CN103093480A - 基于双重模型的粒子滤波视频图像跟踪方法 - Google Patents

基于双重模型的粒子滤波视频图像跟踪方法 Download PDF

Info

Publication number
CN103093480A
CN103093480A CN2013100131215A CN201310013121A CN103093480A CN 103093480 A CN103093480 A CN 103093480A CN 2013100131215 A CN2013100131215 A CN 2013100131215A CN 201310013121 A CN201310013121 A CN 201310013121A CN 103093480 A CN103093480 A CN 103093480A
Authority
CN
China
Prior art keywords
video image
covariance
particle
tracking
calculate
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
Application number
CN2013100131215A
Other languages
English (en)
Other versions
CN103093480B (zh
Inventor
谢英红
韩晓微
何友国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University
Original Assignee
Shenyang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang University filed Critical Shenyang University
Priority to CN201310013121.5A priority Critical patent/CN103093480B/zh
Publication of CN103093480A publication Critical patent/CN103093480A/zh
Application granted granted Critical
Publication of CN103093480B publication Critical patent/CN103093480B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

基于双重模型的粒子滤波视频图像跟踪方法，涉及视频图像跟踪方法，本申请构建了双重的粒子滤波器，实现交替跟踪动态模型。一个在协方差矩阵黎曼流形上在线更新目标的表观。另一个在投影变换群上对目标的边界框参数进行跟踪。滤波参数的度量采用李代数及其切空间的转换关系。考虑到目标成像过程的实质是投影变换过程，本申请在构建基于粒子滤波的跟踪算法时，同时结合了协方差流形和投影变换群（SL(3)群）。该方法不仅对具有明显的几何形变的目标实现稳定的跟踪，而且能够在光照变化较大的情况下实现稳定的跟踪,该方法具有良好的有效性和鲁棒性。

Description

基于双重模型的粒子滤波视频图像跟踪方法
技术领域
本发明涉及一种视频图像跟踪方法，特别是涉及一种基于双重模型的粒子滤波视频图像跟踪方法。
背景技术
近年来，很多算法利用特征协方差矩阵作为描述图像的区域特性，利用粒子滤波方法，用一组具有权重的随机样本代表状态的当前密度，来实现目标的跟踪。并且利用仿射变换来描述目标的表观变化。但是对于具有明显几何形变的目标，或是目标经历强烈光照变换的情况下，目前还没有更为鲁棒的算法。
发明内容
本发明的目的在于提供一种基于双重模型的粒子滤波视频图像跟踪方法。该方法不仅对具有明显的几何形变的目标实现稳定的跟踪，而且能够在光照变化较大的情况下实现稳定的跟踪,该方法具有良好的有效性和鲁棒性。
本发明的目的是通过以下技术方案实现的：
基于双重模型的粒子滤波视频图像跟踪方法，所述方法包括以下步骤：步骤1：输入第一帧视频图像，手动确定图像的目标区域，投影变换群上的8维向量                                               为跟踪边界形状的投影变换参数，t=1为当前时刻;
步骤2：根据如下公式来预测, j=1,2….L. L为采样粒子数；v是状态由时刻t-1迁移到时刻t的速度向量；
Figure DEST_PATH_IMAGE006
  
Figure DEST_PATH_IMAGE008
                  
步骤3：利用如下公式构建协方差矩阵，计算与每一个
Figure 989254DEST_PATH_IMAGE004
相对应的图像块的协方差
Figure DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE012
                       
对于一个给定的区域R，其大小为M×N，
Figure DEST_PATH_IMAGE014
，是均值向量。
Figure DEST_PATH_IMAGE016
。x,y 表示对应像素的横坐标，和纵坐标。
Figure DEST_PATH_IMAGE018
和分别表示图像
Figure DEST_PATH_IMAGE022
在x方向和y方向上的梯度值。
Figure DEST_PATH_IMAGE024
为
Figure 847007DEST_PATH_IMAGE018
和
Figure 689061DEST_PATH_IMAGE020
的卷积；
步骤4: 根据公式
Figure DEST_PATH_IMAGE026
，计算每一个
Figure 336468DEST_PATH_IMAGE010
与系统t-1时刻跟踪到的区域协方差
Figure DEST_PATH_IMAGE028
的对数-欧拉距离 
Figure DEST_PATH_IMAGE030
；
步骤5：计算系统状态的协方差为
Figure DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE034
得到系统的状态向量为：
Figure DEST_PATH_IMAGE036
；
步骤6：给定协方差流形的对应于t-3和t-2时刻的切向量
Figure DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE040
，根据产生L个的采样粒子，
Figure DEST_PATH_IMAGE046
；
步骤7：.对 
Figure 329002DEST_PATH_IMAGE044
的每个采样 , 根据
Figure DEST_PATH_IMAGE048
计算，然后计算每一个粒子的权值:
        
Figure DEST_PATH_IMAGE050
, 
Figure DEST_PATH_IMAGE052
为系数；
步骤8： 计算加权李群均值
Figure DEST_PATH_IMAGE054
，输出t时刻跟踪到的目标的区域协方差
Figure DEST_PATH_IMAGE056
；
步骤9：输入下一帧视频图像，重复步骤2.直到跟踪过程结束。
本发明的优点与效果是：
由于本申请使用SL(3)群，能够准确地反映投影变换过程。另外，在构建基于粒子滤波的算法时，同时结合了协方差流形和SL(3)群。实现交替跟踪动态模型。所以对于具有明显几何形变的目标，或是目标经历强烈光照变换的情况下，跟踪效果稳定，鲁棒性强。
附图说明
图1示出了跟踪框架；
图2示出了所述算法跟踪几何形变目标的结果；
图3示出了所述算法跟踪非刚体光照变化下的结果。
注：本发明的附图2-附图3为功能效果示意照片，（仅供参考），图示照片的影像或数字不清晰并不影响对本发明技术方案的理解。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
本申请为一种基于双重模型的粒子滤波视频图像跟踪方法。构建了双重的粒子滤波器，实现交替跟踪动态模型。一个在协方差矩阵黎曼流形上在线更新目标的表观。另一个在投影变换群上对目标的边界框参数进行跟踪。滤波参数的度量采用李代数及其切空间的转换关系。考虑到目标成像过程的实质是投影变换过程，本申请在构建基于粒子滤波的跟踪算法时，同时结合了协方差流形和投影变换群（SL(3)群）。
实施例1：
使用上述算法跟踪几何形变目标。
步骤1：该视频图像序列共271帧，每帧图像的大小为320*240. 模板的初始大小为42*42。8维向量
Figure DEST_PATH_IMAGE058
为跟踪边界形状的投影变换参数，t=1;
步骤2：根据如下公式来预测
Figure 777563DEST_PATH_IMAGE004
, j=1,2….16. 16为采样粒子数；v是状态由时刻t-1迁移到时刻t的速度向量。
Figure 421427DEST_PATH_IMAGE006
  
Figure 195828DEST_PATH_IMAGE008
               
例如得到：
Figure DEST_PATH_IMAGE060
步骤3：利用如下公式构建协方差矩阵，计算与每一个
Figure 989340DEST_PATH_IMAGE004
相对应的图像块的协方差
Figure 234902DEST_PATH_IMAGE010
；
Figure 113865DEST_PATH_IMAGE012
                       
对于一个给定的区域R，其大小为42×42， 
Figure DEST_PATH_IMAGE062
，是均值向量。
Figure 913193DEST_PATH_IMAGE016
。x,y 表示对应像素的横坐标，和纵坐标。和
Figure 243254DEST_PATH_IMAGE020
分别表示图像
Figure 547196DEST_PATH_IMAGE022
在x方向和y方向上的梯度值。
Figure 884637DEST_PATH_IMAGE024
为和的卷积。 
例如得到：
 
Figure DEST_PATH_IMAGE064
= 1.0e+006 *
0.4842    0.0005   -0.2055   -0.0752   -0.0272   -0.0876
0.0005    0.2623    0.0660    0.0178    0.1135    0.1070 -0.2055   0.0660    0.2884    0.2382    0.0618    0.2672 -0.0752   0.0178    0.2382    4.3705   -0.1656    4.0091
-0.0272   0.1135    0.0618   -0.1656    4.6001    4.3257
-0.0876   0.1070    0.2672    4.0091    4.3257    8.0951
步骤4: 根据公式
Figure 31344DEST_PATH_IMAGE026
，计算每一个
Figure 172475DEST_PATH_IMAGE010
与系统t-1时刻跟踪到的区域协方差的对数-欧拉距离 。例如
Figure DEST_PATH_IMAGE066
步骤5：计算系统状态的协方差为
Figure 757850DEST_PATH_IMAGE032
Figure 892553DEST_PATH_IMAGE034
得到系统的状态向量为：
Figure 307354DEST_PATH_IMAGE036
。
例如得到：
Figure DEST_PATH_IMAGE068
步骤6：给定协方差流形的对应于t-3和t-2时刻的切向量
Figure 312219DEST_PATH_IMAGE038
和，根据
Figure 672235DEST_PATH_IMAGE042
产生16个
Figure 144805DEST_PATH_IMAGE044
的采样粒子，
Figure DEST_PATH_IMAGE070
；自回归系数 a=1 。
步骤7：.对 
Figure 272903DEST_PATH_IMAGE044
的每个采样 , 根据
Figure 260450DEST_PATH_IMAGE048
计算。然后取
Figure DEST_PATH_IMAGE072
，计算每一个粒子的权值：
        
Figure DEST_PATH_IMAGE074
步骤8：计算加权李群均值
Figure 923906DEST_PATH_IMAGE054
，输出t时刻跟踪到的目标的区域协方差
Figure 110037DEST_PATH_IMAGE056
。
Figure DEST_PATH_IMAGE076
=1.0e+006 *
0.4842    0.0005   -0.2394   -0.0855   -0.0437   -0.1121
0.0005    0.2623    0.0745    0.0234    0.1129    0.1120
-0.2394   0.0745    0.3099    0.1990    0.0495    0.2182
-0.0855   0.0234    0.1990    4.3573   -0.1622    3.9938
-0.0437   0.1129    0.0495   -0.1622    4.6381    4.3677
-0.1121   0.1120    0.2182    3.9938    4.3677    8.1171
步骤9：输入下一帧视频图像，重复步骤2。直到跟踪过程结束。
附图2 为所述算法部分帧的跟踪结果。
实施例2:
使用上述算法跟踪光照变换目标。
步骤1：该视频图像序列共600帧，每帧图像的大小为320*240. 模板的初始大小为104*110。8维向量
Figure DEST_PATH_IMAGE078
为跟踪边界形状的投影变换参数，t=1;
步骤2：根据如下公式来预测
Figure 958170DEST_PATH_IMAGE004
, j=1,2….25. 25为采样粒子数；v是状态由时刻t-1迁移到时刻t的速度向量。
Figure 370696DEST_PATH_IMAGE006
  
Figure 452223DEST_PATH_IMAGE008
                
例如得到：
Figure DEST_PATH_IMAGE080
步骤3：利用如下公式构建协方差矩阵，计算与每一个
Figure 325151DEST_PATH_IMAGE004
相对应的图像块的协方差
Figure 639458DEST_PATH_IMAGE010
；
Figure 916112DEST_PATH_IMAGE012
                       
对于一个给定的区域R，其大小为104*110， 
Figure DEST_PATH_IMAGE082
，是均值向量。
Figure 793807DEST_PATH_IMAGE016
。x,y 表示对应像素的横坐标，和纵坐标。
Figure 297074DEST_PATH_IMAGE018
和
Figure 657648DEST_PATH_IMAGE020
分别表示图像
Figure 107084DEST_PATH_IMAGE022
在x方向和y方向上的梯度值。
Figure 726153DEST_PATH_IMAGE024
为
Figure 868946DEST_PATH_IMAGE018
和的卷积。 
例如得到：
Figure DEST_PATH_IMAGE084
=1.0e+005 *
4.8419    0.0052    0.1797    0.7347   -0.2308    0.4685
0.0052    2.6234    0.6830   -0.0807    0.1568    0.0743
0.1797    0.6830    0.7952    0.3577    0.1228    0.4663
0.7347   -0.0807    0.3577    3.0138   -0.1857    2.5909 -0.2308   0.1568    0.1228   -0.1857    2.3190    1.8505
0.4685    0.0743    0.4663    2.5909    1.8505    4.0887
步骤4: 根据公式，计算每一个与系统t-1时刻跟踪到的区域协方差
Figure 328517DEST_PATH_IMAGE028
的对数-欧拉距离 
Figure 483424DEST_PATH_IMAGE030
。例如
Figure DEST_PATH_IMAGE086
步骤5：计算系统状态的协方差为
Figure 704190DEST_PATH_IMAGE032
Figure 540427DEST_PATH_IMAGE034
得到系统的状态向量为：
Figure 657813DEST_PATH_IMAGE036
。
Figure DEST_PATH_IMAGE088
步骤6：给定协方差流形的对应于t-3和t-2时刻的切向量
Figure 983621DEST_PATH_IMAGE038
和
Figure 394197DEST_PATH_IMAGE040
，根据
Figure 706230DEST_PATH_IMAGE042
产生25个
Figure 881384DEST_PATH_IMAGE044
的采样粒子，
Figure DEST_PATH_IMAGE090
；自回归系数 a=1 。
步骤7：.对 
Figure 941875DEST_PATH_IMAGE044
的每个采样 , 根据
Figure 74916DEST_PATH_IMAGE048
计算。然后取
Figure 193569DEST_PATH_IMAGE072
，计算每一个粒子的权值：
        
Figure 95666DEST_PATH_IMAGE074
  
步骤8：计算加权李群均值
Figure 638643DEST_PATH_IMAGE054
，输出t时刻跟踪到的目标的区域协方差
Figure 242668DEST_PATH_IMAGE056
。
Figure DEST_PATH_IMAGE092
= 1.0e+005 *
4.8419    0.0052    0.3294    0.8282   -0.2460    0.5550
0.0052    2.6234    0.6681   -0.1054    0.1440    0.0354
0.3294    0.6681    0.8512    0.3776    0.1176    0.4842
0.8282   -0.1054    0.3776    3.0838   -0.1724    2.6657 -0.2460   0.1440    0.1176   -0.1724    2.3905    1.9322
0.5550    0.0354    0.4842    2.6657    1.9322    4.2335
步骤9：输入下一帧视频图像，重复步骤2。直到t>600跟踪过程结束。

Claims (1)

1.基于双重模型的粒子滤波视频图像跟踪方法，其特征在于，所述方法包括以下步骤：步骤1：输入第一帧视频图像，手动确定图像的目标区域，投影变换群上的8维向量                                               
Figure 852031DEST_PATH_IMAGE002
为跟踪边界形状的投影变换参数，t=1为当前时刻;
步骤2：根据如下公式来预测
Figure 744333DEST_PATH_IMAGE004
, j=1,2….L. L为采样粒子数；v是状态由时刻t-1迁移到时刻t的速度向量；
Figure 512831DEST_PATH_IMAGE006
  
Figure 774048DEST_PATH_IMAGE008
                  
步骤3：利用如下公式构建协方差矩阵，计算与每一个
Figure 616496DEST_PATH_IMAGE004
相对应的图像块的协方差
Figure 73DEST_PATH_IMAGE010
；
Figure 193550DEST_PATH_IMAGE012
                       
对于一个给定的区域R，其大小为M×N，
Figure 992879DEST_PATH_IMAGE014
，是均值向量，
Figure 904814DEST_PATH_IMAGE016
，x,y 表示对应像素的横坐标，和纵坐标，
Figure 646242DEST_PATH_IMAGE018
和
Figure 936803DEST_PATH_IMAGE020
分别表示图像
Figure 539823DEST_PATH_IMAGE022
在x方向和y方向上的梯度值，
Figure 497808DEST_PATH_IMAGE024
为
Figure 19925DEST_PATH_IMAGE018
和
Figure 187994DEST_PATH_IMAGE020
的卷积；
步骤4: 根据公式，计算每一个
Figure 316849DEST_PATH_IMAGE010
与系统t-1时刻跟踪到的区域协方差的对数-欧拉距离 
Figure 166698DEST_PATH_IMAGE030
；
步骤5：计算系统状态的协方差为
Figure 253732DEST_PATH_IMAGE032
得到系统的状态向量为：
Figure 424131DEST_PATH_IMAGE036
；
步骤6：给定协方差流形的对应于t-3和t-2时刻的切向量和，根据
Figure 372561DEST_PATH_IMAGE042
产生L个
Figure 345065DEST_PATH_IMAGE044
的采样粒子，
Figure 709444DEST_PATH_IMAGE046
；
步骤7：.对 的每个采样 , 根据
Figure 447779DEST_PATH_IMAGE048
计算，然后计算每一个粒子的权值:
        
Figure 171278DEST_PATH_IMAGE050
, 
Figure 836002DEST_PATH_IMAGE052
为系数；
步骤8： 计算加权李群均值
Figure 986422DEST_PATH_IMAGE054
，输出t时刻跟踪到的目标的区域协方差
Figure 292638DEST_PATH_IMAGE056
；
步骤9：输入下一帧视频图像，重复步骤2.直到跟踪过程结束。
CN201310013121.5A 2013-01-15 2013-01-15 基于双重模型的粒子滤波视频图像跟踪方法 Expired - Fee Related CN103093480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310013121.5A CN103093480B (zh) 2013-01-15 2013-01-15 基于双重模型的粒子滤波视频图像跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310013121.5A CN103093480B (zh) 2013-01-15 2013-01-15 基于双重模型的粒子滤波视频图像跟踪方法

Publications (2)

Publication Number Publication Date
CN103093480A true CN103093480A (zh) 2013-05-08
CN103093480B CN103093480B (zh) 2016-04-20

Family

ID=48206011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310013121.5A Expired - Fee Related CN103093480B (zh) 2013-01-15 2013-01-15 基于双重模型的粒子滤波视频图像跟踪方法

Country Status (1)

Country Link
CN (1) CN103093480B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279769A (zh) * 2015-07-16 2016-01-27 北京理工大学 一种联合多特征的层次粒子滤波跟踪方法
CN105389832A (zh) * 2015-11-20 2016-03-09 沈阳大学 一种基于Grassmann流形和投影群的视频目标跟踪方法
CN105631895A (zh) * 2015-12-18 2016-06-01 重庆大学 结合粒子滤波的时空上下文视频目标跟踪方法
CN107358621A (zh) * 2016-05-10 2017-11-17 腾讯科技（深圳）有限公司 对象跟踪方法及装置
CN110189356A (zh) * 2019-04-24 2019-08-30 沈阳大学 一种反向低秩稀疏约束下的融合Lasso目标跟踪方法
CN110232705A (zh) * 2019-05-17 2019-09-13 沈阳大学 一种融合分数阶变分调整的反向低秩稀疏学习目标跟踪方法
CN111428567A (zh) * 2020-02-26 2020-07-17 沈阳大学 一种基于仿射多任务回归的行人跟踪系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017572A (zh) * 2006-02-09 2007-08-15 三菱电机株式会社 用于在帧序列中跟踪物体的计算机化的方法
CN101739687A (zh) * 2009-11-23 2010-06-16 燕山大学 基于协方差矩阵的快速机动目标跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017572A (zh) * 2006-02-09 2007-08-15 三菱电机株式会社 用于在帧序列中跟踪物体的计算机化的方法
CN101739687A (zh) * 2009-11-23 2010-06-16 燕山大学 基于协方差矩阵的快速机动目标跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YINGHONG XIE 等: "Object Tracking Based on Bilateral Structure Tensor", 《JOURNAL OF COMPUTATIONAL INFORMATION SYSTEMS》 *
ZULFIQAR HASAN KHAN 等: "Tracking Visual and Infrared Objects using Joint Riemannian Manifold Appearance and Affine Shape Modeling", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION. 2011 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS, ICCV WORKSHOPS 2011》 *
李广伟 等: "基于改进李群结构的特征协方差目标跟踪", 《仪器仪表学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279769A (zh) * 2015-07-16 2016-01-27 北京理工大学 一种联合多特征的层次粒子滤波跟踪方法
CN105389832A (zh) * 2015-11-20 2016-03-09 沈阳大学 一种基于Grassmann流形和投影群的视频目标跟踪方法
CN105389832B (zh) * 2015-11-20 2018-08-21 沈阳大学 一种基于Grassmann流形和投影群的视频目标跟踪方法
CN105631895A (zh) * 2015-12-18 2016-06-01 重庆大学 结合粒子滤波的时空上下文视频目标跟踪方法
CN105631895B (zh) * 2015-12-18 2018-05-29 重庆大学 结合粒子滤波的时空上下文视频目标跟踪方法
CN107358621B (zh) * 2016-05-10 2020-01-10 腾讯科技（深圳）有限公司 对象跟踪方法及装置
CN107358621A (zh) * 2016-05-10 2017-11-17 腾讯科技（深圳）有限公司 对象跟踪方法及装置
CN110189356A (zh) * 2019-04-24 2019-08-30 沈阳大学 一种反向低秩稀疏约束下的融合Lasso目标跟踪方法
CN110189356B (zh) * 2019-04-24 2023-05-12 沈阳大学 一种反向低秩稀疏约束下的融合Lasso目标跟踪方法
CN110232705A (zh) * 2019-05-17 2019-09-13 沈阳大学 一种融合分数阶变分调整的反向低秩稀疏学习目标跟踪方法
CN110232705B (zh) * 2019-05-17 2023-05-12 沈阳大学 一种融合分数阶变分调整的反向低秩稀疏学习目标跟踪方法
CN111428567A (zh) * 2020-02-26 2020-07-17 沈阳大学 一种基于仿射多任务回归的行人跟踪系统及方法
CN111428567B (zh) * 2020-02-26 2024-02-02 沈阳大学 一种基于仿射多任务回归的行人跟踪系统及方法

Also Published As

Publication number Publication date
CN103093480B (zh) 2016-04-20

Similar Documents

Publication Publication Date Title
CN103093480A (zh) 基于双重模型的粒子滤波视频图像跟踪方法
CN103761737B (zh) 基于稠密光流的机器人运动估计方法
CN104050685B (zh) 基于粒子滤波视觉注意力模型的运动目标检测方法
CN105426813B (zh) 一种视频异常行为检测方法
CN108846348B (zh) 一种基于三维骨骼特征的人体行为识别方法
CN101996406A (zh) 无参考结构清晰度图像质量评价方法
Xin et al. A self-adaptive optical flow method for the moving object detection in the video sequences
Simon et al. Separable spatiotemporal priors for convex reconstruction of time-varying 3D point clouds
CN102947863A (zh) 移动物体检测装置
Zheng et al. Deep learning for event-based vision: A comprehensive survey and benchmarks
US20170223333A1 (en) Method and apparatus for processing binocular disparity image
CN105488777A (zh) 一种基于移动前景下全景图实时生成系统及其方法
Daubney et al. Tracking 3D human pose with large root node uncertainty
CN110533578A (zh) 一种基于条件对抗神经网络的图像翻译方法
CN105282400B (zh) 一种基于几何插值的高效视频稳定方法
Wang et al. Video stabilization: A comprehensive survey
Wang et al. Paul: Procrustean autoencoder for unsupervised lifting
Shen et al. Neural contourlet network for monocular 360 depth estimation
CN102142148B (zh) 视频空时特征提取方法
Zhao et al. 3D object tracking via boundary constrained region-based model
CN104156973A (zh) 基于立体匹配的实时三维视频监控方法
CN105389832B (zh) 一种基于Grassmann流形和投影群的视频目标跟踪方法
CN102831616A (zh) 一种视频流体运动矢量计算方法
CN103337075B (zh) 一种基于等照度线的图像显著度计算方法
Peng et al. Edge-guided occlusion fading reduction for a light-weighted self-supervised monocular depth estimation

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160420

Termination date: 20170115