一种自适应时空学习与状态识别的目标跟踪方法

    公开(公告)号:CN109993770A

    公开(公告)日:2019-07-09

    申请号:CN201910280578.X

    申请日:2019-04-09

    Abstract: 本发明提供了一种自适应时空学习与状态识别的目标跟踪方法。本发明涉及计算机视觉、人工智能、模式识别技术领域。包含目标检测网络,目标恢复与状态识别网络,空间特征提取网络和时间特征提取网络。然后在网络离线训练过程中,使用生成的目标训练集对网络进行训练,使得网络初始具备了相应的目标检测和识别能力。跟踪过程中,通过空间特征提取网络获取目标丰富的空间特征,再经过时间特征提取网络获取目标的时间变化特征,使得其判别的目标置信度更能反映目标的准确位置,通过将具有最大置信度的候选图像块作为目标图像块,并将其对应的位置作为目标所在的位置,完成目标定位,从而实现对目标对象的跟踪。

    一种基于检测中支持在线聚类学习的对象跟踪方法

    公开(公告)号:CN102799900B

    公开(公告)日:2014-08-06

    申请号:CN201210229981.8

    申请日:2012-07-04

    Abstract: 一种基于检测中支持在线聚类学习的对象跟踪方法,属于计算机图形图像技术领域。该方法在随机蕨检测器的叶节点中同时保存目标和背景样例的特征向量,通过在线聚类学习发掘其分布特性,并将其作为核函数的采样数据点进行类型概率密度估计。从初始图像中选择并确定要跟踪的目标对象,并加入到由目标图像块组成的在线模型,目标选取过程可以通过运动目标检测方法自动提取。在实时处理情况下,提取通过摄像头采集并保存在存储区的视频图像,作为要进行跟踪的输入图像。提取目标图像块作为正样例和选取背景图像块作为负样例,生成在线训练集并输入到检测器。对于多目标的情形具有多个目标类型,每个目标类型对应一个目标。主要用于对象跟踪的各种场合。

    一种基于蒙特卡洛树搜索的对象跟踪方法

    公开(公告)号:CN106169188A

    公开(公告)日:2016-11-30

    申请号:CN201610537417.0

    申请日:2016-07-11

    Abstract: 本发明提供了一种基于蒙特卡洛树搜索的对象跟踪方法,属于计算机视觉、图形图像技术领域。首先通过背景建模和前景提取方法,获取视频监控范围内各个车辆的图像区域,通过初始化蒙特卡洛树和预测轨迹的起始节点,并获取一段时间的视频图像,然后通过多次的节点选择、扩展、模拟和相似度计算来生成和评价预测轨迹,并据此更新树节点权重,然后将树中具有最大节点权重和的路径作为目标轨迹,完成对车辆的定位,进而实现车辆跟踪。最后,根据车辆目标跟踪的结果计算车辆目标在该时间段内运动的图像距离,并按照图像距离与实际距离的比例关系计算得到车辆在道路中的实际运动距离,进而得到车辆的行驶速度,完成车辆超速跟踪检测。

    一种用于真空管道交通的接驳走廊

    公开(公告)号:CN100484812C

    公开(公告)日:2009-05-06

    申请号:CN200710049111.1

    申请日:2007-05-16

    CPC classification number: B61B13/10 B61B1/02

    Abstract: 本发明公开了一种用于真空管道交通的接驳走廊,其组成为:在车站处设有一端嵌入真空管道(1)内的筒状固定走廊(6),固定走廊(6)另一端与车站站台相接,固定走廊(6)与真空管道(1)连接处密封;固定走廊(6)的前部内壁密封套合有伸缩走廊(9);伸缩机构(10)的一端与伸缩走廊(9)相连,另一端与固定走廊(6)相连,伸缩走廊(9)的前端沿与列车车厢(2)的车门(3)周围的形状适配且设有密封条(11);固定走廊(6)中后部设有密封门(7),密封门(7)或密封门(7)前方的固定走廊(6)壁上设有一个气阀(8)。它能在较短时间内,完成真空管道中列车旅客的上下车,提高列车的运行效率,且其耗能少,结构简单。

    一种自适应时空学习与状态识别的目标跟踪方法

    公开(公告)号:CN109993770B

    公开(公告)日:2022-07-15

    申请号:CN201910280578.X

    申请日:2019-04-09

    Abstract: 本发明提供了一种自适应时空学习与状态识别的目标跟踪方法。本发明涉及计算机视觉、人工智能、模式识别技术领域。包含目标检测网络,目标恢复与状态识别网络,空间特征提取网络和时间特征提取网络。然后在网络离线训练过程中,使用生成的目标训练集对网络进行训练,使得网络初始具备了相应的目标检测和识别能力。跟踪过程中,通过空间特征提取网络获取目标丰富的空间特征,再经过时间特征提取网络获取目标的时间变化特征,使得其判别的目标置信度更能反映目标的准确位置,通过将具有最大置信度的候选图像块作为目标图像块,并将其对应的位置作为目标所在的位置,完成目标定位,从而实现对目标对象的跟踪。

    基于对象检测的交通流量检测方法

    公开(公告)号:CN103208190B

    公开(公告)日:2015-07-15

    申请号:CN201310106728.8

    申请日:2013-03-29

    Abstract: 本发明提供了一种基于对象检测的交通流量检测方法,属于智能视频监控技术领域。目前交通流量检测存在难以对机动或非机动车辆实现有效的区分的问题。本发明首先通过离线训练得到基于随机蕨的实时对象检测器,然后通过该检测器对交通视频图像进行对象检测,确定当前视频场景中对象的类型和数量;接着在运行时对检测结果进行基于活动区的标记匹配,实现对交通流量的计算。同时,本发明支持通过加入新的训练数据在线更新检测器,使系统能够得到不断的优化和完善,可以对交通流量进行实时地分类计算和统计,使流量计算结果更加准确。主要用于交通流量检测。

    基于场景识别的入侵检测方法

    公开(公告)号:CN103152558A

    公开(公告)日:2013-06-12

    申请号:CN201310106572.3

    申请日:2013-03-29

    Abstract: 本发明提供了一种基于场景识别的入侵检测方法,属于智能视频监控技术领域。该方法有效解决了在动态背景下视频区域实时入侵检测的问题。本发明包括如下步骤:初始化:将整个视频区域划分为N×N个图像块,并计算每个图像块的均值和标准差。输入监控区域视频图像:输入的图像是通过监控摄像头实时采集得到的视频图像,也可以是由已采集的视频文件分解为多个帧组成的图像序列,按照时间顺序逐个输入图像;场景识别和入侵区域分析与处理:根据场景已有的正常模式,当前场景首先被有效的识别和匹配,然后通过计算每个图像块的模式偏差并与阈值比较,得到被入侵的视频区域,从而实现对监控视频的入侵检测。主要用于入侵检测。

    一种用于真空管道交通的接驳走廊

    公开(公告)号:CN101054087A

    公开(公告)日:2007-10-17

    申请号:CN200710049111.1

    申请日:2007-05-16

    CPC classification number: B61B13/10 B61B1/02

    Abstract: 本发明公开了一种用于真空管道交通的接驳走廊,其组成为:在车站处设有一端嵌入真空管道(1)内的筒状固定走廊(6),固定走廊(6)另一端与车站站台相接,固定走廊(6)与真空管道(1)连接处密封;固定走廊(6)的前部内壁密封套合有伸缩走廊(9);伸缩机构(10)的一端与伸缩走廊(9)相连,另一端与固定走廊(6)相连,伸缩走廊(9)的前端沿与列车车厢(2)的车门(3)周围的形状适配且设有密封条(11);固定走廊(6)中后部设有密封门(7),密封门(7)或密封门(7)前方的固定走廊(6)壁上设有一个气阀(8)。它能在较短时间内,完成真空管道中列车旅客的上下车,提高列车的运行效率,且其耗能少,结构简单。

    一种基于蒙特卡洛树搜索的对象跟踪方法

    公开(公告)号:CN106169188B

    公开(公告)日:2019-01-15

    申请号:CN201610537417.0

    申请日:2016-07-11

    Abstract: 本发明提供了一种基于蒙特卡洛树搜索的对象跟踪方法,属于计算机视觉、图形图像技术领域。首先通过背景建模和前景提取方法,获取视频监控范围内各个车辆的图像区域,通过初始化蒙特卡洛树和预测轨迹的起始节点,并获取一段时间的视频图像,然后通过多次的节点选择、扩展、模拟和相似度计算来生成和评价预测轨迹,并据此更新树节点权重,然后将树中具有最大节点权重和的路径作为目标轨迹,完成对车辆的定位,进而实现车辆跟踪。最后,根据车辆目标跟踪的结果计算车辆目标在该时间段内运动的图像距离,并按照图像距离与实际距离的比例关系计算得到车辆在道路中的实际运动距离,进而得到车辆的行驶速度,完成车辆超速跟踪检测。

    基于场景识别的入侵检测方法

    公开(公告)号:CN103152558B

    公开(公告)日:2015-10-07

    申请号:CN201310106572.3

    申请日:2013-03-29

    Abstract: 本发明提供了一种基于场景识别的入侵检测方法,属于智能视频监控技术领域。该方法有效解决了在动态背景下视频区域实时入侵检测的问题。本发明包括如下步骤:初始化:将整个视频区域划分为N×N个图像块,并计算每个图像块的均值和标准差。输入监控区域视频图像:输入的图像是通过监控摄像头实时采集得到的视频图像,也可以是由已采集的视频文件分解为多个帧组成的图像序列,按照时间顺序逐个输入图像;场景识别和入侵区域分析与处理:根据场景已有的正常模式,当前场景首先被有效的识别和匹配,然后通过计算每个图像块的模式偏差并与阈值比较,得到被入侵的视频区域,从而实现对监控视频的入侵检测。主要用于入侵检测。

Patent Agency Ranking