CN108257153A - 一种基于方向梯度统计特征的目标跟踪方法 - Google Patents
一种基于方向梯度统计特征的目标跟踪方法 Download PDFInfo
- Publication number
- CN108257153A CN108257153A CN201711469371.4A CN201711469371A CN108257153A CN 108257153 A CN108257153 A CN 108257153A CN 201711469371 A CN201711469371 A CN 201711469371A CN 108257153 A CN108257153 A CN 108257153A
- Authority
- CN
- China
- Prior art keywords
- image
- direction gradient
- frequency domain
- statistical nature
- value
- 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
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
Abstract
本发明提供了一种基于方向梯度统计特征的目标跟踪方法,包括以下步骤:选取初始目标模板图像并提取方向梯度统计特征;计算初始目标模板图像频域特征;获取搜索区域图像并提取方向梯度统计特征;计算搜索区域图像频域特征;通过频域响应获取跟踪目标更新位置、缩放比例和旋转角度;选取当前目标模板图像并提取方向梯度统计特征;计算当前目标模板图像频域特征;利用当前目标模板图像频域特征更新初始目标模板图像频域特征,对下一帧图像进行目标跟踪。本发明有效减弱了图像亮度、对比度、目标形变、目标旋转等因素的干扰,实现了目标的精确跟踪,同时提高了运算处理速度,从而提高了目标跟踪的实时性。
Description
技术领域
本发明涉及特征目标跟踪技术领域,尤其涉及一种基于方向梯度统计特征的目标跟踪方法。
背景技术
复杂背景中的特征目标跟踪一直是图像跟踪中的难点。通常情况下,图像跟踪算法有基于对比度跟踪和基于区域相关匹配的跟踪方法。
对比度跟踪的跟踪方法,是利用目标与背景之间的对比度差别来识别和提取目标信号,从而实现自动跟踪目标的方法。这种跟踪方法依据跟踪参考点的不同可分为:边缘跟踪、形心跟踪、峰值跟踪等,可以跟踪快速目标,对目标姿势变化适应性强,但识别目标的能力差,难以跟踪复杂背景中的目标,只适用于跟踪空中或者水面等背景比较单一的目标。
区域相关匹配的跟踪方法,是一种基于最优化相关理论的图像处理方法,主要用于目标识别、检测以及跟踪。在相关匹配过程中,先选定一个目标特征的模板,通过计算模板与待处理图像区域的相似程度,从而识别出相应的目标,进而在跟踪过程中分析得到当前图像中的图像位置。传统的相关匹配方法有积相关法、减相关法和归一化相关算法。由于这种算法用到目标的全局信息,比如色彩、纹理等,因此具有较高的可信度,但同时有着明显的局限性,比如容易受到图像背景的明暗变化、目标的远近尺度变换、目标的旋转等因素的干扰,而且算法的运算量是非常大的,尽管已经有很多简化、优化的搜索算法,但是遇到特殊情况(高分辨率图像或面积比较大的目标),算法的实时性很难保证。
发明内容
本发明的目的在于提供一种基于方向梯度统计特征的目标跟踪方法,能够减少图像亮度、对比度、目标形变、目标旋转对图像跟踪的影响,提高目标跟踪的精确度和实时性。
为实现上述目标,本发明采用的技术方案是:
一种基于方向梯度统计特征的目标跟踪方法,其特征在于,包括以下步骤:
A、选取跟踪目标拍摄视频的第一帧图像,根据跟踪目标所在位置截取矩形框图作为初始目标模板图像,并提取初始目标模板图像的方向梯度统计特征;
B、对初始目标模板图像的方向梯度统计特征进行二维傅里叶变换,得到初始目标模板图像频域特征;
C、选取跟踪目标拍摄视频的下一帧图像,将该图像作为原尺寸图像进行尺度和角度变换,将原尺寸图像和变换得到的图像作为搜索区域图像;
D、分别提取各个搜索区域图像的方向梯度统计特征;
E、分别对各个搜索区域图像的方向梯度统计特征进行二维傅里叶变换,得到各个搜索区域图像频域特征;
F、利用各个搜索区域图像频域特征对初始目标模板图像频域特征进行频域响应,选择响应度最高的一个搜索区域图像,找出响应峰值位置,获得跟踪目标的更新位置、尺度变换和角度变换;
G、根据跟踪目标的更新位置、尺度变换和角度变换,在搜索区域图像的响应峰值位置截取矩形框图作为当前目标模板图像,并提取当前目标模板图像的方向梯度统计特征;
H、对当前目标模板图像的方向梯度统计特征进行二维傅里叶变换,得到当前目标模板图像频域特征;
I、利用当前目标模板图像频域特征更新初始目标模板图像频域特征:
F”=F·(1-λ)-F′·λ;
式中F”为更新后的目标模板图像频域特征,F为初始目标模板图像频域特征,F'为当前目标模板图像频域特征,λ为模板特征更新系数,将更新后的目标模板图像频域特征作为初始目标模板图像频域特征,然后返回步骤C。
所述的步骤D中,搜索区域图像包括原尺寸图像、原尺寸图像正旋转得到的图像、原尺寸图像逆旋转得到的图像、原尺寸图像放大后得到的图像、原尺寸图像放大后正旋转得到的图像、原尺寸图像放大后逆旋转得到的图像、原尺寸图像缩小后得到的图像、原尺寸图像缩小后正旋转得到的图像、原尺寸图像缩小后逆旋转得到的图像。
提取初始目标模板图像、搜索区域图像或者当前目标模板图像的方向梯度统计特征,包括以下步骤:
(1)将初始目标模板图像、搜索区域图像或者当前目标模板图像作为输入图像,将输入图像分为M×N个图像块,每个图像块包含a1×a2个图像核,每个图像核包含b1×b2个像素点,M、N、a1、a2、b1、b2均为正整数;
(2)计算各个图像核内每个像素点的X方向梯度和Y方向梯度:
Gx(x,y)=H(x+1,y)-H(x-1,y);
Gy(x,y)=H(x,y+1)-H(x,y-1);
式中Gx(x,y)为像素点X方向梯度,Gy(x,y)为像素点Y方向梯度,H(x,y)为像素点灰度值,x、y分别为像素点的列坐标和行坐标;
(3)计算各个图像核内每个像素点的方向梯度的幅值G(x,y):
以原点为中心,将360°的平面平均分为k个角度范围,根据每个像素点的X方向梯度和Y方向梯度将其映射到对应的角度范围内;
(4)统计各个图像核的方向梯度值:针对一个图像核包含的所有像素点,将属于同一个角度范围的像素点的幅值相加,作为当前角度范围的统计值,将不包含任何像素点的角度范围的统计值记为0,然后将k个角度范围的统计值依次排列,形成该图像核的方向梯度值;
(5)统计各个图像块的方向梯度值,并对图像块的方向梯度值归一化:将属于同一个图像块的所有图像核的方向梯度值依次串联起来,得到该图像块的方向梯度值,对该图像块的方向梯度值归一化:
式中h′i为第i个图像块归一化后的方向梯度值值,hi为第i个图像块归一化前的方向梯度值,hi,j为第i个图像块的方向梯度值的第j个分量,R为第i个图像块的方向梯度值的分量个数;
(6)将输入图像的所有图像块的方向梯度值依次串联起来,获得输入图像的方向梯度统计特征。
获得输入图像的方向梯度统计特征后,首先采用汉明窗加权方向梯度统计特征,然后通过主成成分分析对方向梯度统计特征进行降维。
本发明通过对跟踪目标的图像帧进行尺度和角度变换,得到多个搜索区域图像,利用多个搜索区域图像同时对目标模板图像进行相关匹配,不仅降低了由于目标尺度变换、角度变换引起目标失配的概率,而且提高了图像处理速度,减少了运算时间,提高了目标跟踪的实时性;
本发明通过提取目标模板图像和搜索区域图像的方向梯度统计特征,并基于对方向梯度统计特征进行二维傅里叶变换得到的频域特征获取跟踪目标的更新位置、缩放比例和旋转角度,在很大程度上减弱了图像亮度、对比度、噪声变化对图像跟踪的影响,提高了图像跟踪的精度。
附图说明
图1为本发明的流程图;
图2为本发明提取方向梯度统计特征的流程图;
图3为本发明将图像分为图像块和图像核的示意图;
图4为本发明对360°的平面划分角度范围的示意图。
具体实施方式
如图1所示,本发明所述的一种基于方向梯度统计特征的目标跟踪方法,包括以下步骤:
A、选取跟踪目标拍摄视频的第一帧图像,根据跟踪目标所在的位置手动截取适当尺寸的矩形框图作为初始目标模板图像,并提取初始目标模板图像的方向梯度统计特征。
B、对初始目标模板图像的方向梯度统计特征进行二维傅里叶变换,得到初始目标模板图像频域特征。
C、选取跟踪目标拍摄视频的下一帧图像,将该图像作为原尺寸图像进行尺度和角度变换,将原尺寸图像和变换得到的图像作为搜索区域图像。
本发明的搜索区域图像中心都基于初始目标模板图像的中心位置,搜索区域图像共有9个,分别为原尺寸图像、原尺寸图像正旋转得到的图像、原尺寸图像逆旋转得到的图像、原尺寸图像放大后得到的图像、原尺寸图像放大后正旋转得到的图像、原尺寸图像放大后逆旋转得到的图像、原尺寸图像缩小后得到的图像、原尺寸图像缩小后正旋转得到的图像、原尺寸图像缩小后逆旋转得到的图像。其中,对原尺寸图像进行尺度和角度变换时,放大系数、缩小系数以及旋转角度依据拍摄使用的摄像机视频帧率确定,如摄像机视频帧率为50帧/秒,可取放大系数为10.5,缩小系数为0.95,正旋转角度和负旋转角度均为3°,如果使用其他帧率的摄像机视频,可以实验调整以上参数。
D、分别提取各个搜索区域图像的方向梯度统计特征。
E、分别对各个搜索区域图像的方向梯度统计特征进行二维傅里叶变换,得到各个搜索区域图像频域特征。
F、利用各个搜索区域图像频域特征对初始目标模板图像频域特征进行频域响应,选择响应度最高的一个搜索区域图像,找出响应峰值位置,得到跟踪目标的更新位置、尺度变换和角度变换。
当对各个搜索区域图像提取方向梯度统计特征、进行二维傅里叶变换以及进行频域响应时,可以采取并行处理的方式来提高处理速度,最终的响应峰值位置即为跟踪目标的更新位置,而对应的搜索区域图像的缩放比例和旋转角度即为跟踪目标的尺度变换和角度变化。
G、根据跟踪目标的更新位置、尺度变换和角度变换,在搜索区域图像的响应峰值位置截取矩形框图作为当前目标模板图像,并提取当前目标模板图像的方向梯度统计特征。
当选取当前目标模板图像时,首先在搜索区域图像的响应峰值位置截取与初始目标模板图像尺寸一致的矩形框图,然后根据跟踪目标的尺度变换和角度变换对矩形框图进行相应的缩放和旋转。
H、对当前目标模板图像的方向梯度统计特征进行二维傅里叶变换,得到当前目标模板图像频域特征。
I、利用当前目标模板图像频域特征更新初始目标模板图像频域特征:
F”=F·(1-λ)-F′·λ;
式中F”为更新后的目标模板图像频域特征,F为初始目标模板图像频域特征,F'为当前目标模板图像频域特征,λ为模板特征更新系数,λ的大小可以根据图像中跟踪目标或者背景变化的速度进行调整,经验值一般为0.05。将更新后的目标模板图像频域特征作为初始目标模板图像频域特征,然后返回步骤C,对下一帧图像进行目标跟踪。
如图2所示,本发明提取初始目标模板图像、搜索区域图像或者当前目标模板图像的方向梯度统计特征,包括以下步骤:
(1)将初始目标模板图像、搜索区域图像或者当前目标模板图像作为输入图像,将输入图像分为M×N个图像块,每个图像块包含a1×a2个图像核,每个图像核包含b1×b2个像素点,M、N、a1、a2、b1、b2均为正整数。例如,可将初始目标模板图像、搜索区域图像或者当前目标模板图像分为2x2个图像块1,每个图像块包含2x2个图像核2,每个图像核包括4x4个像素点3,如图3所示。
(2)计算各个图像核内每个像素点的X方向梯度和Y方向梯度:
Gx(x,y)=H(x+1,y)-H(x-1,y);
Gy(x,y)=H(x,y+1)-H(x,y-1);
本发明采用[-1,0,1]和[-1,0,1]T梯度算子对选取的图像分别做卷积运算,得到各个像素点的X方向梯度和Y方向梯度,式中Gx(x,y)为像素点X方向梯度,Gy(x,y)为像素点Y方向梯度,H(x,y)为像素点灰度值,x、y分别为像素点的列坐标和行坐标。
(3)计算各个图像核内每个像素点的方向梯度矢量:
式中G(x,y)为像素点的方向梯度的幅值,α(x,y)为像素点的方向梯度的角度值。
以原点为中心,将360°的平面平均分为k个角度范围,根据各个像素点的方向梯度的角度值分别将其映射到对应的角度范围内。如图4所示,本实施例以X轴为起始线,将360°的平面平均分为18个角度范围,依次为0角度范围,1角度范围、……,17角度范围。需要说明的是,本发明采用不计算像素点的方向梯度的角度值,而根据每个像素点的X方向梯度和Y方向梯度查找其所属的角度范围,避免了像素点的方向梯度的角度值的计算,大大节省了图像处理的运算量,有效提高了处理速度。
(4)统计各个图像核的方向梯度值:针对一个图像核包含的所有像素点,将属于同一个角度范围的像素点的幅值相加,作为当前角度范围的统计值,将不包含任何像素点的角度范围的统计值记为0,然后将k个角度范围的统计值依次排列,形成图像核的方向梯度值。当将360°的平面平均分为18个角度范围,则每个图像核的方向梯度值均为一个18维向量。
(5)统计各个图像块的方向梯度值,并对图像块的方向梯度值归一化:将属于同一个图像块的所有图像核的方向梯度值依次串联起来,得到该图像块的方向梯度值,对该图像块的方向梯度值归一化:
式中h′i为第i个图像块的方向梯度值的归一化值,hi为第i个图像块的方向梯度值,hi,j为第i个图像块的方向梯度值的第j个分量,R为第i个图像块的方向梯度值的分量个数。本发明通过对图像块的方向梯度值的归一化处理,能够减弱或消除图像亮度、对比度变化对目标跟踪的干扰。
(6)将输入图像的所有图像块的方向梯度值依次串联起来,获得输入图像的方向梯度统计特征。
(7)采用汉明窗加权输入图像的方向梯度统计特征,然后通过主成成分分析对方向梯度统计特征进行降维。
本发明通过汉明窗加权能够提高图像中心部分的特征,减弱图像边缘部分的特征,从而减小背景图像变化对目标跟踪带来的干扰;主成成分分析即PCA降维能够减少对方向梯度统计特征进行二维傅里叶变换的处理时间。
本发明所述的目标跟踪方法有效减弱了图像亮度、对比度、目标形变、目标旋转等因素的干扰,实现了目标的精确跟踪,同时提高了运算处理速度,从而提高了目标跟踪的实时性。
Claims (4)
1.一种基于方向梯度统计特征的目标跟踪方法,其特征在于,包括以下步骤:
A、选取跟踪目标拍摄视频的第一帧图像,根据跟踪目标所在位置截取矩形框图作为初始目标模板图像,并提取初始目标模板图像的方向梯度统计特征;
B、对初始目标模板图像的方向梯度统计特征进行二维傅里叶变换,得到初始目标模板图像频域特征;
C、选取跟踪目标拍摄视频的下一帧图像,将该图像作为原尺寸图像进行尺度和角度变换,将原尺寸图像和变换得到的图像作为搜索区域图像;
D、分别提取各个搜索区域图像的方向梯度统计特征;
E、分别对各个搜索区域图像的方向梯度统计特征进行二维傅里叶变换,得到各个搜索区域图像频域特征;
F、利用各个搜索区域图像频域特征对初始目标模板图像频域特征进行频域响应,选择响应度最高的一个搜索区域图像,找出响应峰值位置,获得跟踪目标的更新位置、尺度变换和角度变换;
G、根据跟踪目标的更新位置、尺度变换和角度变换,在搜索区域图像的响应峰值位置截取矩形框图作为当前目标模板图像,并提取当前目标模板图像的方向梯度统计特征;
H、对当前目标模板图像的方向梯度统计特征进行二维傅里叶变换,得到当前目标模板图像频域特征;
I、利用当前目标模板图像频域特征更新初始目标模板图像频域特征:
F”=F·(1-λ)-F′·λ;
式中F”为更新后的目标模板图像频域特征,F为初始目标模板图像频域特征,F'为当前目标模板图像频域特征,λ为模板特征更新系数,将更新后的目标模板图像频域特征作为初始目标模板图像频域特征,然后返回步骤C。
2.如权利要求1所述的一种基于方向梯度统计特征的目标跟踪方法,其特征在于:所述的步骤D中,搜索区域图像包括原尺寸图像、原尺寸图像正旋转得到的图像、原尺寸图像逆旋转得到的图像、原尺寸图像放大后得到的图像、原尺寸图像放大后正旋转得到的图像、原尺寸图像放大后逆旋转得到的图像、原尺寸图像缩小后得到的图像、原尺寸图像缩小后正旋转得到的图像、原尺寸图像缩小后逆旋转得到的图像。
3.如权利要求1所述的一种基于方向梯度统计特征的目标跟踪方法,其特征在于,提取初始目标模板图像、搜索区域图像或者当前目标模板图像的方向梯度统计特征,包括以下步骤:
(1)将初始目标模板图像、搜索区域图像或者当前目标模板图像作为输入图像,将输入图像分为M×N个图像块,每个图像块包含a1×a2个图像核,每个图像核包含b1×b2个像素点,M、N、a1、a2、b1、b2均为正整数;
(2)计算各个图像核内每个像素点的X方向梯度和Y方向梯度:
Gx(x,y)=H(x+1,y)-H(x-1,y);
Gy(x,y)=H(x,y+1)-H(x,y-1);
式中Gx(x,y)为像素点X方向梯度,Gy(x,y)为像素点Y方向梯度,H(x,y)为像素点灰度值,x、y分别为像素点的列坐标和行坐标;
(3)计算各个图像核内每个像素点的方向梯度的幅值G(x,y):
以原点为中心,将360°的平面平均分为k个角度范围,根据每个像素点的X方向梯度和Y方向梯度将其映射到对应的角度范围内;
(4)统计各个图像核的方向梯度值:针对一个图像核包含的所有像素点,将属于同一个角度范围的像素点的幅值相加,作为当前角度范围的统计值,将不包含任何像素点的角度范围的统计值记为0,然后将k个角度范围的统计值依次排列,形成该图像核的方向梯度值;
(5)统计各个图像块的方向梯度值,并对图像块的方向梯度值归一化:将属于同一个图像块的所有图像核的方向梯度值依次串联起来,得到该图像块的方向梯度值,对该图像块的方向梯度值归一化:
式中h′i为第i个图像块归一化后的方向梯度值值,hi为第i个图像块归一化前的方向梯度值,hi,j为第i个图像块的方向梯度值的第j个分量,R为第i个图像块的方向梯度值的分量个数;
(6)将输入图像的所有图像块的方向梯度值依次串联起来,获得输入图像的方向梯度统计特征。
4.如权利要求3所述的一种基于方向梯度统计特征的目标跟踪方法,其特征在于:获得输入图像的方向梯度统计特征后,首先采用汉明窗加权方向梯度统计特征,然后通过主成成分分析对方向梯度统计特征进行降维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711469371.4A CN108257153B (zh) | 2017-12-29 | 2017-12-29 | 一种基于方向梯度统计特征的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711469371.4A CN108257153B (zh) | 2017-12-29 | 2017-12-29 | 一种基于方向梯度统计特征的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108257153A true CN108257153A (zh) | 2018-07-06 |
CN108257153B CN108257153B (zh) | 2021-09-07 |
Family
ID=62724977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711469371.4A Active CN108257153B (zh) | 2017-12-29 | 2017-12-29 | 一种基于方向梯度统计特征的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257153B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109074657A (zh) * | 2018-07-18 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 一种目标跟踪方法、装置、电子设备和可读存储介质 |
CN109146911A (zh) * | 2018-07-23 | 2019-01-04 | 北京航空航天大学 | 一种目标跟踪的方法及装置 |
CN109711420A (zh) * | 2018-12-20 | 2019-05-03 | 湖南商学院 | 基于人类视觉注意机制的多仿射目标的检测与识别方法 |
CN109978922A (zh) * | 2019-04-03 | 2019-07-05 | 北京环境特性研究所 | 一种基于梯度信息的目标实时跟踪方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570893A (zh) * | 2016-11-02 | 2017-04-19 | 中国人民解放军国防科学技术大学 | 一种基于相关滤波的快速稳健视觉跟踪方法 |
CN107316316A (zh) * | 2017-05-19 | 2017-11-03 | 南京理工大学 | 基于多特征自适应融合和核相关滤波技术的目标跟踪方法 |
CN107358623A (zh) * | 2017-07-12 | 2017-11-17 | 武汉大学 | 一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪算法 |
US20170372484A1 (en) * | 2016-06-24 | 2017-12-28 | Justin W Carlson | Machine vision cargo monitoring in a vehicle |
-
2017
- 2017-12-29 CN CN201711469371.4A patent/CN108257153B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372484A1 (en) * | 2016-06-24 | 2017-12-28 | Justin W Carlson | Machine vision cargo monitoring in a vehicle |
CN106570893A (zh) * | 2016-11-02 | 2017-04-19 | 中国人民解放军国防科学技术大学 | 一种基于相关滤波的快速稳健视觉跟踪方法 |
CN107316316A (zh) * | 2017-05-19 | 2017-11-03 | 南京理工大学 | 基于多特征自适应融合和核相关滤波技术的目标跟踪方法 |
CN107358623A (zh) * | 2017-07-12 | 2017-11-17 | 武汉大学 | 一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪算法 |
Non-Patent Citations (3)
Title |
---|
王跃东等: "基于梯度方向直方图的融合图像跟踪算法研究", 《信息技术》 * |
金长江等: "红外弱小目标检测背景抑制算法研究", 《中国测试》 * |
魏天舒等: "一种自适应融合颜色和梯度方向特征的粒子滤波跟踪算法", 《山东理工大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109074657A (zh) * | 2018-07-18 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 一种目标跟踪方法、装置、电子设备和可读存储介质 |
WO2020014901A1 (zh) * | 2018-07-18 | 2020-01-23 | 深圳前海达闼云端智能科技有限公司 | 一种目标跟踪方法、装置、电子设备和可读存储介质 |
CN109074657B (zh) * | 2018-07-18 | 2022-04-08 | 达闼机器人有限公司 | 一种目标跟踪方法、装置、电子设备和可读存储介质 |
CN109146911A (zh) * | 2018-07-23 | 2019-01-04 | 北京航空航天大学 | 一种目标跟踪的方法及装置 |
CN109711420A (zh) * | 2018-12-20 | 2019-05-03 | 湖南商学院 | 基于人类视觉注意机制的多仿射目标的检测与识别方法 |
CN109711420B (zh) * | 2018-12-20 | 2022-08-09 | 湖南商学院 | 基于人类视觉注意机制的多仿射目标的检测与识别方法 |
CN109978922A (zh) * | 2019-04-03 | 2019-07-05 | 北京环境特性研究所 | 一种基于梯度信息的目标实时跟踪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108257153B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427298B (zh) | 基于各向异性梯度尺度空间的遥感图像配准方法 | |
CN107146240B (zh) | 基于相关滤波和显著性检测的航拍视频目标跟踪方法 | |
CN108257153A (zh) | 一种基于方向梯度统计特征的目标跟踪方法 | |
CN110348319A (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN105096317A (zh) | 一种复杂背景中的高性能相机全自动标定方法 | |
CN111611907B (zh) | 一种图像增强的红外目标检测方法 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
CN105404868B (zh) | 一种基于交互平台的复杂背景中文本的快速检测方法 | |
CN107563433A (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN107066969A (zh) | 一种人脸识别方法 | |
Wang et al. | Airport detection in remote sensing images based on visual attention | |
Huang et al. | Correlation and local feature based cloud motion estimation | |
CN111738211B (zh) | 基于动态背景补偿与深度学习的ptz摄像机运动目标检测与识别方法 | |
CN108664939A (zh) | 一种基于hog特征与深度学习的遥感图像飞机识别方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN106600613B (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
CN110443295A (zh) | 改进的图像匹配与误匹配剔除算法 | |
CN108122225A (zh) | 基于自适应特征点的数字图像篡改检测方法 | |
CN105303566B (zh) | 一种基于目标轮廓裁剪的sar图像目标方位角估计方法 | |
CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
CN103607558A (zh) | 一种视频监控系统及其目标匹配方法和装置 | |
CN104408430B (zh) | 一种车牌定位方法及装置 | |
US7113637B2 (en) | Apparatus and methods for pattern recognition based on transform aggregation | |
CN110197184A (zh) | 一种基于傅里叶变换的快速图像sift提取方法 | |
CN110738098A (zh) | 一种目标的识别定位与锁定跟踪方法 |
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 |