CN108109162B - 一种利用自适应特征融合的多尺度目标跟踪方法 - Google Patents
一种利用自适应特征融合的多尺度目标跟踪方法 Download PDFInfo
- Publication number
- CN108109162B CN108109162B CN201810014833.1A CN201810014833A CN108109162B CN 108109162 B CN108109162 B CN 108109162B CN 201810014833 A CN201810014833 A CN 201810014833A CN 108109162 B CN108109162 B CN 108109162B
- Authority
- CN
- China
- Prior art keywords
- target
- scale
- image
- classifier
- features
- 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.)
- Expired - Fee Related
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于自适应特征融合的多尺度目标跟踪方法,包括以下步骤:a特征提取步骤,读取图像和初始化目标位置,提取目标图像的HOG特征和CN特征,计算图像的颜色信息熵,进行自适应特征融合;b多尺度分类器训练步骤,利用余弦窗函数对特征矩阵过滤,对特征矩阵进行多尺度放缩,将多尺度特征矩阵转换到傅里叶中计算,得到不同尺度的分类器模型;c目标检测步骤,读取下一帧视频图像,进行特征提取,将特征转换到傅里叶域,与多尺度模型计算得到最佳目标位置,构建贝叶斯尺度估计框架,求出目标最佳尺度;d模型更新步骤,对新检测到目标位置重新训练分类器,将原分类器与新得到的分类器按照一定的线性比例进行模型更新。本发明可以有效提高特征表达能力,使目标尺度估计更精确性,可以显著提高跟踪精度。
Description
技术领域
本发明属于计算机视觉领域,是目标跟踪领域一项重要应用技术,尤其是涉及一种基于自适应特征融合的多尺度目标跟踪方法。
背景技术
随着计算机技术和电子信息技术的迅速发展,人们利用计算机模拟人的视觉系统进行信息采集和分析处理,使计算机可以感知外部世界并进行相关的处理。它通过对图像进行相关处理,从而让计算机可以观察图像、识别图像、理解图像,帮助人们更好的处理海量的数据信息,将人类从繁琐机械的工作中解放出来,加快社会信息化的建设的进程。
目标跟踪是计算机视觉领域一个非常重要的研究方向,它包含图像处理、模式识别、人工智能等许多前沿的技术。一般来说目标跟踪是给定目标的初始位置后,估计目标在后续帧中的位置,跟踪过程可以认为是一个在线学习的过程。随着计算机性能的提高和摄像头的普及,视频图像的分析处理需求越来越多。目标跟踪目前主要应用于视频监控、人机交互、无人驾驶、智能交通、国防建设等领域。其中视频监控是应用最广泛的领域之一,传统视频监控需要人力进行处理大量视频,不仅效率低,而且容易出错。利用智能视频监控系统,可以通过计算机判断检测视频中异常和突发情况的发生,节省人力物力。在智能交通领域,利用目标跟踪技术可以实现对车流检测、人流检测,实时地对交通情况进行分析,判断异常情况的发生,做好交通疏导,保证交通安全通行。在人机交互领域,利用目标跟踪技术,可以实时地进行手势识别、人脸跟踪等,从而让人获得很好的交互体验,这类技术已经在体感游戏中取得很好的应用。在国防军事领域,利用红外成像技术获取导弹位置以及打击目标位置,将视频跟踪技术与雷达定位设备结合可以更精确的命中目标,提高军事作战能力。因此可以看出视频目标跟踪技术有着非常广泛的应用和重要的研究价值。
基于相关滤波器的目标跟踪算法是近几年跟踪领域研究的热点,并且取得了很大进展。该方法通过循环矩阵的理论扩充样本数量,解决了样本不足的缺点,然后利用高斯函数将目标及其周围区域标记为0到1之间的数值,使样本的标记更加有效,利用标记的样本在线进行训练分类器,将分类器的训练和目标检测通过快速傅里叶转化到傅里叶域中计算,大大加快了运算速度,因此这类方法不仅跟踪效率很高而且跟踪精度也很高,具有良好的拓展性。
尽管目标跟踪技术近年来取得了很大的发展,但目前仍未有一种跟踪算法可以精确地处理所有复杂情况下的视频跟踪任务。目标跟踪任务中需要应对复杂的外界环境以及目标自身的形变,其中复杂的外界环境包括:目标遮挡、光照变化、摄像抖动、摄像角度转换、背景杂乱等;目标自身变化包括:非刚性形变、目标平面内旋转和平面外旋转、目标尺度变化等。由于跟踪任务中存在这些挑战,往往导致跟踪任务失败。因此如果针对视频中出现的这些挑战,找到一种鲁棒性较高的跟踪算法,具有重要的研究价值和广阔的应用前景。
发明内容
本发明的技术解决的问题是:首先针对传统跟踪算法在特征融合时存在无法根据图像的不同特点自适应改变特征融合权重的问题,提出一种自适应特征融合方法。通过引入颜色信息熵来衡量图像包含颜色信息的多少,从而自适应改变颜色特征的权重。其次从目标尺度更新角度出发,针对以往算法仅通过一帧的检测容易错误估计目标尺度的问题。通过构建贝叶斯估计模型,以先前帧尺度为中心构建高斯函数作为先验概率,当前帧响应大小作为观测值,通过最大化后验的方式求解目标尺度大小。本发明针对现有技术的不足,提出一种基于自适应特征融合的多尺度目标跟踪算法,对提高单目标跟踪精度具有重要的意义。
其技术解决方案是:这种利用自适应特征融合的多尺度目标跟踪方法,它包括以下步骤:
a特征提取步骤,读取图像和初始化目标位置,提取目标图像的HOG特征和CN特征,计算图像的颜色信息熵,进行自适应特征融合;
b多尺度分类器训练步骤,利用余弦窗函数对特征矩阵过滤,对特征矩阵进行多尺度放缩,将多尺度特征矩阵转换到傅里叶中计算,得到不同尺度的分类器模型;
c目标检测步骤,读取下一帧视频图像,进行特征提取,将特征转换到傅里叶域,与多尺度模型计算得到最佳目标位置,构建贝叶斯尺度估计框架,求出目标最佳尺度;
d模型更新步骤,对新检测到目标位置重新训练分类器,将原分类器与新得到的分类器按照一定的线性比例进行模型更新。
本发明具有以下有益技术效果:由于本发明在目标特征融合时可以根据颜色信息熵自适应调节颜色特征权重,从而使目标的表达能力更强,另外在尺度估计时,通过最大化后验的方式求得目标的最佳尺度,更好地适应目标尺度的变化。本发明在光照变化、目标遮挡、快速运动、旋转变形、尺度变化等复杂情况下均有较强的适应性。
附图说明
下面结合附图与具体实施方式对本发明作更进一步的说明:
图1为本发明实施方式的整体流程示意框图。
图2为本发明中特征提取流程示意图。
图3为本发明中最优尺度求解流程示意图。
图4为本发明中在benchmark2013数据集上50段视频的平均的精确度图。
图5为本发明中在benchmark2013数据集上50段视频的平均的成功率图。
具体实施方式
结合图1本发明的基本思想是针对目标跟踪的实际情况,可将整个目标跟踪任务分为四个主要部分。首先,提取特征,根据输入图像信息,提取HOG特征和CN特征,然后计算颜色图像的颜色信息熵,利用颜色信息熵进行自适应特征融合,对提取的特征训练分类器,利用分类器检测下一帧目标位置,利用贝叶斯模型估计目标最佳尺度,最后更新分类器,进行新的检测任务,直到视频结束。以上方法可以在光照变化、目标遮挡、快速运动、旋转变形、尺度变化等复杂情况下具有很好的跟踪精度。
为了更好地理解本发明,将涉及到的部分缩略语定义(解释)为:
HOG:方向梯度直方图
CN:Color Name颜色特征
cell:组成图像块的单位
bin:直方图中的数据分组
具体包括以下步骤:
a特征提取步骤,读取图像和初始化目标位置,提取目标图像的HOG特征和CN特征,计算图像的颜色信息熵,进行自适应特征融合,具体参考图2特征提取流程图。
b多尺度分类器训练步骤,利用余弦窗函数对特征矩阵过滤,对特征矩阵进行多尺度放缩,将多尺度特征矩阵转换到傅里叶中计算,得到不同尺度的分类器模型;
c目标检测步骤,读取下一帧视频图像,进行特征提取,将特征转换到傅里叶域,与多尺度模型计算得到最佳目标位置,构建贝叶斯尺度估计框架,求出目标最佳尺度,可以参考图3尺度求解流程图;
d模型更新步骤,对新检测到目标位置重新训练分类器,将原分类器与新得到的分类器按照一定的线性比例进行模型更新。
上述步骤a中,读入目标图像和初始化目标位置和大小,对目标像素长和宽的乘积求平方根,若大于100,则需要使跟踪目标的长和宽减半。
上述步骤a中,提取HOG特征时,cell取2×2个像素大小,统计每个cell形成包含9个bin的直方图,对特征进行归一化操作。提取CN特征时,提取图像的11种颜色的概率大小。然后利用公式(1)计算图像颜色信息熵
H表示颜色信息熵,pi=var(Ii)表示图像某一通道混乱概率,var()表示某一通道图像素方差大小。CN特征的权重为颜色信息熵的大小,对加权之后的CN特征矩阵与HOG特征矩阵连接在一起组成融合特征。
上述步骤b中,目标尺度放缩比例系数为:Sn={0.985,0.99,1.00,1.005,1.01,1.015},将目标大小按照这一比例进行放缩,在傅里叶域中,核正则化最小二乘分类器的解为:
其中F表示傅里叶变换,F-1表示傅里叶逆变换,g表示利用目标大小构造的二维高斯函数,k为输入特征的高斯核函数形式:
其中x和y分别代表HOG特征矩阵和CN特征矩阵,'表示复共轭,和代表特征举证经过快速傅里叶变换到频域的形式,C1为HOG特征通道数,C2为CN特征通道数,利用公式(2)和(3)就能球的和正则化最小二乘分类器。
上述步骤c中,对于输入图像z,kz表示将图像进行循环移位的形式,假设一副图像z=[z1,z2,...,zn]用一个n×1的向量表示,对于这幅图像可以通过循环移位的方式产生正负样本。定义一个置换矩阵P
Puz=[zn,z1,z2,...,zn-1]T表示将图像x平移一个单位。将多个平移图像组合就会得到数据矩阵:
上述步骤c中,目标检测响应可以通过如下公式求得:
构造最优尺度方程,通过最大化后验的方式求解目标最优尺度,尺度求解方程为:
s=argmaxP(si|y)=P(y|si)P(si) (7)
其中P(si)表示尺度估计的先验项,通过高斯函数表示,高斯函数的中心为上一帧最优的尺度大小:
当前帧观测值P(y|si)为目标在不同尺度下检测响应大小:
这样利用公式(6)检测目标位置,利用公式(7)找出目标的最佳尺度。
上述步骤d中,对检测到的目标位置重新训练分类器,更新检测模板,模板更新率参数λ设置为0.01。模板更新公式为:
T=λTnew+(1-λ)Told (10)
图4、图5分别表示该算法在benchmark2013数据集上50段视频的平均精确度和成功率,可以看出该算法具有非常高的精度。
本发明在相关滤波器跟踪算法的基础上,利用颜色信息熵完成特征的自适应融合,通过构建贝叶斯尺度估计模型计算目标的最佳尺度,本发明在光照变化、目标遮挡、尺度变化等复杂情况下具有很好的跟踪精度,具有重要的实用价值。
上述方式中未述及的技术内容,采取或借鉴已有技术即可实现。
需要说明的是,在本说明书的教导下,本领域技术人员还可以作出这样或那样的容易变化方式,诸如等同方式,或明显变形方式。上述的变化方式均应在本发明的保护范围之内。
Claims (6)
1.一种利用自适应特征融合的多尺度目标跟踪方法,其特征在于包括以下步骤:
a特征提取步骤,读取图像和初始化目标位置,提取目标图像的HOG特征和CN特征; 提取CN特征时,提取图像的11种颜色的概率大小,根据公式计算求得图像颜色信息熵,使得CN特征的权重为颜色信息熵的大小,不同图片有不同颜色信息熵,从而自适应改变颜色特征的权重; 利用权重参数来调整特征融合的贡献大小,对加权之后的CN特征矩阵与HOG特征矩阵连接在一起组成融合特征,即进行自适应特征融合;
b多尺度分类器训练步骤,利用余弦窗函数对特征矩阵过滤,对特征矩阵进行多尺度放缩,将多尺度特征矩阵转换到傅里叶中计算,得到不同尺度的分类器模型;
c目标检测步骤,读取下一帧视频图像,进行特征提取,将特征转换到傅里叶域,与多尺度模型计算得到最佳目标位置,根据尺度求解方程,通过最大化后验的方式求解目标最优尺度,之后构建贝叶斯尺度估计框架,求出目标最佳尺度;
d模型更新步骤,对新检测到目标位置重新训练分类器,将原分类器与新得到的分类器按照一定的线性比例进行模型更新。
2.根据权利要求1所述的一种利用自适应特征融合的多尺度目标跟踪方法,其特征在于:上述步骤a中,读入目标图像和初始化目标位置和大小,对目标像素长和宽的乘积求平方根,若大于100,则需要使跟踪目标的长和宽减半。
4.根据权利要求1所述的一种利用自适应特征融合的多尺度目标跟踪方法,其特征在于:上述步骤b中,目标尺度放缩比例系数为:Sn={0.985,0.99,1.00,1.005,1.01,1.015},将目标大小按照这一比例进行放缩,在傅里叶域中,对不同尺度的图像求解分类器,则正则化最小二乘分类器的解为:
其中F表示傅里叶变换,F-1表示傅里叶逆变换,g表示利用目标大小构造的二维高斯函数,k为输入特征的高斯核函数形式:
6.根据权利要求1所述的一种利用自适应特征融合的多尺度目标跟踪方法,其特征在于:上述步骤d中,对检测到的目标位置重新训练分类器,更新检测模板,模板更新率参数设置为0.01; 模板更新公式为:
T=λTnew+(1-λ)Told (8)
进行新的检测任务,直到视频结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810014833.1A CN108109162B (zh) | 2018-01-08 | 2018-01-08 | 一种利用自适应特征融合的多尺度目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810014833.1A CN108109162B (zh) | 2018-01-08 | 2018-01-08 | 一种利用自适应特征融合的多尺度目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108109162A CN108109162A (zh) | 2018-06-01 |
CN108109162B true CN108109162B (zh) | 2021-08-10 |
Family
ID=62218440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810014833.1A Expired - Fee Related CN108109162B (zh) | 2018-01-08 | 2018-01-08 | 一种利用自适应特征融合的多尺度目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109162B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573472B (zh) * | 2018-04-18 | 2022-05-24 | 中国计量大学 | 利用最小熵判断视觉感知饱和的图像自适应缩小方法 |
CN109344741A (zh) * | 2018-09-11 | 2019-02-15 | 中国科学技术大学 | 一种基于振动信号的地形分类方法 |
CN109410247A (zh) * | 2018-10-16 | 2019-03-01 | 中国石油大学(华东) | 一种多模板和自适应特征选择的视频跟踪算法 |
CN109738365B (zh) * | 2018-12-26 | 2021-10-01 | 天津大学 | 一种基于tdlas传感器的气体泄漏源搜索方法 |
CN109993052B (zh) * | 2018-12-26 | 2021-04-13 | 上海航天控制技术研究所 | 一种复杂场景下尺度自适应的目标跟踪方法和系统 |
CN110211150B (zh) * | 2019-04-25 | 2023-04-18 | 南开大学 | 一种具有尺度协调机制的实时视觉目标识别方法 |
CN110362879B (zh) * | 2019-06-25 | 2020-09-04 | 中国人民解放军军事科学院国防科技创新研究院 | 二层及多层结构的先验融合与更新方法及先验补充方法 |
CN111524094A (zh) * | 2020-03-24 | 2020-08-11 | 西安交通大学 | 一种用尺度直方图匹配方法获取目标检测模型的方法 |
CN113052877A (zh) * | 2021-03-22 | 2021-06-29 | 中国石油大学(华东) | 一种基于多摄像头融合的多目标追踪方法 |
CN112966782A (zh) * | 2021-04-09 | 2021-06-15 | 深圳市豪恩汽车电子装备股份有限公司 | 一种多视角特征融合的路面积水检测识别方法 |
CN114091360B (zh) * | 2022-01-21 | 2022-04-22 | 武汉格蓝若智能技术有限公司 | 一种多模型融合的电压互感器误差状态评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629328A (zh) * | 2012-03-12 | 2012-08-08 | 北京工业大学 | 融合颜色的显著特征概率潜在语义模型物体图像识别方法 |
CN106845525A (zh) * | 2016-12-28 | 2017-06-13 | 上海电机学院 | 一种基于底层融合特征的深度置信网络图像分类协议 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9396412B2 (en) * | 2012-06-21 | 2016-07-19 | Siemens Aktiengesellschaft | Machine-learnt person re-identification |
-
2018
- 2018-01-08 CN CN201810014833.1A patent/CN108109162B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629328A (zh) * | 2012-03-12 | 2012-08-08 | 北京工业大学 | 融合颜色的显著特征概率潜在语义模型物体图像识别方法 |
CN106845525A (zh) * | 2016-12-28 | 2017-06-13 | 上海电机学院 | 一种基于底层融合特征的深度置信网络图像分类协议 |
Non-Patent Citations (2)
Title |
---|
Multi-feature tracking via adaptive weights;HuilanJiang等;《Neurocomputing》;20160926;全文 * |
高清视频监视中行人检测方法研究;商逾众;《中国优秀硕士学位论文全文数据库信息科技辑》;20141015;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108109162A (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109162B (zh) | 一种利用自适应特征融合的多尺度目标跟踪方法 | |
CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
CN107358623B (zh) | 一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪方法 | |
CN108734723B (zh) | 一种基于自适应权重联合学习的相关滤波目标跟踪方法 | |
CN108564025A (zh) | 一种基于可变形卷积神经网络的红外图像物体识别方法 | |
CN111311647B (zh) | 一种基于全局-局部及卡尔曼滤波的目标跟踪方法及装置 | |
CN107169994B (zh) | 基于多特征融合的相关滤波跟踪方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN103854292B (zh) | 一种人数及人群运动方向的计算方法及装置 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
CN109977971A (zh) | 基于均值偏移与核相关滤波的尺度自适应目标跟踪系统 | |
CN111680713B (zh) | 一种基于视觉检测的无人机对地目标跟踪与逼近方法 | |
CN109448023B (zh) | 一种卫星视频小目标实时跟踪方法 | |
CN108021869A (zh) | 一种结合高斯核函数的卷积神经网络跟踪方法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN113312973B (zh) | 一种手势识别关键点特征提取方法及系统 | |
CN111062423B (zh) | 基于自适应特征融合的点云图神经网络的点云分类方法 | |
CN103985143A (zh) | 基于字典学习的视频中判别性在线目标跟踪方法 | |
CN106887012A (zh) | 一种基于循环矩阵的快速自适应多尺度目标跟踪方法 | |
CN114202643A (zh) | 基于多传感融合的苹果叶部病害识别终端及方法 | |
Sheng et al. | Robust visual tracking via an improved background aware correlation filter | |
CN112258525A (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN110503647A (zh) | 基于深度学习图像分割的小麦植株实时计数方法 | |
CN111899278B (zh) | 基于移动端的无人机图像快速目标跟踪方法 |
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 | ||
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: 20210810 Termination date: 20220108 |