CN112396626A - 一种用于监测候鸟迁徙的序列图像种群识别方法 - Google Patents

一种用于监测候鸟迁徙的序列图像种群识别方法 Download PDF

Info

Publication number
CN112396626A
CN112396626A CN202011553426.1A CN202011553426A CN112396626A CN 112396626 A CN112396626 A CN 112396626A CN 202011553426 A CN202011553426 A CN 202011553426A CN 112396626 A CN112396626 A CN 112396626A
Authority
CN
China
Prior art keywords
frame
image
target
bird
centroid
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
Application number
CN202011553426.1A
Other languages
English (en)
Other versions
CN112396626B (zh
Inventor
夏靓亮
史忠科
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.)
Xian Feisida Automation Engineering Co Ltd
Original Assignee
Xian Feisida Automation Engineering 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 Xian Feisida Automation Engineering Co Ltd filed Critical Xian Feisida Automation Engineering Co Ltd
Priority to CN202011553426.1A priority Critical patent/CN112396626B/zh
Publication of CN112396626A publication Critical patent/CN112396626A/zh
Application granted granted Critical
Publication of CN112396626B publication Critical patent/CN112396626B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/215—Motion-based segmentation
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

为了克服现有方法不能准确鸟类种群在迁徙过程中的动态特性的技术问题，本发明提供了一种用于监测候鸟迁徙的序列图像种群识别方法，该方法采用图像序列对鸟类进行追踪，并对飞鸟连续帧连通域进行动态匹配，有效获取鸟类种群信息的同时还能够对其飞行轨迹、数量并进行准确记录。

Description

一种用于监测候鸟迁徙的序列图像种群识别方法
技术领域
本发明涉及图像处理方法，特别涉及用于监测候鸟迁徙的序列图像种群识别方法，属于图像处理领域。
背景技术
近期研究表明，候鸟迁徙与禽流感病毒间存在联系，因此追踪候鸟迁徙轨迹可为流感爆发提供早期预警；并且在近年来，候鸟迁徙途中设网捕获迁徙鸟群的血色事件仍然存在，即使采用了建立生态监测管理站，组织人力，对鸟类栖息地进行巡查的方式也很难将其一网打尽；了解候鸟的迁徙时间和路线、迁徙时间、种群关系等生态规律， 对于生态资源的保护作用和对流感病毒的预防作用都十分重要。
鸟类种群识别、数量的统计与其飞行轨迹的追踪对于鸟类研究人员来说是一项繁琐且耗费时力的工作，结合现有科学技术手段可在一定程度上减轻鸟类研究人员工作量；采用无人监视的方法，能够在不影响鸟类自然状态下有效的对其进行监测，现有声学装置辩位、雷达探测、卫星定位追踪等监测方式都可在特定的应用场景中取得较为准确的监测结果；声学监测的方法所需成本较低，对鸟类活动的监测具有长期性，但其检测手段准确性倚重于鸟鸣识别方法的精度，且无法统计鸟类迁徙的具体数量；先进的雷达设备可在大范围内获得鸟类迁徙飞行时的高度、方向、速度等大量信息，但仅能通过鸟类的个体大小、振翅频率等信息推断其种类；卫星追踪可高精度追踪鸟类迁徙轨迹，监测者需在被观测候鸟个体身上放置卫星发射器，获取其位置信息，所需成本较高。
图像监测候鸟迁徙采用了目前流行的计算机视觉技术，可更为高效的获取监测地候鸟种群、数量、飞行轨迹等信息，为研究人员提供大量有效数据；除此之外，采用图像监测的方式，可获取无人区飞鸟影像资料，便于人们对鸟类做出更深入的研究；数字图像在鸟类监测中已有较为广泛的的研究，但其获取的鸟类信息仅限于单张图像或固定时间间隔采样得到的图像集，在一定程度上忽视了鸟类种群在迁徙过程中的动态特性，这是无法由单张二维图像所反映出的。
发明内容
为了克服现有方法不能准确鸟类种群在迁徙过程中的动态特性的技术问题，本发明提供了一种用于监测候鸟迁徙的序列图像种群识别方法，该方法采用图像序列对鸟类进行追踪，并对飞鸟连续帧连通域进行动态匹配，有效获取鸟类种群信息的同时还能够对其飞行轨迹、数量并进行准确记录。
本发明解决其技术问题所采用的的技术方案：一种用于监测候鸟迁徙的序列图像种群识别方法，其特征包含以下步骤：
步骤一、监视方法：采用高帧率序列图像对候鸟群进行监测，对鸟类目标进行种类识别的同时，对连续帧中鸟类目标位置进行实时标记匹配，记录鸟类飞行轨迹，并根据标记编号，统计飞鸟数量；
步骤二、对获取图像序列的处理流程：鸟类迁徙的观测地选取在海角、远离大陆的海岛以及山脉隘口这些在迁徙期有大量候鸟过境的地点；采用高帧率图像传感器获得连续帧序列图像；为对获取图像的处理流程，大目标图像获取为可供辨种类阈值范围内的飞鸟图像的获取，鸟群图像获取为经过滤波后检测飞鸟个数最多的图像的获取，帧序列获取为按顺序时间排列含有飞鸟目标的首帧图像至尾帧图像内所有帧图像的获取；
步骤三、连通域判定：
判定目标运动方向，在当前帧记录目标的质心位置，根据鸟类飞行速度与方向判断其下一帧活动范围，在此范围寻找目标；按照时间序列将相同飞鸟目标所在连通域进行匹配，不仅能够对飞鸟的运动轨迹进行标记，对视野范围内新出现的目标进行新增标记，还可以有效识别出飞鸟在不同图像中出现的遮挡问题，准确统计飞鸟群鸟只数目；
飞鸟连续帧连通域匹配步骤：
（1）对当前帧完成目标分割后，对目标位置进行标记，对目标连通域进行编号（1，……，i），并记录其质心位置；
（2）根据目标连续帧移动坐标判断飞鸟运动方向，对下一帧目标移动方向和距离做出范围预测；
（3）在下一帧图像完成分割后，进行连通域质心位置标记，根据步骤（2）中预测方向筛选匹配连通域，并与筛选后连通域质心进行欧式距离计算，根据步骤（2）中预测距离范围进行连通域筛选；
（4）步骤（3）完成后，若该帧与上一帧所匹配到的连通域数量n，整数，为1，则认为匹配正确，不对现有连通域编号1，……，i进行更新；若该帧与上一帧所匹配到的连通域数量n，整数，大于1，则认为判定上一帧存在遮挡区域，将匹配连通域编号依次更新为i，i＋1，……，i+n-1；
（5）对每帧新增连通域进行依次编号，确保视频序列图像中已标记鸟类不被重复计数；
步骤四、图像处理方法如下：
1. 连通域质心确定
设图像函数为
Figure 330212DEST_PATH_IMAGE002
，则图像的
Figure 778511DEST_PATH_IMAGE004
， p和q为正整数，阶标准矩为：
Figure 371297DEST_PATH_IMAGE006
目标质心位置为：
Figure 297665DEST_PATH_IMAGE008
式中：x,y为图像坐标；M，N分别表示图像高度和宽度；
Figure 643196DEST_PATH_IMAGE010
，
Figure 278707DEST_PATH_IMAGE012
代表图像质心坐标；
2.轨迹预测：
由于预测对象为多只同种鸟类，常规预测方法受具体目标与存储空间的限制无法应用，且计算量庞大，在高帧率图像计算过程中，不能确保实时性，故采用几何矩计算目标质心，采用欧氏距离计算相邻帧目标距，根据当前帧，第i帧，与前两帧，第i-1，i-2帧，缓存数据进行下一帧目标范围预测；由于该预测用于连通域数目统计，对精确度要求不高，故可满足预测需求；
帧序列预测模型及方法为：根据第i-2帧质心坐标（
Figure 100002_DEST_PATH_IMAGE013
，
Figure 139216DEST_PATH_IMAGE014
）与第i-1帧目标质心坐标（
Figure 100002_DEST_PATH_IMAGE015
，
Figure 210553DEST_PATH_IMAGE016
）预测出第i帧目标可能出现的质心点位置（
Figure 100002_DEST_PATH_IMAGE017
，
Figure 692481DEST_PATH_IMAGE018
），将该点设置为拟预测点，并计算该轨迹与水平位置的偏移角
Figure 100002_DEST_PATH_IMAGE019
，与第i帧中目标质心坐标（
Figure 30052DEST_PATH_IMAGE020
，
Figure 100002_DEST_PATH_IMAGE021
）计算预测第i+1帧中目标位置（
Figure 377857DEST_PATH_IMAGE022
，
Figure 100002_DEST_PATH_IMAGE023
），预测公式如下：
Figure 459077DEST_PATH_IMAGE024
Figure 100002_DEST_PATH_IMAGE025
其中，
Figure 323740DEST_PATH_IMAGE026
为预测水平方向偏转角度范围，
Figure 100002_DEST_PATH_IMAGE027
为预测距离范围，
Figure 815901DEST_PATH_IMAGE028
为角度余量，
Figure 100002_DEST_PATH_IMAGE029
为长度余量。
本发明的有益效果是：采用图像序列对鸟类进行追踪，并对飞鸟连续帧连通域进行动态匹配，有效获取鸟类种群信息的同时还能够对其飞行轨迹、数量并进行准确记录。
下面结合附图和实例对作详细说明。
附图说明：
附图1 原理框图；
附图2 获取图像的处理流程；
附图3 轨迹预测流程。
具体实施方式：
参照附图1—附图3。
步骤一、监视方法：采用高帧率序列图像对候鸟群进行监测，对鸟类目标进行种类识别的同时，对连续帧中鸟类目标位置进行实时标记匹配，记录鸟类飞行轨迹，并根据标记编号，统计飞鸟数量；
步骤二、对获取图像序列的处理流程：鸟类迁徙的观测地选取在海角、远离大陆的海岛以及山脉隘口这些在迁徙期有大量候鸟过境的地点；采用高帧率图像传感器获得连续帧序列图像；为对获取图像的处理流程，大目标图像获取为可供辨种类阈值范围内的飞鸟图像的获取，鸟群图像获取为经过滤波后检测飞鸟个数最多的图像的获取，帧序列获取为按顺序时间排列含有飞鸟目标的首帧图像至尾帧图像内所有帧图像的获取；
步骤三、连通域判定：
判定目标运动方向，在当前帧记录目标的质心位置，根据鸟类飞行速度与方向判断其下一帧活动范围，在此范围寻找目标；按照时间序列将相同飞鸟目标所在连通域进行匹配，不仅能够对飞鸟的运动轨迹进行标记，对视野范围内新出现的目标进行新增标记，还可以有效识别出飞鸟在不同图像中出现的遮挡问题，准确统计飞鸟群鸟只数目；
飞鸟连续帧连通域匹配步骤：
（6）对当前帧完成目标分割后，对目标位置进行标记，对目标连通域进行编号（1，……，i），并记录其质心位置；
（7）根据目标连续帧移动坐标判断飞鸟运动方向，对下一帧目标移动方向和距离做出范围预测；
（8）在下一帧图像完成分割后，进行连通域质心位置标记，根据步骤（2）中预测方向筛选匹配连通域，并与筛选后连通域质心进行欧式距离计算，根据步骤（2）中预测距离范围进行连通域筛选；
（9）步骤（3）完成后，若该帧与上一帧所匹配到的连通域数量n，整数，为1，则认为匹配正确，不对现有连通域编号1，……，i进行更新；若该帧与上一帧所匹配到的连通域数量n，整数，大于1，则认为判定上一帧存在遮挡区域，将匹配连通域编号依次更新为i，i＋1，……，i+n-1；
（10）对每帧新增连通域进行依次编号，确保视频序列图像中已标记鸟类不被重复计数；
步骤四、图像处理方法如下：
1. 连通域质心确定
设图像函数为
Figure 401734DEST_PATH_IMAGE002
，则图像的
Figure 489907DEST_PATH_IMAGE004
， p和q为正整数，阶标准矩为：
Figure 664537DEST_PATH_IMAGE030
目标质心位置为：
Figure 530861DEST_PATH_IMAGE008
式中：x,y为图像坐标；M，N分别表示图像高度和宽度；
Figure 72832DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE031
代表图像质心坐标；
3.轨迹预测：
由于预测对象为多只同种鸟类，常规预测方法受具体目标与存储空间的限制无法应用，且计算量庞大，在高帧率图像计算过程中，不能确保实时性，故采用几何矩计算目标质心，采用欧氏距离计算相邻帧目标距，根据当前帧，第i帧，与前两帧，第i-1，i-2帧，缓存数据进行下一帧目标范围预测；由于该预测用于连通域数目统计，对精确度要求不高，故可满足预测需求；
帧序列预测模型及方法为：根据第i-2帧质心坐标（
Figure 745122DEST_PATH_IMAGE013
，
Figure 533780DEST_PATH_IMAGE014
）与第i-1帧目标质心坐标（
Figure 836585DEST_PATH_IMAGE015
，
Figure 849540DEST_PATH_IMAGE016
）预测出第i帧目标可能出现的质心点位置（
Figure 13937DEST_PATH_IMAGE017
，
Figure 428737DEST_PATH_IMAGE018
），将该点设置为拟预测点，并计算该轨迹与水平位置的偏移角
Figure 902444DEST_PATH_IMAGE019
，与第i帧中目标质心坐标（
Figure 622269DEST_PATH_IMAGE020
，
Figure 105203DEST_PATH_IMAGE021
）计算预测第i+1帧中目标位置（
Figure 108931DEST_PATH_IMAGE022
，
Figure 35430DEST_PATH_IMAGE023
），预测公式如下：
Figure 491819DEST_PATH_IMAGE024
Figure 247286DEST_PATH_IMAGE025
其中，
Figure 118902DEST_PATH_IMAGE026
为预测水平方向偏转角度范围，
Figure 934412DEST_PATH_IMAGE027
为预测距离范围，
Figure 159988DEST_PATH_IMAGE028
为角度余量，
Figure 719145DEST_PATH_IMAGE029
为长度余量。

Claims (1)

1.一种用于监测候鸟迁徙的序列图像种群识别方法，其特征包含以下步骤：
步骤一、监视方法：采用高帧率序列图像对候鸟群进行监测，对鸟类目标进行种类识别的同时，对连续帧中鸟类目标位置进行实时标记匹配，记录鸟类飞行轨迹，并根据标记编号，统计飞鸟数量；
步骤二、对获取图像序列的处理流程：鸟类迁徙的观测地选取在海角、远离大陆的海岛以及山脉隘口这些在迁徙期有大量候鸟过境的地点；采用高帧率图像传感器获得连续帧序列图像；为对获取图像的处理流程，大目标图像获取为可供辨种类阈值范围内的飞鸟图像的获取，鸟群图像获取为经过滤波后检测飞鸟个数最多的图像的获取，帧序列获取为按顺序时间排列含有飞鸟目标的首帧图像至尾帧图像内所有帧图像的获取；
步骤三、连通域判定：
判定目标运动方向，在当前帧记录目标的质心位置，根据鸟类飞行速度与方向判断其下一帧活动范围，在此范围寻找目标；按照时间序列将相同飞鸟目标所在连通域进行匹配，不仅能够对飞鸟的运动轨迹进行标记，对视野范围内新出现的目标进行新增标记，还可以有效识别出飞鸟在不同图像中出现的遮挡问题，准确统计飞鸟群鸟只数目；
飞鸟连续帧连通域匹配步骤：
（1）对当前帧完成目标分割后，对目标位置进行标记，对目标连通域进行编号（1，……，i），并记录其质心位置；
（2）根据目标连续帧移动坐标判断飞鸟运动方向，对下一帧目标移动方向和距离做出范围预测；
（3）在下一帧图像完成分割后，进行连通域质心位置标记，根据步骤（2）中预测方向筛选匹配连通域，并与筛选后连通域质心进行欧式距离计算，根据步骤（2）中预测距离范围进行连通域筛选；
（4）步骤（3）完成后，若该帧与上一帧所匹配到的连通域数量n，整数，为1，则认为匹配正确，不对现有连通域编号1，……，i进行更新；若该帧与上一帧所匹配到的连通域数量n，整数，大于1，则认为判定上一帧存在遮挡区域，将匹配连通域编号依次更新为i，i＋1，……，i+n-1；
（5）对每帧新增连通域进行依次编号，确保视频序列图像中已标记鸟类不被重复计数；
步骤四、图像处理方法如下：
1. 连通域质心确定
设图像函数为
Figure 977398DEST_PATH_IMAGE002
，则图像的
Figure 520637DEST_PATH_IMAGE004
， p和q为正整数，阶标准矩为：
Figure 487325DEST_PATH_IMAGE006
目标质心位置为：
Figure 820217DEST_PATH_IMAGE008
式中：x,y为图像坐标；M，N分别表示图像高度和宽度；
Figure 260688DEST_PATH_IMAGE010
，
Figure 270101DEST_PATH_IMAGE012
代表图像质心坐标；
2.轨迹预测：
由于预测对象为多只同种鸟类，常规预测方法受具体目标与存储空间的限制无法应用，且计算量庞大，在高帧率图像计算过程中，不能确保实时性，故采用几何矩计算目标质心，采用欧氏距离计算相邻帧目标距，根据当前帧，第i帧，与前两帧，第i-1，i-2帧，缓存数据进行下一帧目标范围预测；由于该预测用于连通域数目统计，对精确度要求不高，故可满足预测需求；
帧序列预测模型及方法为：根据第i-2帧质心坐标（
Figure DEST_PATH_IMAGE013
，
Figure 100916DEST_PATH_IMAGE014
）与第i-1帧目标质心坐标（
Figure DEST_PATH_IMAGE015
，
Figure 107007DEST_PATH_IMAGE016
）预测出第i帧目标可能出现的质心点位置（
Figure DEST_PATH_IMAGE017
，
Figure 838202DEST_PATH_IMAGE018
），将该点设置为拟预测点，并计算该轨迹与水平位置的偏移角
Figure DEST_PATH_IMAGE019
，与第i帧中目标质心坐标（
Figure 457665DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
）计算预测第i+1帧中目标位置（
Figure 25043DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
），预测公式如下：
Figure 824372DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE025
其中，
Figure 160807DEST_PATH_IMAGE026
为预测水平方向偏转角度范围，
Figure DEST_PATH_IMAGE027
为预测距离范围，
Figure 148573DEST_PATH_IMAGE028
为角度余量，
Figure DEST_PATH_IMAGE029
为长度余量。
CN202011553426.1A 2020-12-24 2020-12-24 一种用于监测候鸟迁徙的序列图像种群识别方法 Active CN112396626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011553426.1A CN112396626B (zh) 2020-12-24 2020-12-24 一种用于监测候鸟迁徙的序列图像种群识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011553426.1A CN112396626B (zh) 2020-12-24 2020-12-24 一种用于监测候鸟迁徙的序列图像种群识别方法

Publications (2)

Publication Number Publication Date
CN112396626A true CN112396626A (zh) 2021-02-23
CN112396626B CN112396626B (zh) 2023-06-27

Family

ID=74625520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011553426.1A Active CN112396626B (zh) 2020-12-24 2020-12-24 一种用于监测候鸟迁徙的序列图像种群识别方法

Country Status (1)

Country Link
CN (1) CN112396626B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468439A (zh) * 2021-06-29 2021-10-01 北京市商汤科技开发有限公司 数据处理方法、装置、设备、存储介质及程序产品
CN113486940A (zh) * 2021-06-30 2021-10-08 浙江大学 一种基于自适应带宽的候鸟迁徙轨迹重建方法
CN114399513A (zh) * 2021-12-10 2022-04-26 北京百度网讯科技有限公司 用于训练图像分割模型和图像分割的方法、装置
CN117591794A (zh) * 2024-01-18 2024-02-23 吉林省林业科学研究院(吉林省林业生物防治中心站) 基于时间序列的鸟类迁徙轨迹预测方法
CN117611885A (zh) * 2023-11-17 2024-02-27 贵州省生物研究所 一种基于Canny边缘检测的候鸟生态调控方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008092393A1 (fr) * 2007-01-25 2008-08-07 Shanghai Yao Wei Industry Co, Ltd Procédé de poursuite de cible mobile et de comptage
CN107480591A (zh) * 2017-07-10 2017-12-15 北京航空航天大学 飞鸟检测方法和装置
US20190102891A1 (en) * 2017-09-29 2019-04-04 Nanjing Avatarmind Robot Technology Co., Ltd. Method and system for displaying target image based on robot
CN109636771A (zh) * 2018-10-23 2019-04-16 中国船舶重工集团公司第七0九研究所 基于图像处理的飞行目标检测方法及***
CN111968159A (zh) * 2020-08-28 2020-11-20 厦门大学 一种简单通用的鱼群视频图像轨迹追踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008092393A1 (fr) * 2007-01-25 2008-08-07 Shanghai Yao Wei Industry Co, Ltd Procédé de poursuite de cible mobile et de comptage
CN107480591A (zh) * 2017-07-10 2017-12-15 北京航空航天大学 飞鸟检测方法和装置
US20190102891A1 (en) * 2017-09-29 2019-04-04 Nanjing Avatarmind Robot Technology Co., Ltd. Method and system for displaying target image based on robot
CN109636771A (zh) * 2018-10-23 2019-04-16 中国船舶重工集团公司第七0九研究所 基于图像处理的飞行目标检测方法及***
CN111968159A (zh) * 2020-08-28 2020-11-20 厦门大学 一种简单通用的鱼群视频图像轨迹追踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINGYONG SU等: ""Statistical analysis of trajectories on Riemannian manifolds Bird migration, hurricane tracking and video surveillance"", 《THE ANNALS OF APPLIED STATISTICS》 *
程科等: ""一种飞行目标跟踪方法"", 《2004年全国光电技术学术交流会论文集（下）》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468439A (zh) * 2021-06-29 2021-10-01 北京市商汤科技开发有限公司 数据处理方法、装置、设备、存储介质及程序产品
CN113486940A (zh) * 2021-06-30 2021-10-08 浙江大学 一种基于自适应带宽的候鸟迁徙轨迹重建方法
CN113486940B (zh) * 2021-06-30 2023-10-31 浙江大学 一种基于自适应带宽的候鸟迁徙轨迹重建方法
CN114399513A (zh) * 2021-12-10 2022-04-26 北京百度网讯科技有限公司 用于训练图像分割模型和图像分割的方法、装置
CN117611885A (zh) * 2023-11-17 2024-02-27 贵州省生物研究所 一种基于Canny边缘检测的候鸟生态调控方法
CN117591794A (zh) * 2024-01-18 2024-02-23 吉林省林业科学研究院(吉林省林业生物防治中心站) 基于时间序列的鸟类迁徙轨迹预测方法
CN117591794B (zh) * 2024-01-18 2024-03-22 吉林省林业科学研究院(吉林省林业生物防治中心站) 基于时间序列的鸟类迁徙轨迹预测方法

Also Published As

Publication number Publication date
CN112396626B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN112396626B (zh) 一种用于监测候鸟迁徙的序列图像种群识别方法
CN113034548B (zh) 一种适用于嵌入式终端的多目标跟踪方法及其***
CN109522854B (zh) 一种基于深度学习和多目标跟踪的行人流量统计方法
CN108986064B (zh) 一种人流量统计方法、设备及***
CN106096577B (zh) 一种摄像头分布地图中的目标追踪方法
CN111145545A (zh) 基于深度学习的道路交通行为无人机监测***及方法
CN104463903B (zh) 一种基于目标行为分析的行人图像实时检测方法
CN109344690B (zh) 一种基于深度相机的人数统计方法
Gomaa et al. Real-time algorithm for simultaneous vehicle detection and tracking in aerial view videos
CN109272482B (zh) 一种基于序列图像的城市路口车辆排队检测***
CN106446002A (zh) 一种基于运动目标在地图中轨迹的视频检索方法
CN111781608A (zh) 一种基于fmcw激光雷达的运动目标检测方法及***
CN110189363B (zh) 一种机场场面移动目标低视角视频测速方法
CN109239702B (zh) 一种基于目标状态集的机场低空飞鸟数量统计方法
CN110751077B (zh) 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法
CN105957108A (zh) 基于人脸检测及跟踪的客流量统计***
CN108471497A (zh) 一种基于云台摄像机的船目标实时检测方法
CN103985257A (zh) 一种智能交通视频分析方法
CN112488061A (zh) 一种联合ads-b信息的多航空器检测与跟踪方法
CN111797785B (zh) 一种基于深度学习的多航空器跟踪方法
CN111640135A (zh) 一种基于硬件前端的tof摄像头行人计数方法
CN108986143A (zh) 一种视频中目标检测跟踪方法
CN116311063A (zh) 监控视频下基于人脸识别的人员细粒度跟踪方法及***
CN114648557A (zh) 一种基于高空视角与地面视角的多目标协同跟踪方法
CN110276379B (zh) 一种基于视频图像分析的灾情信息快速提取方法

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