CN107507222A - 一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法 - Google Patents
一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法 Download PDFInfo
- Publication number
- CN107507222A CN107507222A CN201610419913.6A CN201610419913A CN107507222A CN 107507222 A CN107507222 A CN 107507222A CN 201610419913 A CN201610419913 A CN 201610419913A CN 107507222 A CN107507222 A CN 107507222A
- Authority
- CN
- China
- Prior art keywords
- msub
- target
- mrow
- particle
- block
- 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
-
- 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
一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,包括:目标的初始化;感兴趣区域的积分直方图特征提取;根据当前目标状态不同,选择不同的跟踪方法:如果目标状态正常,用粒子滤波方法进行目标跟踪,如果目标状态为部分遮挡,用分块粒子滤波方法进行目标跟踪,如果目标状态为严重遮挡,用最小二乘法预测目标位置;更新当前目标状态;当目标处于正常状态时,更新目标模板和子块模板;粒子的重采样;粒子传播。本发明利用积分直方图提取特征,可加快粒子滤波算法的计算速度,对遮挡进行实时判定并根据不同遮挡情况采取不同的跟踪机制,可提高遮挡情况下目标跟踪的稳定性和鲁棒性。
Description
技术领域
本发明涉及图像处理、视频处理、目标跟踪等领域,尤其涉及基于视频的目标跟踪领域。
背景技术
遮挡问题是视频目标跟踪中的常见问题,当遮挡发生时,目标的部分信息或者全部信息丢失,使得跟踪不稳定甚至目标跟丢,这是因为此时从摄像头读取到的目标数据不完整,一味地根据目标的整体特征进行匹配,跟踪的结果会出现较大的误差,所以在视频目标跟踪中,选取能准确表述目标的特征和选择合理的特征模板是解决遮挡问题的关键。有遮挡情况下的视频目标跟踪,一般采用基于点的匹配跟踪方法。基于点的匹配跟踪方法是根据目标的各像素点的特征来进行匹配跟踪,主要包括卡尔曼滤波算法、多假设跟踪算法和粒子滤波算法。该类方法的难点在于外观模型的选择,它的优点是对遮挡不敏感,即目标出现遮挡时用可见部分的点特征可持续跟踪。
粒子滤波方法可适用于非线性、非高斯系统下的目标跟踪问题,它是利用蒙特卡罗(Monte Carlo)方法和贝叶斯(Bayes)理论结合推导出来的。粒子滤波方法是利用一组在状态空间中按照某种规则传递且带有权重分量的随机样本来近似地表示状态的概率密度函数,这些随机样本就被通俗地称为“粒子”,不停地加入一些新观测到的量测值对样本进行更新,用所有随机样本的均值计算来代替积分的运算过程,最终得到状态的最小方差估计来作为状态的后验概率密度。从原理上看,粒子滤波目标跟踪算法具有处理遮挡问题的潜力。
发明内容
为了克服当前现有的视频目标跟踪方法在发生遮挡时表现出的跟踪效果不佳、甚至目标跟丢的问题,本发明提出一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,该方法利用积分直方图来提取目标特征,可减少计算量,提高计算速度,在跟踪过程中,对遮挡情况进行实时判定并针对不同的遮挡情况采取相应的跟踪机制,从而提高遮挡情况下目标跟踪的稳定性和鲁棒性。
本发明解决其技术问题所采用的技术方案是:
一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,包括以下步骤:
步骤1,目标的初始化;
步骤2,感兴趣区域的积分直方图特征提取,过程如下:
读取第k帧图像P,感兴趣区域指能覆盖所有粒子框的最小矩形区域,感兴趣区域的四个顶点A、B、C、D的坐标分别为:
其中,(p_x,p_y)是粒子的坐标,min()是求最小值函数,max()是求最大值函数,height为目标跟踪框的高,width为目标跟踪框的宽,计算感兴趣矩形区域ABCD上颜色特征的积分直方图Hin(x,y),即计算从图像点P(xA,yA)到点P(x,y)构成的矩形区域内所有点的颜色直方图;
步骤3,根据当前目标状态不同,选择不同的跟踪方法:如果目标状态正常,用粒子滤波方法进行目标跟踪,如果目标状态为部分遮挡,用分块粒子滤波方法进行目标跟踪,如果目标状态为严重遮挡,用最小二乘法预测目标位置;
步骤4,更新当前目标状态;
步骤5,当目标处于正常状态时,更新目标模板和子块模板;
步骤6,采用系统重采样方法进行粒子的重采样;
步骤7,粒子传播:经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的初始分布。
进一步,所述步骤1中,目标的初始化过程为:在第1帧中通过手动框选出目标,记目标跟踪框的高为height,宽为width,目标中心点坐标为(x1,y1),提取目标区域的颜色直方图特征并初始化目标的特征模板H=(h1,h2,…,hn)(n=1,2,…,32),n是特征直方图的区间个数;将目标的高等分成三份横向子块,从上到下分别记为子块1、2、3,将目标的宽等分成三份纵向子块,从左到右分别记为子块4、5、6,提取每个子块的颜色直方图特征并初始化目标的子块模板Hi=(h'1,h'2,…,h'n)(i=1,2,…,6;n=1,2,…,32),初始化粒子数p,初始化各粒子的位置(p_xj,p_yj)(j=1,2,…,p),初始化目标状态标志位Flag为0,初始化各子块的状态标志位为0。
更进一步,所述步骤3中,目标状态正常下的粒子滤波目标跟踪过程为:利用积分直方图对p个粒子分别提取以每个粒子j(j=1,2,…,p)为中心的宽为width,高为height的矩形框内的颜色直方图HPj=(hp1,hp2,…,hpn)(n=1,2,…,32),其中粒子j矩形框的四个顶点坐标分别为:
其中,(p_xj,p_yj)(j=1,2,…,p)是粒子j的坐标,则粒子j矩形框的颜色直方图HPj为:
HPj=Hin(xA',yA')-Hin(xC',yC'-1)-Hin(xB'-1,yB')+Hin(xD'-1,yD'-1),其中,Hin(x,y)是感兴趣矩形区域上颜色特征的积分直方图,计算当前粒子框特征HPj与目标模板H=(h1,h2,…,hn)(n=1,2,…,32)的巴氏系数为巴氏距离为计算各粒子的权重其中σ=0.05,对各粒子权重进行归一化处理把所有粒子的坐标按其权重加权得到当前帧目标的中心点坐标
或者是:所述步骤3中,目标被部分遮挡时的分块粒子滤波目标跟踪过程为:根据上一帧图像中目标出现遮挡情况而检测出的子块状态标志位提取各粒子框中时即有效子块的颜色直方图特征HPj_i,将粒子j矩形框内的各有效子块与对应的子块模板Hi进行对比,计算各子块i的巴氏系数取有效子块相似度的均值作为对应粒子整体部分的相似度,记有效子块个数为M,则粒子j的巴氏系数为巴氏距离为计算各粒子的权重其中σ=0.05,对各粒子权重进行归一化处理把所有粒子的坐标按其权重加权得到当前帧目标的中心点坐标
又或者是:所述步骤3中,目标被严重遮挡时的最小二乘法目标位置预测过程为:根据前面所有帧的目标中心点坐标(xt,yt)(t=1,2,…,k-1),建立如下方程:
通过解这个方程计算出各系数a1,a2,b1,b2,根据公式xk=a1k+b1,yk=a2k+b2计算得到第k帧中目标的中心点坐标(xk,yk)。
再进一步,所述步骤4中,目标状态的更新过程为:从前面步骤中可计算得到当前帧(第k帧)目标的中心点坐标(xk,yk),计算当前帧中目标特征直方图Hacc=(h1′,h2′,……,hn′)(n=1,2,…,32),记当前帧目标特征与特征模板H=(h1,h2,…,hn)(n=1,2,…,32)的相似度为设目标的整体相似度阈值为T1,当B大于等于阈值T1时,说明目标在当前帧中是正常状态,如果此时目标状态标志位Flag等于0,则保持不变,否则更新当前目标状态标志位为0,即表明此时目标已经脱离了遮挡;当B小于阈值T1时,说明目标在当前帧中被遮挡,提取目标坐标(xk,yk)区域上各子块i(i=1,2,…,6)的颜色特征直方图记作Hacc_i,计算各子块与对应子块模板Hi的相似度设子块的相似度阈值为T2,则:
即当Bi小于T2,该子块i为无效子块,记子块状态标志位为0;当Bi大于等于T2,该子块i为有效子块,记子块状态标志位为1,统计有效子块的数目M,根据有效子块数目来判定目标的遮挡严重程度:
即当有效子块的数目M大于2时,说明目标在当前帧中被部分遮挡,更新目标状态标志位Flag为1,当有效子块的数目M小于等于2时,说明目标在当前帧中被严重遮挡,更新目标状态标志位Flag为2。
所述步骤5中,模板更新方法为:设目标特征模板的直方图为H,当前帧的目标新坐标区域特征直方图为Hacc,则模板更新公式为:H=αH+(1-α)Hacc,其中,0.80≤α≤0.99,α具体数值根据视频情况设定;子块模板更新方法与上述目标模板更新方法类同。
本发明的有益效果主要表现在:利用积分直方图提取特征,可加快粒子滤波算法的计算速度,对遮挡进行实时判定并根据不同遮挡情况采取不同的跟踪机制,可提高遮挡情况下目标跟踪的稳定性和鲁棒性。
附图说明
图1为本发明的一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法流程图。
图2为分块方法示意图。
图3为积分直方图中原始图像及目标矩形的顶点示意图。
图4为严重遮挡示意图。
图5为测试视频的目标跟踪效果,其中,(a)为传统粒子滤波目标跟踪方法跟踪结果((a)-1是第15帧,(a)-2是第28帧,(a)-3是第45帧,(a)-4是第63帧,(a)-5是第92帧,(a)-6是第102帧,(a)-7是第113帧,(a)-8是第142帧);(b)为本发明提出的一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法跟踪结果((b)-1是第15帧,(b)-2是第28帧,(b)-3是第45帧,(b)-4是第63帧,(b)-5是第92帧,(b)-6是第102帧,(b)-7是第113帧,(b)-8是第142帧)。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
参照图1~图5,一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,包括以下步骤:
步骤1,目标的初始化;
步骤2,感兴趣区域的积分直方图特征提取;
步骤3,根据当前目标状态不同,选择不同的跟踪方法:如果目标状态正常,用粒子滤波方法进行目标跟踪,如果目标状态为部分遮挡,用分块粒子滤波方法进行目标跟踪,如果目标状态为严重遮挡,用最小二乘法预测目标位置;
步骤4,更新当前目标状态;
步骤5,当目标处于正常状态时,更新目标模板和子块模板;
步骤6,采用系统重采样方法进行粒子的重采样;
步骤7,粒子传播:经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的初始分布。
本实施例采用CAVIAR视频库的一段视频进行测试,该视频为MPEG2压缩的MPG格式文件,分辨率是384×288像素,帧速为每秒25帧,设粒子数为300,阈值T1=0.8,T2=0.9,α=0.9。
具体的实施流程包括7个步骤,如图1所示,具体为:
(1)目标初始化
在第1帧中通过手动框选出目标,记目标跟踪框的高为height,宽为width,目标中心点坐标为(x1,y1),提取目标区域的颜色直方图特征并初始化目标的特征模板H=(h1,h2,…,hn)(n=1,2,…,32),n是特征直方图的区间个数。如图2所示,将目标的高等分成三份横向子块,从上到下分别记为子块1、2、3,将目标的宽等分成三份纵向子块,从左到右分别记为子块4、5、6,提取每个子块的颜色直方图特征并初始化目标的分块模板Hi=(h'1,h'2,…,h'n)(i=1,2,…,6;n=1,2,…,32),初始化粒子数p,初始化各粒子的位置(p_xj,p_yj)(j=1,2,…,p),初始化目标状态标志位Flag为0,初始化各子块的状态标志位为0。
(2)感兴趣区域的积分直方图特征提取
读取第k帧图像P,感兴趣区域指能覆盖所有粒子框的最小矩形区域,记感兴趣区域的四个顶点为A、B、C、D,则其坐标分别为:
其中,min()是求最小值函数,max()是求最大值函数。
在积分直方图中,每个像素点的值代表的是从图像的左上角的原点到这个像素点所构成的矩形区域内所有点的颜色直方图。计算感兴趣矩形区域ABCD上颜色特征的积分直方图Hin(x,y),即计算从图像点P(xA,yA)到点P(x,y)构成的矩形区域内所有点的颜色直方图。
(3)跟踪策略的选择
根据目标状态的不同,选择不同的跟踪策略来达到抗遮挡且稳定跟踪的目的。如果目标状态标志位Flag为0,表示目标状态正常,用粒子滤波方法进行目标跟踪;如果目标状态标志位Flag为1,表示目标状态为部分遮挡,用分块粒子滤波方法进行目标跟踪;如果目标状态标志位Flag为2,表示目标状态为严重遮挡,用最小二乘法预测目标位置。
目标状态正常下的粒子滤波目标跟踪方法的过程为:通过步骤2中得到的感兴趣区域的积分直方图特征Hin(x,y)可以快速计算得到当前第k帧中以每个粒子j为中心的宽为width,高为height的区域内的颜色直方图HPj=(hp1,hp2,…,hpn)(n=1,2,…,32)。如图3表示的是原始图像与目标矩形位置,图中矩形ABCD(即斜线底纹部分)就是以每个粒子为中心的宽为width,高为height的区域,其中粒子j矩形框的四个顶点坐标分别为:
则利用积分直方图可计算粒子j矩形框的颜色直方图HPj为:
HPj=Hin(xA',yA')-Hin(xC',yC'-1)-Hin(xB'-1,yB')+Hin(xD'-1,yD'-1)(1)
用巴氏系数作为当前粒子框特征HPj与目标模板H相似性对比的参照系数,各粒子框特征与目标模板的巴氏系数计算公式为:
巴氏距离为当巴氏系数的数值越大,巴氏距离的数值就越小,说明两个样本的相似程度越高,反之,说明两个样本之间的相似程度越低。在粒子滤波目标跟踪算法中,每个粒子被赋予了权值,粒子权值的大小取决于该粒子区域的特征直方图与目标模板直方图的相似程度。当该粒子区域的特征直方图与目标模板直方图相似程度高时,粒子的权值比较大。各粒子的权重计算公式为:
其中,σ=0.05,再对各粒子权重进行归一化处理:
把所有粒子的坐标按其权重加权得到当前帧目标的中心点坐标
当出现遮挡时,对目标进行分块跟踪。被遮挡的子块特征将不能完整提取,此时需要对未被遮挡的子块进行特征提取,以达到持续跟踪的目的。目标被部分遮挡时的分块粒子滤波目标跟踪过程为:根据上一帧图像中目标出现遮挡情况而检测出的子块状态标志位提取各粒子框中时即有效子块的颜色直方图特征HPj_i,将粒子j矩形框内的各有效子块HPj_i与对应的子块模板Hi进行对比计算各子块的巴氏系数Bj_i:
取有效子块相似度均值作为对应粒子的整体部分的相似度,记有效子块个数为M,则粒子j的巴氏系数Bj为:
巴氏距离为用公式(3)计算各粒子的权重w(j),用公式(4)对各粒子权重进行归一化处理,把所有粒子的坐标按其权重加权得到当前帧目标的中心点坐标
目标被严重遮挡时的最小二乘法目标位置预测过程为:在跟踪过程中,若在前一帧检测到目标被严重遮挡,则特征信息提取较为困难,需要根据前面k-1帧的目标位置来预测出第k帧目标的位置。记之前帧中目标的中心位置坐标为(xt,yt),其中t=1,2,…,k-1,t表示帧数。当目标在短暂时间内被严重遮挡时,假设目标近似在做直线运动。根据最小二乘法原理,建立当前目标中心位置在x轴上的坐标xt和在y轴上的坐标yt随着帧数t的变化方程如下:
代入已知的中心位置坐标(xt,yt)(t=1,2,…,k-1)解这个方程,其中两条直线的斜率a1、a2和截距b1、b2的计算公式分别如下:
求得两条拟合的直线后,当前帧图像中预测的目标中心点位置(xk,yk)表示为:
xk=a1k+b1 (12)
yk=a2k+b2 (13)
这样就可计算得到k帧的目标中心位置(xk,yk)。
(4)更新目标状态
目标在运动过程中,在正常状态下即没有遮挡发生时提取的整体特征应该是在一定范围内变动或者保持不变,但是遇到遮挡后,被遮挡部分的特征会发生变化,从而影响整体目标的特征。我们通过对整体特征与特征模板的比较来分析目标是否被遮挡。
经过前述步骤在得到当前帧目标估计位置的中心坐标(xk,yk)后,将以当前新坐标(xk,yk)为中心点的区域内的特征与目标模板进行比较,当相似度高于阈值时,说明新坐标位置上的目标与跟踪的目标相似度比较高,是匹配的,继续用粒子滤波跟踪方法进行跟踪;当相似度低于阈值时,说明目标的特征发生较大变化,认为目标出现了遮挡情况,但具体的遮挡严重程度还需要进一步来判别。
计算当前帧中目标特征直方图Hacc=(h1′,h2′,…,hn′),记当前帧目标特征与特征模板H的相似度为:
设目标的整体相似度阈值T1。
当B≥T1时,说明目标在当前帧中状态正常;如果此时目标状态标志位Flag等于0,无需更新,否则更新目标状态标志位Flag为0,说明此时目标已经脱离了遮挡。
当B<T1时,说明目标在当前帧中出现了遮挡情况,利用当前目标子块特征与分块模板比较分析目标遮挡情况的严重性。将当前位置的各子块特征分别与目标模板中对应子块特征进行比较,若相似度较高,说明该子块状态正常;若子块特征与对应的子块模板间存在较大差异时,说明在该子块出现了遮挡情况。将以当前新坐标(xk,yk)为中心点的矩形区域分块后,提取每个子块i(i=1,2,…,6)的颜色特征直方图记作Hacc_i,把各子块特征分别与目标模板中相应子块特征进行比较,对应的相似度记为Bi:
设分子块的相似度阈值为T2,统计每个子块的相似度情况,设定有效子块和无效子块,记子块的状态标志位为FlagBi,则:
即当Bi<T2,令代表子块i是无效子块;当Bi≥T2,令代表子块i是有效子块。本发明分块中若有4个子块都出现遮挡情况,则遮挡总面积覆盖了目标框内大部分像素。因而,将无效子块数目的阈值定为4,则有效子块数目的阈值为2,如图4所示,当子块1、3、4和5都是无效子块时,目标处于严重遮挡状态。统计所有子块中的有效子块数目,根据有效子块数目来判定目标的遮挡严重程度:
即当M>2时,代表目标处于部分遮挡状态,更新目标状态标志位Flag=1;当M≤2时,代表目标处于严重遮挡状态,更新目标状态标志位Flag=2。
(5)模板的更新
目标的特征模板初始化是在视频初始帧中手动框选出目标时计算得到的,随着时间的推移,目标可能会发生或多或少的变化,需要对目标的特征模板进行自适应更新。当目标在遮挡情况下时,不对模板进行更新,以免受到遮挡物的干扰。只有在目标处于正常状态下时,对目标模板进行更新。即Flag=0时,按模板更新公式分别对目标的特征模板和子块的特征模板同时进行更新。目标特征模板的直方图为H,当前帧的目标新坐标(xk,yk)区域特征直方图为Hacc,模板更新公式为:
H=αH+(1-α)Hacc (18)
其中,0.80≤α≤0.99,本实施例中α=0.9;子块模板更新方法与上述目标模板更新方法类同。
(6)粒子重采样
我们用系统重采样算法来进行粒子的重采样,去除权值小的粒子,保留或复制权值高的粒子。
(7)粒子的传播
经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的初始分布。
图5是传统粒子滤波目标跟踪方法与本发明提出的一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法在测试视频上的跟踪效果对比图。在这个视频场景中,黑色上衣的男子是跟踪的目标人物,目标在移动过程中被白色上衣的女子遮挡,当采用传统粒子滤波方法进行跟踪时,跟踪框会偏离目标位置,甚至在目标离开遮挡物后,目标框出现跟错的现象。而采用本发明的方法进行跟踪时,在目标人物遇到遮挡以及离开遮挡后的整个过程中,跟踪框仍然能够准确地跟踪目标。在第45帧时,目标处于被遮挡状态,两种方法都能框出目标人物;在第63帧时,目标被遮挡物遮挡住部分身体,两种方法的跟踪框还是可以框出目标的可见部分,稍有误差;在第102帧时,传统粒子滤波方法的跟踪框已经偏向于遮挡物,处于错跟状态,而本发明的方法能较好地继续对目标人物进行跟踪,达到良好的稳定跟踪效果。
为了更好地比较两种方法,采用目标的中心位置的跟踪误差来衡量两种方法的跟踪效果。跟踪误差用欧式距离来计算,如下式所示:
其中,(x',y')表示跟踪方法测得的目标中心点位置,(x,y)为视频中每帧的实际目标中心点位置,这里我们通过手动测量获取。分别计算出用两种跟踪方法得到的中心点坐标和跟踪误差,进行对比分析,比较结果如表1和表2所示。在视频初始的几十帧左右,传统粒子滤波方法和本发明方法的中心点跟踪误差差距较小,在第92帧,当目标完全脱离遮挡物时,传统粒子滤波方法和本发明方法中心点跟踪误差表现出明显差距,传统粒子滤波方法已经出现跟踪错误的现象,跟踪误差比较大,而本发明方法的跟踪误差仍保持在一定范围内,达到了稳定跟踪的效果。
表1
表2
为了验证算法的计算量,比较传统粒子滤波方法、本发明方法中特征提取时每帧统计的像素个数均值,计算结果如表3所示。在传统粒子滤波算法中,要对每个粒子为中心的矩形区域进行像素点特征统计,计算量比较大。在本测试视频中,粒子数为300,目标矩形区域的大小为13*41像素,共需要对159900个像素进行特征提取。本发明方法利用了积分直方图的方法来减少计算量,在特征提取时统计的像素点个数只与粒子的位置相关,选取能完全包含所有粒子像素的矩形区域进行一次统计后再利用顶点特征的加减来计算得到目标特征,测试视频中每帧需统计的像素个数均值为3142,与传统粒子滤波方法相比,像素个数大大减少,因而,计算量也大为减少。
传统粒子滤波方法 | 本发明方法 | |
每帧统计的像素个数均值 | 159900 | 3142 |
表3
显而易见,在不偏离本发明的真实精神和范围的前提下,在此描述的本发明可以有许多变化。因此,所有对于本领域技术人员来说显而易见的改变,都应包括在本权利要求书所涵盖的范围之内。本发明所要求保护的范围仅由所述的权利要求书进行限定。
Claims (7)
1.一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,其特征在于:所述目标跟踪方法包括以下步骤:
步骤1,目标的初始化;
步骤2,感兴趣区域的积分直方图特征提取,过程如下:
读取第k帧图像P,感兴趣区域指能覆盖所有粒子框的最小矩形区域,感兴趣区域的四个顶点A、B、C、D的坐标分别为:
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>A</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>A</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>_</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>h</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>_</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>w</mi>
<mi>i</mi>
<mi>d</mi>
<mi>t</mi>
<mi>h</mi>
<mo>)</mo>
<mo>,</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>B</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>_</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>h</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>
<mrow>
<mi>p</mi>
<mo>_</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>w</mi>
<mi>i</mi>
<mi>d</mi>
<mi>t</mi>
<mi>h</mi>
<mo>)</mo>
<mo>,</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>C</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>C</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>_</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>h</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>_</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>w</mi>
<mi>i</mi>
<mi>d</mi>
<mi>t</mi>
<mi>h</mi>
<mo>)</mo>
<mo>,</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>D</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>D</mi>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>_</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>h</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>
<mrow>
<mi>p</mi>
<mo>_</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>w</mi>
<mi>i</mi>
<mi>d</mi>
<mi>t</mi>
<mi>h</mi>
<mo>)</mo>
<mo>,</mo>
</mrow>
其中,(p_x,p_y)是粒子的坐标,min()是求最小值函数,max()是求最大值函数,height为目标跟踪框的高,width为目标跟踪框的宽,计算感兴趣矩形区域ABCD上颜色特征的积分直方图Hin(x,y),即计算从图像点P(xA,yA)到点P(x,y)构成的矩形区域内所有点的颜色直方图;
步骤3,根据当前目标状态不同,选择不同的跟踪方法:如果目标状态正常,用粒子滤波方法进行目标跟踪,如果目标状态为部分遮挡,用分块粒子滤波方法进行目标跟踪,如果目标状态为严重遮挡,用最小二乘法预测目标位置;
步骤4,更新当前目标状态;
步骤5,当目标处于正常状态时,更新目标模板和子块模板;
步骤6,采用系统重采样方法进行粒子的重采样;
步骤7,粒子传播:经过重采样的粒子,在x、y方向上分别扩散得到新的对应粒子,作为下一帧中粒子的初始分布。
2.如权利要求1所述的一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,其特征在于:所述步骤1中,目标的初始化过程为:在第1帧中通过手动框选出目标,记目标跟踪框的高为height,宽为width,目标中心点坐标为(x1,y1),提取目标区域的颜色直方图特征并初始化目标的特征模板H=(h1,h2,…,hn)(n=1,2,…,32),n是特征直方图的区间个数;将目标的高等分成三份横向子块,从上到下分别记为子块1、2、3,将目标的宽等分成三份纵向子块,从左到右分别记为子块4、5、6,提取每个子块的颜色直方图特征并初始化目标的子块模板Hi=(h'1,h'2,…,h'n)(i=1,2,…,6;n=1,2,…,32),初始化粒子数p,初始化各粒子的位置(p_xj,p_yj)(j=1,2,…,p),初始化目标状态标志位Flag为0,初始化各子块的状态标志位为0。
3.如权利要求1或2所述的一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,其特征在于:所述步骤3中,目标状态正常下的粒子滤波目标跟踪过程为:利用积分直方图对p个粒子分别提取以每个粒子j(j=1,2,…,p)为中心的宽为width,高为height的矩形框内的颜色直方图HPj=(hp1,hp2,…,hpn)(n=1,2,…,32),其中粒子j矩形框的四个顶点坐标分别为:
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<msup>
<mi>A</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<msup>
<mi>A</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mi>p</mi>
<mo>_</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>h</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
<mo>,</mo>
<mi>p</mi>
<mo>_</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>w</mi>
<mi>i</mi>
<mi>d</mi>
<mi>t</mi>
<mi>h</mi>
<mo>)</mo>
<mo>,</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<msup>
<mi>B</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<msup>
<mi>B</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mi>P</mi>
<mo>_</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>h</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
<mo>,</mo>
<mi>p</mi>
<mo>_</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>w</mi>
<mi>i</mi>
<mi>d</mi>
<mi>t</mi>
<mi>h</mi>
<mo>)</mo>
<mo>,</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mi>p</mi>
<mo>_</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>h</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
<mo>,</mo>
<mi>p</mi>
<mo>_</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>w</mi>
<mi>i</mi>
<mi>d</mi>
<mi>t</mi>
<mi>h</mi>
<mo>)</mo>
<mo>,</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<msup>
<mi>D</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<msup>
<mi>D</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mi>p</mi>
<mo>_</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>h</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
<mo>,</mo>
<mi>p</mi>
<mo>_</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>w</mi>
<mi>i</mi>
<mi>d</mi>
<mi>t</mi>
<mi>h</mi>
<mo>)</mo>
<mo>,</mo>
</mrow>
其中,(p_xj,p_yj)(j=1,2,…,p)是粒子j的坐标,则粒子j矩形框的颜色直方图HPj为:
HPj=Hin(xA',yA')-Hin(xC',yC'-1)-Hin(xB'-1,yB')+Hin(xD'-1,yD'-1),其中,Hin(x,y)是感兴趣矩形区域上颜色特征的积分直方图,计算当前粒子框特征HPj与目标模板H=(h1,h2,…,hn)(n=1,2,…,32)的巴氏系数为巴氏距离为计算各粒子的权重其中σ=0.05,对各粒子权重进行归一化处理把所有粒子的坐标按其权重加权得到当前帧目标的中心点坐标
4.如权利要求1或2所述的一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,其特征在于:所述步骤3中,目标被部分遮挡时的分块粒子滤波目标跟踪过程为:根据上一帧图像中目标出现遮挡情况而检测出的子块状态标志位提取各粒子框中时即有效子块的颜色直方图特征HPj_i,将粒子j矩形框内的各有效子块与对应的子块模板Hi进行对比,计算各子块i的巴氏系数取有效子块相似度的均值作为对应粒子整体部分的相似度,记有效子块个数为M,则粒子j的巴氏系数为巴氏距离为计算各粒子的权重其中σ=0.05,对各粒子权重进行归一化处理把所有粒子的坐标按其权重加权得到当前帧目标的中心点坐标
5.如权利要求1或2所述的一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,其特征在于:所述步骤3中,目标被严重遮挡时的最小二乘法目标位置预测过程为:根据前面所有帧的目标中心点坐标(xt,yt)(t=1,2,…,k-1),建立如下方程:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mi>t</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<mi>t</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
通过解这个方程计算出各系数a1,a2,b1,b2,根据公式xk=a1k+b1,yk=a2k+b2计算得到第k帧中目标的中心点坐标(xk,yk)。
6.如权利要求1或2所述的一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,其特征在于:所述步骤4中,目标状态的更新过程为:从前面步骤中可计算得到当前帧(第k帧)目标的中心点坐标(xk,yk),计算当前帧中目标特征直方图Hacc=(h1′,h2′,……,hn′)(n=1,2,…,32),记当前帧目标特征与特征模板H=(h1,h2,…,hn)(n=1,2,…,32)的相似度为设目标的整体相似度阈值为T1,当B大于等于阈值T1时,说明目标在当前帧中是正常状态,如果此时目标状态标志位Flag等于0,则保持不变,否则更新当前目标状态标志位为0,即表明此时目标已经脱离了遮挡;当B小于阈值T1时,说明目标在当前帧中被遮挡,提取目标坐标(xk,yk)区域上各子块i(i=1,2,…,6)的颜色特征直方图记作Hacc_i,计算各子块与对应子块模板Hi的相似度设子块的相似度阈值为T2,则:
<mrow>
<msub>
<mi>Flag</mi>
<msup>
<mi>B</mi>
<mi>i</mi>
</msup>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<msup>
<mi>B</mi>
<mi>i</mi>
</msup>
<mo><</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<msup>
<mi>B</mi>
<mi>i</mi>
</msup>
<mo>&GreaterEqual;</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
即当Bi小于T2,该子块i为无效子块,记子块状态标志位为0;当Bi大于等于T2,该子块i为有效子块,记子块状态标志位为1,统计有效子块的数目M,根据有效子块数目来判定目标的遮挡严重程度:
<mrow>
<mi>F</mi>
<mi>l</mi>
<mi>a</mi>
<mi>g</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
<mo>,</mo>
<mi>M</mi>
<mo>></mo>
<mn>2</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>2</mn>
<mo>,</mo>
<mi>M</mi>
<mo>&le;</mo>
<mn>2</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
即当有效子块的数目M大于2时,说明目标在当前帧中被部分遮挡,更新目标状态标志位Flag为1,当有效子块的数目M小于等于2时,说明目标在当前帧中被严重遮挡,更新目标状态标志位Flag为2。
7.如权利要求1或2所述的一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法,其特征在于:所述步骤5中,模板更新方法为:设目标特征模板的直方图为H,当前帧的目标新坐标区域特征直方图为Hacc,则模板更新公式为:H=αH+(1-α)Hacc,其中,0.80≤α≤0.99,α具体数值根据视频情况设定;子块模板更新方法与上述目标模板更新方法类同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610419913.6A CN107507222B (zh) | 2016-06-13 | 2016-06-13 | 一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610419913.6A CN107507222B (zh) | 2016-06-13 | 2016-06-13 | 一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107507222A true CN107507222A (zh) | 2017-12-22 |
CN107507222B CN107507222B (zh) | 2021-01-01 |
Family
ID=60679000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610419913.6A Active CN107507222B (zh) | 2016-06-13 | 2016-06-13 | 一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107507222B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985204A (zh) * | 2018-07-04 | 2018-12-11 | 北京师范大学珠海分校 | 行人检测跟踪方法及装置 |
CN109033204A (zh) * | 2018-06-29 | 2018-12-18 | 浙江大学 | 一种基于万维网的层次积分直方图可视查询方法 |
CN109087332A (zh) * | 2018-06-11 | 2018-12-25 | 西安电子科技大学 | 一种基于分块相关的遮挡检测方法 |
CN109949341A (zh) * | 2019-03-08 | 2019-06-28 | 广东省智能制造研究所 | 一种基于人体骨架结构化特征的行人目标跟踪方法 |
CN110163937A (zh) * | 2019-04-03 | 2019-08-23 | 陈昊 | 一种整形外科肘关节演示控制系统及控制方法 |
CN111402291A (zh) * | 2020-03-04 | 2020-07-10 | 北京百度网讯科技有限公司 | 用于跟踪目标的方法和装置 |
CN115755978A (zh) * | 2022-12-08 | 2023-03-07 | 贵州省山地资源研究所 | 一种基于多旋翼无人机的矿区排水沟渠快速智能巡查方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150009323A1 (en) * | 2013-07-03 | 2015-01-08 | Zmodo Technology Shenzhen Corp. Ltd | Multi-target tracking method for video surveillance |
CN105405151A (zh) * | 2015-10-26 | 2016-03-16 | 西安电子科技大学 | 基于粒子滤波和加权Surf的抗遮挡目标跟踪方法 |
-
2016
- 2016-06-13 CN CN201610419913.6A patent/CN107507222B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150009323A1 (en) * | 2013-07-03 | 2015-01-08 | Zmodo Technology Shenzhen Corp. Ltd | Multi-target tracking method for video surveillance |
CN105405151A (zh) * | 2015-10-26 | 2016-03-16 | 西安电子科技大学 | 基于粒子滤波和加权Surf的抗遮挡目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
MIBU: "《目标跟踪之粒子滤波---Opencv实现粒子滤波算法》", 《HTTPS://WWW.CNBLOGS.COM/PENGKUNFAN/P/4137956.HTML》 * |
曾清乐: "《基于视频图像序列的稳像和目标跟踪技术研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087332A (zh) * | 2018-06-11 | 2018-12-25 | 西安电子科技大学 | 一种基于分块相关的遮挡检测方法 |
CN109033204A (zh) * | 2018-06-29 | 2018-12-18 | 浙江大学 | 一种基于万维网的层次积分直方图可视查询方法 |
CN109033204B (zh) * | 2018-06-29 | 2021-10-08 | 浙江大学 | 一种基于万维网的层次积分直方图可视查询方法 |
CN108985204A (zh) * | 2018-07-04 | 2018-12-11 | 北京师范大学珠海分校 | 行人检测跟踪方法及装置 |
CN109949341A (zh) * | 2019-03-08 | 2019-06-28 | 广东省智能制造研究所 | 一种基于人体骨架结构化特征的行人目标跟踪方法 |
CN109949341B (zh) * | 2019-03-08 | 2020-12-22 | 广东省智能制造研究所 | 一种基于人体骨架结构化特征的行人目标跟踪方法 |
CN110163937A (zh) * | 2019-04-03 | 2019-08-23 | 陈昊 | 一种整形外科肘关节演示控制系统及控制方法 |
CN111402291A (zh) * | 2020-03-04 | 2020-07-10 | 北京百度网讯科技有限公司 | 用于跟踪目标的方法和装置 |
CN111402291B (zh) * | 2020-03-04 | 2023-08-29 | 阿波罗智联(北京)科技有限公司 | 用于跟踪目标的方法和装置 |
CN115755978A (zh) * | 2022-12-08 | 2023-03-07 | 贵州省山地资源研究所 | 一种基于多旋翼无人机的矿区排水沟渠快速智能巡查方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107507222B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507222A (zh) | 一种抗遮挡的基于积分直方图的粒子滤波目标跟踪方法 | |
CN106127808B (zh) | 一种基于颜色与局部二值模式特征融合的抗遮挡粒子滤波目标跟踪方法 | |
RU2480832C2 (ru) | Совмещение игрового поля на основе модели | |
CN106408594A (zh) | 基于多伯努利特征协方差的视频多目标跟踪方法 | |
CN107146239B (zh) | 卫星视频运动目标检测方法及系统 | |
CN102722891A (zh) | 一种图像显著度检测的方法 | |
CN112541483A (zh) | Yolo和分块-融合策略结合的稠密人脸检测方法 | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN107464256A (zh) | 一种目标检测与可能性判别修正的关联方法 | |
WO2019172172A1 (ja) | 物体追跡装置、物体追跡方法、及びコンピュータプログラム | |
CN108399625A (zh) | 一种基于深度卷积生成对抗网络的sar图像定向生成方法 | |
CN106991686A (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN107942329A (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN106097369A (zh) | 一种smt物料盘x射线透视图像分割检测与计数统计方法及装置 | |
CN107862262A (zh) | 一种适用于高空侦察的快速可见光图像舰船检测方法 | |
CN114612550A (zh) | 一种基于多级优化的圆拟合算法 | |
CN111914695A (zh) | 一种基于机器视觉的涌潮监测方法 | |
CN115761563A (zh) | 一种基于光流测算的河流表面流速的计算方法及系统 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN105631405A (zh) | 基于多级分块的交通视频智能识别背景建模方法 | |
CN109978916B (zh) | 基于灰度图像特征匹配的Vibe运动目标检测方法 | |
CN105303566A (zh) | 一种基于目标轮廓裁剪的sar图像目标方位角估计方法 | |
CN113096157B (zh) | 一种可靠的局部目标跟踪方法及跟踪器 | |
CN107360377A (zh) | 一种车载视频稳像方法 | |
CN104200483A (zh) | 多摄像头环境中基于人体中心线的目标检测方法 |
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 |