CN108846789A - 一种基于GPU的高速CAMShift方法 - Google Patents
一种基于GPU的高速CAMShift方法 Download PDFInfo
- Publication number
- CN108846789A CN108846789A CN201810546625.6A CN201810546625A CN108846789A CN 108846789 A CN108846789 A CN 108846789A CN 201810546625 A CN201810546625 A CN 201810546625A CN 108846789 A CN108846789 A CN 108846789A
- Authority
- CN
- China
- Prior art keywords
- moment
- back projection
- value
- target
- pixel
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- 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
- G06T2207/20068—Projection on vertical or horizontal image axis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GPU的高速CAMShift方法,包括:加载目标图像,并初始化目标图像搜索窗口;将目标图像传输至GPU中,并将目标图像搜索窗口转换为HSV颜色空间;计算目标图像搜索窗口内的色调分量颜色直方图;基于色调分量颜色直方图计算颜色概率分布函数;基于颜色概率分布函数计算反向投影图的原点矩;基于反向投影图的原点矩计算反向投影图的中心矩;根据反向投影图的原点矩和反向投影图的中心矩,计算运动目标的位置、尺寸和角度;基于运动目标的位置、尺寸和角度更新下一帧图像中的搜索窗口。
Description
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GPU的高速CAMShift方法。
背景技术
目标识别与跟踪一直是计算机视觉领域的热点研究问题,其在军事侦察、安防监控、交通等领域具有重要的价值。在实际跟踪目标运动过程中,姿态通常是变化的,另外目标周围复杂的环境也会对跟踪结果产生较大的干扰。
目前常见的跟踪方法主要分为三类:一类是基于滤波理论的跟踪算法,例如可用于预测运动物体方向的Kalman滤波算法以及粒子滤波算法等;一类是基于均值漂移的目标跟踪算法,对遮挡、变形或旋转等不敏感,但对于物体与背景颜色相近时效果较差,但算法简单,计算效率高;另一类是基于局部特征的目标跟踪算法,模板匹配算法,但是需要遍历图像,速度较慢。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于GPU的高速CAMShift方法;
本发明提出的一种基于GPU的高速CAMShift方法,包括:
S1、加载目标图像,并初始化目标图像搜索窗口;
S2、将目标图像传输至GPU中,并将目标图像搜索窗口转换为HSV颜色空间;
S3、计算目标图像搜索窗口内的色调分量颜色直方图;
S4、基于色调分量颜色直方图计算颜色概率分布函数;
S5、基于颜色概率分布函数计算反向投影图的原点矩;
S6、基于反向投影图的原点矩计算反向投影图的中心矩;
S7、根据反向投影图的原点矩和反向投影图的中心矩,计算运动目标的位置、尺寸和角度;
S8、基于运动目标的位置、尺寸和角度更新下一帧图像中的搜索窗口。
优选地,步骤S1,具体包括:
从COMS图像传感器或者磁盘中目标图像;
在跟踪目标出现在目标图像中的t时刻,手动确定跟踪目标在目标图像中的位置和尺寸,以初始化目标图像搜索窗口。
优选地,步骤S2,具体包括:
将目标图像传输至GPU的内存中;
获取目标图像搜索窗口内每个像素点的r(t)、g(t)、b(t)值,计算t时刻各像素点R、G、B值对应的最大值max(t)和最小值min(t);
分别计算出t时刻目标图像搜索窗口内每个像素点对应的HSV空间图像的色调分量h(t):
饱和度分量s(t):
明度分量v(t):v(t)=max(t)。
优选地,步骤S3,具体包括:
计算t时刻色调分量颜色直方图数组第i个子区段的值:
其中,ni为t时刻计算像素点前histi(t)的值,为t时刻像素点的色调分量值,为t时刻像素点的饱和度分量值,为t时刻像素点的明度分量值,d为色调分量特征空间子区段的宽度,H0为色调分量的理论最大值,θs和θv分别为饱和度分量和明度分量的阈值。
优选地,步骤S4,具体包括:
S41、计算色调分量颜色直方图各子区段值的算数和;
S42、将色调分量颜色直方图各子区段值除以色调分量颜色直方图各子区段值的算数和,得到跟踪目标颜色概率分布函数;
优选地,步骤S41、S42的公式为:
Qi为第i个颜色子区段对应的颜色概率分布函数,qi为色调分量颜色直方图第i个子区段。
优选地,步骤S5,具体包括:
S51、筛选目标图像搜索窗口内满足饱和度分量和明度分量阈值θs和θv条件的像素点;
S52、计算步骤S51中每个像素点的色调分量值,并除以颜色概率分布函数子区段的个数;
S53、将步骤S52的计算结果作为颜色概率分布函数的索引,同时将颜色概率分布函数与对应像素点的各阶x和y坐标值相乘,得到反向投影图的原点矩;
优选的,步骤S51、S52、S53的公式为:
(i=1,…,I;p+q≤2)
其中,mpq(t)为t时刻反向投影图(p+q)阶原点矩,p、q为原点矩阶数,x和y为像素点的坐标值,R(t)为t时刻图像的搜索窗口,为t时刻像素点的色调分量值,为t时刻像素点的饱和度分量值,为t时刻像素点的明度分量值,θs和θv分别为饱和度分量和明度分量的阈值。
优选地,步骤S6,具体包括:
S61、根据反向投影图各阶原点矩计算反向投影图的质心坐标;
S62、根据反向投影图的质心坐标计算得到反向投影图的中心矩;
优选地,步骤S61、S62的公式为:
其中,μpq(t)为t时刻反向投影图(p+q)阶中心矩,mpq(t)为t时刻反向投影图(p+q)阶原点矩,为t时刻反向投影图的质心坐标。
优选地,步骤S7,具体包括:
根据反向投影图的原点矩和反向投影图的中心矩,计算运动目标的位置、尺寸和角度,公式为:
其中,为t时刻跟踪目标质心位置,h(t)为t时刻跟踪目标的高度,w(t)为t时刻跟踪目标的宽度,θ(t)为t时刻跟踪目标的角度,μpq(t)为t时刻反向投影图(p+q)阶中心矩,mpq(t)为t时刻反向投影图(p+q)阶原点矩。
优选地,步骤S8,具体包括:将下一帧图像中的搜索窗口的质心位置、尺寸分别设置为h(t)、w(t)。
本发明中,提取跟踪目标的色度分量概率分布函数,简化现有CAMShift算法计算过程并使用GPU并行加速,克服了计算效率低,特征提取慢的问题,提高跟踪速度,其次,简化反向投影图矩特征的计算过程并使用GPU并行加速,提高跟踪速度,最后,采用计算机图像处理器GPU,并行加速改进后的目标跟踪算法,与CPU相比大幅提高了算法的计算速度。
附图说明
图1为本发明提出的一种基于GPU的高速CAMShift方法的流程示意图。
具体实施方式
参照图1,本发明提出的一种基于GPU的高速CAMShift方法,包括:
步骤S1,加载目标图像,并初始化目标图像搜索窗口,具体包括:从COMS图像传感器或者磁盘中目标图像;在跟踪目标出现在目标图像中的t时刻,手动确定跟踪目标在目标图像中的位置和尺寸,以初始化目标图像搜索窗口。
在具体方案中,可以从COMS图像传感器或者磁盘中加载图像,可满足在线或者离线跟踪的要求,后续步骤中涉及GPU的计算过程都在初始化的搜索窗口中进行,可以有效地提取跟踪目标的颜色特征同时减少GPU计算量,提高算法效率。
步骤S2,将目标图像传输至GPU中,并将目标图像搜索窗口转换为HSV颜色空间,具体包括:将目标图像传输至GPU的内存中;获取目标图像搜索窗口内每个像素点的r(t)、g(t)、b(t)值,计算t时刻各像素点R、G、B值对应的最大值max(t)和最小值min(t);分别计算出t时刻目标图像搜索窗口内每个像素点对应的HSV空间图像的色调分量h(t):
饱和度分量s(t):
明度分量v(t):v(t)=max(t)。
步骤S3,计算目标图像搜索窗口内的色调分量颜色直方图,具体包括:
计算t时刻色调分量颜色直方图数组第i个子区段的值:
其中,ni为t时刻计算像素点前histi(t)的值,为t时刻像素点的色调分量值,为t时刻像素点的饱和度分量值,为t时刻像素点的明度分量值,d为色调分量特征空间子区段的宽度,H0为色调分量的理论最大值,θs和θv分别为饱和度分量和明度分量的阈值。
在具体方案中,本步骤的计算均在GPU中进行,设置饱和度分量和明度分量颜色阈值用以提取跟踪目标,同时减少背景干扰,提高算法稳定性。在GPU中同时除以色调分量颜色直方图的子区段的个数I并将所述计算结果作为色调分量颜色直方图数组的索引,实现了对图像各像素点像素值的计算和分类,简化直方图计算过程,同时增加了算法的并行性,便于在GPU中并行计算,将所述计算结果作为色调分量颜色直方图数组的索引进行累加,是间接实现根据设置的颜色阈值筛选满足条件的像素点计算直方图各子区段满足阈值条件的像素点的个数,简化算法步骤,提高算法效率。
步骤S4,基于色调分量颜色直方图计算颜色概率分布函数,具体包括:
S41、计算色调分量颜色直方图各子区段值的算数和;
S42、将色调分量颜色直方图各子区段值除以色调分量颜色直方图各子区段值的算数和,得到跟踪目标颜色概率分布函数;
优选地,步骤S41、S42的公式为:
Qi为第i个颜色子区段对应的颜色概率分布函数,qi为色调分量颜色直方图第i个子区段。
在具体方案中,本步骤的计算均在GPU中进行,所述色调分量颜色直方图数组计算和传输数据量小,计算并发性低,在CPU中计算可获取更快的速度。
通过过步骤S2、步骤S3、步骤S4,提取跟踪目标的色度分量概率分布函数,简化现有CAMShift算法计算过程并使用GPU并行加速,克服了计算效率低,特征提取慢的问题,提高跟踪速度。
步骤S5,基于颜色概率分布函数计算反向投影图的原点矩,具体包括:
S51、筛选目标图像搜索窗口内满足饱和度分量和明度分量阈值θs和θv条件的像素点;
S52、计算步骤S51中每个像素点的色调分量值,并除以颜色概率分布函数子区段的个数;
S53、将步骤S52的计算结果作为颜色概率分布函数的索引,同时将颜色概率分布函数与对应像素点的各阶x和y坐标值相乘,得到反向投影图的原点矩;
进一步的,步骤S51、S52、S53的公式为:
(i=1,…,I;p+q≤2)
其中,mpq(t)为t时刻反向投影图(p+q)阶原点矩,p、q为原点矩阶数,x和y为像素点的坐标值,R(t)为t时刻图像的搜索窗口,为t时刻像素点的色调分量值,为t时刻像素点的饱和度分量值,为t时刻像素点的明度分量值,θs和θv分别为饱和度分量和明度分量的阈值。
在具体方案中,本步骤的计算均在GPU中进行,在GPU中同时除以颜色概率分布函数子区段的个数I并将计算结果作为颜色概率分布函数数组的索引,实现了对目标图像搜索窗口中满足设置的颜色阈值的所有像素点的颜色分布的概率划分,间接计算出跟踪目标的反向投影图,简化反向投影图各阶原点矩的计算过程,增加了算法的并行性,便于在GPU中并行计算。
通过将颜色概率分布函数与对应像素点的各阶x和y坐标值相乘间接计算出反向投影图的各阶原点矩,而不单独计算反向投影图,减少算法计算复杂度,同时增加了算法的并行性,便于在GPU中并行计算。
步骤S6,基于反向投影图的原点矩计算反向投影图的中心矩,具体包括:
S61、根据反向投影图各阶原点矩计算反向投影图的质心坐标;
S62、根据反向投影图的质心坐标计算得到反向投影图的中心矩;
优选地,步骤S61、S62的公式为:
其中,μpq(t)为t时刻反向投影图(p+q)阶中心矩,mpq(t)为t时刻反向投影图(p+q)阶原点矩,(x,y)为t时刻反向投影图的质心坐标。
在具体方案中,本步骤的计算均在GPU中进行,计算反向投影图的中心矩计算数据量小,计算并发性低,在CPU中计算可获取更快的速度,故将计算结果传输至CPU中并在CPU中计算计算反向投影图的中心矩。
步骤S7,根据反向投影图的原点矩和反向投影图的中心矩,计算运动目标的位置、尺寸和角度,具体包括:
根据反向投影图的原点矩和反向投影图的中心矩,计算运动目标的位置、尺寸和角度,公式为:
其中,为t时刻跟踪目标质心位置,h(t)为t时刻跟踪目标的高度,w(t)为t时刻跟踪目标的宽度,θ(t)为t时刻跟踪目标的角度,μpq(t)为t时刻反向投影图(p+q)阶中心矩,mpq(t)为t时刻反向投影图(p+q)阶原点矩。
在具体方案中,通过步骤S5、步骤S6、步骤S7,简化反向投影图矩特征的计算过程并使用GPU并行加速,提高跟踪速度。
步骤S8,基于运动目标的位置、尺寸和角度更新下一帧图像中的搜索窗口,具体包括:将下一帧图像中的搜索窗口的质心位置、尺寸分别设置为h(t)、w(t)。
在具体方案中,采用计算机图像处理器GPU,并行加速改进后的目标跟踪算法,与CPU相比大幅提高了算法的计算速度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于GPU的高速CAMShift方法,其特征在于,包括:
S1、加载目标图像,并初始化目标图像搜索窗口;
S2、将目标图像传输至GPU中,并将目标图像搜索窗口转换为HSV颜色空间;
S3、计算目标图像搜索窗口内的色调分量颜色直方图;
S4、基于色调分量颜色直方图计算颜色概率分布函数;
S5、基于颜色概率分布函数计算反向投影图的原点矩;
S6、基于反向投影图的原点矩计算反向投影图的中心矩;
S7、根据反向投影图的原点矩和反向投影图的中心矩,计算运动目标的位置、尺寸和角度;
S8、基于运动目标的位置、尺寸和角度更新下一帧图像中的搜索窗口。
2.根据权利要求1所述的基于GPU的高速CAMShift方法,其特征在于,步骤S1,具体包括:
从COMS图像传感器或者磁盘中目标图像;
在跟踪目标出现在目标图像中的t时刻,手动确定跟踪目标在目标图像中的位置和尺寸,以初始化目标图像搜索窗口。
3.根据权利要求1或2所述的基于GPU的高速CAMShift方法,其特征在于,步骤S2,具体包括:
将目标图像传输至GPU的内存中;
获取目标图像搜索窗口内每个像素点的r(t)、g(t)、b(t)值,计算t时刻各像素点R、G、B值对应的最大值max(t)和最小值min(t);
分别计算出t时刻目标图像搜索窗口内每个像素点对应的HSV空间图像的色调分量h(t):
饱和度分量s(t):
明度分量v(t):v(t)=max(t)。
4.根据权利要求3所述的基于GPU的高速CAMShift方法,其特征在于,步骤S3,具体包括:
计算t时刻色调分量颜色直方图数组第i个子区段的值:
其中,ni为t时刻计算像素点前histi(t)的值,为t时刻像素点的色调分量值,为t时刻像素点的饱和度分量值,为t时刻像素点的明度分量值,d为色调分量特征空间子区段的宽度,H0为色调分量的理论最大值,θs和θv分别为饱和度分量和明度分量的阈值。
5.根据权利要求4所述的基于GPU的高速CAMShift方法,其特征在于,步骤S4,具体包括:
S41、计算色调分量颜色直方图各子区段值的算数和;
S42、将色调分量颜色直方图各子区段值除以色调分量颜色直方图各子区段值的算数和,得到跟踪目标颜色概率分布函数;
优选地,步骤S41、S42的公式为:
Qi为第i个颜色子区段对应的颜色概率分布函数,qi为色调分量颜色直方图第i个子区段。
6.根据权利要求5所述的基于GPU的高速CAMShift方法,其特征在于,步骤S5,具体包括:
S51、筛选目标图像搜索窗口内满足饱和度分量和明度分量阈值θs和θv条件的像素点;
S52、计算步骤S51中每个像素点的色调分量值,并除以颜色概率分布函数子区段的个数;
S53、将步骤S52的计算结果作为颜色概率分布函数的索引,同时将颜色概率分布函数与对应像素点的各阶x和y坐标值相乘,得到反向投影图的原点矩;
优选的,步骤S51、S52、S53的公式为:
其中,mpq(t)为t时刻反向投影图(p+q)阶原点矩,p、q为原点矩阶数,x和y为像素点的坐标值,R(t)为t时刻图像的搜索窗口,为t时刻像素点的色调分量值,为t时刻像素点的饱和度分量值,为t时刻像素点的明度分量值,θs和θv分别为饱和度分量和明度分量的阈值。
7.根据权利要求6所述的基于GPU的高速CAMShift方法,其特征在于,步骤S6,具体包括:
S61、根据反向投影图各阶原点矩计算反向投影图的质心坐标;
S62、根据反向投影图的质心坐标计算得到反向投影图的中心矩;
优选地,步骤S61、S62的公式为:
其中,μpq(t)为t时刻反向投影图(p+q)阶中心矩,mpq(t)为t时刻反向投影图(p+q)阶原点矩,为t时刻反向投影图的质心坐标。
8.根据权利要求7所述的基于GPU的高速CAMShift方法,其特征在于,步骤S7,具体包括:
根据反向投影图的原点矩和反向投影图的中心矩,计算运动目标的位置、尺寸和角度,公式为:
其中,为t时刻跟踪目标质心位置,h(t)为t时刻跟踪目标的高度,w(t)为t时刻跟踪目标的宽度,θ(t)为t时刻跟踪目标的角度,μpq(t)为t时刻反向投影图(p+q)阶中心矩,mpq(t)为t时刻反向投影图(p+q)阶原点矩。
9.根据权利要求8所述的基于GPU的高速CAMShift方法,其特征在于,步骤S8,具体包括:将下一帧图像中的搜索窗口的质心位置、尺寸分别设置为h(t)、w(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546625.6A CN108846789A (zh) | 2018-05-31 | 2018-05-31 | 一种基于GPU的高速CAMShift方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546625.6A CN108846789A (zh) | 2018-05-31 | 2018-05-31 | 一种基于GPU的高速CAMShift方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108846789A true CN108846789A (zh) | 2018-11-20 |
Family
ID=64210096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810546625.6A Pending CN108846789A (zh) | 2018-05-31 | 2018-05-31 | 一种基于GPU的高速CAMShift方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846789A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530892A (zh) * | 2013-10-21 | 2014-01-22 | 清华大学深圳研究生院 | 一种基于Kinect传感器的双手跟踪方法与装置 |
CN103679756A (zh) * | 2013-12-26 | 2014-03-26 | 北京工商大学 | 基于颜色和形状特征的自动目标跟踪方法及系统 |
CN107527370A (zh) * | 2017-07-26 | 2017-12-29 | 南京理工大学 | 一种基于camshift的目标跟踪方法 |
CN108062762A (zh) * | 2017-12-22 | 2018-05-22 | 湖南源信光电科技股份有限公司 | 一种基于核密度估计的目标跟踪方法 |
-
2018
- 2018-05-31 CN CN201810546625.6A patent/CN108846789A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530892A (zh) * | 2013-10-21 | 2014-01-22 | 清华大学深圳研究生院 | 一种基于Kinect传感器的双手跟踪方法与装置 |
CN103679756A (zh) * | 2013-12-26 | 2014-03-26 | 北京工商大学 | 基于颜色和形状特征的自动目标跟踪方法及系统 |
CN107527370A (zh) * | 2017-07-26 | 2017-12-29 | 南京理工大学 | 一种基于camshift的目标跟踪方法 |
CN108062762A (zh) * | 2017-12-22 | 2018-05-22 | 湖南源信光电科技股份有限公司 | 一种基于核密度估计的目标跟踪方法 |
Non-Patent Citations (5)
Title |
---|
GARY R. BRADSKI ET AL.: "Computer Vision Face Tracking For Use in a Perceptual User", 《INTEL TECHNOLOGY JOURNAL》 * |
ISHII ET AL.: "2000 fps Real-time Target Tracking Vision System Based on Color Histogram", 《CONFERENCE ON REAL-TIME IMAGE AND VIDEO PROCESSING 2011》 * |
刘鹏飞: "基于GPU的目标跟踪算法研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
董慧颖: "《典型目标识别与图像除雾技术》", 31 October 2016, 国防工业出版社 * |
赵谦等: "《智能视频图像处理技术与应用》", 30 September 2016 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455735B2 (en) | Target tracking method, device, system and non-transitory computer readable storage medium | |
Jalled et al. | Object detection using image processing | |
CN109670396B (zh) | 一种室内老人跌倒检测方法 | |
CN105488815B (zh) | 一种支持目标尺寸变化的实时对象跟踪方法 | |
CN105279769B (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
Spampinato et al. | Covariance based Fish Tracking in Real-life Underwater Environment. | |
Noriega et al. | Real Time Illumination Invariant Background Subtraction Using Local Kernel Histograms. | |
Jiang et al. | Multiple pedestrian tracking using colour and motion models | |
CN113608663B (zh) | 一种基于深度学习和k-曲率法的指尖跟踪方法 | |
CN106600613B (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
DU et al. | Face detection in video based on AdaBoost algorithm and skin model | |
CN105046721A (zh) | 基于Grabcut及LBP跟踪质心矫正模型的Camshift算法 | |
CN108121972A (zh) | 一种局部遮挡条件下的目标识别方法 | |
Guennouni et al. | Face detection: Comparing Haar-like combined with cascade classifiers and Edge Orientation Matching | |
Jatoth et al. | Performance comparison of Kalman filter and mean shift algorithm for object tracking | |
CN108846789A (zh) | 一种基于GPU的高速CAMShift方法 | |
Zhou et al. | Superpixel-driven level set tracking | |
CN109522893A (zh) | 一种空中非合作目标气球要害点快速的检测方法 | |
CN112329796A (zh) | 基于视觉显著性的红外成像卷云检测方法和装置 | |
Kim et al. | Background modeling using adaptive properties of hybrid features | |
Wang et al. | Adaptive visual tracking based on discriminative feature selection for mobile robot | |
Nateghi | Detection, recognition and tracking cars from uav based implementation of mobilenet-single shot detection deep neural network on the embedded system by using remote sensing techniques | |
Sangle et al. | Shape based plant leaf classification system using android | |
Yu et al. | Fast pedestrian detection with multi-scale classifiers | |
Yang et al. | Cascaded superpixel pedestrian object segmentation algorithm |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181120 |