CN111179301B - 一种基于计算机视频的运动趋势分析方法 - Google Patents
一种基于计算机视频的运动趋势分析方法 Download PDFInfo
- Publication number
- CN111179301B CN111179301B CN201911338801.8A CN201911338801A CN111179301B CN 111179301 B CN111179301 B CN 111179301B CN 201911338801 A CN201911338801 A CN 201911338801A CN 111179301 B CN111179301 B CN 111179301B
- Authority
- CN
- China
- Prior art keywords
- image
- motion
- calculating
- carrying
- counting
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
-
- 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
- G06T2207/20024—Filtering details
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于计算机视频的运动趋势分析方法,包括如下步骤:S1、预处理步骤:用于初始化系统,建立处理流程,并初始化图像特征检测器;S2、运动分布分析步骤:用于计算图像差值并得到灰度化结果图像,并进行高斯滤波、阈值化、图像膨胀、图像腐蚀处理;S3、运动趋势分析步骤:用于以LK光流金字塔为基础算法,计算特征点的运动情况,并进行统计,分析运动模式。该方法通过计算图像差值,通过对计算结果进行阈值化处理和滤波,可以使结果更稳定,而以运动分布情况为准选取特征点,可以最大化程度上减少计算量,只关注最感兴趣的图像区域。使用LK光流法对特征点进行追踪并进行统计分析,可以得到更稳定和准确的运动矢量描述,得到更好的运动趋势分析效果。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及基于计算机视频的运动趋势分析方法。
背景技术
在很多视频节目的拍摄过程中需要对场景中正在发生的活动进行实时追踪,并在必要的时候提供聚焦、放大以及特写,比如电视新闻的采访、体育比赛直播、以及其他各类场景比较固定的视频节目等,在以往,这项工作通常是由人工完成的,如果能把此项工作交给计算机进行自动化处理,无疑能够将大量的工作人员从此项任务中解放出来,以增加人力资源利用效率并降低成本。
为了实现上述目标,最大的困难在于如何知道场景中运动的分布情况,很多时候为了分析此类运动通常需要建立复杂的模型,用来识别场景或者人物,此类模型的运行通常需要消耗比较多的资源,并且效果并不是很理想。
发明内容
本发明的目的是通过以下技术方案实现的。
根据本发明的第一个方面,提供了一种基于计算机视频的运动趋势分析方法,包括如下步骤:
S1、预处理步骤:用于初始化系统,建立处理流程,并初始化图像特征检测器;
S2、运动分布分析步骤:用于计算图像差值并得到灰度化结果图像,并进行高斯滤波、阈值化、图像膨胀、图像腐蚀处理;
S3、运动趋势分析步骤:用于以LK光流金字塔为基础算法,计算特征点的运动情况,并进行统计,分析运动模式。
进一步的,所述运动分布分析步骤S2包括:
S21、图像差值计算步骤:获取输入图像序列的初始帧P0并进行存储,从图像序列的第二帧P1开始,计算当前帧与前一帧的差值;
S22、差分图像处理步骤:对所述差值进行灰度化处理,设定阈值在20到45之间,在灰度化处理后的图像上进行高斯滤波,对高斯滤波后的差值图像进行先进行图像膨胀操作,之后在膨胀后的图像上进行图像腐蚀操作,得到结果P-Mask;
S23、统计分析步骤:统计P-Mask上的图像分布情况,白色区域代表运动,以尺寸为画面1/25的窗口对P-Mask进行热度统计,并进行排序。
进一步的,所述高斯滤波的滤波核尺寸在3到7之间。
进一步的,所述运动趋势分析步骤S3包括:
S31、特征点选取步骤:使用P-Mask作为掩码图对P1图像进行叠加,并对叠加后的结果提取角点和边缘特征;将提取到的特征进行编码,输入到LK光流金字塔中进行初始化;
S32、特征点跟踪步骤:保存P1并获取下一帧图像P2,在P2图像上进行LK光流金字塔计算,得到新的特征点序列,将新的特征点序列与前一个特征点序列相减,获取所有运动矢量;
S33、模式匹配步骤:计算所有运动矢量并进行分布统计,以不同运动模式为模板,匹配出最可能的运动趋势。
进一步的,所述边缘特征为Brisk特征。
进一步的,所述模式匹配步骤S33包括:
S331、运动矢量计算步骤:对特征点跟踪结果与原始特征点集合做差,得到运动矢量集合;
S332、运动矢量阈值化输出步骤:对运动矢量集合进行阈值化筛选并重新输出,剔除模过小或者过大的运动矢量,范围为[5,50];
S333、运动矢量分布统计步骤:对运动矢量进行方向归一化,以整个平面坐标系为准,45度为一个方向范围区间,划分出8个方向范围,将所有向量统计在这8个方向范围区间之内;
S334、结果统计与模板匹配步骤:对向量分布进行统计,计算当前运动模式与预制模板的匹配度,输出匹配度最高的运动模式。
根据本发明的第二个方面,提供了一种基于计算机视频的运动趋势分析方法,包括如下步骤:
B1.建立处理流程并初始化图像特征检测器;
B2.输入待处理的图像序列,对输入的图像序列进行预处理,
B3.取出下一帧图像;
B4.判断获取的图像是否是第一帧,若为第一帧,直接原样输出图像,并跳转至B11,否则继续B4;
B5.计算当前图像与前一帧图像差值,得到差分图像,并根据差分图像计算运动区域分布情况;
B6.判断特征点集合是否为空,如果为空则获取运动区域特征点集合,否则继续进行B7;
B7.使用LK光流法跟踪特征点集合,并计算运动矢量,对运动矢量进行方向归一化,以整个平面坐标系为准,45度为一个方向范围区间,划分出8个方向范围,将所有向量统计在这8个方向范围区间之内;
B8.统计运动矢量,将统计结果与预制模板进行匹配,输出匹配度最高的运动模式;
B9.删除无效特征点,即运动矢量为0的特征点;
B10.将运动模式作为结果输出;
B11.判断是否是最后一帧,不是则跳转到B3,是则执行B12;
B12.结束。
根据本发明的第三个方面,一种基于计算机视频的运动趋势分析系统,包括:
预处理模块,用于初始化系统,建立处理流程,并初始化图像特征检测器;
运动分布分析模块,用于计算图像差值并得到灰度化结果图像,并进行阈值化、图像膨胀、图像腐蚀处理;
运动趋势分析模块,用于以LK光流金字塔为基础算法,计算特征点的运动情况,并进行统计,分析运动模式。
进一步的,所述运动分布分析模块包括:
差值计算模块:对前后帧图像进行差值计算,并输出灰度化结果图像;
后续处理模块:对差值灰度化图像高斯滤波去除噪点,去除低于灰度阈值的像素点,之后对图像进行膨胀和腐蚀操作以获得最大连通区域。
进一步的,所述运动趋势分析模块包括:
特征点选取模块:以运动分析模块生成的掩码图为基础,选取掩码部分的图像特征点;
特征点跟踪模块:对选取的图像特征点进行LK光流法跟踪;
模式匹配模块:计算特征点的运动矢量,统计运动矢量的分布情况,对预设的运动模式进行匹配。
本发明的优点在于:该方法通过计算图像差值,通过对计算结果进行阈值化处理和滤波,可以使结果更稳定,而以运动分布情况为准选取特征点,可以最大化程度上减少计算量,只关注最感兴趣的图像区域。使用LK光流法对特征点进行追踪并进行统计分析,可以得到更稳定和准确的运动矢量描述,得到更好的运动趋势分析效果。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
附图1示出了根据本发明实施方式的一种基于计算机视频的运动趋势分析方法流程图;
附图2示出了根据本发明实施方式的预处理步骤流程图;
附图3示出了根据本发明实施方式的运动分布分析步骤流程图;
附图4示出了根据本发明实施方式的运动趋势分析步骤流程图;
附图5示出了根据本发明实施例的模式匹配步骤流程图;
附图6示出了根据本发明实施方式的一种基于计算机视频的运动趋势分析系统结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本方法通过对基础算法的组合和优化,实现了在耗费较少资源的情况下获得比较理想的效果的目的。
如图1所示,本发明提供了一种基于计算机视频的运动趋势分析方法,包括如下步骤:
S1、预处理步骤:用于初始化系统,建立处理流程,并初始化图像特征检测器;
S2、运动分布分析步骤:用于计算图像差值并得到灰度化结果图像,并进行高斯滤波、阈值化、图像膨胀、图像腐蚀等处理;
S3、运动趋势分析步骤:用于以LK光流金字塔为基础算法,计算特征点的运动情况,并进行统计,分析运动模式。
如图2所示,所述运动分布分析步骤S2包括:
S21、图像差值计算步骤:获取输入图像序列的初始帧P0并进行存储,从图像序列的第二帧P1开始,计算当前帧与前一帧的差值,比如计算P1与P0的差值P-Diff;
S22、差分图像处理步骤:对P-Diff进行灰度化处理,设定阈值在20到45之间,在灰度化处理后的图像上进行高斯滤波,滤波核尺寸在3到7之间,对高斯滤波后的P-Diff图像进行先进行图像膨胀操作,之后在膨胀后的图像上进行图像腐蚀操作,得到结果P-Mask;
S23、统计分析步骤:统计P-Mask上的图像分布情况,白色区域代表运动,以尺寸为画面1/25的窗口对P-Mask进行热度统计,并进行排序。
如图3所示,所述运动趋势分析步骤S3包括:
S31、特征点选取步骤:使用P-Mask作为掩码图对P1图像进行叠加,并对叠加后的结果提取角点和边缘特征,比如Brisk特征;将提取到的特征进行编码,输入到LK光流金字塔中进行初始化;
S32、特征点跟踪步骤:保存P1并获取下一帧图像P2,在P2图像上进行LK光流金字塔计算,得到新的特征点序列,将新的特征点序列与前一个特征点序列相减,获取所有运动矢量;
S33、模式匹配步骤:计算所有运动矢量并进行分布统计,以聚集、散开、群体同向运动、个体运动等不同运动模式为模板,匹配出最可能的运动趋势。
如图4所示,所述模式匹配步骤S33包括:
S331、运动矢量计算步骤:对特征点跟踪结果与原始特征点集合做差,得到运动矢量集合;
S332、运动矢量阈值化输出步骤:对运动矢量集合进行阈值化筛选并重新输出,剔除模过小或者过大的运动矢量,范围为[5,50];
S333、运动矢量分布统计步骤:对运动矢量进行方向归一化,以整个平面坐标系为准,45度为一个方向范围区间,划分出8个方向范围,将所有向量统计在这8个方向范围区间之内;
S334、结果统计与模板匹配步骤:对向量分布进行统计,计算当前运动模式与预制模板的匹配度,预制模板有聚集、散开、群体同向运动、个体运动等模式,输出匹配度最高的运动模式。
图5示出了根据本发明实施例的运动趋势分析方法的详细流程图,包括:
B1.建立处理流程并初始化图像特征检测器;
B2.输入待处理的图像序列,预处理器(相当于系统中的预处理模块)对输入的图像序列进行预处理,
B3.取出下一帧图像;
B4.判断获取的图像是否是第一帧,若为第一帧,直接原样输出图像,并跳转至B11,否则继续B4;
B5.计算当前图像与前一帧图像差值,得到差分图像,并根据差分图像计算运动区域分布情况;
B6.判断特征点集合是否为空,如果为空则获取运动区域特征点集合,否则继续进行B7;
B7.使用LK光流法跟踪特征点集合,并计算运动矢量,对运动矢量进行方向归一化,以整个平面坐标系为准,45度为一个方向范围区间,划分出8个方向范围,将所有向量统计在这8个方向范围区间之内;
B8.统计运动矢量,将统计结果与模板进行匹配,预制模板有聚集、散开、群体同向运动、个体运动等模式,输出匹配度最高的运动模式;
B9.删除无效特征点,即运动矢量为0的特征点;
B10.将运动模式作为结果输出,
B11.判断是否是最后一帧,不是的话跳转到B3,是的话执行B12;
B12.结束。
通过本发明的方法,得到了一个快速准确的图像运动区域和运动趋势描述,帮助视频制作人员或者自动化设备进行机位的控制。具体地,通过对运动区域的分析可以反映出场景中运动比较剧烈的区域,方便进行机位的切换,而对于运动趋势的分析则能反映出场景中正在发生的某种特定运动,方便对该运动趋势进行追踪和聚焦。
如图6所示,本发明还公开一种基于计算机视频的运动趋势分析系统100,包括:
预处理模块101:负责初始化系统,建立处理流程,并初始化图像特征检测器;
运动分布分析模块102:负责计算图像差值并得到灰度化结果图像,并进行阈值化、图像膨胀、图像腐蚀等处理;
运动趋势分析模块103:负责以LK光流金字塔为基础算法,计算特征点的运动情况,并进行统计,分析运动模式。
如上所述的运动趋势分析系统中,所述运动分布分析模块102包括:差值计算模块:对前后帧图像进行差值计算,并输出灰度化结果图像;后续处理模块:对差值灰度化图像高斯滤波去除噪点,去除低于灰度阈值的像素点,经过实验,此阈值范围为20到45之间效果较好,之后对图像进行膨胀和腐蚀操作以获得最大连通区域。
如上所述的运动趋势分析系统中,所述运动趋势分析模块103包括:特征点选取模块:以运动分析模块生成的掩码图为基础,选取掩码部分的图像特征点;特征点跟踪模块:对选取的图像特征点进行LK光流法跟踪;模式匹配模块:计算特征点的运动矢量,统计运动矢量的分布情况,对预设的运动模式进行匹配。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于计算机视频的运动趋势分析方法,其特征在于,包括如下步骤:
S1、预处理步骤:用于初始化系统,建立处理流程,并初始化图像特征检测器;
S2、运动分布分析步骤:用于计算图像差值并得到灰度化结果图像,并进行高斯滤波、阈值化、图像膨胀、图像腐蚀处理;
S3、运动趋势分析步骤:用于以LK光流金字塔为基础算法,计算特征点的运动情况,并进行统计,分析运动模式;
所述运动分布分析步骤S2包括:
S21、图像差值计算步骤:获取输入图像序列的初始帧P0并进行存储,从图像序列的第二帧P1开始,计算当前帧与前一帧的差值;
S22、差分图像处理步骤:对所述差值进行灰度化处理,设定阈值在20到45之间,在灰度化处理后的图像上进行高斯滤波,对高斯滤波后的差值图像进行先进行图像膨胀操作,之后在膨胀后的图像上进行图像腐蚀操作,得到结果P-Mask;
S23、统计分析步骤:统计P-Mask上的图像分布情况,白色区域代表运动,以尺寸为画面1/25的窗口对P-Mask进行热度统计,并进行排序;
所述运动趋势分析步骤S3包括:
S31、特征点选取步骤:使用P-Mask作为掩码图对P1图像进行叠加,并对叠加后的结果提取角点和边缘特征;将提取到的特征进行编码,输入到LK光流金字塔中进行初始化;
S32、特征点跟踪步骤:保存P1并获取下一帧图像P2,在P2图像上进行LK光流金字塔计算,得到新的特征点序列,将新的特征点序列与前一个特征点序列相减,获取所有运动矢量;
S33、模式匹配步骤:计算所有运动矢量并进行分布统计,以不同运动模式为模板,匹配出最可能的运动趋势。
2.根据权利要求1所述的一种基于计算机视频的运动趋势分析方法,其特征在于,
所述高斯滤波的滤波核尺寸在3到7之间。
3.根据权利要求1所述的一种基于计算机视频的运动趋势分析方法,其特征在于,
所述边缘特征为Brisk特征。
4.根据权利要求1所述的一种基于计算机视频的运动趋势分析方法,其特征在于,
所述模式匹配步骤S33包括:
S331、运动矢量计算步骤:对特征点跟踪结果与原始特征点集合做差,得到运动矢量集合;
S332、运动矢量阈值化输出步骤:对运动矢量集合进行阈值化筛选并重新输出,剔除模过小或者过大的运动矢量,范围为[5,50];
S333、运动矢量分布统计步骤:对运动矢量进行方向归一化,以整个平面坐标系为准,45度为一个方向范围区间,划分出8个方向范围,将所有向量统计在这8个方向范围区间之内;
S334、结果统计与模板匹配步骤:对向量分布进行统计,计算当前运动模式与预制模板的匹配度,输出匹配度最高的运动模式。
5.一种基于计算机视频的运动趋势分析方法,其特征在于,包括如下步骤:
B1.建立处理流程并初始化图像特征检测器;
B2.输入待处理的图像序列,对输入的图像序列进行预处理,
B3.取出下一帧图像;
B4.判断获取的图像是否是第一帧,若为第一帧,直接原样输出图像,并跳转至B11,否则继续B4;
B5.计算当前图像与前一帧图像差值,得到差分图像,并根据差分图像计算运动区域分布情况;
B6.判断特征点集合是否为空,如果为空则获取运动区域特征点集合,否则继续进行B7;
B7.使用LK光流法跟踪特征点集合,并计算运动矢量,对运动矢量进行方向归一化,以整个平面坐标系为准,45度为一个方向范围区间,划分出8个方向范围,将所有向量统计在这8个方向范围区间之内;
B8.统计运动矢量,将统计结果与预制模板进行匹配,输出匹配度最高的运动模式;
B9.删除无效特征点,即运动矢量为0的特征点;
B10.将运动模式作为结果输出;
B11.判断是否是最后一帧,不是则跳转到B3,是则执行B12;
B12.结束。
6.一种基于计算机视频的运动趋势分析系统,包括:
预处理模块,用于初始化系统,建立处理流程,并初始化图像特征检测器;
运动分布分析模块,用于计算图像差值并得到灰度化结果图像,并进行阈值化、图像膨胀、图像腐蚀处理;
运动趋势分析模块,用于以LK光流金字塔为基础算法,计算特征点的运动情况,并进行统计,分析运动模式;
所述运动分布分析模块包括:
差值计算模块:获取输入图像序列的初始帧P0并进行存储,从图像序列的第二帧P1开始,计算当前帧与前一帧的差值;
后续处理模块:对所述差值进行灰度化处理,设定阈值在20到45之间,在灰度化处理后的图像上进行高斯滤波,对高斯滤波后的差值图像进行先进行图像膨胀操作,之后在膨胀后的图像上进行图像腐蚀操作,得到结果P-Mask;统计P-Mask上的图像分布情况,白色区域代表运动,以尺寸为画面1/25的窗口对P-Mask进行热度统计,并进行排序;所述运动趋势分析模块包括:
特征点选取模块:使用P-Mask作为掩码图对P1图像进行叠加,并对叠加后的结果提取角点和边缘特征;将提取到的特征进行编码,输入到LK光流金字塔中进行初始化;
特征点跟踪模块:保存P1并获取下一帧图像P2,在P2图像上进行LK光流金字塔计算,得到新的特征点序列,将新的特征点序列与前一个特征点序列相减,获取所有运动矢量;
模式匹配模块:计算所有运动矢量并进行分布统计,以不同运动模式为模板,匹配出最可能的运动趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338801.8A CN111179301B (zh) | 2019-12-23 | 2019-12-23 | 一种基于计算机视频的运动趋势分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338801.8A CN111179301B (zh) | 2019-12-23 | 2019-12-23 | 一种基于计算机视频的运动趋势分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179301A CN111179301A (zh) | 2020-05-19 |
CN111179301B true CN111179301B (zh) | 2023-06-30 |
Family
ID=70657451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911338801.8A Active CN111179301B (zh) | 2019-12-23 | 2019-12-23 | 一种基于计算机视频的运动趋势分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179301B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697387B (zh) * | 2017-10-23 | 2021-07-30 | 北京京东尚科信息技术有限公司 | 运动方向预测方法、装置、电子设备及存储介质 |
CN111833320A (zh) * | 2020-07-06 | 2020-10-27 | 涵古观智能科技(苏州)有限公司 | 一种钢带运行状态的检测方法、装置、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103370937A (zh) * | 2011-02-18 | 2013-10-23 | 西门子公司 | 用于压缩图像序列的编码方法和图像编码设备 |
CN103946732A (zh) * | 2011-09-26 | 2014-07-23 | 微软公司 | 基于对透视、近眼显示器的传感器输入的视频显示修改 |
CN104331151A (zh) * | 2014-10-11 | 2015-02-04 | 中国传媒大学 | 基于光流法的手势运动方向识别方法 |
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
CN104835115A (zh) * | 2015-05-07 | 2015-08-12 | 中国科学院长春光学精密机械与物理研究所 | 用于航空相机的图像成像方法及系统 |
CN106780565A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 一种基于光流与k‑means聚类的多学生起坐检测方法 |
CN107292911A (zh) * | 2017-05-23 | 2017-10-24 | 南京邮电大学 | 一种基于多模型融合和数据关联的多目标跟踪方法 |
CN107871315A (zh) * | 2017-10-09 | 2018-04-03 | 中国电子科技集团公司第二十八研究所 | 一种视频图像运动检测方法和装置 |
CN108416798A (zh) * | 2018-03-05 | 2018-08-17 | 山东大学 | 一种基于光流的车辆距离估计方法 |
CN108537212A (zh) * | 2018-07-04 | 2018-09-14 | 南京邮电大学 | 基于运动估计的学生行为检测方法 |
CN109433641A (zh) * | 2018-09-30 | 2019-03-08 | 南通大学 | 基于机器视觉的片剂胶囊灌装遗漏智能检测方法 |
CN110009624A (zh) * | 2019-04-11 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 视频处理方法、视频处理装置和电子设备 |
CN110517283A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技(深圳)有限公司 | 姿态跟踪方法、装置及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130031574A (ko) * | 2011-09-21 | 2013-03-29 | 삼성전자주식회사 | 영상 처리 방법 및 영상 처리 장치 |
-
2019
- 2019-12-23 CN CN201911338801.8A patent/CN111179301B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103370937A (zh) * | 2011-02-18 | 2013-10-23 | 西门子公司 | 用于压缩图像序列的编码方法和图像编码设备 |
CN103946732A (zh) * | 2011-09-26 | 2014-07-23 | 微软公司 | 基于对透视、近眼显示器的传感器输入的视频显示修改 |
CN104331151A (zh) * | 2014-10-11 | 2015-02-04 | 中国传媒大学 | 基于光流法的手势运动方向识别方法 |
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
CN104835115A (zh) * | 2015-05-07 | 2015-08-12 | 中国科学院长春光学精密机械与物理研究所 | 用于航空相机的图像成像方法及系统 |
CN106780565A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 一种基于光流与k‑means聚类的多学生起坐检测方法 |
CN107292911A (zh) * | 2017-05-23 | 2017-10-24 | 南京邮电大学 | 一种基于多模型融合和数据关联的多目标跟踪方法 |
CN107871315A (zh) * | 2017-10-09 | 2018-04-03 | 中国电子科技集团公司第二十八研究所 | 一种视频图像运动检测方法和装置 |
CN108416798A (zh) * | 2018-03-05 | 2018-08-17 | 山东大学 | 一种基于光流的车辆距离估计方法 |
CN108537212A (zh) * | 2018-07-04 | 2018-09-14 | 南京邮电大学 | 基于运动估计的学生行为检测方法 |
CN109433641A (zh) * | 2018-09-30 | 2019-03-08 | 南通大学 | 基于机器视觉的片剂胶囊灌装遗漏智能检测方法 |
CN110009624A (zh) * | 2019-04-11 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 视频处理方法、视频处理装置和电子设备 |
CN110517283A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技(深圳)有限公司 | 姿态跟踪方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于光流法的运动目标检测与跟踪算法;肖军 等;《东北大学学报(自然科学版)》;20160615;第37卷(第06期);770-774 * |
Also Published As
Publication number | Publication date |
---|---|
CN111179301A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378264B (zh) | 目标跟踪方法及装置 | |
US11450146B2 (en) | Gesture recognition method, apparatus, and device | |
JP4766495B2 (ja) | 対象物追跡装置および対象物追跡方法 | |
US10327045B2 (en) | Image processing method, image processing device and monitoring system | |
Ma et al. | An α-matte boundary defocus model-based cascaded network for multi-focus image fusion | |
US7940957B2 (en) | Object tracker for visually tracking object motion | |
CN109492577B (zh) | 一种手势识别方法、装置及电子设备 | |
Shyam et al. | Towards domain invariant single image dehazing | |
CN111160202B (zh) | 基于ar设备的身份核验方法、装置、设备及存储介质 | |
CN111179301B (zh) | 一种基于计算机视频的运动趋势分析方法 | |
JP5578816B2 (ja) | 画像処理装置 | |
Chen et al. | Spatiotemporal background subtraction using minimum spanning tree and optical flow | |
Appiah et al. | A single-chip FPGA implementation of real-time adaptive background model | |
CN110610150A (zh) | 一种目标运动物体的跟踪方法、装置、计算设备和介质 | |
CN112989910A (zh) | 电力目标检测方法、装置、计算机设备和存储介质 | |
JP4427052B2 (ja) | 画像処理装置および領域追跡プログラム | |
JP2021517281A (ja) | スマートホームシーン向けのマルチジェスチャー精分割方法 | |
KR20190078890A (ko) | 그리드 기반의 평면 추정 방법 및 장치 | |
CN110472608A (zh) | 图像识别跟踪处理方法及系统 | |
CN114565952A (zh) | 行人轨迹生成方法、装置、设备和存储介质 | |
CN108446653B (zh) | 用于处理面部图像的方法和装置 | |
CN114387670A (zh) | 基于时空特征融合的步态识别方法、装置及存储介质 | |
CN112085025B (zh) | 物体分割方法、装置、设备 | |
CN113435248A (zh) | 口罩人脸识别底库增强方法、装置、设备及可读存储介质 | |
Hatimi et al. | New approach for detecting and tracking a moving object |
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 |