CN109448027A - 一种基于算法融合的自适应、持久的运动目标识别方法 - Google Patents
一种基于算法融合的自适应、持久的运动目标识别方法 Download PDFInfo
- Publication number
- CN109448027A CN109448027A CN201811224592.XA CN201811224592A CN109448027A CN 109448027 A CN109448027 A CN 109448027A CN 201811224592 A CN201811224592 A CN 201811224592A CN 109448027 A CN109448027 A CN 109448027A
- Authority
- CN
- China
- Prior art keywords
- result
- kalman
- detector
- kcf
- tracker
- 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.)
- Granted
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
- G06T7/277—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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Abstract
本发明公开了一种基于算法融合的自适应、持久的运动目标识别方法,属于目标识别技术领域,主要包括以下步骤:步骤S3:对后续帧图像使用KCF进行跟踪;对后续帧图像使用Kalman进行跟踪;步骤S4:将KCF跟踪的结果与Kalman跟踪的结果用匈牙利算法进行匹配;在两者的多个目标框中,完全匹配的目标框,使用对应的KCF对象的结果更新KCF对象和kalman对象;不匹配的目标框,使用对应的kalman对象的结果更新KCF对象和kalman对象。本发明能够应对运动目标遮挡、变换,对光照变化不敏感,可持久的在连续视频帧中跟踪多个目标,提高了视频监视系统的实时性和有效性。
Description
技术领域
本发明涉及目标识别技术领域,具体的说,是一种基于算法融合的自适应、持久、的运动目标识别方法。
背景技术
近年来,随着多媒体技术、视频压缩编码技术、网络通讯技术的发展,数字视频监控系统迅速发展。基于这些数据进行自动目标识别、跟踪,成为处理海量视频流、连续帧图像的智能化、高效化方式。通过算法进行自动识别、跟踪,还能够及时预警、避免安全事件,减少人力、财力的投入,有效提高视频监视系统的实时性及有效性。基于视频流、连续帧图像的识别算法有传统机器学习的分类方法SVM、基于深度学习的识别方法SSD等;跟踪算法有基于帧间差分、基于背景建模、基于光流法、基于边缘检测等方法。
全检测方式:运动目标识别使用全检测方式,即将每一帧图像都用于检测器检测,没有充分利用连续帧/视频流在时序方向上具有相似特征的信息。在目标被遮挡的情况下,由于检测器并没有保存目标历史信息,仅在当前帧中进行检测,就会漏检。
跟踪算法:跟踪算法能够很好的利用帧与帧之间具有相似特征这一信息。采用帧间图像差分、背景差分方法的,处理速度快,但是对光照变化敏感。如果光照变化剧烈,则效果不佳。核心相关滤波(KCF)算法对光照变化不敏感,但是对目标姿态改变敏感。卡尔曼滤波对光照变化不敏感、对姿态、变换不敏感,但是对目标运动预测效果不佳。因此,单一的跟踪算法很难解决复杂背景下稳定跟踪的问题。
检测与跟踪结合的方式:使用检测器检测出目标的初始框,然后用跟踪器进行跟踪。如果过度依赖检测器的结果,那么当检测器未能检出目标时,则可能漏检。在后续帧的运动目标识别中,由于跟踪器跟踪的是检测器返回的目标框,则后续帧也会未能识别出对应的运动目标。如果过度依赖跟踪器,当画面中出现了新的目标时,跟踪器未能识别出。并且,检测和跟踪对系统资源的占用并不能很好的利用。不同的硬件平台,资源、算力不同,检测和跟踪的间隔往往设定为固定间隔。
发明内容
本发明的目的在于解决以上技术问题,提供一种基于算法融合的自适应、持久的运动目标识别方法,能够应对运动目标遮挡、变换,对光照变化不敏感,可持久的在连续视频帧中跟踪多个目标,提高了视频监视系统的实时性和有效性。
本发明通过下述技术方案实现:
一种基于算法融合的自适应、持久的运动目标识别方法,主要包括以下步骤:
步骤S3:对后续帧图像使用KCF进行跟踪;对后续帧图像使用Kalman进行跟踪;
步骤S4:将KCF跟踪的结果与Kalman跟踪的结果用匈牙利算法进行匹配;在两者的多个目标框中,完全匹配的目标框,使用对应的KCF对象的结果更新KCF对象和kalman对象;不匹配的目标框,使用对应的kalman对象的结果更新KCF对象和kalman对象。
为了更好的对本发明进行说明,进一步地,在步骤S3之前还包括以下步骤:
步骤S1:初始化跟踪器,使用检测器检测第一帧图像,得到多个运动目标的初始框;
步骤S2:使用多个初始框初始化多个KCF对象,对象数目和目标数目一致;使用多个初始框初始化多个kalman对象,对象数目和目标数目一致。
为了更好的对本发明进行说明,进一步地,还包括自适应的步骤:
步骤S03:设置初始的间隔次数为n;在后续帧中,若累积跟踪次数≧n,则访问检测器线程与跟踪器线程共享的数据结构detFrameData;然后判断检测器是否写入了对应帧的检查结果,若是,则根据检测器的结果更新跟踪器,并返回跟踪结果,并按照步长减少间隔次数n,并清零累积跟踪次数;否则按照步长增加间隔次数n,并清零累积跟踪次数。
为了更好的对本发明进行说明,进一步地,所述步骤S03中,若累积跟踪次数<n,则累积跟踪次数加1,跟踪并更新跟踪器;所述步骤S03之后判断是否是最后一帧图像,若不是,则读取下一帧继续重复步骤S03,否则结束。
为了更好的对本发明进行说明,进一步地,初始的所述间隔次数n=td/tt,其中td为检测器检测一帧的时间,其中tt为跟踪器跟踪一帧的时间。
为了更好的对本发明进行说明,进一步地,在步骤S03之前还包括以下步骤:
步骤S01:使用多个初始框初始化跟踪器;
步骤S02:启动检测器线程和跟踪器线程;创建检测器时并检测第一帧并将结果写入detFrameData。
为了更好的对本发明进行说明,进一步地,还包括持久的步骤:
步骤S001:当需要用检测器更新跟踪器时,将kalman跟踪的结果与检测器检测的结果用匈牙利算法进行匹配;
步骤S002:在两者的多个目标框中,完全匹配的,使用对应的检测器检测结果更新KCF对象和kalman对象;不匹配的,如果是跟踪器识别出,而检测器未识别出的目标,则用跟踪器的结果更新跟踪器。
为了更好的对本发明进行说明,进一步地,所述步骤S4和步骤S002中,完全匹配的条件是阈值为IOU小于0.3。
本发明包括三个部分,分别是算法融合部分、自适应部分和持久部分:
(1)算法融合部分:通过将核相关滤波KCF和卡尔曼滤波kalman两种的跟踪算法相融合,与采用单一的目标跟踪算法相比,跟踪稳定,抗干扰能力增强,由于核相关滤波KCF实用的是图像Hog特征,对形变、遮挡处理不好,而卡尔曼滤波kalman过多关注运动目标的运动特征,对运动目标模式发生改变时鲁棒性较低,因此将两种融合,能够提高跟踪的稳定性、抗干扰性,并提高了跟踪的性能;具体包括以下步骤:
步骤A、使用检测器检测第一帧图像,在图像中通过标识得到多个运动目标的初始框,并对初始框对应的运动目标的特征信息进行采集;
步骤B、使用多个初始框的特征信息分别初始化多个KCF对象和kalman对象,且对象数目和目标数目一致;
步骤C、对后续帧图像分别使用KCF和kalman进行跟踪;
步骤D、将KCF跟踪的结果与kalman跟踪的结果用匈牙利算法进行匹配;在两者的多个目标框中,完全匹配的目标框,使用对应的KCF对象的结果更新KCF对象和kalman对象;不匹配的目标框,使用对应的kalman对象的结果更新KCF对象和kalman对象;
步骤E、跳回至步骤C。
(2)自适应部分:在不同的硬件平台上,检测和跟踪应该采取不同的间隔次数,才能够最大化资源利用率,达到最快速度的运动目标识别;具体包括以下步骤:
步骤A、初始化跟踪器,使用检测器检测第一帧图像,得到多个运动目标的初始框;
步骤B、用多个初始框对应运动目标的特征信息初始化跟踪器;
步骤C、分别启动检测器线程和跟踪器线程;
步骤D、设置初始的间隔次数n;
步骤E、在后续帧中,判断累积跟踪次数,是否大于等于n,如否,跟踪器进行跟踪,并用跟踪结果更新跟踪器;
步骤F、 在后续帧中,判断累积跟踪次数,是否大于等于n,如是,则访问检测器线程与跟踪器线程共享的数据结构detFrameData,判断是否检测器写入了对应帧的检测结果。如是,则根据检测器的结果更新跟踪器,并返回跟踪结果,并按照步长减少间隔次数n,并清零累积跟踪次数;如不是,则按照步长增加间隔次数n,并清零累积跟踪次数。
步骤G、跳回步骤E。
(3)持久部分:持久主要指,对每一个运动目标的跟踪会一直持续,在连续帧中尽可能保留最久的时间。在实际的应用场景中,由于检测器没有充分利用连续帧间具有相似特征这一信息,因此在目标发生遮挡,或者在某些特定帧,检测器检测精度不够时,就会出现检测器漏检的情况。让目标框对应的kalman对象的生命期尽可能持久,实验证明,能够极大弥补检测器检测不到、检测出错的情况。持久的步骤如下:
步骤A、初始化跟踪器,实用检测器检测第一帧图像,得到过个运动目标的初始框;
步骤B、用多个初始框对应的特征信息初始化跟踪器;
步骤C、当需要用检测器更新跟踪器时,将kalman跟踪的结果与检测器检测的结果用匈牙利算法进行匹配;在两者的多个目标框中,完全匹配的(阈值为IOU小于0.3),使用对应的检测器检测结果更新KCF对象和kalman对象;不匹配的,如果是检测器新检测的目标,则用检测器检测的结果初始化新的kalman对象和KCF对象;不匹配的,如果是跟踪器识别出,而检测器未识别出的目标,则用跟踪器的结果更新跟踪器。
步骤D、跳回步骤C。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明使用算法融合的方式进行跟踪,与原有的单一的跟踪算法相比,跟踪稳定、抗干扰、抗遮挡、抗形变能力增强。
(2)本发明使用检测与跟踪自适应算法,比原有的固定间隔方式,更充分利用不同的硬件平台资源,最大化资源利用率,达到最快速度的运动目标识别。
(3)本发明使用持久的方式,能够在依赖检测器的基础上,最大化跟踪器的作用,使得跟踪器和检测器互补,最终达到对运动目标更准确的识别的效果。
附图说明
图1为本发明的自适应部分的程序流程图。
具体实施方式
一种基于算法融合的自适应、持久的运动目标识别方法,主要包括以下步骤:
步骤S3:对后续帧图像使用KCF进行跟踪;对后续帧图像使用Kalman进行跟踪;
步骤S4:将KCF跟踪的结果与Kalman跟踪的结果用匈牙利算法进行匹配;在两者的多个目标框中,完全匹配的目标框,使用对应的KCF对象的结果更新KCF对象和kalman对象;不匹配的目标框,使用对应的kalman对象的结果更新KCF对象和kalman对象。
作为不同实施例的优选,进一步的,在步骤S3之前还包括以下步骤:
步骤S1:初始化跟踪器,使用检测器检测第一帧图像,得到多个运动目标的初始框;
步骤S2:使用多个初始框初始化多个KCF对象,对象数目和目标数目一致;使用多个初始框初始化多个kalman对象,对象数目和目标数目一致。
作为不同实施例的优选,进一步的,还包括自适应的步骤:
步骤S03:设置初始的间隔次数为n;在后续帧中,若累积跟踪次数≧n,则访问检测器线程与跟踪器线程共享的数据结构detFrameData;然后判断检测器是否写入了对应帧的检查结果,若是,则根据检测器的结果更新跟踪器,并返回跟踪结果,并按照步长减少间隔次数n,并清零累积跟踪次数;否则按照步长增加间隔次数n,并清零累积跟踪次数。
数据结构detFrameData为样本集的一种,用于存储采集的特征信息;优选的,步长为1。
作为不同实施例的优选,进一步的,所述步骤S03中,若累积跟踪次数<n,则累积跟踪次数加1,跟踪并更新跟踪器;所述步骤S03之后判断是否是最后一帧图像,若不是,则读取下一帧继续重复步骤S03,否则结束。
作为不同实施例的优选,进一步的,初始的所述间隔次数n=td/tt,其中td为检测器检测一帧的时间,其中tt为跟踪器跟踪一帧的时间。
可根据具体的硬件资源情况,对初始间隔n进行调整,这样能够最大化的提高资源的利用率。
作为不同实施例的优选,进一步的,步骤S01:使用多个初始框初始化跟踪器;
步骤S02:启动检测器线程和跟踪器线程;创建检测器时并检测第一帧并将结果写入detFrameData。
作为不同实施例的优选,进一步的,还包括持久的步骤:
步骤S001:当需要用检测器更新跟踪器时,将kalman跟踪的结果与检测器检测的结果用匈牙利算法进行匹配;
步骤S002:在两者的多个目标框中,完全匹配的,使用对应的检测器检测结果更新KCF对象和kalman对象;不匹配的,如果是跟踪器识别出,而检测器未识别出的目标,则用跟踪器的结果更新跟踪器。
作为不同实施例的优选,进一步的,所述步骤S4和步骤S002中,完全匹配的条件是阈值为IOU小于0.3。
在实际的识别场景中,可根据多个运动目标相互遮挡的成都,修改阈值,以更好的对物体进行识别。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (8)
1.一种基于算法融合的自适应、持久的运动目标识别方法,其特征在于,主要包括以下步骤:
步骤S3:对后续帧图像使用KCF进行跟踪;对后续帧图像使用Kalman进行跟踪;
步骤S4:将KCF跟踪的结果与Kalman跟踪的结果用匈牙利算法进行匹配;在两者的多个目标框中,完全匹配的目标框,使用对应的KCF对象的结果更新KCF对象和kalman对象;不匹配的目标框,使用对应的kalman对象的结果更新KCF对象和kalman对象。
2.根据权利要求1所述的一种基于算法融合的自适应、持久的运动目标识别方法,其特征在于,在步骤S3之前还包括以下步骤:
步骤S1:初始化跟踪器,使用检测器检测第一帧图像,得到多个运动目标的初始框;
步骤S2:使用多个初始框初始化多个KCF对象,对象数目和目标数目一致;使用多个初始框初始化多个kalman对象,对象数目和目标数目一致。
3.根据权利要求1或2所述的一种基于算法融合的自适应、持久的运动目标识别方法,其特征在于,还包括自适应的步骤:
步骤S03:设置初始的间隔次数为n;在后续帧中,若累积跟踪次数≧n,则访问检测器线程与跟踪器线程共享的数据结构detFrameData;然后判断检测器是否写入了对应帧的检查结果,若是,则根据检测器的结果更新跟踪器,并返回跟踪结果,并按照步长减少间隔次数n,并清零累积跟踪次数;否则按照步长增加间隔次数n,并清零累积跟踪次数。
4.根据权利要求3所述的一种基于算法融合的自适应、持久的运动目标识别方法,其特征在于,所述步骤S03中,若累积跟踪次数<n,则累积跟踪次数加1,跟踪并更新跟踪器;所述步骤S03之后判断是否是最后一帧图像,若不是,则读取下一帧继续重复步骤S03,否则结束。
5.根据权利要求3所述的一种基于算法融合的自适应、持久的运动目标识别方法,其特征在于,初始的所述间隔次数n=td/tt,其中td为检测器检测一帧的时间,其中tt为跟踪器跟踪一帧的时间。
6.根据权利要求3所述的一种基于算法融合的自适应、持久的运动目标识别方法,其特征在于,在步骤S03之前还包括以下步骤:
步骤S01:使用多个初始框初始化跟踪器;
步骤S02:启动检测器线程和跟踪器线程;创建检测器时并检测第一帧并将结果写入detFrameData。
7.根据权利要求1所述的一种基于算法融合的自适应、持久的运动目标识别方法,其特征在于,还包括持久的步骤:
步骤S001:当需要用检测器更新跟踪器时,将kalman跟踪的结果与检测器检测的结果用匈牙利算法进行匹配;
步骤S002:在两者的多个目标框中,完全匹配的,使用对应的检测器检测结果更新KCF对象和kalman对象;不匹配的,如果是跟踪器识别出,而检测器未识别出的目标,则用跟踪器的结果更新跟踪器。
8.根据权利要求7所述的一种基于算法融合的自适应、持久的运动目标识别方法,其特征在于,所述步骤S4和步骤S002中,完全匹配的条件是阈值为IOU小于0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811224592.XA CN109448027B (zh) | 2018-10-19 | 2018-10-19 | 一种基于算法融合的自适应、持久的运动目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811224592.XA CN109448027B (zh) | 2018-10-19 | 2018-10-19 | 一种基于算法融合的自适应、持久的运动目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109448027A true CN109448027A (zh) | 2019-03-08 |
CN109448027B CN109448027B (zh) | 2022-03-29 |
Family
ID=65547459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811224592.XA Active CN109448027B (zh) | 2018-10-19 | 2018-10-19 | 一种基于算法融合的自适应、持久的运动目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109448027B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322479A (zh) * | 2019-07-05 | 2019-10-11 | 武汉科技大学 | 一种基于时空显著性的双核kcf目标跟踪方法 |
CN110992305A (zh) * | 2019-10-31 | 2020-04-10 | 中山大学 | 基于深度学习和多目标跟踪技术的包裹计数方法及系统 |
CN111368830A (zh) * | 2020-03-03 | 2020-07-03 | 西北工业大学 | 基于多视频帧信息和核相光滤波算法的车牌检测识别方法 |
CN111428642A (zh) * | 2020-03-24 | 2020-07-17 | 厦门市美亚柏科信息股份有限公司 | 一种多目标跟踪算法、电子装置及计算机可读存储介质 |
CN112150415A (zh) * | 2020-09-04 | 2020-12-29 | 清华大学 | 基于深度学习的多目标精子实时监测方法 |
CN113223054A (zh) * | 2021-05-28 | 2021-08-06 | 武汉卓目科技有限公司 | 对eco跟踪框的抖动性进行改进的目标跟踪方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170018090A1 (en) * | 2015-07-15 | 2017-01-19 | Thomson Licensing | Method and apparatus for object tracking in image sequences |
CN107563347A (zh) * | 2017-09-20 | 2018-01-09 | 南京行者易智能交通科技有限公司 | 一种基于tof相机的客流计数方法和装置 |
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 |
CN108010067A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于组合判断策略的视觉目标跟踪方法 |
CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
CN108198209A (zh) * | 2017-12-22 | 2018-06-22 | 天津理工大学 | 在发生遮挡和尺度变化情况下行人跟踪算法 |
-
2018
- 2018-10-19 CN CN201811224592.XA patent/CN109448027B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170018090A1 (en) * | 2015-07-15 | 2017-01-19 | Thomson Licensing | Method and apparatus for object tracking in image sequences |
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 |
CN107563347A (zh) * | 2017-09-20 | 2018-01-09 | 南京行者易智能交通科技有限公司 | 一种基于tof相机的客流计数方法和装置 |
CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
CN108198209A (zh) * | 2017-12-22 | 2018-06-22 | 天津理工大学 | 在发生遮挡和尺度变化情况下行人跟踪算法 |
CN108010067A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于组合判断策略的视觉目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
AISHWARYA S N RANI: "Robust object tracking using kernalized correlation filters (KCF) and Kalman predictive estimates", 《2017 2ND IEEE INTERNATIONAL CONFERENCE ON RECENT TRENDS IN ELECTRONICS, INFORMATION & COMMUNICATION TECHNOLOGY (RTEICT)》 * |
NILS F. SANDELL等: "Distributed data association for Multi-target tracking in sensor networks", 《2008 47TH IEEE CONFERENCE ON DECISION AND CONTROL》 * |
YUANPING ZHANG等: "Fast multi-object tracking using convolutional neural networks with tracklets updating", 《2017 INTERNATIONAL CONFERENCE ON SECURITY, PATTERN ANALYSIS, AND CYBERNETICS (SPAC)》 * |
田亚蕾等: "结合核相关滤波和Kalman预测的运动目标跟踪", 《小型微型计算机系统》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322479A (zh) * | 2019-07-05 | 2019-10-11 | 武汉科技大学 | 一种基于时空显著性的双核kcf目标跟踪方法 |
CN110322479B (zh) * | 2019-07-05 | 2022-07-26 | 武汉科技大学 | 一种基于时空显著性的双核kcf目标跟踪方法 |
CN110992305A (zh) * | 2019-10-31 | 2020-04-10 | 中山大学 | 基于深度学习和多目标跟踪技术的包裹计数方法及系统 |
CN111368830A (zh) * | 2020-03-03 | 2020-07-03 | 西北工业大学 | 基于多视频帧信息和核相光滤波算法的车牌检测识别方法 |
CN111368830B (zh) * | 2020-03-03 | 2024-02-27 | 西北工业大学 | 基于多视频帧信息和核相关滤波算法的车牌检测识别方法 |
CN111428642A (zh) * | 2020-03-24 | 2020-07-17 | 厦门市美亚柏科信息股份有限公司 | 一种多目标跟踪算法、电子装置及计算机可读存储介质 |
CN112150415A (zh) * | 2020-09-04 | 2020-12-29 | 清华大学 | 基于深度学习的多目标精子实时监测方法 |
CN113223054A (zh) * | 2021-05-28 | 2021-08-06 | 武汉卓目科技有限公司 | 对eco跟踪框的抖动性进行改进的目标跟踪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109448027B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448027A (zh) | 一种基于算法融合的自适应、持久的运动目标识别方法 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN110399844A (zh) | 一种应用于跨平台的人脸关键点识别与追踪方法及系统 | |
CN101470809B (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
CN111161315B (zh) | 一种基于图神经网络的多目标跟踪方法和系统 | |
CN112446342B (zh) | 关键帧识别模型训练方法、识别方法及装置 | |
CN112949508A (zh) | 模型训练方法、行人检测方法、电子设备及可读存储介质 | |
CN103593679A (zh) | 一种基于在线机器学习的视觉人手跟踪方法 | |
CN116453067B (zh) | 基于动态视觉识别的短跑计时方法 | |
CN113763427B (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
KR20080069878A (ko) | 얼굴시점 결정장치 및 방법과 이를 채용하는 얼굴검출장치및 방법 | |
CN111192297A (zh) | 一种基于度量学习的多摄像头目标关联跟踪方法 | |
CN116977937A (zh) | 一种行人重识别的方法及系统 | |
CN111814588A (zh) | 行为检测方法以及相关设备、装置 | |
CN109002808B (zh) | 一种人体行为识别方法及系统 | |
CN101877135B (zh) | 一种基于背景重构的运动目标检测方法 | |
CN109523573A (zh) | 目标对象的跟踪方法和装置 | |
CN109472813A (zh) | 一种基于背景加权的Mean Shift算法和Kalman预测融合的遮挡跟踪方法 | |
CN117315547A (zh) | 一种解决动态物体大占比的视觉slam方法 | |
CN111382705A (zh) | 逆行行为检测方法、装置、电子设备及可读存储介质 | |
Nemade et al. | Adaptive automatic tracking, learning and detection of any real time object in the video stream | |
CN103886607A (zh) | 一种针对扰动目标的检测及抑制方法 | |
CN115188081A (zh) | 一种面向复杂场景的检测跟踪一体化方法 | |
Zhang et al. | Nonparametric on-line background generation for surveillance video | |
CN110602487B (zh) | 一种基于tsn网络的视频画面抖动检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |