CN107103616A - 一种目标跟踪方法及系统 - Google Patents

一种目标跟踪方法及系统 Download PDF

Info

Publication number
CN107103616A
CN107103616A CN201710288110.6A CN201710288110A CN107103616A CN 107103616 A CN107103616 A CN 107103616A CN 201710288110 A CN201710288110 A CN 201710288110A CN 107103616 A CN107103616 A CN 107103616A
Authority
CN
China
Prior art keywords
tracking
target object
scale
training
sample
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
CN201710288110.6A
Other languages
English (en)
Other versions
CN107103616B (zh
Inventor
朱明�
周同雪
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.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and Physics of CAS
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 Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN201710288110.6A priority Critical patent/CN107103616B/zh
Publication of CN107103616A publication Critical patent/CN107103616A/zh
Application granted granted Critical
Publication of CN107103616B publication Critical patent/CN107103616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了一种目标跟踪方法及系统，该方法包括：利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；确定当前所述目标对象的尺度，并利用该尺度以及跟踪位置坐标对目标对象进行跟踪。可见，本申请在利用跟踪算法得到目标对象的跟踪位置坐标之后，还将进一步确定出当前目标对象的尺度，然后基于上述确定出来的当前目标对象的尺度以及上述跟踪位置坐标，对目标对象展开跟踪，这样能够使得最终的跟踪效果可以实时反映出当前目标对象的尺度，由此极大地改善了目标跟踪效果。

Description

一种目标跟踪方法及系统
技术领域
本发明涉及目标跟踪技术领域，特别涉及一种目标跟踪方法及系统。
背景技术
当前，越来越多的应用场景需要进行视频图像采集，以获取场景中的相关视频图像信息。而在某些特定的情况下，还需要对视频图像中的特定目标进行识别跟踪，以获取特定目标所处的位置信息。现有的目标跟踪技术，能够大体上满足人们对目标跟踪的基本要求，应用范围越来越广，在交通、犯罪侦查、拍照、打击恐怖主义等方面取得了显著成效。
然而，现有的目标跟踪技术依然存在跟踪效果较差的问题，如何进一步改善目标跟踪效果是目前还有待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种目标跟踪方法及系统，能够进一步改善目标跟踪效果。其具体方案如下：
一种目标跟踪方法，包括：
利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；
确定当前所述目标对象的尺度，并利用该尺度以及所述跟踪位置坐标对所述目标对象进行跟踪。
可选的，所述利用预设的跟踪算法，对目标对象展开位置坐标跟踪的过程，包括：
利用核相关滤波跟踪算法，对所述目标对象展开位置坐标跟踪，得到所述跟踪位置坐标。
可选的，所述利用核相关滤波跟踪算法，对所述目标对象展开位置坐标跟踪的过程，包括：
对所述目标对象周围进行密集采样，得到相应的训练样本集；
提取所述训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征；
基于所述融合特征，通过核回归训练出第一正则化最小二乘分类器，得到位置相关滤波器；
通过求取所述位置相关滤波器响应的最大值以确定出当前所述目标对象的跟踪位置坐标。
可选的，所述提取所述训练样本集中每一训练样本的样本特征的过程，包括：
提取所述训练样本集中每一训练样本的HOG特征、CN特征以及HSV特征。
可选的，在对所述目标对象展开位置坐标跟踪的过程中，还包括：
判断所述目标对象是否受到遮挡；
若所述目标对象没有受到遮挡，则对所述第一正则化最小二乘分类器进行更新；
若所述目标对象受到遮挡，则禁止对所述第一正则化最小二乘分类器进行更新。
可选的，所述确定当前所述目标对象的尺度的过程，包括：
在所述跟踪位置坐标附近提取不同尺度大小的样本，然后确定出相应的尺度样本融合特征；
利用尺度样本融合特征训练出第二正则化最小二乘分类器，得到尺度相关滤波器；
将使所述尺度相关滤波器输出响应取得最大值的尺度确定为当前所述目标对象的尺度。
本发明还相应公开了一种目标跟踪系统，包括：
位置坐标确定模块，用于利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；
尺度确定模块，用于确定当前所述目标对象的尺度；
目标跟踪模块，用于利用所述尺度确定模块确定出的尺度以及所述跟踪位置坐标对所述目标对象进行跟踪。
可选的，所述位置坐标确定模块，包括：
采样单元，用于对所述目标对象周围进行密集采样，得到相应的训练样本集；
特征获取单元，用于提取所述训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征；
第一分类器训练单元，用于基于所述融合特征，通过核回归训练出第一正则化最小二乘分类器，得到位置相关滤波器；
跟踪位置坐标确定单元，用于通过求取所述位置相关滤波器响应的最大值以确定出当前所述目标对象的跟踪位置坐标。
可选的，所述目标跟踪系统，还包括：
遮挡判断单元，用于判断所述目标对象是否受到遮挡；
分类器更新单元，用于在所述目标对象没有受到遮挡的情况下，对所述第一正则化最小二乘分类器进行更新；
禁止更新单元，用于在所述目标对象受到遮挡的情况下，禁止对所述第一正则化最小二乘分类器进行更新。
可选的，所述尺度确定模块，包括：
尺度样本处理单元，用于在所述跟踪位置坐标附近提取不同尺度大小的样本，然后确定出相应的尺度样本融合特征；
第二分类器训练单元，用于利用尺度样本融合特征训练出第二正则化最小二乘分类器，得到尺度相关滤波器；
尺度确定单元，用于将使所述尺度相关滤波器输出响应取得最大值的尺度确定为当前所述目标对象的尺度。
本发明中，目标跟踪方法，包括：利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；确定当前所述目标对象的尺度，并利用该尺度以及跟踪位置坐标对目标对象进行跟踪。
可见，本发明在利用跟踪算法得到目标对象的跟踪位置坐标之后，还将进一步确定出当前目标对象的尺度，然后基于上述确定出来的当前目标对象的尺度以及上述跟踪位置坐标，对目标对象展开跟踪，这样能够使得最终的跟踪效果可以实时反映出当前目标对象的尺度，由此极大地改善了目标跟踪效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种目标跟踪方法流程图；
图2为本发明实施例公开的一种具体的目标跟踪方法流程图；
图3为本发明实施例公开的一种目标跟踪系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明实施例公开了一种目标跟踪方法，参见图1所示，该方法包括：
步骤S11：利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标。
需要说明的是，上述预设的跟踪算法具体是现有技术中已经公开的跟踪算法。
步骤S12：确定当前所述目标对象的尺度，并利用该尺度以及跟踪位置坐标对目标对象进行跟踪。
可见，本发明实施例在利用跟踪算法得到目标对象的跟踪位置坐标之后，还将进一步确定出当前目标对象的尺度，然后基于上述确定出来的当前目标对象的尺度以及上述跟踪位置坐标，对目标对象展开跟踪，这样能够使得最终的跟踪效果可以实时反映出当前目标对象的尺度，由此极大地改善了目标跟踪效果。
参见图2所示，本发明实施例公开了一种具体的目标跟踪方法，具体包括以下步骤：
步骤S21：利用核相关滤波跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标。
进一步的，上述利用核相关滤波跟踪算法，对目标对象展开位置坐标跟踪的过程，具体可以包括下面步骤S211至S214：
步骤S211：对目标对象周围进行密集采样，得到相应的训练样本集。
步骤S212：提取训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征。
其中，上述提取训练样本集中每一训练样本的样本特征的过程，具体可以包括：提取训练样本集中每一训练样本的HOG特征(HOG，即Histogram of Oriented Gradient)、CN特征(CN，即Color-naming)以及HSV特征(HSV，即Hue,Saturation,Value)。本实施例中，上述HOG特征中包含31维的特征，分别为9维的方向不敏感特征、18维的方向敏感特征以及4维的纹理特征；上述CN特征中包含11维不同的颜色；上述HSV特征中包含色度特征(即Hue特征)以及色度饱和特征(即Saturation特征)。本实施例中，具体可以利用高斯核相关运算对上述31维的HOG特征、11维的CN特征以及2维的HSV特征进行融合，得到相应的融合特征。
步骤S213：基于融合特征，通过核回归训练出第一正则化最小二乘分类器，得到位置相关滤波器。
步骤S214：通过求取位置相关滤波器响应的最大值以确定出当前目标对象的跟踪位置坐标。
具体的，上述步骤S214的过程，也即是将能够使得下面函数f(z)取得最大值的位置确定为当前目标对象的跟踪位置坐标。其中，函数f(z)的表达式为：
式中，表示傅里叶逆变换运算，表示与上述第一正则化最小二乘分类器对应的分类器参数的傅立叶变换，表示kxz的傅立叶变换，kxz表示x与z的高斯核相关，x表示训练样本对应的特征，z表示候选样本对应的特征，⊙表示频域上的点乘运算。
步骤S22：在跟踪位置坐标附近提取不同尺度大小的样本，然后确定出相应的尺度样本融合特征。
步骤S23：利用尺度样本融合特征训练出第二正则化最小二乘分类器，得到尺度相关滤波器。
步骤S24：将使尺度相关滤波器输出响应取得最大值的尺度确定为当前目标对象的尺度。
具体的，本实施例可以在跟踪位置坐标附近提取不同尺度大小的样本，得到尺度池S＝{k1st,k2st,...,kist}，其中，ki表示不同的尺度系数，st表示基本目标模板尺寸。在利用上述尺度池训练出尺度相关滤波器之后，将能够满足以下式子的尺度确定为当前目标对象的尺度，其中，该式子具体为：
式中，表示的傅立叶变换，表示尺度相关滤波器的输出响应，表示尺度系数ki下的检测样本，其中，该检测样本对应的尺度为kist。
步骤S25：利用当前目标对象的尺度以及跟踪位置坐标对目标对象进行跟踪。
进一步的，本实施例在对目标对象展开位置坐标跟踪的过程中，还可以包括：判断目标对象是否受到遮挡；若目标对象没有受到遮挡，则对第一正则化最小二乘分类器进行更新；若目标对象受到遮挡，则禁止对第一正则化最小二乘分类器进行更新。
其中，对第一正则化最小二乘分类器进行更新的相应公式为：
式中，αt′表示更新后的第一正则化最小二乘分类器的分类器参数，αt表示当前帧学习得到的分类器参数，αt-1表示上一帧学习得到的分类器参数，xt′表示更新后的样本特征，xt表示当前帧对应的样本特征，xt-1表示上一帧对应的样本特征，η表示预先设定的更新速率。
进一步的，上述判断目标对象是否受到遮挡的过程，具体可以包括：先确定出能够使得上述函数f(z)取得最大值fmax的位置posmax，然后求取posmax周围大于β1·fmax的所有像素的个数Num，接着判断是否能够满足以下条件[Num÷(Width·Height)]＞β2，如果是，则判定目标对象受到遮挡，如果否，则判定无遮挡。其中，Width以及Height分别表示样本的宽和高，β1和β2均为预先设定的常量。
相应的，本发明实施例还公开一种目标跟踪系统，参见图3所示，该系统包括：
位置坐标确定模块11，用于利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；
尺度确定模块12，用于确定当前目标对象的尺度；
目标跟踪模块13，用于利用尺度确定模块12确定出的尺度以及跟踪位置坐标对目标对象进行跟踪。
具体的，上述位置坐标确定模块，可以包括采样单元、特征获取单元、第一分类器训练单元以及跟踪位置坐标确定单元；其中，
采样单元，用于对目标对象周围进行密集采样，得到相应的训练样本集；
特征获取单元，用于提取训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征；
第一分类器训练单元，用于基于融合特征，通过核回归训练出第一正则化最小二乘分类器，得到位置相关滤波器；
跟踪位置坐标确定单元，用于通过求取位置相关滤波器响应的最大值以确定出当前目标对象的跟踪位置坐标。
进一步的，本发明实施例中的目标跟踪系统，还可以包括遮挡判断单元、分类器更新单元以及禁止更新单元；其中，
遮挡判断单元，用于判断目标对象是否受到遮挡；
分类器更新单元，用于在目标对象没有受到遮挡的情况下，对第一正则化最小二乘分类器进行更新；
禁止更新单元，用于在目标对象受到遮挡的情况下，禁止对第一正则化最小二乘分类器进行更新。
另外，上述尺度确定模块，具体可以包括尺度样本处理单元、第二分类器训练单元以及尺度确定单元；其中，
尺度样本处理单元，用于在跟踪位置坐标附近提取不同尺度大小的样本，然后确定出相应的尺度样本融合特征；
第二分类器训练单元，用于利用尺度样本融合特征训练出第二正则化最小二乘分类器，得到尺度相关滤波器；
尺度确定单元，用于将使尺度相关滤波器输出响应取得最大值的尺度确定为当前目标对象的尺度。
关于上述各个模块和单元的更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本发明实施例在利用跟踪算法得到目标对象的跟踪位置坐标之后，还将进一步确定出当前目标对象的尺度，然后基于上述确定出来的当前目标对象的尺度以及上述跟踪位置坐标，对目标对象展开跟踪，这样能够使得最终的跟踪效果可以实时反映出当前目标对象的尺度，由此极大地改善了目标跟踪效果。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种目标跟踪方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种目标跟踪方法，其特征在于，包括：
利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；
确定当前所述目标对象的尺度，并利用该尺度以及所述跟踪位置坐标对所述目标对象进行跟踪。
2.根据权利要求1所述的目标跟踪方法，其特征在于，所述利用预设的跟踪算法，对目标对象展开位置坐标跟踪的过程，包括：
利用核相关滤波跟踪算法，对所述目标对象展开位置坐标跟踪，得到所述跟踪位置坐标。
3.根据权利要求2所述的目标跟踪方法，其特征在于，所述利用核相关滤波跟踪算法，对所述目标对象展开位置坐标跟踪的过程，包括：
对所述目标对象周围进行密集采样，得到相应的训练样本集；
提取所述训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征；
基于所述融合特征，通过核回归训练出第一正则化最小二乘分类器，得到位置相关滤波器；
通过求取所述位置相关滤波器响应的最大值以确定出当前所述目标对象的跟踪位置坐标。
4.根据权利要求3所述的目标跟踪方法，其特征在于，所述提取所述训练样本集中每一训练样本的样本特征的过程，包括：
提取所述训练样本集中每一训练样本的HOG特征、CN特征以及HSV特征。
5.根据权利要求3所述的目标跟踪方法，其特征在于，在对所述目标对象展开位置坐标跟踪的过程中，还包括：
判断所述目标对象是否受到遮挡；
若所述目标对象没有受到遮挡，则对所述第一正则化最小二乘分类器进行更新；
若所述目标对象受到遮挡，则禁止对所述第一正则化最小二乘分类器进行更新。
6.根据权利要求1至5任一项所述的目标跟踪方法，其特征在于，所述确定当前所述目标对象的尺度的过程，包括：
在所述跟踪位置坐标附近提取不同尺度大小的样本，然后确定出相应的尺度样本融合特征；
利用尺度样本融合特征训练出第二正则化最小二乘分类器，得到尺度相关滤波器；
将使所述尺度相关滤波器输出响应取得最大值的尺度确定为当前所述目标对象的尺度。
7.一种目标跟踪系统，其特征在于，包括：
位置坐标确定模块，用于利用预设的跟踪算法，对目标对象展开位置坐标跟踪，得到跟踪位置坐标；
尺度确定模块，用于确定当前所述目标对象的尺度；
目标跟踪模块，用于利用所述尺度确定模块确定出的尺度以及所述跟踪位置坐标对所述目标对象进行跟踪。
8.根据权利要求7所述的目标跟踪系统，其特征在于，所述位置坐标确定模块，包括：
采样单元，用于对所述目标对象周围进行密集采样，得到相应的训练样本集；
特征获取单元，用于提取所述训练样本集中每一训练样本的样本特征，并对提取出的样本特征进行融合，得到融合特征；
第一分类器训练单元，用于基于所述融合特征，通过核回归训练出第一正则化最小二乘分类器，得到位置相关滤波器；
跟踪位置坐标确定单元，用于通过求取所述位置相关滤波器响应的最大值以确定出当前所述目标对象的跟踪位置坐标。
9.根据权利要求8所述的目标跟踪系统，其特征在于，还包括：
遮挡判断单元，用于判断所述目标对象是否受到遮挡；
分类器更新单元，用于在所述目标对象没有受到遮挡的情况下，对所述第一正则化最小二乘分类器进行更新；
禁止更新单元，用于在所述目标对象受到遮挡的情况下，禁止对所述第一正则化最小二乘分类器进行更新。
10.根据权利要求7至9任一项所述的目标跟踪系统，其特征在于，所述尺度确定模块，包括：
尺度样本处理单元，用于在所述跟踪位置坐标附近提取不同尺度大小的样本，然后确定出相应的尺度样本融合特征；
第二分类器训练单元，用于利用尺度样本融合特征训练出第二正则化最小二乘分类器，得到尺度相关滤波器；
尺度确定单元，用于将使所述尺度相关滤波器输出响应取得最大值的尺度确定为当前所述目标对象的尺度。
CN201710288110.6A 2017-04-27 2017-04-27 一种目标跟踪方法及系统 Active CN107103616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710288110.6A CN107103616B (zh) 2017-04-27 2017-04-27 一种目标跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710288110.6A CN107103616B (zh) 2017-04-27 2017-04-27 一种目标跟踪方法及系统

Publications (2)

Publication Number Publication Date
CN107103616A true CN107103616A (zh) 2017-08-29
CN107103616B CN107103616B (zh) 2020-03-10

Family

ID=59657658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710288110.6A Active CN107103616B (zh) 2017-04-27 2017-04-27 一种目标跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN107103616B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053424A (zh) * 2017-12-15 2018-05-18 深圳云天励飞技术有限公司 目标跟踪方法、装置、电子设备及存储介质
CN108257150A (zh) * 2017-12-20 2018-07-06 北京华航无线电测量研究所 一种基于嵌入式系统的目标相关滤波跟踪方法
CN108596951A (zh) * 2018-03-30 2018-09-28 西安电子科技大学 一种融合特征的目标跟踪方法
CN109166139A (zh) * 2018-07-18 2019-01-08 天津大学 一种结合快速背景抑制的尺度自适应目标跟踪方法
CN109447976A (zh) * 2018-11-01 2019-03-08 电子科技大学 一种基于人工智能的医学图像分割方法及系统
CN109670410A (zh) * 2018-11-29 2019-04-23 昆明理工大学 一种基于多特征的融合的长时运动目标跟踪方法
CN109753036A (zh) * 2018-12-27 2019-05-14 四川艾格瑞特模具科技股份有限公司 一种精密机械加工生产进度跟踪方法
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
CN110298868A (zh) * 2019-06-26 2019-10-01 北京工业大学 一种高实时性的多尺度目标跟踪方法
CN112085765A (zh) * 2020-09-15 2020-12-15 浙江理工大学 结合粒子滤波及度量学习的视频目标跟踪方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103426172A (zh) * 2013-08-08 2013-12-04 深圳一电科技有限公司 基于视觉的目标跟踪方法及装置
CN106296733A (zh) * 2016-08-04 2017-01-04 中国科学院长春光学精密机械与物理研究所 一种图像中目标跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103426172A (zh) * 2013-08-08 2013-12-04 深圳一电科技有限公司 基于视觉的目标跟踪方法及装置
CN106296733A (zh) * 2016-08-04 2017-01-04 中国科学院长春光学精密机械与物理研究所 一种图像中目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG LI等: ""A Scale Adaptive Kernel Correlation Filter Tracker With Feature Integration"", 《ECCV 2014：COMPUTER VISION-ECCV 2014 WORKSHOPS》 *
张雷等: ""采用核相关滤波器的自适应尺度目标跟踪"", 《光学精密工程》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053424B (zh) * 2017-12-15 2020-06-16 深圳云天励飞技术有限公司 目标跟踪方法、装置、电子设备及存储介质
CN108053424A (zh) * 2017-12-15 2018-05-18 深圳云天励飞技术有限公司 目标跟踪方法、装置、电子设备及存储介质
CN108257150A (zh) * 2017-12-20 2018-07-06 北京华航无线电测量研究所 一种基于嵌入式系统的目标相关滤波跟踪方法
CN108596951A (zh) * 2018-03-30 2018-09-28 西安电子科技大学 一种融合特征的目标跟踪方法
CN109166139A (zh) * 2018-07-18 2019-01-08 天津大学 一种结合快速背景抑制的尺度自适应目标跟踪方法
CN109166139B (zh) * 2018-07-18 2022-03-22 天津大学 一种结合快速背景抑制的尺度自适应目标跟踪方法
CN109447976A (zh) * 2018-11-01 2019-03-08 电子科技大学 一种基于人工智能的医学图像分割方法及系统
CN109447976B (zh) * 2018-11-01 2020-07-07 电子科技大学 一种基于人工智能的医学图像分割方法及系统
CN109670410A (zh) * 2018-11-29 2019-04-23 昆明理工大学 一种基于多特征的融合的长时运动目标跟踪方法
CN109753036A (zh) * 2018-12-27 2019-05-14 四川艾格瑞特模具科技股份有限公司 一种精密机械加工生产进度跟踪方法
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
CN110298868A (zh) * 2019-06-26 2019-10-01 北京工业大学 一种高实时性的多尺度目标跟踪方法
CN110298868B (zh) * 2019-06-26 2021-06-25 北京工业大学 一种高实时性的多尺度目标跟踪方法
CN112085765A (zh) * 2020-09-15 2020-12-15 浙江理工大学 结合粒子滤波及度量学习的视频目标跟踪方法
CN112085765B (zh) * 2020-09-15 2024-05-31 浙江理工大学 结合粒子滤波及度量学习的视频目标跟踪方法

Also Published As

Publication number Publication date
CN107103616B (zh) 2020-03-10

Similar Documents

Publication Publication Date Title
CN107103616B (zh) 一种目标跟踪方法及系统
CN108121984B (zh) 一种字符识别方法及装置
JP7113657B2 (ja) 情報処理装置、情報処理方法、及びプログラム
US9811742B2 (en) Vehicle-surroundings recognition device
CN103699905B (zh) 一种车牌定位方法及装置
CN112381837B (zh) 一种图像处理方法及电子设备
CN104951793B (zh) 一种基于stdf特征的人体行为识别方法
CN108109163A (zh) 一种航拍视频的运动目标检测方法
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
CN113033465A (zh) 活体检测模型训练方法、装置、设备以及存储介质
CN108305260B (zh) 一种图像中角点的检测方法、装置及设备
CN105718882A (zh) 一种分辨率自适应特征提取与融合的行人重识别方法
CN111027481A (zh) 基于人体关键点检测的行为分析方法及装置
CN111126275A (zh) 一种基于多粒度特征融合的行人再识别方法及装置
CN104318216A (zh) 视频监控中跨盲区行人目标的识别匹配方法
CN108876776A (zh) 一种分类模型生成方法、眼底图像分类方法及装置
CN114332655A (zh) 一种车辆自适应融合检测方法及系统
CN114332814A (zh) 一种停车框识别方法、装置、电子设备及存储介质
CN109800637A (zh) 一种遥感影像小目标检测方法
CN106778675B (zh) 一种视频图像中目标对象的识别方法和装置
Farajzadeh et al. Vehicle logo recognition using image matching and textural features
CN111915653A (zh) 双站视觉目标跟踪的方法
CN113569600A (zh) 物体重识别的方法、装置、电子设备及存储介质
CN109858342A (zh) 一种融合手工设计描述子和深度特征的人脸姿态估计方法
CN107180244B (zh) 一种基于级联分类器的图像检测方法及装置

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