CN105139420A - 一种基于粒子滤波和感知哈希的视频目标跟踪方法 - Google Patents
一种基于粒子滤波和感知哈希的视频目标跟踪方法 Download PDFInfo
- Publication number
- CN105139420A CN105139420A CN201510481662.XA CN201510481662A CN105139420A CN 105139420 A CN105139420 A CN 105139420A CN 201510481662 A CN201510481662 A CN 201510481662A CN 105139420 A CN105139420 A CN 105139420A
- Authority
- CN
- China
- Prior art keywords
- particle
- target
- weight
- perception hash
- prediction
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于粒子滤波和感知哈希的视频目标跟踪方法,包括以下步骤:1)在原始图像中选定待跟踪目标作为目标区域,提取目标区域的感知哈希特征作为模板特征,并对权重粒子集进行初始化定位;2)对权重粒子集进行状态坐标预测,标注预测区域;3)对每一个预测粒子区域提取感知哈希特征,并计算预测粒子区域与目标区域的相似度;4)根据离目标远近的位置贡献以及感知哈希特征相似度大小更新粒子权重,采用最小方差估计得到新的目标区域;5)根据权重大小和重采样估计值得到下一帧的权重粒子集,重复步骤2)~步骤4)直至所有视频序列结束。本发明计算效率高,能够在光照变化剧烈和目标尺度发生变化的情况下实现快速有效的跟踪。
Description
技术领域
本发明涉及一种基于粒子滤波和感知哈希的视频目标跟踪方法。
背景技术
视频目标跟踪是计算机视觉领域中的核心内容之一,它是对视频帧序列中的运动目标进行特征检测、识别和跟踪的过程,在获得运动目标的运动特征以后,通过进一步的分析处理,达到对运动目标的轨迹等参数的描述。运动目标跟踪在技术上涉及视频处理、模式识别以及人工智能等多个领域。且在很多方面都具有广泛的应用,例如公共场景监控、智能交通、医学气象、机器人视觉导航、军事视觉制导等。但由于受到光照变化、实时性等诸多因素的影响,如何实现有效的目标跟踪,提高目标跟踪的准确性和稳定性,是视频目标跟踪领域的一大难题。因此,研究实时性好、稳定性高的视频目标跟踪算法具有极其重要的意义。
粒子滤波是基于蒙特卡洛仿真的近似贝叶斯滤波算法,其主要思想是通过重要性函数产生带权重的离散随机采样粒子来近似系统随机变量的后验概率分布,可以适用于任何分布的状态估计问题。但当目标所处环境受到强烈的光照变化或者在目标尺度发生变化时,传统的粒子滤波算法中新出现的目标特征与模板特征无法吻合,从而不能有效的跟踪到运动目标。
发明内容
本发明为了解决上述问题,提出了一种基于粒子滤波和感知哈希的视频目标跟踪方法,本方法在光照变化剧烈和目标尺度发生变化时依然能够有效跟踪到运动目标。
为了实现上述目的,本发明采用如下技术方案:
一种基于粒子滤波和感知哈希的视频目标跟踪方法,包括以下步骤:
(1)在原始图像中选定待跟踪目标作为目标区域,提取目标区域的感知哈希特征作为模板特征,并对权重粒子集进行初始化定位;
(2)对权重粒子集进行状态坐标预测,对预测的粒子位置处标注预测区域;
(3)对每一个预测粒子区域提取感知哈希特征,并计算预测粒子区域与目标区域的相似度;
(4)根据离目标远近的位置贡献以及感知哈希特征相似度大小更新粒子权重,确定估计目标的位置,得到新的目标区域;
(5)根据权重大小和重采样估计值得到下一帧的权重粒子集,重复步骤(2)~步骤(4)直至所有视频序列结束。
所述步骤(1)中,计算目标区域的感知哈希特征,感知哈希算法的具体方法包括:
(1-1)将所在帧图像转换成灰度图像,将选定的待跟踪目标缩小到32*32的正方形;
(1-2)计算待跟踪目标的DCT变换,得到32*32的DCT系数矩阵,最终仅保留系数矩阵左上角的8*8系数矩阵,待跟踪目标的能量基本全部集中在此8*8大小的低频系数矩阵上;
(1-3)计算DCT系数平均值,每个DCT系数与此平均值进行比较,大于均值的记为1,小于均值的记为0;
(1-4)将上一步比较结果按矩阵形式构造成64位感知哈希指纹,此64位感知哈希指纹即是待跟踪目标的感知哈希特征。
所述步骤(1-2)中,其中DCT变换公式为:
F=AfAT
在本发明中i=0,1,2…,31;j=0,1,2…,31;N=32。
所述步骤(1)中,在待跟踪目标附近按照标准正态分布进行权重粒子的初始化定位,初始化粒子样本的个数为N,每个粒子权重为1/N。
所述步骤(2)的具体方法为:按照标准正态分布对权重粒子集进行状态坐标预测,同时对预测的粒子位置处画出同截取跟踪目标矩形框等长等宽的矩形框预测区域;
其中状态坐标预测公式为:
X(k|k-1)=X(k-1|k-1)+U(k)
U(k)~N(0,1)
上式中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果(或者是待跟踪目标的初始化状态),U(k)为现在状态的控制量并服从标准正态分布。
所述步骤(3)中,计算预测粒子区域与目标区域的相似度方法如下:
计算预测粒子区域感知哈希指纹与目标区域感知哈希指纹的汉明距离,即计算两者哈希指纹中相同位置不同位的个数。
所述步骤(4)中,包括:
(4-1)得到每个预测粒子区域与目标区域的相似度后,结合离目标远近的位置贡献更新粒子的权重;
(4-2)更新完成预测粒子的权重后,计算出在当前帧图像中跟踪目标的最优预测位置作为估计目标的位置,即为新的目标区域。
所述步骤(4-1)中,更新权重方法为:为减少非目标位置的粒子权重,根据离目标远近的位置贡献以及计算的感知哈希相似度大小两种线索共同实现自适应的调整粒子权重:
其中,是指t时刻第i个粒子的粒子权重,是指t时刻第i个粒子的相似度,xt i是指t时刻第i个粒子的坐标位置横坐标,yt i是指t时刻第i个粒子的坐标位置纵坐标,W、H是指目标区域的半宽高;
其中wnorm i是指t时刻第i个粒子的归一化权重。
所述步骤(4-2)中,利用最小方差估计确定估计目标的位置,具体方法包括:最小方差估计确定估计目标位置的计算公式如下:
其中xnew是指新的目标位置横坐标;
其中ynew是指新的目标位置纵坐标。
所述步骤(5)中,包括:得到当前帧图像中估计目标的位置后,需要增加权重大的粒子数,抛弃权重小的粒子,更新得到下一帧的权重粒子集,为防止多次迭代后出现权值退化现象,采用粒子重抽样法来解决权值退化问题,该方法为:
首先计算目标的重采样估计值:
指t时刻第i个粒子的权重,由上式判断是否重采样当前跟踪目标权重粒子集,设置阀值NT,当时,需要重采样权重粒子集,则在规定区域内采用随机算法重新生成新的粒子。
本发明的有益效果为:
(1)本视频目标跟踪方法采用感知哈希来描述跟踪目标特征,目标尺度的变化不会引起感知哈希值的变化,因此对尺度变化具有很强的鲁棒性;为减少非目标位置的粒子权重,根据离目标远近的位置贡献以及计算的感知哈希相似度大小两种线索共同实现自适应的调整粒子权重,从而可以更有效的描述目标信息,提高了跟踪的稳定性;
(2)本视频目标跟踪方法对光照变化剧烈或对比度的改变具有很强的鲁棒性,在增加或减少亮度或对比度,甚至在改变颜色的情况下,本方法的感知哈希值都不会显著改变,能够避免伽马校正或颜色直方图被调整带来的影响,继而可以实现对目标持续,准确的跟踪;
(3)本视频目标跟踪方法可以去除目标特征向量中的冗余信息,对目标感知特征进行压缩生成简短感知哈希值和基于感知哈希值的匹配,大幅度提高了跟踪速度,可实现实时跟踪效果。
附图说明
图1是本发明方法的流程图。
图2是提取感知哈希特征的算法流程图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
本发明所述方法以粒子滤波为框架,采用感知哈希值描述跟踪目标的观测信息,根据离目标远近的位置贡献以及计算的感知哈希相似度大小两种线索更新粒子权重,最后通过最小方差估计确定估计目标的位置。具体流程如图1所示,包括如下步骤:
步骤1:在原始图像中选定待跟踪目标作为目标区域,提取目标区域的感知哈希特征作为模板特征,并对权重粒子集进行初始化定位;
人工选取待跟踪目标作为目标区域,计算目标区域的感知哈希特征,感知哈希算法流程图如2所示,包括:
1)将所在帧图像转换成灰度图像,将选定的待跟踪目标缩小到32*32的正方形;
2)计算待跟踪目标的DCT变换,得到32*32的DCT系数矩阵,最终仅保留系数矩阵左上角的8*8系数矩阵,待跟踪目标的能量基本全部集中在此8*8大小的低频系数矩阵上;
其中DCT变换公式为:
F=AfAT
在本发明中i=0,1,2…..31;j=0,1,2…..31;N=32。
3)计算DCT系数平均值,每个DCT系数与此平均值进行比较,大于均值的记为1,小于均值的记为0;
4)将上一步比较结果按矩阵形式构造成64位感知哈希指纹,此64位感知哈希指纹即是待跟踪目标的感知哈希特征。
在待跟踪目标附近按照标准正态分布进行权重粒子的初始化定位,本发明中初始化粒子样本的个数N取100,每个粒子权重为1/100;
步骤2:按照标准正态分布对权重粒子集进行状态坐标预测,同时对预测的粒子位置处画出同截取跟踪目标矩形框等长等宽的矩形框预测区域;
其中状态坐标预测公式为:
X(k|k-1)=X(k-1|k-1)+U(k)
U(k)~N(0,1)
上式中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果(或者是待跟踪目标的初始化状态),U(k)为现在状态的控制量并服从标准正态分布。
步骤3:对每一个预测粒子的矩形框区域内提取感知哈希特征,感知哈希算法流程如图2所示,并计算预测粒子区域与目标区域的相似度,计算相似度的方法如下:
计算预测粒子区域感知哈希指纹与目标区域感知哈希指纹的汉明距离,即计算两者哈希指纹中相同位置不同位的个数;
步骤4:得到每个预测粒子区域与目标区域的相似度后,结合离目标远近的位置贡献更新粒子的权重;更新权重方法如下:
为减少非目标位置的粒子权重,根据离目标远近的位置贡献以及计算的感知哈希相似度大小两种线索共同实现自适应的调整粒子权重:
其中是指t时刻第i个粒子的粒子权重,是指t时刻第i个粒子的相似度,xt i是指t时刻第i个粒子的坐标位置横坐标,yt i是指t时刻第i个粒子的坐标位置纵坐标,W、H是指目标区域的半宽高。
其中wnorm i是指t时刻第i个粒子的归一化权重;
更新完成预测粒子的权重后,计算出在当前帧图像中跟踪目标的最优预测位置作为估计目标的位置(即新的目标区域),本发明是经最小方差估计确定估计目标的位置;
最小方差估计确定估计目标位置的计算公式如下:
其中xnew是指新的目标位置横坐标;
其中ynew是指新的目标位置纵坐标;
步骤5:得到当前帧图像中估计目标的位置后,需要增加权重大的粒子数,抛弃权重小的粒子,更新得到下一帧的权重粒子集,为防止多次迭代后出现权值退化现象(即多次迭代后,除了一个粒子,其余粒子的权值都减小到可以忽略不计的程度,大量计算被浪费在许多无用的粒子上),采用粒子重抽样法来解决权值退化问题,该方法为:
首先计算目标的重采样估计值:
指t时刻第i个粒子的权重,由上式判断是否重采样当前跟踪目标权重粒子集,设置阀值NT,当时,需要重采样权重粒子集,则在规定区域内采用随机算法重新生成新的粒子,得到下一帧更新的权重粒子集后,循环步骤2~步骤4,直至所有视频序列结束。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:包括以下步骤:
(1)在原始图像中选定待跟踪目标作为目标区域,提取目标区域的感知哈希特征作为模板特征,并对权重粒子集进行初始化定位;
(2)对权重粒子集进行状态坐标预测,对预测的粒子位置处标注预测区域;
(3)对每一个预测粒子区域提取感知哈希特征,并计算预测粒子区域与目标区域的相似度;
(4)根据离目标远近的位置贡献以及感知哈希特征相似度大小更新粒子权重,确定估计目标的位置,得到新的目标区域;
(5)根据权重大小和重采样估计值得到下一帧的权重粒子集,重复步骤(2)~步骤(4)直至所有视频序列结束。
2.如权利要求1所述的一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:所述步骤(1)中,计算目标区域的感知哈希特征,感知哈希算法的具体方法包括:
(1-1)将所在帧图像转换成灰度图像,将选定的待跟踪目标缩小到32*32的正方形;
(1-2)计算待跟踪目标的DCT变换,得到32*32的DCT系数矩阵,最终仅保留系数矩阵左上角的8*8系数矩阵,待跟踪目标的能量基本全部集中在此8*8大小的低频系数矩阵上;
(1-3)计算DCT系数平均值,每个DCT系数与此平均值进行比较,大于均值的记为1,小于均值的记为0;
(1-4)将上一步比较结果按矩阵形式构造成64位感知哈希指纹,此64位感知哈希指纹即是待跟踪目标的感知哈希特征。
3.如权利要求2所述的一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:所述步骤(1-2)中,其中DCT变换公式为:
F=AfAT
其中,i=0,1,2…,31;j=0,1,2…,31;N=32。
4.如权利要求1所述的一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:所述步骤(1)中,在待跟踪目标附近按照标准正态分布进行权重粒子的初始化定位,初始化粒子样本的个数为N,每个粒子权重为1/N。
5.如权利要求1所述的一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:所述步骤(2)的具体方法为:按照标准正态分布对权重粒子集进行状态坐标预测,同时对预测的粒子位置处画出同截取跟踪目标矩形框等长等宽的矩形框预测区域;
其中状态坐标预测公式为:
X(k|k-1)=X(k-1|k-1)+U(k)
U(k)~N(0,1)
上式中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果(或者是待跟踪目标的初始化状态),U(k)为现在状态的控制量并服从标准正态分布。
6.如权利要求1所述的一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:所述步骤(3)中,计算预测粒子区域与目标区域的相似度方法如下:
计算预测粒子区域感知哈希指纹与目标区域感知哈希指纹的汉明距离,即计算两者哈希指纹中相同位置不同位的个数。
7.如权利要求1所述的一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:所述步骤(4)中,包括:
(4-1)得到每个预测粒子区域与目标区域的相似度后,结合离目标远近的位置贡献更新粒子的权重;
(4-2)更新完成预测粒子的权重后,计算出在当前帧图像中目标的最优预测位置作为估计目标的位置,即为新的目标区域。
8.如权利要求7所述的一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:所述步骤(4-1)中,更新权重方法为:为减少非目标位置的粒子权重,根据离目标远近的位置贡献以及计算的感知哈希相似度大小两种线索共同实现自适应的调整粒子权重:
其中,是指t时刻第i个粒子的粒子权重,是指t时刻第i个粒子的相似度,xt i是指t时刻第i个粒子的坐标位置横坐标,yt i是指t时刻第i个粒子的坐标位置纵坐标,W、H是指目标区域的半宽高;
其中wnorm i是指t时刻第i个粒子的归一化权重。
9.如权利要求7所述的一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:所述步骤(4-2)中,利用最小方差估计确定估计目标的位置,具体方法包括:最小方差估计确定估计目标位置的计算公式如下:
其中xnew是指新的目标位置横坐标;
其中ynew是指新的目标位置纵坐标。
10.如权利要求1所述的一种基于粒子滤波和感知哈希的视频目标跟踪方法,其特征是:所述步骤(5)中,得到当前帧图像中估计目标的位置后,需要增加权重大的粒子数,抛弃权重小的粒子,更新得到下一帧的权重粒子集,为防止多次迭代后出现权值退化现象,采用粒子重抽样法来解决权值退化问题,该方法为:
首先计算目标的重采样估计值:
指t时刻第i个粒子的权重,由上式判断是否重采样当前跟踪目标权重粒子集,设置阀值NT,当时,需要重采样权重粒子集,则在规定区域内采用随机算法重新生成新的粒子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481662.XA CN105139420B (zh) | 2015-08-03 | 2015-08-03 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481662.XA CN105139420B (zh) | 2015-08-03 | 2015-08-03 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139420A true CN105139420A (zh) | 2015-12-09 |
CN105139420B CN105139420B (zh) | 2017-08-29 |
Family
ID=54724752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510481662.XA Active CN105139420B (zh) | 2015-08-03 | 2015-08-03 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139420B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677024A (zh) * | 2015-12-31 | 2016-06-15 | 北京元心科技有限公司 | 一种眼动检测跟踪方法、装置及其用途 |
CN105718871A (zh) * | 2016-01-18 | 2016-06-29 | 成都索贝数码科技股份有限公司 | 一种基于统计的视频主持人识别方法 |
CN105844669A (zh) * | 2016-03-28 | 2016-08-10 | 华中科技大学 | 一种基于局部哈希特征的视频目标实时跟踪方法 |
CN105911518A (zh) * | 2016-03-31 | 2016-08-31 | 山东大学 | 机器人定位方法 |
CN106056632A (zh) * | 2016-06-07 | 2016-10-26 | 西北工业大学 | 基于动态重采样粒子滤波的雷达目标跟踪方法 |
CN107016693A (zh) * | 2017-01-16 | 2017-08-04 | 南京邮电大学 | 一种结合有效异常点检测的粒子滤波目标跟踪算法 |
CN107122722A (zh) * | 2017-04-19 | 2017-09-01 | 大连理工大学 | 一种基于多特征的自适应压缩跟踪算法 |
CN107248174A (zh) * | 2017-05-15 | 2017-10-13 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
CN107491742A (zh) * | 2017-07-28 | 2017-12-19 | 西安因诺航空科技有限公司 | 一种长时稳定的无人机目标跟踪方法 |
CN107657629A (zh) * | 2017-10-27 | 2018-02-02 | 广东工业大学 | 一种目标的跟踪方法和跟踪系统 |
CN107749068A (zh) * | 2017-09-20 | 2018-03-02 | 天津大学 | 粒子滤波与感知hash算法实现目标实时跟踪方法 |
CN108475072A (zh) * | 2017-04-28 | 2018-08-31 | 深圳市大疆创新科技有限公司 | 一种跟踪控制方法、装置及飞行器 |
CN109685114A (zh) * | 2018-11-29 | 2019-04-26 | 昆明理工大学 | 一种基于预筛选法和PHash的图像相似判定方法 |
CN112348853A (zh) * | 2020-11-04 | 2021-02-09 | 哈尔滨工业大学(威海) | 基于红外显著性特征融合的粒子滤波跟踪的方法 |
CN113520172A (zh) * | 2021-08-06 | 2021-10-22 | 广东福尔电子有限公司 | 一种耐压型电锅温度传感器侦测装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036526A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 一种基于自适应窗的灰度目标跟踪方法 |
CN104574446A (zh) * | 2015-02-03 | 2015-04-29 | 中国人民解放军国防科学技术大学 | 一种基于联合检测跟踪的视频行人提取方法 |
CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
CN104794736A (zh) * | 2015-04-09 | 2015-07-22 | 哈尔滨工程大学 | 一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法 |
-
2015
- 2015-08-03 CN CN201510481662.XA patent/CN105139420B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036526A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 一种基于自适应窗的灰度目标跟踪方法 |
CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
CN104574446A (zh) * | 2015-02-03 | 2015-04-29 | 中国人民解放军国防科学技术大学 | 一种基于联合检测跟踪的视频行人提取方法 |
CN104794736A (zh) * | 2015-04-09 | 2015-07-22 | 哈尔滨工程大学 | 一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法 |
Non-Patent Citations (3)
Title |
---|
BIN SUN ET AL.: "Multiple Objects Tracking and Identification Based on Sparse Representation in Surveillance Video", 《2015 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA BIG DATA》 * |
宦若虹 等: "动态背景下基于粒子滤波的运动目标跟踪方法", 《计算机应用与软件》 * |
张俊根: "粒子滤波及其在目标跟踪中的应用研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677024A (zh) * | 2015-12-31 | 2016-06-15 | 北京元心科技有限公司 | 一种眼动检测跟踪方法、装置及其用途 |
CN105677024B (zh) * | 2015-12-31 | 2018-05-29 | 北京元心科技有限公司 | 一种眼动检测跟踪方法、装置及其用途 |
CN105718871B (zh) * | 2016-01-18 | 2017-11-28 | 成都索贝数码科技股份有限公司 | 一种基于统计的视频主持人识别方法 |
CN105718871A (zh) * | 2016-01-18 | 2016-06-29 | 成都索贝数码科技股份有限公司 | 一种基于统计的视频主持人识别方法 |
CN105844669A (zh) * | 2016-03-28 | 2016-08-10 | 华中科技大学 | 一种基于局部哈希特征的视频目标实时跟踪方法 |
CN105844669B (zh) * | 2016-03-28 | 2018-11-13 | 华中科技大学 | 一种基于局部哈希特征的视频目标实时跟踪方法 |
CN105911518A (zh) * | 2016-03-31 | 2016-08-31 | 山东大学 | 机器人定位方法 |
CN106056632A (zh) * | 2016-06-07 | 2016-10-26 | 西北工业大学 | 基于动态重采样粒子滤波的雷达目标跟踪方法 |
CN107016693A (zh) * | 2017-01-16 | 2017-08-04 | 南京邮电大学 | 一种结合有效异常点检测的粒子滤波目标跟踪算法 |
CN107016693B (zh) * | 2017-01-16 | 2020-04-28 | 南京邮电大学 | 一种结合有效异常点检测的粒子滤波目标跟踪算法 |
CN107122722A (zh) * | 2017-04-19 | 2017-09-01 | 大连理工大学 | 一种基于多特征的自适应压缩跟踪算法 |
CN108475072A (zh) * | 2017-04-28 | 2018-08-31 | 深圳市大疆创新科技有限公司 | 一种跟踪控制方法、装置及飞行器 |
US11587355B2 (en) | 2017-04-28 | 2023-02-21 | SZ DJI Technology Co., Ltd. | Tracking control method, device, and aircraft |
CN107248174A (zh) * | 2017-05-15 | 2017-10-13 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
CN107491742A (zh) * | 2017-07-28 | 2017-12-19 | 西安因诺航空科技有限公司 | 一种长时稳定的无人机目标跟踪方法 |
CN107749068A (zh) * | 2017-09-20 | 2018-03-02 | 天津大学 | 粒子滤波与感知hash算法实现目标实时跟踪方法 |
CN107657629A (zh) * | 2017-10-27 | 2018-02-02 | 广东工业大学 | 一种目标的跟踪方法和跟踪系统 |
CN109685114B (zh) * | 2018-11-29 | 2022-04-15 | 昆明理工大学 | 一种基于预筛选法和PHash的图像相似判定方法 |
CN109685114A (zh) * | 2018-11-29 | 2019-04-26 | 昆明理工大学 | 一种基于预筛选法和PHash的图像相似判定方法 |
CN112348853A (zh) * | 2020-11-04 | 2021-02-09 | 哈尔滨工业大学(威海) | 基于红外显著性特征融合的粒子滤波跟踪的方法 |
CN113520172A (zh) * | 2021-08-06 | 2021-10-22 | 广东福尔电子有限公司 | 一种耐压型电锅温度传感器侦测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105139420B (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139420A (zh) | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 | |
Xu et al. | Inter/intra-category discriminative features for aerial image classification: A quality-aware selection model | |
Deguchi et al. | Object tracking by the mean-shift of regional color distribution combined with the particle-filter algorithms | |
CN102903121A (zh) | 基于运动目标跟踪的融合算法 | |
CN103400142B (zh) | 一种行人计数方法 | |
CN103456009B (zh) | 目标检测方法与装置、监控系统 | |
CN104050685A (zh) | 基于粒子滤波视觉注意力模型的运动目标检测方法 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
CN104683802A (zh) | 一种基于h.264/avc压缩域的运动目标跟踪的方法 | |
CN105913457A (zh) | 基于加强粒子群优化的粒子滤波目标跟踪方法 | |
CN111178261A (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
CN101923637A (zh) | 一种移动终端及其人脸检测方法和装置 | |
Kwon et al. | Visual tracking via particle filtering on the affine group | |
CN104537381A (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
Li et al. | Hypergraph association weakly supervised crowd counting | |
CN116681729B (zh) | 基于轨迹预测的抗遮挡多目标跟踪方法 | |
CN110570450B (zh) | 一种基于级联的上下文感知框架的目标跟踪方法 | |
NC et al. | HOG-PCA descriptor with optical flow based human detection and tracking | |
KR101982942B1 (ko) | 객체 추적 방법 및 이를 수행하는 장치들 | |
CN102663746B (zh) | 一种基于视频的背景检测方法 | |
CN107067411B (zh) | 一种结合密集特征的Mean-shift跟踪方法 | |
XiaoFan et al. | Introduce GIoU into RFB net to optimize object detection bounding box | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN104182990B (zh) | 一种实时序列图像运动目标区域获取方法 | |
Yong et al. | Research on 3D object detection method based on convolutional attention mechanism |
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 |