CN117474959A - 基于视频数据的目标对象运动轨迹处理方法及系统 - Google Patents
基于视频数据的目标对象运动轨迹处理方法及系统 Download PDFInfo
- Publication number
- CN117474959A CN117474959A CN202311744298.2A CN202311744298A CN117474959A CN 117474959 A CN117474959 A CN 117474959A CN 202311744298 A CN202311744298 A CN 202311744298A CN 117474959 A CN117474959 A CN 117474959A
- Authority
- CN
- China
- Prior art keywords
- frame
- target object
- image sequence
- motion
- image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000003086 colorant Substances 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 28
- 230000003287 optical effect Effects 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 22
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 239000006002 Pepper Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 235000002566 Capsicum Nutrition 0.000 claims description 4
- 235000016761 Piper aduncum Nutrition 0.000 claims description 4
- 235000017804 Piper guineense Nutrition 0.000 claims description 4
- 235000008184 Piper nigrum Nutrition 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000011179 visual inspection Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 241000722363 Piper Species 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于视频数据的目标对象运动轨迹处理方法及系统，涉及运动数据处理技术领域，包括：获取视频文件，通过解码器将视频文件分解为初始图像序列，识别噪声并去噪，生成帧图像序列，通过线性工具对帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列；识别标准图像序列中的关键帧，分析关键帧中目标对象的运动轨迹以及在当前帧与上一帧之间的速度差异度，确定目标对象的运动差异度；根据运动差异度，通过临近图像匹配器将关键帧中目标对象对应的特征点与标准图像序列中的其余图像进行匹配，得到匹配点对，通过拟合迭代算法确定匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计。
Description
技术领域
本发明涉及运动数据处理技术领域，尤其涉及一种基于视频数据的目标对象运动轨迹处理方法及系统。
背景技术
随着社会的发展和科技的进步，视频数据的获取变得越来越容易。大量的视频数据在监控、交通、娱乐等领域产生，其中包含了丰富的信息。其中，目标对象的运动轨迹分析对于很多应用具有重要意义，
现有技术中，CN113808167A公开了一种基于视频数据的排球运动轨迹检测方法，从摄像机捕捉的多视角同步排球视频中，利用基于深度学习的目标检测模型，有效的检测并计算排球的运动轨迹。该方法包括：排球目标检测、运动轨迹匹配筛选、运动轨迹三维重构。
综上，现有技术虽然能够基于视频中的运动轨迹对目标对象进行分析，但无法通过视频中目标对象的轨迹和对应的特征点进行状态预测，因此需要一种方案解决现有技术中存在的问题。
发明内容
本发明实施例提供一种基于视频数据的目标对象运动轨迹处理方法及系统，用于根据视频图像对待识别目标的运动轨迹进行识别，同时对目标对象进行状态估计。
本发明实施例的第一方面，提供一种基于视频数据的目标对象运动轨迹处理方法，包括：
获取视频文件，通过解码器将所述视频文件分解为初始图像序列，识别所述初始图像序列中的噪声并去噪，生成帧图像序列，通过线性工具对所述帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列；
识别所述标准图像序列中的关键帧，并通过光流法分析所述关键帧中目标对象的运动轨迹以及目标对象在当前帧与上一帧之间的速度差异度，根据所述运动轨迹结合所述速度差异度确定所述目标对象在当前帧与上一帧之间的运动差异度；
根据所述运动差异度，通过预设的临近图像匹配器将所述关键帧中所述目标对象对应的特征点与所述标准图像序列中的其余图像进行匹配，得到匹配点对，通过拟合迭代算法确定所述匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计。
在一种可选的实施方式中，
所述获取视频文件，通过解码器将所述视频文件分解为初始图像序列，识别所述初始图像序列中的噪声并去噪，生成帧图像序列包括：
获取待检测的视频文件，识别所述视频文件的格式并选择对应的解码器，初始化所述解码器，为所述解码器分配内存，设置所述解码器的分辨率、帧率和色彩空间；
读取所述视频文件的每一帧，并获取所述视频文件中每一帧对应的类型和时间戳，将压缩的帧数据输入解码器还原为原始图像，根据所述原始图像对应的类型进行帧间预测，去除所述原始图像中的冗余信息并将所述原始图像根据所述时间戳进行排列，得到初始图像序列；
对所述初始图像序列中的每一帧原始图像进行像素值分析，根据所述像素值分析的结果对所述原始图像通过频域分析识别噪声类型，并去除对应的噪声，通过视觉检查去除所述原始图像中的椒盐噪声，得到帧图像序列。
在一种可选的实施方式中，
所述通过线性工具对所述帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列包括：
载入帧图像序列，在图层中添加调整图层，并在所述调整图层中确定RGB效果曲线，通过调整所述RGB效果曲线的形状调整所述帧图像序列中图像的对比度，通过调整所述RGB效果曲线的顶部和底部，修改所述帧图像序列中图像的亮度，在所述RGB效果曲线中选择颜色通道，在所述颜色通道中添加控制点，通过调整所述控制点的位置，调整所述帧图像序列中图像的颜色强度，得到调整图像；
通过直方图工具对所述调整图像进行评估，确定所述调整图像是否满足系统需求，若满足，则将所述调整图像根据时间戳进行排列，输出标准图像序列，若不满足，则根据所述系统需求修改所述调整图像。
在一种可选的实施方式中，
所述识别所述标准图像序列中的关键帧，并通过光流法分析所述关键帧中的目标对象的运动轨迹以及目标对象在当前帧与上一帧之间的速度差异度，根据所述运动轨迹结合所述速度差异度确定所述目标对象在当前帧与上一帧之间的运动差异度包括：
对所述标准图像序列中的每个帧应用差异分析算法，提取所述标准图像序列中每一帧图像的图像特征，根据所述图像特征判断连续帧之间的特征相似度，并将与后一帧图像具有最高相似度的帧作为关键帧；
对所述标准图像序列应用光流法，提取所述标准图像序列中每一帧的特征点，计算所述目标对象在连续帧之间的光流场，连接所述目标对象对应的初始特征点和在关键帧中的特征点，绘制所述目标对象的运动轨迹；
计算所述目标对象在所述光流场中对应的每个特征点的位移向量，结合所述标准图像序列中帧之间的时间间隔，确定所述目标对象在帧之间的速度，比较所述关键帧对应的速度与上一帧对应的速度，得到速度差异度；
根据所述速度差异度与所述运动轨迹，计算得到所述目标对象在当前帧与上一帧之间的运动差异度。
在一种可选的实施方式中，
所述根据所述速度差异度与所述运动轨迹，计算得到所述目标对象在当前帧与上一帧之间的运动差异度包括：
；
其中，D表示运动差异度，w 1 表示水平方向速度分量权重，V x 表示水平方向速度分量，d x 表示水平方向位置差，α表示水平方向缩放因子，w 2 表示垂直方向速度分量权重，V y 表示垂直方向速度分量，d y 表示垂直方向位置差，β表示垂直方向缩放因子。
在一种可选的实施方式中，
所述根据所述运动差异度，通过预设的临近图像匹配器将所述关键帧中所述目标对象对应的特征点与所述标准图像序列中的其余图像进行匹配，得到匹配点对包括：
对所述关键帧应用特征点检测算法，提取所述关键帧中目标对象对应的第一特征点，并计算所述第一特征点对应的特征描述子，将所述运动差异度对应的信息添加至所述第一特征点对应的特征描述子中，得到运动特征描述子；
根据所述运动特征描述子初始化所述临近图像匹配器，对应修改所述临近图像匹配器的索引，根据所述运动特征描述子将所述标准图像序列中除关键帧之外的其他图像的特征点基于划分值划分为两部分，一部分为大于所述划分值的特征点，另一部分为小于所述划分值的特征点，重复划分直至达到最大深度，得到多维树子树，将所述多维树子树连接得到多维树；
对于每个所述第一特征点，通过所述临近图像匹配器将所述第一特征点从所述多维树的根节点开始，比较所述第一特征点在划分维度上的值和当前节点的划分值，确定搜索方向，重复搜索直至到达所述多维树的叶节点；
从所述叶节点向上回溯，检查当前节点的特征点是否距离若更近，则更新最近邻特征点和距离，重复操作直至全部第一特征点都完成匹配，得到匹配点对。
在一种可选的实施方式中，
所述通过拟合迭代算法确定所述匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计包括：
在所述匹配点对中随机选择一个作为初始匹配点对，定义所述拟合迭代算法的迭代次数，在每次迭代中，随机选择三个匹配点对构建仿射变换矩阵并求解，计算所述初始匹配点对在所述仿射变换矩阵条件下的预测位置，计算所述初始匹配点对的实际位置与所述预测位置间的距离，若小于预设的距离阈值，则将所述初始匹配点对划分为内点；
对于每个匹配点对，确定当前匹配点对是为否内点，汇总全部内点并使用所述内点通过最小二乘法重新估计仿射变换矩阵，得到最优变换矩阵，根据所述最优变换矩阵对所述关键帧进行变换，得到目标对象状态估计。
本发明实施例的第二方面，提供一种基于视频数据的目标对象运动轨迹处理系统，包括：
第一单元，用于获取视频文件，通过解码器将所述视频文件分解为初始图像序列，识别所述初始图像序列中的噪声并去噪，生成帧图像序列，通过线性工具对所述帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列；
第二单元，用于识别所述标准图像序列中的关键帧，并通过光流法分析所述关键帧中目标对象的运动轨迹以及目标对象在当前帧与上一帧之间的速度差异度，根据所述运动轨迹结合所述速度差异度确定所述目标对象在当前帧与上一帧之间的运动差异度；
第三单元，用于根据所述运动差异度，通过预设的临近图像匹配器将所述关键帧中所述目标对象对应的特征点与所述标准图像序列中的其余图像进行匹配，得到匹配点对，通过拟合迭代算法确定所述匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明中，通过解码器将视频文件分解为初始图像序列，并在此基础上识别和去除噪声，能够提高图像质量和准确性，通过线性工具对RGB曲线进行调整，进行色彩校正，有助于提升图像的对比度、亮度和色彩准确性，生成更为标准的图像序列，通过识别关键帧，应用光流法对关键帧中目标对象的运动轨迹进行分析，可以更准确地捕捉目标对象的运动信息，通过临近图像匹配器和拟合迭代算法，实现了目标对象在关键帧与标准图像序列中其他图像之间的匹配，估计了变换矩阵，综上，本发明实现了对目标对象运动的全面分析。
附图说明
图1为本发明实施例基于视频数据的目标对象运动轨迹处理方法的流程示意图；
图2为本发明实施例基于视频数据的目标对象运动轨迹处理系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于视频数据的目标对象运动轨迹处理方法的流程示意图，如图1所示，所述方法包括：
S1.获取视频文件，通过解码器将所述视频文件分解为初始图像序列，识别所述初始图像序列中的噪声并去噪，生成帧图像序列，通过线性工具对所述帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列；
所述RGB曲线是指图像中红色、绿色和蓝色通道在不同亮度级别上的亮度或颜色值，曲线上的每个点代表一个亮度级别，而曲线的形状影响着图像的色调、对比度和饱和度，通过调整曲线可以改变图像的色彩效果，使其更明亮、更对比、更鲜艳，所述线性工具是指用于图像处理的软件或应用程序，提供了调整图像属性的功能，通常包括各种调整选项，如亮度、对比度、饱和度、色调等，所述帧图像序列是指由一系列图像帧组成的图像序列，通常用于表示视频，每一帧都是视频中的单个图像，而帧图像序列是由这些图像按照时间顺序排列而成。
在一种可选的实施方式中，
所述获取视频文件，通过解码器将所述视频文件分解为初始图像序列，识别所述初始图像序列中的噪声并去噪，生成帧图像序列包括：
获取待检测的视频文件，识别所述视频文件的格式并选择对应的解码器，初始化所述解码器，为所述解码器分配内存，设置所述解码器的分辨率、帧率和色彩空间；
读取所述视频文件的每一帧，并获取所述视频文件中每一帧对应的类型和时间戳，将压缩的帧数据输入解码器还原为原始图像，根据所述原始图像对应的类型进行帧间预测，去除所述原始图像中的冗余信息并将所述原始图像根据所述时间戳进行排列，得到初始图像序列；
对所述初始图像序列中的每一帧原始图像进行像素值分析，根据所述像素值分析的结果对所述原始图像通过频域分析识别噪声类型，并去除对应的噪声，通过视觉检查去除所述原始图像中的椒盐噪声，得到帧图像序列。
所述色彩空间是描述和表示图像颜色的数学模型，图像中的每个像素都可以在色彩空间中表示为一个矢量，所述帧间预测是视频压缩中的一项技术，通过对视频序列中的相邻帧之间的差异进行编码来实现数据压缩，通常使用帧间预测来利用视频序列中的时空相关性，从而减少需要存储或传输的数据量，所述像素值分析是指对图像中每个像素的数值进行分析的过程，包括对像素的亮度、颜色强度等特征的研究，所述椒盐噪声是一种图像中常见的噪声类型，表现为图像中突然出现的黑白点，可能是由于图像采集过程中的故障、传输中的错误或图像存储中的问题引起的。
获取待检测的视频文件，使用视频处理库识别视频文件的格式，根据视频格式选择相应的视频解码器，初始化所选的视频解码器，为解码器分配必要的内存空间，根据需要，设置解码器的分辨率、帧率和色彩空间等参数；
循环读取视频文件的每一帧，将压缩的帧数据输入解码器，解码还原为原始图像，获取每一帧对应的类型和时间戳，对每一帧原始图像进行帧间预测，通过差分计算得到的残差信息，减小图像的存储空间，去除冗余信息，根据时间戳对帧图像进行排序，得到初始图像序列。
本实施例中，通过选择合适的解码器和设置相关参数，成功解码视频文件，将压缩的帧数据还原为原始图像有助于保留视频中的重要信息，并为后续轨迹分析提供清晰的输入，通过帧间预测技术，有效地利用视频序列中相邻帧之间的时空相关性，有助于减少存储和传输所需的数据量，提高系统的效率，通过像素值分析和频域分析，能够检测并识别图像中的噪声类型，有助于提高图像质量，特别是在目标对象轨迹分析中，去除椒盐噪声等能够减少对目标位置的影响，综上，本实施例为后续的目标对象轨迹分析提供了清晰且优化过的图像序列，有助于提高系统的准确性、鲁棒性和性能，为后续的目标追踪和轨迹分析提供可靠的基础。
在一种可选的实施方式中，
所述通过线性工具对所述帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列包括：
载入帧图像序列，在图层中添加调整图层，并在所述调整图层中确定RGB效果曲线，通过调整所述RGB效果曲线的形状调整所述帧图像序列中图像的对比度，通过调整所述RGB效果曲线的顶部和底部，修改所述帧图像序列中图像的亮度，在所述RGB效果曲线中选择颜色通道，在所述颜色通道中添加控制点，通过调整所述控制点的位置，调整所述帧图像序列中图像的颜色强度，得到调整图像；
通过直方图工具对所述调整图像进行评估，确定所述调整图像是否满足系统需求，若满足，则将所述调整图像根据时间戳进行排列，输出标准图像序列，若不满足，则根据所述系统需求修改所述调整图像。
所述调整图层是在图像编辑软件中添加的一种特殊图层，其主要目的是对下方的图层或图像进行调整，而不会直接改变原始图像的像素数据，通过其自身的调整参数，以一种非破坏性的方式影响底层图像，所述颜色强度指的是图像中颜色的饱和度或强度程度。
载入所述帧图像序列，创建一个新的调整图层，在调整图层中找到RGB效果曲线调整选项并确定RGB效果曲线的形状，通过调整RGB效果曲线的形状，调整帧图像序列中图像的对比度，通过调整RGB效果曲线的顶部和底部，修改帧图像序列中图像的亮度，在RGB效果曲线中选择颜色通道，包括红色、绿色和蓝色通道，在所选的颜色通道中添加控制点，并通过调整这些控制点的位置，调整帧图像序列中图像的颜色强度；
使用直方图工具对调整图像进行评估，通过直方图显示图像中不同亮度级别的分布情况，根据直方图的信息，判断调整图像是否满足系统需求，如果调整图像满足系统需求，则将调整图像根据时间戳进行排列，如果不满足系统需求，则根据系统需求修改RGB效果曲线等调整参数，最终满足系统需求的调整图像会根据时间戳进行排列，形成标准图像序列。
本实施例中，通过调整RGB效果曲线的形状可以调整帧图像序列中图像的对比度，有助于突出或平滑图像中的亮度差异，使得目标对象的特征更为突出，通过调整RGB效果曲线的顶部和底部，可以修改帧图像序列中图像的亮度，有助于适应不同的环境条件或目标对象的特性，通过直方图分析，可以评估调整图像是否符合系统需求，综上，本实施例能够提高目标对象的可识别性和追踪准确性。
S2.识别所述标准图像序列中的关键帧，并通过光流法分析所述关键帧中目标对象的运动轨迹以及目标对象在当前帧与上一帧之间的速度差异度，根据所述运动轨迹结合所述速度差异度确定所述目标对象在当前帧与上一帧之间的运动差异度；
所述光流法是一种用于估计图像序列中像素运动的技术，通常用于追踪对象、分析运动场景，或者为目标检测提供运动信息，所述速度差异度是指相邻帧之间的速度变化，通常表示物体或像素在两个连续帧之间的运动速度的差异，所述运动差异度是指相邻帧之间的整体运动差异，不仅包括物体的速度变化，还考虑了物体的形状、轨迹等因素，用于比较不同物体或场景之间的运动特征，或者用于检测整体运动的变化。
在一种可选的实施方式中，
所述识别所述标准图像序列中的关键帧，并通过光流法分析所述关键帧中的目标对象的运动轨迹以及目标对象在当前帧与上一帧之间的速度差异度，根据所述运动轨迹结合所述速度差异度确定所述目标对象在当前帧与上一帧之间的运动差异度包括：
对所述标准图像序列中的每个帧应用差异分析算法，提取所述标准图像序列中每一帧图像的图像特征，根据所述图像特征判断连续帧之间的特征相似度，并将与后一帧图像具有最高相似度的帧作为关键帧；
对所述标准图像序列应用光流法，提取所述标准图像序列中每一帧的特征点，计算所述目标对象在连续帧之间的光流场，连接所述目标对象对应的初始特征点和在关键帧中的特征点，绘制所述目标对象的运动轨迹；
计算所述目标对象在所述光流场中对应的每个特征点的位移向量，结合所述标准图像序列中帧之间的时间间隔，确定所述目标对象在帧之间的速度，比较所述关键帧对应的速度与上一帧对应的速度，得到速度差异度；
根据所述速度差异度与所述运动轨迹，计算得到所述目标对象在当前帧与上一帧之间的运动差异度。
所述差异分析算法用于比较图像或图像序列之间的差异，以提取特征或检测变化，所述光流场是描述图像中每个像素点在两个相邻帧之间的运动情况的场，目标是为每个像素估计一个运动向量，表示该像素从一帧到下一帧的位移。
考虑图像序列的特性和应用场景并选择适当的差异分析算法，如颜色差异分析、纹理差异分析、结构差异分析等，对标准图像序列中的每个帧应用差异分析算法，提取每一帧图像的特征，通过相似度度量方法计算连续帧之间的特征相似度，根据计算得到的特征相似度，判断连续帧之间的相似度，将与后一帧图像具有最高相似度的帧作为关键帧；
对标准图像序列中的每一帧应用光流法，提取特征点，并计算目标对象在连续帧之间的光流场，对于每个目标对象对应的特征点，通过匹配特征点连接其在连续帧中的轨迹，包括初始帧和关键帧，绘制目标对象的运动轨迹，通过连接特征点之间的路径，可视化目标对象在图像序列中的运动情况；
计算目标对象在光流场中每个特征点的位移向量，结合标准图像序列中帧之间的时间间隔，确定目标对象在帧之间的速度，比较关键帧对应的速度与上一帧对应的速度，计算速度差异度；
根据速度差异度与运动轨迹，计算得到目标对象在当前帧与上一帧之间的运动差异度。
本实施例中，通过差异分析算法，能够在标准图像序列中识别具有显著变化或特征的关键帧，有助于捕捉目标对象的运动状态和关键事件，利用光流场计算目标对象在连续帧之间的速度。通过比较关键帧对应的速度与上一帧对应的速度得到速度差异度，能够捕捉到目标对象在运动过程中的速度变化，从而反映出动态特性的差异，将光流法用于提取标准图像序列中每一帧的特征点，通过连接这些特征点的轨迹，形成目标对象的运动轨迹能够提供更细粒度的目标运动信息，捕捉目标对象的具体运动模式，综上，本实施例通过结合多种计算机视觉技术，实现对目标对象运动的全面、细致的分析，为后续的目标跟踪、行为分析等应用提供了有力的基础。
在一种可选的实施方式中，
所述根据所述速度差异度与所述运动轨迹，计算得到所述目标对象在当前帧与上一帧之间的运动差异度包括：
；
其中，D表示运动差异度，w 1 表示水平方向速度分量权重，V x 表示水平方向速度分量，d x 表示水平方向位置差，α表示水平方向缩放因子，w 2 表示垂直方向速度分量权重，V y 表示垂直方向速度分量，d y 表示垂直方向位置差，β表示垂直方向缩放因子。
本函数中，综合了水平方向和垂直方向的速度分量与位置差，并通过权重对速度和位置信息进行调节，使得运动差异度的计算更全面，同时考虑了速度和位置在不同方向上的影响，对速度分量进行了缩放和对数变换有助于调节速度分量对运动差异度的贡献，通过调节权重系数可以灵活地控制水平和垂直方向速度分量的权重，考虑到了不同应用场景中水平和垂直方向运动可能的重要性不同，使本方法在不同情境下更具灵活性，综上，本函数通过合理的数学模型，综合考虑了速度和位置信息，通过调节权重和缩放因子，提供了一种对目标对象运动变化进行全面而灵活评估的方法。
S3.根据所述运动差异度，通过预设的临近图像匹配器将所述关键帧中所述目标对象对应的特征点与所述标准图像序列中的其余图像进行匹配，得到匹配点对，通过拟合迭代算法确定所述匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计。
所述临近图像匹配器是一种在图像处理和计算机视觉领域常用的工具，用于在不同图像之间寻找相似的特征点或图像区域，所述拟合迭代算法通常用于估计数学模型，以最优地拟合一组数据。在目标对象轨迹处理中，拟合迭代算法常用于估计目标对象在不同帧之间的运动变换矩阵。
在一种可选的实施方式中，
所述根据所述运动差异度，通过预设的临近图像匹配器将所述关键帧中所述目标对象对应的特征点与所述标准图像序列中的其余图像进行匹配，得到匹配点对包括：
对所述关键帧应用特征点检测算法，提取所述关键帧中目标对象对应的第一特征点，并计算所述第一特征点对应的特征描述子，将所述运动差异度对应的信息添加至所述第一特征点对应的特征描述子中，得到运动特征描述子；
根据所述运动特征描述子初始化所述临近图像匹配器，对应修改所述临近图像匹配器的索引，根据所述运动特征描述子将所述标准图像序列中除关键帧之外的其他图像的特征点基于划分值划分为两部分，一部分为大于所述划分值的特征点，另一部分为小于所述划分值的特征点，重复划分直至达到最大深度，得到多维树子树，将所述多维树子树连接得到多维树；
对于每个所述第一特征点，通过所述临近图像匹配器将所述第一特征点从所述多维树的根节点开始，比较所述第一特征点在划分维度上的值和当前节点的划分值，确定搜索方向，重复搜索直至到达所述多维树的叶节点；
从所述叶节点向上回溯，检查当前节点的特征点是否距离若更近，则更新最近邻特征点和距离，重复操作直至全部第一特征点都完成匹配，得到匹配点对。
所述特征描述子是对图像或图像中的特定区域进行数值描述的一种方式，通常用于表示图像中的关键点或区域，并具有对图像内容进行唯一而稳定的描述的能力，所述运动特征描述子是特征描述子的一种扩展，包含了与运动信息相关的数据，在本发明中，运动特征描述子包含有关目标对象在连续帧之间运动的信息，例如速度、方向等，通过将运动信息嵌入到特征描述子中，可以更好地捕捉目标对象的动态变化，所述多维树子树是多维树的一个分支或子结构，所述多维树是一种数据结构，通常是一棵树，用于组织和存储多维数据，常用于加速搜索和匹配过程，所述根节点是树结构中的顶层节点，它没有父节点，在多维树中，根节点是整个树的起始点，通过分支将数据空间划分为子空间，所述叶节点是树结构中没有子节点的节点，在多维树中，叶节点包含最终的数据点，即没有进一步划分的数据点。
针对关键帧应用特征点检测算法，提取目标对象对应的第一特征点，通过提取关键点周围的局部图像区域的信息，形成特征向量，计算第一特征点的特征描述子，通过将运动差异度的数值或其他表示形式嵌入到特征向量中将运动差异度信息添加至第一特征点对应的特征描述子中，得到运动特征描述子；
使用运动特征描述子初始化临近图像匹配器，修改临近图像匹配器的索引结构以适应新的描述子，根据运动特征描述子，将标准图像序列中除关键帧之外的其他图像的特征点基于划分值划分为两部分，重复划分直至达到最大深度，形成多维树的子树，将多维树的子树连接，形成完整的多维树结构，其中多维树的构建和连接过程可以基于运动特征描述子的相似性进行，以确保具有相似运动特征的特征点在树中更接近；
使用临近图像匹配器将第一特征点从多维树的根节点开始搜索，比较第一特征点在划分维度上的值和当前节点的划分值，确定搜索方向，重复搜索直至到达多维树的叶节点；
从叶节点开始，向上回溯多维树，检查当前节点的特征点是否距离更近，如果是，则更新最近邻特征点和距离，重复上述过程，直至所有第一特征点都完成匹配，得到每个第一特征点的最近邻特征点，构成匹配点对。
本实施例中，利用多维树组织标准图像序列中除关键帧之外的其他图像的特征点，形成多维树子树有助于在匹配时快速定位相似特征点，通过回溯过程，确保了找到的最近邻特征点是全局最优的，使匹配点对更加准确和可靠，运动特征描述子的引入使得匹配过程更注重运动信息，从而更好地适应目标对象在轨迹中的变化，综上，本实施例有助于提高目标对象轨迹处理方法的准确性和鲁棒性，能够更好地应对目标对象在轨迹中的运动和变化。
在一种可选的实施方式中，
所述通过拟合迭代算法确定所述匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计包括：
在所述匹配点对中随机选择一个作为初始匹配点对，定义所述拟合迭代算法的迭代次数，在每次迭代中，随机选择三个匹配点对构建仿射变换矩阵并求解，计算所述初始匹配点对在所述仿射变换矩阵条件下的预测位置，计算所述初始匹配点对的实际位置与所述预测位置间的距离，若小于预设的距离阈值，则将所述初始匹配点对划分为内点；
对于每个匹配点对，确定当前匹配点对是否为内点，汇总全部内点并使用所述内点通过最小二乘法重新估计仿射变换矩阵，得到最优变换矩阵，根据所述最优变换矩阵对所述关键帧进行变换，得到目标对象状态估计。
所述仿射变换矩阵是一种线性变换矩阵，用于描述包括平移、旋转、缩放和剪切等线性变换的数学表示，所述最优变换矩阵通常是指通过某种优化方法，找到使得变换后的图像与目标图像之间误差最小的仿射变换矩阵，所述内点是指在匹配过程中被认为是正确匹配的特征点对，目的是排除外点（错误匹配），从而提高估计的准确性。
从匹配点对中随机选择一个作为初始匹配点对并定义你和迭代算法的迭代次数，对于每次迭代，随机选择三个匹配点对，构建仿射变换矩阵并求解，计算初始匹配点对在所得仿射变换矩阵条件下的预测位置，根据所述预测位置计算初始匹配点对的实际位置与预测位置之间的距离，将计算得到的距离与预设的距离阈值比较，若距离小于预设的距离阈值，则将初始匹配点对划分为内点；
对于每个匹配点对，确定是否为内点，汇总所有内点，使用内点通过最小二乘法重新估计仿射变换矩阵，得到最优变换矩阵，根据最优变换矩阵对关键帧进行变换，得到变换后的关键帧，即目标对象的状态估计。
本实施例中，通过随机选择匹配点对进行迭代，提高了算法的鲁棒性，减小了对初始选择的敏感性，通过距离阈值的设定和内点的重新估计，能够剔除掉不符合预设条件的匹配点，提高了对噪声和异常值的容忍度，利用最小二乘法重新估计仿射变换矩阵，进一步提高了对内点的拟合效果，得到更准确的最优变换矩阵，综上，本实施例有效提高了对匹配点的拟合精度，使得目标对象轨迹的估计更为可靠和准确。
图2为本发明实施例基于视频数据的目标对象运动轨迹处理系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于获取视频文件，通过解码器将所述视频文件分解为初始图像序列，识别所述初始图像序列中的噪声并去噪，生成帧图像序列，通过线性工具对所述帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列；
第二单元，用于识别所述标准图像序列中的关键帧，并通过光流法分析所述关键帧中目标对象的运动轨迹以及目标对象在当前帧与上一帧之间的速度差异度，根据所述运动轨迹结合所述速度差异度确定所述目标对象在当前帧与上一帧之间的运动差异度；
第三单元，用于根据所述运动差异度，通过预设的临近图像匹配器将所述关键帧中所述目标对象对应的特征点与所述标准图像序列中的其余图像进行匹配，得到匹配点对，通过拟合迭代算法确定所述匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
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。
Claims (10)
1.基于视频数据的目标对象运动轨迹处理方法，其特征在于，包括：
获取视频文件，通过解码器将所述视频文件分解为初始图像序列，识别所述初始图像序列中的噪声并去噪，生成帧图像序列，通过线性工具对所述帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列；
识别所述标准图像序列中的关键帧，并通过光流法分析所述关键帧中目标对象的运动轨迹以及目标对象在当前帧与上一帧之间的速度差异度，根据所述运动轨迹结合所述速度差异度确定所述目标对象在当前帧与上一帧之间的运动差异度；
根据所述运动差异度，通过预设的临近图像匹配器将所述关键帧中所述目标对象对应的特征点与所述标准图像序列中的其余图像进行匹配，得到匹配点对，通过拟合迭代算法确定所述匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计。
2.根据权利要求1所述的方法，其特征在于，所述获取视频文件，通过解码器将所述视频文件分解为初始图像序列，识别所述初始图像序列中的噪声并去噪，生成帧图像序列包括：
获取待检测的视频文件，识别所述视频文件的格式并选择对应的解码器，初始化所述解码器，为所述解码器分配内存，设置所述解码器的分辨率、帧率和色彩空间；
读取所述视频文件的每一帧，并获取所述视频文件中每一帧对应的类型和时间戳，将压缩的帧数据输入解码器还原为原始图像，根据所述原始图像对应的类型进行帧间预测，去除所述原始图像中的冗余信息并将所述原始图像根据所述时间戳进行排列，得到初始图像序列；
对所述初始图像序列中的每一帧原始图像进行像素值分析，根据所述像素值分析的结果对所述原始图像通过频域分析识别噪声类型，并去除对应的噪声，通过视觉检查去除所述原始图像中的椒盐噪声，得到帧图像序列。
3.根据权利要求1所述的方法，其特征在于，所述通过线性工具对所述帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列包括：
载入帧图像序列，在图层中添加调整图层，并在所述调整图层中确定RGB效果曲线，通过调整所述RGB效果曲线的形状调整所述帧图像序列中图像的对比度，通过调整所述RGB效果曲线的顶部和底部，修改所述帧图像序列中图像的亮度，在所述RGB效果曲线中选择颜色通道，在所述颜色通道中添加控制点，通过调整所述控制点的位置，调整所述帧图像序列中图像的颜色强度，得到调整图像；
通过直方图工具对所述调整图像进行评估，确定所述调整图像是否满足系统需求，若满足，则将所述调整图像根据时间戳进行排列，输出标准图像序列，若不满足，则根据所述系统需求修改所述调整图像。
4.根据权利要求1所述的方法，其特征在于，所述识别所述标准图像序列中的关键帧，并通过光流法分析所述关键帧中的目标对象的运动轨迹以及目标对象在当前帧与上一帧之间的速度差异度，根据所述运动轨迹结合所述速度差异度确定所述目标对象在当前帧与上一帧之间的运动差异度包括：
对所述标准图像序列中的每个帧应用差异分析算法，提取所述标准图像序列中每一帧图像的图像特征，根据所述图像特征判断连续帧之间的特征相似度，并将与后一帧图像具有最高相似度的帧作为关键帧；
对所述标准图像序列应用光流法，提取所述标准图像序列中每一帧的特征点，计算所述目标对象在连续帧之间的光流场，连接所述目标对象对应的初始特征点和在关键帧中的特征点，绘制所述目标对象的运动轨迹；
计算所述目标对象在所述光流场中对应的每个特征点的位移向量，结合所述标准图像序列中帧之间的时间间隔，确定所述目标对象在帧之间的速度，比较所述关键帧对应的速度与上一帧对应的速度，得到速度差异度；
根据所述速度差异度与所述运动轨迹，计算得到所述目标对象在当前帧与上一帧之间的运动差异度。
5.根据权利要求1所述的方法，其特征在于，所述根据所述速度差异度与所述运动轨迹，计算得到所述目标对象在当前帧与上一帧之间的运动差异度包括：
；
其中，D表示运动差异度，w 1 表示水平方向速度分量权重，V x 表示水平方向速度分量，d x 表示水平方向位置差，α表示水平方向缩放因子，w 2 表示垂直方向速度分量权重，V y 表示垂直方向速度分量，d y 表示垂直方向位置差，β表示垂直方向缩放因子。
6.根据权利要求1所述的方法，其特征在于，所述根据所述运动差异度，通过预设的临近图像匹配器将所述关键帧中所述目标对象对应的特征点与所述标准图像序列中的其余图像进行匹配，得到匹配点对包括：
对所述关键帧应用特征点检测算法，提取所述关键帧中目标对象对应的第一特征点，并计算所述第一特征点对应的特征描述子，将所述运动差异度对应的信息添加至所述第一特征点对应的特征描述子中，得到运动特征描述子；
根据所述运动特征描述子初始化所述临近图像匹配器，对应修改所述临近图像匹配器的索引，根据所述运动特征描述子将所述标准图像序列中除关键帧之外的其他图像的特征点基于划分值划分为两部分，一部分为大于所述划分值的特征点，另一部分为小于所述划分值的特征点，重复划分直至达到最大深度，得到多维树子树，将所述多维树子树连接得到多维树；
对于每个所述第一特征点，通过所述临近图像匹配器将所述第一特征点从所述多维树的根节点开始，比较所述第一特征点在划分维度上的值和当前节点的划分值，确定搜索方向，重复搜索直至到达所述多维树的叶节点；
从所述叶节点向上回溯，检查当前节点的特征点是否距离若更近，则更新最近邻特征点和距离，重复操作直至全部第一特征点都完成匹配，得到匹配点对。
7.根据权利要求1所述的方法，其特征在于，所述通过拟合迭代算法确定所述匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计包括：
在所述匹配点对中随机选择一个作为初始匹配点对，定义所述拟合迭代算法的迭代次数，在每次迭代中，随机选择三个匹配点对构建仿射变换矩阵并求解，计算所述初始匹配点对在所述仿射变换矩阵条件下的预测位置，计算所述初始匹配点对的实际位置与所述预测位置间的距离，若小于预设的距离阈值，则将所述初始匹配点对划分为内点；
对于每个匹配点对，确定当前匹配点对是为否内点，汇总全部内点并使用所述内点通过最小二乘法重新估计仿射变换矩阵，得到最优变换矩阵，根据所述最优变换矩阵对所述关键帧进行变换，得到目标对象状态估计。
8.基于视频数据的目标对象运动轨迹处理系统，用于实现前述权利要求1-7中任一项所述的基于视频数据的目标对象运动轨迹处理方法，其特征在于，包括：
第一单元，用于获取视频文件，通过解码器将所述视频文件分解为初始图像序列，识别所述初始图像序列中的噪声并去噪，生成帧图像序列，通过线性工具对所述帧图像序列的RGB曲线进行调整并进行色彩矫正，得到标准图像序列；
第二单元，用于识别所述标准图像序列中的关键帧，并通过光流法分析所述关键帧中目标对象的运动轨迹以及目标对象在当前帧与上一帧之间的速度差异度，根据所述运动轨迹结合所述速度差异度确定所述目标对象在当前帧与上一帧之间的运动差异度；
第三单元，用于根据所述运动差异度，通过预设的临近图像匹配器将所述关键帧中所述目标对象对应的特征点与所述标准图像序列中的其余图像进行匹配，得到匹配点对，通过拟合迭代算法确定所述匹配点对对应的变换矩阵，汇总全部变换矩阵并确定最优变换矩阵，得到目标对象状态估计。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744298.2A CN117474959B (zh) | 2023-12-19 | 2023-12-19 | 基于视频数据的目标对象运动轨迹处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744298.2A CN117474959B (zh) | 2023-12-19 | 2023-12-19 | 基于视频数据的目标对象运动轨迹处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117474959A true CN117474959A (zh) | 2024-01-30 |
| CN117474959B CN117474959B (zh) | 2024-03-08 |
Family
ID=89627772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311744298.2A Active CN117474959B (zh) | 2023-12-19 | 2023-12-19 | 基于视频数据的目标对象运动轨迹处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474959B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118486089A (zh) * | 2024-07-16 | 2024-08-13 | 山东新众通信息科技有限公司 | 基于步态识别的情感辅助分析方法及系统 |
| CN118552458A (zh) * | 2024-07-30 | 2024-08-27 | 深圳市旭景数字技术有限公司 | 高清视频监控系统中图像质量自适应调整方法及系统 |
| CN118552881A (zh) * | 2024-07-26 | 2024-08-27 | 湖南丰汇银佳科技股份有限公司 | 一种视觉行为分析的金融安防预警方法与系统 |
| CN118587219A (zh) * | 2024-08-06 | 2024-09-03 | 深圳喜为智慧科技有限公司 | 一种遮挡物分析与物体颜色智能识别系统 |
| CN118735966A (zh) * | 2024-08-30 | 2024-10-01 | 珠海市芯未科技有限公司 | 基于光流分析的立定跳远落地瞬间自动识别方法 |
| CN118552458B (zh) * | 2024-07-30 | 2024-11-15 | 深圳市旭景数字技术有限公司 | 高清视频监控系统中图像质量自适应调整方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156995A (zh) * | 2011-04-21 | 2011-08-17 | 北京理工大学 | 一种运动相机下的视频运动前景分割方法 |
| US20140362240A1 (en) * | 2013-06-07 | 2014-12-11 | Apple Inc. | Robust Image Feature Based Video Stabilization and Smoothing |
| CN105023278A (zh) * | 2015-07-01 | 2015-11-04 | 中国矿业大学 | 一种基于光流法的运动目标跟踪方法及系统 |
| CN105631870A (zh) * | 2015-12-25 | 2016-06-01 | 北京理工大学 | 基于NoC架构的星图配准与目标轨迹提取方法及装置 |
| CN110968711A (zh) * | 2019-10-24 | 2020-04-07 | 湖南大学 | 一种基于序列图像特征的自主无人系统位置识别定位方法 |
| CN115439424A (zh) * | 2022-08-23 | 2022-12-06 | 成都飞机工业（集团）有限责任公司 | 一种无人机航拍视频图像智能检测方法 |
-
2023
- 2023-12-19 CN CN202311744298.2A patent/CN117474959B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156995A (zh) * | 2011-04-21 | 2011-08-17 | 北京理工大学 | 一种运动相机下的视频运动前景分割方法 |
| US20140362240A1 (en) * | 2013-06-07 | 2014-12-11 | Apple Inc. | Robust Image Feature Based Video Stabilization and Smoothing |
| CN105023278A (zh) * | 2015-07-01 | 2015-11-04 | 中国矿业大学 | 一种基于光流法的运动目标跟踪方法及系统 |
| CN105631870A (zh) * | 2015-12-25 | 2016-06-01 | 北京理工大学 | 基于NoC架构的星图配准与目标轨迹提取方法及装置 |
| CN110968711A (zh) * | 2019-10-24 | 2020-04-07 | 湖南大学 | 一种基于序列图像特征的自主无人系统位置识别定位方法 |
| CN115439424A (zh) * | 2022-08-23 | 2022-12-06 | 成都飞机工业（集团）有限责任公司 | 一种无人机航拍视频图像智能检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘佳佳;易淑铃;姚佳俊;林春;谢从华;: "基于最小二乘法B样条曲线的视频去雾研究", 常熟理工学院学报, no. 04, 20 July 2017 (2017-07-20) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118486089A (zh) * | 2024-07-16 | 2024-08-13 | 山东新众通信息科技有限公司 | 基于步态识别的情感辅助分析方法及系统 |
| CN118552881A (zh) * | 2024-07-26 | 2024-08-27 | 湖南丰汇银佳科技股份有限公司 | 一种视觉行为分析的金融安防预警方法与系统 |
| CN118552458A (zh) * | 2024-07-30 | 2024-08-27 | 深圳市旭景数字技术有限公司 | 高清视频监控系统中图像质量自适应调整方法及系统 |
| CN118552458B (zh) * | 2024-07-30 | 2024-11-15 | 深圳市旭景数字技术有限公司 | 高清视频监控系统中图像质量自适应调整方法及系统 |
| CN118587219A (zh) * | 2024-08-06 | 2024-09-03 | 深圳喜为智慧科技有限公司 | 一种遮挡物分析与物体颜色智能识别系统 |
| CN118587219B (zh) * | 2024-08-06 | 2024-10-29 | 深圳喜为智慧科技有限公司 | 一种遮挡物分析与物体颜色智能识别系统 |
| CN118735966A (zh) * | 2024-08-30 | 2024-10-01 | 珠海市芯未科技有限公司 | 基于光流分析的立定跳远落地瞬间自动识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117474959B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117474959B (zh) | 基于视频数据的目标对象运动轨迹处理方法及系统 | |
| Liu et al. | Point cloud quality assessment: Dataset construction and learning-based no-reference metric | |
| CN111028213B (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
| EP1612733B1 (en) | Color segmentation-based stereo 3D reconstruction system and process | |
| Konrad et al. | Learning-based, automatic 2D-to-3D image and video conversion | |
| US5572258A (en) | Motion compensation estimating device and method achieving improved motion compensation | |
| CN111815570B (zh) | 区域入侵检测方法及其相关装置 | |
| US11030478B1 (en) | System and method for correspondence map determination | |
| CN108182421B (zh) | 视频分割方法和装置 | |
| Zuo et al. | Explicit edge inconsistency evaluation model for color-guided depth map enhancement | |
| US20060056679A1 (en) | Full depth map acquisition | |
| US9247139B2 (en) | Method for video background subtraction using factorized matrix completion | |
| US20160117573A1 (en) | Method and apparatus for extracting feature correspondences from multiple images | |
| Kordelas et al. | Content-based guided image filtering, weighted semi-global optimization, and efficient disparity refinement for fast and accurate disparity estimation | |
| Wang et al. | Reference-free DIBR-synthesized video quality metric in spatial and temporal domains | |
| IT202000016054A1 (it) | Metodo per determinare la confidenza di una mappa di disparità mediante un apprendimento auto-adattivo di una rete neurale, e relativo sistema di sensori | |
| US20110085026A1 (en) | Detection method and detection system of moving object | |
| CN114419102A (zh) | 一种基于帧差时序运动信息的多目标跟踪检测方法 | |
| CN117336620B (zh) | 基于深度学习的自适应视频拼接方法及系统 | |
| CN113781375A (zh) | 一种基于多曝光融合的车载视觉增强方法 | |
| CN117176983B (zh) | 一种基于全景图像合成的视频生成评价系统 | |
| CN117036235A (zh) | 一种继电保护柜端子排线序检测方法 | |
| CN116188555A (zh) | 一种基于深度网络与运动信息的单目室内深度估计算法 | |
| CN116980549A (zh) | 视频帧处理方法、装置、计算机设备和存储介质 | |
| Kim et al. | Cnn-based blind quality prediction on stereoscopic images via patch to image feature pooling |
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 |