CN107657629A - 一种目标的跟踪方法和跟踪系统 - Google Patents
一种目标的跟踪方法和跟踪系统 Download PDFInfo
- Publication number
- CN107657629A CN107657629A CN201711022578.7A CN201711022578A CN107657629A CN 107657629 A CN107657629 A CN 107657629A CN 201711022578 A CN201711022578 A CN 201711022578A CN 107657629 A CN107657629 A CN 107657629A
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- dct
- distance
- level image
- 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.)
- Pending
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 230000008447 perception Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010845 search algorithm Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 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
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
- G06T7/231—Analysis of motion using block-matching using full search
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请所提供的一种目标的跟踪方法,包括:将所述目标的原始目标图像作插值处理,获得统一分辨率的缩放图像;将所述缩放图像转换成灰度图像;计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值;计算所述DCT系数矩阵对应的感知哈希值;根据所述感知哈希值计算匹配区域与所述灰度图像的距离,当最小的所述距离小于预设值时,更新匹配区域并重复计算匹配区域与所述灰度图像的距离,直至最小的所述距离大于预设值时结束。通过改进感知哈希算法,并将其应用于目标跟踪,与其他传统的目标跟踪算法相比,降低了计算的复杂度,同时提高了跟踪的稳定性,且适应性强,可广泛推广应用。
Description
技术领域
本申请涉及图像处理领域,特别涉及一种目标的跟踪方法和跟踪系统。
背景技术
现有的目标跟踪方法有多种,大致分为如下三类:
(1)基于区域匹配的跟踪方法:基本思想是将检测阶段经过目标分割后获得的含有运动目标的区域提取出来,并作为跟踪匹配的模板,同时定义目标的匹配度量方法。在后续序列的待搜索图像帧中,通过匹配度量全图搜索与模板达到最佳匹配的区域,找到的使得匹配度量值最小的位置即可确定为目标在当前帧的位置,从而达到运动目标跟踪的目的。目前常用的搜索算法一般被归为全局搜索和局部搜索这两大类。对于大幅图像来讲,搜索全图十分耗时,难以应用到实际的跟踪系统中。局部搜索省去了全图搜索所耗费的大部分时间,因此实时性很好,但其对于目标检测的精确度要求较高。
(2)基于动态轮廓的跟踪方法:基于动态轮廓模型是一种用一组封闭曲线来描述运动目标的方法,该方法是通过大致勾勒出目标的轮廓,用该封闭的轮廓曲线作为匹配的模板,对后续帧图像进行边缘提取,在此二值化图像中搜索最匹配的轮廓曲线,从而达到跟踪的目的。需要注意的是,基于动态模型是被参数化且其解空间受限于预定义的初始形状,其对初值位置过于敏感,因此需要准确的初始化,才能保证跟踪的质量。
(3)基于特征的跟踪方法:该方法的基本思路是以某些特定的特征来表示运动目标,而并非将其看成一个整体。可以作为运动目标的特征有许多,不论是刚体运动目标还是非刚体目标,在相邻的两帧图像中,由于采样时间间隔很小(一般采样频率为25~30帧/秒),所以可以认为目标的特征是恒定不变的。因此可以用曲线、参照点、直线等来表示运动目标,继而进行目标跟踪。但是该方法也有其缺点,物体的运动并非都是简单运动,其往往含有复杂运动(如旋转等)。当物体做复杂运动时其特征的提取将比较困难,因此后续的匹配和跟踪的准确性也难以保证。
由此可见,现有的目标跟踪方法都有其缺点或缺陷。
申请内容
本申请的目的是提供一种目标的跟踪方法和跟踪系统,解决传统的目标跟踪方法复杂度较高,稳定性较低,适应性弱的问题。
为解决上述技术问题,本申请提供一种目标的跟踪方法,具体技术方案如下:
将所述目标的原始目标图像作插值处理,获得统一分辨率的缩放图像;
将所述缩放图像转换成灰度图像;
计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值;
计算所述DCT系数矩阵对应的感知哈希值;
根据所述感知哈希值计算匹配区域与所述灰度图像的距离,当最小的所述距离小于预设值时,更新匹配区域并重复计算匹配区域与所述灰度图像的距离,直至最小的所述距离大于所述预设值时结束。
其中,计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值包括:
计算所述灰度图像的DCT变换,得到32*32的第一DCT系数矩阵;
根据图像的频率系数缩小所述DCT系数矩阵,得到8*8的第二DCT系数矩阵;
计算所述第二DCT系数矩阵中各元素的DCT值;
计算所述DCT值的平均值。
其中,计算所述DCT系数矩阵对应的感知哈希值包括:
将所述DCT值大于或等于所述平均值的元素的哈希单位值设为1,小于所述平均值的元素的哈希单位值设为0;
组合所有元素的所述哈希单位值得到64位二进制编码的感知哈希值。
其中,根据所述感知哈希值计算匹配区域与所述灰度图像的距离包括:
利用穷尽搜索算法搜索匹配区域,根据所述感知哈希值计算所述匹配区域与所述灰度图像的汉明距离或欧式距离。
本申请还提供一种目标的跟踪系统,包括:
缩放模块,用于将所述目标的原始目标图像作插值处理,获得统一分辨率的缩放图像;
灰度模块,用于将所述缩放图像转换成灰度图像;
第一计算模块,用于计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值;
第二计算模块,用于计算所述DCT系数矩阵对应的感知哈希值;
循环计算模块,用于根据所述感知哈希值计算匹配区域与所述灰度图像的距离,当最小的所述距离小于预设值时,更新匹配区域并重复计算匹配区域与所述灰度图像的距离,直至最小的所述距离大于所述预设值时结束。
其中,所述第一计算模块包括:
变换单元,用于计算所述灰度图像的DCT变换,得到32*32的第一DCT系数矩阵;
缩小单元,用于根据图像的频率系数缩小所述DCT系数矩阵,得到8*8的第二DCT系数矩阵;
第一计算单元,用于计算所述第二DCT系数矩阵中各元素的DCT值;
第二计算单元,用于计算所述DCT值的平均值。
其中,所述第二计算模块包括:
设置单元,用于将所述DCT值大于或等于所述平均值的元素的哈希单位值设为1,小于所述平均值的元素的哈希单位值设为0;
组合单元,用于组合所有元素的所述哈希单位值得到64位二进制编码的感知哈希值。
其中,所述循环计算模块包括:
穷尽搜索单元,用于利用穷尽搜索算法搜索匹配区域;
第三计算单元,用于根据所述感知哈希值计算所述匹配区域与所述灰度图像的汉明距离或欧式距离。
本申请所提供的一种目标的跟踪方法,包括:将所述目标的原始目标图像作插值处理,获得统一分辨率的缩放图像;将所述缩放图像转换成灰度图像;计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值;计算所述DCT系数矩阵对应的感知哈希值;根据所述感知哈希值计算匹配区域与所述灰度图像的距离,当最小的所述距离小于预设值时,更新匹配区域并重复计算匹配区域与所述灰度图像的距离,直至最小的所述距离大于预设值时结束。
本申请利用图像感知哈希的特点,可以将具有大数据量的对象映射成为一系列长度较小的比特位,并将感知对象映射到相似的哈希值。利用图像感知哈希的这些特性,可用于相似图像的匹配以及目标跟踪。并且图像感知哈希函数具有鲁棒性,感知内容相近或相似的图像对象应该得到相同或相似的感知哈希值。本申请改进了感知哈希算法,并将其应用于目标跟踪,与其他传统的目标跟踪算法相比,降低了计算的复杂度,同时提高了跟踪的稳定性,且适应性强,可广泛推广应用。本申请还提供一种目标的跟踪系统,具有上述有益效果,此处不再赘述。
附图说明
为了更清楚地说明本申请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申请的实施例,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为本申请实施例所提供的一种目标的跟踪方法的流程图;
图2为本申请实施例所提供的经转换后的灰度图;
图3为本申请实施例所提供的DCT变换示意图;
图4为本申请实施例所提供的一种目标的跟踪系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参考图1,图1为本申请实施例所提供的一种目标的跟踪方法的流程图,具体方案如下:
S101:将所述目标的原始目标图像作插值处理,获得统一分辨率的缩放图像;
在此不限定原始目标图像的来源及获取方式,例如可以是静态的摄像机所摄取的连续图像帧序列。
插值算法所应用的领域较多,对图像进行缩放处理是比较典型的应用。插值算法在图像缩放处理中是一项基本且重要的问题。本申请中的插值处理指的是对图像的分辨率进行缩放。
统一分辨率的目的是简化DCT的计算,使得因不同尺寸图片带来的差异最小化。
优选的,可以使用32*32的分辨率,这是权衡了DCT的计算量和图片质量因缩放带来的差异后的最佳分辨率。当然还可以使用其他分辨率,本领域技术人员应因时制宜。
S102:将所述缩放图像转换成灰度图像;
本步骤旨在简化计算量,将彩色RGB图像转换成灰度图像是一种较好的方法。灰度图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度,尽管理论上这个采样可以任何颜色的不同深浅,甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同,在计算机图像领域中黑白图像只有黑白两种颜色,灰度图像在黑色与白色之间还有许多级的颜色深度。
S103:计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值;
DCT(Discrete Cosine Transform,离散余弦变换)是一种图像压缩算法,它将图像从空间域变换到频率域,一般图像都存在很多冗余和相关性,所以转换到频率域之后,只有很少的一部分频率分量的系数才不为0,大部分系数都为0(或者说接近于0)。DCT变换对图像进行压缩的原理是减少图像中的高频分量,高频主要是对应图像中的细节信息,而我们人眼对细节信息并不是很敏感,因此可以去除高频的信息量。另外,去掉50%的高频信息存储部分,图像信息量的损失不到5%。例如,参见图2和图3,图2是灰度图,图3是对应的DCT变换图,从左上角依次到右下角,频率越来越高,由图可以看到,左上角的值比较大,到右下角的值就很小很小了。因此,图像的能量几乎都集中在左上角的低频系数上面。
经过DCT变换后可以得到32*32的系数矩阵(因为分辨率是32*32),此时需要计算DCT矩阵中所有值的平均值,即对矩阵中的每一个元素(或子块)进行单独的DCT变换,然后对变换结果进行量化、编码。这其中,随着元素(或子块)尺寸的增加,算法的复杂度急剧上升,因此,实用中通常采用8×8的子块进行变换。
值得一提的是,在此过程中,还可以根据图像的频率系数缩小所述DCT系数矩阵,得到8*8的第二DCT系数矩阵;再计算所述第二DCT系数矩阵中各元素的DCT值;最后计算所述DCT值的平均值。
原因就是上文所述的图像的能量大都集中于低频系数的位置,这部分呈现了目标图像中的最低频率,也更进一步缩减了计算量。
S104:计算所述DCT系数矩阵对应的感知哈希值;
在S103中已经得到了DCT值的平均值,此时可以将DCT系数矩阵中的每个元素对应的DCT值与平均值比较,若大于或等于该平均值,则将该元素对应的哈希值元素设为“1”,小于平均值的则设为“0”,最终得到一串二进制编码,这就是目标图像的感知哈希。例如,当按S103中所述的方法缩小DCT系数矩阵成8*8的系数矩阵后,可以得到64位的二进制编码。
需要注意的是,感知哈希值可以是一个二进制向量,也可以是其他形式,在此不限定计算得到的感知哈希值的具体形式,例如实数向量或者更复杂的数据结构。通常情况下,感知哈希值是一个二进制向量,一方面是有利于计算的简便性,另一个方面更有助于哈希值在S105中的匹配。
S105:根据所述感知哈希值计算匹配区域与所述灰度图像的距离,当最小的所述距离小于预设值时,更新匹配区域并重复计算匹配区域与所述灰度图像的距离,直至最小的所述距离大于所述预设值时结束。
对于哈希值的匹配比较中,两个图像对象的距离pd可以用一个匹配函数PM得到:
pdij=PM(hi,hj) pdij=PM(hi,hj)
其中,hi和hj分别表示两个图像对象的图像感知哈希值。
在此不限定所述的距离的种类及对应计算方式,距离可以通过任何可能的距离计算方式求出,例如可以是汉明距离或欧式距离。在此以汉明距离为例进行说明:
汉明距离是把两个等长字符串s1与s2之间的差异作为它们之间的相似度描述。如果两个字符串为二进制比特数,那么统计它们之间不同位的位数就可以得到它们之间的汉明距离。例如二进制数“1111”与“1011”之间的汉明距离为1。汉明距离常常应用在信息编码上,在计算机上,用异或计算就可快速求出汉明距离,这种高效性具有很高的实用价值。
图像之间的感知内容相似性的测度即距离,也称之为感知距离,感知距离作为一种距离的度量方式应满足以下条件:
(1)pdij=C;
(2)pdij=pdji;
(3)pdij≤pdik+pdjk;
上述式中,其中C是一个常量,它表示任意一个图像对象与它本身的感知距离应该是一个常量,即具有反身性。通常情况下,常量C=0,而且pd≥0。
感知哈希函数所具有的基本性质:
1、摘要性:感知哈希值占用的系统资源即存储空间相对较小。
2、鲁棒性:相同或相似的媒体(图像)对象之间感知内容应该映射得到相同或相似的感知哈希值。
3、单向性:感知哈希值是不可逆的,即由感知哈希值反映图像对象的感知内容应该是不可以实现的。
本步骤中,对于匹配区域可以是通过搜索得到的,即本步骤可以包括:
利用穷尽搜索算法搜索匹配区域和根据所述感知哈希值计算所述匹配区域与所述灰度图像的汉明距离或欧式距离两个过程。
穷尽搜索算法的基本思想是对(M+2*dxmax)×(N+2*dymax)搜索范围内所有可能的候选位置计算SAD(Sum of Absolute Difference,绝对差值之和)值SAD(i,j),从中找出最小SAD,其对应偏移量即为所求运动矢量。第一步,从原点点出发,按照某种自定义搜索路径由近及远,逐个像素点计算SAD值,直到遍历搜索窗内所有的点。第二部,在所有的SAD值中找到最小块误差MBD(Minimum Block Distortion)点,该点即最佳匹配点。算法原理简单,可靠性强,但计算量较大。不过对于缩减了分辨率的原始目标,计算量的影响可忽略不计。
在得到匹配区域的距离后,选择距离的最小值与预设值比较,如果小于预设值则更新匹配区域(小于预设值意味着相似度较高,不具有很强的追踪性),直到大于预设值时结束。当然结束可能仅仅意味着本次流程结束,后续的追踪可以继续重复上文所述的方法。
需要注意的是,上述方法提及的分辨率或比率如“32*32”或“8*8”均为本申请所提供的一种优选的实施方式,并不意味必须或只能以这种方式进行对目标的跟踪,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
本申请实施例提供了一种目标的跟踪方法,可以通过上述方法实现基于图像感知哈希的目标跟踪方法,降低了计算的复杂度,同时提高了跟踪的稳定性,且适应性强,可广泛推广应用。
下面对本申请实施例提供的一种目标的跟踪系统进行介绍,下文描述的跟踪系统与上文描述的目标的跟踪方法可相互对应参照。
参见图4,图4为本申请实施例所提供的一种目标的跟踪系统的结构示意图,该跟踪系统可以包括:
缩放模块100,用于将所述目标的原始目标图像作插值处理,获得统一分辨率的缩放图像;
灰度模块200,用于将所述缩放图像转换成灰度图像;
第一计算模块300,用于计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值;
第二计算模块400,用于计算所述DCT系数矩阵对应的感知哈希值;
循环计算模块500,用于根据所述感知哈希值计算匹配区域与所述灰度图像的距离,当最小的所述距离小于预设值时,更新匹配区域并重复计算匹配区域与所述灰度图像的距离,直至最小的所述距离大于所述预设值时结束。
基于上述实施例,作为优选的实施例,所述第一计算模块可以包括:
变换单元,用于计算所述灰度图像的DCT变换,得到32*32的第一DCT系数矩阵;
缩小单元,用于根据图像的频率系数缩小所述DCT系数矩阵,得到8*8的第二DCT系数矩阵;
第一计算单元,用于计算所述第二DCT系数矩阵中各元素的DCT值;
第二计算单元,用于计算所述DCT值的平均值。
基于上述实施例,作为优选的实施例,所述第二计算模块可以包括:
设置单元,用于将所述DCT值大于或等于所述平均值的元素的哈希单位值设为1,小于所述平均值的元素的哈希单位值设为0;
组合单元,用于组合所有元素的所述哈希单位值得到64位二进制编码的感知哈希值。
基于上述实施例,作为优选的实施例,所述循环计算模块可以包括:
穷尽搜索单元,用于利用穷尽搜索算法搜索匹配区域;
第三计算单元,用于根据所述感知哈希值计算所述匹配区域与所述灰度图像的汉明距离或欧式距离。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
以上对本申请所提供的一种目标的跟踪方法和跟踪系统进行了详细介绍。本文中应用了具体个例对本申请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申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,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。
Claims (8)
1.一种目标的跟踪方法,其特征在于,包括:
将所述目标的原始目标图像作插值处理,获得统一分辨率的缩放图像;
将所述缩放图像转换成灰度图像;
计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值;
计算所述DCT系数矩阵对应的感知哈希值;
根据所述感知哈希值计算匹配区域与所述灰度图像的距离,当最小的所述距离小于预设值时,更新匹配区域并重复计算匹配区域与所述灰度图像的距离,直至最小的所述距离大于预设值时结束。
2.根据权利要求1所述的跟踪方法,其特征在于,计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值包括:
计算所述灰度图像的DCT变换,得到32*32的第一DCT系数矩阵;
根据图像的频率系数缩小所述DCT系数矩阵,得到8*8的第二DCT系数矩阵;
计算所述第二DCT系数矩阵中各元素的DCT值;
计算所述DCT值的平均值。
3.根据权利要求2所述的跟踪方法,其特征在于,计算所述DCT系数矩阵对应的感知哈希值包括:
将所述DCT值大于或等于所述平均值的元素的哈希单位值设为1,小于所述平均值的元素的哈希单位值设为0;
组合所有元素的所述哈希单位值得到64位二进制编码的感知哈希值。
4.根据权利要求3所述的跟踪方法,其特征在于,根据所述感知哈希值计算匹配区域与所述灰度图像的距离包括:
利用穷尽搜索算法搜索匹配区域;
根据所述感知哈希值计算所述匹配区域与所述灰度图像的汉明距离或欧式距离。
5.一种目标的跟踪系统,其特征在于,包括:
缩放模块,用于将所述目标的原始目标图像作插值处理,获得统一分辨率的缩放图像;
灰度模块,用于将所述缩放图像转换成灰度图像;
第一计算模块,用于计算所述灰度图像经DCT变换后得到的DCT系数矩阵的平均值;
第二计算模块,用于计算所述DCT系数矩阵对应的感知哈希值;
循环计算模块,用于根据所述感知哈希值计算匹配区域与所述灰度图像的距离,当最小的所述距离小于预设值时,更新匹配区域并重复计算匹配区域与所述灰度图像的距离,直至最小的所述距离大于所述预设值时结束。
6.根据权利要求5所述的跟踪系统,其特征在于,所述第一计算模块包括:
变换单元,用于计算所述灰度图像的DCT变换,得到32*32的第一DCT系数矩阵;
缩小单元,用于根据图像的频率系数缩小所述DCT系数矩阵,得到8*8的第二DCT系数矩阵;
第一计算单元,用于计算所述第二DCT系数矩阵中各元素的DCT值;
第二计算单元,用于计算所述DCT值的平均值。
7.根据权利要求6所述的跟踪系统,其特征在于,所述第二计算模块包括:
设置单元,用于将所述DCT值大于或等于所述平均值的元素的哈希单位值设为1,小于所述平均值的元素的哈希单位值设为0;
组合单元,用于组合所有元素的所述哈希单位值得到64位二进制编码的感知哈希值。
8.根据权利要求7所述的跟踪系统,其特征在于,所述循环计算模块包括:
穷尽搜索单元,用于利用穷尽搜索算法搜索匹配区域;
第三计算单元,用于根据所述感知哈希值计算所述匹配区域与所述灰度图像的汉明距离或欧式距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711022578.7A CN107657629A (zh) | 2017-10-27 | 2017-10-27 | 一种目标的跟踪方法和跟踪系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711022578.7A CN107657629A (zh) | 2017-10-27 | 2017-10-27 | 一种目标的跟踪方法和跟踪系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107657629A true CN107657629A (zh) | 2018-02-02 |
Family
ID=61095529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711022578.7A Pending CN107657629A (zh) | 2017-10-27 | 2017-10-27 | 一种目标的跟踪方法和跟踪系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657629A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109040784A (zh) * | 2018-09-14 | 2018-12-18 | 北京蓝拓扑科技股份有限公司 | 广告检测方法及装置 |
CN109636833A (zh) * | 2018-10-23 | 2019-04-16 | 深圳慧源创新科技有限公司 | 基于感知hash算法的无人机跟随防跳变方法及终端 |
CN110032929A (zh) * | 2019-03-01 | 2019-07-19 | 广东天波信息技术股份有限公司 | 一种基于图像识别的考勤方法及装置 |
CN110349191A (zh) * | 2019-06-25 | 2019-10-18 | 昆明理工大学 | 一种基于感知哈希算法的视觉跟踪方法 |
CN110598754A (zh) * | 2019-08-16 | 2019-12-20 | 泰致德科技发展(深圳)有限公司 | 基于图像检测的在线监督方法、装置、设备及存储介质 |
CN111078928A (zh) * | 2019-12-20 | 2020-04-28 | 数据堂(北京)科技股份有限公司 | 一种图像去重方法及装置 |
CN112396632A (zh) * | 2019-10-14 | 2021-02-23 | 湖南科技大学 | 基于矩阵差异度的机器视觉目标跟踪方法及系统 |
CN112598571A (zh) * | 2019-11-27 | 2021-04-02 | 中兴通讯股份有限公司 | 一种图像缩放方法、装置、终端及存储介质 |
CN112712090A (zh) * | 2019-10-24 | 2021-04-27 | 北京易真学思教育科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN113520172A (zh) * | 2021-08-06 | 2021-10-22 | 广东福尔电子有限公司 | 一种耐压型电锅温度传感器侦测装置 |
US11501344B2 (en) * | 2019-10-14 | 2022-11-15 | Bottomline Technologies Limited | Partial perceptual image hashing for invoice deconstruction |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574440A (zh) * | 2014-12-30 | 2015-04-29 | 安科智慧城市技术(中国)有限公司 | 一种视频运动目标跟踪方法及装置 |
US9177224B1 (en) * | 2013-03-14 | 2015-11-03 | Amazon Technologies, Inc. | Object recognition and tracking |
CN105139420A (zh) * | 2015-08-03 | 2015-12-09 | 山东大学 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
CN105825201A (zh) * | 2016-03-31 | 2016-08-03 | 武汉理工大学 | 视频监控中的运动目标跟踪方法 |
CN105844669A (zh) * | 2016-03-28 | 2016-08-10 | 华中科技大学 | 一种基于局部哈希特征的视频目标实时跟踪方法 |
-
2017
- 2017-10-27 CN CN201711022578.7A patent/CN107657629A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9177224B1 (en) * | 2013-03-14 | 2015-11-03 | Amazon Technologies, Inc. | Object recognition and tracking |
CN104574440A (zh) * | 2014-12-30 | 2015-04-29 | 安科智慧城市技术(中国)有限公司 | 一种视频运动目标跟踪方法及装置 |
CN105139420A (zh) * | 2015-08-03 | 2015-12-09 | 山东大学 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
CN105844669A (zh) * | 2016-03-28 | 2016-08-10 | 华中科技大学 | 一种基于局部哈希特征的视频目标实时跟踪方法 |
CN105825201A (zh) * | 2016-03-31 | 2016-08-03 | 武汉理工大学 | 视频监控中的运动目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
张晓星: ""基于块匹配的运动估计算法研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
徐珩: ""基于模板匹配跟踪算法的研究与改进"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄飞泉: ""序列图像中运动目标检测与跟踪技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109040784A (zh) * | 2018-09-14 | 2018-12-18 | 北京蓝拓扑科技股份有限公司 | 广告检测方法及装置 |
CN109636833A (zh) * | 2018-10-23 | 2019-04-16 | 深圳慧源创新科技有限公司 | 基于感知hash算法的无人机跟随防跳变方法及终端 |
CN109636833B (zh) * | 2018-10-23 | 2024-05-17 | 深圳慧源创新科技有限公司 | 基于感知hash算法的无人机跟随防跳变方法及终端 |
CN110032929A (zh) * | 2019-03-01 | 2019-07-19 | 广东天波信息技术股份有限公司 | 一种基于图像识别的考勤方法及装置 |
CN110349191A (zh) * | 2019-06-25 | 2019-10-18 | 昆明理工大学 | 一种基于感知哈希算法的视觉跟踪方法 |
CN110598754A (zh) * | 2019-08-16 | 2019-12-20 | 泰致德科技发展(深圳)有限公司 | 基于图像检测的在线监督方法、装置、设备及存储介质 |
CN112396632A (zh) * | 2019-10-14 | 2021-02-23 | 湖南科技大学 | 基于矩阵差异度的机器视觉目标跟踪方法及系统 |
US11501344B2 (en) * | 2019-10-14 | 2022-11-15 | Bottomline Technologies Limited | Partial perceptual image hashing for invoice deconstruction |
CN112396632B (zh) * | 2019-10-14 | 2024-03-08 | 湖南科技大学 | 基于矩阵差异度的机器视觉目标跟踪方法及系统 |
CN112712090A (zh) * | 2019-10-24 | 2021-04-27 | 北京易真学思教育科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112598571A (zh) * | 2019-11-27 | 2021-04-02 | 中兴通讯股份有限公司 | 一种图像缩放方法、装置、终端及存储介质 |
CN111078928B (zh) * | 2019-12-20 | 2023-07-21 | 数据堂(北京)科技股份有限公司 | 一种图像去重方法及装置 |
CN111078928A (zh) * | 2019-12-20 | 2020-04-28 | 数据堂(北京)科技股份有限公司 | 一种图像去重方法及装置 |
CN113520172A (zh) * | 2021-08-06 | 2021-10-22 | 广东福尔电子有限公司 | 一种耐压型电锅温度传感器侦测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657629A (zh) | 一种目标的跟踪方法和跟踪系统 | |
US11600059B2 (en) | Systems and methods for providing an image classifier | |
Bradley et al. | Adaptive thresholding using the integral image | |
Zhou et al. | AAM based face tracking with temporal matching and face segmentation | |
CN103514441B (zh) | 基于移动平台的人脸特征点定位跟踪方法 | |
CN108830279B (zh) | 一种图像特征提取与匹配方法 | |
Mobahi et al. | Holistic 3D reconstruction of urban structures from low-rank textures | |
CN109389617A (zh) | 一种基于片上异构系统的运动目标识别与追踪方法及系统 | |
CN104574440A (zh) | 一种视频运动目标跟踪方法及装置 | |
Alismail et al. | Robust tracking in low light and sudden illumination changes | |
CN103793922B (zh) | 一种特定姿态实时检测方法 | |
Lelore et al. | Super-resolved binarization of text based on the fair algorithm | |
CN108197521A (zh) | 一种多相位二维码获取识别装置及方法 | |
CN104079800A (zh) | 一种视频监控中视频图像的抗抖动方法 | |
CN111161219B (zh) | 一种适用于阴影环境的鲁棒单目视觉slam方法 | |
CN113810654A (zh) | 图像视频的上传方法、装置、存储介质以及电子设备 | |
Fang et al. | He-slam: A stereo slam system based on histogram equalization and orb features | |
CN109523573A (zh) | 目标对象的跟踪方法和装置 | |
CN117011660A (zh) | 一种低纹理场景下融合深度信息的点线特征slam方法 | |
Li et al. | The research of QR code image correction based on image gray feature | |
CN116958595A (zh) | 一种基于图像块区域特征点的视觉slam回环检测改进方法 | |
Liu et al. | Detection algorithm of 2D barcode under complex background | |
CN108109141B (zh) | 基于超像素多特征匹配的同源局部复制检测方法 | |
CN113989205A (zh) | 基于梯度余弦相似的orb误匹配剔除算法 | |
Marfil et al. | Real-time template-based tracking of non-rigid objects using bounded irregular pyramids |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |