CN112435277B - 一种监控场景下限定区域内目标跟踪方法及系统 - Google Patents
一种监控场景下限定区域内目标跟踪方法及系统 Download PDFInfo
- Publication number
- CN112435277B CN112435277B CN202011439138.3A CN202011439138A CN112435277B CN 112435277 B CN112435277 B CN 112435277B CN 202011439138 A CN202011439138 A CN 202011439138A CN 112435277 B CN112435277 B CN 112435277B
- Authority
- CN
- China
- Prior art keywords
- personnel
- tracking
- limited area
- frame
- matching
- 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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种监控场景下限定区域内目标跟踪方法及系统,所述方案针对常规算法无法实现对场景下限定区域内的人员进行跟踪的问题,创造性地采用了场地区域坐标筛选过程,解决限定区域下的人员跟踪问题;针对人员在严重遮挡时按常规匹配方法容易出现身份交换问题,创造性地利用到人员的遮挡信息,添加了使用人员更可信的身份特征对匹配结果进行校验的步骤;本公开所述方案在监控场景的限定区域内人员跟踪任务中可以降低错误匹配的情况,显著提升跟踪效果。
Description
技术领域
本公开属于计算机视觉技术领域,尤其涉及一种监控场景下限定区域内目标跟踪方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
基于视觉的行人多目标跟踪是一个重要且具有挑战性的计算机视觉任务,在安防监控、智能视频分析、自动驾驶等领域均具有广泛的应用前景。目前涌现出各类方法尝试从公开的数据集层面较好地解决该任务,但是在具体场景的应用中,例如,在球场监控场景下的限定区域人员跟踪问题中,存在诸多问题。发明人发现,一方面,现有方法默认处理视频中的所有人员,缺少了对部分区域内人员的跟踪情况的处理,在匹配过程中,现有算法对检测结果的利用不够充分,忽略了部分可利用的信息(例如人员的遮挡情况);另一方面,现有方法缺少对跟踪错误时进行判别和改正的设定,影响了算法的精度。
发明内容
本公开为了解决上述问题,提供一种监控场景下限定区域内目标跟踪方法及系统,有效解决了现有方法无法实现对场景限定区域内的人员进行跟踪的问题,并利用人员的遮挡信息对匹配结果进行校验,有效提高了目标跟踪精度。
根据本公开实施例的第一个方面,提供了一种监控场景下限定区域内目标跟踪方法,包括:
获取视频每帧中限定区域内所有人员的位置及特征信息,计算帧内限定区域人员间的交并比,筛选出非遮挡状态人员;
计算每帧中检测人员与前一帧限定区域内跟踪上的人员间的距离矩阵,利用匈牙利算法对两帧间的人员进行预匹配;
对于未匹配成功的检测人员和前一帧限定区域内跟踪上的人员,计算相应的交并比代价矩阵,利用匈牙利算法进行再匹配;
基于非遮挡状态人员信息对已匹配人员进行过滤,并对过滤出的人员进行匹配;
重复执行上述步骤,完成视频限定区域内人员的跟踪。
根据本公开实施例的第二个方面,提供了一种监控场景下限定区域内目标跟踪系统,包括:
特征提取单元,其用于获取视频每帧限定区域内所有人员的位置和特征信息,计算帧内限定区域人员的交并比,筛选出非遮挡状态人员;
预匹配单元,其用于计算每帧中检测人员与前一帧限定区域内跟踪上的人员间的距离矩阵,利用匈牙利算法对两帧间的人员进行预匹配;
再匹配单元,其用于对于未匹配的检测人员和前一帧限定区域内跟踪上的人员,计算相应的交并比代价矩阵,利用匈牙利算法进行再匹配;
校验单元,其用于基于非遮挡状态人员信息对已匹配人员进行过滤,并对过滤出的人员进行匹配;
跟踪路径输出单元,其用于重复执行上述步骤,完成视频限定区域内人员的跟踪。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种监控场景下限定区域内目标跟踪方法。
根据本公开实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种监控场景下限定区域内目标跟踪方法。
与现有技术相比,本公开的有益效果是:
(1)本公开针对利用常规多目标跟踪算法,无法处理监控场景下指定区域人员跟踪任务的问题,率先提出了区域坐标筛选步骤,利用区域坐标对检测结果进行筛选后进行匹配的方法解决了该问题;此外针对常规多目标跟踪算法在处理指定区域的人员跟踪任务中遇到的准确性较差的问题,率先提出了更精细的人员身份匹配过程,缓解了由于遮挡等因素导致的人员身份编号交替的情况,获取了更精确的匹配结果。
(2)本公开所述方案针对常规方法在人员在严重遮挡时容易出现身份交换问题的情况,所述方案创造性地利用到人员的遮挡情况,收集了人员非遮挡状态的特征,利用该特征对匹配结果进行校验,提升了跟踪效果的准确性。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开实施例一中所述的监控场景下限定区域内目标跟踪方法流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:
本实施例的目的是提供一种监控场景下限定区域内目标跟踪方法。
本实施例主要针对与球场场馆中球员所在区域内的人员进行目标跟踪,一种监控场景下限定区域内目标跟踪方法,包括:
获取视频每帧中限定区域内所有人员的位置及特征信息,计算帧内限定区域人员间的交并比,筛选出非遮挡状态人员;
计算每帧中检测人员与前一帧限定区域内跟踪上的人员间的距离矩阵,利用匈牙利算法对两帧间的人员进行预匹配;
对于未匹配成功的检测人员和前一帧限定区域内跟踪上的人员,计算相应的交并比代价矩阵,利用匈牙利算法进行再匹配;
基于非遮挡状态人员信息对已匹配人员进行过滤,并对过滤出的人员进行匹配;
重复执行上述步骤,完成视频限定区域内人员的跟踪。
具体的,图1展示了本公开所述方案中人员跟踪任务的精细化匹配方法的算法流程图,为了便于理解,结合图1,对所述方案详细流程进行详细说明:
步骤S0,对不同的球场场馆进行编号,利用若干代表性标注工具,从对应的场地图像中获取限定区域的坐标,从而建立场馆和限定区域坐标对;通过所述坐标对能够有效获得限定区域在视频帧中的位置。
步骤S1,在方法中输入指定某场馆下的视频序列,在首帧时,利用相关深度学习算法输出该帧中包括球员在内的所有个人员的位置信息和表观特征其中,所述位置信息由深度学习算法利用卷积神经网络对输入图像进行处理并估计出每个人员的中心点和对应包络框的尺寸完成,位置信息包括每个人员的包络框在视频帧中的坐标;所述表观特征由深度学习算法利用卷积神经网络对输入图像进行处理并估计出每个人员对应的特征向量完成,表观特征包括了帧中所有人员分别对应的512维的特征向量。
步骤S7,对于经过步骤S6后未能匹配的检测目标和既有球员,计算相应的交并比(IOU)代价矩阵,利用匈牙利算法再次进行匹配;
步骤S9,再次计算未能成功匹配的检测框与球员之间的特征余弦距离,利用匈牙利算法进行匹配,得到最终t帧时的匹配结果;
步骤S10,对于t+1帧,重复步骤S5-S9的操作,即可完成t+1帧的跟踪过程;
步骤S11,重复执行类似S10帧步骤,通过对各视频帧之间的人员匹配结果的关联,完成最终输入视频的跟踪过程。
本公开所提出的监控场景下限定区域内人员跟踪任务的精细化匹配方法引入了区域坐标筛选过程以及人员可靠特征校验过程,实现了对监控场景下部分限定区域人员进行跟踪的目的,并且显著提升了跟踪的准确性。具体而言,针对常规跟踪方法不能适用于仅跟踪场景下部分区域人员的问题,率先尝试对场地内限定区域坐标进行收集,利用区域坐标对检测结果进行筛选,再利用筛选后的结果进行匹配,以实现相应功能。此外针对常规方法在人员在严重遮挡时容易出现身份交换问题的情况,本方法创造性地利用到人员的遮挡情况,收集了人员非遮挡状态的特征,利用该特征对匹配结果进行校验,提升了跟踪效果的准确性。
实施例二:
本实施例的目的是提供一种监控场景下限定区域内目标跟踪系统。
一种监控场景下限定区域内目标跟踪系统,包括:
特征提取单元,其用于获取视频每帧限定区域内所有人员的位置和特征信息,计算帧内限定区域人员的交并比,筛选出非遮挡状态人员;
预匹配单元,其用于计算每帧中检测人员与前一帧限定区域内跟踪上的人员间的距离矩阵,利用匈牙利算法对两帧间的人员进行预匹配;
再匹配单元,其用于对于未匹配的检测人员和前一帧限定区域内跟踪上的人员,计算相应的交并比代价矩阵,利用匈牙利算法进行再匹配;
校验单元,其用于基于非遮挡状态人员信息对已匹配人员进行过滤,并对过滤出的人员进行匹配;
跟踪路径输出单元,其用于重复执行上述步骤,完成视频限定区域内人员的跟踪。
实施例三:
本实施例的目的是提供一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种监控场景下限定区域内目标跟踪方法,包括:
获取视频每帧中限定区域内所有人员的位置及特征信息,计算帧内限定区域人员间的交并比,筛选出非遮挡状态人员;
计算每帧中检测人员与前一帧限定区域内跟踪上的人员间的距离矩阵,利用匈牙利算法对两帧间的人员进行预匹配;
对于未匹配成功的检测人员和前一帧限定区域内跟踪上的人员,计算相应的交并比代价矩阵,利用匈牙利算法进行再匹配;
基于非遮挡状态人员信息对已匹配人员进行过滤,并对过滤出的人员进行匹配;
重复执行上述步骤,完成视频限定区域内人员的跟踪。
实施例四:
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种监控场景下限定区域内目标跟踪方法,包括:
获取视频每帧中限定区域内所有人员的位置及特征信息,计算帧内限定区域人员间的交并比,筛选出非遮挡状态人员;
计算每帧中检测人员与前一帧限定区域内跟踪上的人员间的距离矩阵,利用匈牙利算法对两帧间的人员进行预匹配;
对于未匹配成功的检测人员和前一帧限定区域内跟踪上的人员,计算相应的交并比代价矩阵,利用匈牙利算法进行再匹配;
基于非遮挡状态人员信息对已匹配人员进行过滤,并对过滤出的人员进行匹配;
重复执行上述步骤,完成视频限定区域内人员的跟踪。
上述实施例提供的一种监控场景下限定区域内目标跟踪方法及系统,完全可以实现,具有广阔应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种监控场景下限定区域内目标跟踪方法,其特征在于,包括:
获取视频每帧中限定区域内所有人员的位置及特征信息,计算帧内限定区域人员间的交并比,筛选出非遮挡状态人员;
计算每帧中检测人员与前一帧限定区域内跟踪上的人员间的距离矩阵,利用匈牙利算法对两帧间的人员进行预匹配;
对于未匹配成功的检测人员和前一帧限定区域内跟踪上的人员,计算相应的交并比代价矩阵,利用匈牙利算法进行再匹配;
基于非遮挡状态人员信息对已匹配人员进行过滤,并对过滤出的人员进行匹配;
重复执行上述步骤,完成视频限定区域内人员的跟踪。
2.如权利要求1所述的一种监控场景下限定区域内目标跟踪方法,其特征在于,所述限定区域是通过标注工具,从场景图像中获取限定区域的坐标,来建立场景与限定区域内的坐标关系。
3.如权利要求1所述的一种监控场景下限定区域内目标跟踪方法,其特征在于,所述计算帧内限定区域人员的交并比的目的是筛选出视频帧内未遮挡的人员,此类人员特征信息相对完整,通过未遮挡的人员来进行匹配结果的校验。
4.如权利要求1所述的一种监控场景下限定区域内目标跟踪方法,其特征在于,所述基于非遮挡状态人员信息对已匹配人员进行过滤,具体步骤包括:计算已匹配人员与当前帧非遮挡状态人员之间的距离,从已匹配人员中过滤出大于预设阈值的人员;对于过滤出的待检测人员和既有球员,计算相应的交并比代价矩阵,利用匈牙利算法进行匹配,得到最终的匹配结果。
5.如权利要求1所述的一种监控场景下限定区域内目标跟踪方法,其特征在于,所述人员的特征信息包括人员的位置信息和表观特征,其中所述位置信息包括每个人员的包络框在视频帧中的坐标,所述表观特征包括利用深度学习算法采集的视频帧中人员对应的特征向量。
6.一种监控场景下限定区域内目标跟踪系统,其特征在于,包括:
特征提取单元,其用于获取视频每帧限定区域内所有人员的位置和特征信息,计算帧内限定区域人员的交并比,筛选出非遮挡状态人员;
预匹配单元,其用于计算每帧中检测人员与前一帧限定区域内跟踪上的人员间的距离矩阵,利用匈牙利算法对两帧间的人员进行预匹配;
再匹配单元,其用于对于未匹配的检测人员和前一帧限定区域内跟踪上的人员,计算相应的交并比代价矩阵,利用匈牙利算法进行再匹配;
校验单元,其用于基于非遮挡状态人员信息对已匹配人员进行过滤,并对过滤出的人员进行匹配;
跟踪路径输出单元,其用于重复执行上述步骤,完成视频限定区域内人员的跟踪。
7.如权利要求6所述的一种监控场景下限定区域内目标跟踪系统,其特征在于,所述特征提取单元中计算帧内限定区域人员的交并比的目的是筛选出视频帧内未遮挡的人员,此类人员特征信息相对完整,通过未遮挡的人员来进行匹配结果的校验。
8.如权利要求6所述的一种监控场景下限定区域内目标跟踪系统,其特征在于,所述校验单元中,基于非遮挡状态人员信息对已匹配人员进行过滤,具体步骤包括:计算已匹配人员与当前帧非遮挡状态人员之间的距离,从已匹配人员中过滤出大于预设阈值的人员;对于过滤出的待检测人员和既有球员,计算相应的交并比代价矩阵,利用匈牙利算法进行匹配,得到最终的匹配结果。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-5任一项所述的一种监控场景下限定区域内目标跟踪方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-5任一项所述的一种监控场景下限定区域内目标跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011439138.3A CN112435277B (zh) | 2020-12-11 | 2020-12-11 | 一种监控场景下限定区域内目标跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011439138.3A CN112435277B (zh) | 2020-12-11 | 2020-12-11 | 一种监控场景下限定区域内目标跟踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112435277A CN112435277A (zh) | 2021-03-02 |
CN112435277B true CN112435277B (zh) | 2022-09-02 |
Family
ID=74692449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011439138.3A Active CN112435277B (zh) | 2020-12-11 | 2020-12-11 | 一种监控场景下限定区域内目标跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435277B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794731A (zh) * | 2015-05-12 | 2015-07-22 | 成都新舟锐视科技有限公司 | 用于球机控制策略的多目标检测跟踪方法 |
CN105118072A (zh) * | 2015-08-19 | 2015-12-02 | 西华大学 | 一种对多个运动目标进行跟踪的方法及装置 |
CN110796678A (zh) * | 2019-10-29 | 2020-02-14 | 中山大学 | 一种基于IoU的水下多目标跟踪方法 |
CN110853078A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于遮挡对的在线多目标跟踪方法 |
CN111127513A (zh) * | 2019-12-02 | 2020-05-08 | 北京交通大学 | 一种多目标跟踪方法 |
JP2020091664A (ja) * | 2018-12-05 | 2020-06-11 | Kddi株式会社 | 人物を追跡する映像解析装置、プログラム及び方法 |
CN111860282A (zh) * | 2020-07-15 | 2020-10-30 | 中国电子科技集团公司第三十八研究所 | 地铁断面客流量统计和行人逆行检测方法及系统 |
CN111986236A (zh) * | 2020-09-01 | 2020-11-24 | 安徽炬视科技有限公司 | 一种基于在线学习的抗遮挡目标跟踪算法 |
-
2020
- 2020-12-11 CN CN202011439138.3A patent/CN112435277B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794731A (zh) * | 2015-05-12 | 2015-07-22 | 成都新舟锐视科技有限公司 | 用于球机控制策略的多目标检测跟踪方法 |
CN105118072A (zh) * | 2015-08-19 | 2015-12-02 | 西华大学 | 一种对多个运动目标进行跟踪的方法及装置 |
JP2020091664A (ja) * | 2018-12-05 | 2020-06-11 | Kddi株式会社 | 人物を追跡する映像解析装置、プログラム及び方法 |
CN110796678A (zh) * | 2019-10-29 | 2020-02-14 | 中山大学 | 一种基于IoU的水下多目标跟踪方法 |
CN110853078A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于遮挡对的在线多目标跟踪方法 |
CN111127513A (zh) * | 2019-12-02 | 2020-05-08 | 北京交通大学 | 一种多目标跟踪方法 |
CN111860282A (zh) * | 2020-07-15 | 2020-10-30 | 中国电子科技集团公司第三十八研究所 | 地铁断面客流量统计和行人逆行检测方法及系统 |
CN111986236A (zh) * | 2020-09-01 | 2020-11-24 | 安徽炬视科技有限公司 | 一种基于在线学习的抗遮挡目标跟踪算法 |
Non-Patent Citations (2)
Title |
---|
Player Tracking in Sports Videos;M. Buric et al.;《2019 IEEE International Conference on Cloud Computing Technology and Science (CloudCom)》;20191231;第334-340页 * |
结合深度学习的多目标跟踪算法;王春艳 等;《现代计算机(专业版)》;20190225;第55-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112435277A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sidla et al. | Pedestrian detection and tracking for counting applications in crowded situations | |
CN110569878B (zh) | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 | |
CN108447080B (zh) | 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质 | |
WO2021003824A1 (zh) | 基于图像识别的违章建筑识别方法、装置 | |
WO2019033574A1 (zh) | 电子装置、动态视频人脸识别的方法、系统及存储介质 | |
US11093737B2 (en) | Gesture recognition method and apparatus, electronic device, and computer-readable storage medium | |
CN108986094B (zh) | 用于人脸识别用训练图像库的数据自动更新方法 | |
CN109285179A (zh) | 一种基于多特征融合的运动目标跟踪方法 | |
CN103577815A (zh) | 一种人脸对齐方法和系统 | |
CN106446862A (zh) | 一种人脸检测方法及系统 | |
CN105893946A (zh) | 一种正面人脸图像的检测方法 | |
CN107292252A (zh) | 一种自主学习的身份识别方法 | |
CN107248174A (zh) | 一种基于tld算法的目标跟踪方法 | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
CN112102409A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN112417955B (zh) | 巡检视频流处理方法及装置 | |
CN113643365B (zh) | 一种相机位姿估计方法、装置、设备以及可读存储介质 | |
CN112861870B (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
US11475707B2 (en) | Method for extracting image of face detection and device thereof | |
CN108257155A (zh) | 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法 | |
CN111914832B (zh) | 一种rgb-d相机在动态场景下的slam方法 | |
CN111696072A (zh) | 彩色图像的直线检测方法、装置、电子设备及存储介质 | |
CN103607558A (zh) | 一种视频监控系统及其目标匹配方法和装置 | |
CN111160107A (zh) | 一种基于特征匹配的动态区域检测方法 |
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 |