CN104200237A - 一种基于核化相关滤波高速自动多目标跟踪方法 - Google Patents
一种基于核化相关滤波高速自动多目标跟踪方法 Download PDFInfo
- Publication number
- CN104200237A CN104200237A CN201410418797.7A CN201410418797A CN104200237A CN 104200237 A CN104200237 A CN 104200237A CN 201410418797 A CN201410418797 A CN 201410418797A CN 104200237 A CN104200237 A CN 104200237A
- Authority
- CN
- China
- Prior art keywords
- target
- foreground
- coring
- foreground target
- video
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于核化相关滤波高速自动多目标跟踪方法,即:1:获取视频的一帧图像;2:提取前景目标序列;3:判断各个前景目标与已经跟踪的目标相似度;舍弃相似度较高的前景目标,只计算相似度较低的各个前景目标的HOG特征;4:用循环矩阵获取每个的前景目标训练样本,采用岭回归训练方案,通过FFTW加速的核方法获得分类器,采用稀疏光流获得跟踪点;5:利用检测响应函数检测目标匹配响应,响应最大位置就是目标新位置,用光流法对目标进行多尺度适应;6:重复3、4、5步骤,遍历每一个前景目标;7:获取下一帧视频,重复2、3、4、5、6步骤,直到视频结束。本发明利用光流法成功解决目标多尺度问题,并利用FFTW加速傅立叶变换。
Description
技术领域
本发明涉及基于目标跟踪的图像分析技术领域,具体涉及一种基于核化相关滤波高速自动多目标跟踪方法。
背景技术
目标跟踪是计算机视觉中,重要的一个研究方向,是进一步分析目标的基础,在此基础上,可以对目标轨迹、行为分析等等。目前,目标跟踪在学术上大致有两种模型:识别类跟踪器和产生类跟踪器。其中识别类跟踪器整体性能要好于产生类跟踪器,识别类跟踪器一般需要在线机器学习,学习出一个分类器,用于识别出目标。
一般来说,识别类的跟踪算法的优点在于:一定程度上能适应目标变化,具有较强的鲁棒性;缺点在于:需要大量的训练样本、训练时间消耗较大、目标多尺度问题难以解决。因此,针对识别类跟踪算法的缺点,可以采用循环矩阵方法来获取训练所需的样本,一方面获得了足够的训练样本,有利于学习出识别类较高的分类器,另一方面利用循环矩阵的特性,采用傅立叶变换和核技巧降低了训练所需要的时间。然而这样虽然解决了训练样本与训练时间的问题,但是没有解决目标多尺度问题和没有对傅立叶变换加速,并且没有扩展到多目标跟踪场景。
发明内容
本发明克服了上述现有技术中存在的不足,提出了一种利用循环矩阵获得大量样本、同时耗时非常低、能达到实时性要求、并扩展到多目标跟踪场景的基于核化相关滤波高速自动多目标跟踪方法。
本发明的技术方案是这样实现的:
一种基于核化相关滤波高速自动多目标跟踪方法,用于视频图像分析,所述方法包括以下步骤:
步骤1:通过视频,获取一帧图像;
步骤2:提取前景目标序列;
步骤3:针对每个前景目标,判断各个前景目标与已经跟踪的目标相似度。舍弃相似度较高的前景目标,只计算相似度较低的各个前景目标的HOG特征;
步骤4:针对步骤3中每个前景目标,利用循环矩阵获取训练样本,采用岭回归训练方案,通过FFTW加速的核方法获得分类器,并采用稀疏光流获得跟踪点;
步骤5:利用检测响应函数检测目标匹配响应,响应最大的位置就是目标新的位置,并根据光流法对目标进行多尺度适应;
步骤6:重复3、4、5步骤,遍历每一个前景目标;
步骤7:获取下一帧视频,重复2、3、4、5、6步骤,直到视频结束。
优选地,在所述步骤2中,利用基于混合高斯背景建模算法提取前景目标序列。
优选地,在所述步骤4中,利用公式通过FFTW加速的核方法获得分类器,其中是核矩阵K第一行傅立叶变换后的向量。
优选地,在所述步骤5中,所述检测响应函数为其中z表示目标的候选位置向量,kxz是样本x与z的核化相关向量。
采用了上述技术方案的本发明的有益效果是:
与现有技术相比,本发明采用循环矩阵方法来获取训练所需的样本,一方面获得了足够的训练样本,有利于学习出识别类较高的分类器,另一方面利用循环矩阵的特性,采用傅立叶变换和核技巧降低了训练所需要的时间。并且,本发明利用光流法成功解决目标多尺度问题,并利用FFTW加速傅立叶变换。
另外,本发明还利用背景差分技术自动检测目标,进而自动跟踪目标。进一步,本发明利用混合高斯背景建模方法获得前景目标,并分析前景目标筛选出新的目标序列,利用该新的目标序列初始化本发明的跟踪算法,因而可以扩展到多目标跟踪场景。
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是本发明基于核化相关滤波高速自动多目标跟踪方法的流程图。
具体实施方式
本发明的具体实施方式如下:
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它实施例,都属于本发明保护的范围。
首先,在描述本发明基于核化相关滤波高速自动多目标跟踪方法之前,先重点描述以下几个概念:
岭回归:是一种专用于共线性数据分析的有偏估计回归方法,实质上是一种改良的最小二乘估计法,通过放弃最小二乘法的无偏性,以损失部分信息、降低精度为代价,获得回归系数更为符合实际、更可靠的回归方法,对病态数据的耐受性远远强于最小二乘法。
循环矩阵:是一种特殊形式的Toeplitz矩阵,它的行向量的每个元素都是前一个行向量各元素依次右移一个位置得到的结果。由于可以用离散傅立叶变换快速解循环矩阵,所以在数值分析中有重要的应用。
光流:是一种简单实用的图像运动的表达方式,通常定义为一个图像序列中的图像亮度模式的表观运动,即空间物体表面上的点的运动速度在视觉传感器的成像平面上的表达。
核方法:主要思想是基于这样一个假设:“在低维空间中不能线性分割的点集,通过转化为高维空中的点集时,很有可能变为线性可分的”。定义一个核函数K(x1,x2)=<\phi(x1),\phi(x2)>,其中x1和x2是低维度空间中点(在这里可以是标量,也可以是向量),\phi(xi)是低维度空间的点xi转化为高维度空间中的点的表示,<,>表示向量的内积。
一般地,我们可以把分类(或者回归)的问题分为两类:参数学习的形式和基于实例的学习形式。参数学习的形式就是通过一堆训练数据,把相应模型的参数给学习出来,然后训练数据就没有用了,对于新的数据,用学习出来的参数即可以得到相应的结论;而基于实例的学习(又叫基于内存的学习)则是在预测的时候也会使用训练数据,如KNN算法。而基于实例的学习一般就需要判定两个点之间的相似程度,一般就通过向量的内积来表达。因此,核方法一般只针对基于实例的学习。
对于识别类的跟踪算法,获得大量样本是非常重要的,因为大量样本会训练出识别率更高的分类器。但是用大量的样本训练分类器,耗时较大。这样很难达到实时性要求。普遍的策略是随机选择一些样本,用来训练。这样做有一定道理,但这会导致分类器识别类降低,阻碍了跟踪性能。
因此,本发明的基于核化相关滤波高速自动多目标跟踪方法是利用循环矩阵获得大量样本,但同时耗时非常低,能达到实时性要求。
本发明方法原理如下:
学习阶段:
利用岭回归算法,训练的目的是找到一个函数(即分类器)f(z)=wTz使得样本xi和回归目标yi之间的平方误差最小。即:
λ是规则化参数,用于控制过拟合。我们训练的目的是为了获得参数w,由(1)得到解:
w=(XTX+λI)-1XTy (2)
其中,X是样本数据矩阵,该矩阵的每一行代表一个样本xi,y向量中的每一个元素表示一个回归目标yi。I是单位矩阵,T为矩阵转置。
如果在复数范围内,则上式表示为:
w*=(XHX+λI)-1XHy (3)
其中,右上标*表示共轭复数。
在一个大系统中,求这个解是非常耗时的,下面引入循环矩阵和核技巧打破这个限制。
接下来我们引入循环矩阵P重构样本数据矩阵X。
Pux表示对样本漂移了u次。对于一个给定的正样本x,通过循环矩阵P变换获得样本数据矩阵X。由循环矩阵的性质可知样本数据矩阵X也是循环矩阵,而且循环矩阵可以被傅立叶变换矩阵对角化,即:
把(5)式带入(3)式,可得:
其中,分别表示x,y各自的傅立叶变换后的向量。
进一步引入相关滤波和核技巧,加快(6)求解。先回顾一下核技巧:一般地,解w是样本的线性组合。即:
这样,求解w转为求αi。进一步引入核函数,得到:
α=(K+λI)-1y (8)
其中,K是核矩阵,α是系数αi组成的向量。理论证明,当选择的核是高斯核、多项式核等,则K是循环矩阵。再次引入傅立叶变换得到:
其中,是核矩阵K第一行傅立叶变换后的向量。
检测阶段:
学习过程类似,这里直接给出检测响应函数:
其中,z表示目标的候选位置向量,kxz是样本x与z的核化相关向量。
具体地,请参照图1所示,本发明基于核化相关滤波高速自动多目标跟踪方法,包括如下步骤:
步骤1:通过视频,获取一帧图像;
步骤2:利用基于混合高斯背景建模算法提取前景目标序列;
步骤3:针对每个前景目标,判断各个前景目标与已经跟踪的目标相似度。舍弃相似度较高的前景目标,只计算相似度较低的各个前景目标的HOG特征(因为相似程度高,说明已经被跟踪了,故不需要再次跟踪);
步骤4:针对步骤3中每个前景目标,利用循环矩阵获取训练样本,采用岭回归训练方案,利用公式通过FFTW(快速傅立叶变换)加速的核方法获得分类器,并采用稀疏光流获得跟踪点;
步骤5:利用检测响应函数检测目标匹配响应,响应最大的位置就是目标新的位置,并根据光流法对目标进行多尺度适应;
步骤6:重复3、4、5步骤,遍历每一个前景目标;
步骤7:获取下一帧视频,重复2、3、4、5、6步骤,直到视频结束。
与现有技术相比,本发明方法的优点在于:针对识别类跟踪算法的缺点,采用循环矩阵方法来获取训练所需的样本,一方面获得了足够的训练样本,有利于学习出识别类较高的分类器,另一方面利用循环矩阵的特性,采用傅立叶变换和核技巧降低了训练所需要的时间。并且,本发明利用光流法成功解决目标多尺度问题,并利用FFTW加速傅立叶变换。另外,本发明还利用背景差分技术自动检测目标,进而自动跟踪目标。进一步,本发明利用混合高斯背景建模方法获得前景目标,并分析前景目标筛选出新的目标序列,利用该新的目标序列初始化本发明的跟踪算法,因而可以扩展到多目标跟踪场景。
本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。以上公开的仅为本申请的几个具体实施例,但本申请并非局限于此,任何本领域的技术人员能思之的变化,都应落在本申请的保护范围内。
Claims (4)
1.一种基于核化相关滤波高速自动多目标跟踪方法,用于视频图像分析,其
特征在于,所述方法包括以下步骤:
步骤1:通过视频,获取一帧图像;
步骤2:提取前景目标序列;
步骤3:针对每个前景目标,判断各个前景目标与已经跟踪的目标相似度;舍弃相似度较高的前景目标,只计算相似度较低的各个前景目标的HOG特征;
步骤4:针对步骤3中每个前景目标,利用循环矩阵获取训练样本,采用岭回归训练方案,通过FFTW加速的核方法获得分类器,并采用稀疏光流获得跟踪点;
步骤5:利用检测响应函数检测目标匹配响应,响应最大的位置就是目标新的位置,并根据光流法对目标进行多尺度适应;
步骤6:重复3、4、5步骤,遍历每一个前景目标;
步骤7:获取下一帧视频,重复2、3、4、5、6步骤,直到视频结束。
2.根据权利要求1所述的一种基于核化相关滤波高速自动多目标跟踪方法,其特征在于,在所述步骤2中,利用基于混合高斯背景建模算法提取前景目标序列。
3.根据权利要求1所述的一种基于核化相关滤波高速自动多目标跟踪方法,其特征在于,在所述步骤4中,利用公式通过FFTW加速的核方法获得分类器,其中是核矩阵K第一行傅立叶变换后的向量。
4.根据权利要求1所述的一种基于核化相关滤波高速自动多目标跟踪方法,其特征在于,在所述步骤5中,所述检测响应函数为其中z表示目标的候选位置向量,kxz是样本x与z的核化相关向量。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410418797.7A CN104200237B (zh) | 2014-08-22 | 2014-08-22 | 一种基于核化相关滤波高速自动多目标跟踪方法 |
EP15833258.5A EP3183690A4 (en) | 2014-08-22 | 2015-07-28 | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
PCT/CN2015/085270 WO2016026370A1 (en) | 2014-08-22 | 2015-07-28 | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
US15/023,841 US9898827B2 (en) | 2014-08-22 | 2015-07-28 | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410418797.7A CN104200237B (zh) | 2014-08-22 | 2014-08-22 | 一种基于核化相关滤波高速自动多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104200237A true CN104200237A (zh) | 2014-12-10 |
CN104200237B CN104200237B (zh) | 2019-01-11 |
Family
ID=52085526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410418797.7A Active CN104200237B (zh) | 2014-08-22 | 2014-08-22 | 一种基于核化相关滤波高速自动多目标跟踪方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9898827B2 (zh) |
EP (1) | EP3183690A4 (zh) |
CN (1) | CN104200237B (zh) |
WO (1) | WO2016026370A1 (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599289A (zh) * | 2014-12-31 | 2015-05-06 | 安科智慧城市技术(中国)有限公司 | 目标跟踪方法及装置 |
CN104933542A (zh) * | 2015-06-12 | 2015-09-23 | 临沂大学 | 一种基于计算机视觉的物流仓储监控方法 |
WO2016026370A1 (en) * | 2014-08-22 | 2016-02-25 | Zhejiang Shenghui Lighting Co., Ltd. | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
CN105701840A (zh) * | 2015-12-31 | 2016-06-22 | 上海极链网络科技有限公司 | 视频中多物体实时追踪系统及其实现方法 |
CN105844665A (zh) * | 2016-03-21 | 2016-08-10 | 清华大学 | 视频对象追踪方法及装置 |
CN106296723A (zh) * | 2015-05-28 | 2017-01-04 | 展讯通信(天津)有限公司 | 目标位置追踪方法及装置 |
CN106557774A (zh) * | 2015-09-29 | 2017-04-05 | 南京信息工程大学 | 多通道核相关滤波的实时跟踪方法 |
CN106570893A (zh) * | 2016-11-02 | 2017-04-19 | 中国人民解放军国防科学技术大学 | 一种基于相关滤波的快速稳健视觉跟踪方法 |
CN106651913A (zh) * | 2016-11-29 | 2017-05-10 | 开易(北京)科技有限公司 | 基于相关滤波和颜色直方图统计的目标跟踪方法及adas系统 |
CN106683110A (zh) * | 2015-11-09 | 2017-05-17 | 展讯通信(天津)有限公司 | 用户终端及其目标跟踪方法及装置 |
CN106709934A (zh) * | 2016-08-25 | 2017-05-24 | 上海瞬动科技有限公司合肥分公司 | 频域高斯核函数图像追踪方法 |
CN107122741A (zh) * | 2017-04-27 | 2017-09-01 | 中国科学院长春光学精密机械与物理研究所 | 一种目标跟踪方法及系统 |
CN107943837A (zh) * | 2017-10-27 | 2018-04-20 | 江苏理工学院 | 一种前景目标关键帧化的视频摘要生成方法 |
CN108280808A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于结构化输出相关滤波器的目标跟踪方法 |
CN108288062A (zh) * | 2017-12-29 | 2018-07-17 | 中国电子科技集团公司第二十七研究所 | 一种基于核相关滤波的目标跟踪方法 |
CN108846854A (zh) * | 2018-05-07 | 2018-11-20 | 中国科学院声学研究所 | 一种基于运动预测与多特征融合的车辆跟踪方法 |
CN108921177A (zh) * | 2018-06-22 | 2018-11-30 | 重庆邮电大学 | 变电站巡检机器人的仪表定位方法 |
CN109191493A (zh) * | 2018-07-13 | 2019-01-11 | 上海大学 | 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法 |
CN109859241A (zh) * | 2019-01-09 | 2019-06-07 | 厦门大学 | 自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法 |
CN109934042A (zh) * | 2017-12-15 | 2019-06-25 | 吉林大学 | 基于卷积神经网络的自适应视频对象行为轨迹分析方法 |
CN109978779A (zh) * | 2019-03-12 | 2019-07-05 | 东南大学 | 一种基于核化相关滤波方法的多目标跟踪装置 |
CN110428446A (zh) * | 2019-06-28 | 2019-11-08 | 武汉大学 | 一种基于混合核相关滤波的卫星视频目标跟踪方法 |
CN112785622A (zh) * | 2020-12-30 | 2021-05-11 | 大连海事大学 | 一种水面无人船长时跟踪方法、装置及存储介质 |
CN114373151A (zh) * | 2021-12-30 | 2022-04-19 | 北京理工大学 | 一种用于察打系统的目标自动跟踪方法 |
Families Citing this family (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204638B (zh) * | 2016-06-29 | 2019-04-19 | 西安电子科技大学 | 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 |
CN106355604B (zh) * | 2016-08-22 | 2019-10-18 | 杭州保新科技有限公司 | 图像目标跟踪方法与系统 |
CN107122795B (zh) * | 2017-04-01 | 2020-06-02 | 同济大学 | 一种基于核化特征和随机子空间集成的行人再辨识方法 |
CN107705324A (zh) * | 2017-10-20 | 2018-02-16 | 中山大学 | 一种基于机器学习的视频目标检测方法 |
CN109753846A (zh) * | 2017-11-03 | 2019-05-14 | 北京深鉴智能科技有限公司 | 目标跟踪硬件实现系统和方法 |
CN109753628A (zh) * | 2017-11-06 | 2019-05-14 | 北京深鉴智能科技有限公司 | 目标跟踪器的硬件实现装置和目标跟踪方法 |
CN107871019B (zh) * | 2017-12-01 | 2020-09-15 | 湖北微模式科技发展有限公司 | 人车关联搜索方法及装置 |
CN108346159B (zh) * | 2018-01-28 | 2021-10-15 | 北京工业大学 | 一种基于跟踪-学习-检测的视觉目标跟踪方法 |
CN110298214A (zh) * | 2018-03-23 | 2019-10-01 | 苏州启铭臻楠电子科技有限公司 | 一种基于组合深度神经网络的舞台多目标追踪和分类方法 |
US11500477B2 (en) * | 2018-07-02 | 2022-11-15 | Google Llc | Systems and methods for interacting and interfacing with an artificial intelligence system |
CN109242885B (zh) * | 2018-09-03 | 2022-04-26 | 南京信息工程大学 | 一种基于时空非局部正则的相关滤波视频跟踪方法 |
CN109584271B (zh) * | 2018-11-15 | 2021-10-08 | 西北工业大学 | 基于高置信度更新策略的高速相关滤波跟踪方法 |
CN109670410A (zh) * | 2018-11-29 | 2019-04-23 | 昆明理工大学 | 一种基于多特征的融合的长时运动目标跟踪方法 |
US10878292B2 (en) * | 2018-12-07 | 2020-12-29 | Goodrich Corporation | Automatic generation of a new class in a classification system |
CN111383252B (zh) * | 2018-12-29 | 2023-03-24 | 曜科智能科技(上海)有限公司 | 多相机目标追踪方法、系统、装置及存储介质 |
CN109903281B (zh) * | 2019-02-28 | 2021-07-27 | 中科创达软件股份有限公司 | 一种基于多尺度的目标检测方法及装置 |
CN110895820B (zh) * | 2019-03-14 | 2023-03-24 | 河南理工大学 | 一种基于kcf的尺度自适应目标跟踪方法 |
CN110046659B (zh) * | 2019-04-02 | 2023-04-07 | 河北科技大学 | 一种基于tld的长时间单目标跟踪方法 |
CN110009060B (zh) * | 2019-04-17 | 2021-07-23 | 东北大学 | 一种基于相关滤波与目标检测的鲁棒性长期跟踪方法 |
CN110175649B (zh) * | 2019-05-28 | 2022-06-07 | 南京信息工程大学 | 一种关于重新检测的快速多尺度估计目标跟踪方法 |
JP7405580B2 (ja) * | 2019-06-06 | 2023-12-26 | 株式会社デンソーアイティーラボラトリ | 複数物体追跡装置、方法及びプログラム |
CN110348492A (zh) * | 2019-06-24 | 2019-10-18 | 昆明理工大学 | 一种基于上下文信息及多特征融合的相关滤波目标跟踪方法 |
CN110490899A (zh) * | 2019-07-11 | 2019-11-22 | 东南大学 | 一种结合目标跟踪的可变形施工机械的实时检测方法 |
CN110472577B (zh) * | 2019-08-15 | 2022-02-15 | 江南大学 | 一种基于自适应相关滤波的长时视频跟踪方法 |
CN110717930B (zh) * | 2019-08-28 | 2024-02-20 | 河南中烟工业有限责任公司 | 一种基于扩展Wang-landau蒙特卡罗和KCF的突变运动目标跟踪方法 |
CN112686957A (zh) * | 2019-10-18 | 2021-04-20 | 北京华航无线电测量研究所 | 一种序列图像快速标定方法 |
CN110827316A (zh) * | 2019-10-29 | 2020-02-21 | 贵州民族大学 | 人群恐慌四散检测方法、系统、可读存储介质和电子设备 |
CN111028265B (zh) * | 2019-11-11 | 2023-03-31 | 河南理工大学 | 一种基于迭代法构建相关滤波响应的目标跟踪方法 |
CN111079539B (zh) * | 2019-11-19 | 2023-03-21 | 华南理工大学 | 一种基于异常追踪的视频异常行为检测方法 |
CN111105441B (zh) * | 2019-12-09 | 2023-05-05 | 嘉应学院 | 一种受前面帧目标信息约束的相关滤波目标跟踪方法 |
KR102318397B1 (ko) * | 2020-02-07 | 2021-10-27 | 국방과학연구소 | 거리 및 환경변화에 강인한 대상체 추적 방법 및 장치 |
CN111382705A (zh) * | 2020-03-10 | 2020-07-07 | 创新奇智(广州)科技有限公司 | 逆行行为检测方法、装置、电子设备及可读存储介质 |
CN111582266B (zh) * | 2020-03-30 | 2023-04-07 | 西安电子科技大学 | 配置目标跟踪硬件加速控制方法、系统、存储介质及应用 |
CN111951298B (zh) * | 2020-06-25 | 2024-03-08 | 湖南大学 | 一种融合时间序列信息的目标跟踪方法 |
CN112561958B (zh) * | 2020-12-04 | 2023-04-18 | 武汉华中天经通视科技有限公司 | 一种相关滤波图像跟踪丢失判定方法 |
CN112489034B (zh) * | 2020-12-14 | 2023-06-23 | 广西科技大学 | 基于时域信息特征空间背景建模方法 |
CN112614158B (zh) * | 2020-12-18 | 2022-08-26 | 北京理工大学 | 一种采样框自适应的多特征融合在线目标跟踪方法 |
CN112750146B (zh) * | 2020-12-31 | 2023-09-12 | 浙江大华技术股份有限公司 | 目标对象跟踪方法和装置、存储介质及电子设备 |
CN113608618B (zh) * | 2021-08-11 | 2022-07-29 | 兰州交通大学 | 一种手部区域跟踪方法及系统 |
CN113971684B (zh) * | 2021-09-16 | 2024-07-16 | 中国人民解放军火箭军工程大学 | 一种基于kcf和surf特征的实时鲁棒目标跟踪方法 |
CN114743124B (zh) * | 2022-01-27 | 2024-09-10 | 西北工业大学 | 一种弹载平台实时目标跟踪方法 |
CN114596335B (zh) * | 2022-03-01 | 2023-10-31 | 广东工业大学 | 一种无人艇目标检测追踪方法及系统 |
CN114708307B (zh) * | 2022-05-17 | 2022-11-01 | 北京航天晨信科技有限责任公司 | 基于相关滤波器的目标跟踪方法、系统、存储介质及设备 |
CN115131401B (zh) * | 2022-06-20 | 2024-04-12 | 武汉大学 | 基于多尺度多方向核相关滤波的遥感视频目标跟踪方法 |
CN115841048B (zh) * | 2023-02-13 | 2023-05-12 | 中国人民解放军火箭军工程大学 | 一种基于目标机理模型的多模仿真数据集制备方法 |
CN116030098B (zh) * | 2023-03-27 | 2023-06-13 | 齐鲁工业大学(山东省科学院) | 一种基于方向特征驱动的焊缝目标跟踪方法及系统 |
CN117788511B (zh) * | 2023-12-26 | 2024-06-25 | 兰州理工大学 | 基于深度神经网络的多扩展目标跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
CN103871079A (zh) * | 2014-03-18 | 2014-06-18 | 南京金智视讯技术有限公司 | 基于机器学习和光流的车辆跟踪方法 |
US20140169663A1 (en) * | 2012-12-19 | 2014-06-19 | Futurewei Technologies, Inc. | System and Method for Video Detection and Tracking |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5384867A (en) * | 1991-10-23 | 1995-01-24 | Iterated Systems, Inc. | Fractal transform compression board |
US5875108A (en) * | 1991-12-23 | 1999-02-23 | Hoffberg; Steven M. | Ergonomic man-machine interface incorporating adaptive pattern recognition based control system |
WO2001028238A2 (en) * | 1999-10-08 | 2001-04-19 | Sarnoff Corporation | Method and apparatus for enhancing and indexing video and audio signals |
ITRM20060110A1 (it) * | 2006-03-03 | 2007-09-04 | Cnr Consiglio Naz Delle Ricerche | Metodo e sistema per la rilevazione automatica di eventi in ambito sportivo |
US7403643B2 (en) * | 2006-08-11 | 2008-07-22 | Fotonation Vision Limited | Real-time face tracking in a digital image acquisition device |
US9036902B2 (en) * | 2007-01-29 | 2015-05-19 | Intellivision Technologies Corporation | Detector for chemical, biological and/or radiological attacks |
WO2010063463A2 (en) * | 2008-12-05 | 2010-06-10 | Fotonation Ireland Limited | Face recognition using face tracker classifier data |
US8648959B2 (en) * | 2010-11-11 | 2014-02-11 | DigitalOptics Corporation Europe Limited | Rapid auto-focus using classifier chains, MEMS and/or multiple object focusing |
US8659697B2 (en) * | 2010-11-11 | 2014-02-25 | DigitalOptics Corporation Europe Limited | Rapid auto-focus using classifier chains, MEMS and/or multiple object focusing |
CN102074034B (zh) | 2011-01-06 | 2013-11-06 | 西安电子科技大学 | 多模型人体运动跟踪方法 |
US8600172B2 (en) * | 2011-03-16 | 2013-12-03 | Sensormatic Electronics, LLC | Video based matching and tracking by analyzing one or more image abstractions |
US8873813B2 (en) * | 2012-09-17 | 2014-10-28 | Z Advanced Computing, Inc. | Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities |
CN103237197B (zh) | 2013-04-10 | 2016-04-13 | 中国科学院自动化研究所 | 用于鲁棒跟踪的自适应多特征融合的方法 |
EP3134850B1 (en) * | 2014-04-22 | 2023-06-14 | Snap-Aid Patents Ltd. | Method for controlling a camera based on processing an image captured by other camera |
CN104200237B (zh) * | 2014-08-22 | 2019-01-11 | 浙江生辉照明有限公司 | 一种基于核化相关滤波高速自动多目标跟踪方法 |
-
2014
- 2014-08-22 CN CN201410418797.7A patent/CN104200237B/zh active Active
-
2015
- 2015-07-28 EP EP15833258.5A patent/EP3183690A4/en not_active Withdrawn
- 2015-07-28 WO PCT/CN2015/085270 patent/WO2016026370A1/en active Application Filing
- 2015-07-28 US US15/023,841 patent/US9898827B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
US20140169663A1 (en) * | 2012-12-19 | 2014-06-19 | Futurewei Technologies, Inc. | System and Method for Video Detection and Tracking |
CN103871079A (zh) * | 2014-03-18 | 2014-06-18 | 南京金智视讯技术有限公司 | 基于机器学习和光流的车辆跟踪方法 |
Non-Patent Citations (4)
Title |
---|
JOAO F.HENRIQUES等: ""Exploiting the Circulant Structure of Tracking-by-Detection with Kernels"", 《PROCEEDING ECCV12 PROCEEDINGS OF THE 12TH EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
吴垠等: ""基于尺度不变特征的光流法目标跟踪技术研究"", 《计算机工程与应用》 * |
陈添丁等: ""稀疏光流快速计算的动态目标检测与跟踪"", 《中国图象图形学报》 * |
韩明等: ""一种自适应调整K-r的混合高斯背景建模和目标检测算法"", 《电子与信息学报》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016026370A1 (en) * | 2014-08-22 | 2016-02-25 | Zhejiang Shenghui Lighting Co., Ltd. | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
US9898827B2 (en) | 2014-08-22 | 2018-02-20 | Zhejiang Shenghui Lighting Co., Ltd | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
CN104599289A (zh) * | 2014-12-31 | 2015-05-06 | 安科智慧城市技术(中国)有限公司 | 目标跟踪方法及装置 |
CN106296723A (zh) * | 2015-05-28 | 2017-01-04 | 展讯通信(天津)有限公司 | 目标位置追踪方法及装置 |
CN104933542A (zh) * | 2015-06-12 | 2015-09-23 | 临沂大学 | 一种基于计算机视觉的物流仓储监控方法 |
CN104933542B (zh) * | 2015-06-12 | 2018-12-25 | 临沂大学 | 一种基于计算机视觉的物流仓储监控方法 |
CN106557774A (zh) * | 2015-09-29 | 2017-04-05 | 南京信息工程大学 | 多通道核相关滤波的实时跟踪方法 |
CN106683110A (zh) * | 2015-11-09 | 2017-05-17 | 展讯通信(天津)有限公司 | 用户终端及其目标跟踪方法及装置 |
CN105701840A (zh) * | 2015-12-31 | 2016-06-22 | 上海极链网络科技有限公司 | 视频中多物体实时追踪系统及其实现方法 |
CN105844665A (zh) * | 2016-03-21 | 2016-08-10 | 清华大学 | 视频对象追踪方法及装置 |
CN105844665B (zh) * | 2016-03-21 | 2018-11-27 | 清华大学 | 视频对象追踪方法及装置 |
CN106709934A (zh) * | 2016-08-25 | 2017-05-24 | 上海瞬动科技有限公司合肥分公司 | 频域高斯核函数图像追踪方法 |
CN106570893A (zh) * | 2016-11-02 | 2017-04-19 | 中国人民解放军国防科学技术大学 | 一种基于相关滤波的快速稳健视觉跟踪方法 |
CN106651913A (zh) * | 2016-11-29 | 2017-05-10 | 开易(北京)科技有限公司 | 基于相关滤波和颜色直方图统计的目标跟踪方法及adas系统 |
CN107122741B (zh) * | 2017-04-27 | 2020-06-09 | 中国科学院长春光学精密机械与物理研究所 | 一种目标跟踪方法及系统 |
CN107122741A (zh) * | 2017-04-27 | 2017-09-01 | 中国科学院长春光学精密机械与物理研究所 | 一种目标跟踪方法及系统 |
CN107943837B (zh) * | 2017-10-27 | 2022-09-30 | 江苏理工学院 | 一种前景目标关键帧化的视频摘要生成方法 |
CN107943837A (zh) * | 2017-10-27 | 2018-04-20 | 江苏理工学院 | 一种前景目标关键帧化的视频摘要生成方法 |
CN108280808B (zh) * | 2017-12-15 | 2019-10-25 | 西安电子科技大学 | 基于结构化输出相关滤波器的目标跟踪方法 |
CN108280808A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于结构化输出相关滤波器的目标跟踪方法 |
CN109934042A (zh) * | 2017-12-15 | 2019-06-25 | 吉林大学 | 基于卷积神经网络的自适应视频对象行为轨迹分析方法 |
CN108288062A (zh) * | 2017-12-29 | 2018-07-17 | 中国电子科技集团公司第二十七研究所 | 一种基于核相关滤波的目标跟踪方法 |
CN108288062B (zh) * | 2017-12-29 | 2022-03-01 | 中国电子科技集团公司第二十七研究所 | 一种基于核相关滤波的目标跟踪方法 |
CN108846854A (zh) * | 2018-05-07 | 2018-11-20 | 中国科学院声学研究所 | 一种基于运动预测与多特征融合的车辆跟踪方法 |
CN108921177A (zh) * | 2018-06-22 | 2018-11-30 | 重庆邮电大学 | 变电站巡检机器人的仪表定位方法 |
CN109191493B (zh) * | 2018-07-13 | 2021-06-04 | 上海大学 | 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法 |
CN109191493A (zh) * | 2018-07-13 | 2019-01-11 | 上海大学 | 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法 |
CN109859241B (zh) * | 2019-01-09 | 2020-09-18 | 厦门大学 | 自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法 |
CN109859241A (zh) * | 2019-01-09 | 2019-06-07 | 厦门大学 | 自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法 |
CN109978779A (zh) * | 2019-03-12 | 2019-07-05 | 东南大学 | 一种基于核化相关滤波方法的多目标跟踪装置 |
CN110428446A (zh) * | 2019-06-28 | 2019-11-08 | 武汉大学 | 一种基于混合核相关滤波的卫星视频目标跟踪方法 |
CN110428446B (zh) * | 2019-06-28 | 2022-06-14 | 武汉大学 | 一种基于混合核相关滤波的卫星视频目标跟踪方法 |
CN112785622A (zh) * | 2020-12-30 | 2021-05-11 | 大连海事大学 | 一种水面无人船长时跟踪方法、装置及存储介质 |
CN112785622B (zh) * | 2020-12-30 | 2024-04-05 | 大连海事大学 | 一种水面无人船长时跟踪方法、装置及存储介质 |
CN114373151A (zh) * | 2021-12-30 | 2022-04-19 | 北京理工大学 | 一种用于察打系统的目标自动跟踪方法 |
CN114373151B (zh) * | 2021-12-30 | 2024-06-28 | 北京理工大学 | 一种用于察打系统的目标自动跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
US9898827B2 (en) | 2018-02-20 |
EP3183690A4 (en) | 2017-11-22 |
EP3183690A1 (en) | 2017-06-28 |
US20160239982A1 (en) | 2016-08-18 |
WO2016026370A1 (en) | 2016-02-25 |
CN104200237B (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200237A (zh) | 一种基于核化相关滤波高速自动多目标跟踪方法 | |
Zhou et al. | DAVE: A unified framework for fast vehicle detection and annotation | |
US20170124415A1 (en) | Subcategory-aware convolutional neural networks for object detection | |
CN106845430A (zh) | 基于加速区域卷积神经网络的行人检测与跟踪方法 | |
Gao et al. | Symbiotic tracker ensemble toward a unified tracking framework | |
Sahoo et al. | HAR-depth: a novel framework for human action recognition using sequential learning and depth estimated history images | |
CN111027576B (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
CN110598586A (zh) | 一种目标检测方法及系统 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
Pavel et al. | Recurrent convolutional neural networks for object-class segmentation of RGB-D video | |
CN111428650B (zh) | 一种基于sp-pggan风格迁移的行人重识别方法 | |
Khellal et al. | Pedestrian classification and detection in far infrared images | |
CN104778699A (zh) | 一种自适应对象特征的跟踪方法 | |
Najibi et al. | Towards the success rate of one: Real-time unconstrained salient object detection | |
Wang et al. | GAN-STD: small target detection based on generative adversarial network | |
Sim et al. | Attention masking for improved near out-of-distribution image detection | |
Pang et al. | Target tracking based on siamese convolution neural networks | |
Liu et al. | A novel adaptive kernel correlation filter tracker with multiple feature integration | |
Chen et al. | Siamese network algorithm based on multi-scale channel attention fusion and multi-scale depth-wise cross correlation | |
Goyal et al. | Moving Object Detection in Video Streaming Using Improved DNN Algorithm | |
Meena Deshpande | License plate detection and recognition using yolo v4 | |
Rusli et al. | Contrast enhanced object recognition (CLAHE_YOLOv3) technique for clear and medium level turbidity lake underwater images | |
Liu et al. | Robust hand tracking with Hough forest and multi-cue flocks of features | |
Roncancio et al. | Ceiling analysis of pedestrian recognition pipeline for an autonomous car application | |
Anagnostopoulos et al. | Reviewing Deep Learning-Based Feature Extractors in a Novel Automotive SLAM Framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A High-speed Automatic Multi-target Tracking Method Based on Kernel Correlation Filtering Effective date of registration: 20230302 Granted publication date: 20190111 Pledgee: Tongxiang Yunbei Investment Construction Co.,Ltd. Pledgor: ZHEJIANG SHENGHUI LIGHTING Co.,Ltd. Registration number: Y2023980033495 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |