CN106372590A - 一种基于机器视觉的海面船只智能跟踪***及其方法 - Google Patents
一种基于机器视觉的海面船只智能跟踪***及其方法 Download PDFInfo
- Publication number
- CN106372590A CN106372590A CN201610770608.1A CN201610770608A CN106372590A CN 106372590 A CN106372590 A CN 106372590A CN 201610770608 A CN201610770608 A CN 201610770608A CN 106372590 A CN106372590 A CN 106372590A
- Authority
- CN
- China
- Prior art keywords
- ship
- module
- target
- tracking
- machine vision
- 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.)
- Pending
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于机器视觉的海面船只智能跟踪***及其方法。***包括:图像采集模块、Mean‑shift跟踪模块、Kalman滤波器模块、多级并联检测模块和在线学习模块。本发明以Haar+AdaBoost组合算法检测海面船只,检测结果作为***的起始帧,从而初始化***与检测器,来取代人工圈定目标区域。将Kalman滤波器用于船只检测与跟踪中,缩小了检测范围,减少了计算量,提高了实时性;基于Mean‑shift的跟踪模块有效地发挥了特征稳定、抗遮挡、计算简便以及对目标形变、旋转和背景运动不敏感的特性;采用多级并联检测模块,将基于随机森林的集合分类器、Haar分类器、最近邻分类器集合起来,解决了因遮挡、变形等因素而导致船只跟踪失败的难题,提高了跟踪的实时性、准确性和鲁棒性。
Description
技术领域
本发明属于计算机视觉和人工智能技术领域,涉及海面船只智能跟踪技术,具体为一种基于机器视觉的海面船只智能跟踪***及其方法。
背景技术
海洋对一个国家的经济社会发展具有重大战略意义,尤其是对海域广阔、海岸线漫长的国家更为重要。相比于陆地或天空领域,海面无人航行器在海上执行任务面临着某些独特的挑战。由于海面环境比较复杂,在完成环境探测、目标识别、自主避障的使命中。海上无人航行器不仅必须与陆地保持一定的安全距离,而且必须与航线上的漂浮物和固定物保持安全的距离,这对环境的监测和障碍物的识别提出了较高的要求。
在长时间跟踪过程中,被跟踪目标将不可避免地会发生形状、光照条件、尺度等方面的变化,也会产生遮挡等情况。传统的跟踪***,其前端需要与检测模块相互配合,当检测到被跟踪目标之后,就开始进入跟踪模块,而此后,检测模块就不会介入到跟踪过程中。但这种***有一个致命缺陷:当被跟踪目标存在形状变化或遮挡时,跟踪就很容易失败;因此,对于长时间跟踪、或者被跟踪目标存在形状变化情况下的跟踪,现有技术采用检测的方法来代替跟踪。该方法虽然在某些情况下可以改进跟踪效果,但它需要一个离线的学习过程。即在检测之前,需要挑选大量的被跟踪目标的样本来进行学习和训练。这也就意味着,训练样本要涵盖被跟踪目标可能发生的各种形变和各种尺度、姿态变化和光照变化的情况。换言之,利用检测的方法虽能达到长时间跟踪的目的,但对其训练样本的选择有很高的要求,否则,难以保证跟踪的鲁棒性。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种基于机器视觉的海面船只智能跟踪***及其方法,结合机器视觉技术和现代计算机技术,可以实现对船只目标长期并且稳定的跟踪,具备较强的适应能力,能解决目标的形变缩放、消失和再现的技术问题,其***的训练样本能充分保证跟踪的鲁棒性。
为解决现有技术的上述技术问题,本发明的一种基于机器视觉的海面船只智能跟踪***,其特征在于,包括:
一个图像采集模块,采集所述的海面船只航行图像,通过1394数据线路,将所述的图像信息传递给一个Kalman滤波器模块;
所述的Kalman滤波器模块,首先对所述的船只目标的检测进行初始化,然后进行船只航行图像的滤波与船只位置的预估,并将所述的滤波与预估后的信息分别传递给一个Mean-shift跟踪模块和一个多级并联检测模块;
所述的Mean-shift跟踪模块,寻找所述的目标船只位置,并将船只位置相关信息传递给在线学习模块;所述的船只位置相关信息包括:船只目标所在每一帧图像中的位置,以及船只目标的特征值。
所述的多级并联检测模块,进行船只目标的检测,并传递给一个在线学习模块;
所述的在线学习模块,通过对所述图像信息的融合,获得船只准确的位置信息,并将所述船只位置信息分别传递给所述的Mean-shift跟踪模块、Kalman滤波器模块和多级并联检测模块进行跟踪信息的更新。
其中,所述的图像采集模块,包括CCD摄像机,图像采集卡。所述的Kalman滤波器模块包括Haar分类器与Kalman滤波器。所述的Mean-shift跟踪模块包括:目标模型计算子模块、候选位置确定子模块、候选模型计算子模块、Mean-shift迭代子模块和目标位置收敛子模块。所述的多级并联检测模块包括:基于随机森林的集合分类器、Haar分类器和最近邻分类器。所述的在线学习模块包括:图像融合子模块和P-N学习子模块。
本发明的一种基于机器视觉的海面船只智能跟踪方法,其特征在于,包括以下步骤:
(1)打开摄像机,采集视频流,并转化为数字图像,经过1394数据线路进行数据传递;
(2)通过Haar分类器检测出第一帧数字图像中的船只目标,作为初始船只目标,传递给在线学习模块;
(3)运用步骤(2)检测出的初始船只目标,初始化Kalman滤波器,确定船只目标的中心位置,对每一帧图像进行滤波,并预估下一帧船只的位置信息;
(4)运用步骤(2)检测出的初始船只目标,首先初始化Mean-shift跟踪模块和多级并联检测模块,然后分别进行船只的目标跟踪与检测;
(5)在线学习:运用步骤(2)检测出的初始船只目标初始化,再通过P-N学习来更新基于Mean-shift跟踪模块和多级并联检测模块;
(6)图像融合:用确定跟踪目标的位置信息来更新Kalman滤波器,从而提高船只跟踪的效率。
所述的步骤(2)的具体过程为:
(21)采用Haar-like特征进行检测;
(22)使用积分图对Haar-like特征求值进行加速;
(23)利用AdaBoost算法训练区分船只和非船只的强分类器;
(24)使用筛选式级联把强分类器级联到一起;
(25)通过强分类器将目标船只识别出来,并把船只用矩形目标框框出来。
在所述步骤(4)中,基于Mean-shift跟踪模块进行船只目标模型计算,其过程为:
所述的船只目标模型计算中的核函数固定带宽改为动态变化的带宽,然后对更新后的目标模型进行跟踪;设目标区域的中心为x0,即窗口中心点向量值,若有n个像素,用表示,目标模型共有m个特征值,即像素灰度值,权重分布取决于核函数的带宽向量h,则目标模型的特征值u=1…m的概率密度估计为:
式中, 是标准化常量,h为核函数的带宽,k为在核内的像素个数;
当目标被遮挡时,像素点在中心点附近的可靠性要远远高于远离中心点的可靠性;δ[b(xi)-u]决定了像素值与第u个特征值的归属关系,b(xi)是灰度值索引函数,若属于该特征值就为1,否则为0;Ch这个常量系数确保了
在所述步骤(5)的在线学习中,选取含有船只目标的图片为正样本,不含船只目标的图片为负样本。
与现有技术相比,本发明包括以下优点和有益效果:
1.本发明采用haar检测器的方式获取船只目标,无须手动选择跟踪目标,提高了船只跟踪的效率,使得整个跟踪过程更加智能化。
2.本发明采用Kalman滤波器,以跟踪的船只目标为中心,在图像中选取2倍跟踪目标的面积为滤波空间。一方面,进行图像的滤波,提高图像信息的质量;另一方面,进行图像中的船只目标位置预估,产生相关的跟踪与检测目标图像。
3.本发明利用Mean-shift具有特征稳定、抗遮挡、计算简便以及对目标形变、旋转和背景运动不敏感的特性,采用Mean-shift跟踪模块,其中船只目标模型计算中的核函数固定带宽改为动态变化的带宽,然后对更新后的目标模型进行跟踪,从而增加了跟踪的可靠性与鲁棒性。
4.本发明采用Haar+AdaBoost组合算法检测海面船只,检测结果作为***的起始帧,即初始化***与检测器,以此来取代人工圈定目标区域。将Kalman滤波器的预测功能用在了船只检测与跟踪中,以此来减小检测范围,大大地较少了计算量,提高了实时性。
5.本发明采用多级并联检测模块,将基于随机森林的集合分类器,Haar分类器,最近邻分类器集合起来,很大地程度上,解决了因遮挡、变形等因素而导致船只跟踪失败的难题,进一步提高了跟踪的实时性、准确性和鲁棒性。
6.本发明能够对海上船只长时间实时跟踪,解决了当船只发生变形或者严重遮挡时,跟踪失败的现象,同时,具有很高的跟踪的精度和实时性。
附图说明
图1是本发明基于机器视觉的海面船只智能跟踪***的一种实施例的结构框图。
图2是本发明基于机器视觉的海面船只智能跟踪方法的一种实施例的流程图。
图3是本发明的一种实施例的多级并联检测模块的工作流程图。
图4是本发明的一种实施例的Mean-shift跟踪模块的工作流程图。
图5是本发明的一种实施例的跟踪结果示意图。其中,图5a为第3帧跟踪结果,图5b为第21帧跟踪结果,图5c第30帧跟踪结果,图5d为第40帧跟踪结果。
具体实施方式
下面结合附图,对本发明做进一步详细说明。
图1所示是本发明基于机器视觉的海面船只智能跟踪***的一种实施例的结构框图。本发明实施例的***包括:图像采集模块、Mean-shift跟踪模块、Kalman滤波器模块、多级并联检测模块、在线学习模块五个部分。
所述图像采集模块,采集所述的海面船只航行图像,通过1394数据线路,将所述的图像信息传递给一个Kalman滤波器模块;
所述的Kalman滤波器模块,首先对所述的船只目标的检测进行初始化,然后进行船只航行图像的滤波与船只位置的预估,并将所述的滤波与预估后的信息分别传递给一个Mean-shift跟踪模块和一个多级并联检测模块;Kalman滤波器在对于海面船只进行跟踪时,将船只单位时间内在图像中的运动视为匀速运动,所以某一时刻船只的运动状态(位置和速度变化等信息)可以通过Kalman滤波器来描述,再根据运动方程预测目标的位置。一方面,Kalman滤波器进行图像的滤波,提高图像的质量;另一方面,用Kalman滤波器进行图像中的船只目标位置预估,提高跟踪的效率。
所述的Mean-shift跟踪模块,寻找所述的目标船只位置,并将船只位置相关信息传递给在线学习模块;所述的船只位置相关信息包括:船只目标所在每一帧图像中的位置,以及船只目标的特征值。
所述的多级并联检测模块,进行船只目标的检测,并传递给一个在线学习模块;
所述的在线学习模块,通过对所述图像信息的融合,获得船只准确的位置信息,并将所述船只位置信息分别传递给所述的Mean-shift跟踪模块、Kalman滤波器和多级并联检测模块进行跟踪信息的更新。
其中,图像采集模块包括:CCD摄像机,图像采集卡;Mean-shift跟踪模块包括以下子模块:目标模型计算、候选位置确定、候选模型计算、Mean-shift迭代、目标位置收敛。Kalman滤波器模块包括:Haar分类器与Kalman滤波器。多级并联检测模块包括:基于随机森林的集合分类器、Haar分类器和最近邻分类器。在线学习模块包括:图像融合、P-N学习子模块。
图2所示为本发明基于机器视觉的海面船只智能跟踪方法的一种实施例的流程图。该实施例包括以下步骤:
(1)打开摄像机,采集视频流,并转化为数字图像,经过1394数据线路进行数据传递;
(2)通过Haar分类器检测出第一帧数字图像中的船只目标,作为初始船只目标,传递给在线学习模块;步骤(2)采用haar检测器的方式获取船只目标,无须手动选择跟踪目标,提高了船只跟踪的效率,使得整个跟踪过程更加智能化。其具体过程为:
(21)采用Haar-like特征进行检测;
(22)使用积分图对Haar-like特征求值进行加速;
(23)利用AdaBoost算法训练区分船只和非船只的强分类器;
(24)使用筛选式级联把强分类器级联到一起;
(25)通过强分类器将目标船只识别出来,并把船只用矩形目标框框出来。
(3)运用步骤(2)检测出的初始船只目标,初始化Kalman滤波器,确定船只目标的中心位置,对每一帧图像进行滤波,并预估下一帧船只的位置信息;此步骤(3)中,Kalman滤波器,以跟踪的船只目标为中心,在图像中选取2倍跟踪目标的面积为滤波空间。一方面,进行图像的滤波,提高图像信息的质量;另一方面,进行图像中的船只目标位置预估,产生相关的跟踪与检测目标图像。
(4)运用步骤(2)检测出的初始船只目标,首先初始化Mean-shift跟踪模块和多级并联检测模块,然后分别进行船只的目标跟踪与检测。其具体过程为:
所述的船只目标模型计算中的核函数固定带宽改为动态变化的带宽,然后对更新后的目标模型进行跟踪;从而增加了跟踪的可靠性与鲁棒性。设:目标区域的中心为x0,即窗口中心点向量值,若有n个像素,用表示,目标模型共有m个特征值,即像素灰度值,权重分布取决于核函数的带宽向量h,则目标模型的特征值u=1…m的概率密度估计为:
式中, 是标准化常量,h为核函数的带宽,k为在核内的像素个数;
当目标被遮挡时,像素点在中心点附近的可靠性要远远高于远离中心点的可靠性;δ[b(xi)-u]决定了像素值与第u个特征值的归属关系,b(xi)是灰度值索引函数,若属于该特征值就为1,否则为0;Ch这个常量系数确保了
(5)在线学习:运用步骤(2)检测出的初始船只目标初始化,再通过P-N学习来更新Mean-shift***模块和多级并联检测模块;
在本步骤(5)的在线学习中,选取含有船只目标的图片为正样本,不含船只目标的图片为负样本。
(6)图像融合:用确定跟踪目标的位置信息来更新Kalman滤波器,从而提高船只跟踪的效率。
Claims (10)
1.一种基于机器视觉的海面船只智能跟踪***,其特征在于,包括:
一个图像采集模块,采集所述的海面船只航行图像,通过1394数据线路,将所述的图像信息传递给一个Kalman滤波模块;
所述的Kalman滤波器模块,首先对所述的船只目标的检测进行初始化,然后进行船只航行图像的滤波与船只位置的预估,并将所述的滤波与预估后的信息分别传递给一个Mean-shift跟踪模块和一个多级并联检测模块;
所述的Mean-shift跟踪模块,寻找所述的目标船只位置,并将船只位置相关信息传递给在线学习模块;所述的船只位置相关信息包括:船只目标所在每一帧图像中的位置,以及船只目标的特征值;
所述的多级并联检测模块,进行船只目标的检测,并传递给一个在线学习模块;
所述的在线学习模块,通过对所述图像信息的融合,获得船只准确的位置信息,并将所述船只位置信息分别传递给所述的Mean-shift跟踪模块、Kalman滤波器模块和多级并联检测模块进行跟踪信息的更新。
2.根据权利要求1所述的一种基于机器视觉的海面船只智能跟踪***,其特征在于:所述的图像采集模块,包括CCD摄像机,图像采集卡。
3.根据权利要求1所述的一种基于机器视觉的海面船只智能跟踪***,其特征在于:所述的Kalman滤波器模块包括Haar分类器与Kalman滤波器。
4.根据权利要求1所述的一种基于机器视觉的海面船只智能跟踪***,其特征在于:所述的Mean-shift跟踪模块包括:目标模型计算子模块、候选位置确定子模块、候选模型计算子模块、Mean-shift迭代子模块和目标位置收敛子模块。
5.根据权利要求1所述的一种基于机器视觉的海面船只智能跟踪***,其特征在于:所述的多级并联检测模块包括:基于随机森林的集合分类器、Haar分类器和最近邻分类器。
6.根据权利要求1所述的一种基于机器视觉的海面船只智能跟踪***,其特征在于:所述的在线学习模块包括:图像融合子模块和P-N学习子模块。
7.一种采用权利要求1至6任一项所述***来实现的基于机器视觉的海面船只智能跟踪方法,其特征在于,包括以下步骤:
(1)打开摄像机,采集视频流,并转化为数字图像,经过1394数据线路进行数据传递;
(2)通过Haar分类器检测出第一帧数字图像中的船只目标,作为初始船只目标,传递给在线学习模块;
(3)运用步骤(2)检测出的初始船只目标,初始化Kalman滤波器,确定船只目标的中心位置,对每一帧图像进行滤波,并预估下一帧船只的位置信息;
(4)运用步骤(2)检测出的初始船只目标,首先初始化Mean-shift跟踪模块和多级并联检测模块,然后分别进行船只的目标跟踪与检测;
(5)在线学习:运用步骤(2)检测出的初始船只目标初始化,再通过P-N学习来更新Mean-shift***模块和多级并联检测模块;
(6)图像融合:用确定跟踪目标的位置信息来更新Kalman滤波器,从而提高船只跟踪的效率。
8.根据权利要求7所述的一种基于机器视觉的海面船只智能跟踪方法,其特征在于,所述的步骤(2)的具体过程为:
(21)采用Haar-like特征进行检测;
(22)使用积分图对Haar-like特征求值进行加速;
(23)利用AdaBoost算法训练区分船只和非船只的强分类器;
(24)使用筛选式级联把强分类器级联到一起;
(25)通过强分类器将目标船只识别出来,并把船只用矩形目标框框出来。
9.根据权利要求7所述的一种基于机器视觉的海面船只智能跟踪方法,其特征在于,在所述步骤(4)中,基于Mean-shift跟踪模块进行船只目标模型计算,其过程为:
所述的船只目标模型计算中的核函数固定带宽改为动态变化的带宽,然后对更新后的目标模型进行跟踪;设目标区域的中心为x0,即窗口中心点向量值,若有n个像素,用{xi}i=1…n表示,目标模型共有m个特征值,即像素灰度值,权重分布取决于核函数的带宽向量h,则目标模型的特征值u=1…m的概率密度估计为:
式中, 是标准化常量,h为核函数的带宽,k为在核内的像素个数;
当目标被遮挡时,像素点在中心点附近的可靠性要远远高于远离中心点的可靠性;δ[b(xi)-u]决定了像素值与第u个特征值的归属关系,b(xi)是灰度值索引函数,若属于该特征值就为1,否则为0;Ch这个常量系数确保了
10.根据权利要求7所述的一种基于机器视觉的海面船只智能跟踪方法,其特征在于,在所述步骤(5)的在线学习中,选取含有船只目标的图片为正样本,不含船只目标的图片为负样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610770608.1A CN106372590A (zh) | 2016-08-29 | 2016-08-29 | 一种基于机器视觉的海面船只智能跟踪***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610770608.1A CN106372590A (zh) | 2016-08-29 | 2016-08-29 | 一种基于机器视觉的海面船只智能跟踪***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106372590A true CN106372590A (zh) | 2017-02-01 |
Family
ID=57901972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610770608.1A Pending CN106372590A (zh) | 2016-08-29 | 2016-08-29 | 一种基于机器视觉的海面船只智能跟踪***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372590A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107197199A (zh) * | 2017-05-22 | 2017-09-22 | 哈尔滨工程大学 | 一种智能监控装置及目标跟踪方法 |
CN107292917A (zh) * | 2017-06-15 | 2017-10-24 | 武汉理工大学 | 一种基于视频图像处理的船舶走锚识别方法 |
CN108471497A (zh) * | 2018-03-02 | 2018-08-31 | 天津市亚安科技有限公司 | 一种基于云台摄像机的船目标实时检测方法 |
WO2019101220A1 (zh) * | 2017-12-11 | 2019-05-31 | 珠海大横琴科技发展有限公司 | 基于深度学习网络和均值漂移的船只自动跟踪方法及*** |
CN110097101A (zh) * | 2019-04-19 | 2019-08-06 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
CN116246205A (zh) * | 2023-02-27 | 2023-06-09 | 杭州数尔安防科技股份有限公司 | 一种船只跟踪及文字识别的优化方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916446A (zh) * | 2010-07-23 | 2010-12-15 | 北京航空航天大学 | 基于边缘信息和均值移位的灰度目标跟踪算法 |
CN102136076A (zh) * | 2011-03-14 | 2011-07-27 | 徐州中矿大华洋通信设备有限公司 | 基于安全帽检测的煤矿井下人员定位与跟踪方法 |
CN103886322A (zh) * | 2012-12-20 | 2014-06-25 | 中山大学深圳研究院 | 一种基于SVM和Mean-Shift的视频目标跟踪方法 |
CN105426928A (zh) * | 2014-09-19 | 2016-03-23 | 无锡慧眼电子科技有限公司 | 一种基于Haar特征和EOH特征的行人检测方法 |
CN105893957A (zh) * | 2016-03-30 | 2016-08-24 | 上海交通大学 | 基于视觉湖面船只检测识别与跟踪方法 |
-
2016
- 2016-08-29 CN CN201610770608.1A patent/CN106372590A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916446A (zh) * | 2010-07-23 | 2010-12-15 | 北京航空航天大学 | 基于边缘信息和均值移位的灰度目标跟踪算法 |
CN102136076A (zh) * | 2011-03-14 | 2011-07-27 | 徐州中矿大华洋通信设备有限公司 | 基于安全帽检测的煤矿井下人员定位与跟踪方法 |
CN103886322A (zh) * | 2012-12-20 | 2014-06-25 | 中山大学深圳研究院 | 一种基于SVM和Mean-Shift的视频目标跟踪方法 |
CN105426928A (zh) * | 2014-09-19 | 2016-03-23 | 无锡慧眼电子科技有限公司 | 一种基于Haar特征和EOH特征的行人检测方法 |
CN105893957A (zh) * | 2016-03-30 | 2016-08-24 | 上海交通大学 | 基于视觉湖面船只检测识别与跟踪方法 |
Non-Patent Citations (2)
Title |
---|
徐光柱等著: "《实用性目标检测与跟踪算法原理与应用》", 30 June 2015, 国防工业出版 * |
杨杰等著: "《视频目标检测和跟踪及其应用》", 31 August 2012, 上海交通大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107197199A (zh) * | 2017-05-22 | 2017-09-22 | 哈尔滨工程大学 | 一种智能监控装置及目标跟踪方法 |
CN107292917A (zh) * | 2017-06-15 | 2017-10-24 | 武汉理工大学 | 一种基于视频图像处理的船舶走锚识别方法 |
WO2019101220A1 (zh) * | 2017-12-11 | 2019-05-31 | 珠海大横琴科技发展有限公司 | 基于深度学习网络和均值漂移的船只自动跟踪方法及*** |
US10706285B2 (en) | 2017-12-11 | 2020-07-07 | Zhuhai Da Hengqin Technology Development Co., Ltd. | Automatic ship tracking method and system based on deep learning network and mean shift |
CN108471497A (zh) * | 2018-03-02 | 2018-08-31 | 天津市亚安科技有限公司 | 一种基于云台摄像机的船目标实时检测方法 |
CN110097101A (zh) * | 2019-04-19 | 2019-08-06 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
CN110097101B (zh) * | 2019-04-19 | 2022-09-13 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
CN116246205A (zh) * | 2023-02-27 | 2023-06-09 | 杭州数尔安防科技股份有限公司 | 一种船只跟踪及文字识别的优化方法及*** |
CN116246205B (zh) * | 2023-02-27 | 2024-04-19 | 杭州数尔安防科技股份有限公司 | 一种船只跟踪及文字识别的优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106372590A (zh) | 一种基于机器视觉的海面船只智能跟踪***及其方法 | |
CN104200495B (zh) | 一种视频监控中的多目标跟踪方法 | |
CN103149939B (zh) | 一种基于视觉的无人机动态目标跟踪与定位方法 | |
CN110889324A (zh) | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 | |
CN103426179B (zh) | 一种基于均值偏移多特征融合的目标跟踪方法及装置 | |
CN109657541A (zh) | 一种基于深度学习的无人机航拍图像中的船舶检测方法 | |
CN110275153A (zh) | 一种基于激光雷达的水面目标检测与跟踪方法 | |
CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
CN103336947B (zh) | 基于显著性和结构性的红外运动小目标识别方法 | |
CN103164858A (zh) | 基于超像素和图模型的粘连人群分割与跟踪方法 | |
CN104318258A (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN105224947A (zh) | 分类器训练方法和*** | |
CN106875421A (zh) | 一种多目标跟踪方法及装置 | |
CN105160649A (zh) | 基于核函数非监督聚类的多目标跟踪方法及*** | |
CN105427342A (zh) | 一种水下小目标声呐图像目标检测跟踪方法和*** | |
CN105654516A (zh) | 基于目标显著性的卫星图像对地面弱小运动目标检测方法 | |
Moschos et al. | Deep-sst-eddies: A deep learning framework to detect oceanic eddies in sea surface temperature images | |
CN111968046A (zh) | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 | |
CN104182992A (zh) | 一种基于全景视觉的海上弱小目标检测方法 | |
CN107798691A (zh) | 一种基于视觉的无人机自主着陆地标实时检测跟踪方法 | |
CN104156976A (zh) | 一种抗遮挡目标检测的多特征点跟踪方法 | |
CN116665095B (zh) | 一种运动舰船检测方法、***、存储介质和电子设备 | |
CN114639064B (zh) | 一种水位识别方法及装置 | |
CN110490903B (zh) | 一种双目视觉测量中多目标快速捕获与跟踪方法 | |
Fu et al. | Real-time infrared horizon detection in maritime and land environments based on hyper-laplace filter and convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170201 |