CN106909934A - 一种基于自适应搜索的目标跟踪方法及装置 - Google Patents

一种基于自适应搜索的目标跟踪方法及装置 Download PDF

Info

Publication number
CN106909934A
CN106909934A CN201710039620.XA CN201710039620A CN106909934A CN 106909934 A CN106909934 A CN 106909934A CN 201710039620 A CN201710039620 A CN 201710039620A CN 106909934 A CN106909934 A CN 106909934A
Authority
CN
China
Prior art keywords
target object
target
similarity
tracked
tracking
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
Application number
CN201710039620.XA
Other languages
English (en)
Other versions
CN106909934B (zh
Inventor
李宜博
王运节
张如高
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.)
Bocom Intelligent Information Technology Co Ltd Shanghai Branch
Original Assignee
Bocom Intelligent Information Technology Co Ltd Shanghai Branch
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 Bocom Intelligent Information Technology Co Ltd Shanghai Branch filed Critical Bocom Intelligent Information Technology Co Ltd Shanghai Branch
Priority to CN201710039620.XA priority Critical patent/CN106909934B/zh
Publication of CN106909934A publication Critical patent/CN106909934A/zh
Application granted granted Critical
Publication of CN106909934B publication Critical patent/CN106909934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

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

本发明提供的基于自适应搜索的目标的跟踪方法，首先对目标物体进行跟踪，得到跟踪位置，然后计算所述跟踪位置与目标物体的原始位置的相似度，若所述相似度小于预设阈值，通过级联检测器获取多个候选跟踪区域，将所述候选跟踪区域聚类置信度最高的区域为跟踪结果；若所述相似度不小于预设阈值，则获取跟踪位置中的目标物体的尺寸，根据目标物体的尺寸更新原始目标物体，下一帧图像根据更新后的目标尺寸对目标物体进行跟踪。该方案中，通如果与原始位置的差别太大，则说明目标快速移动而导致跟踪失败，如果差别较小，则说明跟踪成功。该方法可以适用于目标物体被遮挡或者目标物体快速移动的情况进行跟踪，具有更好的跟踪效果。

Description

一种基于自适应搜索的目标跟踪方法及装置
技术领域
本发明涉及计算机视觉领域，具体涉及一种基于自适应搜索的目标跟踪方法及装置。
背景技术
在计算机视觉领域，目标跟踪一直是热点研究领域之一。所谓目标跟踪，即是在一个连续的图像序列中，对感兴趣的目标进行持续的定位的过程。目标跟踪广泛应用于军事、交通、监控等多个领域。由于光照变化，目标形变，目标遮挡以及实时性等因素影响，精确的目标跟踪算法还难以实现。
核相关滤波跟踪算法是近年来发展起来的一种效果较好的跟踪算法，采用循环移位的思想，构造大量的样本来训练分类器，同时利用离散傅里叶变换降低分类器训练和检测过程中的运算量。
但是核相关滤波跟踪算法存在一些固有的问题：首先，当目标物体被连续遮挡时，遮挡物会遮挡住目标，从而导致跟踪结果偏离。其次，在目标物体的尺度或形态发生较大变化的情况下，跟踪性能受到很大的限制。因此如何在跟踪目标发生变化时更好的进行跟踪称为亟待解决的问题。再次，如果目标物体快速移动，超出了跟踪算法的搜索区域，则无法跟踪到目标物体，导致跟踪性能也会受到影响。
发明内容
因此，本发明要解决的技术问题在于现有技术中的跟踪方法当目标物体被遮挡或尺寸发生变化或目标物体快速移动超出目标跟踪范围时导致跟踪失败。
为此，本发明提供一种基于自适应搜索的目标的跟踪方法，其包括如下步骤：
获取目标物体的原始位置；
根据所述原始位置对目标物体进行跟踪，得到跟踪位置；
计算所述跟踪位置与目标物体的原始位置的相似度；
判断所述相似度是否小于预设阈值；
若所述相似度小于预设阈值，通过级联检测器获取多个候选跟踪区域，将所述候选跟踪区域聚类置信度最高的区域为跟踪结果，用所述跟踪结果更新所述目标物体的原始位置，下一帧图像中在更新后的位置对目标物体进行跟踪；
若所述相似度不小于预设阈值，则获取跟踪位置中的目标物体的尺寸，根据目标物体的尺寸更新原始目标物体，下一帧图像根据更新后的目标尺寸对目标物体进行跟踪。
优选地，对目标物体进行跟踪的步骤中，采用核相关滤波跟踪算法进行跟踪。
优选地，所述级联检测器包括依次连接的方差分类器、集成分类器和最近邻分类器。
优选地，所述集成分类器和所述最近邻分类器通过正负样本来训练。
此外，本发明提供一种快速移动目标的跟踪装置，包括：
原始位置提取单元，用于获取目标物体的原始位置；
跟踪单元，用于根据所述原始位置对目标物体进行跟踪，得到跟踪位置；
相似度计算单元，用于计算所述跟踪位置与目标物体的原始位置的相似度；
判断单元，用于判断所述相似度是否小于预设阈值；
判断所述相似度是否小于预设阈值；
第一跟踪单元，用于若所述相似度小于预设阈值，通过级联检测器获取多个候选跟踪区域，将所述候选跟踪区域聚类置信度最高的区域为跟踪结果，用所述跟踪结果更新所述目标物体的原始位置，下一帧图像中在更新后的位置对目标物体进行跟踪；
第二跟踪单元，用于若所述相似度不小于预设阈值，则获取跟踪位置中的目标物体的尺寸，根据目标物体的尺寸更新原始目标物体，下一帧图像根据更新后的目标尺寸对目标物体进行跟踪。
优选地，采用核相关滤波跟踪算法进行跟踪。
优选地，所述级联检测器包括依次连接的方差分类器、集成分类器和最近邻分类器。
优选地，所述集成分类器和所述最近邻分类器通过正负样本来训练。
本发明技术方案，具有如下优点：
本发明提供的基于自适应搜索的目标的跟踪方法，首先获取目标物体的原始位置，根据该位置对目标物体进行跟踪，得到跟踪位置，然后计算所述跟踪位置与目标物体的原始位置的相似度，若所述相似度小于预设阈值，通过级联检测器获取多个候选跟踪区域，将所述候选跟踪区域聚类置信度最高的区域为跟踪结果；若所述相似度不小于预设阈值，则获取跟踪位置中的目标物体的尺寸，根据目标物体的尺寸更新原始目标物体，下一帧图像根据更新后的目标尺寸对目标物体进行跟踪。该方案中，通过级联检测器对跟踪结果进行校对，如果与原始位置的差别太大，则说明目标快速移动而导致跟踪失败，此时则通过级联检测器检测出现目标物体的多个区域，通过聚类选择最优的区域作为跟踪结果。如果差别较小，则说明跟踪成功，但目标物体的尺寸或形态发生变化，通过最新的目标物体的形态更新原始目标，为后续准确跟踪奠定基础。该方法能够克服现有算法在目标快速移动条件下或在目标物体遮挡、尺寸变化时导致跟踪失败的情况，改善现有算法的性能。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于自适应搜索的目标跟踪方法的一个具体示例的流程图。
图2为本发明实施例中一种基于自适应搜索的目标跟踪装置的一个具体示例的结构框图；
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例中提供一种基于自适应搜索的目标跟踪方法，用于跟踪目标物体，尤其对于快速移动的目标物体可以更好的进行跟踪。该方法可以用户电脑、服务器等智能设备中，对输入的视频中的目标物体进行跟踪。
本实施例中的基于自适应搜索的目标跟踪方法如图1所示，包括如下步骤：
S1、获取目标物体的原始位置。在视频初始帧，给定目标初始位置。
S2、根据所述原始位置对目标物体进行跟踪，得到跟踪位置，跟踪位置为一个矩形框。对目标物体进行跟踪的步骤中，采用核相关滤波跟踪算法进行跟踪。
核相关滤波算法的跟踪过程可以分解为如下几步：
第一步，在初始帧图像中，目标初始位置位于位置p(t)。在第I(t)帧图像中，在位置p(t)附近采样，训练一个回归器，这个回归器能够计算每个采样小窗口的响应。
第二步，在I(t+1)帧中，在前一帧位置p(t)附近采样，用上一帧训练的回归器计算每个采样窗口的响应，响应最大的窗口作为本帧的目标位置p(t+1)，该目标位置即为跟踪结果。
核相关滤波算法具有以下优点：首先，使用目标区域周围区域的循环矩阵采集正负样本，利用岭回归训练回归器，并成功的利用循环矩阵在傅里叶空间可对角化的性质，大大降低运算量，提高算法运算速度。其次，将线性岭回归通过核函数映射到非线性空间，使线性不可分的样本在非线性空间中可分。
核相关滤波算法中，所有的训练样本是由目标样本循环移位得到，循环移位可由排列矩阵得到，对于二维图像，可以通过x轴和y轴分别循环移动实现不同位置的移动。
通过循环移位构造出来的二维图像训练样本如下所示：
这样所有的训练样本就得到了，然后通过岭回归和傅里叶变换的方法训练分类器。
设训练样本集(xi，yi),那么其线性回归函数f(xi)＝ωTxi,w是列向量表示权重系数，可通过最小二乘法求解，
通过求偏导数，进行化简，得到最后解析解的形式：
w＝(XHY+λ)-1XHy
然后通过引入傅里叶变换，降低矩阵求逆的计算复杂度。
S3、计算所述跟踪位置与目标物体的原始位置的相似度。
可以通过最近邻分类器来计算跟踪位置与目标物体的原始位置的相似度，在最近邻分类器中预先存储目标物体的原始位置。跟踪结果返回目标矩形框，计算该位置与最近邻分类器中保存的真实的目标位置的相关相似度S(r)。
S4、判断所述相似度是否小于预设阈值。S(r)大于或等于阈值则认为跟踪成功，执行S5-S6；若S(r)小于设定的阈值，就认为当前目标由于快速移动导致跟踪失败，执行S7-S9。
S5、若所述相似度大于预设阈值，获取跟踪位置中的目标物体的尺寸。
S6、根据目标物体的尺寸更新原始目标物体，下一帧图像中在更新后的位置对目标物体进行跟踪。这种情况下认为跟踪成功，但是由于物体的尺寸形态等发生变化，此时需要进一步对目标物体的尺寸进行调整，以使其与遮挡或尺寸变化后的图像相适应。能够克服现有技术中的跟踪方法当目标物体被遮挡或尺寸发生变化时导致跟踪失败，改善现有算法的性能。
S7、若所述相似度小于预设阈值，通过级联检测器获取多个候选跟踪区域。
由于跟踪算法在新的一帧跟踪时，是在上一帧的目标位置附近采样，计算回归响应，这就导致算法无法解决目标快速移动和尺度变化的情况，因此引入级联检测器部分对这两种情况进行修正。
级联检测器通过滑动窗口来扫描输入图像，然后判断每个窗口中有没有目标，级联检测器主要包含三个模块：方差分类器，集成分类器和最近邻分类器。
初始化阶段：按照一定的步长和缩放比例得到能够包含所有可能的大小和变换的初始扫描网格，正样本从给定目标初始位置合成得到。在距离初始矩形框最近的扫描网格中，选择10个矩形框，对于每一个矩形框，我们通过几何变换(±1％的偏移，±1％比例缩放，±10°的平面旋转)生成20个不同矩形框，并附加以方差为5的标准高斯噪声，最后得到200个正样本。负样本是从初始矩形框的周围搜选得到的，不需要进行仿射变换。
通过初始化得到的正负样本，训练集成分类器和最近邻分类器。
最近邻分类器中相关相似度S(r)变化范围从0到1。取值越大表示图像块越有可能是目标区域。
其中S(+)是正样本相似度：
其中S(-)是负样本相似度：
在最近邻分类器计算过程中，相关相似度S(r)被用于指出一个任意的图像块和目标模型中的部分有多大的相似。如果Sr(p，M)＞θNN，那么图像p被分类为正样本，否则就被分类为负样本。
扫描图像分类阶段：在方差分类器模块中，计算图像块方差，如果这个图像块的方差小于目标图像块方差的一半，就拒绝这个图像块。集成分类器是由一系列基本分类器组成，通过计算图像的LBP特征，来判断图像块是否输出。通过前两步，图像块得到了大幅的减少，利用最近邻分类器，输出最终的目标区域，此处的目标区域便是候选跟踪区域。
S8、将所述候选跟踪区域聚类置信度最高的区域为跟踪结果。针对级联检测器会返回若干个候选跟踪区域，每个候选跟踪区域对应一个相关相似度，通过聚类，得到几个最可信的目标区域，利用加权平均，输出最终的一个检测结果。
S9、用所述跟踪结果更新所述目标物体的原始位置，下一帧图像中在更新后的位置对目标物体进行跟踪。从而提高了后续帧图像跟踪的准确度。
该方案中，通过级联检测器对跟踪结果进行校对，如果与原始位置的差别太大，则说明目标快速移动而导致跟踪失败，此时则通过级联检测器检测出现目标物体的多个区域，通过聚类选择最优的区域作为跟踪结果。如果差别较小，则说明跟踪成功，但目标物体的尺寸或形态发生变化，通过最新的目标物体的形态更新原始目标，为后续准确跟踪奠定基础。该方法能够克服现有算法在目标快速移动条件下或在目标物体遮挡、尺寸变化时导致跟踪失败的情况，改善现有算法的性能。
与现有技术相比，基于核相关滤波算法利用循环矩阵的方法，有效的构造大量样本，能够得到较好的分类器，并利用傅里叶变换降低运算时间，同时本发明利用级联检测器检测结果，有效的解决了目标快速移动和目标多尺度的问题。
实施例2：
本实施例中提供一种基于自适应搜索的目标的跟踪装置，用于对视频图像中的目标物体进行跟踪，尤其适用于快速移动的目标和存在遮挡的目标，该装置结构如图2所示，包括：
原始位置提取单元21，用于获取目标物体的原始位置；
跟踪单元22，用于根据所述原始位置对目标物体进行跟踪，得到跟踪位置；采用核相关滤波跟踪算法进行跟踪。
相似度计算单元23，用于计算所述跟踪位置与目标物体的原始位置的相似度；
判断单元24，用于判断所述相似度是否小于预设阈值；
第一跟踪单元25，用于若所述相似度小于预设阈值，通过级联检测器获取多个候选跟踪区域，将所述候选跟踪区域聚类置信度最高的区域为跟踪结果，用所述跟踪结果更新所述目标物体的原始位置，下一帧图像中在更新后的位置对目标物体进行跟踪；
第二跟踪单元26，用于若所述相似度不小于预设阈值，则获取跟踪位置中的目标物体的尺寸，根据目标物体的尺寸更新原始目标物体，下一帧图像根据更新后的目标尺寸对目标物体进行跟踪。
其中，采用核相关滤波跟踪算法进行跟踪。所述级联检测器包括依次连接的方差分类器、集成分类器和最近邻分类器。所述集成分类器和所述最近邻分类器通过正负样本来训练。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质
(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种基于自适应搜索的目标的跟踪方法，其特征在于，包括如下步骤：
获取目标物体的原始位置；
根据所述原始位置对目标物体进行跟踪，得到跟踪位置；
计算所述跟踪位置与目标物体的原始位置的相似度；
判断所述相似度是否小于预设阈值；
若所述相似度小于预设阈值，通过级联检测器获取多个候选跟踪区域，将所述候选跟踪区域聚类置信度最高的区域为跟踪结果，用所述跟踪结果更新所述目标物体的原始位置，下一帧图像中在更新后的位置对目标物体进行跟踪；
若所述相似度不小于预设阈值，则获取跟踪位置中的目标物体的尺寸，根据目标物体的尺寸更新原始目标物体，下一帧图像根据更新后的目标尺寸对目标物体进行跟踪。
2.根据权利要求1所述的方法，其特征在于，对目标物体进行跟踪的步骤中，采用核相关滤波跟踪算法进行跟踪。
3.根据权利要求1或2所述的方法，其特征在于，所述级联检测器包括依次连接的方差分类器、集成分类器和最近邻分类器。
4.根据权利要求3所述的方法，其特征在于，所述集成分类器和所述最近邻分类器通过正负样本来训练。
5.一种基于自适应搜索的目标的跟踪装置，其特征在于，包括：
原始位置提取单元，用于获取目标物体的原始位置；
跟踪单元，用于根据所述原始位置对目标物体进行跟踪，得到跟踪位置；
相似度计算单元，用于计算所述跟踪位置与目标物体的原始位置的相似度；
判断单元，用于判断所述相似度是否小于预设阈值；
判断所述相似度是否小于预设阈值；
第一跟踪单元，用于若所述相似度小于预设阈值，通过级联检测器获取多个候选跟踪区域，将所述候选跟踪区域聚类置信度最高的区域为跟踪结果，用所述跟踪结果更新所述目标物体的原始位置，下一帧图像中在更新后的位置对目标物体进行跟踪；
第二跟踪单元，用于若所述相似度不小于预设阈值，则获取跟踪位置中的目标物体的尺寸，根据目标物体的尺寸更新原始目标物体，下一帧图像根据更新后的目标尺寸对目标物体进行跟踪。
6.根据权利要求5所述的装置，其特征在于，采用核相关滤波跟踪算法进行跟踪。
7.根据权利要求5所述的装置，其特征在于，所述级联检测器包括依次连接的方差分类器、集成分类器和最近邻分类器。
8.根据权利要求5所述的装置，其特征在于，所述集成分类器和所述最近邻分类器通过正负样本来训练。
CN201710039620.XA 2017-01-19 2017-01-19 一种基于自适应搜索的目标跟踪方法及装置 Active CN106909934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710039620.XA CN106909934B (zh) 2017-01-19 2017-01-19 一种基于自适应搜索的目标跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710039620.XA CN106909934B (zh) 2017-01-19 2017-01-19 一种基于自适应搜索的目标跟踪方法及装置

Publications (2)

Publication Number Publication Date
CN106909934A true CN106909934A (zh) 2017-06-30
CN106909934B CN106909934B (zh) 2021-02-05

Family

ID=59206552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710039620.XA Active CN106909934B (zh) 2017-01-19 2017-01-19 一种基于自适应搜索的目标跟踪方法及装置

Country Status (1)

Country Link
CN (1) CN106909934B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480704A (zh) * 2017-07-24 2017-12-15 南开大学 一种具有遮挡感知机制的实时视觉目标跟踪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945554A (zh) * 2012-10-25 2013-02-27 西安电子科技大学 基于学习和加速鲁棒surf特征的目标跟踪方法
CN102982340A (zh) * 2012-10-31 2013-03-20 中国科学院长春光学精密机械与物理研究所 基于半监督学习和随机蕨类分类器的目标跟踪方法
CN103325126A (zh) * 2013-07-09 2013-09-25 中国石油大学(华东) 一种在尺度变化和遮挡情况下的视频目标跟踪方法
CN103440669A (zh) * 2013-09-10 2013-12-11 武汉大学 一种基于压缩域融合的Mean shift核窗宽动态更新方法
CN103927762A (zh) * 2013-01-11 2014-07-16 浙江大华技术股份有限公司 一种目标车辆自动跟踪方法及装置
CN104240266A (zh) * 2014-09-04 2014-12-24 成都理想境界科技有限公司 基于颜色-结构特征的目标对象跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945554A (zh) * 2012-10-25 2013-02-27 西安电子科技大学 基于学习和加速鲁棒surf特征的目标跟踪方法
CN102982340A (zh) * 2012-10-31 2013-03-20 中国科学院长春光学精密机械与物理研究所 基于半监督学习和随机蕨类分类器的目标跟踪方法
CN103927762A (zh) * 2013-01-11 2014-07-16 浙江大华技术股份有限公司 一种目标车辆自动跟踪方法及装置
CN103325126A (zh) * 2013-07-09 2013-09-25 中国石油大学(华东) 一种在尺度变化和遮挡情况下的视频目标跟踪方法
CN103440669A (zh) * 2013-09-10 2013-12-11 武汉大学 一种基于压缩域融合的Mean shift核窗宽动态更新方法
CN104240266A (zh) * 2014-09-04 2014-12-24 成都理想境界科技有限公司 基于颜色-结构特征的目标对象跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷帮军 等: "《视频目标跟踪系统分步详解》", 31 December 2015, 《北京：国防工业大学出版社》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480704A (zh) * 2017-07-24 2017-12-15 南开大学 一种具有遮挡感知机制的实时视觉目标跟踪方法
CN107480704B (zh) * 2017-07-24 2021-06-29 无际智控(天津)智能科技有限公司 一种具有遮挡感知机制的实时视觉目标跟踪方法

Also Published As

Publication number Publication date
CN106909934B (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN109059895B (zh) 一种基于手机摄像头和传感器的多模态室内测距及定位方法
Yang et al. SiamAtt: Siamese attention network for visual tracking
Shi et al. Orientation-aware vehicle detection in aerial images via an anchor-free object detection approach
Chen et al. SiamBAN: Target-aware tracking with Siamese box adaptive network
CN106952288B (zh) 基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法
CN109816689A (zh) 一种多层卷积特征自适应融合的运动目标跟踪方法
CN105260749B (zh) 基于方向梯度二值模式和软级联svm的实时目标检测方法
CN103886325B (zh) 一种分块的循环矩阵视频跟踪方法
CN103208008A (zh) 基于机器视觉的交通视频监控目标检测快速适应方法
CN106909935A (zh) 一种目标跟踪方法及装置
CN109087337B (zh) 基于分层卷积特征的长时间目标跟踪方法及系统
Zhu et al. Tiny object tracking: A large-scale dataset and a baseline
CN106909885A (zh) 一种基于目标候选的目标跟踪方法及装置
Lan et al. An improved YOLOv3 method for PCB surface defect detection
CN106875421A (zh) 一种多目标跟踪方法及装置
CN110991397B (zh) 一种行进方向确定方法及相关设备
Tao et al. Gap detection of switch machines in complex environment based on object detection and image processing
CN112861808B (zh) 动态手势识别方法、装置、计算机设备及可读存储介质
Zhou et al. TS4Net: Two-stage sample selective strategy for rotating object detection
CN113468968A (zh) 一种基于无锚框的遥感图像旋转目标检测方法
CN106897735A (zh) 一种快速移动目标的跟踪方法及装置
CN111091101A (zh) 基于一步法的高精度行人检测方法、系统、装置
Ni et al. An improved adaptive ORB-SLAM method for monocular vision robot under dynamic environments
Cheng et al. YOLOv3 Object Detection Algorithm with Feature Pyramid Attention for Remote Sensing Images.
Zhang et al. Spatio-temporal matching for siamese visual tracking

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
GR01 Patent grant
GR01 Patent grant