CN113822153A - 一种基于改进DeepSORT算法的无人机跟踪方法 - Google Patents
一种基于改进DeepSORT算法的无人机跟踪方法 Download PDFInfo
- Publication number
- CN113822153A CN113822153A CN202110918288.0A CN202110918288A CN113822153A CN 113822153 A CN113822153 A CN 113822153A CN 202110918288 A CN202110918288 A CN 202110918288A CN 113822153 A CN113822153 A CN 113822153A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target
- improved
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进DeepSORT算法的无人机跟踪方法,通过融入通道注意力模块和Mish激活函数的ResNet50‑vd结构作为主干网络对无人机视频流进行特征提取,在此过程中,所述通道注意力模块使得网络关注输入的重要信息,排除其他信息干扰;此外还使用Mish激活函数替代ReLU函数,改善了训练过程中负梯度的信息流动,另外采用特征金字塔增加网络对小目标无人机的感知能力;在跟踪阶段,通过在DeepSORT算法的基础上对级联匹配过程中的外观描述部分进行改进,采用ResNet50替代原有的网络架构,并引入损失函数MarginLoss,改善了跟踪效果,解决了现有技术中因检测精度和跟踪速度无法较好地平衡而导致的ID跳变、跟踪“丢帧”问题。
Description
技术领域
本发明涉及目标检测与跟踪技术领域,尤其涉及一种基于改进DeepSORT算法的无人机跟踪方法。
背景技术
无人机的快速发展给人们带来便捷和乐趣的同时,也带来了极大的安全隐患,如干扰航班运行、携带危险品、侵犯他人隐私等。因此,利用现有技术及时发现入侵无人机是十分必要的,这就需要精确的检测以及稳定的跟踪方法。
目前,针对无人机的检测方法可以分为雷达、视觉、声学和射频系统四大类,跟踪无人机主要使用雷达和视觉系统实现。雷达利用电磁波探测目标,具有探测距离远的优点,但是设备复杂,价格昂贵,容易受到干扰;射频技术是通过侦听无人机与其控制器之间的通信,实现无人机的定位,这种技术在预先编程,无需实时通信控制的无人机上将会失效;声学技术利用无人机螺旋桨发出的特有声学特征来区分无人机,在城市等嘈杂的环境中容易误判,而且距离有限;视觉检测也称为光学检测,是利用摄像头等光电设备采集图像,然后对图像进一步处理的技术,虽然不具备距离上的优势,但由于检测设备简单,提取特征方便,同时能提供额外的其他无人机探测系统不能提供的视觉信息,如无人机模型,尺寸和载荷等,受到众多学者的追捧。这几种技术各有优缺点,虽然视觉检测具备一定优势,但是在同时跟踪多架无人机时也容易出现ID跳变、跟踪“丢帧”问题。
发明内容
本发明的目的在于提供一种基于改进DeepSORT算法的无人机跟踪方法,旨在解决现有技术中因检测精度和跟踪速度无法较好地平衡而导致的ID跳变、跟踪“丢帧”问题。
为实现上述目的,本发明采用一种基于改进DeepSORT算法的无人机跟踪方法,包括下列步骤:
步骤1:输入包含无人机目标的视频流并进行逐帧处理;
步骤2:将步骤1中产生的视频帧输入到主干网络中提取特征,获得特征图;
步骤3:将所述特征图输入特征金字塔FPN中融合;
步骤4:收敛模型获得无人机目标的预测位置和置信度信息;
步骤5:将所述预测位置信息作为输入,针对检测框分配跟踪器;
步骤6:初始化Kalman滤波器,使用Kalman滤波预测目标在当前帧的位置;
步骤7:将步骤4中的无人机目标和步骤6中的预测目标进行匹配计算;
步骤8:更新跟踪器和Kalman滤波器,输出匹配计算结果。
其中,所述主干网络为融入通道注意力模块和Mish激活函数的ResNet50-vd。
其中,在将步骤1中产生的视频帧输入到主干网络中提取特征,获得特征图的过程中,所述注意力模块用于捕捉通道间的依赖关系,通过权重分配达到凸显无人机目标的目的,使检测网络共享权重,提升检测精度;所述Mish激活函数消除了ReLU函数在反向传播过程中的梯度消失问题。
其中,在将所述特征图输入特征金字塔FPN中融合的过程中,将步骤2中输出的特征图输入到特征金字塔FPN中,对各个尺度的图像进行特征提取,产生多尺度的特征表示。
其中,在收敛模型获得无人机目标的预测位置和置信度信息的过程中,在损失函数的作用下使模型收敛,使用非极大值抑制去除干扰目标,得到无人机目标的预测位置和置信度信息。
其中,在将步骤4中的无人机目标和步骤6中的预测目标进行匹配计算的过程中,以无人机目标的置信度值为分类匹配计算依据,
如果置信度大于0.7,将无人机目标与预测目标进行级联匹配;
如果置信度小于等于0.7,将无人机目标与预测目标进行IOU匹配。
其中,所述级联匹配采用无人机外观的余弦距离和马氏距离作为代价矩阵,外观描述部分采用ResNet50替代原有的网络架构,并引入损失函数Margin Loss增加匹配准确度,所述IOU匹配采用匈牙利算法实现。
其中,在更新跟踪器和Kalman滤波器,输出匹配计算结果的过程中,对匹配成功的目标输出预测框及ID,删除匹配失败的目标轨迹。
本发明的一种基于改进DeepSORT算法的无人机跟踪方法,通过融入通道注意力模块和Mish激活函数的ResNet50-vd结构作为主干网络对无人机视频流进行特征提取,在此过程中,所述通道注意力模块使得网络关注输入的重要信息,排除其他信息干扰;此外还使用Mish激活函数替代ReLU函数,改善了训练过程中负梯度的信息流动,另外采用特征金字塔增加网络对小目标无人机的感知能力;在跟踪阶段,通过在DeepSORT算法的基础上对级联匹配过程中的外观描述部分进行改进,采用ResNet50替代原有的网络架构,并引入损失函数Margin Loss,改善了跟踪效果,解决了现有技术中因检测精度和跟踪速度无法较好地平衡而导致的ID跳变、跟踪“丢帧”等问题。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于改进DeepSORT算法的无人机跟踪方法的流程示意图。
图2是本发明的一种基于改进DeepSORT算法的无人机跟踪方法的具体流程图。
图3是本发明的一种基于改进DeepSORT算法的无人机跟踪方法的通道注意力模块结构图。
图4是本发明的一种基于改进DeepSORT算法的无人机跟踪方法的特征金字塔模块结构图。
图5是本发明的主干网络引入Mish激活函数的ResNet50-vd结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提出了一种基于改进DeepSORT算法的无人机跟踪方法,包括下列步骤:
S1:输入包含无人机目标的视频流并进行逐帧处理;
S2:将S1中产生的视频帧输入到主干网络中提取特征,获得特征图;
S3:将所述特征图输入特征金字塔FPN中融合;
S4:收敛模型获得无人机目标的预测位置和置信度信息;
S5:将所述预测位置信息作为输入,针对检测框分配跟踪器;
S6:初始化Kalman滤波器,使用Kalman滤波预测目标在当前帧的位置;
S7:将S4中的无人机目标和S6中的预测目标进行匹配计算;
S8:更新跟踪器和Kalman滤波器,输出匹配计算结果。
所述主干网络为融入通道注意力模块和Mish激活函数的ResNet50-vd。
在将S1中产生的视频帧输入到主干网络中提取特征,获得特征图的过程中,所述注意力模块用于捕捉通道间的依赖关系,通过权重分配达到凸显无人机目标的目的,使检测网络共享权重,提升检测精度;所述Mish激活函数消除了ReLU函数在反向传播过程中的梯度消失问题。
在将所述特征图输入特征金字塔FPN中融合的过程中,将步骤2中输出的特征图输入到特征金字塔FPN中,对各个尺度的图像进行特征提取,产生多尺度的特征表示。
在收敛模型获得无人机目标的预测位置和置信度信息的过程中,在损失函数的作用下使模型收敛,使用非极大值抑制去除干扰目标,得到无人机目标的预测位置和置信度信息。
在将S4中的无人机目标和S6中的预测目标进行匹配计算的过程中,以无人机目标的置信度值为分类匹配计算依据,
如果置信度大于0.7,将无人机目标与预测目标进行级联匹配;
如果置信度小于等于0.7,将无人机目标与预测目标进行IOU匹配。
所述级联匹配采用无人机外观的余弦距离和马氏距离作为代价矩阵,外观描述部分采用ResNet50替代原有的网络架构,并引入损失函数Margin Loss增加匹配准确度,所述IOU匹配采用匈牙利算法实现。
在更新跟踪器和Kalman滤波器,输出匹配计算结果的过程中,对匹配成功的目标输出预测框及ID,删除匹配失败的目标轨迹。
所述基于改进DeepSORT算法的无人机跟踪方法具体分为检测与跟踪两个处理步骤,通过用检测与跟踪分离处理措施,减少了误报次数,稳定了跟踪框,改善了跟踪效果,具体流程请参阅图2。
进一步地,以下结合附图对本发明作进一步详细说明:
一、通道注意力模块
通道注意力通过建立特征通道之间的相互依赖关系,获取各个特征通道的权重,根据该权重提升当前任务关注的特征,并抑制对当前任务无贡献的特征。其结构如图3所示。假设输入X为所得到的特征图,首先经过卷积和变换后,得到特征通道数为c的特征图,然后在空间维度上将二维的特征通道压缩到一维,使其具备全局的感受野,同时,保证了输入附近的特征提取层也可以获得全局感受野,提升对目标的感知能力;紧接着是激励操作,利用参数w生成每个通道的权重并通过特征映射的方式传递给后续特征层;最后将激励产生的权重逐一加权到先前的特征通道上,就完成了通道维度上的注意力模块的构建。
压缩操作采用了全局平均池化来压缩输入通道的特征层,对特征图u压缩空间维度后的结果如公式(1)所示。
zc表示第c个特征的一维向量值。h和w分别表示特征图的两个维度。
激励操作将会学习通道间的非线性相互作用。首先通过全连接层将特征维度降低到输入的1/16,然后通过ReLU激活函数增加非线性,再通过一个全连接层恢复到原来的维度,这两个全连接层共同组成一个瓶颈结构,用来评估通道间的相关性,最后通过Sigmoid函数获得归一化权重。激励操作的表达式如(2)所示:
s=Fex(z,w)=σ(g(z,w))=σ(w2δ(w1z)) (2)
在压缩和激励操作完成后,通过公式(3)所示将乘法逐通道加权到原来的特征上。
至此就将通道注意力模块融入到了检测网络中,在一定程度上提高了无人机的检测精度。
二、特征金字塔FPN
特征金字塔FPN将高层特征和低层特征进行自上而下的侧边连接,使得所有尺度下的特征都具有丰富的语义信息,具体结构请参阅图4,FPN通过利用常规的卷积网络模型自下而上对同一图片不同维度的特征表达结构,可有效在单一图像视图下生成多维度特征表达,其核心思想包括两部分:自下而上的不同维度特征生成部分和自上而下的特征补充增强部分。
自下而上的部分是卷积神经网络的前向过程,在前向过程中,特征图的大小在经过一些层后会改变,而在经过其他一些层的时候不会改变,将不改变特征图大小的层归为一个阶段,因此每次抽取的特征都是每个阶段的最后一个层的输出,这样就能构成特征金字塔。图4中C2,C3,C4为特征层,P2,P3,P4为对应的特征映射层,通过融合不同特征层的方法,增加网络对于不同尺度无人机的感知能力。
三、Mish激活函数
在检测无人机目标的任务中,无人机通常占据图片极小的比例,因此在使用卷积操作提取特征时,很容易使输入为零或负值,导致梯度下降很慢甚至消失,只有保证负值区域的梯度流动,才能更好提取小目标无人机的特征,使检测更加精准。
Mish激活函数是一种自正则的非单调神经激活函数,保留了少量的负向信息,可以允许较小的负梯度流入,从而保证信息流动,消除了ReLU函数在反向传播过程中的梯度消失问题,从而允许更好的信息流入神经网络,最终获得更好的准确性和泛化能力。其函数表达式如(4)所示。
f(x)=x*tanh(log(1+ex)) (4)
鉴于此,将Mish激活函数引入到ResNet50-vd主干网络中,具体结构如图4所示:在每个残差快中,将前两个卷积层中的BN层的激活函数采用Mish函数,稳定训练过程,提升模型的泛化能力。
四、级联匹配的外观描述
原始Deep-SORT算法的深度外观描述部分仅仅采用由两个卷积层和六个残余块的宽度残差网络组成,在汽车、行人等大目标的情况下是可行的,但是在匹配无人机目标时,就极容易失效。因此,采用ResNet50替代原有的CNN网络架构,增加对无人机特征的提取能力。采用度量学习的方法,引入损失函数Margin Loss,提高了类别可分性,加强类内紧度,加大类间差异。其计算公式如(5)所示:
其中,N为批次大小(batch size),n为类别数量(class number),θyi是权重Wyi和特征xi之间的夹角,m是附加角惩罚偏置项,s为特征xi经过l2正则化后缩放的特征尺度。MarginLoss通过分析特征和权重之间的角度统计来构造损失函数,在几乎不增加额外计算开销的情况下达到提高模型鉴别能力和稳定训练过程的效果。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (8)
1.一种基于改进DeepSORT算法的无人机跟踪方法,其特征在于,包括下列步骤:
步骤1:输入包含无人机目标的视频流并进行逐帧处理;
步骤2:将步骤1中产生的视频帧输入到主干网络中提取特征,获得特征图;
步骤3:将所述特征图输入特征金字塔FPN中融合;
步骤4:收敛模型获得无人机目标的预测位置和置信度信息;
步骤5:将所述预测位置信息作为输入,针对检测框分配跟踪器;
步骤6:初始化Kalman滤波器,使用Kalman滤波预测目标在当前帧的位置;
步骤7:将步骤4中的无人机目标和步骤6中的预测目标进行匹配计算;
步骤8:更新跟踪器和Kalman滤波器,输出匹配计算结果。
2.如权利要求1所述的基于改进DeepSORT算法的无人机跟踪方法,其特征在于,所述主干网络为融入通道注意力模块和Mish激活函数的ResNet50-vd。
3.如权利要求2所述的基于改进DeepSORT算法的无人机跟踪方法,其特征在于,在将步骤1中产生的视频帧输入到主干网络中提取特征,获得特征图的过程中,所述注意力模块用于捕捉通道间的依赖关系,通过权重分配达到凸显无人机目标的目的,使检测网络共享权重,提升检测精度;所述Mish激活函数消除了ReLU函数在反向传播过程中的梯度消失问题。
4.如权利要求1所述的基于改进DeepSORT算法的无人机跟踪方法,其特征在于,在将所述特征图输入特征金字塔FPN中融合的过程中,将步骤2中输出的特征图输入到特征金字塔FPN中,对各个尺度的图像进行特征提取,产生多尺度的特征表示。
5.如权利要求1所述的基于改进DeepSORT算法的无人机跟踪方法,其特征在于,在收敛模型获得无人机目标的预测位置和置信度信息的过程中,在损失函数的作用下使模型收敛,使用非极大值抑制去除干扰目标,得到无人机目标的预测位置和置信度信息。
6.如权利要求1所述的基于改进DeepSORT算法的无人机跟踪方法,其特征在于,在将步骤4中的无人机目标和步骤6中的预测目标进行匹配计算的过程中,以无人机目标的置信度值为分类匹配计算依据,
如果置信度大于0.7,将无人机目标与预测目标进行级联匹配;
如果置信度小于等于0.7,将无人机目标与预测目标进行IOU匹配。
7.如权利要求6所述的基于改进DeepSORT算法的无人机跟踪方法,其特征在于,所述级联匹配采用无人机外观的余弦距离和马氏距离作为代价矩阵,外观描述部分采用ResNet50替代原有的网络架构,并引入损失函数Margin Loss增加匹配准确度,所述IOU匹配采用匈牙利算法实现。
8.如权利要求1所述的基于改进DeepSORT算法的无人机跟踪方法,其特征在于,在更新跟踪器和Kalman滤波器,输出匹配计算结果的过程中,对匹配成功的目标输出预测框及ID,删除匹配失败的目标轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918288.0A CN113822153A (zh) | 2021-08-11 | 2021-08-11 | 一种基于改进DeepSORT算法的无人机跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918288.0A CN113822153A (zh) | 2021-08-11 | 2021-08-11 | 一种基于改进DeepSORT算法的无人机跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822153A true CN113822153A (zh) | 2021-12-21 |
Family
ID=78913090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110918288.0A Pending CN113822153A (zh) | 2021-08-11 | 2021-08-11 | 一种基于改进DeepSORT算法的无人机跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822153A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222775A (zh) * | 2022-09-15 | 2022-10-21 | 中国科学院长春光学精密机械与物理研究所 | 弱小目标检测跟踪装置及其检测跟踪方法 |
CN115331127A (zh) * | 2022-09-27 | 2022-11-11 | 南京瀚元科技有限公司 | 一种基于注意力机制的无人机移动目标侦测方法 |
CN117268395A (zh) * | 2023-09-20 | 2023-12-22 | 北京自动化控制设备研究所 | 一种无人机地图匹配位置跳变抑制方法 |
CN117315550A (zh) * | 2023-11-29 | 2023-12-29 | 南京市特种设备安全监督检验研究院 | 自动扶梯乘客危险行为的检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262977A1 (en) * | 2008-04-18 | 2009-10-22 | Cheng-Ming Huang | Visual tracking system and method thereof |
CN111488795A (zh) * | 2020-03-09 | 2020-08-04 | 天津大学 | 应用于无人驾驶车辆的实时行人跟踪方法 |
CN111753667A (zh) * | 2020-05-27 | 2020-10-09 | 江苏大学 | 一种基于孪生网络的智能汽车单目标跟踪方法 |
CN112288770A (zh) * | 2020-09-25 | 2021-01-29 | 航天科工深圳(集团)有限公司 | 基于深度学习的视频实时多目标检测与跟踪方法和装置 |
WO2021017291A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质 |
CN112836639A (zh) * | 2021-02-03 | 2021-05-25 | 江南大学 | 基于改进YOLOv3模型的行人多目标跟踪视频识别方法 |
WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
-
2021
- 2021-08-11 CN CN202110918288.0A patent/CN113822153A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262977A1 (en) * | 2008-04-18 | 2009-10-22 | Cheng-Ming Huang | Visual tracking system and method thereof |
WO2021017291A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质 |
WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
CN111488795A (zh) * | 2020-03-09 | 2020-08-04 | 天津大学 | 应用于无人驾驶车辆的实时行人跟踪方法 |
CN111753667A (zh) * | 2020-05-27 | 2020-10-09 | 江苏大学 | 一种基于孪生网络的智能汽车单目标跟踪方法 |
CN112288770A (zh) * | 2020-09-25 | 2021-01-29 | 航天科工深圳(集团)有限公司 | 基于深度学习的视频实时多目标检测与跟踪方法和装置 |
CN112836639A (zh) * | 2021-02-03 | 2021-05-25 | 江南大学 | 基于改进YOLOv3模型的行人多目标跟踪视频识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222775A (zh) * | 2022-09-15 | 2022-10-21 | 中国科学院长春光学精密机械与物理研究所 | 弱小目标检测跟踪装置及其检测跟踪方法 |
CN115331127A (zh) * | 2022-09-27 | 2022-11-11 | 南京瀚元科技有限公司 | 一种基于注意力机制的无人机移动目标侦测方法 |
CN117268395A (zh) * | 2023-09-20 | 2023-12-22 | 北京自动化控制设备研究所 | 一种无人机地图匹配位置跳变抑制方法 |
CN117268395B (zh) * | 2023-09-20 | 2024-05-03 | 北京自动化控制设备研究所 | 一种无人机地图匹配位置跳变抑制方法 |
CN117315550A (zh) * | 2023-11-29 | 2023-12-29 | 南京市特种设备安全监督检验研究院 | 自动扶梯乘客危险行为的检测方法 |
CN117315550B (zh) * | 2023-11-29 | 2024-02-23 | 南京市特种设备安全监督检验研究院 | 自动扶梯乘客危险行为的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822153A (zh) | 一种基于改进DeepSORT算法的无人机跟踪方法 | |
CN106845487B (zh) | 一种端到端的车牌识别方法 | |
CN107529650B (zh) | 闭环检测方法、装置及计算机设备 | |
CN111598030A (zh) | 一种航拍图像中车辆检测和分割的方法及系统 | |
CN111832393B (zh) | 一种基于深度学习的视频目标检测方法与装置 | |
CN114359851A (zh) | 无人驾驶目标检测方法、装置、设备及介质 | |
CN112395951A (zh) | 一种面向复杂场景的域适应交通目标检测与识别方法 | |
CN111476133B (zh) | 面向无人驾驶的前背景编解码器网络目标提取方法 | |
Cho et al. | Semantic segmentation with low light images by modified CycleGAN-based image enhancement | |
CN112036381B (zh) | 视觉跟踪方法、视频监控方法及终端设备 | |
CN111368634B (zh) | 基于神经网络的人头检测方法、系统及存储介质 | |
CN110310305A (zh) | 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置 | |
Cao et al. | Learning spatial-temporal representation for smoke vehicle detection | |
CN112418032A (zh) | 一种人体行为识别方法、装置、电子设备及存储介质 | |
CN111027472A (zh) | 一种基于视频光流和图像空间特征权重融合的视频识别方法 | |
Du et al. | Adaptive visual interaction based multi-target future state prediction for autonomous driving vehicles | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
CN113011308A (zh) | 一种引入注意力机制的行人检测方法 | |
CN116883457A (zh) | 一种基于检测跟踪联合网络和混合密度网络的轻量化多目标跟踪方法 | |
CN112016434A (zh) | 一种基于注意力机制3d残差网络的镜头运动识别方法 | |
US20230154157A1 (en) | Saliency-based input resampling for efficient object detection | |
CN116311518A (zh) | 一种基于人体交互意图信息的层级人物交互检测方法 | |
Nag et al. | ARCN: a real-time attention-based network for crowd counting from drone images | |
CN115409991A (zh) | 目标识别方法、装置、电子设备和存储介质 | |
CN115331127A (zh) | 一种基于注意力机制的无人机移动目标侦测方法 |
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 |