CN113994381A - 检测移动物体的方法 - Google Patents

检测移动物体的方法 Download PDF

Info

Publication number
CN113994381A
CN113994381A CN202080041150.0A CN202080041150A CN113994381A CN 113994381 A CN113994381 A CN 113994381A CN 202080041150 A CN202080041150 A CN 202080041150A CN 113994381 A CN113994381 A CN 113994381A
Authority
CN
China
Prior art keywords
image
bounding box
pixels
optical flow
diff
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
CN202080041150.0A
Other languages
English (en)
Inventor
F·马希
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.)
Edge Co Srl
Original Assignee
Edge Co Srl
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 Edge Co Srl filed Critical Edge Co Srl
Publication of CN113994381A publication Critical patent/CN113994381A/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
    • G06T7/246—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种检测移动物体的方法，包括以下步骤：从所观察的空间的视频中提取至少一个第一图像(f1)和至少一个第二图像(f2)；检测第一图像(f1)中和第二图像(f2)中的角点；使用识别出的点，提取至少一个特征向量；识别第一图像(f1)中和第二图像(f2)中对应的点；确定单应性，以在第一图像(f1)和第二图像(f2)之间进行图像配准；基于单应性应用第二图像(f2)的扭曲处理以获得扭曲的第二图像(f2_w)；计算扭曲的第二图像(F2_w)和第一图像(f1)之间的各个像素的差异，以识别不同的像素；通过将扭曲的第二图像(F2_w)与第一图像(f1)进行比较，获得第三图像(diff)；针对每组相邻像素在第三图像(diff)中识别边界框(bb)；基于第一图像(f1)和扭曲的第二图像(f2w)计算光流；从光流中提取与光流的幅度对应的矩阵(mag)；对于第三图像(diff)上绘制的每个边界框(bb)，检查检测到的像素组的光流幅度是否大于周围像素的平均幅度；如果光流幅度不大于周围像素的平均幅度，那么丢弃边界框(bb)；对于第三图像(diff)上绘制的每个边界框(bb)使用斑点检测器；如果没有斑点，那么丢弃边界框(bb)；以及将物体的检测分配给未丢弃的边界框(bb)。

Description

检测移动物体的方法
技术领域
本发明涉及一种检测移动物体的方法。
背景技术
当前已知使用“运动检测”算法来检测移动物体的各种方法。这些算法基于计算机视觉技术，使用相机拍摄的视频作为其起始点。
相机通常是固定的。它们的帧可以变化，但它们不能靠近物体移动。为了移动更靠近或跟随移动的物体，可以使用无人机，也就是说从地面无线电控制的小型飞机。
如今，无人机具有各种应用：安全和跟踪、环境和建筑监视、遥感、在分析发射或反射的电磁辐射后收集特定领土的定性和定量数据，以及录像。录像具体而言使得能够检测在无人机附近移动的物体。
用于检测移动物体的一个有趣的应用是自动检测和监视空间或区域中的鸟类，诸如监视机场周围的鸟类生活以提高飞行安全性。
通常，通过让配备有诸如望远镜或双筒望远镜之类的观察系统的人员注视观察空间来监视所观察的空间或区域中鸟类的存在。这些方法不允许完全自动化地检测观察空间中的鸟类。此外，现场人员的观察具有很大的主观性，并受诸如人员本身的准备和知识水平之类的参数的制约。
目前，还存在用于检测鸟类的雷达系统。
这些雷达系统需要高度专业的人员来解释信息和维护，因此成本非常高。
最近，已经开发了基于计算机视觉技术的监视方法，其中在观察空间附近放置的一个或多个相机拍摄的视频中检测鸟类。目前，存在使用光流技术检测移动物体的计算机视觉算法，其主要用于估计视频中两个连续帧之间的运动。
但是，基于这些已知算法的方法具有局限性。例如，这样的方法无法检测到相对于可能其实是由视频压缩引起的图像伪影而言尺寸较小的移动物体。此外，这些方法无法最佳处理由移动相机(诸如，附接到无人机的相机)捕获的视频。事实上，在大多数基于光流的检测方法中，相对于前景物体(其移动)使用标准背景(其不移动)。在移动设备的情况下，背景和前景都在移动，因此即使不是不可能，也很难重新创建标准背景来进行检测，尤其是在物体非常小的情况下。
发明内容
本发明的目的是改进视频中移动物体的检测，从而使其更加可靠。
本发明的另一个目的是即使在使用由诸如视频相机之类的移动设备拍摄的电影作为起始点的情况下也能够进行检测。
由于具有权利要求1中限定的特征的检测移动物体的方法，本发明实现了这些目的。
该方法使得能够可靠地识别有效运动的物体，即使该物体很小。此外，它不需要创建标准背景。移动的物体可以被也在运动的相机检测到，然后该相机可以移动更靠近物体，从而使检测更加可靠。
有利的是，使用低通滤波器去除从第一图像和扭曲的第二图像之间的差异获得的图像中存在的高频，和/或对该图像应用阈值来识别扭曲的第二图像和第一图像之间不同的像素。
在优选实施例中，对于每个未丢弃的边界框，沿着参考轴X和Y提取两个轮廓，检查两个轮廓之间的对齐并且丢弃具有未对齐轮廓的任何边界框。
这些步骤使得能够限制“假阳性”，即，可能不感兴趣的移动物体(诸如树枝)被归类为感兴趣的物体(诸如鸟类)的情况。
附图说明
本发明的其它优点和特征将从以下参考附图的详细描述中变得更加清楚，附图示出了非限制性实施例，其中：
图1示出了根据本发明的方法的优选实施例的示图；
图2示出了其中已经检测到边缘和角的图像；
图3示出了其中识别出对应的点的两个连续的图像；
图4示出了应用阈值处理后的图像；
图5示出了其上应用了边界框的图像；
图6示出了从两个边界框中提取轮廓。
具体实施方式
图1示出了根据本发明的方法的优选实施例的示图。
检测移动物体的方法需要制作所要观察的空间的影片(或视频)。
根据本发明，检测方法包括步骤1：从影片中提取至少一个第一图像(f1)和至少一个第二图像(f2)。
构成视频的图像(帧)是彩色的并且由像素组成。具体而言，分辨率为1280×720像素，其中可变帧速率在每秒24到60帧之间。
优选地，第二图像(f2)与第一图像(f1)连续。
在步骤2中，在第一图像(f1)中和第二图像(f2)中检测到角点。具体而言，在步骤2中，在第一图像(f1)中和第二图像(f2)中检测到一系列边缘和角点。角是指两条或更多条边缘的交点。
有利的是，通过应用用于角检测的FAST(来自加速段测试的特征)算法来检测点。
图2示出了应用于其中每个圆圈对应于一个兴趣点的帧的FAST算法。
在步骤3中，特征向量——即，描述物体特征的n维向量——使用识别出的点进行提取；具体而言，为识别出的每个点提取一个特征向量。有利的是，使用BRISK(二进制鲁棒不变可扩展关键点)描述符，它是缩放和旋转不变的；该属性适用于场景可能因记录设备的移动而发生缩放和旋转变化的情况，诸如安装在无人机上的相机。
在步骤4中，在第一图像(f1)中和第二图像(f2)中识别对应的点。例如，通过在从两个帧(f1)、(f2)中提取的描述符和点之间使用KNN(k-最近邻)算法进行匹配，以识别两个场景中对应的点。图3示出了在两个连续帧的点之间识别出的匹配，其中帧中识别出的每个点都通过段连接到下一帧中对应的点。
一旦已识别出匹配，它们将在步骤5中用于估计单应性，即，使得能够在第一图像(f1)和第二图像(f2)之间进行配准的几何变换；换句话说，从两个不同的视点对齐/重叠构成同一场景的两个图像。
在步骤6中，基于单应性对第二图像(f2)数字地应用扭曲处理(warping)，以获得扭曲的第二图像(f2_w)。
在步骤7中，在扭曲的第二图像(f2_w)和第一图像(f1)之间计算各个像素的差异，以识别不同的像素。
因此通过将扭曲的第二图像(F2_w)与第一图像(f1)进行比较来获得第三图像(diff)。
具体而言，通过在扭曲的第二图像(f2_w)和第一图像(f1)之间计算各个像素的差异，从扭曲的第二图像(f2_w)和第一图像(f1)之间的比较中获得第三图像(diff)以识别不同的像素。
优选地，在步骤8中，对于从扭曲的第二图像(f2_w)和第一图像(f1)之间的差异获得的图像(diff)，使用低通滤波器(LP)去除图像中存在的可能由于图像压缩引起的伪影造成的高频。
在优选实施例中，在步骤9中进行阈值处理以确定两帧之间不同的像素。
阈值处理是一种图像分割处理，它采用灰度图像并返回黑白二值图像。
有利的是，使用Otsu的图像直方图(TH)的自动阈值处理方法，该方法以图形方式示出数字图像的色调分布。该方法假设阈值处理图像中只存在两个类，从而通过最小化类内方差来计算分离这两个类的最佳阈值。
图4示出了阈值处理后的图像，其中场景中差异最大的像素被示出为黑色，而没有变化的像素为白色。
步骤8和9可以不存在、可以只存在其中之一、或者它们两者都可以存在。
在优选实施例中，存在步骤9。
根据本发明，在步骤10(寻找周线(contour))中，在第三图像(diff)中或在通过阈值处理或通过应用滤波器而获得的图像中识别与各组相邻像素相关的所有周线(边界框)。图5示出了在识别出的周线上印有矩形(边界框)的图像。具体而言，对于具有高于阈值的图像差异值的每组邻近(contiguous)像素，在第三图像(diff)中识别出边界框(bb)。
根据本发明，在步骤11中，基于第一图像(f1)和扭曲的第二图像(f2_w)计算光流。
具体而言，光流是通过将扭曲的第二图像(F2_w)与第一图像(f1)进行比较来计算的，如图1中所示。
步骤11可以与步骤8-步骤10同时、在步骤8-步骤10之前或在在步骤8-步骤10之后。
在有利的实施例中，使用
Figure BDA0003390279600000051
方法计算光流。这种方法在Gunnar
Figure BDA0003390279600000052
的文章“Two-Frame Motion Estimation Based on Polynomial Expansion”中描述。
从光流中，提取与光流的幅度对应的矩阵(mag)。
提取出的矩阵可以被视为图像，其中使用不同的颜色来指示光流的幅度。
有利的实施例包括步骤12，其中，对于提取出的每个边界框(bb)，检查矩形的面积和边之间的比率以确保识别出的元素不会太小或太大，并且像素的布置不会太长。
如果该条件不满足，那么丢弃边界框(bb)。
根据本发明，在步骤13中，对于在第三图像(diff)上绘制的每个边界框(bb)，检查检测到的像素组(其可以是感兴趣的物体)的光流幅度(与运动的幅度对应)是否大于周围像素的光流的平均幅度(即，它们是否正在相对于也可能在移动的背景元素不同地移动)。这允许确定检测到的像素组是否以与背景元素不同的方式移动。如果该组相邻像素的光流幅度——与潜在的感兴趣的物体的幅度对应——不大于周围像素的平均幅度，那么丢弃边界框(bb)。
在步骤14中，将斑点(blob)检测器应用于每个边界框(bb)以识别构成第三图像(diff)的一部分的每个单独的边界框(bb)内的斑点的存在；即，图像中其属性(诸如亮度或颜色)与环境相比有所不同的点和/或区域。
在步骤15中，如果没有斑点，那么丢弃边界框(bb)。
优选地，即使存在多于一个斑点，也丢弃边界框(bb)，而只有一个斑点的边界框(bb)被认为是有效检测。
有利的实施例包括步骤16，其中对于每个未丢弃的边界框(bb)沿着参考轴X和Y提取两个轮廓。这是通过沿着图像的两个轴添加像素的值来完成的。然后，在步骤17中，检查两个轮廓是否很好地对齐，以验证斑点是否为凸。如果轮廓未对齐，那么丢弃边界框(bb)。
图6示出了轮廓提取的两个示例：在第一示例中，在左侧，两个轮廓未对齐，因此边界框(bb)被丢弃，而在第二示例中，在右侧，轮廓验证给出了肯定的结果，因此边界框(bb)被认为是有效检测。
未被丢弃的边界框(bb)被认为是有效检测。
因此，根据本发明的方法允许检测确定的移动物体，即使该物体很小。
此外，由于可以通过以移动相机获取的视频作为起始点来实现，因此允许在移动物体附近拍摄影片，并且因此使得能够检测实际感兴趣的元素。

Claims (12)

1.一种检测移动物体的方法，包括以下步骤：
-从所观察的空间的视频中提取至少一个第一图像(f1)和至少一个第二图像(f2)；
-检测第一图像(f1)中和第二图像(f2)中的角点；
-使用识别出的点，提取至少一个特征向量；具体而言，为每个识别出的点提取一个特征向量；
-识别第一图像(f1)中和第二图像(f2)中对应的点；
-确定单应性，以在第一图像(f1)和第二图像(f2)之间进行图像配准；
-基于单应性应用第二图像(f2)的扭曲处理以获得扭曲的第二图像(f2_w)；
-计算扭曲的第二图像(F2_w)和第一图像(f1)之间的各个像素的差异，以识别不同的像素；
-通过将扭曲的第二图像(F2_w)与第一图像(f1)进行比较，获得第三图像(diff)；
-针对每组相邻像素在第三图像(diff)中识别边界框(bb)；
-基于第一图像(f1)和扭曲的第二图像(f2w)计算光流；
-从光流中提取与光流的幅度对应的矩阵(mag)；
-对于第三图像(diff)上绘制的每个边界框(bb)，检查检测到的像素组的光流幅度是否大于周围像素的平均幅度；
-如果光流幅度不大于周围像素的平均幅度，那么丢弃边界框(bb)；
-对于第三图像(diff)上绘制的每个边界框(bb)使用斑点检测器；
-如果没有斑点，那么丢弃边界框(bb)；以及
-将物体的检测分配给未丢弃的边界框(bb)。
2.根据权利要求1所述的方法，其特征在于，第二图像(f2)与第一图像(f1)连续。
3.根据权利要求1或2所述的方法，其特征在于，在识别第一图像(f1)中和第二图像(f2)中对应的点的步骤中，第一图像(f1)中识别出的每个点被段连接到第二图像(f2)中对应的点。
4.根据权利要求1、2或3所述的方法，其特征在于，在识别边界框(bb)之前，应用低通滤波器以消除第三图像(diff)中存在的高频。
5.根据前述权利要求中任一项所述的方法，其特征在于，在识别边界框(bb)之前，对第三图像(diff)应用阈值处理以突出在第二变形图像(f2_w)和第一图像(f1)之间不同的像素。
6.根据权利要求5所述的方法，其特征在于，使用Otsu的图像直方图的自动阈值处理的方法。
7.根据前述权利要求中任一项所述的方法，其特征在于，使用
Figure FDA0003390279590000021
方法计算光流。
8.根据前述权利要求中任一项所述的方法，其特征在于，为每个边界框(bb)计算矩形的面积和边之间的比率。
9.根据前述权利要求中任一项所述的方法，其特征在于，如果边界框(bb)具有多于一个斑点，那么丢弃所述边界框(bb)。
10.根据前述权利要求中任一项所述的方法，其特征在于，在使用斑点检测器之后，对于每个未丢弃的边界框(bb)，沿着参考轴(X，Y)提取两个轮廓，检查两个外形之间的对齐并且丢弃任何具有未对齐外形的边界框(bb)。
11.根据前述权利要求中任一项所述的方法，其特征在于，视频是由移动设备记录的。
12.一种计算机程序，其特征在于，所述计算机程序包括用于执行根据前述权利要求中的任一项所述的方法步骤的指令。
CN202080041150.0A 2019-06-03 2020-06-01 检测移动物体的方法 Pending CN113994381A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IT102019000007815 2019-06-03
IT102019000007815A IT201900007815A1 (it) 2019-06-03 2019-06-03 Metodo per il rilevamento di oggetti in movimento
PCT/IT2020/050138 WO2020245856A1 (en) 2019-06-03 2020-06-01 Method of detecting moving objects

Publications (1)

Publication Number Publication Date
CN113994381A true CN113994381A (zh) 2022-01-28

Family

ID=67998671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080041150.0A Pending CN113994381A (zh) 2019-06-03 2020-06-01 检测移动物体的方法

Country Status (5)

Country Link
US (1) US20220327716A1 (zh)
EP (1) EP3977408A1 (zh)
CN (1) CN113994381A (zh)
IT (1) IT201900007815A1 (zh)
WO (1) WO2020245856A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11176682B2 (en) * 2019-11-27 2021-11-16 Nvidia Corporation Enhanced optical flow estimation using a varied scan order
CN113327269A (zh) * 2021-05-21 2021-08-31 哈尔滨理工大学 一种无标记颈椎运动检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080273751A1 (en) * 2006-10-16 2008-11-06 Chang Yuan Detection and Tracking of Moving Objects from a Moving Platform in Presence of Strong Parallax
US20140112544A1 (en) * 2011-06-09 2014-04-24 The HongKongUniversity of Science and Technology. Image based tracking
US20160110885A1 (en) * 2014-10-21 2016-04-21 Government Of The United States As Represented By The Secretary Of The Air Force Cloud based video detection and tracking system
US20180268237A1 (en) * 2014-10-01 2018-09-20 Apple Inc. Method and system for determining at least one property related to at least part of a real environment
CN109190581A (zh) * 2018-09-17 2019-01-11 金陵科技学院 图像序列目标检测识别方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7085401B2 (en) * 2001-10-31 2006-08-01 Infowrap Systems Ltd. Automatic object extraction
US8218819B2 (en) * 2009-09-01 2012-07-10 Behavioral Recognition Systems, Inc. Foreground object detection in a video surveillance system
US9147260B2 (en) * 2010-12-20 2015-09-29 International Business Machines Corporation Detection and tracking of moving objects
US9141866B2 (en) * 2013-01-30 2015-09-22 International Business Machines Corporation Summarizing salient events in unmanned aerial videos
US9177224B1 (en) * 2013-03-14 2015-11-03 Amazon Technologies, Inc. Object recognition and tracking
US10002435B2 (en) * 2016-01-29 2018-06-19 Google Llc Detecting motion in images
US10402671B2 (en) * 2016-03-28 2019-09-03 General Dynamics Mission Systems, Inc. System and methods for automatic solar panel recognition and defect detection using infrared imaging
US9972158B2 (en) * 2016-10-01 2018-05-15 Cantaloupe Systems, Inc. Method and device of automatically determining a planogram in vending
US10453204B2 (en) * 2016-12-06 2019-10-22 Adobe Inc. Image alignment for burst mode images
US10861302B2 (en) * 2017-08-17 2020-12-08 Bossa Nova Robotics Ip, Inc. Robust motion filtering for real-time video surveillance
CN111344716B (zh) * 2017-11-14 2024-07-19 奇跃公司 经由单应性变换适应的全卷积兴趣点检测和描述

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080273751A1 (en) * 2006-10-16 2008-11-06 Chang Yuan Detection and Tracking of Moving Objects from a Moving Platform in Presence of Strong Parallax
US20140112544A1 (en) * 2011-06-09 2014-04-24 The HongKongUniversity of Science and Technology. Image based tracking
US20180268237A1 (en) * 2014-10-01 2018-09-20 Apple Inc. Method and system for determining at least one property related to at least part of a real environment
US20160110885A1 (en) * 2014-10-21 2016-04-21 Government Of The United States As Represented By The Secretary Of The Air Force Cloud based video detection and tracking system
CN109190581A (zh) * 2018-09-17 2019-01-11 金陵科技学院 图像序列目标检测识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜军: "基于BRISK特征的图像配准提取与描述研究", 十堰职业技术学院学报, vol. 25, no. 2012, 29 February 2012 (2012-02-29), pages 106 - 109 *

Also Published As

Publication number Publication date
US20220327716A1 (en) 2022-10-13
IT201900007815A1 (it) 2020-12-03
EP3977408A1 (en) 2022-04-06
WO2020245856A1 (en) 2020-12-10

Similar Documents

Publication Publication Date Title
US11727661B2 (en) Method and system for determining at least one property related to at least part of a real environment
US10664706B2 (en) System and method for detecting, tracking, and classifying objects
Gheissari et al. Person reidentification using spatiotemporal appearance
Kong et al. Detecting abandoned objects with a moving camera
KR100879623B1 (ko) Ｐｔｚ 카메라를 이용한 자동화된 광역 감시 시스템 및 그방법
Ahmed et al. A robust algorithm for detecting people in overhead views
Teutsch et al. Robust detection of moving vehicles in wide area motion imagery
Zhou et al. Detecting and tracking small moving objects in wide area motion imagery (wami) using convolutional neural networks (cnns)
Singh et al. Vision-based UAV Detection in Complex Backgrounds and Rainy Conditions
Raj et al. Vacant parking lot detection system using random forest classification
CN113994381A (zh) 检测移动物体的方法
Miller et al. Person tracking in UAV video
Sharma et al. Automatic vehicle detection using spatial time frame and object based classification
EP3044734B1 (en) Isotropic feature matching
US20200394802A1 (en) Real-time object detection method for multiple camera images using frame segmentation and intelligent detection pool
Aziz et al. Features-based moving objects tracking for smart video surveillances: A review
Lee et al. An intelligent video security system using object tracking and shape recognition
RU2809945C2 (ru) Способ обнаружения движущихся объектов
Micheal et al. Comparative analysis of SIFT and SURF on KLT tracker for UAV applications
Bhusal Object detection and tracking in wide area surveillance using thermal imagery
Yesilevskyi et al. Development of a video processing module for the task of air object recognition based on their contours
Walha et al. Moving object detection system in aerial video surveillance
Garibotto et al. 3D scene analysis by real-time stereovision
Kadim et al. Method to detect and track moving object in non-static PTZ camera
Lashkov et al. Computing‐efficient video analytics for nighttime traffic sensing

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