CN112116635A - 一种基于快速人体移动的视觉跟踪方法及装置 - Google Patents

一种基于快速人体移动的视觉跟踪方法及装置 Download PDF

Info

Publication number
CN112116635A
CN112116635A CN202010980483.1A CN202010980483A CN112116635A CN 112116635 A CN112116635 A CN 112116635A CN 202010980483 A CN202010980483 A CN 202010980483A CN 112116635 A CN112116635 A CN 112116635A
Authority
CN
China
Prior art keywords
target
human body
image information
personnel
speed characteristic
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.)
Pending
Application number
CN202010980483.1A
Other languages
English (en)
Inventor
赵龙
任洪娥
刘晓野
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010980483.1A priority Critical patent/CN112116635A/zh
Publication of CN112116635A publication Critical patent/CN112116635A/zh
Pending legal-status Critical Current

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
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于快速人体移动的视觉跟踪方法，包括获取样本图像信息，对样本图像信息进行预处理；对所述样本图像信息的进行目标区域初始化目标与背景图像特征获取，得到多个目标框选区域；对多个目标框选区域进行目标人员的人员标识和位置信息提取并与其历史坐标形成映射关系；通过经训练获得的卷积神经网络模型对所述预处理样本图像信息进行速度特征预测，并计算获得速度特征参数用以确定所述目标人员是否发生快速移动并进行目标框选区域锁定。本发明并根据经训练获得的卷积神经网络模型和位置信息提取进行人体的辅助跟踪，避免光照变化及物体遮挡等因素对跟踪的影响，提升人体跟踪的稳定性。

Description

一种基于快速人体移动的视觉跟踪方法及装置
技术领域
本发明涉及数据分析技术领域，具体而言，涉及一种基于快速人体移动的视觉跟踪方法及其装置。
背景技术
目前，随着社会不断的发展与进步，民众对于人身财产的安全性要求的越来越高，由于视频监控方便以及不受距离和时间的限制，因此受到人们的青睐，而视频监控中对于运动物体的检测，识别和跟踪则一直是目前智能视频监控研究领域的热门的研究方向，视频序列中常见的跟踪方法有：基于轮廓的跟踪的snake算法，基于运动模型的粒子滤波器算法，以及基于颜色概率的meanshift算法。由于meanshift算法的计算简单，实时性好，可应用于实时的视频监控，而人体跟踪算法易受光照变化、复杂背景、物体遮挡等因素的影响，跟踪准确性不高甚至于跟踪失败，因此需要一种基于快速人体移动的视觉跟踪方法。
发明内容
本发明在于提供一种基于快速人体移动的视觉跟踪方法，其能够缓解上述问题。
为了缓解上述的问题，本发明采取的技术方案如下：
本发明包括：
A获取样本图像信息，对样本图像信息进行预处理；
B对所述样本图像信息的进行目标区域初始化目标与背景图像特征获取，得到多个目标框选区域；
C对多个目标框选区域进行目标人员的人员标识和位置信息提取并与其历史坐标形成映射关系，接收摄像采集装置发送的目标框选区域的目标人员的查询请求；读取与目标人员的查询请求对应的地址映射关系，并将读取到的地址映射关系发送至目标框选区域；
D通过经训练获得的卷积神经网络模型对所述预处理样本图像信息进行速度特征预测，根据所述速度特征和预置分类评价指标从所述速度特征测量数据中选取目的速度特征测量数据并计算获得速度特征参数用以确定所述目标人员是否发生快速移动并进行目标框选区域锁定。
进一步地，所述目标框选区域包括在首帧t＝0时刻采集可能的目标像素集合，矩形区域外为背景像素集合；根据像素类别标记，通过交互式图像分割方法，得到t＝0时刻目标区域，并划分目标像素集合和背景像素集合，生成目标掩膜图像；通过K-means聚类和参数拟合，估计目标像素集合和背景像素集合的高斯混合模型。
进一步地，所述预处理的方法包括对样本图像信息的多个帧图像进行去噪处理；对前后帧图像进行像素归一化。
进一步地，所述速度特征分类模型的构建方法包括：根据像素颜色值，计算像素属于目标高斯混合模型的概率密度，将可能的目标像素重标记为目标像素和背景像素；通过K-means聚类和参数拟合，基于目标像素集合和背景像素集合的颜色值，在线估计高斯混合模型，学习目标图像特征和背景图像特征。
进一步地，所述目标图像特征包括姿态特征参数和运动特征参数。
一种基于快速人体移动的视觉跟踪装置，包括：
计算模块，用于通过经训练获得的卷积神经网络模型对所述预处理样本图像信息进行速度特征预测；
获取模块，用于对所述样本图像信息的进行目标区域初始化目标与背景图像特征获取，得到多个目标框选区域；
提取模块，用于对多个目标框选区域进行目标人员的人员标识和位置信息提取并与其历史坐标形成映射关系；
评价模块，用于根据所述速度特征和预置分类评价指标从所述速度特征测量数据中选取目的速度特征测量数据并计算获得速度特征参数用以确定所述目标人员是否发生快速移动并进行目标框选区域锁定。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
本技术方案的技术效果是：
本发明并根据经训练获得的卷积神经网络模型和位置信息提取进行人体的辅助跟踪，避免光照变化及物体遮挡等因素对跟踪的影响，提升人体跟踪的稳定性。
附图说明
图1为本发明实施例中基于快速人体移动的视觉跟踪方法的流程实施例示意图；
图2为本发明实施例中基于快速人体移动的视觉跟踪装置的一个实施例示意图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，本发明包括：
A获取样本图像信息，对样本图像信息进行预处理；
B对所述样本图像信息的进行目标区域初始化目标与背景图像特征获取，得到多个目标框选区域；
C对多个目标框选区域进行目标人员的人员标识和位置信息提取并与其历史坐标形成映射关系，接收摄像采集装置发送的目标框选区域的目标人员的查询请求；读取与目标人员的查询请求对应的地址映射关系，并将读取到的地址映射关系发送至目标框选区域；
D通过经训练获得的卷积神经网络模型对所述预处理样本图像信息进行速度特征预测，根据所述速度特征和预置分类评价指标从所述速度特征测量数据中选取目的速度特征测量数据并计算获得速度特征参数用以确定所述目标人员是否发生快速移动并进行目标框选区域锁定。
一方面，摄像采集装置可以通过用于前景检测的前景模型从样本图像信息中提取前景目标，从而以该前景目标为目标人员的检测目标。摄像采集装置可以通过已训练的卷积神经网络提取特征目标，从而以该特征目标为目标人员的检测目标。其中，上述卷积神经网络需预先通过人员特征的训练，可以识别出视频帧出现的特征目标，可以用人员的位移位置对卷积神经网络进行训练，使得后续已训练的卷积神经网络可以从样本图像信息中提取人员的位移位置目标，从而获得检测目标。比如：样本图像可以是包括多个检测目标A指示的人员A的图像和检测目标A所处的多个视频帧计算出的多个框架锁定，标记为1；样本图像可以是包括多个检测目标A指示的人员A的图像和多个检测目标B指示的人员B的图像，以及，检测目标A所处的多个视频帧计算出的多个框架锁定，标记为0。
作为一种实施例，所述目标框选区域包括在首帧t＝0时刻采集可能的目标像素集合，矩形区域外为背景像素集合；根据像素类别标记，通过交互式图像分割方法，得到t＝0时刻目标区域，并划分目标像素集合和背景像素集合，生成目标掩膜图像；通过K-means聚类和参数拟合，估计目标像素集合和背景像素集合的高斯混合模型。
混合高斯模型使用K(基本为3到5个)个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点。通观整个高斯模型，他主要是由方差和均值两个参数决定，对均值和方差的学习,采取不同的学习机制，将直接影响到模型的稳定性、精确性和收敛性。
作为一种实施例，所述预处理的方法包括对样本图像信息的多个帧图像进行去噪处理；对前后帧图像进行像素归一化。
作为一种实施例，所述速度特征分类模型的构建方法包括：根据像素颜色值，计算像素属于目标高斯混合模型的概率密度，将可能的目标像素重标记为目标像素和背景像素；通过K-means聚类和参数拟合，基于目标像素集合和背景像素集合的颜色值，在线估计高斯混合模型，学习目标图像特征和背景图像特征。
作为一种实施例，所述目标图像特征包括姿态特征参数和运动特征参数。
在实施例中，摄像采集装置覆盖的监控区域为火车站，则指定检测区域可以是地铁站的出入口，这么一来，当目标人员在出入口附近时，摄像采集装置可以对其进行跟踪，并记录跟踪结果到跟踪任务，直到该目标人员离开出入口附近的区域。其中，上述设置时间和预设的速度阈值都可以基于实际应用环境进行设置。摄像采集装置可以基于设置时间和每秒的帧数，确定当前的视频帧与设置时间前的视频帧相差的帧数，然后基于相差的帧数确定设置时间前的视频帧的标识，再从上述跟踪任务中获取检测目标在设置时间前的视频帧里的坐标。
在跟踪前选定第一帧图像中的运动目标，由于相邻两帧图像的目标运动不会太快,下一帧图像中运动目标的位置根据上一帧图像中运动目标的位置向T×d(半径)的区域搜索来确定，其可以把后一帧的目标捕获住。但由于在某些情况下2帧图像之间运动目标位置变化极大，这样由于邻域线性搜索半径不能设置太大，这种情况下就容易出现目标丢失，导致后面的跟踪失败，针对这种情况，采用卡尔曼滤波器进行弥补。如果出现目标搜索不到的情况,就调用卡尔曼滤波器通过运动目标在上一帧图像中的位置来预测目标在当前帧的位置，以实现连续跟踪，这样既减少了传统跟踪算法的迭代次数,提高了跟踪的速度，又实现了连续跟踪的准确性。对运动目标采用领域线性搜索跟踪；判断目标是否超出搜索跟踪范围，如果超出搜索跟踪范围，根据范围则给予卡尔曼滤波方法进行预测跟踪；存储运动目标定位结果。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
如图2所示，一种基于快速人体移动的视觉跟踪装置，包括：
计算模块，用于通过经训练获得的卷积神经网络模型对所述预处理样本图像信息进行速度特征预测；
获取模块，用于对所述样本图像信息的进行目标区域初始化目标与背景图像特征获取，得到多个目标框选区域；
提取模块，用于对多个目标框选区域进行目标人员的人员标识和位置信息提取并与其历史坐标形成映射关系；
评价模块，用于根据所述速度特征和预置分类评价指标从所述速度特征测量数据中选取目的速度特征测量数据并计算获得速度特征参数用以确定所述目标人员是否发生快速移动并进行目标框选区域锁定。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤，既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于快速人体移动的视觉跟踪方法，其特征在于，包括：
A，获取样本图像信息，对样本图像信息进行预处理；
B，对所述样本图像信息的进行目标区域初始化目标与背景图像特征获取，得到多个目标框选区域；
C，对多个目标框选区域进行目标人员的人员标识和位置信息提取并与其历史坐标形成映射关系，接收摄像采集装置发送的目标框选区域的目标人员的查询请求；读取与目标人员的查询请求对应的地址映射关系，并将读取到的地址映射关系发送至目标框选区域；
D，通过经训练获得的卷积神经网络模型对所述预处理样本图像信息进行速度特征预测，根据所述速度特征和预置分类评价指标从所述速度特征测量数据中选取目的速度特征测量数据并计算获得速度特征参数用以确定所述目标人员是否发生快速移动并进行目标框选区域锁定。
2.根据权利要求1所述的一种基于快速人体移动的视觉跟踪方法，其特征在于，所述目标框选区域包括在首帧t＝0时刻采集可能的目标像素集合，矩形区域外为背景像素集合；根据像素类别标记，通过交互式图像分割方法，得到t＝0时刻目标区域，并划分目标像素集合和背景像素集合，生成目标掩膜图像；通过K-means聚类和参数拟合，估计目标像素集合和背景像素集合的高斯混合模型。
3.根据权利要求1所述的一种基于快速人体移动的视觉跟踪方法，其特征在于，所述预处理的方法包括对样本图像信息的多个帧图像进行去噪处理；对前后帧图像进行像素归一化。
4.根据权利要求1所述的一种基于快速人体移动的视觉跟踪方法，其特征在于，所述速度特征分类模型的构建方法包括：根据像素颜色值，计算像素属于目标高斯混合模型的概率密度，将可能的目标像素重标记为目标像素和背景像素；通过K-means聚类和参数拟合，基于目标像素集合和背景像素集合的颜色值，在线估计高斯混合模型，学习目标图像特征和背景图像特征。
5.根据权利要求4所述的一种基于快速人体移动的视觉跟踪方法，其特征在于，所述目标图像特征包括姿态特征参数和运动特征参数。
6.一种基于快速人体移动的视觉跟踪装置，其特征在于，包括：
计算模块，用于通过经训练获得的卷积神经网络模型对所述预处理样本图像信息进行速度特征预测；
获取模块，用于对所述样本图像信息的进行目标区域初始化目标与背景图像特征获取，得到多个目标框选区域；
提取模块，用于对多个目标框选区域进行目标人员的人员标识和位置信息提取并与其历史坐标形成映射关系；
评价模块，用于根据所述速度特征和预置分类评价指标从所述速度特征测量数据中选取目的速度特征测量数据并计算获得速度特征参数用以确定所述目标人员是否发生快速移动并进行目标框选区域锁定。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5中任意一项所述方法的步骤。
CN202010980483.1A 2020-09-17 2020-09-17 一种基于快速人体移动的视觉跟踪方法及装置 Pending CN112116635A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010980483.1A CN112116635A (zh) 2020-09-17 2020-09-17 一种基于快速人体移动的视觉跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010980483.1A CN112116635A (zh) 2020-09-17 2020-09-17 一种基于快速人体移动的视觉跟踪方法及装置

Publications (1)

Publication Number Publication Date
CN112116635A true CN112116635A (zh) 2020-12-22

Family

ID=73799755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010980483.1A Pending CN112116635A (zh) 2020-09-17 2020-09-17 一种基于快速人体移动的视觉跟踪方法及装置

Country Status (1)

Country Link
CN (1) CN112116635A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711275A (zh) * 2021-01-08 2021-04-27 上海伯镭智能科技有限公司 一种无人驾驶重卡纵向跟随保持装置
CN112861711A (zh) * 2021-02-05 2021-05-28 深圳市安软科技股份有限公司 区域入侵检测方法、装置、电子设备及存储介质
CN113065392A (zh) * 2021-02-24 2021-07-02 苏州盈科电子有限公司 一种机器人的跟踪方法和装置
CN113822879A (zh) * 2021-11-18 2021-12-21 南京智谱科技有限公司 一种图像分割的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921879A (zh) * 2018-05-16 2018-11-30 中国地质大学（武汉） 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及系统
WO2019179024A1 (zh) * 2018-03-20 2019-09-26 平安科技（深圳）有限公司 机场跑道智能监控方法、应用服务器及计算机存储介质
CN110580708A (zh) * 2018-06-11 2019-12-17 杭州海康威视数字技术股份有限公司 一种快速移动检测方法、装置及电子设备
CN111340850A (zh) * 2020-03-20 2020-06-26 军事科学院系统工程研究院系统总体研究所 基于孪生网络和中心逻辑损失的无人机对地目标跟踪方法
CN111539993A (zh) * 2020-04-13 2020-08-14 中国人民解放军军事科学院国防科技创新研究院 基于分割的空间目标视觉跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019179024A1 (zh) * 2018-03-20 2019-09-26 平安科技（深圳）有限公司 机场跑道智能监控方法、应用服务器及计算机存储介质
CN108921879A (zh) * 2018-05-16 2018-11-30 中国地质大学（武汉） 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及系统
CN110580708A (zh) * 2018-06-11 2019-12-17 杭州海康威视数字技术股份有限公司 一种快速移动检测方法、装置及电子设备
CN111340850A (zh) * 2020-03-20 2020-06-26 军事科学院系统工程研究院系统总体研究所 基于孪生网络和中心逻辑损失的无人机对地目标跟踪方法
CN111539993A (zh) * 2020-04-13 2020-08-14 中国人民解放军军事科学院国防科技创新研究院 基于分割的空间目标视觉跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张博言;钟勇;李振东;: "基于动态模式和卷积特征的单目标跟踪算法", 西北工业大学学报, no. 06 *
张博言;钟勇;李振东;: "基于动态模式和卷积特征的单目标跟踪算法", 西北工业大学学报, no. 06, 15 December 2019 (2019-12-15) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711275A (zh) * 2021-01-08 2021-04-27 上海伯镭智能科技有限公司 一种无人驾驶重卡纵向跟随保持装置
CN112861711A (zh) * 2021-02-05 2021-05-28 深圳市安软科技股份有限公司 区域入侵检测方法、装置、电子设备及存储介质
CN113065392A (zh) * 2021-02-24 2021-07-02 苏州盈科电子有限公司 一种机器人的跟踪方法和装置
CN113822879A (zh) * 2021-11-18 2021-12-21 南京智谱科技有限公司 一种图像分割的方法及装置
CN113822879B (zh) * 2021-11-18 2022-06-21 南京智谱科技有限公司 一种图像分割的方法及装置

Similar Documents

Publication Publication Date Title
Yang et al. Robust superpixel tracking
Jia et al. Visual tracking via adaptive structural local sparse appearance model
CN112116635A (zh) 一种基于快速人体移动的视觉跟踪方法及装置
EP3633615A1 (en) Deep learning network and average drift-based automatic vessel tracking method and system
CN107292252B (zh) 一种自主学习的身份识别方法
CN105022982B (zh) 手部运动识别方法和装置
EP2905724B1 (en) Object detection system and method
CN107067413B (zh) 一种时空域统计匹配局部特征的运动目标检测方法
CN106295564B (zh) 一种邻域高斯结构和视频特征融合的动作识别方法
CN103699905B (zh) 一种车牌定位方法及装置
Jia et al. Visual tracking via coarse and fine structural local sparse appearance models
Roberts et al. Human pose estimation using learnt probabilistic region similarities and partial configurations
CN106599785B (zh) 人体3d特征身份信息库的建立方法及设备
EP1618532A2 (en) Method and system for determining object pose from images
CN110991397B (zh) 一种行进方向确定方法及相关设备
CN107798691B (zh) 一种基于视觉的无人机自主着陆地标实时检测跟踪方法
CN110458064B (zh) 结合数据驱动型和知识驱动型的低空目标检测与识别方法
CN111353385A (zh) 一种基于掩膜对齐与注意力机制的行人再识别方法和装置
Farhood et al. Counting people based on linear, weighted, and local random forests
CN113177439A (zh) 一种行人翻越马路护栏检测方法
Tang et al. Probabilistic object tracking with dynamic attributed relational feature graph
Wang et al. Low-slow-small target tracking using relocalization module
JP6851246B2 (ja) 物体検出装置
CN106845361B (zh) 一种行人头部识别方法及系统
CN115482569A (zh) 目标客流统计方法、电子设备以及计算机可读存储介质

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