CN111480180A - 用于检测和跟踪目标的方法 - Google Patents

用于检测和跟踪目标的方法 Download PDF

Info

Publication number
CN111480180A
CN111480180A CN201880076218.1A CN201880076218A CN111480180A CN 111480180 A CN111480180 A CN 111480180A CN 201880076218 A CN201880076218 A CN 201880076218A CN 111480180 A CN111480180 A CN 111480180A
Authority
CN
China
Prior art keywords
blobs
type
existing
track
blob
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
Application number
CN201880076218.1A
Other languages
English (en)
Other versions
CN111480180B (zh
Inventor
D·马尔特塞
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.)
Safran Electronics and Defense SAS
Original Assignee
Safran Electronics and Defense SAS
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 Safran Electronics and Defense SAS filed Critical Safran Electronics and Defense SAS
Publication of CN111480180A publication Critical patent/CN111480180A/zh
Application granted granted Critical
Publication of CN111480180B publication Critical patent/CN111480180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • G08B13/19608—Tracking movement of a target, e.g. by detecting an object predefined as a target, using target direction and or velocity to predict its new position
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30212—Military
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

用于检测和跟踪一系列图像中的目标的方法，称为现有轨迹的至少一个轨迹已经由所述一系列图像中的当前图像之前的图像中检测到的斑点形成。所述方法包括：对于当前图像，获得(30)所述当前图像中包括的至少一个斑点，并且对于各个斑点，获得该斑点的特征的代表值；并且在所述代表值比第一预定阈值的情况下根据所述代表值将各个斑点分类(31)到第一类别，在所述代表值在该第一预定阈值和比该第一预定阈值低的第二预定阈值之间的情况下将所述斑点分类到第二类别；并且对于各个现有轨迹，优选地将第一类别斑点分配(32)到该现有轨迹，并且当第一类别斑点均不与该现有轨迹兼容时，将第二类别斑点分配到所述现有轨迹。

Description

用于检测和跟踪目标的方法
本发明涉及用于检测和跟踪目标的方法，以及用于实施所述方法的装置和设备。
通常使用利用目标检测和跟踪的方法进行环境监控，尤其是在空中和海上领域。这些方法包括连续捕捉环境的一系列光电图像，在各个图像中寻找潜在目标的存在的迹象，然后，当发现迹象时，通过确定在多个连续图像中是否存在一致检测结果的重复来确认或否认实际目标的存在。
在目标检测和监测中使用了以下术语：
·斑点或热斑点：图像的子部分，包括具有彼此均一且与图像中该子部分附近区域的像素不同的特征的相邻像素。通过应用检测标准来检测斑点。可以根据图像中的平均信号电平和/或噪声电平来建立该检测标准。例如，当像素的亮度水平与图像中其附近的像素的平均亮度水平具有比预定检测阈值高的差异时，可以认为该像素属于斑点。更一般地，斑点的检测可以基于对图像的像素的信噪比(SNR)值的观察。SNR比预定检测阈值高的像素被认为属于斑点。斑点可以对应于目标或对应于图像中的检测像差。
·轨迹：在多个连续图像中检测到的斑点的时空链。轨迹可以具有三种状态：候选轨迹(在初始化或分叉过程中)、已确认轨迹或已放弃轨迹。使用轨迹管理功能更新轨迹的状态。轨迹管理功能将候选轨迹状态分配到各个新轨迹。通常从尚未用于更新现有已确认轨迹的斑点初始化候选轨迹。轨迹管理功能可以根据所需的性能水平或错误警报水平，使用或多或少的复杂技术来确认候选轨迹。例如，当可以从一系列P个连续图像中的Q个(P>Q)图像中发现的斑点构造斑点时空链时，可以确认轨迹。当轨迹的特征不再满足预定标准时，诸如例如当在大于预定阈值的多个相继图像期间未使用新斑点更新该轨迹时，轨迹管理功能将放弃状态分配到所述轨迹。
·用于将斑点分配到轨迹的算法：用于将斑点分配到轨迹的算法可以将点与现有轨迹关联(已确认或在初始化过程中)。当通过目标检测和跟踪方法获得新图像(称为“当前图像”)时，对其进行分析以在其中寻找斑点。并行地，根据各个现有轨迹执行被称为“预测斑点”的斑点的位置的预测，以确定使得可以追踪该轨迹的斑点位于何处。通常使用轨迹维持函数来完成对预测斑点的位置的这种预测。然后在预测斑点的位置周围定义一个或两个验证窗口。这称为预测窗口和演化窗口。然后在这些验证窗口中寻找适合于追踪所述轨迹的斑点。分配可以包括两个步骤：预相关和确定性分配。在预相关期间，指示用于对各个轨迹进行关联的候选点。这是考虑落入轨迹验证窗口内的所有斑点的情况。以这种方式形成表格，该表格指示斑点是否形成可以与轨迹相关联的候选的一部分。在确定性分配时，对斑点和轨迹之间的关系进行更精细的分析。存在各种确定性分配方法。因此，可以提及例如全局最近邻接近(GNN)方法或次优最近邻(SNN)方法，这两种方法均在文章“A Study of aTarget Tracking Algorithm Using Global Nearest Neighbor Approach,P.Konstantinova,International Conference on Computer Systems and Technologies(CompSysTech 2003)”中描述。
·轨迹维持函数：轨迹维持函数提供从轨迹跟踪的目标的运动学特性的在当前时刻的估计及其在该当前时刻之后的时刻的预测。该函数通常由卡尔曼函数实现。
目标检测和监测方法必须在有效检测斑点与避免增加误报的可能性之间找到折衷(即为不对应于目标的像素组创建轨迹)。众所周知，检测到的斑点的数量越多，误报的可能性越大。为了使斑点的数量保持合理，通常会增大检测阈值。
另一方面，在可变环境中已知目标会改变。
图1A、图1B和图1C描绘了由诸如照相机(未示出)之类的光电装置获取的图像，其中飞机1在包括云2的环境中移动。随着飞机1在该环境中移动，飞机1从无云的区域到有云的区域，然后返回到无云区域连续经过。飞机1潜在地是能够通过目标检测和跟踪方法来检测和跟踪的目标。
在图1A所示的图像中，与飞机1相对应的像素具有与飞机1附近的像素非常不同的特性(亮度值、SNR值等)。然后毫无困难地检测到该斑点。这是因为，例如，与飞机1相对应的像素具有比预定检测阈值高的SNR值，而位于飞机1附近的像素则不是这种情况。然后，可以将该斑点分配到现有轨迹，该现有轨迹将已经根据图1A中的图像之前的图像创建。
在图1B所示的图像中，与飞机1相对应的像素嵌入与云2相对应的像素中。由于这些像素具有相似的特征，因此难以将与飞机1相对应的像素和与云2相对应的像素区分开。云2对应于纹理化区域。纹理化区域极大地增加了目标附近像素值的变化。纹理化区域导致噪声增加，因此导致SNR值下降。例如，与飞机1相对应的像素具有比预定检测阈值低的低SNR值，就像位于飞机1附近的像素一样。因此，未检测到与飞机1相对应的斑点的可能性高。有可能放弃与飞机1的监测相对应的轨迹。
在图1C所示的图像中，飞机1返回到以下区域：在该区域中与飞机1相对应的像素具有与其附近的像素非常不同的特征。再次，与飞机1相对应的像素具有比预定检测阈值高的SNR值。因此，再次容易地检测到与飞机1相对应的斑点。如果在与图1B相对应的图像中已经放弃了轨迹，则存在跟踪不连续的风险，也就是说，可能在与图1C相对应的图像中的新标识符中创建新的轨迹，虽然目标(即飞机1)是相同的。
该示例示出使用高的检测阈值使得可以避免检测到的斑点的数量增加，但是另一方面，当与这些目标相对应的像素位于不利于检测的环境中时，则阻止了对与真实目标相对应的斑点的检测。
期望克服现有技术的这些缺点。特别期望提出使得可以在不利于检测的环境中监测目标的方法。
此外，期望提出易于实现并且具有低计算成本的方法。
根据本发明的第一个方面，本发明涉及一种用于检测和跟踪由光电系统提供的一系列图像中的目标的方法，其特征在于，该方法包括，对于当前图像：
获得所述当前图像中包括的至少一个斑点，并且对于各个斑点，获得所述斑点的特征的代表值；
在所述代表值比第一预定阈值高的情况下，根据所述代表值将各个斑点分类分类到第一类别，或者在所述代表值位于该第一预定阈值和比该第一预定阈值低的第二预定阈值之间的情况下，将各个斑点分类到第二类别；
对于被称为现有第一类型轨迹的各个现有的第一类型的斑点时空链，在第一类别中的至少一个斑点根据预定标准与所述现有第一类型轨迹兼容的情况下，将第一类别中的斑点分配到所述现有第一类型轨迹，并且在第一类别中的斑点均不与所述现有第一类型轨迹兼容的情况下，如果根据该预定标准在第二类别中的至少一个斑点与所述现有第一类型轨迹兼容，则分配第二类别中的斑点，现有第一类型轨迹的分配使得能够在当前图像中追踪所述现有第一类型轨迹，所述现有第一类型轨迹是由在所述一系列图像的当前图像之前的图像中检测到的斑点形成的；
为第一类别中的未分配到现有轨迹的各个斑点创建新的第一类型轨迹；
如果构成第二类别中的未分配到现有第一类型轨迹的斑点的像素数量比第三预定阈值高，则将各个该斑点分类到第三类别，否则分类到第四类别；
对于被称为现有第二类型轨迹的各个现有的具有至少一个第二类型的时空链，在第三类别中的至少一个斑点根据该预定标准与所述现有第二类型轨迹兼容的情况下，将第三类别中的斑点分配到所述现有第二类型轨迹，并且在构成所述现有第二类型轨迹的斑点的数量超过预定斑点数量的情况下，将所述现有第二类型轨迹转换为现有第一类型轨迹，所述现有第二类型轨迹是由在所述一系列图像的当前图像之前的图像中检测到的斑点形成的；
为第三类别中的未分配到现有第二类型轨迹的各个斑点创建新的第二类型轨迹。
根据一个实施方式，所述斑点的特征的代表值是表示属于该斑点的像素的SNR值的SNR值，所述第一预定阈值和所述第二预定阈值具有预定SNR值。
根据一个实施方式，在斑点被包括在当前图像的与轨迹对应的称为验证窗口的子部分中的情况下，该斑点与现有第一类型轨迹或现有第二类型轨迹兼容，该验证窗口是围绕与当前图像中的所述轨迹对应的斑点必须位于的位置的预测而定义的，所述位置被称为预测位置，所述位置是考虑到使用所述轨迹跟踪的目标的运动学特征而从轨迹维持函数中获得的。
根据一个实施方式，在第一类别中的多个斑点与现有第一类型轨迹兼容的情况下，第一类别中根据预定接近性标准最接近所述预测位置的斑点被分配到所述轨迹，并且在第二类别中的多个斑点与现有第二类型轨迹兼容的情况下，第二类别中根据该预定接近性标准最接近所述预测位置的斑点被选择，只有第一类别或第二类别中的斑点能够被分配到第一类型轨迹。
根据一个实施方式，当第三类别中的多个斑点与现有第二类型轨迹兼容的情况下，第三类别中根据该预定接近性标准最接近所述预测位置的斑点被分配到所述轨迹，只有第三类别中的斑点能够被分配到第二类型轨迹。
根据一个实施方式，第二类型轨迹包括两个轨迹子类型，只要第二类型轨迹包括数量比预定斑点数量少的第三类别的斑点，则第二类型轨迹是第一子类型，而在第二类型轨迹包括数量比第一预定斑点数量多的斑点的情况下，第二类型轨迹是第二子类型，当表示构成第二类型轨迹的斑点的SNR值之和在预定数量的连续斑点上比第四预定阈值高时，或者当第二类型轨迹的斑点的尺寸变化在第二预定数量的连续斑点上严格增加时，或者当第二类型轨迹的斑点的SNR变化在第三预定数量的连续斑点上严格增加时，所述第二子类型的第二类型轨迹被转换为第一类型轨迹。
根据一个实施方式，在将第一类别或第二类别的斑点分配到现有第一类型轨迹后，并且在为第一类别中的未分配到现有轨迹的各个点创建新的第一类型轨迹之前，对于第二子类型的各个现有第二类型轨迹，在第一类别中的至少一个斑点根据预定分配标准与轨迹兼容的情况下，将第一类别中的斑点分配到该轨迹，并且在第一类别中没有斑点与所述轨迹兼容的情况下，如果第二类别中的至少一个斑点根据该预定分配与所述轨迹兼容，则分配第二类别中的斑点。
根据本发明的第二个方面，本发明涉及一种装置，所述装置包括用于实现根据第一个方面的方法的单元。
根据本发明的三个个方面，本发明涉及一种设备，所述设备包括根据第二个方面的装置。
根据本发明的第四个方面，本发明涉及一种计算机程序，该计算机程序包括指令，在所述程序由装置的处理器执行时，所述指令用于由所述装置实施根据第一个方面的方法。
根据本发明的第五个方面，本发明涉及一种存储装置，所述存储装置存储计算机程序，所述计算机程序包括指令，在所述程序由装置的处理器执行时，所述指令用于由所述装置实施根据第一个方面的方法。
通过阅读以下对示例实施方式的描述，可以更清楚地理解上述本发明以及其他特征，其中所述描述是相对于附图给出的，其中：
-图1A、图1B和图1C示意性地例示了由诸如照相机(未示出)的光电装置捕捉的图像，其中飞机在包括云的环境中移动；
-图2A示意性地例示了能够实现本发明的设备；
-图2B示意性地例示了能够实现本发明的分析模块的硬件架构；
-图3示意性地例示了根据本发明的目标检测和跟踪方法；
-图4示意性地例示了根据本发明的目标检测和跟踪方法的第一细节；
-图5示意性地例示了根据本发明的目标检测和跟踪方法的第二细节；和
-图6示意性地例示了根据本发明的目标检测和跟踪方法的第三细节。
在下文中，使用获取可见光域中的图像的图像捕捉装置在空中监控的背景下描述本发明。本发明同样可以应用于不同的监控环境中，例如海上监控。此外，本发明适用于其他类型的图像(即其他光谱域)，例如红外图像、热图像和雷达图像。
图2A示意性地例示了能够实施本发明的设备10。
设备10包括图像获取模块100，例如在可见光谱域中操作的照相机。图像获取模块100将其已经获取的图像提供给图像处理模块101。图像处理模块101尤其能够检测各个图像中的斑点并计算各个斑点的至少一个代表值。
图像处理模块101将所获取的图像，检测到的各个斑点的位置以及对于各个检测到的斑点而言所述斑点的代表值提供给分析模块102。分析模块102实现根据本发明的目标检测和监测方法。我们将在下文中相对于图3、图4、图5和图6描述该方法，该方法能够创建新轨迹，扩展轨迹和放弃轨迹。分析模块102负责确认轨迹，并为此使用轨迹管理功能。
对于所获取的各个图像，分析模块102将表示经确认的各个轨迹的信息发送到显示模块103，显示模块103显示该信息，从而操作者可以使用该信息。例如，分析模块102向显示模块103提供表示在最后获取的图像中检测到的能够被分配到经确认的轨迹的各个斑点的位置的信息。
认为设备10形成了光电系统。
在图2A中，图像获取模块100，图像处理模块101，分析模块102和显示模块103被描绘为形成同一设备10的一部分。在一个实施方式中，这些模块也可以被包括在不同的设备中。包括通信模块的设备或装置项，使它们彼此通信。这些设备或装置的项目然后形成能够实施本发明的光电系统。
图2B示意性地例示了能够实现本发明的分析模块的硬件架构的示例。
根据图2B中描绘的硬件架构的示例，分析模块102然后包括通过通信总线1020连接的：处理器或CPU(中央处理单元)1021、随机存取存储器RAM 1022、只读存储器ROM 1023、存储单元1024，例如硬盘或存储介质读取器，例如SD(安全数字)卡读取器、使分析模块102能够与图像处理模块101和显示模块103通信的至少一个通信接口1025。
处理器1021能够执行从ROM 1023，从外部存储器(未示出)，从存储介质(例如SD卡)或从通信网络加载到RAM 1022中的指令。当设备10通电时，处理器1021能够从RAM 1022读取指令并执行。这些指令形成计算机程序，该计算机程序造成处理器1021完全或部分实现下文中相对于图3、图4、图5、图6描述的方法。
相对于图3、图4、图5、图6描述的方法可以通过由可编程机器(例如DSP(数字信号处理器)或微控制器)执行一组指令以软件形式实现，或者可以由机器或例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)这样的专用组件以硬件形式实现。
图3示意性地例示了根据本发明的目标检测和跟踪方法。
对于由图像获取模块100获取的各个图像实现该方法。在下文中，将由设备10正在处理的图像称为当前图像。在一个实施方式中，我们假设至少一个轨迹，称为现有轨迹，已由当前图像之前的图像中检测到的斑点形成。
如我们将在下文中看到的，该方法使用多种类型的轨迹，包括标称类型的轨迹(称为标称轨迹)，以及具有至少一个第二类型的轨迹，包括TBD类型轨迹，称为TBD轨迹(“在检测之前的轨迹”)。
当轨迹由根据至少一个第一预定条件执行目标监测时关注的一个或一组斑点组成时，该轨迹被视为标称类型。第一预定条件的第一示例是这样的：将包括具有比预定SNR阈值高的SNR值的至少一个斑点的轨迹认为是标称轨迹。第一预定条件的第二示例是这样的：使包括斑点数量比预定数量大的轨迹认为是标称轨迹。各个标称轨迹可以是经确认的轨迹、初始化过程中的轨迹、或从经确认的轨迹创建的分叉轨迹。
当轨迹不满足任何第一预定义条件时，该轨迹被视为TBD类型。但是，TBD轨迹必须满足至少一个第二预定条件，我们将在下面进行描述。
应当注意的是，只有标称轨迹能够被分析模块102确认。为此，分析模块102实现轨迹管理功能，包括：当从一系列P个连续图像中的Q个(P>Q)图像中发现的Q个(P>Q)斑点构造了标称轨迹时，该标称轨迹被确认。在一个实施方式中，P＝20并且Q＝16。永远不会确认第二种类型轨迹。
在步骤30中，分析模块102获得包括在所述当前图像中的至少一个斑点，并且对于各个斑点，获得该斑点的特征的代表值VR。在一个实施方式中，斑点的代表值VR例如是构成所述斑点的像素的平均SNR值。
在步骤31中，在所述值VR比第一预定阈值T1高的情况下，分析模块102根据所述代表值VR将各个斑点分类到第一类别，或者在所述代表值VR位于所述第一预定阈值和比第一预定阈值T1低的第二预定阈值T2之间的情况下，将其分类到第二类别。第一类包括其误报概率低的斑点，称为备用点。第二类别包括误报的概率比备用斑点高的斑点。分类到第二类别的这些斑点称为特定斑点。在斑点的代表值VR是平均SNR值的实施方式中，第一阈值T1和第二阈值T2是在训练图像序列上获得的SNR值。我们将在下面结合图4详细介绍将斑点分类到类别。
在步骤32中，分析模块102使用算法来将斑点分配到现有标称轨迹。
在该算法的上下文中，对于各个现有标称轨迹，在至少一个备用斑点根据预定分配标准与所述现有标称轨迹兼容的情况下，分析模块102将备用斑点分配到所述现有标称轨迹。在没有备用斑点与所述现有标称轨迹兼容的情况下，如果根据预定分配标准至少一个特定斑点与现有标称轨迹兼容，则分析模块102分配特定斑点。
这样，备用斑点的分配是有特权的，因为这些斑点具有最小的误报风险(即，产生错误标称轨迹或追踪标称轨迹而图像获取模块100不再观察到相应目标的风险最小)。但是，考虑特定斑点，以追踪找不到兼容备用斑点的现有标称轨迹。因此，就虚假警报的可能性而言，以质量较差的斑点追踪标称轨迹。然而，通过使用特定斑点来追踪现有标称轨迹，使得能够追踪当例如目标穿过难以检测的环境时或当目标位于图像获取模块100的范围限制时将已被错误丢弃的标称轨迹。
应当注意，当在先前图像上没有形成现有标称轨迹时，不执行分配轨迹的步骤32。然后，分析模块102直接从步骤31转到步骤33。
在步骤33中，分析模块102检查备用斑点是否未分配到现有轨迹。
如果是这种情况，则步骤33之后是步骤34，在该步骤34中，分析模块102从未分配到现有轨迹的备用斑点创建候选轨迹。
在步骤34之后(或者如果使用斑点分配算法之后不再有任何备用斑点，则在步骤33之后)，分析模块102执行步骤35，在此期间分析模块102确定是否至少一个特定斑点未分配到现有标称轨迹。
如果已分配了各个特定斑点，则分析模块102在步骤45中等待新图像，并且当图像处理模块101向其提供新图像时，返回到步骤30。
如果未分配至少一个特定斑点，则分析模块102针对各个剩余的特定斑点，确定是否必须明确拒绝该特定斑点，或者是否必须保留该斑点以创建或继续TBD轨迹。为此，分析模块102针对未分配的各个特定斑点执行步骤36至步骤39。在步骤36中，如果组成该特定斑点的像素的数量比阈值T3高，则分析模块102在步骤37中将该特定斑点分类到第三类别，否则在步骤38中将其分类到第四类别。在第三类别中的斑点被称为TBD斑点。第四类别斑点被分析模块102明确拒绝。在一个实施方式中，T3＝6个像素。
在步骤39中，分析模块102确定是否还有至少一个其他未分配的特定斑点待处理。如果是，则分析模块102返回步骤36。否则，分析模块102执行步骤40。
在步骤40期间，分析模块102使用将斑点分配到现有TDB轨迹的算法。在该算法的上下文中，对于各个现有TBD轨迹，在根据预定分配标准，至少一个TBD斑点与所述现有TBD轨迹兼容的情况下，分析模块102将TBD斑点分配到所述现有TBD轨迹。关于图6详细描述步骤40。
必须由TBD轨迹遵守的第二预定条件的示例因此是其由TBD斑点组成，也就是说，由未分配到现有标称轨迹的至少一个特定斑点组成，特定斑点具有小于T1且大于T2的代表值VR且由数量比阈值T3多的像素组成。
在步骤41中，分析模块102对于各个现有TBD轨迹确定其是否可以将所述TBD轨迹转换为标称轨迹。在一个实施方式中，在组成所述TBD轨迹的斑点的数量超过预定数量NB1的情况下，分析模块102将TBD轨迹转换为标称轨迹。在一个实施方式中，NB1＝40。
在步骤43中，分析模块102确定是否未将TBD斑点分配到现有轨迹。如果已分配了所有TBD斑点，则分析模块102执行已经说明的步骤45。否则，在步骤44中，分析模块102为未分配到现有轨迹的各个TBD斑点创建新的TBD轨迹。步骤44之后是步骤45。
在一个实施方式中，第二类型轨迹包括TBD轨迹和所谓的瞬时轨迹。然后可以认为第二类型轨迹包括两个子类型。瞬时轨迹是在TBD轨迹和标称轨迹之间的轨迹。当构成TBD轨迹的斑点的数量超过预定数量NB2＜NB1的情况下，分析模块102将该TBD轨迹转换为瞬时轨迹。在一个实施方式中，NB2＝20。当满足用于瞬时到标称变换的条件时，分析模块102将瞬时轨迹变换成标称轨迹。例如，当构成瞬时轨迹的斑点的平均SNR在预定数量的连续斑点nbp1上的和比阈值T4高时，或者当瞬时轨迹的斑点的尺寸变化在预定数量的连续斑点nbp2上严格增加时，或者当瞬时轨迹的斑点的SNR的变化在预定数量的连续斑点nbp3上严格增加时，分析模块102将该瞬时轨迹转换为标称轨迹。在一个实施方式中，nbp1＝nbp2＝nbp3＝10并且T4＝30db。
在包括瞬时轨迹的实施方式中，在步骤32中，分析模块102使用将斑点分配到现有标称轨迹和瞬时轨迹的算法。
用于将斑点分配到现有标称轨迹的该算法的应用与相对于步骤32描述的没有瞬时轨迹的实施方式相同。当在现有标称轨迹上跑完时，分析模块102将该算法应用于现有瞬时轨迹。因此，对于各个现有瞬时轨迹，在至少一个备用斑点根据预定分配标准与该现有瞬时轨迹兼容的情况下，分析模块102将所述备用点分配到该现有瞬时轨迹。当没有备用斑点与该现有瞬时轨迹兼容时，如果至少一个特定斑点根据预定分配标准与现有瞬时轨迹兼容，则分析模块102分配特定斑点。
因此，可以将备用斑点或特定斑点分配到瞬时轨迹。
在包括瞬时轨迹的实施方式中，在步骤40中，对于各个现有TBD轨迹或瞬时轨迹，在至少一个TBD斑点根据预定分配标准与现有TBD轨迹或瞬时轨迹兼容的情况下，分析模块102将TBD斑点分配到该现有TBD轨迹或瞬时轨迹。
在步骤41中，当构成TBD轨迹的斑点的数量超过预定数目NB2时，分析模块102将该TBD轨迹转换为瞬时轨迹。
在步骤42中，当满足用于将瞬时转换为标称的条件时，分析模块102将瞬时轨迹转换成标称轨迹。
步骤43、44保持相同。
在一个实施方式中，斑点的代表值VR是以构成该斑点的像素的数量计量的斑点尺寸、构成该斑点的像素的熵或SURF描述符(“Speeded Up Robust Features”,H.Bay etal.,SURF:Speeded Up Robust Features,Computer Vision and Image Understanding(CVIU),Vol.110,No.3,pp.346–359,2008)。
在斑点的其他类型的代表值VR的情况下(斑点的大小、构成斑点的像素的熵、SURF描述符)，调整所使用的阈值T1、T2和T3以适应所使用的代表值。
使用多种类型的轨迹使得可以对每种类型的轨迹应用不同的处理。例如，标称轨迹(如果被确认)旨在在显示模块103上显示。由于与标称轨迹相比，构成TBD轨迹的斑点有更多可能性为误报，所以永远不会显示TBD轨迹。但是，TBD轨迹持续的越长，此轨迹由对应于误报的斑点组成的可能性就越降低。该轨迹例如可以对应于从一定时间起与图像获取模块100保持远距离的物体(例如飞机)，或者由于伪装良好而使得图像处理模块101难以检测到的物体。在这些条件下，优选地向观看显示模块103的操作员指示该物体的存在，并且因此将TBD轨迹转换为标称轨迹。
图4示意性地例示了根据本发明的目标检测和跟踪方法的步骤31。
在步骤310中，分析模块102将变量n初始化为值0。值n用于计数在步骤31期间要处理的斑点。在相对于图4描述的方法的每次迭代中，由分析模块102分析在步骤30中获得的斑点中的一个斑点(表示为斑点n)。
在步骤311中，分析模块102将该斑点斑点n的代表值(表示为VRn)与第一阈值T1进行比较。在VRn≥T1的情况下，在步骤315中，分析模块102将斑点斑点n分类到备用斑点类别。
如果VRn<T1，则在步骤311之后跟着的步骤312，分析模块102将斑点n的值与第二阈值T2进行比较。在VRn≥T2的情况下，在步骤314中，分析模块102将斑点斑点n分类到特定斑点类别。
如果VRn<T2，则在步骤312之后跟着的步骤313，分析模块102拒绝斑点斑点n。斑点斑点n不用于扩展轨迹或创建候选轨迹。
在步骤315和314之后跟着的步骤316中，分析模块102将变量n的值增加一个单位。
在步骤317中，将变量n的值与表示图像处理模块101检测到的斑点数量的变量N进行比较。如果n<N，返回到步骤311，参考图4描述的方法继续。如果n＝N，则该方法结束，从而结束步骤31。
在一个实施方式中，在斑点的代表值是构成该斑点的像素的平均SNR的情况下，T1＝12dB并且T2＝8dB。
在一个实施方式中，在斑点的代表值是构成该斑点的像素的平均SNR的情况下，阈值T1是预定SNR值，该值可以根据在图像中找到的斑点的平均SNR值在分析所获取的一系列图像期间被更新。阈值T2可以是相对于阈值T1的相对值。例如，T2＝T1-4dB。
图5示意性地例示了根据本发明的目标检测和跟踪方法的步骤32。
在步骤320中，分析模块102对在步骤31中分类的各个斑点与各个现有标称轨迹之间执行预相关。该预相关的一个目的是针对各个现有标称轨迹确定哪个斑点可以对应于该轨迹。在一个实施方式中，对各个现有标称轨迹应用轨迹维持函数，以确定应当将和所述轨迹相对应的点放置在何处。该轨迹维持函数使得可以确定预测斑点的位置和围绕所述预测斑点的验证窗口。出现在现有标称轨迹的验证窗口中的各个斑点是与该轨迹关联的候选。
在步骤321中，分析模块102将变量k初始化为0。该变量使得可以枚举现有的标称轨迹。
在步骤322中，分析模块102开始分析第k个现有标称轨(表示为轨迹k)。在步骤322中，分析模块102确定是否至少一个备用斑点对应于现有标称轨迹轨迹k。如果是这种情况，则在一个实施方式中，分析模块102在步骤326中分配根据预定度量最接近与现有标称轨迹轨迹k对应的预测斑点的位置的备用斑点。该预定度量例如是欧几里得距离。
否则，如果没有备用斑点对应于现有标称轨迹轨迹k，则分析模块102在步骤323中确定是否至少一个特定斑点对应于现有标称轨迹轨迹k。如果是这种情况，则在一个实施方式中，分析模块102在步骤325中，分配根据预定义度量最接近与现有标称轨迹轨迹k相对应的预测斑点的位置的特定斑点。
否则，如果没有特定斑点对应于现有标称轨迹轨迹k，则分析模块102在步骤324中结束分析轨迹轨迹k。
在步骤326、323和324之后跟着的步骤327中，分析模块102将变量k增加一个单位。
在步骤328中，分析模块102将变量k的值与对应于现有标称轨迹的数量的变量K进行比较。如果变量k等于变量K，则分析模块102结束步骤32。否则，分析模块102再次执行步骤322。
在一个实施方式中，当在预定数量的图像期间没有更新现有标称轨迹时，所述轨迹被分析模块102放弃。
图6示意性地例示了根据本发明的目标检测和跟踪方法的步骤40。
在步骤400中，分析模块102在步骤37中分类的各个TBD斑点与各个TBD轨迹或瞬时轨迹之间执行预相关。该预相关的一个目标是针对各个现有TBD轨迹或瞬时轨迹确定哪个点可以对应于该轨迹。在一个实施方式中，对各个现有轨迹TBD或瞬时轨迹应用轨迹维持函数，以确定应当将与所述轨迹相对应的斑点放置在何处。该轨迹维持函数使得可以确定预测斑点的位置和围绕所述预测点的确认窗口。出现在现有TBD轨迹或瞬时轨迹的验证窗口中的各个斑点是与所述轨迹关联的候选。
在步骤401中，分析模块102将变量l初始化为0。该变量使得可以枚举现有TBD轨迹或瞬时轨迹。
在步骤402中，分析模块102开始分析第l个现有TBD轨迹或瞬时轨迹(表示为轨迹1)。在步骤402中，分析模块102确定是否至少一个TBD斑点对应于现有TBD轨迹或瞬时轨迹轨迹1。如果是这种情况，则在一个实施方式中，分析模块102在步骤403中，分配根据预定度量最接近与现有TBD轨迹或瞬时轨迹轨迹1对应的预测斑点的位置的TBD斑点。
步骤403之后跟着步骤404，在步骤404中，分析模块102将变量l增加一个单位。
如果没有TBD斑点对应于现有TBD轨迹或瞬时轨迹轨迹1，则在步骤402之后直接跟着步骤404。
在步骤405中，分析模块102将变量l的值与对应于现有TBD轨迹或瞬时轨迹的数量的变量L进行比较。如果变量l等于变量L，则分析模块102结束步骤40。否则，分析模块102再次执行步骤402。
在一个实施方式中，当在预定数量的图像期间没有更新现有TBD轨迹或瞬时轨迹的情况下，所述轨迹被分析模块102放弃。
权利要求书(按照条约第19条的修改)
1.一种用于检测和跟踪由光电系统(10)提供的一系列图像中的目标的方法，其特征在于，该方法包括，对于当前图像：
获得(30)所述当前图像中包括的至少一个斑点，并且对于各个斑点，获得所述斑点的特征的代表值；
在所述代表值比第一预定阈值(T1)高的情况下，根据所述代表值将各个斑点分类(31)到第一类别，或者在所述代表值位于该第一预定阈值和比该第一预定阈值低的第二预定阈值(T2)之间的情况下，将各个斑点分类到第二类别，与所述第一类别中的斑点相比，所述第二类别中的斑点具有较高的误报概率；
对于被称为现有第一类型轨迹的各个现有的第一类型的斑点时空链，在第一类别中的至少一个斑点根据预定标准与所述现有第一类型轨迹兼容的情况下，将所述第一类别中的斑点分配(32)到所述现有第一类型轨迹，并且在所述第一类别中的斑点均不与所述现有第一类型轨迹兼容的情况下，如果第二类别中的至少一个斑点根据该预定标准在与所述现有第一类型轨迹兼容，则分配所述第二类别中的斑点，现有第一类型轨迹的分配使得能够在当前图像中追踪所述现有第一类型轨迹，所述现有第一类型轨迹是由在所述一系列图像的当前图像之前的图像中检测到的斑点形成的；
为所述第一类别中的未分配到现有轨迹的各个斑点创建(34)新的第一类型轨迹；
如果构成所述第二类别中的未分配到现有第一类型轨迹的斑点的像素的数量大于第三预定阈值，则将各个该斑点分类到第三类别，否则将各个该斑点分类到第四类别；
对于被称为现有第二类型轨迹的各个现有的具有至少一个第二类型的斑点时空链，在第三类别中的至少一个斑点根据该预定标准与所述现有第二类型轨迹兼容的情况下，将所述第三类别中的斑点分配到所述现有第二类型轨迹，并且在构成所述现有第二类型轨迹的斑点的数量超过预定斑点数量的情况下，将所述现有第二类型轨迹转换为现有第一类型轨迹，所述现有第二类型轨迹是由在所述一系列图像的当前图像之前的图像中检测到的斑点形成的；
为所述第三类别中的未分配到现有第二类型轨迹的各个斑点创建新的第二类型轨迹。
2.根据权利要求1所述的方法，其特征在于，所述斑点的特征的代表值是表示属于该斑点的像素的SNR值的SNR值，所述第一预定阈值和所述第二预定阈值具有预定SNR值。
3.根据权利要求1或2所述的方法，其特征在于，在斑点被包括在当前图像的与轨迹对应的称为验证窗口的子部分中的情况下，该斑点与现有第一类型轨迹或现有第二类型轨迹兼容，所述验证窗口是围绕与当前图像中的所述轨迹对应的斑点必须位于的位置的预测而定义的，所述位置被称为预测位置，所述位置是考虑到使用所述轨迹跟踪的目标的运动学特征而从轨迹维持函数中获得的。
4.根据权利要求3所述的方法，其特征在于，在所述第一类别中的多个斑点与现有第一类型轨迹兼容的情况下，将所述第一类别中根据预定接近标准最接近所述预测位置的斑点分配到所述轨迹，并且在所述第二类别中的多个斑点与现有第一类型轨迹兼容的情况下，选择所述第二类别中根据所述预定接近标准最接近所述预测位置的斑点，只有所述第一类别或所述第二类别中的斑点能够分配到第一类型轨迹。
5.根据权利要求3或4所述的方法，其特征在于，当所述第三类别中的多个斑点与现有第二类型轨迹兼容的情况下，将所述第三类别中根据所述预定接近标准最接近所述预测位置的斑点分配到所述轨迹，只有所述第三类别中的斑点能够分配到第二类型轨迹。
6.根据前述权利要求中的任一项所述的方法，其特征在于，第二类型轨迹包括两个轨迹子类型，只要第二类型轨迹包括数量比预定斑点数量少的所述第三类别的斑点，则第二类型轨迹是第一子类型，而在第二类型轨迹包括数量比第一预定斑点数量多的斑点的情况下，第二类型轨迹是第二子类型，当表示构成第二类型轨迹的斑点的SNR值之和在预定数量的连续斑点上比第四预定阈值高时，或者当第二类型轨迹的斑点的尺寸变化在第二预定数量的连续斑点上严格增加时，或者当第二类型轨迹的斑点的SNR变化在第三预定数量的连续斑点上严格增加时，将所述第二子类型的第二类型轨迹转换为第一类型轨迹。
7.根据权利要求6所述的方法，其特征在于，该方法还包括：在将所述第一类别或所述第二类别的斑点分配到现有第一类型轨迹后，并且在为所述第一类别中的未分配到现有轨迹的各个点创建新的第一类型轨迹之前，对于所述第二子类型的各个现有第二类型轨迹，在所述第一类别中的至少一个斑点根据预定分配标准与该轨迹兼容的情况下，将所述第一类别中的斑点分配到该轨迹，并且在所述第一类别中没有斑点与所述轨迹兼容的情况下，如果所述第二类别中的至少一个斑点根据所述预定分配标准与所述轨迹兼容，则分配所述第二类别中的斑点。
8.一种装置(102)，所述装置(102)包括用于实现根据权利要求1至7中的任一项所述的方法的单元。
9.一种设备(10)，所述设备(10)包括根据权利要求8所述的装置。
10.一种计算机程序，其特征在于，该计算机程序包括指令，在所述程序由装置(102)的处理器执行时，所述指令用于由所述装置(102)实施根据权利要求1至7中任一项所述的方法。
11.一种存储装置，其特征在于，所述存储装置存储计算机程序，所述计算机程序包括指令，在所述程序由装置(102)的处理器执行时，所述指令用于由所述装置(102)实施根据权利要求1至7中任一项所述的方法。

Claims (11)

1.一种用于检测和跟踪由光电系统(10)提供的一系列图像中的目标的方法，其特征在于，该方法包括，对于当前图像：
获得(30)所述当前图像中包括的至少一个斑点，并且对于各个斑点，获得所述斑点的特征的代表值；
在所述代表值比第一预定阈值(T1)高的情况下，根据所述代表值将各个斑点分类(31)到第一类别，或者在所述代表值位于该第一预定阈值和比该第一预定阈值低的第二预定阈值(T2)之间的情况下，将各个斑点分类到第二类别；
对于被称为现有第一类型轨迹的各个现有的第一类型的斑点时空链，在第一类别中的至少一个斑点根据预定标准与所述现有第一类型轨迹兼容的情况下，将所述第一类别中的斑点分配(32)到所述现有第一类型轨迹，并且在所述第一类别中的斑点均不与所述现有第一类型轨迹兼容的情况下，如果第二类别中的至少一个斑点根据该预定标准在与所述现有第一类型轨迹兼容，则分配所述第二类别中的斑点，现有第一类型轨迹的分配使得能够在当前图像中追踪所述现有第一类型轨迹，所述现有第一类型轨迹是由在所述一系列图像的当前图像之前的图像中检测到的斑点形成的；
为所述第一类别中的未分配到现有轨迹的各个斑点创建(34)新的第一类型轨迹；
如果构成所述第二类别中的未分配到现有第一类型轨迹的斑点的像素的数量大于第三预定阈值，则将各个该斑点分类到第三类别，否则将各个该斑点分类到第四类别；
对于被称为现有第二类型轨迹的各个现有的具有至少一个第二类型的斑点时空链，在第三类别中的至少一个斑点根据该预定标准与所述现有第二类型轨迹兼容的情况下，将所述第三类别中的斑点分配到所述现有第二类型轨迹，并且在构成所述现有第二类型轨迹的斑点的数量超过预定斑点数量的情况下，将所述现有第二类型轨迹转换为现有第一类型轨迹，所述现有第二类型轨迹是由在所述一系列图像的当前图像之前的图像中检测到的斑点形成的；
为所述第三类别中的未分配到现有第二类型轨迹的各个斑点创建新的第二类型轨迹。
2.根据权利要求1所述的方法，其特征在于，所述斑点的特征的代表值是表示属于该斑点的像素的SNR值的SNR值，所述第一预定阈值和所述第二预定阈值具有预定SNR值。
3.根据权利要求1或2所述的方法，其特征在于，在斑点被包括在当前图像的与轨迹对应的称为验证窗口的子部分中的情况下，该斑点与现有第一类型轨迹或现有第二类型轨迹兼容，所述验证窗口是围绕与当前图像中的所述轨迹对应的斑点必须位于的位置的预测而定义的，所述位置被称为预测位置，所述位置是考虑到使用所述轨迹跟踪的目标的运动学特征而从轨迹维持函数中获得的。
4.根据权利要求3所述的方法，其特征在于，在所述第一类别中的多个斑点与现有第一类型轨迹兼容的情况下，将所述第一类别中根据预定接近标准最接近所述预测位置的斑点分配到所述轨迹，并且在所述第二类别中的多个斑点与现有第一类型轨迹兼容的情况下，选择所述第二类别中根据所述预定接近标准最接近所述预测位置的斑点，只有所述第一类别或所述第二类别中的斑点能够分配到第一类型轨迹。
5.根据权利要求3或4所述的方法，其特征在于，当所述第三类别中的多个斑点与现有第二类型轨迹兼容的情况下，将所述第三类别中根据所述预定接近标准最接近所述预测位置的斑点分配到所述轨迹，只有所述第三类别中的斑点能够分配到第二类型轨迹。
6.根据前述权利要求中的任一项所述的方法，其特征在于，第二类型轨迹包括两个轨迹子类型，只要第二类型轨迹包括数量比预定斑点数量少的所述第三类别的斑点，则第二类型轨迹是第一子类型，而在第二类型轨迹包括数量比第一预定斑点数量多的斑点的情况下，第二类型轨迹是第二子类型，当表示构成第二类型轨迹的斑点的SNR值之和在预定数量的连续斑点上比第四预定阈值高时，或者当第二类型轨迹的斑点的尺寸变化在第二预定数量的连续斑点上严格增加时，或者当第二类型轨迹的斑点的SNR变化在第三预定数量的连续斑点上严格增加时，将所述第二子类型的第二类型轨迹转换为第一类型轨迹。
7.根据权利要求6所述的方法，其特征在于，该方法还包括：在将所述第一类别或所述第二类别的斑点分配到现有第一类型轨迹后，并且在为所述第一类别中的未分配到现有轨迹的各个点创建新的第一类型轨迹之前，对于所述第二子类型的各个现有第二类型轨迹，在所述第一类别中的至少一个斑点根据预定分配标准与该轨迹兼容的情况下，将所述第一类别中的斑点分配到该轨迹，并且在所述第一类别中没有斑点与所述轨迹兼容的情况下，如果所述第二类别中的至少一个斑点根据所述预定分配标准与所述轨迹兼容，则分配所述第二类别中的斑点。
8.一种装置(102)，所述装置(102)包括用于实现根据权利要求1至7中的任一项所述的方法的单元。
9.一种设备(10)，所述设备(10)包括根据权利要求8所述的装置。
10.一种计算机程序，其特征在于，该计算机程序包括指令，在所述程序由装置(102)的处理器执行时，所述指令用于由所述装置(102)实施根据权利要求1至7中任一项所述的方法。
11.一种存储装置，其特征在于，所述存储装置存储计算机程序，所述计算机程序包括指令，在所述程序由装置(102)的处理器执行时，所述指令用于由所述装置(102)实施根据权利要求1至7中任一项所述的方法。
CN201880076218.1A 2017-11-29 2018-11-23 用于检测和跟踪目标的方法和装置、光电设备 Active CN111480180B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1761364A FR3074342B1 (fr) 2017-11-29 2017-11-29 Procede de detection et de pistage de cibles
FR1761364 2017-11-29
PCT/EP2018/082353 WO2019105858A1 (fr) 2017-11-29 2018-11-23 Procede de detection et de pistage de cibles

Publications (2)

Publication Number Publication Date
CN111480180A true CN111480180A (zh) 2020-07-31
CN111480180B CN111480180B (zh) 2022-07-12

Family

ID=61750265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880076218.1A Active CN111480180B (zh) 2017-11-29 2018-11-23 用于检测和跟踪目标的方法和装置、光电设备

Country Status (6)

Country Link
US (1) US10909689B2 (zh)
EP (1) EP3718082B1 (zh)
CN (1) CN111480180B (zh)
FR (1) FR3074342B1 (zh)
IL (1) IL274786B (zh)
WO (1) WO2019105858A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3074342B1 (fr) * 2017-11-29 2019-11-08 Safran Electronics & Defense Procede de detection et de pistage de cibles
US20220129017A1 (en) * 2019-02-18 2022-04-28 Sony Group Corporation Flight body, information processing method, and program

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070127774A1 (en) * 2005-06-24 2007-06-07 Objectvideo, Inc. Target detection and tracking from video streams
US20080181453A1 (en) * 2005-03-17 2008-07-31 Li-Qun Xu Method of Tracking Objects in a Video Sequence
CN103942535A (zh) * 2014-03-28 2014-07-23 广东威创视讯科技股份有限公司 多目标跟踪方法及装置
US20160171311A1 (en) * 2014-12-16 2016-06-16 Sighthound Inc. Computer Vision Pipeline and Methods for Detection of Specified Moving Objects

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8451432B2 (en) * 2005-06-09 2013-05-28 Analog-Modules, Inc. Laser spot tracking with off-axis angle detection
FR3017481B1 (fr) * 2014-02-07 2016-02-26 Sagem Defense Securite Procede de detection et de pistage de cibles
FR3028376B1 (fr) * 2014-11-07 2018-01-12 Safran Electronics & Defense Sas Procede de detection de pixels defectueux.
US10788583B2 (en) * 2017-10-16 2020-09-29 Raytheon Company Rapid robust detection decreaser
FR3074342B1 (fr) * 2017-11-29 2019-11-08 Safran Electronics & Defense Procede de detection et de pistage de cibles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080181453A1 (en) * 2005-03-17 2008-07-31 Li-Qun Xu Method of Tracking Objects in a Video Sequence
US20070127774A1 (en) * 2005-06-24 2007-06-07 Objectvideo, Inc. Target detection and tracking from video streams
CN103942535A (zh) * 2014-03-28 2014-07-23 广东威创视讯科技股份有限公司 多目标跟踪方法及装置
US20160171311A1 (en) * 2014-12-16 2016-06-16 Sighthound Inc. Computer Vision Pipeline and Methods for Detection of Specified Moving Objects

Also Published As

Publication number Publication date
US10909689B2 (en) 2021-02-02
EP3718082B1 (fr) 2024-04-17
IL274786B (en) 2021-04-29
US20200302614A1 (en) 2020-09-24
FR3074342B1 (fr) 2019-11-08
CN111480180B (zh) 2022-07-12
FR3074342A1 (fr) 2019-05-31
EP3718082A1 (fr) 2020-10-07
IL274786A (en) 2020-07-30
WO2019105858A1 (fr) 2019-06-06

Similar Documents

Publication Publication Date Title
US8565484B2 (en) Forest fire smoke detection method using random forest classification
CN111222395B (zh) 目标检测方法、装置与电子设备
US20190354772A1 (en) A method for foreign object debris detection
Warsi et al. Gun detection system using YOLOv3
US20190034714A1 (en) System and method for detecting hand gestures in a 3d space
US9477891B2 (en) Surveillance system and method based on accumulated feature of object
RU2651147C1 (ru) Устройство и способ каскадной обработки потока изображений с помощью свёрточных нейронных сетей
US9600739B2 (en) Architecture for real-time extraction of extended maximally stable extremal regions (X-MSERs)
CN110544271B (zh) 抛物动作检测方法及相关装置
CN111145223A (zh) 多摄像头识别人员行为轨迹分析方法
CN111480180B (zh) 用于检测和跟踪目标的方法和装置、光电设备
JP2000508429A (ja) クラッター確率密度関数の適応評価を使用したクラッター排除
CN115049954B (zh) 目标识别方法、装置、电子设备和介质
TWI729587B (zh) 物件定位系統及方法
US20130027550A1 (en) Method and device for video surveillance
CN113874877A (zh) 神经网络及分类器选择系统和方法
Sharma et al. Automatic vehicle detection using spatial time frame and object based classification
KR20140141239A (ko) 평균이동 알고리즘을 적용한 실시간 객체 추적방법 및 시스템
Webster et al. Improved raindrop detection using combined shape and saliency descriptors with scene context isolation
Bowden et al. Towards automated wide area visual surveillance: tracking objects between spatially–separated, uncalibrated views
Kim et al. Three plot correlation-based small infrared target detection in dense sun-glint environment for infrared search and track
Bhagat et al. Moving camera-based automated system for drone identification using focus measures
Abidha et al. Vision Based Wildfire Detection Using Bayesian Decision Fusion Framework
KR102343884B1 (ko) 유동 객체 영상 추적 방법 및 시스템
Kerdvibulvech Hybrid model of human hand motion for cybernetics application

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Paris France

Applicant after: SAFRAN ELECTRONICS & DEFENSE

Address before: Bologna-Biyangu, France

Applicant before: SAFRAN ELECTRONICS & DEFENSE

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant