CN110717403B - 一种人脸多目标跟踪方法 - Google Patents
一种人脸多目标跟踪方法 Download PDFInfo
- Publication number
- CN110717403B CN110717403B CN201910870443.9A CN201910870443A CN110717403B CN 110717403 B CN110717403 B CN 110717403B CN 201910870443 A CN201910870443 A CN 201910870443A CN 110717403 B CN110717403 B CN 110717403B
- Authority
- CN
- China
- Prior art keywords
- frame
- face
- tracker
- detection
- iou
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明提供一种人脸多目标跟踪方法,所述方法包括:获取在当前帧图像中检测到的各目标对应的检测框位置;基于上一帧图像中各目标对应的检测框位置,根据各目标对应的检测框位置、各目标在当前帧的预测位置、和各追踪器的信息收集,利用匈牙利算法对各目标对应的检测框与追踪器进行级联匹配;计算未级联匹配上的检测框和待匹配的追踪器间的IOU关系矩阵,并基于IOU关系矩阵,利用匈牙利算法进行检测框与追踪器间的IOU匹配,获得最终匹配集合,人脸检测算法快速准确,多目标跟踪器的初始化切实可行,针对特定场景下的人脸多目标跟踪,避免了采用过多计算量的深度学习算法,整体算法计算量少,可靠性高,速度快。
Description
技术领域
本发明涉及人脸识别技术领域,具体是一种人脸多目标跟踪方法。
背景技术
随着人工智能的迅猛发展,围绕着人脸事变技术的应用越来越多,比如人脸支付,机场、高铁、酒店等的人脸识别、安防系统等。公共场合对人群进行监控,实现人流统计、人脸属性的分析及特定人物的自动跟踪识别。
在实际的监控中受到光线、复杂人脸角度、小尺寸人脸、模糊人脸、遮挡人脸等因素,直接影响基于人脸熟悉的准确性。多目标跟踪算法主要分为两步,第一步是检测当前帧图像中所包含的目标,第二步是将这些目标与已有的目标轨迹相匹配,学习检测结果的特征并计算匹配相似度或距离度量是多目标跟踪算法的关键步骤。随着深度学习技术在多领域的良好表现,越来越多的研究者将深度学习技术应用至多目标跟踪领域,利用深度网络来设计优化检测之间的相似性或距离度量方式,然而,深度学习计算量较大,更加适合于复杂场景下的多目标跟踪。针对摄像头拍摄位置和角度不变的简单场景,本发明提出一种基于简单匹配的人脸多目标跟踪算法,减少额外计算量,实现人脸多目标的实时跟踪。
发明内容
本发明针对现有技术中存在的技术问题,提供一种人脸多目标跟踪方法。
本发明解决上述技术问题的技术方案如下,一种基于人脸多目标跟踪方法,包括以下步骤:
S1:初始化帧计数器,获取视频帧,进行人脸识别,为检测到的每张人脸创建多目标跟踪器,并初始化多目标跟踪器;
S2:获取下一帧视频帧,帧计算器加1,同时判断所述跟踪器的窗口位置是否有人脸,若有则根据前一帧与当前帧的人脸相关性更新对应跟踪器;利用上一帧图像中各个人脸对应的检测框位置,预测当前帧图像中各个人脸出现的位置,即各人脸在当前帧的预测位置。
S3:由步骤2中得到的视频帧,计算IOU关系矩阵B;
S4:由步骤2中计算所得的矩阵A,将第i+1帧与第i帧的人脸框进行匹配;
S5:利用第i+1帧中所检测到的人脸框初始化新的多目标跟踪器;
S6:,对当前视频帧重新进行人脸检测,同时判断检测到的人脸是否位于已有的跟踪器窗口内,若是,则根据前一帧与当前帧的人脸相关性更新对应的跟踪器,否则为新检测到人脸创建跟踪器,并跳转至步骤2;重复步骤2,最终实现人脸的多目标跟踪。
进一步,所述步骤S1所述人脸检测采用S3FD作为人脸检测器,获取在所述当前帧图像中检测到的各目标对应的检测框位置;
进一步,所述步骤S1中多目标跟踪器对每个检测框和追踪器进行联级配比,所述步骤S3中IOU可以理解为检测框和追踪器的重合程度,首先计算所述未级联匹配上的检测框和待匹配的追踪器间的IOU距离矩阵,并基于所述IOU距离矩阵,利用匈牙利算法进行检测框与追踪器间的IOU匹配,获得最终匹配集合,假设检测框A与追踪器B之间的交并比,SA∩B为检测框A与追踪器B交集的面积,SA∪B为检测框A与追踪器B并集的面积,交并比IOU的计算公式为IOU=SA∩B/SA∪B;
进一步,所述当前帧的人脸检测框与上一帧的人脸检测框的匹配问题可以理解为一种任务分配问题,相邻帧之间检测框的IOU可以衡量两个检测框是否为同一人脸,则1-IOU可以作为将两个检测框当作同一物体带来的损失,基于矩阵A可以采用匈牙利算法以最小损失的方式,求取两帧检测框之间的对应关系;
进一步,所述跟踪器建立有缓冲器,并初始化跟踪器的存活时长,所述缓冲器保存跟踪器在存活期间对应的每一视频帧中人脸的质量、人脸的位置信息;
进一步,所述S3FD进行第i+1帧的人脸检测,并计算IOU关系矩阵B,计算矩阵A=1-B。
有益效果:与现有的技术相比,本发明具有以下优点:
1、本发明中,人脸检测算法快速准确,多目标跟踪器的初始化切实可行。
2、本发明中,针对特定场景下的人脸多目标跟踪,避免了采用过多计算量的深度学习算法,整体算法计算量少,可靠性高,速度快。
附图说明
图1为本发明方法流程图。
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。
一种人脸多目标跟踪算法,具体包括以下步骤:
步骤1:初始化帧计数器(i),获取视频帧(i),进行人脸识别,为检测到的每张人脸创建多目标跟踪器,并初始化多目标跟踪器;进行人脸检测是采用S3FD作为人脸检测器,,获取在所述当前帧图像中检测到的各目标对应的检测框位置;
其中,S3FD是一款快速且精准的人脸检测器,对于视频流中的每一帧,该检测器都可以快速地检测出人脸,所以不会因检测算法出现处理延迟的视觉效果,另外,该检测器检测精度较高,当设置较高的人脸置信度阈值时,更不会出现误检的情况,以检测出的人脸初始化多目标跟踪器;
步骤2:获取下一帧视频帧,帧计算器加1(i+1),同时判断所述多目标跟踪器的窗口位置是否有人脸,若有则根据前一帧与当前帧的人脸相关性更新对应多目标跟踪器;利用上一帧图像中各个人脸对应的检测框位置,预测当前帧图像中各个人脸出现的位置,即各人脸在当前帧的预测位置;
步骤3:由步骤2中得到的各目标对应的检测框位置视频帧,计算IOU关系矩阵B;计算矩阵A=1-B;
其中,多目标跟踪器对每个检测框和追踪器进行联级配比,IOU可以理解为检测框和追踪器的重合程度。首先计算所述未级联匹配上的检测框和待匹配的追踪器间的IOU距离矩阵,并基于所述IOU距离矩阵,利用匈牙利算法进行检测框与追踪器间的IOU匹配,获得最终匹配集合。假设检测框A与追踪器B之间的交并比,SA∩B为检测框A与追踪器B交集的面积,SA∪B为检测框A与追踪器B并集的面积,交并比IOU的计算公式为IOU=SA∩B/SA∪B;
步骤4:由步骤3中计算所得的矩阵A,采用匈牙利匹配算法将第i+1帧与第i帧的人脸框进行匹配;
其中,匈牙利算法是一种求解任务分配的组合优化算法,目的在于求解出一种损失最小最优化的分配方案,当前帧的人脸检测框与上一帧的人脸检测框的匹配问题可以理解为一种任务分配问题,相邻帧之间检测框的IOU可以衡量两个检测框是否为同一人脸,则1-IOU可以作为将两个检测框当作同一物体带来的损失,基于矩阵A可以采用匈牙利算法以最小损失的方式,求取两帧检测框之间的对应关系。
步骤5:利用第i+1帧中所检测到的人脸框初始化新的多目标跟踪器;
步骤6:对当前视频帧重新进行人脸检测,同时判断检测到的人脸是否位于已有的多目标跟踪器窗口内,若是,则根据前一帧与当前帧的人脸相关性更新对应的多目标跟踪器,否则为新检测到人脸创建多目标跟踪器,并跳转至步骤2;重复步骤2,最终实现人脸的多目标跟踪。
以上实施例仅用以说明本发明的技术方案,而非对其限制,尽管,参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (1)
1.一种基于人脸多目标跟踪方法,其特征在于,包括以下步骤:
S1:初始化帧计数器,获取视频帧,进行人脸识别,为检测到的每张人脸创建多目标跟踪器,并初始化多目标跟踪器,人脸检测采用S3FD作为人脸检测器,获取在所述当前帧图像中检测到的各目标对应的检测框位置,多目标跟踪器对每个检测框和追踪器进行联级配比;
S2:获取下一帧视频帧i,帧计算器加1,同时判断所述跟踪器的窗口位置是否有人脸,若有则根据前一帧与当前帧的人脸相关性更新对应跟踪器,利用上一帧图像中各个人脸对应的检测框位置,预测当前帧图像中各个人脸出现的位置,即各人脸在当前帧的预测位置;
S3:由步骤S2中得到的视频帧,计算IOU关系矩阵B;
IOU为检测框和追踪器的重合程度;首先计算所述未级联匹配上的检测框和待匹配的追踪器间的IOU距离矩阵,并基于所述IOU距离矩阵,利用匈牙利算法进行检测框与追踪器间的IOU匹配,获得最终匹配集合,假设检测框A与追踪器B之间的交并比,为检测框A与追踪器B交集的面积,/>为检测框A与追踪器B并集的面积,交并比IOU的计算公式为IOU=/>//>;
S4:由步骤S2中计算所得的矩阵A,采用匈牙利匹配算法将第i+1帧与第i帧的人脸框进行匹配;
S5:利用第i+1帧中所检测到的人脸框初始化新的多目标跟踪器;
S6:对当前视频帧重新进行人脸检测,同时判断检测到的人脸是否位于已有的跟踪器窗口内,若是,则根据前一帧与当前帧的人脸相关性更新对应的跟踪器,否则为新检测到人脸创建跟踪器,并跳转至步骤S2,重复步骤S2,最终实现人脸的多目标跟踪;
所述当前帧的人脸检测框与上一帧的人脸检测框的匹配问题可以理解为一种任务分配问题,相邻帧之间检测框的IOU可以衡量两个检测框是否为同一人脸,则1-IOU可以作为将两个检测框当作同一物体带来的损失,基于矩阵A可以采用匈牙利算法以最小损失的方式,求取两帧检测框之间的对应关系;所述跟踪器建立有缓冲器,并初始化跟踪器的存活时长,所述缓冲器保存跟踪器在存活期间对应的每一视频帧中人脸的质量、人脸的位置信息;所述S3FD进行第i+1帧的人脸检测,并计算IOU关系矩阵B,计算矩阵A=1-B。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870443.9A CN110717403B (zh) | 2019-09-16 | 2019-09-16 | 一种人脸多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870443.9A CN110717403B (zh) | 2019-09-16 | 2019-09-16 | 一种人脸多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717403A CN110717403A (zh) | 2020-01-21 |
CN110717403B true CN110717403B (zh) | 2023-10-24 |
Family
ID=69210503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910870443.9A Active CN110717403B (zh) | 2019-09-16 | 2019-09-16 | 一种人脸多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717403B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930428B (zh) * | 2020-02-19 | 2020-08-14 | 成都纵横大鹏无人机科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN111354023A (zh) * | 2020-03-09 | 2020-06-30 | 中振同辂(江苏)机器人有限公司 | 一种基于摄像头的视觉多目标跟踪方法 |
CN111523424A (zh) * | 2020-04-15 | 2020-08-11 | 上海摩象网络科技有限公司 | 人脸跟踪方法及人脸跟踪设备 |
CN111768427B (zh) * | 2020-05-07 | 2023-12-26 | 普联国际有限公司 | 一种多运动目标跟踪方法、装置及存储介质 |
CN111583307A (zh) * | 2020-05-11 | 2020-08-25 | 山东万腾电子科技有限公司 | 运动目标实时检测跟踪系统及方法 |
CN112634327A (zh) * | 2020-12-21 | 2021-04-09 | 合肥讯图信息科技有限公司 | 基于YOLOv4模型的跟踪方法 |
CN112614159B (zh) * | 2020-12-22 | 2023-04-07 | 浙江大学 | 一种面向仓库场景的跨摄像头多目标跟踪方法 |
CN112700478A (zh) * | 2020-12-31 | 2021-04-23 | 北京澎思科技有限公司 | 目标跟踪方法、系统、计算机可读存储介质和程序产品 |
CN112581506A (zh) * | 2020-12-31 | 2021-03-30 | 北京澎思科技有限公司 | 人脸跟踪方法、系统及计算机可读存储介质 |
CN112686175A (zh) * | 2020-12-31 | 2021-04-20 | 北京澎思科技有限公司 | 人脸抓拍方法、系统及计算机可读存储介质 |
CN112862858A (zh) * | 2021-01-14 | 2021-05-28 | 浙江大学 | 一种基于场景运动信息的多目标跟踪方法 |
CN112906552A (zh) * | 2021-02-07 | 2021-06-04 | 上海卓繁信息技术股份有限公司 | 一种基于计算机视觉的巡检方法、装置和电子设备 |
CN113450386B (zh) * | 2021-08-31 | 2021-12-03 | 北京美摄网络科技有限公司 | 一种人脸跟踪方法和装置 |
CN114445453A (zh) * | 2021-12-21 | 2022-05-06 | 武汉中海庭数据技术有限公司 | 一种自动驾驶中实时多目标跟踪方法及系统 |
CN115311608B (zh) * | 2022-10-11 | 2023-03-21 | 之江实验室 | 一种多任务多目标关联追踪的方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496009A (zh) * | 2011-12-09 | 2012-06-13 | 北京汉邦高科数字技术股份有限公司 | 智能银行视频监控中的多人脸跟踪方法 |
CN102750527A (zh) * | 2012-06-26 | 2012-10-24 | 浙江捷尚视觉科技有限公司 | 一种银行场景中长期稳定的人脸检测与跟踪方法及装置 |
CN103093212A (zh) * | 2013-01-28 | 2013-05-08 | 北京信息科技大学 | 基于人脸检测和跟踪截取人脸图像的方法和装置 |
CN103455822A (zh) * | 2013-08-19 | 2013-12-18 | 江苏科技大学 | 复杂工业环境中的巡检机器人系统及多人脸动态跟踪方法 |
CN106485230A (zh) * | 2016-10-18 | 2017-03-08 | 中国科学院重庆绿色智能技术研究院 | 基于神经网络的人脸检测模型的训练、人脸检测方法及系统 |
CN106778585A (zh) * | 2016-12-08 | 2017-05-31 | 腾讯科技(上海)有限公司 | 一种人脸关键点跟踪方法和装置 |
CN107766832A (zh) * | 2017-10-30 | 2018-03-06 | 国网浙江省电力公司绍兴供电公司 | 一种用于现场作业施工管理的人脸识别方法 |
CN108062349A (zh) * | 2017-10-31 | 2018-05-22 | 深圳大学 | 基于视频结构化数据及深度学习的视频监控方法和系统 |
CN108470353A (zh) * | 2018-03-01 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 一种目标跟踪方法、装置和存储介质 |
CN208112096U (zh) * | 2018-03-27 | 2018-11-16 | 国网江西省电力有限公司电力科学研究院 | 一种变电站用智能巡视仪 |
CN109034247A (zh) * | 2018-07-27 | 2018-12-18 | 北京以萨技术股份有限公司 | 一种基于跟踪算法的较高纯度的人脸识别样本提取方法 |
CN109948420A (zh) * | 2019-01-04 | 2019-06-28 | 平安科技(深圳)有限公司 | 人脸比对方法、装置及终端设备 |
CN110046548A (zh) * | 2019-03-08 | 2019-07-23 | 深圳神目信息技术有限公司 | 人脸的跟踪方法、装置、计算机设备和可读存储介质 |
-
2019
- 2019-09-16 CN CN201910870443.9A patent/CN110717403B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496009A (zh) * | 2011-12-09 | 2012-06-13 | 北京汉邦高科数字技术股份有限公司 | 智能银行视频监控中的多人脸跟踪方法 |
CN102750527A (zh) * | 2012-06-26 | 2012-10-24 | 浙江捷尚视觉科技有限公司 | 一种银行场景中长期稳定的人脸检测与跟踪方法及装置 |
CN103093212A (zh) * | 2013-01-28 | 2013-05-08 | 北京信息科技大学 | 基于人脸检测和跟踪截取人脸图像的方法和装置 |
CN103455822A (zh) * | 2013-08-19 | 2013-12-18 | 江苏科技大学 | 复杂工业环境中的巡检机器人系统及多人脸动态跟踪方法 |
CN106485230A (zh) * | 2016-10-18 | 2017-03-08 | 中国科学院重庆绿色智能技术研究院 | 基于神经网络的人脸检测模型的训练、人脸检测方法及系统 |
CN106778585A (zh) * | 2016-12-08 | 2017-05-31 | 腾讯科技(上海)有限公司 | 一种人脸关键点跟踪方法和装置 |
CN107766832A (zh) * | 2017-10-30 | 2018-03-06 | 国网浙江省电力公司绍兴供电公司 | 一种用于现场作业施工管理的人脸识别方法 |
CN108062349A (zh) * | 2017-10-31 | 2018-05-22 | 深圳大学 | 基于视频结构化数据及深度学习的视频监控方法和系统 |
CN108470353A (zh) * | 2018-03-01 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 一种目标跟踪方法、装置和存储介质 |
CN208112096U (zh) * | 2018-03-27 | 2018-11-16 | 国网江西省电力有限公司电力科学研究院 | 一种变电站用智能巡视仪 |
CN109034247A (zh) * | 2018-07-27 | 2018-12-18 | 北京以萨技术股份有限公司 | 一种基于跟踪算法的较高纯度的人脸识别样本提取方法 |
CN109948420A (zh) * | 2019-01-04 | 2019-06-28 | 平安科技(深圳)有限公司 | 人脸比对方法、装置及终端设备 |
CN110046548A (zh) * | 2019-03-08 | 2019-07-23 | 深圳神目信息技术有限公司 | 人脸的跟踪方法、装置、计算机设备和可读存储介质 |
Non-Patent Citations (2)
Title |
---|
张俊 ; 许力 ; .一种基于目标检测和联合概率数据关联的多目标跟踪方法.工业控制计算机.2018,(03),全文. * |
成悦 ; 李建增 ; .结合在线学习的尺度自适应多目标跟踪算法.电光与控制.2018,(08),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110717403A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717403B (zh) | 一种人脸多目标跟踪方法 | |
CN108447080B (zh) | 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质 | |
CN107330920B (zh) | 一种基于深度学习的监控视频多目标追踪方法 | |
CN102004920B (zh) | 一种监控视频分割及索引方法 | |
CN109544592B (zh) | 针对相机移动的运动目标检测算法 | |
Bayona et al. | Comparative evaluation of stationary foreground object detection algorithms based on background subtraction techniques | |
Simonnet et al. | Re-identification of pedestrians in crowds using dynamic time warping | |
CN103971386A (zh) | 一种动态背景场景下的前景检测方法 | |
Celik et al. | Towards a robust solution to people counting | |
Chen et al. | Indoor and outdoor people detection and shadow suppression by exploiting HSV color information | |
CN108986143B (zh) | 一种视频中目标检测跟踪方法 | |
CN110633643A (zh) | 一种面向智慧社区的异常行为检测方法及系统 | |
CN106780567B (zh) | 一种融合颜色和梯度直方图的免疫粒子滤波扩展目标跟踪方法 | |
Denman et al. | Multi-spectral fusion for surveillance systems | |
CN109903311A (zh) | 一种改进tld的矿井下视频目标跟踪方法 | |
Previtali et al. | A distributed approach for real-time multi-camera multiple object tracking | |
Lichtenauer et al. | Influence of the observation likelihood function on particle filtering performance in tracking applications | |
CN108830204A (zh) | 面对目标的监控视频中异常检测方法 | |
Xia et al. | Automatic multi-vehicle tracking using video cameras: An improved CAMShift approach | |
Wang et al. | Video SAR ground moving target indication based on multi-target tracking neural network | |
CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
CN105740819A (zh) | 一种基于整数规划的人群密度估计方法 | |
Almomani et al. | Segtrack: A novel tracking system with improved object segmentation | |
Chebi et al. | Dynamic detection of anomalies in crowd's behavior analysis | |
Liu et al. | Multi-target tracking with hierarchical data association using main-parts and spatial-temporal feature models |
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 |