CN109271883A - 一种融合学习机制的目标跟踪方法 - Google Patents
一种融合学习机制的目标跟踪方法 Download PDFInfo
- Publication number
- CN109271883A CN109271883A CN201810986336.8A CN201810986336A CN109271883A CN 109271883 A CN109271883 A CN 109271883A CN 201810986336 A CN201810986336 A CN 201810986336A CN 109271883 A CN109271883 A CN 109271883A
- Authority
- CN
- China
- Prior art keywords
- face
- target
- tracking
- ihdr
- kcf
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种融合学习机制的目标跟踪方法,其特征在于结合在线学习与识别算法以及改进的KCF跟踪算法;通过提取稠密光照不变特征的方式提取人脸的IIF光照不变特征,使得人脸识别的结果不受光照变化的影响;同时利用改进的KCF跟踪算法,检测三个尺度大小不同的窗口对目标的响应,选取响应最强烈的尺度窗口作为下一时刻的跟踪窗口,实现尺度自适应的目标跟踪;当目标短暂离开摄像头视域范围时,重新识别目标人脸,重新初始化KCF跟踪器,实现对目标人脸的长期跟踪。
Description
技术领域
本发明涉及图像模式识别领域,涉及图像处理和机器视觉等技术,尤其涉及视频的人脸识别与跟踪处理方法。
技术背景
现在,人脸识别与跟踪在人工智能和机器视觉领域是一个热点问题,具有较高的研究价值,在智能监控、机器人、人机交互等方面有着广泛的应用。视频人脸跟踪的根本任务是在视频序列中检测并识别某个人脸,然后跟踪捕获该人脸的运动轨迹与大小变化。现有的视频人脸跟踪算法主要有CamShift、SURF以及Mean Shift等算法,这些算法虽然在特定环境下能对人脸进行准确地跟踪,但在光照变化强烈的环境下跟踪效果不理想。部分跟踪方法在跟踪前需要手动选取跟踪目标,不能达到自动跟踪目标的效果,并且在跟踪过程中会因为算法的运行速度太慢、视频帧率太低或者目标人脸姿态的改变而导致跟丢目标。
对于视觉跟踪,Joao F提出的KCF跟踪算法具有跟踪速度快、跟踪效果好的特点,但是KCF存在跟踪过程中跟踪框不能自适应尺度的问题,并且KCF只能实现短期跟踪,不能实现长期跟踪,长期跟踪是指当跟踪目标短暂离开摄像头视域范围后,仍能继续跟踪目标。
发明内容
本发明要解决的技术问题是:光照变化强烈的环境下对人脸的识别效果不好,影响在丢失目标后重新定位目标的正确率;对于跟踪目标的选取通常通过手动选取的方法或者人脸检测的方法,手动选取的方法不能达到自动跟踪目标人脸的效果,而当摄像头视域范围内包含多于1个人时,人脸检测的方法不能确定哪个是跟踪目标;在跟踪过程中跟踪框不能实现尺度自适应;当目标短暂离开摄像头视域范围后不能重新跟踪目标,即不能对目标进行长期的跟踪。
针对以上问题,本发明提出如下技术方案:
一种融合学习机制的目标跟踪方法,先识别视频数据流中的目标人脸,再对目标人脸进行跟踪,达到自动跟踪目标人脸的效果:其特征在于:结合在线人脸学习与识别算法以及改进的KCF跟踪算法对目标人脸进行跟踪;通过提取稠密光照不变特征的方式提取人脸的IIF光照不变特征,使得人脸识别的结果不受光照变化的影响;同时利用改进的KCF跟踪算法,检测三个尺度大小不同的窗口对目标的响应,选取响应最强烈的尺度窗口作为下一时刻的跟踪窗口,实现尺度自适应的目标跟踪;当目标短暂离开摄像头视域范围时,重新识别目标人脸,重新初始化KCF跟踪器,实现对目标人脸的长期跟踪。
进一步的,首先,进行人脸检测,确定目标人脸的位置并提取目标人脸光照不变特征特征;其次,使用IHDR算法增量式地学习由人脸特征向量与对应姓名标签之间的映射关系;然后,检索IHDR树,识别目标人脸,根据目标人脸位置生成一个比目标人脸大的子窗口;最后,用生成的子窗口初始化KCF跟踪器,实现对目标人脸的跟踪。
上述技术方案中,包括如下主要步骤:
步骤S1:打开摄像头,读入视频数据流,使用人脸检测算法检测并定位视频流中的人脸;在复杂背景中识别出人脸;
步骤S2:根据检测到的人脸位置生成一个比目标人脸大的矩形子窗口;
步骤S3:对子窗口中的人脸图片进行预处理,提取人脸特征;
步骤S4:启动IHDR增量学习算法学习人脸的特征向量与姓名标签之间的映射关系,构建IHDR树;
步骤S5:使用人脸检测算法定位并框选出人脸,对框选出的人脸进行预处理,检索IHDR树,识别目标人脸,并输出识别结果;
步骤S6:用识别目标人脸得到的子窗口初始化KCF跟踪器,训练KCF分类器,然后启动KCF跟踪器,对目标人脸进行跟踪。
步骤S7:当跟踪失败或目标人脸短暂离开摄像头时,返回步骤S5,重新识别人脸,当连续3帧识别出目标人脸,则信任识别结果,输出人脸对应的识别结果,执行剩下的步骤,实现对目标的长期跟踪。
指上述技术方案中,步骤S2中生成的子窗口长宽为实际人脸长宽的1.2~1.6倍。
上述技术方案中,步骤S3中预处理包括人脸摆正、椭圆掩膜修正和双边滤波。人脸摆正是指将因人体姿态变化而倾斜的人脸摆正,使左右眼在一个水平面上;椭圆掩膜修正是指将子窗口中除椭圆形人脸以外的区域屏蔽掉,使被屏蔽的部分不参与特征提取,提高算法运行速度与人脸识别率。
上述技术方案中,步骤S4中IHDR算法学习人脸特征的过程是IHDR树构建的过程,其中输入的人脸特征存储于IHDR树的X空间,对应的虚拟标签存储于IHDR树的Y空间,该虚拟标签指向特征对应的识别结果,其学习过程如下:输入待学习的人脸特征向量及姓名,判断是否学习过该姓名,若是,将人脸特征添加到该姓名所属虚拟标签所指向的x聚类子中;若否,判断是否学习过该人脸特征向量,若是,则学习失败,若否,则Y空间虚拟标签加1,X空间生成新的x聚类子,与虚拟标签相对应。
上述技术方案中,步骤S5中预处理与步骤S3中预处理相同,其人脸识别过程就是检索IHDR树的过程:判断是否学习过该人脸特征向量,若是,输出识别结果,若否,识别失败。
上述技术方案中,步骤S6中,在KCF的跟踪过程中设定三个尺度大小不同的窗口,分别计算三个窗口对目标的响应,响应最大的窗口置为下一时刻的跟踪窗口,如此实现尺度自适应跟踪。
上述技术方案中,上述一种融合学习机制的目标跟踪方法,基于Windows 7的32位操作系统下的Visual Studio 2013,以及版本为2.4.9的开源OpenCV库。
上述技术方案中,打开摄像头、视频流的读入、灰度化、双边滤波等都是基于OpenCV的库函数实现的。
相对于现有技术,针对提及的当前人脸跟踪方法存在的问题,本发明提出相应的解决方案。针对采用一种提取稠密光照不变特征的方法,该方法对于光照变化具有不变性,即,不同光照下的同一个目标对应IIF(Illumination Invariant Features)特征具有不变性,使用IIF特征能有效地降低光照变化的影响,解决跟踪过程中易受光照变化影响的问题;针对需要手动选取跟踪目标的问题,采用在线增量式学习方法对非特定目标人脸进行学习,能准确有效地检测出目标人脸,为有效地跟踪奠定基础;针对KCF存在尺度不能自适应且不能长期跟踪等缺陷,采用将检测和跟踪互补,使得跟踪过程能够实现尺度自适应的长期跟踪。该方法具有良好的跟踪效果,可广泛应用于智能监控、机器人、人机交互等方面。
附图说明
图1是本发明融合学习机制的目标跟踪方法流程图。
图2是IHDR树结构示意图;a为IHDR树的拓扑结构,b为带有节点展示的对应配图。
图3是构建IHDR树的流程图。
图4是检索IHDR树的流程图。
图5是KCF目标跟踪过程流程图。
具体实施方式
为了进一步说明本发明的技术方案,下面将结合附图1-5对本方案进行详细地说明。
如图1所示,根据本发明一种融合学习机制的目标跟踪方法,包括如下流程:
步骤S1:打开摄像头,读入视频数据流,使用人脸检测算法检测并定位视频流中的人脸。
人脸检测是指在复杂背景中识别出人脸。本发明使用的是开源的人脸检测库libfacedetection中的frontal_surveillance接口,运行速度为261.1FPS。
步骤S2:根据检测到的人脸位置生成一个比目标人脸大的矩形子窗口。生成的子窗口长宽为实际人脸长宽的1.2~1.6倍。
步骤S3:对子窗口中的人脸图片进行人脸摆正、椭圆掩膜修正以及双边滤波等预处理,对预处理后的图片提取IIF光照不变特征,具体实现方法如下所示:
步骤S31:人脸摆正:首先使用OpenCV自带的人眼检测算法进行人眼对齐,确定左右眼中心坐标;计算左右眼中心坐标连线的倾斜角度,作为人脸的倾斜角度;根据倾斜角度的大小与方向逆方向旋转人脸,将人脸摆正。
步骤S32:椭圆掩膜修正:首先,生成一张与人脸摆正后大小一致的空掩膜,将空掩膜像素置为0;在掩膜中根据人脸位置和大小拟合一个近似人脸的椭圆,将掩膜中椭圆内像素置为128;将生成的椭圆掩膜与摆正后的人脸图像作对应像素的与运算,剔除人脸图像中的背景图像,剩下椭圆人脸图像。
步骤S33:提取人脸图像的IIF光照不变特征。提取IIF特征有如下几个步骤:
步骤S331:将人脸图片灰度化,计算其LSH(Locality Sensitive Histograms)局部敏感直方图。LSH局部敏感直方图较传统直方图的特点是:传统直方图统计的是特定强度值出现频率的整数,而LSH局部敏感直方图引入一个权重参数α|p-q|,α∈(0,1)来表示像素点与目标中心像素点之间的距离关系,其中p为中心像素点,q为第q个像素点,因此当像素点越远离中心像素点时,加权越小,反之加权越大,故而LSH局部敏感直方图统计的是每个像素点加权后的浮点数。
步骤S332:根据公式(1)计算IIF光照不变特征:
其中,Lp是亮度值在区间[1,B]中的像素数;B是亮度值量化的区间b的总数;bp代表像素点p的亮度值Ip所对应的量化bin;k=0.1是一个经验常量;参数rp通常用来控制区间的长度,我们将rp设置为4;表示在像素点p计算得到的局部敏感直方图。
步骤S4:学习目标人脸特征。学习人脸特征的过程是构建IHDR树的过程,IHDR树的结构示意图如图2所示,其构建IHDR树的流程如图3所示,IHDR树的特征在于:IHDR树包括X空间和Y空间,X空间存储人脸特征向量,对于不同的人脸生成对应的x聚类子;Y空间存储虚拟标签,虚拟标签与x聚类子一一对应,每一个虚拟标签指向对应的姓名标签(识别结果的一种,也可以是其他ID信息)。其具体过程包括如下几个步骤:
步骤S41:输入待学习的人脸特征向量及姓名,判断是否学习过该姓名。
步骤S42:若是,将人脸特征差异添加到该姓名所属虚拟标签所指向的x聚类子中,更新IHDR树。
步骤S43:若否,判断是否学习过该人脸特征向量。给定距离阈值d,距离越小认为特征越相似,当距离小于阈值时,认为是相同的样本特征,。从IHDR树的第一层开始遍历x聚类子,计算待学习的人脸特征向量与x聚类子的欧氏距离D。
步骤S44:若D<d,则学习失败,表示曾经学习过该人脸,但与所输入的人脸姓名不同。
步骤S45:若D>d,遍历IHDR树的下一层x聚类子,重复步骤S43中计算欧氏距离的步骤,直至遍历到叶子节点(此节点下再无子节点),若叶子节点中D<d,则与步骤S44结果相同。
步骤S46:若叶子节点中D>d,则Y空间虚拟标签加1,X空间生成新的x聚类子,与此新的虚拟标签相对应,更新IHDR树。
步骤S5:识别目标人脸。人脸识别过程就是检索IHDR树的过程,其流程如图4所示,检索IHDR树包括以下几个步骤:
步骤S51:从IHDR树第一层开始遍历x聚类子,计算待识别的人脸向量与x聚类子的欧氏距离D。
步骤S52:若D<d,则检索停止,返回该聚类中心对应的Y空间的虚拟标签,输出虚拟标签对应的姓名标签。
步骤S53:若D>d,则继续向下遍历x聚类子,计算两者之间的欧氏距离D,直至叶子节点,若D<d,则与步骤S52一致;若在叶子节点中D>d,则代表IHDR树未曾学习过该人脸,检索失败,人脸识别不成功。
步骤S6:跟踪目标人脸。用识别目标人脸得到的子窗口初始化KCF跟踪器,然后启动KCF跟踪器,对目标人脸进行跟踪。其跟踪过程如流程图5所示,具体操作步骤如下:
步骤S61:用识别目标人脸得到的子窗口初始化KCF跟踪器,生成跟踪窗口(与识别窗口一致)。
步骤S62:训练KCF分类器。定义区域padding,padding以跟踪窗口为中心,大小为跟踪窗口长宽的2.5倍,对区域padding进行循环位移操作,采集正负样本,利用脊回归训练KCF分类器,这个分类器能计算一个小窗口采样的响应。
步骤S62:当第t帧读入时,在第t-1帧区域padding附近采样,用KCF分类器判断每个采样窗口的响应,将响应最强烈的窗口设为第t帧原始跟踪窗口,以原始跟踪窗口的中心为中心,设置两个尺度大于和小于原始跟踪窗口的窗口,计算三个窗口的响应,将响应最大的窗口置为第t时刻的跟踪窗口,如此实现自适应尺度跟踪。
步骤S63:对第t帧跟踪窗口的padding区域进行循环位移操作,采集正负样本,更新KCF分类器。
步骤S7:检测跟踪框边界,当跟踪框边界离开视频边界一定范围内时,修正跟踪框边界;当跟踪框边界离开视频边界超过一定范围时,停止跟踪,返回步骤S5,并顺序执行,重新初始化KCF跟踪器,启动KCF跟踪器,实现长期的目标跟踪。
上述技术方案中,上述一种融合学习机制的目标跟踪方法,基于Windows 732位操作系统下的Visual Studio 2013,以及版本为2.4.9的开源OpenCV库。
上述技术方案中,打开摄像头、视频流的读入、灰度化、双边滤波等都是基于OpenCV的库函数实现的。
Claims (10)
1.一种融合学习机制的目标跟踪方法,先识别视频数据流中的目标人脸,再对目标人脸进行跟踪,达到自动跟踪目标人脸的效果:其特征在于:结合在线人脸学习与识别算法以及改进的KCF跟踪算法对目标人脸进行跟踪;通过提取稠密光照不变特征的方式提取人脸的IIF光照不变特征,使得人脸识别的结果不受光照变化的影响;同时利用改进的KCF跟踪算法,检测三个尺度大小不同的窗口对目标的响应,选取响应最强烈的尺度窗口作为下一时刻的跟踪窗口,实现尺度自适应的目标跟踪;当目标短暂离开摄像头视域范围时,重新识别目标人脸,重新初始化KCF跟踪器,实现对目标人脸的长期跟踪。
2.根据权利要求1所述的的融合学习机制的目标跟踪方法,其特征在于:首先,进行人脸检测,确定目标人脸的位置并提取目标人脸光照不变特征特征;其次,使用IHDR算法增量式地学习由人脸特征向量与对应姓名标签之间的映射关系;然后,检索IHDR树,识别目标人脸,根据目标人脸位置生成一个比目标人脸大的子窗口;最后,用生成的子窗口初始化KCF跟踪器,实现对目标人脸的跟踪。
3.根据权利要求2所述的的融合学习机制的目标跟踪方法,其特征在于:包括如下主要步骤:
步骤S1:打开摄像头,读入视频数据流,使用人脸检测算法检测并定位视频流中的人脸;在复杂背景中识别出人脸;
步骤S2:根据检测到的人脸位置生成一个比目标人脸大的矩形子窗口;
步骤S3:对子窗口中的人脸图片进行预处理,提取人脸特征;
步骤S4:启动IHDR增量学习算法学习人脸的特征向量与姓名标签之间的映射关系,构建IHDR树;
步骤S5:使用人脸检测算法定位并框选出人脸,对框选出的人脸进行预处理,检索IHDR树,识别目标人脸,并输出识别结果;
步骤S6:用识别目标人脸得到的子窗口初始化KCF跟踪器,训练KCF分类器,然后启动KCF跟踪器,对目标人脸进行跟踪。
步骤S7:当跟踪失败或目标人脸短暂离开摄像头时,返回步骤S5,重新识别人脸,当连续3帧识别出目标人脸,则信任识别结果,输出人脸对应的识别结果,执行剩下的步骤,实现对目标的长期跟踪。
4.根据权利要求3所述的的融合学习机制的目标跟踪方法,其特征在于:步骤S2中生成的子窗口长宽为实际人脸长宽的1.2~1.6倍。
5.根据权利要求3所述的的融合学习机制的目标跟踪方法,其特征在于:步骤S3中预处理包括人脸摆正、椭圆掩膜修正和双边滤波。人脸摆正是指将因人体姿态变化而倾斜的人脸摆正,使左右眼在一个水平面上;椭圆掩膜修正是指将子窗口中除椭圆形人脸以外的区域屏蔽掉,使被屏蔽的部分不参与特征提取,提高算法运行速度与人脸识别率。
6.根据权利要求3所述的的融合学习机制的目标跟踪方法,其特征在于:步骤S4中IHDR算法学习人脸特征的过程是IHDR树构建的过程,其中输入的人脸特征存储于IHDR树的X空间,对应的虚拟标签存储于IHDR树的Y空间,该虚拟标签指向特征对应的识别结果,其学习过程如下:输入待学习的人脸特征向量及姓名,判断是否学习过该姓名,若是,将人脸特征添加到该姓名所属虚拟标签所指向的x聚类子中;若否,判断是否学习过该人脸特征向量,若是,则学习失败,若否,则Y空间虚拟标签加1,X空间生成新的x聚类子,与虚拟标签相对应。
7.根据权利要求3所述的的融合学习机制的目标跟踪方法,其特征在于:步骤S5中预处理与步骤S3中预处理相同,其人脸识别过程就是检索IHDR树的过程:判断是否学习过该人脸特征向量,若是,输出识别结果,若否,识别失败。
8.根据权利要求3所述的的融合学习机制的目标跟踪方法,其特征在于:步骤S6中,在KCF的跟踪过程中设定三个尺度大小不同的窗口,分别计算三个窗口对目标的响应,响应最大的窗口置为下一时刻的跟踪窗口,如此实现尺度自适应跟踪。
9.根据权利要求3所述的的融合学习机制的目标跟踪方法,其特征在于:上述一种融合学习机制的目标跟踪方法,基于Windows 7的32位操作系统下的Visual Studio 2013,以及版本为2.4.9的开源OpenCV库。
10.根据权利要求3所述的的融合学习机制的目标跟踪方法,其特征在于:打开摄像头、视频流的读入、灰度化、双边滤波等都是基于OpenCV的库函数实现的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986336.8A CN109271883A (zh) | 2018-08-28 | 2018-08-28 | 一种融合学习机制的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986336.8A CN109271883A (zh) | 2018-08-28 | 2018-08-28 | 一种融合学习机制的目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109271883A true CN109271883A (zh) | 2019-01-25 |
Family
ID=65154678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810986336.8A Pending CN109271883A (zh) | 2018-08-28 | 2018-08-28 | 一种融合学习机制的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271883A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363792A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
CN111914600A (zh) * | 2019-05-08 | 2020-11-10 | 四川大学 | 一种基于空间注意力模型的群组情绪识别方法 |
CN112419362A (zh) * | 2019-08-21 | 2021-02-26 | 中国人民解放军火箭军工程大学 | 一种基于先验信息特征学习的运动目标跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336971A (zh) * | 2013-07-08 | 2013-10-02 | 浙江工商大学 | 基于多特征融合与增量学习的多摄像机间的目标匹配方法 |
CN106570471A (zh) * | 2016-10-26 | 2017-04-19 | 武汉科技大学 | 基于压缩跟踪算法的尺度自适应多姿态人脸跟踪方法 |
CN106778501A (zh) * | 2016-11-21 | 2017-05-31 | 武汉科技大学 | 基于压缩跟踪与ihdr增量学习的视频人脸在线识别方法 |
CN107481264A (zh) * | 2017-08-11 | 2017-12-15 | 江南大学 | 一种自适应尺度的视频目标跟踪方法 |
-
2018
- 2018-08-28 CN CN201810986336.8A patent/CN109271883A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336971A (zh) * | 2013-07-08 | 2013-10-02 | 浙江工商大学 | 基于多特征融合与增量学习的多摄像机间的目标匹配方法 |
CN106570471A (zh) * | 2016-10-26 | 2017-04-19 | 武汉科技大学 | 基于压缩跟踪算法的尺度自适应多姿态人脸跟踪方法 |
CN106778501A (zh) * | 2016-11-21 | 2017-05-31 | 武汉科技大学 | 基于压缩跟踪与ihdr增量学习的视频人脸在线识别方法 |
CN107481264A (zh) * | 2017-08-11 | 2017-12-15 | 江南大学 | 一种自适应尺度的视频目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
SHENGFENG HE ET AL: "Visual Tracking via Locality Sensitive Histograms", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
王艳川: "基于在线检测和尺度自适应的相关滤波跟踪", 《光学学报》 * |
程勇: "人脸识别中光照不变量提取算法研究", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914600A (zh) * | 2019-05-08 | 2020-11-10 | 四川大学 | 一种基于空间注意力模型的群组情绪识别方法 |
CN110363792A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
CN112419362A (zh) * | 2019-08-21 | 2021-02-26 | 中国人民解放军火箭军工程大学 | 一种基于先验信息特征学习的运动目标跟踪方法 |
CN112419362B (zh) * | 2019-08-21 | 2023-07-07 | 中国人民解放军火箭军工程大学 | 一种基于先验信息特征学习的运动目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360183B (zh) | 一种基于卷积神经网络的人脸图像质量评估方法和系统 | |
Maddalena et al. | A self-organizing approach to background subtraction for visual surveillance applications | |
Reinders et al. | Locating facial features in image sequences using neural networks | |
CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
Fritsch et al. | Improving adaptive skin color segmentation by incorporating results from face detection | |
WO2020125499A1 (zh) | 一种操作提示方法及眼镜 | |
CN109271883A (zh) | 一种融合学习机制的目标跟踪方法 | |
Kumar et al. | Learning-based approach to real time tracking and analysis of faces | |
CN105787458A (zh) | 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法 | |
CN108038452A (zh) | 一种基于局部图像增强的家电手势快速检测识别方法 | |
GB2565775A (en) | A Method, an apparatus and a computer program product for object detection | |
CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
CN109886356A (zh) | 一种基于三分支神经网络的目标追踪方法 | |
CN111797771A (zh) | 一种基于迭代学习的弱监督视频行为检测方法及系统 | |
CN112446882A (zh) | 一种动态场景下基于深度学习的鲁棒视觉slam方法 | |
CN113870304B (zh) | 异常行为检测与跟踪方法、装置、可读存储介质及设备 | |
KR20190059225A (ko) | 점진적 딥러닝 학습을 이용한 적응적 영상 인식 기반 감성 추정 방법 및 장치 | |
Marcos-Ramiro et al. | Let your body speak: Communicative cue extraction on natural interaction using RGBD data | |
CN109784215A (zh) | 一种基于改进的光流法的活体检测方法及系统 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN110046601B (zh) | 针对十字路口场景的行人检测方法 | |
Zhu et al. | Confusion region mining for crowd counting | |
WO2023069085A1 (en) | Systems and methods for hand image synthesis | |
Howell et al. | RBF network methods for face detection and attentional frames | |
CN114529944A (zh) | 一种结合人体关键点热图特征的人像景别识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |