CN107122741A - 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 PDFInfo
- Publication number
- CN107122741A CN107122741A CN201710287617.XA CN201710287617A CN107122741A CN 107122741 A CN107122741 A CN 107122741A CN 201710287617 A CN201710287617 A CN 201710287617A CN 107122741 A CN107122741 A CN 107122741A
- Authority
- CN
- China
- Prior art keywords
- tracking
- characteristic pattern
- feature pool
- tracing
- feature
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种目标跟踪方法及系统,该方法包括:对目标对象展开第一阶段跟踪,得到N帧跟踪图像;提取并保存N帧跟踪图像中每一帧跟踪图像的特征图以及相应的特征图系数,得到相应的特征池;利用特征池,对目标对象展开第二阶段跟踪;其中,在第二阶段跟踪中的任一次跟踪过程均包括:计算本次跟踪过程的帧跟踪图像所对应的频域特征图与特征池中每个特征图之间的响应度,得到相应的N个响应图,然后将N个响应图中具有最大响应值的位置确定为当前目标对象的最新跟踪位置。本申请实现了对目标对象的跟踪位置的优化,从而进一步提高了目标跟踪精度。
Description
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精度较低的问题,如何进一步提高目标跟踪精度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,能够进一步提高目标跟踪精度。其具体方案如下:
一种目标跟踪方法,包括:
对目标对象展开第一阶段跟踪,得到N帧跟踪图像;其中,N为不小于2的正整数;
提取并保存所述N帧跟踪图像中每一帧跟踪图像的特征图以及相应的特征图系数,得到相应的特征池;
利用所述特征池,对所述目标对象展开第二阶段跟踪;
其中,在所述第二阶段跟踪中的任一次跟踪过程均包括:计算本次跟踪过程的帧跟踪图像所对应的频域特征图与所述特征池中每个特征图之间的响应度,得到相应的N个响应图,然后将所述N个响应图中具有最大响应值的位置确定为当前所述目标对象的最新跟踪位置。
可选的,所述对目标对象展开第一阶段跟踪的过程,包括:
利用KCF跟踪算法,对所述目标对象展开第一阶段跟踪。
可选的,在所述第二阶段跟踪中的任一次跟踪过程中,计算本次跟踪过程的帧跟踪图像所对应的频域特征图与所述特征池中每个特征图之间的响应度的过程,具体包括:
从本次跟踪过程的帧跟踪图像中截取与上一帧跟踪图像中的跟踪位置相一致的位置区域,得到候选搜索区域;
计算与所述候选搜索区域对应的频域特征图,然后计算该频域特征图与所述特征池中每个特征图之间的响应度。
可选的,在所述第二阶段跟踪中的任一次跟踪过程中,将所述N个响应图中具有最大响应值的位置确定为当前所述目标对象的最新跟踪位置的过程之后,还包括:
对所述特征池中的每个特征图以及相应的特征图系数进行更新。
可选的,所述对所述特征池中的每个特征图以及相应的特征图系数进行更新的过程,包括:
利用预设的特征池更新公式,对所述特征池中的每个特征图以及相应的特征图系数进行更新;其中,所述特征池更新公式为:
式中,表示本次跟踪过程的帧跟踪图像对应的特征图系数的傅立叶变换,表示当前所述特征池中第i个特征图系数的傅立叶变换,表示所述特征池中经过更新之后的第i个特征图系数的傅立叶变换,表示本次跟踪过程的帧跟踪图像对应的特征图的傅立叶变换,表示当前所述特征池中第i个特征图的傅立叶变换,表示所述特征池中经过更新之后的第i个特征图的傅立叶变换,η表示预设的更新学习速率。
本发明还公开了一种目标跟踪系统,包括:
第一跟踪模块,用于对目标对象展开第一阶段跟踪,得到N帧跟踪图像;其中,N为不小于2的正整数;
特征池创建模块,用于提取并保存所述N帧跟踪图像中每一帧跟踪图像的特征图以及相应的特征图系数,得到相应的特征池;
第二跟踪模块,用于利用所述特征池,对所述目标对象展开第二阶段跟踪;
其中,所述第二跟踪模块在所述第二阶段跟踪中所进行的任一次跟踪过程均包括:计算本次跟踪过程的帧跟踪图像所对应的频域特征图与所述特征池中每个特征图之间的响应度,得到相应的N个响应图,然后将所述N个响应图中具有最大响应值的位置确定为当前所述目标对象的最新跟踪位置。
可选的,所述第一跟踪模块,具体用于利用KCF跟踪算法,对所述目标对象展开第一阶段跟踪。
可选的,所述第二跟踪模块,包括:
区域截取单元,用于在所述第二阶段跟踪的任一次跟踪过程中,从本次跟踪过程的帧跟踪图像中截取与上一帧跟踪图像中的跟踪位置相一致的位置区域,得到候选搜索区域;
响应度确定单元,用于计算与所述候选搜索区域对应的频域特征图,然后计算该频域特征图与所述特征池中每个特征图之间的响应度,得到相应的N个响应图;
位置确定单元,用于将所述N个响应图中具有最大响应值的位置确定为当前所述目标对象的最新跟踪位置。
可选的,所述目标跟踪系统,还包括:
特征池更新单元,用于对所述特征池中的每个特征图以及相应的特征图系数进行更新。
可选的,所述特征池更新单元,具体用于利用预设的特征池更新公式,对所述特征池中的每个特征图以及相应的特征图系数进行更新;其中,所述特征池更新公式为:
式中,表示本次跟踪过程的帧跟踪图像对应的特征图系数的傅立叶变换,表示当前所述特征池中第i个特征图系数的傅立叶变换,表示所述特征池中经过更新之后的第i个特征图系数的傅立叶变换,表示本次跟踪过程的帧跟踪图像对应的特征图的傅立叶变换,表示当前所述特征池中第i个特征图的傅立叶变换,表示所述特征池中经过更新之后的第i个特征图的傅立叶变换,η表示预设的更新学习速率。
本发明中,目标跟踪方法,包括:对目标对象展开第一阶段跟踪,得到N帧跟踪图像;其中,N为不小于2的正整数;提取并保存N帧跟踪图像中每一帧跟踪图像的特征图以及相应的特征图系数,得到相应的特征池;利用特征池,对目标对象展开第二阶段跟踪;其中,在第二阶段跟踪中的任一次跟踪过程均包括:计算本次跟踪过程的帧跟踪图像所对应的频域特征图与特征池中每个特征图之间的响应度,得到相应的N个响应图,然后将N个响应图中具有最大响应值的位置确定为当前目标对象的最新跟踪位置。
可见,本发明在对目标对象进行跟踪时,分为两个阶段的跟踪过程,在第一阶段跟踪过程中,先获取N帧跟踪图像,并获取与上述N帧跟踪图像对应的特征图和特征图系数,得到相应的特征池,然后利用上述特征池展开第二阶段的跟踪,也即在第二阶段跟踪过程中,基于帧跟踪图像所对应的频域特征图与特征池中每个特征图之间的响应度,来确定出当前目标对象的最新跟踪位置,由此实现对目标对象的跟踪位置的优化,从而进一步提高了目标跟踪精度。
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:对目标对象展开第一阶段跟踪,得到N帧跟踪图像;其中,N为不小于2的正整数;
步骤S12:提取并保存上述N帧跟踪图像中每一帧跟踪图像的特征图以及相应的特征图系数,得到相应的特征池;
步骤S13:利用特征池,对目标对象展开第二阶段跟踪;
其中,在第二阶段跟踪中的任一次跟踪过程均包括:计算本次跟踪过程的帧跟踪图像所对应的频域特征图与特征池中每个特征图之间的响应度,得到相应的N个响应图,然后将上述N个响应图中具有最大响应值的位置确定为当前目标对象的最新跟踪位置。
可见,本发明实施例在对目标对象进行跟踪时,分为两个阶段的跟踪过程,在第一阶段跟踪过程中,先获取N帧跟踪图像,并获取与上述N帧跟踪图像对应的特征图和特征图系数,得到相应的特征池,然后利用上述特征池展开第二阶段的跟踪,也即在第二阶段跟踪过程中,基于帧跟踪图像所对应的频域特征图与特征池中每个特征图之间的响应度,来确定出当前目标对象的最新跟踪位置,由此实现对目标对象的跟踪位置的优化,从而进一步提高了目标跟踪精度。
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,包括以下步骤:
步骤S21:利用KCF跟踪算法(KCF,即Kernel Correlation Filter,核相关滤波),对目标对象展开第一阶段跟踪,得到N帧跟踪图像;其中,N为不小于2的正整数。
其中,上述N值不小于2,本实施例中上述N值具体可以取为20。
步骤S22:提取并保存上述N帧跟踪图像中每一帧跟踪图像的特征图以及相应的特征图系数,得到相应的特征池。
步骤S23:利用特征池,对目标对象展开第二阶段跟踪。
其中,在第二阶段跟踪中的任一次跟踪过程均包括:计算本次跟踪过程的帧跟踪图像所对应的频域特征图与特征池中每个特征图之间的响应度,得到相应的N个响应图,然后将上述N个响应图中具有最大响应值的位置确定为当前目标对象的最新跟踪位置。
具体的,在第二阶段跟踪中的任一次跟踪过程中,计算本次跟踪过程的帧跟踪图像所对应的频域特征图与特征池中每个特征图之间的响应度的过程,具体包括:
从本次跟踪过程的帧跟踪图像中截取与上一帧跟踪图像中的跟踪位置相一致的位置区域,得到候选搜索区域,接着计算与候选搜索区域对应的频域特征图,然后计算该频域特征图与特征池中每个特征图之间的响应度,得到相应的N个响应图。具体的,可以通过下式来计算响应图:
式中,表示第i个响应图,表示进行傅里叶逆变换操作,表示当前特征池中第i个特征图系数的傅立叶变换,表示当前特征池中第i个特征图,z表示与当前候选搜索区域对应的频域特征图,表示的傅立叶变换,表示与z在频域里的高斯核相关运算,⊙表示频域点乘操作,i=1,2,...,N。
在得到上述N个响应图之后,本发明实施例将会把上述N个响应图中具有最大响应值的位置确定为当前目标对象的最新跟踪位置。也即:
式中,pos表示当前目标对象的最新跟踪位置,i=1,2,...,N。
进一步的,在第二阶段跟踪中的任一次跟踪过程中,将上述N个响应图中具有最大响应值的位置确定为当前目标对象的最新跟踪位置的过程之后,还可以包括:对特征池中的每个特征图以及相应的特征图系数进行更新。
本实施例中,上述对特征池中的每个特征图以及相应的特征图系数进行更新的过程,具体可以包括:
利用预设的特征池更新公式,对特征池中的每个特征图以及相应的特征图系数进行更新;其中,上述特征池更新公式具体为:
式中,表示本次跟踪过程的帧跟踪图像对应的特征图系数的傅立叶变换,表示当前特征池中第i个特征图系数的傅立叶变换,表示特征池中经过更新之后的第i个特征图系数的傅立叶变换,表示本次跟踪过程的帧跟踪图像对应的特征图的傅立叶变换,表示当前特征池中第i个特征图的傅立叶变换,表示特征池中经过更新之后的第i个特征图的傅立叶变换,η表示预设的更新学习速率。
本实施例中,上述更新学习速率η的具体取值可以为0.02。
相应的,本发明实施例还公开了一种目标跟踪系统,参见图3所示,该系统包括:
第一跟踪模块11,用于对目标对象展开第一阶段跟踪,得到N帧跟踪图像;其中,N为不小于2的正整数;
特征池创建模块12,用于提取并保存N帧跟踪图像中每一帧跟踪图像的特征图以及相应的特征图系数,得到相应的特征池;
第二跟踪模块13,用于利用特征池,对目标对象展开第二阶段跟踪;
其中,第二跟踪模块13在第二阶段跟踪中所进行的任一次跟踪过程均包括:计算本次跟踪过程的帧跟踪图像所对应的频域特征图与特征池中每个特征图之间的响应度,得到相应的N个响应图,然后将N个响应图中具有最大响应值的位置确定为当前目标对象的最新跟踪位置。
本实施例中,上述第一跟踪模块,具体可以用于利用KCF跟踪算法,对目标对象展开第一阶段跟踪。
另外,上述第二跟踪模块,具体可以包括区域截取单元、响应度确定单元和位置确定单元;其中,
区域截取单元,用于在第二阶段跟踪的任一次跟踪过程中,从本次跟踪过程的帧跟踪图像中截取与上一帧跟踪图像中的跟踪位置相一致的位置区域,得到候选搜索区域;
响应度确定单元,用于计算与候选搜索区域对应的频域特征图,然后计算该频域特征图与特征池中每个特征图之间的响应度,得到相应的N个响应图。具体的,可以通过下式来计算响应图:
式中,表示第i个响应图,表示进行傅里叶逆变换操作,表示当前特征池中第i个特征图系数的傅立叶变换,表示当前特征池中第i个特征图,z表示与当前候选搜索区域对应的频域特征图,表示的傅立叶变换,表示与z在频域里的高斯核相关运算,⊙表示频域点乘操作,i=1,2,...,N。
位置确定单元,用于将上述N个响应图中具有最大响应值的位置确定为当前目标对象的最新跟踪位置。也即:
式中,pos表示当前目标对象的最新跟踪位置,i=1,2,...,N。
进一步的,本实施例中的目标跟踪系统,还可以包括:
特征池更新单元,用于对特征池中的每个特征图以及相应的特征图系数进行更新。
其中,上述特征池更新单元,具体可以用于利用预设的特征池更新公式,对特征池中的每个特征图以及相应的特征图系数进行更新;其中,特征池更新公式为:
式中,表示本次跟踪过程的帧跟踪图像对应的特征图系数的傅立叶变换,表示当前特征池中第i个特征图系数的傅立叶变换,表示特征池中经过更新之后的第i个特征图系数的傅立叶变换,表示本次跟踪过程的帧跟踪图像对应的特征图的傅立叶变换,表示当前特征池中第i个特征图的傅立叶变换,表示特征池中经过更新之后的第i个特征图的傅立叶变换,η表示预设的更新学习速率。
可见,本发明实施例在对目标对象进行跟踪时,分为两个阶段的跟踪过程,在第一阶段跟踪过程中,先获取N帧跟踪图像,并获取与上述N帧跟踪图像对应的特征图和特征图系数,得到相应的特征池,然后利用上述特征池展开第二阶段的跟踪,也即在第二阶段跟踪过程中,基于帧跟踪图像所对应的频域特征图与特征池中每个特征图之间的响应度,来确定出当前目标对象的最新跟踪位置,由此实现对目标对象的跟踪位置的优化,从而进一步提高了目标跟踪精度。
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:
对目标对象展开第一阶段跟踪,得到N帧跟踪图像;其中,N为不小于2的正整数;
提取并保存所述N帧跟踪图像中每一帧跟踪图像的特征图以及相应的特征图系数,得到相应的特征池;
利用所述特征池,对所述目标对象展开第二阶段跟踪;
其中,在所述第二阶段跟踪中的任一次跟踪过程均包括:计算本次跟踪过程的帧跟踪图像所对应的频域特征图与所述特征池中每个特征图之间的响应度,得到相应的N个响应图,然后将所述N个响应图中具有最大响应值的位置确定为当前所述目标对象的最新跟踪位置。
2.根据权利要求1所述的目标跟踪方法,其特征在于,所述对目标对象展开第一阶段跟踪的过程,包括:
利用KCF跟踪算法,对所述目标对象展开第一阶段跟踪。
3.根据权利要求2所述的目标跟踪方法,其特征在于,在所述第二阶段跟踪中的任一次跟踪过程中,计算本次跟踪过程的帧跟踪图像所对应的频域特征图与所述特征池中每个特征图之间的响应度的过程,具体包括:
从本次跟踪过程的帧跟踪图像中截取与上一帧跟踪图像中的跟踪位置相一致的位置区域,得到候选搜索区域;
计算与所述候选搜索区域对应的频域特征图,然后计算该频域特征图与所述特征池中每个特征图之间的响应度。
4.根据权利要求1至3任一项所述的目标跟踪方法,其特征在于,在所述第二阶段跟踪中的任一次跟踪过程中,将所述N个响应图中具有最大响应值的位置确定为当前所述目标对象的最新跟踪位置的过程之后,还包括:
对所述特征池中的每个特征图以及相应的特征图系数进行更新。
5.根据权利要求4所述的目标跟踪方法,其特征在于,所述对所述特征池中的每个特征图以及相应的特征图系数进行更新的过程,包括:
利用预设的特征池更新公式,对所述特征池中的每个特征图以及相应的特征图系数进行更新;其中,所述特征池更新公式为:
式中,表示本次跟踪过程的帧跟踪图像对应的特征图系数的傅立叶变换,表示当前所述特征池中第i个特征图系数的傅立叶变换,表示所述特征池中经过更新之后的第i个特征图系数的傅立叶变换,表示本次跟踪过程的帧跟踪图像对应的特征图的傅立叶变换,表示当前所述特征池中第i个特征图的傅立叶变换,表示所述特征池中经过更新之后的第i个特征图的傅立叶变换,η表示预设的更新学习速率。
6.一种目标跟踪系统,其特征在于,包括:
第一跟踪模块,用于对目标对象展开第一阶段跟踪,得到N帧跟踪图像;其中,N为不小于2的正整数;
特征池创建模块,用于提取并保存所述N帧跟踪图像中每一帧跟踪图像的特征图以及相应的特征图系数,得到相应的特征池;
第二跟踪模块,用于利用所述特征池,对所述目标对象展开第二阶段跟踪;
其中,所述第二跟踪模块在所述第二阶段跟踪中所进行的任一次跟踪过程均包括:计算本次跟踪过程的帧跟踪图像所对应的频域特征图与所述特征池中每个特征图之间的响应度,得到相应的N个响应图,然后将所述N个响应图中具有最大响应值的位置确定为当前所述目标对象的最新跟踪位置。
7.根据权利要求6所述的目标跟踪系统,其特征在于,
所述第一跟踪模块,具体用于利用KCF跟踪算法,对所述目标对象展开第一阶段跟踪。
8.根据权利要求7所述的目标跟踪系统,其特征在于,所述第二跟踪模块,包括:
区域截取单元,用于在所述第二阶段跟踪的任一次跟踪过程中,从本次跟踪过程的帧跟踪图像中截取与上一帧跟踪图像中的跟踪位置相一致的位置区域,得到候选搜索区域;
响应度确定单元,用于计算与所述候选搜索区域对应的频域特征图,然后计算该频域特征图与所述特征池中每个特征图之间的响应度,得到相应的N个响应图;
位置确定单元,用于将所述N个响应图中具有最大响应值的位置确定为当前所述目标对象的最新跟踪位置。
9.根据权利要求6至8任一项所述的目标跟踪系统,其特征在于,还包括:
特征池更新单元,用于对所述特征池中的每个特征图以及相应的特征图系数进行更新。
10.根据权利要求9所述的目标跟踪系统,其特征在于,
所述特征池更新单元,具体用于利用预设的特征池更新公式,对所述特征池中的每个特征图以及相应的特征图系数进行更新;其中,所述特征池更新公式为:
式中,表示本次跟踪过程的帧跟踪图像对应的特征图系数的傅立叶变换,表示当前所述特征池中第i个特征图系数的傅立叶变换,表示所述特征池中经过更新之后的第i个特征图系数的傅立叶变换,表示本次跟踪过程的帧跟踪图像对应的特征图的傅立叶变换,表示当前所述特征池中第i个特征图的傅立叶变换,表示所述特征池中经过更新之后的第i个特征图的傅立叶变换,η表示预设的更新学习速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710287617.XA CN107122741B (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 |
---|---|---|---|
CN201710287617.XA CN107122741B (zh) | 2017-04-27 | 2017-04-27 | 一种目标跟踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107122741A true CN107122741A (zh) | 2017-09-01 |
CN107122741B CN107122741B (zh) | 2020-06-09 |
Family
ID=59726510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710287617.XA Active CN107122741B (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) | CN107122741B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108345885A (zh) * | 2018-01-18 | 2018-07-31 | 浙江大华技术股份有限公司 | 一种目标遮挡检测的方法及装置 |
US11715216B2 (en) | 2021-03-25 | 2023-08-01 | Samsung Electronics Co., Ltd. | Method and apparatus with object tracking |
Citations (4)
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 |
CN105913453A (zh) * | 2016-04-01 | 2016-08-31 | 海信集团有限公司 | 一种目标跟踪方法和装置 |
CN106296735A (zh) * | 2016-08-05 | 2017-01-04 | 海信集团有限公司 | 目标跟踪中的滤波器更新方法、装置和智能终端 |
CN106557774A (zh) * | 2015-09-29 | 2017-04-05 | 南京信息工程大学 | 多通道核相关滤波的实时跟踪方法 |
-
2017
- 2017-04-27 CN CN201710287617.XA patent/CN107122741B/zh active Active
Patent Citations (4)
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 |
CN106557774A (zh) * | 2015-09-29 | 2017-04-05 | 南京信息工程大学 | 多通道核相关滤波的实时跟踪方法 |
CN105913453A (zh) * | 2016-04-01 | 2016-08-31 | 海信集团有限公司 | 一种目标跟踪方法和装置 |
CN106296735A (zh) * | 2016-08-05 | 2017-01-04 | 海信集团有限公司 | 目标跟踪中的滤波器更新方法、装置和智能终端 |
Non-Patent Citations (3)
Title |
---|
JOÃO F. HENRIQUES 等: "High-Speed Tracking with Kernelized Correlation Filters", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
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》 * |
王静 等: "一种改进的两阶段目标跟踪方法", 《沈阳理工大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108345885A (zh) * | 2018-01-18 | 2018-07-31 | 浙江大华技术股份有限公司 | 一种目标遮挡检测的方法及装置 |
US11715216B2 (en) | 2021-03-25 | 2023-08-01 | Samsung Electronics Co., Ltd. | Method and apparatus with object tracking |
Also Published As
Publication number | Publication date |
---|---|
CN107122741B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Shadows can be dangerous: Stealthy and effective physical-world adversarial attack by natural phenomenon | |
CN107122741A (zh) | 一种目标跟踪方法及系统 | |
CN105931269A (zh) | 一种视频中的目标跟踪方法及装置 | |
CN107563313A (zh) | 基于深度学习的多目标行人检测与跟踪方法 | |
CN108062764A (zh) | 一种基于视觉的物体跟踪方法 | |
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 | |
CN103578119A (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN103824090B (zh) | 一种自适应的人脸低层特征选择方法及人脸属性识别方法 | |
CN107644217A (zh) | 基于卷积神经网络和相关滤波器的目标跟踪方法 | |
CN109829428A (zh) | 基于改进YOLOv2的视频图像行人检测方法及系统 | |
CN107679450A (zh) | 基于深度学习的遮挡条件下人脸识别方法 | |
CN110472628A (zh) | 一种基于视频特征的改进Faster R-CNN网络检测漂浮物方法 | |
CN103077538B (zh) | 仿生模式识别目标自适应跟踪方法 | |
CN109448023A (zh) | 一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法 | |
CN109493367A (zh) | 一种对目标对象进行跟踪的方法和设备 | |
CN110443829A (zh) | 一种基于运动特征和相似度特征的抗遮挡跟踪算法 | |
CN107463954A (zh) | 一种模糊异谱图像的模板匹配识别方法 | |
CN109993207A (zh) | 一种基于目标检测的图像隐私保护方法和系统 | |
CN111476262A (zh) | 利用1xH卷积的基于CNN的对象检测方法及装置 | |
CN110349176A (zh) | 基于三重卷积网络和感知干扰学习的目标跟踪方法和系统 | |
CN103489000A (zh) | 一种人体动作识别训练系统的实现方法 | |
CN108875505A (zh) | 基于神经网络的行人再识别方法和装置 | |
Wang et al. | An Intelligent Forensics Approach for Detecting Patch‐Based Image Inpainting | |
CN108257153A (zh) | 一种基于方向梯度统计特征的目标跟踪方法 | |
CN110378929A (zh) | 一种商业场所跨摄像头行人轨迹跟踪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |