CN117078722A - 基于灰度直方图提取小目标的目标跟踪方法及装置 - Google Patents
基于灰度直方图提取小目标的目标跟踪方法及装置 Download PDFInfo
- Publication number
- CN117078722A CN117078722A CN202311340390.2A CN202311340390A CN117078722A CN 117078722 A CN117078722 A CN 117078722A CN 202311340390 A CN202311340390 A CN 202311340390A CN 117078722 A CN117078722 A CN 117078722A
- Authority
- CN
- China
- Prior art keywords
- target
- gray level
- value
- gray
- histogram
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于灰度直方图提取小目标的目标跟踪方法及装置，涉及目标跟踪技术领域，所述方法包括获取连续两帧图像，并锁定第一帧内的目标以及得到该目标的初始模板数据，以目标在第一帧中的中心点为区域截取时的中心点，在第二帧中截取搜索窗，计算搜索窗的灰度直方图，计算搜索窗图像的分割门限值，根据分割门限值进行灰度直方图高度搜索后得到用于分割得到目标图像二值图像的上下限分割阈值等，基于上下限分割阈值的确定，灵活且有效地分割出目标轮廓，减少了小目标跟踪时的漏检和误检，从而确保了小目标跟踪精度。
Description
技术领域
本发明属于目标跟踪技术领域，特别是针对无人机等小目标的跟踪，具体涉及一种基于灰度直方图提取小目标的目标跟踪方法及装置。
背景技术
目前，结合了配准和帧差的帧间差分法是进行低复杂度场景下运动目标跟踪的常用方法之一，其通过对视频图像序列中的连续帧做差分运算来获取运动目标的轮廓，因为当目标运动时，相邻帧图像之间会出现较为明显的差别，两帧相减，求得图像对应位置像素值差的绝对值，并判断该绝对值是否大于设定的分割阈值，进而分析出视频图像序列中的目标运动特性。帧间差分法具有的优点包括：算法实现简单，程序设计复杂度低，运行速度快等，然而其目标跟踪精度严重依赖所选取的帧间时间间隔和分割阈值。一种常见的分割阈值确定方案为：求取图像中的最小和最大灰度值，取其平均值作为初始阈值，根据该初始阈值将运动目标图像分割成目标和背景两部分，然后分别求取两部分各自的平均灰度值和灰度概率值，进而得出分割阈值。
在利用帧间差分法对无人机等小目标进行跟踪时，由于无人机为低空慢速飞行的小目标，且存在不可避免的抖动带来的形变，基于当前的分割阈值方案的目标跟踪精度极易受到上述形变、速度改变等外界变化的影响，易出现漏检和误检，致使无人机目标的跟踪变得非常困难，尤其是采用固定分割阈值时。
综上所述，为克服分割阈值选取的困难，一种灵活且有效的分割阈值选取方案俨然已成为本领域技术人员核心关注的问题。
发明内容
有鉴于此，本发明提出了一种基于灰度直方图提取小目标的目标跟踪方法及装置，用以解决基于现有分割阈值方案的目标跟踪精度极易受到外界变化影响，从而导致目标跟踪效果较差的技术问题。
本发明的目的是通过以下技术方案来实现的：
第一方面
本发明的第一方面提出了一种基于灰度直方图提取小目标的目标跟踪方法，包括：
获取连续两帧图像，并锁定两帧图像中第一帧内的待跟踪目标，得到目标的初始模板数据；
以目标在第一帧中的中心点作为区域截取时的中心点，在第二帧中进行区域截取得到至少一个搜索窗；
计算每个搜索窗的灰度直方图，在灰度直方图中，像素数目最多的灰度值的高度为256，其他灰度值的高度通过该灰度值的像素数目与灰度值所对应的最多像素数目的比值作均衡化后得到；
计算每个搜索窗对应的分割门限值，并以像素数目最多的灰度值为中心，分别向左右两边进行灰度直方图高度的搜索，若至少一个灰度直方图，其高度连续低于对应分割门限值的次数达到了第一预设值，则执行下一步，否则判定目标消失；
作平行于该灰度直方图横轴的分割线，且分割线与灰度直方图横轴的间距为该灰度直方图对应的分割门限值，并将该分割线与灰度直方图的最左端和最右端交界点处的灰度值作为上下限分割阈值；
对第一帧和第二帧执行帧间差分，并利用各个上下限分割阈值一一对应得到目标图像的各个二值图像；
确定二值图像内各个斑块的轮廓，并将所有斑块的轮廓与所述初始模板数据进行相似度匹配，若最高相似度大于第二预设值，则将相似度最高的斑块确定为目标，否则判定目标消失；
其中，所述分割门限值，T表示该搜索窗内所有像素的灰度值之和，127.5表示灰度值的中位数，/>表示灰度值所对应的最多像素数目。
进一步改进地，所述搜索窗的数量为多个且大小不同，在计算搜索窗的灰度直方图前，将各个搜索窗的尺寸调整为相同的大小。
进一步改进地，所述将各个搜索窗的尺寸调整为相同的大小时，通过下采样作最近邻插值。
进一步改进地，所述计算每个搜索窗的灰度直方图，具体为：
计算搜索窗在每个灰度值的像素数目，其中，i表示灰度值且/>；
计算每个灰度值在灰度直方图里的高度，其中，/>表示像素数目最多的灰度值的高度，且取值为256。
进一步改进地，所述将所有斑块的轮廓与所述初始模板数据进行相似度匹配，若最高相似度大于第二预设值，则将相似度最高的斑块确定为目标，否则判定目标消失，具体为：
计算每个斑块的中心点坐标与所述初始模板数据中的目标中心点坐标之间的第一偏移量；
计算每个斑块的像素大小与所述初始模板数据中的目标像素大小之间的第二偏移量；
将同一斑块对应的第一偏移量和第二偏移量作为需加权的因子，进行加权求和得到第一数值；
比较各个斑块对应的第一数值大小，若最大的第一数值大于第二预设值，则将第一数值最大的斑块确定为目标，否则判定目标消失。
进一步改进地，根据第一公式计算所述第一偏移量，所述第一公式为，其中，/>表示第一偏移量，表示初始模板数据中的目标中心点坐标，/>表示斑块的中心点坐标，/>表示偏移系数；
根据第二公式计算所述第二偏移量，所述第二公式为：，其中，/>表示第二偏移量，/>表示初始模板数据中的目标像素大小，/>表示斑块的像素大小。
进一步改进地，根据第三公式计算所述第一数值，所述第三公式为，其中，Score 表示第一数值，/>表示高斯分布函数，表示第一权重系数，/>表示第二权重系数。
本发明的第一方面带来下述有益效果：
（1）在帧间差分时，结合搜索窗的灰度直方图来确定上限分割阈值和下限分割阈值，此种基于特定灰度直方图所确定的两个分割阈值，相比传统分割阈值确定方法而言，对无人机等小目标的形变、速度改变等外界变化的自适应能力更强，灵活性高，基于该分割阈值的确定，有效地分割出目标轮廓，减少了小目标跟踪时的漏检和误检，从而确保了小目标跟踪精度；
（2）多个不同大小搜索窗的截取，以适应多种类型的目标尺寸变化，进一步提升了小目标跟踪精度；
（3）从中心点偏移和像素大小两个维度进行加权来进行相似度匹配，并结合了高斯分布函数，实现了较高的目标匹配精度，据此进一步地减少了小目标跟踪时的漏检和误检，从而确保了小目标跟踪精度。
第二方面
本发明的第二方面提出了一种基于灰度直方图提取小目标的目标跟踪装置，所述装置包括存储器和处理器，所述存储器内保存有本发明第一方面所述的基于灰度直方图提取小目标的目标跟踪方法，所述处理器用于调用所述方法进行目标跟踪。
本发明的第二方面带来与第一方面相同的有益效果，在此不再赘述。
附图说明
图1为基于灰度直方图提取小目标的目标跟踪方法的一种流程示意图；
图2为灰度直方图的一种示意图；
图3为无人机小目标的一种二值图像示意图。
具体实施方式
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下述实施例一和实施例二需一并参阅图1至图3。
实施例一
本实施例提供了一种基于灰度直方图提取小目标的目标跟踪方法，用于对无人机等小目标进行跟踪，具体包括如下实施步骤：
S100.获取连续两帧图像，并锁定两帧图像中第一帧内的待跟踪目标，得到目标的初始模板数据。可知的，锁定第一帧内的待跟踪的目标，可采用普通实施例的锁定方法，例如可通过基于yolov3或yolov5等网络的深度学习模型来对第一帧进行检测，检测后得到初始的模板框。一般的，初始模板数据包括目标的中心点坐标、目标的像素大小等，目标的像素大小是指目标的宽度和高度的乘积。
S200.以目标在第一帧中的中心点作为区域截取时的中心点，在第二帧中进行区域截取得到至少一个搜索窗。
S300.计算每个搜索窗图像的灰度直方图，在该灰度直方图中，像素数目最多的灰度值的高度为256，其他灰度值的高度通过该灰度值的像素数目与灰度值所对应的最多像素数目的比值作均衡化后得到。
可选的，S300的一种具体实施过程为：
S301.计算搜索窗在每个灰度值的像素数目，其中，i表示灰度值且 i∈(0,255)；
S302.计算每个灰度值在灰度直方图里的高度，其中，/>表示像素数目最多的灰度值的高度，且取值为256，/>表示灰度值所对应的最多像素数目。
S400.计算每个搜索窗对应的分割门限值，并以像素数目最多的灰度值为中心，分别向左右两边进行灰度直方图高度的搜索，若至少一个灰度直方图，其灰度直方图高度连续低于对应分割门限值的次数达到了第一预设值，则执行S500，否则判定目标消失。
其中，分割门限值，T表示该搜索窗内所有像素的灰度值之和，127.5表示灰度值的中位数。
S500.作平行于该灰度直方图横轴的分割线，且分割线与灰度直方图横轴的间距为该灰度直方图对应的分割门限值，并将该分割线与灰度直方图的最左端交界点处和最右端交界点处的灰度值作为上下限分割阈值，上下限分割阈值包括上限分割阈值和下限分割阈值。上述分割线如图2中所示。上述分割线如图2中所示，图2中灰度直方图的横轴表示灰度值，纵轴表示灰度直方图高度（即为：均衡化后的像素数目）。
S600.对第一帧和第二帧执行帧间差分，并利用各个上下限分割阈值一一对应得到目标图像的各个二值图像。帧间差分采用普通实施例中的过程，只是分割阈值采用步骤S500中所确定的上下限分割阈值。
S700.确定二值图像内各个斑块的轮廓，并将所有斑块的轮廓与初始模板数据进行相似度匹配，若最高相似度大于第二预设值，则将相似度最高的斑块确定为目标，否则判定目标消失。
在一些实施例中，确定二值图像内各个斑块的轮廓，可基于普通实施例中的轮廓计算方法，例如采用邻域连通算法。邻域连通算法的一种具体实施过程为：先建一个背景灰度值为0的图片，再把轮廓点集的灰度值设置为a，从轮廓外找一种子点P，以4邻域的方式扩充，遇到灰度值为a的点就记录下来并作为下一个循环的种子点，并把其灰度值设为0，直到遇到所有轮廓点。中心点的计算方式（重心的计算方式）为将轮廓中所有点的横纵坐标分别相加后除以轮廓面积即得到中心点的横纵坐标，据此计算得到每个斑块的轮廓坐标以及每个斑块的中心点坐标。
作为上述实施例的一种优选，S700中，将所有斑块的轮廓与初始模板数据进行相似度匹配，若最高相似度大于第二预设值，则将相似度最高的斑块确定为目标，否则判定目标消失的一种具体实施过程为：
S701.计算每个斑块的中心点坐标与初始模板数据中的目标中心点坐标之间的第一偏移量；
S702.计算每个斑块的像素大小与初始模板数据中的目标像素大小之间的第二偏移量；
S703.将同一斑块对应的第一偏移量和第二偏移量作为需加权的因子，进行加权求和得到第一数值；
S704.比较各个斑块对应的第一数值大小，若最大的第一数值大于第二预设值，则将第一数值最大的斑块确定为目标，否则判定目标消失。
示例性地，第一偏移量通过第一公式计算得到，第一公式为：
；
其中，表示第一偏移量，/>表示初始模板数据中的目标中心点坐标，/>表示斑块的中心点坐标，/>表示偏移系数且为经验取值。
示例性地，第二偏移量通过第二公式计算得到，第二公式为：
；
其中，表示第二偏移量，/>表示初始模板数据中的目标像素大小，/>表示斑块的像素大小。
示例性地，第一数值通过第三公式计算得到，第三公式为：
；
其中，Score 表示第一数值，表示高斯分布函数，/>表示第一权重系数，/>表示第二权重系数。优选地，第二权重系数大于第一权重系数。
作为上述实施例的另一种改进，步骤S200中所截取的搜索窗数量为多个且大小不同。为便于S300中对搜索窗图像的灰度直方图计算，将截取得到的不同搜索窗的尺寸调整为相同的大小。应当理解的是，当所截取的搜索窗数量为多个时，S600所表述的是：针对每一个搜索窗，利用每个搜索窗的灰度直方图确定出的上下限分割阈值均对应得到目标图像的一个二值图像。
可选的，在将不同搜索窗的尺寸调整为相同的大小时，以最小尺寸的搜索窗为基准，对其余尺寸的搜索窗通过下采样作最近邻插值，插值后的各个搜索窗尺寸均与最小尺寸搜索窗的尺寸相同。
当小目标为无人机时，本实施例实现的目标跟踪方法的一种具体应用实例如下：
1）因为无人机在天空中很小的原因，一般默认目标大小小于32*32，所以步骤S200中所截取的搜索窗尺寸包括两个，分别为33*33和65*65，在计算搜索窗的灰度直方图前，将65*65的搜索窗resize成33*33；
2）S300中计算搜索窗的灰度直方图时，将灰度直方图中灰度值的宽设为2；
3）第一预设值设为3；
4）将所有斑块的轮廓与初始模板数据进行相似度匹配时，高斯分布函数选择为标准高斯分布函数，标准高斯分布函数是指中，标准差/>， 均值u = 0，且根据无人机的特点，第一公式和第二公式中的k1设为0.0117188，第三公式中的设为0.3，/>设为0.7。
实施例二
本实施例基于实施例一中实现的目标跟踪方法，提出了一种基于灰度直方图提取小目标的目标跟踪装置。装置包括存储器和处理器，存储器内保存有如实施例一所实现的基于灰度直方图提取小目标的目标跟踪方法，处理器用于调用该方法进行目标跟踪。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.基于灰度直方图提取小目标的目标跟踪方法，其特征在于，包括：
获取连续两帧图像，并锁定两帧图像中第一帧内的待跟踪目标，得到目标的初始模板数据；
以目标在第一帧中的中心点作为区域截取时的中心点，在第二帧中进行区域截取得到至少一个搜索窗；
计算每个搜索窗的灰度直方图，在灰度直方图中，像素数目最多的灰度值的高度为256，其他灰度值的高度通过该灰度值的像素数目与灰度值所对应的最多像素数目的比值作均衡化后得到；
计算每个搜索窗对应的分割门限值，并以像素数目最多的灰度值为中心，分别向左右两边进行灰度直方图高度的搜索，若至少一个灰度直方图，其高度连续低于对应分割门限值的次数达到了第一预设值，则执行下一步，否则判定目标消失；
作平行于该灰度直方图横轴的分割线，且分割线与灰度直方图横轴的间距为该灰度直方图对应的分割门限值，并将该分割线与灰度直方图的最左端和最右端交界点处的灰度值作为上下限分割阈值；
对第一帧和第二帧执行帧间差分，并利用各个上下限分割阈值一一对应得到目标图像的各个二值图像；
确定二值图像内各个斑块的轮廓，并将所有斑块的轮廓与所述初始模板数据进行相似度匹配，若最高相似度大于第二预设值，则将相似度最高的斑块确定为目标，否则判定目标消失；
其中，所述分割门限值，T表示该搜索窗内所有像素的灰度值之和，127.5表示灰度值的中位数，/>表示灰度值所对应的最多像素数目。
2.根据权利要求1所述的基于灰度直方图提取小目标的目标跟踪方法，其特征在于，所述搜索窗的数量为多个且大小不同，在计算搜索窗的灰度直方图前，将各个搜索窗的尺寸调整为相同的大小。
3.根据权利要求2所述的基于灰度直方图提取小目标的目标跟踪方法，其特征在于，所述将各个搜索窗的尺寸调整为相同的大小时，通过下采样作最近邻插值。
4.根据权利要求1所述的基于灰度直方图提取小目标的目标跟踪方法，其特征在于，所述计算每个搜索窗的灰度直方图，具体为：
计算搜索窗在每个灰度值的像素数目，其中，i表示灰度值且/>；
计算每个灰度值在灰度直方图里的高度，其中，/>表示像素数目最多的灰度值的高度，且取值为256。
5.根据权利要求1所述的基于灰度直方图提取小目标的目标跟踪方法，其特征在于，所述将所有斑块的轮廓与所述初始模板数据进行相似度匹配，若最高相似度大于第二预设值，则将相似度最高的斑块确定为目标，否则判定目标消失，具体为：
计算每个斑块的中心点坐标与所述初始模板数据中的目标中心点坐标之间的第一偏移量；
计算每个斑块的像素大小与所述初始模板数据中的目标像素大小之间的第二偏移量；
将同一斑块对应的第一偏移量和第二偏移量作为需加权的因子，进行加权求和得到第一数值；
比较各个斑块对应的第一数值大小，若最大的第一数值大于第二预设值，则将第一数值最大的斑块确定为目标，否则判定目标消失。
6.根据权利要求5所述的基于灰度直方图提取小目标的目标跟踪方法，其特征在于，
根据第一公式计算所述第一偏移量，所述第一公式为，其中，/>表示第一偏移量，（posX，posY）表示初始模板数据中的目标中心点坐标，/>表示斑块的中心点坐标，/>表示偏移系数；
根据第二公式计算所述第二偏移量，所述第二公式为：，其中，/> 表示第二偏移量，/>表示初始模板数据中的目标像素大小，/>表示斑块的像素大小。
7.根据权利要求6所述的基于灰度直方图提取小目标的目标跟踪方法，其特征在于，根据第三公式计算所述第一数值，所述第三公式为，其中，Score 表示第一数值，/>表示高斯分布函数，/>表示第一权重系数，/>表示第二权重系数。
8.基于灰度直方图提取小目标的目标跟踪装置，其特征在于，包括存储器和处理器，所述存储器内保存有权利要求1-7项任一项所述的基于灰度直方图提取小目标的目标跟踪方法，所述处理器用于调用所述方法进行目标跟踪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311340390.2A CN117078722B (zh) | 2023-10-17 | 2023-10-17 | 基于灰度直方图提取小目标的目标跟踪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311340390.2A CN117078722B (zh) | 2023-10-17 | 2023-10-17 | 基于灰度直方图提取小目标的目标跟踪方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117078722A true CN117078722A (zh) | 2023-11-17 |
| CN117078722B CN117078722B (zh) | 2023-12-22 |
Family
ID=88704755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311340390.2A Active CN117078722B (zh) | 2023-10-17 | 2023-10-17 | 基于灰度直方图提取小目标的目标跟踪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117078722B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156987A (zh) * | 2014-09-10 | 2014-11-19 | 成都金盘电子科大多媒体技术有限公司 | 一种视频内容多目标跟踪方法 |
| CN105631899A (zh) * | 2015-12-28 | 2016-06-01 | 哈尔滨工业大学 | 一种基于灰度纹理特征的超声图像运动目标跟踪方法 |
| CN107240118A (zh) * | 2017-05-19 | 2017-10-10 | 成都信息工程大学 | 一种基于rgb颜色直方图的判别式跟踪方法 |
| CN107742306A (zh) * | 2017-09-20 | 2018-02-27 | 徐州工程学院 | 一种智能视觉中运动目标跟踪算法 |
| CN108346160A (zh) * | 2017-12-22 | 2018-07-31 | 湖南源信光电科技股份有限公司 | 基于视差图背景差法和Meanshift结合的多运动目标跟踪方法 |
| CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
| US20190164010A1 (en) * | 2017-11-30 | 2019-05-30 | Kofax, Inc. | Object detection and image cropping using a multi-detector approach |
| CN112770090A (zh) * | 2020-12-28 | 2021-05-07 | 杭州电子科技大学 | 一种基于异动检测与目标跟踪的监控方法 |
| US20210142055A1 (en) * | 2019-11-07 | 2021-05-13 | Ambarella International Lp | Surveillance camera system looking at passing cars |
-
2023
- 2023-10-17 CN CN202311340390.2A patent/CN117078722B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156987A (zh) * | 2014-09-10 | 2014-11-19 | 成都金盘电子科大多媒体技术有限公司 | 一种视频内容多目标跟踪方法 |
| CN105631899A (zh) * | 2015-12-28 | 2016-06-01 | 哈尔滨工业大学 | 一种基于灰度纹理特征的超声图像运动目标跟踪方法 |
| CN107240118A (zh) * | 2017-05-19 | 2017-10-10 | 成都信息工程大学 | 一种基于rgb颜色直方图的判别式跟踪方法 |
| CN107742306A (zh) * | 2017-09-20 | 2018-02-27 | 徐州工程学院 | 一种智能视觉中运动目标跟踪算法 |
| US20190164010A1 (en) * | 2017-11-30 | 2019-05-30 | Kofax, Inc. | Object detection and image cropping using a multi-detector approach |
| CN108346160A (zh) * | 2017-12-22 | 2018-07-31 | 湖南源信光电科技股份有限公司 | 基于视差图背景差法和Meanshift结合的多运动目标跟踪方法 |
| CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
| US20210142055A1 (en) * | 2019-11-07 | 2021-05-13 | Ambarella International Lp | Surveillance camera system looking at passing cars |
| CN112770090A (zh) * | 2020-12-28 | 2021-05-07 | 杭州电子科技大学 | 一种基于异动检测与目标跟踪的监控方法 |
Non-Patent Citations (4)
| Title |
|---|
| XIUYAN TIAN 等: "Object Tracking Algorithm based on Improved Context Model in Combination with Detection Mechanism for Suspected Objects", 《MULTIMEDIA TOOLS AND APPLICATIONS》, pages 16907 - 16922 * |
| 张香竹: "多目标的检测与跟踪", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 01, pages 138 - 999 * |
| 李媛: "基于视频的运动目标检测跟踪算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 03, pages 138 - 730 * |
| 郑茂凯: "运动目标识别与跟踪方法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 08, pages 138 - 821 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117078722B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428433B (zh) | 一种基于局部阈值的Canny边缘检测算法 | |
| CN110728697B (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
| CN110517288B (zh) | 基于全景多路4k视频图像的实时目标检测跟踪方法 | |
| CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
| CN109460764B (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
| CN112184759A (zh) | 一种基于视频的运动目标检测与跟踪方法及系统 | |
| CN107968946B (zh) | 视频帧率提升方法及装置 | |
| CN110321937B (zh) | 一种Faster-RCNN结合卡尔曼滤波的运动人体跟踪方法 | |
| CN110490904B (zh) | 一种弱小目标检测与跟踪方法 | |
| CN108876820B (zh) | 一种基于均值漂移的遮挡条件下移动目标追踪方法 | |
| CN110647836B (zh) | 一种鲁棒的基于深度学习的单目标跟踪方法 | |
| CN111047624A (zh) | 图像弱小目标检测方法、装置、设备及存储介质 | |
| CN110363197B (zh) | 基于改进视觉背景提取模型的视频感兴趣区域提取方法 | |
| CN116229359A (zh) | 一种基于改进经典光流法模型的烟雾识别方法 | |
| CN109448024B (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
| CN101908236B (zh) | 公交客流统计方法 | |
| CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
| CN108010050B (zh) | 一种基于自适应背景更新和选择性背景更新的前景检测方法 | |
| CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
| CN111881837B (zh) | 基于阴影提取的视频sar运动目标检测方法 | |
| CN113781523A (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
| CN117078722B (zh) | 基于灰度直方图提取小目标的目标跟踪方法及装置 | |
| 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 | |
| CN114511803A (zh) | 一种面向视觉跟踪任务的目标遮挡检测方法 | |
| CN110322474B (zh) | 一种基于无人机平台的图像动目标实时检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Dongchen Inventor after: Chu Junbo Inventor after: Dong Pingkai Inventor after: Chen Weidong Inventor after: Yang Wei Inventor after: Zhao Wenjie Inventor after: Xia Tian Inventor after: Luo Hansen Inventor after: Xiao Xiao Inventor after: He Jian Inventor after: Chen Chun Inventor after: Gao Shengjiu Inventor after: Li Yijie Inventor after: Li Feitao Inventor after: Ran Huanhuan Inventor after: Li Helun Inventor after: Chen Yi Inventor after: Wang Dan Inventor before: Li Dongchen Inventor before: Chu Junbo Inventor before: Dong Pingkai Inventor before: Chen Weidong Inventor before: Yang Wei Inventor before: Zhao Wenjie Inventor before: Xia Tian Inventor before: Luo Hansen Inventor before: Xiao Xiao Inventor before: He Jian Inventor before: Chen Chun Inventor before: Gao Shengjiu Inventor before: Li Yijie Inventor before: Li Feitao Inventor before: Ran Huanhuan Inventor before: Li Helun Inventor before: Chen Yi Inventor before: Wang Dan |