CN110490899A - 一种结合目标跟踪的可变形施工机械的实时检测方法 - Google Patents
一种结合目标跟踪的可变形施工机械的实时检测方法 Download PDFInfo
- Publication number
- CN110490899A CN110490899A CN201910624338.7A CN201910624338A CN110490899A CN 110490899 A CN110490899 A CN 110490899A CN 201910624338 A CN201910624338 A CN 201910624338A CN 110490899 A CN110490899 A CN 110490899A
- Authority
- CN
- China
- Prior art keywords
- response
- target
- construction machinery
- real
- matrix
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 47
- 238000011897 real-time detection Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000000694 effects Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000001373 regressive effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种结合目标跟踪的可变形施工机械的实时检测方法,首先通过目标检测将KCF手动框选变成自动框选。采用SSD模型进行施工机械的实时检测,一旦检测到施工机械,将其作为KCF跟踪器初始帧的目标位置。训练相关滤波器,捕获下一帧后进入目标跟踪预测阶段,获得预测样本进行响应值计算,找到响应最大的位置,如果响应值大于阈值则表明跟踪到目标,更新模型,重新训练权重参数,进行下一帧的预测。如果响应值小于阈值,则重新进行目标检测,更新目标位置状态,进行跟踪。本发明提出了一种结合目标跟踪的可变形施工机械的实时检测技术,适用于视频图像序列中场景复杂的情况下对可变形施工机械进行准确检测、跟踪并预警,具有广阔的应用前景。
Description
所属领域
本发明属于目标检测技术领域,尤其涉及一种结合目标跟踪的可变形施工机械的实时检测方法。
背景技术
近年来,在城镇化进程不断加快的同时,土地资源变得紧缺。经济发展的同时,违法占地、违法建筑的现象也逐年递增。违法占地现象突出,不仅侵蚀国家宝贵的土地资源,影响城市整体形象,更存在严重的安全隐患,危及人民群众的生命财产安全。虽然政府部门已采取相关措施对农村土地问题进行治理,并收到了一定的成效。但由于种种原因,各种土地违法利用现象并未得到遏制,其中主要原因是对土地违法利用现象缺乏有效的监管技术。现有的监管手段主要依靠人工监测,其效率低、取证难、判断难、工作量大、执法周期长,难以做到早发现早处理,导致大量违法用地现象不能被及时发现制止。
针对土地违法发现难的现实情况,准确、实时地对挖掘机等施工机械进行检测,对疑似土地违法现象的自动检测和快速发现的需求日益明显。
发明内容
技术问题:为了解决土地违法人工监测效率低、取证难、判断难、工作量大、执法周期长,难以做到早发现早处理的问题,本文提供一种结合目标跟踪的可变形施工机械的实时检测技术,实现对疑似土地违法现象的自动检测和快速发现,为土地违法行为提供了一种实时有效的监管方式。
技术方案:
一种结合目标跟踪的可变形施工机械的实时检测方法,具体包括如下步骤:
S1,读取实时视频,采用训练好的SSD可变形施工机械检测模型不间断进行挖掘机施工机械的识别和定位,若检测到存在施工机械,则在视频帧中显示并获得其位置作为KCF跟踪器初始帧的目标位置;
S2,从步骤S1中得到KCF跟踪器的初始帧,进而初始化KCF跟踪器,获得训练样本,计算其HOG方向梯度直方图特征,进行余弦窗操作以抑制边界效应,选择合适的核函数,岭回归优化获得最优分类器,相关滤波器训练完成;其中,采用的核函数是高斯核函数;
S3,捕获下一帧,用步骤S2中训练好的KCF跟踪器对预测样本进行响应值计算,找到响应最大的位置;
S4,通过步骤S3得到响应值峰值及其对应位置,若响应值大于阈值则表明跟踪到目标,将跟踪到的目标新位置作为新样本更新模型,重新训练权重参数,得到更新后的相关滤波器再进行下一帧的预测,若响应值小于阈值,则直接重新进行目标检测;
S5,根据步骤S4进行状态更新,实现可变形施工机械的实时检测。
作为本发明结合目标跟踪的可变形施工机械的实时检测方法的进一步优选方案,在步骤S1中,采用挖掘机SSD检测模型进行挖掘机在线检测,具体包括如下步骤:
S1.1,实时读取摄像头,获取视频帧序列,若视频帧分辨率过大,则缩小图片尺寸;
S1.2,采用训练好的SSD挖掘机检测模型进行在线检测;
S1.3,若检测到存在施工机械,在视频帧中显示并获得其位置作为KCF跟踪器初始帧的目标位置。
作为本发明结合目标跟踪的可变形施工机械的实时检测方法的进一步优选方案,在步骤S2中,通过步骤S1得到KCF初始帧进行跟踪器的初始化,包括如下步骤:
S2.1,通过循环矩阵生成训练样本,循环矩阵是置换矩阵P对x进行循环移位得到的,若P为式1,则一次移位后的向量为Px,如式2:
Px=[xn,x1,x2…,xn-1]T (2)
通过不断地乘置换矩阵得到n个循环移位向量,排列到矩阵中形成循环矩阵,表示成C(x):
S2.2,KCF跟踪器首先提取原始跟踪框放大一定倍数之后的所截取图像块的HOG特征,对提取出的HOG特征向量进行余弦窗操作,余弦窗将图像块的边缘区域像素变为0,从而降低错误样本的干扰,抑制边界效应;
S2.3,对得到的特征用理想高斯形状的响应输出利用岭回归训练出相关滤波器:使用岭回归的目的在于找到一个回归函数f(z)=ωTz,使样本xi和回归目标yi之间的残差平方和最小,ω是列向量表示权重系数,λ是正则化参数用于防止过拟合,线性回归函数可通过最小二乘法求解写成矩阵形式为:其中X=[x1,x2,···,xn]T的每一行表示一个向量,y是列向量,每个元素对应一个样本的标签,I是单位矩阵,令导数为0,可求得:
ω=(XHX+λI)-1XHy (4)
XH表示复共轭转置矩阵,在非线性回归中,将样本x通过适当的核函数将样本映射到高维空间,核函数为回归器的解析式为式5:
核空间下岭回归的解为:
α=(K+λI)-1y (6)
岭回归优化获得最优分类器,相关滤波器训练完成。
作为本发明结合目标跟踪的可变形施工机械的实时检测方法的进一步优选方案,在步骤S3中,捕获下一帧,用步骤S2中训练好的KCF跟踪器对预测样本进行响应值计算,找到响应最大的位置:具体包括如下步骤:
S3.1,利用公式(7),计算傅里叶域下的响应矩阵,得到响应矩阵f(z):
S3.2,在矩阵f(z)中找到响应峰值及其对应的位置。
作为本发明结合目标跟踪的可变形施工机械的实时检测方法的进一步优选方案,在步骤S4中,根据步骤S3得到响应峰值及其对应的位置后,根据响应值峰值是否大于阈值进行后续处理,包括如下步骤:
S4.1,若响应值大于阈值则表明跟踪到目标,重复性实验表明,将阈值设置为0.8时挖掘机的跟踪效果较好;将跟踪到的目标新位置作为新样本更新模型。重新训练权重参数,得到更新后的相关滤波器;
S4.2,若响应值小于阈值,则直接重新进行目标检测。
有益效果:和现有技术相比,本发明通过目标检测将KCF目标跟踪手动框选任务变成自动框选。读取实时视频流,采用训练好的SSD模型进行挖掘机等施工机械的实时检测,一旦检测到施工机械,显示并获得其位置作为KCF跟踪器初始帧的目标位置;然后进入目标跟踪训练阶段,训练相关滤波器;捕获下一帧后进入目标跟踪的预测阶段,获得预测样本进行响应值计算,找到响应最大的位置,如果响应值大于阈值则表明跟踪到目标,将跟踪到的目标新位置作为新样本更新模型,重新训练权重参数,得到更新后的相关滤波器再进行下一帧的预测。如果响应值小于阈值,则直接重新进行目标检测,更新目标位置状态,进行跟踪,直到程序停止运行的时间点或者手动让程序停止。本发明从速度、实用、鲁棒性等方面考虑,提出了一种结合目标跟踪的可变形施工机械的实时检测技术,适用于视频图像序列中场景复杂的情况下对监控视频范围内出现的可变形施工机械进行准确检测、跟踪并预警,从而实现对疑似违法用地的快速发现,实用价值高,具有广阔的应用前景。
附图说明
图1是本发明的系统流程示意图;
图2挖掘机施工场景部分视频帧;
图3结合目标跟踪的可变形施工机械的实时检测界面;
图4检测模块的挖掘机检测结果;
图5跟踪模块部分结果。
具体实施方式
下面结合实施例和附图对本发明的技术方案作进一步详细说明;应理解本实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。如图1所示,一种结合目标跟踪的可变形施工机械的实时检测技术,包括如下步骤:
S1、读取实时视频,采用训练好的SSD可变形施工机械检测模型不间断进行挖掘机等施工机械的识别和定位,一旦检测到存在施工机械,在视频帧中显示并获得其位置作为KCF跟踪器初始帧的目标位置,包括如下步骤:
S1.1、摄像头实时读取,得到如图2所示的视频帧序列,视频帧分辨率过大时,缩小图片尺寸;
S1.2、采用训练好的SSD挖掘机检测模型进行在线检测,如图4所示为检测模块的挖掘机检测结果。
S1.3、一旦检测到存在施工机械,在视频帧中显示并获得其位置作为KCF跟踪器初始帧的目标位置,如图4中检测到的挖掘机就用来初始化KCF跟踪器。
S2、从步骤S1中得到KCF跟踪器的初始帧,初始化KCF跟踪器。获得训练样本,计算其HOG特征,进行余弦窗操作以抑制边界效应,选择合适的核函数,本文中采用的核函数是高斯核函数,岭回归优化获得最优分类器,相关滤波器训练完成,包括如下步骤:
S2.1、通过循环矩阵生成训练样本,循环矩阵是置换矩阵P对x进行循环移位得到的,若P为式1,则一次移位后的向量为Px,如式2:
Px=[xn,x1,x2…,xn-1]T (2)
通过不断地乘置换矩阵得到n个循环移位向量,排列到矩阵中形成循环矩阵,表示成C(x):
S2.2、KCF跟踪器首先提取原始跟踪框放大一定倍数之后的所截取图像块的HOG特征,对提取出的HOG特征向量进行余弦窗操作,余弦窗将图像块的边缘区域像素变为0,从而降低错误样本的干扰,抑制边界效应。然后对得到的特征用理想高斯形状的响应输出利用岭回归训练出相关滤波器。使用岭回归的目的在于找到一个回归函数f(z)=ωTz,使样本xi和回归目标yi之间的残差平方和最小,ω是列向量表示权重系数,λ是正则化参数用于防止过拟合,线性回归函数可通过最小二乘法求解写成矩阵形式为:其中X=[x1,x2,···,xn]T的每一行表示一个向量,y是列向量,每个元素对应一个样本的标签,I是单位矩阵,令导数为0,可求得:
ω=(XHX+λI)-1XHy (4)
XH表示复共轭转置矩阵。在非线性回归中,将样本x通过适当的核函数将样本映射到高维空间,核函数为回归器的解析式为式5:
核空间下岭回归的解为:
α=(K+λI)-1y (6)
岭回归优化获得最优分类器,相关滤波器训练完成。
S3、捕获下一帧,用步骤S2中训练好的KCF跟踪器对预测样本进行响应值计算,找到响应最大的位置,包括如下步骤:
S3.1、利用公式7,计算傅里叶域下的响应矩阵,得到响应矩阵f(z):
S3.2、在矩阵f(z)中找到响应峰值及其对应的位置。
S4、通过步骤S3得到响应值峰值及其对应位置,如果响应值大于阈值则表明跟踪到目标,将跟踪到的目标新位置作为新样本更新模型,重新训练权重参数,得到更新后的相关滤波器再进行下一帧的预测。如果响应值小于阈值,则直接重新进行目标检测,包括如下步骤:
S4.1、如果响应值大于阈值则表明跟踪到目标。重复性实验表明,将阈值设置为0.8时挖掘机的跟踪效果较好。将跟踪到的目标新位置作为新样本更新模型。重新训练权重参数,得到更新后的相关滤波器。如图5所示为跟踪模块部分结果。
S4.2、如果响应值小于阈值,则直接重新进行目标检测。
S5、根据步骤S4进行状态更新,实现可变形施工机械的实时检测,从而实现对疑似土地违法现象的自动检测和快速发现。如图3所示为结合目标跟踪的可变形施工机械的实时检测界面。
综上,本发明通过目标检测将KCF目标跟踪手动框选任务变成自动框选。读取实时视频流,采用训练好的SSD模型进行挖掘机等施工机械的实时检测,一旦检测到施工机械,显示并获得其位置作为KCF跟踪器初始帧的目标位置。然后进入目标跟踪训练阶段,训练相关滤波器。捕获下一帧后进入目标跟踪的预测阶段,获得预测样本进行响应值计算,找到响应最大的位置,如果响应值大于阈值则表明跟踪到目标,将跟踪到的目标新位置作为新样本更新模型,重新训练权重参数,得到更新后的相关滤波器再进行下一帧的预测。如果响应值小于阈值,则直接重新进行目标检测,更新目标位置状态,进行跟踪,直到程序停止运行的时间点或者手动让程序停止。本发明从速度、实用、鲁棒性等方面考虑,提出了一种结合目标跟踪的可变形施工机械的实时检测技术,适用于视频图像序列中场景复杂的情况下对监控视频范围内出现的可变形施工机械进行准确检测、跟踪并预警,从而实现对疑似违法用地的快速发现,实用价值高,具有广阔的应用前景。
Claims (5)
1.一种结合目标跟踪的可变形施工机械的实时检测方法,其特征在于,具体包括如下步骤:
S1,读取实时视频,采用训练好的SSD可变形施工机械检测模型不间断进行挖掘机施工机械的识别和定位,若检测到存在施工机械,则在视频帧中显示并获得其位置作为KCF跟踪器初始帧的目标位置;
S2,从步骤S1中得到KCF跟踪器的初始帧,进而初始化KCF跟踪器,获得训练样本,计算其HOG方向梯度直方图特征,进行余弦窗操作以抑制边界效应,选择合适的核函数,岭回归优化获得最优分类器,相关滤波器训练完成;其中,采用的核函数是高斯核函数;
S3,捕获下一帧,用步骤S2中训练好的KCF跟踪器对预测样本进行响应值计算,找到响应最大的位置;
S4,通过步骤S3得到响应值峰值及其对应位置,若响应值大于阈值则表明跟踪到目标,将跟踪到的目标新位置作为新样本更新模型,重新训练权重参数,得到更新后的相关滤波器再进行下一帧的预测,若响应值小于阈值,则直接重新进行目标检测;
S5,根据步骤S4进行状态更新,实现可变形施工机械的实时检测。
2.根据权利要求1所述的结合目标跟踪的可变形施工机械的实时检测方法,其特征在于,在步骤S1中,采用挖掘机SSD检测模型进行挖掘机在线检测,具体包括如下步骤:
S1.1,实时读取摄像头,获取视频帧序列,若视频帧分辨率过大,则缩小图片尺寸;
S1.2,采用训练好的SSD挖掘机检测模型进行在线检测;
S1.3,若检测到存在施工机械,在视频帧中显示并获得其位置作为KCF跟踪器初始帧的目标位置。
3.根据权利要求1所述的结合目标跟踪的可变形施工机械的实时检测方法,其特征在于,在步骤S2中,通过步骤S1得到KCF初始帧进行跟踪器的初始化,包括如下步骤:
S2.1,通过循环矩阵生成训练样本,循环矩阵是置换矩阵P对x进行循环移位得到的,若P为式1,则一次移位后的向量为Px,如式2:
Px=[xn,x1,x2…,xn-1]T (2)
通过不断地乘置换矩阵得到n个循环移位向量,排列到矩阵中形成循环矩阵,表示成C(x):
S2.2,KCF跟踪器首先提取原始跟踪框放大一定倍数之后的所截取图像块的HOG特征,对提取出的HOG特征向量进行余弦窗操作,余弦窗将图像块的边缘区域像素变为0,从而降低错误样本的干扰,抑制边界效应;
S2.3,对得到的特征用理想高斯形状的响应输出利用岭回归训练出相关滤波器:使用岭回归的目的在于找到一个回归函数f(z)=ωTz,使样本xi和回归目标yi之间的残差平方和最小,ω是列向量表示权重系数,λ是正则化参数用于防止过拟合,线性回归函数可通过最小二乘法求解写成矩阵形式为:其中X=[x1,x2,···,xn]T的每一行表示一个向量,y是列向量,每个元素对应一个样本的标签,I是单位矩阵,令导数为0,可求得:
ω=(XHX+λI)-1XHy (4)
XH表示复共轭转置矩阵,在非线性回归中,将样本x通过适当的核函数将样本映射到高维空间,核函数为回归器的解析式为式5:
核空间下岭回归的解为:
α=(K+λI)-1y (6)
岭回归优化获得最优分类器,相关滤波器训练完成。
4.根据权利要求1所述的结合目标跟踪的可变形施工机械的实时检测方法,其特征在于,在步骤S3中,捕获下一帧,用步骤S2中训练好的KCF跟踪器对预测样本进行响应值计算,找到响应最大的位置:具体包括如下步骤:
S3.1,利用公式(7),计算傅里叶域下的响应矩阵,得到响应矩阵f(z):
S3.2,在矩阵f(z)中找到响应峰值及其对应的位置。
5.根据权利要求1所述的结合目标跟踪的可变形施工机械的实时检测方法,其特征在于,在步骤S4中,根据步骤S3得到响应峰值及其对应的位置后,根据响应值峰值是否大于阈值进行后续处理,包括如下步骤:
S4.1,若响应值大于阈值则表明跟踪到目标,重复性实验表明,将阈值设置为0.8时挖掘机的跟踪效果较好;将跟踪到的目标新位置作为新样本更新模型。重新训练权重参数,得到更新后的相关滤波器;
S4.2,若响应值小于阈值,则直接重新进行目标检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624338.7A CN110490899A (zh) | 2019-07-11 | 2019-07-11 | 一种结合目标跟踪的可变形施工机械的实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624338.7A CN110490899A (zh) | 2019-07-11 | 2019-07-11 | 一种结合目标跟踪的可变形施工机械的实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490899A true CN110490899A (zh) | 2019-11-22 |
Family
ID=68546985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624338.7A Pending CN110490899A (zh) | 2019-07-11 | 2019-07-11 | 一种结合目标跟踪的可变形施工机械的实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490899A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062967A (zh) * | 2019-11-25 | 2020-04-24 | 山大地纬软件股份有限公司 | 一种基于目标动态跟踪的电力营业厅客流统计方法及系统 |
CN113608618A (zh) * | 2021-08-11 | 2021-11-05 | 兰州交通大学 | 一种手部区域跟踪方法及系统 |
WO2021227351A1 (zh) * | 2020-05-15 | 2021-11-18 | 北京百度网讯科技有限公司 | 目标部位跟踪方法、装置、电子设备和可读存储介质 |
CN113902773A (zh) * | 2021-09-24 | 2022-01-07 | 南京信息工程大学 | 一种使用双检测器的长期目标跟踪方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160239982A1 (en) * | 2014-08-22 | 2016-08-18 | Zhejiang Shenghui Lighting Co., Ltd | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
CN107341820A (zh) * | 2017-07-03 | 2017-11-10 | 郑州轻工业学院 | 一种融合Cuckoo搜索和KCF的突变运动目标跟踪方法 |
CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
CN108288062A (zh) * | 2017-12-29 | 2018-07-17 | 中国电子科技集团公司第二十七研究所 | 一种基于核相关滤波的目标跟踪方法 |
CN109993776A (zh) * | 2019-04-04 | 2019-07-09 | 杭州电子科技大学 | 一种基于多级模板的相关滤波目标跟踪方法及系统 |
CN109993777A (zh) * | 2019-04-04 | 2019-07-09 | 杭州电子科技大学 | 一种基于双模板自适应阈值的目标跟踪方法及系统 |
CN109993769A (zh) * | 2019-03-07 | 2019-07-09 | 安徽创世科技股份有限公司 | 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 |
-
2019
- 2019-07-11 CN CN201910624338.7A patent/CN110490899A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160239982A1 (en) * | 2014-08-22 | 2016-08-18 | Zhejiang Shenghui Lighting Co., Ltd | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
CN107341820A (zh) * | 2017-07-03 | 2017-11-10 | 郑州轻工业学院 | 一种融合Cuckoo搜索和KCF的突变运动目标跟踪方法 |
CN108288062A (zh) * | 2017-12-29 | 2018-07-17 | 中国电子科技集团公司第二十七研究所 | 一种基于核相关滤波的目标跟踪方法 |
CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
CN109993769A (zh) * | 2019-03-07 | 2019-07-09 | 安徽创世科技股份有限公司 | 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 |
CN109993776A (zh) * | 2019-04-04 | 2019-07-09 | 杭州电子科技大学 | 一种基于多级模板的相关滤波目标跟踪方法及系统 |
CN109993777A (zh) * | 2019-04-04 | 2019-07-09 | 杭州电子科技大学 | 一种基于双模板自适应阈值的目标跟踪方法及系统 |
Non-Patent Citations (2)
Title |
---|
董艳兵: "基于相关滤波的目标跟踪的研究", 电子设计工程, vol. 26, no. 20, pages 6 - 9 * |
马晓虹等: "基于相关滤波器的目标跟踪方法综述", 电子技术应用, vol. 44, no. 6, pages 3 - 7 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062967A (zh) * | 2019-11-25 | 2020-04-24 | 山大地纬软件股份有限公司 | 一种基于目标动态跟踪的电力营业厅客流统计方法及系统 |
CN111062967B (zh) * | 2019-11-25 | 2023-05-26 | 山大地纬软件股份有限公司 | 一种基于目标动态跟踪的电力营业厅客流统计方法及系统 |
WO2021227351A1 (zh) * | 2020-05-15 | 2021-11-18 | 北京百度网讯科技有限公司 | 目标部位跟踪方法、装置、电子设备和可读存储介质 |
CN113608618A (zh) * | 2021-08-11 | 2021-11-05 | 兰州交通大学 | 一种手部区域跟踪方法及系统 |
CN113902773A (zh) * | 2021-09-24 | 2022-01-07 | 南京信息工程大学 | 一种使用双检测器的长期目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096577B (zh) | 一种摄像头分布地图中的目标追踪方法 | |
CN110490899A (zh) | 一种结合目标跟踪的可变形施工机械的实时检测方法 | |
Iqbal et al. | How computer vision can facilitate flood management: A systematic review | |
CN102324016B (zh) | 一种高密度人群流量统计方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN101325690A (zh) | 监控视频流中人流分析与人群聚集过程的检测方法及系统 | |
CN110659546B (zh) | 一种违法摊位检测方法及装置 | |
CN103679745B (zh) | 一种运动目标检测方法及装置 | |
CN102930248A (zh) | 基于机器学习的人群异常行为检测方法 | |
CN104301712A (zh) | 一种基于视频分析的监控摄像头抖动检测方法 | |
Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
CN111681382A (zh) | 一种基于视觉分析检测施工现场跨越临时围栏的方法 | |
CN109635720A (zh) | 基于视频主动监控的非法占道实时检测方法 | |
CN202444572U (zh) | 一种无参考的视频监控图像模糊质量检测装置 | |
CN109684986A (zh) | 一种基于车辆检测跟踪的车辆分析方法及系统 | |
CN103489012A (zh) | 一种基于支持向量机的人群密集度检测方法及系统 | |
CN109086682A (zh) | 一种基于多特征融合的智能视频黑烟车检测方法 | |
Wang et al. | Traffic camera anomaly detection | |
CN109711313B (zh) | 一种识别向河道内倾倒污水的实时视频监控方法 | |
JP4108593B2 (ja) | 浸水監視装置 | |
CN108717522A (zh) | 一种基于深度学习和相关滤波的人体目标跟踪方法 | |
CN101877135A (zh) | 一种基于背景重构的运动目标检测方法 | |
AU2021102276A4 (en) | A Detection Method for Quantity of Residual Plastic Films Based on Heuristic Iterative Algorithm and Its Early Warning System | |
Mantini et al. | Camera Tampering Detection using Generative Reference Model and Deep Learned Features. | |
CN110021174A (zh) | 一种基于视频图像的适用多场景的车流量计算方法 |
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 |