CN111382784B - 一种运动目标跟踪方法 - Google Patents

一种运动目标跟踪方法 Download PDF

Info

Publication number
CN111382784B
CN111382784B CN202010141749.3A CN202010141749A CN111382784B CN 111382784 B CN111382784 B CN 111382784B CN 202010141749 A CN202010141749 A CN 202010141749A CN 111382784 B CN111382784 B CN 111382784B
Authority
CN
China
Prior art keywords
moving target
tracking
motion vector
moving
foreground
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
Application number
CN202010141749.3A
Other languages
English (en)
Other versions
CN111382784A (zh
Inventor
林建成
黄金虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Xingzhong Wulian Technology Co ltd
Original Assignee
Xiamen Xingzong Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen Xingzong Intelligent Technology Co Ltd filed Critical Xiamen Xingzong Intelligent Technology Co Ltd
Priority to CN202010141749.3A priority Critical patent/CN111382784B/zh
Publication of CN111382784A publication Critical patent/CN111382784A/zh
Application granted granted Critical
Publication of CN111382784B publication Critical patent/CN111382784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及运动目标追踪技术领域，特别涉及一种运动目标跟踪方法，包括以下步骤：S100：基于嵌入式系统中的连续多帧图像数据，采用混合高斯背景建模来提取前景运动目标；S200:当运动目标出现，混合高斯背景模型分离出运动目标，提取运动目标的角点特征，将对运动目标的追踪换成对角点特征的特征点追踪，使用光流法跟踪特征点；当运动目标被遮挡、同时出现多个运动目标时，采用角点聚类分析方法提取角点特征；S300：在追踪运动目标的过程中，使用云台追踪并使云台一直转动，采用模糊PID控制方法使运动目标始终处于图像的中心位置。本发明提供的一种运动目标跟踪方法，能避免受外界环境干扰，准确对运动目标跟踪。

Description

一种运动目标跟踪方法
技术领域
本发明涉及运动目标追踪技术领域，特别涉及一种运动目标跟踪方法。
背景技术
随着科技的不断发展，动态物体的识别和跟踪技术也得到了较大的发展；运动目标跟踪在军事制导、视觉导航、机器人、智能交通和公共安全等领域有着广泛的应用，例如，在车辆违章抓怕系统中，车辆的跟踪就是必不可少的，在入侵检测中，人、动物、车辆等大型运动目标的检测与跟踪也是整个系统运行的关键所在。
现有技术中，运动目标跟踪定位方法是采用图像帧间差分法，基于物体的运动信息进行跟踪的，容易受到环境干扰；树叶摇摆、水波纹、阴影等变化，容易被误检测为目标物。
发明内容
为解决上述现有技术中现有的运动目标跟踪方法中容易受到环境的干扰，本发明提供的一种运动目标跟踪方法，能够确保运动目标的跟踪过程中，始终对同一目标进行跟踪，避免受到环境的干扰。
本发明提供的一种运动目标跟踪方法，
与现有技术相比，本发明提供的一种运动目标跟踪方法，通过建立混合高斯背景模型，避免了受外界环境的误检测，在运动目标被遮挡或同时出现多个运动目标时，采用角点聚类分析方法提取ShiTomas角点特征，利用光流法对角点进行追踪，即使背景一直变化，仍然可以正确追踪特征点；利用模糊PID控制方法使运动目标始终处于图像的中心位置，确保了在跟踪运动目标的过程中追踪流畅。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的单个像素点匹配高斯模型示意图；
图2为本发明提供的聚类分析方法流程图；
图3为本发明提供的模糊PID控制方法的流程图；
图4为本发明提供的模糊PID反馈系数对应表格。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
本发明提供的一种运动目标跟踪方法，包括以下步骤，S100：基于嵌入式系统中的连续多帧图像数据，采用混合高斯背景建模来提取前景运动目标；S200:当所述运动目标出现，所述混合高斯背景模型分离出运动目标，提取所述运动目标的角点特征；当所述运动目标被遮挡、同时出现多个所述运动目标时，采用角点聚类分析方法提取所述角点特征；S300：将对所述运动目标的追踪换成对所述角点特征的特征点追踪，使用光流法跟踪所述特征点；S400：在追踪所述运动目标的过程中，使用云台追踪并使所述云台一直转动，采用模糊PID控制方法使所述运动目标始终处于图像的中心位置。
步骤1、基于嵌入式系统中的连续多帧图像数据，采用混合高斯背景建模来提取前景运动目标。
具体实施时，使用5×5的滤波模板，对获取的图像进行均值滤波，以降低噪声的干扰；滤波模板可以覆盖像素点周围的领域像素点，去掉像素本身，将领域像素点相加然后取平均值即为所覆盖像素点新的像素值。
如图1所示，当运动目标出现后，连续获取多帧图像，对图像各像素建立混合高斯模型，将每帧图像的像素与当前混合高斯模型进行比较匹配，找到匹配像素的分布模型；匹配到的模型符合背景时，所匹配的像素为背景，否则为前景，若前景像素大小符合运动目标范围，那么前景为运动目标。混合高斯模型建立后，外部环境中的树叶摇摆、水波纹等变化，已经融入背景，不会被当作前景；采用RGB模式，可以有效地去除阴影的干扰。
步骤2、当所述运动目标出现，所述混合高斯背景模型分离出运动目标，提取所述运动目标的角点特征，将对所述运动目标的追踪换成对所述角点特征的特征点追踪，使用光流法跟踪所述特征点；当所述运动目标被遮挡、同时出现多个所述运动目标时，采用角点聚类分析方法提取所述角点特征。
具体实施时，运动目标出现后，混合高斯背景模型能够分离出运动目标，接着提取运动目标的ShiTomas角点特征，将对运动目标的追踪换成对角点特征的特征点追踪，并使用光流法跟踪特征点，光流法为现有技术中常用的跟踪方法，在此不再赘述。
如图2所示，当运动目标被遮挡或同时出现多个运动目标时，采用角点聚类分析方法提取运动目标的ShiTomas角点特征；首先遍历每一个当前追踪成功的特征点，当特征点在上轮分析时位于追踪目标区域，则特征点为前景点；接着，按运动矢量长度大小对光流点进行分类为x和y，xmax-xmin≤1.5xmin，ymax-ymin≤1.5ymin，x和y分量相差范围为ymin＞2xmax的同属性点划分为同一簇，并按点的数量大小按照顺序填充到链表中，得出前景链和背景链，设置运动矢量阈值为V，当前景链中的运动矢量最小值为Vmin时，运动矢量阈值为1.2Vmin，设置前景链中点最多的簇记为A，A大于V；设置背景链中点最多的簇记为B，B小于V。
如图2所示，当A和B都存在，且A的平均运动矢量大于B的平均运动矢量的3倍时，取A为追踪目标区域；当A和B都存在，若A的平均运动矢量大于B的，当A的平均运动矢量小于B的平均运动矢量的两倍的时候，则保留当前全部矢量，进行下一轮光流追踪，继续追踪N次，N的范围为24-36次，若还不能满足A的平均运动矢量大于B的平均运动矢量的3倍，则重新开始追踪检测。
如图2所示，当A不存在，B存在时，则取上一次追踪的运动矢量作为当前的运动矢量，并预估目标的下一次位置进行补充角点，但不对云台的速度进行调整；当A存在，B不存在时，则正常追踪取A为追踪目标区域。
步骤3、在追踪所述运动目标的过程中，使用云台追踪并使所述云台一直转动，采用模糊PID控制方法使所述运动目标始终处于图像的中心位置。
具体实施时，如图3、图4所示，E为目标区域中心距离画面中心的像素点长度，设置E为PB(正大),PS(正小),Z0(零点),NS(负小),NB(负大)五种程度；EC为周期一轮的运动矢量变化长度，设置EC为PB(正大),PS(正小),Z0(零点),NS(负小),NB(负大)五种程度。
如图3、图4所示，首先，以最高倍率时的画面大小为基准，输入E和EC，可以保证输入值单位的一致性，并调整PD的系数，以使实际增量值符合实际的调整情况；接着，根据当前倍率进行比例调整和模糊处理获取系数，得出比例项的值P和微分项的值D，其中比例项的值P，Para_P＝(Kp+KpC)*E/KaC；微分项的值D，Para_D＝(Kd+KdC)*Ec/KaC；获取下一步运动矢量PPS_DST＝Para_P+Para_D+PPS_SRC。
其中，Kpc为比例项的基本系数，其决定比例项对整体速度的影响程度，Kdc为微分项的基本系数，其决定微分项对整体速度的影响程度，Kac为速度调整的基本系数，Kac的值越小，变速的幅度便越大，当Kac的值小于20时，则会导致振荡。
如图3、图4所示，根据当前E和EC的值和(Kp,Kd)＝update_PD(E,EC)参数整合获取Kp Kd的值，Kp和Kd分别根据KpC和KdC的值分成Kpb(正大),Kps(正小),Kz0(零点),Kns(负小),Knb(负大)五种程度，其中Kpb调整速度最快，Knb为进行细微的调整，当(Kp,Kd)＝(Kpb,Kpb)时，模糊调整速度最快，当(Kp,Kd)＝(Knb,Knb)时，模糊调整为相对进行细微的调整。
与现有技术相比，本发明提供的一种运动目标跟踪方法，通过建立混合高斯背景模型，避免了受外界环境的误检测，在运动目标被遮挡或同时出现多个运动目标时，采用角点聚类分析方法提取ShiTomas角点特征，利用光流法对角点进行追踪，即使背景一直变化，仍然可以正确追踪特征点；利用模糊PID控制方法使运动目标始终处于图像的中心位置，确保了在跟踪运动目标的过程中追踪流畅。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (6)

1.一种运动目标跟踪方法，其特征在于：包括以下步骤：
S100：基于嵌入式系统中的连续多帧图像数据，采用混合高斯背景建模来提取前景运动目标；
S200:当所述运动目标出现，所述混合高斯背景模型分离出运动目标，提取所述运动目标的角点特征，将对所述运动目标的追踪换成对所述角点特征的特征点追踪，使用光流法跟踪所述特征点；
当所述运动目标被遮挡、同时出现多个所述运动目标时，采用角点聚类分析方法提取所述角点特征；
步骤S200中，所述聚类分析方法按照以下步骤提取所述角点特征：
S201：遍历每一个当前追踪成功的特征点，若所述特征点在上轮分析时位于追踪目标区域，则所述特征点为前景点；
S202：按运动矢量长度大小对光流点分类为x和y，xmax-xmin≤1.5xmin，ymax-ymin≤1.5ymin，x和y分量相差范围为ymin＞2xmax的同属性点设为同一簇，按点的数量大小按顺序填充到链表中，得出前景链和背景链；
S203：取前景链中点最多的簇记为A，取背景链中点最多的簇记为B；
当A和B都存在，且A的平均运动矢量大于B的平均运动矢量的3倍时，则取A为追踪目标区域；当A和B都存在，若A的平均运动矢量大于B的，当A的平均运动矢量小于B的平均运动矢量的两倍的时候，则保留当前全部矢量，进行下一轮光流追踪；继续追踪N次，N的范围为24-36次，若不能满足A的平均运动矢量大于B的平均运动矢量的3倍，重新开始追踪检测；当A不存在，B存在，取上一次追踪的运动矢量作为当前的运动矢量；当A存在，B不存在，正常追踪取A为追踪目标区域；
S300：在追踪所述运动目标的过程中，使用云台追踪并使所述云台一直转动，采用模糊PID控制方法使所述运动目标始终处于图像的中心位置。
2.根据权利要求1所述的一种运动目标跟踪方法，其特征在于：步骤S100中，按照以下步骤所述混合高斯背景建模来提取前景运动目标：
S101：对获取的图像进行均值滤波，以降低噪声的干扰；
S102：对图像各像素建立混合高斯模型；将每帧图像的像素与当前所述混合高斯模型进行比较匹配，找到每帧图像匹配所述像素的分布模型；
S103：当匹配到所述分布模型符合背景，则所述像素为背景，否则为前景；当所述前景像素大小符合所述运动目标范围时，所述前景为运动目标。
3.根据权利要求1所述的一种运动目标跟踪方法，其特征在于：模糊PID控制方法按照以下步骤使所述运动目标始终处于图像的中心位置：
S301：以最高倍率时的画面大小为基准，输入E和EC，根据E和EC的值，调整PD的系数，
S302：参数整合获取Kp Kd的值：(Kp,Kd)＝update_PD(E,EC)
根据当前倍率进行比例调整和模糊处理获取系数，得出比例项的值P和微分项的值D，获取比例项的值P，Para_P＝(Kp+KpC)*E/KaC；
获取微分项的值D，Para_D＝(Kd+KdC)*Ec/KaC
获取下一步运动矢量PPS_DST＝Para_P+Para_D+PPS_SRC；
其中，E为目标区域中心距离画面中心的像素点长度，EC为周期的运动矢量变化长度，KpC为比例项的基本系数，KdC为微分项的基本系数，KaC为速度调整的基本系数。
4.根据权利要求3所述的一种运动目标跟踪方法，其特征在于：E设为PB,PS,Z0,NS,NB五种程度；
其中，PB表示正大，PS表示正小，Z0表示零点，NS表示负小，NB表示负大。
5.根据权利要求4所述的一种运动目标跟踪方法，其特征在于：EC设为PB,PS,Z0,NS,NB五种程度；
其中，PB表示程度正大，PS表示正小，Z0表示零点，NS表示负小，NB表示负大。
6.根据权利要求4所述的一种运动目标跟踪方法，其特征在于：Kp和Kd分别根据KpC和KdC的值分成Kpb,Kps,Kz0,Kns,Knb五种程度；
其中，Kpb表示正大，Kps表示正小，Kz0表示零点，Kns表示负小,Knb表示负大。
CN202010141749.3A 2020-03-04 2020-03-04 一种运动目标跟踪方法 Active CN111382784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010141749.3A CN111382784B (zh) 2020-03-04 2020-03-04 一种运动目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010141749.3A CN111382784B (zh) 2020-03-04 2020-03-04 一种运动目标跟踪方法

Publications (2)

Publication Number Publication Date
CN111382784A CN111382784A (zh) 2020-07-07
CN111382784B true CN111382784B (zh) 2021-11-26

Family

ID=71219753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010141749.3A Active CN111382784B (zh) 2020-03-04 2020-03-04 一种运动目标跟踪方法

Country Status (1)

Country Link
CN (1) CN111382784B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833379B (zh) * 2020-07-16 2023-07-28 西安电子科技大学 用单目摄像头追踪移动物体中目标位置的方法
CN111680671A (zh) * 2020-08-13 2020-09-18 北京理工大学 一种基于光流的摄像方案自动生成方法
CN114170267A (zh) * 2020-09-10 2022-03-11 华为技术有限公司 目标跟踪方法、装置、设备及计算机可读存储介质
CN113296546B (zh) * 2021-04-22 2023-01-06 杭州晟冠科技有限公司 一种轮船联动跟踪定位误差的补偿方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043964A (zh) * 2010-12-30 2011-05-04 复旦大学 基于云台摄像头的飞行器起降跟踪算法及跟踪系统
CN102073846A (zh) * 2010-12-15 2011-05-25 同济大学 基于航拍图像的交通信息获取方法
CN102799883A (zh) * 2012-06-29 2012-11-28 广州中国科学院先进技术研究所 一种从视频图像中提取运动目标的方法及装置
CN103413324A (zh) * 2013-07-29 2013-11-27 西北工业大学 航拍视频自动目标跟踪方法
CN104361607A (zh) * 2014-10-21 2015-02-18 北京邮电大学 一种实时多向行人计数、跟踪方法
CN104966305A (zh) * 2015-06-12 2015-10-07 上海交通大学 基于运动矢量划分的前景检测方法
CN105761277A (zh) * 2016-02-01 2016-07-13 西安理工大学 一种基于光流的运动目标跟踪方法
CN106203360A (zh) * 2016-07-15 2016-12-07 上海电力学院 基于多级过滤模型的密集场景人群分群检测算法
CN106340032A (zh) * 2016-08-27 2017-01-18 浙江捷尚视觉科技股份有限公司 一种基于光流场聚类的运动目标检测方法
CN108022254A (zh) * 2017-11-09 2018-05-11 华南理工大学 一种基于征点辅助的时空上下文目标跟踪方法
CN108053427A (zh) * 2017-10-31 2018-05-18 深圳大学 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
CN108596045A (zh) * 2018-04-02 2018-09-28 四川大学 一种基于空中监控平台的群体异常行为检测方法
CN109727273A (zh) * 2018-12-29 2019-05-07 北京茵沃汽车科技有限公司 一种基于车载鱼眼相机的移动目标检测方法
CN109754411A (zh) * 2018-11-22 2019-05-14 济南艾特网络传媒有限公司 基于光流法目标跟踪的爬楼翻窗盗窃行为检测方法及系统
TWI673653B (zh) * 2018-11-16 2019-10-01 財團法人國家實驗研究院 移動物體偵測系統及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4955616B2 (ja) * 2008-06-27 2012-06-20 富士フイルム株式会社 画像処理装置、画像処理方法及び画像処理プログラム
CN102156991B (zh) * 2011-04-11 2013-05-01 上海交通大学 基于四元数的物体光流跟踪方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073846A (zh) * 2010-12-15 2011-05-25 同济大学 基于航拍图像的交通信息获取方法
CN102043964A (zh) * 2010-12-30 2011-05-04 复旦大学 基于云台摄像头的飞行器起降跟踪算法及跟踪系统
CN102799883A (zh) * 2012-06-29 2012-11-28 广州中国科学院先进技术研究所 一种从视频图像中提取运动目标的方法及装置
CN103413324A (zh) * 2013-07-29 2013-11-27 西北工业大学 航拍视频自动目标跟踪方法
CN104361607A (zh) * 2014-10-21 2015-02-18 北京邮电大学 一种实时多向行人计数、跟踪方法
CN104966305A (zh) * 2015-06-12 2015-10-07 上海交通大学 基于运动矢量划分的前景检测方法
CN105761277A (zh) * 2016-02-01 2016-07-13 西安理工大学 一种基于光流的运动目标跟踪方法
CN106203360A (zh) * 2016-07-15 2016-12-07 上海电力学院 基于多级过滤模型的密集场景人群分群检测算法
CN106340032A (zh) * 2016-08-27 2017-01-18 浙江捷尚视觉科技股份有限公司 一种基于光流场聚类的运动目标检测方法
CN108053427A (zh) * 2017-10-31 2018-05-18 深圳大学 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
CN108022254A (zh) * 2017-11-09 2018-05-11 华南理工大学 一种基于征点辅助的时空上下文目标跟踪方法
CN108596045A (zh) * 2018-04-02 2018-09-28 四川大学 一种基于空中监控平台的群体异常行为检测方法
TWI673653B (zh) * 2018-11-16 2019-10-01 財團法人國家實驗研究院 移動物體偵測系統及方法
CN109754411A (zh) * 2018-11-22 2019-05-14 济南艾特网络传媒有限公司 基于光流法目标跟踪的爬楼翻窗盗窃行为检测方法及系统
CN109727273A (zh) * 2018-12-29 2019-05-07 北京茵沃汽车科技有限公司 一种基于车载鱼眼相机的移动目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Moving vehicle detection in dynamical scene using vector quantization;Lei Gao 等;《2014 IEEE Intelligent Vehicles Symposium (IV)》;20140711;第725-729页 *

Also Published As

Publication number Publication date
CN111382784A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN111382784B (zh) 一种运动目标跟踪方法
CN110688987B (zh) 一种行人位置检测与跟踪方法及系统
US20190228233A1 (en) Video tracking systems and methods employing cognitive vision
US9947077B2 (en) Video object tracking in traffic monitoring
CN109684996B (zh) 基于视频的实时车辆进出识别方法
Zang et al. Robust background subtraction and maintenance
US11900676B2 (en) Method and apparatus for detecting target in video, computing device, and storage medium
CN106780560B (zh) 一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法
CN105046719B (zh) 一种视频监控方法及系统
CN114332394B (zh) 一种基于语义信息辅助的动态场景三维重建方法
CN105160649A (zh) 基于核函数非监督聚类的多目标跟踪方法及系统
CN105374049B (zh) 一种基于稀疏光流法的多角点跟踪方法及装置
CN113066129A (zh) 基于动态环境下的目标检测的视觉定位与建图系统
Zhang et al. New mixed adaptive detection algorithm for moving target with big data
CN107871315B (zh) 一种视频图像运动检测方法和装置
Hossain et al. Fast-D: When non-smoothing color feature meets moving object detection in real-time
Funde et al. Object detection and tracking approaches for video surveillance over camera network
Roy et al. A comprehensive survey on computer vision based approaches for moving object detection
CN103578121A (zh) 干扰运动环境下基于共享高斯模型的运动检测方法
Shao et al. Cast shadow detection based on the YCbCr color space and topological cuts
CN111127355A (zh) 一种对缺损光流图进行精细补全的方法及其应用
Ji et al. DRV-SLAM: An Adaptive Real-Time Semantic Visual SLAM Based on Instance Segmentation Toward Dynamic Environments
Maddalena et al. Object motion detection and tracking by an artificial intelligence approach
Benet et al. Embedded low-level video processing for surveillance purposes
Lindstrom et al. Background and foreground modeling using an online EM algorithm

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 361000 Room 202, No.23, erwanghailu, software park, Xiamen City, Fujian Province

Applicant after: Xiamen Xingzong Intelligent Technology Co.,Ltd.

Address before: 361000 Room 202, No.23, erwanghailu, software park, Xiamen City, Fujian Province

Applicant before: MILESIGHT TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221028

Address after: Room 401, No. 37, Xishanwei Road, Phase III, Torch High tech Zone, Xiamen, Fujian, 361000

Patentee after: XIAMEN XINGZHONG WULIAN TECHNOLOGY Co.,Ltd.

Address before: 361000 Room 202, No.23, erwanghailu, software park, Xiamen City, Fujian Province

Patentee before: Xiamen Xingzong Intelligent Technology Co.,Ltd.