CN111161304A - 一种快速背景估计的遥感视频目标轨迹跟踪方法 - Google Patents
一种快速背景估计的遥感视频目标轨迹跟踪方法 Download PDFInfo
- Publication number
- CN111161304A CN111161304A CN201911296013.7A CN201911296013A CN111161304A CN 111161304 A CN111161304 A CN 111161304A CN 201911296013 A CN201911296013 A CN 201911296013A CN 111161304 A CN111161304 A CN 111161304A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- remote sensing
- centroid
- targets
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
一种快速背景估计的遥感视频目标轨迹跟踪方法,针对遥感视频成像中弱小点目标,克服现有的前景估计方法的时效性缺陷,面向非线性运动目标,采用运动滤波的跟踪更新框架及目标轨迹初始化、维持和删除的策略,以及基于运动滤波的跟踪方法,可滤除大部分虚假目标,实现多目标长时间快速跟踪,无需存储历史图像信息,目标检测快速有效,利于后续并行实现,适用于各种图像序列,亦可推广应用到硬件实现,满足目标分析应用需求。
Description
技术领域
本发明属于图像处理领域,涉及一种快速背景估计的遥感视频目标轨迹跟踪方法。
背景技术
目标跟踪在计算机视觉领域有十分重要的地位,其对感兴趣的目标进行特征提取、识别和跟踪,获取目标的位置或运动参数,进而执行更高级的视觉任务,如目标行为识别、运动模式分类、图像理解等。借助图像序列间的信息耦合特性完成目标检测和跟踪更成为装备自动化的焦点。
从实现角度,目标跟踪往往需要先检测到特定目标,或者对跟踪上的未知目标判断其属性,因此检测与跟踪问题经常难以分离。
动目标检测方面,根据人们的注意程度,视频序列中的图像信息可划分为背景和前景,即运动目标,如果能够对复杂背景进行准确的建模,将极大减少后续处理的计算量,并将注意力集中到目标自动跟踪等问题上。背景估计的检测模型中,先后出现了中值滤波、单高斯、混合高斯、ViBe算法等。其中,中值滤波需要缓存若干帧历史数据,资源消耗大;混合高斯计算复杂度高;ViBe算法在目标运动缓慢时检测结果总会留下残影;单高斯模型在复杂度上满足实时性要求,且效果较好,但存在的问题是,其初始大方差的设置致使检测结果与真实值相差较大,容易丢失弱小目标。
目标跟踪方面,2014年起至今,Visual Object Tracking竞赛中涌现了大量的目标跟踪方法,如相关跟踪、基于深度学习的跟踪,这些方法大多强调短期跟踪的性能评判,利用机器学习中的判别模型,严重依赖目标的纹理和结构信息,且缺乏轨迹判别原则,不能维持交叉运动场景下的多目标长时间跟踪。
具体到遥感视频序列,其图像中弱小目标的连贯跟踪存在大量的交叉运动场景,另外由于需要兼顾轨道高度、光学系统口径、拍摄时长等限制,分辨率通常为米级水平,因此大多数感兴趣的运动目标在形状上表现为几个或十几个像素的斑点,几乎没有纹理信息,上述算法跟踪性能也大大降低。
在目标轨迹关联方面,现有的跟踪方法较少涉及,传统使用的卡尔曼滤波方法一方面对非线性运动适应性不足,且缺少遥感观测下的目标运动先验及轨迹管理的指导原则,容易出现虚警轨迹线,难以满足目标运动参数的分析需求。
同时,现有的目标检测和跟踪方法应用于遥感视频序列有许多不适应性,实际操作过程中,目标检测复杂度高或需要存储大量历史信息,背景模型的参数设定不能较好地适应弱小目标的发现;同时目标跟踪时依赖高分辨率纹理信息,运动滤波缺少遥感观测下的目标运动先验,且对短时加速机动目标兼容性差;还缺少多目标轨迹维持、管理和删除的指导原则,容易出现虚警轨迹线,难以满足目标运动参数的分析需求。
发明内容
本发明解决的技术问题是:针对遥感视频成像中弱小点目标,提出一种快速的背景方差估计方法,克服现有的前景估计方法的时效性缺陷,面向非线性运动目标,采用运动滤波的跟踪更新框架及目标轨迹初始化、维持和删除的策略,实现快速有效的多目标跟踪。
本发明的技术解决方案是:
一种快速背景估计的遥感视频目标轨迹跟踪方法,步骤如下:
(1)获取遥感视频卫星图像序列数据,预设目标运动特性参数,根据目标运动特性参数,对遥感视频卫星图像序列数据中目标进行搜索;
(2)根据步骤(1)中遥感视频卫星图像序列数据构建图像背景模型,于预设背景模型更新帧数量范围内,对背景模型持续更新,当图像帧数量大于预设背景模型更新帧数量时,获取当前帧图像及后续每帧图像的像素级前景图;
(3)对步骤(2)所得的像素级前景图进行形态学处理并提取步骤(1)搜索所得所有目标的实际质心位置;
(4)于步骤(2)中所述预设背景模型更新帧图像数量的下一帧图像开始构建各目标的运动预测方程,根据本帧图像内的各目标的运动预测方程对各目标于下一帧图像中的预测质心位置及状态矩阵进行估计;
(5)对步骤(3)所得所有目标的实际质心位置及步骤(4)所得各目标于下一帧图像中的预测质心位置进行有效性判断,若实际质心位置满足有效性判断标准,则根据每个目标于下一帧图像中的实际质心位置对各目标的运动预测方程进行更新并利用更新后的运动预测方程对下一帧图像中的该目标进行判断,否则视为该目标丢失,若该目标于连续N帧图像序列数据中均丢失,则舍弃该目标于运动预测方程下的运动轨迹;
(6)在步骤(5)的基础上,对每帧图像中属于同一运动预测方程的实际质心位置进行运动轨迹管理,作为各目标的运动历史信息向外反馈。
所述步骤(1)中预设目标运动特性参数包括遥感图像分辨率GSD、目标二维平面投影大小上限W×H、速度上限Vmax、极限加速度αmax、视频成像帧频fps、目标于像成像的像素面积上限areamax、目标帧间的像素位移上限Movemax,其中:
areamax=W/GSD×H/GSD
Movemax=Vmax/(fps*GSD)。
所述步骤(2)中,预设背景模型更新帧数量Iinitial值通过外部需求中允许背景初始化的时间长度与图像序列帧频确定。
所述步骤(2)中,根据本帧图像中任一像素(x,y)于t时刻的灰度值Gt(x,y),计算于t时刻的均值μ(x,y)及方差σ2(x,y),并根据t时刻的均值μ(x,y)及方差σ2(x,y)构建图像背景模型,其中,均值μ(x,y)及方差σ2(x,y)的更新策略如下:
当t>Iinitial且|Gt(x,y)-μt(x,y)|/σt(x,y)≥3时,该像素为前景像素,置前景图F位置(x,y)处值为1;否则置前景图F位置(x,y)处值为0。
所述步骤(3)中获取所有目标的实际质心位置的具体方法如下:
(3-1)采用3×3的结构元素对前景图F进行形态学闭操作,去掉孤立的单点,得到处理结果Ftmp;
(3-2)对Ftmp进行8邻域联通标,记联通域标号为Labeli,i=(1,2,…,labelmax);
所述步骤(4),对各目标于下一帧图像中的预测质心位置及状态矩阵进行估计的具体步骤为:
St=ASt-1AT+Q
式中,(xt,yt)为目标于t时刻预测质心位置、为目标于t时刻当前帧图像中速度、Δt为步骤(1)中遥感视频卫星图像序列帧间时间差、A和B为运动滤波方程转移矩阵、表示x方向坐标的不确定性、表示y方向坐标的不确定性、表示x方向速度的不确定性,表示y方向速度的不确定性,取St表示状态矩阵、S1为其初始化值。
所述步骤(5)中,更新后的运动预测方程具体为:
St+1=(I-KtH)St
Kt-1=St-1HT(HSt-1HT+R)-1
所述步骤(5)中,对各目标于下一帧图像中的预测质心位置进行有效性判断的方法为:以某目标运动预测方程在上一帧的质心实际位置为圆心,速度上限为半径,若目标于当前帧图像中质心实际位置在圆范围内,则认为质心实际位置对该目标有效;否则,为无效,视为该目标丢帧。
所述步骤(6)中,对所有帧图像进行轨迹管理的具体要求为:
获取目标的所有质心实际位置坐标后:
a)对每一个质心点,若满足质心位置有效性判断,则根据该质心点位置构建满足该质心点的运动预测方程,于轨迹库中保存当前轨迹;
b)对每一个质心点,若不满足质心位置有效性判断且连续丢失N帧,于轨迹库中删除当前轨迹;否则仍保存当前轨迹。
所述步骤(6)中,连续丢失帧数N的值基于外部需求中允许目标丢失的时间长度与图像序列帧频设定。
本发明与现有技术相比的优点在于:
(1)本发明提出了一种快速背景估计的遥感视频目标轨迹跟踪方法,通过提出基于方差估计的背景建模方法,逐帧更新背景估计需要的相关参数,能够快速进行背景模型构建,不需要存储历史图像信息,目标检测快速有效,利于后续并行实现;同时面向非线性运动目标,采用基于运动滤波的跟踪方法,并给出相关参数设定与遥感视频图像中目标速度的关系,可滤除大部分虚假目标,同时降低干扰点对轨迹的影响,避免轨迹发散;
(2)本发明采用目标的预设参数识别先验,提出多目标轨迹分配、管理及参数设定策略,实现长时间快速跟踪,适用于各种图像序列,亦可推广应用到硬件实现,满足目标分析应用需求。
附图说明
图1为本发明提供的目标轨迹跟踪流程框图;
图2为本发明提供的目标轨迹管理示意图。
具体实施方式
一种快速背景估计的遥感视频目标轨迹跟踪方法,如图1所示,具体步骤为:
(1)获取遥感视频卫星图像序列数据,预设目标运动特性参数,根据目标运动特性参数,对遥感视频卫星图像序列数据中目标进行搜索,其中:
目标运动特性参数具体为:
设遥感图像分辨率为GSD,关注的目标二维平面投影大小上限为W×H,速度上限为Vmax,极限加速度为αmax,视频成像的帧频为fps。则目标在图像成像的像素面积上限areamax为:
areamax=W/GSD×H/GSD,
目标帧间的像素位移上限Movemax为:
Movemax=Vmax/(fps*GSD);
(2)根据步骤(1)中遥感视频卫星图像序列数据构建图像背景模型,于预设背景模型更新帧数量范围内,对背景模型持续更新,当图像帧数量大于预设背景模型更新帧数量时,获取当前帧图像及后续每帧图像的像素级前景图,其中,预设背景模型更新帧数量Iinitial值通过外部需求中允许背景初始化的时间长度与图像序列帧频确定,其中:
根据本帧图像中任一像素(x,y)于t时刻的灰度值Gt(x,y),计算于t时刻的均值μ(x,y)及方差σ2(x,y),并根据t时刻的均值μ(x,y)及方差σ2(x,y)构建图像背景模型,其中,均值μ(x,y)及方差σ2(x,y)的更新策略如下:
当t>Iinitial且|Gt(x,y)-μt(x,y)|/σt(x,y)≥3时,该像素为前景像素,置前景图F位置(x,y)处值为1;否则置前景图F位置(x,y)处值为0;
(3)对步骤(2)所得的像素级前景图进行形态学处理并提取步骤(1)搜索所得所有目标的实际质心位置,其中:
步骤(3)中获取所有目标的实际质心位置的具体方法如下:
(3-1)采用3×3的结构元素对前景图F进行形态学闭操作,去掉孤立的单点,得到处理结果Ftmp;
(3-2)对Ftmp进行8邻域联通标,记联通域标号为Labeli,i=(1,2,…,labelmax);
(4)于步骤(2)中所述预设背景模型更新帧图像数量的下一帧图像开始构建各目标的运动预测方程,根据本帧图像内的各目标的运动预测方程对各目标于下一帧图像中的预测质心位置及状态矩阵进行估计,其中:
对各目标于下一帧图像中的预测质心位置及状态矩阵进行估计的具体步骤为:
St=ASt-1AT+Q
式中,(xt,yt)为目标于t时刻预测质心位置、为目标于t时刻当前帧图像中速度、Δt为步骤(1)中遥感视频卫星图像序列帧间时间差、A和B为运动滤波方程转移矩阵、表示x方向坐标的不确定性、表示y方向坐标的不确定性、表示x方向速度的不确定性,表示y方向速度的不确定性,取St表示状态矩阵、S1为其初始化值;
(5)对步骤(3)所得所有目标的实际质心位置及步骤(4)所得各目标于下一帧图像中的预测质心位置进行有效性判断,若实际质心位置满足有效性判断标准,则根据每个目标于下一帧图像中的实际质心位置对各目标的运动预测方程进行更新并利用更新后的运动预测方程对下一帧图像中的该目标进行判断,否则视为该目标丢失,若该目标于连续N帧图像序列数据中均丢失,则舍弃该目标于运动预测方程下的运动轨迹,其中:
更新后的运动预测方程具体为:
St+1=(I-KtH)St
Kt-1=St-1HT(HSt-1HT+R)-1
同时,对各目标于下一帧图像中的预测质心位置进行有效性判断的方法为:以某目标运动预测方程在上一帧的质心实际位置为圆心,速度上限为半径,若目标于当前帧图像中质心实际位置在圆范围内,则认为质心实际位置对该目标有效;否则,为无效,视为该目标丢帧。
(6)在步骤(5)的基础上,对每帧图像中属于同一运动预测方程的实际质心位置进行运动轨迹管理,作为各目标的运动历史信息向外反馈,其中:
对所有帧图像进行轨迹管理的具体要求为:获取目标的所有质心实际位置坐标后:
a)对每一个质心点,若满足质心位置有效性判断,则根据该质心点位置构建满足该质心点的运动预测方程,于轨迹库中保存当前轨迹;
b)对每一个质心点,若不满足质心位置有效性判断且连续丢失N帧,于轨迹库中删除当前轨迹;否则仍保存当前轨迹;
步骤(6)中,连续丢失帧数N的值基于外部需求中允许目标丢失的时间长度与图像序列帧频设定。
步骤(2)中,以符号Gt表示原始图像中任一像素(x,y)在t时刻的灰度值。为了避免初始化时采用大的σ,影响小目标检出,且避免小方差σ造成的大量虚警点影响后续计算效率,采用一定的帧数Initial更新背景,当帧数大于Initial时,每帧图像都要进行处理;
在步骤(4)、步骤(5)中,通过构建各目标的运动预测方程预测下一帧图像中的预测点,在通过与下一帧图像中的质心实际位置进行有效性判断,根据有效的质心实际位置对运动预测方程进行更新获取更新后的运动预测方程,以此类推,通过不断的循环及更新获取最新的更新后的运动预测方程。
在步骤(6)中,运动轨迹管理需要通过轨迹库实现,对其中一帧图像中出现的所有目标点进行有效性判断后,对能够在本帧图像中满足有效性判断的点于连续的多帧图像中能够构成的轨迹进行存储,如图2所示,对首次出现的点的运动预测方程进行构建,并通过运动预测方程进行后续的预测,若下一帧图像中或连续几帧图像中均没有该点的位置,则这个点第一次出现形成的轨迹无效,不存储于轨迹库中,需要删除。
下面结合具体实施例进行进一步说明:
在本实施例中,以观测长为4m,宽为2m的汽车为例,设其速度上限为150km/h,启动极限加速度为αmax=2m/s2为例,图像分辨率为1m,帧频为25帧每秒,目标在图像成像的像素面积上限为areamax=2/1×4/1=8,目标帧间的像素位移上限Movemax=150*103/(25*1*3600)=1.7,设定σ1=σ2=Movemax,通过运动预测方程获取下一帧数据图像中的目标位置及状态;
此时,提取本帧图像中该目标的质心位置,具体为Ka=(50.8,200.3)、Kb=(30.6,112.4),对下一帧数据图像中的目标预测位置进行有效性判断,以本帧质心位置为圆心,速度上限Movemax=1.7为半径,此时下一帧目标预测位置有效,于连续N=2帧数据范围内均能获得该目标的实际质心位置,且与更新后的运动预测方程的预测位置均能有效,此时根据该目标的所有实际质心位置绘制轨迹并于轨迹库中存储。
针对单独出现一次的第二目标Ke=(210.2,222.1),构建首次出现的点的运动预测方程,后续帧图像中并未再次出现该目标,则删除该目标及其对应的运动预测方程构成的轨迹;
针对于第一帧图像中出现但在后续最多N-1=1,N=2帧图像都未出现,但N帧又出现的目标,维持该目标的前N-1=1,N=2帧预测质心位置及第N=2帧真实质心位置绘制轨迹并于轨迹库中存储。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (10)
1.一种快速背景估计的遥感视频目标轨迹跟踪方法,其特征在于步骤如下:
(1)获取遥感视频卫星图像序列数据,预设目标运动特性参数,根据目标运动特性参数,对遥感视频卫星图像序列数据中目标进行搜索;
(2)根据步骤(1)中遥感视频卫星图像序列数据构建图像背景模型,于预设背景模型更新帧数量范围内,对背景模型持续更新,当图像帧数量大于预设背景模型更新帧数量时,获取当前帧图像及后续每帧图像的像素级前景图;
(3)对步骤(2)所得的像素级前景图进行形态学处理并提取步骤(1)搜索所得所有目标的实际质心位置;
(4)于步骤(2)中所述预设背景模型更新帧图像数量的下一帧图像开始构建各目标的运动预测方程,根据本帧图像内的各目标的运动预测方程对各目标于下一帧图像中的预测质心位置及状态矩阵进行估计;
(5)对步骤(3)所得所有目标的实际质心位置及步骤(4)所得各目标于下一帧图像中的预测质心位置进行有效性判断,若实际质心位置满足有效性判断标准,则根据每个目标于下一帧图像中的实际质心位置对各目标的运动预测方程进行更新并利用更新后的运动预测方程对下一帧图像中的该目标进行判断,否则视为该目标丢失,若该目标于连续N帧图像序列数据中均丢失,则舍弃该目标于运动预测方程下的运动轨迹;
(6)在步骤(5)的基础上,对每帧图像中属于同一运动预测方程的实际质心位置进行运动轨迹管理,作为各目标的运动历史信息向外反馈。
2.根据权利要求1所述的一种快速背景估计的遥感视频目标轨迹跟踪方法,其特征在于:所述步骤(1)中预设目标运动特性参数包括遥感图像分辨率GSD、目标二维平面投影大小上限W×H、速度上限Vmax、极限加速度αmax、视频成像帧频fps、目标于像成像的像素面积上限areamax、目标帧间的像素位移上限Movemax,其中:
areamax=W/GSD×H/GSD
Movemax=Vmax/(fps*GSD)。
3.根据权利要求1所述的一种快速背景估计的遥感视频目标轨迹跟踪方法,其特征在于:所述步骤(2)中,预设背景模型更新帧数量Iinitial值通过外部需求中允许背景初始化的时间长度与图像序列帧频确定。
4.根据权利要求1所述的一种快速背景估计的遥感视频目标轨迹跟踪方法,其特征在于:所述步骤(2)中,根据本帧图像中任一像素(x,y)于t时刻的灰度值Gt(x,y),计算于t时刻的均值μ(x,y)及方差σ2(x,y),并根据t时刻的均值μ(x,y)及方差σ2(x,y)构建图像背景模型,其中,均值μ(x,y)及方差σ2(x,y)的更新策略如下:
当t>Iinitial且|Gt(x,y)-μt(x,y)|/σt(x,y)≥3时,该像素为前景像素,置前景图F位置(x,y)处值为1;否则置前景图F位置(x,y)处值为0。
8.根据权利要求1所述的一种快速背景估计的遥感视频目标轨迹跟踪方法,其特征在于:所述步骤(5)中,对各目标于下一帧图像中的预测质心位置进行有效性判断的方法为:以某目标运动预测方程在上一帧的质心实际位置为圆心,速度上限为半径,若目标于当前帧图像中质心实际位置在圆范围内,则认为质心实际位置对该目标有效;否则,为无效,视为该目标丢帧。
9.根据权利要求1所述的一种快速背景估计的遥感视频目标轨迹跟踪方法,其特征在于:所述步骤(6)中,对所有帧图像进行轨迹管理的具体要求为:
获取目标的所有质心实际位置坐标后:
a)对每一个质心点,若满足质心位置有效性判断,则根据该质心点位置构建满足该质心点的运动预测方程,于轨迹库中保存当前轨迹;
b)对每一个质心点,若不满足质心位置有效性判断且连续丢失N帧,于轨迹库中删除当前轨迹;否则仍保存当前轨迹。
10.根据权利要求1所述的一种快速背景估计的遥感视频目标轨迹跟踪方法,其特征在于:所述步骤(6)中,连续丢失帧数N的值基于外部需求中允许目标丢失的时间长度与图像序列帧频设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296013.7A CN111161304B (zh) | 2019-12-16 | 2019-12-16 | 一种快速背景估计的遥感视频目标轨迹跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296013.7A CN111161304B (zh) | 2019-12-16 | 2019-12-16 | 一种快速背景估计的遥感视频目标轨迹跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161304A true CN111161304A (zh) | 2020-05-15 |
CN111161304B CN111161304B (zh) | 2023-06-30 |
Family
ID=70557225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911296013.7A Active CN111161304B (zh) | 2019-12-16 | 2019-12-16 | 一种快速背景估计的遥感视频目标轨迹跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161304B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884806A (zh) * | 2021-01-12 | 2021-06-01 | 昆明理工大学 | 一种基于结合块匹配和密集逆向搜索的视频测流方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960097A (en) * | 1997-01-21 | 1999-09-28 | Raytheon Company | Background adaptive target detection and tracking with multiple observation and processing stages |
US20110081043A1 (en) * | 2009-10-07 | 2011-04-07 | Sabol Bruce M | Using video-based imagery for automated detection, tracking, and counting of moving objects, in particular those objects having image characteristics similar to background |
WO2016106954A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种低轨卫星星载图谱关联探测方法与载荷 |
WO2018095082A1 (zh) * | 2016-11-28 | 2018-05-31 | 江苏东大金智信息系统有限公司 | 一种视频监测中运动目标的快速检测方法 |
CN109448023A (zh) * | 2018-10-23 | 2019-03-08 | 武汉大学 | 一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法 |
CN109785363A (zh) * | 2018-12-29 | 2019-05-21 | 中国电子科技集团公司第五十二研究所 | 一种无人机航拍视频运动小目标实时检测与跟踪方法 |
-
2019
- 2019-12-16 CN CN201911296013.7A patent/CN111161304B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960097A (en) * | 1997-01-21 | 1999-09-28 | Raytheon Company | Background adaptive target detection and tracking with multiple observation and processing stages |
US20110081043A1 (en) * | 2009-10-07 | 2011-04-07 | Sabol Bruce M | Using video-based imagery for automated detection, tracking, and counting of moving objects, in particular those objects having image characteristics similar to background |
WO2016106954A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种低轨卫星星载图谱关联探测方法与载荷 |
WO2018095082A1 (zh) * | 2016-11-28 | 2018-05-31 | 江苏东大金智信息系统有限公司 | 一种视频监测中运动目标的快速检测方法 |
CN109448023A (zh) * | 2018-10-23 | 2019-03-08 | 武汉大学 | 一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法 |
CN109785363A (zh) * | 2018-12-29 | 2019-05-21 | 中国电子科技集团公司第五十二研究所 | 一种无人机航拍视频运动小目标实时检测与跟踪方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884806A (zh) * | 2021-01-12 | 2021-06-01 | 昆明理工大学 | 一种基于结合块匹配和密集逆向搜索的视频测流方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111161304B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875415B (zh) | 一种动态背景中弱小动目标的连续稳定跟踪方法 | |
CN107292911B (zh) | 一种基于多模型融合和数据关联的多目标跟踪方法 | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN107452015B (zh) | 一种具有重检测机制的目标跟踪系统 | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN112669349A (zh) | 一种客流统计方法、电子设备及存储介质 | |
CN108198201A (zh) | 一种多目标跟踪方法、终端设备及存储介质 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
CN101141633A (zh) | 一种复杂场景中的运动目标检测与跟踪方法 | |
CN101120382A (zh) | 跟踪用相机获得的场景视频中的移动物体的方法 | |
CN108876820B (zh) | 一种基于均值漂移的遮挡条件下移动目标追踪方法 | |
CN112785628B (zh) | 一种基于全景视角检测跟踪的轨迹预测方法及系统 | |
CN109448023B (zh) | 一种卫星视频小目标实时跟踪方法 | |
CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及系统 | |
CN110555868A (zh) | 一种复杂地面背景下运动小目标检测方法 | |
CN112364865A (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN110717934A (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
CN111260691B (zh) | 一种基于上下文感知回归时空正则相关滤波跟踪方法 | |
CN115359407A (zh) | 一种视频中的多车辆跟踪方法 | |
CN113379789B (zh) | 一种复杂环境下运动目标跟踪方法 | |
CN110660084A (zh) | 一种多目标跟踪的方法及装置 | |
CN108765463B (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
CN111161304B (zh) | 一种快速背景估计的遥感视频目标轨迹跟踪方法 | |
CN116777956A (zh) | 基于多尺度航迹管理的运动目标筛选方法 | |
CN110310303B (zh) | 图像分析多目标跟踪方法 |
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 |