CN109543641B - 一种实时视频的多目标去重方法、终端设备及存储介质 - Google Patents
一种实时视频的多目标去重方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN109543641B CN109543641B CN201811451031.3A CN201811451031A CN109543641B CN 109543641 B CN109543641 B CN 109543641B CN 201811451031 A CN201811451031 A CN 201811451031A CN 109543641 B CN109543641 B CN 109543641B
- Authority
- CN
- China
- Prior art keywords
- target
- compared
- information data
- targets
- judged
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种实时视频的多目标去重方法、终端设备及存储介质,在该方法中,包括以下步骤:S100:根据当前时刻的视频帧画面,提取画面内各目标的图片;S200:根据各目标的图片,得到对应的结构化信息数据:目标图像特征向量、追踪信息和图像质量评分;S300:设定当前时刻之前的各目标的结构化信息数据的集合为目标集,根据目标的结构化信息数据进行聚类,将当前时刻各目标的结构化信息数据添加至目标集中,使得目标集中不同时刻的同一目标仅出现一次,且出现的目标为相对质量最好的目标。本发明通过聚类实现目标检测的输出结果,对于相同物体的图片最终只会输出一张,大大减少了系统的冗余工作,且一定范围地降低了检测的误判率,提高鲁棒性。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种实时视频的多目标去重方法、终端设备及存储介质。
背景技术
目标检测是计算机视觉领域基础任务之一,它的主要工作是识别一张图片中的多个物体,并定位出他们在图像中的位置。当前领域内流行的视频提取结构化信息的方法中主要依赖于目标检测模型先将感兴趣目标标记出来,然后进一步对各标记目标进行特征分析,以确定目标的颜色、形态等其他更具体的信息。
视频帧进行目标检测后的输出直接作为后续应用(例如人脸识别、车牌识别)的输入会出现采集到同一个目标的多张重复图片的情况,这种情况一般是不可避免的。这是因为一个目标物体在视频中停留的时间至少会有1秒左右,在1秒的时间里摄像头至少会产生25帧图片作为目标检测服务的输入,那么目标检测服务最终会采集到这个物体的25张图片。如果对于同一个目标物体输出多张图片会导致浪费很多硬件性能去做重复没有意义的工作,以至于增加系统对每一路摄像头的视频结构化信息采集的成本。
目前,对于相同目标的图片排重可参考的原有技术有:传统特征描述子提取的特征向量相似度计算方法、相关滤波算法以及基于卷积神经网络模型的算法。传统特征描述子(如:LBP、SIFT、ORB等)提取的特征向量用于计算目标图片的相似度的精度有限,即使是在一定时间段内出现误判的概率也相对较大,但它的优势是有些特征向量的提取计算量相对小且快;相关滤波算法通过目标的前一帧图片训练的目标检测器对下一帧中一定范围内的图像计算,选取与其响应最大的图片位置确定为跟踪的对象,该算法涉及很多复杂的数学运算如矩阵对角化、求逆等,后续很多优化算法都是通过不同的方法减少其矩阵计算量以提高运算速度,但即便在理想状态下也很难满足同时出现的多个目标的实时跟踪,尤其是在硬件性能有限的情况下;对于基于卷积神经网络模型的算法,网络构建的越是复杂对于不同目标图片的区分就越是精确,但相对的其运算复杂度也越来越高,这对于原本想要降低同一目标不同时间的图片对硬件性能消耗的初衷是相悖的,因此它也不适合现在的应用场景。
发明内容
为解决上述问题,本发明一种实时视频的多目标去重方法、终端设备及存储介质,通过聚类实现目标检测的输出结果,对于相同物体的图片最终只会输出一张,大大减少了系统的冗余工作,且一定范围地降低了检测的误判率,提高鲁棒性。
具体方案如下:
一种实时视频的多目标去重方法,包括以下步骤:
S100:根据当前时刻的视频帧画面,提取画面内各目标的图片;
S200:根据各目标的图片,得到对应的结构化信息数据:目标图像特征向量、追踪信息和图像质量评分;
S300:设定当前时刻之前的各目标的结构化信息数据的集合为目标集,根据目标的结构化信息数据进行聚类,将当前时刻各目标的结构化信息数据添加至目标集中,使得目标集中不同时刻的同一目标仅出现一次,且出现的目标为相对质量最好的目标。
进一步的,步骤S100具体步骤为:通过目标检测算法得到各个目标的位置坐标,通过位置坐标,得到每个目标的图片。
进一步的,步骤S200中所述追踪信息为目标在视频帧画面中的矩形框位置LocRect(x,y,w,h),其中,x,y分别为x轴和y轴坐标,w,h分别为所在矩形框的宽和高。
进一步的,步骤S300中聚类的具体方法为:
根据步骤S100和S200提取的当前时刻的各目标的结构化信息数据,分别针对每一个目标,遍历当前时刻之前的视频帧画面中出现的目标集,通过结构化信息数据判定目标集中是否存在与该目标相同的目标,如果不存在,则将该目标添加至目标集中,并新增该目标的结构化信息数据,如果存在,则更新该目标的结构化信息数据,然后进行下一目标的判定,直至所有目标均判定完毕。
进一步的,所述通过结构化信息数据判定目标集中是否存在与该目标相同的目标的方法为通过追踪信息与图像特征向量的相似度来进行判定,具体过程为:
设定当前时刻之前的目标集中的目标为待比对目标,设定当前时刻提取的目标为待判定目标,选择一个待比对目标,根据追踪信息判定待判定目标的当前位置是否在该待比对目标的可疑区域之内,如果不是,选择下一个待比对目标进行判定,直到所有待比对目标均判定完毕;如果是,则计算待判定目标与该待比对目标的图像特征向量的相似度以及待比对目标最后出现位置的中心点与待判定目标的当前位置的中心点构成的位移向量与待比对目标的历史位移向量的角度的计算,如果相似度和角度均大于阈值,则将改待比对目标的结构化信息数据更新为待判定目标的结构化信息数据,否则,选择下一个待比对目标进行判定,直到所有待比对目标均判定完毕。
进一步的,所述追踪信息的判定算法主要为:
通过待判定目标的当前位置LocRect(x1,y1,w1,h1)与待比对目标的最后出现位置LastRect(x2,y2,w2,h2)的交并比IoU,以及待比对目标最后出现位置的中心点(xL,yL)与待判定目标的当前位置的中心点(xC,yC)构成的位移向量与待比对目标的历史位移向量(xH,yH)的夹角θ来计算,只有当交并比IoU和夹角θ同时大于阈值时,待判定目标在目标集中的上述目标的可疑区域之内;
所述交并比IoU和夹角θ的计算公式为:
其中,SLocRect∩LastRect表示待判定目标的当前位置与待比对目标的最后出现位置所在的矩形框面积的交集,SLocRect∪LastRect表示待判定目标的当前位置与待比对目标的最后出现位置所在的矩形框面积的并集。
进一步的,所述图像特征向量的相似度使用余弦相似度算法进行计算,具体计算方法为:
设定两个特征向量分别为:FVa=(x1,x2,…,xM),FVb=(y1,y2,…,yM),则两个特征向量的余弦相似度为:
一种实时视频的多目标去重终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
本发明采用如上技术方案,并具有有益效果:
1、通过选择合适复杂度的图像特征提取算法可适用于多种不同的硬件平台,且均可保证实时性。
2、通过聚类实现目标检测的输出结果,对于相同物体的图片最终只会输出一张,大大减少了系统的冗余工作,且一定范围地降低了检测的误判率,提高鲁棒性。
附图说明
图1所示为本发明实施例一处理过程的示意图。
图2所示为该实施例的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
如图1和2所示,本发明实施例提供了一种实时视频的多目标去重方法,包括以下步骤:
S100:根据当前时刻(T时刻)的视频帧画面,提取画面内各目标的图片。
该实施例中,步骤S100主要采用目标检测算法。
通过目标检测算法可以得到各个目标的位置坐标,将同一时刻的视频帧画面内的所有目标的位置坐标作为一个集合Snm=Sn1、Sn2、Sn3……、Snm(n=1,2,3,...为视频帧序号,m为目标的个数),通过这些位置坐标,可以得到该视频帧画面中的每个目标的图片(如图1中右侧第一幅图所示)。
S200:根据各目标的图片,得到对应的结构化信息数据Pnm=Pn1、Pn2、Pn3……、Pnm(n=1,2,3,...为视频帧序号,m为目标的个数)。
该实施例中,所述结构化信息数据主要包括目标图像特征向量、追踪信息和图像质量评分这三部分。
所述目标图像特征向量的提取中,可以采用常用的图像特征向量提取的算法,为了能够满足不同硬件条件的需求,可选择复杂度不同的特征描述子和算法,最终得到维度为M的特征向量FV。
所述追踪信息在该实施例中设定为:目标在视频帧画面中的矩形框位置LocRect(x,y,w,h),其中,x,y分别为x轴和y轴坐标,w,h分别为所在矩形框的宽和高。
所述图像质量评分根据现有的评价算法生成,主要目的是为了在包含同一目标的图片集中找到相对质量最好的进行输出。
S300:设定当前时刻之前的各目标的结构化信息数据的集合为目标集Objs=(s=1,2,3,...,N为目标序号,N为目标集中目标的总个数),根据目标的结构化信息数据进行聚类,将当前时刻各目标的结构化信息数据添加至目标集中,使得目标集中不同时刻的同一目标仅出现一次,且出现的目标为相对质量最好的目标。
步骤S300中聚类的具体方法为:
S301:根据步骤S100和S200提取的T时刻的各目标的结构化信息数据PTm=PT1、PT2、PT3……、PTm,针对第i(i≤m)个目标PTi,遍历T时刻之前的视频帧画面中出现的目标集Objs,通过结构化信息数据判定目标集Objs中是否存在与第i个目标PTi相同的目标,如果不存在,则将目标PTi添加至目标集中,并新增其结构化信息数据,如果存在,则更新该目标的结构化信息数据,然后进行下一目标的判定,直至所有目标均判定完毕。
所述通过结构化信息数据判定目标集中是否存在与该目标相同的目标的方法为通过追踪信息与图像特征向量的相似度来进行判定,具体过程为:
遍历目标集Objs中存储的每一个目标的结构化信息数据,对于当前访问的其中第j(j从目标集Objs的第一个开始一直到第N个)个目标,首先根据追踪信息判断目标PTi的位置是否在Objj的可疑区域之内,如果不是,则说明目标PTi没有可能是目标Objj的下一帧图片,直接进入判断下一个目标;如果是,则进一步计算目标PTi与Objj的图像特征向量的相似度以及待比对目标最后出现位置的中心点(xL,yL)与待判定目标的当前位置的中心点(xC,yC)构成的位移向量与待比对目标的历史位移向量(xH,yH)的角度θ的计算,如果相似度大于设置的相同目标图片的阈值且夹角θ量大于相应阈值,就将目标PTi判定为目标Objj,根据目标PTi的结构化信息数据对目标Objj的结构化信息数据做相应更新,否则判定目标PTi不与目标Objj为相同目标,进行目标集中下一个目标的判断,直至目标集中所有目标均判定完毕。所述相同目标图片的阈值本领域技术人员可以根据历史结果统计和计算设定。
在完成了上述遍历步骤后即可得到目标PTi是否已经出现在目标集中的结论,如果目标PTi判定为新出现的目标,那么就在目标集中创建一个新的目标ObjN+1,将目标PTi的结构化信息数据对其赋初值。
该实施例中,所述追踪信息的判定算法主要为:
通过目标PTi当前位置LocRect(x1,y1,w1,h1)与目标Obji最后出现位置LastRect(x2,y2,w2,h2)的交并比IoU,(其中,xn,yn,n=1,2分别为x轴和y轴坐标,wn,hn,n=1,2分别为所在矩形的宽和高)
以及目标Obji最后出现位置的中心点(xL,yL)与目标PTi当前位置的中心点(xC,yC)构成的位移向量与目标Obji历史位移向量(xH,yH)的夹角θ来计算。
所述交并比可以很好的描述两个目标区域的重叠程度,由于目标在镜头中持续出现,因此在极短的时间内同一个目标在不同的视频帧都会有一定程度的交叠,而代表目标位移的方向向量(xC-xL,yC-yL)与其历史方向向量(xH,yH)的夹角θ代表了目标移动的方向一致性的程度,只有当交并比和夹角θ同时大于阈值时,才可以认为目标PTi在目标Obji的可疑区域之内。所述阈值本领域技术人员可以根据历史结果统计和计算设定。
该实施例中,所述交并比IoU和夹角θ的计算公式为:
其中,SLocRect∩LastRect表示待判定目标的当前位置与待比对目标的最后出现位置所在的矩形面积框的交集,SLocRect∪LastRect表示待判定目标的当前位置与待比对目标的最后出现位置所在的矩形框面积的并集。
该实施例中,关于两个图像特征向量的相似度使用余弦相似度算法进行计算,计算结果在-1到1之间,结果越接近1则两个向量的相似度越大,其具体的计算公式如下:
假设特征向量FVa与FVb均为M维特征向量,则FVa表示为(x1,x2,…,xM),FVb表示为(y1,y2,…,yM),则FVa与FVb的余弦相似度为:
随着视频处理的推进,在某一段时间的视频流中出现的感兴趣目标会被排重聚类到目标集Objs中,最终每个目标按照图片质量评分的排序只会输出一张分数最高的给后续应用,提高整个系统的处理速度,避免其大量冗余工作。
本发明实施例一汲取了图像特征向量提取迅速的优点,又通过目标在摄像头内的位置信息提取交并比(IoU)与位移向量限制了目标搜索范围,提高了目标去重的精度并满足在多种硬件平台实时处理的能力。
实施例二:
本发明还提供一种实时视频的多目标去重终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述实时视频的多目标去重终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述实时视频的多目标去重终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述实时视频的多目标去重终端设备的组成结构仅仅是实时视频的多目标去重终端设备的示例,并不构成对实时视频的多目标去重终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述实时视频的多目标去重终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述实时视频的多目标去重终端设备的控制中心,利用各种接口和线路连接整个实时视频的多目标去重终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述实时视频的多目标去重终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述实时视频的多目标去重终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (7)
1.一种实时视频的多目标去重方法,其特征在于,包括以下步骤:
S100:根据当前时刻的视频帧画面,提取画面内各目标的图片;
S200:根据各目标的图片,得到对应的结构化信息数据:目标图像特征向量、追踪信息和图像质量评分;
S300:设定当前时刻之前的各目标的结构化信息数据的集合为目标集,根据目标的结构化信息数据进行聚类,将当前时刻各目标的结构化信息数据添加至目标集中,使得目标集中不同时刻的同一目标仅出现一次,且出现的目标为相对质量最好的目标;
聚类过程中判定目标集中是否存在与当前时刻的目标相同的目标的方法为通过追踪信息与图像特征向量的相似度来进行判定,具体过程为:设定当前时刻之前的目标集中的目标为待比对目标,设定当前时刻提取的目标为待判定目标,选择一个待比对目标,根据追踪信息判定待判定目标的当前位置是否在该待比对目标的可疑区域之内,如果不是,选择下一个待比对目标进行判定,直到所有待比对目标均判定完毕;如果是,则计算待判定目标与该待比对目标的图像特征向量的相似度,以及计算待比对目标最后出现位置的中心点与待判定目标的当前位置的中心点构成的位移向量与待比对目标的历史位移向量的角度,如果相似度和角度均大于阈值,则将改待比对目标的结构化信息数据更新为待判定目标的结构化信息数据,否则,选择下一个待比对目标进行判定,直到所有待比对目标均判定完毕;
在可疑区域之内需满足待判定目标当前位置与待比对目标最后出现位置的交并比和待判定目标当前位置的中心点与待比对目标最后出现位置的中心点构成的位移向量与待判定目标历史位移向量的夹角θ同时大于阈值;
追踪信息为目标在视频帧画面中的矩形框位置LocRect(x,y,w,h),其中,x,y分别为x轴和y轴坐标,w,h分别为所在矩形框的宽和高。
2.根据权利要求1所述的实时视频的多目标去重方法,其特征在于:步骤S100具体步骤为:通过目标检测算法得到各个目标的位置坐标,通过位置坐标,得到每个目标的图片。
3.根据权利要求1所述的实时视频的多目标去重方法,其特征在于:步骤S300中聚类的具体方法为:
根据步骤S100和S200提取的当前时刻的各目标的结构化信息数据,分别针对每一个目标,遍历当前时刻之前的视频帧画面中出现的目标集,通过结构化信息数据判定目标集中是否存在与该目标相同的目标,如果不存在,则将该目标添加至目标集中,并新增该目标的结构化信息数据,如果存在,则更新该目标的结构化信息数据,然后进行下一目标的判定,直至所有目标均判定完毕。
4.根据权利要求1所述的实时视频的多目标去重方法,其特征在于:所述追踪信息的判定算法为:
通过待判定目标的当前位置LocRect(x1,y1,w1,h1)与待比对目标的最后出现位置LastRect(x2,y2,w2,h2)的交并比IoU,以及待比对目标最后出现位置的中心点(xL,yL)与待判定目标的当前位置的中心点(xC,yC)构成的位移向量与待比对目标的历史位移向量(xH,yH)的夹角θ来计算,只有当交并比IoU和夹角θ同时大于阈值时,待判定目标在目标集中的待比对目标的可疑区域之内;
所述交并比IoU和夹角θ的计算公式为:
其中,SLocRect∩LastRect表示待判定目标的当前位置与待比对目标的最后出现位置所在的矩形框面积的交集,SLocRect∪LastRect表示待判定目标的当前位置与待比对目标的最后出现位置所在的矩形框面积的并集。
6.一种实时视频的多目标去重终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-5中任一所述方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811451031.3A CN109543641B (zh) | 2018-11-30 | 2018-11-30 | 一种实时视频的多目标去重方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811451031.3A CN109543641B (zh) | 2018-11-30 | 2018-11-30 | 一种实时视频的多目标去重方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543641A CN109543641A (zh) | 2019-03-29 |
CN109543641B true CN109543641B (zh) | 2021-01-26 |
Family
ID=65851361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811451031.3A Active CN109543641B (zh) | 2018-11-30 | 2018-11-30 | 一种实时视频的多目标去重方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543641B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111565A (zh) * | 2019-04-18 | 2019-08-09 | 中国电子科技网络信息安全有限公司 | 一种基于实时视频流下的人车流量统计系统与方法 |
CN110457990B (zh) * | 2019-06-19 | 2020-06-12 | 特斯联(北京)科技有限公司 | 一种机器学习的安防监控视频遮挡智能填补方法与系统 |
CN112287719B (zh) * | 2019-07-23 | 2024-05-03 | 厦门雅迅网络股份有限公司 | 一种车道线过滤方法、终端设备及存储介质 |
US11176417B2 (en) * | 2019-10-06 | 2021-11-16 | International Business Machines Corporation | Method and system for producing digital image features |
CN113051437B (zh) * | 2019-12-28 | 2022-12-13 | 浙江宇视科技有限公司 | 一种目标去重方法、装置、电子设备和存储介质 |
CN111209818A (zh) * | 2019-12-30 | 2020-05-29 | 新大陆数字技术股份有限公司 | 视频个体识别方法、系统、设备及可读存储介质 |
CN112911239B (zh) * | 2021-01-28 | 2022-11-11 | 北京市商汤科技开发有限公司 | 视频处理方法及装置、电子设备和存储介质 |
CN113762326A (zh) * | 2021-05-26 | 2021-12-07 | 腾讯云计算(北京)有限责任公司 | 一种数据识别方法、装置、设备及可读存储介质 |
CN113436097B (zh) * | 2021-06-24 | 2022-08-02 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种视频抠图方法、装置、存储介质和设备 |
CN114693735B (zh) * | 2022-03-23 | 2023-03-14 | 成都智元汇信息技术股份有限公司 | 一种基于目标识别的视频融合方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693299A (zh) * | 2012-05-17 | 2012-09-26 | 西安交通大学 | 一种并行视频拷贝检测系统和方法 |
CN105931269A (zh) * | 2016-04-22 | 2016-09-07 | 海信集团有限公司 | 一种视频中的目标跟踪方法及装置 |
CN106570110A (zh) * | 2016-10-25 | 2017-04-19 | 北京小米移动软件有限公司 | 图像去重方法及装置 |
CN107491748A (zh) * | 2017-08-09 | 2017-12-19 | 电子科技大学 | 一种基于视频的目标车辆提取方法 |
CN107944427A (zh) * | 2017-12-14 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 动态人脸识别方法及计算机可读存储介质 |
CN108154171A (zh) * | 2017-12-20 | 2018-06-12 | 北京奇艺世纪科技有限公司 | 一种人物识别方法、装置及电子设备 |
CN108229322A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 基于视频的人脸识别方法、装置、电子设备及存储介质 |
CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和系统及存储介质 |
-
2018
- 2018-11-30 CN CN201811451031.3A patent/CN109543641B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693299A (zh) * | 2012-05-17 | 2012-09-26 | 西安交通大学 | 一种并行视频拷贝检测系统和方法 |
CN105931269A (zh) * | 2016-04-22 | 2016-09-07 | 海信集团有限公司 | 一种视频中的目标跟踪方法及装置 |
CN106570110A (zh) * | 2016-10-25 | 2017-04-19 | 北京小米移动软件有限公司 | 图像去重方法及装置 |
CN107491748A (zh) * | 2017-08-09 | 2017-12-19 | 电子科技大学 | 一种基于视频的目标车辆提取方法 |
CN108229322A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 基于视频的人脸识别方法、装置、电子设备及存储介质 |
CN107944427A (zh) * | 2017-12-14 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 动态人脸识别方法及计算机可读存储介质 |
CN108154171A (zh) * | 2017-12-20 | 2018-06-12 | 北京奇艺世纪科技有限公司 | 一种人物识别方法、装置及电子设备 |
CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于轻量级卷积神经网络的人脸检测和识别算法研发;卢毅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180815(第08期);第32、53页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109543641A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543641B (zh) | 一种实时视频的多目标去重方法、终端设备及存储介质 | |
US11062123B2 (en) | Method, terminal, and storage medium for tracking facial critical area | |
WO2022217840A1 (zh) | 一种复杂背景下高精度多目标跟踪方法 | |
Asha et al. | Vehicle counting for traffic management system using YOLO and correlation filter | |
CN108846854B (zh) | 一种基于运动预测与多特征融合的车辆跟踪方法 | |
WO2022126377A1 (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
Han et al. | Adaptive discriminative deep correlation filter for visual object tracking | |
JP2018523877A (ja) | オブジェクト追跡のためのシステムおよび方法 | |
US11900676B2 (en) | Method and apparatus for detecting target in video, computing device, and storage medium | |
WO2022198817A1 (zh) | 车辆图像聚类及轨迹还原方法 | |
Dhatbale et al. | Deep learning techniques for vehicle trajectory extraction in mixed traffic | |
CN116452631A (zh) | 一种多目标跟踪方法、终端设备及存储介质 | |
Hu et al. | Real-time video stabilization for fast-moving vehicle cameras | |
Zhang et al. | Visual Object Tracking via Cascaded RPN Fusion and Coordinate Attention. | |
KR101733288B1 (ko) | 방향정보를 이용한 객체 검출기 생성 방법, 이를 이용한 객체 검출 장치 및 방법 | |
US11314968B2 (en) | Information processing apparatus, control method, and program | |
CN108805214B (zh) | 一种基于模糊加权直方图的相似图像匹配方法和系统 | |
Lai et al. | Vision based ADAS for Forward Vehicle Detection using Convolutional Neural Networks and Motion Tracking. | |
WO2020237674A1 (zh) | 目标跟踪方法、目标跟踪装置和无人机 | |
Wei et al. | Research on specific long-term single object tracking algorithms in the context of traffic | |
Li et al. | FED: A Method for Detecting Indoor People Looking down under a Fisheye Lens | |
Yang et al. | Lightweight human pose estimation based on high-resolution network | |
Nemcev et al. | Visual Objects Tracking on Road Sequences Using Information about Scene Perspective Transform. | |
CN115512261A (zh) | 一种特征聚合方法、电子设备及可读存储介质 | |
Kang et al. | A quantitative attribute-based benchmark methodology for single-target visual tracking |
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 |