CN109146924A - 一种基于热力图的目标跟踪方法及装置 - Google Patents
一种基于热力图的目标跟踪方法及装置 Download PDFInfo
- Publication number
- CN109146924A CN109146924A CN201810791130.XA CN201810791130A CN109146924A CN 109146924 A CN109146924 A CN 109146924A CN 201810791130 A CN201810791130 A CN 201810791130A CN 109146924 A CN109146924 A CN 109146924A
- Authority
- CN
- China
- Prior art keywords
- frame image
- current frame
- thermodynamic chart
- residual error
- target
- 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
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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于热力图的目标跟踪方法及装置,所述方法包括:获取当前帧图像;将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。本发明提供一种基于热力图的目标跟踪方法及装置,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于热力图的目标跟踪方法及装置。
背景技术
目标跟踪是计算机视觉研究领域的热点之一,并得到广泛应用。相机的跟踪对焦、无人机的自动目标跟踪、人体跟踪、交通监控***中的车辆跟踪、人脸跟踪和智能交互***中的手势跟踪等。目标跟踪的准确度和实时性是评价一个目标跟踪方法优劣的最关键的指标。
现有技术中,目标追踪算法主要分为两大类,一类是基于相关滤波的传统跟踪算法,另一类是基于卷积神经网络CNN的深度学习算法。第一类跟踪算法主要提取目标的HOG、CN等传统特征,这类特征鲁棒性较差,对于遮挡、高速运动、光照变化等复杂环境情况下追踪效果差。基于卷积神经网络CNN的深度学习跟踪算法虽然可以有效解决特征鲁棒性差的问题,但是由于网络结构复杂,计算量大等问题严重影响了跟踪算法的实时性。
发明内容
本发明的目的是提供一种基于热力图的目标跟踪方法及装置,解决了现有技术中目标追踪方法精确性低、实时性不强,以及抗干扰能力差的技术问题。
为了解决上述技术问题,一方面,本发明提供一种基于热力图的目标跟踪方法,包括:
获取当前帧图像;
将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;
根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。
另一方面,本发明提供一种基于热力图的目标跟踪装置,其特征在于,包括:
获取模块,用于获取当前帧图像;
生成模块,用于将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;
确定模块,用于根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。
再一方面,本发明提供一种用于基于热力图的目标跟踪方法的电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
又一方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明提供一种基于热力图的目标跟踪方法及装置,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性,同时,扩大了搜索区域。
附图说明
图1为依照本发明实施例的基于热力图的目标跟踪方法示意图;
图2为依照本发明实施例的基于热力图的目标跟踪装置示意图;
图3为本发明实施例提供的用于基于热力图的目标跟踪方法的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为依照本发明实施例的基于热力图的目标跟踪方法示意图,如图1所示,本发明实施例提供一种基于热力图的目标跟踪方法,包括:
步骤S101、获取当前帧图像;
步骤S102、将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;
步骤S103、根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。
具体的,首先,获取当前帧图像,通常情况下,用于目标跟踪的图像都是通过摄像机采集,将摄像机采集到的视频信息,分割成一帧一帧的图像。
将当前帧图像输入至经过二次训练的残差网络模型,输出当前帧图像的热力图,其中,热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率,即,热力图是以特殊高亮的形式显示响应强度的图示,通过热力图可以看出经过二次训练的残差网络模型预测出的跟踪目标在图像中目标位置的概率。
然后,根据当前帧图像的热力图确定当前帧图像中跟踪目标的位置。
本发明实施例提供一种基于热力图的目标跟踪方法,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性,同时,扩大了搜索区域。
在上述实施例的基础上,进一步地,所述根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置,具体为:
获取所述当前帧图像的热力图的响应峰值,以所述响应峰值所在的位置作为跟踪目标的位置,其中,所述当前帧图像的热力图的响应峰值由所述当前帧图像的热力图与上一帧图像中跟踪目标中心的高斯窗相乘得到。
具体的,热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率,例如,以红色表示跟踪目标在图像中目标位置的概率最高,以蓝色表示跟踪目标在图像中目标位置的概率最低,用其他过度的颜色表示概率值处于最高值和最低值之间。
由于视频具有时序性,目标再次出现在上一帧附近的位置概率更大,所以将当前帧图像的热力图乘以上一帧图像中跟踪目标为中心的高斯窗后,得到当前帧图像的热力图的响应峰值,然后,以响应峰值所在的位置作为跟踪目标的位置,即可获得跟踪目标在当前帧图像中的位置,完成目标的跟踪。
本发明实施例提供一种基于热力图的目标跟踪方法,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性,同时,扩大了搜索区域。
在以上各实施例的基础上,进一步地,所述残差网络模型包含一个除去池化层和全连接层的残差网络。
具体的,由于残差网络越深提取的特征越偏向于语义信息,越浅层的特征越偏向于外观轮廓信息,本发明实施例采用基础网络是50层的残差网络ResNet50,去掉最后的池化层(pool层)和全连接层,利用其层2,层3,层4,层5的特征,进行平滑,上采样,特征相加得到4层的特征,最后将特征汇总,采用4个1*1的卷积,最终输出原图长宽四分之一的热力图,由于整个网络均是由卷积层构成,所以输入图片的尺寸不受限制。
本发明实施例提供一种基于热力图的目标跟踪方法,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性,同时,扩大了搜索区域。
在以上各实施例的基础上,进一步地,获取所述经过二次训练的残差网络模型的具体步骤如下:
获取上一帧图像;
将所述上一帧图像输入至经过一次训练的残差网络模型,输出新的网络权重;
根据所述新的网络权重对所述经过一次训练的残差网络模型进行更新,获取所述经过二次训练的残差网络模型。
具体的,在对当前帧图像中的目标进行跟踪时,需要对经过一次训练的残差网络模型进行二次训练,而对经过一次训练的残差网络模型进行二次训练的训练数据为上一帧图像。
获取上一帧图像后,将上一帧图像输入至经过一次训练的残差网络模型,通过计算损失随机梯度下降(SGD)优化算法输出新的网络权重。
然后,将新的网络权重带入经过一次训练的残差网络模型,经过一定轮数的训练,获取经过二次训练的残差网络模型。
本发明实施例提供一种基于热力图的目标跟踪方法,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性,同时,扩大了搜索区域。
在以上各实施例的基础上,进一步地,所述将所述上一帧图像输入至经过一次训练的残差网络模型,具体为:
获取所述上一帧图像中的若干个样本,并获取所述上一帧图像的热力图标签;
将所述若干个样本和所述热力图标签输入至经过一次训练的残差网络模型。
具体的,获取上一帧图像后,以目标的三倍大小获取若干个样本和对应的热力图标签,将若干个样本和对应的热力图标签输入至经过一次训练的残差网络模型,输出新的网络权重。样本的个数可根据实际情况而定,例如,设置1000个。
优选的,在将上一帧图像中的若干个样本和对应的热力图标签输入至经过一次训练的残差网络模型之前,还可对上一帧图像进行预处理,例如,采用两种样本采用方式,确定目标中心,三倍长宽的第一搜索框,以第一搜索框为中心,四分之一长宽为方差的高斯概率分布采样,获得500个和第一搜索框相同大小的样本。全图均匀采样,获取500个样本。还可进行数据增强,数据增强的方式有,将样本亮度,对比度,饱和度随机变化,随机产生目标四分之一大小的遮挡。对应高斯标签是以目标在样本中的位置为中心,二分之一长宽为方差的高斯窗。
本发明实施例提供一种基于热力图的目标跟踪方法,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性,同时,扩大了搜索区域。
在以上各实施例的基础上,进一步地,获取所述经过一次训练的残差网络模型的具体步骤如下:
获取训练数据集;
将所述训练数据集输入至构建好的残差网络,输出所述构建好的残差网络的预设参数值;
将所述预设参数值带入所述构建好的残差网络,获取所述经过一次训练的残差网络模型。
具体的,获取经过一次训练的残差网络模型时,首先要构建好残差网络模型,构建的残差网络模型如上述实施例中所述,此处不再赘述。
然后,获取训练数据集,训练数据集可以采用现有的第三方数据集,例如,coco数据集等。
然后,将所述训练数据集输入至构建好的残差网络,输出所述构建好的残差网络的预设参数值。即,采用随机梯度下降(SGD)优化方法,固定ResNet50预训练模型的参数,更新其他部分网络权重,采用的损失函数为MSELoss,初始学习率,每训练一定轮数,学习率降为原来的指定倍数,达到一定轮数停止,得到最终的网络,测试过程中不更新网络权重。之前的训练都是用局部的图去训练,但是当训练达到指定次数后,将全图输入网络,可以得到目标的响应,之后的测试是直接将原图调整到多个尺度,输入网络网络得到响应图,以响应最大的响应图为对应尺度。
本发明实施例提供一种基于热力图的目标跟踪方法,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性,同时,扩大了搜索区域。
在以上各实施例的基础上,进一步地,所述根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置之后,还包括:
根据所述当前帧图像的热力图判断所述跟踪目标是否存在遮挡。
具体的,对热力图利用多峰指标APCE,当APCE低于第一帧的APCE的二分之一,则判断遮挡,位置不变。
本发明实施例提供一种基于热力图的目标跟踪方法,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性,同时,扩大了搜索区域。
图2为依照本发明实施例的基于热力图的目标跟踪装置示意图,如图2所示,本发明实施例提供一种基于热力图的目标跟踪装置,用于完成上述实施例中所述的方法,具体包括获取模块201、生成模块202和确定模块203,其中,
获取模块201用于获取当前帧图像;
生成模块202用于将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;
确定模块203用于根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。
本发明实施例提供一种基于热力图的目标跟踪装置,用于完成上述实施例中所述的方法,通过本实施例提供的装置完成上述实施例中所述的方法的具体步骤与上述实施例相同,此处不再赘述。
本发明实施例提供一种基于热力图的目标跟踪装置,通过输出当前帧图像的热力图的形式,确定跟踪目标的位置,降低了残差网络的复杂性,在保证目标跟踪准确性的前提下,提高了跟踪速率,增强了目标跟踪的实时性,同时,扩大了搜索区域。
图3为本发明实施例提供的用于基于热力图的目标跟踪方法的电子设备的结构示意图,如图3所示,所述设备包括:处理器301、存储器302和总线303;
其中,处理器301和存储器302通过所述总线303完成相互间的通信;
处理器301用于调用存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:
获取当前帧图像;
将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;
根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
获取当前帧图像;
将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;
根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
获取当前帧图像;
将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;
根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于热力图的目标跟踪方法,其特征在于,包括:
获取当前帧图像;
将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;
根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置,具体为:
获取所述当前帧图像的热力图的响应峰值,以所述响应峰值所在的位置作为跟踪目标的位置,其中,所述当前帧图像的热力图的响应峰值由所述当前帧图像的热力图与上一帧图像中跟踪目标中心的高斯窗相乘得到。
3.根据权利要求1所述的方法,其特征在于,所述残差网络模型包含一个除去池化层和全连接层的残差网络。
4.根据权利要求1所述的方法,其特征在于,获取所述经过二次训练的残差网络模型的具体步骤如下:
获取上一帧图像;
将所述上一帧图像输入至经过一次训练的残差网络模型,输出新的网络权重;
根据所述新的网络权重对所述经过一次训练的残差网络模型进行更新,获取所述经过二次训练的残差网络模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述上一帧图像输入至经过一次训练的残差网络模型,具体为:
获取所述上一帧图像中的若干个样本,并获取所述上一帧图像的热力图标签;
将所述若干个样本和所述热力图标签输入至经过一次训练的残差网络模型。
6.根据权利要求4所述的方法,其特征在于,获取所述经过一次训练的残差网络模型的具体步骤如下:
获取训练数据集;
将所述训练数据集输入至构建好的残差网络,输出所述构建好的残差网络的预设参数值;
将所述预设参数值带入所述构建好的残差网络,获取所述经过一次训练的残差网络模型。
7.根据权利要求1所述的方法,其特征在于,所述根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置之后,还包括:
根据所述当前帧图像的热力图判断所述跟踪目标是否存在遮挡。
8.一种基于热力图的目标跟踪装置,其特征在于,包括:
获取模块,用于获取当前帧图像;
生成模块,用于将所述当前帧图像输入至经过二次训练的残差网络模型,输出所述当前帧图像的热力图,其中,所述热力图是以特殊高亮的形式显示跟踪目标在图像中目标位置的概率;
确定模块,用于根据所述当前帧图像的热力图确定所述当前帧图像中跟踪目标的位置。
9.一种用于基于热力图的目标跟踪方法的电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810791130.XA CN109146924B (zh) | 2018-07-18 | 2018-07-18 | 一种基于热力图的目标跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810791130.XA CN109146924B (zh) | 2018-07-18 | 2018-07-18 | 一种基于热力图的目标跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146924A true CN109146924A (zh) | 2019-01-04 |
CN109146924B CN109146924B (zh) | 2020-09-08 |
Family
ID=64801116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810791130.XA Active CN109146924B (zh) | 2018-07-18 | 2018-07-18 | 一种基于热力图的目标跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146924B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428394A (zh) * | 2019-06-14 | 2019-11-08 | 北京迈格威科技有限公司 | 用于目标移动侦测的方法、装置及计算机存储介质 |
CN110826403A (zh) * | 2019-09-27 | 2020-02-21 | 深圳云天励飞技术有限公司 | 跟踪目标确定方法及相关设备 |
CN110827314A (zh) * | 2019-09-27 | 2020-02-21 | 深圳云天励飞技术有限公司 | 单目标跟踪方法及相关设备 |
CN110838133A (zh) * | 2019-09-27 | 2020-02-25 | 深圳云天励飞技术有限公司 | 多目标跟踪方法及相关设备 |
CN111199554A (zh) * | 2019-12-31 | 2020-05-26 | 中国船舶重工集团公司第七一七研究所 | 一种目标跟踪抗遮挡的方法及装置 |
CN111325171A (zh) * | 2020-02-28 | 2020-06-23 | 深圳市商汤科技有限公司 | 异常停车监测方法及相关产品 |
CN111783801A (zh) * | 2020-07-17 | 2020-10-16 | 上海明波通信技术股份有限公司 | 物体轮廓提取方法及***和物体轮廓预测方法及*** |
CN112967315A (zh) * | 2021-03-02 | 2021-06-15 | 北京百度网讯科技有限公司 | 一种目标跟踪方法、装置及电子设备 |
CN113298913A (zh) * | 2021-06-07 | 2021-08-24 | Oppo广东移动通信有限公司 | 数据增强方法、装置、电子设备及可读存储介质 |
CN113743219A (zh) * | 2021-08-03 | 2021-12-03 | 北京格灵深瞳信息技术股份有限公司 | 运动目标检测方法、装置、电子设备及存储介质 |
CN113763415A (zh) * | 2020-06-04 | 2021-12-07 | 北京达佳互联信息技术有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650662A (zh) * | 2016-12-21 | 2017-05-10 | 北京旷视科技有限公司 | 目标对象遮挡检测方法及装置 |
US20170358086A1 (en) * | 2015-09-30 | 2017-12-14 | Fotonation Limited | Method and system for tracking an object |
CN107679552A (zh) * | 2017-09-11 | 2018-02-09 | 北京飞搜科技有限公司 | 一种基于多分支训练的场景分类方法以及*** |
CN107918636A (zh) * | 2017-09-07 | 2018-04-17 | 北京飞搜科技有限公司 | 一种人脸快速检索方法、*** |
CN108090423A (zh) * | 2017-12-01 | 2018-05-29 | 上海工程技术大学 | 一种基于热力图和关键点回归的深度车牌检测方法 |
-
2018
- 2018-07-18 CN CN201810791130.XA patent/CN109146924B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170358086A1 (en) * | 2015-09-30 | 2017-12-14 | Fotonation Limited | Method and system for tracking an object |
CN106650662A (zh) * | 2016-12-21 | 2017-05-10 | 北京旷视科技有限公司 | 目标对象遮挡检测方法及装置 |
CN107918636A (zh) * | 2017-09-07 | 2018-04-17 | 北京飞搜科技有限公司 | 一种人脸快速检索方法、*** |
CN107679552A (zh) * | 2017-09-11 | 2018-02-09 | 北京飞搜科技有限公司 | 一种基于多分支训练的场景分类方法以及*** |
CN108090423A (zh) * | 2017-12-01 | 2018-05-29 | 上海工程技术大学 | 一种基于热力图和关键点回归的深度车牌检测方法 |
Non-Patent Citations (1)
Title |
---|
KAIMING HE: "Deep Residual Learning for Image Recognition", 《ARXIV:1512.03385V1 [CS.CV]》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428394A (zh) * | 2019-06-14 | 2019-11-08 | 北京迈格威科技有限公司 | 用于目标移动侦测的方法、装置及计算机存储介质 |
CN110428394B (zh) * | 2019-06-14 | 2022-04-26 | 北京迈格威科技有限公司 | 用于目标移动侦测的方法、装置及计算机存储介质 |
CN110838133B (zh) * | 2019-09-27 | 2020-11-24 | 深圳云天励飞技术有限公司 | 多目标跟踪方法及相关设备 |
CN110826403A (zh) * | 2019-09-27 | 2020-02-21 | 深圳云天励飞技术有限公司 | 跟踪目标确定方法及相关设备 |
CN110827314A (zh) * | 2019-09-27 | 2020-02-21 | 深圳云天励飞技术有限公司 | 单目标跟踪方法及相关设备 |
CN110838133A (zh) * | 2019-09-27 | 2020-02-25 | 深圳云天励飞技术有限公司 | 多目标跟踪方法及相关设备 |
CN111199554A (zh) * | 2019-12-31 | 2020-05-26 | 中国船舶重工集团公司第七一七研究所 | 一种目标跟踪抗遮挡的方法及装置 |
CN111325171A (zh) * | 2020-02-28 | 2020-06-23 | 深圳市商汤科技有限公司 | 异常停车监测方法及相关产品 |
CN113763415A (zh) * | 2020-06-04 | 2021-12-07 | 北京达佳互联信息技术有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN113763415B (zh) * | 2020-06-04 | 2024-03-08 | 北京达佳互联信息技术有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN111783801A (zh) * | 2020-07-17 | 2020-10-16 | 上海明波通信技术股份有限公司 | 物体轮廓提取方法及***和物体轮廓预测方法及*** |
CN111783801B (zh) * | 2020-07-17 | 2024-04-23 | 上海明波通信技术股份有限公司 | 物体轮廓提取方法及***和物体轮廓预测方法及*** |
CN112967315A (zh) * | 2021-03-02 | 2021-06-15 | 北京百度网讯科技有限公司 | 一种目标跟踪方法、装置及电子设备 |
CN112967315B (zh) * | 2021-03-02 | 2022-08-02 | 北京百度网讯科技有限公司 | 一种目标跟踪方法、装置及电子设备 |
CN113298913A (zh) * | 2021-06-07 | 2021-08-24 | Oppo广东移动通信有限公司 | 数据增强方法、装置、电子设备及可读存储介质 |
CN113743219A (zh) * | 2021-08-03 | 2021-12-03 | 北京格灵深瞳信息技术股份有限公司 | 运动目标检测方法、装置、电子设备及存储介质 |
CN113743219B (zh) * | 2021-08-03 | 2023-09-19 | 北京格灵深瞳信息技术股份有限公司 | 运动目标检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109146924B (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146924A (zh) | 一种基于热力图的目标跟踪方法及装置 | |
Kuang et al. | Video contrastive learning with global context | |
Yang et al. | Exploring temporal preservation networks for precise temporal action localization | |
CN109359538A (zh) | 卷积神经网络的训练方法、手势识别方法、装置及设备 | |
CN106548151B (zh) | 面向智能机器人的目标物检测追踪识别方法和*** | |
CN110503074A (zh) | 视频帧的信息标注方法、装置、设备及存储介质 | |
CN109948526A (zh) | 图像处理方法及装置、检测设备及存储介质 | |
CN107977634A (zh) | 一种针对视频的表情识别方法、装置及设备 | |
CN110070074A (zh) | 一种构建行人检测模型的方法 | |
CN108960207A (zh) | 一种图像识别的方法、***及相关组件 | |
CN109410168A (zh) | 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法 | |
CN106022237A (zh) | 一种端到端的卷积神经网络的行人检测方法 | |
CN110148157A (zh) | 画面目标跟踪方法、装置、存储介质及电子设备 | |
CN110443969A (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
CN109543112A (zh) | 一种基于循环卷积神经网络的序列推荐方法及装置 | |
CN110070107A (zh) | 物体识别方法及装置 | |
Li et al. | Deep-learning-based human intention prediction using RGB images and optical flow | |
CN110209859A (zh) | 地点识别及其模型训练的方法和装置以及电子设备 | |
Balabka | Semi-supervised learning for human activity recognition using adversarial autoencoders | |
CN107679082A (zh) | 问答搜索方法、装置以及电子设备 | |
CN110223292A (zh) | 图像评估方法、装置及计算机可读存储介质 | |
CN108629288A (zh) | 一种手势识别模型训练方法、手势识别方法及*** | |
CN110222728A (zh) | 物品鉴别模型的训练方法、***及物品鉴别方法、设备 | |
CN108830170A (zh) | 一种基于分层特征表示的端到端目标跟踪方法 | |
CN108229432A (zh) | 人脸标定方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200803 Address after: 215000 unit 2-b702, creative industry park, No. 328, Xinghu street, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant after: SUZHOU FEISOU TECHNOLOGY Co.,Ltd. Address before: 100876 Beijing, Haidian District, 10 West Road, Beijing, 12 Beijing, North Post Science and technology exchange center, room 1216 Applicant before: BEIJING FEISOU TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |