CN112750145A - 目标检测与跟踪的方法、装置和系统 - Google Patents
目标检测与跟踪的方法、装置和系统 Download PDFInfo
- Publication number
- CN112750145A CN112750145A CN201911042204.0A CN201911042204A CN112750145A CN 112750145 A CN112750145 A CN 112750145A CN 201911042204 A CN201911042204 A CN 201911042204A CN 112750145 A CN112750145 A CN 112750145A
- Authority
- CN
- China
- Prior art keywords
- target
- video
- tracking
- detection
- target detection
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 241000283690 Bos taurus Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 244000309466 calf Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 241001494479 Pecora Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提出一种基于视频的目标检测与跟踪的方法、装置和系统，涉及计算机视觉人工智能领域。本公开基于目标检测与目标跟踪的结合，按照一定周期进行目标检测与目标跟踪的任务切换，在节省计算资源的同时，提高了计算效率和计算准确度，更好地用于视频特别是实时视频中的生物面部目标发现。
Description
技术领域
本公开涉及计算机视觉人工智能领域，特别涉及一种基于视频的目标检测与跟踪的方法、装置和系统。
背景技术
目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割技术，它将目标的分割和识别合二为一，其准确性和实时性是非常重要的性能指标。
基于深度学习的目标检测方法，由于深度学习需要处理大量的图像训练数据，对计算机性能要求高，资源消耗很多。
目标跟踪算法可以进行轨迹特征的自动提取和分析，为进一步的行为分析提供基础。
发明内容
本公开基于目标检测与目标跟踪的结合，按照一定周期进行目标检测与目标跟踪的任务切换，在节省计算资源的同时，提高了计算效率和计算准确度，更好地用于视频特别是实时视频中的生物面部目标发现。
本公开的一些实施例提出一种目标检测与跟踪的方法，包括：
获取视频；
从所述视频当前的第一视频帧中检测所有目标，以获取每个目标所属的分类和初始位置，并在所述视频中对每个目标进行标注；
基于每个目标的初始位置，对所述视频的第一视频帧之后的多个视频帧中的每个目标进行跟踪；
当跟踪时间达到预设时间时，从所述视频当前的第二视频帧中检测所有目标，以获取每个目标的更新位置；
基于每个目标的更新位置，对所述视频的第二视频帧之后的多个视频帧中的每个目标进行跟踪；
重复上述的获取更新位置以及基于更新位置进行目标跟踪的步骤，直至视频监测结束。
在一些实施例中，利用目标检测算法从视频帧中检测目标，并利用目标跟踪算法对多个视频帧中的目标进行跟踪。
在一些实施例中，所述目标检测算法包括：更快速的区域卷积神经网络Faster R-CNN；所述目标跟踪算法包括：卡尔曼滤波算法。
在一些实施例中，所述Faster R-CNN包括用于提取图像特征的卷积层、用于生成推荐区域的区域推荐网络RPN、感兴趣区域池化层和分类层，其中，所述卷积层基于Mobile-Net实现。
在一些实施例中，获取的所述视频为实时视频。
在一些实施例中，所述目标为生物面部目标。
在一些实施例中，上报监测到的每个目标的位置信息以及相应的监测时间。
本公开的一些实施例提出一种目标检测与跟踪的装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行任意一个实施例的目标检测与跟踪的方法。
本公开的一些实施例提出一种目标检测与跟踪的系统，包括：视频采集装置，以及目标检测与跟踪的装置，被配置为基于所述视频采集装置采集的视频进行目标检测与跟踪的处理。
在一些实施例中，系统还包括：业务系统，被配置为基于所述目标检测与跟踪的装置上报的监测到的每个目标的位置信息以及相应的监测时间，进行业务处理。
本公开的一些实施例提出一种非瞬时性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任意一个实施例的目标检测与跟踪的方法。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开，
显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开一些实施例中的目标检测与跟踪的方法的流程示意图。
图2示出本公开的Faster R-CNN的示意图。
图3示出本公开的所有牛头的检测与跟踪结果的用户展示示意图。
图4示出本公开的不同牛头随着时间变化在检测录像中的运动轨迹示意图。
图5示出本公开一些实施例中的目标检测与跟踪的系统的示意图。
图6示出本公开一些实施例中的目标检测与跟踪的装置的示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
图1示出本公开一些实施例中的目标检测与跟踪的方法的流程示意图。
如图1所示，该实施例的目标检测与跟踪的方法包括：
在步骤11，视频采集装置，如摄像头，获取监测位置处的视频，并通过例如RTSP(Real Time Streaming Protocol，实时流传输协议)将视频传输到目标检测与跟踪装置。
该视频为实时视频或非实时视频。在实时监测业务中，该视频可以是实时视频。
在步骤12，目标检测与跟踪装置获取视频，将视频处理成视频帧图像(简称视频帧)，并基于视频帧进行目标的检测与跟踪，具体参见步骤121-125。
其中，目标检测与跟踪装置中设置有目标检测算法和目标跟踪算法，利用目标检测算法从视频帧中检测目标，利用目标跟踪算法对多个视频帧中的目标进行跟踪，基于目标检测算法与目标跟踪算法的结合，按照一定周期进行目标检测与目标跟踪的任务切换。在节省计算资源的同时，提高了计算效率和计算准确度，更好地用于视频特别是实时视频中的生物面部目标发现。
目标检测算法例如可以采用基于卷积神经网络(Convolutional NeuralNetworks,CNN)的Faster R-CNN(Faster Region-based CNN，更快速的区域卷积神经网络)，它具有检测精度高的优点，能够满足检测需要。此外，目标检测算法例如还可以采用Fast R-CNN(快速的区域卷积神经网络)，R-CNN，SSD(Single Shot MultiBox Detector，单图片多目标检测)，DSSD(Deconvolutional Single Shot Detector，反卷积单图片检测)，YOLO(You Only Look Once，表示只需要一次CNN运算)等算法。
如图2所示，Faster R-CNN包括用于提取图像特征的卷积层(Conv layers)、用于生成推荐区域的区域推荐网络(Region Proposal Networks，RPN)、感兴趣区域池化层(Region of interest pooling，RoI pooling)和分类层(Classifier)。Conv layers使用一组conv(卷积计算层，线性乘积求和)+relu(激励层，relu是激活函数的一种)+pooling(池化层，例如取区域平均或最大)层提取输入图像的特征映射(feature maps)，会用于后续的RPN层和全连接层。其中，卷积层基于Mobile-Net实现，替代原本的基于vgg-net实现。Mobile-Net在保持模型性能的前提下降低模型大小，同时提升模型速度，实用性能非常优秀。RPN主要用于生成推荐区域，其首先生成一堆anchor box(锚框)，对其进行裁剪过滤后通过Softmax函数判断anchors(锚)属于前景(foreground)或者后景(background)，即是物体or不是物体，所以这是一个二分类；同时，另一分支bounding box regression(边框回归)修正anchor box，形成较精确的推荐区域。Roi Pooling层利用RPN生成的推荐区域和Mobile-Net最后一层得到的feature map，得到固定大小的推荐特征映射(proposalfeature map)。分类层会将Roi Pooling层形成固定大小的的feature map进行全连接操作，利用Softmax函数进行具体类别的分类，同时，利用L1 Loss(误差的L1范数)完成边框回归操作获得物体的精确位置。
目标跟踪算法例如可以采用卡尔曼滤波算法，它的原理是状态预测，通过对目前状态以及上一次状态的对比进行规律判定，并依据此规律预测下一次位置，在计算速度方面有极高的优势。此外，目标跟踪算法例如还可以采用TLD(Tracking-Learning-Detection，一种新的单目标长时间跟踪算法)，KCF(High-Speed Tracking withKernelized Correlation Filters，基于核化相关滤波的高速跟踪)等。
在步骤121，采用例如Faster R-CNN，从视频当前的第一视频帧中检测所有目标，以获取每个目标所属的分类和初始位置，并在视频中对每个目标进行标注。
例如，目标可以用方框进行标注，不同的目标可以用不同颜色的方框进行区分，还可以显示目标的编号。
在步骤122，然后，采用例如卡尔曼滤波算法，基于每个目标的初始位置，对视频的第一视频帧之后的多个视频帧中的每个目标进行跟踪，例如，以每秒10帧的速度对所有目标进行跟踪。
在步骤123，当跟踪时间达到预设时间(例如5秒)时，再次启用例如Faster R-CNN，从视频当前的第二视频帧中检测所有目标，以重新获取每个目标的更新位置，用于修正卡尔曼跟踪误差。
在步骤124，然后，采用例如卡尔曼滤波算法，基于每个目标的更新位置，对视频的第二视频帧之后的多个视频帧中的每个目标进行跟踪。
即，将修正后的位置数据作为卡尔曼滤波算法跟踪的起始位置进行目标跟踪。
在步骤125，重复上述的获取更新位置以及基于更新位置进行目标跟踪的步骤123-124，直至视频监测结束。
在步骤13，目标检测与跟踪装置还可以上报监测到的每个目标的位置信息以及相应的监测时间给业务系统，业务系统在监测结束后，可以获得所有目标在监测时间段中的位置和时间等监测信息，可以通过可视化的方式向用户展示，还可以基于上报的监测信息进行例如统计和分析等业务处理。
通过Faster R-CNN目标检测和卡尔曼滤波跟踪的结合进行实时检测和跟踪。Faster R-CNN目标检测在实时跟踪过程中提供高精度计算，确保每次检测可以获得监测目标的高可信度位置。卡尔曼滤波算法基于Faster R-CNN的检测结果，开始进行目标跟踪过程。由于卡尔曼滤波算法的计算并不复杂，这个过程会相当节省计算资源，在实时业务监控过程中可用，实用性较强。由于卡尔曼滤波误差会随着时间逐渐增大，Faster R-CNN目标检测的检测结果便可以对卡尔曼滤波误差进行修正。这样，通过Faster R-CNN目标检测和卡尔曼滤波跟踪的结合，可以保证监测在不消耗大规模资源的情况下高效准确运转。
上述的准确、高效、资源消耗率低的目标(如生物面部)检测与追踪的方法，可以解决生物个体行为监管与管理等场景的问题。例如，人脸面部跟踪，通过实时监测人脸及其位置变化，可用于安防和工业生产规范行为控制的场景。又例如，通过例如猪、牛、羊等大型牲畜面部定位和追踪，获得精细化养殖数据，用于精细化饲养场景，提高生产力。
例如，在精细化饲养场景中，通过牧场摄像头拍摄某个饲养位置的视频，经过Faster R-CNN检测后，如图3所示，所有监测的牛头全部用方框进行标注，标注框可用不同的颜色进行区分，这里用编号进行区分，然后，基于Faster R-CNN的检测结果，利用卡尔曼滤波算法进行牛头位置的跟踪。经过一段时间，再次利用Faster R-CNN的检测结果便对卡尔曼滤波误差进行修正。图4示出了牛头检测跟踪记录所得数据的可视化结果，其中，time轴代表监测的时间点，x、y轴分别代表图片的宽和高，图4展示了不同的牛头随着时间变化在检测录像中的运动轨迹。
图5示出本公开一些实施例中的目标检测与跟踪的系统的示意图。
如图5所示，该实施例的系统50包括：视频采集装置51以及目标检测与跟踪的装置52，还可以包括业务系统53。
视频采集装置51采集视频，并传输给目标检测与跟踪的装置52。
目标检测与跟踪的装置52，被配置为基于视频采集装置51采集的视频进行目标检测与跟踪的处理，具体实现参见前述实施例的目标检测与跟踪的方法。
业务系统53，被配置为基于目标检测与跟踪的装置52上报的监测到的每个目标的位置信息以及相应的监测时间，进行业务处理。
图6示出本公开一些实施例中的目标检测与跟踪的装置的示意图。
如图6所示，该实施例的目标检测与跟踪的装置52包括：
存储器521；以及耦接至所述存储器的处理器522，所述处理器522被配置为基于存储在所述存储器中的指令，执行任一个实施例的目标检测与跟踪的方法。
其中，存储器521例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
本公开还提出一种非瞬时性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任一个实施例的目标检测与跟踪的方法。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，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。
Claims (11)
1.一种目标检测与跟踪的方法，其特征在于，包括：
获取视频；
从所述视频当前的第一视频帧中检测所有目标，以获取每个目标所属的分类和初始位置，并在所述视频中对每个目标进行标注；
基于每个目标的初始位置，对所述视频的第一视频帧之后的多个视频帧中的每个目标进行跟踪；
当跟踪时间达到预设时间时，从所述视频当前的第二视频帧中检测所有目标，以获取每个目标的更新位置；
基于每个目标的更新位置，对所述视频的第二视频帧之后的多个视频帧中的每个目标进行跟踪；
重复上述的获取更新位置以及基于更新位置进行目标跟踪的步骤，直至视频监测结束。
2.根据权利要求1所述的方法，其特征在于，利用目标检测算法从视频帧中检测目标，并利用目标跟踪算法对多个视频帧中的目标进行跟踪。
3.根据权利要求2所述的方法，其特征在于，
所述目标检测算法包括：更快速的区域卷积神经网络Faster R-CNN；
所述目标跟踪算法包括：卡尔曼滤波算法。
4.根据权利要求2所述的方法，其特征在于，
所述Faster R-CNN包括用于提取图像特征的卷积层、用于生成推荐区域的区域推荐网络RPN、感兴趣区域池化层和分类层，
其中，所述卷积层基于Mobile-Net实现。
5.根据权利要求1所述的方法，其特征在于，
获取的所述视频为实时视频。
6.根据权利要求1所述的方法，其特征在于，
所述目标为生物面部目标。
7.根据权利要求1所述的方法，其特征在于，
上报监测到的每个目标的位置信息以及相应的监测时间。
8.一种目标检测与跟踪的装置，其特征在于，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-7任一项所述的目标检测与跟踪的方法。
9.一种目标检测与跟踪的系统，其特征在于，包括：
视频采集装置，以及
权利要求8所述的目标检测与跟踪的装置，被配置为基于所述视频采集装置采集的视频进行目标检测与跟踪的处理。
10.根据权利要求9所述的系统，其特征在于，还包括：
业务系统，被配置为基于所述目标检测与跟踪的装置上报的监测到的每个目标的位置信息以及相应的监测时间，进行业务处理。
11.一种非瞬时性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权利要求1-7任一项所述的目标检测与跟踪的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911042204.0A CN112750145A (zh) | 2019-10-30 | 2019-10-30 | 目标检测与跟踪的方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911042204.0A CN112750145A (zh) | 2019-10-30 | 2019-10-30 | 目标检测与跟踪的方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112750145A true CN112750145A (zh) | 2021-05-04 |
Family
ID=75640463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911042204.0A Pending CN112750145A (zh) | 2019-10-30 | 2019-10-30 | 目标检测与跟踪的方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112750145A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757972A (zh) * | 2022-04-15 | 2022-07-15 | 中国电信股份有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100322534A1 (en) * | 2009-06-09 | 2010-12-23 | Colorado State University Research Foundation | Optimized correlation filters for signal processing |
| CN106683121A (zh) * | 2016-11-29 | 2017-05-17 | 广东工业大学 | 一种融合检测过程的鲁棒目标追踪方法 |
| CN106875425A (zh) * | 2017-01-22 | 2017-06-20 | 北京飞搜科技有限公司 | 一种基于深度学习的多目标追踪系统及实现方法 |
| CN107918765A (zh) * | 2017-11-17 | 2018-04-17 | 中国矿业大学 | 一种移动目标检测并追踪系统及其方法 |
| CN109299735A (zh) * | 2018-09-14 | 2019-02-01 | 上海交通大学 | 基于相关滤波的抗遮挡目标跟踪方法 |
| CN110111363A (zh) * | 2019-04-28 | 2019-08-09 | 深兰科技（上海）有限公司 | 一种基于目标检测的跟踪方法及设备 |
-
2019
- 2019-10-30 CN CN201911042204.0A patent/CN112750145A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100322534A1 (en) * | 2009-06-09 | 2010-12-23 | Colorado State University Research Foundation | Optimized correlation filters for signal processing |
| CN106683121A (zh) * | 2016-11-29 | 2017-05-17 | 广东工业大学 | 一种融合检测过程的鲁棒目标追踪方法 |
| CN106875425A (zh) * | 2017-01-22 | 2017-06-20 | 北京飞搜科技有限公司 | 一种基于深度学习的多目标追踪系统及实现方法 |
| CN107918765A (zh) * | 2017-11-17 | 2018-04-17 | 中国矿业大学 | 一种移动目标检测并追踪系统及其方法 |
| CN109299735A (zh) * | 2018-09-14 | 2019-02-01 | 上海交通大学 | 基于相关滤波的抗遮挡目标跟踪方法 |
| CN110111363A (zh) * | 2019-04-28 | 2019-08-09 | 深兰科技（上海）有限公司 | 一种基于目标检测的跟踪方法及设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757972A (zh) * | 2022-04-15 | 2022-07-15 | 中国电信股份有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
| CN114757972B (zh) * | 2022-04-15 | 2023-10-10 | 中国电信股份有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985162B (zh) | 目标实时跟踪方法、装置、计算机设备及存储介质 | |
| Asha et al. | Vehicle counting for traffic management system using YOLO and correlation filter | |
| CN109644255B (zh) | 标注包括一组帧的视频流的方法和装置 | |
| US8218819B2 (en) | Foreground object detection in a video surveillance system | |
| US8218818B2 (en) | Foreground object tracking | |
| CN111027370A (zh) | 一种多目标跟踪及行为分析检测方法 | |
| JP6624877B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| KR101472674B1 (ko) | 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 | |
| CN109753884A (zh) | 一种基于关键帧提取的视频行为识别方法 | |
| US11990010B2 (en) | Methods and apparatuses for early warning of climbing behaviors, electronic devices and storage media | |
| CN112528823B (zh) | 一种基于关键帧检测和语义部件分割的条斑鲨运动行为分析方法及系统 | |
| CN117994987B (zh) | 基于目标检测技术的交通参数提取方法及相关装置 | |
| CN111291646A (zh) | 一种人流量统计方法、装置、设备及存储介质 | |
| CN108830204B (zh) | 面对目标的监控视频中异常检测方法 | |
| Yang et al. | A method of pedestrians counting based on deep learning | |
| CN112750145A (zh) | 目标检测与跟踪的方法、装置和系统 | |
| CN113313098A (zh) | 视频处理方法、设备、系统及存储介质 | |
| CN108428241B (zh) | 高清视频中移动目标的运动轨迹捕获方法 | |
| CN104754248B (zh) | 一种获取目标快照的方法及装置 | |
| CN115984762A (zh) | 一种基于计算机视觉算法的井下支护工序识别方法及系统 | |
| CN114821441A (zh) | 联合ads-b信息的基于深度学习的机场场面运动目标识别方法 | |
| Tung et al. | Camera tamper detection using codebook model for video surveillance | |
| CN101567088A (zh) | 一种运动物体检测的方法和装置 | |
| Chen et al. | Target-driven video summarization in a camera network | |
| Kaiyu et al. | Application of Yolo Algorithm in Livestock Counting and Identificatiom System |
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 |