CN112001950B - 一种基于目标检测与特征提取结合模型的多目标跟踪算法 - Google Patents

一种基于目标检测与特征提取结合模型的多目标跟踪算法 Download PDF

Info

Publication number
CN112001950B
CN112001950B CN202010864188.XA CN202010864188A CN112001950B CN 112001950 B CN112001950 B CN 112001950B CN 202010864188 A CN202010864188 A CN 202010864188A CN 112001950 B CN112001950 B CN 112001950B
Authority
CN
China
Prior art keywords
target
loss
targets
feature extraction
tracking
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.)
Active
Application number
CN202010864188.XA
Other languages
English (en)
Other versions
CN112001950A (zh
Inventor
戴林
王健
薛超
王景彬
邓晔
张龙龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tiandy Technologies Co Ltd
Original Assignee
Tiandy Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tiandy Technologies Co Ltd filed Critical Tiandy Technologies Co Ltd
Priority to CN202010864188.XA priority Critical patent/CN112001950B/zh
Priority to US17/037,687 priority patent/US20220067425A1/en
Publication of CN112001950A publication Critical patent/CN112001950A/zh
Application granted granted Critical
Publication of CN112001950B publication Critical patent/CN112001950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于目标检测与特征提取结合模型的多目标跟踪算法，包括以下步骤：S1、在具有FPN结构的目标检测网络的预测特征图层后增加提取目标外观特征网络层；S2、对增加了目标外观特征提取网络层的FPN结构的目标跟踪的检测网络计算出目标混合损失；S3、将多帧目标检测、跟踪过程利用神经网络形成特征对比数据库；S4、将当前的图像目标外观特征与数据库中的特征对比，若目标一致则画出目标轨迹；若目标不一致则将特征加入得到对比数据库中，形成新的对比数据库，重复步骤S2、S3。本发明所述的跟踪的目标较多时，本发明的跟踪算法在目标的位置回归、类别分类、特征提取的过程中，能够有很好的实时性表现，算法运行时间相对稳定，不会因为目标数量的增多，而随之线性的增加时间了。

Description

一种基于目标检测与特征提取结合模型的多目标跟踪算法
技术领域
本发明属于视频监控领域，尤其是涉及一种基于目标检测与特征提取结合模型的多目标跟踪算法。
背景技术
随着社会的进步与发展，视频监控***的应用越来越广泛，在社会安保放面扮演的角色也越来越重要。现有的监控***无法满足当前智能化社会的需求，问题主要体现在：不能全面了解大监控场景下的目标信息，无法及时的获取每个景物(包括行人、车辆等)详细信息，无法及时高效的反馈监控内容。
当下最流行的基于深度学习模型的跟踪算法能够在一定程度上解决上述问题，但适应的场景也较为有限。目前跟踪算法大多是SOT(Single Object Tracking，单目标跟踪)，当目标数量变多时，算法带来的时间消耗也随之线性的增大。虽然也有一些MOT(Multi-Object-Tracking，多目标跟踪算法)出现，但其跟踪过程步骤较多，通常包含了目标检测、目标特征提取、目标特征匹配等多个步骤，无法做到真正的多目标实时跟踪。
发明内容
有鉴于此，本发明旨在提出一种基于目标检测与特征提取结合模型的多目标跟踪算法，以当下MOT跟踪过程步骤较多的问题而提出的，其目的是为了减少MOT多目标跟踪的算法步骤，将算法执行时间压缩，来提高跟踪的实时性，以实现多目标的实时跟踪。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于目标检测与特征提取结合模型的多目标跟踪算法，包括以下步骤：
S1、在具有FPN结构的目标检测网络的预测特征图层后增加提取目标外观特征网络层；
所述提取目标外观特征网络层实际上是在FPN结构中增加一个具有特征提取的模块，具体增加方式为现有技术，此处不再详细介绍；
S2、对增加了目标外观特征提取网络层的FPN结构的目标跟踪的检测网络计算出目标混合损失；
S3、将多帧目标检测、跟踪过程利用神经网络形成特征对比数据库；
S4、将当前的图像目标外观特征与数据库中的特征对比，若目标一致则画出目标轨迹；若目标不一致则将特征加入得到对比数据库中，形成新的对比数据库，重复步骤S2至S4。
进一步的，所述步骤S2中目标混合损失包括目标分类损失Loss C、边框回归损失Loss R以及外观特征损失Loss F。
进一步的，所述步骤S2中目标混合损失计算采用针对任务权重的自动学习方法，公式如下：
式(1)中，为每个单独Loss的不确定性损失，在模型训练过程中作为可学习参数，用于调节每个Loss任务在最终LossFused中的权重/>
相对于现有技术，本发明所述的一种基于目标检测与特征提取结合模型的多目标跟踪算法具有以下优势：
当跟踪的目标较多时，本发明的跟踪算法在目标的位置回归、类别分类、特征提取的过程中，能够有很好的实时性表现，算法运行时间相对稳定，不会因为目标数量的增多，而随之线性的增加时间了。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的FPN结构的网络示意图；
图2为本发明实施例所述的预测特征图后增加特征提取层示意图；
图3为本发明实施例所述的多目标跟踪算法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
一种基于目标检测与特征提取结合模型的多目标跟踪算法，包括以下步骤：
S1、在具有FPN结构的目标检测网络的预测特征图层后增加提取目标外观特征网络层；
所述提取目标外观特征网络层实际上是在FPN结构中增加一个具有特征提取的模块，具体增加方式为现有技术，此处不再详细介绍；
S2、对增加了目标外观特征提取网络层的FPN结构的目标跟踪的检测网络计算出目标混合损失；
S3、将多帧目标检测、跟踪过程利用神经网络形成特征对比数据库；
S4、将当前的图像目标外观特征与数据库中的特征对比，若目标一致则画出目标轨迹；若目标不一致则将特征加入得到对比数据库中，形成新的对比数据库，重复步骤S2至S4。
所述步骤S2中目标混合损失包括目标分类损失Loss C、边框回归损失Loss R以及外观特征损失Loss F。
所述步骤S2中目标混合损失计算采用针对任务权重的自动学习方法，公式如下：
式(1)中，为每个单独Loss的不确定性损失，在模型训练过程中作为可学习参数，用于调节每个Loss任务在最终LossFused中的权重/>(i)选择具有FPN(FeaturePyramid Networks，特征金字塔网络)结构的目标检测网络，如Yolo-V3检测网络。
对于卷积神经网络而言，不同深度对应着不同层次的语义特征，浅层网络分辨率高，学的更多是细节特征，深层网络分辨率低，学的更多是语义特征。
这里采用FPN结构一方面是为了更好的回归出跟踪目标位置，使得跟踪更加准确。另一方面是因为我们需要在不同尺度的特征图上提取跟踪目标的外观信息。如果只是选择较深的Feature Map提取特征，可能它获取的只是目标语义层面而不包含目标的浅层细节特征。
(ii)在FPN网络的预测特征层后填加Feature Extract Layer，即特征提取网络层。
一般检测网络在最后的预测特征层上会进行目标位置回归(Box Regression)和目标框的类别分类(Box Classification)。本算法中，会在这里引入特征提取层(FeatureExtract Layer)用于抽取目标的外观特征信息。
如图2所示，让检测网络在输出目标位置和类别信息时，同时输出它的特征向量。将原先分步走的目标检测和特征提取过程融合到一起，节省算法的执行步骤，节约时间成本。
(iii)增加外观特征Loss F的混合Loss Fused设计：
目标检测的学习有两个损失函数，即分类损失Loss C和边框回归损失Loss R。Loss C我们采用交叉熵损失，Loss R用SmoothL1损失。
关于目标外观学习的度量，我们希望相同目标的特征向量彼此靠近，而不同目标的特征向量相距甚远。类似于目标分类，于是Loss F我们使用交叉熵损失。
在计算Loss Fused时，我们采用针对任务权重的自动学习方法，用了任务无关的不确定性概念。
式(1)中，为每个单独Loss的不确定性损失，在模型训练过程中作为可学习参数，用于调节每个Loss任务在最终LossFused中的权重/>
当跟踪的目标较多时，本发明设计的跟踪算法在目标的位置回归、类别分类、特征提取的过程中，能够有很好的实时性表现，算法运行时间相对稳定，不会因为目标数量的增多，而随之线性的增加时间了。
具体实现方法如下：
(i)在具有FPN(Feature Pyramid Networks，特征金字塔网络)结构的目标检测网络中，预测特征图层后增加Feature Extract Layer提取目标外观特征，提取的特征来源于FPN网络中不同尺度的特征图上。此特征结合了浅层的外观信息和深层的语义信息，并应用到多目标跟踪算法的特征提取中。
(ii)对增加了Feature Extract Layer特征提取层的MOT多目标跟踪的检测网络中，目标分类损失Loss C、边框回归损失Loss R以及外观特征损失Loss F的混合LossFused计算，采用任务权重自学习方法，用于动态调整模型训练过程中的Loss权重。
(iii)在多帧目标检测、跟踪过程中，利用神经网络模型提取每帧图像中目标的外观特征向量，保存这些特征向量，形成多帧图像目标的特征比对数据库。同时，将当前图像目标的特征向量逐一与数据库中的特征向量进行特征比对，用于当前图像目标与历史图像目标的关联。前后图像中关联上的目标会被认为是同一目标，并刻画出目标轨迹，完成目标的跟踪过程。未匹配关联上的目标将会作为新的轨迹目标，并将其特征加入特征比对数据库中，用于后续跟踪过程。
(iv)利用一个神经网络模型，在检出图像目标的同时，提取出了所有目标的外观特征向量，节省逐个目标的提取特征时间，做到了目标的实时跟踪。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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 (1)

1.一种基于目标检测与特征提取结合模型的多目标跟踪算法，其特征在于包括以下步骤：
S1、在具有FPN结构的目标检测网络的预测特征图层后增加提取目标外观特征网络层；
S2、对增加了目标外观特征提取网络层的FPN结构的目标跟踪的检测网络计算出目标混合损失；
S3、将多帧目标检测、跟踪过程利用神经网络形成特征对比数据库；
S4、将当前的图像目标外观特征与数据库中的特征对比，若目标一致则画出目标轨迹；若目标不一致则将特征加入得到对比数据库中，形成新的对比数据库，重复步骤S2至S4；
所述步骤S2中目标混合损失包括目标分类损失Loss C、边框回归损失Loss R以及外观特征损失Loss F；
所述步骤S2中目标混合损失计算采用针对任务权重的自动学习方法，公式如下：
；
式(1)中，为每个单独Loss的不确定性损失，在模型训练过程中作为可学习参数，用于调节每个Loss任务在最终LossFused中的权重/>。
CN202010864188.XA 2020-08-25 2020-08-25 一种基于目标检测与特征提取结合模型的多目标跟踪算法 Active CN112001950B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010864188.XA CN112001950B (zh) 2020-08-25 2020-08-25 一种基于目标检测与特征提取结合模型的多目标跟踪算法
US17/037,687 US20220067425A1 (en) 2020-08-25 2020-09-30 Multi-object tracking algorithm based on object detection and feature extraction combination model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010864188.XA CN112001950B (zh) 2020-08-25 2020-08-25 一种基于目标检测与特征提取结合模型的多目标跟踪算法

Publications (2)

Publication Number Publication Date
CN112001950A CN112001950A (zh) 2020-11-27
CN112001950B true CN112001950B (zh) 2024-04-19

Family

ID=73471485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010864188.XA Active CN112001950B (zh) 2020-08-25 2020-08-25 一种基于目标检测与特征提取结合模型的多目标跟踪算法

Country Status (2)

Country Link
US (1) US20220067425A1 (zh)
CN (1) CN112001950B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775381B (zh) * 2022-12-15 2023-10-20 华洋通信科技股份有限公司 一种光照不均匀下的矿井电机车路况识别方法
CN116883457B (zh) * 2023-08-09 2024-01-30 北京航空航天大学 一种基于检测跟踪联合网络和混合密度网络的轻量化多目标跟踪方法
CN117496446B (zh) * 2023-12-29 2024-03-15 沈阳二一三电子科技有限公司 一种基于目标检测和级联匹配的人流量统计方法
CN117495917B (zh) * 2024-01-03 2024-03-26 山东科技大学 基于jde多任务网络模型的多目标跟踪方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318263A (zh) * 2014-09-24 2015-01-28 南京邮电大学 一种实时高精度人流计数方法
WO2018232378A1 (en) * 2017-06-16 2018-12-20 Markable, Inc. Image processing system
CN110276379A (zh) * 2019-05-21 2019-09-24 方佳欣 一种基于视频图像分析的灾情信息快速提取方法
CN110610510A (zh) * 2019-08-29 2019-12-24 Oppo广东移动通信有限公司 目标跟踪方法、装置、电子设备及存储介质
CN110796686A (zh) * 2019-10-29 2020-02-14 浙江大华技术股份有限公司 目标跟踪方法及设备、存储装置
CN110807377A (zh) * 2019-10-17 2020-02-18 浙江大华技术股份有限公司 目标跟踪和入侵检测方法、装置、及存储介质
CN110956656A (zh) * 2019-12-17 2020-04-03 北京工业大学 一种基于深度目标检测的纺锤定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11308363B2 (en) * 2020-03-26 2022-04-19 Intel Corporation Device and method for training an object detection model

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318263A (zh) * 2014-09-24 2015-01-28 南京邮电大学 一种实时高精度人流计数方法
WO2018232378A1 (en) * 2017-06-16 2018-12-20 Markable, Inc. Image processing system
CN110276379A (zh) * 2019-05-21 2019-09-24 方佳欣 一种基于视频图像分析的灾情信息快速提取方法
CN110610510A (zh) * 2019-08-29 2019-12-24 Oppo广东移动通信有限公司 目标跟踪方法、装置、电子设备及存储介质
CN110807377A (zh) * 2019-10-17 2020-02-18 浙江大华技术股份有限公司 目标跟踪和入侵检测方法、装置、及存储介质
CN110796686A (zh) * 2019-10-29 2020-02-14 浙江大华技术股份有限公司 目标跟踪方法及设备、存储装置
CN110956656A (zh) * 2019-12-17 2020-04-03 北京工业大学 一种基于深度目标检测的纺锤定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics;Alex Kendall等;《Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;7482-7491 *
YOLOv3: An Incremental Improvement;Joseph Redmon等;《arXiv》;1-6 *
复杂条件下交通标识的检测和识别算法;蔡俊杰;《中国优秀硕士学位论文全文数据库 信息科技辑》(第07期);I138-842 *

Also Published As

Publication number Publication date
US20220067425A1 (en) 2022-03-03
CN112001950A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112001950B (zh) 一种基于目标检测与特征提取结合模型的多目标跟踪算法
CN111695448B (zh) 一种基于视觉传感器的路侧车辆识别方法
CN110738309B (zh) Ddnn的训练方法和基于ddnn的多视角目标识别方法和***
CN111860693A (zh) 一种轻量级视觉目标检测方法及***
CN109377530A (zh) 一种基于深度神经网络的双目深度估计方法
CN103020992B (zh) 一种基于运动颜色关联的视频图像显著性检测方法
CN112069868A (zh) 一种基于卷积神经网络的无人机实时车辆检测方法
CN111460968A (zh) 基于视频的无人机识别与跟踪方法及装置
CN113706581B (zh) 基于残差通道注意与多层次分类回归的目标跟踪方法
CN108197669B (zh) 卷积神经网络的特征训练方法及装置
CN111353988B (zh) Knn动态自适应的双图卷积图像分割方法和***
CN112489072B (zh) 一种车载视频感知信息传输负载优化方法及装置
CN110070574A (zh) 一种基于改进PSMNet的双目视觉立体匹配算法
CN110084284A (zh) 基于区域卷积神经网络的目标检测与二级分类算法及装置
CN106600624A (zh) 基于粒子群的粒子滤波视频目标跟踪方法
CN112560828A (zh) 一种轻量级口罩人脸识别方法、***、存储介质及设备
CN116309704A (zh) 基于无锚框检测网络和特征再融合模块的小目标跟踪方法
Zuo et al. Moving object detection in video sequence images based on an improved visual background extraction algorithm
CN116612468A (zh) 基于多模态融合与深度注意力机制的三维目标检测方法
CN110503049B (zh) 基于生成对抗网络的卫星视频车辆数目估计方法
CN111914938A (zh) 一种基于全卷积二分支网络的图像属性分类识别方法
CN114119694A (zh) 一种基于改进U-Net的自监督单目深度估计算法
CN106157278A (zh) 基于改进遗传算法的阈值图像分割方法
CN115965961B (zh) 局部到全局的多模态融合方法、***、设备及存储介质
CN117576149A (zh) 一种基于注意力机制的单目标跟踪方法

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