CN115511921A - 一种基于级联匹配的高精度实时抛物轨迹生成方法 - Google Patents

一种基于级联匹配的高精度实时抛物轨迹生成方法 Download PDF

Info

Publication number
CN115511921A
CN115511921A CN202210907997.3A CN202210907997A CN115511921A CN 115511921 A CN115511921 A CN 115511921A CN 202210907997 A CN202210907997 A CN 202210907997A CN 115511921 A CN115511921 A CN 115511921A
Authority
CN
China
Prior art keywords
identification
matching
frame
picture
tracker
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
CN202210907997.3A
Other languages
English (en)
Inventor
林志坤
段立新
张神力
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 Tianhai Chenguang Technology Co ltd
Original Assignee
Shenzhen Tianhai Chenguang 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 Tianhai Chenguang Technology Co ltd filed Critical Shenzhen Tianhai Chenguang Technology Co ltd
Priority to CN202210907997.3A priority Critical patent/CN115511921A/zh
Publication of CN115511921A publication Critical patent/CN115511921A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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

Abstract

本发明公开了一种基于级联匹配的高精度实时抛物轨迹生成方法，其改进之处在于包括以下步骤：S10.获取一张视频监控区域图片，划分出识别区域；S20.对视频流解码获取每张单帧图片，对每张单帧图片的识别区域使用前景建模算法，识别出移动物体；S30.对移动物体使用联通区域合并算法，最大联通区域取最大外接矩形得到运动目标的识别框；S40.为每个识别框构建跟踪器并对跟踪器构建速度模型，获取X方向和Y方向上的速度和加速度；S50.对每个跟踪器基于速度和加速度进行卡尔曼预测得到预测的识别框轨迹，使用预测的识别框和所有跟踪器的识别框进行基于IOU交集的匹配；S60.获取所有匹配上的跟踪器的跟踪结果。基于级联匹配的轨迹生成方法，提高了轨迹生成的完整性。

Description

一种基于级联匹配的高精度实时抛物轨迹生成方法
技术领域
本发明涉及图像识别技术领域，具体地说，本发明涉及一种基于级联匹配的高精度实时抛物轨迹生成方法。
背景技术
传统的高空抛物轨迹生成算法受限于环境、各类干扰因素和时效性等等，会导致轨迹生成难、轨迹不连续和轨迹匹配难等问题，轨迹难以生成对高空抛物监测起到影响。
发明内容
为了克服现有技术的不足，本发明提供一种可以提高轨迹生成的完整性和准确度的基于级联匹配的高精度实时抛物轨迹生成方法。
本发明解决其技术问题所采用的技术方案是：一种基于级联匹配的高精度实时抛物轨迹生成方法，其改进之处在于包括以下步骤：
S10.获取一张视频监控区域图片，划分出识别区域；
S20.获取监控区域视频流，对视频流解码获取每张单帧图片，对每张单帧图片的识别区域使用前景建模算法，识别出移动物体；
S30.对移动物体使用联通区域合并算法，将靠近的区域合并为一个联通区域，最大联通区域取最大外接矩形得到运动目标的识别框；
S40.为每个识别框构建跟踪器并对跟踪器构建速度模型，获取X方向和Y方向上的速度和加速度；
S50.对每个跟踪器基于速度和加速度进行卡尔曼预测得到预测的识别框轨迹，使用预测的识别框和所有跟踪器的识别框进行基于IOU交集的匹配；
S60.将轨迹方向突变的识别框视为非匹配识别框；
S70.对非匹配识别框进行X方向和Y方向上速度和加速度的匹配，匹配成功则归类于匹配的识别框，未匹配成功则重新构建跟踪器；
S80.对匹配上的跟踪器进行更新并输出跟踪器跟踪的结果，获取所有匹配上的跟踪器的跟踪结果，将轨迹绘制到视频和图片上，输出缓存的视频和图片。
上述技术方案中所述步骤S10中通过以下步骤划分识别区域：
S101.接入视频流解码获取一张监控区域图片；
S102.使用高斯模糊和形态学变化对图片进行去噪；
S103.将图片转为GRAY单通道图；
S104.使用霍夫曼变换分析图片得到多条楼宇边缘的直线；
S105.对检测到的直线按照最近邻算法进行融合生成多个区域；
S106.对生成的区域进行最近邻区域融合得到楼栋区域和非楼栋区域的划分，楼栋区域即识别区域。
上述技术方案中所述步骤S20中前景建模算法为GMM算法。
上述技术方案中所述步骤S80中轨迹绘制之前轨迹进行抛物方向、X方向、Y 方向和方差评估是否合法满足抛物轨迹进行过滤，将符合的轨迹进行绘制。
上述技术方案中所述步骤S50中为每个跟踪器缓存25-50帧识别框结果。
本发明的有益效果是：本发明通过为移动物体创建识别框并建立跟踪器，对每个跟踪器轨迹进行预测，未匹配成功的跟踪器还进一步匹配，提高了轨迹生成的完整性和准确度。
具体实施方式
下面结合实施例对本发明进一步说明。
以下将结合实施例对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
本发明提供了一种基于级联匹配的高精度实时抛物轨迹生成方法，包括以下步骤：
S10.获取一张视频监控区域图片，划分出识别区域。通过以下步骤划分识别区域：
S101.接入视频流解码获取一张监控区域图片。
S102.使用高斯模糊和形态学变化对图片进行去噪。
S103.将图片转为GRAY单通道图。
S104.使用霍夫曼变换分析图片得到多条楼宇边缘的直线。
S105.对检测到的直线按照最近邻算法进行融合生成多个区域。
S106.对生成的区域进行最近邻区域融合得到楼栋区域和非楼栋区域的划分，楼栋区域即识别区域
S20.获取监控区域视频流，对视频流解码获取每张单帧图片，根据步骤S10中划分的识别区域对每张单帧图片的识别区域使用前景建模算法，本实施例中使用的前景建模算法为GMM算法，识别出移动物体。
S30.对移动物体使用联通区域合并算法，将靠近的区域合并为一个联通区域，最大联通区域取最大外接矩形得到运动目标的识别框。
S40.为每个识别框构建跟踪器并对跟踪器构建速度模型，获取X方向和Y方向上的速度和加速度。
S50.对每个跟踪器基于速度和加速度进行卡尔曼预测得到预测的识别框轨迹，使用预测的识别框和所有跟踪器的识别框进行基于IOU交集的匹配，为每个跟踪器缓存30帧识别框结果。
S60.将轨迹方向突变的识别框视为非匹配识别框，排除鸟和飞虫的影响；
S70.对非匹配识别框进行X方向和Y方向上速度和加速度的匹配，匹配成功则归类于匹配的识别框，未匹配成功则重新构建跟踪器。
S80.对匹配上的跟踪器进行更新并输出跟踪器跟踪的结果，获取所有匹配上的跟踪器的跟踪结果，将轨迹绘制到视频和图片上，输出缓存的视频和图片。
所述步骤S80中轨迹绘制之前轨迹进行抛物方向、X方向、Y方向和方差评估是否合法满足抛物轨迹进行过滤，将符合的轨迹进行绘制，对轨迹进一步过滤提高成功率。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种基于级联匹配的高精度实时抛物轨迹生成方法，其特征在于包括以下步骤：
S10.获取一张视频监控区域图片，划分出识别区域；
S20.获取监控区域视频流，对视频流解码获取每张单帧图片，对每张单帧图片的识别区域使用前景建模算法，识别出移动物体；
S30.对移动物体使用联通区域合并算法，将靠近的区域合并为一个联通区域，最大联通区域取最大外接矩形得到运动目标的识别框；
S40.为每个识别框构建跟踪器并对跟踪器构建速度模型，获取X方向和Y方向上的速度和加速度；
S50.对每个跟踪器基于速度和加速度进行卡尔曼预测得到预测的识别框轨迹，使用预测的识别框和所有跟踪器的识别框进行基于IOU交集的匹配；
S60.将轨迹方向突变的识别框视为非匹配识别框；
S70.对非匹配识别框进行X方向和Y方向上速度和加速度的匹配，匹配成功则归类于匹配的识别框，未匹配成功则重新构建跟踪器；
S80.对匹配上的跟踪器进行更新并输出跟踪器跟踪的结果，获取所有匹配上的跟踪器的跟踪结果，将轨迹绘制到视频和图片上，输出缓存的视频和图片。
2.根据权利要求1所述的一种基于级联匹配的高精度实时抛物轨迹生成方法，其特征在于：所述步骤S10中通过以下步骤划分识别区域：
S101.接入视频流解码获取一张监控区域图片；
S102.使用高斯模糊和形态学变化对图片进行去噪；
S103.将图片转为GRAY单通道图；
S104.使用霍夫曼变换分析图片得到多条楼宇边缘的直线；
S105.对检测到的直线按照最近邻算法进行融合生成多个区域；
S106.对生成的区域进行最近邻区域融合得到楼栋区域和非楼栋区域的划分，楼栋区域即识别区域。
3.根据权利要求1所述的一种基于级联匹配的高精度实时抛物轨迹生成方法，其特征在于：所述步骤S20中前景建模算法为GMM算法。
4.根据权利要求1所述的一种基于级联匹配的高精度实时抛物轨迹生成方法，其特征在于：所述步骤S80中轨迹绘制之前轨迹进行抛物方向、X方向、Y方向和方差评估是否合法满足抛物轨迹进行过滤，将符合的轨迹进行绘制。
5.根据权利要求1所述的一种基于级联匹配的高精度实时抛物轨迹生成方法，其特征在于：所述步骤S50中为每个跟踪器缓存25-50帧识别框结果。
CN202210907997.3A 2022-07-29 2022-07-29 一种基于级联匹配的高精度实时抛物轨迹生成方法 Pending CN115511921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210907997.3A CN115511921A (zh) 2022-07-29 2022-07-29 一种基于级联匹配的高精度实时抛物轨迹生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210907997.3A CN115511921A (zh) 2022-07-29 2022-07-29 一种基于级联匹配的高精度实时抛物轨迹生成方法

Publications (1)

Publication Number Publication Date
CN115511921A true CN115511921A (zh) 2022-12-23

Family

ID=84502490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210907997.3A Pending CN115511921A (zh) 2022-07-29 2022-07-29 一种基于级联匹配的高精度实时抛物轨迹生成方法

Country Status (1)

Country Link
CN (1) CN115511921A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597340A (zh) * 2023-04-12 2023-08-15 深圳市明源云科技有限公司 高空抛物位置预测方法、电子设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597340A (zh) * 2023-04-12 2023-08-15 深圳市明源云科技有限公司 高空抛物位置预测方法、电子设备及可读存储介质
CN116597340B (zh) * 2023-04-12 2023-10-10 深圳市明源云科技有限公司 高空抛物位置预测方法、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
US11037305B2 (en) Method and apparatus for processing point cloud data
CN108985186B (zh) 一种基于改进YOLOv2的无人驾驶中行人检测方法
CN112100435B (zh) 一种基于边缘端交通音视频同步样本的自动标注方法
CN110348332B (zh) 一种交通视频场景下机非人多目标实时轨迹提取方法
CN111161325B (zh) 基于卡尔曼滤波与lstm的三维多目标跟踪方法
CN111914698A (zh) 图像中人体的分割方法、分割系统、电子设备及存储介质
CN109255799B (zh) 一种基于空间自适应相关滤波器的目标跟踪方法及系统
CN110309765B (zh) 一种视频运动目标高效检测方法
CN112906812A (zh) 基于带离群点去除的车辆轨迹聚类方法
CN116402850A (zh) 一种面向智能驾驶的多目标跟踪方法
CN115511921A (zh) 一种基于级联匹配的高精度实时抛物轨迹生成方法
CN113763427A (zh) 一种基于从粗到精遮挡处理的多目标跟踪方法
CN110533725B (zh) 一种基于结构推理网络的高铁接触网多种零部件定位方法
CN115423850A (zh) 一种自动过滤晃动目标区域的抗干扰捕获高空抛物方法
CN112508836A (zh) 一种基于标注框拼接的深度学习图像增强方法
CN113689393A (zh) 一种基于图像和点云实例匹配的三维目标检测算法
CN107247967B (zh) 一种基于r-cnn的车窗年检标检测方法
CN111027542A (zh) 一种基于Faster RCNN算法改进的目标检测方法
CN113643206A (zh) 一种奶牛呼吸情况检测方法
CN113378757A (zh) 一种基于时序与频域过滤的物体检测与物体切割算法
CN117315547A (zh) 一种解决动态物体大占比的视觉slam方法
CN113822110A (zh) 一种目标检测的方法和装置
CN112115810A (zh) 基于信息融合的目标识别方法、系统、计算机设备和存储介质
CN117152949A (zh) 一种基于无人机的交通事件识别方法及系统
CN115512263A (zh) 一种面向高空坠物的动态视觉监测方法及装置

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