CN108320306A - 融合tld和kcf的视频目标跟踪方法 - Google Patents
融合tld和kcf的视频目标跟踪方法 Download PDFInfo
- Publication number
- CN108320306A CN108320306A CN201810181779.XA CN201810181779A CN108320306A CN 108320306 A CN108320306 A CN 108320306A CN 201810181779 A CN201810181779 A CN 201810181779A CN 108320306 A CN108320306 A CN 108320306A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- tld
- kcf
- module
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
本发明公开了一种融合TLD和KCF的视频目标跟踪方法,包括如下步骤:确定初始目标帧中目标区域位置和大小,同时将初始帧输入到TLD算法模块和KCF算法模块中;TLD算法模块和KCF算法模块并行运行,如果对当前帧的处理TLD算法模块和KCF算法模块只有一个模块有跟踪目标输出,则把该输出作为当前帧的跟踪结果;如果两个跟踪模块都有跟踪目标输出,则分别计算跟踪目标输出与目标模型M之间的相似度St和Sk,选择St和Sk中最大者作为目标跟踪结果;通过上述方法进行下一帧视频处理,直至视频帧跟踪结束。所述方法能够克服TLD算法和KCF算法单独使用时的不足,对复杂视频场景的目标跟踪具有广泛适应性,同时保持了目标跟踪算法的实时性。
Description
技术领域
本发明涉及视频图像处理方法技术领域,尤其涉及一种融合TLD和KCF的视频目标跟踪方法。
背景技术
目标跟踪是在已知目标先验信息的情况下,在视频序列中持续获取目标运动状态的过程,是计算机视觉领域具有挑战性的研究难点之一,已经被广泛地应用于国防和民用的各个领域,如智能监控、人机交互、医学诊断、导航制导等。尽管近年来视频跟踪技术已经取得了很多的研究成果,但是鲁棒的视觉跟踪仍是一项巨大挑战。视频跟踪的难点主要在于目标模板难以精确表达、目标运动模式复杂、目标的形变和尺度变化、目标遮挡以及背景干扰、目标检测与跟踪的实时性要求高等。
TLD(Tracking-Learning-Detection)算法是由Kalal等人提出的一种目标跟踪算法,该算法将检测与跟踪相结合,而不是传统的单纯的检测或跟踪机制,同时引入在线学习策略,实现了对目标的长时跟踪,对目标存在的遮挡、丢失以及目标运动过程中形变等情况具有较好的适应性,算法具有较高的实时性。TLD主要由3部分组成:跟踪模块、检测模块、学习模块,其算法结构如图1所示。跟踪模块是一个短时的中值流跟踪器,在帧间运动变化不大、目标持续可见的条件下,完成目标在帧间运动的估计,得到目标的运动轨迹;检测模块是由3个分类器组成的级联分类器,通过合理的提取图像特征,训练分类器,实现了对目标区域的实时检测;学习模块对跟踪模块和检测模块的性能进行评估,根据评估结果对检测模块进行更新训练,提升检测模块的性能。TLD算法的完整运行过程为:在视频目标的初始帧,给出待跟踪目标的位置区域,以目标和背景区域初始化TLD算法各个模块。接下来,跟踪模块和检测模块各自独立对视频帧进行处理。跟踪模块根据前一帧中的目标位置信息估计目标在当前帧中的位置信息。检测模块利用扫描框对当前帧进行检测,检测出目标可能存在的区域。跟踪模块和检测模块的处理结果共同输入到融合处理模块,在该模块中对跟踪和检测模块的处理结果进行分析,并将分析结果输入到学习模块,用于对跟踪模块和检测模块的更新,降低跟踪模块和检测模块的误差。
KCF(Kernelized Correlation Filter)算法是由Henriques等提出的一种快速训练、快速检测的高速目标跟踪方法,其核心思想是利用跟踪目标区域的循环移位构造大量的训练样本,以这些样本训练分类器。通过计算分类器得到的目标候选区域与跟踪目标之间的相似性,选取具有最大相似性的候选区域作为新的跟踪目标,此过程迭代进行直到完成目标跟踪。为了提高算法效率,将循环矩阵应用于岭回归,用DFT进行对角化实现了处理转换的快速算法,使得岭回归在傅立叶域得到了简单的解析解,大大降低了算法的复杂度。同时,在线性回归的基础上引入核函数,结合循环矩阵推导出一种快速的核函数计算方法。在单通道图像的基础上,推导了多通道图像的模型求解。
尽管TLD算法和KCF算法在多个视频数据集的测试中取得了良好的效果,但是它们各自应用于实际复杂场景的目标跟踪时还是存在明显的不足。如TLD算法的跟踪器稳定性不高,在存在复杂背景干扰时易跟踪失败。KCF算法不能很好的处理目标被遮挡以及目标发生形变的情况。
发明内容
本发明所要解决的技术问题是如何提供一种能够克服TLD算法和KCF算法单独使用时的不足,对复杂视频场景的目标跟踪具有广泛适应性,同时保持了目标跟踪算法的实时性的视频目标跟踪方法。
为解决上述技术问题,本发明所采取的技术方案是:一种融合TLD和KCF的视频目标跟踪方法,其特征在于包括如下步骤:
确定初始目标帧中目标区域位置和大小,同时将初始帧输入到TLD算法模块和KCF算法模块中;
TLD算法模块和KCF算法模块并行运行,分别输出当前帧中目标跟踪结果;
如果对当前帧的处理TLD算法模块和KCF算法模块只有一个模块有跟踪目标输出,则把该输出作为当前帧的跟踪结果;如果两个跟踪模块都有跟踪目标输出,则分别计算跟踪目标输出与目标模型M之间的相似度St和Sk,选择St和Sk中最大者作为目标跟踪结果;
通过上述方法进行下一帧视频处理,直至视频帧跟踪结束。
进一步的技术方案在于:在目标视频的初始帧,给定目标区域窗口位置和大小,确定待跟踪目标的信息。
进一步的技术方案在于,在TLD算法模块中,对其中的跟踪模块、检测模块、学习模块进行初始化,其中,跟踪模块的初始化包括获取待跟踪目标区域的特征点;检测模块的初始化包括通过扫描初始帧,获得训练分类器的图像片样本p;学习模块初始化包括获得初始目标模型,其中+上标表示正样本,-号上标表示负样本;KCF算法模块初始化包括对初始帧目标循环移位构造正样本和负样本,用于训练分类器。
进一步的技术方案在于,TLD算法模块对当前帧进行处理的方法如下:
TLD算法模块中的跟踪模块利用中值流方法完成对目标的跟踪,检测模块利用级联分类器完成对视频帧中目标的检测;
跟踪结果和检测结果输入集成模块,比较检测结果和跟踪结果,选取它们中的较优者,将集成模块的结果输入学习模块;
学习模块利用P-N学习模型对集成模块输出的结果进行学习,并将学习信息输入到跟踪模块和检测模块,对它们的误差进行优化;
输出跟踪结果。
进一步的技术方案在于,所述KCF算法模块对当前帧进行处理的方法如下:
利用初始化得到的训练样本训练正则化最小二乘分类器;
计算候选目标区域与跟踪目标的相似度,选取最大相似度的候选区域作为跟踪到的目标;
输出跟踪结果。
进一步的技术方案在于:KCF算法模块的跟踪输出结果先保存在一个输出图像链表K中,K={k1,k2...,kn},其中ki表示输出的跟踪图像帧,链表中的图像为先后顺序存入,k1为最先存入链表中的图像帧。
采用上述技术方案所产生的有益效果在于:所述方法克服了单独使用TLD算法时存在的跟踪器稳定性不高,在复杂背景干扰条件下易跟踪失败的问题,以及单独使用KCF算法时存在的对遮挡目标易跟踪失败的问题,对复杂场景的目标跟踪具有更广泛的适应性。在提高跟踪稳健性的同时,保持了算法的实时性,能够适应实际场景下的目标跟踪需要。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法中TLD算法的框架结构图;
图2是本发明实施例所述方法的框架结构图;
图3是本发明实施例所述方法的流程图;
图4是本发明实施例所述方法中TLD算法模块的运行子步骤流程图;
图5是本发明实施例所述方法中KCF算法模块的运行子步骤流程图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
总体的,如图2和图3所示,本发明实施例公开了一种融合TLD和KCF的视频目标跟踪方法,包括如下步骤:
S101:确定初始目标帧中目标区域位置和大小,同时将初始帧输入到TLD算法模块和KCF算法模块中;
S102:TLD算法模块和KCF算法模块并行运行,分别输出当前帧中目标跟踪结果;
S103:如果对当前帧的处理TLD算法模块和KCF算法模块只有一个模块有跟踪目标输出,则把该输出作为当前帧的跟踪结果;如果两个跟踪模块都有跟踪目标输出,则分别计算跟踪目标输出与目标模型M之间的相似度St和Sk,选择St和Sk中最大者作为目标跟踪结果;
S104:通过上述步骤S102和步骤S103进行下一帧视频处理,直至视频帧跟踪结束。
具体的,所述方法包括如下步骤:
S101:在目标视频的初始帧,手动或文件自动给定目标区域窗口位置和大小,确定待跟踪目标的信息,包含待跟踪目标信息的初始帧分别输入TLD算法模块和KCF算法模块,两模块并行运行。在TLD算法模块中,对其跟踪模块,在选定的目标区域均匀地产生一些特征点作为跟踪模块的初始化特征点。对检测模块,通过扫描初始帧,获得训练级联分类器的图像片样本p。对学习模块,获得初始目标模型其中“+”上标表示正样本,“-”号上标表示负样本。KCF算法模块中通过对初始帧目标循环移位构造正样本和负样本,用于训练分类器。
S102:TLD算法模块和KCF算法模块并行运行,分别输出当前帧中目标跟踪结果。如图4所示,TLD算法模块的运行包括如下几个子步骤:
S201:TLD算法模块中跟踪模块利用中值流方法(Median Flow tracker)计算目标区域特征点的FB误差(Forward-Backward,即前向后向误差),依据FB误差筛选最佳追踪特征点,根据这些特征点的坐标变化和距离变化确定跟踪目标的位置和大小。检测模块是包含图像元方差分类器、以2bitBP特征训练的随机蕨分类器以及最近邻分类器组成的级联分类器,对从待检测图像帧中获得的图像片样本进行分类。图像元方差分类器用于计算图像元像素灰度值的方差,把方差小于原始图像元方差一半的样本标记为负。随机蕨分类器用于对经过方差分类器的图像片做进一步的筛选分类工作。最近邻分类器用于计算待检测图像元的相对相似度,如大于设定的阈值,则认为是正样本。图像元pi和图像元pj的相似度定义为:
其中N表示规范化的相关系数,S(pi,pj)表示图像元pi与图像元pj的相似度,N(pi,pj)表示图像元pi与图像元pj规范化的相关系数。经过级联分类器后得到检测的目标区域。
S202:跟踪结果和检测结果输入到集成处理模块,给出当前帧中待跟踪目标的信息,并将这些信息以及检测跟踪结果输入学习模块。
S203:学习模块利用半监督的机器学习算法P-N学习对跟踪结果进行判断,并更新跟踪模块和检测模块。P-N学习的训练样本是用不同尺寸的扫描窗对图像进行逐行扫描得到的,每扫描一个位置形成一个图像元,这些图像元组成训练样本集。P-N学习针对检测模块对样本分类时产生的错误提供了两种检测模块:P检测模块:检出漏检的正样本,N检测模块:改正误检的正样本。
S204:输出跟踪结果。
如图5所示,KCF算法模块的运行包括如下几个子步骤:
S301:对目标区域图像利用置换矩阵对目标区域样本图像进行循环移位,得到训练样本循环矩阵X=[X0,X1,...,Xn-1]T。训练分类器,即求得最优的w,使得代价函数最小。其中f(Xi)表示回归函数,w表示回归函数的权重系数,λ用于控制系统的结构复杂性,n为训练样本数量,Xi为训练样本,yi为训练样本类别值。
S302:检测候选目标区域,对新输入的图像区域z,其在所有候选区域位置成为跟踪目标的概率分布为其中F-1表示傅立叶逆变换,F表示傅立叶变换,kxz为核矩阵的第一行向量,为训练样本系数的离散傅立叶变换,⊙表示点乘。f(z)取到最大值的元素所对应的区域即为跟踪目标。
S303:输出跟踪结果。
由于KCF算法模块比TLD算法模块运行效率更高,因此KCF算法模块的跟踪输出结果需要先保存在一个输出图像链表K中,K={k1,k2...,kn},其中ki表示输出的跟踪图像帧,链表中的图像为先后顺序存入,k1为最先存入链表中的图像帧。
S103:TLD算法模块输出跟踪图像帧t后,分别计算TLD算法模块输出t和KCF算法模块输出k与目标模型M之间的相似度St和Sk,其中S表示图像元相似度。选择St和Sk中最大者作为目标跟踪结果。
S104:重复以上步骤S102-步骤S103进行下一帧处理,直至视频帧跟踪结束。
所述方法克服了单独使用TLD算法时存在的跟踪器稳定性不高,在复杂背景干扰条件下易跟踪失败的问题,以及单独使用KCF算法时存在的对遮挡目标易跟踪失败的问题,对复杂场景的目标跟踪具有更广泛的适应性。在提高跟踪稳健性的同时,保持了算法的实时性,能够适应实际场景下的目标跟踪需要。
Claims (6)
1.一种融合TLD和KCF的视频目标跟踪方法,其特征在于包括如下步骤:
确定初始目标帧中目标区域位置和大小,同时将初始帧输入到TLD算法模块和KCF算法模块中;
TLD算法模块和KCF算法模块并行运行,分别输出当前帧中目标跟踪结果;
如果对当前帧的处理TLD算法模块和KCF算法模块只有一个模块有跟踪目标输出,则把该输出作为当前帧的跟踪结果;如果两个跟踪模块都有跟踪目标输出,则分别计算跟踪目标输出与目标模型M之间的相似度St和Sk,选择St和Sk中最大者作为目标跟踪结果;
通过上述方法进行下一帧视频处理,直至视频帧跟踪结束。
2.如权利要求1所述的融合TLD和KCF的视频目标跟踪方法,其特征在于:在目标视频的初始帧,给定目标区域窗口位置和大小,确定待跟踪目标的信息。
3.如权利要求1所述的融合TLD和KCF的视频目标跟踪方法,其特征在于:在TLD算法模块中,对其中的跟踪模块、检测模块、学习模块进行初始化,其中,跟踪模块的初始化包括获取待跟踪目标区域的特征点;检测模块的初始化包括通过扫描初始帧,获得训练分类器的图像片样本p;学习模块初始化包括获得初始目标模型,其中+上标表示正样本,-号上标表示负样本;KCF算法模块初始化包括对初始帧目标循环移位构造正样本和负样本,用于训练分类器。
4.如权利要求1所述的融合TLD和KCF的视频目标跟踪方法,其特征在于,TLD算法模块对当前帧进行处理的方法如下:
TLD算法模块中的跟踪模块利用中值流方法完成对目标的跟踪,检测模块利用级联分类器完成对视频帧中目标的检测;
跟踪结果和检测结果输入集成模块,比较检测结果和跟踪结果,选取它们中的较优者,将集成模块的结果输入学习模块;
学习模块利用P-N学习模型对集成模块输出的结果进行学习,并将学习信息输入到跟踪模块和检测模块,对它们的误差进行优化;
输出跟踪结果。
5.如权利要求1所述的融合TLD和KCF的视频目标跟踪方法,其特征在于,所述KCF算法模块对当前帧进行处理的方法如下:
利用初始化得到的训练样本训练正则化最小二乘分类器;
计算候选目标区域与跟踪目标的相似度,选取最大相似度的候选区域作为跟踪到的目标;
输出跟踪结果。
6.如权利要求1所述的融合TLD和KCF的视频目标跟踪方法,其特征在于:KCF算法模块的跟踪输出结果先保存在一个输出图像链表K中,K={k1,k2...,kn},其中ki表示输出的跟踪图像帧,链表中的图像为先后顺序存入,k1为最先存入链表中的图像帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810181779.XA CN108320306B (zh) | 2018-03-06 | 2018-03-06 | 融合tld和kcf的视频目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810181779.XA CN108320306B (zh) | 2018-03-06 | 2018-03-06 | 融合tld和kcf的视频目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108320306A true CN108320306A (zh) | 2018-07-24 |
CN108320306B CN108320306B (zh) | 2020-05-26 |
Family
ID=62901012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810181779.XA Active CN108320306B (zh) | 2018-03-06 | 2018-03-06 | 融合tld和kcf的视频目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320306B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887004A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 一种基于tld算法的无人船海域目标跟踪方法 |
CN109993052A (zh) * | 2018-12-26 | 2019-07-09 | 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 |
CN110046659A (zh) * | 2019-04-02 | 2019-07-23 | 河北科技大学 | 一种基于tld的长时间单目标跟踪方法 |
CN110751106A (zh) * | 2019-10-23 | 2020-02-04 | 南京航空航天大学 | 一种无人机目标检测方法及系统 |
CN111476825A (zh) * | 2020-03-10 | 2020-07-31 | 重庆邮电大学 | 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 |
CN112381856A (zh) * | 2020-10-14 | 2021-02-19 | 中国科学院西安光学精密机械研究所 | 一种适应城市复杂背景的低慢小目标跟踪装置及方法 |
CN113822137A (zh) * | 2021-07-23 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种数据标注方法、装置、设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204649A (zh) * | 2016-07-05 | 2016-12-07 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
CN106683121A (zh) * | 2016-11-29 | 2017-05-17 | 广东工业大学 | 一种融合检测过程的鲁棒目标追踪方法 |
CN106934363A (zh) * | 2017-03-08 | 2017-07-07 | 上海极链网络科技有限公司 | 应用于视频品牌识别系统的实时跟踪模块 |
CN107248174A (zh) * | 2017-05-15 | 2017-10-13 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
CN107292918A (zh) * | 2016-10-31 | 2017-10-24 | 清华大学深圳研究生院 | 基于视频在线学习的跟踪方法和装置 |
CN107403175A (zh) * | 2017-09-21 | 2017-11-28 | 昆明理工大学 | 一种运动背景下的视觉跟踪方法及视觉跟踪系统 |
CN107481264A (zh) * | 2017-08-11 | 2017-12-15 | 江南大学 | 一种自适应尺度的视频目标跟踪方法 |
-
2018
- 2018-03-06 CN CN201810181779.XA patent/CN108320306B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204649A (zh) * | 2016-07-05 | 2016-12-07 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
CN107292918A (zh) * | 2016-10-31 | 2017-10-24 | 清华大学深圳研究生院 | 基于视频在线学习的跟踪方法和装置 |
CN106683121A (zh) * | 2016-11-29 | 2017-05-17 | 广东工业大学 | 一种融合检测过程的鲁棒目标追踪方法 |
CN106934363A (zh) * | 2017-03-08 | 2017-07-07 | 上海极链网络科技有限公司 | 应用于视频品牌识别系统的实时跟踪模块 |
CN107248174A (zh) * | 2017-05-15 | 2017-10-13 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
CN107481264A (zh) * | 2017-08-11 | 2017-12-15 | 江南大学 | 一种自适应尺度的视频目标跟踪方法 |
CN107403175A (zh) * | 2017-09-21 | 2017-11-28 | 昆明理工大学 | 一种运动背景下的视觉跟踪方法及视觉跟踪系统 |
Non-Patent Citations (1)
Title |
---|
周波: "移动终端的视觉目标跟踪算法的研究与实现", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993052A (zh) * | 2018-12-26 | 2019-07-09 | 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 |
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 |
CN109887004A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 一种基于tld算法的无人船海域目标跟踪方法 |
CN110046659A (zh) * | 2019-04-02 | 2019-07-23 | 河北科技大学 | 一种基于tld的长时间单目标跟踪方法 |
CN110751106A (zh) * | 2019-10-23 | 2020-02-04 | 南京航空航天大学 | 一种无人机目标检测方法及系统 |
CN110751106B (zh) * | 2019-10-23 | 2022-04-26 | 南京航空航天大学 | 一种无人机目标检测方法及系统 |
CN111476825A (zh) * | 2020-03-10 | 2020-07-31 | 重庆邮电大学 | 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 |
CN111476825B (zh) * | 2020-03-10 | 2022-08-26 | 重庆邮电大学 | 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 |
CN112381856A (zh) * | 2020-10-14 | 2021-02-19 | 中国科学院西安光学精密机械研究所 | 一种适应城市复杂背景的低慢小目标跟踪装置及方法 |
CN112381856B (zh) * | 2020-10-14 | 2023-09-05 | 中国科学院西安光学精密机械研究所 | 一种适应城市复杂背景的低慢小目标跟踪装置及方法 |
CN113822137A (zh) * | 2021-07-23 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种数据标注方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108320306B (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320306A (zh) | 融合tld和kcf的视频目标跟踪方法 | |
CN107818571B (zh) | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 | |
CN110310259B (zh) | 一种基于改进YOLOv3算法的木结瑕疵检测方法 | |
Yuan et al. | Robust visual tracking with correlation filters and metric learning | |
CN107016357B (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
CN102496001B (zh) | 一种视频监控目标自动检测的方法和系统 | |
CN110097568A (zh) | 一种基于时空双分支网络的视频对象检测与分割方法 | |
CN111079674B (zh) | 一种基于全局和局部信息融合的目标检测方法 | |
CN109816689A (zh) | 一种多层卷积特征自适应融合的运动目标跟踪方法 | |
CN107481264A (zh) | 一种自适应尺度的视频目标跟踪方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN105447473A (zh) | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 | |
CN104077596A (zh) | 一种无标志物跟踪注册方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN109191488B (zh) | 一种基于csk与tld融合算法的目标跟踪系统及方法 | |
CN110610210B (zh) | 一种多目标检测方法 | |
CN112836640A (zh) | 一种单摄像头多目标行人跟踪方法 | |
CN109145836A (zh) | 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法 | |
CN103985143A (zh) | 基于字典学习的视频中判别性在线目标跟踪方法 | |
CN106815576B (zh) | 基于连续时空置信图和半监督极限学习机的目标追踪方法 | |
CN106780552A (zh) | 基于局部区域联合跟踪检测学习的抗遮挡目标跟踪方法 | |
CN104299243A (zh) | 一种基于霍夫森林的目标跟踪方法 | |
CN108664994A (zh) | 一种遥感图像处理模型构建系统和方法 | |
CN106952293A (zh) | 一种基于非参数在线聚类的目标跟踪方法 |
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 |