CN101453660B - 一种视频目标跟踪方法和装置 - Google Patents
一种视频目标跟踪方法和装置 Download PDFInfo
- Publication number
- CN101453660B CN101453660B CN2007101949682A CN200710194968A CN101453660B CN 101453660 B CN101453660 B CN 101453660B CN 2007101949682 A CN2007101949682 A CN 2007101949682A CN 200710194968 A CN200710194968 A CN 200710194968A CN 101453660 B CN101453660 B CN 101453660B
- Authority
- CN
- China
- Prior art keywords
- tracked
- color characteristic
- trust
- image
- color
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种视频目标跟踪方法,包括以下步骤:构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征;根据所述特定的颜色特征选择特定的颜色组合特征;根据所述颜色组合特征构造所述待跟踪图像中其他每一帧图像的信任图,并对所述信任图进行优化;在所述优化的信任图中寻找待跟踪目标的位置。通过使用本发明实施例提供的方法,可以准确的选择颜色特征,用以更好地表达待跟踪目标,使待跟踪目标与背景可分离性增强,同时通过优化信任图,去除信任图中的部分背景对象,从而提高跟踪结果的准确性。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种视频目标跟踪方法和装置。
背景技术
当前,多媒体技术正朝着交互式、智能化方向发展,其中视频目标跟踪和识别技术是智能视频处理与分析***的一项关键技术。目标跟踪的结果包含了视频场景中的时空信息,反映了该视频中主要的内容信息,在基于内容的视频分析、视频检索以及智能视频监控等各个领域均有着重要的作用。视频目标跟踪的过程大体上可以描述为:成像***以二维阵列的形式,把客观世界三维场景所形成的图像采集记录下来并保存到计算机中。计算机利用内部视觉知识库中的各种视觉模型对输入图像进行分析和解释,通过预处理、特征提取、特征选择、特征跟踪等算法处理,将所得到的目标信息,包括物体的结构、形状、颜色、位置运动速度和方向等,传送给跟踪处理设备。跟踪处理设备是自动机器的随动机构,它根据计算获得的控制信息,能够自动调整***的方位,自动地跟踪运动目标。
目前视频目标跟踪技术的关键环节有两个方面,一是目标特征的选择,指的是选择什么特征来表达待跟踪的目标,一般而言,如果所选择的特征能够使目标与其周围的背景容易区分,则意味着该特征有利于稳定的跟踪目标,是较优的特征;另一方面是跟踪算法框架,即采用什么机制在图像中找到具有某种特征的待跟踪目标。
现有技术中存在一种视频目标跟踪方法,该方法对每一帧图像中的特定区域的每个像素构造特征向量,该特征向量包括像素的红、绿、蓝(RGB)三个颜色分量及各像素所在位置的边缘方向,这些特征向量用于训练一些弱分类器,这些弱分类器可以把像素分为目标和背景两类,弱分类器又通过一定方式组合成强分类器。强分类器可以把像素标记为目标类和背景类,从而 形成信任图,再采用均值移动跟踪算法(Mean shift)在信任图上寻找峰值,该峰值的位置就是目标在当前帧图像中的跟踪结果位置。
发明人在实现本发明的过程中,发现该方法至少存在以下缺点:由于该方法中所采用的颜色空间为RGB空间,而在实际跟踪过程中,无法保证在RGB颜色空间中,能够很好地把跟踪目标像素与背景像素区分开,也就是说,在RGB颜色空间中,很有可能跟踪目标与背景之间的界线并不明显,最终导致跟踪失败。另外,由于在每帧图像的跟踪过程中需要训练弱分类器,并组合成为强分类器,这在一定程度上会加大运算量,从而跟踪过程的实时性能可能变差。
现有技术中还存在一种视频目标跟踪方法,采用贝叶斯(Bayes)错误率进行在线特征选择的方法解决目标跟踪问题。在给定目标与背景在某个特征上的似然比后,采用贝叶斯错误率来评价该特征的鉴别能力。在前一帧图像中估计出目标与背景颜色特征直方图的似然比,并用贝叶斯错误率选择出前N个具有最小错误率的颜色特征,并用这些颜色特征生成当前帧图像信任图,并在该图上使用均值移动跟踪算法确定目标的位置。
发明人在实现本发明的过程中,发现上述方法至少存在以下缺点:在该方法中所采用的贝叶斯错误率只有在能够准确的获得各类概率密度函数时,才能正确反映分类器的错误率。而在跟踪过程中,目标与背景像素数量较少不足以获取准确的类概率密度函数,此时贝叶斯错误率并不能准确衡量各个颜色特征对背景与目标像素的分类能力,所以难以选择出合适的特征。
发明内容
本发明实施例提供一种视频目标的跟踪方法和装置,以解决无法准确的选择可以使待跟踪目标与背景相分离的颜色特征以及无法消除背景对目标跟踪的干扰的问题。
为达到上述目的,本发明实施例一方面提供一种视频目标跟踪方法,包括以下步骤:构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征;根据所述特定的颜色特征选择特定的颜色组合特征;根据所述颜色组合特征构造所述待跟踪图像中其他每一帧图像的信任图,并对所述信任图进行优化;在所述优化的信任图中寻找待跟踪目标的位置;所述构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征的方法包括:对所述指定帧图像中的所有像素的颜色进行线性组合运算,得到颜色特征,在所述颜色特征中去除无效和重复的颜色特征,得到特定的颜色特征。
另一方面,本发明实施例还提供一种视频目标跟踪的装置,包括:特征选择单元,用于构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征;组合特征选择单元,用于根据所述颜色特征选择特定的颜色组合特征;信任图构造单元,用于根据所述颜色组合特征构造所述待跟踪图像中其他每一帧图像的信任图;优化单元,用于对所述信任图进行优化;跟踪单元,用于在所述优化的信任图中寻找待跟踪目标的位置;所述组合特征选择单元进一步包括:获取子单元,用于获取所述指定帧图像中待跟踪目标区域与背景区域的反投影图,在所述反投影图中,获取所述待跟踪目标区域和背景区域的平均像素值的比值;排序子单元,用于根据所述平均像素值的比值对所述特定的颜色特征进行排序,选择特定的颜色组合特征。
与现有技术相比,本发明实施例具有以下优点:本发明实施例根据特定的颜色特征选择特定的颜色组合特征,并根据该颜色组合特征构造待跟踪图像中其他每一帧图像的信任图,然后在优化后的信任图中寻找待跟踪目标的位置。从而使待跟踪目标与背景的可分离性增强,同时通过优化信任图,去除了信任图中的部分背景对象,提高了跟踪结果的准确性。
附图说明
图1是本发明实施例一的一种视频目标跟踪方法流程图;
图2是本发明实施例二的一种视频目标跟踪方法流程图;
图3是本发明实施例二中确定待跟踪目标区域和背景区域的示意图;
图4是本发明实施例一中第一帧图像的原始图像示意图;
图5是本发明实施例二中特征图像示意图;
图6是本发明实施例二中待跟踪目标区域与背景区域的颜色直方图;
图7是本发明实施例二中待跟踪目标区域与背景区域的颜色直方图似然比直方图;
图8是本发明实施例二中原始图像中待跟踪目标区域与背景区域的反投影图;
图9是本发明实施例二中二值化的信任图;
图10是本发明实施例二中二值化的信任图中的连通域标记示意图;
图11是本发明实施例二中优化的信任图;
图12是本发明实施例三的一种视频目标跟踪装置示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明的实施例一中,一种视频目标跟踪方法如图1所示,具体步骤如下:
步骤S101、在待跟踪图像的指定帧图像中,确定待跟踪目标区域和背景区域。
具体的,指定帧图像为待跟踪图像的第一帧图像或重新初始化帧图像,该待跟踪图像至少包括两帧图像。
步骤S102、构造指定帧图像的颜色特征空间,选择特定的颜色特征。
具体的,对指定帧图像的颜色进行线性组合运算,可以得到若干颜色特征,去除无效和重复的颜色特征后,选择特定的颜色特征,得到对应的特征图像。
步骤S103、获取指定帧图像中待跟踪目标区域与背景区域的反投影图。
具体的,可以利用各特征图像中待跟踪目标区域和背景区域的颜色直方图的似然比,获取指定帧图像中待跟踪目标区域与背景区域的反投影图。
步骤102和步骤103没有时间上的先后顺序。
步骤S104、在得到的反投影图中,根据颜色特征的有效性选择颜色特征组合。
具体的,可以在得到的反投影图中计算待跟踪目标区域和背景区域的平均像素值的比值,根据该比值对颜色特征进行排序,选择前K个特征作为颜色特征组合,并把待跟踪目标区域和背景区域的平均像素值的比值归一化作为每个颜色特征的权重。也可以采用待跟踪目标区域和背景区域的颜色直方图的类别散度值或颜色直方图之间的Bhattacharyya距离对颜色特征进行排序,选择颜色特征组合。
步骤S105、在下一帧图像中获取该颜色特征组合中每一颜色特征的反投影图,并根据该投影图构造出信任图。
具体的,在下一帧图像中,计算所选择的K个颜色特征的反投影图,并根据各颜色特征的权重将该K个颜色特征的反投影图构造出信任图。
步骤S106、对构造出的信任图进行优化。
具体的,选择特定的阈值对构造出的信任图进行二值化,在得到的二值化图像上标记各连通域,仅保留与前一帧图像中待跟踪目标区域有重叠部分的连通域,其他连通域则置为零,即可去除信任图中部分背景对象,得到优化的信任图。
步骤S107、采用跟踪算法在经过优化的信任图中寻找目标位置。
步骤S108、判断当前帧图像是否为最后一帧图像,如果是则结束,否则转步骤S105。
本发明的实施例二中,一种视频目标跟踪方法如图2所示,具体步骤如下:
步骤S201、在待跟踪图像的第一帧图像中,通过手工标记或其它方法确定待跟踪目标的位置。
具体的,待跟踪图像为视频序列图像,至少包括两帧图像,在选定的指定帧图像中(第一帧图像或初始化帧图像),可以利用矩形框选择待跟踪目标区域,确定待跟踪目标的位置,并选择待跟踪目标区域周围的一定范围的图像为背景区域,例如可以选择待跟踪目标区域的宽度和高度中较大的值W作为窗宽,从待跟踪目标区域上下左右边界向外延伸W长度,则延伸部分所构成的区域为与该待跟踪目标区域相对应的背景区域,如图3所示黑色矩形框部分表示待跟踪目标区域,其周围阴影部分则为背景区域。
图4为本实施例中采用的待跟踪图像中第一帧图像的原始图像,其中较小的矩形框内为待跟踪目标区域,较大的矩形框与较小矩形框之间的部分为背景区域,此处选择待跟踪目标区域的高度W作为背景窗宽。设目标(较小)矩形框上、下、左、右的坐标值为[Tf,Bf,Lf,Rf],背景(较大)矩形框上、下、左、右的坐标值为[Tb,Bb,Lb,Rb]。
步骤S202、构造第一帧图像的颜色特征空间,选择特定的颜色特征,得到对应的特征图像。
具体的,对第一帧图像所有像素的颜色进行线性组合运算,可以产生多个颜色特征空间,具体为:假设第一帧图像所在的颜色空间为三维空间,每个分量表示为Ci(i=1,2,3),则可以构造出的颜色特征空间为 wi=[-2,-1,0,1,2],其中wi为颜色权重系数。当某个颜色权重系数wi满足wi=kwi′(i=1,2,3,且k为整数)时(即某个权重向量是另一个权重向量的整数倍时,相应地颜色特征也会有整数倍的关系),存在整倍数关系的颜色特征为重复的颜色特征,因此只需要选择其中一个颜色特征;当某个颜色权重系数wi=0(i=1,2,3)时,其对应的颜色特征均为零,即无法表达待跟踪目标区域与背景区域的区别,该颜色特征无效。去除所有无效及重复的颜色特征后,剩余的为待选择的颜色特征。采用上述方法,得到第一帧图像中待选择的颜色特征共有49个,即{Fj,j=1,...,49}。
图5为选择颜色特征权重向量为[-2,1,2]时所对应的特征图像,在本实施例中可以把特征图像中的像素值量化为m(m为2的整数次方)级。
步骤S203、对得到的特征图像分别计算待跟踪目标区域与背景区域的颜色直方图的似然比。
具体的,颜色直方图是在许多图像检索***中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例。目标直方图的计算方式如下所示:
其中xij为图像像素值,N为目标矩形框内的像素数目,该式的分子部分含义为像素值等于u的像素个数;相应地背景直方图的计算公式为:
其中M为背景矩形框去掉目标矩形框后的像素数目。待跟踪目标区域与背景区域的颜色直方图计算结果如图6所示。目标直方图与背景直方图的似然比的计算方式为:
其中取max函数是为了防止被零除,其中h为一个较小的数值。目标直方图与背景直方图的似然比直方图如图7所示。假设有49个特征图像,则该步骤中得到相应的49个待跟踪目标区域与背景区域的颜色直方图的似然比。
步骤S204、根据目标直方图与背景直方图的似然比,计算原始图像中待跟踪目标区域与背景区域的反投影图。
具体的,反投影图即颜色的概率分布图,反投影图中每个像素值相当于原始图像相应位置像素属于目标的概率。反投影图像的计算方法为:设反投影图像结果为图像Bp,则每个像素值Bpij=l(xij),即反投影图中的像素值为以特征图像像素值为下标的似然比的数组元素值。如图8所示为原始图像中待跟踪目标区域与背景区域的反投影图。
步骤S205、在所得到的反投影图上,计算待跟踪目标区域与背景区域的平均像素值的比值R。
具体的,在反投影图上计算待跟踪目标区域与背景区域的平均像素值的比值比R,即目标区域所有像素的平均像素值与背景区域所有像素的平均像素值的比值,该比值可以用于衡量颜色特征的有效性(即选择哪种颜色特征表达待跟踪目标,更容易将待跟踪目标与其周围的背景进行区分),其计算公式如下所示:
另外,基于待跟踪目标区域与背景区域的颜色直方图的类别散度值也可以用于衡量颜色特征的有效性,可用于替换在反投影图上待跟踪目标区域与背景区域的平均像素值的比值R,颜色直方图散度的计算公式为:
待跟踪目标区域与背景区域的颜色直方图之间的Bhattacharyya距离(B 距离)也可用于衡量颜色特征的有效性,替换在反投影图上待跟踪目标区域与背景区域的平均像素值的比值R,Bhattacharyya距离的计算公式为:
步骤S206、根据待跟踪目标区域与背景区域的平均像素值的比值选择颜色组合特征。
具体的,根据各特征图像对应的待跟踪目标区域与背景区域的平均像素值的比值R,将各颜色特征从大到小排序,选择前K个特征作为所选择的颜色组合特征,将比值R规一化作为每个颜色特征的权重。
步骤S207、在下一帧图像中,根据选择的颜色组合特征构造信任图。
具体的,在下一帧图像中,计算所选择的K个特征的反投影图,并按照各特征的权重把这些反投影图进行组合形成信任图。信任图中每个像素值等于前K个颜色特征的反投影图对应像素按照比值R作为权重的线性组合,计算方式为:
步骤S208、对信任图进行优化,得到去除部分背景对象的优化的信任图。
具体的,对于所生成的信任图,自动选择二值化阈值T(如采用最大类间方差法、最大直方图熵法等)对背景矩形框区域(包含目标区域)进行二值化,得到二值化图像B如图9所示,二值化的计算公式如下所示:
利用连通域标记算法将二值化图像B中的不同的连通域用不同的序号标记出来,成为连通域集合{Bl}l=1,...,L,如图10所示(其中灰度值相同的部分表示同一个连通域),保留与前一帧图像中目标框有重叠部分的连通域,即在标记结果中选择满足Bl∩Aobj≠Φ(式中Aobj表示上一帧所确定的目标所覆盖的区域)的连通域置为1,而不满足该条件的连通域则置为0,即可去除多余背景对象;即选择与目标区域有重叠部分的连通域作为信任图的最终结果,如图11所示。
步骤S209、采用均值移动跟踪算法在优化的信任图中寻找目标位置。
具体的,采用均值移动跟踪算法在信任图上寻找峰值,峰值的位置即待跟踪目标在当前帧图像中的位置。当然,也可以采用其他跟踪算法如粒子滤波算法等寻找目标位置。
步骤S210、判断当前帧图像是否为最后一帧图像,如果是则结束,否则转步骤S207。
通过上述实施例提供的方法,可以准确的选择颜色特征,用以更好地表达待跟踪目标,使待跟踪目标与背景可分离性增强,同时通过优化信任图,去除信任图中的部分背景对象,从而使提高跟踪结果的准确性。
本发明的实施例三中,一种视频目标跟踪的装置如图12所示,包括:
特征选择单元10,用于构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征。组合特征选择单元20,用于根据颜色特征选择特定的颜色组合特征。信任图构造单元30,用于根据颜色组合特征构造待跟踪图像中其他每一帧图像的信任图。优化单元40,用于对信任图构造单元30构造的信任图进行优化。跟踪单元50,用于在优化单元40优化的信任图中寻找待跟踪目标的位置。
本装置还包括:区域选择单元60,用于确定指定帧图像中的待跟踪目标区域和背景区域。
具体的,组合特征选择单元20进一步包括:获取子单元21,用于获取指定帧图像中待跟踪目标区域与背景区域的反投影图,在反投影图中,获取待跟踪目标区域和背景区域的平均像素值的比值。排序子单元22,用于根据平均像素值的比值对特定的颜色特征进行排序,选择特定的颜色组合特征。
信任图构造单元30进一步包括:归一化子单元31,用于将平均像素值的比值归一化,作为颜色组合特征中每个颜色特征的权重。反投影图获取子单元32,用于在待跟踪图像中其他每一帧图像中,获取每一个颜色特征的反投影图。构造子单元33,用于获取归一化子单元31的归一化的平均像素值的比值和反投影图获取子单元32的反投影图,并根据归一化的平均像素值的比值将反投影图构造出待跟踪图像中其他每一帧图像的信任图。
优化单元40进一步包括:二值化子单元41,用于选择特定的阈值对信任 图进行二值化。连通域标记子单元42,用于在二值化的信任图上标记各连通域,仅保留与前一帧图像中待跟踪目标区域有重叠部分的连通域,其他连通域则置为零,得到去除部分背景对象的优化的信任图。
通过上述实施例提供的装置,可以准确的选择颜色特征,用以更好地表达待跟踪目标,使待跟踪目标与背景可分离性增强,同时通过优化信任图,去除信任图中的部分背景对象,从而使提高跟踪结果的准确性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该获取机软件产品存储在一个存储介质中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上公开的仅为本发明的几个具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (4)
1.一种视频目标跟踪方法,其特征在于,包括以下步骤:
构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征,所述指定帧图像为第一帧图像或重新初始化帧图像;
根据所述特定的颜色特征选择特定的颜色组合特征;
根据所述颜色组合特征构造所述待跟踪图像中其他每一帧图像的信任图,并对所述信任图进行优化;
在所述优化的信任图中寻找待跟踪目标的位置;
其中,所述构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征的步骤包括:
对所述指定帧图像中的所有像素的颜色进行线性组合运算,得到颜色特征空间,在所述颜色特征空间中去除无效和重复的颜色特征,得到特定的颜色特征;
所述根据所述特定的颜色特征选择特定的颜色组合特征的步骤,包括:
利用所述指定帧图像中待跟踪目标区域和背景区域的颜色直方图的似然比,获取所述指定帧图像中待跟踪目标区域与背景区域的反投影图;在所述反投影图中,获取所述待跟踪目标区域和背景区域的平均像素值的比值;根据所述平均像素值的比值对所述特定的颜色特征进行排序,选择特定的颜色组合特征;
所述根据所述颜色组合特征构造所述待跟踪图像中其他每一帧图像的信任图,并对所述信任图进行优化的步骤包括:
将所述平均像素值的比值归一化作为所述颜色组合特征中每个颜色特征的权重,在所述待跟踪图像中其他每一帧图像中,获取所述颜色组合特征中每个颜色特征的反投影图,并根据所述归一化的平均像素值的比值将该反投影图构造出信任图;选择特定的阈值对所述信任图进行二值化,在得到的二值化图像上标记各连通域,保留与前一帧图像中待跟踪目标区域有重叠部分的连通域,其他连通域则置为零,得到去除部分背景对象的优化的信任图。
2.如权利要求1所述视频目标跟踪方法,其特征在于,所述构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征之前还包括:
确定所述指定帧图像中的待跟踪目标区域和背景区域。
3.一种视频目标跟踪装置,其特征在于,包括:
特征选择单元,用于构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征;所述指定帧图像为第一帧图像或重新初始化帧图像;所述构造待跟踪图像中指定帧图像的颜色特征空间,选择特定的颜色特征包括:对所述指定帧图像中的所有像素的颜色进行线性组合运算,得到颜色特征空间,在所述颜色特征空间中去除无效和重复的颜色特征,得到特定的颜色特征;
组合特征选择单元,用于根据所述特定的颜色特征选择特定的颜色组合特征;
信任图构造单元,用于根据所述颜色组合特征构造所述待跟踪图像中其他每一帧图像的信任图;
优化单元,用于对所述信任图进行优化;
跟踪单元,用于在所述优化的信任图中寻找待跟踪目标的位置;
其中,所述组合特征选择单元进一步包括:
获取子单元,用于利用所述指定帧图像中待跟踪目标区域和背景区域的颜色直方图的似然比,获取所述指定帧图像中待跟踪目标区域与背景区域的反投影图,在所述反投影图中,获取所述待跟踪目标区域和背景区域的平均像素值的比值;
排序子单元,用于根据所述平均像素值的比值对所述特定的颜色特征进行排序,选择特定的颜色组合特征;
所述信任图构造单元进一步包括:
归一化子单元,用于将所述平均像素值的比值归一化,作为所述颜色组合特征中每个颜色特征的权重;
反投影图获取子单元,用于在所述待跟踪图像中其他每一帧图像中,获取所述颜色组合特征中每个颜色特征的反投影图;
构造子单元,用于根据所述归一化子单元发送的所述归一化的平均像素值的比值将所述反投影图获取子单元发送的所述反投影图构造出所述待跟踪 图像中其他每一帧图像的信任图;
所述优化单元进一步包括:
二值化子单元,用于选择特定的阈值对所述信任图进行二值化;
连通域标记子单元,用于在所述二值化的信任图上标记各连通域,仅保留与前一帧图像中待跟踪目标区域有重叠部分的连通域,其他连通域则置为零,得到去除部分背景对象的优化的信任图。
4.如权利要求3所述视频目标跟踪装置,其特征在于,还包括:
区域选择单元,用于确定所述指定帧图像中的待跟踪目标区域和背景区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007101949682A CN101453660B (zh) | 2007-12-07 | 2007-12-07 | 一种视频目标跟踪方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007101949682A CN101453660B (zh) | 2007-12-07 | 2007-12-07 | 一种视频目标跟踪方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101453660A CN101453660A (zh) | 2009-06-10 |
CN101453660B true CN101453660B (zh) | 2011-06-08 |
Family
ID=40735633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007101949682A Expired - Fee Related CN101453660B (zh) | 2007-12-07 | 2007-12-07 | 一种视频目标跟踪方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101453660B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493367A (zh) * | 2018-10-29 | 2019-03-19 | 浙江大华技术股份有限公司 | 一种对目标对象进行跟踪的方法和设备 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101692764B1 (ko) * | 2010-06-14 | 2017-01-05 | 주식회사 비즈모델라인 | 가상 점을 이용한 증강현실 제공 방법 |
CN102609934B (zh) * | 2011-12-22 | 2014-04-23 | 中国科学院自动化研究所 | 一种基于深度图像的多目标分割和跟踪方法 |
CN108022252A (zh) * | 2012-01-19 | 2018-05-11 | 索尼公司 | 图像处理设备和方法 |
US10474921B2 (en) * | 2013-06-14 | 2019-11-12 | Qualcomm Incorporated | Tracker assisted image capture |
CN104023172A (zh) * | 2014-06-27 | 2014-09-03 | 深圳市中兴移动通信有限公司 | 动态影像的拍摄方法和拍摄装置 |
CN104253981B (zh) * | 2014-09-28 | 2017-11-28 | 武汉烽火众智数字技术有限责任公司 | 一种用于视频侦查的运动目标按颜色排序的方法 |
CN105139423B (zh) * | 2015-08-18 | 2018-04-20 | 上海交通大学 | 基于旋度和散度的运动特征提取方法及*** |
CN107292284B (zh) * | 2017-07-14 | 2020-02-28 | 成都通甲优博科技有限责任公司 | 目标重检测方法、装置及无人机 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1721144A (zh) * | 2004-07-13 | 2006-01-18 | 中国科学院自动化研究所 | 一种基于物体表面颜色的快速跟踪方法与装置 |
CN1992911A (zh) * | 2005-12-31 | 2007-07-04 | 中国科学院计算技术研究所 | 体育视频目标跟踪方法 |
EP1835462A1 (en) * | 2004-12-02 | 2007-09-19 | National Institute of Advanced Industrial Science and Technology | Tracing device, and tracing method |
-
2007
- 2007-12-07 CN CN2007101949682A patent/CN101453660B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1721144A (zh) * | 2004-07-13 | 2006-01-18 | 中国科学院自动化研究所 | 一种基于物体表面颜色的快速跟踪方法与装置 |
EP1835462A1 (en) * | 2004-12-02 | 2007-09-19 | National Institute of Advanced Industrial Science and Technology | Tracing device, and tracing method |
CN1992911A (zh) * | 2005-12-31 | 2007-07-04 | 中国科学院计算技术研究所 | 体育视频目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
JP特开2004-252748A 2004.09.09 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493367A (zh) * | 2018-10-29 | 2019-03-19 | 浙江大华技术股份有限公司 | 一种对目标对象进行跟踪的方法和设备 |
CN109493367B (zh) * | 2018-10-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 一种对目标对象进行跟踪的方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN101453660A (zh) | 2009-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101453660B (zh) | 一种视频目标跟踪方法和装置 | |
US9426449B2 (en) | Depth map generation from a monoscopic image based on combined depth cues | |
CN101283376B (zh) | 使用轨迹分段分析的双向跟踪 | |
US7187783B2 (en) | Method and apparatus for color-based object tracking in video sequences | |
US20170124415A1 (en) | Subcategory-aware convolutional neural networks for object detection | |
CN100366051C (zh) | 图像处理设备和方法 | |
CN108564598B (zh) | 一种改进的在线Boosting目标跟踪方法 | |
US20120127309A1 (en) | Object recognition system, and obstacle recognition system and method for vehicle | |
CN103679698A (zh) | 用于检测和跟踪移动对象的***和方法 | |
CN102592134A (zh) | 一种高光谱与红外数据多级决策融合分类方法 | |
CN114758288A (zh) | 一种配电网工程安全管控检测方法及装置 | |
CN101883209A (zh) | 一种背景模型与三帧差分相结合进行视频背景检测的方法 | |
CN116091892A (zh) | 一种基于卷积神经网络的快速目标检测方法 | |
Gu et al. | Embedded and real-time vehicle detection system for challenging on-road scenes | |
CN113038001A (zh) | 显示方法、装置及电子设备 | |
CN105261040A (zh) | 一种多目标跟踪方法及装置 | |
CN116664643A (zh) | 基于SuperPoint算法的铁路列车图像配准方法及设备 | |
Muddamsetty et al. | A performance evaluation of fusion techniques for spatio-temporal saliency detection in dynamic scenes | |
CN112101113B (zh) | 一种轻量化的无人机图像小目标检测方法 | |
CN110516640B (zh) | 一种基于特征金字塔联合表示的车辆再辨识方法 | |
CN116958873A (zh) | 行人跟踪方法、装置、电子设备及可读存储介质 | |
CN105184809A (zh) | 运动对象检测方法和运动对象检测装置 | |
CN109583584B (zh) | 可使具有全连接层的cnn接受不定形状输入的方法及*** | |
CN101567088B (zh) | 一种运动物体检测的方法和装置 | |
CN114863249A (zh) | 基于运动特征和外观特征的视频目标检测及域适应方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110608 Termination date: 20181207 |
|
CF01 | Termination of patent right due to non-payment of annual fee |