CN109448021A - 一种运动目标跟踪方法及系统 - Google Patents

一种运动目标跟踪方法及系统 Download PDF

Info

Publication number
CN109448021A
CN109448021A CN201811199700.2A CN201811199700A CN109448021A CN 109448021 A CN109448021 A CN 109448021A CN 201811199700 A CN201811199700 A CN 201811199700A CN 109448021 A CN109448021 A CN 109448021A
Authority
CN
China
Prior art keywords
image
area image
tracing area
moving region
initial
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
CN201811199700.2A
Other languages
English (en)
Inventor
马越
裴鹏
彭怡凡
阮书敏
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201811199700.2A priority Critical patent/CN109448021A/zh
Publication of CN109448021A publication Critical patent/CN109448021A/zh
Priority to PCT/CN2019/104380 priority patent/WO2020078138A1/zh
Priority to EP19872264.7A priority patent/EP3686844A4/en
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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking

Landscapes

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

Abstract

本发明公开了一种运动目标跟踪方法及系统。该方法包括：获取待跟踪的运动目标的运动区域图像；获取分类器；判断运动区域图像中是否有遮挡物；若是，通过分类器对运动区域图像的上一帧图像进行分类，得到初始跟踪区域图像；若否，通过分类器对运动区域图像进行分类，得到初始跟踪区域图像；检测初始跟踪区域图像与样本图像的相似度，确定相似度最大的初始跟踪区域图像为跟踪区域图像；通过运动学模型修正跟踪区域图像；根据修正后的跟踪区域图像，对待跟踪的运动目标进行跟踪。本方法或系统能够在跟踪目标开始发生遮挡时则暂停进行对模板的更新，用上一帧的模板作为当前帧的模板，从而防止因模板被遮挡物污染而引起的跟踪失败问题。

Description

一种运动目标跟踪方法及系统
技术领域
本发明涉及目标跟踪领域，特别是涉及一种运动目标跟踪方法及系统。
背景技术
在使用KCF算法跟踪运动目标的过程中，被跟踪目标的快速运动或剧烈运动会导致原KCF算法搜索区域不能完整覆盖被跟踪目标，进而引起跟踪漂移甚至跟踪失败。保证搜索区域覆盖目标的一种方法是通过扩大搜索区域的面积，但这会导致计算量增加并降低跟踪效率。若要在保证跟踪精度同时不增加计算量则需要通过其他途径来寻求解决该问题的方法。
发明内容
本发明的目的是提供一种运动目标跟踪方法及系统，用以在跟踪目标开始发生遮挡时则暂停进行对模板的更新，用上一帧的模板作为当前帧的模板，从而防止因模板被遮挡物污染而引起的跟踪失败问题。
为实现上述目的，本发明提供了如下方案：
一种运动目标跟踪方法，所述方法包括：
获取待跟踪的运动目标的运动区域图像；
获取分类器；
判断所述运动区域图像中是否有遮挡物；
若是，通过所述分类器对所述运动区域图像的上一帧图像进行分类，得到初始跟踪区域图像；
若否，通过所述分类器对所述运动区域图像进行分类，得到初始跟踪区域图像；
检测各所述初始跟踪区域图像与样本图像的相似度，确定相似度最大的所述初始跟踪区域图像为跟踪区域图像；
通过运动学模型修正所述跟踪区域图像；
根据修正后的跟踪区域图像，对所述待跟踪的运动目标进行跟踪。
可选的，所述判断所述运动区域图像中是否有遮挡物，具体包括：
获取所述运动区域图像的检测响应最大值；
将所述检测响应最大值与响应阈值进行比较；
当所述检测响应最大值大于或等于所述响应阈值时，确定所述运动区域图像中没有遮挡物；
当所述检测响应最大值小于所述响应阈值时，确定所述运动区域图像中有遮挡物。
可选的，所述通过运动学模型修正所述跟踪区域图像，具体包括：
通过所述运动学模型预测所述待跟踪的运动目标的运动区域的中心位置；
根据所述中心位置修正所述跟踪区域图像。
一种运动目标跟踪系统，所述系统包括：
图像获取模块，用于获取待跟踪的运动目标的运动区域图像；
分类器获取模块，用于获取分类器；
判断模块，用于判断所述运动区域图像中是否有遮挡物；
第一分类模块，用于当所述初始跟踪图像中有遮挡物时，通过所述分类器对所述运动区域图像的上一帧图像进行分类，得到初始跟踪区域图像；
第二分类模块，用于当所述初始跟踪图像中没有遮挡物时，通过所述分类器对所述运动区域图像进行分类，得到初始跟踪区域图像；
检测模块，用于检测各所述初始跟踪区域图像与样本图像的相似度，确定相似度最大的所述初始跟踪区域图像为跟踪区域图像；
修正模块，用于通过运动学模型修正所述跟踪区域图像；
跟踪模块，用于根据修正后的跟踪区域图像，对所述待跟踪的运动目标进行跟踪。
可选的，所述判断模块具体包括：
检测响应最大值获取单元，用于获取所述运动区域图像的检测响应最大值；
比较单元，用于将所述检测响应最大值与响应阈值进行比较；
第一确定单元，用于当所述检测响应最大值大于或等于所述响应阈值时，确定所述运动区域图像中没有遮挡物；
第二确定单元，用于当所述检测响应最大值小于所述响应阈值时，确定所述初始跟踪图像中有遮挡物。
可选的，所述修正模块具体包括：
预测单元，用于通过所述运动学模型预测所述待跟踪的运动目标的运动区域的中心位置；
修正单元，用于根据所述中心位置修正所述跟踪区域图像。
与现有技术相比，本发明具有以下技术效果：本发明判断所述运动区域图像中是否有遮挡物；若是，通过所述分类器对所述运动区域图像的上一帧图像进行分类，得到初始跟踪区域图像；若否，通过所述分类器对所述运动区域图像进行分类，得到初始跟踪区域图像。本发明在跟踪目标开始发生遮挡时则暂停进行对模板的更新，用上一帧的模板作为当前帧的模板，从而防止因模板被遮挡物污染而引起的跟踪失败问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例运动目标跟踪方法的流程图；
图2为本发明实施例运动目标跟踪系统的结构框图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，一种运动目标跟踪方法包括：
步骤101：获取待跟踪的运动目标的运动区域图像。
步骤102：获取分类器。
步骤103：判断所述运动区域图像中是否有遮挡物。
获取所述运动区域图像的检测响应最大值；将所述检测响应最大值与响应阈值进行比较；当所述检测响应最大值大于或等于所述响应阈值时，确定所述运动区域图像中没有遮挡物；当所述检测响应最大值小于所述响应阈值时，确定所述运动区域图像中有遮挡物。
对跟踪目标是否发生遮挡的判断，要通过比较候选区域图像块检测响应f(z)的最大值与预先设定的阈值ε的关系。学习速率β设定为0.01，预先设定阈值ε为0.07
当f(z)≥ε，即不发生遮挡时，
xk+1＝βx′+(1-β)xk
αk+1＝βα′+(1-β)αk
当f(z)＜ε，即发生遮挡时，
xk+1＝xk
αk+1＝αk
其中xk和xk+1分别表示上一帧和当前帧更新后的训练样本，αk和αk+1分别表示上一帧和当前帧更新后的对偶空间系数，x′和α′分别表示，β表示模板更新时的学习速率。
步骤104：若是，通过所述分类器对所述运动区域图像的上一帧图像进行分类，得到初始跟踪区域图像。
步骤105：若否，通过所述分类器对所述运动区域图像进行分类，得到初始跟踪区域图像。
步骤106：检测各所述初始跟踪区域图像与样本图像的相似度，确定相似度最大的所述初始跟踪区域图像为跟踪区域图像。
步骤107：通过运动学模型修正所述跟踪区域图像。通过所述运动学模型预测所述待跟踪的运动目标的运动区域的中心位置；根据所述中心位置修正所述跟踪区域图像。
步骤108：根据修正后的跟踪区域图像，对所述待跟踪的运动目标进行跟踪。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明判断所述运动区域图像中是否有遮挡物；若是，通过所述分类器对所述运动区域图像的上一帧图像进行分类，得到初始跟踪区域图像；若否，通过所述分类器对所述运动区域图像进行分类，得到初始跟踪区域图像。本发明在跟踪目标开始发生遮挡时则暂停进行对模板的更新，用上一帧的模板作为当前帧的模板，从而防止因模板被遮挡物污染而引起的跟踪失败问题。
如图2所示，一种运动目标跟踪系统包括：
图像获取模块201，用于获取待跟踪的运动目标的运动区域图像。
分类器获取模块202，用于获取分类器。
判断模块203，用于判断所述运动区域图像中是否有遮挡物。
所述判断模块203具体包括：
检测响应最大值获取单元，用于获取所述运动区域图像的检测响应最大值；
比较单元，用于将所述检测响应最大值与响应阈值进行比较；
第一确定单元，用于当所述检测响应最大值大于或等于所述响应阈值时，确定所述运动区域图像中没有遮挡物；
第二确定单元，用于当所述检测响应最大值小于所述响应阈值时，确定所述初始跟踪图像中有遮挡物。
第一分类模块204，用于当所述初始跟踪图像中有遮挡物时，通过所述分类器对所述运动区域图像的上一帧图像进行分类，得到初始跟踪区域图像。
第二分类模块205，用于当所述初始跟踪图像中没有遮挡物时，通过所述分类器对所述运动区域图像进行分类，得到初始跟踪区域图像。
检测模块206，用于检测各所述初始跟踪区域图像与样本图像的相似度，确定相似度最大的所述初始跟踪区域图像为跟踪区域图像。
修正模块207，用于通过运动学模型修正所述跟踪区域图像。
所述修正模块207具体包括：
预测单元，用于通过所述运动学模型预测所述待跟踪的运动目标的运动区域的中心位置；
修正单元，用于根据所述中心位置修正所述跟踪区域图像。
跟踪模块208，用于根据修正后的跟踪区域图像，对所述待跟踪的运动目标进行跟踪。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种运动目标跟踪方法，其特征在于，所述方法包括：
获取待跟踪的运动目标的运动区域图像；
获取分类器；
判断所述运动区域图像中是否有遮挡物；
若是，通过所述分类器对所述运动区域图像的上一帧图像进行分类，得到初始跟踪区域图像；
若否，通过所述分类器对所述运动区域图像进行分类，得到初始跟踪区域图像；
检测各所述初始跟踪区域图像与样本图像的相似度，确定相似度最大的所述初始跟踪区域图像为跟踪区域图像；
通过运动学模型修正所述跟踪区域图像；
根据修正后的跟踪区域图像，对所述待跟踪的运动目标进行跟踪。
2.根据权利要求1所述的运动目标跟踪方法，其特征在于，所述判断所述运动区域图像中是否有遮挡物，具体包括：
获取所述运动区域图像的检测响应最大值；
将所述检测响应最大值与响应阈值进行比较；
当所述检测响应最大值大于或等于所述响应阈值时，确定所述运动区域图像中没有遮挡物；
当所述检测响应最大值小于所述响应阈值时，确定所述运动区域图像中有遮挡物。
3.根据权利要求1所述的运动目标跟踪方法，其特征在于，所述通过运动学模型修正所述跟踪区域图像，具体包括：
通过所述运动学模型预测所述待跟踪的运动目标的运动区域的中心位置；
根据所述中心位置修正所述跟踪区域图像。
4.一种运动目标跟踪系统，其特征在于，所述系统包括：
图像获取模块，用于获取待跟踪的运动目标的运动区域图像；
分类器获取模块，用于获取分类器；
判断模块，用于判断所述运动区域图像中是否有遮挡物；
第一分类模块，用于当所述初始跟踪图像中有遮挡物时，通过所述分类器对所述运动区域图像的上一帧图像进行分类，得到初始跟踪区域图像；
第二分类模块，用于当所述初始跟踪图像中没有遮挡物时，通过所述分类器对所述运动区域图像进行分类，得到初始跟踪区域图像；
检测模块，用于检测各所述初始跟踪区域图像与样本图像的相似度，确定相似度最大的所述初始跟踪区域图像为跟踪区域图像；
修正模块，用于通过运动学模型修正所述跟踪区域图像；
跟踪模块，用于根据修正后的跟踪区域图像，对所述待跟踪的运动目标进行跟踪。
5.根据权利要求4所述的运动目标跟踪系统，其特征在于，所述判断模块具体包括：
检测响应最大值获取单元，用于获取所述运动区域图像的检测响应最大值；
比较单元，用于将所述检测响应最大值与响应阈值进行比较；
第一确定单元，用于当所述检测响应最大值大于或等于所述响应阈值时，确定所述运动区域图像中没有遮挡物；
第二确定单元，用于当所述检测响应最大值小于所述响应阈值时，确定所述初始跟踪图像中有遮挡物。
6.根据权利要求4所述的运动目标跟踪系统，其特征在于，所述修正模块具体包括：
预测单元，用于通过所述运动学模型预测所述待跟踪的运动目标的运动区域的中心位置；
修正单元，用于根据所述中心位置修正所述跟踪区域图像。
CN201811199700.2A 2018-10-16 2018-10-16 一种运动目标跟踪方法及系统 Pending CN109448021A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811199700.2A CN109448021A (zh) 2018-10-16 2018-10-16 一种运动目标跟踪方法及系统
PCT/CN2019/104380 WO2020078138A1 (zh) 2018-10-16 2019-09-04 一种运动目标跟踪方法及系统
EP19872264.7A EP3686844A4 (en) 2018-10-16 2019-09-04 MOBILE TARGET TRACKING PROCESS AND SYSTEM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811199700.2A CN109448021A (zh) 2018-10-16 2018-10-16 一种运动目标跟踪方法及系统

Publications (1)

Publication Number Publication Date
CN109448021A true CN109448021A (zh) 2019-03-08

Family

ID=65545173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811199700.2A Pending CN109448021A (zh) 2018-10-16 2018-10-16 一种运动目标跟踪方法及系统

Country Status (3)

Country Link
EP (1) EP3686844A4 (zh)
CN (1) CN109448021A (zh)
WO (1) WO2020078138A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136171A (zh) * 2019-05-20 2019-08-16 哈尔滨工程大学 一种目标跟踪过程中判断遮挡的方法
WO2020078138A1 (zh) * 2018-10-16 2020-04-23 北京理工大学 一种运动目标跟踪方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807250B (zh) * 2021-09-17 2024-02-02 沈阳航空航天大学 一种抗遮挡和尺度自适应的低空空域飞行目标跟踪方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999920A (zh) * 2012-10-25 2013-03-27 西安电子科技大学 基于最近邻分类器和均值漂移的目标跟踪方法
CN107146238A (zh) * 2017-04-24 2017-09-08 西安电子科技大学 基于特征块优选的运动目标跟踪方法
US20170345165A1 (en) * 2016-05-27 2017-11-30 Intel Corporation Correcting Short Term Three-Dimensional Tracking Results
CN107657630A (zh) * 2017-07-21 2018-02-02 南京邮电大学 一种基于kcf的改进型抗遮挡目标跟踪方法
CN108564069A (zh) * 2018-05-04 2018-09-21 中国石油大学(华东) 一种工业佩戴安全帽视频检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10043064B2 (en) * 2015-01-14 2018-08-07 Samsung Electronics Co., Ltd. Method and apparatus of detecting object using event-based sensor
CN107480704B (zh) * 2017-07-24 2021-06-29 无际智控(天津)智能科技有限公司 一种具有遮挡感知机制的实时视觉目标跟踪方法
CN108427960B (zh) * 2018-02-10 2020-04-21 南京航空航天大学 基于改进Online Boosting和卡尔曼滤波器改进的TLD跟踪方法
CN109448021A (zh) * 2018-10-16 2019-03-08 北京理工大学 一种运动目标跟踪方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999920A (zh) * 2012-10-25 2013-03-27 西安电子科技大学 基于最近邻分类器和均值漂移的目标跟踪方法
US20170345165A1 (en) * 2016-05-27 2017-11-30 Intel Corporation Correcting Short Term Three-Dimensional Tracking Results
CN107146238A (zh) * 2017-04-24 2017-09-08 西安电子科技大学 基于特征块优选的运动目标跟踪方法
CN107657630A (zh) * 2017-07-21 2018-02-02 南京邮电大学 一种基于kcf的改进型抗遮挡目标跟踪方法
CN108564069A (zh) * 2018-05-04 2018-09-21 中国石油大学(华东) 一种工业佩戴安全帽视频检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUE MA ET AL: "KCF based 3D Object Tracking via RGB-D Camera of a Quadrotor", 《2017 INTERNATIONAL CONFERENCE ON UNMANNED AIRCRAFT SYSTEMS (ICUAS)》 *
ZHENG HAN ET AL: "Moving Object Tracking Method Based on Improved Camshift Algorithm", 《2016 INTERNATIONAL CONFERENCE ON INDUSTRIAL INFORMATICS - COMPUTING TECHNOLOGY, INTELLIGENT TECHNOLOGY, INDUSTRIAL INFORMATION INTEGRATION》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020078138A1 (zh) * 2018-10-16 2020-04-23 北京理工大学 一种运动目标跟踪方法及系统
CN110136171A (zh) * 2019-05-20 2019-08-16 哈尔滨工程大学 一种目标跟踪过程中判断遮挡的方法
CN110136171B (zh) * 2019-05-20 2023-04-18 哈尔滨工程大学 一种目标跟踪过程中判断遮挡的方法

Also Published As

Publication number Publication date
EP3686844A4 (en) 2021-03-10
WO2020078138A1 (zh) 2020-04-23
EP3686844A1 (en) 2020-07-29

Similar Documents

Publication Publication Date Title
CN109448021A (zh) 一种运动目标跟踪方法及系统
Han et al. Seq-nms for video object detection
US10264176B2 (en) Gaze tracking device and method and recording medium for performing the same
CN111666993A (zh) 医学图像样本筛查方法、装置、计算机设备和存储介质
CN105631895A (zh) 结合粒子滤波的时空上下文视频目标跟踪方法
CN105512640A (zh) 一种基于视频序列的人流量统计方法
CN105260749B (zh) 基于方向梯度二值模式和软级联svm的实时目标检测方法
CN105243356B (zh) 一种建立行人检测模型的方法及装置及行人检测方法
JP2007128513A (ja) シーン解析
CN105354791A (zh) 一种改进的自适应混合高斯前景检测方法
CN108885684B (zh) 用于检测视频中的对象的方法和系统
CN110097586A (zh) 一种人脸检测追踪方法及装置
CN105654505B (zh) 一种基于超像素的协同跟踪算法和系统
Tan et al. Detecting eye blink states by tracking iris and eyelids
CN107945210A (zh) 基于深度学习和环境自适应的目标跟踪算法
CN102800105B (zh) 基于运动矢量的目标检测方法
CN105046285B (zh) 一种基于运动约束的异常行为辨识方法
JP7125843B2 (ja) 障害検知システム
CN113361299B (zh) 一种异常停车的检测方法、装置、存储介质及电子设备
CN112418149A (zh) 一种基于深卷积神经网络的异常行为检测方法
Sharma et al. SCNet: a generalized attention-based model for crack fault segmentation
Lee et al. Accelerating multi-class defect detection of building façades using knowledge distillation of DCNN-based model
CN112464880B (zh) 夜间异动物体检测方法、装置、介质及设备
CN108875630B (zh) 一种基于视频的雨天环境下移动目标检测方法
CN107239131B (zh) 一种功耗调整方法及基于电池续航的视频分析系统

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

Application publication date: 20190308

RJ01 Rejection of invention patent application after publication