CN109583347A - 一种针对移动平台长时间跟踪的方法 - Google Patents
一种针对移动平台长时间跟踪的方法 Download PDFInfo
- Publication number
- CN109583347A CN109583347A CN201811395715.6A CN201811395715A CN109583347A CN 109583347 A CN109583347 A CN 109583347A CN 201811395715 A CN201811395715 A CN 201811395715A CN 109583347 A CN109583347 A CN 109583347A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- frame
- mobile platform
- center position
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种针对移动平台长时间跟踪的方法，包括：视频第一帧图像读入，目标跟踪框选定并对***、检测器、预测器和检测标记进行初始化；确定目标跟踪框后，读取下一帧图像，使用***跟踪目标；判断跟踪是否成功，若跟踪失败，则利用检测器对目标进行重检测，若检测到目标，则以检测结果做目标中心位置及轮廓框的计算，否则进行预测跟踪；若跟踪成功则利用***进行目标中心位置及轮廓框尺寸的计算；本发明使实际移动视觉平台能长时间跟踪而不至于丢失目标，解决跟踪过程中极易出现的遮挡、目标运动非线性、噪声非高斯等问题。
Description
技术领域
本发明涉及智能控制领域，特别涉及一种针对移动平台长时间跟踪的方法。
背景技术
在无人侦察小车及无人机等使用到视觉传感器的移动平台中，对特定目标的智能跟踪一直是一个研究的重点和难点。现行大部分方法均是考虑监控场景下视频的目标跟踪，该场景的特点在于摄像头固定且仅需对目标进行短时跟踪。而在无人侦察小车及无人机的视觉***应用场景当中，对特定目标的跟踪不仅属于长时间跟踪，而且其图像传感器需要在目标即将脱离视野时，通过云台移动以继续追踪目标，这样图像传感器所采集的图像也更容易被噪声污染。遮挡问题在现有方法中也经常被考虑，但是大多是针对短时遮挡，现有方法只适合于脱离遮挡的目标仍然在视频范围内的情况，不适合大片遮挡以至于目标脱离视野范围的情形。还有的现有方法仅适用于目标运动线性和噪声符合高斯分布的情形，这种情形在实际场景中是不存在的。
发明内容
针对现有技术中存在的技术问题，本发明的目的是：提供一种针对移动平台长时间跟踪的方法。
本发明的目的通过下述技术方案实现：一种针对移动平台长时间跟踪的方法，包括：
视频第一帧图像读入，目标跟踪框选定并对***、检测器、预测器和检测标记进行初始化；
确定目标跟踪框后，读取下一帧图像，使用***跟踪目标；
判断跟踪是否成功，若跟踪失败，则利用检测器对目标进行重检测，若检测到目标，则以检测结果做目标中心位置及轮廓框的计算，否则进行预测跟踪；
若跟踪成功则利用***进行目标中心位置及轮廓框尺寸的计算；
当获取轮廓框后，判断跟踪轮廓框的面积变化因子是否符合第一预设条件，若不符合，则调节移动平台状态直至符合第一预设条件；若符合第一预设条件，则在获取目标中心位置后，判断目标中心位置是否符合第二预设条件，若不符合第二预设条件，则调节移动平台状态直至符合第二预设条件，若是符合第二预设条件，则判断是否接收到结束跟踪的命令，若收到则结束跟踪，否则，返回至读取下一帧图像。
优选的，若跟踪过程中存在遮挡则判断为跟踪失败。
优选的，判断跟踪是否成功的条件为：根据***计算图像块的保守相似度，若大于或等于预设的保守相似度阈值则为跟踪成功，若小于保守相似度阈值则为跟踪失败。
优选的，所述第一预设条件为：跟踪轮廓框的面积变化因子在跟踪轮廓框的面积变化率设定范围内。
优选的，第二预设条件为：目标中心位置未超出偏移阈值范围。
优选的，所述预测跟踪为使用支持向量回归机进行预测跟踪。
优选的，在确定要进行预测跟踪时，依据预测跟踪前所采集到设定数量帧中的目标移动轨迹预测下一帧目标移动位置。
优选的，目标跟踪框选定后，设置检测标记初始值为0，然后，判断检测标记是否为1，若不是，使用***跟踪目标；若判断检测标记为1，则重检测目标，若检测到目标，则以检测结果做目标中心位置及轮廓框的计算，并更改检测标记为0，否则，进行预测跟踪并保持检测标记为1并进行目标中心位置及轮廓框尺寸的计算；
在符合第二预设条件则判断是否接收到结束跟踪的命令，若收到，则结束跟踪，否则返回至读取下一帧图像。
优选的，目标跟踪框选定并记录下初始跟踪框的面积α1，计算输入的每一帧的目标跟踪框的面积为α2，通过公式一计算面积变化率C：
公式一：
设定上界阈值C1，下界阈值C2，若面积变化率C在C1至C2范围内时，判断目标中心位置是否符合第二预设条件。
优选的，目标中心位置未超出偏移阈值范围具体为：设定左边界阈值L1，右边界阈值R1，上边界阈值U1，下边界阈值D1，若目标中心位置(x,y)超出偏移阈值范围，即满足：x<L1或x>R1或y<D1或y>U1，则调节移动平台状态直至符合第一预设条件，当目标中心位置(x,y)未超出偏移阈值范围，即满足：L1<x<R1且D1<y<U1，则判断是否接收到结束跟踪的命令，若接收到则结束跟踪，若没有则返回至读取下一帧图像。
本发明相对于现有技术具有如下的优点及效果：
1、本发明使实际移动视觉平台能长时间跟踪而不至于丢失目标，解决跟踪过程中极易出现的遮挡、目标运动非线性、噪声非高斯等问题。
2、相比于现有技术，本发明既可以实现长时跟踪，也能一定程度地克服遮挡等问题，利用适应于现实世界***非高斯、非线性的特点的支持向量回归器，实现完全遮挡之后目标点的轨迹预测，以解决跟踪过程中发生全遮挡丢失跟踪目标问题。
3、相比于在出现大面积遮挡时，目标由遮挡掩护脱离视野而不再回归原视野，现有技术检测器无法再检测出目标，从而导致跟踪失败的情况，本发明在利用支持向量回归器进行轨迹预测的基础上，制定平台相应的运动策略，从而减少在发生上述情况时跟踪失败的几率。
附图说明
图1是本发明的流程框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
一种针对移动平台长时间跟踪的方法，包括：
步骤1，目标跟踪框选定：根据侦察小车的摄像机捕捉到的图像，采用现有的目标检测器例如YOLOv3算法，对图像进行实时目标检测，并在交互界面高亮框选出所有的人类目标，用户通过交互界面可以选择感兴趣的目标框，计算机收到目标框的位置信息，同时记录下初始跟踪框的面积a1，即可开始跟踪操作；
步骤2，确定目标跟踪框后，使用***跟踪目标：例如：可利用尺度自适应KCF算法，对下一帧图像进行尺度自适应的跟踪。
步骤3，判断跟踪是否成功，若跟踪失败，则重检测目标，若检测到目标，则以检测结果做目标中心位置及轮廓框计算，否则进行预测跟踪；
若跟踪成功则利用***进行目标中心位置及轮廓框尺寸的计算；
步骤4，当获取轮廓框后，判断跟踪轮廓框的面积变化因子是否符合第一预设条件，若不符合第一预设条件，则调节移动平台状态直至符合第一预设条件，然后执行步骤5；
步骤5，若符合第一预设条件，则在获取目标中心位置后，判断目标中心位置是否符合第二预设条件，若不符合第二预设条件，则调节移动平台状态直至符合第二预设条件，若是符合第二预设条件，则判断是否接收到结束跟踪的命令，若收到则结束跟踪，否则，返回至步骤2对下一帧进行处理。
优选的，若跟踪过程中存在遮挡则判断为跟踪失败。
优选的，判断跟踪是否成功的条件为：根据***确定图像块的保守相似度，若大于或等于预设的保守相似度阈值则为跟踪成功，若小于保守相似度阈值则为跟踪失败。
优选的，所述第一预设条件为：跟踪轮廓框的面积变化因子在跟踪轮廓框的面积变化率设定范围内。
优选的，第二预设条件为：目标中心位置未超出预设的偏移阈值范围。
优选的，所述预测跟踪为使用支持向量回归机进行预测跟踪。
优选的，在确定要进行预测跟踪时，依据预测跟踪前所采集到设定数量帧中的目标移动轨迹预测下一帧目标移动位置。
本发明提出用支持向量回归机对目标进行预测跟踪，本实例中，在跟踪无遮挡且侦察小车状态没有改变阶段，保存最新10帧的目标中心点的二维坐标，在确定要进行预测跟踪时，分别利用已保存的基于时间序列的10个点坐标的横轴坐标和纵轴坐标，训练支持向量回归机。本发明采用的支持向量回归机利用单输入单输出的数据进行训练，输入是时间，输出是坐标值，核函数采用高斯核函数。完成两组数据的训练之后会得到两个支持向量回归机，带入最新的时间，即可分别得出新一帧的目标预测位置的横坐标值和纵坐标值，预测跟踪期间，目标框的尺寸保持不变，只对目标中心点位置进行预测。
优选的，目标跟踪框选定后，读入初始帧，检测器检测目标，初始化***、预测器和重检测器，设置检测标记初始值为0，然后，读取新的一帧图像，判断检测标记是否为1，若不是，则使用***跟踪目标，若是1，则重检测目标；若检测到目标，则以检测结果做目标中心位置及轮廓框的计算，更改检测标记为0，否则，利用支持向量回归机预测目标轨迹(预测跟踪)并保持检测标记为1，然后，进行目标中心位置及轮廓框尺寸的计算；
在符合第二预设条件且未接收到结束跟踪的命令时，返回至读取下一帧图像处，循环进行上述步骤。
优选的，目标跟踪框选定并记录下初始跟踪框的面积α1，计算输入的每一帧的目标跟踪框的面积为α2，通过公式一计算面积变化率C：
公式一：
设定上界阈值C1，下界阈值C2，若面积变化率C在C1至C2范围内时，即：即C1<C<C2，判断目标中心位置是否符合第二预设条件。
调节移动平台状态直至符合第一预设条件具体为：当C>C2时，移动平台后退所需距离，使面积变化率C满足C1<C<C2，当C<C1时，移动平台前进所需距离，使面积变化率C满足C1<C<C2。
优选的，目标中心位置未超出偏移阈值范围，具体为：设定左边界阈值L1，右边界阈值R1，上边界阈值U1，下边界阈值D1，若目标中心位置(x,y)超出偏移阈值范围，即满足：x<L1或x>R1或y<D1或y>U1，则调节移动平台状态直至符合第一预设条件。当目标中心位置(x,y)未超出偏移阈值范围，即满足：L1<x<R1且D1<y<U1，则接着判断是否接收到结束跟踪的命令，接收到则结束算法，若没有则返回至读取下一帧图像，循环进行以上一系列步骤。
调节移动平台状态直至符合第二预设条件，具体为当x<L1，则移动平台左转所需角度，使x满足L1<x<R1；当x>R1，则移动平台右转所需角度，使x满足L1<x<R1；当y>U1，则移动平台将图像采集装置上仰所需角度，使y满足D1<y<U1；当y<D1，则移动平台将图像采集装置下俯所需角度，使y满足D1<y<U1。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种针对移动平台长时间跟踪的方法，其特征在于包括：
视频第一帧图像读入，目标跟踪框选定并对***、检测器、预测器和检测标记进行初始化；
确定目标跟踪框后，读取下一帧图像，使用***跟踪目标；
判断跟踪是否成功，若跟踪失败，则利用检测器对目标进行重检测，若检测到目标，则以检测结果做目标中心位置及轮廓框的计算，否则进行预测跟踪；
若跟踪成功则利用***进行目标中心位置及轮廓框尺寸的计算；
当获取轮廓框后，判断跟踪轮廓框的面积变化因子是否符合第一预设条件，若不符合，则调节移动平台状态直至符合第一预设条件；若符合第一预设条件，则在获取目标中心位置后，判断目标中心位置是否符合第二预设条件，若不符合第二预设条件，则调节移动平台状态直至符合第二预设条件，若是符合第二预设条件，则判断是否接收到结束跟踪的命令，若收到则结束跟踪，否则，返回至读取下一帧图像。
2.根据权利要求1所述的针对移动平台长时间跟踪的方法，其特征在于，若跟踪过程中存在遮挡则判断为跟踪失败。
3.根据权利要求1所述的针对移动平台长时间跟踪的方法，其特征在于，判断跟踪是否成功的条件为：根据***计算图像块的保守相似度，若大于或等于预设的保守相似度阈值则为跟踪成功，若小于保守相似度阈值则为跟踪失败。
4.根据权利要求1所述的针对移动平台长时间跟踪的方法，其特征在于，所述第一预设条件为：跟踪轮廓框的面积变化因子在跟踪轮廓框的面积变化率设定范围内。
5.根据权利要求1所述的针对移动平台长时间跟踪的方法，其特征在于，第二预设条件为：目标中心位置未超出偏移阈值范围。
6.根据权利要求1所述的针对移动平台长时间跟踪的方法，其特征在于，所述预测跟踪为使用支持向量回归机进行预测跟踪。
7.根据权利要求1或6所述的针对移动平台长时间跟踪的方法，其特征在于，在确定要进行预测跟踪时，依据预测跟踪前所采集到设定数量帧中的目标移动轨迹预测下一帧目标移动位置。
8.根据权利要求1所述的针对移动平台长时间跟踪的方法，其特征在于，目标跟踪框选定后，设置检测标记初始值为0，然后，判断检测标记是否为1，若不是，使用***跟踪目标；若判断检测标记为1，则重检测目标，若检测到目标，则以检测结果做目标中心位置及轮廓框的计算，并更改检测标记为0，否则，进行预测跟踪并保持检测标记为1并进行目标中心位置及轮廓框尺寸的计算；
在符合第二预设条件则判断是否接收到结束跟踪的命令，若收到，则结束跟踪，否则返回至读取下一帧图像。
9.根据权利要求4所述的针对移动平台长时间跟踪的方法，其特征在于，目标跟踪框选定并记录下初始跟踪框的面积α1，计算输入的每一帧的目标跟踪框的面积为α2，通过公式一计算面积变化率C：
公式一：
设定上界阈值C1，下界阈值C2，若面积变化率C在C1至C2范围内时，判断目标中心位置是否符合第二预设条件。
10.根据权利要求5所述的针对移动平台长时间跟踪的方法，其特征在于，目标中心位置未超出偏移阈值范围具体为：设定左边界阈值L1，右边界阈值R1，上边界阈值U1，下边界阈值D1，若目标中心位置(x,y)超出偏移阈值范围，即满足：x<L1或x>R1或y<D1或y>U1，则调节移动平台状态直至符合第一预设条件，当目标中心位置(x,y)未超出偏移阈值范围，即满足：L1<x<R1且D1<y<U1，则判断是否接收到结束跟踪的命令，若接收到则结束跟踪，若没有则返回至读取下一帧图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811395715.6A CN109583347A (zh) | 2018-11-22 | 2018-11-22 | 一种针对移动平台长时间跟踪的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811395715.6A CN109583347A (zh) | 2018-11-22 | 2018-11-22 | 一种针对移动平台长时间跟踪的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109583347A true CN109583347A (zh) | 2019-04-05 |
Family
ID=65923399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811395715.6A Pending CN109583347A (zh) | 2018-11-22 | 2018-11-22 | 一种针对移动平台长时间跟踪的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583347A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164095A (zh) * | 2020-09-28 | 2021-01-01 | 中国电子科技集团公司第五十四研究所 | 一种基于ros的机载目标检测跟踪方法 |
| CN112581507A (zh) * | 2020-12-31 | 2021-03-30 | 北京澎思科技有限公司 | 目标跟踪方法、***及计算机可读存储介质 |
| CN115242958A (zh) * | 2021-04-22 | 2022-10-25 | 北京君正集成电路股份有限公司 | 一种支持复杂场景下的人形跟踪拍摄的控制方法及装置 |
| WO2023035177A1 (zh) * | 2021-09-09 | 2023-03-16 | 深圳市大疆创新科技有限公司 | 一种目标确认方法、装置及手持*** |
| CN117095028A (zh) * | 2023-09-01 | 2023-11-21 | 广州市星飞达电子科技有限公司 | 一种基于机器视觉的图像处理跟踪方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009113231A1 (ja) * | 2008-03-14 | 2009-09-17 | 株式会社ソニー・コンピュータエンタテインメント | 画像処理装置および画像処理方法 |
| CN104794468A (zh) * | 2015-05-20 | 2015-07-22 | 成都通甲优博科技有限责任公司 | 一种基于无人机动平台的人脸检测与跟踪方法 |
| CN104881650A (zh) * | 2015-05-29 | 2015-09-02 | 成都通甲优博科技有限责任公司 | 一种基于无人机动平台的车辆跟踪方法 |
| CN105447459A (zh) * | 2015-11-18 | 2016-03-30 | 上海海事大学 | 一种无人机自动检测目标和跟踪方法 |
| CN106874854A (zh) * | 2017-01-19 | 2017-06-20 | 西安电子科技大学 | 基于嵌入式平台的无人机车辆跟踪方法 |
| CN107505951A (zh) * | 2017-08-29 | 2017-12-22 | 深圳市道通智能航空技术有限公司 | 一种目标跟踪方法、无人机和计算机可读存储介质 |
| CN108830286A (zh) * | 2018-03-30 | 2018-11-16 | 西安爱生技术集团公司 | 一种侦察无人机动目标自动检测与跟踪方法 |
-
2018
- 2018-11-22 CN CN201811395715.6A patent/CN109583347A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009113231A1 (ja) * | 2008-03-14 | 2009-09-17 | 株式会社ソニー・コンピュータエンタテインメント | 画像処理装置および画像処理方法 |
| CN104794468A (zh) * | 2015-05-20 | 2015-07-22 | 成都通甲优博科技有限责任公司 | 一种基于无人机动平台的人脸检测与跟踪方法 |
| CN104881650A (zh) * | 2015-05-29 | 2015-09-02 | 成都通甲优博科技有限责任公司 | 一种基于无人机动平台的车辆跟踪方法 |
| CN105447459A (zh) * | 2015-11-18 | 2016-03-30 | 上海海事大学 | 一种无人机自动检测目标和跟踪方法 |
| CN106874854A (zh) * | 2017-01-19 | 2017-06-20 | 西安电子科技大学 | 基于嵌入式平台的无人机车辆跟踪方法 |
| CN107505951A (zh) * | 2017-08-29 | 2017-12-22 | 深圳市道通智能航空技术有限公司 | 一种目标跟踪方法、无人机和计算机可读存储介质 |
| CN108830286A (zh) * | 2018-03-30 | 2018-11-16 | 西安爱生技术集团公司 | 一种侦察无人机动目标自动检测与跟踪方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164095A (zh) * | 2020-09-28 | 2021-01-01 | 中国电子科技集团公司第五十四研究所 | 一种基于ros的机载目标检测跟踪方法 |
| CN112581507A (zh) * | 2020-12-31 | 2021-03-30 | 北京澎思科技有限公司 | 目标跟踪方法、***及计算机可读存储介质 |
| CN115242958A (zh) * | 2021-04-22 | 2022-10-25 | 北京君正集成电路股份有限公司 | 一种支持复杂场景下的人形跟踪拍摄的控制方法及装置 |
| CN115242958B (zh) * | 2021-04-22 | 2023-09-26 | 北京君正集成电路股份有限公司 | 一种支持复杂场景下的人形跟踪拍摄的控制方法及装置 |
| WO2023035177A1 (zh) * | 2021-09-09 | 2023-03-16 | 深圳市大疆创新科技有限公司 | 一种目标确认方法、装置及手持*** |
| CN117095028A (zh) * | 2023-09-01 | 2023-11-21 | 广州市星飞达电子科技有限公司 | 一种基于机器视觉的图像处理跟踪方法及*** |
| CN117095028B (zh) * | 2023-09-01 | 2024-03-08 | 广州市星飞达电子科技有限公司 | 一种基于机器视觉的图像处理跟踪方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583347A (zh) | 一种针对移动平台长时间跟踪的方法 | |
| CN103208008B (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
| CN108961312A (zh) | 用于嵌入式视觉***的高性能视觉对象跟踪方法及*** | |
| CN102902955B (zh) | 一种车辆行为的智能分析方法及*** | |
| CN103003842B (zh) | 运动物体检测装置、运动物体检测方法、运动物体跟踪装置、运动物体跟踪方法 | |
| CN112836640B (zh) | 一种单摄像头多目标行人跟踪方法 | |
| CN108776974B (zh) | 一种适用于公共交通场景的实时目标跟踪方法 | |
| EP3665613A1 (en) | Method and system for detecting action | |
| CN105578034A (zh) | 一种对目标进行跟踪拍摄的控制方法、控制装置及*** | |
| CN107408303A (zh) | 用于对象跟踪的***和方法 | |
| CN106683121A (zh) | 一种融合检测过程的鲁棒目标追踪方法 | |
| CN112069969A (zh) | 一种高速公路监控视频跨镜车辆跟踪方法及*** | |
| CN111259706B (zh) | 一种车辆的车道线压线判断方法和*** | |
| CN107292918B (zh) | 基于视频在线学习的跟踪方法和装置 | |
| CN112119627A (zh) | 基于云台的目标跟随方法、装置、云台和计算机存储介质 | |
| CN114677323A (zh) | 一种室内动态场景下基于目标检测的语义视觉slam定位方法 | |
| US20170004631A1 (en) | Method and system for visual pedometry | |
| CN106504274A (zh) | 一种基于红外摄像头下的视觉跟踪方法及*** | |
| CN111161309A (zh) | 一种车载视频动态目标的搜索与定位方法 | |
| CN105809718A (zh) | 一种轨迹熵最小化的对象跟踪方法 | |
| CN106558069A (zh) | 一种基于视频监控下的目标跟踪方法及*** | |
| Zhu et al. | PairCon-SLAM: Distributed, online, and real-time RGBD-SLAM in large scenarios | |
| JP7497223B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN109583361A (zh) | 基于能量最小化的场景视频文本跟踪方法 | |
| CN109398533A (zh) | 一种移动平台及移动平台长时间跟踪的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
| RJ01 | Rejection of invention patent application after publication |