CN108734139A - 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 - Google Patents

基于特征融合及svd自适应模型更新的相关滤波跟踪方法 Download PDF

Info

Publication number
CN108734139A
CN108734139A CN201810509437.6A CN201810509437A CN108734139A CN 108734139 A CN108734139 A CN 108734139A CN 201810509437 A CN201810509437 A CN 201810509437A CN 108734139 A CN108734139 A CN 108734139A
Authority
CN
China
Prior art keywords
tracking
target
image
feature
video
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
Application number
CN201810509437.6A
Other languages
English (en)
Other versions
CN108734139B (zh
Inventor
刘威
周璇
郭旭颖
周定宁
黄敏
成秘
付杰
王薪予
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.)
Liaoning Technical University
Original Assignee
Liaoning Technical 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 Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN201810509437.6A priority Critical patent/CN108734139B/zh
Publication of CN108734139A publication Critical patent/CN108734139A/zh
Application granted granted Critical
Publication of CN108734139B publication Critical patent/CN108734139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，涉及目标跟踪技术领域。基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，在特征提取阶段将边缘特征及HOG特征加权融合作为目标特征，加强对边缘特征的学习；在模型更新阶段，首先计算预测区域与真实区域的奇异值特征向量，进而通过计算奇异值特征向量的相似度，并结合设定的阈值判断是否需要进行模型更新。本发明提供的基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，加强了对边缘特征的学习，避免了每一帧都更新模型造成的计算频繁，降低了错误更新的概率，更好的适应了背景干扰及目标遮挡等问题。

Description

基于特征融合及SVD自适应模型更新的相关滤波跟踪方法
技术领域
本发明涉及目标跟踪技术领域，尤其涉及一种基于特征融合及SVD自适应模型更新的相关滤波跟踪方法。
背景技术
人类可以通过视觉、听觉语言与外部世界交换信息，自从1946年电子计算机的诞生以来，人类一直在思考机器是否能有类似于人一样的智能。随着信息时代的高速迅猛发展，越来越多的智能问题，如无人驾驶汽车、医学影像的识别和理解、视频理解等，相继被解决，主要依靠的是视频、影音、语义等大量非结构化、多维度甚至非常完备的大数据的使用。如何利用机器学习、人工智能等新技术手段及时发掘其潜在隐藏信息并有效指导工业生产、实时监控等现实问题均具有重要的现实意义与实用价值。
计算机视觉通过计算机及相关设备对生物视觉进行模拟，视觉感官由各种成像系统代替，并作为输入手段，大脑则由计算机代替完成处理和解释。计算机视觉是一门融合了模式识别、信号处理、统计学等学科领域的研究方法与成果的综合性学科，同时也是各个领域中不可分割的一部分，如辅助医疗、制造业、文档分析和军事等领域。目标跟踪(ObjectTracking)是计算机视觉领域重要的研究方向，综合了图像分析与处理、自动化控制、模式识别与人工智能、计算机辅助等跨学科多专业的交叉研究领域。其主要目的是模仿生理视觉系统的运动感知功能，通过对摄像头捕捉到的图像序列进行分析，构建视频帧间动态运动目标的轨迹模型以实现动态目标的实时监测与跟踪，随着硬件处理器的处理速度不断提升，以及计算机视觉理论的迅猛发展，目标跟踪技术这几年在智能交通、视觉导航、机器人、视频监控等方面有极为广泛应用。
首次将相关滤波用在了目标跟踪领域的是MOSSE算法，是David S.Bolme于2010年提出，MOSSE滤波器根据卷积定理，将两个图像块的空间卷积操作(在不同的平移图像块间则是点积)变换成傅立叶域中相应变换的乘积，大大降低了目标跟踪算法的计算量。基于MOSSE滤波器的目标跟踪算法，利用快速傅立叶变换(Fast Fourier Transform,FFT)将图像从空间域变换到频率域，采用自适应相关滤波器对目标的表观进行建模，并通过卷积来实现对目标的跟踪。在训练过程中，该方法对第一帧图像中初始化的目标区域进行仿射变换得到8张图像作为训练集，并在此训练集上进行滤波器的训练。在滤波器求解过程中，该方法通过最小化误差平方和来求解得到初始滤波器。在目标跟踪过程中，该方法利用已有的跟踪结果和滤波器，采用加权平均策略对滤波器进行实时更新，从而实现滤波器的自适应。基于MOSSE滤波的目标跟踪对光照、目标尺度、目标姿态的变化以及目标的非刚体形变等都有较好的鲁棒性。对于遮挡问题，该方法采用基于峰值旁瓣比(Peak-to-SidelobeRatio，PRS)的方法进行遮挡检测，当因遮挡而导致目标跟踪失败时则暂停跟踪，而目标再次出现时，则在跟踪暂停的位置继续目标跟踪任务。该方法采用单一的灰度特征，速度达到669fps，远远高于其他算法，但准确度一般。之后在MOSSE算法基础上，针对目标跟踪面对的问题，如遮挡、目标形变、尺度变化、模型更新、模型偏移，提出了不同的改进方法。根据不同方法的特点，基于相关滤波的目标跟踪分为基于模型改进的方法、基于分块模型的方法、基于集成的跟踪方法。
从目前国内外研究成果来看，目标跟踪算法主要针对特定环境提出的特定方案，绝大多数跟踪算法不能适应复杂场景。并且在视频目标跟踪中存在着许多复杂干扰，如目标遮挡、光照、背景干扰、尺度变化等。在存在严重背景干扰及目标遮挡等情况下，目标跟踪容易发生跟踪失败的情况。因此如何实现一个具有准确性、实时性、鲁棒性的视频目标跟踪算法仍是视觉跟踪技术的主要研究方向。
发明内容
针对现有技术的缺陷，本发明提供一种基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，实现对视频图像的目标跟踪。
基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，包括以下步骤：
步骤1、根据给定的视频第一帧图像的目标位置，提取图像的边缘特征Fedge和HOG特征FHOG；
步骤2、根据视频内容设定特征融合参数δ，计算得到融合后的特征值，如下公式所示：
F＝δ*Fedge+(1-δ)*FHOG
其中，δ∈[0,1]，当δ＝0时，表示目标跟踪只使用HOG特征；当δ＝1时，表示目标跟踪只使用边缘特征；
步骤3、利用步骤2得到的融合后的特征值，训练学习相关滤波器；
步骤4、提取视频下一帧图像的目标位置特征，并采用相关滤波器对下一帧图像进行相关滤波操作，得到下一帧图像的目标预测区域；
步骤5、计算下一帧图像的目标预测区域与真实区域的奇异值特征向量的相似度，具体方法为：
步骤5.1、分别对下一帧图像的目标预测区域与真实区域矩阵进行奇异值分解，得到下一帧图像的目标预测区域与真实区域的奇异值特征向量M1和M2；
步骤5.2、利用余弦距离计算奇异值特征向量M1和M2的相似度λ，如下公式所示：
步骤6：根据预测区域与真实区域的奇异值特征向量的相似度与所设定阈值的关系，判断是否更新相关滤波器；若相似度大于所设定的阈值，则更新相关滤波器，同时设置较低的学习率l＝0.025，以保持良好的跟踪；若相似度小于所设定的阈值，则认为预测区域与真实区域相差很大，不更新相关滤波器，同时设置较大的学习率l＝1；
步骤7：重复Step4-Step6对视频图像中所有帧图像进行目标跟踪，直至完成最后一帧图像的目标跟踪。
由上述技术方案可知，本发明的有益效果在于：本发明提供的基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，通过选择边缘特征和HOG特征的线性加权融合结果作为目标特征，加强了对边缘特征的学习；采用基于奇异值特征向量相似度的自适应模型更新策略，避免了每一帧都更新模型造成的计算频繁，降低了错误更新的概率，更好的适应了背景干扰及目标遮挡等问题。
附图说明
图1为本发明实施例提供的基于特征融合及SVD自适应模型更新的相关滤波跟踪方法的流程图；
图2为本发明实施例提供的区域重叠率示意图；
图3为本发明实施例提供的跟踪长度示意图；
图4为本发明实施例提供的采用三种不同算法对三组视频Basketball、David3和Liquor进行跟踪的重叠阈值与重叠面积精度之间的关系图，其中，(a)为三种算法在视频Basketball上进行跟踪的重叠阈值与重叠面积精度之间的关系，(b)为三种算法在视频David3上进行跟踪的重叠阈值与重叠面积精度之间的关系，(c)为三种算法在视频Liquor上进行跟踪的重叠阈值与重叠面积精度之间的关系；
图5为本发明实施例提供的采用三种不同算法对三组视频Basketball、David3和Liquor进行跟踪的误差像素与中心距离精度之间的关系图，其中，(a)为三种算法在视频Basketball上进行跟踪的误差像素与中心距离精度之间的关系，(b)为三种算法在视频David3上进行跟踪的误差像素与中心距离精度之间的关系，(c)为三种算法在视频Liquor上进行跟踪的误差像素与中心距离精度之间的关系；
图6为本发明实施例提供的采用三种不同算法对三组视频Basketball、David3和Liquor进行跟踪的误差像素与跟踪长度之间的关系图，其中，(a)为三种算法在视频Basketball上进行跟踪的误差像素与跟踪长度之间的关系，(b)为三种算法在视频David3上进行跟踪的误差像素与跟踪长度之间的关系，(c)为三种算法在视频Liquor上进行跟踪的误差像素与跟踪长度之间的关系；
图7为本发明实施例提供的在发生严重背景干扰及目标遮挡情况下，采用三种不同算法对三组视频Basketball、David3和Liquor进行跟踪的示意图，其中，(a)为三种算法在视频Basketball上进行跟踪的示意图，(b)为三种算法在视频David3上进行跟踪的示意图，(c)为三种算法在视频Liquor上进行跟踪的示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以视频跟踪标准数据集OTB-50和OTB-100中存在背景干扰问题的18组视频序列为例，使用本发明的基于特征融合及SVD自适应模型更新的相关滤波跟踪方法进行目标跟踪。
基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，如图1所示，包括以下步骤：
基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，包括以下步骤：
步骤1、根据给定的视频第一帧图像的目标位置，提取图像的边缘特征Fedge和HOG特征FHOG；
步骤2、根据视频内容设定特征融合参数δ，计算得到融合后的特征值，如下公式所示：
F＝δ*Fedge+(1-δ)*FHOG
其中，δ∈[0,1]，当δ＝0时，表示目标跟踪只使用HOG特征；当δ＝1时，表示目标跟踪只使用边缘特征；
步骤3、利用步骤2得到的融合后的特征值，训练出相关滤波器，具体方法为：
步骤3.1：设相关滤波器为h，根据卷积定理，空间域的卷积等价于频域中元素间的乘法运算，得到融合后的特征值F和相关滤波器h的期望的相关输出，如下公式所示：
步骤3.2：定义相关滤波器h的期望的相关输出为y，对于目标的新样本F′，相关滤波器h满足如下条件：
步骤3.3：进而得到滤波器
其中，是y的离散傅里叶变换，表示元素间的除法运算；
步骤4、提取视频下一帧图像的目标位置特征，并采用相关滤波器对下一帧图像进行相关滤波操作，得到下一帧图像的目标预测区域；
步骤5、计算下一帧图像的目标预测区域与真实区域的奇异值特征向量的相似度，具体方法为：
步骤5.1、分别对下一帧图像的目标预测区域与真实区域矩阵进行奇异值分解，得到下一帧图像的目标预测区域与真实区域的奇异值特征向量M1和M2；
步骤5.2、利用余弦距离计算奇异值特征向量M1和M2的相似度λ，如下公式所示：
步骤6：根据预测区域与真实区域的奇异值特征向量的相似度与所设定阈值的关系，判断是否更新相关滤波器；若相似度大于所设定的阈值，则更新相关滤波器，同时设置较低的学习率l＝0.025，以保持良好的跟踪；若相似度小于所设定的阈值，则认为预测区域与真实区域相差很大，不更新相关滤波器，同时设置较大的学习率l＝1；
步骤7：重复Step4-Step6对视频图像中所有帧图像进行目标跟踪，直至完成最后一帧图像的目标跟踪。
本实施例中，选取视频跟踪标准数据集OTB-50和OTB-100中存在背景干扰问题的18组视频序列进行目标跟踪，各组视频序列的帧数、目标大小以及存在的问题信息如表1所示。
表1测试视频信息
表1中，OCC表示遮挡，BC表示背景干扰，SV表示尺度变化，IV表示照明变化，MB表示运动模糊。
本实施例中，为了评估本发明方法的性能，采用中心位置误差(center locationerror，即CLE)、区域重叠准确率(region overlap precision，即OP)、距离精度(distanceprecision，即DP)、跟踪速度跟踪速度(frames per second，即FPS)和跟踪长度(trackinglength，即TL)为评价指标；评价指标CLE的值越小，OP、DP、FPS、TL的值越大，说明跟踪效果越好。
各评价指标的定义分别为：
(1)中心误差(center location error，CLE)
中心误差CLE为检测到的目标中心与真实目标中心间的平均欧式距离。
(2)区域重叠准确率(region overlap precision，OP)
区域重叠准确率OP如图2所示，为预测区域与真实区域重叠面积超过一定阈值的视频帧数占视频总帧数的百分比。区域重叠率计算公式如下：
其中，Rt G为目标预测区域面积，Rt T为真实区域面积。
(3)跟踪长度(tracking length，TL)
跟踪长度TL如图3所示，是基于中心误差计算的，定义为从跟踪开始到中心位置误差下降到一定阈值以下的(帧数)长度,。
(4)距离精度(distance precision,DP)
距离精度DP是基于中心位置误差确定的，定义为中心位置误差小于一定阈值的视频帧数占总帧数的百分比。
(5)跟踪速度(frames per second,FPS)
跟踪速度FPS为每秒处理的视频帧数。
本实施例中，共设计三组实验，第一组实验在18组测试视频上对现有的两种算法(基于多维特征的DSST算法、基于HOG特征的SRDCF算法)和本发明方法的跟踪效果进行对比；第二组实验重点测试三种跟踪算法在同时具有背景干扰及目标遮挡问题的视频序列上的跟踪效果；第三组实验对比三种跟踪算法的跟踪速度。
一、跟踪效果对比实验
对18组存在背景干扰的视频进行实验，验证本发明方法和现有的两种相关滤波跟踪算法的跟踪效果。实验中，三种算法均采用固定学习率γ＝0.025，均采用同DSST相同的尺度估计，同时，除本发明方法采用自适应模型更新策略外，其他算法均采用每帧更新策略。实验结果如表1所示。从表中可以看出，本发明方法对18个视频的CLE，DP和OP指标均表现良好，跟踪长度也略优于其他对比算法。本发明方法得到的18组视频的平均中心位置误差CLE为8.91，平均中心距离精度DP为92.92％，平均重叠面积精度OP为81.65％，同其他两种算法表现最优的结果相比，本发明方法的平均中心位置误差CLE减少9.05，平均中心距离精度DP增加12.2％，平均重叠面积精度OP增加4.53％。
表1三种算法在18组视频序列上的跟踪效果
二、背景干扰及目标遮挡下的跟踪实验
对存在严重背景干扰及目标遮挡的三组视频Basketball、David3和Liquor序列进行实验，三组视频的跟踪曲线如图4-图6所示，从图中可以看出，同其他两种算法相比，本发明方法的跟踪效果更好。
对应图4-图6的三组视频的跟踪实验数据如表2所示，从中可以看出，对比的两种算法中SRDCF的效果最好，与SRDCF相比，本发明方法的平均中心误差CLE降低5.79，平均中心距离精度DP提高15.27％，平均重叠面积精度OP提高3.04％。
表2三种算法在3组背景干扰及目标遮挡下的视频上的跟踪结果
遇到严重背景干扰及目标遮挡到遮挡结束时的跟踪结果如图7(a)-(c)所示，从中可以看出，视频Basketball、David3、Liquor分别在第16帧、第80帧、第722帧发生严重遮挡，分别在第32帧、第90帧、第736帧遮挡结束，在遮挡结束时本发明方法和SRDCF都可以准确的继续跟踪目标，DSST发生跟丢或偏移。结果表明，在发生严重背景干扰及目标遮挡情况下本发明方法的跟踪性能更好。
三、跟踪速度对比实验
视频跟踪算法在保证跟踪性能的前提下，同样要考虑跟踪速度的问题，本发明方法同其他为两种对比算法在18组视频序列上的跟踪速度结果如表3所示，从中可以看出，本发明方法相比于DSST算法，特征提取阶段加入边缘特征的融合，模型更新阶段加入区域相似性计算，加大了计算量，速度上有一定下降，但相比于DSST算法的另一个改进算法SRDCF算法，速度提高了一倍；同时相比于两种算法准确率及跟踪的鲁棒性有所提高，因此本发明方法的跟踪速度是可以接受的。
表3三种算法在18组视频上的跟踪速度
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (2)

1.基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，其特征在于：包括以下步骤：
步骤1、根据给定的视频第一帧图像的目标位置，提取图像的边缘特征Fedge和HOG特征FHOG；
步骤2、根据视频内容设定特征融合参数δ，计算得到融合后的特征值，如下公式所示：
F＝δ*Fedge+(1-δ)*FHOG
其中，δ∈[0，1]，当δ＝0时，表示目标跟踪只使用HOG特征；当δ＝1时，表示目标跟踪只使用边缘特征；
步骤3、利用步骤2得到的融合后的特征值，训练学习相关滤波器；
步骤4、提取视频下一帧图像的目标位置特征，并采用相关滤波器对下一帧图像进行相关滤波操作，得到下一帧图像的目标预测区域；
步骤5、计算下一帧图像的目标预测区域与真实区域的奇异值特征向量的相似度；
步骤6：根据预测区域与真实区域的奇异值特征向量的相似度与所设定阈值的关系，判断是否更新相关滤波器；若相似度大于所设定的阈值，则更新相关滤波器，同时设置较低的学习率l＝0.025，以保持良好的跟踪；若相似度小于所设定的阈值，则认为预测区域与真实区域相差很大，不更新相关滤波器，同时设置较大的学习率l＝1；
步骤7：重复Step4-Step6对视频图像中所有帧图像进行目标跟踪，直至完成最后一帧图像的目标跟踪。
2.根据权利要求1所述的基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，其特征在于：所述步骤5的具体方法为：
步骤5.1、分别对下一帧图像的目标预测区域与真实区域矩阵进行奇异值分解，得到下一帧图像的目标预测区域与真实区域的奇异值特征向量M1和M2；
步骤5.2、利用余弦距离计算奇异值特征向量M1和M2的相似度λ，如下公式所示：
CN201810509437.6A 2018-05-24 2018-05-24 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 Active CN108734139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810509437.6A CN108734139B (zh) 2018-05-24 2018-05-24 基于特征融合及svd自适应模型更新的相关滤波跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810509437.6A CN108734139B (zh) 2018-05-24 2018-05-24 基于特征融合及svd自适应模型更新的相关滤波跟踪方法

Publications (2)

Publication Number Publication Date
CN108734139A true CN108734139A (zh) 2018-11-02
CN108734139B CN108734139B (zh) 2021-12-14

Family

ID=63935334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810509437.6A Active CN108734139B (zh) 2018-05-24 2018-05-24 基于特征融合及svd自适应模型更新的相关滤波跟踪方法

Country Status (1)

Country Link
CN (1) CN108734139B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472577A (zh) * 2019-08-15 2019-11-19 江南大学 一种基于自适应相关滤波的长时视频跟踪方法
CN117830659A (zh) * 2023-12-27 2024-04-05 中国人民解放军战略支援部队航天工程大学 结合特征增强与短时记忆的遥感小目标跟踪方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110170768A1 (en) * 2010-01-11 2011-07-14 Tandent Vision Science, Inc. Image segregation system with method for handling textures
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN103714556A (zh) * 2014-01-06 2014-04-09 中国科学院自动化研究所 一种基于金字塔表观模型的运动目标跟踪方法
CN104239872A (zh) * 2014-09-26 2014-12-24 南开大学 异态汉字识别方法
CN104331908A (zh) * 2014-11-19 2015-02-04 天津工业大学 压缩haar特征和运动信息相融合的目标跟踪方法
CN106203368A (zh) * 2016-07-18 2016-12-07 江苏科技大学 一种基于src和svm组合分类器的交通视频车辆识别方法
CN106228138A (zh) * 2016-07-26 2016-12-14 国网重庆市电力公司电力科学研究院 一种融合区域和边缘信息的道路检测算法
CN106599870A (zh) * 2016-12-22 2017-04-26 山东大学 一种基于自适应加权局部特征融合的人脸识别方法
CN106951840A (zh) * 2017-03-09 2017-07-14 北京工业大学 一种人脸特征点检测方法
CN106971176A (zh) * 2017-05-10 2017-07-21 河海大学 基于稀疏表示的红外人体目标跟踪方法
CN107239780A (zh) * 2017-04-29 2017-10-10 安徽慧视金瞳科技有限公司 一种多特征融合的图像匹配方法
US20170364742A1 (en) * 2015-03-02 2017-12-21 Huawei Technologies Co., Ltd. Lip-reading recognition method and apparatus based on projection extreme learning machine
CN107644430A (zh) * 2017-07-27 2018-01-30 孙战里 基于自适应特征融合的目标跟踪
CN107886066A (zh) * 2017-11-07 2018-04-06 中国矿业大学 一种基于改进hog‑sslbp的行人检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110170768A1 (en) * 2010-01-11 2011-07-14 Tandent Vision Science, Inc. Image segregation system with method for handling textures
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN103714556A (zh) * 2014-01-06 2014-04-09 中国科学院自动化研究所 一种基于金字塔表观模型的运动目标跟踪方法
CN104239872A (zh) * 2014-09-26 2014-12-24 南开大学 异态汉字识别方法
CN104331908A (zh) * 2014-11-19 2015-02-04 天津工业大学 压缩haar特征和运动信息相融合的目标跟踪方法
US20170364742A1 (en) * 2015-03-02 2017-12-21 Huawei Technologies Co., Ltd. Lip-reading recognition method and apparatus based on projection extreme learning machine
CN106203368A (zh) * 2016-07-18 2016-12-07 江苏科技大学 一种基于src和svm组合分类器的交通视频车辆识别方法
CN106228138A (zh) * 2016-07-26 2016-12-14 国网重庆市电力公司电力科学研究院 一种融合区域和边缘信息的道路检测算法
CN106599870A (zh) * 2016-12-22 2017-04-26 山东大学 一种基于自适应加权局部特征融合的人脸识别方法
CN106951840A (zh) * 2017-03-09 2017-07-14 北京工业大学 一种人脸特征点检测方法
CN107239780A (zh) * 2017-04-29 2017-10-10 安徽慧视金瞳科技有限公司 一种多特征融合的图像匹配方法
CN106971176A (zh) * 2017-05-10 2017-07-21 河海大学 基于稀疏表示的红外人体目标跟踪方法
CN107644430A (zh) * 2017-07-27 2018-01-30 孙战里 基于自适应特征融合的目标跟踪
CN107886066A (zh) * 2017-11-07 2018-04-06 中国矿业大学 一种基于改进hog‑sslbp的行人检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HULIN KUANG 等: "Combining Region-of-Interest Extraction and Image Enhancement for Nighttime Vehicle Detection", 《IEEE INTELLIGENT SYSTEMS》 *
刘亚辰 等: "融合式空间塔式算子和HIK-SVM的交通标志识别研究", 《交通运输系统工程与信息》 *
刘威 等: "基于特征融合及自适应模型更新的相关滤波目标跟踪算法", 《智能系统学报》 *
王暐 等: "特征融合和模型自适应更新相结合的相关滤波目标跟踪", 《光学精密工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472577A (zh) * 2019-08-15 2019-11-19 江南大学 一种基于自适应相关滤波的长时视频跟踪方法
CN117830659A (zh) * 2023-12-27 2024-04-05 中国人民解放军战略支援部队航天工程大学 结合特征增强与短时记忆的遥感小目标跟踪方法及装置

Also Published As

Publication number Publication date
CN108734139B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN112446270B (zh) 行人再识别网络的训练方法、行人再识别方法和装置
CN110175649B (zh) 一种关于重新检测的快速多尺度估计目标跟踪方法
CN110569723A (zh) 一种结合特征融合与模型更新的目标跟踪方法
CN105069434B (zh) 一种视频中人体动作行为识别方法
CN111582349B (zh) 一种基于YOLOv3和核相关滤波改进的目标跟踪算法
CN107358623A (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算法
CN114565655B (zh) 一种基于金字塔分割注意力的深度估计方法及装置
CN111260738A (zh) 基于相关滤波和自适应特征融合的多尺度目标跟踪方法
CN109859241B (zh) 自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法
CN112734809B (zh) 基于Deep-Sort跟踪框架的在线多行人跟踪方法及装置
CN106210447B (zh) 基于背景特征点匹配的视频稳像方法
CN105976397B (zh) 一种目标跟踪方法
CN103955688A (zh) 一种基于计算机视觉的斑马鱼群检测与跟踪方法
CN113538509B (zh) 基于自适应相关滤波特征融合学习的视觉跟踪方法及装置
CN112036381B (zh) 视觉跟踪方法、视频监控方法及终端设备
CN107368802B (zh) 基于kcf和人脑记忆机制的运动目标跟踪方法
CN107833239A (zh) 一种基于加权模型约束的寻优匹配目标跟踪方法
CN106529441B (zh) 基于模糊边界分片的深度动作图人体行为识别方法
CN109816693A (zh) 基于多峰响应的抗遮挡相关滤波跟踪方法及系统/装置
CN112184767A (zh) 对运动物体进行轨迹跟踪的方法、装置、设备及存储介质
CN108805902A (zh) 一种自适应尺度的时空上下文目标跟踪方法
CN108734139B (zh) 基于特征融合及svd自适应模型更新的相关滤波跟踪方法
CN117011381A (zh) 基于深度学习和立体视觉的实时手术器械位姿估计方法与系统
CN115239760A (zh) 一种目标跟踪方法、系统、设备及存储介质
CN107798329A (zh) 基于cnn的自适应粒子滤波目标跟踪方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Guo Xuying

Inventor after: Liu Wei

Inventor after: Zhou Xuan

Inventor after: Zhou Dingning

Inventor after: Huang Min

Inventor after: Cheng Mi

Inventor after: Fu Jie

Inventor after: Wang Xinyu

Inventor before: Liu Wei

Inventor before: Zhou Xuan

Inventor before: Guo Xuying

Inventor before: Zhou Dingning

Inventor before: Huang Min

Inventor before: Cheng Mi

Inventor before: Fu Jie

Inventor before: Wang Xinyu

GR01 Patent grant
GR01 Patent grant