CN110046659B - 一种基于tld的长时间单目标跟踪方法 - Google Patents
一种基于tld的长时间单目标跟踪方法 Download PDFInfo
- Publication number
- CN110046659B CN110046659B CN201910261136.0A CN201910261136A CN110046659B CN 110046659 B CN110046659 B CN 110046659B CN 201910261136 A CN201910261136 A CN 201910261136A CN 110046659 B CN110046659 B CN 110046659B
- Authority
- CN
- China
- Prior art keywords
- target
- classifier
- frame
- tracking
- variance
- 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
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明包括一种基于TLD的长时间单目标跟踪方法，其在TLD算法的基础上，检测模块采用由粗到精的策略，先通过帧差法前景检测粗略确定目标位置，缩小检测范围，再由级联分类器精确检测，减小计算量，提高检测速度；在跟踪模块采用核相关滤波算法实现跟踪功能，提高跟踪的鲁棒性和精确度。本发明在计算机视觉领域实验中表现出良好的鲁棒性和实时性，能够满足实际跟踪的需要。
Description
技术领域
本发明涉及一种基于TLD的长时间单目标跟踪方法，其属于计算机视觉跟踪领域。
背景技术
计算机视觉是涉及到众多学科的一个热门领域，比如：计算机科学、数学、工程学、生物学和物理学等。目标跟踪技术是计算机视觉中一个重要的分支，在智能交通和视频监控等方面起着举足轻重的作用。但由于光照变化、目标形变、遮挡和长时间跟踪等因素，对任意目标进行跟踪以及跟踪的高鲁棒性和高实时性一直是难以攻克的问题。
当前目标跟踪的方法可以分为两种：生成类方法和判别类方法。相对于传统的生成类方法而言，判别类方法更能适应环境变化和长时间的要求，更便于实现高鲁棒性和高实时性的跟踪。
跟踪-学习-检测(Tracking-Learning-Detection，TLD)是Zdenek Kalal在2012年提出的一种单目标长时间跟踪算法，通过检测、跟踪和学习三个模块相结合的方式进行在线跟踪，能够很好地解决目标消失后重现的问题，满足长时间跟踪需要。TLD中跟踪模块采用金字塔LK光流法，该方法在光照变化、目标形变和快速移动的情况下跟踪效果差，会产生跟踪漂移现象。检测模块采用滑动窗口法对数以万计的子窗口进行扫描，浪费计算机资源，减慢检测速度。
核相关滤波器(Kerneized Correlation Filters，KCF)跟踪算法属于判别类方法，采用核相关滤波器训练分类器，循环矩阵(Circulant Matrices)生成目标样本来训练分类器，同时在在傅里叶变换域求解，降低了算法复杂度，大大提高了实时性。但当目标移除视野或长时间遮挡时，跟踪失败。
综上所述，TLD算法满足长时间跟踪需求，但实时性差。KCF算法简单，实时性好，但目标丢失后难以继续跟踪。
发明内容
本发明所要解决的技术问题是提供了一种长时间单目标跟踪方法，能够解决经典TLD算法在遇到光照变化、目标形变和目标消失后重现等情况时跟踪失败的问题，并解决TLD检测模块滑动窗口数量巨大导致计算量大的问题。
为解决上述技术问题，本发明采用的技术方案如下：
一种基于TLD的长时间单目标跟踪方法，其包括跟踪模块、检测模块、学习模块和综合模块；
跟踪模块由KCF算法实现跟踪功能，跟踪模块对视频第一帧中给出的目标进行跟踪，将跟踪到的目标位置反馈给最近邻分类器，若目标消失或无法辨认，则跟踪失败；
检测模块由前景检测器和级联分类器构成，级联分类器包括方差分类器、集合分类器和最近邻分类器，检测模块对当前帧图片进行2bitBP特征描述，把得到的矩形窗通过前景检测器和级联分类器进行筛选，检测出目标并反馈到分类器；跟踪模块和检测模块同时工作，当检测模块检测到目标而跟踪模块跟踪失败时，则检测模块重置跟踪模块；
跟踪模块得到的一个结果和检测模块得到的一个或多个结果传给综合模块，综合模块计算跟踪结果与目标模型的相似度，计算检测结果与目标模型的相似度，输出相似度最大的一个目标；
学习模块在视频的第一帧图像中初始化目标模型、集合分类器和最近邻分类器；学习模块将跟踪模块的跟踪结果反馈给检测模块，在线更新目标模型的正负样本库。
进一步的，跟踪模块采用KCF跟踪算法，具体如下：
对视频的第一帧图像进行采样，得到目标位置，对目标进行HOG特征提取，通过循环矩阵得到训练样本；
对训练样本特征进行傅里叶变换，在频域进行核相关滤波操作后得到最大响应位置，从而找到目标位置；
更新跟踪模块的滤波器模型，在下一帧图像的时候，结合上一帧图像目标位置对目标进行跟踪直至视频最后一帧图像。
进一步的，检测模块采用由粗到精的策略，采用滑动窗口法遍历整个图像帧，产生的矩形框送入前景检测器中粗略检测；将通过了帧差法前景检测器的矩形框送入级联分类器中精确检测。
进一步的，检测模块采用帧差法实现前景检测，所述帧差法通过对视频中相邻两帧图像做差分运算来标记运动物体，假设当前帧和前一帧图像分别为fi(x,y)和fi-1(x,y)，则差分运算后的图像为dst(x，y)：
其中，thr为帧差法的阈值；
通过了帧差法前景检测的矩形框送入级联分类器中进行后续检测。
一种基于TLD的长时间单目标跟踪方法，其包括以下步骤：
步骤1、得到第一帧图像和要跟踪的目标框，进行初始化；
步骤1.1、采用滑动窗口法得到扫描窗口，计算扫描窗口与目标框的重叠度，保存重叠度最大的扫描窗口n个，保存所有重叠度小于r的扫描窗口为负样本，并用于训练和测试分类器；r的取值范围为0～0.5，当r＝0.2时检测效果最佳；
步骤1.2、计算目标框的方差initVar，将0.5*initVar作为方差分类器的阈值；
步骤1.3、选取步骤1.1中与目标框重叠度最大的扫描窗口为最近邻分类器的正样本；
步骤1.4、对步骤1.1中的到的重叠度最大的n个扫描窗口进行±1％偏移、±1％尺度变化、±10％平面内旋转，并且在每个像素上增加方差值为X的高斯噪声，每个扫描窗口进行m次上述变换，则得到n*m个矩形框作为集合分类器的正样本；步骤1.5、将步骤1.1中重叠度小于r的矩形框和步骤1.2中方差大于0.5*initVar的矩形框标记为集合分类器的负样本，在标记为负样本的矩形框中随机选取nEx个作为最近邻分类器的负样本；r的取值范围为0～0.5，当r＝0.2时检测效果最佳；步骤1.6、对集合分类器和最近邻分类器进行训练和测试，修改分类错误。
步骤2、读取新的一帧图像，检测模块和跟踪模块并行工作，通过学习模块更新目标模型，通过综合模块得到最终目标位置；
步骤2.1、当前帧图像输入到跟踪模块，启动KCF跟踪方法得到当前帧的目标位置；
步骤2.1.1、对当前一帧图像进行采样，得到目标位置，对目标进行HOG特征提取，通过循环矩阵得到训练样本；
步骤2.1.2、对样本特征进行傅里叶变换，在频域进行核相关滤波操作后得到最大响应位置，输出目标位置。
步骤2.2、当前帧图像输入到检测模块，依次通过前景检测器、方差分类器、集合分类器和最近邻分类器，得到检测结果；
步骤2.2.1、前景检测器采用帧差法缩小检测范围，将通过的矩形框传给方差分类器；
步骤2.2.2、方差分类器利用积分图计算待检测矩形框的方差，方差大于0.5*initVar的送入集合分类器；
步骤2.2.3、集合分类器计算10个基本分类器的后验概率的平均值，将大于阈值thr_fern的矩形框送入最近邻分类器；阈值thr_fern的取值范围为0.5～1；
步骤2.2.4、最近邻分类器计算图像元与目标模型的相关相似度和保守相似度，大于阈值thr_nn的矩形框为最终检测结果，阈值thr_nn的取值范围为0.5～1。步骤2.3、综合模块将跟踪和检测得到的目标进行对比，输出保守相似度最大的作为目标；
步骤2.4、学习模块更新集合分类器和最近邻分类器的正负样本；
步骤2.5、画出步骤2.3中跟踪结果目标框，显示在屏幕上。
步骤3、进行下一帧图像的处理，重复步骤2，直至视频结束。
本发明的有益效果如下：
本发明属于通用目标跟踪，可以应用于交通、监控等各种实际环境中；本发明针对TLD算法中金字塔LK光流法鲁棒性差和检测模块实时性差的问题，采用KCF算法改进TLD算法的跟踪模块，并在检测模块加入基于帧差法的前景检测器，采用由粗到细的检测策略，增强了算法整体的鲁棒性和实时性。
本发明实现了高鲁棒性和高实时性的长时间单目标跟踪，当目标移出视野后重现时，能够及时跟踪目标，能够实现实时在线跟踪。
附图说明
图1是本发明一种基于TLD的长时间单目标跟踪方法的系统框架图；
图2是本发明的检测模块框架图；
图3是本发明的KCF跟踪框架图。
具体实施方式
下面结合图1-图3对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示，一种基于TLD的长时间单目标跟踪方法，其包括跟踪模块、检测模块、学习模块和综合模块；
跟踪模块由KCF算法实现跟踪功能，如图2所示，跟踪模块对视频第一帧中给出的目标进行跟踪，将跟踪到的目标位置反馈给最近邻分类器，若目标消失或无法辨认，则跟踪失败；
检测模块由前景检测器和级联分类器构成，如图3所示，级联分类器包括方差分类器、集合分类器和最近邻分类器，检测模块对当前帧图片进行2bitBP特征描述，把得到的矩形窗通过前景检测器和级联分类器进行筛选，检测出目标并反馈到分类器；
跟踪模块和检测模块同时工作，当检测模块检测到目标而跟踪模块跟踪失败时，则检测模块重置跟踪模块；
跟踪模块得到的一个结果和检测模块得到的一个或多个结果传给综合模块，综合模块计算跟踪结果与目标模型的相似度，计算检测结果与目标模型的相似度，输出保守相似度最大的一个目标；
学习模块在视频的第一帧图像中初始化目标模型、集合分类器和最近邻分类器；学习模块将跟踪模块的跟踪结果反馈给检测模块，在线更新目标模型的正负样本库，保证长时间跟踪的准确性。
一种基于TLD的长时间单目标跟踪方法，其具体包括以下步骤：
步骤1、得到第一帧图像和要跟踪的目标框，进行初始化；
步骤1.1、采用滑动窗口法得到扫描窗口，计算扫描窗口与目标框的重叠度，保存重叠度最大的扫描窗口n个，保存所有重叠度小于r的扫描窗口为负样本，并用于训练和测试分类器；r的取值范围为0～0.5，当r＝0.2时检测效果最佳；
步骤1.2、计算目标框的方差initVar，将0.5*initVar作为方差分类器的阈值；
步骤1.3、选取步骤1.1中与目标框重叠度最大的扫描窗口为最近邻分类器的正样本；
步骤1.4、对步骤1.1中的到的重叠度最大的n个扫描窗口进行±1％偏移、±1％尺度变化、±10％平面内旋转，并且在每个像素上增加方差值为X的高斯噪声，每个扫描窗口进行m次上述变换，则得到n*m个矩形框作为集合分类器的正样本；步骤1.5、将步骤1.1中重叠度小于r的矩形框和步骤1.2中方差大于0.5*initVar的矩形框标记为集合分类器的负样本，在其中随机选取nEx个作为最近邻分类器的负样本；r的取值范围为0～0.5，当r＝0.2时检测效果最佳；
步骤1.6、对集合分类器和最近邻分类器进行训练和测试，修改分类错误。
步骤2、读取新的一帧图像，检测模块和跟踪模块并行工作，通过学习模块更新目标模型，通过综合模块得到最终目标位置；
步骤2.1、当前帧图像输入到跟踪模块，启动KCF跟踪方法得到当前帧的目标位置；
步骤2.1.1、对当前一帧图像进行采样，得到目标位置，对目标进行HOG特征提取，通过循环矩阵得到训练样本；
步骤2.1.2、对样本特征进行傅里叶变换，在频域进行核相关滤波操作后得到最大响应位置，输出目标位置。
步骤2.2、当前帧图像输入到检测模块，依次通过前景检测器、方差分类器、集合分类器和最近邻分类器，得到检测结果；
步骤2.2.1、前景检测器采用帧差法缩小检测范围，将通过的矩形框传给方差分类器；
步骤2.2.2、方差分类器利用积分图计算待检测矩形框的方差，方差大于0.5*initVar的送入集合分类器；
步骤2.2.3、集合分类器计算10个基本分类器的后验概率的平均值，将大于阈值thr_fern的矩形框送入最近邻分类器；阈值thr_fern的取值范围为0.5～1；
步骤2.2.4、最近邻分类器计算图像元与目标模型的相关相似度和保守相似度，大于阈值thr_nn的矩形框为最终检测结果，阈值thr_nn的取值范围为0.5～1。步骤2.3、综合模块将跟踪和检测得到的目标进行对比，输出保守相似度最大的作为目标；
步骤2.4、学习模块更新集合分类器和最近邻分类器的正负样本；
步骤2.5、画出步骤2.3中跟踪结果目标框，显示在屏幕上。
步骤3、进行下一帧图像的处理，重复步骤2，直至视频结束。
下面给出带具体参数的基于TLD的长时间单目标跟踪方法的操作步骤：
步骤1、得到第一帧图像和要跟踪的目标框，进行初始化；
步骤1.1、采用滑动窗口法根据窗口缩放系数为1.2，步长为10％宽高的策略得到全部的扫描窗口，计算全部的扫描窗口与目标框的重叠度，保存重叠度最大的扫描窗口10个，保存所有重叠度小于0.2的扫描窗口为负样本，并用于训练和测试分类器；
步骤1.2、计算目标框的方差initVar，将0.5*initVar作为方差分类器的阈值；
步骤1.3、选取步骤1.1中与目标框重叠度最大的扫描窗口为最近邻分类器的正样本；
步骤1.4、对步骤1.1中的到的重叠度最大的10个扫描窗口进行±1％偏移、±1％尺度变化、±10％平面内旋转，并且在每个像素上增加方差为5的高斯噪声，每个扫描窗口进行20次上述变换，则得到200个矩形框作为集合分类器的正样本；
步骤1.5、将步骤1.1中重叠度小于0.2的矩形框和步骤1.2中方差大于0.5*initVar的矩形框标记为集合分类器的负样本，在其中随机选取100个作为最近邻分类器的负样本；
步骤1.6、对集合分类器和最近邻分类器进行训练和测试，修改分类错误。
步骤2、当前帧图像输入到检测模块，依次通过前景检测器、方差分类器、集合分类器和最近邻分类器，得到检测结果；
步骤2.1、当前帧图像输入到跟踪模块，启动KCF跟踪方法得到当前帧的目标位置；
步骤2.1.1、对当前一帧图像进行采样，得到目标位置，对目标进行HOG特征提取，通过循环矩阵得到训练样本；
步骤2.1.2、对样本特征进行傅里叶变换，在频域进行核相关滤波操作后得到最大响应位置，输出目标位置。
步骤2.2、当前帧图像输入到检测模块，依次通过前景检测器、方差分类器、集合分类器和最近邻分类器，得到检测结果；
步骤2.2.1、前景检测器采用帧差法缩小检测范围，将通过的矩形框传给方差分类器；
步骤2.2.2、方差分类器利用积分图计算待检测矩形框的方差，方差大于0.5*initVar的送入集合分类器；
步骤2.2.3、集合分类器计算10个基本分类器的后验概率的平均值，将大于设定阈值thr_fern的矩形框送入最近邻分类器；
步骤2.2.4、最近邻分类器计算图像元与目标模型的相关相似度和保守相似度，大于阈值thr_nn的矩形框为最终检测结果。
步骤2.3、综合模块将跟踪和检测得到的目标进行对比，输出保守相似度最大的作为目标；
步骤2.4、学习模块生成集合分类器和最近邻分类器的正负样本；
步骤2.5、画出步骤2.3中跟踪结果目标框，显示在屏幕上。
步骤3、进行下一帧图像的处理，重复步骤2，直至视频结束。
本发明针对TLD算法中金字塔LK光流法鲁棒性差和检测模块实时性差的问题，采用KCF算法改进TLD算法的跟踪模块，并在检测模块加入基于帧差法的前景检测器，采用由粗到细的检测策略，增强了算法整体的鲁棒性和实时性，满足实际应用的需要。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种基于TLD的长时间单目标跟踪方法，其特征在于，包括以下步骤：
步骤1、得到第一帧图像和要跟踪的目标框，进行初始化；
所述步骤1具体采用如下方法：
步骤1.1、采用滑动窗口法得到扫描窗口，计算扫描窗口与目标框的重叠度，保存重叠度最大的扫描窗口n个，保存所有重叠度小于r的扫描窗口为负样本，并用于训练和测试分类器；
步骤1.2、计算目标框的方差initVar，将0.5*initVar作为方差分类器的阈值；
步骤1.3、选取步骤1.1中与目标框重叠度最大的扫描窗口为最近邻分类器的正样本；
步骤1.4、对步骤1.1中的到的重叠度最大的n个扫描窗口进行±1％偏移、±1％尺度变化、±10％平面内旋转，并且在每个像素上增加方差值为X的高斯噪声，每个扫描窗口进行m次上述变换，则得到n*m个矩形框作为集合分类器的正样本；
步骤1.5、将步骤1.1中重叠度小于r的矩形框和步骤1.2中方差大于0.5*initVar的矩形框标记为集合分类器的负样本，在其中随机选取nEx个作为最近邻分类器的负样本；
步骤1.6、对集合分类器和最近邻分类器进行训练和测试，修改分类错误；
步骤2、读取新的一帧图像，检测模块和跟踪模块并行工作，通过学习模块更新目标模型，通过综合模块得到最终目标位置；
所述步骤2具体采用如下方法：
步骤2.1、当前帧图像输入到跟踪模块，启动KCF跟踪方法得到当前帧的目标位置；
所述步骤2.1具体采用如下方法：
步骤2.1.1、对当前一帧图像进行采样，得到目标位置，对目标进行HOG特征提取，通过循环矩阵得到训练样本；
步骤2.1.2、对样本特征进行傅里叶变换，在频域进行核相关滤波操作后得到最大响应位置，输出目标位置；
步骤2.2、当前帧图像输入到检测模块，依次通过前景检测器、方差分类器、集合分类器和最近邻分类器，得到检测结果；
步骤2.3、综合模块将跟踪和检测得到的目标结果进行比较，输出相似度最大的作为目标；
步骤2.4、学习模块更新集合分类器和最近邻分类器中的正负样本；
步骤3、进行下一帧图像的处理，重复步骤2，直至视频结束。
2.根据权利要求1所述的基于TLD的长时间单目标跟踪方法，其特征在于，所述步骤2.2具体采用如下方法：
步骤2.2.1、前景检测器采用帧差法缩小检测范围，将通过的矩形框传给方差分类器；
步骤2.2.2、方差分类器利用积分图计算待检测矩形框的方差，方差大于0.5*initVar的送入集合分类器；
步骤2.2.3、集合分类器计算10个基本分类器的后验概率的平均值，将大于阈值thr_fern的矩形框送入最近邻分类器；
步骤2.2.4、最近邻分类器计算图像元与目标模型的相关相似度和保守相似度，将大于阈值thr_nn的矩形框为最终检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910261136.0A CN110046659B (zh) | 2019-04-02 | 2019-04-02 | 一种基于tld的长时间单目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910261136.0A CN110046659B (zh) | 2019-04-02 | 2019-04-02 | 一种基于tld的长时间单目标跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110046659A CN110046659A (zh) | 2019-07-23 |
| CN110046659B true CN110046659B (zh) | 2023-04-07 |
Family
ID=67275717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910261136.0A Active CN110046659B (zh) | 2019-04-02 | 2019-04-02 | 一种基于tld的长时间单目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110046659B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476825B (zh) * | 2020-03-10 | 2022-08-26 | 重庆邮电大学 | 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 |
| 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 |
| CN112862854A (zh) * | 2021-02-08 | 2021-05-28 | 桂林电子科技大学 | 一种改进kcf算法的多无人机跟踪方法 |
| CN113570637B (zh) * | 2021-08-10 | 2023-09-19 | 中山大学 | 一种多目标跟踪方法、装置、设备和存储介质 |
| CN113920155A (zh) * | 2021-08-30 | 2022-01-11 | 北京自动化控制设备研究所 | 一种基于核相关滤波的动目标跟踪算法 |
| CN115830518B (zh) * | 2023-02-15 | 2023-05-09 | 南京瀚元科技有限公司 | 一种红外场景下电力巡检视频智能抽帧的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2017088050A1 (en) * | 2015-11-26 | 2017-06-01 | Sportlogiq Inc. | Systems and methods for object tracking and localization in videos with adaptive image representation |
| CN108154159A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 |
| CN109299735A (zh) * | 2018-09-14 | 2019-02-01 | 上海交通大学 | 基于相关滤波的抗遮挡目标跟踪方法 |
| CN114972735A (zh) * | 2022-06-01 | 2022-08-30 | 南京理工大学 | 基于roi预测和多模块学习的抗遮挡移动目标跟踪装置及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200237B (zh) * | 2014-08-22 | 2019-01-11 | 浙江生辉照明有限公司 | 一种基于核化相关滤波高速自动多目标跟踪方法 |
| US9613273B2 (en) * | 2015-05-19 | 2017-04-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Apparatus and method for object tracking |
| CN108288062B (zh) * | 2017-12-29 | 2022-03-01 | 中国电子科技集团公司第二十七研究所 | 一种基于核相关滤波的目标跟踪方法 |
| CN108320306B (zh) * | 2018-03-06 | 2020-05-26 | 河北新途科技有限公司 | 融合tld和kcf的视频目标跟踪方法 |
| CN108846850B (zh) * | 2018-05-24 | 2022-06-10 | 中国科学院光电技术研究所 | 一种基于tld算法的目标跟踪方法 |
| CN109191488B (zh) * | 2018-10-18 | 2021-11-05 | 东北大学 | 一种基于csk与tld融合算法的目标跟踪系统及方法 |
-
2019
- 2019-04-02 CN CN201910261136.0A patent/CN110046659B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017088050A1 (en) * | 2015-11-26 | 2017-06-01 | Sportlogiq Inc. | Systems and methods for object tracking and localization in videos with adaptive image representation |
| 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 |
| CN108154159A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 |
| CN109299735A (zh) * | 2018-09-14 | 2019-02-01 | 上海交通大学 | 基于相关滤波的抗遮挡目标跟踪方法 |
| CN114972735A (zh) * | 2022-06-01 | 2022-08-30 | 南京理工大学 | 基于roi预测和多模块学习的抗遮挡移动目标跟踪装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 于蕾 ; 王萌萌 ; 刘立 ; 李伟 ; .基于核相关滤波器的TLD目标跟踪算法.应用科技.2017,(01),81-87. * |
| 闫文静.基于深度学习的视频目标跟踪方法研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2019,(第4期),I138-762. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110046659A (zh) | 2019-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046659B (zh) | 一种基于tld的长时间单目标跟踪方法 | |
| CN109919974B (zh) | 基于r-fcn框架多候选关联的在线多目标跟踪方法 | |
| CN109447008B (zh) | 基于注意力机制和可变形卷积神经网络的人群分析方法 | |
| CN101470809B (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
| CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
| CN109344702B (zh) | 基于深度图像和彩色图像的行人检测方法及装置 | |
| CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
| CN108320306B (zh) | 融合tld和kcf的视频目标跟踪方法 | |
| CN108564598B (zh) | 一种改进的在线Boosting目标跟踪方法 | |
| CN111080675A (zh) | 一种基于时空约束相关滤波的目标跟踪方法 | |
| CN103413324A (zh) | 航拍视频自动目标跟踪方法 | |
| CN110633678B (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
| CN111191535B (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
| Tu et al. | MSR-CNN: Applying motion salient region based descriptors for action recognition | |
| CN106709938A (zh) | 基于改进tld的多目标追踪方法 | |
| Sun et al. | Fusing Kalman filter with TLD algorithm for target tracking | |
| Tan et al. | A multiple object tracking algorithm based on YOLO detection | |
| Liu et al. | Self-correction ship tracking and counting with variable time window based on YOLOv3 | |
| CN108320301B (zh) | 一种基于跟踪学习检测的目标跟踪优化方法 | |
| CN113129336A (zh) | 一种端到端多车辆跟踪方法、系统及计算机可读介质 | |
| Huang et al. | Drone-based car counting via density map learning | |
| Xiu et al. | Tracking algorithm based on the improved template matching | |
| Chang et al. | Semi-supervised learning for yolov4 object detection in license plate recognition system | |
| CN115512263A (zh) | 一种面向高空坠物的动态视觉监测方法及装置 | |
| CN111626102B (zh) | 基于视频弱标记的双模态迭代去噪异常检测方法及终端 |
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 |