CN109584269A - 一种目标跟踪方法 - Google Patents
一种目标跟踪方法 Download PDFInfo
- Publication number
- CN109584269A CN109584269A CN201811210882.9A CN201811210882A CN109584269A CN 109584269 A CN109584269 A CN 109584269A CN 201811210882 A CN201811210882 A CN 201811210882A CN 109584269 A CN109584269 A CN 109584269A
- Authority
- CN
- China
- Prior art keywords
- target
- image block
- tracking
- response
- blocked
- 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
- 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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种目标跟踪方法，主要是在跟踪步骤过程中进行遮挡发生检测，当目标被遮挡情形发生时则进入重新检测目标的步骤，否则继续跟踪；重新检测目标的步骤主要是抽取所述视频中遮挡发生后的帧图片，由抽取的帧图片通过超像素算法获得与目标图像块大小相同的比对图像块，通过图像特征匹配的方式，找到与目标图像块最匹配的比对图像块，将所述最匹配的比对图像块作为目标位置，并从最匹配的比对图像块的所在帧，沿视频的时间轴正方向和视频时间轴的负方向继续跟踪。本发明通过引入遮挡发生检测步骤，避免了现有技术不断重新检测目标的盲目检测行为。本发明重新检测目标的步骤相对于现有技术，可以降低需要重新检测的帧数，降低了计算量。
Description
技术领域
本发明涉及电子信息及数据处理技术领域，具体涉及一种目标跟踪方法。
背景技术
目前的目标跟踪算法为了跟踪目标，需要根据首帧人为手工画出的物体，由目标的外形纹理颜色等特征训练出***。***找到下一帧目标的新位置，并根据新位置重新画出物体，再根据物体的新外形，从中抽取新的特征，然后把新抽取出的新特征加入***。新抽取的目标特征对***影响最大。查找目标、根据目标新特征训练***的步骤将被不断的重复，直到跟踪任务结束。
现有技术使用了一直即时更新***的技术，这种技术可以应对跟踪目标在跟踪任务中不断变化的外形，即使目标与首帧初始的外形已经发生很大的变化，***也会随着改变，不会因为外形的改变而不能继续跟踪目标。
但是，当目标完全被遮挡住的时候，现有技术的***将停止更新。因为继续更新***将会把遮挡物体的特征加入***，对之后的跟踪造成干扰，并且这些遮挡物体的特征对跟踪效果没有任何作用，只会使得***错把遮挡物体识别为目标，造成跟踪任务失败。现有技术会在目标被遮挡后，不断的重新检测目标，直到检测到目标，这时才重新抽取目标特征并继续的更新***。但是，不断地进行重新检测，将会耗费大量的计算资源。
发明内容
本发明的目的是提供一种目标跟踪方法，能够检测遮挡的发生，并在遮挡发生后重新快速检测到目标并继续跟踪。本发明的目的由以下技术方案实现：
一种目标跟踪方法，包括：
跟踪步骤：跟踪视频中所述目标出现的首帧图片并训练出一个***，由所述***得到下一帧图片的目标位置，继续跟踪并根据跟踪结果更新所述***；
其特征在于，还包括：
遮挡发生检测步骤：根据预设的遮挡发生检测条件判断所述跟踪步骤中当前跟踪结果是否有目标被遮挡情形的发生，是则进入重新检测目标的步骤，否则继续跟踪；
重新检测目标的步骤：抽取所述视频中遮挡发生后的帧图片，由所述抽取的帧图片通过超像素算法获得与目标图像块大小相同的比对图像块，通过图像特征匹配的方式，找到与所述目标图像块最匹配的比对图像块，将所述最匹配的比对图像块作为目标位置，并从所述最匹配的比对图像块所在的帧继续跟踪。
作为具体的技术方案，所述重新检测目标的步骤中，从所述最匹配的比对图像块所在的帧继续跟踪时，具体为沿所述视频的时间轴正方向和负方向分别继续跟踪。
作为具体的技术方案，根据所述跟踪步骤得到的跟踪结果的响应图质量是否符合预设条件判断所述跟踪步骤中当前跟踪结果是否有目标被遮挡。
作为具体的技术方案，所述跟踪步骤中当前跟踪结果是否有目标被遮挡的判断方法具体为：(1)计算所述响应图中除响应峰值点周围d*d区域外的响应值的平均值μ；(2)计算所述响应图中除响应峰值点周围d*d区域外的响应值的标准差σ；(3)根据公式计算所述响应图的表面跟踪质量值W，其中Qmax为所述响应峰值点的响应值，d远小于所述响应图的长或宽；(4)将所述表面跟踪质量值W与设定的跟踪质量判断阈值Y比较，W≥Y则判断所述响应图质量符合预设条件，即所述跟踪步骤中当前跟踪结果没有目标被遮挡，W＜Y则判断所述响应图质量不符合预设条件，即所述跟踪步骤中当前跟踪结果有目标被遮挡。
作为具体的技术方案，所述重新检测目标的步骤中，抽取所述视频中遮挡发生后的帧图片的具体方式为：抽取所述视频中遮挡发生后的所有帧图片；或者，按设定步长抽取所述视频中遮挡发生后的部分帧图片；或者，随机抽取所述视频中遮挡发生后的部分帧图片。
作为具体的技术方案，所述重新检测目标的步骤中，所述图像特征匹配的方式包括：
基于SIFT的图像特征描述符匹配环节，具体为：提取所述比对图像块和所述目标图像块的向量化的特征描述符，计算所述比对图像块与所述目标图像块的特征描述符的匹配数。
和/或图像颜色直方图匹配环节，具体为：提取所述比对图像块和所述目标图像块的颜色直方图，将所述提取的颜色直方图向量化，计算所述比对图像块的颜色直方图向量与所述目标图像块的颜色直方图向量的颜色直方图相似度。
和/或响应图最大值匹配环节，具体为：通过所述***得到所述比对图像块的响应图，选取所述比对图像块的响应图的最大响应值。
作为具体的技术方案，所述重新检测目标的步骤中，所述图像特征匹配的方式包括所述基于SIFT的图像特征描述符匹配环节、所述图像颜色直方图匹配环节和所述响应图最大值匹配环节，将所述比对图像块的特征描述符的匹配数、所述颜色直方图相似度和所述响应图的最大响应值进行归一化处理并进行综合运算，得到所述比对图像块与所述目标图像块的匹配综合值，根据各所述比对图像块的匹配综合值找到所述最匹配的比对图像块。
作为具体的技术方案，所述综合运算是对归一化处理后的所述特征描述符的匹配数、所述颜色直方图相似度及所述响应图的最大响应值求和后再平均。
本发明还提供一种计算机，包括存储器以及处理器，其特征在于，所述存储器存储支持处理器执行上述方法的程序，所述处理器被配置为用于执行所述存储器中存储的所述程序。
本发明的有益效果在于：1、本发明通过引入遮挡发生检测步骤，避免了现有技术不断重新检测目标的盲目检测行为。2、本发明要进行重新检测目标的帧数可以远少于现有技术，所以大大的减少了计算量，在相同硬件条件下可以更快的完成同一个跟踪任务。3、目标被完全遮挡时，目标仍然可能发生外形改变，当目标离开被遮挡物体并且发生巨大的变化时，现有技术将不能重新检测到目标，从而导致跟踪结果的一部分缺失；而本发明从抽取的帧中重新检测到目标，并且可以通过前后向跟踪得到完整的跟踪结果，避免了现有技术的缺陷。
附图说明
图1为本发明实施例提供的目标跟踪方法的主流程图。
图2为本发明实施例提供的目标跟踪方法中根据首帧图像手动产生的以目标为中心的理想的响应图。
图3为本发明实施例提供的目标跟踪方法中通过***处理后得到的一个响应图的示例。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下以结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本实施例提供的目标跟踪方法，包括跟踪步骤、遮挡发生检测步骤及重新检测目标的步骤。
结合图1所示，本实施例中的跟踪步骤具体包括：
步骤101：确定首帧图像中目标的位置信息，根据位置信息截取出与目标相当大小的图像块(即目标图像块)；
步骤102：把此目标图像块进行仿射变换，仿射变换后得到n个(例如128个)仿射图像，并将该n个仿射图像作为训练数据集；
步骤103：在第一帧时，基于首帧图像得到的目标图像块的大小，手动产生一个以目标为中心的理想响应图，如图2所示。图2所示的理想响应图为一个2D(相对于3D，平面)的高斯型的以目标为中心的矩阵响应图，代表理想状态下目标跟踪的响应图。本实施例中，***相当于一个矩阵，该***的跟踪公式为：
其中，H*为滤波模板；Gi为第i各仿射图的响应图，Fi为第i各仿射图，i＝1,2……n；
步骤104：滤波器工作前，需要训练***。根据误差最小平方和的基本思想，可以得到训练***的损失公式如下：
步骤105：使用***，用公式G＝HF(点乘方式)得到响应图(如图3所示)。响应图的最大值的位置即目标的位置。X轴和Y轴是需要跟踪的图片中的X轴和Y轴，Z轴代表响应值，响应矩阵中的颜色深浅表示响应值的强弱,颜色浅的表示响应强，颜色深的表示响应弱。
步骤106：继续跟踪并根据跟踪结果更新***，直到***遍历视频的所有帧。
上文所述的跟踪步骤为跟踪方法的主流程，这一部分技术目前已经比较成熟。遮挡发生检测步骤和重新检测目标的步骤是在跟踪步骤的过程中应对目标可能被遮挡情形下的辅助流程，是本实施例的主要创新部分，下面进行具体说明。
遮挡发生检测步骤主要是根据预设的遮挡发生检测条件，来判断跟踪步骤中当前跟踪结果是否有目标被遮挡情形的发生，是则进入重新检测目标的步骤，否则继续跟踪。
本实施例中，遮挡发生检测条件是通过判断跟踪步骤得到的跟踪结果的响应图质量是否达标来进行判断的。
跟踪步骤得到的跟踪结果的响应图质量是否达标的具体判断方法为：
(1)计算所述响应图中除响应峰值点周围d*d区域(例如11*11)外的响应值的平均值μ；
(2)计算响应图中除响应峰值点周围d*d区域外的响应值的标准差σ；
(3)根据公式计算响应图的表面跟踪质量值W，其中Qmax为所述响应峰值点的响应值，d小于所述响应图的长或宽；
(4)将表面跟踪质量值W与设定的一个跟踪质量判断阈值Y比较，W≥Y则判断该响应图质量达标(即认为跟踪目标没有被遮挡)，W＜Y则判断该响应图质量不达标(即认为跟踪目标被遮挡)。
重新检测目标的步骤主要是通过抽取所述视频中遮挡发生后的帧图片，由抽取的帧图片获得与目标图像块大小相同的比对图像块，通过图像特征匹配的方式，找到与目标图像块最匹配的比对图像块，将最匹配的比对图像块作为目标位置，并从最匹配的比对图像块所在的帧沿视频的时间轴正方向和负方向分别继续跟踪。
其中，抽取所述视频中遮挡发生后的帧图片具体方式为：抽取所述视频中遮挡发生后的所有帧图片；或者，按设定步长抽取所述视频中遮挡发生后的部分帧图片；或者，随机抽取所述视频中遮挡发生后的部分帧图片。本实施例中，对抽取的各个帧图片使用超像素算法划分出与目标图像块大小相同的比对图像块。
其中，各个图像特征匹配的方式包括基于SIFT(Scale-invariantfeaturetransform，尺度不变特征变换)的图像特征描述符匹配环节、图像颜色直方图匹配环节及响应图最大值匹配环节，分别说明如下：
基于SIFT的图像特征描述符匹配环节具体为：提取比对图像块和目标图像块的向量化的特征描述符，计算该比对图像块与目标图像块的特征描述符的匹配数。
图像颜色直方图匹配环节具体为：提取比对图像块和目标图像块的颜色直方图，将提取的颜色直方图向量化，计算比对图像块的颜色直方图向量与目标图像块的颜色直方图向量的相似度。
响应图最大值匹配环节具体为：通过所述***得到所述比对图像块的响应图，选取所述比对图像块的响应图的最大响应值。
将比对图像块的匹配数、相似度及响应图的最大响应值进行归一化处理，对归一化处理后的匹配数、相似度及响应图的最大响应值求和再平均，得到该比对图像块与目标图像块的匹配综合值，根据各比对图像块的匹配综合值找到最匹配的比对图像块。
上述方案中，是在基于SIFT的图像特征描述符匹配环节上叠加了图像颜色直方图匹配环节及响应图最大值匹配环节。可以理解的是，也可以只有基于SIFT的图像特征描述符匹配环节，此时直接根据获得的匹配数得到最匹配的比对图像块。当然，也可以只有图像颜色直方图匹配环节，此时直接根据获得的相似度得到最匹配的比对图像块。此外，也可以只有基于SIFT的图像特征描述符匹配环节及响应图最大值匹配环节，将匹配数及响应图的最大响应值进行归一化处理并进行综合运算，得到匹配综合值；或者，也可以只有图像颜色直方图匹配环节及响应图最大值匹配环节，将相似度及响应图的最大响应值进行归一化处理并进行综合运算，得到匹配综合值。
本实施例还提供一种计算机，包括存储器以及处理器，存储器存储支持处理器执行上文所述目标跟踪方法的程序，所述处理器被配置为用于执行所述存储器中存储的所述程序。
以上实施例仅为充分公开而非限制本发明，凡基于本发明的创作主旨、无需经过创造性劳动即可等到的等效技术特征的替换，应当视为本申请揭露的范围。
Claims (9)
1.一种目标跟踪方法，包括：
跟踪步骤：跟踪视频中所述目标出现的首帧图片并训练出一个***，由所述***得到下一帧图片的目标位置，继续跟踪并根据跟踪结果更新所述***；
其特征在于，还包括：
遮挡发生检测步骤：根据预设的遮挡发生检测条件判断所述跟踪步骤中当前跟踪结果是否有目标被遮挡情形的发生，是则进入重新检测目标的步骤，否则继续跟踪；
重新检测目标的步骤：抽取所述视频中遮挡发生后的帧图片，由所述抽取的帧图片通过超像素算法获得与目标图像块大小相同的比对图像块，通过图像特征匹配的方式，找到与所述目标图像块最匹配的比对图像块，将所述最匹配的比对图像块作为目标位置，并从所述最匹配的比对图像块所在的帧继续跟踪。
2.根据权利要求1所述的目标跟踪方法，其特征在于，所述重新检测目标的步骤中，从所述最匹配的比对图像块所在的帧继续跟踪，具体为沿所述视频的时间轴正方向和负方向分别继续跟踪。
3.根据权利要求1所述的目标跟踪方法，其特征在于，根据所述跟踪步骤得到的跟踪结果的响应图质量是否符合预设条件判断所述跟踪步骤中当前跟踪结果是否有目标被遮挡。
4.根据权利要求3所述的目标跟踪方法，其特征在于，所述跟踪步骤中当前跟踪结果是否有目标被遮挡的判断方法具体为：(1)计算所述响应图中除响应峰值点周围d*d区域外的响应值的平均值μ；(2)计算所述响应图中除响应峰值点周围d*d区域外的响应值的标准差σ；(3)根据公式计算所述响应图的表面跟踪质量值W，其中Qmax为所述响应峰值点的响应值，d远小于所述响应图的长或宽；(4)将所述表面跟踪质量值W与设定的跟踪质量判断阈值Y比较，W≥Y则判断所述响应图质量符合预设条件，即所述跟踪步骤中当前跟踪结果没有目标被遮挡，W＜Y则判断所述响应图质量不符合预设条件，即所述跟踪步骤中当前跟踪结果有目标被遮挡。
5.根据权利要求1至4任意一项所述的目标跟踪方法，其特征在于，所述重新检测目标的步骤中，抽取所述视频中遮挡发生后的帧图片的具体方式为：抽取所述视频中遮挡发生后的所有帧图片；或者，按设定步长抽取所述视频中遮挡发生后的部分帧图片；或者，随机抽取所述视频中遮挡发生后的部分帧图片。
6.根据权利要求5所述的目标跟踪方法，其特征在于，所述重新检测目标的步骤中，所述图像特征匹配的方式包括：
基于SIFT的图像特征描述符匹配环节，具体为：提取所述比对图像块和所述目标图像块的向量化的特征描述符，计算所述比对图像块与所述目标图像块的特征描述符的匹配数。
和/或图像颜色直方图匹配环节，具体为：提取所述比对图像块和所述目标图像块的颜色直方图，将所述提取的颜色直方图向量化，计算所述比对图像块的颜色直方图向量与所述目标图像块的颜色直方图向量的颜色直方图相似度。
和/或响应图最大值匹配环节，具体为：通过所述***得到所述比对图像块的响应图，选取所述比对图像块的响应图的最大响应值。
7.根据权利要求6所述的目标跟踪方法，其特征在于，所述重新检测目标的步骤中，所述图像特征匹配的方式包括所述基于SIFT的图像特征描述符匹配环节、所述图像颜色直方图匹配环节和所述响应图最大值匹配环节，将所述比对图像块的特征描述符的匹配数、所述颜色直方图相似度和所述响应图的最大响应值进行归一化处理并进行综合运算，得到所述比对图像块与所述目标图像块的匹配综合值，根据各所述比对图像块的匹配综合值找到所述最匹配的比对图像块。
8.根据权利要求7所述的目标跟踪方法，其特征在于，所述综合运算是对归一化处理后的所述特征描述符的匹配数、所述颜色直方图相似度及所述响应图的最大响应值求和后再平均。
9.一种计算机，包括存储器以及处理器，其特征在于，所述存储器存储支持处理器执行权利要求1至8任意一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的所述程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811210882.9A CN109584269A (zh) | 2018-10-17 | 2018-10-17 | 一种目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811210882.9A CN109584269A (zh) | 2018-10-17 | 2018-10-17 | 一种目标跟踪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109584269A true CN109584269A (zh) | 2019-04-05 |
Family
ID=65920602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811210882.9A Pending CN109584269A (zh) | 2018-10-17 | 2018-10-17 | 一种目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109584269A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508002A (zh) * | 2020-04-20 | 2020-08-07 | 北京理工大学 | 一种小型低飞目标视觉检测跟踪***及其方法 |
| CN112164093A (zh) * | 2020-08-27 | 2021-01-01 | 同济大学 | 一种基于边缘特征和相关滤波的人物自动跟踪方法 |
| CN112991396A (zh) * | 2021-05-12 | 2021-06-18 | 深圳市维度数据科技股份有限公司 | 一种基于监控摄像头下的目标跟踪方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101081513A (zh) * | 2006-05-31 | 2007-12-05 | 中国科学院自动化研究所 | 机器人视觉***在有遮挡情况下对特定人的跟踪方法 |
| CN103116896A (zh) * | 2013-03-07 | 2013-05-22 | 中国科学院光电技术研究所 | 一种基于视觉显著性模型的自动检测跟踪方法 |
| CN106097383A (zh) * | 2016-05-30 | 2016-11-09 | 海信集团有限公司 | 一种针对遮挡问题的目标跟踪方法及设备 |
| CN106570478A (zh) * | 2016-11-04 | 2017-04-19 | 北京智能管家科技有限公司 | 视觉跟踪中的目标丢失判断方法和装置 |
| CN107146238A (zh) * | 2017-04-24 | 2017-09-08 | 西安电子科技大学 | 基于特征块优选的运动目标跟踪方法 |
| CN107945208A (zh) * | 2016-10-13 | 2018-04-20 | 夏普株式会社 | 目标跟踪方法和目标跟踪设备 |
-
2018
- 2018-10-17 CN CN201811210882.9A patent/CN109584269A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101081513A (zh) * | 2006-05-31 | 2007-12-05 | 中国科学院自动化研究所 | 机器人视觉***在有遮挡情况下对特定人的跟踪方法 |
| CN103116896A (zh) * | 2013-03-07 | 2013-05-22 | 中国科学院光电技术研究所 | 一种基于视觉显著性模型的自动检测跟踪方法 |
| CN106097383A (zh) * | 2016-05-30 | 2016-11-09 | 海信集团有限公司 | 一种针对遮挡问题的目标跟踪方法及设备 |
| CN107945208A (zh) * | 2016-10-13 | 2018-04-20 | 夏普株式会社 | 目标跟踪方法和目标跟踪设备 |
| CN106570478A (zh) * | 2016-11-04 | 2017-04-19 | 北京智能管家科技有限公司 | 视觉跟踪中的目标丢失判断方法和装置 |
| CN107146238A (zh) * | 2017-04-24 | 2017-09-08 | 西安电子科技大学 | 基于特征块优选的运动目标跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 包晓安 等: "基于KCF和SIFT特征的抗遮挡目标跟踪算法", 《计算机测量与控制》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508002A (zh) * | 2020-04-20 | 2020-08-07 | 北京理工大学 | 一种小型低飞目标视觉检测跟踪***及其方法 |
| CN111508002B (zh) * | 2020-04-20 | 2020-12-25 | 北京理工大学 | 一种小型低飞目标视觉检测跟踪***及其方法 |
| CN112164093A (zh) * | 2020-08-27 | 2021-01-01 | 同济大学 | 一种基于边缘特征和相关滤波的人物自动跟踪方法 |
| CN112991396A (zh) * | 2021-05-12 | 2021-06-18 | 深圳市维度数据科技股份有限公司 | 一种基于监控摄像头下的目标跟踪方法及装置 |
| CN112991396B (zh) * | 2021-05-12 | 2021-08-27 | 深圳市维度数据科技股份有限公司 | 一种基于监控摄像头下的目标跟踪方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9471964B2 (en) | Non-local mean-based video denoising method and apparatus | |
| KR102641115B1 (ko) | 객체 검출을 위한 영상 처리 방법 및 장치 | |
| WO2020107716A1 (zh) | 目标图像分割方法、装置及设备 | |
| CN105046664B (zh) | 一种基于自适应epll算法的图像去噪方法 | |
| CN105164700B (zh) | 使用概率模型在视觉数据中检测对象 | |
| WO2016138838A1 (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
| WO2020082258A1 (zh) | 一种多目标实时跟踪方法、装置及电子设备 | |
| US9299161B2 (en) | Method and device for head tracking and computer-readable recording medium | |
| CN109584269A (zh) | 一种目标跟踪方法 | |
| CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
| US20180137641A1 (en) | Target tracking method and device | |
| CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
| CN112257738A (zh) | 机器学习模型的训练方法、装置和图像的分类方法、装置 | |
| CN112949693A (zh) | 图像分类模型的训练方法、图像分类方法、装置和设备 | |
| KR20180109658A (ko) | 영상 처리 방법과 장치 | |
| CN113744307A (zh) | 一种基于阈值动态调整的图像特征点跟踪方法和*** | |
| Ran et al. | Research on PCB defect detection using deep convolutional nerual network | |
| US11023781B2 (en) | Method, apparatus and device for evaluating image tracking effectiveness and readable storage medium | |
| CN111860488A (zh) | 一种杆塔鸟巢检测与识别方法、装置、设备及其介质 | |
| WO2014205787A1 (zh) | 一种基于混合图像模板的车辆检测方法 | |
| CN111738085B (zh) | 实现自动驾驶同时定位与建图的***构建方法及装置 | |
| CN105184257A (zh) | 目标检测方法与装置 | |
| CN116434071B (zh) | 一种规整化建筑掩膜的确定方法、确定装置、设备及介质 | |
| CN109871779B (zh) | 掌纹识别的方法及电子设备 | |
| CN109741370B (zh) | 一种目标跟踪方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
| RJ01 | Rejection of invention patent application after publication |