CN109558877A - 基于kcf的海上目标跟踪算法 - Google Patents
基于kcf的海上目标跟踪算法 Download PDFInfo
- Publication number
- CN109558877A CN109558877A CN201811220587.1A CN201811220587A CN109558877A CN 109558877 A CN109558877 A CN 109558877A CN 201811220587 A CN201811220587 A CN 201811220587A CN 109558877 A CN109558877 A CN 109558877A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- algorithm
- kcf
- sea
- 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
Links
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 69
- 230000008569 process Effects 0.000 claims description 64
- 230000004044 response Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于视频分析技术领域，具体为一种基于KCF的海上目标跟踪算法。本发明算法包括：（1）图像预处理：主要是对图像的去噪和去雾，获取质量较好的海面图像；（2）目标检测：海天线提取，通过改进的DPM算法获取目标位置；（3）目标跟踪：通过改进的KCF算法，对目标进行轨迹预测，实现有遮挡场景下的多目标跟踪。本发明综合不同图像处理方法性能差异，形成一套能够同时满足时间和准确率要求的算法，可在有限的计算资源下，保证较高的准确率，并实时的进行分析，极大的提高了遮挡场景下的目标跟踪成功率。
Description
技术领域
本发明属于计算机数字图像处理技术领域，具体涉及一种基于KCF的海上目标跟踪算法。
背景技术
随着工业生产的不断发展，越来越多的企业开始关注智能制造这一环节，合理分配资源，提高产业智能化程度成了企业新的方向。将机器视觉引入工业生产是一种变革方式，其中视觉技术目标跟踪在工业领域发挥着很重要的作用，无论是安防监控还是流水线产品的定位，越来越多的视觉跟踪的应用被开发出来。同时，遮挡、形变、背景复杂等一直是目标跟踪领域亟待解决的难题，所以寻找合适的方法来得到良好的跟踪效果是非常关键的。
本发明在相关工作的基础上，作出改进，针对船舶跟踪这一特定的需求，将其分为多个步骤，对每一个步骤选择最优的算法。在目标检测方面，先通过海天线检测算法确定目标初步位置，然后通过DPM算法排除干扰物，针对目标的特性，重新设计了DPM算法的惩罚函数。在目标跟踪方面，针对KCF算法无法处理遮挡设计了更新策略，在短时间遮挡效果显著，对长期遮挡也有一定的预测作用。
发明内容
本发明的目的克服目标跟踪中存在的技术上的缺陷，提供一种鲁棒的、适应力强的基于KCF的海上目标跟踪算法。
本发明提出的海上目标跟踪算法，是基于KCF算法的改进算法。在目标检测方面，先通过海天线检测算法确定目标初步位置，然后通过DPM算法排除干扰物，针对目标的特性，重新设计DPM算法的惩罚函数；在目标跟踪方面，针对KCF算法无法处理遮挡设计了更新策略。本发明提出的算法能适应遮挡、复杂背景等各个场景下的目标跟踪。
本发明提出的基于KCF的海上目标跟踪算法，具体步骤如下：
步骤(1)图像预处理；
步骤(2)海天线辅助目标检测；
步骤(3)轨迹预测的目标跟踪；
其中：
步骤(1)所述的图像预处理，具体过程如下：
过程(11)输入原始彩色图像，对图像进行腐蚀膨胀操作；
过程(12)对图像进行高斯滤波，进行边缘平滑处理，得到滤波后的图像，记为图像I；
过程(13)如果图像I是有雾图像，使用暗通道去雾进行图像去雾；
步骤(2)所述的海天线辅助目标检测，具体过程如下：
过程(21)通过水平梯度检测，寻找梯度差异最大界限；
过程(22)通过非线性分割，获得分割较为明显的海天线
过程(23)通过直线拟合获取海天线L；
过程(24)在海天线利用改进的DPM算法检测船只；
步骤(3)所述的轨迹预测的目标跟踪，具体过程如下：
过程(31)进行循环位移获得正负样本；
过程(32)利用改进的KCF算法进行目标的跟踪。
在步骤(13)中所述的使用暗通道去雾，具体为：
暗通道去雾的数学表示如下：
其中，I(x)表示存在雾的原图像，J(x)是需要得到的去除雾之后的目标图像，和A分别表示大气的折射率和大气光强度，C对应图像的三个通道，Ω表示在输入的周围取均值。
A代表大气光强度，获取方式如下：
从暗通道途中按照亮度大小进行排序，然后选取亮度排在前0.1％的像素点；
在上述选取的像素点位置中，到原始图像(雾图)中寻找对应的像素，将其中最亮的像素值作为大气光强度；
去除雾之后的目标图像J(x)最终计算公式如下：
步骤(2)中所述的海天线辅助目标检测，具体过程如下：
过程(211)根据输入图像的亮度分量进行分解，将图像分解成8*8的块，然后将DCT用于每一个分解块；
过程(212)使用以下策略将每一个应用的DCT块标记为天空和海面：
过程(213)利用所有被标记为天空的块的底部块的中心点绘制地平线；
过程(214)对标注为海面块的块采用高斯混合模型GMM将它们分为K类；其中：
高斯分类的参数和变量具体定义如下：
D＝{X1，X2,……Xt}是X的样本集合；
其中，E1，E2，E3分别表示垂直、对角、和水平方向的频率变化强度，分别是E1,E2,E3的标准偏离的平方，下标i,t分别表示样本号和DCT块号；
利用fit函数来对高斯分布进行排序：
其中ω表示学习率；
步骤(24)中所述的改进的DPM算法，具体过程如下：
过程(241)计算梯度直方图D；
过程(242)计算整体和局部的损失函数F；
过程(243)SVM进行训练；
过程(244)训练模型预测；
其中，所述的计算整体和局部的损失函数F的具体过程如下：
过程(2421)得分公式如下：
其中，x0、y0、l0分别为锚点的横坐标，纵坐标，尺度。R0,l0(x0,y0)为根模型的响应分数，Di,l0-λ(2(x0,y0)+vi)为部件模型的响应分数；
过程(2422)DPM模型可以用M＝(F,P1,P2……Pi)来表示，其中，F表示根模型，Pi则表示第i个部件的模型，Pi＝(f,I,D)是由三个部分组成，f表示第i个部分的滤波器，V表示第i个部件的左上角在整个坐标系下的位置，D表示惩罚系数。
步骤(32)中所述利用改进的KCF算法进行目标的跟踪，具体过程如下：
过程(321)循环矩阵生成样本；
过程(322)分类器在线学习更新；
过程(323)检测器快速检测；
过程(324)伪即时更新策略；
过程(325)轨迹预测；
其中，所述的循环矩阵生成样本具体过程如下：
x＝[x1,x2……xn]T
Px＝[xn,x1,x2,x3,……xn-1,]
其中X表示输入样本向量，P表示循环矩阵，Px表示构造的循环样本向量。
所述的伪即时更新策略具体过程如下：
如果待预测目标的响应和上一次更新时的响应基本接近(设立一个合理的阈值)，那么将待预测样本加入分类器进行更新，同时此最大响应位置即为目标最新位置；
如果待预测目标的响应和上一次更新时响应相差过大，不更新分类器，同时将轨迹预测的位置加入更新并作为新的目标位置。
所述的轨迹预测具体过程如下：
根据遮挡前的目标算出目标的运动方向、速度、角度等位置信息，通过这些信息，即可预测船只下一帧中出现的位置。
本发明的优点：
1、极大的提高了跟踪遮挡目标的准确率；
2、极大的提高了刚体的识别力；
3、本发明提出了基于海天线的定位方式，有助于提高识别效率。
本发明综合不同图像处理方法性能差异，形成一套能够同时满足时间和准确率要求的算法，可在有限的计算资源下，保证较高的准确率，并实时的进行分析，极大的提高了遮挡场景下的目标跟踪成功率。
附图说明
图1是本发明的基于KCF的目标跟踪算法的总流程框图。
图2是步骤1的图像预处理流程图。
图3是步骤2的海天线获取流程图。
图4是步骤3的目标跟踪流程图。
图5是步骤(13)去雾图像的对比图。
图6为不同场景下目标跟踪结果。
具体实施方式
下面是结合附图和实施例对本发明做进一步的详细说明。
参考图1，本发明的基于KCF的目标跟踪算法，具体步骤如下：
(1)图像预处理；
(11)输入原始彩色图像，对图像进行腐蚀膨胀操作，这一步的目的是为了消除一部分噪声和背景轮廓的干扰，我们采取的是开操作(先腐蚀后膨胀)；
(12)对图像进行高斯滤波，进行边缘平滑处理，得到滤波后的图像I；
(13)如果图像I是有雾图像，使用暗通道去雾进行图像去雾；
(131)暗通道去雾的数学表示如下：
其中，I(x)表示我们存在雾的原图像，J(x)是我们需要得到的去除雾之后的目标图像，t(x)和A分别表示大气的折射率大气光强度；
(132)A代表大气光强度，获取方式如下：
(1321)从暗通道途中按照亮度大小进行排序，然后选取亮度排在前0.1％的像素点；
(1322)在选取的像素点对应位置中，到原始图像(雾图)中寻找对应的像素，将其中最亮的像素值作为大气光强度；
(133)最终计算公式如下：图像的处理结果如图5，通过图像去雾，额能够得到良好的无雾图像。
(2)海天线辅助目标检测，这一步的目的是为了确定目标的初步位置，能够提高运行的速度；
(21)通过水平梯度检测，寻找梯度差异最大界限；
(211)根据输入图像的亮度分量进行分解，将图像分解成8*8的块，然后将DCT用于每一个分解块；
(212)然后使用以下策略将每一个应用的DCT块标记为天空和海面：
(213)利用所有被标记为天空的块的底部块的中心点绘制地平线；
(214)对标注为海面块的块采用高斯混合模型GMM来将它们分为K类；其中：
高斯分类的参数和变量具体定义如下：
(2141)D＝{X1,X2,……Xt}是X的样本集合；
(2142)∑i，其中，分别是E1,E2,E3的标准偏离的平方。
(2143)利用fit函数来对高斯分布进行排序：
(2144)SVM训练，SVM通过提取样本图像的HOG特征来进行训练；
(22)通过非线性分割，获得分割较为明显的海天线；
(23)通过直线拟合获取海天线L，采用opencv的HoughLine函数来进行直线拟合；
(24)在海天线利用改进的DPM算法检测船只；
(241)计算梯度直方图D；
(242)计算整体和局部的损失函数F；具体过程如下：
(2421)得分公式如下：
(2422)DPM模型可以用M＝(F,P1,P2……Pi)来表示，其中F表示根模型，Pi则表示第i个部件的模型，其中Pi＝(F,V,D)是由三个部分组成，F表示第i个部分的滤波器，V表示第i个部件的左上角在整个坐标系下的位置，D表示惩罚系数；
SVM进行训练，SVM通过提取样本图像的HOG特征来进行训练；
(243)训练模型预测。
步骤(3)所述的目标跟踪，具体过程如下：
(31)进行循环位移获得正负样本；
(32)利用改进的KCF算法进行目标的跟踪；
(321)循环矩阵生成样本；具体过程如下：
(3211)x＝[x1,x2……xn]T
Px＝[xn,x1,x2,x3,……xn-1,]
所述的伪即时更新策略具体过程如下：
(322)分类器在线学习更新；
(323)检测器快速检测；
(324)伪即时更新策略；
(3241)如果待预测目标的响应和上一次更新时的响应基本接近(设立一个合理的阈值)，那么我们将待预测样本加入分类器进行更新，同时此最大响应位置即为目标最新位置；
(3242)如果待预测目标的响应和上一次更新时响应相差过大，我们不更新分类器，同时将轨迹预测的位置加入更新并作为新的目标位置；
(325)轨迹预测；
其中所述的轨迹预测具体过程如下：
(3251)根据遮挡前的目标算出目标的运动方向，速度，角度等位置信息，通过这些信息，我们能够预测船只下一帧中出现的位置，图6则是最后的跟踪结果展示。
Claims (5)
1.一种基于KCF的海上目标跟踪算法，其特征在于，具体步骤如下：
步骤(1)图像预处理；
步骤(2)海天线辅助目标检测；
步骤(3)轨迹预测的目标跟踪；
其中：
步骤(1)所述的图像预处理，具体过程如下：
过程(11)输入原始彩色图像，对图像进行腐蚀膨胀操作；
过程(12)对图像进行高斯滤波，进行边缘平滑处理，得到滤波后的图像I；
过程(13)如果图像I是有雾图像，使用暗通道去雾进行图像去雾；
步骤(2)所述的海天线辅助目标检测，具体过程如下：
过程(21)通过水平梯度检测，寻找梯度差异最大界限；
过程(22)通过非线性分割，获得分割较为明显的海天线
过程(23)通过直线拟合获取海天线L；
过程(24)在海天线利用改进的DPM算法检测船只；
步骤(3)所述的目标跟踪，具体过程如下：
过程(31)进行循环位移获得正负样本；
过程(32)利用改进的KCF算法进行目标的跟踪。
2.根据权利要求1所述的基于KCF的海上目标跟踪算法，其特征在于，步骤(13)中所述的使用暗通道去雾，具体为：
暗通道去雾的数学表示如下：
其中，I(x)表示存在雾的原图像，J(x)是需要得到的去除雾之后的目标图像，t(x)和A分别表示大气的折射率和大气光强度；
A的获取方式如下：
从暗通道途中按照亮度大小进行排序，然后选取亮度排在前0.1％的像素点；
之后在选取的像素点中，到原始图像中寻找对应的像素，将其中最亮的像素值作为大气光强度；
去除雾之后的目标图像J(x)最终计算公式如下：
3.根据权利要求1所述的基于KCF的海上目标跟踪算法，其特征在于，步骤(2)中所述的检测海天线，具体过程如下：
过程(211)根据输入图像的亮度分量进行分解，将图像分解成8*8的块，然后将DCT用于每一个分解块；
过程(212)然后使用以下策略将每一个应用的DCT块标记为天空和海面：
过程(213)利用所有被标记为天空的块的底部块的中心点绘制地平线；
过程(214)对标注为海面块的块采用高斯混合模型GMM来将它们分为K类；其中：
高斯分类的参数和变量具体定义如下：
D＝{X1,X2,……Xt}是X的样本集合；
其中，分别是E1,E2,E3的标准偏离的平方；
利用fit函数来对高斯分布进行排序：
4.根据权利要求1所述的基于KCF的海上目标跟踪算法，其特征在于，步骤(24)中所述的改进的DPM算法，具体过程如下：
过程(241)计算梯度直方图D；
过程(242)计算整体和局部的损失函数F；
过程(243)SVM进行训练；
过程(244)训练模型预测；
所述的计算整体和局部的损失函数F，具体做法如下：
得分公式为：
其中，x0、y0、l0分别为锚点的横坐标，纵坐标，尺度，R0,l0(x0,y0)为根模型的响应分数，Di,l0-λ(2(x0,y0)+vi)为部件模型的响应分数；
DPM模型用M＝(F,P1,P2……Pi)来表示，其中，F表示根模型，Pi则表示第i个部件的模型，Pi＝(f,V,D)是由三个部分组成，f表示第i个部分的滤波器，V表示第i个部件的左上角在整个坐标系下的位置，D表示惩罚系数。
5.根据权利要求1所述的基于KCF的海上目标跟踪算法，其特征在于，步骤(32)中所述利用改进的KCF算法进行目标的跟踪，具体过程如下：
过程(321)循环矩阵生成样本；
过程(322)分类器在线学习更新；
过程(323)检测器快速检测；
过程(324)伪即时更新策略；
过程(325)轨迹预测；
所述的循环矩阵生成样本具体过程如下：
x＝[x1,x2……xn]T
Px＝[xn,x1,x2,x3,……xn-1,]
所述的伪即时更新策略具体过程如下：
如果待预测目标的响应和上一次更新时的响应基本接近，那么将待预测样本加入分类器进行更新，同时此最大响应位置即为目标最新位置；
如果待预测目标的响应和上一次更新时响应相差过大，不更新分类器，同时将轨迹预测的位置加入更新并作为新的目标位置；
所述的轨迹预测具体过程如下：
根据遮挡前的目标算出目标的运动方向、速度、角度位置信息，通过这些信息，即可预测船只下一帧中出现的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811220587.1A CN109558877B (zh) | 2018-10-19 | 2018-10-19 | 基于kcf的海上目标跟踪算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811220587.1A CN109558877B (zh) | 2018-10-19 | 2018-10-19 | 基于kcf的海上目标跟踪算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109558877A true CN109558877A (zh) | 2019-04-02 |
| CN109558877B CN109558877B (zh) | 2023-03-07 |
Family
ID=65865002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811220587.1A Active CN109558877B (zh) | 2018-10-19 | 2018-10-19 | 基于kcf的海上目标跟踪算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109558877B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111105390A (zh) * | 2019-11-20 | 2020-05-05 | 复旦大学 | 一种改进的海天线检测和评估方法 |
| CN111862164A (zh) * | 2019-04-29 | 2020-10-30 | 天津理工大学 | 基于暗通道先验的核相关滤波去雾跟踪算法 |
| CN113483739A (zh) * | 2021-07-14 | 2021-10-08 | 中国科学院长春光学精密机械与物理研究所 | 海上目标位置测量方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107424177A (zh) * | 2017-08-11 | 2017-12-01 | 哈尔滨工业大学（威海） | 基于连续相关滤波器的定位修正长程跟踪算法 |
| WO2018048353A1 (en) * | 2016-09-09 | 2018-03-15 | Nanyang Technological University | Simultaneous localization and mapping methods and apparatus |
| CN107918765A (zh) * | 2017-11-17 | 2018-04-17 | 中国矿业大学 | 一种移动目标检测并追踪系统及其方法 |
| CN108090922A (zh) * | 2016-11-21 | 2018-05-29 | 中国科学院沈阳计算技术研究所有限公司 | 智能目标跟踪轨迹记录方法 |
| CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
| CN108257148A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 |
| CN108447078A (zh) * | 2018-02-28 | 2018-08-24 | 长沙师范学院 | 基于视觉显著性的干扰感知跟踪算法 |
-
2018
- 2018-10-19 CN CN201811220587.1A patent/CN109558877B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018048353A1 (en) * | 2016-09-09 | 2018-03-15 | Nanyang Technological University | Simultaneous localization and mapping methods and apparatus |
| CN108090922A (zh) * | 2016-11-21 | 2018-05-29 | 中国科学院沈阳计算技术研究所有限公司 | 智能目标跟踪轨迹记录方法 |
| CN107424177A (zh) * | 2017-08-11 | 2017-12-01 | 哈尔滨工业大学（威海） | 基于连续相关滤波器的定位修正长程跟踪算法 |
| CN107918765A (zh) * | 2017-11-17 | 2018-04-17 | 中国矿业大学 | 一种移动目标检测并追踪系统及其方法 |
| CN108257148A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 |
| CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
| CN108447078A (zh) * | 2018-02-28 | 2018-08-24 | 长沙师范学院 | 基于视觉显著性的干扰感知跟踪算法 |
Non-Patent Citations (1)
| Title |
|---|
| HENRIQUES J F，CASEIRO R，MARTINS P，ET AL.: ""High speed tracking with kernelized correlation filters"", 《IEEE TRANSACTION ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862164A (zh) * | 2019-04-29 | 2020-10-30 | 天津理工大学 | 基于暗通道先验的核相关滤波去雾跟踪算法 |
| CN111862164B (zh) * | 2019-04-29 | 2024-08-06 | 天津理工大学 | 基于暗通道先验的核相关滤波去雾跟踪算法 |
| CN111105390A (zh) * | 2019-11-20 | 2020-05-05 | 复旦大学 | 一种改进的海天线检测和评估方法 |
| CN111105390B (zh) * | 2019-11-20 | 2022-03-18 | 复旦大学 | 一种改进的海天线检测和评估方法 |
| CN113483739A (zh) * | 2021-07-14 | 2021-10-08 | 中国科学院长春光学精密机械与物理研究所 | 海上目标位置测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109558877B (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110427839B (zh) | 基于多层特征融合的视频目标检测方法 | |
| Bahnsen et al. | Rain removal in traffic surveillance: Does it matter? | |
| CN108171112B (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
| CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
| CN107808161B (zh) | 一种基于光视觉的水下目标识别方法 | |
| CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
| CN109558877B (zh) | 基于kcf的海上目标跟踪算法 | |
| Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
| Petraglia et al. | Pipeline tracking and event classification for an automatic inspection vision system | |
| CN112580447B (zh) | 一种基于边缘二阶统计与融合的电力线检测方法 | |
| Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
| CN112633274A (zh) | 一种声呐图像目标检测方法、装置、电子设备 | |
| CN111489330A (zh) | 基于多源信息融合的弱小目标检测方法 | |
| CN111105390B (zh) | 一种改进的海天线检测和评估方法 | |
| CN116246139A (zh) | 一种无人艇航行环境基于多传感器融合的目标识别方法 | |
| Harianto et al. | Data augmentation and faster rcnn improve vehicle detection and recognition | |
| CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
| CN112801021B (zh) | 基于多级语义信息的车道线检测方法及系统 | |
| Kokul et al. | Single image defogging using depth estimation and scene-specific dark channel prior | |
| CN116152758A (zh) | 一种智能实时事故检测及车辆跟踪方法 | |
| CN105741317A (zh) | 基于时空域显著性分析和稀疏表示的红外运动目标检测方法 | |
| CN114820718A (zh) | 一种视觉动态定位跟踪算法 | |
| CN111583341B (zh) | 云台像机移位检测方法 | |
| CN113850166A (zh) | 一种基于卷积神经网络的船舶图像识别方法及系统 | |
| Smith et al. | Automated counting of the northern pacific sea star in the derwent using shape recognition |
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 |