CN108596048B - 一种基于相关滤波器的目标跟踪检测方法 - Google Patents

一种基于相关滤波器的目标跟踪检测方法 Download PDF

Info

Publication number
CN108596048B
CN108596048B CN201810292983.9A CN201810292983A CN108596048B CN 108596048 B CN108596048 B CN 108596048B CN 201810292983 A CN201810292983 A CN 201810292983A CN 108596048 B CN108596048 B CN 108596048B
Authority
CN
China
Prior art keywords
target
frame picture
hog
frame
picture
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.)
Active
Application number
CN201810292983.9A
Other languages
English (en)
Other versions
CN108596048A (zh
Inventor
赵亦工
岑晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201810292983.9A priority Critical patent/CN108596048B/zh
Publication of CN108596048A publication Critical patent/CN108596048A/zh
Application granted granted Critical
Publication of CN108596048B publication Critical patent/CN108596048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于相关滤波器的目标跟踪检测方法，属于计算机视觉技术领域，其主要思路为：获取一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置已知，剩余T‑1帧图片上各自目标位置未知；然后计算T帧图片目标搜索域区域；分别得到第1帧图片目标搜索域区域的HOG特征向量fHOG,1至第T帧图片目标搜索域区域的HOG特征向量fHOG,T；计算第t帧图片的HOG特征响应矩阵
Figure DDA0001618042990000011
和第t帧图片的HOG特征响应矩阵
Figure DDA0001618042990000012
中的最大值，进而得到第t帧图片的目标中心点
Figure DDA0001618042990000013
t∈{2,3,…,T}，直到得到第2帧图片的目标中心点
Figure DDA0001618042990000014
至第T帧图片的目标中心点
Figure DDA0001618042990000015
以及根据第1帧图片上目标位置得到第1帧图片的目标中心点
Figure DDA0001618042990000016
实现了T帧图片中每个目标的实时跟踪。

Description

一种基于相关滤波器的目标跟踪检测方法
技术领域
本发明属于计算机视觉技术领域，特别涉及一种基于相关滤波器的目标跟踪检测方法，适应于实际应用。
背景技术
视频目标跟踪是计算机视觉领域的重要研究课题，其定义是：给定视频序列初始帧中目标的位置框，在接下来的视频序列中自动给出该目标的位置框.视频目标跟踪研究在视频监控、人机交互、机器人等领域有广泛应用。
经过30多年研究与发展，大量视频目标跟踪算法相继提出，早期工作主要集中于生成学习跟踪方法研究，如Lucas—Kanade算法、Kalman滤波算法和Mean—shift跟踪算法等；但早期研究工作通过经典的数学模型难以准确把握目标的动态表观信息，因此经常导致若干帧后跟踪失败；接着，研究人员尝试在跟踪问题中引入包含考量背景信息在内的鉴别学习方法，以判别分类角度为出发点的鉴别学习跟踪算法得到了广泛研究和发展；如2009年B.Babenko等提出在线多例学习跟踪算法(MIL)与S.Hare建立的利用核方法的结构化输出模型(Struck)；基于相关滤波视频目标跟踪算法近年来受到广泛关注，其初衷是设计一个对目标高响应、同时对背景低响应的滤波器，由此实现对目标模式的快速检测；该方法本身可以有效实现对目标定位，但是对训练样本提出了数量要求，直至Bolme在2010年提出了最小平方误差输出总和滤波器(MOSSE)，该状况得以改善；利用自适应训练框架，MOSSE实现了鲁棒高效的跟踪模式，在MOSSE基础上，出现了大量改进算法；如Henriques等于2012年构建的循环结构检测跟踪算法(CSK)和于2015年提出的核化相关滤波器算法。
但是目前的相关滤波算法仍然有一些不足之处，如对快速物体与形变物体进行目标跟踪时容易丢失目标；对运动中的物体进行目标跟踪时容易发生中心点偏移导致目标获取不准确。
发明内容
针对上述现有技术存在的缺点，本发明的目的在于提出一种基于相关滤波器的目标跟踪检测方法，该种基于相关滤波器的目标跟踪检测方法对目标响应最大值设定了一个阈值，大于该阈值时，该目标响应最大值的位置就是目标中心点；小于该阈值时，对目标进行重新定位。
为达到上述技术目的，本发明采用如下技术方案予以实现。
一种基于相关滤波器的目标跟踪检测方法，包括以下步骤：
步骤1，获取一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置已知，剩余T-1帧图片上各自目标位置未知；然后计算T帧图片目标搜索域区域；其中，T为大于或等于2的正整数；
步骤2，对第t'帧图片目标搜索域区域分别进行HOG特征提取，得到第t'帧图片目标搜索域区域的HOG特征向量fHOG,t'；1≤t′≤T，t'的初始值为1；
步骤3，令t'的值分别取1至T，重复步骤2，进而分别得到第1帧图片目标搜索域区域的HOG特征向量fHOG,1至第T帧图片目标搜索域区域的HOG特征向量fHOG,T；
初始化：令t∈{2,3,…,T}，令
Figure BDA0001618042970000021
表示第t帧图片目标搜索域区域，t的初始值为2；设定常量阈值为
步骤4，确定相关滤波器，并将第t帧图片目标搜索域区域的HOG特征向量fHOG,t作为相关滤波器的输入，计算第t帧图片的HOG特征响应矩阵
Figure BDA0001618042970000023
即为相关滤波器的输出，进而得到第t帧图片的HOG特征响应矩阵
Figure BDA0001618042970000024
中的最大值；
步骤5，根据第t帧图片的HOG特征响应矩阵
Figure BDA0001618042970000025
中的最大值与和常量阈值
Figure BDA0001618042970000026
得到第t帧图片的目标中心点
Figure BDA0001618042970000027
步骤6，令t的值加1，返回步骤4，直到得到第T帧图片的目标中心点
Figure BDA0001618042970000028
后结束跟踪，至此得到了第2帧图片的目标中心点
Figure BDA0001618042970000029
至第T帧图片的目标中心点
Figure BDA00016180429700000210
以及根据第1帧图片上目标位置得到第1帧图片的目标中心点
Figure BDA00016180429700000211
实现了T帧图片中每个目标的实时跟踪。
本发明的有益效果：
本发明提出了一种基于相关滤波器的改进方法，在得到目标响应矩阵的最大值后用阈值进行判断，是否进行再检测，提高了目标获取的精确度；针对算法中的重要函数，将某个常数改变为高斯分布矩阵，使该函数更平滑。
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说明。
图1为本发明的一种基于相关滤波器的目标跟踪检测方法流程图；
图2为自适应搜索域的原理图；
图3为HOG特征提取的原理图；
图4a为使用传统算法后视频的第1帧图片示意图；
图4b为使用传统算法后视频的第25帧图片示意图；
图4c为使用传统算法后视频的第29帧图片示意图；
图4d为使用传统算法后视频的第38帧图片示意图；
图5a为使用本发明方法后视频的第1帧图片示意图；
图5b为使用本发明方法后视频的第25帧图片示意图；
图5c为使用本发明方法后视频的第29帧图片示意图；
图5d为使用本发明方法后视频的第38帧图片示意图。
具体实施方式
参照图1，为本发明的一种基于相关滤波器的目标跟踪优化方法流程图；其中所述基于相关滤波器的目标跟踪再检测方法，包括以下步骤：
步骤1，计算搜索域的大小。
利用熵的性质自动选择搜索域的大小；首先，输入一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置是已知的，剩余T-1帧图片上各自目标位置都是未知的；第1帧图片上目标大小为q1，计算第1帧图片上目标的熵E(q1)，
Figure BDA0001618042970000031
p1i表示第1帧图片内灰度值i在q1中出现的概率，b1表示第1帧图片中的灰度值最大值，本实施例中b1取值为255。
确定第2帧图片上目标搜索域区域初始值为s0，s0＝O×q1，O为大于0的正整数，本实施例O取值为3。
1.1计算得到第1帧图片上目标的熵E(q1)与第2帧图片上第k-1次更新后目标搜索域区域的熵E(sk-1)之间的比R(k-1)，其表达式为：
R(k-1)＝E(q1)/E(sk-1) (1)
其中，
Figure BDA0001618042970000041
1≤k≤K，K为设定的搜索域更新次数最大值，本实施例K取值为9；k的初始值为1，sk-1表示第2帧图片上第k-1次更新后目标搜索域区域，pk-1,2,l表示第2帧图片内灰度值l在sk-1中出现的概率，log2表示底数为2的对数，b2表示第2帧图片中的灰度值最大值，本实施例中b2取值为255。
1.2令k的值加1，且令sk-1＝sk-2-Q，返回1.1，直到得到第1帧图片上目标的熵E(q1)与第2帧图片上第K-1次更新后搜索域的熵E(sK-1)之间的比R(K-1)或者sk-1＝1.2q1时停止更新，将停止更新时对应的第1帧图片上目标的熵与第2帧图片上第k-1次更新后搜索域的熵之间的比，记为第1帧图片上目标的熵E(q1)与第2帧图片上第k'次更新后搜索域的熵E(sk')之间的比R(k')，1≤k'≤K，k'表示停止更新时对应的更新次数，Q为设定常数，0<Q<1，本实施例中Q取值为0.2。
1.3根据第1帧图片上目标的熵E(q1)与第2帧图片上第k'次更新后目标搜索域区域的熵E(sk')之间的比R(k')，并通过如下公式得到第2帧图片上的最优目标搜索域区域，记为第2帧图片目标搜索域区域
Figure BDA0001618042970000042
Figure BDA0001618042970000043
Figure BDA0001618042970000044
其中，
Figure BDA0001618042970000045
表示
Figure BDA0001618042970000046
取最小时对应的j值，
R(j-1)表示第1帧图片上目标的熵E(q1)与第2帧图片上第j-1次更新后目标搜索域区域的熵E(sj-1)之间的比，
Figure BDA0001618042970000047
表示第2帧图片目标搜索域区域的最优更新次数，Q为设定常数，0<Q<1，本实施例中Q取值为0.2；O表示设定整数，O>1，本实施例中O取值为3；结果如图2所示。
令第1帧图片目标搜索域区域
Figure BDA0001618042970000048
q1表示第1帧图片上目标大小。
1.4令
Figure BDA0001618042970000049
表示第t帧图片目标搜索域区域，
Figure BDA00016180429700000410
表示第2帧图片目标搜索域区域的最优更新次数，qt-1表示第t-1帧图片上目标大小，t∈{2,3,…,T}。
1.5令t的值从2取至T，重复执行1.4，直到得到第T帧图片目标搜索域区域
Figure BDA0001618042970000051
将第2帧图片目标搜索域区域
Figure BDA0001618042970000052
至第T帧图片目标搜索域区域
Figure BDA0001618042970000053
以及第1帧图片目标搜索域区域
Figure BDA0001618042970000054
记为T帧图片目标搜索域区域，然后将t的值初始化为2。
步骤2，提取第t'帧图片目标搜索域区域
Figure BDA0001618042970000055
的特征，具体为对第t'帧图片目标搜索域区域
Figure BDA0001618042970000056
进行方向梯度直方图(HOG)特征提取，1≤t′≤T，t'的初始值为1。
HOG特征的提取过程如图3所示；首先，对第t'帧图片目标搜索域区域
Figure BDA0001618042970000057
进行灰度化，得到灰度化后第t'帧图片目标搜索域区域；然后采用Gamma校正法对灰度化后第t'帧图片目标搜索域区域进行颜色空间的标准化，目的是调节灰度化后第t帧图片目标搜索域区域的对比度，降低灰度化后第t'帧图片目标搜索域区域局部的阴影和光照变化所造成的影响，同时抑制噪音的干扰，进而得到Gamma校正法后第t'帧图片目标搜索域区域，所述Gamma校正法后第t'帧图片目标搜索域区域中包括A×B个像素，A表示Gamma校正法后第t'帧图片目标搜索域区域的高，B表示Gamma校正法后第t'帧图片目标搜索域区域的宽；再计算Gamma校正法后第t'帧图片目标搜索域区域中A×B个像素的梯度，得到A×B个像素的梯度值，得到A×B个像素的梯度值主要是为了捕获轮廓信息，同时进一步弱化光照的干扰；A、B分别为大于0的正整数。
接着，将Gamma校正法后第t'帧图片目标搜索域区域中每C×C个像素分别作为一个单元cell，进而得到E个单元cell，
Figure BDA0001618042970000058
表示向下取整，本实施例中C取值为6；确定每个单元cell包含H个梯度方向，本实施例中H取值为8；将每个单元cell的H个梯度方向分别记为对应单元cell的梯度直方图，进而得到E个单元cell的梯度直方图，每个单元cell的梯度直方图都为H×1维；将E个单元cell的梯度直方图作为E个单元cell的特征描述符；C、H分别为大于0的正整数。
将E个单元cell中每D×D个单元cell分别组成一个块block，本实施例中D取值为2；进而得到F个块block，
Figure BDA0001618042970000059
表示向下取整；将每个块block内D×D个单元cell的特征描述符分别依次串接起来，进而得到F个块block的HOG特征描述符，所述F个块block的HOG特征描述符都为H×D维；最后将F个块block的HOG特征描述符依次串接起来，得到第t'帧图片的HOG特征描述符，所述第t'帧图片的HOG特征描述符为H×D×F维；将第t'帧图片的HOG特征描述符按照块block个数维依次串接，形成H×D维矩阵，所述H×D维矩阵为第t'帧图片目标搜索域区域
Figure BDA0001618042970000061
的HOG特征向量fHOG,t'，所述第t'帧图片目标搜索域区域
Figure BDA0001618042970000062
的HOG特征向量fHOG,t'是可供分类使用特征向量；D、F分别为大于0的正整数。
步骤3，令t'的值分别取1至T，重复步骤2，进而分别得到第1帧图片目标搜索域区域
Figure BDA0001618042970000063
的HOG特征向量fHOG,1至第T帧图片目标搜索域区域
Figure BDA0001618042970000064
的HOG特征向量fHOG,T。
步骤4，获取相关滤波器。
确定相关滤波器，并将第t帧图片目标搜索域区域
Figure BDA0001618042970000065
的HOG特征向量fHOG,t作为相关滤波器的输入，计算第t帧图片目标搜索域区域
Figure BDA0001618042970000066
的最优HOG拟合代价系数
Figure BDA0001618042970000067
进而得到计算第t帧图片目标搜索域区域
Figure BDA0001618042970000068
的HOG系数矩阵aHOG,t，然后根据第t帧图片目标搜索域区域
Figure BDA0001618042970000069
的HOG系数矩阵aHOG,t，计算第t帧图片的HOG特征响应矩阵
Figure BDA00016180429700000610
Figure BDA00016180429700000611
即为相关滤波器的输出；其具体过程如下所述：
令yt-1表示第t-1帧图片上目标大小qt-1的二维高斯分布矩阵，大小为Mt-1×Nt-1；第1帧图片上目标大小q1的二维高斯分布矩阵大小至第T-1帧图片上目标大小qT-1的二维高斯分布矩阵大小取值分别相等；令yt-1(m,n)表示二维高斯分布矩阵yt-1上坐标(m,n)处的值，0≤m≤Mt-1，0≤n≤Nt-1，则yt-1(m,n)的计算公式为：
Figure BDA00016180429700000612
其中，wt-1表示第t-1帧图片上目标大小qt-1的宽，ht-1表示第t-1帧图片上目标大小qt-1的高，exp表示指数函数。
计算得到第t帧图片目标搜索域区域
Figure BDA00016180429700000613
的最优HOG拟合代价系数
Figure BDA00016180429700000614
Figure BDA00016180429700000615
其中，将满足
Figure BDA00016180429700000616
时对应的值，记为第t帧图片目标搜索域区域
Figure BDA0001618042970000071
的HOG拟合代价系数ωHOG,t；ε表示第一设定常数，本实施例中ε取值0.01；φ(xm,n)表示
Figure BDA0001618042970000072
的核函数，
Figure BDA0001618042970000073
表示第t帧图片目标搜索域区域
Figure BDA0001618042970000074
的HOG特征向量fHOG,t中坐标(m1,n1)处的值，0≤m1≤H，0≤n1≤D；yt-1(m,n)表示二维高斯分布矩阵yt-1上坐标(m,n)处的值，0≤m≤Mt-1，0≤n≤Nt-1，Mt-1表示二维高斯分布矩阵yt-1的行数，Nt-1表示二维高斯分布矩阵yt-1的列数；λ表示固定的二维高斯分布矩阵，大小为M×N，其中心点大小为0.0001，从中心点往各个方向数值逐渐减小，第一行与最后一行、第一列与最后一列的数值均为零；将固定的二维高斯分布矩阵λ上坐标(m2,n2)处的值记为λ(m2,n2)，其表达式为：
λ(m2,n2)＝exp(-((m2-M/2)2+(n2-N/2)2)/σ2) (6)
其中，0≤m2≤M，0≤n2≤N，σ表示第二常数，本实施例中σ取值为1.956。
设定第t帧图片目标搜索域区域
Figure BDA0001618042970000075
的HOG系数矩阵为aHOG,t，aHOG,t为Rt×Qt维，Rt与H取值相等，Qt与D取值相等。
第t帧图片目标搜索域区域
Figure BDA0001618042970000076
的HOG拟合代价系数ωHOG,t可以通过快速傅里叶变化FFT加快计算，
Figure BDA0001618042970000077
其中，aHOG,t(m2,n2)表示第t帧图片目标搜索域区域
Figure BDA0001618042970000078
的HOG系数矩阵aHOG,t中坐标(m2,n2)处的值，0≤m2≤Rt，0≤n2≤Qt；φ(m3,n3)表示第t帧图片目标搜索域区域
Figure BDA0001618042970000079
的HOG系数矩阵aHOG,t中坐标(m3,n3)的核函数，0≤m3≤Rt，0≤n3≤Qt，m2与m3对应，n2与n3对应。
对第t帧图片目标搜索域区域
Figure BDA00016180429700000710
的HOG系数矩阵aHOG,t进行快速傅里叶变换FFT：
Figure BDA00016180429700000711
其中，F(yt-1)表示对第t-1帧图片上目标大小qt-1的二维高斯分布矩阵yt-1做快速傅里叶变换FFT，φ(fHOG,t-1)表示第t-1帧图片目标搜索域区域
Figure BDA00016180429700000712
的HOG特征向量fHOG,t-1的核函数，F(φ(fHOG,t-1)×φ(fHOG,t-1))表示对两个相乘后的核函数做快速傅里叶变换FFT；λ表示固定的二维高斯分布矩阵，大小为M×N；F(aHOG,t)表示对第t帧图片目标搜索域区域
Figure BDA0001618042970000081
的HOG系数矩阵aHOG,t做快速傅里叶变换FFT。
只要将F(aHOG,t)做逆快速傅里叶变换IFFT就可得到第t帧图片目标搜索域区域
Figure BDA0001618042970000082
的HOG系数矩阵aHOG,t。
再运用如下公式求得第t帧图片的HOG特征响应矩阵
Figure BDA0001618042970000083
Figure BDA0001618042970000084
其中，
Figure BDA0001618042970000085
表示第t帧图片的目标模板，
Figure BDA0001618042970000086
qg表示第g帧图片上的目标大小；
Figure BDA0001618042970000087
表示第t帧图片目标搜索域区域
Figure BDA0001618042970000088
的核函数，
Figure BDA0001618042970000089
表示第t帧图片的目标模板
Figure BDA00016180429700000810
的核函数，
Figure BDA00016180429700000811
表示对
Figure BDA00016180429700000812
和
Figure BDA00016180429700000813
相乘后的结果进行快速傅里叶变换FFT，⊙表示点乘，
Figure BDA00016180429700000814
表示对
Figure BDA00016180429700000815
做逆快速傅立叶变换。
找到第t帧图片的HOG特征响应矩阵
Figure BDA00016180429700000816
中的最大值，记为第t帧图片的HOG特征响应矩阵
Figure BDA00016180429700000817
中的最大值YHOG,t。
步骤5，目标的再检测阶段。
通过HOG特征提取最终得到了第t帧图片的HOG特征响应矩阵
Figure BDA00016180429700000818
中的最大值YHOG,t。
设定一个常量阈值
Figure BDA00016180429700000819
本实施例中
Figure BDA00016180429700000820
取0.85；设定一个可以存放V个矩阵大小的数组ah，其中每一个矩阵都和第t帧图片目标搜索域区域
Figure BDA00016180429700000821
的HOG系数矩阵aHOG,t大小一样；数组ah的大小为H×D×V，4≤V≤6；当V小于4时，无法得到好的检测效果；当V大于6时，检测的速度会使算法的速度大幅降低；数组ah中的V个矩阵依次记为αah1,αah2,…,αahV。
当t取2至V+1时，将第2帧图片目标搜索域区域
Figure BDA00016180429700000822
的HOG系数矩阵aHOG,2至第V+1帧图片目标搜索域区域
Figure BDA0001618042970000091
的HOG系数矩阵aHOG,V+1分别对应作为数组ah中的V个矩阵，数组ah中的第1个矩阵αah1为第2帧图片目标搜索域区域
Figure BDA0001618042970000092
的HOG系数矩阵aHOG,2，数组ah中的第2个矩阵αah2为第3帧图片目标搜索域区域
Figure BDA0001618042970000093
的HOG系数矩阵aHOG,3，数组ah中的第V个矩阵αahV为第V+1帧图片目标搜索域区域
Figure BDA0001618042970000094
的HOG系数矩阵aHOG,V+1；将第t帧图片的HOG特征响应矩阵
Figure BDA0001618042970000095
中的最大值YHOG,t所在位置作为第t帧图片的目标中心点
Figure BDA0001618042970000096
当t≥V+2时，比较第t帧图片的HOG特征响应矩阵
Figure BDA0001618042970000097
中的最大值YHOG,t与阈值
Figure BDA0001618042970000098
的大小，若
Figure BDA0001618042970000099
则将第t帧图片的HOG特征响应矩阵
Figure BDA00016180429700000910
中的最大值YHOG,t所在位置作为第t帧图片的目标中心点
Figure BDA00016180429700000911
并将第t帧图片目标搜索域区域
Figure BDA00016180429700000912
的HOG系数矩阵aHOG,t与数组ah中的第γ个矩阵αahγ进行替换，2≤γ≤V，γ的初始值为2，令γ的值加1；当γ取值为V时，替换后γ的值变为2；其中，数组ah中的第1个矩阵αah1不会被替换。
若
Figure BDA00016180429700000913
则利用式(8)的公式，将数组ah中的V个矩阵分别代入式(9)中计算得到V个响应矩阵，其中第u个响应矩阵为
Figure BDA00016180429700000914
其表达式为：
Figure BDA00016180429700000915
其中，
Figure BDA00016180429700000916
表示第t帧图片的目标模板，
Figure BDA00016180429700000917
qg表示第g帧图片上的目标大小；
Figure BDA00016180429700000918
表示第t帧图片目标搜索域区域
Figure BDA00016180429700000919
的核函数，
Figure BDA00016180429700000920
表示第t帧图片的目标模板
Figure BDA00016180429700000921
的核函数，
Figure BDA00016180429700000922
表示对
Figure BDA00016180429700000923
和
Figure BDA00016180429700000924
相乘后的结果进行快速傅里叶变换FFT，⊙表示点乘，
Figure BDA00016180429700000925
表示对
Figure BDA00016180429700000926
做逆快速傅立叶变换，F(aahu)表示对数组ah中的第u个矩阵αahu进行快速傅里叶变换FFT，1≤u≤V，V表示设定正整数，4≤V≤6。
然后分别找到V个响应矩阵中的最大值，分别记为第1个响应矩阵
Figure BDA00016180429700000927
中的最大值Yah1、第2个响应矩阵
Figure BDA00016180429700000928
中的最大值Yah2、…、第V个响应矩阵
Figure BDA00016180429700000929
中的最大值YahV，比较V个响应矩阵中的最大值，选取其中最大的一个最大值所在位置作为第t帧图片的目标中心点
Figure BDA0001618042970000101
步骤6，令t的值加1，返回步骤4，直到得到第T帧图片的目标中心点
Figure BDA0001618042970000102
后结束跟踪，至此得到了第2帧图片的目标中心点
Figure BDA0001618042970000103
至第T帧图片的目标中心点
Figure BDA0001618042970000104
以及根据第1帧图片上目标位置得到第1帧图片的目标中心点
Figure BDA0001618042970000105
实现了T帧图片中每个目标的实时跟踪。
将一个100帧的视频作为输入的跟踪效果展示，原算法整个跟踪过程如图4a至图4d所示，优化后算法的整个跟踪过程如图5a至图5d所示；4a是使用传统算法后视频的第1帧图片示意图，在图4a上选取了想要跟踪的目标，在本视频中目标为一头鹿；图4b是使用传统算法后视频的第25帧图片示意图，鹿在河中奔跑，在25帧之前，原算法效果很好，但是25帧图片中明显看到跟踪鹿的目标中心点有所偏移；图4c是使用传统算法后视频的第29帧图片示意图，鹿仍在河中奔跑，原算法已经丢失目标；图4d是使用传统算法后视频的第38帧图片示意图，鹿仍在河中奔跑，原算法找回了目标鹿，并在接下去的视频中一直跟踪着这头鹿。
图5a是使用本发明方法后视频的第1帧图片示意图，在图5a上选取了想要跟踪的目标，在本视频中目标为一头鹿；图5b是使用本发明方法后视频的第25帧图片示意图，鹿在河中奔跑，本发明方法一直跟踪着鹿，目标中心点没有偏移；图5c是使用本发明方法后视频的第29帧图片示意图，鹿仍在河中奔跑，本发明方法仍实时跟踪着目标，没有丢失目标；图5d是使用本发明方法后视频的第38帧图片示意图，鹿仍在河中奔跑，本发明方法依然跟踪着目标，并在接下去的视频中一直跟踪着这头鹿。
通过图4a至图4d与图5a至图5d两组图片的比较，可以清晰地看出传统算法在目标发生快速跳跃时丢失了目标，当目标速度慢下来时才重新找回；本发明方法并没有因为目标的快速运动产生目标偏移或者目标丢失，一直效果良好地跟踪着目标，这就是本发明的优势所在。
比较传统算法和本发明方法可知，传统算法是对一个矩阵的每个数值增加相同数值，与高斯分布有一定差距；本发明方法是对矩阵的不同位置的数值增加不同大小的数值，越靠近中心增加的数值越大，这样增加了算法的鲁棒性；在得到输出矩阵后，对效果不好的输出结果进行再检测处理，得到效果更好的输出结果，防止目标丢失的发生，做到了目标跟踪再检测，解决了相关滤波目标跟踪算法的一个不足之处。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围；这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种基于相关滤波器的目标跟踪检测方法，其特征在于，包括以下步骤：
步骤1，获取一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置已知，剩余T-1帧图片上各自目标位置未知；然后计算T帧图片目标搜索域区域；其中，T为大于或等于2的正整数；
步骤2，对第t′帧图片目标搜索域区域分别进行HOG特征提取，得到第t′帧图片目标搜索域区域的HOG特征向量fHOG，t′；1≤t′≤T，t′的初始值为1；
步骤3，令t′的值分别取1至T，重复步骤2，进而分别得到第1帧图片目标搜索域区域的HOG特征向量fHOG，1至第T帧图片目标搜索域区域的HOG特征向量fHOG，T；
初始化：令t∈{2，3，…，T}，令
Figure FDA0002226855830000011
表示第t帧图片目标搜索域区域，t的初始值为2；设定常量阈值为
Figure FDA0002226855830000012
步骤4，确定相关滤波器，并将第t帧图片目标搜索域区域的HOG特征向量fHOG，t作为相关滤波器的输入，计算第t帧图片的HOG特征响应矩阵
Figure FDA0002226855830000013
即为相关滤波器的输出，进而得到第t帧图片的HOG特征响应矩阵
Figure FDA0002226855830000014
中的最大值；
步骤5，根据第t帧图片的HOG特征响应矩阵
Figure FDA0002226855830000015
中的最大值和常量阈值
Figure FDA0002226855830000016
得到第t帧图片的目标中心点
Figure FDA0002226855830000017
步骤6，令t的值加1，返回步骤4，直到得到第T帧图片的目标中心点
Figure FDA0002226855830000018
后结束跟踪，至此得到了第2帧图片的目标中心点
Figure FDA0002226855830000019
至第T帧图片的目标中心点
Figure FDA00022268558300000110
以及根据第1帧图片上目标位置得到第1帧图片的目标中心点
Figure FDA00022268558300000111
实现了T帧图片中每个目标的实时跟踪；
其中，在步骤1中，计算T帧图片目标搜索域区域，其过程为：
1.1计算得到第1帧图片上目标的熵E(q1)与第2帧图片上第k-1次更新后目标搜索域区域的熵E(sk-1)之间的比R(k-1)，其表达式为：
R(k-1)＝E(q1)/E(sk-1)
其中，
Figure FDA00022268558300000112
1≤k≤K，K为设定的搜索域更新次数最大值；k的初始值为1，sk-1表示第2帧图片上第k-1次更新后目标搜索域区域，pk-1，2，l表示第2帧图片内灰度值l在sk-1中出现的概率，log2表示底数为2的对数，b2表示第2帧图片中的灰度值最大值；
Figure FDA0002226855830000021
p1i表示第1帧图片内灰度值i在q1中出现的概率，b1表示第1帧图片中的灰度值最大值，q1表示第1帧图片上目标大小；
1.2令k的值加1，且令sk-1＝sk-2-Q，返回1.1，直到得到第1帧图片上目标的熵E(q1)与第2帧图片上第k-1次更新后搜索域的熵E(sk-1)之间的比R(k-1)或者sk-1＝1.2q1时停止更新，将停止更新时对应的第1帧图片上目标的熵与第2帧图片上第k-1次更新后搜索域的熵之间的比，记为第1帧图片上目标的熵E(q1)与第2帧图片上第k′次更新后搜索域的熵E(sk′)之间的比R(k′)，1≤k′≤K，k′表示停止更新时对应的更新次数；其中，Q为设定常数，0＜Q＜1；
1.3根据第1帧图片上目标的熵E(q1)与第2帧图片上第k′次更新后目标搜索域区域的熵E(sk′)之间的比R(k′)，并通过如下公式得到第2帧图片上的最优目标搜索域区域，记为第2帧图片目标搜索域区域
Figure FDA0002226855830000022
Figure FDA0002226855830000023
Figure FDA0002226855830000024
其中，
Figure FDA0002226855830000025
表示
Figure FDA0002226855830000026
取最小时对应的j值，R(j-1)表示第1帧图片上目标的熵E(q1)与第2帧图片上第j-1次更新后目标搜索域区域的熵E(sj-1)之间的比，
Figure FDA0002226855830000027
表示第2帧图片目标搜索域区域的最优更新次数，Q为设定常数，0＜Q＜1；令第1帧图片目标搜索域区域
Figure FDA0002226855830000028
Figure FDA0002226855830000029
O表示设定整数，O＞1；
1.4令
Figure FDA00022268558300000210
表示第t帧图片目标搜索域区域，
Figure FDA00022268558300000211
qt-1表示第t-1帧图片上目标大小，t∈{2，3，…，T}；
1.5令t的值从2取至T，重复执行1.4，直到得到第T帧图片目标搜索域区域
Figure FDA00022268558300000212
将第2帧图片目标搜索域区域
Figure FDA0002226855830000031
至第T帧图片目标搜索域区域
Figure FDA0002226855830000032
以及第1帧图片目标搜索域区域
Figure FDA0002226855830000033
记为T帧图片目标搜索域区域，然后将t的值初始化为2；
在步骤2中，所述第t′帧图片目标搜索域区域的HOG特征向量，其得到过程为：
2.1对第t′帧图片目标搜索域区域
Figure FDA0002226855830000034
进行灰度化，得到灰度化后第t′帧图片目标搜索域区域；然后采用Gamma校正法对灰度化后第t′帧图片目标搜索域区域进行颜色空间的标准化，进而得到Gamma校正法后第t′帧图片目标搜索域区域，所述Gamma校正法后第t′帧图片目标搜索域区域中包括A×B个像素，A表示Gamma校正法后第t′帧图片目标搜索域区域的高，B表示Gamma校正法后第t′帧图片目标搜索域区域的宽；再计算Gamma校正法后第t′帧图片目标搜索域区域中A×B个像素的梯度，得到A×B个像素的梯度值；A、B分别为大于0的正整数；
2.2将Gamma校正法后第t′帧图片目标搜索域区域中每C×C个像素分别作为一个单元cell，进而得到月个单元cell，
Figure FDA0002226855830000035
Figure FDA0002226855830000036
表示向下取整；确定每个单元cell包含H个梯度方向；将每个单元cell的H个梯度方向分别记为对应单元cell的梯度直方图，进而得到月个单元cell的梯度直方图，每个单元cell的梯度直方图都为H×1维；将月个单元cell的梯度直方图作为月个单元cell的特征描述符；C、H分别为大于0的正整数；
2.3将月个单元cell中每D×D个单元cell分别组成一个块block，进而得到F个块block，
Figure FDA0002226855830000037
Figure FDA0002226855830000038
表示向下取整；将每个块block内D×D个单元cell的特征描述符分别依次串接起来，进而得到F个块block的HOG特征描述符，所述F个块block的HOG特征描述符都为H×D维；D、F分别为大于0的正整数；
将F个块block的HOG特征描述符依次串接起来，得到第t′帧图片的HOG特征描述符，所述第t′帧图片的HOG特征描述符为H×D×F维；将第t′帧图片的HOG特征描述符按照块block个数维依次串接，形成H×D维矩阵，所述H×D维矩阵为第t′帧图片目标搜索域区域
Figure FDA0002226855830000039
的HOG特征向量fHOG，t′；
在步骤4中，所述第t帧图片的HOG特征响应矩阵
Figure FDA00022268558300000310
以及所述第t帧图片的HOG特征响应矩阵
Figure FDA00022268558300000311
中的最大值，其得到过程为：
4.1令yt-1表示第t-1帧图片上目标大小qt-1的二维高斯分布矩阵，大小为Mt-1×Nt-1；第1帧图片上目标大小q1的二维高斯分布矩阵大小至第T-1帧图片上目标大小qT-1的二维高斯分布矩阵大小取值分别相等；令yt-1(m，n)表示二维高斯分布矩阵yt-1上坐标(m，n)处的值，0≤m≤Mt-1，0≤n≤Nt-1，则yt-1(m，n)的计算公式为：
yt-1(m，n)＝exp(-((m-Mt-1/2)2+(n-Nt-1/2)2)/σt-1 2)，
Figure FDA0002226855830000041
其中，wt-1表示第t-1帧图片上目标大小qt-1的宽，ht-1表示第t-1帧图片上目标大小qt-1的高，exp表示指数函数；
计算得到第t帧图片目标搜索域区域
Figure FDA0002226855830000042
的最优HOG拟合代价系数
Figure FDA0002226855830000043
Figure FDA0002226855830000044
其中，将满足
Figure FDA0002226855830000045
时对应的值，记为第t帧图片目标搜索域区域
Figure FDA0002226855830000046
的HOG拟合代价系数ωHOG，t；ε表示第一设定常数，
Figure FDA0002226855830000047
表示
Figure FDA0002226855830000048
的核函数，
Figure FDA0002226855830000049
表示第t帧图片目标搜索域区域
Figure FDA00022268558300000410
的HOG特征向量fHOG，t中坐标(m1，n1)处的值，0≤m1≤H，0≤n1≤D；yt-1(m，n)表示二维高斯分布矩阵yt-1上坐标(m，n)处的值，0≤m≤Mt-1，0≤n≤Nt-1，Mt-1表示二维高斯分布矩阵yt-1的行数，Nt-1表示二维高斯分布矩阵yt-1的列数；λ表示固定的二维高斯分布矩阵，大小为M×N，其中心点大小为0.0001，从中心点往各个方向数值逐渐减小，第一行与最后一行、第一列与最后一列的数值均为零；将固定的二维高斯分布矩阵λ上坐标(m2，n2)处的值记为λ(m2，n2)，其表达式为：
λ(m2，n2)＝exp(-((m2-M/2)2+(n2-N/2)2)/σ2)
其中，0≤m2≤M，0≤n2≤N，σ表示第二常数；
4.2设定第t帧图片目标搜索域区域
Figure FDA00022268558300000411
的HOG系数矩阵为aHOG，t，aHOG，t为Rt×Qt维，Rt与H取值相等，Qt与D取值相等；
对第t帧图片目标搜索域区域
Figure FDA00022268558300000412
的HOG系数矩阵aHOG，t进行快速傅里叶变换：
Figure FDA00022268558300000413
其中，F(yt-1)表示对第t-1帧图片上目标大小qt-1的二维高斯分布矩阵yt-1做快速傅里叶变换，φ(fHOG，t-1)表示第t-1帧图片目标搜索域区域
Figure FDA0002226855830000051
的HOG特征向量fHOG，t-1的核函数，F(φ(fHOG，t-1)×φ(fHOG，t-1))表示对两个相乘后的核函数做快速傅里叶变换FFT；λ表示固定的二维高斯分布矩阵，大小为M×N；F(aHOG，t)表示对第t帧图片目标搜索域区域
Figure FDA0002226855830000052
的HOG系数矩阵aHOG，t做快速傅里叶变换；
将F(aHOG，t)做逆快速傅里叶变换，得到第t帧图片目标搜索域区域
Figure FDA0002226855830000053
的HOG系数矩阵aHOG，t；
4.3分别计算第t帧图片的HOG特征响应矩阵
Figure FDA0002226855830000054
Figure FDA0002226855830000055
其中，
Figure FDA0002226855830000056
表示第t帧图片的目标模板，
Figure FDA0002226855830000057
qg表示第g帧图片上的目标大小；
Figure FDA0002226855830000058
表示第t帧图片目标搜索域区域
Figure FDA0002226855830000059
的核函数，
Figure FDA00022268558300000510
表示第t帧图片的目标模板
Figure FDA00022268558300000511
的核函数，
Figure FDA00022268558300000512
表示对
Figure FDA00022268558300000513
和
Figure FDA00022268558300000514
相乘后的结果进行快速傅里叶变换FFT，⊙表示点乘，
Figure FDA00022268558300000515
表示对
Figure FDA00022268558300000516
做逆快速傅立叶变换；
4.5找到第t帧图片的HOG特征响应矩阵
Figure FDA00022268558300000517
中的最大值，记为第t帧图片的HOG特征响应矩阵
Figure FDA00022268558300000518
中的最大值YHOG，t。
2.如权利要求1所述的一种基于相关滤波器的目标跟踪检测方法，其特征在于，在步骤5中，所述第t帧图片的目标中心点
Figure FDA00022268558300000519
其得到过程为：
设定一个可以存放V个矩阵大小的数组ah，其中每一个矩阵都和第t帧图片目标搜索域区域
Figure FDA00022268558300000520
的HOG系数矩阵aHOG，t大小一样；数组ah的大小为H×D×V，4≤V≤6；数组ah中的V个矩阵依次记为αah1，αah2，…，αahV；
当t取2至V+1时，将第2帧图片目标搜索域区域
Figure FDA00022268558300000521
的HOG系数矩阵aHOG，2至第V+1帧图片目标搜索域区域
Figure FDA00022268558300000522
的HOG系数矩阵aHOG，V+1分别对应作为数组ah中的V个矩阵，数组ah中的第1个矩阵αah1为第2帧图片目标搜索域区域
Figure FDA0002226855830000061
的HOG系数矩阵aHOG，2，数组ah中的第2个矩阵αah2为第3帧图片目标搜索域区域
Figure FDA0002226855830000062
的HOG系数矩阵aHOG，3，数组ah中的第V个矩阵αahV为第V+1帧图片目标搜索域区域
Figure FDA0002226855830000063
的HOG系数矩阵aHOG，V+1；将第t帧图片的HOG特征响应矩阵
Figure FDA0002226855830000064
中的最大值YHOG，t所在位置作为第t帧图片的目标中心点
Figure FDA0002226855830000065
当t≥V+2时，比较第t帧图片的HOG特征响应矩阵
Figure FDA0002226855830000066
中的最大值YHOG，t与阈值
Figure FDA0002226855830000067
的大小，若
Figure FDA0002226855830000068
则将第t帧图片的HOG特征响应矩阵
Figure FDA0002226855830000069
中的最大值YHOG，t所在位置作为第t帧图片的目标中心点
Figure FDA00022268558300000610
并将第t帧图片目标搜索域区域
Figure FDA00022268558300000611
的HOG系数矩阵aHOG，t与数组ah中的第γ个矩阵αahγ进行替换，2≤γ≤V，γ的初始值为2，令γ的值加1；当γ取值为V时，替换后γ的值变为2；其中，数组ah中的第1个矩阵αah1不会被替换；
若
Figure FDA00022268558300000612
则计算得到V个响应矩阵，其中第u个响应矩阵为
Figure FDA00022268558300000613
其表达式为：
Figure FDA00022268558300000614
其中，
Figure FDA00022268558300000615
表示第t帧图片的目标模板，
Figure FDA00022268558300000616
qg表示第g帧图片上的目标大小；
Figure FDA00022268558300000617
表示第t帧图片目标搜索域区域
Figure FDA00022268558300000618
的核函数，
Figure FDA00022268558300000619
表示第t帧图片的目标模板
Figure FDA00022268558300000620
的核函数，
Figure FDA00022268558300000621
表示对
Figure FDA00022268558300000622
和
Figure FDA00022268558300000623
相乘后的结果进行快速傅里叶变换，⊙表示点乘，
Figure FDA00022268558300000624
表示对
Figure FDA00022268558300000625
做逆快速傅立叶变换，F(aahu)表示对数组ah中的第u个矩阵αahu进行快速傅里叶变换，1≤u≤V，V表示设定正整数，4≤V≤6；
然后分别找到V个响应矩阵中的最大值，分别记为第1个响应矩阵
Figure FDA00022268558300000626
中的最大值Yah1、第2个响应矩阵
Figure FDA00022268558300000627
中的最大值Yah2、…、第V个响应矩阵
Figure FDA00022268558300000628
中的最大值YahV，比较V个响应矩阵中的最大值，选取其中最大的一个最大值所在位置作为第t帧图片的目标中心点
Figure FDA00022268558300000629
CN201810292983.9A 2018-03-30 2018-03-30 一种基于相关滤波器的目标跟踪检测方法 Active CN108596048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810292983.9A CN108596048B (zh) 2018-03-30 2018-03-30 一种基于相关滤波器的目标跟踪检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810292983.9A CN108596048B (zh) 2018-03-30 2018-03-30 一种基于相关滤波器的目标跟踪检测方法

Publications (2)

Publication Number Publication Date
CN108596048A CN108596048A (zh) 2018-09-28
CN108596048B true CN108596048B (zh) 2020-05-19

Family

ID=63624315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810292983.9A Active CN108596048B (zh) 2018-03-30 2018-03-30 一种基于相关滤波器的目标跟踪检测方法

Country Status (1)

Country Link
CN (1) CN108596048B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066085B (zh) * 2021-04-26 2023-05-30 华侨大学 一种目标实时视频测速方法、装置、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544502A (zh) * 2013-10-29 2014-01-29 上海市城市建设设计研究总院 基于svm的高分辨率遥感影像船只提取方法
CN104112279A (zh) * 2013-04-19 2014-10-22 浙江大华技术股份有限公司 一种目标检测方法及装置
CN104299243A (zh) * 2014-09-28 2015-01-21 南京邮电大学 一种基于霍夫森林的目标跟踪方法
CN106570486A (zh) * 2016-11-09 2017-04-19 华南理工大学 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法
CN107146240A (zh) * 2017-05-05 2017-09-08 西北工业大学 基于相关滤波和显著性检测的航拍视频目标跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112279A (zh) * 2013-04-19 2014-10-22 浙江大华技术股份有限公司 一种目标检测方法及装置
CN103544502A (zh) * 2013-10-29 2014-01-29 上海市城市建设设计研究总院 基于svm的高分辨率遥感影像船只提取方法
CN104299243A (zh) * 2014-09-28 2015-01-21 南京邮电大学 一种基于霍夫森林的目标跟踪方法
CN106570486A (zh) * 2016-11-09 2017-04-19 华南理工大学 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法
CN107146240A (zh) * 2017-05-05 2017-09-08 西北工业大学 基于相关滤波和显著性检测的航拍视频目标跟踪方法

Also Published As

Publication number Publication date
CN108596048A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
Wang et al. Detect globally, refine locally: A novel approach to saliency detection
Shen et al. Detection of stored-grain insects using deep learning
CN108346159B (zh) 一种基于跟踪-学习-检测的视觉目标跟踪方法
CN108229381B (zh) 人脸图像生成方法、装置、存储介质和计算机设备
CN108038435B (zh) 一种基于卷积神经网络的特征提取与目标跟踪方法
CN107862680B (zh) 一种基于相关滤波器的目标跟踪优化方法
CN112184752A (zh) 一种基于金字塔卷积的视频目标跟踪方法
CN112418074A (zh) 一种基于自注意力的耦合姿态人脸识别方法
CN108921877B (zh) 一种基于宽度学习的长期目标跟踪方法
CN107609571B (zh) 一种基于lark特征的自适应目标跟踪方法
CN112257738A (zh) 机器学习模型的训练方法、装置和图像的分类方法、装置
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN113870157A (zh) 一种基于CycleGAN的SAR图像合成方法
CN111310609A (zh) 基于时序信息和局部特征相似性的视频目标检测方法
CN110135435B (zh) 一种基于广度学习系统的显著性检测方法及装置
CN108596048B (zh) 一种基于相关滤波器的目标跟踪检测方法
CN115862119B (zh) 基于注意力机制的人脸年龄估计方法及装置
CN114529742A (zh) 图像相似度确定方法、装置、设备及计算机可读存储介质
CN111539396A (zh) 一种基于yolov3的行人检测及步态识别的方法
CN106846366B (zh) 使用gpu硬件的tld视频运动目标跟踪方法
Wu et al. Exploiting superpixel and hybrid hash for kernel-based visual tracking
CN115294424A (zh) 一种基于生成对抗网络的样本数据增强方法
Belikov et al. Goodpoint: Unsupervised learning of key point detection and description
Asad et al. Low complexity hybrid holistic–landmark based approach for face recognition
CN114022510A (zh) 一种基于内容检索的目标长时跟踪方法

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