CN104299247B - 一种基于自适应测量矩阵的视频目标跟踪方法 - Google Patents

一种基于自适应测量矩阵的视频目标跟踪方法 Download PDF

Info

Publication number
CN104299247B
CN104299247B CN201410544953.4A CN201410544953A CN104299247B CN 104299247 B CN104299247 B CN 104299247B CN 201410544953 A CN201410544953 A CN 201410544953A CN 104299247 B CN104299247 B CN 104299247B
Authority
CN
China
Prior art keywords
target
matrix
tracking
video
object classifiers
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
Application number
CN201410544953.4A
Other languages
English (en)
Other versions
CN104299247A (zh
Inventor
高赟
周浩
张学杰
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.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN201410544953.4A priority Critical patent/CN104299247B/zh
Publication of CN104299247A publication Critical patent/CN104299247A/zh
Application granted granted Critical
Publication of CN104299247B publication Critical patent/CN104299247B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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

Abstract

本发明公开了一种基于自适应测量矩阵的视频目标跟踪方法，包括：选定跟踪区域；根据所述选定跟踪区域构建压缩感知采样所需的自适应测量矩阵；计算与所述自适应测量矩阵中所有非零元素对应的参数；为待跟踪目标构建朴素贝叶斯分类器H作为目标分类器，并初始化目标分类器；输入新视频帧并依据所述目标分类器对候选目标的压缩测量向量进行评价进而确定跟踪结果；根据所述跟踪结果更新目标分类器；根据是否有后续视频帧判别跟踪是否继续。本发明所提出的方法可以获得更为准确和快速的跟踪效果。

Description

一种基于自适应测量矩阵的视频目标跟踪方法
技术领域
本发明涉及一种视频目标跟踪系统，特别是一种基于自适应测量矩阵的视频目标跟踪方法。
背景技术
视频目标跟踪是指借助目标的独特信息如颜色、纹理、形状等，从视频帧序列中分析感兴趣的特定目标的运动参数及轨迹，如目标的位置、大小、形状、速度、加速度等，其是计算机视觉系统的核心任务之一，在智能视频监控、人机交互、医学诊断、机器人导航等众多领域有着广泛的应用前景。然而，在实际复杂应用场景中，光照变化、阴影、遮挡、运动突变、背景混乱等各种因素给视频目标跟踪技术带来了极大的挑战。为了适应实际应用领域的各种需求，既准确又快速的视频目标跟踪技术成为了学术界和产业界广泛关注的热点问题之一。
发明内容
为了克服现有技术中的缺陷，解决上述技术问题，本发明提供一种既准确又快速的视频目标跟踪方法。
本发明提供一种基于自适应测量矩阵的视频目标跟踪方法，步骤包括：
选定跟踪区域；
根据所述选定跟踪区域构建压缩感知采样所需的自适应测量矩阵；
计算与所述自适应测量矩阵中所有非零元素对应的参数；
为待跟踪目标构建朴素贝叶斯分类器H作为目标分类器，并初始化目标分类器；
输入新视频帧并依据所述目标分类器对候选目标的压缩测量向量进行评价进而确定跟踪结果；
根据所述跟踪结果更新目标分类器；
根据是否有后续视频帧判别跟踪是否继续。
所述选定跟踪区域的步骤具体包括：
设定视频帧左上角为坐标原点；
选定视频帧序列第一帧中待跟踪目标并通过矩形区域标识所述待跟踪目标。
所述根据选定跟踪区域构建压缩感知采样所需的自适应测量矩阵具体包括：
首先根据下述公式计算出测量矩阵的列数：
其中，n是Haar-like特征向量的维数，W×H是被跟踪目标矩形区域的尺寸，W×h是构建Haar-like特征的矩形特征尺寸，和分别是水平方向和垂直方向上最大的尺度系数；
其次根据下述公式计算出测量矩阵的行数：
其中n为所述测量矩阵的列数，K为Haar-like特征向量的稀疏程度，c为依赖于具体信号的小数值常量且取c＝1/lnn；
最后依据稀疏程度为c＝n/lnn的稀疏随机高斯矩阵计算所述测量矩阵的元素，所述测量矩阵(i，j)位置的元素R(i，j)＝rij可以表示为：
所述测量矩阵是稀疏的，每行元素中非零元素的个数为个，整个测量矩阵非零元素的个数为个，其余元素皆为零，所述测量矩阵的行数、列数、稀疏程度都随着待跟踪目标矩形区域的尺寸自适应地变化。
所述计算与所述自适应测量矩阵中所有非零元素对应的参数包括：Haar-like矩形特征的特征模板、水平尺度系数、垂直尺度系数和外接矩形区域。
所述为待跟踪目标构建朴素贝叶斯分类器H作为目标分类器，并初始化目标分类器包括设置目标分类器初始值和更新目标分类器。
所述输入新视频帧并确定跟踪结果具体包括：
粗略确定：根据上一视频帧跟踪结果得到一组网格点，并以该组网格点为中心得到一组候选目标，然后得到每个候选目标的压缩测量向量，根据所述目标分类器得到每个候选目标的可信度，可信度最高的候选目标即为当前帧的粗略跟踪结果；
准确确定：根据所述粗略跟踪结果矩形区域得到一组网格点，并以该组网格点为中心可以得到一组候选目标，然后得到所述每个候选目标的压缩测量向量，根据所述目标分类器得到每个候选目标的可信度，可信度最高的候选目标即为当前帧的准确跟踪结果。
所述根据所述跟踪结果更新目标分类器的方法为：根据当前帧的跟踪结果，采用初始化目标分类器过程中更新目标分类器的方法对目标分类器进行更新。
所述根据是否有后续视频帧判别跟踪是否继续的判别方法为：
如果仍有后续视频帧，则重新确定跟踪结果；
如果没有后续视频帧，则跟踪结束。
本发明的有益效果：
本发明提出了一种基于自适应测量矩阵目标跟踪方法，该方法依据被跟踪目标的尺寸构造自适应测量矩阵，对被跟踪目标高维的Haar-like特征进行了有效降维，不仅促进了视频目标跟踪的处理速度，同时在重度光照改变和姿势变化、视角旋转和突然运动、背景混乱、相似目标干扰等多种复杂场景下都能保持准确的跟踪效果。
附图说明
图1为一种基于自适应测量矩阵的视频目标跟踪方法流程图。
图2为Haar-like特征常用的三种特征模板。
具体实施方式
下文将结合附图详细描述本发明的实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，他们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。
如图1所示，一种基于自适应测量矩阵的视频目标跟踪方法，步骤包括：
选定跟踪区域；
根据所述选定跟踪区域构建压缩感知采样所需的自适应测量矩阵；
计算与所述自适应测量矩阵中所有非零元素对应的参数；
为待跟踪目标构建朴素贝叶斯分类器H作为目标分类器，并初始化目标分类器；
输入新视频帧并依据所述目标分类器对候选目标的压缩测量向量进行评价进而确定跟踪结果；
根据所述跟踪结果更新目标分类器；
根据是否有后续视频帧判别跟踪是否继续。
所述选定跟踪区域的步骤具体包括：
设定视频帧左上角为坐标原点；
选定视频帧序列第一帧中待跟踪目标并通过矩形区域标识所述待跟踪目标。
所述根据选定跟踪区域构建压缩感知采样所需的自适应测量矩阵具体包括：
首先根据下述公式计算出测量矩阵的列数：
其中，n是Haar-like特征向量的维数，W×H是被跟踪目标矩形区域的尺寸，W×h是构建Haar-like特征的矩形特征尺寸，和分别是水平方向和垂直方向上最大的尺度系数；
其次根据下述公式计算出测量矩阵的行数：
其中n为所述测量矩阵的列数，K为Haar-like特征向量的稀疏程度，c为依赖于具体信号的小数值常量且取c＝1/lnn；
最后依据稀疏程度为c＝n/lnn的稀疏随机高斯矩阵计算所述测量矩阵的元素，所述测量矩阵(i，j)位置的元素R(i，j)＝rij可以表示为：
所述测量矩阵是稀疏的，每行元素中非零元素的个数为个，整个测量矩阵非零元素的个数为个，其余元素皆为零，所述测量矩阵的行数、列数、稀疏程度都随着待跟踪目标矩形区域的尺寸自适应地变化。
所述计算与所述自适应测量矩阵中所有非零元素对应的参数包括：Haar-like矩形特征的特征模板、水平尺度系数、垂直尺度系数和外接矩形区域。
所述为待跟踪目标构建朴素贝叶斯分类器H作为目标分类器，并初始化目标分类器包括设置目标分类器初始值和更新目标分类器。
所述输入新视频帧并确定跟踪结果具体包括：
粗略确定：根据上一视频帧跟踪结果得到一组网格点，并以该组网格点为中心得到一组候选目标，然后得到每个候选目标的压缩测量向量，根据所述目标分类器得到每个候选目标的可信度，可信度最高的候选目标即为当前帧的粗略跟踪结果；
准确确定：根据所述粗略跟踪结果矩形区域得到一组网格点，并以该组网格点为中心可以得到一组候选目标，然后得到所述每个候选目标的压缩测量向量，根据所述目标分类器得到每个候选目标的可信度，可信度最高的候选目标即为当前帧的准确跟踪结果。
所述根据所述跟踪结果更新目标分类器的方法为：根据当前帧的跟踪结果，采用初始化目标分类器过程中更新目标分类器的方法对目标分类器进行更新。
所述根据是否有后续视频帧判别跟踪是否继续的判别方法为：
如果仍有后续视频帧，则重新确定跟踪结果；
如果没有后续视频帧，则跟踪结束。
本发明提出了一种基于自适应测量矩阵的视频目标跟踪方法。该方法基于自适应测量矩阵对传统高维Haar-like特征向量进行压缩采样得到低维测量向量，采用朴素贝叶斯分类器对低维测量向量进行评价，进而判别目标跟踪结果。其中，自适应测量矩阵是稀疏程度为s＝n/lnn稀疏随机高斯测量矩阵，其行数、列数、稀疏程度随着待跟踪目标尺寸的不同自适应变化。该方法详细的实现步骤如下：
步骤1.选取一个视频并在第一帧选取区域(225，135，60，70)，其中该区域左上角坐标为(225，135)，大小为60×70。
步骤2.依据所述选定跟踪区域构建压缩感知采样所需的自适应测量矩阵。
首先根据下述公式计算出测量矩阵的列数。
其中，w＝1，h＝2，W＝60，H＝70，计算出测量矩阵的列数为n＝2241750。
接着根据下述公式计算出测量矩阵的行数，
计算出的测量矩阵的行数为
最后根据下述公式生成测量矩阵的所有非零元素。
生成的测量矩阵维数为9×2241750，9行中每行包含个非零元素，其余元素都为零。
步骤3.计算与所述自适应测量矩阵非零元素对应的参数。
对于测量矩阵R中第一行第一个非零元素为0.0018，对图2中14种特征模板进行编号0～13，从[0，13]随机选取一种特征模板编号作为0.0018对应的特征模板，从[0，60]范围内随机选取一个整数作为0.0018对应的水平尺度系数，从[0，35]范围内随机选取一个整数作为0.0018对应的垂直尺度系数，该矩形特征对应的外接矩形区域作为0.0018对应的外接矩形区域。同理，可以生成测量矩阵R中其它每个非零元素对应的特征模板、水平尺度系数、垂直尺度系数、以及外接矩形区域。
步骤4.为待跟踪目标构建朴素贝叶斯分类器H作为目标分类器，并初始化目标分类器。
按照如下公式构建目标分类器H：
初始化目标分类器H，包括设置目标分类器初始值和更新目标分类器。
设置目标分类器初始值的方法如下：
p(y＝1)＝p(y=1)＝0.5。
p(vi|y＝1)和p(vi|y＝0)符合四个参数的高斯分布，如下公式所示:
其中，对于i＝1～m的情况，高斯分布参数的初始值皆为
更新目标分类器的具体方法为根据待跟踪目标区域周围采集的正样本和负样本的压缩测量向量对高斯分布的四个参数进行更新。详细的更新方法如下：
对于正样本而言，以(225，135，60，70)作为基准区域，大小为60×70、与(255,170)距离在α＝4范围内随机选择q1＝45个矩形区域作为目标正样本。按照下述公式可以生成所有正样本的压缩测量向量。
以第一个正样本为例，首先计算测量矩阵中第一行第一个非零元素对应的Haar-like矩形特征，计算该非零元素与Haar-like矩形特征值的乘积，接着按照同样的道理可以计算出测量矩阵第一行上其余14个非零元素与对应Haar-like矩形特征的乘积，进而将15个乘积值相加可以得到第一个正样本的第一个压缩测量向量的元素v1。按照同样的道理可以得到第一个正样本对应的其余8个压缩测量向量的元素v2到v9。这9个元素构成了第一个正样本对应的压缩测量向量。再按照相同的方法，可以依次得到所有45个正样本分别对应的压缩测量向量。
将45个正样本压缩测量向量的第一个元素按照下述公式计算可以得到第一个元素符合高斯分布的对应参数μ1和δ1:
按照下述公式对目标分类器中和进行更新，其中λ＝0.85。
按照同样的方法可以对目标分类器中到到进行更新。
对于负样本而言，以(225，135，60，70)作为基准区域，大小为60×70、与(255,170)距离在β＝8～30范围内随机选择q0＝50个矩形区域作为目标负样本。按照计算正样本压缩测量向量的方法可以生成50个负样本对应的压缩测量向量。
将50个负样本压缩测量向量的第一个元素按照下述公式计算可以得到第一个元素符合高斯分布的对应参数μ0和δ0。
按照下述公式对目标分类器中和进行更新，其中λ＝0.85。
按照同样的方法可以对目标分类器中到到进行更新。
步骤5.输入新视频帧并确定跟踪结果。
输入新的视频帧，以上一帧待跟踪目标矩形区域或最佳候选目标矩形区域的中心点为圆心，γc＝25为搜索半径，Δc＝4为搜索步长，得到一组网格点。以60×70为大小，以该组网格点为中心可以得到一组候选目标区域。按照获取一个正样本压缩测量向量的方法，计算每一个候选目标区域对应的压缩测量向量。
依据目标分类器计算每一个候选目标区域的可信度H(v)，可信度最高的候选目标即为粗略跟踪结果。
以粗略跟踪结果矩形区域的中心点为圆心，γf＝10为搜索半径，Δf＝1为搜索步长，也可以得到一组网格点。以60×70为大小，以该组网格点为中心可以得到一组候选目标。按照获取一个正样本压缩测量向量的方法，计算每一个候选目标区域对应的压缩测量向量。按照同样的道理依据目标分类器可以得到可信度H(v)最高的候选目标区域，作为当前帧的最佳候选目标矩形区域，即为当前帧的跟踪结果。
步骤6.根据所述跟踪结果更新目标分类器。
以当前帧的最佳候选目标矩形区域作为基准区域，按照初始化目标分类器过程中更新目标分类器的方法对当前的目标分类器进行更新。
步骤7.根据是否有后续视频帧判别跟踪是否继续
由于实施例视频帧仅有365帧，当前视频帧序号小于365，则转至步骤5，否则跟踪结束。
本发明提出了一种基于自适应测量矩阵目标跟踪方法，该方法依据被跟踪目标的尺寸构造自适应测量矩阵，对被跟踪目标高维的Haar-like特征进行了有效降维，不仅促进了视频目标跟踪的处理速度，同时在重度光照改变和姿势变化、视角旋转和突然运动、背景混乱、相似目标干扰等多种复杂场景下都能保持准确的跟踪效果。
本文虽然已经给出了本发明的一些实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (6)

1.一种基于自适应测量矩阵的视频目标跟踪方法，步骤包括：
选定跟踪区域；
根据所述选定跟踪区域构建压缩感知采样所需的自适应测量矩阵；
计算与所述自适应测量矩阵中所有非零元素对应的参数；
为待跟踪目标构建朴素贝叶斯分类器H作为目标分类器，并初始化目标分类器；
输入新视频帧并依据所述目标分类器对候选目标的压缩测量向量进行评价进而确定跟踪结果；
根据所述跟踪结果更新目标分类器；
根据是否有后续视频帧判别跟踪是否继续；
所述选定跟踪区域的步骤具体包括：
设定视频帧左上角为坐标原点；
选定视频帧序列第一帧中待跟踪目标并通过矩形区域标识所述待跟踪目标；
所述根据选定跟踪区域构建压缩感知采样所需的自适应测量矩阵具体包括：
首先根据下述公式计算出测量矩阵的列数：
n = X Y ( W + 1 - w X + 1 2 ) ( H + 1 - h Y + 1 2 )
其中，n是Haar-like特征向量的维数，W×H是被跟踪目标矩形区域的尺寸，w×h是构建Haar-like特征的矩形特征尺寸，和分别是水平方向和垂直方向上最大的尺度系数；
其次根据下述公式计算出测量矩阵的行数：
其中n为所述测量矩阵的列数，K为Haar-like特征向量的稀疏程度，c为依赖于具体信号的小数值常量且取c＝1/lnn；
最后依据稀疏程度为s＝n/lnn的稀疏随机高斯矩阵计算所述测量矩阵的元素，所述测量矩阵(i,j)位置的元素R(i,j)＝rij可以表示为：
所述测量矩阵是稀疏的，每行元素中非零元素的个数为个，整个测量矩阵非零元素的个数为个，其余元素皆为零，所述测量矩阵的行数、列数、稀疏程度都随着待跟踪目标矩形区域的尺寸自适应地变化。
2.如权利要求1所述一种基于自适应测量矩阵的视频目标跟踪方法，其特征在于，所述计算与所述自适应测量矩阵中所有非零元素对应的参数包括：Haar-like矩形特征的特征模板、水平尺度系数、垂直尺度系数和外接矩形区域。
3.如权利要求1所述一种基于自适应测量矩阵的视频目标跟踪方法，其特征在于，所述为待跟踪目标构建的朴素贝叶斯分类器H作为目标分类器，并初始化目标分类器包括设置目标分类器初始值和更新目标分类器。
4.如权利要求1所述一种基于自适应测量矩阵的视频目标跟踪方法，其特征在于，所述输入新视频帧并确定跟踪结果具体包括：
粗略确定：根据上一视频帧跟踪结果得到一组网格点，并以该组网格点为中心得到一组候选目标，然后得到每个候选目标的压缩测量向量，根据所述目标分类器得到每个候选目标的可信度，可信度最高的候选目标即为当前帧的粗略跟踪结果；
准确确定：根据所述粗略跟踪结果矩形区域得到一组网格点，并以该组网格点为中心可以得到一组候选目标，然后得到所述每个候选目标的压缩测量向量，根据所述目标分类器得到每个候选目标的可信度，可信度最高的候选目标即为当前帧的准确跟踪结果。
5.如权利要求1所述一种基于自适应测量矩阵的视频目标跟踪方法，其特征在于，所述根据所述跟踪结果更新目标分类器的方法为：根据当前帧的跟踪结果，采用初始化目标分类器过程中更新目标分类器的方法对目标分类器进行更新。
6.如权利要求1所述一种基于自适应测量矩阵的视频目标跟踪方法，其特征在于，所述根据是否有后续视频帧判别跟踪是否继续的判别方法为：
如果仍有后续视频帧，则重新确定跟踪结果；
如果没有后续视频帧，则跟踪结束。
CN201410544953.4A 2014-10-15 2014-10-15 一种基于自适应测量矩阵的视频目标跟踪方法 Expired - Fee Related CN104299247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410544953.4A CN104299247B (zh) 2014-10-15 2014-10-15 一种基于自适应测量矩阵的视频目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410544953.4A CN104299247B (zh) 2014-10-15 2014-10-15 一种基于自适应测量矩阵的视频目标跟踪方法

Publications (2)

Publication Number Publication Date
CN104299247A CN104299247A (zh) 2015-01-21
CN104299247B true CN104299247B (zh) 2017-06-06

Family

ID=52318969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410544953.4A Expired - Fee Related CN104299247B (zh) 2014-10-15 2014-10-15 一种基于自适应测量矩阵的视频目标跟踪方法

Country Status (1)

Country Link
CN (1) CN104299247B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104952082A (zh) * 2015-05-15 2015-09-30 江南大学 一种类三步搜索策略的快速压缩跟踪方法
CN106408591B (zh) * 2016-09-09 2019-04-05 南京航空航天大学 一种抗遮挡的目标跟踪方法
CN106780568B (zh) * 2016-12-20 2019-08-13 云南大学 一种基于压缩不规则分块lbp的视频目标跟踪方法
CN106846363A (zh) * 2016-12-29 2017-06-13 西安电子科技大学 一种改进稀疏矩阵的尺度自适应性压缩跟踪方法
CN107609565B (zh) * 2017-09-21 2020-08-11 哈尔滨工业大学 一种基于图像全局特征主成分线性回归的室内视觉定位方法
CN107886525A (zh) * 2017-11-28 2018-04-06 南京莱斯信息技术股份有限公司 一种冗余数据数据字典压缩感知视频目标跟踪方法
CN107977982B (zh) * 2017-11-30 2021-11-02 云南大学 一种基于压缩正则化块差分的视频目标跟踪方法
CN108171727B (zh) * 2017-12-05 2023-04-07 温州大学 基于子区域的自适应随机投影视觉跟踪方法
CN108171729A (zh) * 2017-12-05 2018-06-15 温州大学 基于子区域的自适应随机投影视觉跟踪实验方法
CN108596949B (zh) * 2018-03-23 2020-06-12 云南大学 视频目标跟踪状态分析方法、装置和实现装置
CN109993775B (zh) * 2019-04-01 2023-03-21 云南大学 基于特征补偿的单目标跟踪方法
CN111008990A (zh) * 2019-12-12 2020-04-14 大连理工大学 一种基于网格的目标轨迹跟踪和恢复的方法
CN113010525B (zh) * 2021-04-01 2023-08-01 东北大学 一种基于pid的海洋时空大数据并行knn查询处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004347332A (ja) * 2003-05-20 2004-12-09 Nippon Telegr & Teleph Corp <Ntt> カメラ運動・物体形状の復元装置、復元方法、この方法のプログラムおよびこのプログラムを記録した記録媒体
JP2010267195A (ja) * 2009-05-18 2010-11-25 Nippon Telegr & Teleph Corp <Ntt> カメラ運動・物体形状復元方法、カメラ運動・物体形状復元装置、カメラ運動・物体形状復元プログラム及びこのプログラムを記録した記録媒体
CN103679754A (zh) * 2013-12-20 2014-03-26 河北汉光重工有限责任公司 一种实时目标搜索与跟踪技术
CN103870839A (zh) * 2014-03-06 2014-06-18 江南大学 视频目标在线多特征跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004347332A (ja) * 2003-05-20 2004-12-09 Nippon Telegr & Teleph Corp <Ntt> カメラ運動・物体形状の復元装置、復元方法、この方法のプログラムおよびこのプログラムを記録した記録媒体
JP2010267195A (ja) * 2009-05-18 2010-11-25 Nippon Telegr & Teleph Corp <Ntt> カメラ運動・物体形状復元方法、カメラ運動・物体形状復元装置、カメラ運動・物体形状復元プログラム及びこのプログラムを記録した記録媒体
CN103679754A (zh) * 2013-12-20 2014-03-26 河北汉光重工有限责任公司 一种实时目标搜索与跟踪技术
CN103870839A (zh) * 2014-03-06 2014-06-18 江南大学 视频目标在线多特征跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Real-time Compressive Tracking;Kaihua Zhang et al.;《European Conference on Computer Vision 2012》;20121013;第867-870页第2.2- 3.3节，图-2 *

Also Published As

Publication number Publication date
CN104299247A (zh) 2015-01-21

Similar Documents

Publication Publication Date Title
CN104299247B (zh) 一种基于自适应测量矩阵的视频目标跟踪方法
Xiong et al. Visual positioning technology of picking robots for dynamic litchi clusters with disturbance
CN106204638B (zh) 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法
Chebotar et al. Learning robot tactile sensing for object manipulation
CN104715493B (zh) 一种运动人体姿态估计的方法
CN107292234B (zh) 一种基于信息边缘和多模态特征的室内场景布局估计方法
CN104268598B (zh) 一种基于二维扫描激光的人腿检测方法
CN108256394A (zh) 一种基于轮廓梯度的目标跟踪方法
CN108038846A (zh) 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN110119687A (zh) 基于图像处理和卷积神经网络相结合的道路表面裂痕缺陷的检测方法
CN104657717B (zh) 一种基于分层核稀疏表示的行人检测方法
CN110298865B (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
CN106023257A (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN104537689B (zh) 基于局部对比显著性联合特征的目标跟踪方法
CN106257488B (zh) 一种基于邻域特征空间鉴别分析的雷达目标识别方法
CN104182985A (zh) 遥感图像变化检测方法
CN104484890A (zh) 基于复合稀疏模型的视频目标跟踪方法
CN106780568B (zh) 一种基于压缩不规则分块lbp的视频目标跟踪方法
CN106056135B (zh) 一种基于压缩感知的人体动作分类方法
CN104850844A (zh) 一种基于快速构建图像特征金字塔的行人检测方法
CN103996029A (zh) 表情相似度度量方法及装置
CN104050660A (zh) 一种测量工件圆形边缘的方法
CN109632825A (zh) 一种钢卷表面异常突起的自动检测方法
CN106529548A (zh) 亚像素级的多尺度Harris角点检测算法
Bierbaum et al. Robust shape recovery for sparse contact location and normal data from haptic exploration

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
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: 20170606

Termination date: 20181015