CN106709935A - 目标实时跟踪方法及装置 - Google Patents
目标实时跟踪方法及装置 Download PDFInfo
- Publication number
- CN106709935A CN106709935A CN201611058621.0A CN201611058621A CN106709935A CN 106709935 A CN106709935 A CN 106709935A CN 201611058621 A CN201611058621 A CN 201611058621A CN 106709935 A CN106709935 A CN 106709935A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- sample collection
- present frame
- low
- 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
Abstract
本发明适用于图像处理领域,提供了一种目标实时跟踪方法及装置。所述方法包括:步骤1:采集当前帧的目标的周围区域的图像,获得正样本集和负样本集;步骤2:对所述正样本集和负样本集的图像块进行多尺度变换,获得多尺度图像特征向量;步骤3:将所述多尺度图像特征向量转换成低维图像特征向量;步骤4:对所述低维图像特征向量中的特征进行分类,根据分类结果确定当前帧跟踪到的目标位置;步骤5:采集所述当前帧的下一帧的正样本集和负样本集;重复上述步骤2至步骤4后,输出跟踪到的目标位置,实现目标的实时跟踪。通过上述方法能够提高跟踪目标的效率。
Description
技术领域
本发明实施例属于图像处理领域,尤其涉及一种目标实时跟踪方法及装置。
背景技术
随着计算机理论、技术和应用的快速发展,视频图像处理和计算能力得到了极大的提高,使得计算机视觉成为了计算机领域与人工智能领域中最热门的研究课题。实时目标跟踪技术作为计算机视觉研究的核心内容之一,融合了模式识别、图像处理、自动控制、人工智能等多种不同领域,形成了一种能检测、识别、分割和跟踪运动目标的技术。
现有的目标跟踪方法通常为:对图像序列中的运动目标或是特征单一的物体进行检测、识别和跟踪,通过获取目标的位置、速度等参数或是目标的形状和颜色等特征,然后对其进一步处理,实现对运动目标物的准确跟踪。但是,此种方法由于需要对每个图像点做处理,因此处理复杂度高,处理效率低的问题。
发明内容
本发明实施例提供了一种目标实时跟踪方法及装置。旨在解决现有的方法由于需要对每个图像点做处理,因此处理复杂度高,处理效率低的问题。
本发明实施例是这样实现的,一种目标实时跟踪方法,所述方法包括:
步骤1:采集当前帧的目标的周围区域的图像,获得至少1个目标的图像块和背景的图像块,所述目标的图像块集合为正样本集,所述背景的图像块集合为负样本集;
步骤2:对所述正样本集和负样本集的图像块进行多尺度变换,获得多尺度图像特征向量;
步骤3:将所述多尺度图像特征向量转换成低维图像特征向量;
步骤4:对所述低维图像特征向量中的特征进行分类,根据分类结果确定当前帧跟踪到的目标位置;
步骤5:采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集,以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集;
重复上述步骤2至步骤4后,输出跟踪到的目标位置,实现目标的实时跟踪。
本发明实施例的另一目的在于提供一种目标实时跟踪装置,所述装置包括:
当前帧样本采集单元,用于采集当前帧的目标的周围区域的图像,获得至少1个目标的图像块和背景的图像块,所述目标的图像块集合为正样本集,所述背景的图像块集合为负样本集;
多尺度图像特征向量获取单元,用于对所述正样本集和负样本集的图像块进行多尺度变换,获得多尺度图像特征向量;
低维图像特征向量确定单元,用于将所述多尺度图像特征向量转换成低维图像特征向量;
特征分类单元,用于对所述低维图像特征向量中的特征进行分类,根据分类结果确定当前帧跟踪到的目标位置;
下一帧样本集采集单元,用于采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集,以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集;
目标位置输出单元,用于在再次执行多尺度图像特征向量获取单元、低维图像特征向量确定单元、特征分类单元后,输出跟踪到的目标位置,实现目标的实时跟踪。
在本发明实施例中,由于对样本集进行多尺度变换、降维、分类操作,因此,使得目标跟踪更准确,且计算量更少,从而保证目标跟踪的实时性。
附图说明
图1是本发明第一实施例提供的一种目标实时跟踪方法的流程图;
图2是本发明第一实施例提供的一种目标实时跟踪装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例中采集当前帧的目标的周围区域的图像,获得至少1个目标的图像块和背景的图像块,所述目标的图像块集合为正样本集,所述背景的图像块集合为负样本集,对所述正样本集和负样本集的图像块进行多尺度变换,获得多尺度图像特征向量,将所述多尺度图像特征向量转换成低维图像特征向量,对所述低维图像特征向量中的特征进行分类,根据分类结果确定当前帧跟踪到的目标位置,采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集,以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集,对新获得的正样本集和负样本集再次变化,分别获得多尺度图像特征向量、低维图像特征向量,进而根据该低维图像特征向量的分类结果输出跟踪到的目标位置,实现目标的实时跟踪。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明第一实施例提供的一种目标实时跟踪方法的流程图,详述如下:
步骤S11,采集当前帧的目标的周围区域的图像,获得至少1个目标的图像块和背景的图像块,所述目标的图像块集合为正样本集,所述背景的图像块集合为负样本集。
例如,假设目标为人脸,则目标的图像块(即正样本集的图像块)为人脸对应的图像块,背景的图像块(即负样本集的图像块)为人脸附近对应的图像块。
该步骤中,获取若干个所述目标(正样本)和背景(负样本)的图像块的方法为:在t-1帧图像时,在所述目标位置lt-1的周围,即与距离lt-1小于γ的范围内采样n个图像块,组成正负训练样本集合,所述样本集合为:Dγ={z||l(z)-lt-1|<γ}, (1)
其中n大于或等于1。
步骤S12,对所述正样本集和负样本集的图像块进行多尺度变换,获得多尺度图像特征向量。
可选地,所述步骤S12具体包括:
A1、对所述正样本集和负样本集的图像块进行卷积处理,得到至少1个多尺度样本集。
A2、将所述至少1个多尺度样本集转换为列向量,再根据所述列向量转换程高维的多尺度图像特征向量。
具体地,可将正样本集和负样本集的图像块与一组矩形滤波器做卷积运算,得到若干个多尺度样本集。所述矩形滤波器集合为:
上述(2)式中,x,y分别表示坐标位置,其可分别取值于滤波器的变长范围,且为整数值,i和j分别是矩形滤波器的宽和高(在一个优选方案中,i与j的最大值是相等的,即滤波器是行列相等的方阵),所述滤波器的宽和高不超过样本尺寸的宽(w)和高(h);将所述卷积运算后的图像块转换为w×h维的列向量,然后,将所述列向量连接成高维(如(w×h)2维)的多尺度图像特征向量X=(x'1,…x'm)T,其中,X表示列向量,x’表示在各维度上的分量值。
步骤S13,将所述多尺度图像特征向量转换成低维图像特征向量。
可选地,所述步骤S13具体包括:
B1、确定稀疏的随机测量矩阵。
B2、根据所述稀疏的随机测量矩阵将所述多尺度图像特征向量映射到低维空间,以将所述多尺度图像特征向量转换成低维图像特征向量。
通过采用稀疏的随机测量矩阵R将所述多尺度图像特征向量X投影到低维空间的低维图像特征向量f。所述稀疏的随机测量矩阵R定义为:
其中,rij为R的数值,s可取任意随机数,但当s取2或者3时,即满足Johnson-Lindenstrauss推论,所述Johnson-Lindenstrauss推论为对所述多尺度变换后的图像进行降维处理时,所述图像块中每两个点之间的距离不变。由于将多尺度图像特征向量映射到低维空间,因此极大降低了需处理的数据量,从而提高了数据处理速度。
可选地,当S取2时,所述稀疏的随机测量矩阵R定义为:
上式中,当s取2时,矩阵元素有1/4的概率为有1/4的概率为有1/2的概率为0,矩阵的计算量减少了1/2。
可选地,当S取3时,所述稀疏随机矩阵R定义为:
上式中,当s取3时,矩阵元素有1/6的概率为有1/6的概率为有2/3的概率为0,矩阵的计算量减少了2/3。
上述稀疏的随机测量矩阵R只需在程序启动时计算一次,跟踪过程中保持不变。采用稀疏的随机测量矩阵R进行降维的方法极大的减少了计算量。
步骤S14,对所述低维图像特征向量中的特征进行分类,根据分类结果确当前帧跟踪到的目标位置。
可选地,所述步骤S14具体包括:
C1、对所述低维图像特征向量进行积分图像,获得图像特征。
C2、对所述图像特征进行分类,确定分类响应值最大的图像特征对应的图像块位置,将所述图像块位置确定为当前帧跟踪到的目标位置。
对所述低维空间的低维图像特征向量f进行积分图像操作,获取所述低维空间的低维图像特征向量f的haar-like特征向量v(图像特征),所述haar-like特征向量即所述低维空间的低维图像特征向量f近似保留原有图像的信息。
具体地,利用朴素贝叶斯分类器H(v)对所述图像特征v进行分类:
其中,y∈{0,1}代表样本标签,y=0表示负样本,y=1表示正样本。
具体地,假设所述正样本与负样本独立且先验概率相等,即p(y=1)=p(y=0)=0.5。根据高维随机向量的随机投影几乎都是高斯分布的定理,可认为在分类器H(v)中的条件概率p(vi|y=1)和p(vi|y=0)也属于高斯分布,并且可以用四个参数来描述,即它们满足下面的条件:
式中,表示正样本的数学期望,表示正样本的标准方差,表示负样本的数学期望,表示负样本的标准方差。比如,当y=1时,与依据如下式子进行增量更新(其中,的更新与相似,的更新与相似,即对于负样本的更新公式,只要把上标1换成0即可):
其中,λ(>0)是学习速率,μ1和σ1的计算公式如下:
步骤S15,采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集,以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集。
其中,第一距离小于第二距离。
具体地,通过下述(10)式在当前帧的下一帧中距目标位置中心很小的距离α范围内采样,得到正样本集,同理,通过下述(11)式采样,可以得到负样本集。
Dα={z||l(z)-lt|<α}, (10)
其中,
步骤S16,重复上述步骤S12至步骤S14后,输出跟踪到的目标位置,实现目标的实时跟踪。
对步骤S15中的两个正、负样本集,按照步骤S12至步骤S14,提取到低维特征向量v,再通过(6)和(7)式,更新分类器H(v)的参数。
可选地,输出跟踪到的目标位置时,输出更新后的分类器H(v)的参数,以便后续直接调用。
本发明第一实施例中,采集当前帧的目标的周围区域的图像,获得至少1个目标的图像块和背景的图像块,所述目标的图像块集合为正样本集,所述背景的图像块集合为负样本集,对所述正样本集和负样本集的图像块进行多尺度变换,获得多尺度图像特征向量,将所述多尺度图像特征向量转换成低维图像特征向量,对所述低维图像特征向量中的特征进行分类,根据分类结果确定当前帧跟踪到的目标位置,采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集,以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集,对新获得的正样本集和负样本集再次变化,分别获得多尺度图像特征向量、低维图像特征向量,进而根据该低维图像特征向量的分类结果输出跟踪到的目标位置,实现目标的实时跟踪。由于对样本集进行多尺度变换、降维、分类操作,因此,使得目标跟踪更准确,且计算量更少,从而保证目标跟踪的实时性。
为了更清楚地描述本发明实施例提供的目标实时跟踪方法的优点,下面以一具体实验结果进行说明:
实验参数设置为:在目标位置lt的中心位置附近,采集正样本的搜索半径α=4(单位:像素),随机选取45个正样本,采集负样本的搜索内半径为外半径为β=30,随机选取50个负样本。对于检测目标位置所需的样本集合Dγ,设置半径γ=20,取1100个样本。对低维特征v的维数设置为50维,对于分类器H(v)的参数更新的学习速率λ,设为0.85。
为了测试实验效果,使用了两种评价方法,一种是成功率,其计算公式如下:
其中,ROIT是跟踪的矩形,ROIG是标注的正确矩形,如果在一帧中,按照公式(12)计算的score大于0.5,则表明这一帧的目标跟踪是成功的。
另一种是目标中心位置误差(单位:像素),即在一帧中,跟踪到的目标的中心位置与目标的真实中心位置的距离。
以人脸、行人、书本和篮球作为运动的目标,分别测试了10秒的视频(每秒35帧),实验结果如表1所示:
表1目标跟踪测试结果
从表1中可以看出,对人脸和书本的跟踪效果最好,而对人脸和书本的跟踪效果好是因为采用了haar-like特征,另外,跟踪能达到实时的速度,是因为特征降维时使用了非常稀疏的随机测量矩阵,以及在计算特征值时使用了积分图像的方法。综上可知,本发明实施例提到的方法可以用于刚体和非刚体运动目标的跟踪。
应理解,在本发明实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例二:
图2示出了本发明第二实施例提供的一种目标实时跟踪装置的结构图,该目标实时跟踪装置可应用于各种智能终端中,该智能终端可以包括经无线接入网RAN与一个或多个核心网进行通信的用户设备,该用户设备可以是移动电话(或称为“蜂窝”电话)、具有移动设备的计算机等,例如,用户设备还可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语音和/或数据。又例如,该移动设备可以包括智能手机、平板电脑、个人数字助理PDA、销售终端POS或车载电脑等。为了便于说明,仅示出了与本发明实施例相关的部分。
该目标实时跟踪装置包括:当前帧样本采集单元21、多尺度图像特征向量获取单元22、低维图像特征向量确定单元23、特征分类单元24、下一帧样本集采集单元25、目标位置输出单元26。其中:
当前帧样本采集单元21,用于采集当前帧的目标的周围区域的图像,获得至少1个目标的图像块和背景的图像块,所述目标的图像块集合为正样本集,所述背景的图像块集合为负样本集。
其中,获取若干个所述目标(正样本)和背景(负样本)的图像块的方法为:在t-1帧图像时,在所述目标位置lt-1的周围,即与距离lt-1小于γ的范围内采样n个图像块,组成正负训练样本集合,所述样本集合为:Dγ={z||l(z)-lt-1|<γ}, (1)
其中n大于或等于1。
多尺度图像特征向量获取单元22,用于对所述正样本集和负样本集的图像块进行多尺度变换,获得多尺度图像特征向量。
可选地,所述多尺度图像特征向量获取单元22包括:
卷积处理模块,用于对所述正样本集和负样本集的图像块进行卷积处理,得到至少1个多尺度样本集。
高维的多尺度图像特征向量确定模块,用于将所述至少1个多尺度样本集转换为列向量,再根据所述列向量转换程高维的多尺度图像特征向量。
具体地,可将正样本集和负样本集的图像块与一组矩形滤波器做卷积运算,得到若干个多尺度样本集。所述矩形滤波器集合为:
上述(2)式中,x,y分别表示坐标位置,其可分别取值于滤波器的变长范围,且为整数值,i和j分别是矩形滤波器的宽和高(在一个优选方案中,i与j的最大值是相等的,即滤波器是行列相等的方阵),所述滤波器的宽和高不超过样本尺寸的宽(w)和高(h);将所述卷积运算后的图像块转换为w×h维的列向量,然后,将所述列向量连接成高维(如(w×h)2维)的多尺度图像特征向量X=(x'1,…x'm)T,其中,X表示列向量,x’表示在各维度上的分量值。
低维图像特征向量确定单元23,用于将所述多尺度图像特征向量转换成低维图像特征向量。
可选地,所述低维图像特征向量确定单元23包括:
稀疏的随机测量矩阵确定模块,用于确定稀疏的随机测量矩阵。
多尺度图像特征向量映射模块,用于根据所述稀疏的随机测量矩阵将所述多尺度图像特征向量映射到低维空间,以将所述多尺度图像特征向量转换成低维图像特征向量。
所述稀疏的随机测量矩阵R定义为:
其中,rij为R的数值,s可取任意随机数,但当s取2或者3时,即满足Johnson-Lindenstrauss推论,所述Johnson-Lindenstrauss推论为对所述多尺度变换后的图像进行降维处理时,所述图像块中每两个点之间的距离不变。由于将多尺度图像特征向量映射到低维空间,因此极大降低了需处理的数据量,从而提高了数据处理速度。
特征分类单元24,用于对所述低维图像特征向量中的特征进行分类,根据分类结果确定当前帧跟踪到的目标位置。
可选地,所述特征分类单元24包括:
积分图像模块,用于对所述低维图像特征向量进行积分图像,获得图像特征。
分类响应值确定模块,用于对所述图像特征进行分类,确定分类响应值最大的图像特征对应的图像块位置,将所述图像块位置确定为当前帧跟踪到的目标位置。
具体地,利用朴素贝叶斯分类器H(v)对所述图像特征v进行分类:
其中,y∈{0,1}代表样本标签,y=0表示负样本,y=1表示正样本。
下一帧样本集采集单元25,用于采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集,以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集。
其中,第一距离小于第二距离。
目标位置输出单元26,用于在再次执行多尺度图像特征向量获取单元、低维图像特征向量确定单元、特征分类单元后,输出跟踪到的目标位置,实现目标的实时跟踪。
可选地,输出跟踪到的目标位置时,输出更新后的分类器H(v)的参数,以便后续直接调用。
本发明第二实施例中,由于对样本集进行多尺度变换、降维、分类操作,因此,使得目标跟踪更准确,且计算量更少,从而保证目标跟踪的实时性。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种目标实时跟踪方法,其特征至于,所述方法包括:
步骤1:采集当前帧的目标的周围区域的图像,获得至少1个目标的图像块和背景的图像块,所述目标的图像块集合为正样本集,所述背景的图像块集合为负样本集;
步骤2:对所述正样本集和负样本集的图像块进行多尺度变换,获得多尺度图像特征向量;
步骤3:将所述多尺度图像特征向量转换成低维图像特征向量;
步骤4:对所述低维图像特征向量中的特征进行分类,根据分类结果确定当前帧跟踪到的目标位置;
步骤5:采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集,以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集;
重复上述步骤2至步骤4后,输出跟踪到的目标位置,实现目标的实时跟踪。
2.根据权利要求1所述的方法,其特征在于,所述步骤2具体包括:
对所述正样本集和负样本集的图像块进行卷积处理,得到至少1个多尺度样本集;
将所述至少1个多尺度样本集转换为列向量,再根据所述列向量转换程高维的多尺度图像特征向量。
3.根据权利要求1所述的方法,其特征在于,所述步骤3具体包括:
确定稀疏的随机测量矩阵;
根据所述稀疏的随机测量矩阵将所述多尺度图像特征向量映射到低维空间,以将所述多尺度图像特征向量转换成低维图像特征向量。
4.根据权利要求1所述的方法,其特征在于,所述步骤4具体包括:
对所述低维图像特征向量进行积分图像,获得图像特征;
对所述图像特征进行分类,确定分类响应值最大的图像特征对应的图像块位置,将所述图像块位置确定为当前帧跟踪到的目标位置。
5.根据权利要求4所述的方法,其特征在于,利用朴素贝叶斯分类器H(v)对所述图像特征v进行分类:
其中,y∈{0,1}代表样本标签,y=0表示负样本,y=1表示正样本。
6.一种目标实时跟踪装置,其特征至于,所述装置包括:
当前帧样本采集单元,用于采集当前帧的目标的周围区域的图像,获得至少1个目标的图像块和背景的图像块,所述目标的图像块集合为正样本集,所述背景的图像块集合为负样本集;
多尺度图像特征向量获取单元,用于对所述正样本集和负样本集的图像块进行多尺度变换,获得多尺度图像特征向量;
低维图像特征向量确定单元,用于将所述多尺度图像特征向量转换成低维图像特征向量;
特征分类单元,用于对所述低维图像特征向量中的特征进行分类,根据分类结果确定当前帧跟踪到的目标位置;
下一帧样本集采集单元,用于采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第一距离内的正样本集,以及采集所述当前帧的下一帧中与所述当前帧跟踪到的目标位置的第二距离内的负样本集;
目标位置输出单元,用于在再次执行多尺度图像特征向量获取单元、低维图像特征向量确定单元、特征分类单元后,输出跟踪到的目标位置,实现目标的实时跟踪。
7.根据权利要求6所述的装置,其特征在于,所述多尺度图像特征向量获取单元包括:
卷积处理模块,用于对所述正样本集和负样本集的图像块进行卷积处理,得到至少1个多尺度样本集;
高维的多尺度图像特征向量确定模块,用于将所述至少1个多尺度样本集转换为列向量,再根据所述列向量转换程高维的多尺度图像特征向量。
8.根据权利要求6所述的装置,其特征在于,所述低维图像特征向量确定单元包括:
稀疏的随机测量矩阵确定模块,用于确定稀疏的随机测量矩阵;
多尺度图像特征向量映射模块,用于根据所述稀疏的随机测量矩阵将所述多尺度图像特征向量映射到低维空间,以将所述多尺度图像特征向量转换成低维图像特征向量。
9.根据权利要求6所述的装置,其特征在于,所述特征分类单元包括:
积分图像模块,用于对所述低维图像特征向量进行积分图像,获得图像特征;
分类响应值确定模块,用于对所述图像特征进行分类,确定分类响应值最大的图像特征对应的图像块位置,将所述图像块位置确定为当前帧跟踪到的目标位置。
10.根据权利要求9所述的装置,其特征在于,利用朴素贝叶斯分类器H(v)对所述图像特征v进行分类:
其中,y∈{0,1}代表样本标签,y=0表示负样本,y=1表示正样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611058621.0A CN106709935A (zh) | 2016-11-25 | 2016-11-25 | 目标实时跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611058621.0A CN106709935A (zh) | 2016-11-25 | 2016-11-25 | 目标实时跟踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106709935A true CN106709935A (zh) | 2017-05-24 |
Family
ID=58934793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611058621.0A Pending CN106709935A (zh) | 2016-11-25 | 2016-11-25 | 目标实时跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709935A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197671A (zh) * | 2018-02-02 | 2018-06-22 | 石家庄铁道大学 | 一种基于压缩特征表示的混凝土裂缝检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104021577A (zh) * | 2014-06-19 | 2014-09-03 | 上海交通大学 | 一种基于局部背景学习的视频跟踪方法 |
CN104331909A (zh) * | 2014-11-21 | 2015-02-04 | 中国矿业大学(北京) | 基于梯度特征的暗环境视频目标实时跟踪方法 |
CN104346811A (zh) * | 2014-09-30 | 2015-02-11 | 深圳市华尊科技有限公司 | 基于视频图像的目标实时追踪方法及其装置 |
CN106097393A (zh) * | 2016-06-17 | 2016-11-09 | 浙江工业大学 | 一种基于多尺度与自适应更新的目标跟踪方法 |
-
2016
- 2016-11-25 CN CN201611058621.0A patent/CN106709935A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104021577A (zh) * | 2014-06-19 | 2014-09-03 | 上海交通大学 | 一种基于局部背景学习的视频跟踪方法 |
CN104346811A (zh) * | 2014-09-30 | 2015-02-11 | 深圳市华尊科技有限公司 | 基于视频图像的目标实时追踪方法及其装置 |
CN104331909A (zh) * | 2014-11-21 | 2015-02-04 | 中国矿业大学(北京) | 基于梯度特征的暗环境视频目标实时跟踪方法 |
CN106097393A (zh) * | 2016-06-17 | 2016-11-09 | 浙江工业大学 | 一种基于多尺度与自适应更新的目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
KAIHUA ZHANG ET AL: "Real-Time Compressive Tracking", 《COMPUTER VISION-ECCV 2012》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197671A (zh) * | 2018-02-02 | 2018-06-22 | 石家庄铁道大学 | 一种基于压缩特征表示的混凝土裂缝检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN110807385B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN111726765B (zh) | 一种面向大规模复杂场景的wifi室内定位方法及系统 | |
CN104751147A (zh) | 一种图像识别方法 | |
Ajagbe et al. | Investigating the efficiency of deep learning models in bioinspired object detection | |
CN107767416A (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
CN103985143A (zh) | 基于字典学习的视频中判别性在线目标跟踪方法 | |
CN112949655A (zh) | 一种结合注意力混合裁剪的细粒度图像识别方法 | |
CN104281835A (zh) | 基于局部敏感的核稀疏表示的人脸识别方法 | |
CN109003291A (zh) | 目标跟踪方法及装置 | |
CN103839066A (zh) | 一种源于生物视觉的特征提取方法 | |
Chen et al. | Image classification based on convolutional denoising sparse autoencoder | |
Alsanad et al. | Real-time fuel truck detection algorithm based on deep convolutional neural network | |
Zeng et al. | A novel tensor decomposition-based efficient detector for low-altitude aerial objects with knowledge distillation scheme | |
Ha et al. | Selective deep convolutional neural network for low cost distorted image classification | |
Wang et al. | Small vehicle classification in the wild using generative adversarial network | |
Kiratiratanapruk et al. | Automatic detection of rice disease in images of various leaf sizes | |
CN106709935A (zh) | 目标实时跟踪方法及装置 | |
CN110852255B (zh) | 一种基于u型特征金字塔的交通目标检测方法 | |
Zhao et al. | Aggregated residual dilation-based feature pyramid network for object detection | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN103473562B (zh) | 特定人体动作的自动训练和识别系统 | |
CN109767457A (zh) | 在线多示例学习目标跟踪方法、终端设备及存储介质 | |
Vijayan et al. | Contextual background modeling using deep convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20170821 Address after: 361000, Xiamen three software park, Fujian Province, 8 North Street, room 2001 Applicant after: Xiamen Central Intelligent Information Technology Co., Ltd. Address before: 361000 Fujian province Xiamen software park two sunrise Road No. 32 403 unit 02 District Applicant before: XIAMEN ZHONGKONG BIOLOGICAL RECOGNITION INFORMATION TECHNOLOGY CO., LTD. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170524 |
|
RJ01 | Rejection of invention patent application after publication |