CN106408592A - 一种基于目标模板更新的目标跟踪方法 - Google Patents
一种基于目标模板更新的目标跟踪方法 Download PDFInfo
- Publication number
- CN106408592A CN106408592A CN201610814516.9A CN201610814516A CN106408592A CN 106408592 A CN106408592 A CN 106408592A CN 201610814516 A CN201610814516 A CN 201610814516A CN 106408592 A CN106408592 A CN 106408592A
- Authority
- CN
- China
- Prior art keywords
- template
- target
- storehouse
- tracking
- little lattice
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标模板更新的目标跟踪方法,基于特征融合下的粒子滤波原理,采用视频分块的多任务方式,并建立一个目标模板库,利用颜色和边缘特征将下一帧信息与目标模板库里的目标信息进行匹配筛选,并利用模板记忆准则对目标模板库进行更新,实现了对不同状态下的目标长期记忆的功能。本发明克服了现有视频目标跟踪技术存在的易受外界干扰条件的影响,能够准确定位目标,有效减少跟踪误差。
Description
技术领域
本发明属于计算机视觉技术领域,特别涉及了一种基于目标模板更新的目标跟踪方法。
背景技术
目标跟踪领域已经经历了非常久的研究历程,目标跟踪主要依靠计算机将人眼视觉图像转化为数字信息,通过不同的数学算法将信息归类、整合、筛选、运算等,如此便在不同视频帧中得到我们想要的信息。常用的目标跟踪算法包括均值漂移、卡尔曼滤波和粒子滤波。不同的算法采用的数学原理不同,但其本质都是通过数学运算将不同帧信息进行比对校验,得出我们想要的信息。
粒子滤波算法(PF)是一种基于蒙特卡罗方法和递推贝叶斯估计的统计预测方法,早期经典算法存在重采样过程计算量大和粒子退化等缺陷,为此展开了大量的研究。近年更关注如何合理选择目标视觉特征来提升PF目标跟踪的精度和鲁棒性。由于目标的颜色特征对物体姿态的改变和非刚体物体的变形不敏感在旋转和尺度变换上具有一定的鲁棒性但是当存在目标和背景颜色相似度较高时,往往会导致跟踪目标丢失。
国内外研究学者利用计算机建立视觉注意模型来模拟人类注意机制,并将视觉注意机制引入到目标检测、目标识别和运动目标跟踪过程中,使得目标处理过程能够更加接近于人类认知机制,提高算法的有效性。该研究方向有效的解决了通常热门算法在持久跟踪丢失目标信息的难题,已经成为模式识别领域的研究热点之一。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供一种基于目标模板更新的目标跟踪方法,克服现有的视频目标跟踪技术存在的易受外界干扰条件的影响,准确定位目标,有效减少跟踪误差。
为了实现上述技术目的,本发明的技术方案为:
一种基于目标模板更新的目标跟踪方法,包括以下步骤:
(1)将视频序列的每一帧图像根据目标在视频中的比例大小情况分成m行×n列个小格,将每个小格作为一个跟踪子任务;在第一帧图像中,手动选取目标,含有目标的所有小格构成任务集S;
(2)建立目标模板库,用于记录不同状态的目标信息;在初始化操作中,将步骤(1)得到的任务集S存入目标模板库中;
(3)从第二帧图像开始,对目标依次进行粗略跟踪和精细跟踪;
所述粗略跟踪的过程:对图像的所有跟踪子任务分别建立颜色观测模型和边缘形状信息模型,将颜色特征与边缘特征进行融合,融合结果直接与目标模板中的目标信息进行量化匹配,将匹配分数最高的跟踪子任务作为候选目标小格,最终得到所有候选目标小格构成的候选目标小格集S';
所述精确跟踪的过程:首先对候选目标小格用“边缘扩展法则”进行扩展一个单位,确保目标确实涵盖在选定的跟踪子任务里,然后将扩展后的区域看成一个整体,用粒子滤波法在该区域内进行滤波,计算出与目标模板相似度最大的粒子集合,从而得到该帧图像最后的目标信息;
(4)利用模板记忆机制,构建基于该机制的目标模板判定准则,从而判定是否更新目标模板:将前一帧图像的目标信息保存在目标模板库中,与当前帧图像进行多任务跟踪匹配,得到当前帧图像候选目标后,与目标模板进行模板记忆准则的判定,若判定结果没有超出预设的阈值,即表示目标状态未发生变化,则用当前帧图像的候选目标替换前一帧图像存放的目标模板,而目标模板库中的目标模板数量没有变化;若判定结果超出了预设的阈值,则将当前帧候选目标纳入目标模板库中,目标模板库中的目标模板数量增加了。
进一步地,步骤(3)中所述的颜色观测模型:
上式中,pc(z|xt)为各个目标小格的颜色特征,z表示整个视频帧区域,xt表示t时刻目标区域,d[*]为相似度函数,用于表示两变量间的相似关系,pc(xt)表示候选目标小格的概率分布,qc为目标模板的概率分布,为颜色特征高斯分布的方差。
进一步地,步骤(3)中所述的边缘形状信息模型:
上式中,qg为边缘特征,G(x,y)为Prewitt算法下任务小格边界图像信息的梯度值,δ[*]为狄拉克函数,是对边缘连续分布的近似表示,α(x,y)为横、竖位置分别为x、y的任务小格的边缘灰度值,ug为各个任务小格中心位置的灰度值。
进一步地,步骤(3)中所述将颜色特征与边缘特征进行融合的公式:
p(Z|X)=ωpc(Z|X)+(1-ω)qg(Z|X)
上式中,p(Z|X)为加权融合特征,pc(Z|X)为颜色特征,qg(Z|X)为边缘特性,ω为融合权值。
进一步地,步骤(4)的具体过程:
定义目标模板库:
其中,为第n帧目标模板库中第u个目标模板,为第n帧目标模板库中第u个目标模板的记忆显著度,NT为目标模板库T中的目标模板数;
定义如下目标模板更新代价函数:
其中,为第n帧目标模板,为第n+1帧的候选目标,代价函数值越小,表示目标模板和候选目标越相似;
设目标模板的更新阈值为th1,目标模板库的更新阈值为th2,初始跟踪时,初始跟踪时,建立目标模板库T,把第一帧目标模板放入目标模板库T,初始记忆显著度从第二帧开始计算模板更新代价函数判断目标模板是否更新,目标模板的更新判定准则如下:
若不满足目标模板更新条件,则需要通过确定目标当前运动状态,判断是否更新目标模板库T,目标模板库的更新判定准则如下:
目标模板库T更新后,对应更新的目标模板的记忆显著度为若目标模板库T不满足更新条件,即时,不更新目标模板库T,扩大每个粒子搜索范围,重新进行搜索、匹配、跟踪,直到搜索到目标或者超过设定的搜索阈值为止。
采用上述技术方案带来的有益效果:
本发明基于特征融合下的粒子滤波原理,采用视频分块的多任务方式,并建立一个目标模板库(Object Template Set,OTS),利用颜色和边缘特征将下一帧信息与OTS里的目标信息进行匹配筛选,并利用模板记忆准则对OTS进行更新,实现了对不同状态下的目标长期记忆的功能。本发明在目标大小发生变化、目标旋转、目标部分遮挡、背景信息融合和复杂场景情况下本文方法能否准确定位目标,有效减少跟踪误差。
附图说明
图1是本发明的方法流程图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
如图1所示,一种基于目标模板更新的目标跟踪方法,具体步骤如下:
步骤一:视频分块建立多任务数学模型。将视频根据目标在视频中的比例大小情况分成不同的行列数,分块越多跟踪精度越高但计算时间越久,反之亦然。经多次试验采用8×8为最佳分割算法。此后视每一个视频序列中的小格子Vij为一个跟踪子任务。在第一帧中手动选取目标,照此将有若干个含有目标的任务小格集S={Vij}。这些子任务贯穿于整个跟踪过程,因为多个任务同时进行,实现多线程跟踪方式,加快了目标位置的定位,减少因遮挡引起的信息丢失。
步骤二:建立目标模板库(OTS)。OTS的建立旨在提供一个记忆存储系统,方便不同帧之间的模板匹配,记录不同状态的目标信息。初试化操作中,手动选取需要跟踪的目标,将构成目标的任务小格一并存入OTS。后续跟踪过程中,所有子任务小格将一一与目标模板小块进行匹配筛选。
步骤三:粗略跟踪与精细跟踪。粗略跟踪从第二帧开始,视频中的所有子任务通过特征融合分别建立颜色观测模型:
上式中,pc(z|xt)为各个目标小格的颜色特征,z表示整个视频帧区域,xt表示t时刻目标区域,d[*]为相似度函数,用于表示两变量间的相似关系,pc(xt)表示候选目标小格的概率分布,qc为目标模板的概率分布,为颜色特征高斯分布的方差。
边缘形状信息模型:
上式中,qg为边缘特征,G(x,y)为Prewitt算法下任务小格边界图像信息的梯度值,δ[*]为狄拉克函数,是对边缘连续分布的近似表示,α(x,y)为横、竖位置分别为x、y的任务小格的边缘灰度值,ug为各个任务小格中心位置的灰度值。
分别计算出出颜色和边缘特征概率密度,然后通过下式融合两种特征:
p(Z|X)=ωpc(Z|X)+(1-ω)pg(Z|X)
上式中,p(Z|X)为加权融合特征,pc(Z|X)为颜色特征,qg(Z|X)为边缘特性,ω为融合权值。
将融合结果直接与OTS中的目标信息进行量化匹配,匹配分数最高的将视为候选目标小格V'ij。待所有候选目标小格集S'={Vij'}选出后,粗略跟踪过程完毕。
精细跟踪过程从候选目标小格确定完毕开始,先对选出的小格用“边缘扩展法则”进行扩展一个单位。这么做是确保目标确实涵盖在选定的子任务里,因为目标图像可能会部分遗漏在小格之外。其次,将扩展后的范围看成一个整体,用粒子滤波法在该区域内进行滤波,计算出与目标模板相似度最大的粒子集合。于是便得到该帧最后的目标信息。至此精细跟踪过程结束。
步骤四:基于模板记忆准则下的更新。这个过程受视觉记忆机制启发,将第一帧的目标信息直接保存在OTS中,作为第二帧的目标模板,与第二帧的多任务跟踪进行匹配。得到候选目标后与目标模板进行模板记忆准则的判定,通过计算机判定看是否属于“状态变化”了的目标。如果结果没有超出预设的阈值,那么将此帧的候选目标替换当前存放的目标模板,而模板库的数量没有增加;若超出了阈值,那么将此候选目标纳入OTS中,从而更新了模板库。此时先前存放的目标模板的记忆显著度下降,新的目标模板占用了其一半的记忆显著度。如此下去,在跟踪过程中,OTS里的不同状态目标信息逐渐增多,可匹配的目标模板也随之增多。在之后的过程中跟踪将会变得更加准确,即使目标状态生了变化或者被遮挡也会被长期锁定。更新步骤的数学表示如下:
目标模板库定义如下:
其中,为第n帧目标模板库中第u个目标模板,为第n帧目标模板库中第u个目标模板的记忆显著度,NT为目标模板库T中的目标模板数。是对目标学习的结果,用目标模板库T模拟人类视觉记忆库,将新的学习结果保存到T中,对已记忆的历史信息用表示记忆显著度,在对目标跟踪的图像序列中,将根据目标运动状态动态更新目标模板库模板库。
巴氏系数可以用来衡量目标模板与候选模板的相似性,但在目标内部区域巴氏系数存在大量的峰值,无法适应目标尺度变化,为了实现目标模板稳定更新,本发明提出了一种目标模板更新代价函数:
其中,为第n帧目标模板,为第n+1帧的候选目标,代价函数值越小,表示目标模板和候选目标越相似;
设目标模板的更新阈值为th1,目标模板库的更新阈值为th2,初始跟踪时,初始跟踪时,建立目标模板库T,把第一帧目标模板放入目标模板库T,初始记忆显著度从第二帧开始计算模板更新代价函数判断目标模板是否更新,目标模板的更新准则如下:
若不满足目标模板更新条件,则需要通过确定目标当前运动状态,判断是否更新目标模板库T,目标模板库的更新准则如下:
目标模板库T更新后,对应更新的目标模板的记忆显著度为若目标模板库T不满足更新条件,即时,不更新目标模板库T,扩大每个粒子搜索范围,重新进行搜索、匹配、跟踪,直到搜索到目标或者超过设定的搜索阈值为止。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种基于目标模板更新的目标跟踪方法,其特征在于,包括以下步骤:
(1)将视频序列的每一帧图像根据目标在视频中的比例大小情况分成m行×n列个小格,将每个小格作为一个跟踪子任务;在第一帧图像中,手动选取目标,含有目标的所有小格构成任务集S;
(2)建立目标模板库,用于记录不同状态的目标信息;在初始化操作中,将步骤(1)得到的任务集S存入目标模板库中;
(3)从第二帧图像开始,对目标依次进行粗略跟踪和精细跟踪;
所述粗略跟踪的过程:对图像的所有跟踪子任务分别建立颜色观测模型和边缘形状信息模型,将颜色特征与边缘特征进行融合,融合结果直接与目标模板中的目标信息进行量化匹配,将匹配分数最高的跟踪子任务作为候选目标小格,最终得到所有候选目标小格构成的候选目标小格集S';
所述精细跟踪的过程:首先对候选目标小格用“边缘扩展法则”进行扩展一个单位,确保目标确实涵盖在选定的跟踪子任务里,然后将扩展后的区域看成一个整体,用粒子滤波法在该区域内进行滤波,计算出与目标模板相似度最大的粒子集合,从而得到该帧图像最后的目标信息;
(4)利用模板记忆机制,构建基于该机制的目标模板判定准则,从而判定是否更新目标模板:将前一帧图像的目标信息保存在目标模板库中,与当前帧图像进行多任务跟踪匹配,得到当前帧图像候选目标后,与目标模板进行模板记忆准则的判定,若判定结果没有超出预设的阈值,即表示目标状态未发生变化,则用当前帧图像的候选目标替换前一帧图像存放的目标模板,而目标模板库中的目标模板数量没有变化;若判定结果超出了预设的阈值,则将当前帧候选目标纳入目标模板库中,目标模板库中的目标模板数量增加了。
2.根据权利要求1所述一种基于目标模板更新的目标跟踪方法,其特征在于,步骤(3)中所述的颜色观测模型:
上式中,pc(z|xt)为各个目标小格的颜色特征,z表示整个视频帧区域,xt表示t时刻目标区域,d[*]为相似度函数,用于表示两变量间的相似关系,pc(xt)表示候选目标小格的概率分布,qc为目标模板的概率分布,为颜色特征高斯分布的方差。
3.根据权利要求1所述一种基于目标模板更新的目标跟踪方法,其特征在于,步骤(3)中所述的边缘形状信息模型:
上式中,qg为边缘特征,G(x,y)为Prewitt算法下任务小格边界图像信息的梯度值,δ[*]为狄拉克函数,是对边缘连续分布的近似表示,α(x,y)为横、竖位置分别为x、y的任务小格的边缘灰度值,ug为各个任务小格中心位置的灰度值。
4.根据权利要求1所述一种基于目标模板更新的目标跟踪方法,其特征在于,步骤(3)中所述将颜色特征与边缘特征进行融合的公式:
p(Z|X)=ωpc(Z|X)+(1-ω)qg(Z|X)
上式中,p(Z|X)为加权融合特征,pc(Z|X)为颜色特征,qg(Z|X)为边缘特性,ω为融合权值。
5.根据权利要求1所述一种基于目标模板更新的目标跟踪方法,其特征在于,步骤(4)的具体过程:
定义目标模板库:
其中,为第n帧目标模板库中第u个目标模板,为第n帧目标模板库中第u个目标模板的记忆显著度,NT为目标模板库T中的目标模板数;
定义如下目标模板更新代价函数:
其中,为第n帧目标模板,为第n+1帧的候选目标,代价函数值越小,表示目标模板和候选目标越相似;
设目标模板的更新阈值为th1,目标模板库的更新阈值为th2,初始跟踪时,初始跟踪时,建立目标模板库T,把第一帧目标模板放入目标模板库T,初始记忆显著度从第二帧开始计算模板更新代价函数判断目标模板是否更新,目标模板的更新判定准则如下:
若不满足目标模板更新条件,则需要通过确定目标当前运动状态,判断是否更新目标模板库T,目标模板库的更新判定准则如下:
目标模板库T更新后,对应更新的目标模板的记忆显著度为若目标模板库T不满足更新条件,即时,不更新目标模板库T,扩大每个粒子搜索范围,重新进行搜索、匹配、跟踪,直到搜索到目标或者超过设定的搜索阈值为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814516.9A CN106408592B (zh) | 2016-09-09 | 2016-09-09 | 一种基于目标模板更新的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610814516.9A CN106408592B (zh) | 2016-09-09 | 2016-09-09 | 一种基于目标模板更新的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408592A true CN106408592A (zh) | 2017-02-15 |
CN106408592B CN106408592B (zh) | 2019-04-05 |
Family
ID=57999967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610814516.9A Active CN106408592B (zh) | 2016-09-09 | 2016-09-09 | 一种基于目标模板更新的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408592B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874881A (zh) * | 2017-02-23 | 2017-06-20 | 电子科技大学 | 一种多模板时空关联的局部反联合稀疏表示目标跟踪方法 |
CN107071898A (zh) * | 2017-04-14 | 2017-08-18 | 中国人民解放军信息工程大学 | 移动通信信号源数据域直接位置估计方法及其装置 |
CN107274435A (zh) * | 2017-05-05 | 2017-10-20 | 西安交通大学 | 一种目标跟踪中考虑场景分类的相关滤波器更新装置 |
CN107368802A (zh) * | 2017-07-14 | 2017-11-21 | 北京理工大学 | 基于kcf和人脑记忆机制的运动目标跟踪方法 |
CN107657627A (zh) * | 2017-08-24 | 2018-02-02 | 北京理工大学 | 基于人脑记忆机制的时空上下文目标跟踪方法 |
CN109002059A (zh) * | 2017-06-06 | 2018-12-14 | 武汉小狮科技有限公司 | 一种多旋翼无人机目标实时跟踪拍摄系统及方法 |
CN109493367A (zh) * | 2018-10-29 | 2019-03-19 | 浙江大华技术股份有限公司 | 一种对目标对象进行跟踪的方法和设备 |
CN109785385A (zh) * | 2019-01-22 | 2019-05-21 | 中国科学院自动化研究所 | 视觉目标跟踪方法及系统 |
CN109961439A (zh) * | 2017-12-22 | 2019-07-02 | 江苏奥博洋信息技术有限公司 | 一种模板自适应对海量影像的快速切割方法 |
CN110189358A (zh) * | 2019-05-07 | 2019-08-30 | 武汉大学 | 一种基于协同特征学习的目标跟踪方法 |
CN111723625A (zh) * | 2019-03-22 | 2020-09-29 | 上海海拉电子有限公司 | 交通灯图像识别处理方法、装置、辅助通行系统及存储介质 |
CN112101075A (zh) * | 2019-06-18 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 信息植入区域的识别方法、装置、存储介质及电子设备 |
CN112183600A (zh) * | 2020-09-22 | 2021-01-05 | 天津大学 | 一种基于动态记忆库模板更新的目标跟踪方法 |
CN112200833A (zh) * | 2020-09-17 | 2021-01-08 | 天津城建大学 | 一种基于残差网络和短期视觉记忆的相关滤波视频跟踪算法 |
CN113129335A (zh) * | 2021-03-25 | 2021-07-16 | 西安电子科技大学 | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 |
CN115375929A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 目标模板集合的更新方法、装置及计算机可读存储介质 |
CN115861379A (zh) * | 2022-12-21 | 2023-03-28 | 山东工商学院 | 孪生网络基于局部可信模板进行目标模板更新的视频跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038672A (zh) * | 2007-04-30 | 2007-09-19 | 北京中星微电子有限公司 | 一种图像跟踪方法及系统 |
CN101308607A (zh) * | 2008-06-25 | 2008-11-19 | 河海大学 | 基于视频的混合交通环境下移动目标多特征融合跟踪方法 |
US20130163863A1 (en) * | 2011-12-26 | 2013-06-27 | Fujitsu Limited | Image processing apparatus, image processing method, and recording medium |
-
2016
- 2016-09-09 CN CN201610814516.9A patent/CN106408592B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038672A (zh) * | 2007-04-30 | 2007-09-19 | 北京中星微电子有限公司 | 一种图像跟踪方法及系统 |
CN101308607A (zh) * | 2008-06-25 | 2008-11-19 | 河海大学 | 基于视频的混合交通环境下移动目标多特征融合跟踪方法 |
US20130163863A1 (en) * | 2011-12-26 | 2013-06-27 | Fujitsu Limited | Image processing apparatus, image processing method, and recording medium |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874881B (zh) * | 2017-02-23 | 2019-09-24 | 电子科技大学 | 一种多模板时空关联的局部反联合稀疏表示目标跟踪方法 |
CN106874881A (zh) * | 2017-02-23 | 2017-06-20 | 电子科技大学 | 一种多模板时空关联的局部反联合稀疏表示目标跟踪方法 |
CN107071898A (zh) * | 2017-04-14 | 2017-08-18 | 中国人民解放军信息工程大学 | 移动通信信号源数据域直接位置估计方法及其装置 |
CN107071898B (zh) * | 2017-04-14 | 2019-07-19 | 中国人民解放军信息工程大学 | 移动通信信号源数据域直接位置估计方法及其装置 |
CN107274435A (zh) * | 2017-05-05 | 2017-10-20 | 西安交通大学 | 一种目标跟踪中考虑场景分类的相关滤波器更新装置 |
CN107274435B (zh) * | 2017-05-05 | 2018-09-04 | 西安交通大学 | 一种目标跟踪中考虑场景分类的相关滤波器更新装置 |
CN109002059A (zh) * | 2017-06-06 | 2018-12-14 | 武汉小狮科技有限公司 | 一种多旋翼无人机目标实时跟踪拍摄系统及方法 |
CN107368802A (zh) * | 2017-07-14 | 2017-11-21 | 北京理工大学 | 基于kcf和人脑记忆机制的运动目标跟踪方法 |
CN107368802B (zh) * | 2017-07-14 | 2021-06-01 | 北京理工大学 | 基于kcf和人脑记忆机制的运动目标跟踪方法 |
CN107657627A (zh) * | 2017-08-24 | 2018-02-02 | 北京理工大学 | 基于人脑记忆机制的时空上下文目标跟踪方法 |
CN109961439A (zh) * | 2017-12-22 | 2019-07-02 | 江苏奥博洋信息技术有限公司 | 一种模板自适应对海量影像的快速切割方法 |
CN109493367B (zh) * | 2018-10-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 一种对目标对象进行跟踪的方法和设备 |
CN109493367A (zh) * | 2018-10-29 | 2019-03-19 | 浙江大华技术股份有限公司 | 一种对目标对象进行跟踪的方法和设备 |
CN109785385A (zh) * | 2019-01-22 | 2019-05-21 | 中国科学院自动化研究所 | 视觉目标跟踪方法及系统 |
CN109785385B (zh) * | 2019-01-22 | 2021-01-29 | 中国科学院自动化研究所 | 视觉目标跟踪方法及系统 |
CN111723625A (zh) * | 2019-03-22 | 2020-09-29 | 上海海拉电子有限公司 | 交通灯图像识别处理方法、装置、辅助通行系统及存储介质 |
CN111723625B (zh) * | 2019-03-22 | 2023-08-08 | 上海海拉电子有限公司 | 交通灯图像识别处理方法、装置、辅助通行系统及存储介质 |
CN110189358B (zh) * | 2019-05-07 | 2022-03-15 | 武汉大学 | 一种基于协同特征学习的目标跟踪方法 |
CN110189358A (zh) * | 2019-05-07 | 2019-08-30 | 武汉大学 | 一种基于协同特征学习的目标跟踪方法 |
CN112101075A (zh) * | 2019-06-18 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 信息植入区域的识别方法、装置、存储介质及电子设备 |
CN112101075B (zh) * | 2019-06-18 | 2022-03-25 | 腾讯科技(深圳)有限公司 | 信息植入区域的识别方法、装置、存储介质及电子设备 |
CN112200833A (zh) * | 2020-09-17 | 2021-01-08 | 天津城建大学 | 一种基于残差网络和短期视觉记忆的相关滤波视频跟踪算法 |
CN112183600A (zh) * | 2020-09-22 | 2021-01-05 | 天津大学 | 一种基于动态记忆库模板更新的目标跟踪方法 |
CN112183600B (zh) * | 2020-09-22 | 2021-04-27 | 天津大学 | 一种基于动态记忆库模板更新的目标跟踪方法 |
CN113129335A (zh) * | 2021-03-25 | 2021-07-16 | 西安电子科技大学 | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 |
CN113129335B (zh) * | 2021-03-25 | 2023-03-14 | 西安电子科技大学 | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 |
CN115375929A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 目标模板集合的更新方法、装置及计算机可读存储介质 |
CN115375929B (zh) * | 2022-10-25 | 2023-02-07 | 杭州华橙软件技术有限公司 | 目标模板集合的更新方法、装置及计算机可读存储介质 |
CN115861379A (zh) * | 2022-12-21 | 2023-03-28 | 山东工商学院 | 孪生网络基于局部可信模板进行目标模板更新的视频跟踪方法 |
CN115861379B (zh) * | 2022-12-21 | 2023-10-20 | 山东工商学院 | 孪生网络基于局部可信模板进行模板更新的视频跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106408592B (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408592A (zh) | 一种基于目标模板更新的目标跟踪方法 | |
CN110070074B (zh) | 一种构建行人检测模型的方法 | |
CN110473231B (zh) | 一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法 | |
CN101464950B (zh) | 基于在线学习和贝叶斯推理的视频人脸识别与检索方法 | |
Kwon et al. | Wang-Landau Monte Carlo-based tracking methods for abrupt motions | |
CN104091349B (zh) | 基于支持向量机的鲁棒目标跟踪方法 | |
CN107689052B (zh) | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 | |
CN105117720B (zh) | 基于时空模型的目标尺度自适应跟踪方法 | |
CN109671102A (zh) | 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法 | |
CN115995063A (zh) | 作业车辆检测与跟踪方法和系统 | |
CN106803265A (zh) | 基于光流法和卡尔曼滤波的多目标跟踪方法 | |
CN112836640A (zh) | 一种单摄像头多目标行人跟踪方法 | |
CN102063625B (zh) | 一种用于多视角下多目标追踪的改进型粒子滤波方法 | |
CN106204644A (zh) | 一种基于视频的目标长期跟踪方法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN110942472B (zh) | 一种基于特征融合与自适应分块的核相关滤波跟踪方法 | |
CN112651998A (zh) | 基于注意力机制和双流多域卷积神经网络的人体跟踪算法 | |
CN106952293A (zh) | 一种基于非参数在线聚类的目标跟踪方法 | |
CN111274917A (zh) | 一种基于深度检测的长时目标跟踪方法 | |
CN115424177A (zh) | 一种基于增量学习的孪生网络目标跟踪的方法 | |
CN115239760B (zh) | 一种目标跟踪方法、系统、设备及存储介质 | |
CN103985139B (zh) | 基于颜色模型与预测向量簇模型信息融合的粒子滤波目标跟踪方法 | |
CN110163132A (zh) | 一种基于最大响应值变化率更新策略的相关滤波跟踪方法 | |
Chu et al. | Target tracking via particle filter and convolutional network | |
CN109949344A (zh) | 一种基于颜色概率目标建议窗口的核相关滤波跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |