TWI624806B - 物體追蹤裝置及物體追蹤方法 - Google Patents

物體追蹤裝置及物體追蹤方法 Download PDF

Info

Publication number
TWI624806B
TWI624806B TW106119760A TW106119760A TWI624806B TW I624806 B TWI624806 B TW I624806B TW 106119760 A TW106119760 A TW 106119760A TW 106119760 A TW106119760 A TW 106119760A TW I624806 B TWI624806 B TW I624806B
Authority
TW
Taiwan
Prior art keywords
unit
weight information
image
objects
degree
Prior art date
Application number
TW106119760A
Other languages
English (en)
Other versions
TW201833870A (zh
Inventor
Naohiro Shibuya
Yoshimi Moriya
Kazuo Sugimoto
Akira Minezawa
Mengxiong Wang
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Application granted granted Critical
Publication of TWI624806B publication Critical patent/TWI624806B/zh
Publication of TW201833870A publication Critical patent/TW201833870A/zh

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/20—Analysis of motion
    • G06T7/285—Analysis of motion using a sequence of stereo image pairs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

構成為：設置混雜度推定部(12)，針對各影像訊框，分別推定物體檢出部(11)所檢出的各個物體存在之區域的混雜度；物體選定部(13)，針對各影像訊框，參照混雜度推定部(12)得到的混雜度的推定結果，從物體檢出部(11)所檢出的1個以上的物體當中，分別選定存在於混雜度為第1閾值以下的區域之物體。

Description

物體追蹤裝置及物體追蹤方法
本發明關於使得存在於彼此相異的影像訊框內的物體之間對映的物體追蹤裝置及物體追蹤方法。
近年來，已有開發出物體追蹤裝置，其針對構成時系列影像的各影像訊框，檢出存在於該影像訊框內的1個以上的物體，進行存在於複數影像訊框內的物體之間的對映，藉此進行物體的追蹤。
下述的專利文獻1中揭露的物體追蹤裝置，具有自動調整物體的追蹤參數的功能，使得即使拍攝時系列影像的拍攝機器、或者、時系列影像的拍攝環境變化，也能夠防止物體的追蹤精度的劣化。
在下述的專利文獻1中，設想時系列影像的解析度的變化、以及時系列影像的訊框率的變化，以作為拍攝機器的變化。
另外，下述的專利文獻1中，設想拍攝機器的設置角度的變化、以及拍攝機器和監視對象的物體的相對的位置關係的變化，以作為拍攝環境的變化。
先行技術文獻
專利文獻：
專利文獻1：日本特開2012-59224號公報
過去的物體追蹤裝置係構成如上述，因此，即使拍攝時系列影像的拍攝機器、或者時系列影像的拍攝環境變化，也能夠防止物體的追蹤精度的劣化。但是，在執行複數影像訊框內存在的物體之間的對映時，會將影像訊框內存在的所有的物體都包含在對映的對象中。因此，例如，在物體的監視區域混雜的狀況等的難以高精度檢出物體的狀況下，物體檢出處理中所檢出的物體會被包含在對映的對象中。因此，有時會將錯誤檢出的物體包含在對映的對象中，在此情況下，會有物體的追蹤精度劣化的課題。
本發明係為了解決如上述的課題，其目的在於獲致物體追蹤裝置及物體追蹤方法，其即使在物體的監視區域混雜的狀況下，也能夠防止物體的追蹤精度的劣化。
本發明的物體追蹤裝置設有：物體檢出部，針對構成時系列影像的各影像訊框，檢出存在於該影像訊框內的1個以上的物體；混雜度推定部，針對各影像訊框，分別推定前記物體檢出部所檢出的各個物體存在之區域的混雜度；物體選定部，針對各影像訊框，參照前記混雜度推定部得到的混雜度的推定結果，從前記物體檢出部所檢出的1個以上的物體當中，分別選定存在於混雜度為第1閾值以下的區域之物體；特徵量算出部，針對各影像訊框，分別算出前記物體選定部所選 定的各個物體的特徵量；物體追蹤部，依據前記特徵量算出部所算出的各個物體的特徵量，進行前記物體選定部所選定的存在於彼此相異影像訊框內的物體之間的對映。
依據本發明，構成為：設置混雜度推定部，針對各影像訊框，分別推定前記物體檢出部所檢出的各個物體存在之區域的混雜度，物體選定部，針對各影像訊框，參照混雜度推定部得到的混雜度的推定結果，從物體檢出部所檢出的1個以上的物體當中，分別選定存在於混雜度為第1閾值以下的區域之物體，因此，具有如後效果：即使在物體的監視區域混雜的狀況下，也能夠防止物體的追蹤精度的劣化。
1‧‧‧攝影機
11‧‧‧物體檢出部
12‧‧‧混雜度推定部
13‧‧‧物體選定部
14‧‧‧權重資訊記憶部
15‧‧‧特徵量算出部
16‧‧‧物體追蹤部
21‧‧‧物體檢出電路
22‧‧‧混雜度推定電路
23‧‧‧物體選定電路
24‧‧‧權重資訊記憶電路
25‧‧‧特徵量算出電路
26‧‧‧物體追蹤電路
31‧‧‧影像輸入器
32‧‧‧影像資訊輸入器
33‧‧‧處理器
34‧‧‧記憶體
35‧‧‧結果輸出器
40‧‧‧特徵量算出部
50‧‧‧特徵量算出電路
【圖1】為表示依據本發明的實施形態1的物體追蹤裝置的構成圖。
【圖2】為表示依據本發明的實施形態1的物體追蹤裝置的硬體構成圖。
【圖3】為用軟體或韌體等實現圖1的物體追蹤裝置的情況下的電腦的硬體構成圖。
【圖4】為表示作為用軟體或韌體等實現圖1的物體追蹤裝置的情況下之處理程序的物體追蹤方法的流程圖。
【圖5】為表示物體檢出部11得到的人物的檢出結果及信賴度之一例的說明圖。
【圖6】為表示影像訊框內的混雜度被熱圖化之例的說明 圖。
【圖7】為表示基於混雜度的物體選定部13的選定結果的說明圖。
【圖8】為表示基於信賴度的物體選定部13的選定結果的說明圖。
【圖9】為表示時系列影像的解析度和時系列影像的訊框率的組合所對應的特徵量的權重資訊之一例的說明圖。
【圖10】為表示本發明的實施形態2的物體追蹤裝置的構成圖。
【圖11】為表示依據本發明的實施形態2的物體追蹤裝置的硬體構成圖。
【圖12】為表示依據本發明的實施形態2的物體追蹤裝置的特徵量算出部40中的處理內容的流程圖。
以下，為了更詳細說明本發明，依據附圖說明用以實施本發明的形態。
實施形態1.
圖1為表示依據本發明的實施形態1的物體追蹤裝置的構成圖，為表示依據本發明的實施形態1的物體追蹤裝置的硬體構成圖。
在圖1及圖2中，攝影機1為拍攝監視區域的拍攝機器，拍攝由複數影像訊框構成的時系列影像，並將時系列影像向物體追蹤裝置輸出。
另外，攝影機1，將表示時系列影像的解析度及時系列影 像的訊框率的影像資訊輸出到物體追蹤裝置。
由複數影像訊框構成的時系列影像可以為動畫等的影像，但不限定於動畫等的影像，亦可為例如複數的靜止影像依時系列排列的影像。
在此，係顯示拍攝機器為攝影機1的例子，拍攝機器不限定為攝影機1，例如亦可為數位錄影機等。
另外，也可以用事前記錄了複數影像訊框構成的時系列影像的儲存媒體和物體追蹤裝置連接以取代攝影機1，由物體追蹤裝置擷取已經記錄在儲存媒體的時系列影像。
物體檢出部11由例如圖2所示的物體檢出電路21實現。
物體檢出部11執行取得從攝影機1輸出的時系列影像及影像資訊的處理。
另外，物體檢出部11，針對構成已取得的時系列影像的各影像訊框，執行檢出該影像訊框內存在的1個以上的物體的處理。
另外，物體檢出部11，執行分別算出表示物體的檢出結果的可靠性的信賴度的處理。
混雜度推定部12由例如圖2所示的混雜度推定電路22實現。
混雜度推定部12，針對各影像訊框，解析該影像訊框的影像，執行分別推定物體檢出部11所檢出的各個物體存在的區域的混雜度的處理。
物體選定部13由例如圖2所示的物體選定電路23實現。
物體選定部13，針對各影像訊框，參照混雜度推定部12得到的混雜度的推定結果，執行從物體檢出部11所檢出的1個以上的物體當中，分別選定存在於混雜度為基準混雜度(第1閾值)以下的區域的物體之處理。
不過，物體選定部13，即使是存在於混雜度大於基準混雜度的區域的物體，仍選定物體檢出部11所算出的檢出結果的信賴度為基準信賴度(第2閾值)以上的物體。
權重資訊記憶部14由例如圖2所示的權重資訊記憶電路24實現。
權重資訊記憶部14，針對時系列影像的解析度和時系列影像的訊框率的各組合，記憶表示複數特徵量的權重的權重資訊。
特徵量算出部15由例如圖2所示的特徵量算出電路25實現。
特徵量算出部15，執行後述處理：從權重資訊記憶部14中記憶的複數權重資訊所對應的組合當中，特定出與從攝影機1輸出的影像資訊所示的時系列影像的解析度及訊框率的組合一致的組合。
另外，特徵量算出部15，從權重資訊記憶部14所記憶的複數權重資訊當中，取得已特定的組合所對應的權重資訊。
特徵量算出部15，針對各影像訊框，按照已取得的權重資訊，執行分別算出物體選定部13所選定的各個物體的特徵量的處理。
物體追蹤部16由例如圖2所示物體追蹤電路26 實現。
物體追蹤部16，按照特徵量算出部15所算出的各個物體的特徵量，進行物體選定部13所選定的存在於彼此相異影像訊框內的物體之間的對映。
圖1中，作為物體追蹤裝置的構成要素的物體檢出部11、混雜度推定部12、物體選定部13、權重資訊記憶部14、特徵量算出部15及物體追蹤部16，係設想為分別由如圖2所示的專用硬體實現。亦即，設想為由物體檢出電路21、混雜度推定電路22、物體選定電路23、權重資訊記憶電路24、特徵量算出電路25及物體追蹤電路26實現。
在此，權重資訊記憶電路24為例如RAM(Random Access Memory)、ROM(Read Only Memory)、快閃記憶體、EPROM(Erasable Programmable Read Only Memory)、EEPROM(Electrically Erasable Programmable Read Only Memory)等的非揮發性或揮發性的半導體記憶體、或者磁碟、軟碟、光碟、CD、小型碟片(MiniDisc)、DVD(Digital Versatile Disc)等。
另外，物體檢出電路21、混雜度推定電路22、物體選定電路23、特徵量算出電路25及物體追蹤電路26為例如、單一電路、複合電路、程式化處理器、並列程式化處理器、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、或者上述之組合。
不過，物體追蹤裝置的構成要素，不限定於使用專用硬體實現，物體追蹤裝置亦可由軟體、韌體、或者軟體和 韌體的組合實現。
軟體或韌體係作為程式，儲存在電腦的記憶體中。電腦為執行程式的硬體，其可以為例如CPU(Central Processing Unit)、中央處理裝置、處理裝置、演算裝置、微處理器、微電腦、處理器、DSP(Digital Signal Processor)等。
圖3為用軟體或韌體等實現圖1的物體追蹤裝置的情況下的電腦的硬體構成圖。
在圖3中，影像輸入器31為對於攝影機1的介面機器，取得從攝影機1輸出的時系列影像。
影像資訊輸入器32為對於攝影機1的介面機器，取得從攝影機1輸出的影像資訊。
處理器33執行儲存於記憶體34中的程式。
記憶體34儲存處理器33所執行的程式及權重資訊等。
結果輸出器35為對於例如顯示裝置等的介面機器，輸出物體追蹤裝置的追蹤結果等。
用軟體或韌體等實現圖1的物體追蹤裝置的情況下，將權重資訊記憶部14構成於電腦的記憶體34上，並將用以使得電腦執行物體檢出部11、混雜度推定部12、物體選定部13、特徵量算出部15及物體追蹤部16的處理程序的程式儲存在記憶體34中，由電腦的處理器33執行儲存在記憶體34的程式即可。
圖4為表示作為用軟體或韌體等實現圖1的物體追蹤裝置的情況下之處理程序的物體追蹤方法的流程圖。
繼之，說明動作。
在此實施形態1中，說明在物體的監視區域內有複數人物存在，物體的追蹤對象為存在於監視區域內的複數人物之例。
不過，物體的追蹤對象為存在於監視區域內的物體即可，並不限定於人物。因此，例如車輛、動物或機器人等的物體為追蹤對象亦可。
拍攝監視區域的攝影機1，拍攝複數影像訊框構成的時系列影像，將時系列影像輸出至物體追蹤裝置。
另外，攝影機1，將表示時系列影像的解析度及時系列影像的訊框率的影像資訊輸出至物體追蹤裝置。
物體檢出部11，當取得從攝影機1輸出的時系列影像時，針對構成時系列影像的各影像訊框，檢出存在於該影像訊框內的一人以上的人物(圖4的步驟ST1)。
影像訊框內中存在的人物(物體)的檢出處理本身，因為是公知技術，所以省略詳細說明，但可以使用例如下述的檢出方法。
例如可以使用如後方法：將影像訊框中的顏色的梯度方向及輝度的梯度方向抽出作為特徵量(ACF：Aggregated Channel Features)，AdaBoost(Adaptive Boosting)分類器使用作為特徵量的ACF，以檢出人物的方法。此檢出方法係記載於下述的非專利文獻1中。
[非專利文獻1]
“Fast Feature Pyramids for Object Detection”,In PAMI,2014.
另外，可以使用如後方法：抽出輝度的梯度以作為特徵量(HOG：Histograms Of Oriented Gradients)，SVM(Support Vector Machine)識別器使用作為特徵量的SVM，以檢出人物的方法。此檢出方法記載於例如下述的非專利文獻2中。
[非專利文獻2]
“Histograms of Oriented Gradients for Human Detection,”In CVPR,2005
另外，亦可採用使用深層學習以檢出人物的方法。此檢出方法記載於例如下述的非專利文獻3。
[非專利文獻3]
“Deep Neural Networks for Object Detection”,In NIPS,2013
物體檢出部11，當檢出影像訊框內存在的一人以上的人物時，將人物的檢出結果輸出至混雜度推定部12及物體選定部13。
物體檢出部11，將表示影像訊框內有人物存在的區域的座標之座標資訊、或者表示包含影像訊框內存在的人物的矩形區域的座標之座標資訊輸出，作為人物的檢出結果。
有人物存在的區域的座標為，例如表示人物的形狀的邊緣的座標等。
在此實施形態1中，將包含人物的矩形區域的座標，作為有人物存在的區域的座標來處理。
另外，物體檢出部11，分別算出表示人物的檢出結果的可 靠性的信賴度，將其所算出的信賴度輸出至物體選定部13(圖4的步驟ST2)。
表示檢出結果的可靠性的信賴度，係表示物體檢出部11所檢出的物體為人物的確率，當為人物的可能性越高時，其值越大。
信賴度的算出方法為公知技術，因此省略其詳細說明。信賴度的算出方法記載於例如下述的專利文獻2。
[專利文獻2]特開2012-133445號公報
在此，圖5為表示物體檢出部11得到的人物的檢出結果及信賴度之一例的說明圖。
圖5表示在1個影像訊框內有6個人物存在之例。
圖5中，顯示包含物體檢出部11所檢出的人物的矩形區域，在各個矩形區域的周圍，顯示包含於該矩形區域的人物的檢出結果的信賴度。
圖5中，在包含人物的矩形區域內標示A,B,C,D,E及F的記號，作為用以識別物體檢出部11所檢出的6個人物的記號。
混雜度推定部12，取得從攝影機1輸出的時系列影像及物體檢出部11的檢出結果。
混雜度推定部12，針對構成時系列影像的影像訊框，解析該影像訊框的影像，藉此分別推定出物體檢出部11檢出的各個人物存在的區域的混雜度(圖4的步驟ST3)。
推定區域的混雜度的方法是公知技術，因此省略其詳細說明。混雜度的推定方法記載於例如下述的非專利文獻4中。
[非專利文獻4]
“Estimation of Crowd Density using Image Processing”In IEE Colloquium on Image Processing for Security Applications,2002.
圖6為表示影像訊框內的混雜度被熱圖化之例的說明圖。
圖6中，顯示每1平方公尺的人物的數量(人數/m2)，以作為混雜度。
物體選定部13，針對各影像訊框，參照混雜度推定部12得到的混雜度的推定結果，從物體檢出部11檢出的一人以上的人物當中，選定混雜度在基準混雜度以下的區域的人物。
不過，物體選定部13，即使是存在於混雜度大於基準混雜度的區域的人物，仍選定物體檢出部11所算出的檢出結果的信賴度為基準信賴度以上的人物。
以下，具體說明物體選定部13執行的人物的選定處理。
物體選定部13，針對各影像訊框，參照混雜度推定部12得到的混雜度的推定結果，掌握物體檢出部11檢出的各個人物存在的區域的混雜度。
繼之，物體選定部13，判斷在物體檢出部11檢出的一人以上的人物當中，是否還有尚未完成是否為追蹤對象的人物的判定處理的人物(圖4的步驟ST4)。判定處理為步驟ST5的處理或步驟ST7的處理。
若已無尚未完成是否為追蹤對象的人物的判定處理的人 物(圖4的步驟ST4[否]的情況下)，物體選定部13結束物體選定部13的人物的選定處理，移行到步驟ST8的處理。
若還有尚未完成是否為追蹤對象的人物的判定處理的人物(圖4的步驟ST4[是]的情況下)，物體選定部13，將存在有尚未完成判定處理的人物的區域的混雜度、和事前設定的基準混雜度比較，判斷該人物存在的區域的混雜度是否在基準混雜度以下(圖4的步驟ST5)。
若人物存在的區域的混雜度為基準混雜度以下(圖4的步驟ST5[是]的情況下)，物體選定部13，選定該人物作為追蹤對象的人物(圖4的步驟ST6)。
圖7為表示基於混雜度的物體選定部13的選定結果的說明圖。
圖7的例中，以混雜度大於基準混雜度的區域作為混雜區域，人物C、人物D、人物E及人物F存在於混雜區域中。
因此，圖7的例中，人物A及人物B被選定作為追蹤對象的人物。
若人物存在的區域的混雜度大於基準混雜度(圖4的步驟ST5[否]的情況下)，物體選定部13，將物體檢出部11算出的該人物的檢出結果的信賴度、和事前設定的基準信賴度比較，判斷該人物的檢出結果的信賴度是否為基準信賴度以上(圖4的步驟ST7)。
若該人物的檢出結果的信賴度為基準信賴度以上(圖4的步驟ST7[是]的情況)時，物體選定部13，選定該人物作為追蹤對象的人物(圖4的步驟ST6)。
若該人物的檢出結果的信賴度小於基準信賴度(圖4的步驟ST7[否]的情況)時，物體選定部13將該人物從追蹤對象的人物除外。
重複執行步驟ST4~ST7的處理，直到對於物體檢出部11檢出的全部人物都已完成判斷其是否為追蹤對象的人物的判定處理為止。
圖8為表示基於信賴度的物體選定部13的選定結果的說明圖。
圖8中，顯示基準信賴度為50的例子。
因此，圖8的例中，人物C、人物D、人物E及人物F存在於混雜區域，但因為人物E及人物F的檢出結果的信賴度為基準信賴度以上，所以人物E及人物F被選定作為追蹤對象的人物。
另一方面，因為人物C及人物D的檢出結果的信賴度小於基準信賴度，所以將人物C及人物D從追蹤對象的人物除外。
另外，人物B的檢出結果的信賴度雖然小於基準信賴度，但已經基於混雜度而被選定作為追蹤對象的人物。
因此，最後，人物A、人物B、人物E及人物F被選定作為追蹤對象的人物。
權重資訊記憶部14中，針對時系列影像的解析度和時系列影像的訊框率的各組合，記憶表示複數特徵量的權重的權重資訊。
圖9為表示時系列影像的解析度和時系列影像的訊框率的 組合所對應的特徵量的權重資訊之一例的說明圖。
圖9中，顯示特徵量為「色」、「動作」及「邊緣」之例。色為做為物體之人物的顏色、動作為作為物體的人物的動作、邊緣則表示作為物體的人物的形狀。
圖9中，顯示時系列影像的解析度為○○○[ppi]或△△△[ppi]、訊框率為□□□[fps]或☆☆☆[fps]之例。另外，顯示解析度○○○[ppi]高於解析度△△△[ppi]、訊框率□□□[fps]高於訊框率☆☆☆[fps]的例子。
例如，時系列影像的解析度為○○○[ppi]、時系列影像的訊框率為□□□[fps]時的組合為，對於「色」、「動作」及「邊緣」的權重為[色：動作：邊緣=5：3：3]。
另外，時系列影像的解析度為△△△[ppi]、時系列影像的訊框率為☆☆☆□[fps]時的組合為，對於「色」、「動作」及「邊緣」的權重為：[色：動作：邊緣=9：3：2]。
在此，係表示時系列影像的解析度及時系列影像的訊框率所對應的特徵量的權重資訊係記憶在權重資訊記憶部14中的例子，但不以此為限。
例如，亦可將攝影機1的設置角度及追蹤對象的物體的種類所對應的特徵量的權重資訊記憶在權重資訊記憶部14中。
另外，亦可將攝影機1的設置角度及時系列影像內的混雜程度所對應的特徵量的權重資訊記憶在權重資訊記憶部14中。
特徵量算出部15，從權重資訊記憶部14中記憶的 複數權重資訊所對應的組合當中，特定出與從攝影機1輸出的影像資訊所表示的時系列影像的解析度及訊框率的組合一致的組合。
繼之，特徵量算出部15，從權重資訊記憶部14所記憶的複數權重資訊當中，取得與已特定的組合對應的權重資訊。
繼之，特徵量算出部15，針對各影像訊框，按照已取得的權重資訊，分別算出物體選定部13所選定的各個人物的特徵量P(圖4的步驟ST8)。
以下，簡單說明各個人物的特徵量P的算出處理。
例如，特徵量算出部15，分別算出表示人物顏色的特徵量P1、表示人物動作的特徵量P2及表示人物的邊緣的特徵量P3，作為人物的特徵量P的要素。
特徵量P1,P2及P3的算出處理本身為公知技術，因此省略詳細說明。
特徵量算出部15，當其分別算出表示人物顏色的特徵量P1、表示人物動作的特徵量P2及表示人物的邊緣的特徵量P3時，按照從權重資訊記憶部14取得的權重資訊，進行特徵量P1,P2及P3的權重加算。
特徵量算出部15，將特徵量P1,P2及P3的權重加算結果作為最終的特徵量P，並將之輸出至物體追蹤部16。
例如，時系列影像的解析度為△△△[ppi]，時系列影像的訊框率為□□□[fps]的情況下，特徵量算出部15取得[色：動作：邊緣=5：4：3]作為對於「色」、「動作」及「邊緣」的權重資訊。
在此情況下，特徵量算出部15，使用此權重資訊，依例如下述的式(1)所示的方式，算出特徵量P。
物體追蹤部16，當從特徵量算出部15接收到物體選定部13所選定的各個人物的特徵量P時，按照各個人物的特徵量P，進行物體選定部13所選定的存在於彼此相異影像訊框內的人物之間的對映(圖4的步驟ST9)。
物體追蹤部16，將存在於彼此相異影像訊框內的人物之間的對映結果輸出作為人物的追蹤結果。
存在於彼此相異影像訊框內的人物之間的對映方法可採用例如下述的非專利文獻5所揭露的方法。
[非專利文獻5]
“Globally-Optimal Greedy Algorithms for Tracking a Variable Number of Objects”In CVPR,2011.
人物之間的對映為，將特徵量相近的人物之間對映，以下簡單說明人物之間的對映例。
例如，假設存在於影像訊框(1)的人物有人物A、人物B、人物E及人物F，存在於影像訊框(2)的人物有人物A’、人物B’、人物E’及人物F’。
此時，假設存在於影像訊框(1)的人物A的特徵量PA=30、人物B的特徵量PB=40、人物E的特徵量PE=50、人物F的特徵量PF=60。
另外，假設存在於影像訊框(2)的人物A’的特徵量PA’=32、人物B’的特徵量PB’=42、人物E’的特徵量PE’=48、 人物F’的特徵量PF’=67。
再者，假設可能對映的2個影像訊框間的特徵量之最大差分為3。
在此情況下，存在於影像訊框(1)的人物A的特徵量PA=30，和存在於影像訊框(2)的4個人的人物之特徵量當中的人物A’的特徵量PA’=32最接近。另外，人物A的特徵量PA=30，和人物A’的特徵量PA’=32的差分為2，此差分小於特徵量的最大差分3。因此，存在於影像訊框(1)的人物A和存在於影像訊框(2)的人物A’對映。
存在於影像訊框(1)的人物B的特徵量PB=40，和存在於影像訊框(2)的4人的人物之特徵量當中的人物B’的特徵量PB’=42最接近。另外，人物B的特徵量PB=40、和人物B’的特徵量PB’=42的差分為2，此差分小於特徵量的最大差分3。因此，存在於影像訊框(1)的人物B和存在於影像訊框(2)的人物B’對映。
存在於影像訊框(1)的人物E的特徵量PE=50，和存在於影像訊框(2)的4人的人物的特徵量當中的人物E’的特徵量PE’=48最接近。另外，人物E的特徵量PE=50、和人物E’的特徵量PE’=48的差分為2，此差分小於特徵量的最大差分3。因此，存在於影像訊框(1)的人物E和存在於影像訊框(2)的人物E’對映。
存在於影像訊框(1)的人物F的特徵量PF=60，和存在於影像訊框(2)的4人的人物的特徵量當中的人物F’的特徵量PF’=67最接近。
但是，人物F的特徵量PF=60、和人物F’的特徵量PF’=67的差分為7，此差分為特徵量的最大差分3以上。因此，存在於影像訊框(1)的人物F，和存在於影像訊框(2)的任一人物都沒有對映。
另外，存在於影像訊框(2)的人物F’，和存在於影像訊框(1)的任一人物都沒有對映。
在此，係顯示存在於影像訊框(1)的人物A的特徵量PA=30之例，不過，例如，存在於影像訊框(1)的人物A的特徵量PA=37的情況下，和存在於影像訊框(2)的4人的人物的特徵量當中的人物A’的特徵量PA’=32和人物B’的特徵量PB’=42等2者最接近。
但是，人物A的特徵量PA=37、和人物A’的特徵量PA’=32的差分為5，此差分為特徵量的最大差分3以上。另外，人物A的特徵量PA=37、和人物B’的特徵量PB’=42的差分為5，此差分為特徵量的最大差分3以上。
因此，存在於影像訊框(1)的人物A，和存在於影像訊框(2)的任一人物都沒有對映。
由以上可知，依據此實施形態1，係構成為：設置混雜度推定部12，針對各影像訊框，分別推定物體檢出部11檢出的各個物體存在之區域的混雜度，物體選定部13，針對各影像訊框，參照混雜度推定部12得到的混雜度的推定結果，從物體檢出部11檢出的1個以上的物體當中，分別選定存在於混雜度為第1閾值以下的區域的物體，因此發揮如下效果：即使在物體的監視區域混雜的狀況下，也能夠防止物體的追蹤 精度的劣化。
另外，依據此實施形態1，構成為：物體選定部13，即使是存在於混雜度大於第1閾值的區域的物體，仍選定物體檢出部11算出的檢出結果的信賴度為第2閾值以上的物體，因此發揮如下效果：不導致物體的追蹤精度劣化，而能夠增加可追蹤物體的數量。
在此實施形態1中，顯示物體檢出部11分別算出表示各個物體的檢出結果的可靠性的信賴度之例，不過，亦可由物體選定部13分別算出表示物體檢出部11得到的各個物體的檢出結果的可靠性的信賴度。
實施形態2.
上述實施形態1中顯示之例子為：特徵量算出部15，從權重資訊記憶部14記憶的複數組合所對應的權重資訊當中，取得與從攝影機1輸出的影像資訊所示的解析度及訊框率的組合一致的組合所對應的權重資訊。
但是，也會有權重資訊記憶部14中沒有記憶與從攝影機1輸出的影像資訊所示的解析度及訊框率的組合一致的組合所對應的權重資訊的情況。
此實施形態2中說明之例子為：即使在沒有記憶與從攝影機1輸出的影像資訊所示的解析度及訊框率的組合一致的組合所對應的權重資訊的情況，特徵量算出部15，也能從權重資訊記憶部14所記憶的複數權重資訊當中，取得適當的權重資訊。
圖10為表示本發明的實施形態2的物體追蹤裝置 的構成圖，圖11為表示依據本發明的實施形態2的物體追蹤裝置的硬體構成圖。
在圖10及圖11中，和圖1及圖2相同的符號係表示相同或相當的部分，因此省略其說明。
特徵量算出部40由例如圖11所示的特徵量算出電路50實現。
特徵量算出部40執行後述處理：判斷在權重資訊記憶部14中記憶的複數權重資訊所對應的組合中，是否有與提供給物體檢出部11的時系列影像的解析度和提供給物體檢出部11的時系列影像的訊框率的組合一致的組合。
亦即，特徵量算出部40執行後述處理：判斷在權重資訊記憶部14記憶的複數權重資訊所對應的組合當中，是否有與從攝影機1輸出的影像資訊所示的解析度及訊框率的組合一致的組合。
特徵量算出部40，若判斷為有一致的組合時，執行後述處理：從權重資訊記憶部14取得一致的組合所對應的權重資訊。
特徵量算出部40，若判斷為沒有一致的組合時，執行後述處理：分別算出權重資訊記憶部14中所記憶的複數權重資訊所對應的組合中的解析度及訊框率、和從攝影機1輸出的影像資訊所示之解析度及訊框率的類似度。
特徵量算出部40，執行後述處理：基於已算出的類似度，從權重資訊記憶部14中所記憶的複數權重資訊當中，取得任何1筆權重資訊。
特徵量算出部40，和圖1的特徵量算出部15一樣，執行後述處理：針對各影像訊框，按照已取得的權重資訊，分別算出物體選定部13所選定的各個人物的特徵量。
圖10中，設想作為物體追蹤裝置的構成要素之物體檢出部11、混雜度推定部12、物體選定部13、權重資訊記憶部14、特徵量算出部40及物體追蹤部16係由圖11所示的專用硬體實現。亦即，設想其係藉由物體檢出電路21、混雜度推定電路22、物體選定電路23、權重資訊記憶電路24、特徵量算出電路50及物體追蹤電路26實現。
物體檢出電路21、混雜度推定電路22、物體選定電路23、特徵量算出電路50及物體追蹤電路26為例如、單一電路、複合電路、程式化處理器、並列程式化處理器、ASIC、FPGA、或者上述之組合。
不過，物體追蹤裝置的構成要素，不限定於使用專用硬體實現，物體追蹤裝置亦可由軟體、韌體、或者軟體和韌體的組合實現。
用軟體或韌體等實現圖10的物體追蹤裝置的情況下，將權重資訊記憶部14構成於圖3所示的電腦的記憶體34上，並將用以使得電腦執行物體檢出部11、混雜度推定部12、物體選定部13、特徵量算出部40及物體追蹤部16的處理程序的程式儲存在記憶體34，由電腦的處理器33執行儲存在記憶體34的程式即可。
繼之，說明動作。
特徵量算出部40以外的部分與上述實施形態1相同，因 此，以下參照圖12，僅說明特徵量算出部40的處理內容。
圖12為表示依據本發明的實施形態2的物體追蹤裝置的特徵量算出部40中的處理內容的流程圖。
特徵量算出部40，取得從攝影機1輸出的影像資訊(圖12的步驟ST11)。
特徵量算出部40，判斷在權重資訊記憶部14中記憶的複數權重資訊所對應的組合中，是否有與已取得的影像資訊所示的解析度及訊框率的組合一致的組合(圖12的步驟ST12)。
圖9的例中，時系列影像的解析度和訊框率的組合為解析度為○○○[ppi]或△△△[ppi]、訊框率為□□□[fps]或☆☆☆[fps]的情況下的4種組合。
因此，圖9的例中，若已取得的影像資訊所示的解析度為○○○[ppi]或△△△[ppi]，而且，已取得的影像資訊所示的訊框率為□□□[fps]或☆☆☆[fps]，則特徵量算出部40判斷為有一致的組合。
特徵量算出部40，若判斷為有一致的組合(圖12的步驟ST12[是]的情況下)，從權重資訊記憶部14取得一致的組合所對應的權重資訊(圖12的步驟ST13)。
特徵量算出部40，若判斷為沒有一致的組合(圖12的步驟ST12[否]的情況下)，則分別算出權重資訊記憶部14中記憶的複數權重資訊所對應的組合中的解析度及訊框率、以及已取得的影像資訊所示的解析度及訊框率的類似度(圖12的步驟ST14)。
特徵量算出部40的類似度的算出方法並不特別限 定，例如可以如下述般算出類似度。
在此，為了方便說明，假設已取得的影像資訊所示的解析度為a、已取得的影像資訊所示的訊框率為b。
另外，假設解析度○○○[ppi]為a1、解析度△△△[ppi]為a2、訊框率□□□[fps]為b1、訊框率☆☆☆[fps]為b2。
假設解析度○○○[ppi]和訊框率□□□[fps]的組合為組合(1)、解析度○○○[ppi]和訊框率☆☆☆[fps]的組合為組合(2)、解析度△△△[ppi]和訊框率□□□[fps]的組合為組合(3)、解析度△△△[ppi]和訊框率☆☆☆[fps]的組合為組合(4)。
特徵量算出部40，如下述的式(2)所示，算出已取得的影像資訊所示的解析度a、和解析度a1的差分△a1，並且，如下述的式(3)所示，算出已取得的影像資訊所示的解析度a、和解析度a2的差分△a2。
△a 1=|a-a 1| (2)
△a 2=|a-a 2| (3)
另外，特徵量算出部40，如下述的式(4)所示，算出已取得的影像資訊所示的訊框率b、和訊框率b1的差分△b1，並且，如下述的式(5)所示，算出已取得的影像資訊所示的訊框率b、和訊框率b2的差分△b2。
△b 1=|b-b 1| (4)
△b 2=|b-b 2| (5)
特徵量算出部40，如下述的式(6)所示，算出組合(1)中的解析度a1及訊框率b1、以及已取得的影像資訊所示的 解析度a及訊框率b的類似度R1。在式(6)中，G為常數。
特徵量算出部40，如下述的式(7)所示，算出組合(2)中的解析度a1及訊框率b2、以及已取得的影像資訊所示的解析度a及訊框率b的類似度R2。
另外，特徵量算出部40，如下述的式(8)所示，算出組合(3)中的解析度a2及訊框率b1、以及已取得的影像資訊所示的解析度a及訊框率b的類似度R3。
特徵量算出部40，如下述的式(9)所示，算出組合(4)中的解析度a2及訊框率b2、以及已取得的影像資訊所示的解析度a及訊框率b的類似度R4。
在此係例示了，解析度的差分△a、和訊框率的差分△b之間未賦予權重，而算出類似度R，不過也可以例如下述的式(10)所示，在解析度的差分△a、訊框率的差分△b之間賦予權重，以算出類似度R。式(10)係表示針對組合(1)之類似度R1的算出例，wa為對於差分△a1的權重係數、wb為對於差分△b1的權重係數。另外，wa及wb為0以上且1以下的值。
特徵量算出部40，當已經針對所有的組合算出類似度R時，將所有的組合的類似度R進行比較，特定出類似度最高的組合(圖12的步驟ST15)。
特徵量算出部40，從權重資訊記憶部14中記憶的複數權重資訊當中，取得類似度最高的組合所對應的權重資訊(圖12的步驟ST16)。
例如，組合(1)~(4)當中，類似度最高的組合為組合(1)的話，則取得表示[色：動作：邊緣=5：3：3]的權重資訊作為對於「色」、「動作」及「邊緣」的權重。
另外，若類似度最高的組合為組合(2)，則取得表示[色：動作：邊緣=8：2：2]的權重資訊作為對於「色」、「動作」及「邊緣」的權重。
特徵量算出部40，當取得權重資訊時，和圖1的特徵量算出部15一樣，針對各影像訊框，按照已取得的權重資訊，分別算出物體選定部13所選定的各個人物的特徵量(圖12的步驟ST17)。
由上述可知，依據此實施形態2，若在權重資訊記憶部14中記憶的複數權重資訊所對應的組合當中，沒有與提供給物體檢出部11的時系列影像的解析度和提供給物體檢出部11的時系列影像的訊框率的組合一致的組合，則特徵量算出部40，分別算出權重資訊記憶部14中記憶的複數權重資訊所對應的組合中的解析度及訊框率、以及提供給物體檢出部11的時系列影像的解析度及提供給物體檢出部11的時系列影像的訊框率的類似度。而且，特徵量算出部40，基於已算出的類似度，從權重資訊記憶部14中所記憶的複數權重資訊當中，取得任何一筆權重資訊，按照已取得的權重資訊分別算出物體選定部13所選定的各個物體的特徵量。藉此，能夠發揮後述 效果：即使在權重資訊記憶部14中沒有記憶與提供給物體檢出部11的時系列影像的解析度及訊框率的組合一致的組合所對應的權重資訊的情況下，也能夠取得適當的權重資訊。
另外，本案發明在本發明的範圍內，能夠進行各實施形態的自由組合、或者各實施形態的任意構成要素的變形、或者在各實施形態中任意構成要素的省略。
【產業上的利用可能性】
本發明適用於進行存在於彼此相異影像訊框內的物體之間的對映的物體追蹤裝置及物體追蹤方法。

Claims (7)

  1. 一種物體追蹤裝置，其包括：物體檢出部，針對構成時系列影像的各影像訊框，檢出存在於該影像訊框內的1個以上的物體；混雜度推定部，針對各影像訊框，分別推定前記物體檢出部所檢出的各個物體存在之區域的混雜度；物體選定部，針對各影像訊框，參照前記混雜度推定部得到的混雜度的推定結果，從前記物體檢出部所檢出的1個以上的物體當中，分別選定存在於混雜度為第1閾值以下的區域之物體；特徵量算出部，針對各影像訊框，分別算出前記物體選定部所選定的各個物體的特徵量；及物體追蹤部，依據前記特徵量算出部所算出的各個物體的特徵量，進行前記物體選定部所選定的存在於彼此相異影像訊框內的物體之間的對映。
  2. 如申請專利範圍第1項所記載的物體追蹤裝置，其中：前記物體檢出部，分別算出表示影像訊框內存在的各個物體的檢出結果的可靠性之信賴度；前記物體選定部，即使是存在於混雜度大於前記第1閾值的區域中的物體，仍選定前記物體檢出部所算出的檢出結果的信賴度為第2閾值以上的物體。
  3. 如申請專利範圍第1項所記載的物體追蹤裝置，前記物體選定部，分別算出表示前記物體檢出部得到的各個物體的檢出結果的可靠性之信賴度，即使是存在於混雜度大於前記第1閾值的區域中的物體，仍選定已算出的信賴度為第2閾值以上的物體。
  4. 如申請專利範圍第1項所記載的物體追蹤裝置，有複數特徵量作為前記物體的特徵量；具有：權重資訊記憶部，其記憶複數特徵量的權重資訊；前記特徵量算出部，按照前記權重資訊記憶部中記憶的權重資訊分別算出前記物體選定部所選定的各個物體的特徵量。
  5. 如申請專利範圍第4項所記載的物體追蹤裝置，前記權重資訊記憶部，針對時系列影像的解析度和時系列影像的訊框率的各組合，記憶前記權重資訊。
  6. 如申請專利範圍第5項所記載的物體追蹤裝置，前記特徵量算出部，若在與前記權重資訊記憶部中記憶的複數權重資訊對應的組合中，沒有與賦予前記物體檢出部的時系列影像的解析度和賦予前記物體檢出部的時系列影像的訊框率的組合一致的組合，則分別算出對應於前記權重資訊記憶部中記憶的複數權重資訊的組合中的解析度及訊框率、及賦予前記物體檢出部的時系列影像的解析度及賦予前記物體檢出部的時系列影像的訊框率的類似度，基於前記類似度，從前記權重資訊記憶部中所記憶的複數權重資訊當中取得任一權重資訊，按照已取得的權重資訊，分別算出前記物體選定部所選定的各個物體的特徵量。
  7. 一種物體追蹤方法，其包括：由物體檢出部針對構成時系列影像的各影像訊框，檢出存在於該影像訊框內的1個以上的物體；由混雜度推定部針對各影像訊框，分別推定前記物體檢出部所檢出的各個物體存在之區域的混雜度；由物體選定部針對各影像訊框，參照前記混雜度推定部得到的混雜度的推定結果，從前記物體檢出部所檢出的1個以上的物體當中，分別選定存在於混雜度為第1閾值以下的區域之物體；由特徵量算出部針對各影像訊框，分別算出前記物體選定部所選定的各個物體的特徵量；及由物體追蹤部依據前記特徵量算出部所算出的各個物體的特徵量，進行前記物體選定部所選定的存在於彼此相異影像訊框內的物體之間的對映。
TW106119760A 2017-03-06 2017-06-14 物體追蹤裝置及物體追蹤方法 TWI624806B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/JP2017/008768 WO2018163243A1 (ja) 2017-03-06 2017-03-06 物体追跡装置及び物体追跡方法
??PCT/JP2017/008768 2017-03-06

Publications (2)

Publication Number Publication Date
TWI624806B true TWI624806B (zh) 2018-05-21
TW201833870A TW201833870A (zh) 2018-09-16

Family

ID=62951733

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106119760A TWI624806B (zh) 2017-03-06 2017-06-14 物體追蹤裝置及物體追蹤方法

Country Status (6)

Country Link
US (1) US11074698B2 (zh)
JP (1) JP6573744B2 (zh)
CN (1) CN110366741A (zh)
GB (1) GB2573703B (zh)
TW (1) TWI624806B (zh)
WO (1) WO2018163243A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11069084B2 (en) 2018-11-26 2021-07-20 Industrial Technology Research Institute Object identification method and device

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895141A (zh) * 2019-11-28 2020-03-20 梁彦云 住宅空间拥挤度分析平台
KR102311798B1 (ko) * 2019-12-12 2021-10-08 포항공과대학교 산학협력단 다중 객체 추적 방법 및 장치
EP4036856A1 (en) * 2021-02-02 2022-08-03 Axis AB Updating of annotated points in a digital image

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7324122B2 (en) * 2003-09-09 2008-01-29 Icp Electronics Inc. Display system and method for image overlapping
TW201510877A (zh) * 2013-04-22 2015-03-16 Samsung Display Co Ltd 使用圖像重疊減少顯示延遲的系統及方法，以及用於提供回應顯示裝置上所畫路徑之回饋的加速器

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11341339A (ja) 1998-05-29 1999-12-10 Sony Corp ビデオカメラ装置
JP2003187248A (ja) * 2001-12-21 2003-07-04 Mitsubishi Electric Corp 画像処理システムおよび画像処理装置
JP4830650B2 (ja) 2005-07-05 2011-12-07 オムロン株式会社 追跡装置
US7526102B2 (en) * 2005-09-13 2009-04-28 Verificon Corporation System and method for object tracking and activity analysis
JP4268644B2 (ja) * 2007-01-22 2009-05-27 アジア航測株式会社 移動体検出システム、移動体検出装置、移動体検出方法及び移動体検出プログラム
JP5121508B2 (ja) * 2008-03-03 2013-01-16 キヤノン株式会社 画像処理装置、画像処理方法、プログラム及び記憶媒体
JP5227888B2 (ja) 2009-05-21 2013-07-03 富士フイルム株式会社 人物追跡方法、人物追跡装置および人物追跡プログラム
JP5459674B2 (ja) * 2010-09-13 2014-04-02 株式会社東芝 移動物体追跡システムおよび移動物体追跡方法
JP2012133445A (ja) * 2010-12-20 2012-07-12 Panasonic Corp 目的物検出装置および目的物検出方法
JP4784709B1 (ja) * 2011-03-10 2011-10-05 オムロン株式会社 対象物追跡装置、対象物追跡方法、および制御プログラム
US8989448B2 (en) * 2011-03-22 2015-03-24 Morpho, Inc. Moving object detecting device, moving object detecting method, moving object detection program, moving object tracking device, moving object tracking method, and moving object tracking program
JP5792990B2 (ja) * 2011-04-28 2015-10-14 キヤノン株式会社 画像処理装置およびその制御方法
WO2013001893A1 (ja) 2011-06-28 2013-01-03 インターナショナル・ビジネス・マシーンズ・コーポレーション 主観的な階層クラスタリングにおける特徴量ごとの重みを求める情報処理装置、方法、およびプログラム
JP6033695B2 (ja) * 2013-01-28 2016-11-30 株式会社日立製作所 エレベータ監視装置及びエレベータ監視方法
WO2015025704A1 (ja) * 2013-08-23 2015-02-26 日本電気株式会社 映像処理装置、映像処理方法および映像処理プログラム
JP6200306B2 (ja) * 2013-12-09 2017-09-20 株式会社日立製作所 映像検索装置、映像検索方法、および記憶媒体
GB2537780B (en) * 2014-03-11 2019-04-17 Mitsubishi Electric Corp Person detecting device and person detecting method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7324122B2 (en) * 2003-09-09 2008-01-29 Icp Electronics Inc. Display system and method for image overlapping
TW201510877A (zh) * 2013-04-22 2015-03-16 Samsung Display Co Ltd 使用圖像重疊減少顯示延遲的系統及方法，以及用於提供回應顯示裝置上所畫路徑之回饋的加速器

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11069084B2 (en) 2018-11-26 2021-07-20 Industrial Technology Research Institute Object identification method and device

Also Published As

Publication number Publication date
US20200013172A1 (en) 2020-01-09
GB201911069D0 (en) 2019-09-18
WO2018163243A1 (ja) 2018-09-13
GB2573703B (en) 2020-09-09
JP6573744B2 (ja) 2019-09-11
US11074698B2 (en) 2021-07-27
GB2573703A (en) 2019-11-13
CN110366741A (zh) 2019-10-22
TW201833870A (zh) 2018-09-16
JPWO2018163243A1 (ja) 2019-11-07

Similar Documents

Publication Publication Date Title
JP6494253B2 (ja) 物体検出装置、物体検出方法、画像認識装置及びコンピュータプログラム
JP7130368B2 (ja) 情報処理装置および情報処理システム
US12062251B2 (en) Device and method with image matching
TWI624806B (zh) 物體追蹤裝置及物體追蹤方法
JP6544244B2 (ja) 情報処理装置、情報処理方法及びプログラム
US10163027B2 (en) Apparatus for and method of processing image based on object region
US20170154424A1 (en) Position detection device, position detection method, and storage medium
JP6482195B2 (ja) 画像認識装置、画像認識方法及びプログラム
US9996554B2 (en) Search apparatus, search method, and storage medium
JP2016099941A (ja) オブジェクト位置推定システム、及びそのプログラム
US10586339B2 (en) Device for measuring rotation of spherical body, measurement method, and program
JP6822482B2 (ja) 視線推定装置、視線推定方法及びプログラム記録媒体
US12087036B2 (en) Information processing device, information processing method, and program recording medium
US20210142064A1 (en) Image processing apparatus, method of processing image, and storage medium
KR102674706B1 (ko) 이미지에서 군중 속에 있는 사람들을 구별
JP2021071769A (ja) 物体追跡装置および物体追跡方法
JP2018186397A (ja) 情報処理装置、映像監視システム、情報処理方法及びプログラム
JP7243372B2 (ja) 物体追跡装置および物体追跡方法
US20170235728A1 (en) Information processing apparatus, method, program and storage medium
CN107403133A (zh) 确定设备和确定方法
JP7374401B1 (ja) 人物相関判定装置、人物相関判定方法および人物相関判定プログラム
US11908197B2 (en) Information processing apparatus, information processing method, and storage medium
JP2021061048A (ja) 情報処理装置、情報処理方法、およびプログラム
KR20130043970A (ko) 영상 내 추적 물체의 크기 측정을 위한 이중 Ｓｐａｔｉｏｇｒａｍ 사용 방법

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees