CN106651913A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106651913A CN106651913A CN201611077696.3A CN201611077696A CN106651913A CN 106651913 A CN106651913 A CN 106651913A CN 201611077696 A CN201611077696 A CN 201611077696A CN 106651913 A CN106651913 A CN 106651913A
- Authority
- CN
- China
- Prior art keywords
- target
- color histogram
- tracking
- frame
- histogram
- 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.)
- Pending
Links
Classifications
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了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,方法包括:提取目标区域的HOG特征和颜色直方图统计信息,生成初始跟踪器;根据所述初始跟踪器,在下一帧提取图像帧的HOG特征和颜色直方图统计信息,利用当前的滤波器ht对特征图像进行卷积操作,得到模板响应值ftmpl(x);提取图像帧的颜色直方图统计信息,利用当前的颜色直方图权重向量βt,计算得到直方图响应值fhist(x);对所述ftmpl(x)和所述fhist(x)进行融合,得到目标最终的响应值f(x),并根据f(x),对目标进行目标检测和定位。本发明利用两种跟踪算法的互补性,能够同时保证跟踪算法的速度以及准确度,大大减少跟踪目标漂移的情况,在驾驶辅助系统中有着良好的应用前景。
Description
技术领域
本发明涉及高级驾驶辅助系统的计算机视觉技术,特别涉及基于相关滤波和颜色直方图统计的目标跟踪方法及系统。
背景技术
随着汽车时代的全面来临,机动车大量增加,汽车安全技术受到越来越多的重视。其中高级驾驶辅助系统(ADAS)在汽车安全领域中起着至关重要的作用。在基于计算机视觉技术的高级驾驶辅助系统(ADAS)中,目标跟踪是一项关键技术,包括车辆(摩托车、电动车、自行车)跟踪、行人跟踪等。实时、准确、稳定可靠的目标跟踪输出是保证用户体验的前提。
目标跟踪已经被研究了很多年,有很多优秀的算法被提出来处理各种各样不同的任务。其中相关滤波跟踪算法具有速度快的优点,根据原始文献[David S.Bolme et al.,Visual Object Tracking using Adaptive Correlation Filters,CVPR 2010]的结果,相关滤波跟踪算法可以达到近700帧/秒的速度,因而受到了广泛的关注和拓展。
中国专利也有较多涉及,比如:中国专利申请201410418797.7,一种基于核化相关滤波高速自动多目标跟踪方法,采用了核化的相关滤波目标跟踪技术,解决了目标多尺度问题,并扩展到多目标跟踪场景。由于原始的相关滤波器仅仅使用了目标灰度值这一种特征对目标外表进行建模,因而是一种单通道的滤波器。
又比如,为了对抗光照、旋转、遮挡等因素的影响的中国专利申请201510037323.2,提出了一种基于多通道混合特征的相关滤波器。中国专利申请201610204160.7提出了一种能够应对目标跟踪过程中尺寸发生变化的相关滤波算法。然而,单纯的相关滤波算法难以很好地应对目标形变、遮挡等因素的影响。在高级驾驶辅助系统的应用背景下,跟踪的行人可能发生姿态上的变化,车辆在转向时也会发生形态上显著的变化。对于这些情况,单纯的相关滤波跟踪算法容易产生跟踪漂移,可能会造成虚报警,使用户体验下降。
发明内容
本发明要解决的技术问题是,提出基于相关滤波和颜色直方图统计的目标跟踪方法,利用两种跟踪算法的互补性,能够同时保证跟踪算法的速度以及准确度,大大减少跟踪目标漂移的情况,在驾驶辅助系统中有着良好的应用前景。
解决上述技术问题,本发明提供了基于相关滤波和颜色直方图统计的目标跟踪方法,其包括:
1)从起始视频帧中锁定待跟踪目标,即用一定尺寸的矩形框选中目标所在的图像区域,并将矩形框显示在当前图像上。提取目标区域的HOG(Histogram of OrientedGradients)特征,以及颜色直方图统计信息。利用所提取的HOG特征和颜色直方图统计信息生成初始跟踪器,具体来讲:(a)利用所提取的HOG特征生成初始相关滤波器;(b)利用所提取的颜色直方图统计信息,生成初始颜色直方图权重向量。
2)基于当前的跟踪器,对视频流中的下一帧图像进行处理,包括两个方面:提取图像帧的HOG特征,得到特征图像,利用当前的相关滤波器ht对特征图像进行卷积操作,得到模板响应值(Template response)ftmpl(x);提取图像帧的颜色直方图统计信息,利用当前的颜色直方图权重向量βt,计算得到直方图响应值(Histogram response)fhist(x)。
3)对模板响应值ftmpl(x)和直方图响应值fhist(x)进行融合,得到最终的响应值f(x)。基于融合后的响应值,对目标进行目标检测和定位,具体为:查找响应值极大位置点p,p点即为目标在当前图像帧中的位置,实现目标的定位和跟踪。
4)根据当前图像帧的目标定位和跟踪结果,将目标所在的区域用矩形框选中并显示在当前图像帧上,矩形框尺寸和前一帧的保持一致。利用当前图像帧的跟踪结果更新相关滤波器和直方图的权重向量。具体为:提取目标区域的HOG特征,根据相关滤波器的更新法则,生成新的相关滤波器ht+1;提取颜色直方图统计信息,根据直方图权重向量的更新法则,生成新的权重向量βt+1。
5)重复步骤2)-4)实现对视频流的连续帧进行循环处理,对目标进行连续跟踪。
本发明还提供了ADAS系统,所述系统被配置为运行基于相关滤波和颜色直方图统计的目标跟踪方法。
本发明的有益效果:
由于相关滤波跟踪算法是基于模板匹配的,目标形态的显著变化容易产生较大的匹配误差。因此,相关滤波跟踪算法较难处理的情况是跟踪目标的外表形状发生较大改变的情形(例如遮挡、行人姿态变化)。然而目标外表形状的改变一般不会使其颜色分布产生显著的变化,基于颜色统计信息的跟踪算法能较好地应对这类情况,恰好能对相关滤波算法的缺点进行补充。本发明基于相关滤波和颜色直方图统计的目标跟踪方法,利用了相关滤波跟踪算法和基于颜色统计信息的跟踪算法的互补性,利用基于颜色统计信息的跟踪算法对相关滤波跟踪算法的缺点进行了有效的补充,进而能同时保证跟踪结果的实时性以及准确度,有效地降低了跟踪结果的漂移和虚报警的发生。
附图说明
图1是本发明基于相关滤波和颜色直方图统计的目标跟踪方法流程示意图;
图2是图1中的优选实施方式示意图;
图3是图1中的操作流程演示示意图。
具体实施方式
现在将参考一些示例实施例描述本公开的原理。可以理解,这些实施例仅出于说明并且帮助本领域的技术人员理解和实施例本公开的目的而描述,而非建议对本公开的范围的任何限制。在此描述的本公开的内容可以以下文描述的方式之外的各种方式实施。
如本文中所述,术语“包括”及其各种变体可以被理解为开放式术语,其意味着“包括但不限于”。术语“基于”可以被理解为“至少部分地基于”。术语“一个实施例”可以被理解为“至少一个实施例”。术语“另一实施例”可以被理解为“至少一个其它实施例”。
可以理解,本申请中所提到的相关滤波器是一种图像块(image patch)匹配的模板。图像相关操作即是采用这个模板在整个图像上进行滑动,然后计算每个滑动窗口位置的图像patch和这个模板的内积结果,得到的结果就是这个窗口位置的相关滤波响应值。所谓内积计算就是:在image patch范围内,逐像素相乘,然后累加求和。而图像匹配模板最简单的形式可以是从图像中直接裁一块出来,但是这种方式的模板对目标的判别性不够,而相关滤波器是一种判别性更强的模板。
图1是本发明基于相关滤波和颜色直方图统计的目标跟踪方法流程示意图;步骤S100提取目标区域的HOG特征和颜色直方图统计信息,生成初始跟踪器;步骤S101根据所述初始跟踪器,在下一帧提取图像帧的HOG特征和颜色直方图统计信息,利用当前的滤波器ht对特征图像进行卷积操作,得到模板响应值ftmpl(x);提取图像帧的颜色直方图统计信息,利用当前的颜色直方图权重向量βt,计算得到直方图响应值fhist(x);步骤S102对所述ftmpl(x)和所述fhist(x)进行融合,得到目标最终的响应值f(x),并根据f(x)对目标进行目标检测和定位;步骤S103根据所述当前图像帧的目标定位和跟踪的结果,将目标所在的区域用与前一帧尺寸保持一致的矩形框选中,并显示在当前图像帧上;步骤S104重复上述步骤进行连续跟踪。
基于上述特征,本申请具备如下的技术效果:利用了相关滤波跟踪算法和基于颜色统计信息的跟踪算法的互补性。由于相关滤波跟踪算法是基于模板匹配的,目标形态的显著变化容易产生较大的匹配误差,而基于颜色统计信息的跟踪算法能较好地应对这类情况,恰好能对相关滤波算法的缺点进行补充。
图2是图1中的优选实施方式示意图;步骤S100提取目标区域的HOG特征和颜色直方图统计信息,生成初始跟踪器;步骤S101根据所述初始跟踪器,在下一帧提取图像帧的HOG特征和颜色直方图统计信息,利用当前的滤波器ht对特征图像进行卷积操作,得到模板响应值ftmpl(x);提取图像帧的颜色直方图统计信息,利用当前的颜色直方图权重向量βt,计算得到直方图响应值fhist(x);还包括:步骤S105利用当前图像帧的跟踪结果更新上述滤波器和上述直方图权重向量,以当前帧目标所处的位置pt+1为中心,选取一个矩形图像块It+1,图像块的尺寸和前一帧目标图像区域尺寸保持一致;步骤S102对所述ftmpl(x)和所述fhist(x)进行融合,得到目标最终的响应值f(x),并根据f(x)对目标进行目标检测和定位;步骤S103根据所述当前图像帧的目标定位和跟踪的结果,将目标所在的区域用与前一帧尺寸保持一致的矩形框选中,并显示在当前图像帧上;步骤S104重复上述步骤进行连续跟踪。
发明原理:
图3是图1中的操作流程演示示意图,融合相关滤波和颜色直方图统计的目标跟踪方法包含以下步骤:
1)从起始视频帧中锁定跟踪目标,即用一定尺寸的矩形框选中的目标所在图像区域,并将矩形框显示在当前图像上。提取目标区域的HOG(Histogram of OrientedGradients)特征,以及颜色直方图统计信息。利用所提取的HOG特征和颜色直方图统计信息生成初始跟踪器。
具体来讲:(a)利用所提取的HOG特征生成初始相关滤波器ht;(b)利用所提取的颜色直方图统计信息,生成初始颜色直方图权重向量βt。
1.1)生成初始相关滤波器ht可以通过求解以下的岭回归(ridge regression)问题得到:
其中,ltmpl(h;Χt)为损耗函数,用于测量滤波器响应值和设计响应值之间的差异,Χt为输入样本,表示滤波器h的欧几里德范数,λtmpl为权重因子。通常,我们采用最小二乘法方法来进行相关滤波器的求解。一种常用的基于平方形式的损耗函数ltmpl(h;Χt)为
式中,表示二维图像相关操作,hk为滤波器h的第k个通道分量,xk为提取的HOG特征图像的第k个通道分量,K为HOG特征图像以及滤波器h的通道数。y为设计的滤波器响应值,通常设定为σ=0.5的二维高斯分布,中心点位于特征图像xk的中心。
本实施例的一个优选方案中,HOG特征计算的元胞(cell size)尺寸为4×4因而,对如下最小化问题进行求解即可得到相关滤波器ht
直接求解式(1)的复杂度太高,一种快速求解的方法是将问题转换到傅里叶域进行求解。在傅里叶域,式(1)对应为:
式(2)中,⊙表示逐元素点乘操作,带有帽子的变量均为对应变量的傅里叶变换,如为hk的傅里叶变换。
式(2)所示的最小化问题可以拆分为D个相互独立的K×K的线性问题,其中D为特征图像xk元素个数。第j个问题表达为:
对于j=1,…,D (3)
式中和均为K×1的向量,P是一个连接操作,当其作用于一个K通道图像的第j个位置时,产生的效果是:将各通道的第j个元素按照顺序连接生成一个K×1的向量,即:P(a(j))=[a1(j),a2(j),…,aK(j)]
式(3)具有闭式解,其结果为
式中,矩阵和向量b(j)分别为:
根据式(4),(5)以及(6)即可完成D个独立子问题的求解,然后合成得到傅里叶域的K通道滤波器
最后利用傅里叶逆变换表示傅里叶逆变换),即可得到相关滤波器ht。
1.2)生成初始颜色直方图权重向量βt可以通过求解如下的岭回归(ridgeregression)问题得到
lhist(β;Χt)为损耗函数,用于测量颜色直方图统计量的线性回归结果与设计回归值之间的差异,Χt为输入样本,表示权重向量β的欧几里德范数,λhist为权重因子。通常,我们采用最小二乘法方法来进行权重向量的求解,一种常用的基于平方形式的损耗函数lhist(β;Χt)为:
式(7)包含M个独立项,其中M为颜色直方图统计中直方柱(bins)的个数。式(7)中为目标的前景区域,为目标的背景区域,为区域中,第j个直方柱不为0的元素个数之和。
从式(7)可以看出,权重向量βt的每个元素βj可以单独计算,因此相应的岭回归模型的最优解为:
对于j=1,…,M (8)
其中,即为在区域中,第j个直方柱不为0的像素所占的比例。
本发明的一个优选方案中,颜色直方图统计信息是基于RGB颜色空间完成的,颜色直方图的直方柱(bins)的个数为32×32×32。
2)基于当前的跟踪器,对视频流中的下一帧图像进行处理,包括两个方面:提取图像帧的HOG特征,得到特征图像,利用当前的相关滤波器ht对特征图像进行卷积操作,得到模板响应值(Template response)ftmpl(x);提取图像帧的颜色直方图统计信息,利用当前的颜色直方图权重向量βt,计算得到直方图响应值(Histogram response)fhist(x)。以上一帧目标所处的位置pt为中心,选取一个尺寸比较的大的图像块(patch)It+1,分别计算在It+1上的模板响应和颜色直方图响应。
2.1)利用当前的相关滤波器ht计算图像块It+1的模板响应值计算图像块It+1的HOG特征图zt+1,然后利用如下公式计算模板响应值ftmpl(x)
式中,表示傅里叶逆变换,为相关滤波器hk的傅里叶变换,为HOG特征图的傅里叶变换。
2.2)利用当前的颜色直方图权重向量βt计算图像块It+1的颜色直方图统计信息响应值
对于图像块It+1,逐像素计算直方图统计信息。根据直方图权重向量以及积分图像,计算得到图像块It+1区域稠密的颜色直方图统计信息响应分布图fhist(x)。
3)对模板响应值ftmpl(x)和直方图响应值fhist(x)进行融合,得到目标最终的响应值f(x)。基于融合后的响应值,对目标进行目标检测和定位,具体为:查找响应值极大位置点p,p点即为目标在当前图像帧中的位置,实现目标的跟踪。本发明采用一种简单的线性组合方式对模板响应值和颜色直方图响应值进行融合,计算方法如下:
f(x)=γtmplftmpl(x)+γhistfhist(x)
式中,γtmpl和γhist为融合系数。本发明一个优选方案可将γtmpl和γhist设置为,γtmpl=0.3,γhist=0.7。
基于融合之后的响应图f(x),查找响应极大值点p,p点在图像帧中的位置即为跟踪目标在当前帧的位置pt+1,即完成了目标在当前帧的定位和追踪。
4)根据当前图像帧的目标定位和跟踪结果,将目标所在的区域用矩形框选中并显示在当前图像帧上,矩形框尺寸和前一帧的保持一致。
利用当前图像帧的跟踪结果更新相关滤波器和直方图的权重向量。具体做法为:以当前帧目标所处的位置pt+1为中心,选取一个矩形图像块(patch)It+1,图像块的尺寸和前一帧目标图像区域尺寸保持一致。
4.1)更新相关滤波器
提取图像块It+1的HOG特征图zt+1,并计算
对于j=1,…,D
对于j=1,…,D
其中,P为式(3)、(4)和(5)所述的连接操作。根据如下更新法则,得到新的和bt+1(j)
bt+1(j)=(1-ηtmpl)bt(j)+ηtmplb'(j) (10)
其中,ηtmpl为更新速率。本发明的一个优选方案为:ηtmpl=0.01。
求解D个如公式(4)所示的K×K的线性问题,即可得到新的相关滤波器。
4.2)更新直方图权重向量
对于图像块It+1,逐像素计算直方图统计信息,分别得到和其中,即为在区域中,第j个直方柱不为0的像素所占的比例。根据如下更新法则,得到新的和
其中,ηhist为更新速率。本发明的一个优选方案为:ηhist=0.04。
根据公式(8)即可计算得到新的颜色直方图权重向量βt+1。
5)重复步骤2)-4)实现对视频流的连续帧进行循环处理,对目标进行连续跟踪。
虽然本公开以具体结构特征和/或方法动作来描述,但是可以理解在所附权利要求书中限定的本公开并不必然限于上述具体特征或动作。而是,上述具体特征和动作仅公开为实施权利要求的示例形式。
Claims (9)
1.基于相关滤波和颜色直方图统计的目标跟踪方法,其特征在于包括如下步骤:
提取目标区域的HOG特征和颜色直方图统计信息,生成初始跟踪器;
根据所述初始跟踪器,在下一帧提取图像帧的HOG特征和颜色直方图统计信息,利用当前的相关滤波器ht对特征图像进行卷积操作,得到模板响应值ftmpl(x);提取图像帧的颜色直方图统计信息,利用当前的颜色直方图权重向量βt,计算得到直方图响应值fhist(x);
对所述ftmpl(x)和所述fhist(x)进行融合,得到目标最终的响应值f(x),并根据f(x),对目标进行目标检测和定位;
根据所述当前图像帧的目标定位和跟踪的结果,将目标所在的区域用与前一帧尺寸保持一致的矩形框选中,并显示在当前图像帧上;
重复上述步骤进行连续跟踪。
2.根据权利要求1所述的目标跟踪方法,其特征在于,还包括:利用当前图像帧的跟踪结果更新上述滤波器和上述直方图权重向量,以当前帧目标所处的位置pt+1为中心,选取一个矩形图像块It+1,图像块的尺寸和前一帧目标图像区域尺寸保持一致:
提取目标区域的HOG特征,根据所选择的滤波器的更新法则,生成新的对应滤波器ht+1;
以及,提取颜色直方图统计信息,根据直方图权重向量的更新法则,生成新的权重向量βt+1。
3.根据权利要求1所述的目标跟踪方法,其特征在于,当前的颜色直方图权重向量βt通过岭回归问题求解。
4.根据权利要求1所述的目标跟踪方法,其特征在于,采用最小二乘法方法来进行当前的滤波器ht的求解。
5.根据权利要求1或4所述的目标跟踪方法,其特征在于,滤波器ht可以通过求解以下的岭回归问题求解。
6.根据权利要求1或4所述的目标跟踪方法,其特征在于,在所述HOG特征中计算的元胞的尺寸为4×4。
7.根据权利要求1或3所述的目标跟踪方法,其特征在于,颜色直方图统计信息是基于RGB颜色空间完成,颜色直方图的直方柱的个数为32×32×32。
8.根据权利要求1所述的目标跟踪方法,其特征在于,所述简单的线性组合方式对模板响应值和颜色直方图响应值进行融合,计算方法如下:
f(x)=γtmplftmpl(x)+γhistfhist(x),其中,γtmpl和γhist为融合系数,基于融合之后的响应图f(x),查找响应极大值点p,p点在图像帧中的位置即为跟踪目标在当前帧的位置pt+1,完成了目标在当前帧的定位和追踪。
9.一种ADAS系统,其特征在于,系统被配置为运行如权利要求1、2或8任一项所述的目标跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611077696.3A CN106651913A (zh) | 2016-11-29 | 2016-11-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611077696.3A CN106651913A (zh) | 2016-11-29 | 2016-11-29 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106651913A true CN106651913A (zh) | 2017-05-10 |
Family
ID=58814100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611077696.3A Pending CN106651913A (zh) | 2016-11-29 | 2016-11-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651913A (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316316A (zh) * | 2017-05-19 | 2017-11-03 | 南京理工大学 | 基于多特征自适应融合和核相关滤波技术的目标跟踪方法 |
CN107341460A (zh) * | 2017-06-26 | 2017-11-10 | 北京小米移动软件有限公司 | 人脸跟踪方法及装置 |
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 |
CN107564034A (zh) * | 2017-07-27 | 2018-01-09 | 华南理工大学 | 一种监控视频中多目标的行人检测与跟踪方法 |
CN107689052A (zh) * | 2017-07-11 | 2018-02-13 | 西安电子科技大学 | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 |
CN108053425A (zh) * | 2017-12-25 | 2018-05-18 | 北京航空航天大学 | 一种基于多通道特征的高速相关滤波目标跟踪方法 |
CN108198201A (zh) * | 2017-12-19 | 2018-06-22 | 深圳市深网视界科技有限公司 | 一种多目标跟踪方法、终端设备及存储介质 |
CN108206941A (zh) * | 2017-09-27 | 2018-06-26 | 深圳市商汤科技有限公司 | 目标跟踪方法、系统、终端设备及存储介质 |
CN108447078A (zh) * | 2018-02-28 | 2018-08-24 | 长沙师范学院 | 基于视觉显著性的干扰感知跟踪算法 |
CN108734723A (zh) * | 2018-05-11 | 2018-11-02 | 江南大学 | 一种基于自适应权重联合学习的相关滤波目标跟踪方法 |
CN108803655A (zh) * | 2018-06-08 | 2018-11-13 | 哈尔滨工程大学 | 一种无人机飞行控制平台及目标跟踪方法 |
CN109035300A (zh) * | 2018-07-05 | 2018-12-18 | 桂林电子科技大学 | 一种基于深度特征与平均峰值相关能量的目标跟踪方法 |
CN109035302A (zh) * | 2018-07-26 | 2018-12-18 | 中国人民解放军陆军工程大学 | 基于时空感知相关滤波的目标跟踪算法 |
CN109064497A (zh) * | 2018-07-16 | 2018-12-21 | 南京信息工程大学 | 一种基于颜色聚类补充学习的视频跟踪方法 |
CN109102522A (zh) * | 2018-07-13 | 2018-12-28 | 北京航空航天大学 | 一种目标跟踪方法及装置 |
CN109255799A (zh) * | 2018-07-26 | 2019-01-22 | 华中科技大学 | 一种基于空间自适应相关滤波器的目标跟踪方法及系统 |
CN109448024A (zh) * | 2018-11-06 | 2019-03-08 | 深圳大学 | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 |
CN109741364A (zh) * | 2018-11-19 | 2019-05-10 | 北京陌上花科技有限公司 | 目标跟踪方法及装置 |
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 |
CN109785366A (zh) * | 2019-01-21 | 2019-05-21 | 中国科学技术大学 | 一种针对遮挡的相关滤波目标跟踪方法 |
CN110009664A (zh) * | 2019-04-11 | 2019-07-12 | 南京航空航天大学金城学院 | 一种基于响应图融合的红外目标跟踪方法及装置 |
CN110147747A (zh) * | 2019-05-09 | 2019-08-20 | 云南大学 | 一种基于累积一阶导数高置信度策略的相关滤波跟踪方法 |
CN110287874A (zh) * | 2019-06-25 | 2019-09-27 | 北京市商汤科技开发有限公司 | 目标追踪方法及装置、电子设备和存储介质 |
CN110738685A (zh) * | 2019-09-09 | 2020-01-31 | 桂林理工大学 | 一种融合颜色直方图响应的时空上下文跟踪方法 |
CN110738149A (zh) * | 2019-09-29 | 2020-01-31 | 深圳市优必选科技股份有限公司 | 目标跟踪方法、终端及存储介质 |
CN110827319A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于局部敏感直方图改进的Staple目标跟踪方法 |
CN110826508A (zh) * | 2019-11-12 | 2020-02-21 | 浙江工商大学 | 一种基于视频流的行人非机动车违章检测与跟踪方法 |
CN111161323A (zh) * | 2019-12-31 | 2020-05-15 | 北京理工大学重庆创新中心 | 一种基于相关滤波的复杂场景目标跟踪方法及系统 |
US10839555B2 (en) * | 2018-01-18 | 2020-11-17 | Autel Robotics Co., Ltd. | Target detection method and unmanned aerial vehicle |
CN117392179A (zh) * | 2023-12-11 | 2024-01-12 | 四川迪晟新达类脑智能技术有限公司 | 一种基于相关滤波器和边缘框的目标跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200237A (zh) * | 2014-08-22 | 2014-12-10 | 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 |
CN104574445A (zh) * | 2015-01-23 | 2015-04-29 | 北京航空航天大学 | 一种目标跟踪方法及装置 |
WO2015163830A1 (en) * | 2014-04-22 | 2015-10-29 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Target localization and size estimation via multiple model learning in visual tracking |
-
2016
- 2016-11-29 CN CN201611077696.3A patent/CN106651913A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015163830A1 (en) * | 2014-04-22 | 2015-10-29 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Target localization and size estimation via multiple model learning in visual tracking |
CN104200237A (zh) * | 2014-08-22 | 2014-12-10 | 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 |
CN104574445A (zh) * | 2015-01-23 | 2015-04-29 | 北京航空航天大学 | 一种目标跟踪方法及装置 |
Non-Patent Citations (3)
Title |
---|
LUCA BERTINETTO ET AL: "《Staple: Complementary Learners for Real-Time Tracking》", 《ARXIV:1512.01355V2》 * |
赵璐璐: "《基于相关滤波的目标跟踪算法研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
郝溪 等;: "《融合HOG与颜色特征的粒子滤波行人跟踪算法》", 《图形、图像与多媒体》 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316316A (zh) * | 2017-05-19 | 2017-11-03 | 南京理工大学 | 基于多特征自适应融合和核相关滤波技术的目标跟踪方法 |
CN107341460B (zh) * | 2017-06-26 | 2022-04-22 | 北京小米移动软件有限公司 | 人脸跟踪方法及装置 |
CN107341460A (zh) * | 2017-06-26 | 2017-11-10 | 北京小米移动软件有限公司 | 人脸跟踪方法及装置 |
CN107689052A (zh) * | 2017-07-11 | 2018-02-13 | 西安电子科技大学 | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 |
CN107689052B (zh) * | 2017-07-11 | 2021-06-29 | 西安电子科技大学 | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 |
CN107564034A (zh) * | 2017-07-27 | 2018-01-09 | 华南理工大学 | 一种监控视频中多目标的行人检测与跟踪方法 |
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 |
CN108206941A (zh) * | 2017-09-27 | 2018-06-26 | 深圳市商汤科技有限公司 | 目标跟踪方法、系统、终端设备及存储介质 |
US10810746B2 (en) | 2017-11-03 | 2020-10-20 | Xilinx Technology Beijing Limited | Target tracking hardware implementation system and method |
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 |
CN108198201A (zh) * | 2017-12-19 | 2018-06-22 | 深圳市深网视界科技有限公司 | 一种多目标跟踪方法、终端设备及存储介质 |
CN108053425A (zh) * | 2017-12-25 | 2018-05-18 | 北京航空航天大学 | 一种基于多通道特征的高速相关滤波目标跟踪方法 |
US10839555B2 (en) * | 2018-01-18 | 2020-11-17 | Autel Robotics Co., Ltd. | Target detection method and unmanned aerial vehicle |
CN108447078B (zh) * | 2018-02-28 | 2022-06-10 | 长沙师范学院 | 基于视觉显著性的干扰感知跟踪算法 |
CN108447078A (zh) * | 2018-02-28 | 2018-08-24 | 长沙师范学院 | 基于视觉显著性的干扰感知跟踪算法 |
CN108734723A (zh) * | 2018-05-11 | 2018-11-02 | 江南大学 | 一种基于自适应权重联合学习的相关滤波目标跟踪方法 |
CN108803655A (zh) * | 2018-06-08 | 2018-11-13 | 哈尔滨工程大学 | 一种无人机飞行控制平台及目标跟踪方法 |
CN109035300A (zh) * | 2018-07-05 | 2018-12-18 | 桂林电子科技大学 | 一种基于深度特征与平均峰值相关能量的目标跟踪方法 |
CN109035300B (zh) * | 2018-07-05 | 2021-03-26 | 桂林电子科技大学 | 一种基于深度特征与平均峰值相关能量的目标跟踪方法 |
CN109102522A (zh) * | 2018-07-13 | 2018-12-28 | 北京航空航天大学 | 一种目标跟踪方法及装置 |
CN109102522B (zh) * | 2018-07-13 | 2021-08-31 | 北京航空航天大学 | 一种目标跟踪方法及装置 |
CN109064497A (zh) * | 2018-07-16 | 2018-12-21 | 南京信息工程大学 | 一种基于颜色聚类补充学习的视频跟踪方法 |
CN109064497B (zh) * | 2018-07-16 | 2021-11-23 | 南京信息工程大学 | 一种基于颜色聚类补充学习的视频跟踪方法 |
CN109255799B (zh) * | 2018-07-26 | 2021-07-27 | 华中科技大学 | 一种基于空间自适应相关滤波器的目标跟踪方法及系统 |
CN109035302A (zh) * | 2018-07-26 | 2018-12-18 | 中国人民解放军陆军工程大学 | 基于时空感知相关滤波的目标跟踪算法 |
CN109255799A (zh) * | 2018-07-26 | 2019-01-22 | 华中科技大学 | 一种基于空间自适应相关滤波器的目标跟踪方法及系统 |
CN110827319A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于局部敏感直方图改进的Staple目标跟踪方法 |
CN110827319B (zh) * | 2018-08-13 | 2022-10-28 | 中国科学院长春光学精密机械与物理研究所 | 一种基于局部敏感直方图改进的Staple目标跟踪方法 |
CN109448024A (zh) * | 2018-11-06 | 2019-03-08 | 深圳大学 | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 |
CN109741364A (zh) * | 2018-11-19 | 2019-05-10 | 北京陌上花科技有限公司 | 目标跟踪方法及装置 |
CN109741364B (zh) * | 2018-11-19 | 2021-09-07 | 北京陌上花科技有限公司 | 目标跟踪方法及装置 |
CN109785366B (zh) * | 2019-01-21 | 2020-12-25 | 中国科学技术大学 | 一种针对遮挡的相关滤波目标跟踪方法 |
CN109785366A (zh) * | 2019-01-21 | 2019-05-21 | 中国科学技术大学 | 一种针对遮挡的相关滤波目标跟踪方法 |
CN110009664A (zh) * | 2019-04-11 | 2019-07-12 | 南京航空航天大学金城学院 | 一种基于响应图融合的红外目标跟踪方法及装置 |
CN110147747B (zh) * | 2019-05-09 | 2022-07-12 | 云南大学 | 一种基于累积一阶导数高置信度策略的相关滤波跟踪方法 |
CN110147747A (zh) * | 2019-05-09 | 2019-08-20 | 云南大学 | 一种基于累积一阶导数高置信度策略的相关滤波跟踪方法 |
CN110287874A (zh) * | 2019-06-25 | 2019-09-27 | 北京市商汤科技开发有限公司 | 目标追踪方法及装置、电子设备和存储介质 |
CN110738685A (zh) * | 2019-09-09 | 2020-01-31 | 桂林理工大学 | 一种融合颜色直方图响应的时空上下文跟踪方法 |
CN110738149A (zh) * | 2019-09-29 | 2020-01-31 | 深圳市优必选科技股份有限公司 | 目标跟踪方法、终端及存储介质 |
CN110826508A (zh) * | 2019-11-12 | 2020-02-21 | 浙江工商大学 | 一种基于视频流的行人非机动车违章检测与跟踪方法 |
CN111161323A (zh) * | 2019-12-31 | 2020-05-15 | 北京理工大学重庆创新中心 | 一种基于相关滤波的复杂场景目标跟踪方法及系统 |
CN111161323B (zh) * | 2019-12-31 | 2023-11-28 | 北京理工大学重庆创新中心 | 一种基于相关滤波的复杂场景目标跟踪方法及系统 |
CN117392179A (zh) * | 2023-12-11 | 2024-01-12 | 四川迪晟新达类脑智能技术有限公司 | 一种基于相关滤波器和边缘框的目标跟踪方法 |
CN117392179B (zh) * | 2023-12-11 | 2024-02-27 | 四川迪晟新达类脑智能技术有限公司 | 一种基于相关滤波器和边缘框的目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651913A (zh) | 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 | |
CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
CN109815867A (zh) | 一种人群密度估计和人流量统计方法 | |
CN105488517B (zh) | 一种基于深度学习的车辆品牌型号识别方法 | |
Dai et al. | Multi-task faster R-CNN for nighttime pedestrian detection and distance estimation | |
CN103093249B (zh) | 一种基于高清视频的出租车识别方法及系统 | |
CN107633220A (zh) | 一种基于卷积神经网络的车辆前方目标识别方法 | |
CN108665481A (zh) | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 | |
CN108830192A (zh) | 车载环境下基于深度学习的车辆与车牌检测方法 | |
Guo et al. | Nighttime vehicle lamp detection and tracking with adaptive mask training | |
Derpanis et al. | Classification of traffic video based on a spatiotemporal orientation analysis | |
CN110210474A (zh) | 目标检测方法及装置、设备及存储介质 | |
Mu et al. | Multiscale edge fusion for vehicle detection based on difference of Gaussian | |
CN107093189A (zh) | 基于自适应颜色特征和时空上下文的目标跟踪方法及系统 | |
CN107689052A (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 | |
Moghimi et al. | Moving vehicle detection using AdaBoost and haar-like feature in surveillance videos | |
CN112489050A (zh) | 一种基于特征迁移的半监督实例分割算法 | |
CN111611918B (zh) | 基于航拍数据和深度学习的交通流数据集采集及构建方法 | |
CN114821374B (zh) | 一种知识与数据协同驱动的无人机航拍目标检测方法 | |
CN104143197A (zh) | 一种航拍场景下运动车辆的检测方法 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
Ketcham et al. | Recognizing the Illegal Parking Patterns of Cars on the Road in Front of the Bus Stop Using the Support Vector Machine | |
Shen et al. | Infrared multi-pedestrian tracking in vertical view via siamese convolution network | |
Zhang et al. | Road marking segmentation based on siamese attention module and maximum stable external region | |
CN114973199A (zh) | 一种基于卷积神经网络的轨道交通列车障碍物检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |