CN104537690B - 一种基于最大值‑时间索引联合的运动点目标检测方法 - Google Patents
一种基于最大值‑时间索引联合的运动点目标检测方法 Download PDFInfo
- Publication number
- CN104537690B CN104537690B CN201410830954.5A CN201410830954A CN104537690B CN 104537690 B CN104537690 B CN 104537690B CN 201410830954 A CN201410830954 A CN 201410830954A CN 104537690 B CN104537690 B CN 104537690B
- Authority
- CN
- China
- Prior art keywords
- time index
- candidate
- field picture
- image
- maximum
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 44
- 230000002123 temporal effect Effects 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 26
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000010845 search algorithm Methods 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
- G06T7/215—Motion-based segmentation
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于最大值‑时间索引联合的运动点目标检测方法,包括:1)获取最大灰度值投影图像以及时间索引帧图像;2)对时间索引帧图像进行噪声滤除处理;3)对时间索引帧图像中的运动点目标进行检测。本发明的方法能够有效检测序列图像中离散点状目标的运动轨迹,无需目标的先验信息,计算量小,实时性强。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于最大值-时间索引联合的运动点目标检测方法。
背景技术
运动点目标的检测、识别与跟踪技术是序列视频图像运动目标识别的重要内容之一,以往对序列图像跟踪***的研究主要集中在近距离、大目标、强信噪比的情况下。而此种条件下的大目标含有较丰富的纹理及轮廓信息,对它的检测可以选取多种特征,在单帧基础上进行目标的检测与识别。
点运动目标由于成像距离较远,目标在光电探测器上成像仅为几个甚至一个像素的成像面积,在***中表现为弱点状,且缺乏形状和结构信息;目标相对于背景灰度较弱,信噪比很低,单从灰度来看难以同噪声区分开来,必须结合目标在通过传感器成像的图像序列中包含的运动信息来处理。分析时除了灰度和运动信息可利用外,其它可供分割和检测算法利用的信息很少,一般基于目标结构的运动目标检测及跟踪方法无法使用。概括来说对于序列图像中的微弱点状运动目标的检测和跟踪其难点主要在于:
(1)目标图像呈点状,目标支持域尺寸趋于点,无形状尺寸纹理等信息可以利用。
(2)图像运动点目标的亮度与其邻域背景的对比度较低。
(3)点图像目标在其邻域内信噪杂波比很低,对全范围内整个图像域的信噪杂波比就更低。
(4)目标随机出现必须在整个时空域内进行搜索。
(5)目标运动规律无定式使目标图像的搜索检测变得更困难。
(6)在目标跟踪过程中,由于目标信噪比较低,常常导致算法检测出多个虚假目标从而影响跟踪滤波器的性能。
目前,图像序列中运动点目标的检测方法主要可以分为先检测后跟踪以及先跟踪后检测两类方法。先检测后跟踪的探测方法先进行空间滤波预处理,对单帧图像实现目标增强和背景抑制,提高图像的信噪比,再在此基础上用门限检测的方法进行目标的检测,然后在分割后的图像序列中根据目标的运动轨迹的连续性,通过数据融合、多帧确认,检测跟踪可能的目标轨迹,即“单帧检测和多帧确认”策略。主要包括:(1)变换域检测—小波变换,Curvlet变换等;(2)基于背景估计和抑制的方法—中值滤波器、最小均方滤波、高通滤波、空间匹配滤波、最大均值滤波以及它们的一些改进组合形式和自适应背景估计;(3)形态学滤波—膨胀,腐蚀,Top-Hat变换等。
先跟踪后检测算法对单帧图像中有无目标不进行判断,而是先对多帧图像数据中较多的可能轨迹同时进行跟踪,采用某种判据对每条轨迹的真实性作出软判断,逐步剔除由噪声构成的虚假轨迹,维持真实轨迹。当软判断超过某一门限时,就作出该轨迹为目标轨迹的硬判断,避免了因信噪比低而造成的轨迹漏检,提高了检测概率。
先跟踪后检测方法包括基于动态规划的方法、基于极大似然的方法、基于投影变换的方法、三维匹配滤波法、多级假设检验方法,以及高阶相关,粒子滤波等算法。
先检测后跟踪算法依靠单帧图像检测目标,在目标信噪比较低时,目标检测率会减低。而先跟踪后检测方法可以充分利用多帧图像增强运动点目标信息,从而提高目标检测率。但是常用的先跟踪后检测方法存在需要运动点目标先验信息(速度,方向等)或者算法复杂,计算量大,不利用实时检测等缺点。
发明内容
针对现有技术所存在的上述缺陷,本发明提供了一种基于最大值-时间索引联合的运动点目标检测方法,该方法能有效检测序列图像中离散点状目标的运动轨迹,无需目标的先验信息,计算量小,实时性强。
本发明的具体技术方案是:
一种基于最大值-时间索引联合的运动点目标检测方法,其特征在于,包括以下步骤:
1)获取最大灰度值投影图像以及时间索引帧图像;
1.1)选取图像大小为M×N的K帧序列图像作为数据样本f(i,j,k);所述数据样本为相互独立的高斯随机变量,并且噪声为高斯白噪声;
1.2)通过数据样本,获取最大灰度值投影图像z(i,j),其表达式如下:
z(i,j)=max[f(i,j,1),f(i,j,2),...,f(i,j,K)]
其中i=1,...,M,j=1,...,N;
1.3)获取时间索引帧图像表示为maxposi(i,j);所述时间索引帧图像为记录最大灰度值投影图像的每个像元位置产生最大灰度值时每个像元对应的时间信息;
2)对时间索引帧图像进行噪声滤除处理;
3)对时间索引帧图像中的运动点目标进行检测;
3.1)初次获取候选轨迹;
3.1.1)
3.1.1)在时间索引帧图像中选取第L帧的连通域对应时间索引帧图像的质心作为候选目标;设候选目标为PL;其中,1≤L≤K;
3.1.2)以候选目标PL开始搜索;搜索半径为R,R为运动目标最大运动速度阈值;在搜索范围内找到候选目标点PL-1和PL+1后,计算PL-PL-1和PL+1-PL两个矢量的内积,设两矢量PL-PL-1和PL+1-PL的模分别为DL-1L和DLL+1,两矢量之间的夹角为θ;
若两个矢量的模满足|DL-1L-DLL+1|≤Dth,并且|cosθ-1|≤σth,则判断PL-1、PL、PL+1为候选轨迹,否则判定为伪轨迹;所述候选轨迹为直线轨迹;
其中,Dth表示为矢量长度差阈值,取值范围为1~3个像元;σth为两矢量之间夹角的阈值,取值范围为0~0.1;
3.2)二次获取候选轨迹;
3.2.1)根据步骤3.1.2)得到的候选轨迹,获取候选轨迹的方向以及运动目标的速度估计值V,其中:V=(DL-1L+DLL+1)/2;
3.2.2)沿候选轨迹方向进行向前和向后搜索,分别建立向前搜索跟踪窗口和向后搜索跟踪窗口;
3.2.3)将向前搜索跟踪窗口内的候选目标点PL-2与步骤3.1)中的候选目标进行矢量内积的计算,设两矢量PL-1-PL-2和PL-PL-1的模分别为DL-2L-1和DL-1L,两矢量之间的夹角为θ;
若矢量的模满足|DL-2L-1-DL-1L|≤Dth,并且|cosθ-1|≤σth,则判断向前搜索跟踪窗口内的候选目标点为候选轨迹上的点,否则判定为伪轨迹点;
其中,Dth表示为矢量长度差阈值,取值范围为1~3个像元;σth为两矢量之间夹角的阈值,取值范围为0~0.1。
3.2.4)重复步骤3.2.3),判断向后搜索跟踪窗口内的候选目标点是否为候选轨迹上的点;
3.3)对步骤3.2)中的所有候选轨迹点进行时间编号判断,最终确定运动点目标的轨迹;
若所有候选轨迹点为连续递增的关系,则认为该候选轨迹为最终运动点目标的轨迹;否则为伪轨迹。
上述对步骤2)时间索引帧图像进行噪声滤除包括以下步骤:
2.1)获取二值化图像
采用自适应阈值分割对最大灰度值投影图像进行二值化,获得二值化图像;
其表达式为:Vth=μ+α·σ;
式中:μ表示整幅最大值灰度投影图像所有像元值的加权平均;σ是图像整幅最大值灰度投影图像的方差,α是系数,α取3~5;Vth为分割阈值,BWz(i,j)表示获得的二值图像;
2.2)面积特性滤波;所述面积特性滤波通过设置面积阈值滤波,或者通过形态学滤波;
2.3)对时间索引帧图像与二值化图像的进行时间信息关联,获取时间信息关联后的时间索引帧图像;
timetag(i,j)=maxposi(i,j)×BWz(i,j);
其中,timetag(i,j)表示时间信息关联后的时间索引帧图像;
上述对步骤2)时间索引帧图像进行噪声滤除为时间索引信息滤波;所述时间索引信息滤波通过设置不同形状的时间信息模板进行噪声滤除。
上述时间信息模板为矩形或菱形或十字或上三角或下三角。
本发明的优点在于:
1、本发明的方法通过获取序列图像的最大值灰度值投影图像和时间索引帧图像,把点运动目标的运动规律转换成最大值灰度值投影的时间索引信息,实现了三维序列图像到最大灰度值投影图像和时间索引帧图像的模式转换,大大降低了数据计算量。
2、本发明的方法在时间索引帧图像中,利用背景噪声和点目标的不同面特性及时间信息特性,进行噪声滤除,然后利用距离、角度信息及运动轨迹在时间上的单调性提取目标,具有计算量小、实时性好、易于硬件实现的特点。
3、本发明采用了自适应阈值法对最大灰度值投影图像进行分割,生成二值化图像,对二值化图像采用面积特性滤波以及时间索引信息滤波方式对时间索引帧图像进行噪声滤除处理,能实时干净地滤除影响目标检测的背景噪声,计算简单易行。
附图说明
图1是采用方法1进行噪声滤除时本发明的工作流程示意图。
图2为采用方法2进行噪声滤除时本发明的工作流程示意图。
图3是本发明的具体实施例原理图。
具体实施方式
本发明提出了一种基于最大值-时间索引联合的运动点目标检测方法,该方法的总体流程包括:获取最大灰度值投影图像、噪声滤除,确定最终运动点目标的轨迹。
下面结合附图对本发明的具体步骤进行描述:
步骤1)获取最大灰度值投影图像以及时间索引帧图像;
步骤1.1)选取图像大小为M×N的K(M、N为图像高度和宽度,根据实际情况M和N常见取值范围为128~2048;K的取值范围一般为3~15)帧序列图像作为数据样本f(i,j,k);所述数据样本为相互独立的高斯随机变量,并且噪声为高斯白噪声;
步骤1.2)通过数据样本,获取最大灰度值投影图像z(i,j),其表达式如下:
z(i,j)=max[f(i,j,1),f(i,j,2),...,f(i,j,K)]
其中i=1,...,M,j=1,...,N;
步骤1.3)获取时间索引帧图像表示为maxposi(i,j);所述时间索引帧图像为记录最大灰度值投影图像每个像元位置产生最大灰度值时每个像元对应的时间信息;
本案中对含有运动点目标的序列图像分组,图像大小为1024×1024,图像位数为16bit,每5帧为一帧组进行目标检测;
步骤2)对时间索引帧图像进行噪声滤除处理;
需要说明的是:噪声滤除处理包括两种方法,分别如图1,图2所示:
方法1的具体步骤是:
2.1)获取二值化图像
对最大值投影图像进行自适应阈值分割,可以得到分割后的二值化图像;阈值按以下公式计算:
Vth=μ+α·σ (2)
式中μ是整幅最大值灰度值投影图像所有像元值的加权平均,计算式为:
σ是整幅最大值灰度值投影图像的方差,计算式为:
α是一个与噪声有关的系数,一般取3~5。随着α值提高,阈值会随之提高,虚警概率会降低,但是探测概率也会降低。M,N为图像高度和宽度,都取1024;
步骤2.2)面积特性滤波;面积特性滤波通过设置面积阈值滤波,或者通过形态学滤波;(注:因为噪声一般表现为离散孤立的单像素点,而点运动目标为离散高斯分布,占有一定像元数,可通过设置面积阈值滤除噪声,或者通过形态学滤波(腐蚀、膨胀、开操作、闭操作等)。
步骤2.3)对时间索引帧图像与二值化图像的进行时间信息关联,获取时间信息关联后的时间索引帧图像;
timetag(i,j)=maxposi(i,j)×BWz(i,j);
其中,timetag(i,j)表示时间信息关联后的时间索引帧图像;
方法2为时间索引信息滤波;所述时间索引信息滤波通过设置不同形状的时间信息模板进行噪声滤除。(注:由于噪声的随机特性,其在最大值的时间索引图像中表现为随机的时间信息,而运动点目标表现为连续的某一时刻的时间信息,利用该特性,可设置一定大小的不同形状的时间信息模板(矩形,菱形,十字,上三角,下三角等)进行噪声滤除。
步骤3)对时间索引帧图像中的运动点目标进行检测;
步骤3.1)初次选取候选轨迹;
步骤3.1.1)在时间索引帧图像中选取第L帧的连通域对应时间索引帧图像的质心作为候选目标;设候选目标为PL;其中,1≤L≤K;
步骤3.1.2)以候选目标PL开始搜索;搜索半径为R,R为运动目标最大运动速度阈值;在搜索范围内找到PL-1和PL+1的候选目标点后,计算PL-PL-1和PL+1-PL两个矢量的内积,设两矢量PL-PL-1和PL+1-PL的模分别为DL-1L和DLL+1,两矢量之间的夹角为θ;
若两个矢量的模满足|DL-1L-DLL+1|≤Dth,并且|cosθ-1|≤σth,则判断PL-1、PL、PL+1为候选轨迹,否则判定为伪轨迹;候选轨迹为直线轨迹;
其中,Dth表示为矢量长度差阈值,取值范围为1~3个像元;σth为两矢量之间夹角的阈值,取值范围为0~0.1。
步骤3.2)二次选取选候选轨迹;
步骤3.2.1)根据步骤3.1.2)得到的候选轨迹,获取候选轨迹的方向以及运动目标的速度估计值V,其中:V=(DL-1L+DLL+1)/2;
3.2.2)沿候选轨迹方向进行向前和向后搜索,分别建立向前搜索跟踪窗口和向后搜索跟踪窗口;
3.2.3)将向前搜索跟踪窗口内的候选目标点PL-2与步骤3.1)中的候选目标进行矢量内积的计算,设两矢量PL-1-PL-2和PL-PL-1的模分别为DL-2L-1和DL-1L,两矢量之间的夹角为θ;
若矢量的模满足|DL-2L-1-DL-1L|≤Dth,并且|cosθ-1|≤σth,则判断向前搜索跟踪窗口内的候选目标点为候选轨迹上的点,否则判定为伪轨迹点;
其中,Dth表示为矢量长度差阈值,取值范围为1~3个像元。σth为两矢量之间夹角的阈值,取值范围为0~0.1;
3.2.4)重复步骤3.2.3),判断向后搜索跟踪窗口内的候选目标点是否为候选轨迹上的点;
3.3)对步骤3.2)中的所有候选轨迹点进行时间编号(每一帧图像对应有一个时间编号,且时间编号连续)判断,最终确定运动点目标的轨迹;
若所有候选轨迹点为连续递增的关系,则认为该候选轨迹为最终运动点目标的轨迹;否则为伪轨迹。
如图3所示,本案的具体实施例为:
初次选取候选轨迹;
在时间索引帧图像中选取时间编号为3的连通域对应时间索引帧图像的质心作为候选目标,设p3为候选目标,开始搜索,搜索半径设为R(R为运动目标最大运动速度阈值),当在搜索范围内找到时间编号为2和4的候选目标点P2和P4后,计算P2-P3和P3-P4两个矢量的内积,若两个矢量的模满足|D23-D34|≤Dth,(其中Dth为矢量长度差阈值,取值范围为1~3个像元),并且|cosθ-1|≤σth(θ为两矢量之间的夹角,σth为两矢量之间夹角的阈值,取值范围为0~0.1),则判断P2,P3,P4为一条候选轨迹;否则判定为伪轨迹。
二次选取候选轨迹;
根据初次获取的候选轨迹,获得候选轨迹的方向并计算运动目标的速度估计值V,具体公式是:V=(D23+D34)/2;
沿候选轨迹方向进行向前和向后搜索分别得到P1和P5的估计位置P1e以及P5e,以估计位置为中心,分别建立一定大小的向前跟踪窗口和向后跟踪窗口,进行窗口内目标检测。
对向前跟踪窗口内的候选目标点P1计算P1-P2和P2-P3两个矢量的内积。如果两个矢量的模满足|D12-D23|≤Dth,(其中Dth为矢量长度差阈值,取值范围为1~3个像元),并且|cosθ-1|≤σth(θ为两矢量之间的夹角,σth为两矢量之间夹角的阈值,取值范围为0~0.1),则判断P1为候选轨迹点;否则判定为伪轨迹点。同理可进行P5候选轨迹点的搜索判断。
对所有候选轨迹点进行时间编号判断,最终确定运动点目标的轨迹;
若所有候选轨迹点P1、P2、P3、P4、P5为连续递增的关系,该候选轨迹为最终运动点目标的轨迹;否则为伪轨迹。
利用上述方法提取出帧组内的运动目标轨迹后,结合原始图像能够方便地实现对运动目标图像的截取和亚像元精度质心位置的计算。
Claims (4)
1.一种基于最大值-时间索引联合的运动点目标检测方法,其特征在于,包括以下步骤:
1)获取最大灰度值投影图像以及时间索引帧图像;
1.1)选取图像大小为M×N的K帧序列图像作为数据样本f(i,j,k);所述数据样本为相互独立的高斯随机变量,并且噪声为高斯白噪声;
1.2)通过数据样本,获取最大灰度值投影图像z(i,j),其表达式如下:
z(i,j)=max[f(i,j,1),f(i,j,2),...,f(i,j,K)]
其中i=1,...,M,j=1,...,N;
1.3)获取时间索引帧图像表示为maxposi(i,j);所述时间索引帧图像为记录最大灰度值投影图像的每个像元位置产生最大灰度值时每个像元对应的时间信息;
2)对时间索引帧图像进行噪声滤除处理;
3)对时间索引帧图像中的运动点目标进行检测;
3.1)初次获取候选轨迹;
3.1.1)在时间索引帧图像中选取第L帧的连通域对应时间索引帧图像的质心作为候选目标;设候选目标为PL;其中,1≤L≤K;
3.1.2)以候选目标PL开始搜索;搜索半径为R,R为运动目标最大运动速度阈值;在搜索范围内找到候选目标点PL-1和PL+1后,计算PL-PL-1和PL+1-PL两个矢量的内积,设两矢量PL-PL-1和PL+1-PL的模分别为DL-1L和DLL+1,两矢量之间的夹角为θ;
若两个矢量的模满足|DL-1L-DLL+1|≤Dth,并且|cosθ-1|≤σth,则判断PL-1、PL、PL+1为候选轨迹,否则判定为伪轨迹;所述候选轨迹为直线轨迹;
其中,Dth表示为矢量长度差阈值,取值范围为1~3个像元;σth为两矢量之间夹角的阈值,取值范围为0~0.1;
3.2)二次获取候选轨迹;
3.2.1)根据步骤3.1.2)得到的候选轨迹,获取候选轨迹的方向以及运动目标的速度估计值V,其中:V=(DL-1L+DLL+1)/2;
3.2.2)沿候选轨迹方向进行向前和向后搜索,分别建立向前搜索跟踪窗口和向后搜索跟踪窗口;
3.2.3)将向前搜索跟踪窗口内的候选目标点PL-2与步骤3.1)中的候选目标进行矢量内积的计算;设两矢量PL-1-PL-2和PL-PL-1的模分别为DL-2L-1和DL-1L,两矢量之间的夹角为θ;
若矢量的模满足|DL-2L-1-DL-1L|≤Dth,并且|cosθ-1|≤σth,则判断向前搜索跟踪窗口内的候选目标点为候选轨迹上的点,否则判定为伪轨迹点;
其中,Dth表示为矢量长度差阈值,取值范围为1~3个像元;σth为两矢量之间夹角的阈值,取值范围为0~0.1;
3.2.4)重复步骤3.2.3),判断向后搜索跟踪窗口内的候选目标点是否为候选轨迹上的点;
3.3)对步骤3.2)中的所有候选轨迹点进行时间编号判断,最终确定运动点目标的轨迹;
若所有候选轨迹点为连续递增的关系,则认为该候选轨迹为最终运动点目标的轨迹;否则为伪轨迹。
2.根据权利要求1所述的基于最大值-时间索引联合的运动点目标检测方法,其特征在于:所述步骤2)时间索引帧图像进行噪声滤除包括以下步骤:
2.1)获取二值化图像
采用自适应阈值分割对最大灰度值投影图像进行二值化,获得二值化图像;
其表达式为:Vth=μ+α·σ;
式中:μ表示整幅最大值灰度投影图像所有像元值的加权平均;σ是整幅最大值灰度投影图像的方差,α是系数,α取3~5;Vth为分割阈值,BWz(i,j)表示获得的二值图像;
2.2)面积特性滤波;所述面积特性滤波通过设置面积阈值滤波,或者通过形态学滤波;
2.3)对时间索引帧图像与二值化图像的进行时间信息关联,获取时间信息关联后的时间索引帧图像;
timetag(i,j)=maxposi(i,j)×BWz(i,j);
其中,timetag(i,j)表示时间信息关联后的时间索引帧图像。
3.根据权利要求1所述的基于最大值-时间索引联合的运动点目标检测方法,其特征在于:所述对步骤2)时间索引帧图像进行噪声滤除为时间索引信息滤波;所述时间索引信息滤波通过设置不同形状的时间信息模板进行噪声滤除。
4.根据权利要求3所述的基于最大值-时间索引联合的运动点目标检测方法,其特征在于:所述时间信息模板为矩形或菱形或十字或上三角或下三角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410830954.5A CN104537690B (zh) | 2014-12-26 | 2014-12-26 | 一种基于最大值‑时间索引联合的运动点目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410830954.5A CN104537690B (zh) | 2014-12-26 | 2014-12-26 | 一种基于最大值‑时间索引联合的运动点目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104537690A CN104537690A (zh) | 2015-04-22 |
CN104537690B true CN104537690B (zh) | 2017-06-27 |
Family
ID=52853209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410830954.5A Active CN104537690B (zh) | 2014-12-26 | 2014-12-26 | 一种基于最大值‑时间索引联合的运动点目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537690B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780556A (zh) * | 2016-12-19 | 2017-05-31 | 广州视源电子科技股份有限公司 | 动态图像检测方法及装置 |
CN107194896B (zh) * | 2017-06-05 | 2019-12-17 | 华中科技大学 | 一种基于邻域结构的背景抑制方法和*** |
CN109919969B (zh) * | 2019-01-22 | 2022-11-22 | 广东工业大学 | 一种利用深度卷积神经网络实现视觉运动控制的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604448A (zh) * | 2009-03-16 | 2009-12-16 | 北京中星微电子有限公司 | 一种运动目标的测速方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006237954A (ja) * | 2005-02-24 | 2006-09-07 | Toshiba Corp | 映像再生装置及び映像再生方法 |
-
2014
- 2014-12-26 CN CN201410830954.5A patent/CN104537690B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604448A (zh) * | 2009-03-16 | 2009-12-16 | 北京中星微电子有限公司 | 一种运动目标的测速方法和*** |
Non-Patent Citations (7)
Title |
---|
《双目凝视***中运动点目标实时检测算法》;屈有山等;《光电工程》;20060131;第33卷(第1期);全文 * |
《基于加权动态规划和航迹关联的小目标检测技术》;陈尚锋等;《国防科技大学学报》;20030228;第25卷(第2期);全文 * |
《基于投影变换与轨迹关联的目标检测算法》;胡礼勇等;《新无线电工程》;20110630;第41卷(第6期);全文 * |
《基于投影的运动目标跟踪研究》;刘鑫;《电子测试》;20090331(第3期);全文 * |
《基于方向累积的运动点目标检测新算法》;高珊等;《激光与红外》;20071130;第37卷(第11期);全文 * |
《基于最大值投影的运动点目标检测算法及其性能》;马亚奇等;《上海航天》;20070430(第4期);全文 * |
《复杂背景成像条件下运动点目标的轨迹提取》;丛明煜等;《光学精密工程》;20120731;第20卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104537690A (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lim et al. | Radar and camera early fusion for vehicle detection in advanced driver assistance systems | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN105224912B (zh) | 基于运动信息和轨迹关联的视频行人检测和跟踪方法 | |
CN104183127B (zh) | 交通监控视频检测方法和装置 | |
CN105023278B (zh) | 一种基于光流法的运动目标跟踪方法及*** | |
CN109598684B (zh) | 结合孪生网络的相关滤波跟踪方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
CN101847265A (zh) | 一种在公交客流统计***中使用的运动目标提取及多目标分割方法 | |
CN109871763A (zh) | 一种基于yolo的特定目标跟踪方法 | |
WO2014092552A2 (en) | Method for non-static foreground feature extraction and classification | |
CN107564035B (zh) | 基于重要区域识别和匹配的视频跟踪方法 | |
CN104992453A (zh) | 基于极限学习机的复杂背景下目标跟踪方法 | |
CN104200492B (zh) | 基于轨迹约束的航拍视频目标自动检测跟踪方法 | |
CN111208479B (zh) | 一种降低深度网络检测中虚警概率的方法 | |
CN106228570A (zh) | 一种真值数据确定方法和装置 | |
CN107230219A (zh) | 一种单目机器人上的目标人发现与跟随方法 | |
CN105931270A (zh) | 基于运动轨迹分析的视频关键帧提取方法 | |
CN104537690B (zh) | 一种基于最大值‑时间索引联合的运动点目标检测方法 | |
CN111191535A (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
CN111091583B (zh) | 长期目标跟踪方法 | |
Arróspide et al. | On-board robust vehicle detection and tracking using adaptive quality evaluation | |
CN110555867B (zh) | 一种融合物体捕获识别技术的多目标物体跟踪方法 | |
CN103413138B (zh) | 一种红外图像序列中点目标检测方法 | |
CN112967320B (zh) | 一种基于桥梁防撞的船舶目标检测跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |