CN109146928B - 一种梯度阈值判断模型更新的目标跟踪方法 - Google Patents
一种梯度阈值判断模型更新的目标跟踪方法 Download PDFInfo
- Publication number
- CN109146928B CN109146928B CN201711472060.3A CN201711472060A CN109146928B CN 109146928 B CN109146928 B CN 109146928B CN 201711472060 A CN201711472060 A CN 201711472060A CN 109146928 B CN109146928 B CN 109146928B
- Authority
- CN
- China
- Prior art keywords
- threshold
- apce
- target
- difapce
- image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
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
本发明提出了一种梯度阈值判断模型更新的目标跟踪方法,该方法将平均峰值相关能量(APCE)阈值和APCE梯度阈值相结合,在APCE和APCE梯度都高于阈值时更新,否则停止更新。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。
Description
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,尤其是一种梯度阈值判断模型更新的目标跟踪方法。
背景技术
目标跟踪是计算机视觉的一个重要分支,在很多场景下都有着广泛的应用,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,相关滤波被引入目标跟踪的框架中,并取得了显著的效果。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。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,并将相似度的计算转移到傅里叶域中,大大提升了跟踪速度。依据循环矩阵的理论,F.Henriques提出一种CSK(Circulant StructureKernels)跟踪方法。CSK应用FFT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,将单通道特征推广到多通道特征,提出了核相关滤波(Kernelized Correlation Filters,KCF),至此KCF成为相关滤波目标跟踪的一个算法基准。
对于核相关滤波器跟踪算法,上述跟踪器(以下皆以KCF为例)在模型更新时采用的是每帧都更新,这样做虽然简单,但对目标出现快速运动、部分遮挡及背景杂乱等复杂情况难以适应,另外也容易导致模型漂移从而使跟踪失败。对此,应利用一个检测标准判断检测结果是否可靠,如果可靠则更新模型参数,否则不更新,从而使模型不易发生漂移。现有技术中,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:平均峰值相关能量的定义为: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,应停止更新,而当此时变小的值还不足以达到阈值以下时,这两种方法判断则判断不合理。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种梯度阈值判断模型更新的目标跟踪方法。
本发明的目的是通过以下技术方案来实现的:
这种梯度阈值判断模型更新的目标跟踪方法,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特征;
步骤4:根据当前目标位置以KCF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:运行相关滤波器跟踪算法,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;
7-2)计算APCE阈值及DifAPCE阈值1和DifAPCE阈值2;
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,则更新模型参数,否则不更新;
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,以上所述步骤7-1)中,APCE的计算为:
其中mean表示取均值,Fmax,Fmin以及Fw,h分别为KCF算法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。
进一步,以上步骤7-1)中,DifAPCE的计算为:
DifAPCE(n)=APCE(n)-APCE(n-1);其中n表示当前帧。
进一步,以上步骤7-2)中,APCE阈值,DifAPCE阈值1和DifAPCE阈值2的计算分别为:
其中,ThresholdAPCE为APCE阈值;ThresholdDifAPCE_1为DifAPCE阈值1;ThresholdDifAPCE_2为DifAPCE阈值2。
进一步,上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;如果是RGB彩色图则将其转换成灰度图,并根据目标大小调整图像尺寸,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。
进一步,上述相关滤波器跟踪算法为KCF。
与现有技术相比,本发明具有以下有益效果:
本发明提出的梯度阈值判断模型更新的目标跟踪方法,将APCE阈值和APCE梯度阈值相结合,在APCE和APCE梯度都高于阈值时更新,否则停止更新。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,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。本发明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为本发明的主程序流程图;
图2为本发明的更新判断子程序流程图;
图3为KCF与本发明算法在视频Couple上的CLE对比;
图4为KCF与本发明算法在视频Coke上的CLE对比;
图5为视频Couple上APCE及其阈值以及梯度APCE及其阈值的对比;
图6为视频Coke上APCE及其阈值以及梯度APCE及其阈值的对比。
具体实施方式
本发明的梯度阈值判断模型更新的目标跟踪方法,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;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;如果是RGB彩色图则将其转换成灰度图,并根据目标大小调整图像尺寸,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特征;
步骤4:根据当前目标位置以KCF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:运行相关滤波器跟踪算法,并计算当前帧的响应矩阵及目标的新位置;所述相关滤波器跟踪算法为KCF。
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KCF算法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);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,DifAPCE阈值1和DifAPCE阈值2的计算分别为:
其中,ThresholdAPCE为APCE阈值;ThresholdDifAPCE_1为DifAPCE阈值1;ThresholdDifAPCE_2为DifAPCE阈值2。
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,则更新模型参数,否则不更新;
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。
下面结合附图和实施例对本发明做进一步详细描述:
实施例:
参见图1,本实施例的梯度阈值判断模型更新的目标跟踪方法,包括以下步骤:
步骤101,首先输入视频的待处理帧。
步骤102,对该图像当前帧进行预处理,如果是RGB彩色图则将其转换成灰度图,并根据目标大小调整图像尺寸,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,然后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(如HOG特征)。
步骤104,根据当前目标位置以KCF算法原理直接训练跟踪器模型参数;如果是第一帧图像,则跳至步骤111继续处理,如果不是第一帧则进入步骤106。
步骤106,经步骤104判断当前帧不是第一帧,则说明已经有模型参数了,根据KCF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,在新的位置处根据KCF算法训练新的模型参数。
步骤108,为判断该新参数是否参与更新,则将响应矩阵传递给更新判断子程序并进行更新判断。
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及步骤202,先设定更新标志update为0并读取主程序传入的响应矩阵。
步骤203,根据响应矩阵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,计算方法为:
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,DifAPCE阈值1和DifAPCE阈值2的计算分别为:
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,如果条件不成立,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并跳至步骤206结束子程序。如果条件成立,则进入步骤205。
步骤205,经步骤204判断条件成立,说明目标当前的响应矩阵可靠可以更新,则将更新标志update设为1。
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。主程序得到子程序传回的更新标志。
步骤109,如果update不为1,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,之后跳至步骤111。
步骤110,如果update为1,说明目标当前的响应矩阵可靠可以更新,则按KCF的默认参数更新模型参数。方法为:
式(6)和式(7)中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111,判断是否已经到最后一帧,如果是则结束程序,否则进入步骤112。
步骤112,输入下一帧图像并跳至步骤102重复以上跟踪和更新过程,直至最后一帧而结束程序。
为进一步说明本发明的性能,以KCF算法[F.Henriques,Rui Caseiro,PedroMartins,and Jorge Batista.High-Speed Tracking with Kernelized CorrelationFilters.IEEE TPAMI,2015.]为基础,对本发明进行比较分析。测试数据集采用文献[YiWu,Jongwoo Lim,and Ming-Hsuan Yang.Online Object Tracking:A Benchmark.In IEEECVPR,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,保持KCF的默认参数,取高斯核,式(6)和式(7)中取factor=0.02。本发明基本参数和KCF保持相同,式(3)、(4)、(5)中m=10,a=0.26,b=0.73,c=2。
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10组视频和KCF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,表1为对应的KCF和本发明算法的精确度及速度对比。
表1 KCF与本发明算法的精确度(阈值取20像素)与速度对比
通过表1,可以看出本发明的平均精确度比KCF算法高出了5.3%,特别是Couple的精确度高出了35%,说明本发明对快速运动具有良好的跟踪性能。但本发明的平均速度较KCF下降了11%,但也达到了157的帧率,具有较快的跟踪速度。
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。
参见附图3和附图4,分别给出了Couple、Coke两个视频对应的KCF与本文的CLE对比。
通过附图3和附图4可以看出,本发明的CLE性能均优于KCF算法,特别是Couple,进一步说明本发明对目标快速运动的适应能力。对Coke来说,在260帧左右发生了遮挡,但本发明成功的恢复了跟踪,而KCF丢失了目标,说明本发明对遮挡也有一定的处理能力。
实验三,APCE、DifAPCE及各个阈值的对比
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,以Couple及Coke两个视频为例对APCE与APCE阈值以及APCE梯度与APCE梯度阈值进行分析。
附图5和附图6分别给出了视频Couple和Coke上APCE及其阈值以及梯度APCE及其阈值的对比。
参见附图5可以看出,目标在快速运动时梯度阈值在多处起到作用而不更新模型参数,稳定了跟踪性能。其中图5中ThresholdAPCE为APCE阈值;ThresholdDifAPCE1为DifAPCE阈值1;ThresholdDifAPCE2为DifAPCE阈值2。
参见附图6可以看出,整体上梯度阈值没有起到作用,但APCE阈值在260帧左右目标被遮挡时起作用了,说明本发明中处理部分遮挡能力的主要是APCE阈值。
通过以上的实验一、实验二及实验三,进一步说明了本发明提出的一种梯度阈值判断模型更新的目标跟踪方法的有效性,且该方法对跟踪速度的影响很小,简单且实时性强。
需要说明,以上所述各种参数值仅为本发明针对核相关滤波器跟踪算法(KCF)而设计的参数,但不限于KCF,只要是相关滤波器跟踪算法均可,唯一不同的是具体参数需要根据具体算法做相应调整。
Claims (4)
1.一种梯度阈值判断模型更新的目标跟踪方法,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特征;
步骤4:根据当前目标位置以KCF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:运行相关滤波器跟踪算法,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;
DifAPCE的计算为:
DifAPCE(n)=APCE(n)-APCE(n-1);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,DifAPCE阈值1和DifAPCE阈值2的计算分别为:
其中,ThresholdAPCE为APCE阈值;ThresholdDifAPCE_1为DifAPCE阈值1;ThresholdDifAPCE_2为DifAPCE阈值2;m=10,a=0.26,b=0.73,c=2;
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,则更新模型参数,否则不更新;
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。
3.根据权利要求1所述的梯度阈值判断模型更新的目标跟踪方法,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;如果是RGB彩色图则将其转换成灰度图,并根据目标大小调整图像尺寸,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。
4.根据权利要求1所述的梯度阈值判断模型更新的目标跟踪方法,其特征在于,步骤5中,所述相关滤波器跟踪算法为KCF。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711472060.3A CN109146928B (zh) | 2017-12-29 | 2017-12-29 | 一种梯度阈值判断模型更新的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711472060.3A CN109146928B (zh) | 2017-12-29 | 2017-12-29 | 一种梯度阈值判断模型更新的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146928A CN109146928A (zh) | 2019-01-04 |
CN109146928B true CN109146928B (zh) | 2021-09-24 |
Family
ID=64803802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711472060.3A Active CN109146928B (zh) | 2017-12-29 | 2017-12-29 | 一种梯度阈值判断模型更新的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146928B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070126B (zh) * | 2019-04-19 | 2022-08-16 | 中国科学院福建物质结构研究所 | 用于相关滤波目标跟踪的模型更新方法及其装置 |
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 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014063280A (ja) * | 2012-09-20 | 2014-04-10 | Fujifilm Corp | オブジェクト追跡方法及び装置、並びにプログラム |
CN106204638A (zh) * | 2016-06-29 | 2016-12-07 | 西安电子科技大学 | 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 |
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 |
CN107492114A (zh) * | 2017-06-12 | 2017-12-19 | 杭州电子科技大学 | 单目长时视觉跟踪方法的跟踪失败时的使用的重检方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7224735B2 (en) * | 2003-05-21 | 2007-05-29 | Mitsubishi Electronic Research Laboratories, Inc. | Adaptive background image updating |
US9613273B2 (en) * | 2015-05-19 | 2017-04-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Apparatus and method for object tracking |
-
2017
- 2017-12-29 CN CN201711472060.3A patent/CN109146928B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014063280A (ja) * | 2012-09-20 | 2014-04-10 | Fujifilm Corp | オブジェクト追跡方法及び装置、並びにプログラム |
CN106204638A (zh) * | 2016-06-29 | 2016-12-07 | 西安电子科技大学 | 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 |
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 |
CN107492114A (zh) * | 2017-06-12 | 2017-12-19 | 杭州电子科技大学 | 单目长时视觉跟踪方法的跟踪失败时的使用的重检方法 |
Non-Patent Citations (3)
Title |
---|
Large Margin Object Tracking with Circulant Feature Maps;Mengmeng Wang 等;《arXiv》;20170320;1-9 * |
Scene-Aware Adaptive Updating for Visual Tracking via Correlation Filters;Fan Li 等;《sensors》;20171115;第17卷(第11期);1-33 * |
基于多表观模型竞争的视觉跟踪算法;余旺盛 等;《计算机应用研究》;20170315;604-607 * |
Also Published As
Publication number | Publication date |
---|---|
CN109146928A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909888B (zh) | 应用于移动设备端的人脸关键点跟踪系统及方法 | |
CN109146917B (zh) | 一种弹性更新策略的目标跟踪方法 | |
KR102175491B1 (ko) | 상관 필터 기반 객체 추적 방법 | |
EP1975879B1 (en) | Computer implemented method for tracking object in sequence of frames of video | |
CN107885327B (zh) | 一种基于Kinect深度信息的指尖检测方法 | |
CN107564034A (zh) | 一种监控视频中多目标的行人检测与跟踪方法 | |
CN109146928B (zh) | 一种梯度阈值判断模型更新的目标跟踪方法 | |
CN112257569B (zh) | 一种基于实时视频流的目标检测和识别方法 | |
CN109154981A (zh) | 带有横向坡度的道路平面输出 | |
CN110738690A (zh) | 一种基于多目标追踪框架的无人机视频中车速校正方法 | |
CN110580713A (zh) | 基于全卷积孪生网络和轨迹预测的卫星视频目标跟踪方法 | |
CN109087337B (zh) | 基于分层卷积特征的长时间目标跟踪方法及系统 | |
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 | |
CN115375737B (zh) | 基于自适应时间与序列化时空特征的目标跟踪方法与系统 | |
CN112862845A (zh) | 一种基于置信度评估的车道线重构方法及装置 | |
CN113763427A (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
CN111145216B (zh) | 一种视频图像目标的跟踪方法 | |
CN110322479B (zh) | 一种基于时空显著性的双核kcf目标跟踪方法 | |
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 | |
CN112101113A (zh) | 一种轻量化的无人机图像小目标检测方法 | |
CN116563338A (zh) | 一种基于尺度和抗遮挡优化的无人机跟随方法及系统 | |
CN111028268B (zh) | 一种目标跟踪中快速目标尺度估计方法 | |
CN113470074B (zh) | 一种基于分块判别的自适应时空正则化目标跟踪方法 | |
CN107273801B (zh) | 一种视频多目标跟踪检测异常点的方法 | |
CN108805909B (zh) | 在相关滤波框架下基于粒子滤波重检测的目标跟踪方法 |
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 |