【CN110009661A】一种视频目标跟踪的方法【专利】

合集下载

一种基于视频监控的运动目标实时检测跟踪方法[发明专利]

一种基于视频监控的运动目标实时检测跟踪方法[发明专利]

专利名称:一种基于视频监控的运动目标实时检测跟踪方法专利类型:发明专利
发明人:王东洁,王卫,陈昌建,唐飞,罗艳丽,卫彪,李凯,尚兵兵,刘江明,王利梅,莫申林,李志学,汪彬彬,张宇,何丹娜,
王微,张超,童强,高鑫,产文涛,潘思宇,杨春合,苏翔,袁
泉,范留洋,童少康,赵成亮,应普,徐冬雨,孙晓伟
申请号:CN201910365305.5
申请日:20190430
公开号:CN110246153A
公开日:
20190917
专利内容由知识产权出版社提供
摘要:本发明涉及一种基于视频监控的运动目标实时检测跟踪方法,包括如下步骤:在双摄像头拍摄场景中,通过Harris角点检测算法检测得到视频中每帧图像的特征点;根据对极几何约束原理将特征点分类,得到图像的前景特征点和背景特征点;通过图像的前景特征点得到前景区域;通过单应矩阵的透视变换将前景特征点与前景区域合并得到图像的运动目标;通过差分法对背景特征点进行增强,得到增强处理后的图像;通过设置最小外接矩形框对运动目标进行检测;通过基于运动目标区域最小外接矩形框引力中心的Klaman滤波器追踪运动目标。

本发明减少了多目标运动前景和运动背景之间的运动干扰,提高了运动目标检测的准确性与鲁棒性。

申请人:安徽四创电子股份有限公司
地址:230088 安徽省合肥市高新技术产业开发区习友路3366号
国籍:CN
代理机构:合肥和瑞知识产权代理事务所(普通合伙)
代理人:王挺
更多信息请下载全文后查看。

一种视频目标跟踪方法、装置、电子设备及存储介质[发明专利]

一种视频目标跟踪方法、装置、电子设备及存储介质[发明专利]

专利名称:一种视频目标跟踪方法、装置、电子设备及存储介质
专利类型:发明专利
发明人:黄泽鑫,梁江荣,伍思樾,郭志飞,任均宇,吴春波,安昕
申请号:CN202210422503.2
申请日:20220421
公开号:CN114529587A
公开日:
20220524
专利内容由知识产权出版社提供
摘要:本发明涉及视频跟踪技术领域,具体公开了一种视频目标跟踪方法、装置、电子设备及存储介质,其中,方法包括以下步骤:获取视频信息;根据视频信息设定初始跟踪目标信息;基于具有尺度变化追踪特性及利用L‑K光流法进行追踪的追踪算法在不进行目标位置追踪的情况下根据初始跟踪目标信息获取视频信息的尺度变化信息;根据位置变化信息及尺度变化信息分别调节初始跟踪目标信息的位置和尺度以对视频信息中的目标进行跟踪;该方法能迅速对视频信息中的目标进行包含尺度、位置参数的准确跟踪。

申请人:广东欧谱曼迪科技有限公司
地址:528251 广东省佛山市南海区桂城街道大圩社区永安北路2号金谷智创产业社区A座第五层503室
国籍:CN
代理机构:佛山市海融科创知识产权代理事务所(普通合伙)
代理人:陈椅行
更多信息请下载全文后查看。

视频目标跟踪专利技术综述

视频目标跟踪专利技术综述

视频目标跟踪专利技术综述作者:陈琪蒙来源:《中国新通信》 2018年第11期一、视频目标跟踪技术概述与技术分解视频目标跟踪是指借助目标的独特信息如颜色、纹理、形状等, 从视频顿序列中分析感兴趣的特定目标的运动参数及轨迹, 如目标的位置、大小、形状、速度、加速度等。

视频目标跟踪技术从上世纪末开始繁荣发展起来,到现在,已经形成了一系列的方法。

大量已涌现的目标跟踪方法依据不同的标准可以进行不同的分类,如下图所示。

二、技术发展趋势在特征提取阶段,大量算法通过从整个目标区域提取特征来对目标表观进行建模,常用的目标特征包括颜色、边缘、纹理等。

分类在机器学习领域是常见的问题,将其应用于视频目标跟踪,即为目标建立一个分类器并将跟踪问题看作一个将目标和背景不断分类的问题,在过程建模阶段,该类方法通过少量的训练样本学习出分类器,将测试样本成功分类,分类器的改进成为研究热点。

在运动评估阶段,当环境复杂或目标被遮挡时,同时结合不同搜索或预测机制的算法被提出,针对不同的情况选择不同的方法或进行二次搜索和预测。

三、视频目标跟踪领域专利分析3.1 国内外申请趋势为了分析视频目标跟踪领域的专利申请趋势与分布,在本节采用关键词与分类号的检索方式,通过检索专利库DWPI 得到如下结果。

如图2 所示,视频目标跟踪起源较早,1995 年之前经历了一段时间的技术萌芽期。

之后从1995 年至2005 年属于该技术的缓慢发展期,期间主要以国外申请为主。

2005 年之后,随着计算机的发展与普及,借助计算机强大的数据处理功能来模拟实现人类的视觉功能的计算机视觉系统应运而生,国内国外同时进入了视频目标跟踪技术的快速发展期,此阶段的申请量大幅增长。

3.2 技术原创国及主要申请人分析从技术原创国的分布来看,中国、美国、日韩以及欧洲部分国家排名靠前,其中国外的一些大型企业如IBM、三星、微软、佳能等具有与视频目标跟踪技术相关的产业,是该领域的主要申请人,如图4 所示。

一种考虑目标运动信息的视频目标跟踪方法[发明专利]

一种考虑目标运动信息的视频目标跟踪方法[发明专利]

专利名称:一种考虑目标运动信息的视频目标跟踪方法专利类型:发明专利
发明人:李凡,乔萧雅,文帅,张思柔
申请号:CN201710440109.0
申请日:20170612
公开号:CN107301657A
公开日:
20171027
专利内容由知识产权出版社提供
摘要:一种考虑目标运动信息的视频目标跟踪方法,包括步骤:通过状态转移模型估计目标的运动状态并获得候选样本,用于后续样本位置权重分配与置信度决策,以得到准确目标;通过位置权重分配模型提出一种假设的概率分布,给处于不同位置的样本分配权重,计算获得样本位置因子,用于后续的置信度决策;通过置信度决策模型参考每个候选样本的位置因子计算每个样本的置信度,并选择置信度最大的样本作为目标;通过自适应模板更新模型根据目标运动状态的不同采用不同的更新策略对模板进行更新。

本发明将目标的运动信息充分融入目标跟踪算法中,尤其当目标运动速度较快时,有针对性的获取样本、分配权重、决策和更新方式有效的提高了跟踪的效率,应用价值高。

申请人:西安交通大学
地址:710049 陕西省西安市碑林区咸宁西路28号
国籍:CN
代理机构:西安通大专利代理有限责任公司
代理人:闵岳峰
更多信息请下载全文后查看。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910249323.7
(22)申请日 2019.03.29
(71)申请人 大连理工大学
地址 116024 辽宁省大连市甘井子区凌工
路2号
(72)发明人 卢湖川 高凯 
(74)专利代理机构 大连理工大学专利中心
21200
代理人 温福雪 侯明远
(51)Int.Cl.
G06T 7/246(2017.01)
G06K 9/62(2006.01)
(54)发明名称一种视频目标跟踪的方法(57)摘要本发明属于图像视频目标跟踪技术领域,提供了一种视频目标跟踪的方法,能够对视频中特定单个目标进行持续跟踪,涉及到图像处理的相关知识。

首先,我们利用深度互学习和知识蒸馏的方法训练一个快速的目标跟踪器。

其次,在每一帧来临时,在上一帧周围撒很多粒子,粒子的分布是随机的。

然后我们选取一个大的图像区域,能够将所有粒子包含进去。

将图像区域和粒子的相对位置送入目标跟踪器,得到最后的得分,选取得分最高的结果。

将最后结果经过包围框回归之后作为最终结果。

最后,每次跟踪失败或者一定时间之后在线更新跟踪器。

本发明的益处在于改变传统的采样方法,将在图像层采样变为在特征层采样,大大提升了速度,在保证精度
的条件下提升了速度。

权利要求书3页 说明书5页 附图1页CN 110009661 A 2019.07.12
C N 110009661
A
1.一种视频目标跟踪的方法,其特征在于,步骤如下:
一、离线训练阶段:
步骤1:利用公开的数据库训练一个分类器网络,分类器网络的输入是图像块,输出为图像块的得分,其中图像块是目标前景则输出为1,图像块是背景输出则为0;分类器网络用于分辨输入图像块是目标前景还是背景,并对图像块进行打分;如公式(1),其中,表示在视频序列的第t帧取到的第i个图像块,
代表图像块在分类器网络1中第m类的特征,m取值1、2;表示分类器网络1中softmax层中第m类的输出;公式(2)表示分类器
网络的监督损失,
式中,表示视频序列中第t帧取得的第i个
图像块的真值标签,当真值标签与类别输出相同时,则结果为1,反之则为0;
表示分类器
网络1在图像序列中取N个图像块的损失;
步骤2:采用深度互学习的方法,用两个相同的分类器网络同时进行训练,并在结果之前的网络层建立连接,用KL散度进行相互监督,从而使得两个分类器网络获得更强大的分类能力;公式(3)D KL (p 2‖p 1)代表用KL散度相互监督,式中,分别表示分类器网络1、分类器网络2中softmax层中第m类的输出,KL散度是在图像序列中取N个图像块进行计算;公式
(4)分别表示分类器网络1、分类器网络2的最终损失,
其中
分别表示分类器网络1、分类器网络2在图像序列中取N个图像块的损失;λ1、λ2是
超参数,
用于调整损失之间的关系;
权 利 要 求 书1/3页2CN 110009661 A。

相关文档
最新文档