CN114973033A - 一种无人机自动检测目标和跟踪方法 - Google Patents
一种无人机自动检测目标和跟踪方法 Download PDFInfo
- Publication number
- CN114973033A CN114973033A CN202210597472.4A CN202210597472A CN114973033A CN 114973033 A CN114973033 A CN 114973033A CN 202210597472 A CN202210597472 A CN 202210597472A CN 114973033 A CN114973033 A CN 114973033A
- Authority
- CN
- China
- Prior art keywords
- image
- stage
- target
- feature
- unmanned aerial
- 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 91
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000035040 seed growth Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无人机自动检测目标和跟踪方法,涉及无人机自动检测和跟踪技术领域,本发明能够根据立体建模以及loop算法,获取检测目标进行多角度采集时的图像,再对采集图像进行特征提取处理,得到不同采集角度下的图像特征数据,从而对实时采集数据进行比对计算,得出相邻帧图像中目标的运动速度,并根据目标移动速度调节无人机的拍摄角度及移动速度,极大地提升了无人机对目标的检测跟踪效果。
Description
技术领域
本发明涉及无人机自动检测和跟踪技术领域,具体涉及一种无人机自动检测目标和跟踪方法。
背景技术
目标的检测跟踪作为图像处理技术中的重要组成,包含目标检测和目标跟踪两个子任务。目标检测就是在图像中检测出目标物体并将其分类的过程。目标跟踪技术就是以视频序列的某一帧为起点,利用手动选定或者检测器给出的跟踪目标,在后续帧中不断得到目标的运动状态的过程。
单独使用检测方法虽然能很好地得到所有目标的位置并且标注其类别,但是检测的处理速度偏慢。单独使用跟踪方法首先需要手动给定要跟踪的目标初始位置,其次对于新出现的目标无法进行处理,虽然速度较快,但是无法应对实际场景。因此需要寻找一种结合检测与跟踪的方法,从而兼顾两者优势,能应用到复杂的任务中。
而现有的检测及技术手段,只能对特定的基础几何物体在检测帧中形成的检测框大小作为依据进行检测跟踪,而未考虑到多面体目标在移动时会发生旋转,从而使得无人机连续帧的检测角度不同,即使在同一检测位置,检测角度的改变也会导致检测框大小发生改变,极易对无人机的跟踪判断发生影响。
发明内容
针对现有技术中的缺陷,本发明提供一种无人机自动检测目标和跟踪方法,包括以下步骤:
步骤1:建立目标立体模型,获取目标立体模型的图像特征信息总集的特征向量并分类命名;
步骤2:当无人机获取目标的第n(n≥2)帧图像后,确定目标所在图像中对应的图像特征信息,采用Two-Stage算法得出第n帧图像中目标所在的后级检测框区域;采用Two-Stage算法得出将第n-1帧图像中目标所在的前级检测框区域;
步骤3:将后级检测框区域与前级检测框区域进行图像特征信息比对,获取目标在空间中移动的速度,调节无人机的移动速度,使其与目标保持一致。
作为优选地,建立目标立体模型后,基于立体模型获取目标多角度图像数据,记录每个角度图像数据经检测得到的图像特征区域,形成图像特征信息总集。
作为优选地,步骤1中,所述图像特征信息总集获取过程具体包括以下步骤:
步骤11:采用loop细分算法获取目标图像数据采集角度,根据采集角度获取若干采集图像形成图像总集,根据采集角度对图像总集进行打标;
步骤12:进行数据与处理,以平均像素高度为单位对图像总集进行数据归一化处理得到相对高度;以平均像素宽度为单位对图像总集进行归一化处理得到相对宽度,规则范围内图像像素点均值为单位进行归一化处理得到相对占比;
步骤13:将处理后的图像总集输入Transformer网络中,进行特征提取和信息理解,最终得到特征向量;
步骤14:对特征向量采用全连接层,得到图像特征信息最终的分类维度和分类结果,记为图像特征信息总集。
作为优选地,所述步骤3中,将后级检测框区域与前级检测框区域进行图像特征信息比对,获取目标在空间中移动的速度时,具体包括以下步骤:
步骤31:将第n帧图像记为后级待测图像、第n-1帧图像记为前级待测图像,将后级待测图像输入特征点检测网络得到后级待测特征结果,将前级待测图像输入特征点检测网络得到前级待测特征结果,判断目标是否丢失;
步骤32:在目标未丢失的情况下,根据后级待测特征结果与前级待测特征结果进行比对,获取目标移速。
作为优选地,步骤31中,所述特征点检测网络由特征提取模块、先验区域生成模块和注意力机制模块组成,所述特征提取模块包括对根据图像特征总集对采集图像进行边缘特征、纹理特征以及语义特征提取;先验区域生成模块用于在采集图像上生成固定大小的先验框,这些区域对应采集图像的若干区域,该先验框区域对应单个采集图像的若干区域,降低图像特征区域的提取难度;所述注意力机制模块用于使特征点检测网络将更多的注意力放在图像特征区域。
作为优选地,步骤32中,根据后级待测特征结果与前级待测特征结果进行比对,获取目标移速时,具体包括以下步骤:
步骤321:根据后级待测特征结果与前级待测特征结果,得出第n帧图像的后级采集角度与第n-1帧图像的前级采集角度;
步骤322:获取前级采集角度在图像总集中对应的前级采集图像,采用种子生长算法对目标区域进行筛选,得处前级标准检测框,计算前级检测框与前级标准检测框的前级相对占比;
步骤323:获取后级采集角度在图像总集中对应的后级采集图像,采用种子生长算法对目标区域进行筛选,得出后级标准检测框,计算后级检测框与后级标准检测框的后级相对占比;
步骤324:通过前级相对占比与后级相对占比的差值得出目标的移速。
作为优选地,步骤31中,判断所述目标是否丢失时,具体包括以下步骤:
步骤311:对从第一帧图像至第n帧图像中目标的置信度进行累加处理,得到参数置信度;
步骤312:判断所述参数置信度是否小于第一预设值,若是,则确定目标丢失,若否,则目标未丢失。
作为优选地,步骤2中,采用Two-Stage算法得出图像中目标所在的检测框区域时,通过HrNet18网络作为其主干网络进行特征提取,以筛选出质量不达预期的目标图像。
作为优选地,通过HrNet18网络筛选出质量不达预期的目标图像时,具体包括以下步骤:
S21:进行数据预处理,包括数据尺寸变化和图像数据的归一化,图像数据的归一化包括图像旋转及图像翻转;
S22:将增强的图像数据输入到HrNet18网络中,进行特征提取,最终得到特征向量,对特征向量通过全连接层,得到最终分类的维度;
S23:对照片进行打标,分为正常品质图像和异常品质图像,将异常品质图像删除。
作为优选地,步骤3中,调节无人机的移动速度,使其与目标保持一致时,具体为将无人机中拍摄设备的拍照视野中心位置对准后级检测框的几何中心,并调整无人机的移速。
本发明的有益效果体现在:
本发明能够根据立体建模以及loop算法,获取检测目标进行多角度采集时的图像,再对采集图像进行特征提取处理,得到不同采集角度下的图像特征数据,从而对实时采集数据进行比对计算,得出相邻帧图像中目标的运动速度,并根据目标移动速度调节无人机的拍摄角度及移动速度,极大地提升了无人机对目标的检测跟踪效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明提供的一种无人机自动检测目标和跟踪方法的流程图;
图2为本发明提供的一种无人机自动检测目标和跟踪方法的图像特征信息总集获取过程的流程。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示,一种无人机自动检测目标和跟踪方法,包括以下步骤:
步骤1:建立目标立体模型,获取目标立体模型的图像特征信息总集的特征向量并分类命名;
步骤2:当无人机获取目标的第n(n≥2)帧图像后,确定目标所在图像中对应的图像特征信息,采用Two-Stage算法得出第n帧图像中目标所在的后级检测框区域;采用Two-Stage算法得出将第n-1帧图像中目标所在的前级检测框区域;
步骤3:将后级检测框区域与前级检测框区域进行图像特征信息比对,获取目标在空间中移动的速度,调节无人机的移动速度,使其与目标保持一致。
更为具体的,建立目标立体模型后,基于立体模型获取目标多角度图像数据,记录每个角度图像数据经检测得到的图像特征区域,形成图像特征信息总集。
此处建立立体模型可采用C4D建模软件。
如图2所示,更为具体的,所述图像特征信息总集获取过程具体包括以下步骤:
步骤11:采用loop细分算法获取目标图像数据采集角度,根据采集角度获取若干采集图像形成图像总集,根据采集角度对图像总集进行打标;
步骤12:进行数据与处理,以平均像素高度为单位对图像总集进行数据归一化处理得到相对高度;以平均像素宽度为单位对图像总集进行归一化处理得到相对宽度,规则范围内图像像素点均值为单位进行归一化处理得到相对占比;
步骤13:将处理后的图像总集输入Transformer网络中,进行特征提取和信息理解,最终得到特征向量;
步骤14:对特征向量采用全连接层,得到图像特征信息最终的分类维度和分类结果,记为图像特征信息总集。
loop subdivision是一种三角网格细分方法,loop细分的基本思想就是把一个三角形分成四个三角形,区分新顶点和老顶点分别进行位置的改变,最终让模型表面变得更加光滑,采用loop细分算法获取目标图像数据的采集角度时,先根据目标的立体模型,得出立体模型的几何中心,以几何中心为原点建立正二十面体,采用loop细分算法对正二十面体进行多次细分,得出多个顶点,此时该若干个顶点连接形成的图形近似于球体,以单个顶点为一个采集角度,从而能够得到若干采集图像,形成图像总集。
更为具体的,所述步骤3中,将后级检测框区域与前级检测框区域进行图像特征信息比对,获取目标在空间中移动的速度时,具体包括以下步骤:
步骤31:将第n帧图像记为后级待测图像、第n-1帧图像记为前级待测图像,将后级待测图像输入特征点检测网络得到后级待测特征结果,将前级待测图像输入特征点检测网络得到前级待测特征结果,判断目标是否丢失;
步骤32:在目标未丢失的情况下,根据后级待测特征结果与前级待测特征结果进行比对,获取目标移速。
更为具体的,所述特征点检测网络由特征提取模块、先验区域生成模块和注意力机制模块组成,所述特征提取模块包括对根据图像特征总集对采集图像进行边缘特征、纹理特征以及语义特征提取;先验区域生成模块用于在采集图像上生成固定大小的先验框,这些区域对应采集图像的若干区域,该先验框区域对应单个采集图像的若干区域,降低图像特征区域的提取难度;所述注意力机制模块用于使特征点检测网络将更多的注意力放在图像特征区域。
特征提取模块包括卷积层和池化层,该模块的主要作用是根据图像特征总集提取采集图像的特征;先验区域生成模块能够让网络从全局检测特征点转移到局部检测,降低了从整张图像中提取特征点的难度;通过引入注意力机制模块,网络会对特征点附近的区域投入更多的资源,过滤掉一些无关信息。
更为具体的,所述步骤32中,根据后级待测特征结果与前级待测特征结果进行比对,获取目标移速时,具体包括以下步骤:
步骤321:根据后级待测特征结果与前级待测特征结果,得出第n帧图像的后级采集角度与第n-1帧图像的前级采集角度;
步骤322:获取前级采集角度在图像总集中对应的前级采集图像,采用种子生长算法对目标区域进行筛选,得处前级标准检测框,计算前级检测框与前级标准检测框的前级相对占比;
步骤323:获取后级采集角度在图像总集中对应的后级采集图像,采用种子生长算法对目标区域进行筛选,得出后级标准检测框,计算后级检测框与后级标准检测框的后级相对占比;
步骤324:通过前级相对占比与后级相对占比的差值得出目标的移速。
更为具体的,所述步骤31中,判断所述目标是否丢失时,具体包括以下步骤:
步骤311:对从第一帧图像至第n帧图像中目标的置信度进行累加处理,得到参数置信度;
步骤312:判断所述参数置信度是否小于第一预设值,若是,则确定目标丢失,若否,则目标未丢失。
更为具体的,步骤2中,采用Two-Stage算法得出图像中目标所在的检测框区域时,通过HrNet18网络作为其主干网络进行特征提取,以筛选出质量不达预期的目标图像。
更为具体的,通过HrNet18网络筛选出质量不达预期的目标图像时,具体包括以下步骤:
S21:进行数据预处理,包括数据尺寸变化和图像数据的归一化,图像数据的归一化包括图像旋转及图像翻转;
S22:将增强的图像数据输入到HrNet18网络中,进行特征提取,最终得到特征向量,对特征向量通过全连接层,得到最终分类的维度;
S23:对照片进行打标,分为正常品质图像和异常品质图像,将异常品质图像删除。
更为具体的,所述步骤3中,调节无人机的移动速度,使其与目标保持一致时,具体为将无人机中拍摄设备的拍照视野中心位置对准后级检测框的几何中心,并调整无人机的移速。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种无人机自动检测目标和跟踪方法,其特征在于,包括如下步骤:
步骤1:建立目标立体模型,获取目标立体模型的图像特征信息总集的特征向量并分类命名;
步骤2:当无人机获取目标的第n(n≥2)帧图像后,确定目标所在图像中对应的图像特征信息,采用Two-Stage算法得出第n帧图像中目标所在的后级检测框区域;采用Two-Stage算法得出将第n-1帧图像中目标所在的前级检测框区域;
步骤3:将后级检测框区域与前级检测框区域进行图像特征信息比对,获取目标在空间中移动的速度,调节无人机的移动速度,使其与目标保持一致。
2.根据权利要求1所述的无人机自动检测目标和跟踪方法,其特征在于,步骤1中,建立目标立体模型后,基于立体模型获取目标多角度图像数据,记录每个角度图像数据经检测得到的图像特征区域,形成图像特征信息总集。
3.根据权利要求2所述的无人机自动检测目标和跟踪方法,其特征在于,所述图像特征信息总集获取过程具体包括以下步骤:
步骤11:采用loop细分算法获取目标图像数据采集角度,根据采集角度获取若干采集图像形成图像总集,根据采集角度对图像总集进行打标;
步骤12:进行数据与处理,以平均像素高度为单位对图像总集进行数据归一化处理得到相对高度;以平均像素宽度为单位对图像总集进行归一化处理得到相对宽度,规则范围内图像像素点均值为单位进行归一化处理得到相对占比;
步骤13:将处理后的图像总集输入Transformer网络中,进行特征提取和信息理解,最终得到特征向量;
步骤14:对特征向量采用全连接层,得到图像特征信息最终的分类维度和分类结果,记为图像特征信息总集。
4.根据权利要求3所述的无人机自动检测目标和跟踪方法,其特征在于,步骤3中,将后级检测框区域与前级检测框区域进行图像特征信息比对,获取目标在空间中移动的速度时,具体包括以下步骤:
步骤31:将第n帧图像记为后级待测图像、第n-1帧图像记为前级待测图像,将后级待测图像输入特征点检测网络得到后级待测特征结果,将前级待测图像输入特征点检测网络得到前级待测特征结果,判断目标是否丢失;
步骤32:在目标未丢失的情况下,根据后级待测特征结果与前级待测特征结果进行比对,获取目标移速。
5.根据权利要求4所述的无人机自动检测目标和跟踪方法,其特征在于,步骤31中,所述特征点检测网络由特征提取模块、先验区域生成模块和注意力机制模块组成,所述特征提取模块包括对根据图像特征总集对采集图像进行边缘特征、纹理特征以及语义特征提取;先验区域生成模块用于在采集图像上生成固定大小的先验框,这些区域对应采集图像的若干区域,该先验框区域对应单个采集图像的若干区域,降低图像特征区域的提取难度;所述注意力机制模块用于使特征点检测网络将更多的注意力放在图像特征区域。
6.根据权利要求4所述的无人机自动检测目标和跟踪方法,其特征在于,步骤32中,根据后级待测特征结果与前级待测特征结果进行比对,获取目标移速时,具体包括以下步骤:
步骤321:根据后级待测特征结果与前级待测特征结果,得出第n帧图像的后级采集角度与第n-1帧图像的前级采集角度;
步骤322:获取前级采集角度在图像总集中对应的前级采集图像,采用种子生长算法对目标区域进行筛选,得处前级标准检测框,计算前级检测框与前级标准检测框的前级相对占比;
步骤323:获取后级采集角度在图像总集中对应的后级采集图像,采用种子生长算法对目标区域进行筛选,得出后级标准检测框,计算后级检测框与后级标准检测框的后级相对占比;
步骤324:通过前级相对占比与后级相对占比的差值得出目标的移速。
7.根据权利要求4所述的无人机自动检测目标和跟踪方法,其特征在于,步骤31中,判断所述目标是否丢失时,具体包括以下步骤:
步骤311:对从第一帧图像至第n帧图像中目标的置信度进行累加处理,得到参数置信度;
步骤312:判断所述参数置信度是否小于第一预设值,若是,则确定目标丢失,若否,则目标未丢失。
8.根据权利要求1所述的无人机自动检测目标和跟踪方法,其特征在于,步骤2中,采用Two-Stage算法得出图像中目标所在的检测框区域时,通过HrNet18网络作为其主干网络进行特征提取,以筛选出质量不达预期的目标图像。
9.根据权利要求8所述的无人机自动检测目标和跟踪方法,其特征在于,通过HrNet18网络筛选出质量不达预期的目标图像时,具体包括以下步骤:
S21:进行数据预处理,包括数据尺寸变化和图像数据的归一化,图像数据的归一化包括图像旋转及图像翻转;
S22:将增强的图像数据输入到HrNet18网络中,进行特征提取,最终得到特征向量,对特征向量通过全连接层,得到最终分类的维度;
S23:对照片进行打标,分为正常品质图像和异常品质图像,将异常品质图像删除。
10.根据权利要求1所述的无人机自动检测目标和跟踪方法,其特征在于,步骤3中,调节无人机的移动速度,使其与目标保持一致时,具体为将无人机中拍摄设备的拍照视野中心位置对准后级检测框的几何中心,并调整无人机的移速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210597472.4A CN114973033B (zh) | 2022-05-30 | 2022-05-30 | 一种无人机自动检测目标和跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210597472.4A CN114973033B (zh) | 2022-05-30 | 2022-05-30 | 一种无人机自动检测目标和跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973033A true CN114973033A (zh) | 2022-08-30 |
CN114973033B CN114973033B (zh) | 2024-03-01 |
Family
ID=82957483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210597472.4A Active CN114973033B (zh) | 2022-05-30 | 2022-05-30 | 一种无人机自动检测目标和跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973033B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9443320B1 (en) * | 2015-05-18 | 2016-09-13 | Xerox Corporation | Multi-object tracking with generic object proposals |
US20170200061A1 (en) * | 2016-01-11 | 2017-07-13 | Netradyne Inc. | Driver behavior monitoring |
CN107292297A (zh) * | 2017-08-09 | 2017-10-24 | 电子科技大学 | 一种基于深度学习和重叠率跟踪的视频车流量检测方法 |
US20180012065A1 (en) * | 2016-07-08 | 2018-01-11 | UBTECH Robotics Corp. | Face detecting and tracking method, method for controlling rotation of robot head and robot |
CN109001484A (zh) * | 2018-04-18 | 2018-12-14 | 广州视源电子科技股份有限公司 | 旋转速度的检测方法和装置 |
CN110401799A (zh) * | 2019-08-02 | 2019-11-01 | 睿魔智能科技(深圳)有限公司 | 一种自动跟踪拍摄方法及*** |
CN110458868A (zh) * | 2019-08-15 | 2019-11-15 | 湖北经济学院 | 基于sort的多目标跟踪识别展示*** |
CN111798482A (zh) * | 2020-06-16 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种目标跟踪方法及设备 |
CN112184760A (zh) * | 2020-10-13 | 2021-01-05 | 中国科学院自动化研究所 | 基于动态视觉传感器的高速运动目标检测跟踪方法 |
CN112907634A (zh) * | 2021-03-18 | 2021-06-04 | 沈阳理工大学 | 基于无人机的车辆跟踪方法 |
WO2021189507A1 (zh) * | 2020-03-24 | 2021-09-30 | 南京新一代人工智能研究院有限公司 | 一种用于车辆检测跟踪的旋翼无人机***及检测跟踪方法 |
-
2022
- 2022-05-30 CN CN202210597472.4A patent/CN114973033B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9443320B1 (en) * | 2015-05-18 | 2016-09-13 | Xerox Corporation | Multi-object tracking with generic object proposals |
US20170200061A1 (en) * | 2016-01-11 | 2017-07-13 | Netradyne Inc. | Driver behavior monitoring |
US20180012065A1 (en) * | 2016-07-08 | 2018-01-11 | UBTECH Robotics Corp. | Face detecting and tracking method, method for controlling rotation of robot head and robot |
CN107292297A (zh) * | 2017-08-09 | 2017-10-24 | 电子科技大学 | 一种基于深度学习和重叠率跟踪的视频车流量检测方法 |
CN109001484A (zh) * | 2018-04-18 | 2018-12-14 | 广州视源电子科技股份有限公司 | 旋转速度的检测方法和装置 |
CN110401799A (zh) * | 2019-08-02 | 2019-11-01 | 睿魔智能科技(深圳)有限公司 | 一种自动跟踪拍摄方法及*** |
CN110458868A (zh) * | 2019-08-15 | 2019-11-15 | 湖北经济学院 | 基于sort的多目标跟踪识别展示*** |
WO2021189507A1 (zh) * | 2020-03-24 | 2021-09-30 | 南京新一代人工智能研究院有限公司 | 一种用于车辆检测跟踪的旋翼无人机***及检测跟踪方法 |
CN111798482A (zh) * | 2020-06-16 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种目标跟踪方法及设备 |
CN112184760A (zh) * | 2020-10-13 | 2021-01-05 | 中国科学院自动化研究所 | 基于动态视觉传感器的高速运动目标检测跟踪方法 |
CN112907634A (zh) * | 2021-03-18 | 2021-06-04 | 沈阳理工大学 | 基于无人机的车辆跟踪方法 |
Non-Patent Citations (3)
Title |
---|
BAO XIN CHEN 等: "Fast Visual Object Tracking with Rotated Bounding Boxes", 《ARXIV:1907.03892V5》 * |
杨廷召 等: "第一人称视角下的社会力优化多行人跟踪", 《中国图象图形学报》 * |
王晓 等: "图像处理在客流检测中的算法研究", 《中国海洋大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114973033B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102903122B (zh) | 基于特征光流与在线集成学习的视频目标跟踪方法 | |
CN111951212A (zh) | 对铁路的接触网图像进行缺陷识别的方法 | |
CN113112519B (zh) | 基于感兴趣目标分布的关键帧筛选方法 | |
CN110415260B (zh) | 基于字典与bp神经网络的烟雾图像分割与识别方法 | |
CN112258470B (zh) | 基于缺陷检测的工业图像临界压缩率智能分析***及方法 | |
CN109389609B (zh) | 基于fart神经网络的交互自反馈红外目标检测方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及*** | |
CN112819812B (zh) | 基于图像处理的粉末床缺陷检测方法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN109658429A (zh) | 一种基于边界分维数的红外图像卷云检测方法 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN111683221A (zh) | 嵌入矢量红线数据的自然资源实时视频监测方法及*** | |
CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
CN114973033B (zh) | 一种无人机自动检测目标和跟踪方法 | |
CN108122231B (zh) | 监控视频下基于roi拉普拉斯算法的图像质量评价方法 | |
CN110765853A (zh) | 一种多谱段相机的图像处理方法 | |
CN107564029B (zh) | 基于高斯极值滤波和群稀疏rpca的运动目标检测方法 | |
CN116311218A (zh) | 基于自注意力特征融合的带噪植株点云语义分割方法及*** | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
Chuang et al. | Moving object segmentation and tracking using active contour and color classification models | |
CN113688819A (zh) | 一种基于标记点的目标物期望点跟踪匹配方法 | |
CN117975175B (zh) | 一种基于机器视觉的塑料管道外观缺陷检测方法 | |
CN112001927B (zh) | 基于线基元几何空间关系连接的电力线检测方法 | |
CN109919972B (zh) | 一种自适应融合特征提取的全景视觉跟踪方法 |
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 |