CN116091536A - 一种跟踪目标遮挡判定方法、装置、设备及存储介质 - Google Patents
一种跟踪目标遮挡判定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116091536A CN116091536A CN202111274073.6A CN202111274073A CN116091536A CN 116091536 A CN116091536 A CN 116091536A CN 202111274073 A CN202111274073 A CN 202111274073A CN 116091536 A CN116091536 A CN 116091536A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- template
- similarity
- block
- 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种跟踪目标遮挡判定方法,该方法包括:分别获取模板图像和目标图像的第一、第二图像信息;基于第一、第二图像信息和遮挡判定函数,确定遮挡判定值;其中,遮挡判定函数包括:目标图像与模板图像的第一相似度函数,目标图像与背景图像的第二相似度函数,目标图像尺寸与所述模板图像尺寸之间的变化程度函数;基于遮挡判定值,确定遮挡情况。如此,通过设置融合两种相似度函数及变化程度函数的遮挡判定函数,在进行遮挡情况判定时,将用于判断遮挡情况的多个影响因素结合起来,即将目标图像与模板图像的第一相似度和变化程度值,以及目标图像与背景图像的第二相似度相结合,来确定判断遮挡情况,提高遮挡判定方法的准确性和鲁棒性。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种跟踪目标遮挡判定方法、装置、设备及存储介质。
背景技术
目标跟踪技术是计算机视觉领域的重要技术,其已经广泛应用于智慧交通、智慧安防、军事武器等场景中。在目标跟踪技术中,目标被遮挡时如何实现目标准确跟踪是极为重要的,而准确判断目标是否遮挡则是目标跟踪技术的基础。如当确定目标被遮挡时,需要及时调整跟踪框的尺寸。因此,跟踪目标遮挡判定结果的准确性会影响跟踪框的调整效率,进而影响跟踪效果。然而,现有的跟踪目标遮挡判定方法存在准确率低、鲁棒性差等问题。
发明内容
为解决上述技术问题,本申请实施例期望提供一种跟踪目标遮挡判定方法、装置、设备及存储介质。
本申请的技术方案是这样实现的:
第一方面,提供了一种跟踪目标遮挡判定方法,方法包括:
从视频中确定模板帧,以及所述模板帧中包含跟踪目标的模板图像;
获取所述模板图像的第一图像信息;
对所述视频中当前帧的所述跟踪目标进行跟踪,确定目标图像;
获取所述目标图像的第二图像信息;
基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值;其中,所述遮挡判定函数包括:所述目标图像与所述模板图像的第一相似度函数,所述目标图像与背景图像的第二相似度函数,所述目标图像尺寸与所述模板图像尺寸之间的变化程度函数;所述遮挡判定值大于或者等于第一预设阈值时,确定所述跟踪目标被遮挡。
上述方案中,所述第一图像信息包括:所述模板图像的颜色自相关直方图;所述第二图像信息包括:所述目标图像的颜色自相关直方图;其中,所述颜色自相关直方图包括:预设距离阈值下,整个图像中各个颜色等级的像素个数占所述整个图像像素总数的比例。
上述方案中,所述基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值,包括:将所述第一图像信息和第二图像信息代入所述第一相似度函数,得到第一相似度;将所述第二图像信息代入所述第二相似度函数,得到第二相似度;将所述目标图像尺寸与所述模板图像尺寸代入所述变化程度函数,确定变化程度值;对所述第一相似度与所述第二相似度作差,得到相似度差值;若所述相似度差值大于或等于第二预设阈值,则将所述相似度差值作为所述遮挡判定值;若所述相似度差值小于所述第二预设阈值,则将所述差值相似度与所述变化程度值的乘积作为所述遮挡判定值。
上述方案中,所述第一相似度函数为:
式中,为所述目标图像中预设距离阈值为d时,颜色等级为i的像素个数占整个所述目标图像像素总数的比例;为模板图像中预设距离阈值为d时,颜色等级为i的像素个数占整个所述模板图像像素总数的比例;D为预设距离阈值的集合;q为所述颜色等级的个数。
上述方案中,所述第一图像信息还包括:模板图像尺寸,所述第二图像信息还包括:目标图像尺寸;所述将所述目标图像尺寸与所述模板图像尺寸代入所述变化程度函数,确定变化程度值,包括:基于所述变化程度函数计算所述目标图像尺寸与所述模板图像尺寸相比的尺寸变化率;若所述尺寸变化率大于或等于第三预设阈值,确定所述变化程度值为1;若所述尺寸变化率小于所述第三预设阈值,确定所述变化程度值为0。
上述方案中,所述第二图像信息还包括:所述目标图像中至少一个图像块的颜色自相关直方图,所述图像块的背景块的颜色自相关直方图;
所述第二相似度函数为:
式中,为第j图像块中预设距离阈值为d时,颜色等级为i的像素个数占所述第j图像块像素总数的比例;为第j背景块中预设距离阈值为d时,颜色等级为i的像素个数占所述第j背景块像素总数的比例;D为预设距离阈值的集合;q为所述颜色等级的个数,u为所述图像块的个数。
上述方案中,所述方法还包括:对所述目标图像进行纵向划分,得到第1图像块和第2图像块;其中,所述第1图像块位于所述第2图像块的上部;对所述目标图像进行横向划分,得到第3图像块和第4图像块;其中,所述第3图像块位于所述第4图像块的左部;其中,所述至少一个图像块包括第1图像块、第2图像块、第3图像块和第4图像块;在所述当前帧中,选取位于所述第1图像块上方与所述第1图像块边相邻,且尺寸相同的区域作为第1背景块;在所述当前帧中,选取位于所述第2图像块下方与所述第2图像块边相邻,且尺寸相同的区域作为第2背景块;在所述当前帧中,选取位于所述第3图像块左方与所述第3图像块边相邻,且尺寸相同的区域作为第3背景块;在所述当前帧中,选取位于所述第4图像块右方与所述第4图像块边相邻,且尺寸相同的区域作为第4背景块。
上述方案中,确定所述跟踪目标被遮挡之后,所述方法还包括:基于所述目标图像与所述模板图像的位置信息,确定所述目标图像与所述模板图像相交部分的相交面积,以及所述模板图像的面积;计算所述相交面积与所述模板图像的面积的比值;基于所述比值确定目标遮挡程度值。
上述方案中,所述方法还包括:所述当前帧的遮挡判定函数值小于所述第一预设阈值时,将所述当前帧作为新的模板帧;基于所述新的模板帧,确定下一帧的遮挡判定函数值。
第二方面,提供了一种跟踪目标遮挡判定装置,所述装置包括:
处理模块,用于从视频中确定模板帧,以及所述模板帧中包含跟踪目标的模板图像;
获取模块,用于获取所述模板图像的第一图像信息;
所述处理模块,还用于对所述视频中当前帧的所述跟踪目标进行跟踪,确定目标图像;
所述获取模块,还用于获取所述目标图像的第二图像信息;
所述处理模块,还用于基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值;其中,所述遮挡判定函数包括:所述目标图像与所述模板图像的第一相似度函数,所述目标图像与背景图像的第二相似度函数,所述目标图像尺寸与所述模板图像尺寸之间的变化程度函数;
所述处理模块,还用于所述遮挡判定值大于或者等于第一预设阈值时,确定所述跟踪目标被遮挡。
第三方面,提供了一种跟踪目标遮挡判定设备,所述设备包括:处理器和配置为存储能够在处理器上运行的计算机程序的存储器,其中,所述处理器配置为运行所述计算机程序时,执行前述任一项所述方法的步骤。
第四方面,提供了一种计算机存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现前述方法的步骤。
本申请公开了一种跟踪目标遮挡判定方法,该方法通过设置融合了模板图像与目标图像的相似度函数、目标图像与背景图像的相似度函数及目标图像尺寸与所述模板图像尺寸之间的变化程度函数的遮挡判定函数,在进行遮挡情况判定时,将用于判断遮挡情况的多个影响因素结合起来,即将目标图像与模板图像的第一相似度和变化程度值,以及目标图像与背景图像的第二相似度相结合,来确定判断遮挡情况,提高遮挡判定方法的准确性和鲁棒性。
附图说明
图1为本申请实施例中跟踪目标遮挡判定方法的第一流程示意图;
图2为本申请实施例中当前帧中目标图像的第一示意图;
图3为本申请实施例中当前帧中目标图像的第二示意图;
图4为本申请实施例中当前帧对应的遮挡判定值确定方法的流程示意图;
图5为本申请实施例中目标图像的图像块及背景块的示意图;
图6为本申请实施例中跟踪目标遮挡判定方法的第二流程示意图;
图7为本申请实施例中跟踪目标遮挡判定方法的第三流程示意图;
图8为本申请实施例中跟踪目标遮挡判定装置的组成结构示意图;
图9为本申请实施例中跟踪目标遮挡判定设备的组成结构示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容,下面结合附图对本申请实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本申请实施例。
本申请中的跟踪目标遮挡判定方法可耦合于具体的目标跟踪算法中,具有较好的拓展性。
图1为本申请实施例中跟踪目标遮挡判定方法的第一流程示意图。如图1所示,跟踪目标遮挡判定方法具体可以包括:
步骤101:从视频中确定模板帧,以及所述模板帧中包含跟踪目标的模板图像;
这里,视频是视频采集装置采集到的视频,跟踪目标为视频中需要进行跟踪的目标对象,如视频中某一辆车或某一个人等。模板帧为视频中具有模板作用的帧,用于与视频的当前帧进行对比,基于对比结果判断当前帧中的跟踪目标是否被遮挡。示例性的,在一些实施例中,模板帧可以为视频的初始帧、还可以为视频中跟踪目标未被遮挡的图像帧。
示例性的,在实际应用中,将模板帧中跟踪框内的图像作为模板图像。示例性的,在一些实施例中,所述方法还包括:将视频的第一帧作为模板帧;框选出第一帧中包含跟踪目标的区域作为模板图像。
步骤102:获取所述模板图像的第一图像信息;
第一图像信息包括模板图像相关信息。示例性的,在一些实施例中,所述第一图像信息包括:所述模板图像的颜色自相关直方图。其中,所述颜色自相关直方图包括:预设距离阈值下,整个图像中各个颜色等级的像素个数占所述整个图像像素总数的比例。
需要说明的是,颜色自相关直方图不仅包含了整个图像中不同等级颜色的数量分布信息,还包含相同等级颜色的空间分布信息,将其用于相似度计算有利于获得更准确的图像相似度。
步骤103:对所述视频中当前帧的所述跟踪目标进行跟踪,确定目标图像;
这里,当前帧为视频中需要对跟踪目标进行跟踪,以及跟踪目标遮挡判定的图像帧。对所述视频中当前帧的所述跟踪目标进行跟踪,可以通过跟踪算法来实现,示例性的,跟踪算法包括但不限于单目标跟踪算法SiamRPN,DSST目标跟踪算法等。
这里,目标图像为当前帧中包含跟踪目标的图像区域。示例性的,在实际应用中,可以将当前帧中跟踪框内的图像作为目标图像。示例性的,图2为本申请实施例中当前帧中目标图像的第一示意图,图3为本申请实施例中当前帧中目标图像的第二示意图。如图2和图3所示,方框内的图像即为当前帧中的目标图像。
步骤104:获取所述目标图像的第二图像信息;
第二图像信息包括目标图像相关信息。示例性的,在一些实施例中,所述第二图像信息包括:所述目标图像的颜色自相关直方图;其中,所述颜色自相关直方图包括:预设距离阈值下,整个图像中各个颜色等级的像素个数占所述整个图像像素总数的比例。
步骤105:基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值;
其中,所述遮挡判定函数包括:所述目标图像与所述模板图像的第一相似度函数,所述目标图像与背景图像的第二相似度函数,所述目标图像尺寸与所述模板图像尺寸之间的变化程度函数。
这里,由于模板图像为视频中跟踪目标未被遮挡时的图像,通过目标图像与模板图像进行对比并确定两者之间的相似度(即第一相似度),若两者之间的相似度较大,表明目标图像与模板图像越接近,即目标图像中跟踪目标越接近完整的跟踪目标。因此,可以通过目标图像与模板图像的相似度来确定遮挡情况。将该第一相似度融入遮挡判定函数,可以提高遮挡判定值的准确性,进而提高遮挡判定结果的准确性。
这里,背景图像为当前帧中,目标图像周围的部分图像区域。若背景图像与目标图像的相似度(即第二相似度)越大,则表明背景图像与目标图像越相似,表明跟踪目标被遮挡的概率越大。因此,可以对比目标图像与背景图像的相似度来确定遮挡情况。将该第二相似度融入遮挡判定函数,可以提高遮挡判定值的准确性,进而提高遮挡判定结果的准确性。
这里,将遮挡判定函数中引入该变化程度函数的原因主要有两点:一方面,当前较为先进的跟踪算法可以解决跟踪目标部分遮挡的问题,故并非对所有出现遮挡的情况都需要做出处理。如图2所示的目标图像的第一示意图中,左边的汽车为跟踪目标,虽然存在部分遮挡,但这种情况无需对该遮挡情况进行处理,即可以判定为未被遮挡;另一方面,当前优秀的目标跟踪算法都具备较好的尺度自适应能力,即目标出现遮挡时,跟踪算法会及时调整跟踪框的尺寸,如图3所示的目标图像的第二示意图中,左边的汽车为跟踪目标,当跟踪目标被遮挡时,跟踪框尺寸(目标图像尺寸)发生较大变化。因此,跟踪框的尺度变化情况与目标遮挡情况具有相关性,通过将目标图像尺寸与模板图像尺寸之间的变化程度函数融入遮挡判定函数,可以提高遮挡判定方法的鲁棒性。
综上,通过由目标图像与模板图像的第一相似度函数、目标图像与背景图像的第二相似度函数及目标图像尺寸与模板图像尺寸之间的变化程度函数共同确定遮挡判定函数,在进行遮挡情况判定时,将用于判断遮挡情况的多个影响因素结合起来,即将目标图像与模板图像的第一相似度和变化程度值,以及目标图像与背景图像的第二相似度相结合,来确定判断遮挡情况,提高遮挡判定方法的准确性和鲁棒性。
步骤106:所述遮挡判定值大于或者等于第一预设阈值时,确定所述跟踪目标被遮挡。
这里,第一预设阈值可以为常量,可以根据实际需求进行确定。
示例性的,在一些实施例中,所述方法还包括:所述当前帧的遮挡判定函数值小于所述第一预设阈值时,将所述当前帧作为新的模板帧;基于所述新的模板帧,确定下一帧的遮挡判定函数值。
这里,当前帧的遮挡判定函数值小于所述第一预设阈值时,确定该跟踪目标没有被遮挡。将目标没有被遮挡的当前帧作为模板帧,进行下一帧的遮挡判定函数值,进而实现整个视频中跟踪目标的遮挡判定。
这里,步骤101至步骤106的执行主体可以为跟踪目标遮挡判定设备的处理器。示例性的,本申请中的跟踪目标遮挡判定方法还可以耦合于具体的目标跟踪算法中,具有较好的拓展性。
本申请的技术方案,通过设置融合了模板图像与目标图像的相似度函数、目标图像与背景图像的相似度函数及目标图像尺寸与所述模板图像尺寸之间的变化程度函数的遮挡判定函数,在进行遮挡情况判定时,将可以用于判断遮挡情况的因素结合起来,即将第一相似度、第二相似度和变化程度值结合起来,由结合结果来确定判断遮挡情况,提高遮挡判定方法的准确性和鲁棒性。
为了对颜色自相关直方图进行说明,以目标图像的颜色自相关直方图的确定过程为例,进行进一步的举例说明。
示例性的,在实际应用中,确定目标图像的颜色自相关直方图的方法包括:
步骤201:将目标图像由RGB颜色空间转换为HSV颜色空间,提取HSV颜色空间的H(色调)分量;
步骤202:依据下面的式子将目标图像的H颜色分量非均匀量化为q个区间,其中,每个区间对应一个颜色等级。示例性的,这里的q取值为14。
其中,HSV颜色空间中的H(色调)分量代表色彩信息,其取值范围是0°~360°,其值与可见光谱中各种颜色的波长相对应,故各种颜色对应的H分量区间是非均匀分布的;本方法首先将目标图像的H颜色分量按照红、橙、黄、绿、青、蓝、紫7种颜色非均匀量化为7个区间,再将每个量化区间划分为两个小区间,最终将H颜色分量非均匀量化为14个区间。示例性的,若目标图像中像素i的H分量位于0°~23°,则表明该像素的颜色等级为0。若目标图像中像素i的H分量位于330°~360°,则表明该像素的颜色等级为1。
步骤203:根据下式计算得到第t帧(当前帧)中目标图像的颜色自相关直方图,并对直方图做归一化处理:
H(r,d)=Num({(p1,p2)|p1∈I,p2∈I,rs∈IR,|p1-p2|=d})
其中,p1=(x1,y1)和p2=(x2,y2)表示图像I(目标图像)中的像素点,IR=(0,1,…,13)表示步骤202中确定的颜色等级集合,|p1-p2|=max(|x1-x2|,|y1-y2|)用于计算像素点p1和p2之间的距离,D为预设距离值d的集合,Num(·)用于统计满足条件的像素个数,对于每种预设距离值,分别得到具有14个bin(相当于刻度)的颜色自相关直方图OAHistt d。示例性的,预设距离值d可以为1,3,5,d∈D=(1,3,5)。
在上述实施例的基础上,对步骤105基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值的方法进行进一步的举例说明。示例性的,图4为本申请实施例中当前帧对应的遮挡判定值确定方法的流程示意图。
示例性的,在一些实施例中,所述基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值,包括:
步骤401:将所述第一图像信息和第二图像信息代入所述第一相似度函数,得到第一相似度;
示例性的,在一些实施例中,所述第一相似度函数为:
式中,为所述目标图像中预设距离阈值为d时,颜色等级为i的像素个数占整个所述目标图像像素总数的比例;为模板图像中预设距离阈值为d时,颜色等级为i的像素个数占整个所述模板图像像素总数的比例;D为预设距离阈值的集合;q为所述颜色等级的个数。
步骤402:将所述第二图像信息代入所述第二相似度函数,得到第二相似度;
示例性的,在一些实施例中,所述第二图像信息还包括:所述目标图像中至少一个图像块的颜色自相关直方图,所述图像块的背景块的颜色自相关直方图;
所述第二相似度函数为:
式中,为第j图像块中预设距离阈值为d时,颜色等级为i的像素个数占所述第j图像块像素总数的比例;为第j背景块中预设距离阈值为d时,颜色等级为i的像素个数占所述第j背景块像素总数的比例;D为预设距离阈值的集合;q为所述颜色等级的个数,u为所述图像块的个数。示例性的,u的取值可以为4。
这里,至少一个图像块为对目标图像进行分块,得到的多个图像块。
示例性的,在一些实施例中,所述方法还包括:对所述目标图像进行纵向划分,得到第1图像块和第2图像块;其中,所述第1图像块位于所述第2图像块的上部;对所述目标图像进行横向划分,得到第3图像块和第4图像块;其中,所述第3图像块位于所述第4图像块的左部;其中,所述至少一个图像块包括第1图像块、第2图像块、第3图像块和第4图像块;
在所述当前帧中,选取位于所述第1图像块上方与所述第1图像块边相邻,且尺寸相同的区域作为第1背景块;在所述当前帧中,选取位于所述第2图像块下方与所述第2图像块边相邻,且尺寸相同的区域作为第2背景块;在所述当前帧中,选取位于所述第3图像块左方与所述第3图像块边相邻,且尺寸相同的区域作为第3背景块;在所述当前帧中,选取位于所述第4图像块右方与所述第4图像块边相邻,且尺寸相同的区域作为第4背景块。
在对目标图像进行分块划分时,可以是进行不等分。如不等分可以是:划分目标图像左部的三分之二作为一个图像块;划分目标图像右部的三分之二作为一个图像块;划分目标图像上部的三分之二作为一个图像块,划分目标图像下部的三分之二作为一个图像块。下面以等分划分为例,进行详细说明。
图5为本申请实施例中目标图像的图像块及背景块的示意图。图5中,o1为目标图像的上半部分图像,相当于上述第1图像块;o2目标图像的下半部分图像,相当于上述第2图像块;o3为目标图像的左半部分图像,相当于上述第3图像块;o4为目标图像的右半部分图像,相当于上述第4图像块。b1、b2、b3、b4分别相当于上述第1背景块、第2背景块、第3背景块、第4背景块。
步骤403:将所述目标图像尺寸与所述模板图像尺寸代入所述变化程度函数,确定变化程度值;
示例性的,在一些实施例中,所述第一图像信息还包括:模板图像尺寸,所述第二图像信息还包括:目标图像尺寸。
所述将所述目标图像尺寸与所述模板图像尺寸代入所述变化程度函数,确定变化程度值,包括:基于所述变化程度函数计算所述目标图像尺寸与所述模板图像尺寸相比的尺寸变化率;若所述尺寸变化率大于或等于第三预设阈值,确定所述变化程度值为1;若所述尺寸变化率小于所述第三预设阈值,确定所述变化程度值为0。
示例性的,在实际应用中,可以将当前帧中跟踪框尺寸作为目标图像尺寸,将模板帧中跟踪框的尺寸作为模板图像尺寸。示例性的,目标图像尺寸包括:当前帧中跟踪框的宽和高;模板图像尺寸包括:模板帧中跟踪框的宽和高。
示例性的,可以通过下面的公式来表示变化程度函数。
式中,wt和ht分别表示第t帧(当前帧)中跟踪框的宽和高,wT和hT分别表示模板帧中跟踪框的宽和高,μ为第三预设阈值。示例性的,μ取值可以为0.7。
步骤404:对所述第一相似度与所述第二相似度作差,得到相似度差值;
步骤405:若所述相似度差值大于或等于第二预设阈值,则将所述相似度差值作为所述遮挡判定值;若所述相似度差值小于所述第二预设阈值,则将所述差值相似度与所述变化程度值的乘积作为所述遮挡判定值。
这里,确定遮挡判定值的方法可以通过以下公式表示:
式中,φ表示相似度差值,即目标图像与目标模板的相似度越大,同时目标图像与背景图像的相似度越小,则φ值越大。为遮挡判定函数,η为第二预设阈值。示例性的,η可以取值为0.3,当φ小于第二预设阈值时,为变化程度值与φ值的乘积。
当前优秀的目标跟踪算法都具备较好的尺度自适应能力,即目标出现遮挡时,跟踪算法会及时调整跟踪框的尺寸,此时仅利用颜色分布的相似度来判断目标是否被遮挡是不够准确的。由于颜色自相关直方图不仅包含了整个图像中不同等级颜色的数量分布信息,还包含相同等级颜色的空间分布信息。因此,通过基于图像的颜色自相关直方图来确定第一相似度、第二相似度,有利于获得更准确的图像相似度,进而提高跟踪目标遮挡判定方法的准确性;通过将目标图像尺寸与模板图像尺寸之间的变化程度值融入遮挡判定值的确定过程,可以提高遮挡判定方法的鲁棒性。
为了能更加体现本申请的目的,在本申请上实施例的基础上,进行进一步的举例说明,图6为本申请实施例中跟踪目标遮挡判定方法的第二流程示意图。如图6所示,跟踪目标遮挡判定方法具体可以包括:
步骤601:从视频中确定模板帧,以及所述模板帧中包含跟踪目标的模板图像;
示例性的,在一些实施例中,所述方法还包括:将视频的第一帧作为模板帧;框选出第一帧中包含跟踪目标的区域作为模板图像。
步骤602:获取所述模板图像的第一图像信息;
其中,第一图像信息包括:模板图像的颜色自相关直方图和模板图像尺寸。其中,所述颜色自相关直方图包括:预设距离阈值下,整个图像中各个颜色等级的像素个数占所述整个图像像素总数的比例。
步骤603:对所述视频中当前帧的所述跟踪目标进行跟踪,确定目标图像;
这里,对所述视频中当前帧的所述跟踪目标进行跟踪,可以通过跟踪算法来实现,示例性的,跟踪算法包括但不限于单目标跟踪算法SiamRPN,DSST目标跟踪算法等。这里,目标图像为当前帧中包含跟踪目标的图像区域。示例性的,在实际应用中,目标图像为跟踪框内的图像区域。
步骤604:获取所述目标图像的第二图像信息;
这里,第二图像信息包括:所述目标图像的颜色自相关直方图、目标图像尺寸,目标图像中至少一个图像块的颜色自相关直方图,图像块的背景块的颜色自相关直方图。
步骤605:基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值;
其中,所述遮挡判定函数包括:所述目标图像与所述模板图像的第一相似度函数,所述目标图像与背景图像的第二相似度函数,所述目标图像尺寸与所述模板图像尺寸之间的变化程度函数。
具体的,基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值,包括:
将所述第一图像信息和第二图像信息代入所述第一相似度函数,得到第一相似度;将所述第二图像信息代入所述第二相似度函数,得到第二相似度;将所述目标图像尺寸与所述模板图像尺寸代入所述变化程度函数,确定变化程度值;若所述相似度差值大于或等于第二预设阈值,则将所述相似度差值作为所述遮挡判定值;若所述相似度差值小于所述第二预设阈值,则将所述差值相似度与所述变化程度值的乘积作为所述遮挡判定值。
步骤606:所述遮挡判定值大于或者等于第一预设阈值时,确定所述跟踪目标被遮挡;
步骤607:基于所述目标图像与所述模板图像的位置信息,确定所述目标图像与所述模板图像相交部分的相交面积,以及所述模板图像的面积;
步骤608:计算所述相交面积与所述模板图像的面积的比值;
步骤609:基于所述比值确定目标遮挡程度值。
示例性的,在一些实施例中,遮挡程度值的计算方法可以通过以下公式表示:
w0=min(xT+hT,xt+ht)-max(xT,xt);
h0=min(yT+wT,yt+wt)-max(yT,yt)
式中,w0·h0表示当前帧跟踪框与模板帧跟踪框相交部分的面积,wT·hT表示模板帧跟踪框的面积;wT,hT分别表示模板帧跟踪框的宽和高;ρ代表遮挡程度,其取值范围为[0,1],其值越大表示目标被遮挡程度越高。
这里,步骤601至步骤609的执行主体可以为跟踪目标遮挡判定设备的处理器。
本申请的技术方案,通过设置融合了模板图像与目标图像的相似度函数、目标图像与背景图像的相似度函数及目标图像尺寸与所述模板图像尺寸之间的变化程度函数的遮挡判定函数,可以在进行遮挡情况判定时,将用于判断遮挡情况的多个影响因素结合起来,即将目标图像与模板图像的第一相似度和变化程度值,以及目标图像与背景图像的第二相似度相结合,来确定判断遮挡情况,提高遮挡判定方法的准确性和鲁棒性。
为了能更加体现本申请的目的,在本申请上实施例的基础上,进行进一步的举例说明,图7为本申请实施例中跟踪目标遮挡判定方法的第三流程示意图。如图7所示,跟踪目标遮挡判定方法具体可以包括:
步骤701:获取第t帧;
步骤702:判断t是否等于1;若是,则执行步骤703;若否,执行步骤704;
步骤703:框选目标并确定模板帧及模板图像;
具体的,将第1帧作为模板帧,并框选出包含跟踪目标的跟踪框,将框内图像作为模板图像;
步骤704:获取模板图像的尺寸及颜色自相关直方图;
具体的,模板图像的尺寸为跟踪框的尺寸,颜色自相关直方图为模板图像的颜色自相关直方图。这里,模板图像可以为预设某一帧中包含跟踪目标的预设图像区域;
步骤705:基于跟踪算法确定第t帧中的目标图像;
步骤706:获取目标图像的尺寸、图像块的颜色自相关图和背景块的颜色自相关直方图;
这里,目标图像的尺寸即为当前帧中的跟踪框尺寸。
步骤707:计算第一相似度、第二相似度、变化程度值;
这里,第一相似度为目标图像与模板图像的相似度,第二相似度为目标图像与背景图像的相似度,变化程度值为目标图像尺寸与所述模板图像尺寸之间的变化程度值。
步骤708:计算遮挡判定值;
步骤709:是否被遮挡;若是,执行步骤711及712;若否,执行步骤710;
步骤710:将第t帧作为模板帧;
步骤711:令t=t+1,并返回执行步骤704;
步骤712:计算目标图像与所述模板图像相交部分的相交面积及模板图像的面积;
步骤713:确定目标遮挡程度值。
本申请的技术方案,通过设置融合了模板图像与目标图像的相似度函数、目标图像与背景图像的相似度函数及目标图像尺寸与所述模板图像尺寸之间的变化程度函数的遮挡判定函数,可以在进行遮挡情况判定时,将可以用于判断遮挡情况的因素结合起来,由结合结果来确定判断遮挡情况,提高遮挡判定方法的准确性和鲁棒性;通过基于目标跟踪框与目标模板框的交集计算遮挡程度,能够更精确地描述跟踪目标的遮挡情况;通过基于图像的颜色自相关直方图来确定第一相似度、第二相似度,有利于获得更准确的图像相似度,进而提高跟踪目标遮挡判定方法的准确性。
图8为本申请实施例中跟踪目标遮挡判定装置的组成结构示意图,展示了一种跟踪目标遮挡判定装置80,该装置80具体包括:
处理模块801,用于从视频中确定模板帧,以及所述模板帧中包含跟踪目标的模板图像;
获取模块802,用于获取所述模板图像的第一图像信息;
所述处理模块801,还用于对所述视频中当前帧的所述跟踪目标进行跟踪,确定目标图像;
所述获取模块802,还用于获取所述目标图像的第二图像信息;
所述处理模块801,还用于基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值;其中,所述遮挡判定函数包括:所述目标图像与所述模板图像的第一相似度函数,所述目标图像与背景图像的第二相似度函数,所述目标图像尺寸与所述模板图像尺寸之间的变化程度函数;
所述处理模块801,还用于所述遮挡判定值大于或者等于第一预设阈值时,确定所述跟踪目标被遮挡。
在一些实施例中,所述第一图像信息包括:所述模板图像的颜色自相关直方图;所述第二图像信息包括:所述目标图像的颜色自相关直方图;其中,所述颜色自相关直方图包括:预设距离阈值下,整个图像中各个颜色等级的像素个数占所述整个图像像素总数的比例。
在一些实施例中,所述处理模块801,用于将所述第一图像信息和第二图像信息代入所述第一相似度函数,得到第一相似度;将所述第二图像信息代入所述第二相似度函数,得到第二相似度;将所述目标图像尺寸与所述模板图像尺寸代入所述变化程度函数,确定变化程度值;对所述第一相似度与所述第二相似度作差,得到相似度差值;若所述相似度差值大于或等于第二预设阈值,则将所述相似度差值作为所述遮挡判定值;若所述相似度差值小于所述第二预设阈值,则将所述差值相似度与所述变化程度值的乘积作为所述遮挡判定值。
在一些实施例中,所述第一相似度函数为:
式中,为所述目标图像中预设距离阈值为d时,颜色等级为i的像素个数占整个所述目标图像像素总数的比例;为模板图像中预设距离阈值为d时,颜色等级为i的像素个数占整个所述模板图像像素总数的比例;D为预设距离阈值的集合;q为所述颜色等级的个数。
在一些实施例中,所述第一图像信息还包括:模板图像尺寸,所述第二图像信息还包括:目标图像尺寸。所述处理模块801,用于基于所述变化程度函数计算所述目标图像尺寸与所述模板图像尺寸相比的尺寸变化率;若所述尺寸变化率大于或等于第三预设阈值,确定所述变化程度值为1;若所述尺寸变化率小于所述第三预设阈值,确定所述变化程度值为0。
在一些实施例中,所述第二图像信息还包括:所述目标图像中至少一个图像块的颜色自相关直方图,所述图像块的背景块的颜色自相关直方图;
所述第二相似度函数为:
式中,为第j图像块中预设距离阈值为d时,颜色等级为i的像素个数占所述第j图像块像素总数的比例;为第j背景块中预设距离阈值为d时,颜色等级为i的像素个数占所述第j背景块像素总数的比例;D为预设距离阈值的集合;q为所述颜色等级的个数,u为所述图像块的个数。
在一些实施例中,所述处理模块801,还用于对所述目标图像进行纵向划分,得到第1图像块和第2图像块;其中,所述第1图像块位于所述第2图像块的上部;对所述目标图像进行横向划分,得到第3图像块和第4图像块;其中,所述第3图像块位于所述第4图像块的左部;其中,所述至少一个图像块包括第1图像块、第2图像块、第3图像块和第4图像块;在所述当前帧中,选取位于所述第1图像块上方与所述第1图像块边相邻,且尺寸相同的区域作为第1背景块;在所述当前帧中,选取位于所述第2图像块下方与所述第2图像块边相邻,且尺寸相同的区域作为第2背景块;在所述当前帧中,选取位于所述第3图像块左方与所述第3图像块边相邻,且尺寸相同的区域作为第3背景块;在所述当前帧中,选取位于所述第4图像块右方与所述第4图像块边相邻,且尺寸相同的区域作为第4背景块。
在一些实施例中,所述处理模块801,还用于基于所述目标图像与所述模板图像的位置信息,确定所述目标图像与所述模板图像相交部分的相交面积,以及所述模板图像的面积;计算所述相交面积与所述模板图像的面积的比值;基于所述比值确定目标遮挡程度值。
在一些实施例中,所述处理模块801,还用于所述当前帧的遮挡判定函数值小于所述第一预设阈值时,将所述当前帧作为新的模板帧;基于所述新的模板帧,确定下一帧的遮挡判定函数值。
基于上述跟踪目标遮挡判定装置中各单元的硬件实现,本申请实施例还提供了另一种跟踪目标遮挡判定设备,图9为本申请实施例中跟踪目标遮挡判定设备的组成结构示意图。如图9所示,该设备90包括:处理器901和配置为存储能够在处理器上运行的计算机程序的存储器902;其中,处理器901配置为运行计算机程序时,执行前述实施例中的方法步骤。
当然,实际应用时,如图9所示,该跟踪目标遮挡判定设备中的各个组件通过总线系统903耦合在一起。可理解,总线系统903用于实现这些组件之间的连接通信。总线系统903除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图9中将各种总线都标为总线系统903。
在实际应用中,上述处理器可以为特定用途集成电路(ASIC,ApplicationSpecific Integrated Circuit)、数字信号处理装置(DSPD,Digital Signal ProcessingDevice)、可编程逻辑装置(PLD,Programmable Logic Device)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
上述存储器可以是易失性存储器(volatile memory),例如随机存取存储器(RAM,Random-Access Memory);或者非易失性存储器(non-volatile memory),例如只读存储器(ROM,Read-Only Memory),快闪存储器(flash memory),硬盘(HDD,Hard Disk Drive)或固态硬盘(SSD,Solid-State Drive);或者上述种类的存储器的组合,并向处理器提供指令和数据。
在示例性实施例中,本申请实施例还提供了一种计算机可读存储介质,例如包括计算机程序的存储器,计算机程序可由跟踪目标遮挡判定设备的处理器执行,以完成前述方法的步骤。
应当理解,在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。本申请中表述“具有”、“可以具有”、“包括”和“包含”、或者“可以包括”和“可以包含”在本文中可以用于指示存在对应的特征(例如,诸如数值、功能、操作或组件等元素),但不排除附加特征的存在。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开,不必用于描述特定的顺序或先后次序。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。
本申请实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法、装置和设备,可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (12)
1.一种跟踪目标遮挡判定方法,其特征在于,所述方法包括:
从视频中确定模板帧,以及所述模板帧中包含跟踪目标的模板图像;
获取所述模板图像的第一图像信息;
对所述视频中当前帧的所述跟踪目标进行跟踪,确定目标图像;
获取所述目标图像的第二图像信息;
基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值;其中,所述遮挡判定函数包括:所述目标图像与所述模板图像的第一相似度函数,所述目标图像与背景图像的第二相似度函数,所述目标图像尺寸与所述模板图像尺寸之间的变化程度函数;
所述遮挡判定值大于或者等于第一预设阈值时,确定所述跟踪目标被遮挡。
2.根据权利要求1所述的方法,其特征在于,所述第一图像信息包括:所述模板图像的颜色自相关直方图;所述第二图像信息包括:所述目标图像的颜色自相关直方图;其中,所述颜色自相关直方图包括:预设距离阈值下,整个图像中各个颜色等级的像素个数占所述整个图像像素总数的比例。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值,包括:
将所述第一图像信息和第二图像信息代入所述第一相似度函数,得到第一相似度;
将所述第二图像信息代入所述第二相似度函数,得到第二相似度;
将所述目标图像尺寸与所述模板图像尺寸代入所述变化程度函数,确定变化程度值;
对所述第一相似度与所述第二相似度作差,得到相似度差值;
若所述相似度差值大于或等于第二预设阈值,则将所述相似度差值作为所述遮挡判定值;
若所述相似度差值小于所述第二预设阈值,则将所述差值相似度与所述变化程度值的乘积作为所述遮挡判定值。
5.根据权利要求3所述的方法,其特征在于,所述第一图像信息还包括:模板图像尺寸,所述第二图像信息还包括:目标图像尺寸;
所述将所述目标图像尺寸与所述模板图像尺寸代入所述变化程度函数,确定变化程度值,包括:
基于所述变化程度函数计算所述目标图像尺寸与所述模板图像尺寸相比的尺寸变化率;
若所述尺寸变化率大于或等于第三预设阈值,确定所述变化程度值为1;
若所述尺寸变化率小于所述第三预设阈值,确定所述变化程度值为0。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
对所述目标图像进行纵向划分,得到第1图像块和第2图像块;其中,所述第1图像块位于所述第2图像块的上部;
对所述目标图像进行横向划分,得到第3图像块和第4图像块;其中,所述第3图像块位于所述第4图像块的左部;其中,所述至少一个图像块包括第1图像块、第2图像块、第3图像块和第4图像块;
在所述当前帧中,选取位于所述第1图像块上方与所述第1图像块边相邻,且尺寸相同的区域作为第1背景块;
在所述当前帧中,选取位于所述第2图像块下方与所述第2图像块边相邻,且尺寸相同的区域作为第2背景块;
在所述当前帧中,选取位于所述第3图像块左方与所述第3图像块边相邻,且尺寸相同的区域作为第3背景块;
在所述当前帧中,选取位于所述第4图像块右方与所述第4图像块边相邻,且尺寸相同的区域作为第4背景块。
8.根据权利要求1所述的方法,其特征在于,所述确定所述跟踪目标被遮挡之后,所述方法还包括:
基于所述目标图像与所述模板图像的位置信息,确定所述目标图像与所述模板图像相交部分的相交面积,以及所述模板图像的面积;
计算所述相交面积与所述模板图像的面积的比值;
基于所述比值确定目标遮挡程度值。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述当前帧的遮挡判定函数值小于所述第一预设阈值时,将所述当前帧作为新的模板帧;
基于所述新的模板帧,确定下一帧的遮挡判定函数值。
10.一种跟踪目标遮挡判定装置,所述装置包括:
处理模块,用于从视频中确定模板帧,以及所述模板帧中包含跟踪目标的模板图像;
获取模块,用于获取所述模板图像的第一图像信息;
所述处理模块,还用于对所述视频中当前帧的所述跟踪目标进行跟踪,确定目标图像;
所述获取模块,还用于获取所述目标图像的第二图像信息;
所述处理模块,还用于基于所述第一图像信息、第二图像信息和遮挡判定函数,确定所述当前帧对应的遮挡判定值;其中,所述遮挡判定函数包括:所述目标图像与所述模板图像的第一相似度函数,所述目标图像与背景图像的第二相似度函数,所述目标图像尺寸与所述模板图像尺寸之间的变化程度函数;
所述处理模块,还用于所述遮挡判定值大于或者等于第一预设阈值时,确定所述跟踪目标被遮挡。
11.一种跟踪目标遮挡判定设备,其特征在于,所述设备包括:处理器和配置为存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器配置为运行所述计算机程序时,执行权利要求1-9任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-9任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274073.6A CN116091536A (zh) | 2021-10-29 | 2021-10-29 | 一种跟踪目标遮挡判定方法、装置、设备及存储介质 |
PCT/CN2022/128719 WO2023072290A1 (zh) | 2021-10-29 | 2022-10-31 | 一种跟踪目标遮挡判定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274073.6A CN116091536A (zh) | 2021-10-29 | 2021-10-29 | 一种跟踪目标遮挡判定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091536A true CN116091536A (zh) | 2023-05-09 |
Family
ID=86159085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274073.6A Pending CN116091536A (zh) | 2021-10-29 | 2021-10-29 | 一种跟踪目标遮挡判定方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116091536A (zh) |
WO (1) | WO2023072290A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876970A (zh) * | 2024-03-11 | 2024-04-12 | 青岛三诚众合智能设备科技有限公司 | 一种基于图像处理的车间智能管理方法及系统、电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820996B (zh) * | 2015-05-11 | 2018-04-03 | 河海大学常州校区 | 一种基于视频的自适应分块的目标跟踪方法 |
JP2018139086A (ja) * | 2017-02-24 | 2018-09-06 | 三菱電機株式会社 | 相関追尾装置、相関追尾方法及び相関追尾プログラム |
CN108920997A (zh) * | 2018-04-10 | 2018-11-30 | 国网浙江省电力有限公司信息通信分公司 | 基于轮廓判断非刚性目标是否存在遮挡的跟踪方法 |
CN109398533B (zh) * | 2018-11-22 | 2024-04-09 | 华南理工大学 | 一种移动平台及移动平台长时间跟踪的方法 |
CN110689555B (zh) * | 2019-10-12 | 2022-07-22 | 四川航天神坤科技有限公司 | 基于前景检测的kcf跟踪目标丢失检测方法及系统 |
-
2021
- 2021-10-29 CN CN202111274073.6A patent/CN116091536A/zh active Pending
-
2022
- 2022-10-31 WO PCT/CN2022/128719 patent/WO2023072290A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023072290A1 (zh) | 2023-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7657090B2 (en) | Region detecting method and region detecting apparatus | |
WO2018040756A1 (zh) | 一种车身颜色识别的方法及装置 | |
CN109844809B (zh) | 一种图像处理方法及装置、计算机可读存储介质 | |
CN104243820A (zh) | 一种确定图像边界的方法及装置 | |
US8369609B2 (en) | Reduced-complexity disparity map estimation | |
US10803116B2 (en) | Logo detection system for automatic image search engines | |
CN110598560A (zh) | 基于神经网络增强的夜间监控识别方法和系统 | |
Shih et al. | Automatic reference color selection for adaptive mathematical morphology and application in image segmentation | |
CN114022790B (zh) | 遥感图像中云层检测及图像压缩方法、装置和存储介质 | |
CN110866926A (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN112149476A (zh) | 目标检测方法、装置、设备和存储介质 | |
CN108416351A (zh) | 路面病害区域的确定方法、装置和计算机设备 | |
CN116091536A (zh) | 一种跟踪目标遮挡判定方法、装置、设备及存储介质 | |
WO2016086002A1 (en) | Systems and methods for object detection | |
Choi et al. | Fog detection for de-fogging of road driving images | |
CN111898532A (zh) | 一种图像处理方法、装置、电子设备及监控系统 | |
CN116342440B (zh) | 一种基于人工智能的车载视频监控管理系统 | |
AU2015259903A1 (en) | Segmentation based image transform | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN112465735A (zh) | 行人检测方法、装置及计算机可读存储介质 | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 | |
US8351729B2 (en) | Apparatus, method, and program for image correction | |
CN111179197B (zh) | 对比度增强方法及装置 | |
CN113139930A (zh) | 甲状腺切片图像分类方法、装置、计算机设备和存储介质 |
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 |