CN107301652A - 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法 - Google Patents
一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法 Download PDFInfo
- Publication number
- CN107301652A CN107301652A CN201710308766.XA CN201710308766A CN107301652A CN 107301652 A CN107301652 A CN 107301652A CN 201710308766 A CN201710308766 A CN 201710308766A CN 107301652 A CN107301652 A CN 107301652A
- Authority
- CN
- China
- Prior art keywords
- template
- particle
- target
- rarefaction representation
- dictionary
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 238000009415 formwork Methods 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法,首先,在初始帧附近采样得到若干模板块,利用目标的局部和结构信息构造用于稀疏表示的字典。再对之后的每一帧,用粒子滤波产生若干粒子,每个粒子代表一个候选目标。然后对每一个候选目标进行了稀疏表示,用求解得到的稀疏表示系数代表每个粒子的适应度,最后用粒子群优化求解得到的具有最高适应度的粒子,适应度最高的候选目标作为跟踪结果。
Description
技术领域
本发明属于采用数字图像进行目标根据的方法,涉及一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法。
背景技术
目标跟踪是计算机视觉领域的一个基础性问题,它有着广泛的应用,包括视频监控,行为分析,运动时间分析,以及视频检索等。由于目标在跟踪过程中会面临光照变化,遮挡,形变,复杂的运动背景等问题,经常会导致目标丢失和漂移现象,因此目标跟踪是一个富有挑战性的课题。
近两年,基于稀疏表示理论的目标跟踪方法得到了极大的重视,该方法将目标跟踪问题转化为稀疏求解问题,取得了较好的效果,为目标跟踪问题提供了一个新的求解思路。经典的基于稀疏表示目标跟踪方法的基本思想是以目标模板构建超完备字典,通过粒子滤波框架得到候选目标,通过计算L1范数最小化进行稀疏求解,计算其重构误差得到每个粒子为目标的概率,从而实现目标跟踪。这种方法充分利用了图像的稀疏表示性质中对噪声和遮挡不敏感的特性,可以有效地减弱背景杂波和噪声对于跟踪算法的不利影响,提高算法的跟踪性能。但这些算法主要采用图像模板作为字典,而且为了抵抗遮挡影响而引入了琐碎模板,从而使得超完备字典的维数很高,算法复杂度高,计算量大,而且图像原始灰度特征容易受光照以及相似背景等影响。此外,粒子滤波中,可能会出现粒子的权重很小,出现粒子退化现象。为解决这一问题,粒子滤波中大多会采用重采样,即舍弃权重小的粒子,对权重大的粒子复制,从而引起了贫化现象,影响候选目标的选取效果。
可见,视觉目标跟踪过程中存在面临的光照变化,遮挡,形变,复杂的运动背景相似物体的干扰影响等问题。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法,解决视觉目标跟踪过程中面临的光照变化,遮挡,形变,复杂的运动背景相似物体的干扰影响等问题。
技术方案
一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法,其特征在于步骤如下:
步骤1:读取第一帧图像数据,得到目标在第一帧图像中的位置参数[x,y,w,h],其中:x,y表示目标的中心位置,w,h表示目标的宽和高;
步骤2、构造用于稀疏表示的字典:以x,y为圆心,在半径为R的范围内,采样n 个目标模板,将若干目标模板归一化到标准尺寸32*32;使用一个大小为16*16的滑动窗在每个模板上扫描提取多个局部块,并将它们按提取顺序进行排列;所述半径R 为max{h,w}的2倍;
以若干个目标模板和琐碎模板构成字典D:D=[D1,D2,…,Dn,E],其中,目标模板数n,Di是字典中的第i个目标模板,i=1…n;每个目标模板又被分为m个局部块, Di=[di,1,di,2,…,di,m],di,j代表第i个目标模板中的第j块,E为琐碎模板;
步骤3、候选目标采样:以函数p(xt|xt-1)=N(xt;xt-1,Σ)在下一帧图像中生成若干粒子,每个粒子代表一个以它为中心的候选目标区域Yi,
其中:{sx,shx,shy,sy,tx,ty}为仿射变换的6个参数,表示目标在k时刻的状态xk,其中6个参数分别依次表示:水平伸缩量、水平形变量、垂直形变量、垂直伸缩量、水平位移量、垂直位移量;
步骤4、稀疏表示求解:
按照构造字典的方式,首先将候选目标区域Y归一化到标准尺寸32*32,然后以粒子为圆心,在半径为R的范围内,采样n个目标模板,将若干目标模板归一化到标准尺寸32*32;使用一个大小为16*16的滑动窗在每个模板上扫描提取多个局部块,并将它们按提取顺序进行排列;所述半径R为max{h,w}的2倍;
以若干个目标模板和琐碎模板构成字典D:D=[D1,D2,…,Dn,E],其中,目标模板数n,Di是字典中的第i个目标模板,i=1…n;每个候选目标模板Y又被分为m个局部块,Di=[di,1,di,2,…,di,m],di,j代表第i个目标模板中的第j块,E为琐碎模板;
那么候选目标Y可以被字典D和对应的稀疏表示系数α表示为:
Y≈[D1,D2,…,Dn,E][α1,α2,…,αn,e]=D·α
而稀疏表示系数α可由下式通过计算得到:
α=argmin||Y-D·α||2+λ·||α||1,式中正则化系数λ=0.01;
稀疏表示系数α=[α1,α2,…,αn]T,αi表示第i个模板和琐碎模板对应的表示系数,而目标模板已被分成若干局部区域,再用αi,j表示第i个候选目标第j块对应的表示系数,而ei则为琐碎模板对应的表示系数,从而又有αi=[αi,1,αi,2,…,αi,m,ei]T;
步骤5:对m块在字典中目标模板对应位置的表示系数求和,得到:再将ci中的对角线元素取出按顺序排列形成列向量fi;
步骤6、粒子群优化:根据粒子适应度函数计算每个粒子的适应度,并采用粒子群优化方法优化不断迭代计算每个粒子的适应度函数,直至最优候选目标其适应度达到某个阈值或是达到最大迭代步数,最后得到目标的位置;
步骤7、字典更新:以每个粒子的适应度作为目标的置信度,当跟踪到的目标置信度低于阈值μ时,便替换掉字典中的一个模板;替换过程为:
将第一帧中手动标定的目标模板将作为固定模板,产生一个序列
S={0,21,22,…,2n-1},
n是字典中目标模板的数目,该序列被归一化后,得到一组累积概率序列:该序列代表了每个模板被替换的概率,然后,产生一个在区间[0,1]上均匀分布的随机数r,该随机数位于Lp的区间数,即为被替换的模板的序号;
对所接收图像序列的所有帧,循环进行步骤3~步骤7,直至跟踪结束。
所述步骤6的粒子群优化过程是:
首先对粒子群进行初始化:将每个粒子初始状态记为p0 (i),其中,i=1,2,3…,num,将初始迭代次数设定为20,最优候选目标初始化适应度设置为所选取粒子中的最大值max{p0 (i)};
再循环更新粒子状态,直至最优候选目标其适应度达到某个阈值θ或是达到最大迭代步数Ψ,其中θ取4,Ψ取20;
以预测粒子速度;
以更新粒子状态;
以更新粒子群局部最优状态;
以更新粒子群的全局最优状态;
其中:表示第i个粒子在第n-1次迭代中的权重;gn-1表示第n-1次迭代中局部和全局的最优状态;α1,α2是加速常量;μ1,μ2是均匀分布的随机变量。α1,α2,w取值分别为1,1,0.8.。
所述目标模板数n取10。
所述m取9。
所述μ取10。
有益效果
本发明提出的一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法,首先,在初始帧附近采样得到若干模板块,利用目标的局部和结构信息构造用于稀疏表示的字典。再对之后的每一帧,用粒子滤波产生若干粒子,每个粒子代表一个候选目标。然后对每一个候选目标进行了稀疏表示,用求解得到的稀疏表示系数代表每个粒子的适应度,最后用粒子群优化求解得到的具有最高适应度的粒子,适应度最高的候选目标作为跟踪结果。
经典的稀疏表示跟踪方法利用目标图像的灰度特征信息作为目标模板构造字典。通过计算L1范数最小化进行稀疏求解,计算其重构误差得到每个粒子的概率,从而实现目标跟踪。但是这种方法只是考虑目标的整体特性,而目标的整体特性不易刻画目标的结构和局部特性,导致其易受噪声、光照变化和相似物体干扰等影响,本发明在经典稀疏表示的基础上,将粒子群优化方法引入到粒子滤波中用于引导粒子滤波,很好的解决了粒子滤波产生贫化问题,并用仿射变换来处理目标的尺度变化问题。能够更加有效地表示目标,克服了光照变化、遮挡、尺度变化、目标变形等问题,实现了视觉目标的鲁棒跟踪。
附图说明
图1:本方法流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明在第一帧目标位置确定的基础上,首先在初始帧目标附近采样得到若干目标模板,构造用于稀疏表示的字典。然后用粒子群优化算法引导的粒子滤波进行候选目标采样。再对候选目标进行稀疏表示,求解得到表示系数。最后,求出最优候选目标作为跟踪结果。具体步骤如下,流程可参考附图。
1)读取第一帧图像数据以及目标在第一帧图像中的参数[x,y,w,h],其中x,y表示目标的中心位置,w,h表示目标的宽和高。
2)构造用于稀疏表示的字典。在初始帧目标附近采样得到若干目标模板,将其归一化到标准尺寸32x32像素,使用一个滑动窗在每个模板上扫描提取m个局部块(m取9),每一块的大小为16x16像素,滑动窗步长为8像素,并将它们按顺序排列起来。字典D是由若干个目标模板和琐碎模板构成: D=[D1,D2,…,Dn,E],其中,目标模板数n取10,Di是字典中的第i个目标模板,每个目标模板又被分为m块(m取9),Di=[di,1,di,2,…,di,m],di,j代表第i个目标模板中的第j块,E为琐碎模板,在本发明中E为一个单位矩阵。
3)候选目标采样。本发明中,以上一帧目标为中心,在其附近采集样本num个(num取600)。为了处理目标的尺度变化和旋转等问题,用仿射变换的6个参数 {sx,shx,shy,sy,tx,ty}来表示目标在k时刻的状态xk,其中6个参数分别依次表示:水平伸缩量、水平形变量、垂直形变量、垂直伸缩量、水平位移量、垂直位移量。具体来说,根据p(xt|xt-1)=N(xt;xt-1,Σ)生成num个粒子,每个粒子代表一个候选目标区域,其中
4)稀疏表示求解。对每个粒子代表的候选目标Y,按照构造字典的方式,首先将其归一化到标准尺寸32x32像素,然后对其采用相同的方式提取局部块信息。那么候选目标Y可以被字典D和对应的稀疏表示系数α表示为:
Y≈[D1,D2,…,Dn,E][α1,α2,…,αn,e]=D·α
而稀疏表示系数α可由下式通过计算得到:
α=argmin||Y-D·α||2+λ·||α||1,式中正则化系数λ=0.01
5)对于稀疏表示系数α=[α1,α2,…,αn]T,αi表示第i个模板和琐碎模板对应的表示系数,而目标模板已被分成若干局部区域,再用αi,j表示第i个候选目标第j块对应的表示系数,而ei则为琐碎模板对应的表示系数,从而又有
αi=[αi,1,αi,2,…,αi,m,ei]T。
6)候选目标Y被分割成了有重叠的m块,显然,每个候选目标中的某一块,将更倾向于字典中对应位置的块来表示,因此我们将对应位置的表示系数求和,从而得到:再将ci中的对角线元素取出按顺序排列形成列向量fi。
7)对每一个候选目标,根据粒子适应度函数计算每个粒子的适应度,并采用粒子群优化方法优化不断迭代计算每个粒子的适应度函数,直至最优候选目标其适应度达到某个阈值或是达到最大迭代步数,最后得到目标的位置。首先对粒子群进行初始化:
将每个粒子初始状态记为p0 (i)(其中,i=1,2,3…,num),将初始迭代次数设定为20,最优候选目标初始化适应度设置为所选取粒子中的最大值max{p0 (i)}。
再循环更新粒子状态,直至最优候选目标其适应度达到某个阈值θ或是达到最大迭代步数Ψ(其中θ取4,Ψ取20)
根据预测粒子速度;
根据更新粒子状态;
根据更新粒子群局部最优状态;
根据更新粒子群的全局最优状态;
其中中表示第i个粒子在第n-1次迭代中的权重;
gn-1表示第n-1次迭代中局部和全局的最优状态;
α1,α2是加速常量;
μ1,μ2是均匀分布的随机变量。
α1,α2,w取值分别为1,1,0.8.
8)字典更新。当跟踪到的目标其置信度低于某个阈值μ时(μ取10),便替换掉字典中的一个模板。显然,第一帧中的目标位置其标签最可靠,最近加入到字典中的目标模板,可能更不准确,所以其替换频率应更高。本发明将第一帧中手动标定的目标模板将作为固定模板,不被替换。
然后,产生一个序列S={0,21,22,…,2n-1},n是字典中目标模板的数目(本发明中,n取10),该序列被归一化后,得到一组累积概率:
该累积序列代表了每个模板被替换的概率,然后,产生一个在区间[0,1]上均匀分布的随机数r,那么该随机数所在的区间,即要被替换的模板的序号。
9)判断是否处理完图像序列的所有帧,若没有,则转到步骤3继续;若处理完,则结束。
本发明利用粒子群优化引导求解的粒子滤波框架,避免了使用重采样带来的粒子贫化问题。此外,使用目标的局部结构特征,能够更加有效地表示目标,克服了光照变化、遮挡、尺度变化、目标变形等问题,实现了复杂背景下视觉目标的鲁棒跟踪。
Claims (5)
1.一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法,其特征在于步骤如下:
步骤1:读取第一帧图像数据,得到目标在第一帧图像中的位置参数[x,y,w,h],其中:x,y表示目标的中心位置,w,h表示目标的宽和高;
步骤2、构造用于稀疏表示的字典:以x,y为圆心,在半径为R的范围内,采样n个目标模板,将若干目标模板归一化到标准尺寸32*32;使用一个大小为16*16的滑动窗在每个模板上扫描提取多个局部块,并将它们按提取顺序进行排列;所述半径R为max{h,w}的2倍;
以若干个目标模板和琐碎模板构成字典D:D=[D1,D2,…,Dn,E],其中,目标模板数n,Di是字典中的第i个目标模板,i=1…n;每个目标模板又被分为m个局部块,Di=[di,1,di,2,…,di,m],di,j代表第i个目标模板中的第j块,E为琐碎模板;
步骤3、候选目标采样:以函数p(xt|xt-1)=N(xt;xt-1,Σ)在下一帧图像中生成若干粒子,每个粒子代表一个以它为中心的候选目标区域Yi,
其中{sx,shx,shy,sy,tx,ty}为仿射变换的6个参数,表示目标在k时刻的状态xk,其中6个参数分别依次表示:水平伸缩量、水平形变量、垂直形变量、垂直伸缩量、水平位移量、垂直位移量;
步骤4、稀疏表示求解:
按照构造字典的方式,首先将候选目标区域Y归一化到标准尺寸32*32,然后以粒子为圆心,在半径为R的范围内,采样n个目标模板,将若干目标模板归一化到标准尺寸32*32;使用一个大小为16*16的滑动窗在每个模板上扫描提取多个局部块,并将它们按提取顺序进行排列;所述半径R为max{h,w}的2倍;
以若干个目标模板和琐碎模板构成字典D:D=[D1,D2,…,Dn,E],其中,目标模板数n,Di是字典中的第i个目标模板,i=1…n;每个候选目标模板Y又被分为m个局部块,Di=[di,1,di,2,…,di,m],di,j代表第i个目标模板中的第j块,E为琐碎模板;
那么候选目标Y可以被字典D和对应的稀疏表示系数α表示为:
Y≈[D1,D2,…,Dn,E][α1,α2,…,αn,e]=D·α
而稀疏表示系数α可由下式通过计算得到:
α=argmin||Y-D·α||2+λ·||α||1,式中正则化系数λ=0.01;
稀疏表示系数α=[α1,α2,…,αn]T,αi表示第i个模板和琐碎模板对应的表示系数,而目标模板已被分成若干局部区域,再用αi,j表示第i个候选目标第j块对应的表示系数,而ei则为琐碎模板对应的表示系数,从而又有αi=[αi,1,αi,2,…,αi,m,ei]T;
步骤5:对m块在字典中目标模板对应位置的表示系数求和,得到:再将ci中的对角线元素取出按顺序排列形成列向量fi;
步骤6、粒子群优化:根据粒子适应度函数计算每个粒子的适应度,并采用粒子群优化方法优化不断迭代计算每个粒子的适应度函数,直至最优候选目标其适应度达到某个阈值或是达到最大迭代步数,最后得到目标的位置;
步骤7、字典更新:以每个粒子的适应度作为目标的置信度,当跟踪到的目标置信度低于阈值μ时,便替换掉字典中的一个模板;替换过程为:
将第一帧中手动标定的目标模板将作为固定模板,产生一个序列
S={0,21,22,…,2n-1}
n是字典中目标模板的数目,该序列被归一化后,得到一组累积概率序列:该序列代表了每个模板被替换的概率,然后,产生一个在区间[0,1]上均匀分布的随机数r,该随机数位于Lp的区间数,即为被替换的模板的序号;
对所接收图像序列的所有帧,循环进行步骤3~步骤7,直至跟踪结束。
2.根据权利要求1所述基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法,其特征在于:所述步骤6的粒子群优化过程是:
首先对粒子群进行初始化:将每个粒子初始状态记为p0 (i),其中,i=1,2,3…,num,将初始迭代次数设定为20,最优候选目标初始化适应度设置为所选取粒子中的最大值max{p0 (i)};
再循环更新粒子状态,直至最优候选目标其适应度达到某个阈值θ或是达到最大迭代步数Ψ,其中θ取4,Ψ取20;
以预测粒子速度;
以更新粒子状态;
以更新粒子群局部最优状态;
以更新粒子群的全局最优状态;
其中:表示第i个粒子在第n-1次迭代中的权重;gn-1表示第n-1次迭代中局部和全局的最优状态;α1,α2是加速常量;μ1,μ2是均匀分布的随机变量。α1,α2,w取值分别为1,1,0.8.。
3.根据权利要求1所述基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法,其特征在于:所述目标模板数n取10。
4.根据权利要求1所述基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法,其特征在于:所述m取9。
5.根据权利要求1所述基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法,其特征在于:所述μ取10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710308766.XA CN107301652B (zh) | 2017-05-04 | 2017-05-04 | 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710308766.XA CN107301652B (zh) | 2017-05-04 | 2017-05-04 | 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301652A true CN107301652A (zh) | 2017-10-27 |
CN107301652B CN107301652B (zh) | 2020-07-14 |
Family
ID=60137512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710308766.XA Expired - Fee Related CN107301652B (zh) | 2017-05-04 | 2017-05-04 | 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301652B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146922A (zh) * | 2018-07-11 | 2019-01-04 | 哈尔滨工程大学 | 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 |
CN110648351A (zh) * | 2019-09-19 | 2020-01-03 | 安徽大学 | 基于稀疏表示的多外观模型融合目标跟踪方法及其装置 |
CN113076123A (zh) * | 2021-04-19 | 2021-07-06 | 智领高新科技发展(北京)有限公司 | 一种用于目标跟踪的自适应模板更新系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077535A (zh) * | 2012-12-31 | 2013-05-01 | 中国科学院自动化研究所 | 一种基于多任务联合稀疏表示的目标跟踪方法 |
US20130335635A1 (en) * | 2012-03-22 | 2013-12-19 | Bernard Ghanem | Video Analysis Based on Sparse Registration and Multiple Domain Tracking |
CN104915969A (zh) * | 2015-05-21 | 2015-09-16 | 云南大学 | 一种基于粒子群优化的模版匹配跟踪方法 |
CN105513093A (zh) * | 2015-12-10 | 2016-04-20 | 电子科技大学 | 一种基于低秩矩阵表示的目标跟踪方法 |
US20160125610A1 (en) * | 2014-11-05 | 2016-05-05 | The Regents Of The University Of Colorado, A Body Corporate | 3d imaging, ranging, and/or tracking using active illumination and point spread function engineering |
CN105913457A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于加强粒子群优化的粒子滤波目标跟踪方法 |
CN105931273A (zh) * | 2016-05-04 | 2016-09-07 | 江南大学 | 基于l0正则化的局部稀疏表示目标跟踪方法 |
CN106530330A (zh) * | 2016-12-08 | 2017-03-22 | 中国人民解放军国防科学技术大学 | 基于低秩稀疏的视频目标跟踪方法 |
CN106530329A (zh) * | 2016-11-14 | 2017-03-22 | 华北电力大学(保定) | 一种基于分数阶微分和多特征联合的稀疏表示跟踪方法 |
-
2017
- 2017-05-04 CN CN201710308766.XA patent/CN107301652B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130335635A1 (en) * | 2012-03-22 | 2013-12-19 | Bernard Ghanem | Video Analysis Based on Sparse Registration and Multiple Domain Tracking |
CN103077535A (zh) * | 2012-12-31 | 2013-05-01 | 中国科学院自动化研究所 | 一种基于多任务联合稀疏表示的目标跟踪方法 |
US20160125610A1 (en) * | 2014-11-05 | 2016-05-05 | The Regents Of The University Of Colorado, A Body Corporate | 3d imaging, ranging, and/or tracking using active illumination and point spread function engineering |
CN104915969A (zh) * | 2015-05-21 | 2015-09-16 | 云南大学 | 一种基于粒子群优化的模版匹配跟踪方法 |
CN105513093A (zh) * | 2015-12-10 | 2016-04-20 | 电子科技大学 | 一种基于低秩矩阵表示的目标跟踪方法 |
CN105913457A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学昆山创新研究院 | 基于加强粒子群优化的粒子滤波目标跟踪方法 |
CN105931273A (zh) * | 2016-05-04 | 2016-09-07 | 江南大学 | 基于l0正则化的局部稀疏表示目标跟踪方法 |
CN106530329A (zh) * | 2016-11-14 | 2017-03-22 | 华北电力大学(保定) | 一种基于分数阶微分和多特征联合的稀疏表示跟踪方法 |
CN106530330A (zh) * | 2016-12-08 | 2017-03-22 | 中国人民解放军国防科学技术大学 | 基于低秩稀疏的视频目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
JIANQIANG XU等: "Robust tracking via weighted spatio-temporal context learning", 《2014 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
XU JIA等: "Visual tracking via adaptive structural local sparse appearance model", 《2012 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
侯跃恩等: "结构稀疏表示分类目标跟踪算法", 《计算机科学与探索》 * |
贺若彬等: "稀疏子空间的粒子滤波法在目标跟踪中的应用", 《计算机工程与设计》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146922A (zh) * | 2018-07-11 | 2019-01-04 | 哈尔滨工程大学 | 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 |
CN109146922B (zh) * | 2018-07-11 | 2021-07-06 | 哈尔滨工程大学 | 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 |
CN110648351A (zh) * | 2019-09-19 | 2020-01-03 | 安徽大学 | 基于稀疏表示的多外观模型融合目标跟踪方法及其装置 |
CN113076123A (zh) * | 2021-04-19 | 2021-07-06 | 智领高新科技发展(北京)有限公司 | 一种用于目标跟踪的自适应模板更新系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107301652B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Super-resolution of remote sensing images based on transferred generative adversarial network | |
CN103024349B (zh) | 一种基于稀疏限制的mle视频目标跟踪方法 | |
WO2022000838A1 (zh) | 基于马尔可夫随机场的远程塔台视频目标挂标牌方法 | |
Sun et al. | TIB-Net: Drone detection network with tiny iterative backbone | |
CN109584270B (zh) | 基于判别字典学习的视觉跟踪方法 | |
CN111161199A (zh) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 | |
CN107301652A (zh) | 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法 | |
CN109376641B (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN109448023B (zh) | 一种卫星视频小目标实时跟踪方法 | |
CN103985143A (zh) | 基于字典学习的视频中判别性在线目标跟踪方法 | |
CN110889865A (zh) | 一种基于局部加权稀疏特征选择的视频目标跟踪方法 | |
CN110008844A (zh) | 一种融合slic算法的kcf长期手势跟踪方法 | |
CN116758104B (zh) | 一种基于改进GCNet的多实例人像抠图方法 | |
Chong et al. | High-order Markov random field as attention network for high-resolution remote-sensing image compression | |
Adate et al. | Understanding single image super-resolution techniques with generative adversarial networks | |
Zhao et al. | Deep equilibrium models for snapshot compressive imaging | |
CN104537694B (zh) | 一种基于关键帧的在线学习的离线视频跟踪方法 | |
Chen et al. | Special object detection based on mask RCNN | |
CN106874881A (zh) | 一种多模板时空关联的局部反联合稀疏表示目标跟踪方法 | |
CN108280845B (zh) | 一种针对复杂背景的尺度自适应目标跟踪方法 | |
CN105894485B (zh) | 一种基于信号相关性的自适应视频重建方法 | |
CN117036238A (zh) | 基于视频目标跟踪的田间水果计数方法及系统 | |
CN116258944A (zh) | 基于双网络的遥感影像分类模型样本增量学习方法 | |
Hu et al. | Multi-task l0 gradient minimization for 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200714 |