CN113344967B - 一种复杂背景下的动态目标识别追踪方法 - Google Patents
一种复杂背景下的动态目标识别追踪方法 Download PDFInfo
- Publication number
- CN113344967B CN113344967B CN202110630592.5A CN202110630592A CN113344967B CN 113344967 B CN113344967 B CN 113344967B CN 202110630592 A CN202110630592 A CN 202110630592A CN 113344967 B CN113344967 B CN 113344967B
- Authority
- CN
- China
- Prior art keywords
- dynamic target
- bounding box
- image
- background
- data
- 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
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种复杂背景下的动态目标识别追踪方法,属于空间在轨服务领域。包括步骤:利用深度相机采集动态目标运动区域视频数据,将视频数据分离成按时间顺序存储的图像数据和语音数据,利用改进的动态目标检测方法来处理图像数据,并用最小矩形框标注出此帧图像的候选边界框区域;利用标注出的边界框区域进行动态目标的特征提取、图像分割、类别确定和边界框回归修正;利用检测到的动态目标的类别以及深度相机测定出的位置、深度数据来获取目标的质心,将每次获取到的质心连成一条运动轨迹,利用运动轨迹预测动态目标运动状态,实现机械臂实时抓取动态目标。本发明计算量小,运算速度快,机械臂抓取动态目标实时性好、成功率高。
Description
技术领域
本发明涉及空间在轨服务领域,具体涉及一种复杂背景下的动态目标识别追踪方法。
背景技术
随着空间在轨服务的快速发展,空间机械臂技术成为了实施在轨服务与维护任务的关键技术之一,利用机械臂对空间非合作目标,特别是运动目标的抓捕目前仍然存在巨大的挑战。为保障航天器在复杂空间环境中的轨道上可以稳定高效的运行,需要空间机械臂能够实现航天器的在轨组装、添加燃料以及失效航天器的捕获、回收、维修、更新模块等操作。
由于航天器所在的空间背景环境复杂且需检测区域广阔,因此需要简化背景模型,通过目标检测法提取出运动物体所在区域来缩小待识别区域以达到更高的识别率。动态目标检测算法主要包括帧差法、背景减除法和光流法。帧差法具有算法简单、更新速度快、计算量小的优点,但也存在着诸多问题,如:对环境噪声较为敏感;阈值的选择过低不足以抑制图像中的噪声;阈值的选择过高则忽略了图像中一些有用的变化,目标内部易产生空洞,无法完整地提取运动目标。背景减除法具有算法复杂度小、提取目标完整、检测目标没有空洞的优点,但也存在着适用场景局限、建立一个良好的背景模型需要花费很大计算量和存储量的开销、处理光照过强的运动物体视频效果弱的问题;光流场法具有不需要预先知道场景的任何信息就能够检测到运动目标的优点,但也存在着不适用于实时***、易受光照变化影响、对于电脑性能要求较高的问题。综上所述,以上三种方法都具有会影响到检测结果准确性的缺点。
突破这一瓶颈问题的一种思路是将三帧差分法和自适应更新背景的背景减除法相结合,预先选取一帧作为背景帧,运用帧间差分法对相邻三帧图像进行差分处理,区分出背景点和变化的区域,再运用背景减除法来判定变化的区域是否为背景区域,若为背景区域则更新背景模型,若为运动区域,则用最大矩形框标注出运动区域。当视频数据中某一动态干扰物体停止运动时,会很快被三帧差分法检测出、过滤掉并更新到背景图像模型中,将此改进方法提取出的候选区域送入卷积神经网络进行识别分割的计算量小,运算速度也会有很大程度的提升。
传统的目标识别算法存在着耗时耗力且识别效果不佳等缺陷,而基于深度学习的目标识别算法具有特征自主学习的优势,通过逐层特征变换,将样本在原空间的特征表示变换到一个新的特征空间,从而使分类或预测更加容易。基于深度学习的目标识别算法主要基于两种思路:第一种是两步走思路,先产生候选区域然后再进行CNN分类,如:R-CNN、Fast R-CNN、Faster R-CNN算法;第二种是一步走思路,直接对输入图像应用算法并输出类别和相应的定位,如:SSD算法、YOLO算法。Faster R-CNN算法在物体识别中已达到非常好的性能,Mask R-CNN算法在Faster R-CNN算法的基础上进行改进,通过实例分割可以得到像素级别的检测结果,使检测到的动态目标更加精确。
传统的目标跟踪算法包括光流法、均值漂移法、粒子滤波和基于在线机器学习的方法,而基于在线机器学习的方法又可以划分为基于生成式的方法和基于判别式的方法。随着相关滤波框架和深度学习框架的出现,基于分类和回归模型的判别式算法成为了目前目标跟踪领域的主流方法。
发明内容
本发明解决的技术问题是:针对复杂背景下利用卷积神经网络进行动态目标识别追踪方法计算量大、运算速度慢的问题,提出一种复杂背景下的动态目标识别追踪方法,实现机械臂在复杂背景下可以实时、高效、快速的抓取动态目标。
本发明的技术解决方案是:一种复杂背景下的动态目标识别追踪方法,步骤如下:
(1)利用深度相机采集动态目标运动区域视频数据,将视频数据分离成按时间顺序存储的图像数据和语音数据,利用改进的动态目标检测方法来处理图像数据,并用最小矩形框标注出候选边界框区域;
(2)根据步骤(1)中标注出的边界框区域进行动态目标的特征提取、图像分割、类别确定和边界框回归修正;
(3)根据深度相机测定出的动态目标位置、深度数据结合步骤(2)中检测所得到的动态目标类别获取动态目标的质心,将每次获取到的质心连成一条运动轨迹,利用运动轨迹预测动态目标运动状态,实现机械臂实时抓取动态目标。
进一步地,所述方法应用于空间背景复杂且需检测区域广阔的环境下,利用深度相机实时采集动态目标的运动视频数据,采用改进的动态目标检测方法对视频数据分离出的图像数据进行预处理,提取出较小范围的候选边界框区域,通过对此边界框区域内图像进行动态目标的特征提取、图像分割、类别确定和边界框回归修正,利用深度相机的定位原理,生成动态目标的位置、深度数据、绘制出质心的运动轨迹来实时定位追踪动态目标。
进一步地,所述步骤(1)中改进的动态目标检测方法为:分别对按时间顺序存储的图像数据进行三帧差分法和自适应更新背景的背景减除法,分别将上述两种方法得到的二值化图像经过形态学处理(如:开、闭运算)后进行“与”操作从而获得差分图像,判断此差分图像是否为背景图像,若为背景图像则将此图像用于更新背景模型,若不为背景图像则将对此差分图像进行必要的形态学处理以达到最佳去噪效果,并用最小矩形框标注出作为候选边界框区域。
使用此改进的动态目标检测方法,当视频数据中某一动态干扰物体停止运动时,会很快被三帧差分法检测出过滤掉并更新到背景图像模型中,将此改进方法提取出来的候选区域送入识别网络计算量小,运算速度快。
进一步地,所述步骤(2)中动态目标的特征提取、图像分割、类别确定和边界框回归修正操作为:将候选区域内的图像数据输入卷积神经网络得到相应的特征图,采用ROIAlign算法从特征图中剪裁出步骤(1)中每个候选框对应位置的特征,并加以双线性插值和池化,将特征变换成统一的尺寸来预测出一个分割区域,并输入到softmax分类器中进行动态目标的分类,再使用SmoothL1Loss回归的方法对于候选框进一步调整位置。
使用此动态目标的特征提取、图像分割、类别确定和边界框回归修正操作算法可以自动判断出图像数据中的某一像素是否属于动态目标的一部分,最终输出的结果是像素级别的检测结果。
进一步地,所述步骤(3)中利用每次提取到的动态目标的质心绘制出的运动轨迹更加清晰,利用这条轨迹进行动态目标运动状态的预测结果更加精准,且机械臂可以根据动态目标的类别来判断使用此类别相对应的抓取方式进行抓取操作,提高机械臂的实时抓取率。
与现有技术相比,本发明的有益效果是:本发明综合考虑了航天器所在的空间背景环境的复杂性以及需检测区域的广阔性、航天器各部件受自身形状和体积的影响或大或小、空间机械臂接收到抓取信息进行抓取操作前需要进行轨迹规划而存在一定的延时情况,提出了一种复杂背景下的动态目标识别追踪方法,通过改进的动态目标检测方法检测出动态目标所在区域,缩小需进行特征提取、图像分割、类别确定和边界框回归修正的区域,降低网络的计算量以及提高复杂背景下的动态目标识别率,根据其类别判定其质心所在坐标,依据每一帧的质心坐标绘制出的动态目标运动轨迹更加精细,动态目标状态估计的结果也更加准确,达到了提高空间机械臂抓取率的最终目标。
附图说明
为使得本发明中的技术方案,下面将会选取一些附图对本发明进行阐述。下述附图仅为本发明的一些实例;使用者可根据该附图获得其他类似的附图。其中:
图1为本发明的技术路线示意图。
图2为本发明的目标检测方法流程图。
具体实施方式
下面将更加深刻,完整的阐述本发明实施案例中的技术方案。所述实施案例为部分是实施案例。使用者可根据本发明,不需付出创造性劳动的获得其他实施案例。该“其他实施案例”均属于本发明保护的范围。
如图1所示,一种复杂背景下的动态目标识别追踪方法,包括以下步骤:
(1)利用深度相机采集动态目标运动区域视频数据,将视频数据分离成按时间顺序存储的图像数据和语音数据,利用改进的动态目标检测方法来处理图像数据,并用最小矩形框标注出候选边界框区域;
(2)根据步骤(1)中标注出的边界框区域进行动态目标的特征提取、图像分割、类别确定和边界框回归修正;
(3)根据深度相机测定出的动态目标位置、深度数据结合步骤(2)中检测所得到的动态目标类别获取动态目标的质心,将每次获取到的质心连成一条运动轨迹,利用运动轨迹预测动态目标运动状态,实现机械臂实时抓取动态目标。
根据本发明的一种实施方式,在利用深度相机实时采集动态目标的运动视频数据,采用改进的动态目标检测方法对视频数据分离出的图像数据进行预处理,提取出较小范围的候选边界框区域,通过对此边界框区域内图像进行动态目标的特征提取、图像分割、类别确定和边界框回归修正,利用深度相机的定位原理,生成动态目标的位置、深度数据、绘制出质心的运动轨迹来实时定位追踪动态目标。
如图2所示,上述步骤(1)中改进的动态目标检测方法为:分别对按时间顺序存储的图像数据进行三帧差分法和自适应更新背景的背景减除法,分别将上述两种方法得到的二值化图像经过形态学处理(如:开、闭运算)后进行“与”操作从而获得差分图像,判断此差分图像是否为背景图像,若为背景图像则将此图像用于更新背景模型,若不为背景图像则将对此差分图像进行必要的形态学处理以达到最佳去噪效果,并用最小矩形框标注出作为候选边界框区域。
使用此改进的动态目标检测方法,当视频数据中某一动态干扰物体停止运动时,会很快被三帧差分法检测出过滤掉并更新到背景图像模型中,将此改进方法提取出来的候选区域送入识别网络计算量小,运算速度快。
在上述步骤(2)中动态目标的特征提取、图像分割、类别确定和边界框回归修正操作为:将候选区域内的图像数据输入卷积神经网络得到相应的特征图,采用ROI Align算法从特征图中剪裁出步骤(1)中每个候选框对应位置的特征,并加以双线性插值和池化,将特征变换成统一的尺寸来预测出一个分割区域,并输入到softmax分类器中进行动态目标的分类,再使用SmoothL1Loss回归的方法对于候选框进一步调整位置。
使用此动态目标的特征提取、图像分割、类别确定和边界框回归修正操作算法可以自动判断出图像数据中的某一像素是否属于动态目标的一部分,最终输出的结果是像素级别的检测结果。
在上述步骤(3)中利用每次提取到的动态目标的质心绘制出的运动轨迹更加清晰,利用这条轨迹进行动态目标运动状态的预测结果更加精准,且机械臂可以根据动态目标的类别来判断使用此类别相对应的抓取方式进行抓取操作,提高机械臂的实时抓取率。
综上所述,本发明综合考虑了航天器所在的空间背景环境的复杂性以及需检测区域的广阔性、航天器各部件受自身形状和体积的影响或大或小、空间机械臂接收到抓取信息进行抓取操作前需要进行轨迹规划而存在一定的延时情况,提出了一种复杂背景下的动态目标识别追踪方法,通过改进的动态目标检测方法检测出动态目标所在区域,缩小需进行特征提取、图像分割、类别确定和边界框回归修正的区域,降低网络的计算量以及提高复杂背景下的动态目标识别率,根据其类别判定其质心所在坐标,依据每一帧的质心坐标绘制出的动态目标运动轨迹更加精细,动态目标状态估计的结果也更加准确,达到了提高空间机械臂抓取率的最终目标。
以上所述仅为本发明的一个实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (3)
1.一种复杂背景下的动态目标识别追踪方法,其特征在于:包括以下步骤:
(1)利用深度相机采集动态目标运动区域视频数据,将视频数据分离成按时间顺序存储的图像数据和语音数据,利用改进的动态目标检测方法来处理图像数据,改进的动态目标检测方法为:分别对按时间顺序存储的图像数据进行三帧差分法和自适应更新背景的背景减除法,分别将上述两种方法得到的二值化图像经过形态学处理后进行“与”操作从而获得差分图像,判断此差分图像是否为背景图像,若为背景图像则将此图像用于更新背景模型,若不为背景图像则将对此差分图像进行形态学处理以达到最佳去噪效果,并用最小矩形框标注出候选边界框区域;
(2)根据步骤(1)中标注出的边界框区域进行动态目标的特征提取、图像分割、类别确定和边界框回归修正;
(3)根据深度相机测定出的动态目标位置、深度数据结合步骤(2)中检测所得到的动态目标类别获取动态目标的质心,将每次获取到的质心连成一条运动轨迹,利用运动轨迹预测动态目标运动状态,实现机械臂实时抓取动态目标。
2.根据权利要求1所述的一种复杂背景下的动态目标识别追踪方法,其特征在于:所述方法应用于空间背景复杂且需检测区域广阔的环境下,利用深度相机实时采集动态目标的运动视频数据,采用改进的动态目标检测方法对视频数据分离出的图像数据进行预处理,提取出小范围的候选边界框区域,通过对此边界框区域内图像进行动态目标的特征提取、图像分割、类别确定和边界框回归修正,利用深度相机的定位原理,生成动态目标的位置、深度数据、绘制出质心的运动轨迹来实时定位追踪动态目标。
3.根据权利要求1所述的一种复杂背景下的动态目标识别追踪方法,其特征在于,所述步骤(2)中动态目标的特征提取、图像分割、类别确定和边界框回归修正操作为:将候选区域内的图像数据输入卷积神经网络得到相应的特征图,采用ROI Align算法从特征图中剪裁出步骤(1)中每个候选框对应位置的特征,并加以双线性插值和池化,将特征变换成统一的尺寸来预测出一个分割区域,并输入到softmax分类器中进行动态目标的分类,再使用SmoothL1Loss回归的方法对于候选框进一步调整位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630592.5A CN113344967B (zh) | 2021-06-07 | 2021-06-07 | 一种复杂背景下的动态目标识别追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630592.5A CN113344967B (zh) | 2021-06-07 | 2021-06-07 | 一种复杂背景下的动态目标识别追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344967A CN113344967A (zh) | 2021-09-03 |
CN113344967B true CN113344967B (zh) | 2023-04-07 |
Family
ID=77474530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630592.5A Active CN113344967B (zh) | 2021-06-07 | 2021-06-07 | 一种复杂背景下的动态目标识别追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344967B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689650A (zh) * | 2021-09-07 | 2021-11-23 | 广州邦讯信息***有限公司 | 基于监控摄像头的森林防火烟雾检测方法及*** |
CN114495109A (zh) * | 2022-01-24 | 2022-05-13 | 山东大学 | 基于目标与场景文字匹配的抓取机器人及抓取方法和*** |
CN115049654B (zh) * | 2022-08-15 | 2022-12-06 | 成都唐源电气股份有限公司 | 一种钢轨反光光条的提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266654A (zh) * | 2007-03-14 | 2008-09-17 | 中国科学院自动化研究所 | 基于连通分量和支持向量机的图像文本定位方法和装置 |
CN103714703A (zh) * | 2013-12-17 | 2014-04-09 | 重庆凯泽科技有限公司 | 一种基于视频图像处理的车流检测算法 |
CN104700430A (zh) * | 2014-10-05 | 2015-06-10 | 安徽工程大学 | 机载显示器的运动检测方法 |
CN107273815A (zh) * | 2017-05-24 | 2017-10-20 | 中国农业大学 | 一种个体行为识别方法及*** |
JP2018025914A (ja) * | 2016-08-09 | 2018-02-15 | 大日本印刷株式会社 | 撮影画像内の個体の検出装置 |
JP2019053625A (ja) * | 2017-09-17 | 2019-04-04 | 国立大学法人岩手大学 | 移動物体検出装置および移動物体検出方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996307A (zh) * | 2009-08-10 | 2011-03-30 | 上海理视微电子有限公司 | 智能视频人体识别方法 |
CN102222214A (zh) * | 2011-05-09 | 2011-10-19 | 苏州易斯康信息科技有限公司 | 快速物体识别算法 |
US9070020B2 (en) * | 2012-08-21 | 2015-06-30 | International Business Machines Corporation | Determination of train presence and motion state in railway environments |
US8885885B2 (en) * | 2012-10-05 | 2014-11-11 | International Business Machines Corporation | Multi-cue object association |
CN104244113B (zh) * | 2014-10-08 | 2017-09-22 | 中国科学院自动化研究所 | 一种基于深度学习技术的视频摘要生成方法 |
CN108475431B (zh) * | 2015-12-18 | 2022-02-18 | 株式会社理光 | 图像处理装置、图像处理***、图像处理方法和记录介质 |
CN108509938A (zh) * | 2018-04-16 | 2018-09-07 | 重庆邮电大学 | 一种基于视频监控的跌倒检测方法 |
CN109919008A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 运动目标检测方法、装置、计算机设备及存储介质 |
CN110026987B (zh) * | 2019-05-28 | 2022-04-19 | 广东工业大学 | 一种机械臂抓取轨迹的生成方法、装置、设备及存储介质 |
US11948401B2 (en) * | 2019-08-17 | 2024-04-02 | Nightingale.ai Corp. | AI-based physical function assessment system |
-
2021
- 2021-06-07 CN CN202110630592.5A patent/CN113344967B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266654A (zh) * | 2007-03-14 | 2008-09-17 | 中国科学院自动化研究所 | 基于连通分量和支持向量机的图像文本定位方法和装置 |
CN103714703A (zh) * | 2013-12-17 | 2014-04-09 | 重庆凯泽科技有限公司 | 一种基于视频图像处理的车流检测算法 |
CN104700430A (zh) * | 2014-10-05 | 2015-06-10 | 安徽工程大学 | 机载显示器的运动检测方法 |
JP2018025914A (ja) * | 2016-08-09 | 2018-02-15 | 大日本印刷株式会社 | 撮影画像内の個体の検出装置 |
CN107273815A (zh) * | 2017-05-24 | 2017-10-20 | 中国农业大学 | 一种个体行为识别方法及*** |
JP2019053625A (ja) * | 2017-09-17 | 2019-04-04 | 国立大学法人岩手大学 | 移動物体検出装置および移動物体検出方法 |
Non-Patent Citations (3)
Title |
---|
Lei Shang et al."Optimization of Three - Frame Difference Method and Improvement of Pedestrian Detection Code Book".《Journal of Physics:Conference Series》.2019,1-8. * |
尤波 等."基于模糊推理的复杂地形下六足机器人步态辅助决策方法".《哈尔滨理工大学学报》.2020,第25卷(第25期),100-107. * |
杨青."基于深度学习的视频监控下行人异常检测".《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,I136-672. * |
Also Published As
Publication number | Publication date |
---|---|
CN113344967A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344967B (zh) | 一种复杂背景下的动态目标识别追踪方法 | |
CN110059558B (zh) | 一种基于改进ssd网络的果园障碍物实时检测方法 | |
CN108171112B (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
CN109101944B (zh) | 一种识别向河道内抛投垃圾的实时视频监控方法 | |
CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及*** | |
CN112785628B (zh) | 一种基于全景视角检测跟踪的轨迹预测方法及*** | |
GB2526658A (en) | An efficient method of offline training a special-type parked vehicle detector for video-based on-street parking occupancy detection systems | |
CN110321937B (zh) | 一种Faster-RCNN结合卡尔曼滤波的运动人体跟踪方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
Liang et al. | Methods of moving target detection and behavior recognition in intelligent vision monitoring. | |
CN113361533A (zh) | 重叠遮挡的目标物的分割识别方法及*** | |
CN107247967B (zh) | 一种基于r-cnn的车窗年检标检测方法 | |
CN113763427A (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
Tsoukalas et al. | Deep learning assisted visual tracking of evader-UAV | |
Ghahremannezhad et al. | Automatic road detection in traffic videos | |
CN117011381A (zh) | 基于深度学习和立体视觉的实时手术器械位姿估计方法与*** | |
Zhang et al. | An optical flow based moving objects detection algorithm for the UAV | |
Dahirou et al. | Motion Detection and Object Detection: Yolo (You Only Look Once) | |
CN112419352A (zh) | 一种基于轮廓的小样本语义分割方法 | |
Zakaria et al. | Particle swarm optimization and support vector machine for vehicle type classification in video stream | |
CN115909110A (zh) | 一种基于Siamese网络的轻量级红外无人机目标跟踪方法 | |
Jiao et al. | The research of transmission line foreign body detection based on motion compensation | |
CN116152696A (zh) | 一种工控***智慧安防图像识别方法及*** | |
Altaf et al. | Presenting an effective algorithm for tracking of moving object based on support vector machine | |
CN113723230A (zh) | 业务流程抽取领域过程性视频的过程模型抽取方法 |
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 |