CN109993769B - 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 - Google Patents
一种深度学习ssd算法结合kcf算法的多目标跟踪系统 Download PDFInfo
- Publication number
- CN109993769B CN109993769B CN201910172751.4A CN201910172751A CN109993769B CN 109993769 B CN109993769 B CN 109993769B CN 201910172751 A CN201910172751 A CN 201910172751A CN 109993769 B CN109993769 B CN 109993769B
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- algorithm
- kcf
- tracked
- 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
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种深度学习SSD算法结合KCF算法的多目标跟踪系统,包括以下步骤:步骤一:获取图像,传入用于目标识别的SSD深度学习模型;步骤二:SSD算法通过GPU加速进行目标识别,对识别结果做判断,过滤不合适的目标,再记录每个目标位置信息;步骤三:判断获取的图像是否是待跟踪图像序列中的第1帧图像;若是,则执步骤四,否则执行步骤五;步骤四:对SSD算法获取的新目标位置信息,每个目标都建立一个对象;由SSD检测确定目标跟踪的物体和位置,KCF算法进行跟踪,并记录目标移动轨迹,跟踪过程中,SSD算法同时进行优化校正,防止跟踪偏移,跟踪失败,跟踪目标错误,提升跟踪速度,直到目标消失,获取的目标轨迹,供业务层分析使用。
Description
技术领域
本发明属于视频目标跟踪领域,涉及计算机技术,具体是一种深度学习SSD算法结合KCF算法的多目标跟踪系统。
背景技术
高性能的目标跟踪方法是计算机视觉领域的核心技术。经典目标跟踪方法中,当前的跟踪算法也可以分成生产式(generative model)和判别式(discriminantive model)两大类。生产式方法运用生成模型描述目标的表现特征,之后通过搜索候选目标来最小化重构误差(即寻找最佳匹配窗口);生产式方法着眼于对目标本身的刻画,忽略背景信息,在目标自身变化剧烈或者被遮挡时容易产生漂移。判别式方法通过训练分类器来区分目标和背景(即从背景中区分目标)。
判别式方法因为显著区分背景和前景的信息,表现更为鲁棒,在目标跟踪领域占据主流地位。
跟踪算法经过多年的发展已有很好跟踪效果,但是受到光照、遮挡、尺度等因素变化的情况都有一定的概率会跟踪发生偏移,或者产生误跟踪的问题,目标跟踪出现问题无法修复。
发明内容
本发明的目的在于提供一种深度学习SSD算法结合KCF算法的多目标跟踪系统。
本发明的目的可以通过以下技术方案实现:
一种深度学习SSD算法结合KCF算法的多目标跟踪系统,包括以下步骤:
步骤一:获取图像,传入用于目标识别的SSD深度学习模型;
步骤二:SSD算法通过GPU加速进行目标识别,对识别结果做判断,过滤不合适的目标,再记录每个目标位置信息;
步骤三:判断获取的图像是否是待跟踪图像序列中的第1帧图像;若是,则执步骤四,否则执行步骤五;
步骤四:对SSD算法获取的新目标位置信息,每个目标都建立一个对象,进行初始化KCF跟踪算法运算,初始化链表,记录保存位置信息,此链表记录的位置信息,就是目标移动的轨迹信息,执行步骤八;
步骤五:通过获取的图像,多线程并行进行每个跟踪对象KCF跟踪运算,根据计算结果判断,若满足继续跟踪条件,则把新的位置信息添加对应的链表,否则,跟踪失败,释放此目标跟踪对象;
步骤六:将每个跟踪对象进行比对去判断,释放重复跟踪的对象;
步骤七:对SSD获取的新目标位置信息和KCF跟踪的每个对象的链表最新的位置信息进行对比判断,建立新的跟踪对象或者校正已有的跟踪对象;
步骤八:判断是否加载完所有的图像;若是,则执行步骤九,否则,执行步骤一;
步骤九:结束跟踪。
进一步地,所述步骤二的过滤不合适的目标,过滤的步骤如下:
S1:SSD算法检测的目标位置依次保存M向量;
S2:从M向量取出目标框,两两比对,比对的结果按照如下公式:ra1=Rx/R1、ra2=Rx/R2、p=max(ra1,ra2),R1是第一个目标框的面积,R2是第二个目标框的面积,Rx表示两个目标框重合的面积,若p大于0.3,ra1大于ra2,则丢弃R1,ra1小于ra2,则丢弃R2,若p小于0.3,则不会丢弃任何一个目标框,p=0表示两目标框位置无重合;
S3:最终剩下的目标框,为所需跟踪的目标,完成目标框的过滤。
进一步地,所述步骤五中的多线程KCF算法跟踪运算,并行运算可以提高算法的速度,充分利用硬件资源,达到实时跟踪的必要手段,步骤如下:
SSS1:获取计算机的cpu核心数,开启和cpu核心数等数量的线程数,同时进行跟踪运算,线程运算完一个对象,及补充一个新对象,保存计算结果;
SSS2:把KCF算法分类器的响应峰值转换成概率值p;
SSS3:目标跟踪以下公式来判断是否跟踪失败,边缘概率小于中间概率d=min(d_top,d_bot,d_left,d_right)d_top,d_bot,d_left,d_right分别为目标框到视频,顶边,底边,左边,右边框的距离,d是运算的最小距离,若d的数值大于10,则p小于0.3,跟踪失败,释放该对象,若小于10阈值概率随着d的减小变大,最高0.85。
进一步地,所述步骤五中释放重复跟踪的对象的具体步骤如下:
S1:计算每个对象之间位置的交并比IOU,IOU值定位为两个矩形框面积的交集和并集的比值;
S2:IOU值大于0.6,表示出现重复跟踪的问题,根据以下公式释放对象V=Min(Yn,Ym),其中Yn表示一个对象目标框在视频上到视频底边的距离,同样Ym表示一个对象的目标框到视频底边的距离,V取计算的最小值,最小值对应的对象保留,另一个对象释放。
进一步地,所述步骤六中对SSD算法获取的新目标位置信息和KCF算法跟踪的每个对象的链表当前的位置信息进行对比判断,建立新的跟踪对象或者校正已有的跟踪对象,按照如下公式ra1=Rx/R1,ra2=Rx/R2p=max(ra1,ra2),R1是第一个目标框的面积,R2是第二个目标框的面积,Rx表示两个目标框重合的面积,若p大于0.7,ra1大于ra2,校正跟踪对象,若p小于0.7,则初始化跟踪此目标框。
进一步地,所述步骤六对SSD算法获取的新目标位置信息和KCF跟踪的每个对象的链表最新的位置信息进行对比判断,建立新的跟踪对象或者校正已有的跟踪对象,校正已有的跟踪对象,其步骤如下:
(1):对校正框和跟踪对象目标框再次比对,公式如下:P=Rx/(R1+R2),若P大于0.9,表示不需要校正跟踪目标框,结束此对象操作,若P小于0.9,执行(2);
(2):对校正的目标框,建立一个新对象;
(3):对需要被校正的对象,把已有的链表运动轨迹复制到新的跟踪对象,释放此对象,新对象初始化KCF跟踪算法运算,把当前轨迹添加到链表。
本发明的有益效果:
(1)本发明通过选取KCF跟踪算法,对每个跟踪目标建立一个对象,同时运用多线程技术,并行计算,达到多目标跟踪实时效果,并记录其运动轨迹,供智能分析,同时使用SSD深度学习技术,提供要跟踪的目标,并且修复KCF跟踪过程中可能出现的偏移,误跟踪问题。在多目标跟踪位置可能出现重合遮挡或者重复跟踪的情况,提供面积计算公式以及y轴前向优先选择的方法,过滤不合适的目标.在跟踪过程中,对是否跟踪失败使用动态概率阙值来更好的达到跟踪的鲁棒性。
(2)KCF跟踪算法是不变尺度的算法,当目标移动在视频里变大或者变小,KCF跟踪目标框不会随着目标大小变动,容易跟踪失败,一般的做法,是不同尺度的目标框多次运行KCF算法,选取最优结果,来达到可变尺度跟踪,但是这样会增加跟踪运算时间,本发明使用SSD来校正KCF跟踪,间接达到可变尺度的跟踪效果,并且没有增加计算成本,快速完成跟踪运算,同时有更高的准确性。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的流程框图。
具体实施方式
如图1所示,一种深度学习SSD算法结合KCF算法的多目标跟踪系统,包括以下步骤:
步骤一:获取图像,传入用于目标识别的SSD深度学习模型;
步骤二:SSD算法通过GPU加速进行目标识别,对识别结果做判断,过滤不合适的目标,再记录每个目标位置信息;
步骤三:判断获取的图像是否是待跟踪图像序列中的第1帧图像;若是,则执步骤四,否则执行步骤五;
步骤四:对SSD算法获取的新目标位置信息,每个目标都建立一个对象,进行初始化KCF跟踪算法运算,初始化链表,记录保存位置信息,此链表记录的位置信息,就是目标移动的轨迹信息,执行步骤八;
步骤五:通过获取的图像,多线程并行进行每个跟踪对象KCF跟踪运算,根据计算结果判断,若满足继续跟踪条件,则把新的位置信息添加对应的链表,否则,跟踪失败,释放此目标跟踪对象;
步骤六:将每个跟踪对象进行比对去判断,释放重复跟踪的对象;
步骤七:对SSD获取的新目标位置信息和KCF跟踪的每个对象的链表最新的位置信息进行对比判断,建立新的跟踪对象或者校正已有的跟踪对象;
步骤八:判断是否加载完所有的图像;若是,则执行步骤九,否则,执行步骤一;
步骤九:结束跟踪。
所述步骤二的过滤不合适的目标,过滤的步骤如下:
S1:SSD算法检测的目标位置依次保存M向量;
S2:从M向量取出目标框,两两比对,比对的结果按照如下公式:ra1=Rx/R1、ra2=Rx/R2、p=max(ra1,ra2),R1是第一个目标框的面积,R2是第二个目标框的面积,Rx表示两个目标框重合的面积,若p大于0.3,ra1大于ra2,则丢弃R1,ra1小于ra2,则丢弃R2,若p小于0.3,则不会丢弃任何一个目标框,p=0表示两目标框位置无重合;
S3:最终剩下的目标框,为所需跟踪的目标,完成目标框的过滤。
所述步骤五中的多线程KCF算法跟踪运算,并行运算可以提高算法的速度,充分利用硬件资源,达到实时跟踪的必要手段,步骤如下:
SSS1:获取计算机的cpu核心数,开启和cpu核心数等数量的线程数,同时进行跟踪运算,线程运算完一个对象,及补充一个新对象,保存计算结果;
SSS2:把KCF算法分类器的响应峰值转换成概率值p;
SSS3:目标跟踪以下公式来判断是否跟踪失败,边缘概率小于中间概率d=min(d_top,d_bot,d_left,d_right)d_top,d_bot,d_left,d_right分别为目标框到视频,顶边,底边,左边,右边框的距离,d是运算的最小距离,若d的数值大于10,则p小于0.3,跟踪失败,释放该对象,若小于10阈值概率随着d的减小变大,最高0.85。
所述步骤五中释放重复跟踪的对象的具体步骤如下:
S1:计算每个对象之间位置的交并比IOU,IOU值定位为两个矩形框面积的交集和并集的比值;
S2:IOU值大于0.6,表示出现重复跟踪的问题,根据以下公式释放对象V=Min(Yn,Ym),其中Yn表示一个对象目标框在视频上到视频底边的距离,同样Ym表示一个对象的目标框到视频底边的距离,V取计算的最小值,最小值对应的对象保留,另一个对象释放。
所述步骤六中对SSD算法获取的新目标位置信息和KCF算法跟踪的每个对象的链表当前的位置信息进行对比判断,建立新的跟踪对象或者校正已有的跟踪对象,按照如下公式ra1=Rx/R1,ra2=Rx/R2p=max(ra1,ra2),R1是第一个目标框的面积,R2是第二个目标框的面积,Rx表示两个目标框重合的面积,若p大于0.7,ra1大于ra2,校正跟踪对象,若p小于0.7,则初始化跟踪此目标框。
所述步骤六对SSD算法获取的新目标位置信息和KCF跟踪的每个对象的链表最新的位置信息进行对比判断,建立新的跟踪对象或者校正已有的跟踪对象,校正已有的跟踪对象,其步骤如下:
(1):对校正框和跟踪对象目标框再次比对,公式如下:P=Rx/(R1+R2),若P大于0.9,表示不需要校正跟踪目标框,结束此对象操作,若P小于0.9,执行(2);
(2):对校正的目标框,建立一个新对象;
(3):对需要被校正的对象,把已有的链表运动轨迹复制到新的跟踪对象,释放此对象,新对象初始化KCF跟踪算法运算,把当前轨迹添加到链表。
本发明在使用过程中会使用到的多目标跟踪系统是通过接收视频图像数据,使用深度学习SSD算法,检测获取要跟踪的目标位置信息及类别,同时对检测到的每个目标,使用kcf跟踪算法初始化目标,在后续视频数据运算跟踪轨迹,并保存轨迹。在跟踪过程中,通过IOU值,y轴优先来处理遮挡,最优选择问题,通过使用SSD目标检测的结果,用来校正目标跟踪框,及处理误跟踪和多重跟踪的问题,保证系统的稳定性。为达到实时跟踪的效果,检测和跟踪使用多线程并行运算,根据cpu核心数来选择建立的跟踪线程数,使多个目标同时进行跟踪运算,对kcf算法进行优化,使用hog特征来检测跟踪,缩小感兴趣区域,在跟踪过程设置外部校正导入目标框,实现可变尺度,减少运算成本。
首先本发明通过选取KCF跟踪算法,对每个跟踪目标建立一个对象,同时运用多线程技术,并行计算,达到多目标跟踪实时效果,并记录其运动轨迹,供智能分析,同时使用SSD深度学习技术,提供要跟踪的目标,并且修复KCF跟踪过程中可能出现的偏移,误跟踪问题。在多目标跟踪位置可能出现重合遮挡或者重复跟踪的情况,提供面积计算公式以及y轴前向优先选择的方法,过滤不合适的目标.在跟踪过程中,对是否跟踪失败使用动态概率阙值来更好的达到跟踪的鲁棒性。
其次KCF跟踪算法是不变尺度的算法,当目标移动在视频里变大或者变小,KCF跟踪目标框不会随着目标大小变动,容易跟踪失败,一般的做法,是不同尺度的目标框多次运行KCF算法,选取最优结果,来达到可变尺度跟踪,但是这样会增加跟踪运算时间,本发明使用SSD来校正KCF跟踪,间接达到可变尺度的跟踪效果,并且没有增加计算成本,快速完成跟踪运算,同时有更高的准确性。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (7)
1.一种深度学习SSD算法结合KCF算法的多目标跟踪系统,其特征在于,包括以下步骤:
步骤一:获取图像,传入用于目标识别的SSD深度学习模型;
步骤二:SSD算法通过GPU加速进行目标识别,对识别结果做判断,过滤不合适的目标,再记录每个目标位置信息;
步骤三:判断获取的图像是否是待跟踪图像序列中的第1帧图像;若是,则执步骤四,否则执行步骤五;
步骤四:对SSD算法获取的新目标位置信息,每个目标都建立一个对象,进行初始化KCF跟踪算法运算,初始化链表,记录保存位置信息,此链表记录的位置信息,就是目标移动的轨迹信息,执行步骤八;
步骤五:通过获取的图像,多线程并行进行每个跟踪对象KCF跟踪运算,根据计算结果判断,若满足继续跟踪条件,则把新的位置信息添加对应的链表,否则,跟踪失败,释放此目标跟踪对象;
步骤六:将每个跟踪对象进行比对去判断,释放重复跟踪的对象;
步骤七:对SSD获取的新目标位置信息和KCF跟踪的每个对象的链表最新的位置信息进行对比判断,建立新的跟踪对象或者校正已有的跟踪对象;
步骤八:判断是否加载完所有的图像;若是,则执行步骤九,否则,执行步骤一;
步骤九:结束跟踪。
2.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统,其特征在于,所述步骤二的过滤不合适的目标,过滤的步骤如下:
S1:SSD算法检测的目标位置依次保存M向量;
S2:从M向量取出目标框,两两比对,比对的结果按照如下公式:ra1=Rx/R1、ra2=Rx/R2、p=max(ra1,ra2),R1是第一个目标框的面积,R2是第二个目标框的面积,Rx表示两个目标框重合的面积,若p大于0.3,ra1大于ra2,则丢弃R1,ra1小于ra2,则丢弃R2,若p小于0.3,则不会丢弃任何一个目标框,p=0表示两目标框位置无重合;
S3:最终剩下的目标框,为所需跟踪的目标,完成目标框的过滤。
3.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统,其特征在于,所述步骤四中的初始化KCF跟踪算法运算KCF跟踪算法本身需要优化,调好参数,才能达到符合使用需求的目的,对每个目标初始化跟踪,其具体步骤如下:
SS1:对传入的图像缩放到320x240,并进行归一化操作;
SS2:对图像选取感兴趣区域,区域范围为目标图像的1.5倍大小
SS3:KCF算法跟踪运算选取hog特征。
4.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统,其特征在于,所述步骤五中的多线程KCF算法跟踪运算,并行运算可以提高算法的速度,充分利用硬件资源,达到实时跟踪的必要手段,步骤如下:
SSS1:获取计算机的cpu核心数,开启和cpu核心数等数量的线程数,同时进行跟踪运算,线程运算完一个对象,及补充一个新对象,保存计算结果;
SSS2:把KCF算法分类器的响应峰值转换成概率值p;
SSS3:目标跟踪以下公式来判断是否跟踪失败,边缘概率小于中间概率d=min(d_top,d_bot,d_left,d_right)d_top,d_bot,d_left,d_right分别为目标框到视频,顶边,底边,左边,右边框的距离,d是运算的最小距离,若d的数值大于10,则p小于0.3,跟踪失败,释放该对象,若小于10阈值概率随着d的减小变大,最高0.85。
5.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统,其特征在于,所述步骤五中释放重复跟踪的对象的具体步骤如下:
S1:计算每个对象之间位置的交并比IOU,IOU值定位为两个矩形框面积的交集和并集的比值;
S2:IOU值大于0.6,表示出现重复跟踪的问题,根据以下公式释放对象V=Min(Yn,Ym),其中Yn表示一个对象目标框在视频上到视频底边的距离,同样Ym表示一个对象的目标框到视频底边的距离,V取计算的最小值,最小值对应的对象保留,另一个对象释放。
6.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统,其特征在于,所述步骤六中对SSD算法获取的新目标位置信息和KCF算法跟踪的每个对象的链表当前的位置信息进行对比判断,建立新的跟踪对象或者校正已有的跟踪对象,按照如下公式ra1=Rx/R1,ra2=Rx/R2p=max(ra1,ra2),R1是第一个目标框的面积,R2是第二个目标框的面积,Rx表示两个目标框重合的面积,若p大于0.7,ra1大于ra2,校正跟踪对象,若p小于0.7,则初始化跟踪此目标框。
7.根据权利要求1所述的一种深度学习SSD算法结合KCF算法的多目标跟踪系统,其特征在于,所述步骤六对SSD算法获取的新目标位置信息和KCF跟踪的每个对象的链表最新的位置信息进行对比判断,建立新的跟踪对象或者校正已有的跟踪对象,校正已有的跟踪对象,其步骤如下:
(1):对校正框和跟踪对象目标框再次比对,公式如下:P=Rx/(R1+R2),若P大于0.9,表示不需要校正跟踪目标框,结束此对象操作,若P小于0.9,执行(2);
(2):对校正的目标框,建立一个新对象;
(3):对需要被校正的对象,把已有的链表运动轨迹复制到新的跟踪对象,释放此对象,新对象初始化KCF跟踪算法运算,把当前轨迹添加到链表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910172751.4A CN109993769B (zh) | 2019-03-07 | 2019-03-07 | 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910172751.4A CN109993769B (zh) | 2019-03-07 | 2019-03-07 | 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993769A CN109993769A (zh) | 2019-07-09 |
CN109993769B true CN109993769B (zh) | 2022-09-13 |
Family
ID=67130067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910172751.4A Active CN109993769B (zh) | 2019-03-07 | 2019-03-07 | 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993769B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490899A (zh) * | 2019-07-11 | 2019-11-22 | 东南大学 | 一种结合目标跟踪的可变形施工机械的实时检测方法 |
CN111192289B (zh) * | 2019-11-27 | 2022-06-14 | 武汉华中天经通视科技有限公司 | 一种飞行器目标自动跟踪方法 |
CN111311557A (zh) * | 2020-01-23 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 内窥镜图像处理方法、装置、电子设备及存储介质 |
CN111667505B (zh) * | 2020-04-30 | 2023-04-07 | 北京捷通华声科技股份有限公司 | 一种定置物品跟踪的方法和装置 |
CN112037255A (zh) * | 2020-08-12 | 2020-12-04 | 深圳市道通智能航空技术有限公司 | 目标跟踪方法和装置 |
CN111986237A (zh) * | 2020-09-01 | 2020-11-24 | 安徽炬视科技有限公司 | 一种人数无关的实时多目标跟踪算法 |
CN112150415A (zh) * | 2020-09-04 | 2020-12-29 | 清华大学 | 基于深度学习的多目标精子实时监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015163830A1 (en) * | 2014-04-22 | 2015-10-29 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Target localization and size estimation via multiple model learning in visual tracking |
CN108564069A (zh) * | 2018-05-04 | 2018-09-21 | 中国石油大学(华东) | 一种工业佩戴安全帽视频检测方法 |
CN108765470A (zh) * | 2018-06-17 | 2018-11-06 | 天津理工大学 | 一种针对目标遮挡改进的kcf跟踪算法 |
-
2019
- 2019-03-07 CN CN201910172751.4A patent/CN109993769B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015163830A1 (en) * | 2014-04-22 | 2015-10-29 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Target localization and size estimation via multiple model learning in visual tracking |
CN108564069A (zh) * | 2018-05-04 | 2018-09-21 | 中国石油大学(华东) | 一种工业佩戴安全帽视频检测方法 |
CN108765470A (zh) * | 2018-06-17 | 2018-11-06 | 天津理工大学 | 一种针对目标遮挡改进的kcf跟踪算法 |
Non-Patent Citations (2)
Title |
---|
基于深度学习物体检测的视觉跟踪方法;唐聪等;《红外与激光工程》;20180301(第05期);全文 * |
基于深度学习辅助的动态人脸跟踪方法;潘今一等;《浙江工业大学学报》;20181012(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109993769A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993769B (zh) | 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 | |
CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
Hua et al. | Online object tracking with proposal selection | |
US8374393B2 (en) | Foreground object tracking | |
CN106778712B (zh) | 一种多目标检测与跟踪方法 | |
CN111582349B (zh) | 一种基于YOLOv3和核相关滤波改进的目标跟踪算法 | |
WO2011028380A2 (en) | Foreground object detection in a video surveillance system | |
CN104200495A (zh) | 一种视频监控中的多目标跟踪方法 | |
CN108564598B (zh) | 一种改进的在线Boosting目标跟踪方法 | |
CN111008991B (zh) | 一种背景感知的相关滤波目标跟踪方法 | |
CN112329784A (zh) | 一种基于时空感知及多峰响应的相关滤波跟踪方法 | |
KR102434397B1 (ko) | 전역적 움직임 기반의 실시간 다중 객체 추적 장치 및 방법 | |
He et al. | Fast online multi-pedestrian tracking via integrating motion model and deep appearance model | |
CN117557569A (zh) | 一种道路路面施工质量检测方法及系统 | |
CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 | |
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 | |
CN114511803A (zh) | 一种面向视觉跟踪任务的目标遮挡检测方法 | |
Chau et al. | Online tracking parameter adaptation based on evaluation | |
Chen et al. | Robust anomaly detection via fusion of appearance and motion features | |
Khanloo et al. | Max-margin offline pedestrian tracking with multiple cues | |
Mohammadi et al. | Enhanced adaptive bandwidth tracking using mean shift algorithm | |
CN110599517A (zh) | 一种基于局部特征和全局hsv特征组合的目标特征描述方法 | |
CN117333904B (zh) | 一种多特征融合的行人跟踪方法 | |
CN113643327B (zh) | 一种响应置信度多特征融合的核相关滤波目标跟踪方法 | |
Han et al. | Adapting dynamic appearance for robust visual tracking |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Deep Learning SSD Algorithm Combined with KCF Algorithm for Multi target Tracking System Effective date of registration: 20230620 Granted publication date: 20220913 Pledgee: Bank of Communications Ltd. Anhui branch Pledgor: ANHUI CREARO TECHNOLOGY Co.,Ltd. Registration number: Y2023980044817 |