JP2018032078A - 他の物体の画像領域も考慮して物体を追跡する装置、プログラム及び方法 - Google Patents
他の物体の画像領域も考慮して物体を追跡する装置、プログラム及び方法 Download PDFInfo
- Publication number
- JP2018032078A JP2018032078A JP2016161968A JP2016161968A JP2018032078A JP 2018032078 A JP2018032078 A JP 2018032078A JP 2016161968 A JP2016161968 A JP 2016161968A JP 2016161968 A JP2016161968 A JP 2016161968A JP 2018032078 A JP2018032078 A JP 2018032078A
- Authority
- JP
- Japan
- Prior art keywords
- image
- tracking
- time point
- image area
- candidate
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
1つの時点の前の時点において決定された1つの物体に係る画像領域に基づいて、当該1つの時点での画像における複数の画像領域を、当該1つの物体に係る複数の候補画像領域として抽出する候補領域抽出手段と、
当該複数の候補画像領域の中から、当該候補画像領域と、当該前の時点で決定された他の物体に係る画像領域、又はロストした他の物体に係る過去の画像領域との間の類似又は重畳の度合いを含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定する追跡決定手段と
を有する物体追跡装置が提供される。
(E1)当該前の時点で1つ若しくは複数の他の物体について決定された1つ若しくは複数の画像領域と、当該候補画像領域との間の1つ若しくは複数の類似度、又は当該類似度のうちで最大の類似度、
(E2)当該前の時点で1つ若しくは複数の他の物体について決定された1つ若しくは複数の画像領域と、当該候補画像領域との間の1つ若しくは複数のオーバーラップ率、又は当該オーバーラップ率のうちで最大のオーバーラップ率、及び
(E3)当該前の時点でロストとされた1つ若しくは複数の他の物体に係る1つ若しくは複数の過去の画像領域と、当該候補画像領域との間の1つ若しくは複数の類似度、又は当該類似度のうちで最大の類似度
のうちの少なくとも1つを含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定することも好ましい。
(E4)当該1つの時点から見て1つ若しくは複数の前の時点で正解とされた当該1つの物体に係る1つ若しくは複数の画像領域と、当該候補画像領域との間の1つ若しくは複数の類似度、又は当該類似度の平均値、
(E5)当該前の時点で正解とされた当該1つの物体に係る画像領域と、当該候補画像領域とのオーバーラップ率、
(E6)当該物体を検出可能なように学習した所定の物体識別器によって当該1つの時点の画像から検出された1つ若しくは複数の物体に係る1つ若しくは複数の画像領域と、当該候補画像領域との間の1つ若しくは複数のオーバーラップ率、又は当該オーバーラップ率のうちで最大のオーバーラップ率、
(E7)当該1つの物体を識別可能なように学習した所定のターゲット識別器によって、当該候補画像領域について算出された、当該1つの物体に係る画像領域として識別される度合いである信頼度、及び
(E8)当該物体らしさを判別可能なように学習した所定の物体らしさ識別器によって、当該候補画像領域について算出された物体らしさを示すスコア
のうちの少なくとも1つをも含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定することも好ましい。
追跡決定手段は、二次の当該複数の候補画像領域の中から、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定することも好ましい。
1つの時点の前の時点において決定された1つの物体に係る画像領域に基づいて、当該1つの時点での画像における複数の画像領域を、当該1つの物体に係る複数の候補画像領域として抽出する候補領域抽出手段と、
当該複数の候補画像領域の中から、当該候補画像領域と、当該前の時点で決定された他の物体に係る画像領域、又はロストした他の物体に係る過去の画像領域との間の類似又は重畳の度合いを含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定する追跡決定手段と
としてコンピュータを機能させる物体追跡プログラムが提供される。
1つの時点の前の時点において決定された1つの物体に係る画像領域に基づいて、当該1つの時点での画像における複数の画像領域を、当該1つの物体に係る複数の候補画像領域として抽出するステップと、
当該複数の候補画像領域の中から、当該候補画像領域と、当該前の時点で決定された他の物体に係る画像領域、又はロストした他の物体に係る過去の画像領域との間の類似又は重畳の度合いを含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定するステップと
を有する物体追跡方法が提供される。
図1は、本発明による物体追跡装置を含む物体追跡システムの一実施形態を示す模式図である。
(a)追跡対象の物体を撮影可能であり、撮影した画像の情報を、通信ネットワークを介して時系列で送信可能な1つ又は複数のカメラ2と、
(b)カメラ2から通信ネットワークを介して取得される時系列の画像群を用い、当該物体の位置情報を予測して当該物体を追跡可能な物体追跡装置1と
を備えている。
(A)1つの時点の前の時点において決定された1つの物体に係る画像領域に基づいて、この1つの時点での画像における複数の画像領域を、この1つの物体に係る複数の候補画像領域として抽出し、
(B)複数の候補画像領域の中から、当該候補画像領域と、前の時点で決定された「他の物体」に係る画像領域との間の類似(又は重畳)の度合いを含むエビデンスに基づいて、この1つの時点で正解とされるこの1つの物体に係る画像領域を決定する。
図2は、本発明による物体追跡装置の一実施形態における処理の流れを概略的に示すフローチャートである。
図3は、本発明による物体追跡装置の一実施形態における機能構成を示す機能ブロック図である。
(1) R=SIN×d
で算出される。上式において、SINは、特徴空間において当該特徴量が負のラベル側に存在していれば−1、正のラベル側に存在していれば1となる。また、dは、特徴空間内における当該特徴量と識別境界面(識別超平面)との距離である。なお、このような識別器を用いた物体追跡については、例えば、S. Hare, A. Saffari and P. H. S. Torr,"Struck: Structured Output Tracking with Kernels",Publications of International Conference on Computer Vision (ICCV), 2011年,263〜270頁に記載されている。ここで、多層NNでモデルを構築している場合、一次候補画像領域を多層NNに入力した後に出力される2次元ベクトルのうち、正のラベルに対応する要素の値を信頼度とすることも可能である。
図3に戻って、ハンドリング部122は、追跡決定部122aと、検出決定部122bと、復帰決定部122cと有し、物体識別器(物体検出部111)によって検出された画像領域であって、ターゲット識別器(個別モデル操作部121)によって選択された(二次の)候補画像領域について、新規ID登録、追跡(位置決定)、ロスト(追跡中断)及び(追跡中断中IDの)復帰に係る処理をハンドリング(操作)する。
(a)候補領域抽出部112(図3)が、当該画像から一次候補画像領域を抽出し、
(b)個別モデル操作部121(図3)が、見かけのモデル(ターゲット識別器)を用いて、各一次候補画像領域の信頼度を算出し、
(c)同じく個別モデル操作部121(図3)が、一次候補画像領域を信頼度順にソートし、そのうちの上位n個(例えば数個)を二次候補画像領域に決定する。
(d)各二次候補画像領域に対し、他のID(追跡対象物体)に係る画像領域との間の類似度又はオーバーラップ率を含むエビデンス情報を算出し、これをベクトル化して特徴量を生成し、
(e)各二次候補画像領域に対応する特徴量を、追跡識別モデル(追跡用ハンドリング識別器)に適用し、各二次候補画像領域が追跡対象(ターゲット)であるか否かを推定し、
(f)追跡対象(ターゲット)であると推定された二次候補画像領域の中から最も信頼度の高い画像領域を選択し、選択された画像領域を、追跡対象(ターゲット)の正解画像領域に決定する。また、決定された正解画像領域の位置を、当該IDに係る追跡対象(ターゲット)の位置に決定する。
(g)一方、追跡対象(ターゲット)と推定された二次候補画像領域が存在しなかった場合、当該IDに係る追跡対象(ターゲット)はロストしたとみなす。
(E1)前の時点(時刻T−1)で追跡中の1つ若しくは複数の「他の物体」について決定された1つ若しくは複数の画像領域と、(二次)候補画像領域との間の1つ若しくは複数の「類似度」、又は当該「類似度」のうちで最大の類似度、
(E2)前の時点(時刻T−1)で追跡中の1つ若しくは複数の「他の物体」について決定された1つ若しくは複数の画像領域と、(二次)候補画像領域との間の1つ若しくは複数の「オーバーラップ率」、又は当該「オーバーラップ率」のうちで最大のオーバーラップ率、及び
(E3)前の時点(時刻T−1)でロストとされた1つ若しくは複数の「他の物体」に係る1つ若しくは複数の過去の画像領域と、(二次)候補画像領域との間の1つ若しくは複数の「類似度」、又は当該「類似度」のうちで最大の類似度
のうちの少なくとも1つを含むものを採用することが好ましい。
(E4)1つの時点(時刻T)から見て1つ若しくは複数の前の時点で正解とされた1つの物体に係る1つ若しくは複数の画像領域(例えば過去数フレームの正解画像領域)と、(二次)候補画像領域との間の1つ若しくは複数の「類似度」、又は当該類似度の平均値、
(E5)前の時点(時刻T−1)で正解とされた1つの物体に係る画像領域と、(二次)候補画像領域との「オーバーラップ率」、
(E6)追跡対象の物体を検出可能なように学習した所定の物体識別器によって1つの時点(時刻T)の画像から検出された1つ若しくは複数の物体に係る1つ若しくは複数の画像領域と、(二次)候補画像領域との間の1つ若しくは複数の「オーバーラップ率」、又は当該「オーバーラップ率」のうちで最大のオーバーラップ率、
(E7)1つの物体を識別可能なように学習したターゲット識別器121tによって、(二次)候補画像領域について算出された、この1つの物体に係る画像領域として識別される度合いである信頼度、及び
(E8)物体らしさを判別可能なように学習した所定の物体らしさ識別器によって、(二次)候補画像領域について算出された物体らしさを示すスコア
のうちの少なくとも1つをも含むものを採用することが好ましい。
(2) S(x1, x2)=1−α*d(x1, x2)
ここで、αは所与のパラメータであり、d(x1, x2)は、色ヒストグラム間距離である。
(3) OVR=|A∩B|/|A∪B|
ここで、|A∩B|は、画像領域Aと画像領域Bの両方に含まれる画素の数であり、|A∪B|は、画像領域Aと画像領域Bのうちの少なくとも一方に含まれる画素の数である。
(a)類似度算出対象である二次候補画像領域と、
(b)追跡中の他の物体の前時刻(時刻T−1)での画像領域、ロスト中の他の物体の過去の画像領域、又は過去の正解画像領域と
を、それぞれ畳み込み層(convolution layer)を含むNN-1及びNN-2に入力し、これらのNNから抽出されたそれぞれの画像領域に係る特徴量を、コントラスティブ・ロス(contrastive loss)をもって比較することによって「類似度」を決定している。
(a)(二次)候補画像領域の各々について生成した「エビデンス情報」から特徴量を決定し、
(b)正解領域と非正解領域とを識別可能なように学習した追跡ハンドリング用識別器122atに対し、決定した特徴量を入力し、入力した特徴量に係る候補画像領域にスコアを付与し、当該画像領域が正解とされる画像領域か否かを判定する。
(c)また、このようなスコア付与・判定の結果に基づいて、1つの時点(時刻T)で正解とされる追跡対象IDの物体に係る画像領域を決定し、または追跡対象IDに係る物体はロストしたとの判定を行う。
図3に戻って、ハンドリング部122の検出決定部122bは、追跡対象の物体を検出可能なように学習した所定の物体識別器によって検出された1つの時点(時刻T)での1つの物体に係る画像領域について、この画像領域と、検出された「他の物体」に係る画像領域又はロストしている「他の物体」に係る過去の画像領域との間の類似又は重畳の度合いを含む「検出エビデンス」に基づき、追跡対象の画像領域であるか否かを判定する。
(D1)全ての追跡対象IDに係る画像領域とのオーバーラップ率のうちで、最も高い最大オーバーラップ率、
(D2)全ての追跡対象IDに係る画像領域との類似度のうちで、最も高い最大類似度、及び
(D3)全てのロスト中であるIDに係る画像領域との類似度のうちで、最も高い最大類似度
のうちの少なくとも1つを採用することも好ましい。また、
(D4)追跡の際のエビデンス(E8)と同様に、所定の物体らしさ識別器によって算出された物体らしさを示すスコア
も「検出エビデンス」に含めることも好ましい。
(a)新規のIDを割り当てる、(b)ロストから復帰させる、及び(c)何もしない
の3つのラベルのいずれかを付与する。
同じく図3において、ハンドリング部122の復帰決定部122cは、上記(b)の「ロストから復帰させる」とのラベルを付与された検出画像領域について、ロスト中のIDのうちのいずれに復帰させるかを決定する。
(R1)当該組におけるロスト中のIDに係る画像領域との類似度、
(R2)追跡の際のエビデンス(E8)と同様に、所定の物体らしさ識別器によって算出された物体らしさを示すスコア、及び
(R3)当該組におけるロスト中のIDにおけるロストの継続時間、又はロストの継続しているフレームの数
を採用することも好ましい。
101 通信インタフェース
102 画像蓄積部
103 識別モデル記憶部
104 ID(識別子)蓄積部
105 画像領域蓄積部
106 追跡物体情報記憶部
111 物体検出部
112 候補領域抽出部
12 ID管理部
121 個別モデル操作部
122 ハンドリング部
122a 追跡決定部
122b 検出決定部
122c 復帰決定部
131 通信制御部
2 カメラ
Claims (11)
- 複数の追跡対象の物体が含まれ得る時系列の画像群の各画像において、当該物体に係る画像領域又は当該物体のロストを決定していくことによって当該物体を追跡可能な装置であって、
1つの時点の前の時点において決定された1つの物体に係る画像領域に基づいて、当該1つの時点での画像における複数の画像領域を、当該1つの物体に係る複数の候補画像領域として抽出する候補領域抽出手段と、
当該複数の候補画像領域の中から、当該候補画像領域と、当該前の時点で決定された他の物体に係る画像領域、又はロストした他の物体に係る過去の画像領域との間の類似又は重畳の度合いを含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定する追跡決定手段と
を有することを特徴とする物体追跡装置。 - 前記追跡決定手段は、
当該前の時点で1つ若しくは複数の他の物体について決定された1つ若しくは複数の画像領域と、当該候補画像領域との間の1つ若しくは複数の類似度、又は当該類似度のうちで最大の類似度、
当該前の時点で1つ若しくは複数の他の物体について決定された1つ若しくは複数の画像領域と、当該候補画像領域との間の1つ若しくは複数のオーバーラップ率、又は当該オーバーラップ率のうちで最大のオーバーラップ率、及び
当該前の時点でロストとされた1つ若しくは複数の他の物体に係る1つ若しくは複数の過去の画像領域と、当該候補画像領域との間の1つ若しくは複数の類似度、又は当該類似度のうちで最大の類似度
のうちの少なくとも1つを含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定することを特徴とする請求項1に記載の物体追跡装置。 - 前記追跡決定手段は、さらに、
当該1つの時点から見て1つ若しくは複数の前の時点で正解とされた当該1つの物体に係る1つ若しくは複数の画像領域と、当該候補画像領域との間の1つ若しくは複数の類似度、又は当該類似度の平均値、
当該前の時点で正解とされた当該1つの物体に係る画像領域と、当該候補画像領域とのオーバーラップ率、
当該物体を検出可能なように学習した所定の物体識別器によって当該1つの時点の画像から検出された1つ若しくは複数の物体に係る1つ若しくは複数の画像領域と、当該候補画像領域との間の1つ若しくは複数のオーバーラップ率、又は当該オーバーラップ率のうちで最大のオーバーラップ率、
当該1つの物体を識別可能なように学習した所定のターゲット識別器によって、当該候補画像領域について算出された、当該1つの物体に係る画像領域として識別される度合いである信頼度、及び
当該物体らしさを判別可能なように学習した所定の物体らしさ識別器によって、当該候補画像領域について算出された物体らしさを示すスコア
のうちの少なくとも1つをも含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定することを特徴とする請求項1又は2に記載の物体追跡装置。 - 抽出された当該1つの物体に係る候補画像領域の中から、当該候補画像領域における当該1つの物体に係る画像領域として識別される度合いである信頼度に基づいて、二次の複数の候補画像領域を選択する候補領域選択手段を更に有し、
前記追跡決定手段は、二次の当該複数の候補画像領域の中から、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定する
ことを特徴とする請求項1から3のいずれか1項に記載の物体追跡装置。 - 前記追跡決定手段は、当該エビデンスから特徴量を決定し、正解領域と非正解領域とを識別可能なように学習した追跡ハンドリング用識別器に当該特徴量を入力して、当該特徴量に係る候補画像領域が正解とされる画像領域か否かを判定することを特徴とする請求項1から4のいずれか1項に記載の物体追跡装置。
- 前記追跡決定手段は、当該複数の候補画像領域のうちで、正解とされる画像領域であると判定された候補画像領域が存在しない場合、当該1つの物体はロストしたと決定することを特徴とする請求項5に記載の物体追跡装置。
- 当該物体を検出可能なように学習した所定の物体識別器によって検出された当該1つの時点での当該1つの物体に係る画像領域について、当該画像領域と、検出された他の物体に係る画像領域又はロストしている他の物体に係る過去の画像領域との間の類似又は重畳の度合いを含む検出エビデンスに基づき、追跡対象の画像領域であるか否かを判定する検出決定手段を更に有することを特徴とする請求項1から6のいずれか1項に記載の物体追跡装置。
- 前記追跡決定手段と前記検出決定手段とを含み、前記物体識別器によって検出された画像領域について、新規登録、追跡、ロスト及び復帰に係る処理をハンドリングするハンドリング手段を有することを特徴とする請求項7に記載の物体追跡装置。
- 当該類似の度合いは、類似度であって、類似度算出対象の画像領域を、畳み込み層(convolution layer)を含むニューラルネットワークに入力し、該ニューラルネットワークから抽出された当該画像領域に係る特徴量を比較することによって決定される値であることを特徴とする請求項1から8のいずれか1項に記載の物体追跡装置。
- 複数の追跡対象の物体が含まれ得る時系列の画像群の各画像において、当該物体に係る画像領域又は当該物体のロストを決定していくことによって当該物体を追跡可能な装置に搭載されたコンピュータを機能させるプログラムであって、
1つの時点の前の時点において決定された1つの物体に係る画像領域に基づいて、当該1つの時点での画像における複数の画像領域を、当該1つの物体に係る複数の候補画像領域として抽出する候補領域抽出手段と、
当該複数の候補画像領域の中から、当該候補画像領域と、当該前の時点で決定された他の物体に係る画像領域、又はロストした他の物体に係る過去の画像領域との間の類似又は重畳の度合いを含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定する追跡決定手段と
としてコンピュータを機能させることを特徴とする物体追跡プログラム。 - 複数の追跡対象の物体が含まれ得る時系列の画像群の各画像において、当該物体に係る画像領域又は当該物体のロストを決定していくことによって当該物体を追跡可能な装置における当該物体を追跡する方法であって、
1つの時点の前の時点において決定された1つの物体に係る画像領域に基づいて、当該1つの時点での画像における複数の画像領域を、当該1つの物体に係る複数の候補画像領域として抽出するステップと、
当該複数の候補画像領域の中から、当該候補画像領域と、当該前の時点で決定された他の物体に係る画像領域、又はロストした他の物体に係る過去の画像領域との間の類似又は重畳の度合いを含むエビデンスに基づいて、当該1つの時点で正解とされる当該1つの物体に係る画像領域を決定するステップと
を有することを特徴とする物体追跡方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016161968A JP6598746B2 (ja) | 2016-08-22 | 2016-08-22 | 他の物体の画像領域も考慮して物体を追跡する装置、プログラム及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016161968A JP6598746B2 (ja) | 2016-08-22 | 2016-08-22 | 他の物体の画像領域も考慮して物体を追跡する装置、プログラム及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018032078A true JP2018032078A (ja) | 2018-03-01 |
JP6598746B2 JP6598746B2 (ja) | 2019-10-30 |
Family
ID=61303484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016161968A Active JP6598746B2 (ja) | 2016-08-22 | 2016-08-22 | 他の物体の画像領域も考慮して物体を追跡する装置、プログラム及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6598746B2 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6476531B1 (ja) * | 2018-03-06 | 2019-03-06 | 株式会社ツバサファクトリー | 処理装置、処理方法、コンピュータプログラム及び処理システム |
JP2019185616A (ja) * | 2018-04-16 | 2019-10-24 | Kddi株式会社 | 画像抽出装置、画像抽出方法及び画像抽出プログラム |
JP2019204518A (ja) * | 2018-07-02 | 2019-11-28 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | 人物追跡方法、装置、機器及び記憶媒体 |
JP2020030795A (ja) * | 2018-08-23 | 2020-02-27 | 富士ゼロックス株式会社 | 地図画像背景から位置を推定するためのシステム、方法、及びプログラム |
JP2020061066A (ja) * | 2018-10-12 | 2020-04-16 | 富士通株式会社 | 学習プログラム、検出プログラム、学習装置、検出装置、学習方法および検出方法 |
CN111476302A (zh) * | 2020-04-08 | 2020-07-31 | 北京工商大学 | 基于深度强化学习的Faster-RCNN目标物体检测方法 |
JP2021012651A (ja) * | 2019-07-09 | 2021-02-04 | オムロン株式会社 | 予測装置、モデル生成装置、予測方法、モデル生成方法、予測プログラム、およびモデル生成プログラム |
JP2021022235A (ja) * | 2019-07-29 | 2021-02-18 | 公益財団法人鉄道総合技術研究所 | 点滅検出装置および点滅検出方法 |
KR102245501B1 (ko) * | 2020-11-25 | 2021-04-29 | 주식회사 아이지오 | 딥러닝을 활용한 저화질 cctv 영상 기반의 객체 복원 시스템 |
CN113556506A (zh) * | 2020-04-24 | 2021-10-26 | 英研智能移动股份有限公司 | 基于图像的物体追踪方法 |
US11341361B2 (en) | 2019-11-05 | 2022-05-24 | Fujitsu Limited | Analysis apparatus, storage medium storing analysis program, and analysis method |
US11436431B2 (en) | 2019-11-05 | 2022-09-06 | Fujitsu Limited | Analysis apparatus, non-transitory computer-readable storage medium for analysis program, and analysis method |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011170711A (ja) * | 2010-02-19 | 2011-09-01 | Toshiba Corp | 移動物体追跡システムおよび移動物体追跡方法 |
JP2014074977A (ja) * | 2012-10-03 | 2014-04-24 | National Institute Of Advanced Industrial & Technology | 画像処理装置、画像処理方法および画像処理プログラム |
JP2016099941A (ja) * | 2014-11-26 | 2016-05-30 | 日本放送協会 | オブジェクト位置推定システム、及びそのプログラム |
JP2016099980A (ja) * | 2014-11-26 | 2016-05-30 | 日本電信電話株式会社 | 画像セグメンテーション方法、装置、及びプログラム |
JP2016126624A (ja) * | 2015-01-06 | 2016-07-11 | Kddi株式会社 | オクルージョン発生時に専用の識別器を用いて物体を追跡する装置、プログラム及び方法 |
-
2016
- 2016-08-22 JP JP2016161968A patent/JP6598746B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011170711A (ja) * | 2010-02-19 | 2011-09-01 | Toshiba Corp | 移動物体追跡システムおよび移動物体追跡方法 |
JP2014074977A (ja) * | 2012-10-03 | 2014-04-24 | National Institute Of Advanced Industrial & Technology | 画像処理装置、画像処理方法および画像処理プログラム |
JP2016099941A (ja) * | 2014-11-26 | 2016-05-30 | 日本放送協会 | オブジェクト位置推定システム、及びそのプログラム |
JP2016099980A (ja) * | 2014-11-26 | 2016-05-30 | 日本電信電話株式会社 | 画像セグメンテーション方法、装置、及びプログラム |
JP2016126624A (ja) * | 2015-01-06 | 2016-07-11 | Kddi株式会社 | オクルージョン発生時に専用の識別器を用いて物体を追跡する装置、プログラム及び方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019172262A1 (ja) * | 2018-03-06 | 2019-09-12 | 株式会社ツバサファクトリー | 処理装置、処理方法、コンピュータプログラム及び処理システム |
JP2019153229A (ja) * | 2018-03-06 | 2019-09-12 | 株式会社ツバサファクトリー | 処理装置、処理方法、コンピュータプログラム及び処理システム |
JP6476531B1 (ja) * | 2018-03-06 | 2019-03-06 | 株式会社ツバサファクトリー | 処理装置、処理方法、コンピュータプログラム及び処理システム |
JP2019185616A (ja) * | 2018-04-16 | 2019-10-24 | Kddi株式会社 | 画像抽出装置、画像抽出方法及び画像抽出プログラム |
JP7073179B2 (ja) | 2018-04-16 | 2022-05-23 | Kddi株式会社 | 画像抽出装置、画像抽出方法及び画像抽出プログラム |
JP2019204518A (ja) * | 2018-07-02 | 2019-11-28 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | 人物追跡方法、装置、機器及び記憶媒体 |
US11348354B2 (en) | 2018-07-02 | 2022-05-31 | Baidu Online Network Technology (Beijing) Co., Ltd. | Human body tracing method, apparatus and device, and storage medium |
JP7318239B2 (ja) | 2018-08-23 | 2023-08-01 | 富士フイルムビジネスイノベーション株式会社 | 地図画像背景から位置を推定するためのシステム、方法、及びプログラム |
JP2020030795A (ja) * | 2018-08-23 | 2020-02-27 | 富士ゼロックス株式会社 | 地図画像背景から位置を推定するためのシステム、方法、及びプログラム |
JP2020061066A (ja) * | 2018-10-12 | 2020-04-16 | 富士通株式会社 | 学習プログラム、検出プログラム、学習装置、検出装置、学習方法および検出方法 |
JP7208480B2 (ja) | 2018-10-12 | 2023-01-19 | 富士通株式会社 | 学習プログラム、検出プログラム、学習装置、検出装置、学習方法および検出方法 |
JP2021012651A (ja) * | 2019-07-09 | 2021-02-04 | オムロン株式会社 | 予測装置、モデル生成装置、予測方法、モデル生成方法、予測プログラム、およびモデル生成プログラム |
JP7354626B2 (ja) | 2019-07-09 | 2023-10-03 | オムロン株式会社 | 予測装置、モデル生成装置、予測方法、モデル生成方法、予測プログラム、およびモデル生成プログラム |
JP2021022235A (ja) * | 2019-07-29 | 2021-02-18 | 公益財団法人鉄道総合技術研究所 | 点滅検出装置および点滅検出方法 |
US11436431B2 (en) | 2019-11-05 | 2022-09-06 | Fujitsu Limited | Analysis apparatus, non-transitory computer-readable storage medium for analysis program, and analysis method |
US11341361B2 (en) | 2019-11-05 | 2022-05-24 | Fujitsu Limited | Analysis apparatus, storage medium storing analysis program, and analysis method |
CN111476302B (zh) * | 2020-04-08 | 2023-03-24 | 北京工商大学 | 基于深度强化学习的Faster-RCNN目标物体检测方法 |
CN111476302A (zh) * | 2020-04-08 | 2020-07-31 | 北京工商大学 | 基于深度强化学习的Faster-RCNN目标物体检测方法 |
CN113556506A (zh) * | 2020-04-24 | 2021-10-26 | 英研智能移动股份有限公司 | 基于图像的物体追踪方法 |
KR102245501B1 (ko) * | 2020-11-25 | 2021-04-29 | 주식회사 아이지오 | 딥러닝을 활용한 저화질 cctv 영상 기반의 객체 복원 시스템 |
Also Published As
Publication number | Publication date |
---|---|
JP6598746B2 (ja) | 2019-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6598746B2 (ja) | 他の物体の画像領域も考慮して物体を追跡する装置、プログラム及び方法 | |
JP6614611B2 (ja) | 画像間類似度を考慮して物体を追跡する装置、プログラム及び方法 | |
JP6018674B2 (ja) | 被写体再識別のためのシステム及び方法 | |
US8744125B2 (en) | Clustering-based object classification | |
JP6618395B2 (ja) | 行動価値によって調査対象の位置を予測する装置、プログラム及び方法 | |
Luber et al. | People tracking in rgb-d data with on-line boosted target models | |
US10009579B2 (en) | Method and system for counting people using depth sensor | |
JP6628494B2 (ja) | 実空間情報によって学習する識別器を用いて物体を追跡する装置、プログラム及び方法 | |
JP6654789B2 (ja) | 変化点で複数候補を考慮して物体を追跡する装置、プログラム及び方法 | |
CN108986148B (zh) | 实现多智能小车协同搜索识别并跟踪特定目标群体的方法 | |
JP6789876B2 (ja) | 画素変更処理画像を用いて対象を追跡する装置、プログラム及び方法 | |
Acharya et al. | Real-time detection and tracking of pedestrians in CCTV images using a deep convolutional neural network | |
AU2015203666A1 (en) | Methods and systems for controlling a camera to perform a task | |
WO2020088763A1 (en) | Device and method for recognizing activity in videos | |
CN112200020A (zh) | 一种行人重识别方法、装置、电子设备及可读存储介质 | |
Kadim et al. | Deep-learning based single object tracker for night surveillance. | |
US11151412B2 (en) | Systems and methods for determining actions performed by objects within images | |
Patino et al. | Abnormal behaviour detection on queue analysis from stereo cameras | |
US20230394686A1 (en) | Object Identification | |
Kumar et al. | Elderly health monitoring system with fall detection using multi-feature based person tracking | |
CN111798518A (zh) | 机械臂姿态检测方法、装置和设备及计算机存储介质 | |
JP2021149687A (ja) | 物体認識装置、物体認識方法及び物体認識プログラム | |
CN114972434A (zh) | 一种级联检测和匹配的端到端多目标跟踪系统 | |
CN114943873A (zh) | 一种工地人员异常行为分类方法及装置 | |
CN109670470B (zh) | 行人关系识别方法、装置、系统及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181001 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190827 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190930 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191001 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6598746 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |