CN102103748B - 一种复杂背景下红外弱小目标检测和跟踪方法 - Google Patents
一种复杂背景下红外弱小目标检测和跟踪方法 Download PDFInfo
- Publication number
- CN102103748B CN102103748B CN201010590696.XA CN201010590696A CN102103748B CN 102103748 B CN102103748 B CN 102103748B CN 201010590696 A CN201010590696 A CN 201010590696A CN 102103748 B CN102103748 B CN 102103748B
- Authority
- CN
- China
- Prior art keywords
- target
- region
- target area
- gray
- entropy
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种复杂背景下红外弱小目标检测与跟踪方法。考虑到红外图像SNR低、噪声大,单一特征进行跟踪不稳定的问题,本发明首先利用方差加权信息熵提取出感兴趣目标区域作为检测结果,利用灰度和纹理特征建立目标模板,用Mean Shift算法实现红外弱小目标的跟踪,有效地避免了单一特征在复杂背景条件下的跟踪不稳定问题。多段红外视频序列的跟踪实验,都验证了本发明的有效性。
Description
技术领域
本发明涉及一种涉及红外图像处理方法,具体是红外弱小目标的检测与跟踪方法。
背景技术
红外目标的检测与跟踪,是红外搜索与跟踪系统,精确制导系统,红外预警系统中的一项核心技术。然而,由于远距离下目标成像面积小,对比度较低,边缘模糊,尺寸及形状变化不定,可检测信号相对较弱,特别是在非平稳复杂背景干扰下,背景与目标常交叠在一起,成像的信噪比较低,使得复杂背景下红外弱小目标的检测与跟踪变得很困难。
对于序列图像中的弱小目标的检测和跟踪,其涉及到的相关技术主要包括图像的预处理、目标检测和目标跟踪3个方面。图像预处理是为了背景抑制与目标增强,便于在复杂背景下更好的检测目标。目标检测是从图像中提取出感兴趣的目标对象,是红外目标检测与跟踪的关键。目前,红外序列图像中弱小目标检测算法主要有基于运动能量累积的方法,基于管道滤波的方法,基于运动假设的方法,基于背景预测的方法等。目前有很多目标跟踪算法,大致可以分为两类,确定性方法和随机性方法。确定性方法是通过寻找目标的最优匹配来实现跟踪,如Mean Shift算法。该方法实时性好,能够快速的实现目标匹配,但在遮挡等情况下容易陷入局部极值,跟踪的鲁棒性较差。随机性方法是通过对目标的状态进行估计,如卡尔曼滤波,粒子滤波算法。卡尔曼滤波是有效的线性最优估计技术,但不能处理非线性和非高斯的情况。而粒子滤波方法具有较强的抗遮挡和背景干扰的能力,但计算量比较大,而且存在退化现象。
目标跟踪的关键是提取目标模板进行匹配,因而特征提取是跟踪算法中最基本和最关键的问题。目前使用比较多的特征有颜色信息、运动信息和边缘特征等,而红外目标一般都没有明显的轮廓,同时也没有颜色信息,因此选择灰度分布描述目标。灰度分布描述是一种比较稳健的目标描述策略,它能减弱目标的部分遮挡、旋转和变形对跟踪算法的影响,但是采用单一灰度特征进行跟踪鲁棒性不高,当目标和背景的灰度分布比较相似,或者是光照不稳定时,往往导致跟踪失败。
复杂背景下红外图像信噪比低,噪声干扰大,目标和背景对比度低,使得弱小目标的检测变得很困难;在复杂背景下,不同的特征对不同场景的贡献不一样,因此单一特征表示目标往往得不到好的跟踪效果。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种复杂背景下红外弱小目标检测和跟踪方法,基于方差加权信息熵实现复杂背景下基于感兴趣区域的目标检测与提取,采用灰度-纹理特征的Mean Shift算法实现目标跟踪。
本发明的思想在于:基于方差加权信息熵(Variance weighted information entropy,Variance WIE)实现了感兴趣区域(region of interest,ROI)的提取,利用灰度-纹理特征表示目标模板,采用Mean Shift算法实现目标跟踪,有效地避免了单一特征在复杂背景条件下的跟踪不稳定问题。
技术方案
一种复杂背景下红外弱小目标检测和跟踪方法,其特征在于步骤如下:
步骤1基于方差加权信息熵的感兴趣区域提取:
步骤(1):将M×N大小的初始帧图像分割成m×n大小的子图像块,得到子图像块集合F(u,v),其中:m=2k,n=2l,1≤k≤4,1≤l≤4,0≤u≤M/m-1,0≤v≤N/n-1;
步骤(2):对子图像块集合F(u,v)中的每幅图像F(i,j),采用公式计算其方差加权信息熵H(i,j),得到M/(m-1)×N/(n-1)大小的熵图像,并计算熵图像的均值μ和方差δ;其中:0≤i≤M/m-1,0≤j≤N/n-1,s表示灰度值,ps表示每种灰度级对应的概率,表示红外图像的灰度平均值,当ps=0时,令ps*log(ps)=0;
步骤(3):当步骤(2)得到的熵图像中最大的熵值H(t,r)≥HT时,H(t,r)对应的子图像F(t,r)为种子;当H(t,r)<HT时,取m=m/2,n=n/2,重复步骤(1)和(2),直到熵图像中最大的熵值满足H(t,r)≥HT或m=2或n=2;其中(t,r)表示熵最大的图像块的位置;
步骤(4):在熵图像上,以步骤(3)得到的种子,采用基于八邻域的区域增长方法进行增长,得到包含目标的矩形感兴趣区域ROI(centerx,centery,w,h)作为复杂背景下红外弱小目标检测的结果,其中:centerx为区域中心横坐标,centery为区域中心纵坐标,w为区域的宽度,h为区域高度,均为整数;所述基于八邻域的区域增长方法中的相似度α∈(0,1);
步骤2多特征融合:
步骤①:在初始帧中,以感兴趣区域ROI(centerx,centery,w,h)作为目标区域将目标区域中的像素点M=w×h分为16个特征区间gr(xi),其中:xi表示像素点的位置(rowi,coli);所述gr(xi)∈[1,16];然后利用LBP纹理空间将目标区域中的像素点M=w×h分为5个特征区间tx(xi)∈[2,6]:
所述其中:1表示圆环的半径,8表示圆环上点的个数;gc表示坐标为(x0,y0)的中心点yc的灰度值;gb表示以中心点为中心,半径为1的圆环上第b个等分点的灰度值,等分点坐标为(x0-sin(2πb/8),y0+cos(2πb/8)),b∈[0,7];tx(xi)为xi处对应的灰度特征值,tx(xi)∈[1,5];
步骤②:将特征区间gr(xi)和tx(xi)∈[1,5]相加m=16×5=80,得到m个特征区间gt(xi),其中gt(xi)=(gt(xi)-1)×5+tx(xi),gt(xi)∈[1,80];
所述目标区域特征区间的灰度纹理特征表示为q={qu}u=1,…,m,其中:参数描述目标区域的大小,δ是狄拉克函数,K(·)是加权函数,定义为C为归一化系数;所述C的取值保证使得其中||y-xi||表示区域的中心点y与区域中像素点xi的欧氏距离;
步骤3Mean Shift跟踪步骤:
步骤(一):由步骤2得到初始帧中目标区域的灰度纹理特征q={qu}u=1,...,m以及初始帧目标的位置y0(centerx,centery),目标区域大小即为w×h;从第二帧pFrame=2开始采用迭代方程将当前目标区域的中心位置y0移动到新的目标区域中心位置y1,xi为当前目标区域中的像素点,i=1,...,M,ωi为当前目标区域中像素点的权值,pu(y0)为用步骤2中同样的方法得到的当前目标区域的灰度纹理特征;初始化迭代次数k=0,令k←k+1,d←||y1-y0||,当满足d<ε or k≥N时迭代停止,ynew(pFrame)=y1,否则,令y0←y1,继续迭代。其中d表示偏移距离,ε表示阈值,N表示最大迭代次数,0<ε<0.5,N≥10;ynew(pFrame)即为当前帧的目标跟踪结果,表示目标区域的中心坐标;
步骤(二):令y0←ynew(pFrame),pFrame←pFrame+1,
if pFrame>TotalFrames
跟踪结束,ynew即为目标跟踪的结果,表示第2到TotalFrames帧中目标区域的中心坐标;TotalFrames表示图像序列的帧数;
否则由步骤(一)重新开始。
有益效果
本发明提出的一种复杂背景下红外弱小目标检测和跟踪方法,首先利用方差加权信息熵做感兴趣区域提取,得到包含目标的矩形框,缩小了解空间、剔除了大量的噪声干扰;然后在包含目标的矩形区域内利用灰度-纹理特征建立目标模板,用Mean Shift算法实现红外弱小目标的跟踪,有效地避免了单一特征在复杂背景条件下的跟踪不稳定问题。
附图说明
图1:本发明方法的流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
步骤1基于加权信息熵的感兴趣区域提取:
(1)将M×N大小的图像分割成m×n大小的子图像块,得到子图像块集合F(u,v),其中:m=2k,n=2l,1≤k≤4,1≤l≤4,0≤u≤M/m-1,0≤v≤N/n-1,这里我们取k=l=3;
(2)对子图像块集合F(u,v)中的每幅图像F(i,j),采用公式计算其方差加权信息熵H(i,j),得到M/(m-1)×N/(n-1)大小的熵图像,并计算熵图像的均值μ和方差δ。其中:0≤i≤M/m-1,0≤j≤N/n-1,s表示灰度值,s∈[0,255],ps表示每种灰度级对应的概率,表示红外图像的灰度平均值,当ps=0时,令ps*log(ps)=0;
(3)以H(t,r)=max{H(u,v)}表示步骤(2)得到的熵图像中最大的熵值,(t,r)表示熵最大的图像块的位置。如果H(t,r)≥HT,其中HT=μ+α*δ,α=1,2,3,...,这里α取6,则H(t,r)对应的子图像F(t,r)即为种子。如果H(t,r)<HT,则取m=m/2,n=n/2,重复步骤(1)和(2),直到熵图像中最大的熵值满足H(t,r)≥HT或m=2或n=2;
(4)在熵图像上,结合步骤(3)得到的种子,采用基于八邻域的区域增长方法,相似度α∈(0,1),本文取α=0.5,得到包含目标的矩形感兴趣区域ROI,表示为ROI(centerx,centery,w,h),分别代表感兴趣区域中心横坐标,中心纵坐标,区域的宽度,区域的高度,且它们都为整数。ROI(centerx,centery,w,h)即作为弱小目标检测的结果。
步骤2多特征融合:
以步骤1得到的感兴趣区域ROI(centerx,centery,w,h)作为目标区域,记目标区域为则M=w×h,代表目标区域像素点的个数,xi表示像素点的位置(rowi,coli)。将像素点灰度空间划分为16个区间,用gr(xi)表示xi处对应的灰度特征值,gr(xi)∈[1,16];利用LBP纹理空间划分为5个区间,取其值为2,3,4,5,6的五种模式,为方便表示,将2,3,4,5,6相应的转化为1,2,3,4,5,其中圆环上点的个数为8,圆环的半径为1,gc表示中心点yc的灰度值,坐标为(x0,y0),gb表示以中心点为中心,半径为1的圆环上第b个等分点的灰度值,坐标用(x0-sin(2πb/8),y0+cos(2πb/8))表示,b∈[0,7],用tx(xi)表示xi处对应的灰度特征值,tx(xi)∈[1,5],则特征空间被划分为m个空间,m=16×5=80,用gt(xi)表示,gt(xi)=(gt(xi)-1)×5+tx(xi),gt(xi)∈[1,80],统计目标区域中特征点落在每个区域的像素个数,则目标空间灰度纹理特征记为q={qu}u=1,...,m,C为归一化系数,使得||y-xi||表示区域的中心点y与区域中像素点xi的欧氏距离,参数描述目标区域的大小,δ是狄拉克函数,K(.)是加权函数,定义为
步骤3Mean Shift跟踪:
从当前目标区域的中心位置y0移动到新的目标区域中心位置的y1的迭代方程为:xi为初始目标区域中的像素点,i=1,...,M,ωi为当前目标区域中像素点的权值,q={qu}u=1,…,m为步骤2中得到的初始目标区域的灰度纹理特征,pu(y0)为用步骤2中同样的方法得到的当前目标区域的灰度纹理特征。具体跟踪步骤如下:
由步骤2得到目标区域的灰度纹理特征q={qu}u=1,...,m以及初始帧目标的位置y0(centerx,centery),目标区域大小即为w×h;从第二帧开始跟踪目标,pFrame=2;视频序列图像帧数为TotalFrames;
(1)载入第pFrame帧图像。初始化,迭代次数k←0;
(2)在当前帧中计算候选目标区域的灰度纹理特征p(y0);
(3)计算权值{ωi}i=1,...,m;
(4)计算目标区域的新位置y1;
(5)k←k+1,d←||y1-y0||,d表示偏移距离,设定阈值ε和最大迭代次数N,0<ε<0.5,N≥10,这里取阈值ε=0.1,迭代次数N=10;
if d<ε or k≥N
迭代停止,ynew(pFrame)=y1即为当前帧的目标跟踪结果,表示目标区域的中心坐标,转入(6);
else
转入(2);
(6)y0←ynew(pFrame),pFrame←pFrame+1;
if pFrame>TotalFrames
跟踪结束,ynew即为目标跟踪的结果,表示第2到TotalFrames帧中跟踪得到的目标区域的中心坐标;
else
转入步骤3的(1)步骤。
Claims (1)
1.一种复杂背景下红外弱小目标检测和跟踪方法,其特征在于步骤如下:
步骤1基于方差加权信息熵的感兴趣区域提取:
步骤⑴:将M×N大小的初始帧图像分割成m×n大小的子图像块,得到子图像块集合F(u,v),其中:m=2k,n=2l,1≤k≤4,1≤l≤4,0≤u≤M/m-1,0≤v≤N/n-1;
步骤⑵:对子图像块集合F(u,v)中的每幅图像F(i,j),采用公式计算其方差加权信息熵H(i,j),得到M/(m-1)×N/(n-1)大小的熵图像,并计算熵图像的均值μ和方差σ;其中:0≤i≤M/m-1,0≤j≤N/n-1,s表示灰度值,ps表示每种灰度级对应的概率,表示红外图像的灰度平均值,当ps=0时,令ps*log(ps)=0;
步骤⑶:当步骤⑵得到的熵图像中最大的熵值H(t,r)≥HT时,H(t,r)对应的子图像F(t,r)为种子;当H(t,r)<HT时,取m=m/2,n=n/2,重复步骤(1)和(2),直到熵图像中最大的熵值满足H(t,r)≥HT或m=2或n=2;其中(t,r)表示熵最大的图像块的位置;所述HT=μ+α*σ,α=1,2,3,...;
步骤⑷:在熵图像上,以步骤⑶得到的种子,采用基于八邻域的区域增长方法进行增长,得到包含目标的矩形感兴趣区域ROI(centerx,centery,w,h)作为复杂背景下红外弱小目标检测的结果,其中:centerx为区域中心横坐标,centery为区域中心纵坐标,w为区域的宽度,h为区域高度,均为整数;所述基于八邻域的区域增长方法中的相似度β∈(0,1);
步骤2多特征融合:
步骤①:在初始帧中,以感兴趣区域ROI(centerx,centery,w,h)作为目标区域将目标区域中的像素点R=w×h分为16个特征区间gr(xi),其中:xi表示像素点的位置(rowi,coli);所述gr(xi)∈[1,16];然后利用LBP纹理空间将目标区域中的像素点R=w×h分为5个特征区间tx(xi)∈[2,6]:
所述 其中:1表示圆环的半径,8表示圆环上点的个数;gc表示坐标为(x0,y0)的中心点yc的灰度值;gb表示以中心点为中心,半径为1的圆环上第b个等分点的灰度值,等分点坐标为(x0-sin(2πb/8),y0+cos(2πb/8)),b∈[0,7];tx(xi)为xi处对应的灰度特征值,tx(xi)∈[2,6];
步骤②:将特征区间gr(xi)和tx(xi)∈[2,6]相加L=16×5=80,得到L个特征区间gt(xi),其中gt(xi)=(gt(xi)-1)×5+tx(xi),gt(xi)∈[1,80];
所述目标区域特征区间的灰度纹理特征表示为q={qu}u=1,...,L,其中:参数描述目标区域的大小,δ是狄拉克函数,K(·)是加权函数,定义为C为归一化系数;所述C的取值保证使得其中||y-xi||表示区域的中心点y与区域中像素点xi的欧氏距离;
步骤3Mean Shift跟踪步骤:
步骤㈠:由步骤2得到初始帧中目标区域的灰度纹理特征q={qu}u=1,...,L以及初始帧目标的位置y0(centerx,centery),目标区域大小即为w×h;从第二帧pFrame=2开始采用迭代方程将当前目标区域的中心位置y0移动到新的目标区域中心位置y1,xi为当前目标区域中的像素点,i=1,...,R,ωi为当前目标区域中像素点的权值,pu(y0)为用步骤2中同样的方法得到的当前目标区域的灰度纹理特征;初始化迭代次数k=0,令k←k+1,d←||y1-y0||,当满足d<ε或k≥T时迭代停止,ynew(pFrame)=y1,否则,令y0←y1,继续迭代;其中d表示偏移距离,ε表示阈值,T表示最大迭代次数,0<ε<0.5,T≥10;ynew(pFrame)即为当前帧的目标跟踪结果,表示目标区域的中心坐标;
步骤㈡:令y0←ynew(pFrame),pFrame←pFrame+1,
如果pFrame>TotalFrames
跟踪结束,ynew即为目标跟踪的结果,表示第2到TotalFrames帧中目标区域的中心坐标;TotalFrames表示图像序列的帧数;
否则由步骤㈠重新开始。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010590696.XA CN102103748B (zh) | 2010-12-14 | 2010-12-14 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010590696.XA CN102103748B (zh) | 2010-12-14 | 2010-12-14 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102103748A CN102103748A (zh) | 2011-06-22 |
CN102103748B true CN102103748B (zh) | 2014-02-05 |
Family
ID=44156492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010590696.XA Expired - Fee Related CN102103748B (zh) | 2010-12-14 | 2010-12-14 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102103748B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254186B (zh) * | 2011-08-03 | 2013-04-03 | 浙江大学 | 一种采用局部结构相似度差异的红外目标探测方法 |
CN102955945B (zh) * | 2011-08-29 | 2015-08-19 | 北京邮电大学 | 一种用于目标识别和跟踪的纹理特征提取方法 |
CN102779348B (zh) * | 2012-06-20 | 2015-01-07 | 中国农业大学 | 无标识运动目标跟踪测量方法 |
CN103150705B (zh) * | 2012-12-06 | 2016-05-25 | 华中科技大学 | 一种弱小目标图像的自适应恢复增强方法 |
CN103413138B (zh) * | 2013-07-18 | 2016-08-10 | 航天恒星科技有限公司 | 一种红外图像序列中点目标检测方法 |
CN103514600B (zh) * | 2013-09-13 | 2016-08-31 | 西北工业大学 | 一种基于稀疏表示的红外目标快速鲁棒跟踪方法 |
CN104766100B (zh) * | 2014-10-22 | 2018-05-18 | 中国人民解放军电子工程学院 | 基于机器学习的红外小目标图像背景预测方法与装置 |
CN104392461B (zh) * | 2014-12-17 | 2017-07-11 | 中山大学 | 一种基于纹理特征的视频跟踪方法 |
CN105654516B (zh) * | 2016-02-18 | 2019-03-26 | 西北工业大学 | 基于目标显著性的卫星图像对地面弱小运动目标检测方法 |
CN105761279B (zh) * | 2016-02-18 | 2019-05-24 | 西北工业大学 | 基于轨迹分割与拼接的目标跟踪方法 |
CN105976403B (zh) * | 2016-07-25 | 2018-09-21 | 中国电子科技集团公司第二十八研究所 | 一种基于核函数质心漂移的红外成像目标跟踪方法 |
CN106997596B (zh) * | 2017-04-01 | 2019-08-20 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN107369164B (zh) * | 2017-06-20 | 2020-05-22 | 成都中昊英孚科技有限公司 | 一种红外弱小目标的跟踪方法 |
CN107704814B (zh) * | 2017-09-26 | 2021-08-24 | 中国船舶重工集团公司第七一九研究所 | 一种基于视频的振动目标监测方法 |
CN108734717B (zh) * | 2018-04-17 | 2021-11-23 | 西北工业大学 | 基于深度学习的单帧星图背景暗弱目标提取方法 |
CN108647698B (zh) * | 2018-05-21 | 2021-11-30 | 西安电子科技大学 | 特征提取与描述方法 |
CN109493365A (zh) * | 2018-10-11 | 2019-03-19 | 中国科学院上海技术物理研究所 | 一种弱小目标的跟踪方法 |
CN109903272B (zh) * | 2019-01-30 | 2021-09-03 | 西安天伟电子系统工程有限公司 | 目标检测方法、装置、设备、计算机设备和存储介质 |
CN109886991B (zh) * | 2019-03-04 | 2023-04-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外成像河道检测方法 |
CN109978851B (zh) * | 2019-03-22 | 2021-01-15 | 北京航空航天大学 | 一种红外视频空中弱小运动目标检测跟踪方法 |
EP3964812A4 (en) * | 2019-05-30 | 2022-06-29 | Panasonic Intellectual Property Management Co., Ltd. | Moving body stress analysis device |
CN110276280B (zh) * | 2019-06-06 | 2021-06-04 | 刘嘉津 | 一种农作物害虫图像自动识别的光学处理方法 |
CN111666944B (zh) * | 2020-04-27 | 2022-10-18 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种红外弱小目标检测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847259A (zh) * | 2010-01-21 | 2010-09-29 | 西北工业大学 | 基于加权信息熵和马尔可夫随机场的红外目标分割方法 |
-
2010
- 2010-12-14 CN CN201010590696.XA patent/CN102103748B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847259A (zh) * | 2010-01-21 | 2010-09-29 | 西北工业大学 | 基于加权信息熵和马尔可夫随机场的红外目标分割方法 |
Non-Patent Citations (4)
Title |
---|
宁纪锋.图像分割和目标跟踪中的若干问题研究.《中国博士学位论文电子期刊》.2009, * |
宁纪锋等.一种基于纹理模型的Mean Shift目标跟踪算法.《模式识别与人工智能》.2007,第20卷(第5期), * |
王新红等.基于空间边缘方向直方图的Mean Shift跟踪算法.《中国图象图形学报》.2008,第13卷(第3期), * |
王永忠等.一种基于纹理特征的红外成像目标跟踪方法.《光子学报》.2007,第36卷(第11期), * |
Also Published As
Publication number | Publication date |
---|---|
CN102103748A (zh) | 2011-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102103748B (zh) | 一种复杂背景下红外弱小目标检测和跟踪方法 | |
Oskoei et al. | A survey on edge detection methods | |
Guo et al. | A novel image edge detection algorithm based on neutrosophic set | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN104036523A (zh) | 一种基于SURF特征的改进Mean Shift的目标跟踪方法 | |
CN101924871A (zh) | 基于均值偏移的视频目标跟踪方法 | |
Li et al. | Road lane detection with gabor filters | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN103870818A (zh) | 一种烟雾检测方法和装置 | |
CN103793708A (zh) | 一种基于仿射校正的多尺度车牌精准定位方法 | |
Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
Hossain et al. | Moving object detection for real time video surveillance: An edge based approach | |
CN106780564A (zh) | 一种基于先验模型约束的抗干扰轮廓跟踪方法 | |
Nigam et al. | Curvelet transform-based technique for tracking of moving objects | |
CN104778670A (zh) | 一种基于多元统计模型的分形小波自适应图像去噪方法 | |
Chen et al. | Multi-lane detection and tracking using temporal-spatial model and particle filtering | |
Xiong et al. | A structured learning-based graph matching method for tracking dynamic multiple objects | |
CN102930558B (zh) | 一种多特征融合的红外图像目标实时跟踪方法 | |
Sunkara et al. | Object tracking techniques and performance measures—A conceptual survey | |
Cheng | Highway traffic flow estimation for surveillance scenes damaged by rain | |
Di Caterina et al. | An improved mean shift tracker with fast failure recovery strategy after complete occlusion | |
Mofaddel et al. | Fast and accurate approaches for image and moving object segmentation | |
Li et al. | Automatic building extraction based on improved watershed segmentation, mutual information match and snake model | |
Wang et al. | Vision-based road detection by adaptive region segmentation and edge constraint | |
Wang et al. | Pedestrian analysis and counting system with videos |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140205 Termination date: 20141214 |
|
EXPY | Termination of patent right or utility model |