CN111126152A - 一种基于视频的多目标行人检测与跟踪的方法 - Google Patents
一种基于视频的多目标行人检测与跟踪的方法 Download PDFInfo
- Publication number
- CN111126152A CN111126152A CN201911165287.2A CN201911165287A CN111126152A CN 111126152 A CN111126152 A CN 111126152A CN 201911165287 A CN201911165287 A CN 201911165287A CN 111126152 A CN111126152 A CN 111126152A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- tracking
- pedestrian
- frame
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频的多目标行人检测与跟踪的方法,利用在速度和准确率方面表现较好的YOLO3目标检测算法,通过构建不同场景下的视频图像并训练检测模型,以克服光照变化和视角变化的影响保证高效的检测多目标行人;采用基于卡尔曼滤波算法和匈牙利算法有效的追踪多目标行人,且避免了多目标检测常有目标重复检测的问题,从而实现以Deep‑SORT算法为核心的多目标行人跟踪方法。本发明具有高效的多目标行人检测以及高效的多目标行人跟踪特点。
Description
技术领域
本发明涉及一种计算机视觉***,更具体地说它涉及一种基于计算机视觉的检测与跟踪的方法。
背景技术
行人检测与跟踪是指从视频序列中检测出行人的位置信息,并对运动的行人目标进行连续的跟踪,确定其运动轨迹的过程。行人检测是行人跟踪的基础和前提,所以一个好的行人检测算法能够为后者提供有力的支持和保障。行人检测属于目标检测的范畴,近年来,得益于目标检测技术的发展,基于检测的多目标跟踪方法成为当前多目标跟踪的主要方法。基于检测的多目标跟踪方法的跟踪过程能够被转化为数据关联问题,该方法对检测结果的依赖程度较高,复杂背景和目标间的遮挡会对目标检测造成较大影响,进而给数据关联造成影响,同时在多个检测值和多个跟踪值之间建确立准的对应关系所依赖的目标模型也会较大程度地影响多目标跟踪的效果。因此,提供一种鲁棒性更强、精度更准确的行人检测与跟踪算法是本领域技术人员必须要解决的问题。
发明内容
针对上述问题,本文提出一种基于视频的多目标行人检测与跟踪的方法,克服重复检测问题,实现高效的行人检测和高效的行人跟踪。
为实现上述目的,本发明提供了如下技术方案:一种基于视频的多目标行人检测与跟踪的方法,其特征在于,包括如下步骤:
步骤一:利用采集到的视频图像,训练行人检测模型,首先将视频图像每一帧分离出来,再利用训练好的检测模型直接在图像层检测所有行人目标的置信度和边界框信息,当置信度大于设定阈值时,认为是行人目标,保留目标框。利用非极大值抑制算法去除冗余框,得到最终的检测目标候选框。
步骤二:根据行人检测算法得到的行人目标候选框,提取行人检测网络中候选框所对应区域的特征。
步骤三:基于卡尔曼滤波算法,计算卡尔曼预测的每个跟踪目标平均轨道的位置和步骤一二检测到目标候选框之间的距离。距离越小的区域为目标的预测位置区域,从而得到各个目标的预测位置集合。
步骤四:使用匈牙利算法对跟踪目标和检测目标进行匹配。当前视频帧中匹配到的目标检测框去更新卡尔曼***,状态更新,并将状态更新值输出,作为当前帧的跟踪框。对于当前视频帧中没有匹配到的目标重新初始化***。不断更新各个目标的跟踪状态,从而实现目标的跟踪。
步骤五:持续进行新目标行人检测,则从行人检测网络得到的候选图像中找到与消失目标匹配度最高的图像,否则重新分配新的ID;并及时更新特征矩阵便于下一帧计算。
步骤六:重复执行上述的步骤,来实现以Deep-SORT算法为核心的多目标行人跟踪方法,最终输出各个检测目标的行动轨迹。
通过上述方案,基于YOLOv3算法从视频序列中检测出行人的位置、信息,并基于以Deep-SORT算法为核心的多目标行人跟踪方法,对运动的行人目标进行连续的跟踪,确定其运动轨迹得出最终精准的跟踪目标的过程。
进一步的,所述YOLOv3算法在训练阶段,利用ImageNet预训练好的模型参数上,通过k-means聚类方法得到适用于行人检测的anchor的个数与值,再通过构建的行人数据集训练YOLOv3模型。
通过上述方案,主要是为了得到一个良好的网络初始化值,以避免后续的训练中陷入局部最小值,还能够加快网络的收敛速度。
进一步的,所述卡尔曼滤波算法利用跟踪目标的历史轨迹,对跟踪目标进行建模并预测跟踪目标在下一视频帧中的位置状态,并融合检测目标的空间位置信息和外观深度特征信息计算检测目标和当前预测之间的关联度建立代价矩阵,所述匈牙利算法基于对卡尔曼滤波算法建立的代价矩阵求解得到目标在当前帧的跟踪结果。
通过上述方案,引入Deep-SORT算法,对检测到的目标进行一段时间的跟踪,从而克服了YOLOv3在目标检测时忽略视频上下视频帧之间的关联信息的缺点,同时也缓解了YOLOv3在基于视频的目标检测种出现目标“掉帧”的现象,同时对目标遮挡等问题也有一定的到抑制作用。
进一步的,所述步骤的边界框是以目标每个像素为中心,生成多个大小和宽比不同的边界框。
进一步的,所述步骤涉及的信息传播采用神经网络快速传播,是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。
本发明公开了一种基于视频的多目标行人检测与跟踪的方法,通过利用多种算法互相之间的配合使用,提出一种鲁棒的、精度更准确的多目标行人检测与跟踪算法,且克服了多目标检测通常有的目标重复检测的问题,本发明具有高效的多目标行人检测、高效的多目标行人跟踪特点。
附图说明
图1是本发明的原理示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明公开了一种基于视频的多目标行人检测与跟踪的方法,如图1所示,一种基于视频的多目标行人检测与跟踪的方法,其特征在于,包括如下步骤:
步骤一:利用采集到的视频图像,训练行人检测模型,首先将视频图像每一帧分离出来,再利用训练好的检测模型直接在图像层检测所有行人目标的置信度和边界框信息,当置信度大于设定阈值时,认为是行人目标,保留目标框。利用非极大值抑制算法去除冗余框,得到最终的检测目标候选框。
步骤二:根据行人检测得到的行人目标候选框,提取行人检测网络中候选框所对应区域的特征。
步骤三:基于卡尔曼滤波算法,计算卡尔曼预测的每个跟踪目标平均轨道的位置和步骤一二检测到目标候选框之间的距离。距离越小的区域为目标的预测位置区域,从而得到各个目标的预测位置集合。
步骤四:使用匈牙利算法对跟踪目标和检测目标进行匹配。当前帧中匹配到的目标检测框去更新卡尔曼***,状态更新,并将状态更新值输出,作为当前帧的跟踪框。对于当前帧中没有匹配到的目标重新初始化***。不断更新各个目标的跟踪状态,从而实现目标的跟踪。
步骤五:持续进行新目标行人检测,从行人检测网络得到的候选图像中找到与消失目标匹配度最高的图像,否则重新分配新的ID;并及时更新特征矩阵便于下一帧计算。
步骤六:重复执行上述的步骤,来实现以Deep-SORT算法为核心的多目标行人跟踪方法,最终输出各个检测目标的行动轨迹。
所述YOLOv3算法在训练阶段,利用ImageNet预训练好的模型参数上,通过k-means聚类方法得到适用于行人检测的anchor的个数与值,再通过构建的行人数据集训练YOLOv3模型。
所述卡尔曼滤波算法利用跟踪目标的历史轨迹,对跟踪目标进行建模并预测下一视频帧位置信息,并融合检测目标的空间位置信息和外观深度特征信息计算检测和当前观测之间的关联度建立代价矩阵。
所述匈牙利算法基于对卡尔曼滤波算法建立的代价矩阵求解得到目标在当前帧的跟踪结果。
所述步骤的边界框是以目标每个像素为中心,生成多个大小和宽比不同的边界框。
所述步骤涉及的信息传播采用神经网络快速传播,是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。
基于上述方案,本发明的***运作还至少要具备以下任一条件:
开始检测;
输入视频图象;
追踪目标丢失;
接到指令;
包括行人检测:采用YOLO系列的目标检测算法将检测判别为回归任务,不再提前提取候选目标区域,而是对于输入的图像,通过神经网络快速传播,直接在图像层回归出检测目标的边界框和分类识别概率,检测速度非常快,因此满足基于视频的多目标行人检测的目的,本发明选择在速度和准确率上综合表现较好的YOLOv3算法,采用构建不同场景下的监控视频图像,并通过k-means聚类方法得到适用于行人检测的anchor的个数与值,再训练基于YOLOv3的目标检测模型,能够高效的检测到监控视频中的行人,从而实现后续的行人跟踪的目的:
A1.构建带有标注信息的行人数据集
采集不同场景下的监控视频图像,包含多种行人姿态、多种光照影响以及一天中不同时段的视频图像,这样构造的数据集可以降低光照、复杂背景等因素带来的影响;对数据集进行扩充,通过图像镜像、角度旋转、尺寸缩放、裁剪以及添加随机噪声等方法。
A2.训练模型
在ImageNet预训练好的模型参数的基础上继续训练,首先对网络模型的全连接层进行修改,输出种类为两类,即行人和非行人;通过k-means聚类方法得到适用于行人检测的anchor的个数和值;在构建的行人数据集上训练基于YOLOv3的模型,使用预训练的方法,主要是为了得到一个良好的网络初始化值,以避免后续的训练中陷入局部最小值,同时还能够加快网络的收敛速度。
A3.测试
使用训练好的模型在测试数据集上进行行人检测;
包括行人追踪:本发明提出以Deep-SORT算法为核心的多目标行人跟踪方法,Deep-SORT算法具体的算法结构可以分为两个部分:
卡尔曼滤波和匈牙利算法:
B1.卡尔曼滤波
卡尔曼滤波根据通过目标检测算法得到的前一帧目标位置、大小等信息,卡尔曼滤波对其进行跟踪预测,从而得到对应目标在后一帧的跟踪位置、大小等信息;由于跟踪部分的加入,使得每一帧图像除了可以获得基于检测算法得到的目标检测信息外,还可以获得基于跟踪算法得到的目标跟踪信息;同时由于两类信息“关注”的对象有可能相同,若全部作为目标信息输出,则会导致同一目标被重复检测,从而降低了整个算法的性能;
B2.匈牙利算法
匈牙利算法对两部分信息进行数据关联匹配,通过一定的度量规则将两部分信息之间的关联性转为某一种数据表示形式,从而构建出数据关联矩阵。匈牙利算法的目的是寻找前后两帧的若干目标的匹配最优解,得出最终的检测跟踪结果。
多目标行人跟踪方法,引入Deep-SORT算法,通过计算基于卡尔曼滤波得到的预测位置和检测得到的位置在马氏空间距离和目标框之间表观特征的余弦距离,最后使用匈牙利算法对多目标进行跟踪匹配,该方法对检测到的目标进行一段时间的跟踪,从而克服了YOLOv3在目标检测时忽略视频上下帧之间的关联信息的缺点,同时也缓解了YOLOv3在基于视频的目标检测中出现目标“掉帧”的现象,同时对目标遮挡也有一定的抑制作用。匈牙利算法通过检测框与跟踪框进行数据关联,去除重复标记的目标区域,解决了由于对于同一目标可能会出现目标检测与跟踪都标记出来导致目标重复检测的问题。
高效检测追踪和避免重复检测实际应用例:
在输入视频图象中,存在未关联的检测目标甲时,目标甲可能是新进入场景或者检测器的误检导致未关联,假设T帧检测到该目标甲,判断该目标甲为新出现的目标,并为每个未关联的目标加入追踪列表并分配新的ID,否则就认为是误检,并将其从跟踪列表中删除;
当检测的多目标行人信息中,存在未关联的跟踪目标乙时,目标乙可能离开场景或者检测器漏检导致未关联,所以导致连续T帧没有检测到该目标乙,从跟踪列表中删除该目标乙,卡尔曼滤波对该目标乙状态进行预测和更新。
以上所述仅为本发明的较佳实施例,并不用于限制本发明,凡在本发明的设计构思之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于视频的多目标行人检测与跟踪的方法,其特征在于,包括如下步骤:
步骤一:利用采集到的视频图像,训练行人检测模型,首先将视频图像每一帧分离出来,再利用训练好的检测模型直接在图像层检测所有行人目标的置信度和边界框信息,当置信度大于设定阈值时,认为是行人目标,保留目标框;利用非极大值抑制算法去除冗余框,得到最终的检测目标候选框;
步骤二:根据行人检测算法得到的行人目标候选框,提取行人检测网络中候选框所对应区域的特征;
步骤三:基于卡尔曼滤波算法,计算卡尔曼预测的每个跟踪目标平均轨道的位置和步骤一二检测到目标候选框之间的距离;距离越小的区域为目标的预测位置区域,从而得到各个目标的预测位置集合;
步骤四:使用匈牙利算法对跟踪目标和检测目标进行匹配。当前视频帧中匹配到的目标检测框去更新卡尔曼***,状态更新,并将状态更新值输出,作为当前帧的跟踪框。对于当前视频帧中没有匹配到的目标重新初始化***;不断更新各个目标的跟踪状态,从而实现目标的跟踪;
步骤五:持续进行新目标行人检测,则从行人检测网络得到的候选图像中找到与消失目标匹配度最高的图像,否则重新分配新的ID;并及时更新特征矩阵便于下一帧计算;
步骤六:重复执行上述的步骤,来实现以Deep-SORT算法为核心的多目标行人跟踪方法,最终输出各个检测目标的行动轨迹。
2.根据权利要求1所述的一种基于视频的多目标行人检测与跟踪的方法,其特征在于,所述YOLOv3算法在训练阶段,利用ImageNet预训练好的模型参数上,通过k-means聚类方法得到适用于行人检测的anchor的个数与值,在构建的行人数据集上训练基于YOLOv3的模型。
3.根据权利要求1所述的一种基于视频的多目标行人检测与跟踪的方法,其特征在于,所述卡尔曼滤波算法利用跟踪目标的历史轨迹,对跟踪目标进行建模并预测下一视频帧中的位置状态,并融合检测目标的空间位置信息和外观深度特征信息计算检测目标和当前观测之间的关联度建立代价矩阵。
4.根据权利要求3所述的一种基于视频的多目标行人检测与跟踪的方法,其特征在于,所述匈牙利算法基于对检测框与跟踪框进行数据关联,建立的代价矩阵从而计算跟踪目标在当前视频帧的最优匹配,以达到精准追踪目标的目的。
5.根据权利要求1所述的一种基于视频的多目标行人检测与跟踪的方法,其特征在于,所述步骤涉及的信息传播采用神经网络快速传播,是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。
6.根据权利要求1所述的一种基于视频的多目标行人检测与跟踪的方法,其特征在于,所述步骤的边界框是以目标每个像素为中心,生成多个大小和宽比不同的边界框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911165287.2A CN111126152B (zh) | 2019-11-25 | 2019-11-25 | 一种基于视频的多目标行人检测与跟踪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911165287.2A CN111126152B (zh) | 2019-11-25 | 2019-11-25 | 一种基于视频的多目标行人检测与跟踪的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126152A true CN111126152A (zh) | 2020-05-08 |
CN111126152B CN111126152B (zh) | 2023-04-11 |
Family
ID=70496629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911165287.2A Active CN111126152B (zh) | 2019-11-25 | 2019-11-25 | 一种基于视频的多目标行人检测与跟踪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126152B (zh) |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598066A (zh) * | 2020-07-24 | 2020-08-28 | 之江实验室 | 一种基于级联预测的安全帽佩戴识别方法 |
CN111738075A (zh) * | 2020-05-18 | 2020-10-02 | 深圳奥比中光科技有限公司 | 一种基于行人检测的关节点跟踪方法及*** |
CN111767847A (zh) * | 2020-06-29 | 2020-10-13 | 佛山市南海区广工大数控装备协同创新研究院 | 一种集成目标检测和关联的行人多目标跟踪方法 |
CN111860282A (zh) * | 2020-07-15 | 2020-10-30 | 中国电子科技集团公司第三十八研究所 | 地铁断面客流量统计和行人逆行检测方法及*** |
CN111932588A (zh) * | 2020-08-07 | 2020-11-13 | 浙江大学 | 一种基于深度学习的机载无人机多目标跟踪***的跟踪方法 |
CN112200021A (zh) * | 2020-09-22 | 2021-01-08 | 燕山大学 | 基于有限范围场景内的目标人群跟踪监控方法 |
CN112270827A (zh) * | 2020-06-23 | 2021-01-26 | 北京航空航天大学 | 一种车路协同***以及道路行人检测方法 |
CN112417946A (zh) * | 2020-09-17 | 2021-02-26 | 国网天津静海供电有限公司 | 电力施工现场指定区域的越界检测方法及*** |
CN112418118A (zh) * | 2020-11-27 | 2021-02-26 | 招商新智科技有限公司 | 一种无监督桥下行人入侵检测方法及装置 |
CN112489090A (zh) * | 2020-12-16 | 2021-03-12 | 影石创新科技股份有限公司 | 目标跟踪的方法、计算机可读存储介质及计算机设备 |
CN112488042A (zh) * | 2020-12-15 | 2021-03-12 | 东南大学 | 一种基于视频分析的行人通行瓶颈判别方法及*** |
CN112528730A (zh) * | 2020-10-20 | 2021-03-19 | 福州大学 | 一种匈牙利算法下基于空间约束的成本矩阵优化方法 |
CN112528925A (zh) * | 2020-12-21 | 2021-03-19 | 深圳云天励飞技术股份有限公司 | 行人跟踪、图像匹配方法及相关设备 |
CN112597877A (zh) * | 2020-12-21 | 2021-04-02 | 中船重工(武汉)凌久高科有限公司 | 一种基于深度学习的厂区人员异常行为检测方法 |
CN112633162A (zh) * | 2020-12-22 | 2021-04-09 | 重庆大学 | 适于高速公路外场遮挡条件下的行人快速检测及跟踪方法 |
CN112633205A (zh) * | 2020-12-28 | 2021-04-09 | 北京眼神智能科技有限公司 | 基于头肩检测的行人追踪方法及装置、电子设备、存储介质 |
CN112651994A (zh) * | 2020-12-18 | 2021-04-13 | 零八一电子集团有限公司 | 地面多目标跟踪方法 |
CN112669349A (zh) * | 2020-12-25 | 2021-04-16 | 北京竞业达数码科技股份有限公司 | 一种客流统计方法、电子设备及存储介质 |
CN112734800A (zh) * | 2020-12-18 | 2021-04-30 | 上海交通大学 | 一种基于联合检测与表征提取的多目标跟踪***和方法 |
CN112767711A (zh) * | 2021-01-27 | 2021-05-07 | 湖南优美科技发展有限公司 | 一种多类别多尺度多目标抓拍方法及*** |
CN112866643A (zh) * | 2021-01-08 | 2021-05-28 | 中国船舶重工集团公司第七0七研究所 | 一种船内关键区域多目标可视化管理***及方法 |
CN112884810A (zh) * | 2021-03-18 | 2021-06-01 | 沈阳理工大学 | 一种基于YOLOv3的行人跟踪方法 |
CN112926474A (zh) * | 2021-03-08 | 2021-06-08 | 商汤集团有限公司 | 一种行为识别及特征提取的方法、装置、设备及介质 |
CN113077496A (zh) * | 2021-04-16 | 2021-07-06 | 中国科学技术大学 | 基于轻量级YOLOv3的实时车辆检测、跟踪方法和***及介质 |
CN113158897A (zh) * | 2021-04-21 | 2021-07-23 | 新疆大学 | 一种基于嵌入式YOLOv3算法的行人检测*** |
CN113205108A (zh) * | 2020-11-02 | 2021-08-03 | 哈尔滨理工大学 | 一种基于YOLOv4的多目标车辆检测跟踪方法 |
CN113256690A (zh) * | 2021-06-16 | 2021-08-13 | 中国人民解放军国防科技大学 | 一种基于视频监控的行人多目标跟踪方法 |
CN113259630A (zh) * | 2021-06-03 | 2021-08-13 | 南京北斗创新应用科技研究院有限公司 | 一种多摄像头行人轨迹聚合***和方法 |
CN113536915A (zh) * | 2021-06-09 | 2021-10-22 | 苏州数智源信息技术有限公司 | 基于可见光相机的多节点目标跟踪方法 |
CN113538513A (zh) * | 2021-07-13 | 2021-10-22 | 中国工商银行股份有限公司 | 监控对象的进出控制方法、装置、设备及存储介质 |
CN113628165A (zh) * | 2021-07-12 | 2021-11-09 | 杨龙 | 一种牲畜转栏盘点方法、装置及存储介质 |
CN113674317A (zh) * | 2021-08-10 | 2021-11-19 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频的车辆跟踪方法及装置 |
CN113838091A (zh) * | 2021-09-23 | 2021-12-24 | 哈尔滨工程大学 | 一种稀疏目标跟踪方法 |
CN114299428A (zh) * | 2021-12-24 | 2022-04-08 | 空间视创(重庆)科技股份有限公司 | 一种跨媒体视频人物识别方法及*** |
CN114863364A (zh) * | 2022-05-20 | 2022-08-05 | 碧桂园生活服务集团股份有限公司 | 一种基于智能视频监控的安防检测方法及*** |
CN116912882A (zh) * | 2023-07-13 | 2023-10-20 | 广西民族大学 | 一种基于头部和躯干检测的增强DeepSort单镜行人跟踪算法 |
CN117455955A (zh) * | 2023-12-14 | 2024-01-26 | 武汉纺织大学 | 一种基于无人机视角下的行人多目标跟踪方法 |
CN117953015A (zh) * | 2024-03-26 | 2024-04-30 | 武汉工程大学 | 基于视频超分辨率多行人跟踪方法、***、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286774A1 (en) * | 2016-04-04 | 2017-10-05 | Xerox Corporation | Deep data association for online multi-class multi-object tracking |
CN108009473A (zh) * | 2017-10-31 | 2018-05-08 | 深圳大学 | 基于目标行为属性视频结构化处理方法、***及存储装置 |
CN110378259A (zh) * | 2019-07-05 | 2019-10-25 | 桂林电子科技大学 | 一种面向监控视频的多目标行为识别方法及*** |
CN110443210A (zh) * | 2019-08-08 | 2019-11-12 | 北京百度网讯科技有限公司 | 一种行人跟踪方法、装置以及终端 |
-
2019
- 2019-11-25 CN CN201911165287.2A patent/CN111126152B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286774A1 (en) * | 2016-04-04 | 2017-10-05 | Xerox Corporation | Deep data association for online multi-class multi-object tracking |
CN108009473A (zh) * | 2017-10-31 | 2018-05-08 | 深圳大学 | 基于目标行为属性视频结构化处理方法、***及存储装置 |
CN110378259A (zh) * | 2019-07-05 | 2019-10-25 | 桂林电子科技大学 | 一种面向监控视频的多目标行为识别方法及*** |
CN110443210A (zh) * | 2019-08-08 | 2019-11-12 | 北京百度网讯科技有限公司 | 一种行人跟踪方法、装置以及终端 |
Non-Patent Citations (1)
Title |
---|
陈志鸿等: "基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法", 《信息通信》 * |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738075A (zh) * | 2020-05-18 | 2020-10-02 | 深圳奥比中光科技有限公司 | 一种基于行人检测的关节点跟踪方法及*** |
CN112270827A (zh) * | 2020-06-23 | 2021-01-26 | 北京航空航天大学 | 一种车路协同***以及道路行人检测方法 |
CN111767847A (zh) * | 2020-06-29 | 2020-10-13 | 佛山市南海区广工大数控装备协同创新研究院 | 一种集成目标检测和关联的行人多目标跟踪方法 |
CN111860282A (zh) * | 2020-07-15 | 2020-10-30 | 中国电子科技集团公司第三十八研究所 | 地铁断面客流量统计和行人逆行检测方法及*** |
CN111598066A (zh) * | 2020-07-24 | 2020-08-28 | 之江实验室 | 一种基于级联预测的安全帽佩戴识别方法 |
CN111932588A (zh) * | 2020-08-07 | 2020-11-13 | 浙江大学 | 一种基于深度学习的机载无人机多目标跟踪***的跟踪方法 |
CN111932588B (zh) * | 2020-08-07 | 2024-01-30 | 浙江大学 | 一种基于深度学习的机载无人机多目标跟踪***的跟踪方法 |
CN112417946A (zh) * | 2020-09-17 | 2021-02-26 | 国网天津静海供电有限公司 | 电力施工现场指定区域的越界检测方法及*** |
CN112200021B (zh) * | 2020-09-22 | 2022-07-01 | 燕山大学 | 基于有限范围场景内的目标人群跟踪监控方法 |
CN112200021A (zh) * | 2020-09-22 | 2021-01-08 | 燕山大学 | 基于有限范围场景内的目标人群跟踪监控方法 |
CN112528730B (zh) * | 2020-10-20 | 2022-06-10 | 福州大学 | 一种匈牙利算法下基于空间约束的成本矩阵优化方法 |
CN112528730A (zh) * | 2020-10-20 | 2021-03-19 | 福州大学 | 一种匈牙利算法下基于空间约束的成本矩阵优化方法 |
CN113205108A (zh) * | 2020-11-02 | 2021-08-03 | 哈尔滨理工大学 | 一种基于YOLOv4的多目标车辆检测跟踪方法 |
CN112418118A (zh) * | 2020-11-27 | 2021-02-26 | 招商新智科技有限公司 | 一种无监督桥下行人入侵检测方法及装置 |
CN112488042A (zh) * | 2020-12-15 | 2021-03-12 | 东南大学 | 一种基于视频分析的行人通行瓶颈判别方法及*** |
CN112489090A (zh) * | 2020-12-16 | 2021-03-12 | 影石创新科技股份有限公司 | 目标跟踪的方法、计算机可读存储介质及计算机设备 |
CN112489090B (zh) * | 2020-12-16 | 2024-06-04 | 影石创新科技股份有限公司 | 目标跟踪的方法、计算机可读存储介质及计算机设备 |
CN112651994A (zh) * | 2020-12-18 | 2021-04-13 | 零八一电子集团有限公司 | 地面多目标跟踪方法 |
CN112734800A (zh) * | 2020-12-18 | 2021-04-30 | 上海交通大学 | 一种基于联合检测与表征提取的多目标跟踪***和方法 |
CN112528925A (zh) * | 2020-12-21 | 2021-03-19 | 深圳云天励飞技术股份有限公司 | 行人跟踪、图像匹配方法及相关设备 |
CN112597877A (zh) * | 2020-12-21 | 2021-04-02 | 中船重工(武汉)凌久高科有限公司 | 一种基于深度学习的厂区人员异常行为检测方法 |
CN112528925B (zh) * | 2020-12-21 | 2024-05-07 | 深圳云天励飞技术股份有限公司 | 行人跟踪、图像匹配方法及相关设备 |
CN112633162A (zh) * | 2020-12-22 | 2021-04-09 | 重庆大学 | 适于高速公路外场遮挡条件下的行人快速检测及跟踪方法 |
CN112633162B (zh) * | 2020-12-22 | 2024-03-22 | 重庆大学 | 适于高速公路外场遮挡条件下的行人快速检测及跟踪方法 |
CN112669349B (zh) * | 2020-12-25 | 2023-12-05 | 北京竞业达数码科技股份有限公司 | 一种客流统计方法、电子设备及存储介质 |
CN112669349A (zh) * | 2020-12-25 | 2021-04-16 | 北京竞业达数码科技股份有限公司 | 一种客流统计方法、电子设备及存储介质 |
CN112633205A (zh) * | 2020-12-28 | 2021-04-09 | 北京眼神智能科技有限公司 | 基于头肩检测的行人追踪方法及装置、电子设备、存储介质 |
CN112866643A (zh) * | 2021-01-08 | 2021-05-28 | 中国船舶重工集团公司第七0七研究所 | 一种船内关键区域多目标可视化管理***及方法 |
CN112767711A (zh) * | 2021-01-27 | 2021-05-07 | 湖南优美科技发展有限公司 | 一种多类别多尺度多目标抓拍方法及*** |
CN112767711B (zh) * | 2021-01-27 | 2022-05-27 | 湖南优美科技发展有限公司 | 一种多类别多尺度多目标抓拍方法及*** |
CN112926474A (zh) * | 2021-03-08 | 2021-06-08 | 商汤集团有限公司 | 一种行为识别及特征提取的方法、装置、设备及介质 |
CN112884810B (zh) * | 2021-03-18 | 2024-02-02 | 沈阳理工大学 | 一种基于YOLOv3的行人跟踪方法 |
CN112884810A (zh) * | 2021-03-18 | 2021-06-01 | 沈阳理工大学 | 一种基于YOLOv3的行人跟踪方法 |
CN113077496A (zh) * | 2021-04-16 | 2021-07-06 | 中国科学技术大学 | 基于轻量级YOLOv3的实时车辆检测、跟踪方法和***及介质 |
CN113158897A (zh) * | 2021-04-21 | 2021-07-23 | 新疆大学 | 一种基于嵌入式YOLOv3算法的行人检测*** |
CN113259630A (zh) * | 2021-06-03 | 2021-08-13 | 南京北斗创新应用科技研究院有限公司 | 一种多摄像头行人轨迹聚合***和方法 |
CN113259630B (zh) * | 2021-06-03 | 2021-09-28 | 南京北斗创新应用科技研究院有限公司 | 一种多摄像头行人轨迹聚合***和方法 |
CN113536915A (zh) * | 2021-06-09 | 2021-10-22 | 苏州数智源信息技术有限公司 | 基于可见光相机的多节点目标跟踪方法 |
CN113256690A (zh) * | 2021-06-16 | 2021-08-13 | 中国人民解放军国防科技大学 | 一种基于视频监控的行人多目标跟踪方法 |
CN113256690B (zh) * | 2021-06-16 | 2021-09-17 | 中国人民解放军国防科技大学 | 一种基于视频监控的行人多目标跟踪方法 |
CN113628165A (zh) * | 2021-07-12 | 2021-11-09 | 杨龙 | 一种牲畜转栏盘点方法、装置及存储介质 |
CN113538513A (zh) * | 2021-07-13 | 2021-10-22 | 中国工商银行股份有限公司 | 监控对象的进出控制方法、装置、设备及存储介质 |
CN113674317A (zh) * | 2021-08-10 | 2021-11-19 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频的车辆跟踪方法及装置 |
CN113674317B (zh) * | 2021-08-10 | 2024-04-26 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频的车辆跟踪方法及装置 |
CN113838091A (zh) * | 2021-09-23 | 2021-12-24 | 哈尔滨工程大学 | 一种稀疏目标跟踪方法 |
CN113838091B (zh) * | 2021-09-23 | 2023-12-12 | 哈尔滨工程大学 | 一种稀疏目标跟踪方法 |
CN114299428A (zh) * | 2021-12-24 | 2022-04-08 | 空间视创(重庆)科技股份有限公司 | 一种跨媒体视频人物识别方法及*** |
CN114863364B (zh) * | 2022-05-20 | 2023-03-07 | 碧桂园生活服务集团股份有限公司 | 一种基于智能视频监控的安防检测方法及*** |
CN114863364A (zh) * | 2022-05-20 | 2022-08-05 | 碧桂园生活服务集团股份有限公司 | 一种基于智能视频监控的安防检测方法及*** |
CN116912882A (zh) * | 2023-07-13 | 2023-10-20 | 广西民族大学 | 一种基于头部和躯干检测的增强DeepSort单镜行人跟踪算法 |
CN117455955B (zh) * | 2023-12-14 | 2024-03-08 | 武汉纺织大学 | 一种基于无人机视角下的行人多目标跟踪方法 |
CN117455955A (zh) * | 2023-12-14 | 2024-01-26 | 武汉纺织大学 | 一种基于无人机视角下的行人多目标跟踪方法 |
CN117953015A (zh) * | 2024-03-26 | 2024-04-30 | 武汉工程大学 | 基于视频超分辨率多行人跟踪方法、***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111126152B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126152B (zh) | 一种基于视频的多目标行人检测与跟踪的方法 | |
CN111797716B (zh) | 一种基于Siamese网络的单目标跟踪方法 | |
CN107563313B (zh) | 基于深度学习的多目标行人检测与跟踪方法 | |
US11836931B2 (en) | Target detection method, apparatus and device for continuous images, and storage medium | |
Tissainayagam et al. | Object tracking in image sequences using point features | |
Yang et al. | Spatio-temporal action detection with cascade proposal and location anticipation | |
US10388022B2 (en) | Image target tracking method and system thereof | |
CN112395957B (zh) | 一种针对视频目标检测的在线学习方法 | |
CN111476817A (zh) | 一种基于yolov3的多目标行人检测跟踪方法 | |
CN110120064B (zh) | 一种基于互强化与多注意机制学习的深度相关目标跟踪算法 | |
US11748896B2 (en) | Object tracking method and apparatus, storage medium, and electronic device | |
CN105760846A (zh) | 基于深度数据的目标检测与定位方法及*** | |
CN105741319B (zh) | 基于盲目更新策略和前景模型的改进视觉背景提取方法 | |
KR20160044316A (ko) | 깊이 정보 기반 사람 추적 장치 및 그 방법 | |
CN109712171B (zh) | 一种基于相关滤波器的目标跟踪***及目标跟踪方法 | |
CN113052136B (zh) | 一种基于改进Faster RCNN的行人检测方法 | |
Zhang et al. | An optical flow based moving objects detection algorithm for the UAV | |
Cai et al. | A target tracking method based on KCF for omnidirectional vision | |
Jin et al. | Fusing Canny operator with vibe algorithm for target detection | |
CN112116629A (zh) | 一种使用全局响应图的端到端的多目标跟踪方法 | |
CN112884835A (zh) | 一种基于深度学习之目标检测的视觉slam方法 | |
CN115188081B (zh) | 一种面向复杂场景的检测跟踪一体化方法 | |
Singh et al. | Human activity tracking using star skeleton and activity recognition using hmms and neural network | |
CN104616323A (zh) | 一种基于慢特征分析的时空显著性检测方法 | |
CN114898287A (zh) | 用于餐盘检测预警的方法、装置、电子设备、存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231109 Address after: Room 402, 36 guanri Road, phase II, Xiamen Software Park, Fujian Province Patentee after: STATE GRID INFO-TELECOM GREAT POWER SCIENCE AND TECHNOLOGY Co.,Ltd. Patentee after: State Grid Siji Location Service Co.,Ltd. Address before: Room 402, 36 guanri Road, phase II, Xiamen Software Park, Fujian Province Patentee before: STATE GRID INFO-TELECOM GREAT POWER SCIENCE AND TECHNOLOGY Co.,Ltd. |