具物體位置偵測功能之裝置及其偵測方法

专利摘要:
本發明係有關於一具物體位置偵測功能之裝置及其偵測方法，裝置係包含一影像擷取模組、一權重分配模組及一處理模組。影像擷取模組係擷取一影像。權重分配模組根據該影像及待測物體之事前資訊執行權重分配，並利用待測物體之可能之初始位置計算出待測物體之初始重心。處理模組根據權重分配之結果及初始重心進行統計分析，並取得分析結果，以更新待測物體之可能之位置。處理模組判斷分析結果是否符合預設值，若是，則產生一估測結果；若否，則重覆上述步驟。
公开号:TW201305920A
申请号:TW100125713
申请日:2011-07-20
公开日:2013-02-01
发明作者:Yin-Pin Chang；Wen-Yan Chang；Hong-Long Chou
申请人:Altek Corp；
IPC主号:G06T7-00

专利说明:
具物體位置偵測功能之裝置及其偵測方法
本發明是有關於一種影像偵測技術，特別是有關於一種以疊代演算法來快速偵測影像中特定物件之具體位置的影像偵測技術。
近年來，智慧型影像偵測技術愈來愈受到重視，其可以應用於許多不同的電子產品，舉凡數位相機、體感互動產品以及安全監控系統上都可以看到智慧型影像偵測技術的應用。而在這些應用中，物體的形狀資訊在影像偵測速度及品質上扮演著非常重要的角色。一個好的形狀資訊，即使只是近似形狀大小(Approximated Shape)，都能夠大幅的加快偵測速度及改善偵測品質。
一般而言，要估測出影像中特定物件之形狀資訊，可以利用預設之顏色資訊逐點地(pixel-by-pixel)比對，並逐漸擴大比對的範圍，直到影像中像素之顏色值不符合預設之條件為止。在影像分割(Image Segmentation)的領域中，這類方法很常被使用。例如，分水嶺法(WaterShed)及區域成長法(Region Growing)等。雖然這類方法在顏色單純的物體上可以提供很不錯的估測效果，但其在計算速度上、顏色連續性(Connected Component)上及門檻條件的設定上則有不少的限制。
然而，為了能夠對顏色複雜的物體進行形狀估測，近年來以圖形理論為基礎的方法(Graph-Based Method)提供了有效的解決方案。例如，Graph-Cut及Normalized cuts等。雖然上述的方法能夠精確的估測顏色複雜的物體之形狀，但其計算上也有很高的複雜度。同樣的，以模形為基礎的方法(Model-Based Method)也有著相同的問題。例如，主動輪廓法(Active Contour Method)。因此，如何加快偵測速度、提高偵測品質、解決顏色連續性的限制、改善因門檻條件不易界定而造成彈性或容錯性不足以及降低對顏色複雜的物體進行估測時計算上的複雜度即為本發明所欲解決之問題。
有鑑於上述習知技藝之問題，本發明之目的就是在提供具物體位置偵測功能之裝置及其偵測方法，以解決習知技藝中偵測速度慢、偵測品質差、彈性或容錯性不足、顏色連續性有限制及對顏色複雜的物體進行估測時，計算複雜度過高等問題，並使物體位置偵測功能可以被應用於計算資源有限的手持行動裝置上，如數位相機、手機等。
根據本發明之目的，提出一種具物體位置偵測功能之裝置，其包含一影像擷取模組，係擷取一影像資料；一權重分配模組，係根據影像資料中之一待測物體之一可能之初始位置中之一影像及待測物體之一事前資訊(Priori Knowledge)進行一權重分配，並利用可能之初始位置計算出待測物體之一初始重心；一處理模組，係根據權重分配所產生之結果及初始重心進行一統計分析，以計算出待測物體之一可能之位置，並求得一重心座標，並判斷統計分析之結果是否符合一預設值，若是，則產生一估測結果；若否，則以此可能之位置取代可能之初始位置再一次計算待測物體之可能之位置及重心座標。
其中，權重分配係將事前資訊轉換成機率密度函數(Probability Density Function，PDF)，並依據影像資料中之可能之初始位置中之影像中各個像素的顏色值(或邊緣方向值或其結合)及其在機率密度函數之中對應值，分別給定各個像素一權重值。
其中，統計分析係利用權重值，並計算各個像素相對於重心的空間關係，求得待測物體之一加權共變矩陣，並對加權共變矩陣(Weighted Covariance Matrix)進行特徵值分解(Eigen Decomposition)或奇異值分解(Singular Value Decomposition)。
其中，預設值為預設之精確度、預設之疊代次數或其結合。
其中，事前資訊包含待測物體之顏色分佈資訊、灰階亮度統計圖(Histogram) 、邊緣方向梯度統計圖(Edge Orientation/Gradient Histogram)或其結合。
其中，事前資訊係由訓練資料(Training Data)、人工指定或分群方法(Clustering)所產生，而待測物體之可能之初始位置係由人工指定、分群方法或隨機採樣符合法(Random Sample Consensus，RANSAC)所產生。
根據本發明之目的，再提出一種物體位置偵測方法，適用於一具物體位置偵測功能之裝置，此裝置包含一影像擷取模組、一權重分配模組及一處理模組。物體位置偵測方法包含下列步驟：以一影像擷取模組擷取一影像資料；利用一權重分配模組根據影像資料之中一待測物體之一可能之初始位置中之一影像及待測物體之一事前資訊進行一權重分配，並根據待測物體之一可能之初始位置計算出待測物體之一初始重心；由一處理模組根據權重分配所產生之結果及初始重心進行一統計分析，以計算出待測物體之一可能之位置，並求得一重心座標；藉由處理模組以可能之位置取代可能之初始位置，並重覆上述步驟，直到統計分析之結果符合一預設值；由處理模組產生一估測結果。
根據本發明之目的，再提出一種具物體位置偵測功能之裝置，其包含一影像擷取模組，係擷取一影像資料；一運算模組，係根據該影像資料中之一待測物體之一可能之初始位置中之一影像及該待測物體之一事前資訊執行一權重分配，並利用該可能之初始位置計算出該待測物體之一初始重心，並依據該權重分配所產生之結果及該初始重心進行一統計分析，以計算出該待測物體之一可能之位置，並求得一重心座標；以及一處理模組，係判斷該統計分析之結果是否符合一預設值，若是，則產生一估測結果；若否，則再一次計算該待測物體之該可能之位置，及該重心座標。
根據本發明之目的，再提出一種具物體位置偵測功能之裝置，其包含一影像擷取模組，係擷取一影像資料；一權重分配模組，係根據影像資料中之一待測物體之一初始形狀限位框中之一影像及待測物體之一事前資訊進行一權重分配，並利用初始形狀限位框計算出待測物體之一初始重心；一運算模組，係根據權重分配所產生之結果及初始重心進行一統計分析，以計算出待測物體之一形狀限位框，並求得一重心座標；一處理模組，係判斷統計分析之結果是否符合一預設值，若是，則產生一估測結果；若否，則以形狀限位框取代初始形狀限位框再一次計算待測物體之形狀限位框及重心座標。
承上所述，依本發明之具物體位置偵測功能之裝置及其偵測方法，其可具有一或多個下述優點：
(1) 此具物體位置偵測功能之裝置及其偵測方法可藉由預先取得顏色、邊緣方向梯度統計圖等事前資訊來加速偵測物體位置的速度及改善偵測物體的品質。
(2) 此具物體位置偵測功能之裝置及其偵測方法是以統計理論為基礎的疊代演算法來偵測物體之位置，因此可改善顏色連續性限制的問題。
(3) 此具物體位置偵測功能之裝置及其偵測方法是藉由重覆進行例如機率密度函數及加權共變矩陣等較簡易的計算，因此，即使是對顏色較複雜物體進行估測，也不會有太大的計算複雜度。
(4) 此具物體位置偵測功能之裝置及其偵測方法是利用門檻條件設定簡易的疊代演算法，因此有較高的彈性及容錯性。
以下將參照相關圖式，說明依本發明之具物體位置偵測功能之裝置及其偵測方法之實施例，為使便於理解，下述實施例中之相同元件係以相同之符號標示來說明。
請參閱第1圖，其係為本發明之具物體位置偵測功能之裝置之第一實施例之方塊圖。如圖所示，影像擷取裝置1包含一影像擷取模組11、一運算模組12及一處理模組13。其中運算模組12電性連結影像擷取模組11及處理模組13，處理模組13電性連結於影像擷取模組11。
其中影像擷取裝置1可為多種需偵測特定物件在影像中之確切位置的電子設備。例如，安全監控系統、家庭視訊保全系統、數位相機、人機介面(Human Computer Interface)及體感互動產品等。為便於更暸解本發明之技術特徵，以下是以數位相機為實施例，但並不以此為限。
而影像擷取模組11係擷取一待測物體14之影像資料111，其運算模組12可根據待測物體14之事前資訊(Priori Knowledge)，將影像資料111中特定區域(即待測物體14之可能之初始位置)中之影像1111中各個像素121，逐一做權重分配126，並取得其權重值122。而物體之可能之初始位置可由人工直接指定待測物體14最可能出現在影像資料111中之位置，或者以分群方法(Clustering)及隨機採樣符合法(Random Sample Consensus，RANSAC)等演算法來估測，而有了物體之可能之初始位置，便能夠計算出初始重心123。
而將事前資訊整合至影像擷取裝置1可大幅的加速物體偵測速度，而事前資訊可為待測物體之顏色分佈資訊、灰階亮度統計圖(Histogram)、邊緣方向梯度統計圖(Edge Orientation/Gradient Histogram)或其結合。另外，在事前資訊的取得方式中，最常見的有訓練資料(Training Data)，以蘋果為例，可以使用多種類型的蘋果資料做為訓練資料庫，以做為偵測的基礎。此外，可以使用簡單的分群方法(Clustering)或直接由人工指定產生。
有了前述之權重值122及初始重心123，運算模組12便可以進行統計分析127，其方式可為建立一統計模型，並對其進行數值分析，以計算出待測物體可能之位置124及重心座標125。本發明的主軸便是採取一種疊代演算法(Iterative Method)，進行多次權重分配126與統計分析127，以重覆更新物體可能之位置，直到滿足一定的疊代次數或物體偵測的精確度時，處理模組13即產生一估測結果。
相較於習知技藝中利用顏色資訊逐點地比對，並逐點擴大比對的範圍的方法，本發明的疊代演算法具有動態步數(Adaptive Step-Size)的概念與特性，能夠大幅改善偵測效率。
請參閱第2圖，係為本發明之具物體位置偵測功能之裝置之第一實施例之操作流程圖。
在步驟S21中，影像擷取模組擷取影像資料。
在步驟S22中，運算模組根據待測物體之事前資訊及影像資料中待測物體之可能之初始位置中之影像之各個像素進行權重分配，以求出各個像素之權重值。
在步驟S23中，運算模組依據待測物體之可能之初始位置計算出待測物體之初始重心。
在步驟S24中，運算模組依據權重值及初始重心進行統計分析，以計算出待測物體之可能之位置及重心座標。
在步驟S25中，處理模組判斷統計分析之結果是否符合預設值？若是，則進入步驟S26；若否，則回到進入步驟S251，處理模組以可能之位置取代可能之初始位置，並指示運算模組重新計算可能之位置及重心座標。
在步驟S26中，處理模組產生估測結果。
請參閱第3圖，其係為本發明之具物體位置偵測功能之裝置之第二實施例之方塊圖。如圖所示，影像擷取裝置3包含一影像擷取模組31、一權重分配模組32及一處理模組33。其中權重分配模組32電性連結影像擷取模組31及處理模組33；處理模組33電性連結影像擷取模組31。
首先，影像擷取模組31擷取一影像資料311。而權重分配模組32可將待測物體34之事前資訊轉換成機率密度函數324(Probability Density Function，PDF)，並依據影像資料311中待測物體34之可能之初始位置中之影像3111中各個像素321的顏色值、邊緣方向值及其在機率密度函數324中的對應值，分別給定其權重值322。而物體之可能之初始位置可由前述之方法來估測，有了物體之可能之初始位置，便能夠計算出初始重心323。
此時，處理模組33則利可上述之權重值322，並計算各個像素321相對於重心的空間關係，求得待測物體34之加權共變矩陣331，並對加權共變矩陣331進行特徵值分解(Eigen Decomposition)或奇異值分解332(Singular Value Decomposition)。其中所求得之特徵值(Eigen Value)即為待測物體35之形狀限位框之長軸與短軸，而待測物體34的旋轉角度亦可由特徵值來求得。而利用所求得的長軸及短軸可更新待測物體之可能之位置334(形狀限位框)，並重新求得重心座標335以進行再一次的疊代計算。而當求得的待測物體34之可能之位置334符合預設的精確度，或是疊代次數達到了一預設次數時，處理模組33則可產生估測結果，以提供其他處理程序或應用程序使用。例如，估測結果可包含最後計算出的可能之位置334，提供物體形狀辨識處理程序、物體類別辨識處理程序使用，藉此可縮小需處理之影像區域；或是根據最後計算出的可能之位置334在裝置之顯示器上繪示一圖框，供使用者觀看。
值得一提的是，本發明所使用的疊代演算法是以機率密度函數等統計理論為基礎。也就是說，相較於習知技藝之分水嶺法及區域成長法等以像素為基礎的方法，本發明所使用的方法可改善顏色連續性限制的問題。另外，疊代演算的終止條件設定也非常簡易，因此與習知技藝相比有較佳的彈性及容錯性。
此外，本發明之技術領域中具有通常知識者可任意將各功能性的模組結合在一起而成為一整合的裝置，亦可將各功能性的模組分開而成為數個具更細部功能的裝置。
請參閱第4圖，其係為本發明之具物體位置偵測功能之裝置之第二實施例之示意圖。如圖所示，使用者操作數位相機拍攝一影像，而蘋果的預設之初始形狀限位框41(即蘋果之可能之初始位置)在鏡頭中間的位置。此時，權重分配模組對初始形狀限位框41內之影像中各個像素進行分析，其將蘋果之事前資訊轉換為機率密度函數，再將各個像素依機率密度函數，分別給定其權重值，並依據初始形狀限位框41計算出初始重心。運算模組則進行前述之加權共變矩陣的計算，更新形狀限位框的位置。由圖中可以看出，經過約八次的疊代計算，偵測的結果已經相當準確。
而本發明之裝置中不需事先建立欲偵測的物件特徵資料，所以不限定於數位相機的應用，其可以應用於各種需要偵測特定物件位置的系統。例如，家庭視訊保全系統等，或甚至可以應用在交通安全監視系統，用於監測是否有車輛違規停車等異常狀況。
請參閱第5圖，其係為本發明之具物體位置偵測功能之裝置之第二實施例之操作流程圖。
在步驟S51中，影像擷取模組擷取影像資料。
在步驟S52中，權重分配模組將待測物體之事前資訊轉換成機率密度函數，並依據影像資料中待測物體之可能之初始位置中之影像中各個像素的顏色值、邊緣方向值及其在機率密度函數中的對應值，分別給定其權重值。
在步驟S53中，權重分配模組依據待測物體之可能之初始位置計算出待測物體之初始重心。
在步驟S54中，運算模組依據權重值，並計算各個像素相對於重心的空間關係，求得待測物體之加權共變矩陣，並對加權共變矩陣進行特徵值分解或奇異值分解，以計算出待測物體之可能之位置及重心座標。
在步驟S55中，處理模組判斷待測物體之可能之位置及重心座標是否符合預設值？若是，則進入步驟S56；若否，則進入步驟S551，處理模組以可能之位置取代可能之初始位置，並指示運算模組重新計算可能之位置及重心座標。
在步驟S56中，處理模組產生估測結果。
請參閱第6圖，其係為本發明之物體偵測方法之流程圖。如圖所示，本發明之物體偵測方法，適用於一具物體位置偵測功能之裝置，裝置包含一影像擷取模組、一權重分配模組、一運算模組及一處理模組。物體偵測方法包含下列步驟：
(S61)以影像擷取模組擷取影像資料。
(S62)利用權重分配模組根據影像資料之中待測物體之可能之初始位置中之影像及待測物體之事前資訊進行權重分配，並根據待測物體之可能之初始位置計算出待測物體之初始重心。
(S63)由處理模組根據重分配所產生之結果及初始重心進行統計分析，以計算出待測物體之可能之位置，並求得重心座標。
(S64)藉由處理模組以計算而得的待測物體之可能之位置取代步驟(S62)中之待測物體之可能之初始位置，並重覆步驟(S62)及(S63)，直到統計分析之結果符合預設值。
(S65)由處理模組產生一估測結果。
本發明之物體偵測方法的詳細說明以及實施方式已於前面敘述本發明之具物體位置偵測功能之裝置時描述過，在此為了簡略說明便不再重覆敘述。
綜上所述，本發明之具物體位置偵測功能之裝置及其偵測方法係利用事前資訊及以統計理論為基礎的疊代演算法，對影像擷取裝置中之特定物件進行形狀及位置的估測，因此，可改善顏色連續性限制的問題，在偵測速度及品質上也有很大的提昇。另外，本發明之疊代演算法是藉由重覆進行例如機率密度函數及加權共變矩陣等較簡易的計算，因此，與習知技藝相較，計算上複雜度較低，而門檻條件的設定也相對容易，例如，可以使用疊代的次數來設定終止條件，因此非常適合應用於智慧型影像偵測技術上。
以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。
1、3．．．影像擷取裝置
11、31．．．影像擷取模組
111、311．．．影像資料
1111、3111．．．影像
32．．．權重分配模組
324．．．機率密度函數
12．．．運算模組
121、321．．．像素
122、322．．．權重值
123、323．．．初始重心
124、334．．．待測物體之可能之位置
125、335．．．待測物體之可能之重心座標
126．．．權重分配
127．．．統計分析
13、33．．．處理模組
331．．．加權共變矩陣
332．．．特徵值分解或奇異值分解
14、34．．．待測物體
41．．．初始形狀限位框
S21~S26．．．步驟流程
S51~S56．．．步驟流程
S61~S65．．．步驟流程
第1圖係為本發明之具物體位置偵測功能之裝置之第一實施例之方塊圖。第2圖係為本發明之具物體位置偵測功能之裝置之第一實施例之操作流程圖。第3圖係為本發明之具物體位置偵測功能之裝置之第二實施例之方塊圖。第4圖係為本發明之具物體位置偵測功能之裝置之第二實施例之示意圖。第5圖係為本發明之具物體位置偵測功能之裝置之第二實施例之操作流程圖。第 6 圖係為本發明之物體位置偵測方法之流程圖。
3．．．影像擷取裝置
31．．．影像擷取模組
311．．．影像資料
3111．．．影像
32．．．權重分配模組
321．．．像素
322．．．權重值
323．．．初始重心
324．．．機率密度函數
33．．．處理模組
331．．．加權共變矩陣
332．．．特徵值分解或奇異值分解
334．．．待測物體之可能之位置
335．．．待測物體之可能之重心座標
34．．．待測物體

权利要求:
Claims (16)
[1] 一種具物體位置偵測功能之裝置，其包含：一影像擷取模組，係擷取一影像資料；一權重分配模組，係根據該影像資料中之一待測物體之一可能之初始位置中之一影像及該待測物體之一事前資訊進行一權重分配，並利用該可能之初始位置計算出該待測物體之一初始重心；以及一處理模組，係根據該權重分配所產生之結果及該初始重心進行一統計分析，以計算出該待測物體之一可能之位置，並求得一重心座標，並判斷該統計分析之結果是否符合一預設值，若是，則產生一估測結果；若否，則以該可能之位置取代該可能之初始位置再一次計算該待測物體之該可能之位置及該重心座標。
[2] 如申請專利範圍第1項所述之具物體位置偵測功能之裝置，其中該權重分配係將該事前資訊轉換成機率密度函數，並依據該影像資料中之該可能之初始位置中之該影像中各個像素的顏色值、邊緣方向值及其在機率密度函數之中對應值，分別給定該各個像素一權重值。
[3] 如申請專利範圍第2項所述之具物體位置偵測功能之裝置，其中該統計分析係利用該權重值，並計算該各個像素相對於重心的空間關係，求得該待測物體之一加權共變矩陣，並對該加權共變矩陣進行特徵值分解或奇異值分解。
[4] 如申請專利範圍第1項所述之具物體位置偵測功能之裝置，其中該預設值為預設之精確度、預設之疊代次數或其結合。
[5] 如申請專利範圍第1項所述之具物體位置偵測功能之裝置，其中該事前資訊包含該待測物體之顏色分佈資訊、灰階亮度統計圖、邊緣方向梯度統計圖或其結合。
[6] 如申請專利範圍第1項所述之具物體位置偵測功能之裝置，其中該事前資訊係由訓練資料、人工指定或分群方法所產生，而該待測物體之該可能之初始位置係由人工指定、分群方法或隨機採樣符合法所產生。
[7] 一種物體位置偵測方法，適用於一具物體位置偵測功能之裝置，其包含下列步驟：以一影像擷取模組擷取一影像資料；利用一權重分配模組根據該影像資料之中一待測物體之一可能之初始位置中之一影像及該待測物體之一事前資訊進行一權重分配，並根據該可能之初始位置計算出該待測物體之一初始重心；由一處理模組根據該權重分配所產生之結果及該初始重心進行一統計分析，以計算出該待測物體之一可能之位置，並求得一重心座標；藉由該處理模組以該可能之位置取代該可能之初始位置，並重覆上述步驟，直到該統計分析之結果符合一預設值；以及由處理模組產生一估測結果。
[8] 如申請專利範圍第7項所述之物體位置偵測方法，其中該權重分配係將該事前資訊轉換成機率密度函數，並依據在該影像資料中該可能之初始位置中之該影像中各個像素的顏色值、邊緣方向值及其在該機率密度函數之中對應值，分別給定該各個像素一權重值。
[9] 如申請專利範圍第8項所述之物體位置偵測方法，其中該統計分析係利用該權重值，並計算該各個像素相對於重心的空間關係，求得該待測物體之一加權共變矩陣，並對該加權共變矩陣進行特徵值分解或奇異值分解。
[10] 如申請專利範圍第7項所述之物體位置偵測方法，其中該預設值為預設之精確度、預設之疊代次數或其結合。
[11] 如申請專利範圍第7項所述之物體位置偵測方法，其中該事前資訊包含該待測物體之顏色分佈資訊或灰階亮度統計圖或、邊緣方向梯度統計圖或其結合。
[12] 如申請專利範圍第7項所述之物體位置偵測方法，其中該事前資訊係由訓練資料、人工指定或分群方法所產生，而該待測物體之該可能之初始位置係由人工指定、分群方法或隨機採樣符合法所產生。
[13] 一種具物體位置偵測功能之裝置，其包含：一影像擷取模組，係擷取一影像資料；一權重分配模組，係根據該影像資料中之一待測物體之一初始形狀限位框中之一影像及該待測物體之一事前資訊進行一權重分配，並利用該初始形狀限位框計算出該待測物體之一初始重心；一運算模組，係根據該權重分配所產生之結果及該初始重心進行一統計分析，以計算出該待測物體之一形狀限位框，並求得一重心座標；以及一處理模組，係判斷該統計分析之結果是否符合一預設值，若是，則產生一估測結果；若否，則以該形狀限位框取代該初始形狀限位框再一次計算該待測物體之該形狀限位框及該重心座標。
[14] 如申請專利範圍第13項所述之具物體位置偵測功能之裝置，其中該權重分配係將該事前資訊轉換成機率密度函數，並依據在該初始形狀限位框中之該影像中各個像素的顏色值、邊緣方向值及其在該機率密度函數之中對應值，分別給定該各個像素一權重值。
[15] 如申請專利範圍第14項所述之具物體位置偵測功能之裝置，其中該統計分析係利用該權重值，並計算該各個像素相對於重心的空間關係，求得該待測物體之一加權共變矩陣，並對該加權共變矩陣進行特徵值分解或奇異值分解。
[16] 如申請專利範圍第13項所述之具物體位置偵測功能之裝置，其中該預設值為預設之精確度、預設之疊代次數或其結合。

类似技术:

---

公开号 | 公开日 | 专利标题

---

TWI459307B|2014-11-01|具物體位置偵測功能之裝置及其偵測方法

---

JP6424163B2|2018-11-14|ビデオ内の対象物を検出するための方法、装置及びシステム

---

Dryanovski et al.2013|Fast visual odometry and mapping from RGB-D data

---

JP4633841B2|2011-02-23|歩行者の追跡による、ビデオ系列からの３次元道路配置の推定

---

KR101618814B1|2016-05-09|단일객체에 대한 기울기를 추정하는 영상을 감시하는 장치 및 방법

---

CN102982537B|2015-09-02|一种检测场景变换的方法和系统

---

JP2008243187A|2008-10-09|ビデオのフレームのシーケンスにおいてオブジェクトを追跡するコンピュータに実装される方法

---

EP2956891B1|2019-12-18|Segmenting objects in multimedia data

---

JP2013236087A5|2016-06-09|

---

TW201629909A|2016-08-16|三維物件識別技術

---

Shen et al.2015|Real-time and robust compressive background subtraction for embedded camera networks

---

CN106412441B|2019-09-27|一种视频防抖控制方法以及终端

---

CN107330390B|2020-12-01|一种基于图像分析和深度学习的人数统计方法

---

US20160093028A1|2016-03-31|Image processing method, image processing apparatus and electronic device

---

TW201335854A|2013-09-01|圖像相似度計算系統及方法

---

TW201318419A|2013-05-01|視訊穩定系統及其方法

---

EP2983131A1|2016-02-10|Method and device for camera calibration

---

US11145080B2|2021-10-12|Method and apparatus for three-dimensional object pose estimation, device and storage medium

---

JPWO2013122009A1|2015-05-11|信頼度取得装置、信頼度取得方法および信頼度取得プログラム

---

JP2015222473A5|2017-06-22|

---

TW201436552A|2014-09-16|用於使用至少一較高訊框率之影像流而增加影像流之訊框率之方法及裝置

---

Okarma et al.2010|A fast image analysis technique for the line tracking robots

---

CN102890822B|2015-05-20|具有物体位置侦测功能的装置及其侦测方法

---

WO2016123813A1|2016-08-11|一种智能设备的姿态关系计算方法和智能设备

---

KR101640527B1|2016-07-18|단일객체의 크기를 추정하는 영상 감시장치 및 방법

同族专利:

---

公开号 | 公开日

---

US20130022236A1|2013-01-24|

---

US8538079B2|2013-09-17|

---

TWI459307B|2014-11-01|

引用文献:

---

公开号 | 申请日 | 公开日 | 申请人 | 专利标题

---

TWI617175B|2016-11-18|2018-03-01|國家中山科學研究院|Image detection acceleration method|TW505892B|2001-05-25|2002-10-11|Ind Tech Res Inst|System and method for promptly tracking multiple faces|

---

US7558402B2|2003-03-07|2009-07-07|Siemens Medical Solutions Usa, Inc.|System and method for tracking a global shape of an object in motion|

---

US7949150B2|2007-04-02|2011-05-24|Objectvideo, Inc.|Automatic camera calibration and geo-registration using objects that provide positional information|

---

US7787689B2|2007-07-06|2010-08-31|Topcon Corporation|Location measuring device and method|

---

JP5259167B2|2007-12-06|2013-08-07|オリンパスメディカルシステムズ株式会社|光源装置および内視鏡装置|

---

TWI357582B|2008-04-18|2012-02-01|Univ Nat Taiwan|Image tracking system and method thereof|AU2011254040B2|2011-12-14|2015-03-12|Canon Kabushiki Kaisha|Method, apparatus and system for determining a saliency map for an input image|

---

US9870704B2|2012-06-20|2018-01-16|Conduent Business Services, Llc|Camera calibration application|

---

TW201422031A|2012-11-20|2014-06-01|Novatek Microelectronics Corp|獲得權重幾何精度因子精確解之方法及電腦系統|

---

KR101716928B1|2013-08-22|2017-03-15|주식회사 만도|차량 카메라의 영상 처리 방법 및 이를 이용하는 영상 처리 장치|

---

WO2016069498A1|2014-10-26|2016-05-06|Galileo Group, Inc.|Temporal processes for aggregating multi dimensional data collection from discrete and distributed collectors using machine-to-machine networks and smartphones to provide enhanced space-time perspective for monitoring changes using algorithmic techniques|

---

CN109564632A|2017-05-24|2019-04-02|深圳配天智能技术研究院有限公司|一种视觉检测方法、设备、系统及具有存储功能的装置|

---

CN109345472B|2018-09-11|2021-07-06|重庆大学|一种复杂场景的红外运动小目标检测方法|

---

US20190156663A1|2019-01-02|2019-05-23|David Gonzalez Aguirre|Obstacle localization based on probabilistic consensus|

法律状态:

优先权:

---

申请号 | 申请日 | 专利标题

---

TW100125713A|TWI459307B|2011-07-20|2011-07-20|具物體位置偵測功能之裝置及其偵測方法|TW100125713A| TWI459307B|2011-07-20|2011-07-20|具物體位置偵測功能之裝置及其偵測方法|

---

US13/227,119| US8538079B2|2011-07-20|2011-09-07|Apparatus capable of detecting location of object contained in image data and detection method thereof|