CN109146917A - 一种弹性更新策略的目标跟踪方法 - Google Patents

一种弹性更新策略的目标跟踪方法 Download PDF

Info

Publication number
CN109146917A
CN109146917A CN201711472079.8A CN201711472079A CN109146917A CN 109146917 A CN109146917 A CN 109146917A CN 201711472079 A CN201711472079 A CN 201711472079A CN 109146917 A CN109146917 A CN 109146917A
Authority
CN
China
Prior art keywords
apce
frame
difapce
threshold value
model
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
CN201711472079.8A
Other languages
English (en)
Other versions
CN109146917B (zh
Inventor
尹向雷
刘贵喜
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
Shaanxi University of Technology
Original Assignee
Xidian University
Shaanxi University of Technology
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, Shaanxi University of Technology filed Critical Xidian University
Priority to CN201711472079.8A priority Critical patent/CN109146917B/zh
Publication of CN109146917A publication Critical patent/CN109146917A/zh
Application granted granted Critical
Publication of CN109146917B publication Critical patent/CN109146917B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • G06T7/246Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10016Video; Image sequence

Landscapes

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

Abstract

本发明公开了一种弹性更新策略的目标跟踪方法,该方法以SAMF算法作为基准,在平均峰值相关能量(APCE)的基础上将APCE阈值和APCE梯度阈值相结合的方法来判断跟踪结果的可靠性,以决定模型更新速度。其中将APCE阈值反向加强,将APCE梯度阈值正向加强,当APCE和APCE梯度都高于各自阈值时更新,否则根据APCE及其梯度变化调整更新速率。利用APCE的梯度变化充分反映目标受干扰过程快慢的变化,据此采取不同的更新速率即弹性更新策略,达到对目标快速运动及部分遮挡更好的处理能力。

Description

一种弹性更新策略的目标跟踪方法
技术领域
本发明属于视频目标跟踪技术领域,涉及一种目标跟踪方法,尤其是一种弹性更新策略的目标跟踪方法。
背景技术
目标跟踪是计算机视觉中引人瞩目且快速发展的领域,其涉及许多具有挑战性的研究热点并常和其他计算机视觉问题结合出现,如人机交互、视频监控、增强现实、自动驾驶、移动机器人等等。近年来,相关滤波器(Correlation Filters,简称CF)被引入目标跟踪的框架中,并同时在精度和速度上取得了显著效果。2010年,Bolme等提出一种新型相关滤波器MOSSE(Minimum Output Sum of Squared Error),首次将CF应用于跟踪算法。目标跟踪被规划为一个和岭回归等效的相关滤波问题。该算法选定一个目标区域,利用相关滤波器对目标外观建模,并在频域中进行相似度运算,显著提升了跟踪速度。依据循环矩阵的理论,F.Henriques提出一种CSK(Circulant Structure Kernels)跟踪方法。CSK将最新目标作为一个基准图像,并用循环移位方法产生大量虚拟的训练样本,利用这些样本在频域达到非常快的学习和检测功能的Fourier分析思想(不同于迭代思想)。Henriques在CSK的基础上,利用核技巧将单通道特征推广到多通道特征,并提出了核相关滤波(KernelizedCorrelation Filters,KCF)。之后KCF便成为一个相关滤波目标跟踪的基准算法。Yang Li和Jianke Zhu在KCF的基础上加入了尺度估计,设计了一种尺度自适应多特征跟踪器SAMF(Scale Adaptive with Multiple Features tracker)算法。
目标外观会随着运动速度、背景干扰以及遮挡等情况而发生改变,外观模型必须能适应这种变化才能成功跟踪,因此,模型参数的适当更新非常关键。为此,前述跟踪器设定一个更新速率并采用线性插值法在新一帧来临之前进行模型更新,这种每一帧都进行更新的策略虽然简单,但对目标出现遮挡及背景杂乱等复杂情况难以适应,且容易导致模型漂移使跟踪失败。
对此,应利用一个检测标准判断检测结果是否可靠,如果可靠则按一般速率更新模型参数,否则适当调整更新速率,从而使模型不易发生漂移。目前常用的检测方法主要有以下几种:
(1)响应最大值判断法:此类方法将相关滤波器输出的响应图中最大值作为判断标准,当跟踪可靠时最大响应值相对跟踪不可靠时的最大值要大,则可设定一个阈值,当判断出最大响应值大于该阈值时认定跟踪可靠,则更新模型,否则停止更新。这种方法的优点是直观简单,但当干扰目标出现时,响应图中会出现多个峰值,干扰目标的响应值有可能大于真实目标,这时如果更新目标则会使模型因干扰目标而发生漂移。
(2)峰值旁瓣率(PSR)判断法:这种方法采用峰值和旁瓣的比值作为衡量标准,当干扰目标出现时虽然最大峰值较大,但峰值旁瓣率较低。同样,先设定一个阈值,当判断出最大响应值大于该阈值时认定跟踪可靠,则更新模型,否则停止更新。这种方法考虑到了干扰目标或杂乱背景的影响,减少了模型的漂移。但该方法的不足是,虽然干扰物出现使得峰值旁瓣率减小,但减小程度并不十分明显,对于后续的判断性能有一定影响。
(3)平均峰值相关能量(APCE)判断法:平均峰值相关能量定义为当前帧最大响应与最小响应差值的能量比上其他值与最小值差值能量的平均值。平均峰值相关能量和峰值旁瓣率很相似,但优点是,当干扰目标或杂乱背景出现时,其值将大大下降,这种大的变化给判断带来了便利。但这两者共有的不足是,只能判断最终目标受到干扰时的结果,而不能判断目标受污染的过程变化。当两者的值突然变小时,说明目标此时已受到严重干扰,应适当调整更新速率,而当变小的值还不足以达到阈值以下时,此时再用这两种方法判断就不太合理。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种弹性更新策略的目标跟踪方法。
本发明的目的是通过以下技术方案来实现的:
这种弹性更新策略的目标跟踪方法,包括以下步骤:
步骤1):输入图像待处理帧;
步骤2):预处理当前帧;
步骤3):获取当前帧中被跟踪的目标的HOG和CN特征;
步骤4):根据当前目标位置以SAMF算法原理来训练跟踪器,并得到模型参数;如果是第一帧图像,则跳至步骤8),否则跳至步骤5);
步骤5):运行SAMF跟踪算法,并计算当前帧的响应矩阵及目标的新位置;
步骤6):根据当前目标位置训练跟踪器,并得到模型参数;
步骤7):判断当前模型参数是否需要更新,包括以下子步骤;
7.1):根据响应矩阵计算当前帧的APCE以及对应的DifAPCE;APCE的计算为:
其中mean表示取均值,Fmax,Fmin以及Fw,h分别为核相关滤波器得出的滤波器响应矩阵的最大值、最小值以及w行h列元素值;
DifAPCE的计算为:
DifAPCE(n)=APCE(n)-APCE(n-1) (2)
其中n表示当前帧;
7.2):计算APCE阈值及DifAPCE阈值1和DifAPCE阈值2;其中APCE阈值ThresholdAPCE的计算为:
式中a、b、c为权值参数,M1为当前帧n在最近m帧上的APCE均值,即:
DifAPCE阈值1ThresholdDifAPCE_1的计算为:
式中d、e、f为权值参数,M2为当前帧n在最近m帧上的DifAPCE均值,即:
所述DifAPCE阈值2ThresholdDifAPCE_2的计算为:
ThresholdDifAPCE_2=ThresholdDifAPCE_1-g (7)
其中g为一个正的常数;
7.3):如果APCE大于其阈值,并且,DifAPCE大于DifAPCE阈值1或小于DifAPCE阈值2,则按SAMF的默认参数更新模型参数,方法为:
式(8)和式(9)的右边,alpha和fx为新计算的模型参数,model_alpha和model_fx为上一帧的模型参数。
否则通过以下方式更新;
式(10)和式(11)的右边,alpha和fx为新计算的模型参数,model_alpha和model_fx为上一帧的模型参数,model_alpha_bak和model_fx_bak为初始帧计算的初始模型参数;
步骤8):如果是最后一帧,则结束,否则输入下一帧并转至步骤2)。
进一步,上述步骤2)中,预处理当前帧包括大小限定,加窗处理、扩展区域以及图像移动块的划分;如果目标对角线像素距离大于100,则将原图像缩小一倍,同时将目标大小及位置也相应缩小一倍。
本发明具有以下有益效果:
本发明以SAMF算法为基准算法,在平均峰值相关能量(APCE)的基础上将APCE阈值和APCE梯度阈值相结合的方法来判断跟踪结果的可靠性,以决定模型的更新策略。其中将APCE阈值反向加强,将APCE梯度阈值正向加强,当APCE和APCE梯度都高于各自阈值时更新,否则说明检测受到干扰而不可靠,此时,初始帧的模型参数也参与更新,并适当调整初始模型参数、当前帧和上一帧的模型参数权值,以合成值作为更新的模型参数。本发明解决了现有更新方法中没有考虑检测性能突然下降而导致不能应对目标快速运动等问题,本发明不但考虑到了响应结果是否大于阈值的问题,还考虑到了相对上一个响应结果,本次响应是否有大的变化这一变化过程的程度。使得检测结果可靠性的判断进一步完善,合理更新模型参数,减小了模型漂移。该方法对跟踪速度的影响很小,简单且实时性强,对现有方法是一种有益补充。
附图说明
图1是本发明的主程序流程图;
图2是本发明的更新判断子程序流程图;
图3是本发明和SAMF算法在视频Bird1上的CLE对比图;
图4是本发明和SAMF算法在视频Bird2上的CLE对比图;
图5是本发明和SAMF算法在视频ClifBar上的CLE对比图;
图6是本发明和SAMF算法在视频Couple上的CLE对比图;
图7是本发明和SAMF算法在视频Jumping上的CLE对比图;
图8是本发明在Jumping视频上APCE、DifAPCE及各个阈值的对比图。
具体实施方式
本发明的弹性更新策略的目标跟踪方法,具体包括以下步骤:
步骤1):输入图像待处理帧;
步骤2):预处理当前帧;其中预处理当前帧包括大小限定,加窗处理、扩展区域以及图像移动块的划分;如果目标对角线像素距离大于100,则将原图像缩小一倍,同时将目标大小及位置也相应缩小一倍。
步骤3):获取当前帧中被跟踪的目标的HOG和CN特征;
步骤4):根据当前目标位置以SAMF算法原理来训练跟踪器,并得到模型参数;如果是第一帧图像,则跳至步骤8),否则跳至步骤5);
步骤5):运行SAMF跟踪算法,并计算当前帧的响应矩阵及目标的新位置;
步骤6):根据当前目标位置训练跟踪器,并得到模型参数;
步骤7):判断当前模型参数是否需要更新,包括以下子步骤;
7.1):根据响应矩阵计算当前帧的APCE以及对应的DifAPCE;APCE的计算为:
其中mean表示取均值,Fmax,Fmin以及Fw,h分别为核相关滤波器得出的滤波器响应矩阵的最大值、最小值以及w行h列元素值;
DifAPCE的计算为:
DifAPCE(n)=APCE(n)-APCE(n-1) (2)
其中n表示当前帧;
7.2):计算APCE阈值及DifAPCE阈值1和DifAPCE阈值2;其中APCE阈值ThresholdAPCE的计算为:
式中a、b、c为权值参数,M1为当前帧n在最近m帧上的APCE均值,即:
DifAPCE阈值1ThresholdDifAPCE_1的计算为:
式中d、e、f为权值参数,M2为当前帧n在最近m帧上的DifAPCE均值,即:
所述DifAPCE阈值2ThresholdDifAPCE_2的计算为:
ThresholdDifAPCE_2=ThresholdDifAPCE_1-g (7)
其中g为一个正的常数;
7.3):如果APCE大于其阈值,并且,DifAPCE大于DifAPCE阈值1或小于DifAPCE阈值2,则按SAMF的默认参数更新模型参数,方法为:
式(8)和式(9)的右边,alpha和fx为新计算的模型参数,model_alpha和model_fx为上一帧的模型参数。
否则通过以下方式更新;
式(10)和式(11)的右边,alpha和fx为新计算的模型参数,model_alpha和model_fx为上一帧的模型参数,model_alpha_bak和model_fx_bak为初始帧计算的初始模型参数;
步骤8):如果是最后一帧,则结束,否则输入下一帧并转至步骤2)。
下面结合实施例和附图对本发明做进一步详细描述:
实施例
参见图1,本实施例具体包括以下步骤:
步骤101:输入图像待处理帧;
步骤102:对该图像进行预处理,如果目标对角线像素距离大于100,则将原图像缩小一倍,同时将目标大小及位置也相应缩小一倍。
步骤103:对初始给定的目标窗进行1.5倍的扩展并加余弦窗处理。对处理后的图像提取特征(本算法中取的是HOG和CN特征)。
步骤104:如果该帧是第一帧则进入步骤105直接训练跟踪器模型参数并开始输入下一帧图像进行跟踪;如果不是第一帧,则说明已经有模型参数了,进入步骤106,利用SAMF算法直接对当前帧计算响应矩阵并得到最佳目标位置信息。
步骤107:在新的位置处训练新的模型参数,训练方法参照SAMF算法。
步骤108:调用更新判断子程序,输入为当前帧的响应矩阵,输出为是否需要判断的标志flag。
参见图2。进入更新判断子程序,子程序接收主程序传入的当前目标的响应矩阵。
步骤201,先设定update标志为0。
步骤202,读入主程序传来的响应矩阵。
步骤203,根据响应矩阵,分别计算当前目标的平均峰值能量APCE、APCE的梯度DifAPCE、APCE的阈值ThresholdAPCE、DifAPCE的两个阈值ThresholdDifAPCE_1和ThresholdDifAPCE_2。
APCE的计算为:
其中mean表示取均值,Fmax,Fmin以及Fw,h分别为核相关滤波器得出的滤波器响应矩阵的最大值、最小值以及w行h列元素值。
DifAPCE的计算为:
DifAPCE(n)=APCE(n)-APCE(n-1) (2)
其中n表示当前帧(以下同)。
APCE阈值ThresholdAPCE的计算为:
式中a、b、c为权值参数;M1为当前帧n在最近m帧上的APCE均值,即:
DifAPCE阈值1(ThresholdDifAPCE_1)的计算为:
式中d、e、f为权值参数;M2为当前帧n在最近m帧上的DifAPCE均值,即:
DifAPCE阈值2(ThresholdDifAPCE_2)的计算为:
ThresholdDifAPCE_2=ThresholdDifAPCE_1-g (7)
其中g为一个正的常数。
步骤204,判断APCE是否大于ThresholdAPCE,如果大于,则再判断DifAPCE是否大于ThresholdDifAPCE_1,或者DifAPCE是否小于ThresholdDifAPCE_2,如果条件成立,则说明目标当前的响应矩阵可靠可以更新,进入步骤205给出更新标志update为1;否则说明当前目标已经受到干扰目标的影响或者有杂乱背景等的影响,得到的响应矩阵并不可靠不能更新模型参数,此时保持不能更新标志update为0。
步骤206,子程序经过判断得到新的update标志并将其传递给主程序并返回。
参见图1。步骤109,主程序得到更新判断子程序传回的更新标志update并判断该标志是否为1。如果update不为1,则进入步骤111。
步骤111,按SAMF的默认参数更新模型参数。方法为:
式(8)和式(9)的右边,alpha和fx为新计算的模型参数,model_alpha和model_fx为上一帧的模型参数。
步骤110,如果update为1,则模型更新方法为:
式(10)和式(11)的右边,alpha和fx为新计算的模型参数,model_alpha和model_fx为上一帧的模型参数,model_alpha_bak和model_fx_bak为初始帧计算的初始模型参数。
步骤112,主程序判断是否已经到最后一帧,如果是则结束跟踪程序,否则进入步骤113。
步骤113,输入下一帧图像并转至步骤102重复以上跟踪和更新过程,此时模型参数已更新,跟踪过程将以新的模型参数跟踪目标。
以上所述仅为本发明是以核相关跟踪算法SAMF为基础而设计的参数,但方法不限于SAMF算法。需要注意,当将本方法用于其它核相关滤波算法时,参数需要根据具体算法做相应调整。
为评估本发明的性能,以SAMF算法[Yang Li and Jianke Zhu.A Scale AdaptiveKernel Correlation Filter Tracker with Feature Integration.In IEEE ECCVW,2014.]为基础,对本发明进行比较分析。测试数据集采用文献[Yi Wu,Jongwoo Lim,andMing-Hsuan Yang.Online Object Tracking:A Benchmark.In IEEE CVPR,2013.]提供的OTB视频集。实验平台:Matlab 2014a,intel-i5-2410M,2.3GHz,4GB内存。
实验参数的选取,基础算法SAMF采用其默认参数,式(3)中取a=6,b=8,c=12;式(4)和式(6)中取m=3;式(5)中取d=30,e=-30,f=50;式(7)中取g=20;式(8)和式(9)中取更新系数factor=0.01;式(10)和式(11)中取更新系数factor1=factor2=0.1。
实验一,精确度和速度对比。
在OTB视频集中选择具有快速特性(Fast Motion,FM)的32组视频和SAMF算法进行距离精确度(Distance Precision,DP)对比。精确度是指跟踪目标的中心坐标与标定的真实值间的欧氏距离小于某个阈值的帧数占全部视频帧数的百分比,阈值越低时精确度越高,跟踪效果越好。本次比较中阈值取20像素。对比结果如表1所示。
表1 本发明和SAMF算法的精确度及速度对比
通过表1可以看出,在跟踪精度方面本算法相对SAMF算法高出了4.6%,改善明显,特别是Jumping视频和ClifBar视频,精度分别提高了63%和49.3%。速度方面,本算法相对SAMF的9.38fps下降到了9.26fps,并没有太多损失。
实验二,中心位置误差对比。
中心位置误差CLE(Center Location Error)是指检测到的中心位置与标记的真实位置之间欧氏距离。
下面结合附图3至图7对本发明的效果做进一步说明。
参见图3,本发明和基础算法SAMF在视频Bird1上的中心位置误差CLE的对比。可以看出,SAMF算法从75帧左右开始误差越来越大直至漂移而跟踪失败。本发明从160帧之后误差才开始变大,在整个视频过程中总的误差要小于SAMF误差。
参见图4,本发明和基础算法SAMF在视频Bird2上的中心位置误差CLE的对比。可以看出,SAMF算法从75帧左右开始误差越来越大直至漂移而跟踪失败。本发明却从75帧之后误差越来越小。
参见图5,本发明和基础算法SAMF在视频ClifBar上的中心位置误差CLE的对比。可以看出,从150帧到220帧之间,虽然SAMF算法的误差要小于本发明,但本发明的误差的最大值也未超过40像素,且从220帧开始本发明大大下降而SAMF算法的误差却变大且开始发生漂移。
参见图6,本发明和基础算法SAMF在视频Couple上的中心位置误差CLE的对比。可以看出,105帧之前,本发明和SAMF算法的误差基本相当,但从105帧之后本发明的误差小于SAMF算法。
参见图7,本发明和基础算法SAMF在视频Jumping上的中心位置误差CLE的对比。可以看出,在100帧之前本发明和SAMF算法的误差相比略大于后者,但从100帧之后本发明误差明显下降并保持在低位,而SAMF算法的误差却保持在高位。
实验三,本算法的工作机理分析。
为进一步揭示算法对快速运动及部分遮挡处理能力的深入原因,对APCE与DifAPCE以及阈值ThresholdAPCE、ThresholdDifAPCE_1与ThresholdDifAPCE_2值进行分析。
参见图8,是本发明算法在Jumping视频上APCE、DifAPCE及各个阈值的对比图。图8中ThresholdAPCE为APCE阈值;ThresholdDifAPCE1为DifAPCE阈值1;DifAPCE阈值2ThresholdDifAPCE2。结合图8和图7可以看出,在35帧前ThresholdDifAPCE_1已经检测到检测质量在大幅震荡,本算法更新机制介入工作。在40至50帧之间以及110帧左右ThresholdAPCE和ThresholdDifAPCE_1都检测到了检测质量的下降,本算法更新机制介入工作。在60至80帧左右ThresholdAPCE,本算法更新机制介入工作。从100帧开始总体跟踪质量明显上升。在260帧及300帧左右,虽然APCE值很高,但ThresholdDifAPCE_1检测到跟踪质量振幅太大跟踪不稳定并开始介入工作。视频在ThresholdAPCE和ThresholdDifAPCE_1的共同作用下相比SAMF算法跟踪精度提升明显,说明了本发明更新机制的有效性。
通过以上实验一、实验二及实验三,进一步说明了本发明在速度损失不大的情况下对具有快速运动特性及部分遮挡的目标具有更好的跟踪性能。

Claims (2)

1.一种弹性更新策略的目标跟踪方法,其特征在于,包括以下步骤:
步骤1):输入图像待处理帧;
步骤2):预处理当前帧;
步骤3):获取当前帧中被跟踪的目标的HOG和CN特征;
步骤4):根据当前目标位置以SAMF算法原理来训练跟踪器,并得到模型参数;如果是第一帧图像,则跳至步骤8),否则跳至步骤5);
步骤5):运行SAMF跟踪算法,并计算当前帧的响应矩阵及目标的新位置;
步骤6):根据当前目标位置训练跟踪器,并得到模型参数;
步骤7):判断当前模型参数是否需要更新,包括以下子步骤;
7.1):根据响应矩阵计算当前帧的APCE以及对应的DifAPCE;APCE的计算为:
其中mean表示取均值,Fmax,Fmin以及Fw,h分别为核相关滤波器得出的滤波器响应矩阵的最大值、最小值以及w行h列元素值;
DifAPCE的计算为:
DifAPCE(n)=APCE(n)-APCE(n-1) (2)
其中n表示当前帧;
7.2):计算APCE阈值及DifAPCE阈值1和DifAPCE阈值2;其中APCE阈值ThresholdAPCE的计算为:
式中a、b、c为权值参数,M1为当前帧n在最近m帧上的APCE均值,即:
DifAPCE阈值1ThresholdDifAPCE_1的计算为:
式中d、e、f为权值参数,M2为当前帧n在最近m帧上的DifAPCE均值,即:
所述DifAPCE阈值2ThresholdDifAPCE_2的计算为:
ThresholdDifAPCE_2=ThresholdDifAPCE_1-g (7)
其中g为一个正的常数;
7.3):如果APCE大于其阈值,并且,DifAPCE大于DifAPCE阈值1或小于DifAPCE阈值2,则按SAMF的默认参数更新模型参数,方法为:
式(8)和式(9)的右边,alpha和fx为新计算的模型参数,model_alpha和model_fx为上一帧的模型参数。
否则通过以下方式更新;
式(10)和式(11)的右边,alpha和fx为新计算的模型参数,model_alpha和model_fx为上一帧的模型参数,model_alpha_bak和model_fx_bak为初始帧计算的初始模型参数;
步骤8):如果是最后一帧,则结束,否则输入下一帧并转至步骤2)。
2.根据权利要求1所述的弹性更新策略的目标跟踪方法,其特征在于,所述预处理当前帧包括大小限定,加窗处理、扩展区域以及图像移动块的划分;如果目标对角线像素距离大于100,则将原图像缩小一倍,同时将目标大小及位置也相应缩小一倍。
CN201711472079.8A 2017-12-29 2017-12-29 一种弹性更新策略的目标跟踪方法 Expired - Fee Related CN109146917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711472079.8A CN109146917B (zh) 2017-12-29 2017-12-29 一种弹性更新策略的目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711472079.8A CN109146917B (zh) 2017-12-29 2017-12-29 一种弹性更新策略的目标跟踪方法

Publications (2)

Publication Number Publication Date
CN109146917A true CN109146917A (zh) 2019-01-04
CN109146917B CN109146917B (zh) 2020-07-28

Family

ID=64803440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711472079.8A Expired - Fee Related CN109146917B (zh) 2017-12-29 2017-12-29 一种弹性更新策略的目标跟踪方法

Country Status (1)

Country Link
CN (1) CN109146917B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028268A (zh) * 2019-12-26 2020-04-17 陕西理工大学 一种目标跟踪中快速目标尺度估计方法
CN111028269A (zh) * 2019-12-26 2020-04-17 陕西理工大学 一种简单模拟时域正则化的目标跟踪模型更新方法
CN111161323A (zh) * 2019-12-31 2020-05-15 北京理工大学重庆创新中心 一种基于相关滤波的复杂场景目标跟踪方法及系统
TWI706330B (zh) * 2019-01-09 2020-10-01 圓展科技股份有限公司 目標追蹤方法
CN111968153A (zh) * 2020-07-16 2020-11-20 新疆大学 基于相关滤波和粒子滤波的长时间目标跟踪方法及系统
CN112950687A (zh) * 2021-05-17 2021-06-11 创新奇智(成都)科技有限公司 一种确定跟踪状态的方法、装置、存储介质和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003102212A2 (en) * 2002-05-31 2003-12-11 Regents Of The University Of Minnesota In vitro evaluation of nucleic acid ligands
CN101926657A (zh) * 2009-06-18 2010-12-29 深圳迈瑞生物医疗电子股份有限公司 一种超声图像特征追踪方法及其系统
JP2011060204A (ja) * 2009-09-14 2011-03-24 Dainippon Printing Co Ltd 画像処理装置、画像処理方法及び画像処理プログラム
CN107154024A (zh) * 2017-05-19 2017-09-12 南京理工大学 基于深度特征核相关滤波器的尺度自适应目标跟踪方法
CN107316061A (zh) * 2017-06-22 2017-11-03 华南理工大学 一种深度迁移学习的不平衡分类集成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003102212A2 (en) * 2002-05-31 2003-12-11 Regents Of The University Of Minnesota In vitro evaluation of nucleic acid ligands
CN101926657A (zh) * 2009-06-18 2010-12-29 深圳迈瑞生物医疗电子股份有限公司 一种超声图像特征追踪方法及其系统
JP2011060204A (ja) * 2009-09-14 2011-03-24 Dainippon Printing Co Ltd 画像処理装置、画像処理方法及び画像処理プログラム
CN107154024A (zh) * 2017-05-19 2017-09-12 南京理工大学 基于深度特征核相关滤波器的尺度自适应目标跟踪方法
CN107316061A (zh) * 2017-06-22 2017-11-03 华南理工大学 一种深度迁移学习的不平衡分类集成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HU QY ET AL: "《Object Tracking Using Multiple Features and Adaptive Model Updating》", 《IEEE TRANSACTION ON INSTRUMENTATION AND MEASUREMENT》 *
刘忠耿等: "《多种信息融合的实时在线多目标跟踪》", 《南京信息工程大学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI706330B (zh) * 2019-01-09 2020-10-01 圓展科技股份有限公司 目標追蹤方法
CN111028268A (zh) * 2019-12-26 2020-04-17 陕西理工大学 一种目标跟踪中快速目标尺度估计方法
CN111028269A (zh) * 2019-12-26 2020-04-17 陕西理工大学 一种简单模拟时域正则化的目标跟踪模型更新方法
CN111028268B (zh) * 2019-12-26 2023-02-24 陕西理工大学 一种目标跟踪中快速目标尺度估计方法
CN111028269B (zh) * 2019-12-26 2023-12-26 陕西理工大学 一种简单模拟时域正则化的目标跟踪模型更新方法
CN111161323A (zh) * 2019-12-31 2020-05-15 北京理工大学重庆创新中心 一种基于相关滤波的复杂场景目标跟踪方法及系统
CN111161323B (zh) * 2019-12-31 2023-11-28 北京理工大学重庆创新中心 一种基于相关滤波的复杂场景目标跟踪方法及系统
CN111968153A (zh) * 2020-07-16 2020-11-20 新疆大学 基于相关滤波和粒子滤波的长时间目标跟踪方法及系统
CN112950687A (zh) * 2021-05-17 2021-06-11 创新奇智(成都)科技有限公司 一种确定跟踪状态的方法、装置、存储介质和电子设备

Also Published As

Publication number Publication date
CN109146917B (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN109146917A (zh) 一种弹性更新策略的目标跟踪方法
CN109102522B (zh) 一种目标跟踪方法及装置
CN111354017A (zh) 一种基于孪生神经网络及平行注意力模块的目标跟踪方法
EP3376469A1 (en) Method and device for tracking location of human face, and electronic equipment
CN106127145B (zh) 瞳孔定位及跟踪方法
CN110120065B (zh) 一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法及系统
CN108320306B (zh) 融合tld和kcf的视频目标跟踪方法
CN109087337B (zh) 基于分层卷积特征的长时间目标跟踪方法及系统
EP3149940B1 (en) Block-based static region detection for video processing
CN111583294B (zh) 一种结合尺度自适应与模型更新的目标跟踪方法
CN103955688A (zh) 一种基于计算机视觉的斑马鱼群检测与跟踪方法
CN103279751A (zh) 一种基于精确定位虹膜的眼动跟踪方法
CN111986225A (zh) 一种基于角点检测和孪生网络的多目标跟踪方法及装置
CN111968153A (zh) 基于相关滤波和粒子滤波的长时间目标跟踪方法及系统
CN109146928B (zh) 一种梯度阈值判断模型更新的目标跟踪方法
CN108805902A (zh) 一种自适应尺度的时空上下文目标跟踪方法
CN102074000A (zh) 一种利用方差率最优解自适应调整窗宽的跟踪方法
CN111178261A (zh) 一种基于视频编码技术的人脸检测加速方法
CN104050454B (zh) 一种运动手势轨迹获取方法及系统
CN110992402B (zh) 基于特征融合的相关滤波目标跟踪方法
CN111985432A (zh) 一种基于贝叶斯定理和自适应权值调整的多模态数据融合方法
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
CN111028268B (zh) 一种目标跟踪中快速目标尺度估计方法
CN106101632A (zh) 基于视觉特征的图像处理装置
CN110706254A (zh) 一种目标跟踪模板自适应更新方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200728

Termination date: 20201229