CN102184548A - 一种基于累加直方图粒子滤波的视频运动目标跟踪方法 - Google Patents
一种基于累加直方图粒子滤波的视频运动目标跟踪方法 Download PDFInfo
- Publication number
- CN102184548A CN102184548A CN2011101017379A CN201110101737A CN102184548A CN 102184548 A CN102184548 A CN 102184548A CN 2011101017379 A CN2011101017379 A CN 2011101017379A CN 201110101737 A CN201110101737 A CN 201110101737A CN 102184548 A CN102184548 A CN 102184548A
- Authority
- CN
- China
- Prior art keywords
- histogram
- target
- particle
- weight
- width
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种基于累加直方图粒子滤波的视频运动目标跟踪方法,包括如下步骤:第一步,根据检测到的目标范围,计算目标的颜色累加直方图histogram;第二步,进行粒子的初始化;第三步,读取下一帧图像,更新目标的范围;第四步,以每个粒子的坐标为中心点,计算得到临时的累加直方图histogram_temp,然后,计算每个粒子的权重并进行权重归一化;第五步,根据上一步得到的权重,估计目标中心点的位置,然后计算得到新的目标累加直方图histogram_new;第六步,更新累加直方图;第七步,采用替换选择算法对粒子进行重采样;第八步,经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的初始分布。当运动目标与背景颜色相似时,本发明能减少跟踪误差、提升跟踪精度。
Description
技术领域
本发明涉及图像处理领域,尤其涉及视频序列的运动目标跟踪领域,具体是一种运动目标跟踪方法。
背景技术
目前,视频监控技术迅速发展,视频运动目标跟踪技术也随之成为研究的热门课题之一,它融合了模式识别、人工智能、图像处理等较多领域的先进技术。视频运动目标跟踪通过对摄像机获得的图像序列进行分析,得到目标的运动参数,并且反馈给跟踪系统,为视频序列的分析和理解提供依据和基础。运动目标跟踪是跟踪系统的重要环节,它的精确度直接影响到高层视频序列分析和理解的准确性。
粒子滤波是最常用的运动目标跟踪方法之一,它是一种基于蒙特卡洛模拟和递推贝叶斯估计的滤波方法。研究发现,传统的粒子滤波跟踪方法中,用一般的颜色直方图来描述运动目标特征,对于图像噪声的鲁棒性比较强,并且适用于刚体和非刚体目标。但是一般颜色直方图忽略了颜色的相似性,所以当运动目标经过与其自身颜色分布较为相似的背景时,会发生大量粒子脱离真实目标的情况,即粒子的“走散”现象,这样会使粒子滤波目标跟踪方法的精确度变低,跟踪误差增大,甚至会产生跟踪丢失情况。
发明内容
为了克服已有粒子滤波运动目标跟踪方法的当运动目标与背景颜色相似时跟踪误差较大、跟踪精度低的不足,本发明提供一种当运动目标与背景颜色相似时,减少跟踪误差、提升跟踪精度的基于累加直方图粒子滤波的视频运动目标跟踪方法。
本发明解决其技术问题所采用的技术方案是:
一种基于累加直方图粒子滤波的视频运动目标跟踪方法,所述视频运动目标跟踪方法包括以下步骤:
累加直方图以灰度值作为横坐标,以颜色累加出现的频数作为纵坐标,计算公式如下:已知图像P中灰度值的一般直方图为H(P)=(hx1,hx2,...,hxi,...hxn),则该特征的累加直方图为:λ(P)=(λx1,λx2,...,λxi,...,λxn),其中,j为整数。
根据上述公式对累加直方图进行初始化,得到histogram;
第二步,根据目标的中心位置在x轴、y轴方向上的随机化扩散得到各个粒子的初始位置;
第三步,以前一帧计算的目标位置及目标范围为基础,计算当前帧中目标的累加直方图histogram_origin,所述目标范围包括目标宽度block_width和目标高度block_hight;
将目标宽度block_width左右各减1个像素、各加1个像素,计算两个新的直方图histogram_width_dec、histogram_width_inc,分别计算histogram_origin、histogram_width_dec和histogram_width_inc三个直方图与前一帧中更新的直方图histogram间的欧式距离d1、d2、d3,距离公式h代表histogram_origin、histogram_width_dec或histogram_width_inc,i为直方图横坐标的值;若d2>d3且d2>d1,则block_width减2个像素;若d3>d2且d3>d1,则block_width加2个像素;否则block_width不变;
block_width为刚刚更新过的目标宽度,在目标高度block_hight方向上执行相同的操作,得到新的目标范围;
第四步,根据新的目标范围,以每个粒子的坐标为中心点,计算得到临时的累加直方图histogram_temp,然后,计算每个粒子的权重并进行权重归一化:
①根据第三步得到的新的目标范围,把每个粒子的坐标(particles_x(p),particles_y(p))作为中心点计算得到累加直方图histogram_temp;
②权重计算公式为weight(p)=η*exp(-λd2),其中,η=(1/sqrt((particles_x(p)-x)2+(particles_y(p)-y)2+1))为调节因子,weight(p)为第p个粒子的权重,λ为一个常系数,d为直方图histogram和第p个粒子对应的累加直方图histogram_temp间的欧式距离,particles_x(p)为第p个粒子在x轴上的位置,particles_y(p)为第p个粒子在y轴上的位置,(x,y)为目标的中心坐标位置;
得到权重值后,进行权重的归一化,归一化公式为:weight(p)′=weight(p)/∑weight(j),其中,weight(p)′为第p个粒子的归一化权重,∑weight(j)为所有粒子权重之和;
第五步,估计目标中心点的位置,然后计算得到新的目标累加直方图histogram_new:
①根据第四步得到的归一化权重,估计目标中心点的位置,公式为:x=∑weight(p)′*particles_x(p);y=∑weight(p)′*particles_y(p);
②根据新的中心点坐标以及目标宽度block_width和目标高度block_hight,计算出新的目标累加直方图histogram_new;
第六步,计算累加直方图histogram和histogram_new之间的欧式距离,如果距离大于阈值thrd,累加直方图histogram更新为histogram_new;如果距离小于或等于阈值thrd,则维持原来的累加直方图histogram;
第七步,采用替换选择算法进行重采样,筛选得到有效的粒子,同时,权重较大的粒子衍生出相对较多的后代粒子,而权重较小的粒子衍生出较少的后代粒子;
第八步,经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的初始分布。
所述第七步中,重采样的过程如下:以0到1/N之间产生的随机数为起点、1/N为差值组成等差序列,构造两个数列U(j)、C(i),j=1,2,...,N,i=1,2,...,N,N为粒子数目,其中,U(1)为0~1/N之间的随机数,U(j)=U(1)+(j-1)/N;C(1)=w(1),C(i)=C(i-1)+w(i),w(i)为第i个粒子的权重,如果U(j)>C(i)j=1,2,...,N,则i=i+1,即如果w(i)太小,则为无效粒子;如果U(j)>C(i-1),U(j)<C(i),则j=j+1,第i个粒子的复制次数为数列U中介于C(i-1)和C(i)之间的项的数目。
本发明的技术构思为:
该方法的一个递推过程包括以下基本步骤:
1)累加直方图的初始化。根据目标的中心坐标位置(x,y)和目标的范围(目标宽度block_width,目标高度block_hight)逐一计算每个像素对应的直方图上的横坐标值,即可得到目标的一般颜色直方图,然后通过计算可以得到累加直方图histogram。
2)粒子的初始化。根据目标的中心位置在x轴、y轴方向上的随机化扩散得到各个粒子的初始位置。
3)读取下一帧图像,更新目标的范围。分别在目标宽度和目标高度上,对目标范围进行调节,更新目标范围。
4)根据新的目标范围,以每个粒子的坐标(particles_x(p),particles_y(p))为中心点,计算临时的累加直方图histogram_temp,如果有p个粒子,则可以得到p个累加直方图。然后,计算每个粒子的权重并进行权重归一化。
5)根据上一步得到的权重,估计目标中心点的位置,结合目标的宽度block_width和高度block_hight,计算得到新的目标累加直方图histogram_new。
6)计算累加直方图histogram和histogram_new之间的欧式距离,如果距离大于阈值thrd(thrd根据实际情况来定),则累加直方图histogram更新为histogram_new;如果距离小于或等于阈值,则维持原来的累加直方图histogram。
7)采用替换选择算法对粒子进行重采样,基本原理为以0到1/N之间产生的随机数为起点、1/N为差值组成等差序列,来处理粒子的权重,从而确定它们的取舍。
8)粒子传播,经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的分布。
本发明结合粒子滤波跟踪方法和颜色累加直方图特征方法,对运动目标进行跟踪,可靠性较高,跟踪效果较好。
本发明具有以下优点:
在粒子滤波目标跟踪方法中,采用颜色累加直方图代替一般颜色直方图,可以克服运动目标经过与其自身颜色分布较为相似的背景时产生的粒子“走散”问题,提高目标跟踪方法的跟踪精度。
附图说明
图1为一种基于累加直方图粒子滤波的视频运动目标跟踪方法的流程图。
图2为基于累加直方图粒子滤波的视频运动目标跟踪方法和基本粒子滤波跟踪方法对表1的目标跟踪结果比较示意图。
图3为基于累加直方图粒子滤波的视频运动目标跟踪方法和基本粒子滤波跟踪方法对表3的目标跟踪结果比较示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
参照图1~图3,一种基于累加直方图粒子滤波的视频运动目标跟踪方法,首先根据运动目标检测结果,确定目标中心和目标的范围。然后进入目标跟踪过程,包括以下步骤:
累加直方图以灰度值作为横坐标,以颜色累加出现的频数作为纵坐标,计算公式如下:已知图像P中灰度值的一般直方图为H(P)=(hx1,hx2,...,hxi,...hxn),则该特征的累加直方图为:λ(P)=(λx1,λx2,...,λxi,...,λxn),其中,j为整数;
根据上述公式对累加直方图进行初始化,得到histogram;
第二步,根据目标的中心位置在x轴、y轴方向上的随机化扩散得到各个粒子的初始位置;
第三步,以前一帧计算的目标位置及目标范围为基础,计算当前帧中目标的累加直方图histogram_origin,所述目标范围包括目标宽度block_width和目标高度block_hight;
将目标宽度block_width左右各减1个像素、各加1个像素,计算两个新的直方图histogram_width_dec、histogram_width_inc,分别计算histogram_origin、histogram_width_dec和histogram_width_inc三个直方图与前一帧中更新的直方图histogram间的欧式距离d1、d2、d3,距离公式h代表histogram_origin、histogram_width_dec或histogram_width_inc,i为直方图横坐标的值;若d2>d3且d2>d1,则block_width减2个像素;若d3>d2且d3>d1,则block_width加2个像素;否则block_width不变;
block_width为刚刚更新过的目标宽度,在目标高度block_hight方向上执行相同的操作,得到新的目标范围;
第四步,根据新的目标范围,以每个粒子的坐标为中心点,计算得到临时的累加直方图histogram_temp,然后,计算每个粒子的权重并进行权重归一化:
①根据第三步得到的新的目标范围,把每个粒子的坐标(particles_x(p),particles_y(p))作为中心点计算得到累加直方图histogram_temp;
②权重计算公式为weight(p)=η*exp(-λd2),其中,η=(1/sqrt((particles_x(p)-x)2+(particles_y(p)-y)2+1))为调节因子,weight(p)为第p个粒子的权重,λ为一个常系数,d为直方图histogram和第p个粒子对应的累加直方图histogram_temp间的欧式距离,particles_x(p)为第p个粒子在x轴上的位置,particles_y(p)为第p个粒子在y轴上的位置,(x,y)为目标的中心坐标位置;
得到权重值后,进行权重的归一化,归一化公式为:weight(p)′=weight(p)/∑weight(j),其中,weight(p)′为第p个粒子的归一化权重,∑weight(j)为所有粒子权重之和;
第五步,估计目标中心点的位置,然后计算得到新的目标累加直方图histogram_new:
①根据第四步得到的归一化权重,估计目标中心点的位置,公式为:x=∑weight(p)′*particles_x(p);y=∑weight(p)′*particles_y(p);
②根据新的中心点坐标以及目标宽度block_width和目标高度block_hight,计算出新的目标累加直方图histogram_new;
第六步,计算累加直方图histogram和histogram_new之间的欧式距离,如果距离大于阈值thrd,累加直方图histogram更新为histogram_new;如果距离小于或等于阈值thrd,则维持原来的累加直方图histogram;
第七步,采用替换选择算法进行重采样,筛选得到有效的粒子,同时,权重较大的粒子衍生出相对较多的后代粒子,而权重较小的粒子衍生出较少的后代粒子;
第八步,经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的初始分布。
所述第七步中,重采样的过程如下:以0到1/N之间产生的随机数为起点、1/N为差值组成等差序列,构造两个数列U(j)、C(i),j=1,2,...,N,i=1,2,...,N,N为粒子数目,其中,U(1)为0~1/N之间的随机数,U(j)=U(1)+(j-1)/N;C(1)=w(1),C(i)=C(i-1)+w(i),w(i)为第i个粒子的权重,如果U(j)>C(i)j=1,2,...,N,则i=i+1,则为无效粒子;如果U(j)>C(i-1),U(j)<C(i),则j=j+1,第i个粒子的复制次数为数列U中介于C(i-1)和C(i)之间的项的数目。
本实施例用基于累加直方图粒子滤波的视频运动目标跟踪方法对视频中的运动目标进行跟踪,并比较本发明和基本粒子滤波方法的跟踪精度。
图1为一种基于累加直方图粒子滤波的视频运动目标跟踪方法的流程图。
步骤110,根据运动目标检测结果,确定目标中心和目标的范围。
步骤120,进行累加直方图的初始化,可以得到目标的初始累加直方图histogram。
步骤210,对粒子进行初始化,即根据目标的中心位置在x轴、y轴方向上的随机化扩散得到各个粒子的初始位置。
步骤310,读取下一帧图像,用于后续的操作。
步骤320,在当前帧中,分别在目标宽度和目标高度上,对目标范围进行调节,更新目标的范围。
步骤410,根据新的目标范围,以每个粒子的坐标(particles_x(p),particles_y(p))为中心点,计算得到临时的累加直方图histogram_temp,如果有p个粒子,则可以得到p个累加直方图。
步骤420,根据权重计算公式weight(p)=η*exp(-λd2),计算每个粒子的权重,并对其进行归一化处理。
步骤510,根据公式x=∑weight(p)′*particles_x(p)和y=∑weight(p)′*particles_y(p),估计目标中心点的位置。
步骤520,根据步骤510中估计得到的目标中心点的位置,结合目标的宽度block_width和高度block_hight,计算得到新的目标累加直方图histogram_new。
步骤610,计算累加直方图histogram和histogram_new之间的欧式距离。
步骤620,设定一个距离阈值,判断步骤610中计算得到的距离是否大于该距离阈值。
步骤630,如果步骤610中计算得到的距离大于阈值,则累加直方图histogram更新为histogram_new。
步骤640,如果步骤610中计算得到的距离小于或等于阈值,维持原来的累加直方图histogram。
步骤710,采用替换选择算法对粒子进行重采样,基本原理为以0到1/N之间产生的随机数为起点、1/N为差值组成等差序列,来处理粒子的权重,从而确定它们的取舍。
步骤810,粒子传播,经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的分布。
表1是基于累加直方图粒子滤波的视频运动目标跟踪方法和基本粒子滤波目标跟踪方法的目标中心点跟踪误差比较表,是本发明的一个实施例。本实施例中,设初始粒子数为100,权重系数λ=0.2,距离阈值thrd=0.98,直方图中涉及的特征值均为图像的灰度值,所以一般颜色直方图和累加直方图的横坐标均为0到255的整数。本发明采用欧式距离来衡量两种方法的目标中心点跟踪误差,其中,(x1,y1)为运动目标实际中心坐标,(x2,y2)为跟踪方法测得的中心坐标。分别计算比较两种跟踪方法的目标中心点跟踪误差,结果如表1所示:
表1
从表1可见,在前面若干帧中,总体上而言,基于累加直方图粒子滤波的视频运动目标跟踪方法得到的目标中心点跟踪误差比基本粒子滤波目标跟踪方法的目标中心点跟踪误差小,但两种方法得到的跟踪误差相差不多;但是,在经过102帧时,由于背景颜色与运动目标颜色有一点相似,基本粒子滤波跟踪方法的目标中心点跟踪误差稍微变大;当193帧时,背景颜色与目标颜色十分相似,基本粒子滤波跟踪方法的目标中心点跟踪误差明显变大,出现跟踪丢失状态,而基于累加直方图粒子滤波的视频运动目标跟踪方法的目标中心点跟踪误差始终保持在一定的范围内,具有比较高的跟踪准确度。
同时,本发明采用来衡量两种方法的目标外接矩形框与实际目标外接矩形框之间的误差,其中,(w1,h1)为运动目标实际外接矩形框的宽和高,(w2,h2)为跟踪方法测得的目标外接矩形框的宽和高。分别计算比较两种跟踪方法的目标外接矩形框跟踪误差,结果如表2所示:
表2
从表2可见,在前面若干帧中,总体上而言,基于累加直方图粒子滤波的视频运动目标跟踪方法得到的目标外接矩形框的跟踪误差比基本粒子滤波目标跟踪方法的目标外接矩形框的跟踪误差小,但两种方法得到的跟踪误差相差不多;但是,当经过193帧时,由于背景颜色与目标颜色相似,基本粒子滤波目标跟踪方法的目标外接矩形框的跟踪误差明显变大,出现并一直处于跟踪丢失状态,而基于累加直方图粒子滤波的视频运动目标跟踪方法的目标外接矩形框的跟踪误差始终保持在一定的范围内,具有比较高的跟踪准确度。
为了进一步直观的比较两种方法的跟踪效果,本发明把表1中各帧的目标中心点坐标放入图中,形成跟踪中心点位置比较示意图,如图2所示。图2中,运动目标中心点从视频的右边向左边移动。坐标原点(0,0)为视频图像左上角像素点的坐标值,视频图像的宽度方向为x轴方向,其中右为x轴正方向;视频图像的高度方向为y轴方向,其中下为y轴的正方向。每个像素点根据其所处在视频图像中的位置决定其坐标值。“+”型曲线中的点表示每一帧中运动目标真实的中心点坐标;“○”型曲线中的点表示对应帧中,用基于累加直方图粒子滤波的视频运动目标跟踪方法跟踪到的运动目标的中心点;“△”型曲线中的点表示对应帧中,用基本粒子滤波目标跟踪方法跟踪到的运动目标的中心点。从图中可以看出,基于累加直方图粒子滤波的视频运动目标跟踪方法跟踪到的运动目标的中心点与目标实际的中心点比较吻合,具有较高的跟踪准确度。
表3和表4分别是基于累加直方图粒子滤波的视频运动目标跟踪方法和基本粒子滤波目标跟踪方法的目标中心点和目标外接矩形框跟踪误差比较表,是本发明的又一个实施例。本实施例中,设初始粒子数为200,权重系数λ=0.25,距离阈值thrd=0.95,直方图中涉及的特征值均为图像的灰度值,所以一般颜色直方图和累加直方图的横坐标均为0到255的整数。
采用与上一实施例同样的方法来计算两种方法的目标中心点跟踪误差和目标外接矩形框跟踪误差,得到的结果如表3和表4所示,其中,表3为两种方法的目标中心点跟踪误差,表4为两种方法的目标外接矩形框跟踪误差:
表3
表4
从表3和表4可以看出,基本粒子滤波目标跟踪方法的跟踪误差比较大,且目标外接矩形框的大小不稳定,在256帧时出现跟踪丢失状况;而基于累加直方图粒子滤波的视频运动目标跟踪方法跟踪比较稳定,目标中心点跟踪误差和目标外接矩形框跟踪误差都在一定范围之内,具有较高的跟踪准确度和可靠度。
同样,为了进一步直观的比较两种方法的跟踪效果,本发明把表3中各帧的目标中心点坐标放入图中,形成跟踪目标外接矩形框比较示意图,如图3所示。图3中,运动目标中心点从视频的右边向左边移动,坐标定义和曲线定义同上一个实施例。从图3中可以看出,基于累加直方图粒子滤波的视频运动目标跟踪方法跟踪到的运动目标的中心点与目标实际的中心点比较吻合,具有较高的跟踪准确度。
综上所述,本发明的一种基于累加直方图粒子滤波的视频运动目标跟踪方法可以有效解决在运动目标经过与其颜色分布相近的背景时,大量粒子“走散”,进而导致跟踪误差增大或跟踪丢失的问题,提高运动目标的跟踪准确度。
显而易见,在不偏离本发明的真实精神和范围的前提下,在此描述的本发明可以有许多变化。因此,所有对于本领域技术人员来说显而易见的改变,都应包括在本权利要求书所涵盖的范围之内。本发明所要求保护的范围仅由所述的权利要求书进行限定。
Claims (1)
1.一种基于累加直方图粒子滤波的视频运动目标跟踪方法,其特征在于:所述视频运动目标跟踪方法包括以下步骤:
累加直方图以灰度值作为横坐标,以颜色累加出现的频数作为纵坐标,计算公式如下:已知图像P中灰度值的一般直方图为H(P)=(hx1,hx2,...,hxi,...hxn),则该特征的累加直方图为:λ(P)=(λx1,λx2,...,λxi,...,λxn),其中,j为整数;
根据上述公式对累加直方图进行初始化,得到histogram;
第二步,根据目标的中心位置在x轴、y轴方向上的随机化扩散得到各个粒子的初始位置;
第三步,以前一帧计算的目标位置及目标范围为基础,计算当前帧中目标的累加直方图histogram_origin,所述目标范围包括目标宽度block_width和目标高度block_hight;
将目标宽度block_width左右各减1个像素、各加1个像素,计算两个新的直方图histogram_width_dec、histogram_width_inc,分别计算histogram_origin、histogram_width_dec和histogram_width_inc三个直方图与前一帧中更新的直方图histogram间的欧式距离d1、d2、d3,距离公式h代表histogram_origin、histogram_width_dec或histogram_width_inc,i为直方图横坐标的值;若d2>d3且d2>d1,则block_width减2个像素;若d3>d2且d3>d1,则block_width加2个像素;否则block_width不变;
block_width为刚刚更新过的目标宽度,在目标高度block_hight方向上执行相同的操作,得到新的目标范围;
第四步,根据新的目标范围,以每个粒子的坐标为中心点,计算得到临时的累加直方图histogram_temp,然后,计算每个粒子的权重并进行权重归一化:
①根据第三步得到的新的目标范围,把每个粒子的坐标(particles_x(p),particles_y(p))作为中心点计算得到累加直方图histogram_temp;
②权重计算公式为weight(p)=η*exp(-λd2),其中,η=(1/sqrt((particles_x(p)-x)2+(particles_y(p)-y)2+1))为调节因子,weight(p)为第p个粒子的权重,λ为一个常系数,d为直方图histogram和第p个粒子对应的累加直方图histogram_temp间的欧式距离,particles_x(p)为第p个粒子在x轴上的位置,particles_y(p)为第p个粒子在y轴上的位置,(x,y)为目标的中心坐标位置;
得到权重值后,进行权重的归一化,归一化公式为:weight(p)′=weight(p)/∑weight(j),其中,weight(p)′为第p个粒子的归一化权重,∑weight(j)为所有粒子权重之和;
第五步,估计目标中心点的位置,然后计算得到新的目标累加直方图histogram_new:
①根据第四步得到的归一化权重,估计目标中心点的位置,公式为:x=∑weight(p)′*particles_x(p);y=∑weight(p)′*particles_y(p);
②根据新的中心点坐标以及目标宽度block_width和目标高度block_hight,计算出新的目标累加直方图histogram_new;
第六步,计算累加直方图histogram和histogram_new之间的欧式距离,如果距离大于阈值thrd,累加直方图histogram更新为histogram_new;如果距离小于或等于阈值thrd,则维持原来的累加直方图histogram;
第七步,采用替换选择算法进行重采样,筛选得到有效的粒子;
第八步,经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的初始分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101017379A CN102184548B (zh) | 2011-04-22 | 2011-04-22 | 一种基于累加直方图粒子滤波的视频运动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101017379A CN102184548B (zh) | 2011-04-22 | 2011-04-22 | 一种基于累加直方图粒子滤波的视频运动目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102184548A true CN102184548A (zh) | 2011-09-14 |
CN102184548B CN102184548B (zh) | 2013-04-17 |
Family
ID=44570717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101017379A Active CN102184548B (zh) | 2011-04-22 | 2011-04-22 | 一种基于累加直方图粒子滤波的视频运动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102184548B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800109A (zh) * | 2012-07-16 | 2012-11-28 | 刘怡光 | 基于粒子滤波的机车信号灯跟踪方法 |
CN111479062A (zh) * | 2020-04-15 | 2020-07-31 | 上海摩象网络科技有限公司 | 目标对象的跟踪框显示方法、设备及手持相机 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060285723A1 (en) * | 2005-06-16 | 2006-12-21 | Vassilios Morellas | Object tracking system |
CN101339655A (zh) * | 2008-08-11 | 2009-01-07 | 浙江大学 | 基于目标特征和贝叶斯滤波的视觉跟踪方法 |
CN101877130A (zh) * | 2009-04-29 | 2010-11-03 | 中国科学院自动化研究所 | 复杂场景下基于粒子滤波器的运动目标跟踪方法 |
-
2011
- 2011-04-22 CN CN2011101017379A patent/CN102184548B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060285723A1 (en) * | 2005-06-16 | 2006-12-21 | Vassilios Morellas | Object tracking system |
CN101339655A (zh) * | 2008-08-11 | 2009-01-07 | 浙江大学 | 基于目标特征和贝叶斯滤波的视觉跟踪方法 |
CN101877130A (zh) * | 2009-04-29 | 2010-11-03 | 中国科学院自动化研究所 | 复杂场景下基于粒子滤波器的运动目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
《Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition》 20051231 Sven Fleck et al. Adaptive Probabilistic Tracking Embedded in a Smart Camera 全文 1 , * |
《大庆石油学院学报》 20080630 任伟建等 基于粒子滤波和贝叶斯估计的目标跟踪 全文 1 第32卷, 第3期 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800109A (zh) * | 2012-07-16 | 2012-11-28 | 刘怡光 | 基于粒子滤波的机车信号灯跟踪方法 |
CN111479062A (zh) * | 2020-04-15 | 2020-07-31 | 上海摩象网络科技有限公司 | 目标对象的跟踪框显示方法、设备及手持相机 |
CN111479062B (zh) * | 2020-04-15 | 2021-09-28 | 上海摩象网络科技有限公司 | 目标对象的跟踪框显示方法、设备及手持相机 |
Also Published As
Publication number | Publication date |
---|---|
CN102184548B (zh) | 2013-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hofmann et al. | Background segmentation with feedback: The pixel-based adaptive segmenter | |
Wixson | Detecting salient motion by accumulating directionally-consistent flow | |
CN105678338B (zh) | 基于局部特征学习的目标跟踪方法 | |
CN101883209B (zh) | 一种背景模型与三帧差分相结合进行视频背景检测的方法 | |
CN108876820B (zh) | 一种基于均值漂移的遮挡条件下移动目标追踪方法 | |
US20080079721A1 (en) | Method for corresponding, evolving and tracking feature points in three-dimensional space | |
CN111582349B (zh) | 一种基于YOLOv3和核相关滤波改进的目标跟踪算法 | |
CN107742306B (zh) | 一种智能视觉中运动目标跟踪算法 | |
CN112364865B (zh) | 一种复杂场景中运动小目标的检测方法 | |
Ali et al. | Multiple object tracking with partial occlusion handling using salient feature points | |
CN110555377A (zh) | 一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法 | |
CN102184548B (zh) | 一种基于累加直方图粒子滤波的视频运动目标跟踪方法 | |
CN106530330A (zh) | 基于低秩稀疏的视频目标跟踪方法 | |
CN109344685B (zh) | 一种智慧托盘及其智能定位追踪方法 | |
CN102339381B (zh) | 一种基于粒子位置调整的粒子滤波视频运动目标跟踪方法 | |
CN110163132A (zh) | 一种基于最大响应值变化率更新策略的相关滤波跟踪方法 | |
CN109102520A (zh) | 基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法 | |
Zhang et al. | Target tracking for mobile robot platforms via object matching and background anti-matching | |
CN107564029B (zh) | 基于高斯极值滤波和群稀疏rpca的运动目标检测方法 | |
CN107194947B (zh) | 一种自适应自纠正的目标跟踪方法 | |
CN115564805A (zh) | 一种运动目标检测方法 | |
CN111860161B (zh) | 一种目标遮挡检测方法 | |
CN109934853B (zh) | 基于响应图置信区域自适应特征融合的相关滤波跟踪方法 | |
Pai et al. | Moving object detection on a runway prior to landing using an onboard infrared camera | |
CN110147747B (zh) | 一种基于累积一阶导数高置信度策略的相关滤波跟踪方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201112 Address after: 11th floor, donglecheng international, Shuguang Road, Chengguan Street, Dongming County, Heze City, Shandong Province Patentee after: Heze Jianshu Intelligent Technology Co., Ltd Address before: Hangzhou City, Zhejiang province 310014 City Zhaohui District Six Patentee before: ZHEJIANG University OF TECHNOLOGY |