CN102737385A - 一种基于camshift和卡尔曼滤波的视频目标跟踪方法 - Google Patents
一种基于camshift和卡尔曼滤波的视频目标跟踪方法 Download PDFInfo
- Publication number
- CN102737385A CN102737385A CN2012101230393A CN201210123039A CN102737385A CN 102737385 A CN102737385 A CN 102737385A CN 2012101230393 A CN2012101230393 A CN 2012101230393A CN 201210123039 A CN201210123039 A CN 201210123039A CN 102737385 A CN102737385 A CN 102737385A
- Authority
- CN
- China
- Prior art keywords
- window
- target
- camshift
- similarity
- algorithm
- 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.)
- Pending
Links
Images
Abstract
本发明公开了一种基于CAMSHIFT和卡尔曼滤波的视频目标跟踪方法。该方法以搜索窗口为参数,使用卡尔曼滤波器预测搜索窗口Win;以Win为参数调用CAMSHIFT算法寻找目标,返回包含候选模型的窗口targetWin;计算targetWin和目标模型的相似度;若相似度大于给定阈值,则找到目标,返回目标窗口;若相似度不大于给定阈值,则将上一帧的目标窗口以及卡尔曼滤波器预测的距离代替enlarge作为扩大窗口的参数,调用自适应迭代搜索算法。通过该方法引入了相似度判定以及重定位技术,有效地解决了背景干扰,提高了跟踪的精度。
Description
技术领域
本发明涉及视频监控技术领域,尤其涉及一种基于CAMSHIFT和卡尔曼滤波的视频目标跟踪方法。
背景技术
随着计算机视觉技术的发展,运动视频目标跟踪技术已经成为武器制导、模式识别,计算机视觉等领域的重要课题。由于运动视频目标跟踪技术在军事和民用领域都有广阔的应用前景,国内外有许多学者从事这一课题的研究,并提出了许多经典的目标跟踪算法。运动视频目标跟踪把图像处理、计算机视觉和信息科学有机结合起来,形成了一种能从视频图像中实时地自动识别出目标,提取目标位置信息,自动跟踪目标的技术。由于现实环境具有复杂性,如目标被遮挡、背景中存在与目标特征相似的物体、光线亮度的变化、目标快速运动、背景物体的运动等问题,如何提高目标跟踪实时性、准确性和鲁棒性,解决复杂背景下的目标跟踪一直是人们研究的热点。
目前,国外学者对目标跟踪技术都进行了比较深入的研究。1994年,Jim Ivins等人提出用限制性主动区域模型对彩色图形序列进行快速跟踪的方法。1995年,YZ.Chen将无参估计理论应用到目标跟踪领域,提出基于Mean Shift算法的目标跟踪算法。1996年,S.Asaad在机器人视觉实验中运用边缘信息有效进行了目标跟踪。1997年,P.Fieguth和D.Terzopoulos1g等人进行了基于颜色的目标跟踪方法的研究。1998年,M.Kass等人提出用主动轮廓模型进行目标跟踪。2000年,Y.Zhong等人提出了基于可变形模板进行目标跟踪的方法。2001年,Gi-Jeong Jang等人提出用自适应颜色模型进行目标跟踪,同年Y.Bar-Shalom等人提出基于运动估计的估计跟踪算法。2003年,RyuzoOkada等人基于光流的边缘信息,进行了运动目标跟踪的研究。2007年,R.Venkatesh Babu等提出基于运动估计与颜色模型相结合的跟踪算法。
在Mean Shift跟踪算法中,通常核窗口由初始跟踪窗口的大小决定,而且在整个跟踪过程中不再发生变化。然而,当目标存在明显尺度变化的时候,尤其是当目标尺寸逐渐增大以至超出核窗宽范围的时候,固定不变的核窗宽常常会导致目标的丢失。
CAMSH IFT算法作为连续自适应的Mean Shift,通过自动调节核窗口大小以及被跟踪目标在图像中的大小从而可以有效地解决目标变形问题,但其算法也收敛于局部最大值,并没有对目标的相似度做判定。当CAMSHIFT的搜索窗口里面包含多个特征相似候选模型时,CAMSHIFT算法无法辨别是否出现干扰,经常出现跟踪精度不够的问题。而且,当目标运动物体缓慢地通过障碍物或进行快速无规则运动时,CAMSHIFT算法将很容易失效,导致目标跟踪丢失。同时,当目标瞬间有个较大的加速度或被遮挡时,CAMSHIFT跟踪算法容易失效。
发明内容
本发明的目的是为了克服现有技术的缺陷,提供一种基于CAMSHIFT和卡尔曼滤波的视频目标跟踪方法,通过该方法引入了相似度判定以及重定位技术,有效地解决了背景干扰,提高了跟踪的精度。
一种基于CAMSHIFT和卡尔曼滤波的视频目标跟踪方法,采用卡尔曼滤波方法先预测出搜索窗口,再结合自适应局部搜索算法进行CAMSHIFT跟踪,具体步骤如下:
step1:该方法以搜索窗口为参数,使用卡尔曼滤波器预测搜索窗口Win;
step2:以Win为参数调用CAMSHIFT算法寻找目标,返回包含候选模型的窗口targetWin;
step3:计算targetWin和目标模型的相似度;
step4:若相似度大于给定阈值,则转step6;
step5:若相似度不大于给定阈值,则将上一帧的目标窗口以及卡尔曼滤波器预测的距离代替enlarge作为扩大窗口的参数,调用自适应迭代搜索算法;
step6:返回目标窗口。
优选地,针对计算量以及视频亮度变化不定的问题,采用HSV,H为色度分量,S为色彩饱和度分量,V为亮度分量,模型中的色度HUE分量作为跟踪的特征,采用反向投影图进行处理;
读取视频每一帧图像时,提取其HSV格式中HUE通道的图像HImg;初始化搜索窗口,选择目标区域的大小和位置),计算该区域的颜色直方图;假定使用m级量化的直方图,{xi}i=1...n为目标区域图像的像素位置,定义c:R2→{1...m}来表示像素xi对应的像素值,那么目标颜色直方图分布为:
其中u=1,…,m,δ为Kronecker Delta函数。为使得到的概率分布在[0,255]范围内,需将直方图进行缩放:
对当前帧视频图像作反向投影,将Hlmg图像中xi对应的像素值u替换为pu,即得到所求的反向投影图。
优选地,本方法基于CAMSHIFT思想,先确定当前帧的搜索窗口及其质心位置,然后调整搜索窗口的大小,将搜索窗口的中心移动到质心,如果移动距离大于预设的阈值,则重新计算调整后的窗口质心,进行新一轮的窗口位置和尺寸更新,直到移动窗口的位置小于阈值或迭代次数超过一个最大值,最后将窗口的位置和尺寸作为下一帧运算的输入值,如此循环迭代;
为了计算反向投影图中搜索窗口的质心,可以通过如下方法计算;
计算零阶矩:
分别计算出x和y的一阶矩:
计算搜索窗口的质心:
优选地,在CAMSHIFT的基础上,提出了一种重定位窗口的方法,并引入相似度判定的约束,来获取更加精确的候选模型;当执行CAMSHIFT算法,获得候选模型的窗口Win时,将其分裂为5个子窗口:将Win按其宽度的一半和长度的一半等分为4个窗口;以Win中心点为中心点,以其宽度一半为宽度,其长度一半为长度,设置第5个窗口;通过相似度度量方法即采用相关系数法或者巴氏距离比对法,分别计算这五个窗口的候选模型与目标模型的相似度,选出相似度最高的窗口maxWin,以maxWin作为参数再调用CAMSHIFT,返回候选模型。
优选地,进行CAMSHIFT算法时,由于搜索窗口的扩大,导致得到的候选模型窗口尺度大于目标模型,往往无法准确地定位出目标的位置;为了在候选模型窗口中得到目标窗口,在重定位方法的基础上,引入最大相似度阈值和最小相似度阈值,设计出一种迭代缩小的技术;通过迭代分裂窗口以及迭代进行CAMSHIFT的过程,即可以准确定位目标。
优选地,用迭代缩小算法的特点,在其基础上,本方法引入了扩大窗口的参数;每次进行迭代缩小算法,若未能使相似度达到最大相似度阈值即未能准确找到目标,则每次以enlarge的幅度扩大搜索窗口,再进行迭代缩小算法。
优选地,基于卡尔曼滤波器的目标运动轨迹预测方法采用目标运动过程中的任意一点作为起点开始预测,采用递归滤波的方法计算;利用卡尔曼滤波进行状态估计分为三步:初始化、预测和更新;描述系统的状态方程和观测方程分别如式(6)和(7)所示:
X(k)=F(k)X(k-1)+w(k) (6)
Z(k)=H(k)X(k)+v(k) (7)
式中k≥1,F(k)和H(k)分别是系统的状态转移矩阵和观测矩阵,w(k)和v(k)分别是满足正态分布的过程噪声和观测噪声向量,它们是互不相关的零均值白噪声序列,即w(k)□N(0,Q(k)),v(k)□N(0,R(k));Q(k)为过程噪声的协方差矩阵,R(k)为观测噪声的协方差矩阵。
本发明技术方案带来的有益效果:本发明分析了目前计算机视觉领域比较典型的视频目标跟踪方法,并细致地分析了它们的缺陷,为实现较为理想的视频目标跟踪方法,提出了一种基于CAMSHIFT算法和卡尔曼滤波预测,并结合自适应局部搜索技术的视频目标跟踪框架。该方法引入了相似度判定以及重定位技术,有效地解决了背景干扰,提高了跟踪的精度。针对卡尔曼滤波预测只能处理线性高斯运动、CAMSHIFT抗遮挡能力差的问题,提出了基于这两者的一种自适应局部搜索视频目标跟踪方法,该算法具有抗遮挡性好、实时性强、能有效跟踪快速非线性运动目标和有效解决背景特征干扰等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明中候选模型窗口的分裂图;
图2是本发明基于CAMSHIFT和卡尔曼滤波的视频目标跟踪方法流程图。
具体实施方式
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作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。
本发明基于CAMSHIFT视频目标跟踪算法,从运动目标跟踪的三个指标:实时性、准确性和鲁棒性出发,针对CAMSHIFT算法容易被相似背景特征干扰、无法跟踪快速无规则运动物体以及抗遮挡能力差等情况,提出了一种基于CAMSHIFT,并引入卡尔曼滤波的预测型自适应局部搜索跟踪方法。此算法具有高实时性,抗遮挡,对非线性运动有较高鲁棒性等特点。
反向投影图的计算
针对计算量以及视频亮度变化不定的问题,采用HSV(H为色度分量;S为色彩饱和度分量;V为亮度分量)模型中的色度HUE分量作为跟踪的特征,采用反向投影图进行处理。
读取视频每一帧图像时,提取其HSV格式中HUE通道的图像HImg。初始化搜索窗口,选择目标区域的大小和位置,计算该区域的颜色直方图。假定使用m级量化的直方图,{xi}i=1...n为目标区域图像的像素位置,定义c:R2→{1...m}来表示像素xi对应的像素值,那么目标颜色直方图分布为:
其中u=1,…,m,δ为Kronecker Delta函数。为使得到的概率分布在[0,255]范围内,需将直方图进行缩放:
对当前帧视频图像作反向投影,将HImg图像中xi对应的像素值u替换为pu,即得到所求的反向投影图。
均值搜索过程
本发明基于CAMSHIFT思想,先确定当前帧的搜索窗口及其质心位置,然后调整搜索窗口的大小,将搜索窗口的中心移动到质心,如果移动距离大于预设的阈值,则重新计算调整后的窗口质心,进行新一轮的窗口位置和尺寸更新,直到移动窗口的位置小于阈值或迭代次数超过一个最大值,最后将窗口的位置和尺寸作为下一帧运算的输入值,如此循环迭代。
为了计算反向投影图中搜索窗口的质心,可以通过如下方法计算。
计算零阶矩:
分别计算出x和y的一阶矩:
计算搜索窗口的质心:
基于相似度判定的重定位方法
本发明在CAMSHIFT的基础上,提出了一种重定位窗口的方法,并引入相似度判定的约束,来获取更加精确的候选模型。当执行CAMSHIFT算法,获得候选模型的窗口Win时,将其分裂为5个子窗口:将Win按其宽度的一半和长度的一半等分为4个窗口;以Win中心点为中心点,以其宽度一半为宽度,其长度一半为长度,设置第5个窗口,如图2所示。通过相似度度量方法(这里采用相关系数法或者巴氏距离比对法),分别计算这五个窗口的候选模型与目标模型的相似度,选出相似度最高的窗口maxWin,以maxWin作为参数再调用CAMSHIFT,返回候选模型。
显然,若传统CAMSHIFT获得的候选模型不存在干扰的话,则由算法的特点,缩小搜索窗口再运行一次CAMSHIFT算法则获得的候选模型与原来的相同;若存在干扰,则通过重定位方法,缩小搜索窗口继续调用一次CAMSHIFT,可获得相似度更高的候选模型,从而提高跟踪的精度。
迭代缩小算法
进行CAMSHIFT算法时,由于搜索窗口的扩大,导致得到的候选模型窗口尺度大于目标模型,往往无法准确地定位出目标的位置。为了在候选模型窗口中得到目标窗口,本发明在重定位方法的基础上,引入最大相似度阈值和最小相似度阈值,设计出一种迭代缩小的技术。通过迭代分裂窗口以及迭代进行CAMSHIFT的过程,即可以准确定位目标。迭代缩小算法的描述如表1所示。
自适应局部搜索算法ALS
利用迭代缩小算法的特点,在其基础上,本发明引入了扩大窗口的参数。每次进行迭代缩小算法,若未能使相似度达到最大相似度阈值(即未能准确找到目标),则每次以enlarge的幅度扩大搜索窗口,再进行迭代缩小算法。自适应局部搜索算法ALS的描述如表2所示。
表1 迭代缩小算法的描述
表2 自适应局部搜索算法ALS的描述
结合卡尔曼滤波预测的自适应局部搜索CAMSHIFT
针对CAMSHIFT算法在目标跟踪中没有利用运动方向和运动速度信息并受到背景干扰的问题,在这种情况下,本发明采用卡尔曼滤波方法,先预测出搜索窗口,再结合自适应局部搜索算法进行CAMSHIFT跟踪。
基于卡尔曼滤波器的目标运动轨迹预测方法可以用目标运动过程中的任意一点作为起点开始预测,采用递归滤波的方法计算。利用卡尔曼滤波进行状态估计可以分为三步:初始化、预测和更新。描述系统的状态方程和观测方程分别如式(6)和(7)所示:
X(k)=F(k)X(k-1)+w(k) (6)
Z(k)=H(k)X(k)+v(k) (7)
式中k≥1,F(k)和H(k)分别是系统的状态转移矩阵和观测矩阵,w(k)和v(k)分别是满足正态分布的过程噪声和观测噪声向量,它们是互不相关的零均值白噪声序列,即w(k)□N(0,Q(k)),v(k)□N(0,R(k))。Q(k)为过程噪声的协方差矩阵,R(k)为观测噪声的协方差矩阵。本发明提出的基于CAMSHIFT和卡尔曼滤波预测的结合自适应局部搜索技术的视频目标跟踪方法可描述如表3所示。
表3 基于CAMSHIFT和卡尔曼滤波预测的视频目标跟踪方法的描述
至此,本发明提出的一种基于CAMSHIFT和卡尔曼滤波的视频目标跟踪方法流程如图2所示。
本发明技术方案带来的有益效果:
本发明分析了目前计算机视觉领域比较典型的视频目标跟踪方法,并细致地分析了它们的缺陷,为实现较为理想的视频目标跟踪方法,提出了一种基于CAMSHIFT算法和卡尔曼滤波预测,并结合自适应局部搜索技术的视频目标跟踪框架。该方法引入了相似度判定以及重定位技术,有效地解决了背景干扰,提高了跟踪的精度。针对卡尔曼滤波预测只能处理线性高斯运动、CAMSHIFT抗遮挡能力差的问题,提出了基于这两者的一种自适应局部搜索视频目标跟踪方法,该算法具有抗遮挡性好、实时性强、能有效跟踪快速非线性运动目标和有效解决背景特征干扰等优点。
以上对本发明实施例所提供的一种基于CAMSHIFT和卡尔曼滤波的视频目标跟踪方法,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于CAMSHIFT和卡尔曼滤波的视频目标跟踪方法,其特征在于,该方法采用卡尔曼滤波方法先预测出搜索窗口,再结合自适应局部搜索算法进行CAMSHIFT跟踪,具体步骤如下:
step1:该方法以搜索窗口为参数,使用卡尔曼滤波器预测搜索窗口Win;
step2:以Win为参数调用CAMSHIFT算法寻找目标,返回包含候选模型的窗口targetWin;
step3:计算targetWin和目标模型的相似度;
step4:若相似度大于给定阈值,则转step6;
step5:若相似度不大于给定阈值,则将上一帧的目标窗口以及卡尔曼滤波器预测的距离代替enlarge作为扩大窗口的参数,调用自适应迭代搜索算法;
step6:返回目标窗口。
2.如权利要求1所述的方法,其特征在于,针对计算量以及视频亮度变化不定的问题,采用HSV,H为色度分量,S为色彩饱和度分量,V为亮度分量,模型中的色度HUE分量作为跟踪的特征,采用反向投影图进行处理;
读取视频每一帧图像时,提取其HSV格式中HUE通道的图像HImg;初始化搜索窗口,选择目标区域的大小和位置),计算该区域的颜色直方图;假定使用m级量化的直方图,{xi}i=1...n为目标区域图像的像素位置,定义c:R2→{1...m}来表示像素xi对应的像素值,那么目标颜色直方图分布为:
其中u=1,…,m,δ为Kronecker Delta函数。为使得到的概率分布在[0,255]范围内,需将直方图进行缩放:
对当前帧视频图像作反向投影,将Hlmg图像中xi对应的像素值u替换为pu,即得到所求的反向投影图。
3.如权利要求1或2所述的方法,其特征在于,本方法基于CAMSHIFT思想,先确定当前帧的搜索窗口及其质心位置,然后调整搜索窗口的大小,将搜索窗口的中心移动到质心,如果移动距离大于预设的阈值,则重新计算调整后的窗口质心,进行新一轮的窗口位置和尺寸更新,直到移动窗口的位置小于阈值或迭代次数超过一个最大值,最后将窗口的位置和尺寸作为下一帧运算的输入值,如此循环迭代;
为了计算反向投影图中搜索窗口的质心,可以通过如下方法计算;
计算零阶矩:
分别计算出x和y的一阶矩:
计算搜索窗口的质心:
4.如权利要求1所述的方法,其特征在于,在CAMSHIFT的基础上,提出了一种重定位窗口的方法,并引入相似度判定的约束,来获取更加精确的候选模型;当执行CAMSHIFT算法,获得候选模型的窗口Win时,将其分裂为5个子窗口:将Win按其宽度的一半和长度的一半等分为4个窗口;以Win中心点为中心点,以其宽度一半为宽度,其长度一半为长度,设置第5个窗口;通过相似度度量方法即采用相关系数法或者巴氏距离比对法,分别计算这五个窗口的候选模型与目标模型的相似度,选出相似度最高的窗口maxWin,以maxWin作为参数再调用CAMSHIFT,返回候选模型。
5.如权利要求1或4所述的方法,其特征在于,进行CAMSHIFT算法时,由于搜索窗口的扩大,导致得到的候选模型窗口尺度大于目标模型,往往无法准确地定位出目标的位置;为了在候选模型窗口中得到目标窗口,在重定位方法的基础上,引入最大相似度阈值和最小相似度阈值,设计出一种迭代缩小的技术;通过迭代分裂窗口以及迭代进行CAMSHIFT的过程,即可以准确定位目标。
6.如权利要求1或5所述的方法,其特征在于,用迭代缩小算法的特点,在其基础上,本方法引入了扩大窗口的参数;每次进行迭代缩小算法,若未能使相似度达到最大相似度阈值即未能准确找到目标,则每次以enlarge的幅度扩大搜索窗口,再进行迭代缩小算法。
7.如权利要求1所述的方法,其特征在于,基于卡尔曼滤波器的目标运动轨迹预测方法采用目标运动过程中的任意一点作为起点开始预测,采用递归滤波的方法计算;利用卡尔曼滤波进行状态估计分为三步:初始化、预测和更新;描述系统的状态方程和观测方程分别如式(6)和(7)所示:
X(k)=F(k)X(k-1)+w(k) (6)
Z(k)=H(k)X(k)+v(k) (7)
式中k≥1,F(k)和H(k)分别是系统的状态转移矩阵和观测矩阵,w(k)和v(k)分别是满足正态分布的过程噪声和观测噪声向量,它们是互不相关的零均值白噪声序列,即w(k)□N(0,Q(k)),v(k)□N(0,R(k));Q(k)为过程噪声的协方差矩阵,R(k)为观测噪声的协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101230393A CN102737385A (zh) | 2012-04-24 | 2012-04-24 | 一种基于camshift和卡尔曼滤波的视频目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101230393A CN102737385A (zh) | 2012-04-24 | 2012-04-24 | 一种基于camshift和卡尔曼滤波的视频目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102737385A true CN102737385A (zh) | 2012-10-17 |
Family
ID=46992809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101230393A Pending CN102737385A (zh) | 2012-04-24 | 2012-04-24 | 一种基于camshift和卡尔曼滤波的视频目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102737385A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150740A (zh) * | 2013-03-29 | 2013-06-12 | 上海理工大学 | 一种基于视频的运动目标跟踪方法和系统 |
CN103745486A (zh) * | 2014-01-15 | 2014-04-23 | 重庆邮电大学 | 一种利用物体运动轨迹排除噪声干扰的方法 |
CN103886322A (zh) * | 2012-12-20 | 2014-06-25 | 中山大学深圳研究院 | 一种基于SVM和Mean-Shift的视频目标跟踪方法 |
CN103903248A (zh) * | 2012-12-28 | 2014-07-02 | 重庆凯泽科技有限公司 | 一种基于双目视觉立体跟踪算法 |
CN104574444A (zh) * | 2015-01-19 | 2015-04-29 | 天津工业大学 | 一种基于目标分解的Camshift跟踪方法 |
TWI497450B (zh) * | 2013-10-28 | 2015-08-21 | Univ Ming Chuan | 視訊物件追蹤方法 |
CN105787964A (zh) * | 2016-02-29 | 2016-07-20 | 深圳电科技有限公司 | 目标跟踪方法和装置 |
CN105868574A (zh) * | 2016-04-25 | 2016-08-17 | 南京大学 | 一种摄像头跟踪人脸的优化方法及基于视频的智慧健康监视系统 |
CN106105184A (zh) * | 2014-03-10 | 2016-11-09 | 微软技术许可有限责任公司 | 相机投影系统中的延时降低 |
CN106096645A (zh) * | 2016-06-07 | 2016-11-09 | 上海瑞孚电子科技有限公司 | 抗多次遮挡和颜色干扰的识别跟踪方法及系统 |
CN106570887A (zh) * | 2016-11-04 | 2017-04-19 | 天津大学 | 结合LBP特征自适应Mean Shift目标跟踪方法 |
CN106650965A (zh) * | 2016-12-30 | 2017-05-10 | 触景无限科技(北京)有限公司 | 一种远程视频处理方法及装置 |
CN106778484A (zh) * | 2016-11-16 | 2017-05-31 | 南宁市浩发科技有限公司 | 交通场景下的运动车辆跟踪方法 |
CN106780542A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 一种基于嵌入卡尔曼滤波器的Camshift的机器鱼跟踪方法 |
CN107480602A (zh) * | 2017-07-26 | 2017-12-15 | 哈尔滨工业大学深圳研究生院 | 一种低成本目标视觉跟踪方法及系统 |
CN107609571A (zh) * | 2017-08-02 | 2018-01-19 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
CN107742305A (zh) * | 2017-10-17 | 2018-02-27 | 张家港全智电子科技有限公司 | 一种基于时空约束的轨迹提取方法 |
CN107767392A (zh) * | 2017-10-20 | 2018-03-06 | 西南交通大学 | 一种适应遮挡场景的球类运动轨迹追踪方法 |
CN108022258A (zh) * | 2017-10-20 | 2018-05-11 | 南京邮电大学 | 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法 |
CN108198205A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 一种基于Vibe和Camshift算法的目标跟踪方法 |
CN109063600A (zh) * | 2018-07-13 | 2018-12-21 | 河南大学 | 基于面部识别的人体运动追踪方法及装置 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
CN109345566A (zh) * | 2018-09-28 | 2019-02-15 | 上海应用技术大学 | 运动目标跟踪方法及系统 |
CN110276305A (zh) * | 2019-06-25 | 2019-09-24 | 广州众聚智能科技有限公司 | 一种动态商品识别方法 |
CN111521245A (zh) * | 2020-07-06 | 2020-08-11 | 华夏天信(北京)智能低碳技术研究院有限公司 | 基于视觉分析的液位控制方法 |
CN114049771A (zh) * | 2022-01-12 | 2022-02-15 | 华砺智行(武汉)科技有限公司 | 基于双模态的交通异常检测方法、系统和存储介质 |
CN115823951A (zh) * | 2023-01-09 | 2023-03-21 | 中国兵器装备集团自动化研究所有限公司 | 一种搜索与跟踪航迹融合方法、装置、设备及存储介质 |
CN117218161A (zh) * | 2023-11-09 | 2023-12-12 | 聊城市敏锐信息科技有限公司 | 一种鱼缸内鱼类轨迹跟踪方法及系统 |
-
2012
- 2012-04-24 CN CN2012101230393A patent/CN102737385A/zh active Pending
Non-Patent Citations (5)
Title |
---|
DORIN COMANICIU ET AL: "Kernel-Based Object Tracking", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
XIN CHEN ET AL: "Real-time Object Tracking via CamShift-Based Robust Framework", 《2012 INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND TECHNOLOGY》 * |
孙凯,刘士荣: "多目标跟踪的改进Camshift/卡尔曼滤波组合算法", 《信息与控制》 * |
罗元 等: "基于CamShift和Kalman滤波混合的视频手势跟踪算法", 《计算机应用研究》 * |
钱永青,谢勤岚: "结合Camshift和Kalman预测的运动目标跟踪", 《计算机工程与科学》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886322A (zh) * | 2012-12-20 | 2014-06-25 | 中山大学深圳研究院 | 一种基于SVM和Mean-Shift的视频目标跟踪方法 |
CN103903248A (zh) * | 2012-12-28 | 2014-07-02 | 重庆凯泽科技有限公司 | 一种基于双目视觉立体跟踪算法 |
CN103150740A (zh) * | 2013-03-29 | 2013-06-12 | 上海理工大学 | 一种基于视频的运动目标跟踪方法和系统 |
TWI497450B (zh) * | 2013-10-28 | 2015-08-21 | Univ Ming Chuan | 視訊物件追蹤方法 |
CN103745486A (zh) * | 2014-01-15 | 2014-04-23 | 重庆邮电大学 | 一种利用物体运动轨迹排除噪声干扰的方法 |
CN106105184A (zh) * | 2014-03-10 | 2016-11-09 | 微软技术许可有限责任公司 | 相机投影系统中的延时降低 |
CN106105184B (zh) * | 2014-03-10 | 2019-10-18 | 微软技术许可有限责任公司 | 相机投影系统中的延时降低 |
US10181193B2 (en) | 2014-03-10 | 2019-01-15 | Microsoft Technology Licensing, Llc | Latency reduction in camera-projection systems |
CN104574444A (zh) * | 2015-01-19 | 2015-04-29 | 天津工业大学 | 一种基于目标分解的Camshift跟踪方法 |
CN104574444B (zh) * | 2015-01-19 | 2017-06-09 | 天津工业大学 | 一种基于目标分解的Camshift跟踪方法 |
CN105787964A (zh) * | 2016-02-29 | 2016-07-20 | 深圳电科技有限公司 | 目标跟踪方法和装置 |
CN105868574A (zh) * | 2016-04-25 | 2016-08-17 | 南京大学 | 一种摄像头跟踪人脸的优化方法及基于视频的智慧健康监视系统 |
CN105868574B (zh) * | 2016-04-25 | 2018-12-14 | 南京大学 | 一种摄像头跟踪人脸的优化方法及基于视频的智慧健康监视系统 |
CN106096645A (zh) * | 2016-06-07 | 2016-11-09 | 上海瑞孚电子科技有限公司 | 抗多次遮挡和颜色干扰的识别跟踪方法及系统 |
CN106570887A (zh) * | 2016-11-04 | 2017-04-19 | 天津大学 | 结合LBP特征自适应Mean Shift目标跟踪方法 |
CN106778484A (zh) * | 2016-11-16 | 2017-05-31 | 南宁市浩发科技有限公司 | 交通场景下的运动车辆跟踪方法 |
CN106780542A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 一种基于嵌入卡尔曼滤波器的Camshift的机器鱼跟踪方法 |
CN106650965A (zh) * | 2016-12-30 | 2017-05-10 | 触景无限科技(北京)有限公司 | 一种远程视频处理方法及装置 |
CN106650965B (zh) * | 2016-12-30 | 2020-11-06 | 触景无限科技(北京)有限公司 | 一种远程视频处理方法及装置 |
CN107480602A (zh) * | 2017-07-26 | 2017-12-15 | 哈尔滨工业大学深圳研究生院 | 一种低成本目标视觉跟踪方法及系统 |
CN107480602B (zh) * | 2017-07-26 | 2021-04-30 | 哈尔滨工业大学深圳研究生院 | 一种低成本目标视觉跟踪方法及系统 |
CN107609571A (zh) * | 2017-08-02 | 2018-01-19 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
CN107609571B (zh) * | 2017-08-02 | 2023-09-05 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
CN107742305A (zh) * | 2017-10-17 | 2018-02-27 | 张家港全智电子科技有限公司 | 一种基于时空约束的轨迹提取方法 |
CN107767392A (zh) * | 2017-10-20 | 2018-03-06 | 西南交通大学 | 一种适应遮挡场景的球类运动轨迹追踪方法 |
CN108022258B (zh) * | 2017-10-20 | 2020-07-03 | 南京邮电大学 | 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法 |
CN108022258A (zh) * | 2017-10-20 | 2018-05-11 | 南京邮电大学 | 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法 |
CN108198205A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 一种基于Vibe和Camshift算法的目标跟踪方法 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
CN109063600A (zh) * | 2018-07-13 | 2018-12-21 | 河南大学 | 基于面部识别的人体运动追踪方法及装置 |
CN109345566A (zh) * | 2018-09-28 | 2019-02-15 | 上海应用技术大学 | 运动目标跟踪方法及系统 |
CN110276305A (zh) * | 2019-06-25 | 2019-09-24 | 广州众聚智能科技有限公司 | 一种动态商品识别方法 |
CN110276305B (zh) * | 2019-06-25 | 2021-06-15 | 广州众聚智能科技有限公司 | 一种动态商品识别方法 |
CN111521245A (zh) * | 2020-07-06 | 2020-08-11 | 华夏天信(北京)智能低碳技术研究院有限公司 | 基于视觉分析的液位控制方法 |
CN114049771A (zh) * | 2022-01-12 | 2022-02-15 | 华砺智行(武汉)科技有限公司 | 基于双模态的交通异常检测方法、系统和存储介质 |
CN115823951A (zh) * | 2023-01-09 | 2023-03-21 | 中国兵器装备集团自动化研究所有限公司 | 一种搜索与跟踪航迹融合方法、装置、设备及存储介质 |
CN115823951B (zh) * | 2023-01-09 | 2023-04-18 | 中国兵器装备集团自动化研究所有限公司 | 一种搜索与跟踪航迹融合方法、装置、设备及存储介质 |
CN117218161A (zh) * | 2023-11-09 | 2023-12-12 | 聊城市敏锐信息科技有限公司 | 一种鱼缸内鱼类轨迹跟踪方法及系统 |
CN117218161B (zh) * | 2023-11-09 | 2024-01-16 | 聊城市敏锐信息科技有限公司 | 一种鱼缸内鱼类轨迹跟踪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102737385A (zh) | 一种基于camshift和卡尔曼滤波的视频目标跟踪方法 | |
Maksai et al. | Non-markovian globally consistent multi-object tracking | |
CN103077539B (zh) | 一种复杂背景及遮挡条件下的运动目标跟踪方法 | |
CN102411368B (zh) | 机器人的主动视觉人脸跟踪方法和跟踪系统 | |
CN103886322A (zh) | 一种基于SVM和Mean-Shift的视频目标跟踪方法 | |
CN102903119B (zh) | 一种目标跟踪方法和装置 | |
CN101324956A (zh) | 基于均值漂移的抗遮挡运动目标跟踪方法 | |
CN101470809B (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
CN104616318A (zh) | 一种视频序列图像中的运动目标跟踪方法 | |
CN104574439A (zh) | 一种融合卡尔曼滤波与tld算法的目标跟踪方法 | |
CN106023244A (zh) | 基于最小二乘法轨迹预测及智能避障模型的行人跟踪方法 | |
CN104091348A (zh) | 融合显著特征和分块模板的多目标跟踪方法 | |
CN105894542A (zh) | 一种在线目标跟踪方法及装置 | |
CN105335986A (zh) | 基于特征匹配和MeanShift算法的目标跟踪方法 | |
CN102881024A (zh) | 一种基于tld的视频目标跟踪方法 | |
CN106952294B (zh) | 一种基于rgb-d数据的视频跟踪方法 | |
CN101251928A (zh) | 基于核的对象跟踪方法 | |
CN102456226B (zh) | 兴趣区域的追踪方法 | |
CN101894378A (zh) | 基于双感兴趣区域的运动目标视觉跟踪方法及系统 | |
CN110298865A (zh) | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 | |
Bagherpour et al. | Upper body tracking using KLT and Kalman filter | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN102214301B (zh) | 自适应运动相关协作多目标跟踪方法 | |
CN105374049A (zh) | 一种基于稀疏光流法的多角点跟踪方法及装置 | |
CN102663773A (zh) | 视频目标的双核式自适应融合跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121017 |