CN112767446A - 一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统 - Google Patents
一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统 Download PDFInfo
- Publication number
- CN112767446A CN112767446A CN202110090108.4A CN202110090108A CN112767446A CN 112767446 A CN112767446 A CN 112767446A CN 202110090108 A CN202110090108 A CN 202110090108A CN 112767446 A CN112767446 A CN 112767446A
- Authority
- CN
- China
- Prior art keywords
- image
- tracking
- infrared
- target
- frame
- 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
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000005520 cutting process Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 7
- 241000276498 Pollachius virens Species 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004297 night vision Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000013519 translation 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,包括:视频帧切割系统、图像帧模糊评价系统、图像去模糊系统、红外图像跟踪系统和跟踪效果显示系统,视频帧切割系统,用于将输入的视频进行从视频到图像帧的转变;图像帧模糊评价系统,对图像帧进行图像模糊度评价;图像去模糊系统,对图像帧进行特定图像的去模糊工作;红外图像跟踪系统,根据去模糊后的图像帧进行目标跟踪;跟踪效果显示系统,用于显示目标跟踪过程。本发明可以广泛应用与图像质量较差的图像跟踪任务中,能够提高跟踪准确率,减少目标丢失的风险。
Description
技术领域
本发明属于图像处理技术领域,更具体的说是涉及一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统。
背景技术
当代社会,随着人们安全意识的提高,越来越多的场所有了必不可少的监控设备,这对于保证人民的生活财产安全提供了可靠的保障。与此同时,由于社会的进步以及犯罪手法的多样化,传统的可见光范围视频监控已不能满足需求,大量的红外夜视摄像头成为监控部门的首选。红外夜视摄像头不仅可以在晴朗的天气下正常工作,而且可以克服雨、雪、雾等一系列天气的干扰,真正做到24小时全天保障;当然红外成像也广泛应用于军事方向,在战场环境恶劣的环境下,红外成像技术可以应用与瞄准、制导、测距、夜视以及防御等各个方面。可以说红外技术已成为当代社会的支柱力量,这也将导致未来几十年红外技术的高速发展和应用。
但是在面对一些恶劣环境以及突发状况下,监控系统位于室外,由于自身或外因都会拍出质量较差的图像或视频,这时一些图像算法因为图片质量的问题很有可能会出现一些低级错误。这些质量较差的图像或视频会让图像或者视频资料的信息缺失或不准确,给现实生活或科学研究带来难度,增加了图像识别或分析的难度,导致目标跟踪准确率较低甚至会出现目标丢失的严重问题。
因此,如何提供一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,以解决目标跟踪准确率较低甚至会出现目标丢失的严重问题。
为了实现上述目的,本发明采用如下技术方案:
一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,包括:视频帧切割系统、图像帧模糊评价系统、图像去模糊系统、红外图像跟踪系统和跟踪效果显示系统,其中,
所述视频帧切割系统,用于将输入的视频进行从视频到图像帧的转变;
所述图像帧模糊评价系统,对图像帧进行图像模糊度评价;
所述图像去模糊系统,对图像帧进行特定图像的去模糊工作;
所述红外图像跟踪系统,根据去模糊后的图像帧进行目标跟踪;
所述跟踪效果显示系统,用于显示目标跟踪过程。
优选的,跟踪效果显示系统,既是用户自设参数的输入端,也是效果以及评价参数的输出端。
优选的,输入的视频为红外或非红外的视频资源。
优选的,输入的视频中若有需要跟踪的目标,在输入时用户需要通过跟踪效果显示系统输入一些参数以及框定所需要跟踪目标在第一帧图片中的位置。
优选的,通过用户输入的阈值参数对视频帧切割系统输出的图像帧进行判断,若大于该阈值参数,不作处理;如小于该阈值参数,则图像去模糊系统对图像帧进行去模糊工作。
优选的,图像去模糊系统采用基于GAN网络的图像去模糊深度学习网络进行去模糊工作,训练网络的数据集包含Kohler标准数据集、GOPRO数据集以及红外模糊-清晰图像对数据集。
优选的,红外模糊-清晰图像对数据集的制作方法为:
1)选取不同场景;
2)选取不同目标;
3)相同目标以不同的速度和相同的路线经过相同的场景;
4)将获取的视频切分成一帧一帧的图片,以运动较快产生模糊的图片为参考,在运动速度较慢的图片中选取与其位置符合的一张清晰图片,这两张图片就为一对图像,多个目标、多个场景下获取的多对图像组成红外模糊-清晰图像对数据集。
优选的,红外图像跟踪系统采用fDSST目标跟踪算法或LEDS目标跟踪算法进行目标跟踪。
本发明的有益效果在于:
本发明通过视频帧切割系统将输入的视频进行从视频到图像帧的转变;图像帧模糊评价系统对图像帧进行图像模糊度评价;图像去模糊系统对图像帧进行特定图像的去模糊工作;红外图像跟踪系统根据去模糊后的图像帧进行目标跟踪;跟踪效果显示系统将目标跟踪过程进行显示,从而实现多种模式的图像跟踪,方便用户使用。本发明可以广泛应用与图像质量较差的图像跟踪任务中,它比同类的跟踪算法有更高的跟踪准确率,能够大大减少目标丢失的风险。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明的结构示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅附图1,本发明提供了一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,包括:视频帧切割系统、图像帧模糊评价系统、图像去模糊系统、红外图像跟踪系统和跟踪效果显示系统,其中,
视频帧切割系统,用于将输入的视频进行从视频到图像帧的转变,输入的视频可以根据用户的需求进行视频的切分工作,为后续的跟踪工作提供图源;
图像帧模糊评价系统,对图像帧进行图像模糊度评价;
图像去模糊系统,按需对图像帧进行特定图像的去模糊工作;
红外图像跟踪系统,根据用户框定的目标,对去模糊后的图像帧进行目标跟踪;
跟踪效果显示系统,用于显示目标跟踪过程。
本实施例中,跟踪效果显示系统,既是用户自设参数的输入端,也是效果以及评价参数的输出端。
本实施例中,输入的视频为红外或非红外的视频资源。输入的视频中若有需要跟踪的目标,在输入时用户需要通过跟踪效果显示系统输入一些参数以及框定所需要跟踪目标在第一帧图片中的位置。
本实施例中,进行图像去模糊的图像并非全部无分别处理,可以通过用户输入的阈值参数对视频帧切割系统输出的图像帧进行判断,若大于该阈值参数,不作处理;如小于该阈值参数,则图像去模糊系统对图像帧进行去模糊工作。这样不仅可以提高系统的处理效率,更可以提高输出图片的真实性。
本实施例中,图像去模糊系统采用基于GAN网络的图像去模糊深度学习网络进行去模糊工作,训练网络的数据集包含Kohler标准数据集、GOPRO数据集以及红外模糊-清晰图像对数据集。
其中,红外模糊-清晰图像对数据集的制作方法为:
1)选取不同场景;
2)选取不同目标;
3)相同目标以不同的速度和相同的路线经过相同的场景;
4)将获取的视频切分成一帧一帧的图片,以运动较快产生模糊的图片为参考,在运动速度较慢的图片中选取与其位置符合的一张清晰图片,这两张图片就为一对图像,多个目标、多个场景下获取的多对图像组成红外模糊-清晰图像对数据集。
本实施例中,红外图像跟踪系统采用fDSST目标跟踪算法或LEDS目标跟踪算法进行目标跟踪。
本发明通过视频帧切割系统将输入的视频进行从视频到图像帧的转变;图像帧模糊评价系统对图像帧进行图像模糊度评价;图像去模糊系统对图像帧进行特定图像的去模糊工作;红外图像跟踪系统根据去模糊后的图像帧进行目标跟踪;跟踪效果显示系统将目标跟踪过程进行显示,从而实现多种模式的图像跟踪,方便用户使用。本发明可以广泛应用与图像质量较差的图像跟踪任务中,它比同类的跟踪算法有更高的跟踪准确率,能够大大减少目标丢失的风险。
本发明不仅能够对拍摄的红外图像中存在图像质量差的视频有更好的处理效果,而且也可以进行清晰的以及可见光视频进行跟踪工作。
本发明的工作原理:
第一步,将用红外相机拍摄的一段影像输入视频帧切割系统中,因为本发明的跟踪算法是跟踪视频帧里的目标,所以将会在视频帧切割系统中将视频按照用户的要求将视频切分成相应的图像帧。将视频图像经过python程序编写的算法进行视频切割工作,并将其保存在系统的文件系统中,方便下一步的图像处理工作。
第二步,为了提高整个系统的处理速度,本发明并不是将所有处理好的图像帧全部进行去模糊算法处理,会将上一步处理好的图片进行模糊评价,也会让用户输入自己需要的阈值参数,这个阈值主要是判定图片帧是否模糊的标准。图像帧模糊评价系统也采用两种判别标准:Tenengrad梯度方法和lapulaseDetection梯度方法。
在图像处理中,一般认为对焦好的图像具有更尖锐的边缘,故具有更大的梯度函数值。Tenengrad函数使用Sobel算子提取水平和垂直方向的梯度值。经过Sobel算子处理后的图像的平均灰度值,值越大,代表图像越清晰。Laplacian梯度是另一种求图像梯度的方法,在Tenengrad梯度方法的OpenCV代码中直接替换Sobel算子即可。直接把Tenengrad梯度方法中的定义的Soble算子注释掉,然后新定义一个Laplacian算子,值越大,代表图像越清晰。
第三步,给上一步判定模糊的图像进行去模糊工作,这是整个系统中至关重要的一步。图像去模糊系统采用深度学习GAN去模糊的方法,采用这种方法主要是由于该算法的处理速度比传统算法去模糊快将近几十倍,这样才会匹配得上视频跟踪的处理速度。该算法由于处理不同的场景,需要重新训练网络。在训练之前,也制作了数据集。为了加强系统的通用性,训练的数据集主要分可见光和红外数据集。可见光数据集主要是来自于Kohler标准数据集和GOPRO数据集,红外数据集采用红外模糊-清晰图像对数据集。红外数据是由TI35S&TI65S红外热成像机采集的,制作过程如下:
1)选取不同场景。
2)选取不同目标。
3)相同目标以不同的速度和相同的路线经过相同的场景。
4)将视频切分成一帧一帧的图片,以运动较快产生模糊的图片为参考,在运动速度较慢的图片中选取与其位置符合的一张清晰图像(某两点的像素符合即为位置相同的一对),这两张图片就为一对图像,为日后训练提供数据集。
接下来就是训练系统的网络,为日后输入图像进行去模糊处理。网络预计训练800个epoch,学习率为0.0001,每50个epoch保存一次模型。我们将使用英伟达的GeForce GTX1660Ti的GPU进行网络训练,训练耗时预计90小时。
将第二步筛选出来的模糊图像进行相应的处理,并将去模糊后的图像代替之前模糊图像,方便后续操作。
第四步,将第三步整理好的图像输入红外图像跟踪系统。红外图像跟踪系统中采用的算法主要是基于两种算法:fDSST目标跟踪算法以及LEDS目标跟踪算法。fDSST目标跟踪算法是基于相关滤波器改进的一种短时间跟踪算法。它利用一个二维位置滤波器和一个一维尺度滤波器来实现对目标的跟踪并利用快速傅里叶变换(FFT)加快运算速度。该算法设计了位置滤波器和尺度滤波器两个滤波器,分别估计目标位置和目标尺度。同时为加快运算速度,通过对维数压缩、滤波结果插值方式进行加速,在没有牺牲实时效果的前提下,扩大目标检测范围,使得算法的鲁棒性进一步提升。fDSST目标跟踪算法优点如下:
(1)算法处理速度快,可达到实时跟踪要求。
(2)算法的目标指示框大小可变,可以进行跟踪目标尺度有变化的目标。
LEDS目标跟踪算法首先将问题形式化地表示为优化任务,然后将其划分为平移估计和尺度旋转预测两个子问题,迭代求解这两个子问题。此方法的最大亮点就是可以处理目标旋转变化的问题,这里处理这一问题的方法是在对数极坐标下的尺度变化和旋转角度的求解方式。LDES目标跟踪算法有以下几点优势:
(1)鲁棒视觉对象跟踪技术,以处理具有挑战性的场景,尤其是当存在较大位移时。
(2)将对数极坐标引入基于相关滤波器的方法来估计旋转和尺度,以至于此方法可以处理旋转变化。
(3)与现有的视觉对象跟踪方法相比,LDES目标跟踪算法具有更好的预测性能。
为方便用户的体验和需求,我们系统中提供上述两种算法给用户选择,用户可自行选择跟踪算法。本算法采用matlab来编写,运行环境如下:
1、fDSST:Matlab2018b;
2、LDES:Matlab 2018b配置C++环境(要求C++环境配置OPENCV-2.4.13的库文件)。
第五步,在跟踪效果显示系统上显示目标跟踪效果以及最后的目标跟踪准确率,正将是整个系统的最终出口,也将是用户输入需要设置的参数或方法的入口。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,其特征在于,包括:视频帧切割系统、图像帧模糊评价系统、图像去模糊系统、红外图像跟踪系统和跟踪效果显示系统,其中,
所述视频帧切割系统,用于将输入的视频进行从视频到图像帧的转变;
所述图像帧模糊评价系统,对图像帧进行图像模糊度评价;
所述图像去模糊系统,对图像帧进行特定图像的去模糊工作;
所述红外图像跟踪系统,根据去模糊后的图像帧进行目标跟踪;
所述跟踪效果显示系统,用于显示目标跟踪过程。
2.根据权利要求1所述的一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,其特征在于,跟踪效果显示系统,既是用户自设参数的输入端,也是效果以及评价参数的输出端。
3.根据权利要求1所述的一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,其特征在于,输入的视频为红外或非红外的视频资源。
4.根据权利要求1或3所述的一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,其特征在于,输入的视频中若有需要跟踪的目标,在输入时用户需要通过跟踪效果显示系统输入一些参数以及框定所需要跟踪目标在第一帧图片中的位置。
5.根据权利要求1所述的一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,其特征在于,通过用户输入的阈值参数对视频帧切割系统输出的图像帧进行判断,若大于该阈值参数,不作处理;如小于该阈值参数,则图像去模糊系统对图像帧进行去模糊工作。
6.根据权利要求1所述的一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,其特征在于,图像去模糊系统采用基于GAN网络的图像去模糊深度学习网络进行去模糊工作,训练网络的数据集包含Kohler标准数据集、GOPRO数据集以及红外模糊-清晰图像对数据集。
7.根据权利要求6所述的一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,其特征在于,红外模糊-清晰图像对数据集的制作方法为:
1)选取不同场景;
2)选取不同目标;
3)相同目标以不同的速度和相同的路线经过相同的场景;
4)将获取的视频切分成一帧一帧的图片,以运动较快产生模糊的图片为参考,在运动速度较慢的图片中选取与其位置符合的一张清晰图片,这两张图片就为一对图像,多个目标、多个场景下获取的多对图像组成红外模糊-清晰图像对数据集。
8.根据权利要求1所述的一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统,其特征在于,红外图像跟踪系统采用fDSST目标跟踪算法或LEDS目标跟踪算法进行目标跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110090108.4A CN112767446A (zh) | 2021-01-22 | 2021-01-22 | 一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110090108.4A CN112767446A (zh) | 2021-01-22 | 2021-01-22 | 一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112767446A true CN112767446A (zh) | 2021-05-07 |
Family
ID=75706795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110090108.4A Pending CN112767446A (zh) | 2021-01-22 | 2021-01-22 | 一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767446A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115731516A (zh) * | 2022-11-21 | 2023-03-03 | 国能九江发电有限公司 | 一种基于目标跟踪的行为识别方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489201A (zh) * | 2013-09-11 | 2014-01-01 | 华南理工大学 | 基于运动模糊信息的目标跟踪方法 |
CN111275637A (zh) * | 2020-01-15 | 2020-06-12 | 北京工业大学 | 一种基于注意力模型的非均匀运动模糊图像自适应复原方法 |
-
2021
- 2021-01-22 CN CN202110090108.4A patent/CN112767446A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489201A (zh) * | 2013-09-11 | 2014-01-01 | 华南理工大学 | 基于运动模糊信息的目标跟踪方法 |
CN111275637A (zh) * | 2020-01-15 | 2020-06-12 | 北京工业大学 | 一种基于注意力模型的非均匀运动模糊图像自适应复原方法 |
Non-Patent Citations (3)
Title |
---|
JAESUNG RIM 等: "Real-World Blur Dataset for Learning and Benchmarking Deblurring Algorithms", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
刘创: "无人驾驶车辆多目标容错跟踪与轨迹预测研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
饶秀勤: "基于机器视觉的水果品质实时检测与分级生产线的关键技术研究", 《中国博士学位论文全文数据库农业科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115731516A (zh) * | 2022-11-21 | 2023-03-03 | 国能九江发电有限公司 | 一种基于目标跟踪的行为识别方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709932B (zh) | 一种人脸位置跟踪方法、装置和电子设备 | |
CN110728697B (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN110059642B (zh) | 人脸图像筛选方法与装置 | |
CN110610150B (zh) | 一种目标运动物体的跟踪方法、装置、计算设备和介质 | |
US9224211B2 (en) | Method and system for motion detection in an image | |
CN110287791B (zh) | 一种用于人脸图片的筛选方法和系统 | |
CN107248174A (zh) | 一种基于tld算法的目标跟踪方法 | |
CN105447890A (zh) | 一种抗光照影响的运动车辆检测方法 | |
CN112200035A (zh) | 用于模拟拥挤场景的图像获取方法、装置和视觉处理方法 | |
CN114037087B (zh) | 模型训练方法及装置、深度预测方法及装置、设备和介质 | |
CN113688820A (zh) | 频闪条带信息识别方法、装置和电子设备 | |
CN112767446A (zh) | 一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统 | |
CN112132870B (zh) | 森林火灾早期烟雾检测方法 | |
Patro | Design and implementation of novel image segmentation and BLOB detection algorithm for real-time video surveillance using DaVinci processor | |
CN109598195B (zh) | 一种基于监控视频的清晰人脸图像处理方法与装置 | |
CN101873506A (zh) | 提供深度信息的影像处理方法及其影像处理系统 | |
Moghimi et al. | A joint adaptive evolutionary model towards optical image contrast enhancement and geometrical reconstruction approach in underwater remote sensing | |
CN116721288A (zh) | 一种基于YOLOv5的安全帽检测方法及系统 | |
CN116452976A (zh) | 一种煤矿井下安全检测方法 | |
WO2023001110A1 (zh) | 神经网络训练方法、装置及电子设备 | |
CN113066077B (zh) | 火焰检测方法及装置 | |
CN115512263A (zh) | 一种面向高空坠物的动态视觉监测方法及装置 | |
CN115115546A (zh) | 一种图像处理方法、系统、电子设备及可读存储介质 | |
CN113052878A (zh) | 一种安防系统中边缘设备的多路高空抛物检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |