CN108876820A - 一种基于均值漂移的遮挡条件下移动目标追踪方法 - Google Patents
一种基于均值漂移的遮挡条件下移动目标追踪方法 Download PDFInfo
- Publication number
- CN108876820A CN108876820A CN201810596691.4A CN201810596691A CN108876820A CN 108876820 A CN108876820 A CN 108876820A CN 201810596691 A CN201810596691 A CN 201810596691A CN 108876820 A CN108876820 A CN 108876820A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- region
- kalman
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000014509 gene expression Effects 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于均值漂移的遮挡条件下移动目标追踪方法。主要步骤:1.获得视频数据中的视频帧图像信息;2.选定追踪目标,建立卡尔曼滤波器模型,初始化方程的初始参数;3.建立均值漂移模型,统计搜索窗口内所有像素点的颜色值,建立直方图并归一化;4.计算卡尔曼模型输出的预测位置,作为MeanShift算法的起始迭代位置,在卡尔曼预测的位置处进行遮挡判断;5.若无遮挡,以预测位置作为MeanShift算法的起始迭代位置,依据均值漂移算法不断的迭代计算出目标的最优位置,并更新卡尔曼模型参数,在最优位置处自适应变化窗口的大小,并作为下一帧的窗口大小;6.若有遮挡,以预测位置作为假设的观测位置,以此位置更新卡尔曼模型参数,输出预测的目标位置。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于均值漂移的遮挡条件下移动目标追踪方法。
背景技术
基于视频的移动目标的追踪是指对视频中存在的运动图像的运动目标进行智能检测、并进行追踪,同时能够得到运动目标的相关运动参数指标。在具体的实践中,复杂环境下移动目标的追踪算法通常需要与目标智能检测分割、运动目标的轨迹滤波以及对目标位置的预测等其它辅助算法进行结合来优化效果,然而因为运动目标所处环境的复杂性而带来的如物体阴影、目标被遮挡、目标形态上的变化、因光照变化而引起的亮度变化等,对算法的要求有很大的考验,并且实际场合中的实时性要求也对目标追踪问题提出了很大的要求。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于均值漂移的遮挡条件下移动目标追踪方法,能够有效的解决在遮挡条件下移动目标追踪问题。
为解决上述技术问题,本发明采用的技术方案是:一种基于均值漂移的遮挡条件下移动目标追踪方法,包括以下步骤:
S1.获取视频数据中的视频帧图像信息;
S2.在任意帧中手动设定初始搜索窗口,即选定追踪目标,并建立卡尔曼滤波器模型,同时初始化方程的初始参数;
S3.建立均值漂移模型,统计搜索窗口内所有像素点的颜色值,建立直方图并归一化,得到目标区域的模型描述,即得到了目标区域的密度概率函数;
S4.计算卡尔曼模型输出的预测位置,作为MeanShift算法的起始迭代位置;并在卡尔曼预测的位置处进行遮挡判断,若没有遮挡,执行步骤S5,若存在遮挡,执行步骤S6;
S5.若没有遮挡,以卡尔曼模型的预测位置作为MeanShift算法的起始迭代位置,依据均值漂移算法不断的迭代计算出目标的最优位置,并以此最优位置作为参数更新卡尔曼模型参数,在最优位置处,自适应变化窗口的大小,以此大小作为下一帧的窗口大小;
S6.若存在遮挡,以卡尔曼的预测位置作为假设的观测位置,并以此位置更新卡尔曼模型参数,输出预测的目标位置;
S7.判断视频是否结束,若是,执行步骤S8,若否,执行步骤S4;
进一步地,所述的S3步骤具体包括:
S31.建立目标模型,采用矩形窗口对目标进行分区域的选择,在对特征进行提取时将区域划分为11个子区域,11个子区域构成五角星形结构,其中心区域为正五边形,五角星的每一个角划分为一个区域;分别统计各子区域的颜色直方图,将各子区域分别统计的颜色直方图结果当作整个目标区域的特征描述;假设目标区域像素的中心为x0,zi(i=1,2,...,n)表示区域内各像素的坐标位置,建立颜色直方图,得到m个由统计颜色得到的特征值;目标模型的概率密度qu(u=1,2,...,m)可表示为:
式中,k(x)是轮廓函数,C为qu的标准化常系数;u为直方图的索引;δ[b(zi-u)]为判断区域模板中像素xi处的亮度值是否位于直方图的第u个区间,h为核函数带宽,归一化像素的位置大小;
S32.候选区域模型描述,在第t帧时,区域中心坐标ft,用{zi}i=1,2,...,i代表候选区域的像素,则候选区域的模型的概率密度为:
S33.相似度度量,提出的一种改进的相似度判定依据,具体表达式为:
式中,ρ(p,q)表示候选目标模型与目标模型之间的相似度,ρi(p,q)(其中i=1,2,...,11)不同区域之间的相似度,此处采用巴氏系数描述相似度;ωi分别代表各个子区域权重系数,表示不同区域对整个候选模型与目标模型之间相似度的不同贡献;x0代表了中心区域的质心坐标,xi代表了其他10个区域的质心坐标,不同区域的权重由该区域质心位置与中心区域质心位置的距离成反比例分配。
进一步地,在所述的S4步骤中,按照下式进行遮挡的判断:
式中,ρi(k)代表第k帧时第i各区域的相似度,T为阈值;当满足上式所示的条件时,可以认定区域1处发生了遮挡,并且大概的方向为从区域1处开始,同理,其他几个区域的判断也按照上式进行判断。
5.根据权利要求2所述的一种基于均值漂移的遮挡条件下移动目标追踪方法,其特征在于,所述的S5步骤中不断的迭代计算出目标的最优位置即为了使相似函数ρ(p,q)最大,对步骤S33中的公式运用泰勒展开式,得到对应的近似表达式:
上式函数ρ(p,q)中只有f会发生变化,所以只分析第二项,根据Yizong Cheng的论文可得出如下公式:
式中,fk为原目标中心,fk+1即为经均值漂移计算后的结果中心点,如果最后所运动的距离小于某一阈值ε或达到了最大迭代次数,即可以认定向量方向为朝着两个模型颜色对比变化最大的方向移动,移动后位置即为当前帧的目标最优位置,然后把此具体中心点当作下一帧迭代算法的中心,重复此操作直到结束。
与现有技术相比,有益效果是:本发明提供的一种基于均值漂移的遮挡条件下移动目标追踪方法,在建立模型阶段采用了一种改进的分区域方式,即五角星形结构,弥补了经典均值漂移算法对目标建立模型时没有考虑空间特性的缺点,对目标的模型描述更加有效;同时该模型在面对遮挡时,能够一定程度上判断被遮挡的方向信息,对卡尔曼预测模型有一定的修正作用,使其对遮挡的适应性更强。
附图说明
图1是本发明方法流程图。
图2是本发明步骤S31中分区域的颜色直方图划分示意图。
图3是本发明实施例仿真结果图。
具体实施方式
附图仅用于示例性说明,不能理解为对本发明的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本发明的限制。
实施例1:
如图1所示,一种基于均值漂移的遮挡条件下移动目标追踪方法,包括以下步骤:
步骤1.获得视频数据中的视频帧图像信息。
步骤2.在任意帧中手动设定初始搜索窗口,即选定追踪目标,并且建立卡尔曼滤波器模型,并且初始化方程的初始参数。具体包括:
S21.假设移动目标的状态参数为当前时刻的感兴趣区域的中心位置以及速度,以此设定在卡尔曼预测器中状态变量设置为Xk,观测值设置为Zk,表达式分别如下所示:
Xk=[xk,yk,vx,k,vy,k] (1)
Zk=[xk,yk] (2)
其中,xk,yk代表的是包含目标区域的矩形的中心点位置(质点位置),vx,k,vy,k代表x、y轴上的移动速度大小;
S22.卡尔曼预测器的状态方程为:
Xk=Ak,k-1Xk-1+Wk-1 (3)
其中,Ak,k-1表示从k-1时刻到k时刻的状态转移矩阵,本文用下面的矩阵表示:
式中,Δt表示连续的两帧图片的时间间隔,在此处选择1帧;Wk-1为k-1时刻的在***状态中添加的模拟噪声,采用互不相关的而且均值大小为0的正态白噪声;
S23.观测方程为:
Zk=HkXk+Vk (5)
公式中,Hk为k时刻的观测矩阵,Vk为k时刻的观测噪声,采用互不相关的正态白噪声且高斯噪声的均值设置为0。观测矩阵如下所示:
S24.卡尔曼预测器的状态更新方程为:
卡尔曼预测器的状态预测方程为:
Kk为卡尔曼预测器的增益矩阵:
其中,为Xk的先验概率估计,为根据Zk对的修正后的更新值,Wk-1和Vk为互补相关的标准正态分布的噪声;Qk和Rk为Wk和Vk的协方差矩阵,具体如下:
步骤3.建立均值漂移模型,统计搜索窗口内所有像素点的颜色值,建立直方图并归一化,此时得到目标区域的模型描述(以颜色直方图作为目标的特征)即得到了目标区域的密度概率函数;具体包括:
目标模型的建立,使用了一种改进的目标区域特征的描述办法,即分区域的目标像素块颜色直方图统计,仍然采用矩形窗口来对目标进行区域的选择,如图2所示,对特征的提取时采用划分为11个子区域的五角星形区域,中心区域为一正五边形,所述子区域分别编号为1~11,然后分别统计各区域的颜色直方图,将各区域分别统计的颜色直方图结果当作整个目标区域的特征描述,提高对目标的空间特征分布的描述。假设目标区域像素的中心为x0,zi(i=1,2,...,n)表示区域内各像素的坐标位置,建立颜色直方图,得到m个由统计颜色得到的特征值。目标模型的概率密度qu(u=1,2,...,m)可表示为:
上式中,k(x)是轮廓函数,C为qu的标准化常系数;u为直方图的索引;δ[b(zi-u)]为判断区域模板中像素xi处的亮度值是否位于直方图的第u个区间;
S32.候选区域模型描述,在第t帧时,区域中心坐标ft,用{zi}i=1,2,...,i代表候选区域的像素,则候选区域的模型的概率密度为:
S33.相似度度量,相似性函数用来描述真实的模型和目标候选模型之间的相似程度,本文相似度函数将采用Bhattacharyya系数,公式如下:
本文提出的一种改进的相似度判定依据,具体表达式为:
其中,ρ(p,q)表示候选目标模型与目标模型之间的相似度,ρi(p,q)(其中i=1,2,...,11)不同区域之间的相似度,此处采用巴氏系数描述相似度。ωi分别代表图2中不同区域的权重系数,表示不同区域对整个候选模型与目标模型之间相似度的不同贡献,分配方式按照式(20)(21)进行,其中xi代表了图中2中1~10号区域的质心坐标,x0代表了图中2中11号区域的质心坐标,不同区域的权重由该区域质心位置与中心区域质心位置的距离成反比例分配
步骤4.计算卡尔曼模型输出的预测位置,作为MeanShift算法的起始迭代位置;并在卡尔曼预测的位置处进行遮挡判断,若没有遮挡,执行S5,若存在遮挡,执行S6。
其中,遮挡的判断依据,具体如下式所示:
其中,ρi(k)代表第k帧时第i各区域的相似度,T为阈值,取值0.8,具体视具体情况而定。当满足式(22)所示的条件时,可以认定区域1处发生了遮挡,并且大概的方向为从区域1处开始,同理可适应于其余几个区域的判定。
步骤5.若没有遮挡,以卡尔曼模型的预测位置作为MeanShift算法的起始迭代位置,依据均值漂移算法不断的迭代计算出目标的最优位置,并且以此最优位置作为参数更新卡尔曼模型参数,并且在最优位置处,自适应变化窗口的大小,以此大小作为下一帧的窗口大小。
不断的迭代计算出目标的最优位置即为了使相似函数ρ(p,q)最大,对公式(17)运用泰勒展开式,得到对应的近似表达式如下所示:
式(23)中只有f会发生变化,所以只分析第二项,根据Yizong Cheng的论文可得出如下公式:
上式中,fk为原目标中心,fk+1即为经均值漂移计算后的结果中心点,Mean shift算法即用式(25)进行迭代计算,如果最后所运动的距离小于某一阈值ε或达到了最大迭代次数,即可以认定向量方向为朝着两个模型颜色对比变化最大的方向移动,移动后位置即为当前帧的目标最优位置,然后把此具体中心点当成下一帧迭代算法的中心,重复此操作直到结束,本实施例中ε取值为0.5,最大迭代次数取20。
步骤6.若存在遮挡,以卡尔曼的预测位置作为假设的观测位置,并以此位置更新卡尔曼模型参数,输出预测的目标位置。
步骤7.判断视频是否结束,若是,执行S8,若否,执行S4;
步骤8.停止,结束。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于均值漂移的遮挡条件下移动目标追踪方法,其特征在于,包括以下步骤:
S1.获取视频数据中的视频帧图像信息;
S2.在任意帧中手动设定初始搜索窗口,即选定追踪目标,并建立卡尔曼滤波器模型,同时初始化方程的初始参数;
S3.建立均值漂移模型,统计搜索窗口内所有像素点的颜色值,建立直方图并归一化,得到目标区域的模型描述,即得到了目标区域的密度概率函数;
S4.计算卡尔曼模型输出的预测位置,作为MeanShift算法的起始迭代位置;并在卡尔曼预测的位置处进行遮挡判断,若没有遮挡,执行步骤S5,若存在遮挡,执行步骤S6;
S5.若没有遮挡,以卡尔曼模型的预测位置作为MeanShift算法的起始迭代位置,依据均值漂移算法不断的迭代计算出目标的最优位置,并以此最优位置作为参数更新卡尔曼模型参数,在最优位置处,自适应变化窗口的大小,以此大小作为下一帧的窗口大小;
S6.若存在遮挡,以卡尔曼的预测位置作为假设的观测位置,并以此位置更新卡尔曼模型参数,输出预测的目标位置;
S7.判断视频是否结束,若是,执行步骤S8,若否,执行步骤S4。
2.根据权利要求1所述的一种基于均值漂移的遮挡条件下移动目标追踪方法,其特征在于,所述的S3步骤具体包括:
S31.建立目标模型,采用矩形窗口对目标进行分区域的选择,在对特征进行提取时将区域划分为11个子区域,11个子区域构成五角星形结构,其中心区域为正五边形,五角星的每一个角划分为一个区域;分别统计各子区域的颜色直方图,将各子区域分别统计的颜色直方图结果当作整个目标区域的特征描述;假设目标区域像素的中心为x0,zi(i=1,2,...,n)表示区域内各像素的坐标位置,建立颜色直方图,得到m个由统计颜色得到的特征值;目标模型的概率密度qu(u=1,2,...,m)可表示为:
式中,k(x)是轮廓函数,C为qu的标准化常系数;u为直方图的索引;δ[b(zi-u)]为判断区域模板中像素xi处的亮度值是否位于直方图的第u个区间,h为核函数带宽,归一化像素的位置大小;
S32.候选区域模型描述,在第t帧时,区域中心坐标ft,用{zi}i=1,2,...,i代表候选区域的像素,则候选区域的模型的概率密度为:
S33.相似度度量,提出的一种改进的相似度判定依据,具体表达式为:
式中,ρ(p,q)表示候选目标模型与目标模型之间的相似度,ρi(p,q)(其中i=1,2,...,11)不同区域之间的相似度,此处采用巴氏系数描述相似度;ωi分别代表各个子区域权重系数,表示不同区域对整个候选模型与目标模型之间相似度的不同贡献;x0代表了中心区域的质心坐标,xi代表了其他10个区域的质心坐标,不同区域的权重由该区域质心位置与中心区域质心位置的距离成反比例分配。
3.根据权利要求2所述的一种基于均值漂移的遮挡条件下移动目标追踪方法,其特征在于,在所述的S4步骤中,按照下式进行遮挡的判断:
式中,ρi(k)代表第k帧时第i各区域的相似度,T为阈值;当满足上式所示的条件时,可以认定区域1处发生了遮挡,并且大概的方向为从区域1处开始,同理,其他几个区域的判断也按照上式进行判断。
4.根据权利要求2所述的一种基于均值漂移的遮挡条件下移动目标追踪方法,其特征在于,所述的S5步骤中不断的迭代计算出目标的最优位置即为了使相似函数ρ(p,q)最大,对步骤S33中的公式运用泰勒展开式,得到对应的近似表达式:
上式函数ρ(p,q)中只有f会发生变化,所以只分析第二项,根据Yizong Cheng的论文可得出如下公式:
式中,fk为原目标中心,fk+1即为经均值漂移计算后的结果中心点,如果最后所运动的距离小于某一阈值ε或达到了最大迭代次数,即可以认定向量方向为朝着两个模型颜色对比变化最大的方向移动,移动后位置即为当前帧的目标最优位置,然后把此具体中心点当作下一帧迭代算法的中心,重复此操作直到结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596691.4A CN108876820B (zh) | 2018-06-11 | 2018-06-11 | 一种基于均值漂移的遮挡条件下移动目标追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596691.4A CN108876820B (zh) | 2018-06-11 | 2018-06-11 | 一种基于均值漂移的遮挡条件下移动目标追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876820A true CN108876820A (zh) | 2018-11-23 |
CN108876820B CN108876820B (zh) | 2022-01-25 |
Family
ID=64337765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810596691.4A Active CN108876820B (zh) | 2018-06-11 | 2018-06-11 | 一种基于均值漂移的遮挡条件下移动目标追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876820B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949340A (zh) * | 2019-03-04 | 2019-06-28 | 湖北三江航天万峰科技发展有限公司 | 基于OpenCV的目标尺度自适应跟踪方法 |
CN110233667A (zh) * | 2019-06-05 | 2019-09-13 | 华南理工大学 | 基于均值漂移与无迹卡尔曼滤波的vlc动态定位方法及*** |
CN110458862A (zh) * | 2019-05-22 | 2019-11-15 | 西安邮电大学 | 一种遮挡背景下的运动目标跟踪方法 |
CN110517291A (zh) * | 2019-08-27 | 2019-11-29 | 南京邮电大学 | 一种基于多特征空间融合的道路车辆跟踪方法 |
CN111277745A (zh) * | 2018-12-04 | 2020-06-12 | 北京奇虎科技有限公司 | 目标人员的追踪方法、装置、电子设备及可读存储介质 |
CN112070794A (zh) * | 2020-08-20 | 2020-12-11 | 成都恒创新星科技有限公司 | 一种基于动态辅助目标的多物体追踪方法 |
CN115471139A (zh) * | 2022-10-31 | 2022-12-13 | 北京奥邦体育赛事评估有限责任公司 | 一种基于图像识别技术的大型群众体育赛事综合评估*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324956A (zh) * | 2008-07-10 | 2008-12-17 | 上海交通大学 | 基于均值漂移的抗遮挡运动目标跟踪方法 |
US20160140397A1 (en) * | 2012-01-17 | 2016-05-19 | Avigilon Fortress Corporation | System and method for video content analysis using depth sensing |
US20170061239A1 (en) * | 2015-05-22 | 2017-03-02 | International Business Machines Corporation | Real-time object analysis with occlusion handling |
-
2018
- 2018-06-11 CN CN201810596691.4A patent/CN108876820B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324956A (zh) * | 2008-07-10 | 2008-12-17 | 上海交通大学 | 基于均值漂移的抗遮挡运动目标跟踪方法 |
US20160140397A1 (en) * | 2012-01-17 | 2016-05-19 | Avigilon Fortress Corporation | System and method for video content analysis using depth sensing |
US20170061239A1 (en) * | 2015-05-22 | 2017-03-02 | International Business Machines Corporation | Real-time object analysis with occlusion handling |
Non-Patent Citations (1)
Title |
---|
赵豪等: "基于卡尔曼的均值漂移抗遮挡移动目标追踪算法", 《电子世界》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111277745A (zh) * | 2018-12-04 | 2020-06-12 | 北京奇虎科技有限公司 | 目标人员的追踪方法、装置、电子设备及可读存储介质 |
CN111277745B (zh) * | 2018-12-04 | 2023-12-05 | 北京奇虎科技有限公司 | 目标人员的追踪方法、装置、电子设备及可读存储介质 |
CN109949340A (zh) * | 2019-03-04 | 2019-06-28 | 湖北三江航天万峰科技发展有限公司 | 基于OpenCV的目标尺度自适应跟踪方法 |
CN110458862A (zh) * | 2019-05-22 | 2019-11-15 | 西安邮电大学 | 一种遮挡背景下的运动目标跟踪方法 |
CN110233667A (zh) * | 2019-06-05 | 2019-09-13 | 华南理工大学 | 基于均值漂移与无迹卡尔曼滤波的vlc动态定位方法及*** |
CN110517291A (zh) * | 2019-08-27 | 2019-11-29 | 南京邮电大学 | 一种基于多特征空间融合的道路车辆跟踪方法 |
CN112070794A (zh) * | 2020-08-20 | 2020-12-11 | 成都恒创新星科技有限公司 | 一种基于动态辅助目标的多物体追踪方法 |
CN115471139A (zh) * | 2022-10-31 | 2022-12-13 | 北京奥邦体育赛事评估有限责任公司 | 一种基于图像识别技术的大型群众体育赛事综合评估*** |
CN115471139B (zh) * | 2022-10-31 | 2023-02-10 | 北京奥邦体育赛事评估有限责任公司 | 一种基于图像识别技术的大型群众体育赛事综合评估*** |
Also Published As
Publication number | Publication date |
---|---|
CN108876820B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876820B (zh) | 一种基于均值漂移的遮挡条件下移动目标追踪方法 | |
CN107292911B (zh) | 一种基于多模型融合和数据关联的多目标跟踪方法 | |
CN110517288B (zh) | 基于全景多路4k视频图像的实时目标检测跟踪方法 | |
CN107016691B (zh) | 基于超像素特征的运动目标检测方法 | |
CN101739551B (zh) | 运动目标识别方法及*** | |
CN103871029B (zh) | 一种图像增强及分割方法 | |
CN110688965B (zh) | 基于双目视觉的ipt模拟训练手势识别方法 | |
CN107705321A (zh) | 基于嵌入式***的运动目标检测与跟踪方法 | |
CN104835145B (zh) | 基于自适应Codebook背景模型的前景检测方法 | |
CN112184759A (zh) | 一种基于视频的运动目标检测与跟踪方法及*** | |
CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
CN101916446A (zh) | 基于边缘信息和均值移位的灰度目标跟踪算法 | |
Vosters et al. | Background subtraction under sudden illumination changes | |
CN110321937B (zh) | 一种Faster-RCNN结合卡尔曼滤波的运动人体跟踪方法 | |
CN108074234A (zh) | 一种基于目标跟踪和多特征融合的大空间火焰检测方法 | |
CN110717934B (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及*** | |
CN113379789B (zh) | 一种复杂环境下运动目标跟踪方法 | |
CN108765463B (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
CN110827262A (zh) | 一种基于连续有限帧红外图像的弱小目标检测方法 | |
CN112164093A (zh) | 一种基于边缘特征和相关滤波的人物自动跟踪方法 | |
KR101690050B1 (ko) | 지능형 영상보안 시스템 및 객체 추적 방법 | |
CN109308709B (zh) | 基于图像分割的Vibe运动目标检测算法 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和*** | |
CN113902694A (zh) | 一种基于动静结合的目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |