，得到颜色概率分布图；
步骤4：在颜色概率分布图中计算搜索窗的零阶矩阵；
步骤5：基于所述零阶矩阵，得到所述搜索窗的目标质心；
步骤6：将所述搜索窗的目标质心作为所述搜索窗的中心，并将所述搜索窗的中心移动至上一帧预处理后的视频图像中的运动目标的质心位置，记录所述搜索窗的中心移动距离；
步骤7：判断所述搜索窗的中心移动距离是否小于预设的阈值，若小于，则将所述搜索窗的位置作为运动目标的第三矩形区域；若不小于，则返回执行步骤4。
6.根据权利要求1所述的运动目标跟踪方法，其特征在于，根据所述第二矩形区域和第三矩形区域，确定最终的运动目标的跟踪窗，包括：
将所述第二矩形区域和第三矩形区域进行逻辑与运算，获得最终的运动目标跟踪窗。
7.根据权利要求1所述的运动目标跟踪方法，其特征在于，根据预设的高斯混合背景模型，从所述预处理后的视频图像中提取出运动目标图像和背景图像之前，还包括：
从视频图像中提取出预设帧数的候选视频帧；
基于所述候选视频帧，构建高斯混合背景模型。
8.一种运动目标跟踪系统，其特征在于，包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器用于调取所述程序程序指令以执行权力要求1-7中任一项所述的运动目标跟踪方法。
CN201811143920.3A 2018-09-28 2018-09-28 运动目标跟踪方法及系统 Pending CN109345566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811143920.3A CN109345566A (zh) 2018-09-28 2018-09-28 运动目标跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811143920.3A CN109345566A (zh) 2018-09-28 2018-09-28 运动目标跟踪方法及系统

Publications (1)

Publication Number Publication Date
CN109345566A true CN109345566A (zh) 2019-02-15

Family

ID=65307653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811143920.3A Pending CN109345566A (zh) 2018-09-28 2018-09-28 运动目标跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN109345566A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733770A (zh) * 2021-01-18 2021-04-30 全程(上海)智能科技有限公司 一种区域入侵监测方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794385A (zh) * 2010-03-23 2010-08-04 上海交通大学 用于视频序列的多角度多目标快速人脸跟踪方法
CN102110296A (zh) * 2011-02-24 2011-06-29 上海大学 一种复杂场景下的运动目标跟踪方法
CN102509305A (zh) * 2011-09-26 2012-06-20 浙江工业大学 基于全方位视觉的动物行为检测装置
CN102737385A (zh) * 2012-04-24 2012-10-17 中山大学 一种基于camshift和卡尔曼滤波的视频目标跟踪方法
CN102799871A (zh) * 2012-07-13 2012-11-28 Tcl集团股份有限公司 一种人脸跟踪识别的方法
CN103150740A (zh) * 2013-03-29 2013-06-12 上海理工大学 一种基于视频的运动目标跟踪方法和系统
CN107527370A (zh) * 2017-07-26 2017-12-29 南京理工大学 一种基于camshift的目标跟踪方法
US20180082428A1 (en) * 2016-09-16 2018-03-22 Qualcomm Incorporated Use of motion information in video data to track fast moving objects

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794385A (zh) * 2010-03-23 2010-08-04 上海交通大学 用于视频序列的多角度多目标快速人脸跟踪方法
CN102110296A (zh) * 2011-02-24 2011-06-29 上海大学 一种复杂场景下的运动目标跟踪方法
CN102509305A (zh) * 2011-09-26 2012-06-20 浙江工业大学 基于全方位视觉的动物行为检测装置
CN102737385A (zh) * 2012-04-24 2012-10-17 中山大学 一种基于camshift和卡尔曼滤波的视频目标跟踪方法
CN102799871A (zh) * 2012-07-13 2012-11-28 Tcl集团股份有限公司 一种人脸跟踪识别的方法
CN103150740A (zh) * 2013-03-29 2013-06-12 上海理工大学 一种基于视频的运动目标跟踪方法和系统
US20180082428A1 (en) * 2016-09-16 2018-03-22 Qualcomm Incorporated Use of motion information in video data to track fast moving objects
CN107527370A (zh) * 2017-07-26 2017-12-29 南京理工大学 一种基于camshift的目标跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DI REN 等: "An Algorithm for Improving the Accuracy and Real-time of Target Tracking", 《2018 5TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND CONTROL ENGINEERING》 *
刘超 等: "基于改进CAMShift的运动目标跟踪算法", 《计算机工程与应用》 *
单勇 等: "基于多特征背景模型的运动目标检测算法", 《计算机工程与科学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733770A (zh) * 2021-01-18 2021-04-30 全程(上海)智能科技有限公司 一种区域入侵监测方法和装置

Similar Documents

Publication Publication Date Title
Davis et al. Robust detection of people in thermal imagery
CN107527370B (zh) 一种基于camshift的目标跟踪方法
TW201120806A (en) Method of locating license plate of moving vehicle
WO2007061779A1 (en) Shadow detection in images
CN109961016B (zh) 面向智能家居场景的多手势精准分割方法
CN104899881A (zh) 一种视频图像中运动车辆阴影检测方法
Lou et al. An illumination invariant change detection algorithm
CN110223344A (zh) 一种基于形态学和视觉注意机制的红外小目标检测方法
CN103955673B (zh) 一种基于头肩模型的人体识别方法
CN109345566A (zh) 运动目标跟踪方法及系统
Russell et al. Vehicle detection based on color analysis
CN110930358A (zh) 一种基于自适应算法的太阳能面板图像处理方法
CN109410227B (zh) 一种基于gvf模型的土地利用图斑轮廓提取算法
Wang Research and implementation of intrusion detection algorithm in video surveillance
WO2022179487A1 (zh) 用于制作隐身特效的视频处理方法、滤镜、设备及介质
Zhang et al. An improved binarization algorithm of QR code image
Mahajan et al. A survey on shadow detection and removal based on single light source
Chondagar et al. A review: Shadow detection and removal
Yang A moving objects detection algorithm in video sequence
Bertozzi et al. Multi stereo-based pedestrian detection by daylight and far-infrared cameras
Lo et al. Shadow detection by integrating multiple features
Chang et al. Automatic detection and correction for glossy reflections in digital photograph
Jin et al. Shot Boundary detection algorithm based on multi-feature fusion
Huang et al. Shadow detection in very high-resolution satellite images by extended random walker
Min et al. Robust 3D human tracking based on Kinect

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: 20190215

RJ01 Rejection of invention patent application after publication