CN107123130A - 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 - Google Patents
一种基于超像素和混合哈希的核相关滤波目标跟踪方法 Download PDFInfo
- Publication number
- CN107123130A CN107123130A CN201710128271.9A CN201710128271A CN107123130A CN 107123130 A CN107123130 A CN 107123130A CN 201710128271 A CN201710128271 A CN 201710128271A CN 107123130 A CN107123130 A CN 107123130A
- Authority
- CN
- China
- Prior art keywords
- super
- pixel block
- msub
- mrow
- pixel
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
Abstract
本发明提供了一种基于超像素和混合哈希的核相关滤波目标跟踪方法,其特征在于:首先通过超像素聚类和分割的方法重构了目标外观模型,并将目标划分为有意义的超像素块,计算每个超像素块的超像素块参数,提取每个超像素块的有效特征;然后分别进行基于高斯核相关滤波的跟踪操作,得到候选超像素块跟踪结果;之后计算每个超像素块的LAB颜色哈希序列和DCT变换哈希序列,并结合为混合哈希序列,再结合超像素块参数和几何约束修正位置,定位需要跟踪目标的位置并估算尺度。该方法不仅可实现整体目标的跟踪,提升目标跟踪的精度和抗干扰能力,还可有效解决目标的尺度变化问题。
Description
技术领域
本发明涉及图像处理与分析技术领域,更具体地说,涉及一种基于超像素和混合哈希的核相关滤波目标跟踪方法。
背景技术
目标跟踪作为计算机视觉领域最活跃的主题之一,在视频监控、人机交互、行为分析、军事行动等领域具有极其重要的作用。近年来,目标跟踪得到极大的发展,计算机视觉领域的研究人员提出了大量的目标跟踪算法。当前的目标跟踪方法大体上可以分为两类:一种是将目标跟踪问题归纳为二元分类问题,通过训练二元分类器将目标从背景中区分出来,从而实现目标的持续跟踪;另一种是通过学习目标的外观模型,将搜索区域的最小模型误差位置作为目标位置,达到持续跟踪目标的目的。
第一种目标跟踪方法主要是提取目标的有效特征,并学习特征空间的区分性判别准则,通过在线训练二元分类器的方法,从场景中定位目标。虽然这种方法在很多情况下都能准确定位目标,但是由于这种方法忽略了目标外观的重要性,在一定程度上降低了跟踪的效果。第二种目标跟踪方法以目标外观模型学习为基础,通过在线学习目标外观模型的变化,在搜索区域寻找最小模型误差所在位置,将该位置作为目标位置。虽然这种方法强调了目标外观模型的重要性,但是却忽略了目标与背景的区分性,导致跟踪漂移和目标丢失现象的发生。
此外,随着目标跟踪研究的不断深入与发展,近年来,基于核函数的目标跟踪方法得到极大的发展,并在各个领域展现了较好的实时性应用前景。这种方法在广义上属于第一种目标跟踪方法,但不同于常用的二元分类方法,基于核函数的目标跟踪方法引入了循环矩阵和傅里叶分析的方法,通过循环采样目标的邻近区域,得到大量的正负样本,再用这些正负样本训练分类器从而实现目标跟踪。虽然这种方法时间消耗小、速度快,但是鲁棒性仍有待提高。
由此可见,当前目标跟踪领域已有的算法仍然存在很多的不足之处,尤其是目标跟踪精度和速度的相互约束关系仍需要综合解决。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种基于超像素和混合哈希的核相关滤波目标跟踪方法;该方法不仅可实现整体目标的跟踪,提升目标跟踪的精度和抗干扰能力,还可有效解决目标的尺度变化问题。
为了达到上述目的,本发明通过下述技术方案予以实现:一种基于超像素和混合哈希的核相关滤波目标跟踪方法,其特征在于:包括以下四个步骤:
S1步,捕获第一帧图像,利用SLIC超像素分割算法将目标区域及其周围区域的各个像素聚类为超像素;并用meanshift聚类算法将各个超像素进行二次聚类,得到大型超像素;之后计算各个大型超像素的重叠度Ob,获取需要跟踪目标的有效范围;
S2步,预设重叠度阈值,根据重叠度Ob和重叠度阈值,将需要跟踪目标的有效范围内的大型超像素归为三个候选超像素块;之后计算用于后续跟踪的超像素块参数;所述超像素块参数包括各个超像素块的权重和权重标志,以及各个超像素块之间的欧氏距离和修正约束距离比率;
S3步,获取下一帧图像作为当前处理图像并提取三个候选超像素块,提取三个候选超像素块的LAB颜色空间,并通过映射和降维的方法转化为4维的CN颜色属性特征空间;对各个候选超像素块分别使用基于高斯核的相关滤波目标跟踪方法,通过循环采样与傅里叶分析计算各个候选超像素块的最大响应位置;在最大响应位置,分别用不同尺度的目标区域框与上一帧图像的超像素块进行相关卷积,从而获取最大响应的候选超像素块;
S4步,对各个最大响应的候选超像素块,分别计算LAB颜色哈希序列和DCT变换哈希序列;对LAB颜色哈希序列和DCT变换哈希序列进行逻辑与操作得到的混合哈希序列作为超像素块参数;结合超像素块参数与超像素块之间的几何约束,修正候选超像素块的位置,得到准确的超像素块位置;根据权重值将超像素块结合起来,从而定位出当前处理图像需要跟踪目标的位置并估算尺度;
S5步,判断当前处理图像是否为最后一帧图像:若是,则结束;否则跳至S3步。
优选地,在所述S1步中,捕获第一帧图像,利用SLIC超像素分割算法将目标区域及其周围区域的各个像素聚类为超像素;并用meanshift聚类算法将各个超像素进行二次聚类,得到大型超像素;之后计算各个大型超像素的重叠度Ob,获取需要跟踪目标的有效范围,是指包括以下步骤:
S1.1步,捕获第一帧图像作为初始帧,在第一帧图像上确定需要跟踪目标生成目标区域;以目标区域中心为中心,以目标区域的1.5倍尺寸为范围划定搜索区域,并将搜索区域变换到LAB颜色空间;
S1.2步,设定聚类中心数量为k;将搜索区域等像素间隔S划分成k个网格,其中,N为搜索区域的像素数量;在各个网格上分别随机选择一个像素点作为聚类中心;
S1.3步,在各个聚类中心的3×3邻域分别计算梯度相应值,获得各个聚类中心的最小梯度响应值;对搜索区域内的各个像素点,在2S×2S邻域内对比聚类中心的最小梯度响应值,各个像素点分别聚类到最小梯度响应值数值最小的聚类中心上;采用k-means算法计算新的聚类中心,直到新的聚类中心和旧的聚类中心保持一致,得到初步聚类的超像素;
S1.4步,对各个超像素用meanshift聚类算法进行二次聚类,形成大型超像素;
S1.5步,将位于目标区域内的像素点设定为正样本,位于目标区域外的像素点设定为负样本;分别统计各个大型超像素的正样本数量和负样本数量,并分别计算各个大型超像素的重叠度Ob,b∈{1,...,k}:
S1.6步,保留所有重叠度Ob大于0.5的大型超像素作为需要跟踪目标的有效范围。
优选地,在所述S2步中,预设重叠度阈值,根据重叠度Ob和重叠度阈值,将需要跟踪目标的有效范围内的大型超像素归为三个候选超像素块;之后计算用于后续跟踪的超像素块参数;所述超像素块参数包括各个超像素块的权重和权重标志,以及各个超像素块之间的欧氏距离和修正约束距离比率,是指包括以下步骤:
S2.1步,预设重叠度阈值θ1、θ2、θ3;基于重叠度Ob和重叠度阈值,将需要跟踪目标的有效范围内的大型超像素归为三个候选超像素块candidatei,i=(1,2,3):
将各个候选超像素块中重叠度Ob的最大值作为该候选超像素块的重叠度重叠度Oi;
S2.2步,将各个候选超像素块转化为二值化图像,寻找最大连通区域,并用Canny边缘检测器提取轮廓点;
S2.3步,分别计算各个二值化图像的质心作为各个候选超像素块质心;计算各个轮廓点到对应候选超像素块质心的欧氏距离;分别对各个候选超像素块中欧氏距离求平均值,得到各个候选超像素块的横纵坐标平均距离;以各个候选超像素块质心为中心,以横纵坐标平均距离的1.5倍为尺寸,分别划定超像素块;
S2.4步,计算各个超像素块的LAB颜色值,计算各个超像素块的权重weighti和权重标志flag_weighti:
其中,Ai是第i个超像素块的面积,Oi是第i个超像素块的重叠度,weight_max是三个超像素块的权重weighti中的最大值;
S2.5步,分别计算各个超像素块之间的欧氏距离作为超像素块之间的几何约束,j=(1,2,3):
其中,centerix和centerjx分别为第i个和第j个超像素块中心的横坐标;centeriy和centerjy分别为第i个和第j个超像素块中心的纵坐标;
计算各个超像素块之间的修正约束距离比率
优选地,在所述S3步中,获取下一帧图像作为当前处理图像并提取三个候选超像素块,提取三个候选超像素块的LAB颜色空间,并通过映射和降维的方法转化为4维的CN颜色属性特征空间;对各个候选超像素块分别使用基于高斯核的相关滤波目标跟踪方法,通过循环采样与傅里叶分析计算各个候选超像素块的最大响应位置;在最大响应位置,分别用不同尺度的目标区域框与上一帧图像的超像素块进行相关卷积,从而获取最大响应的候选超像素块,是指包括以下步骤:
S3.1步,获取下一帧图像作为当前处理图像,将上一帧图像的三个超像素块对应到当前处理图像上得到当前处理图像的候选超像素块;分别提取当前处理图像的各个候选超像素块的LAB颜色空间,之后映射为21维的颜色属性空间,并用主成分分析法将其进一步降维为4维的CN颜色空间;
S3.2步,分别以当前处理图像的各个候选超像素块为中心,用循环矩阵法进行循环采样得到若干样本;根据样本与当前处理图像的候选超像素块的重叠度来确定正负样本,并用高斯函数标记每个样本以实现滤波;
S3.3步,分别计算各个样本和回归目标li(x,y)的最小误差:
其中,φ是希尔伯特空间映射函数,λ是正则化参数,F和F-1分别为离散傅里叶变换和离散傅里叶逆变换,为核相关矩阵;wi是闭合形式的解,αi是系数;σ2是高斯函数中的方差,⊙是元素乘积;
S3.4步,分别计算各个样本的响应值:
其中,F(αZ)是当前处理图像的候选超像素块图像的傅里叶变换核输出,z是当前处理图像的候选超像素块图像;
对当前处理图像的各个候选超像素块,寻找响应值的最大值,并将响应值的最大值所对应的样本作为最大响应位置;
S3.5步,在最大响应位置,分别用不同尺度的目标区域框与上一帧图像的超像素块进行相关卷积,从而获取最大响应的候选超像素块:
其中,scalei是上一帧图像第i个超像素块的尺度,scale_weight1是当前处理图像第i个超像素块的尺度权重,peak_newi是当前处理图像第i个超像素块对应Si的新峰值,peaki是当前处理图像第i个超像素块尺度不变化时对应Si的峰值,scale_newi是当前处理图像第i个候选超像素块的尺度;
将scale_newi作为当前处理图像第i个候选超像素块的尺度scalei。
优选地,在所述S4步中,对各个最大响应的候选超像素块,分别计算LAB颜色哈希序列和DCT变换哈希序列;对LAB颜色哈希序列和DCT变换哈希序列进行逻辑与操作得到的混合哈希序列作为超像素块参数;结合超像素块参数与超像素块之间的几何约束,修正候选超像素块的位置,得到准确的超像素块位置;根据权重值将超像素块结合起来,从而定位出当前处理图像需要跟踪目标的位置并估算尺度,是指包括以下步骤:
S4.1步,分别计算上一帧图像的三个超像素块的灰度均值,然后将当前处理图像的三个候选超像素块分别缩放为8×8尺度形成64位像素,将64位像素逐位与上一帧图像对应超像素块的灰度均值进行对比,生成三个候选超像素块的64位LAB颜色哈希序列;
S4.2步,将当前处理图像的三个候选超像素块和上一帧图像的三个超像素块分别缩放为32×32尺度,并分别进行DCT变换生成DCT系数矩阵,再选择各个DCT系数矩阵左上角8×8的数值构成矩阵;将当前处理图像的三个候选超像素块构成的矩阵分别与上一帧图像对应超像素块构成的矩阵进行元素逐位对比,得到三个候选超像素块的64位DCT变换哈希序列;
S4.3步,分别将三个候选超像素块的LAB颜色哈希序列和DCT变换哈希序列进行逻辑与操作,得到三个候选超像素块的64位混合哈希序列;
S4.4步,修正各个候选超像素块的位置,得到准确的超像素块位置:
其中,Hi为第i个候选超像素块的混合哈希序列,H_min为三个混合哈希序列的最小哈希值,其对应权重为weightH_min,θH是预设混合哈希序列阈值,centeri和centerj分别是第i个和第j个超像素块的中心位置;
S4.5步,将各个超像素块之间的位置和尺度结合起来,确定当前处理图像需要跟踪目标的位置和尺度:
scale=∑weighti×scalei;
其中,center是目标跟踪结果位置,scale是目标跟踪结果尺度变化,是预设距离约束修正值。
与现有技术相比,本发明具有如下优点与有益效果:
本发明提出的基于超像素和混合哈希的核相关滤波目标跟踪方法,不仅能通过超像素分割将目标跟踪为有意义的块,通过对每个超像素块联动核相关卷积滤波跟踪,实现整体目标的跟踪,从而提升目标跟踪的精度和抗干扰能力;也可以通过计算每个超像素块的混合哈希序列,在结合强度特征和几何约束,对目标跟踪位置进行有效修正,有效解决目标的尺度变化问题。
附图说明
图1是本发明方法的流程示意图;
图2是本发明方法中步骤S1和S2的流程示意图;
图3是本发明方法中步骤S4的流程示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
如图1所示,本实施例基于超像素和混合哈希的核相关滤波目标跟踪方法,其特征在于:包括以下四个步骤:
S1步,捕获第一帧图像,利用SLIC超像素分割算法将目标区域及其周围区域的各个像素聚类为超像素;并用meanshift聚类算法将各个超像素进行二次聚类,得到大型超像素;之后计算各个大型超像素的重叠度Ob,获取需要跟踪目标的有效范围;
S2步,预设重叠度阈值,根据重叠度Ob和重叠度阈值,将需要跟踪目标的有效范围内的大型超像素归为三个候选超像素块;之后计算用于后续跟踪的超像素块参数;所述超像素块参数包括各个超像素块的权重和权重标志,以及各个超像素块之间的欧氏距离和修正约束距离比率;
S3步,获取下一帧图像作为当前处理图像并提取三个候选超像素块,提取三个候选超像素块的LAB颜色空间,并通过映射和降维的方法转化为4维的CN颜色属性特征空间;对各个候选超像素块分别使用基于高斯核的相关滤波目标跟踪方法,通过循环采样与傅里叶分析计算各个候选超像素块的最大响应位置;在最大响应位置,分别用不同尺度的目标区域框与上一帧图像的超像素块进行相关卷积,从而获取最大响应的候选超像素块;
S4步,对各个最大响应的候选超像素块,分别计算LAB颜色哈希序列和DCT变换哈希序列;对LAB颜色哈希序列和DCT变换哈希序列进行逻辑与操作得到的混合哈希序列作为超像素块参数;结合超像素块参数与超像素块之间的几何约束,修正候选超像素块的位置,得到准确的超像素块位置;根据权重值将超像素块结合起来,从而定位出当前处理图像需要跟踪目标的位置并估算尺度;
S5步,判断当前处理图像是否为最后一帧图像:若是,则结束;否则跳至S3步。
如图2所示,在所述S1步中,捕获第一帧图像,利用SLIC超像素分割算法将目标区域及其周围区域的各个像素聚类为超像素;并用meanshift聚类算法将各个超像素进行二次聚类,得到大型超像素;之后计算各个大型超像素的重叠度Ob,获取需要跟踪目标的有效范围,是指包括以下步骤:
S1.1步,捕获第一帧图像作为初始帧,在第一帧图像上确定需要跟踪目标生成目标区域;以目标区域中心为中心,以目标区域的1.5倍尺寸为范围划定搜索区域,并将搜索区域变换到LAB颜色空间;
S1.2步,设定聚类中心数量为k;将搜索区域等像素间隔S划分成k个网格,其中,N为搜索区域的像素数量;在各个网格上分别随机选择一个像素点作为聚类中心;
S1.3步,在各个聚类中心的3×3邻域分别计算梯度相应值,获得各个聚类中心的最小梯度响应值;对搜索区域内的各个像素点,在2S×2S邻域内对比聚类中心的最小梯度响应值,各个像素点分别聚类到最小梯度响应值数值最小的聚类中心上;采用k-means算法计算新的聚类中心,直到新的聚类中心和旧的聚类中心保持一致,得到初步聚类的超像素;
S1.4步,对各个超像素用meanshift聚类算法进行二次聚类,形成大型超像素;
S1.5步,将位于目标区域内的像素点设定为正样本,位于目标区域外的像素点设定为负样本;分别统计各个大型超像素的正样本数量和负样本数量,并分别计算各个大型超像素的重叠度Ob,b∈{1,...,k}:
S1.6步,保留所有重叠度Ob大于0.5的大型超像素作为需要跟踪目标的有效范围。
在所述S2步中,预设重叠度阈值,根据重叠度Ob和重叠度阈值,将需要跟踪目标的有效范围内的大型超像素归为三个候选超像素块;之后计算用于后续跟踪的超像素块参数;所述超像素块参数包括各个超像素块的权重和权重标志,以及各个超像素块之间的欧氏距离和修正约束距离比率,是指包括以下步骤:
S2.1步,预设重叠度阈值θ1、θ2、θ3;基于重叠度Ob和重叠度阈值,将需要跟踪目标的有效范围内的大型超像素归为三个候选超像素块candidatei,i=(1,2,3):
将各个候选超像素块中重叠度Ob的最大值作为该候选超像素块的重叠度重叠度Oi;
S2.2步,将各个候选超像素块转化为二值化图像,寻找最大连通区域,并用Canny边缘检测器提取轮廓点;
S2.3步,分别计算各个二值化图像的质心作为各个候选超像素块质心;计算各个轮廓点到对应候选超像素块质心的欧氏距离;分别对各个候选超像素块中欧氏距离求平均值,得到各个候选超像素块的横纵坐标平均距离;以各个候选超像素块质心为中心,以横纵坐标平均距离的1.5倍为尺寸,分别划定超像素块;
S2.4步,计算各个超像素块的LAB颜色值,计算各个超像素块的权重weighti和权重标志flag_weighti:
其中,Ai是第i个超像素块的面积,Oi是第i个超像素块的重叠度,weight_max是三个超像素块的权重weighti中的最大值;
S2.5步,分别计算各个超像素块之间的欧氏距离作为超像素块之间的几何约束,j=(1,2,3):
其中,centerix和centerjx分别为第i个和第j个超像素块中心的横坐标;centeriy和centerjy分别为第i个和第j个超像素块中心的纵坐标;
计算各个超像素块之间的修正约束距离比率
在所述S3步中,获取下一帧图像作为当前处理图像并提取三个候选超像素块,提取三个候选超像素块的LAB颜色空间,并通过映射和降维的方法转化为4维的CN颜色属性特征空间;对各个候选超像素块分别使用基于高斯核的相关滤波目标跟踪方法,通过循环采样与傅里叶分析计算各个候选超像素块的最大响应位置;在最大响应位置,分别用不同尺度的目标区域框与上一帧图像的超像素块进行相关卷积,从而获取最大响应的候选超像素块,是指包括以下步骤:
S3.1步,获取下一帧图像作为当前处理图像,将上一帧图像的三个超像素块对应到当前处理图像上得到当前处理图像的候选超像素块;分别提取当前处理图像的各个候选超像素块的LAB颜色空间,之后映射为21维的颜色属性空间,并用主成分分析法将其进一步降维为4维的CN颜色空间;
S3.2步,分别以当前处理图像的各个候选超像素块为中心,用循环矩阵法进行循环采样得到若干样本;根据样本与当前处理图像的候选超像素块的重叠度来确定正负样本,并用高斯函数标记每个样本以实现滤波;
S3.3步,分别计算各个样本和回归目标li(x,y)的最小误差:
其中,φ是希尔伯特空间映射函数,λ是正则化参数,F和F-1分别为离散傅里叶变换和离散傅里叶逆变换,为核相关矩阵;wi是闭合形式的解,αi是系数;σ2是高斯函数中的方差,⊙是元素乘积;
S3.4步,分别计算各个样本的响应值:
其中,F(αZ)是当前处理图像的候选超像素块图像的傅里叶变换核输出,z是当前处理图像的候选超像素块图像;
对当前处理图像的各个候选超像素块,寻找响应值的最大值,并将响应值的最大值所对应的样本作为最大响应位置;
S3.5步,在最大响应位置,分别用不同尺度的目标区域框与上一帧图像的超像素块进行相关卷积,从而获取最大响应的候选超像素块:
其中,scalei是上一帧图像第i个超像素块的尺度,scale_weight1是当前处理图像第i个超像素块的尺度权重,peak_newi是当前处理图像第i个超像素块对应Si的新峰值,peaki是当前处理图像第i个超像素块尺度不变化时对应Si的峰值,scale_newi是当前处理图像第i个候选超像素块的尺度;
将scale_newi作为当前处理图像第i个候选超像素块的尺度scalei。
如图3所示,在所述S4步中,对各个最大响应的候选超像素块,分别计算LAB颜色哈希序列和DCT变换哈希序列;对LAB颜色哈希序列和DCT变换哈希序列进行逻辑与操作得到的混合哈希序列作为超像素块参数;结合超像素块参数与超像素块之间的几何约束,修正候选超像素块的位置,得到准确的超像素块位置;根据权重值将超像素块结合起来,从而定位出当前处理图像需要跟踪目标的位置并估算尺度,是指包括以下步骤:
S4.1步,分别计算上一帧图像的三个超像素块的灰度均值,然后将当前处理图像的三个候选超像素块分别缩放为8×8尺度形成64位像素,将64位像素逐位与上一帧图像对应超像素块的灰度均值进行对比,生成三个候选超像素块的64位LAB颜色哈希序列;
S4.2步,将当前处理图像的三个候选超像素块和上一帧图像的三个超像素块分别缩放为32×32尺度,并分别进行DCT变换生成DCT系数矩阵,再选择各个DCT系数矩阵左上角8×8的数值构成矩阵;将当前处理图像的三个候选超像素块构成的矩阵分别与上一帧图像对应超像素块构成的矩阵进行元素逐位对比,得到三个候选超像素块的64位DCT变换哈希序列;
S4.3步,分别将三个候选超像素块的LAB颜色哈希序列和DCT变换哈希序列进行逻辑与操作,得到三个候选超像素块的64位混合哈希序列;
S4.4步,修正各个候选超像素块的位置,得到准确的超像素块位置:
其中,Hi为第i个候选超像素块的混合哈希序列,H_min为三个混合哈希序列的最小哈希值,其对应权重为weightH_min,θH是预设混合哈希序列阈值,centeri和centerj分别是第i个和第j个超像素块的中心位置;
S4.5步,将各个超像素块之间的位置和尺度结合起来,确定当前处理图像需要跟踪目标的位置和尺度:
scale=∑weighti×scalei;
其中,center是目标跟踪结果位置,scale是目标跟踪结果尺度变化,是预设距离约束修正值。
本发明具有如下优点与有益效果:
本发明提出的基于超像素和混合哈希的核相关滤波目标跟踪方法,不仅能通过超像素分割将目标跟踪为有意义的块,通过对每个超像素块联动核相关卷积滤波跟踪,实现整体目标的跟踪,从而提升目标跟踪的精度和抗干扰能力;也可以通过计算每个超像素块的混合哈希序列,在结合强度特征和几何约束,对目标跟踪位置进行有效修正,有效解决目标的尺度变化问题。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种基于超像素和混合哈希的核相关滤波目标跟踪方法,其特征在于:包括以下四个步骤:
S1步,捕获第一帧图像,利用SLIC超像素分割算法将目标区域及其周围区域的各个像素聚类为超像素;并用meanshift聚类算法将各个超像素进行二次聚类,得到大型超像素;之后计算各个大型超像素的重叠度Ob,获取需要跟踪目标的有效范围;
S2步,预设重叠度阈值,根据重叠度Ob和重叠度阈值,将需要跟踪目标的有效范围内的大型超像素归为三个候选超像素块;之后计算用于后续跟踪的超像素块参数;所述超像素块参数包括各个超像素块的权重和权重标志,以及各个超像素块之间的欧氏距离和修正约束距离比率;
S3步,获取下一帧图像作为当前处理图像并提取三个候选超像素块,提取三个候选超像素块的LAB颜色空间,并通过映射和降维的方法转化为4维的CN颜色属性特征空间;对各个候选超像素块分别使用基于高斯核的相关滤波目标跟踪方法,通过循环采样与傅里叶分析计算各个候选超像素块的最大响应位置;在最大响应位置,分别用不同尺度的目标区域框与上一帧图像的超像素块进行相关卷积,从而获取最大响应的候选超像素块;
S4步,对各个最大响应的候选超像素块,分别计算LAB颜色哈希序列和DCT变换哈希序列;对LAB颜色哈希序列和DCT变换哈希序列进行逻辑与操作得到的混合哈希序列作为超像素块参数;结合超像素块参数与超像素块之间的几何约束,修正候选超像素块的位置,得到准确的超像素块位置;根据权重值将超像素块结合起来,从而定位出当前处理图像需要跟踪目标的位置并估算尺度;
S5步,判断当前处理图像是否为最后一帧图像:若是,则结束;否则跳至S3步。
2.根据权利要求1所述的基于超像素和混合哈希的核相关滤波目标跟踪方法,其特征在于:在所述S1步中,捕获第一帧图像,利用SLIC超像素分割算法将目标区域及其周围区域的各个像素聚类为超像素;并用meanshift聚类算法将各个超像素进行二次聚类,得到大型超像素;之后计算各个大型超像素的重叠度Ob,获取需要跟踪目标的有效范围,是指包括以下步骤:
S1.1步,捕获第一帧图像作为初始帧,在第一帧图像上确定需要跟踪目标生成目标区域;以目标区域中心为中心,以目标区域的1.5倍尺寸为范围划定搜索区域,并将搜索区域变换到LAB颜色空间;
S1.2步,设定聚类中心数量为k;将搜索区域等像素间隔S划分成k个网格,其中,N为搜索区域的像素数量;在各个网格上分别随机选择一个像素点作为聚类中心;
S1.3步,在各个聚类中心的3×3邻域分别计算梯度相应值,获得各个聚类中心的最小梯度响应值;对搜索区域内的各个像素点,在2S×2S邻域内对比聚类中心的最小梯度响应值,各个像素点分别聚类到最小梯度响应值数值最小的聚类中心上;采用k-means算法计算新的聚类中心,直到新的聚类中心和旧的聚类中心保持一致,得到初步聚类的超像素;
S1.4步,对各个超像素用meanshift聚类算法进行二次聚类,形成大型超像素;
S1.5步,将位于目标区域内的像素点设定为正样本,位于目标区域外的像素点设定为负样本;分别统计各个大型超像素的正样本数量和负样本数量,并分别计算各个大型超像素的重叠度Ob,b∈{1,...,k}:
<mrow>
<msub>
<mi>O</mi>
<mi>b</mi>
</msub>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>N</mi>
<mi>b</mi>
<mo>+</mo>
</msubsup>
<mrow>
<msubsup>
<mi>N</mi>
<mi>b</mi>
<mo>+</mo>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>N</mi>
<mi>b</mi>
<mo>-</mo>
</msubsup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
S1.6步,保留所有重叠度Ob大于0.5的大型超像素作为需要跟踪目标的有效范围。
3.根据权利要求1所述的基于超像素和混合哈希的核相关滤波目标跟踪方法,其特征在于:在所述S2步中,预设重叠度阈值,根据重叠度Ob和重叠度阈值,将需要跟踪目标的有效范围内的大型超像素归为三个候选超像素块;之后计算用于后续跟踪的超像素块参数;所述超像素块参数包括各个超像素块的权重和权重标志,以及各个超像素块之间的欧氏距离和修正约束距离比率,是指包括以下步骤:
S2.1步,预设重叠度阈值θ1、θ2、θ3;基于重叠度Ob和重叠度阈值,将需要跟踪目标的有效范围内的大型超像素归为三个候选超像素块candidatei,i=(1,2,3):
<mrow>
<msub>
<mi>patch</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>candidate</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>ifO</mi>
<mi>b</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>candidate</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>if&theta;</mi>
<mn>2</mn>
</msub>
<mo>&le;</mo>
<msub>
<mi>O</mi>
<mi>b</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>candidate</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>if&theta;</mi>
<mn>3</mn>
</msub>
<mo>&le;</mo>
<msub>
<mi>O</mi>
<mi>b</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
将各个候选超像素块中重叠度Ob的最大值作为该候选超像素块的重叠度重叠度Oi;
S2.2步,将各个候选超像素块转化为二值化图像,寻找最大连通区域,并用Canny边缘检测器提取轮廓点;
S2.3步,分别计算各个二值化图像的质心作为各个候选超像素块质心;计算各个轮廓点到对应候选超像素块质心的欧氏距离;分别对各个候选超像素块中欧氏距离求平均值,得到各个候选超像素块的横纵坐标平均距离;以各个候选超像素块质心为中心,以横纵坐标平均距离的1.5倍为尺寸,分别划定超像素块;
S2.4步,计算各个超像素块的LAB颜色值,计算各个超像素块的权重weighti和权重标志flag_weighti:
<mrow>
<msub>
<mi>weight</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>O</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>O</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<mi>f</mi>
<mi>l</mi>
<mi>a</mi>
<mi>g</mi>
<mo>_</mo>
<msub>
<mi>weight</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>w</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
<mo>_</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>></mo>
<mn>1.5</mn>
<mo>&times;</mo>
<msub>
<mi>weight</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,Ai是第i个超像素块的面积,Oi是第i个超像素块的重叠度,weight_max是三个超像素块的权重weighti中的最大值;
S2.5步,分别计算各个超像素块之间的欧氏距离作为超像素块之间的几何约束,j=(1,2,3):
<mrow>
<msubsup>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>r</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>center</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>center</mi>
<mi>j</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>|</mo>
<mo>,</mo>
<mo>|</mo>
<msub>
<mi>center</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>center</mi>
<mi>j</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,centerix和centerjx分别为第i个和第j个超像素块中心的横坐标;centeriy和centerjy分别为第i个和第j个超像素块中心的纵坐标;
计算各个超像素块之间的修正约束距离比率
<mrow>
<msubsup>
<mi>R</mi>
<mi>i</mi>
<mi>r</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>r</mi>
</msubsup>
<mrow>
<msubsup>
<mi>&Sigma;D</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>r</mi>
</msubsup>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
2
4.根据权利要求1所述的基于超像素和混合哈希的核相关滤波目标跟踪方法,其特征在于:在所述S3步中,获取下一帧图像作为当前处理图像并提取三个候选超像素块,提取三个候选超像素块的LAB颜色空间,并通过映射和降维的方法转化为4维的CN颜色属性特征空间;对各个候选超像素块分别使用基于高斯核的相关滤波目标跟踪方法,通过循环采样与傅里叶分析计算各个候选超像素块的最大响应位置;在最大响应位置,分别用不同尺度的目标区域框与上一帧图像的超像素块进行相关卷积,从而获取最大响应的候选超像素块,是指包括以下步骤:
S3.1步,获取下一帧图像作为当前处理图像,将上一帧图像的三个超像素块对应到当前处理图像上得到当前处理图像的候选超像素块;分别提取当前处理图像的各个候选超像素块的LAB颜色空间,之后映射为21维的颜色属性空间,并用主成分分析法将其进一步降维为4维的CN颜色空间;
S3.2步,分别以当前处理图像的各个候选超像素块为中心,用循环矩阵法进行循环采样得到若干样本;根据样本与当前处理图像的候选超像素块的重叠度来确定正负样本,并用高斯函数标记每个样本以实现滤波;
S3.3步,分别计算各个样本和回归目标li(x,y)的最小误差:
其中,φ是希尔伯特空间映射函数,λ是正则化参数,F和F-1分别为离散傅里叶变换和离散傅里叶逆变换,为核相关矩阵;wi是闭合形式的解,αi是系数;σ2是高斯函数中的方差,⊙是元素乘积;
S3.4步,分别计算各个样本的响应值:
其中,F(αZ)是当前处理图像的候选超像素块图像的傅里叶变换核输出,z是当前处理图像的候选超像素块图像;
对当前处理图像的各个候选超像素块,寻找响应值的最大值,并将响应值的最大值所对应的样本作为最大响应位置;
S3.5步,在最大响应位置,分别用不同尺度的目标区域框与上一帧图像的超像素块进行相关卷积,从而获取最大响应的候选超像素块:
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
<mo>_</mo>
<msub>
<mi>new</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>scale</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mi>s</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
<mo>_</mo>
<msub>
<mi>weight</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>a</mi>
<mi>k</mi>
<mo>_</mo>
<msub>
<mi>new</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>scale</mi>
<mi>i</mi>
</msub>
<mo>_</mo>
<msub>
<mi>weight</mi>
<mn>1</mn>
</msub>
<mo>></mo>
<msub>
<mi>peak</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>scale</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mi>s</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
<mo>_</mo>
<msub>
<mi>weight</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>a</mi>
<mi>k</mi>
<mo>_</mo>
<msub>
<mi>new</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>scale</mi>
<mi>i</mi>
</msub>
<mo>_</mo>
<msub>
<mi>weight</mi>
<mn>2</mn>
</msub>
<mo>></mo>
<msub>
<mi>peak</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>scale</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,scalei是上一帧图像第i个超像素块的尺度,scale_weight1是当前处理图像第i个超像素块的尺度权重,peak_newi是当前处理图像第i个超像素块对应Si的新峰值,peaki是当前处理图像第i个超像素块尺度不变化时对应Si的峰值,scale_newi是当前处理图像第i个候选超像素块的尺度;
将scale_newi作为当前处理图像第i个候选超像素块的尺度scalei。
5.根据权利要求1所述的基于超像素和混合哈希的核相关滤波目标跟踪方法,其特征在于:在所述S4步中,对各个最大响应的候选超像素块,分别计算LAB颜色哈希序列和DCT变换哈希序列;对LAB颜色哈希序列和DCT变换哈希序列进行逻辑与操作得到的混合哈希序列作为超像素块参数;结合超像素块参数与超像素块之间的几何约束,修正候选超像素块的位置,得到准确的超像素块位置;根据权重值将超像素块结合起来,从而定位出当前处理图像需要跟踪目标的位置并估算尺度,是指包括以下步骤:
S4.1步,分别计算上一帧图像的三个超像素块的灰度均值,然后将当前处理图像的三个候选超像素块分别缩放为8×8尺度形成64位像素,将64位像素逐位与上一帧图像对应超像素块的灰度均值进行对比,生成三个候选超像素块的64位LAB颜色哈希序列;
S4.2步,将当前处理图像的三个候选超像素块和上一帧图像的三个超像素块分别缩放为32×32尺度,并分别进行DCT变换生成DCT系数矩阵,再选择各个DCT系数矩阵左上角8×8的数值构成矩阵;将当前处理图像的三个候选超像素块构成的矩阵分别与上一帧图像对应超像素块构成的矩阵进行元素逐位对比,得到三个候选超像素块的64位DCT变换哈希序列;
S4.3步,分别将三个候选超像素块的LAB颜色哈希序列和DCT变换哈希序列进行逻辑与操作,得到三个候选超像素块的64位混合哈希序列;
S4.4步,修正各个候选超像素块的位置,得到准确的超像素块位置:
其中,Hi为第i个候选超像素块的混合哈希序列,H_min为三个混合哈希序列的最小哈希值,其对应权重为weightH_min,θH是预设混合哈希序列阈值,centeri和centerj分别是第i个和第j个超像素块的中心位置;
S4.5步,将各个超像素块之间的位置和尺度结合起来,确定当前处理图像需要跟踪目标的位置和尺度:
<mrow>
<mi>c</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>e</mi>
<mi>r</mi>
<mo>=</mo>
<msub>
<mi>&Sigma;weight</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>center</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>D</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
scale=∑weighti×scalei;
其中,center是目标跟踪结果位置,scale是目标跟踪结果尺度变化,是预设距离约束修正值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710128271.9A CN107123130B (zh) | 2017-03-06 | 2017-03-06 | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710128271.9A CN107123130B (zh) | 2017-03-06 | 2017-03-06 | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107123130A true CN107123130A (zh) | 2017-09-01 |
CN107123130B CN107123130B (zh) | 2019-12-10 |
Family
ID=59717940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710128271.9A Active CN107123130B (zh) | 2017-03-06 | 2017-03-06 | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107123130B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694723A (zh) * | 2018-05-11 | 2018-10-23 | 西安天和防务技术股份有限公司 | 一种复杂背景下目标稳定跟踪方法 |
CN109064491A (zh) * | 2018-04-12 | 2018-12-21 | 江苏省基础地理信息中心 | 一种自适应分块的核相关滤波跟踪方法 |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
CN109615640A (zh) * | 2018-11-19 | 2019-04-12 | 北京陌上花科技有限公司 | 相关滤波目标跟踪方法及装置 |
CN110008844A (zh) * | 2019-03-12 | 2019-07-12 | 华南理工大学 | 一种融合slic算法的kcf长期手势跟踪方法 |
CN111275740A (zh) * | 2020-01-19 | 2020-06-12 | 武汉大学 | 一种基于高分辨率孪生网络的卫星视频目标跟踪方法 |
CN112232428A (zh) * | 2020-10-23 | 2021-01-15 | 上海电力大学 | 一种基于三维特征和能量变化特征的图像哈希获取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810723A (zh) * | 2014-02-27 | 2014-05-21 | 西安电子科技大学 | 基于帧间约束超像素编码的目标跟踪方法 |
US20140369670A1 (en) * | 2013-06-13 | 2014-12-18 | Universitat Des Saarlandes | Method and device for selectively combining heterogeneous digital media objects |
CN104239522A (zh) * | 2014-09-17 | 2014-12-24 | 西安电子科技大学 | 一种基于图像间内容约束的超像素编码图像检索方法 |
CN104766343A (zh) * | 2015-03-27 | 2015-07-08 | 电子科技大学 | 一种基于稀疏表示的视觉目标跟踪方法 |
CN104992185A (zh) * | 2015-07-08 | 2015-10-21 | 西安电子科技大学 | 基于超像素的人脸画像生成方法 |
US20150327766A1 (en) * | 2014-05-19 | 2015-11-19 | Ricoh Co., Ltd. | Superpixel-based image segmentation using shading and albedo decomposition |
-
2017
- 2017-03-06 CN CN201710128271.9A patent/CN107123130B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140369670A1 (en) * | 2013-06-13 | 2014-12-18 | Universitat Des Saarlandes | Method and device for selectively combining heterogeneous digital media objects |
CN103810723A (zh) * | 2014-02-27 | 2014-05-21 | 西安电子科技大学 | 基于帧间约束超像素编码的目标跟踪方法 |
US20150327766A1 (en) * | 2014-05-19 | 2015-11-19 | Ricoh Co., Ltd. | Superpixel-based image segmentation using shading and albedo decomposition |
CN104239522A (zh) * | 2014-09-17 | 2014-12-24 | 西安电子科技大学 | 一种基于图像间内容约束的超像素编码图像检索方法 |
CN104766343A (zh) * | 2015-03-27 | 2015-07-08 | 电子科技大学 | 一种基于稀疏表示的视觉目标跟踪方法 |
CN104992185A (zh) * | 2015-07-08 | 2015-10-21 | 西安电子科技大学 | 基于超像素的人脸画像生成方法 |
Non-Patent Citations (2)
Title |
---|
GUILE WU等: "Robust Fingertip Detection in a Complex Environment", 《IEEE》 * |
高宇腾: "基于超像素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》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064491A (zh) * | 2018-04-12 | 2018-12-21 | 江苏省基础地理信息中心 | 一种自适应分块的核相关滤波跟踪方法 |
CN108694723A (zh) * | 2018-05-11 | 2018-10-23 | 西安天和防务技术股份有限公司 | 一种复杂背景下目标稳定跟踪方法 |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
CN109615640A (zh) * | 2018-11-19 | 2019-04-12 | 北京陌上花科技有限公司 | 相关滤波目标跟踪方法及装置 |
CN110008844A (zh) * | 2019-03-12 | 2019-07-12 | 华南理工大学 | 一种融合slic算法的kcf长期手势跟踪方法 |
CN111275740A (zh) * | 2020-01-19 | 2020-06-12 | 武汉大学 | 一种基于高分辨率孪生网络的卫星视频目标跟踪方法 |
CN111275740B (zh) * | 2020-01-19 | 2021-10-22 | 武汉大学 | 一种基于高分辨率孪生网络的卫星视频目标跟踪方法 |
CN112232428A (zh) * | 2020-10-23 | 2021-01-15 | 上海电力大学 | 一种基于三维特征和能量变化特征的图像哈希获取方法 |
CN112232428B (zh) * | 2020-10-23 | 2021-11-16 | 上海电力大学 | 一种基于三维特征和能量变化特征的图像哈希获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107123130B (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123130A (zh) | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 | |
CN106570486B (zh) | 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法 | |
CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN106997597B (zh) | 一种基于有监督显著性检测的目标跟踪方法 | |
CN105740945B (zh) | 一种基于视频分析的人群计数方法 | |
CN103035013B (zh) | 一种基于多特征融合的精确运动阴影检测方法 | |
CN103440645B (zh) | 一种基于自适应粒子滤波和稀疏表示的目标跟踪算法 | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN110378931A (zh) | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 | |
CN102867188B (zh) | 一种基于级联结构的会场内座位状态检测方法 | |
CN109285179A (zh) | 一种基于多特征融合的运动目标跟踪方法 | |
CN103020992B (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN108549864A (zh) | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN107886507B (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
CN107066969A (zh) | 一种人脸识别方法 | |
CN104463870A (zh) | 一种图像显著区域检测方法 | |
CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
CN106295532B (zh) | 一种视频图像中的人体动作识别方法 | |
CN104636749A (zh) | 目标对象检测方法及装置 | |
CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN101923637B (zh) | 一种移动终端及其人脸检测方法和装置 | |
CN107590427A (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220525 Address after: 510530 No. 39, Ruihe Road, Huangpu District, Guangzhou, Guangdong Patentee after: Guangzhou Guangda Innovation Technology Co.,Ltd. Address before: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District Patentee before: SOUTH CHINA University OF TECHNOLOGY |