CN114820707A - 一种用于摄像头目标自动追踪的计算方法 - Google Patents

一种用于摄像头目标自动追踪的计算方法 Download PDF

Info

Publication number
CN114820707A
CN114820707A CN202210449480.4A CN202210449480A CN114820707A CN 114820707 A CN114820707 A CN 114820707A CN 202210449480 A CN202210449480 A CN 202210449480A CN 114820707 A CN114820707 A CN 114820707A
Authority
CN
China
Prior art keywords
target
tracking
camera
value
unit
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
CN202210449480.4A
Other languages
English (en)
Inventor
霍超能
杨成名
朱隆星
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.)
Shenzhen Yizhibo Network Technology Co ltd
Original Assignee
Shenzhen Yizhibo Network Technology Co ltd
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 Shenzhen Yizhibo Network Technology Co ltd filed Critical Shenzhen Yizhibo Network Technology Co ltd
Priority to CN202210449480.4A priority Critical patent/CN114820707A/zh
Publication of CN114820707A publication Critical patent/CN114820707A/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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于摄像头目标自动追踪的计算方法，包括：摄像头对目标颜色的追踪单元、摄像头对目标距离的追踪单元、摄像头对目标形状的追踪单元、追踪目标信息整理单元、终端数据库存储单元，所述摄像头对目标颜色的追踪单元通过对颜色值的色相H、亮度L进行识别判断，得到追踪目标的颜色，所述摄像头对目标距离的追踪单元通过标定数值计算与图像中心位置的实际距离值，得到追踪目标与摄像头之间的实际距离，所述摄像头对目标形状的追踪单元通过标定参数计算当前目标对应的实际大小，所述追踪目标信息整理单元对所得数据进行处理筛选，得出所需目标数据，所述终端数据库存储单元对数据信息进行大数据云端存储，具有良好的市场应用价值。

Description

一种用于摄像头目标自动追踪的计算方法
技术领域
本发明涉及自动追踪领域，具体的说是一种用于摄像头目标自动追踪的计算方法。
背景技术
互联网经济时代，作为计算机视觉领域的一个热点研究方向，目标自动追踪一直都是一项具有挑战性的工作，但是在复杂条件下实现实时准确的跟踪依旧难以实现，因此，为了提高目标追踪的速度和准确性，涌现了大量的目标自动追踪算法，以往的追踪算法在运动目标发生形态变化、尺度变化、图像模糊的时候往往不能完成追踪或导致追踪结果与预期有较大偏差，本发明可以实现实时目标自动追踪，提升用户消费体验，摆脱传统自动追踪算法带来的不便。
发明内容
本发明针对已有的摄像头目标自动追踪算法的不足，提供一种可以减少人力成本，追踪结果更加实时准确的摄像头目标自动追踪的计算。
本发明解决其技术问题所采用的技术方案是：
提供一种用于摄像头自动追踪的计算，包括：摄像头对目标颜色的追踪单元、摄像头对目标距离的追踪单元、摄像头对目标形状的追踪单元、追踪目标信息整理单元、终端数据库存储单元，所述摄像头对目标颜色的追踪单元通过对颜色值的色相H、亮度L进行识别判断，得到追踪目标的颜色，所述摄像头对目标距离的追踪单元通过标定数值计算与图像中心位置的实际距离值，得出摄像头和追踪目标之间的实际距离，所述摄像头对目标形状的追踪单元通过标定参数计算当前目标对应的实际大小，所述追踪目标信息整理单元对所得数据进行处理筛选，得出所需目标数据，所述终端数据库存储单元对数据信息进行大数据云端存储，方便随时对目标信息进行提取。
进一步的，所述摄像头对目标颜色的追踪单元包括对目标颜色值的色相H、亮度L 进行识别判断，获取像素值时，通过对图像进行二值化处理，将实时采集到的图像上的像素 点的灰度值设置为0或255，将整个图像呈现出明显的黑白效果，将256个亮度等级的灰度图 像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像，所有灰度 大于或等于阈值的像素被判定为目标物体，其灰度值为255，其他像素点被排除在目标物体 区域以外，灰度值为0，表示背景或者例外的目标物体区域，设当前景与背景的分割阈值为 t，前景点占图像比列为
Figure 653820DEST_PATH_IMAGE001
，均值为
Figure 821496DEST_PATH_IMAGE002
，背景点占图像比列为
Figure 833314DEST_PATH_IMAGE003
，均值为
Figure 407646DEST_PATH_IMAGE004
，则整个图像的 均值为
Figure 795902DEST_PATH_IMAGE005
，从而建立目标函数
Figure 21347DEST_PATH_IMAGE006
，当g最大时所对应的t为最佳阈值，确定最佳 阈值后，阈值通过RGB三基色进行转化，统计其中有效像素个数及像素点所在图像颜色。
进一步的，所述摄像头对目标距离的追踪单元包括对摄像头的成像区进行标定， 根据直线方程式可得该标点为
Figure 938488DEST_PATH_IMAGE007
，Y代表距离，X代表识别到的像素个数，在被 追踪的图像可视区域内任意位置，自动获取到像素值Xn，通过直线方程算出Xn处距离前方 被追踪的色标的实际距离，用以标明两个点在标准坐标系上的绝对轴距之总和，假设有
Figure 265695DEST_PATH_IMAGE008
和
Figure 192063DEST_PATH_IMAGE009
两个维度，
Figure 272014DEST_PATH_IMAGE010
为确定位置，
Figure 426966DEST_PATH_IMAGE011
为目标位置，那么目标位置与摄像头确定位置的距离为
Figure 225157DEST_PATH_IMAGE012
，通过聚类算法计算两点间的距离，p值的选择比较重要，通过逐 个搜素来查最佳的P值，所有维度上的绝对值差的p次方之和，再开p次方，
Figure 955216DEST_PATH_IMAGE013
，对距离的追踪，在被追踪的色标，其实际大小在所有产品中实际大 小都是出厂时固定的，如在图像中像素值为Xn，则目标的实际距离为：S=
Figure 889674DEST_PATH_IMAGE014
，由此判断摄像头对所追踪目标之间的距离，从而进行实时追踪。
进一步的，所述摄像头对目标形状的追踪单元包括通过标定参数计算当前目标对应的实际大小，首先对被追踪的目标的形状进行设置，在出厂的时候将被追踪的目标的形状设为统一的形状，也能根据具体需求的进行定制形状识别跟踪方式，后续也能由使用者自己设置追踪的形状，相关滤波和深度学习目标跟踪算法可以判断所追踪目标的形状，使用具有鲁棒性的特征，增加算法的精确度，进行必要的模型更新，适应环境的变化，选择强大的分类器，提高算法的性能，每个像素点代表的实际尺寸为色标X方向实际值为RX/Xn，再通过可视区域下面的成像区域识别就能计算出目前区域的实际大小尺寸，通过筛选摄像头下的所有像素，对比分析出和阈值相同的目标形状，进一步对目标进行追踪。
进一步的，所述被追踪的图像目标中心与摄像头的视野中心重合，即表示跟踪结束已完成。由于对摄像头的安装物理位置可能存在摄像头中心，与目标位置中心不在同一水平线上的问题，会导致追踪完成时被追踪的图像目标中心与实际位置的视野中心不重合，导致偏差，进行偏差纠正后即可上传系统，自动追踪目标结束。
进一步的，所述追踪目标信息整理单元包括将所得追踪目标信息进行数据分析， 用主成分分析法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变 量，转化后的这组变量叫主成分，计算相关矩阵，
Figure 430508DEST_PATH_IMAGE015
，进而计算特 征值向量，对X进行线性变换，得到综合变量Y，
Figure 715996DEST_PATH_IMAGE016
， 计算方差，确定主成分，验证主成分分析的基本假设，利用内部引擎加数学算法分析互联网 信息的相关性，分析单元分析缓存单元中的字符串，分析每种字符串出现的频率，对字符串 的出现频率进行排序，将出现频率位于后61.8％的字符串送入缓存单元的异常数据存储部 分，将剩下的字符串提取与其匹配的关键词，将对应的目标信息存入数据库。
进一步的，所述终端数据库储存单元包括包括数据存储和数据管理，所述数据储存包括USB存储接口、云存储，将所述信息接入层的信息通过存储接口保存至系统本地，并通过云存储将所有数据上传云端，对数据进行管理并永久记忆。
与现有技术相比，本发明的有益效果是：
1. 本发明简洁、方便的达到精准成像、精准跟踪的目的，结合颜色识别算法对目标进行颜色、距离、形状的跟踪，实现基本无误差的效果；
2.本发明还可以进行自身的校准，已实现摄像头对于目标偏差的基本消除；
3. 本发明可以对目标进行实时有效的自动追踪，还可以将跟踪到的信息进行分析整理并上传保存至云端，方便后续查看。
附图说明
附图1为本发明一种用于摄像头目标自动追踪的计算方法的架构图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明，附图中给出了本发明的较佳的实施例，但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同，本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。
下面结合附图对本发明作以下详细地说明。
实施例1，如图1所示，一种用于摄像头目标自动追踪的计算方法，包括：摄像头对目标颜色的追踪单元、摄像头对目标距离的追踪单元、摄像头对目标形状的追踪单元、追踪目标信息整理单元、终端数据库存储单元，所述摄像头对目标颜色的追踪单元通过对颜色值的色相H、亮度L进行识别判断，得出追踪目标的颜色，所述摄像头对目标距离的追踪单元通过标定数值计算与图像中心位置的实际距离值，得出摄像头与追踪目标之间的实际距离，所述摄像头对目标形状的追踪单元通过标定参数计算当前目标对应的实际大小，所述追踪目标信息整理单元对所得数据进行处理筛选，得出所需目标数据，所述终端数据库存储单元对数据信息进行大数据云端存储，方便随时对目标信息进行提取。
实施例2，如图1所示，所述摄像头对目标颜色的追踪单元包括对目标颜色值的色 相H、亮度L进行识别判断，获取像素值时，通过对图像进行二值化处理，将实时采集到的图 像上的像素点的灰度值设置为0或255，将整个图像呈现出明显的黑白效果，将256个亮度等 级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图 像，所有灰度大于或等于阈值的像素被判定为目标物体，其灰度值为255，其他像素点被排 除在目标物体区域以外，灰度值为0，表示背景或者例外的目标物体区域，设当前景与背景 的分割阈值为t，前景点占图像比列为
Figure 984166DEST_PATH_IMAGE001
，均值为
Figure 38710DEST_PATH_IMAGE002
，背景点占图像比列为
Figure 750445DEST_PATH_IMAGE003
，均值为
Figure 257649DEST_PATH_IMAGE004
， 则整个图像的均值为
Figure 329511DEST_PATH_IMAGE005
，从而建立目标函数
Figure 504140DEST_PATH_IMAGE006
，当g最大时所对应的t为最佳阈值，确定最佳 阈值后，阈值通过RGB三基色进行转化，统计其中有效像素个数及像素点所在图像颜色。
在本实施例中，所述摄像头对目标颜色追踪单元采用优秀的颜色识别算法对追踪目标的颜色进行确定，对图像进行二值化处理，统计有效像素个数。
实施例3，如图1所示，所述摄像头对目标距离的追踪单元包括对摄像头的成像区 进行标定，根据直线方程式可得该标点为
Figure 121197DEST_PATH_IMAGE007
，Y代表距离，X代表识别到的像素 个数，在被追踪的图像可视区域内任意位置，自动获取到像素值Xn，通过直线方程算出Xn处 距离前方被追踪的色标的实际距离，用以标明两个点在标准坐标系上的绝对轴距之总和， 假设有
Figure 381277DEST_PATH_IMAGE008
和
Figure 991250DEST_PATH_IMAGE009
两个维度，
Figure 223648DEST_PATH_IMAGE010
为确定位置，
Figure 260875DEST_PATH_IMAGE011
为目标位置，那么目标位置与摄像头确定位置 的距离为
Figure 758983DEST_PATH_IMAGE012
，通过聚类算法计算两点间的距离，p值的选择比较重 要，通过逐个搜素来查最佳的P值，所有维度上的绝对值差的p次方之和，再开p次方，
Figure 172647DEST_PATH_IMAGE013
，对距离的追踪，在被追踪的色标，其实际大小在所有产品中实际大 小都是出厂时固定的，如在图像中像素值为Xn，则目标的实际距离为：S=
Figure 56289DEST_PATH_IMAGE014
，由此判断摄像头对所追踪目标之间的距离，从而进行实时追踪。
在本实施例中，摄像头对目标距离的追踪单元通过维度坐标对成像区进行标定，并判断目标对摄像头之间实际距离，确保追踪的实时性。
实施例4，如图1所示，所述摄像头对目标形状的追踪单元包括通过标定参数计算当前目标对应的实际大小，首先对被追踪的目标的形状进行设置，在出厂的时候将被追踪的目标的形状设为统一的形状，也能根据具体需求的进行定制形状识别跟踪方式，后续也能由使用者自己设置追踪的形状，相关滤波和深度学习目标跟踪算法可以判断所追踪目标的形状，使用具有鲁棒性的特征，增加算法的精确度，进行必要的模型更新，适应环境的变化，选择强大的分类器，提高算法的性能，每个像素点代表的实际尺寸为色标X方向实际值为RX/Xn，再通过可视区域下面的成像区域识别就能计算出目前区域的实际大小尺寸，通过筛选摄像头下的所有像素，对比分析出和阈值相同的目标形状，进一步对目标进行追踪。
在本实施例中，摄像头对目标形状的追踪单元为了确保追踪目标的准确性，使用具有鲁棒性的特征，根据滤波和实际像素点的尺寸对目标形状进行确立。
实施例5，如图1所示，所述被追踪的图像目标中心与摄像头的视野中心重合，即表示跟踪结束已完成。由于对摄像头的安装物理位置可能存在摄像头中心，与目标位置中心不在同一水平线上的问题，会导致追踪完成时被追踪的图像目标中心与实际位置的视野中心不重合，导致偏差，进行偏差纠正后即可上传系统，自动追踪目标结束。
在本实施例中，在追踪目标与摄像头事业内目标完全吻合时，代表追踪结束，继续通过自身算法与坐标系对目标进一步校准，进行偏差纠正，确保其准确性。
实施例6，如图1所示，所述追踪目标信息整理单元包括将所得追踪目标信息进行 数据分析，用主成分分析法，通过正交变换将一组可能存在相关性的变量转换为一组线性 不相关的变量，转化后的这组变量叫主成分，计算相关矩阵，
Figure 529996DEST_PATH_IMAGE015
，进而计算特征值向量，对X进行线性变换，得到综合变量Y，
Figure 249821DEST_PATH_IMAGE016
，计算方差，确定主成分，验证主成分分析的基 本假设，利用内部引擎加数学算法分析互联网信息的相关性，分析单元分析缓存单元中的 字符串，分析每种字符串出现的频率，对字符串的出现频率进行排序，将出现频率位于后 61.8％的字符串送入缓存单元的异常数据存储部分，将剩下的字符串提取与其匹配的关键 词，将对应的目标信息存入数据库。
在本实施例中，所述追踪目标信息整理单元通过相关分析等数学算法对数据进行分析，得出追踪目标的相关性，确定信息后导入数据库。
实施例7，如图1所示，所述终端数据库储存单元包括包括数据存储和数据管理，所述数据储存包括USB存储接口、云存储，将所述信息接入层的信息通过存储接口保存至系统本地，并通过云存储将所有数据上传云端，对数据进行管理并永久记忆。
在本实施例中，所述终端数据库储存单元起到储存数据的作用，将数据进行压缩、组成待执行的数据库字符串，用户可以随时追踪目标信息，并将数据永久保存。
本发明的工作原理：一种用于摄像头目标自动追踪的计算方法，通过优秀的颜色识别算法对所追踪目标的颜色、距离、形状同时分析，以确保跟踪的实时性和准确性，在正确跟踪目标后，自身可以根据情况进行自我校准，可以在多种环境下完成对目标的追踪，完成目标追踪后，将目标信息进行整理分析并上传至云端数据库，方便对目标信息进行提取查看，构建一个完整的摄像头目标自动追踪的算法。
要说明的是，上述各技术特征继续相互组合，形成未在上面列举的各种实施例，均视为本发明说明书记载的范围；并且，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种用于摄像头目标自动追踪的计算方法，其特征在于，包括：摄像头对目标颜色的追踪单元、摄像头对目标距离的追踪单元、摄像头对目标形状的追踪单元、追踪目标信息整理单元、终端数据库存储单元，所述摄像头对目标颜色的追踪单元通过对颜色值的色相H、亮度L进行识别判断，得到追踪目标的颜色，所述摄像头对目标距离的追踪单元通过标定数值计算与图像中心位置的实际距离值，得出摄像头与所述追踪目标的实际距离，所述摄像头对目标形状的追踪单元通过标定参数计算当前目标对应的实际大小，所述追踪目标信息整理单元对所得数据进行处理筛选，得出所需目标数据，所述终端数据库存储单元对数据信息进行大数据云端存储，方便随时对目标信息进行提取。
2.根据权利要求1所述的一种用于摄像头目标自动追踪的计算方法，其特征在于，所述 摄像头对目标颜色的追踪单元包括对目标颜色值的色相H、亮度L进行识别判断，获取像素 值时，通过对图像进行二值化处理，将实时采集到的图像上的像素点的灰度值设置为0或 255，将整个图像呈现出明显的黑白效果，将256个亮度等级的灰度图像通过适当的阈值选 取而获得仍然可以反映图像整体和局部特征的二值化图像，所有灰度大于或等于阈值的像 素被判定为目标物体，其灰度值为255，其他像素点被排除在目标物体区域以外，灰度值为 0，表示背景或者例外的目标物体区域，设当前景与背景的分割阈值为t，前景点占图像比列 为
Figure 452482DEST_PATH_IMAGE001
，均值为
Figure 353442DEST_PATH_IMAGE002
，背景点占图像比列为
Figure 525928DEST_PATH_IMAGE003
，均值为
Figure 588562DEST_PATH_IMAGE004
，则整个图像的均值为
Figure 728557DEST_PATH_IMAGE005
，从而建立目标函数
Figure 433208DEST_PATH_IMAGE006
，当g最大时所对应的t为最佳阈值，确定最佳 阈值后，阈值通过RGB三基色进行转化，统计其中有效像素个数及像素点所在图像颜色。
3.根据权利要求1所述的一种用于摄像头目标自动追踪的计算方法，其特征在于，所述 摄像头对目标距离的追踪单元包括对摄像头的成像区进行标定，根据直线方程式可得该标 点为
Figure 522517DEST_PATH_IMAGE007
，Y代表距离，X代表识别到的像素个数，在被追踪的图像可视区域内任 意位置，自动获取到像素值Xn，通过直线方程算出Xn处距离前方被追踪的色标的实际距离， 用以标明两个点在标准坐标系上的绝对轴距之总和，假设有
Figure 21632DEST_PATH_IMAGE008
和
Figure 648922DEST_PATH_IMAGE009
两个维度，
Figure 642417DEST_PATH_IMAGE010
为确定 位置，
Figure 38763DEST_PATH_IMAGE011
为目标位置，那么目标位置与摄像头确定位置的距离为
Figure 708779DEST_PATH_IMAGE012
， 通过聚类算法计算两点间的距离，p值的选择比较重要，通过逐个搜素来查最佳的P值，所有 维度上的绝对值差的p次方之和，再开p次方，
Figure 557787DEST_PATH_IMAGE013
，对距离的追踪，在被 追踪的色标，其实际大小在所有产品中实际大小都是出厂时固定的，如在图像中像素值为 Xn，则目标的实际距离为：S=
Figure 89393DEST_PATH_IMAGE014
，由此判断摄像头对所追踪目标之间的 距离，从而进行实时追踪。
4.根据权利要求1所述的一种用于摄像头目标自动追踪的计算方法，其特征在于，所述摄像头对目标形状的追踪单元包括通过标定参数计算当前目标对应的实际大小，首先对被追踪的目标的形状进行设置，在出厂的时候将被追踪的目标的形状设为统一的形状，也能根据具体需求的进行定制形状识别跟踪方式，后续也能由使用者自己设置追踪的形状，相关滤波和深度学习目标跟踪算法可以判断所追踪目标的形状，使用具有鲁棒性的特征，增加算法的精确度，进行必要的模型更新，适应环境的变化，选择强大的分类器，提高算法的性能，每个像素点代表的实际尺寸为色标X方向实际值为RX/Xn，再通过可视区域下面的成像区域识别就能计算出目前区域的实际大小尺寸，通过筛选摄像头下的所有像素，对比分析出和阈值相同的目标形状，进一步对目标进行追踪。
5.根据权利要求1所述的一种用于摄像头目标自动追踪的计算方法，其特征在于，所述被追踪的图像目标中心与摄像头的视野中心重合，即表示跟踪结束已完成，由于对摄像头的安装物理位置可能存在摄像头中心，与目标位置中心不在同一水平线上的问题，会导致追踪完成时被追踪的图像目标中心与实际位置的视野中心不重合，导致偏差，进行偏差纠正后即可上传系统，自动追踪目标结束。
6.根据权利要求1所述的一种用于摄像头目标自动追踪的计算方法，其特征在于，所述 追踪目标信息整理单元包括将所得追踪目标信息进行数据分析，用主成分分析法，通过正 交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转化后的这组变量叫 主成分，计算相关矩阵，
Figure 402563DEST_PATH_IMAGE015
，进而计算特征值向量，对X进 行线性变换，得到综合变量Y，
Figure 243480DEST_PATH_IMAGE016
Figure 596095DEST_PATH_IMAGE017
，计算方 差，确定主成分，验证主成分分析的基本假设，利用内部引擎加数学算法分析互联网信息的 相关性，分析单元分析缓存单元中的字符串，分析每种字符串出现的频率，对字符串的出现 频率进行排序，将出现频率位于后61.8％的字符串送入缓存单元的异常数据存储部分，将 剩下的字符串提取与其匹配的关键词，将对应的目标信息存入数据库。
7.根据权利要求1所述的一种用于摄像头目标自动追踪的计算方法，其特征在于，所述终端数据库储存单元包括包括数据存储和数据管理，所述数据储存包括USB存储接口、云存储，将所述信息接入层的信息通过存储接口保存至系统本地，并通过云存储将所有数据上传云端，对数据进行管理并永久记忆。
CN202210449480.4A 2022-04-27 2022-04-27 一种用于摄像头目标自动追踪的计算方法 Pending CN114820707A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210449480.4A CN114820707A (zh) 2022-04-27 2022-04-27 一种用于摄像头目标自动追踪的计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210449480.4A CN114820707A (zh) 2022-04-27 2022-04-27 一种用于摄像头目标自动追踪的计算方法

Publications (1)

Publication Number Publication Date
CN114820707A true CN114820707A (zh) 2022-07-29

Family

ID=82508064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210449480.4A Pending CN114820707A (zh) 2022-04-27 2022-04-27 一种用于摄像头目标自动追踪的计算方法

Country Status (1)

Country Link
CN (1) CN114820707A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116866719A (zh) * 2023-07-12 2023-10-10 山东恒辉软件有限公司 一种基于图像识别的高清视频内容智能分析处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116866719A (zh) * 2023-07-12 2023-10-10 山东恒辉软件有限公司 一种基于图像识别的高清视频内容智能分析处理方法
CN116866719B (zh) * 2023-07-12 2024-02-02 山东恒辉软件有限公司 一种基于图像识别的高清视频内容智能分析处理方法

Similar Documents

Publication Publication Date Title
CN111797653B (zh) 基于高维图像的图像标注方法和装置
JP4868530B2 (ja) 画像認識装置
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
US9418426B1 (en) Model-less background estimation for foreground detection in video sequences
CN110546651B (zh) 用于识别对象的方法、系统和计算机可读介质
CN110991389B (zh) 判断目标行人在非重叠相机视角中出现的匹配方法
CN112862757A (zh) 一种基于计算机视觉技术的重量评估系统及实现方法
CN109492525B (zh) 一种测量基站天线工程参数的方法
CN105184771A (zh) 一种自适应运动目标检测系统及检测方法
JP4901229B2 (ja) 赤目検出方法および装置並びにプログラム
CN108154496B (zh) 一种适用于电力作业机器人的电力设备外观变化识别方法
CN112348018A (zh) 基于巡检机器人的数显式仪表读数识别方法
CN114359323A (zh) 一种基于视觉注意机制的图像目标区域检测方法
CN114241438B (zh) 一种基于先验信息的交通信号灯快速精确的识别方法
CN111709305A (zh) 一种基于局部图像块的人脸年龄识别方法
CN109344758B (zh) 基于改进局部二值模式的人脸识别方法
CN114820707A (zh) 一种用于摄像头目标自动追踪的计算方法
CN111274964A (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
Tan et al. Gesture segmentation based on YCb'Cr'color space ellipse fitting skin color modeling
CN113269136B (zh) 一种基于triplet loss的离线签名验证方法
Balcilar et al. Moving object detection using Lab2000HL color space with spatial and temporal smoothing
KR20030091471A (ko) ＹＣｒＣｂ 칼라 기반 얼굴 영역 추출 방법
CN113963295A (zh) 视频片段中地标识别方法、装置、设备及存储介质
CN111563536A (zh) 一种基于机器学习的竹条颜色自适应分类方法
CN111539329A (zh) 一种自适应的变电站指针仪表识别方法

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