CN110111369A - 一种基于边缘检测的尺度自适应海面目标跟踪方法 - Google Patents
一种基于边缘检测的尺度自适应海面目标跟踪方法 Download PDFInfo
- Publication number
- CN110111369A CN110111369A CN201910379288.0A CN201910379288A CN110111369A CN 110111369 A CN110111369 A CN 110111369A CN 201910379288 A CN201910379288 A CN 201910379288A CN 110111369 A CN110111369 A CN 110111369A
- Authority
- CN
- China
- Prior art keywords
- target
- candidate region
- frame
- edge detection
- hog
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 18
- 125000004122 cyclic group Chemical group 0.000 claims description 17
- 238000009432 framing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 230000008859 change Effects 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉技术领域，具体公开了一种基于边缘检测的尺度自适应海面目标跟踪方法。该方法采用HED边缘检测网络对目标的边缘检测候选区域进行处理，不依赖于相对于当前帧之前的信息，HED能够检测出目标的封闭外轮廓，从而确定目标的尺度，能够对目标的位置进行进一步的修正，提高目标跟踪精度。因此，该方法是一种鲁棒性的跟踪算法，在不同的跟踪场景中取得了不错的效果，解决了现有KCF只对目标的位置进行跟踪却没有估计目标的尺度，不能够处理海面目标尺度变化大的情况，进一步提高了海面目标跟踪的精度。
Description
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于边缘检测的尺度自适应海面目标跟踪方法。
背景技术
目标跟踪是指在给定视频第一帧中的目标位置，在之后的每一帧中对该目标定位。海面目标跟踪对海面目标行为分析和无人艇、无人船等海洋系统的导航有重要意义，海面目标跟踪具有目标尺度变化大，目标抖动剧烈，目标平面外旋转使其外观变化大等难点，尽管近年来在国内外学者的不断研究下，目标跟踪算法得到了迅速发展，但在这些情况下仍然无法取得很好效果。
近年来，国内外学者提出了多种跟踪算法，主要可以分成两类：一类是基于对于目标本身进行描述和刻画的生成式模型；另一类旨在将目标和背景分离开的判别式模型。生成式模型重点在于建立目标外观模型的表征，虽然构建有效的外观模型以处理跟踪中的各种具有挑战性的情况至关重要，但是与此同时，也会增加很大的计算复杂度，并且还会丢弃了可用于更好地将对象与背景分离的目标区域周围的有用信息；判别式模型将跟踪问题转换为目标和背景的二分类问题，即把跟踪的目标作为前景，利用在线学习或离线训练的判断器来区分前景目标和背景，从而得到前景目标的位置。在进行判断前往往会进行特征提取，以作为判断依据提高判断的精确度，但是这也会导致有大量的候选样本需要进行特征提取，使得难以达到实时性。
相关滤波是一种传统的信号处理方法，其描述了两个样本之间的相似程度。2015年KCF(KernelizedCorrelationFilters，核相关滤波器)算法采用多通道HOG(HistogramofOrientedGradient)特征，生成循环样本集训练出滤波器并通过傅里叶域的快速运算实现了高速的目标跟踪。但是KCF算法在卷积求解中使用的固定大小的模板，从而导致模型没有尺度自适应的功能，DSST算法在原本的位置滤波器基础上增加了一个尺度滤波器，FDSST算法在DSST算法的基础上进行改进增加其跟踪速度，SAMF算法通过多尺度采样获取候选样本来使得模型具有尺度适应性，DSST和SAMF虽然可以预测目标尺度变化，但是没有估计目标长宽比的变化，KCFDP通过edgebox提取proposals使跟踪器能同时预测目标的尺度变化和目标长宽比变化。对目标外观的表征能力在很大程度上决定了跟踪效果，自从2012年Hinton利用AlexNet深度卷积神经网络在ImageNet图像分类比赛中一举获得第一后，深度卷积神经网络开始兴起，其在许多任务中也展现了其令人惊叹的性能，特别是其所具有的强大的特征提取能力。2017年IBCCF通过训练4个边界滤波器估计目标的上下左右4个边界，从而确定目标的尺度变化，并用VGG深度神经网络提取中心候选区域和边界候选区域的特征，进一步提升了跟踪器的精度，但是IBCCF训练4个滤波器且都用神经网络提取特征，导致其跟踪速度只有1.25fps，无法实现实时跟踪的目的。虽然DSST，SAMF，KCFDP和IBCCF能够自适应目标尺度变化，但是针对海面目标经常出现的由于平面外旋转导致目标外观变化大，尺度变化大的情况，这些跟踪器只能框住目标的一部分，不能正确的估计目标的尺度。
针对目前跟踪算法不能很好的应对海面目标经常出现的由于平面外旋转导致目标外观变化大，尺度变化大的情况，需要设计一种跟踪算法，使其能够针对海面目标经常出现的由于平面外旋转导致目标外观变化大，尺度变化大的情况，鲁棒性的、自适应的估计海面目标的尺度变化，从而使得跟踪器的跟踪精度得到提高。
发明内容
针对现有技术存在的问题和不足，本发明的目的是提出一种基于边缘检测的尺度自适应海面目标跟踪方法。
为实现发明目的，本发明采用的技术方案如下：
一种基于边缘检测的尺度自适应海面目标跟踪方法，包括以下步骤：
步骤一：对于第t帧图像，根据已知跟踪目标的中心位置(xt,yt)以及目标区域大小(lt,ht)信息，对目标区域进行一定比例的扩大，得到扩大后的目标区域大小(lp,t,hp,t)＝α(lt,ht)，然后根据目标中心位置(xt,yt)以及扩大后的目标区域大小(lp,t,hp,t)在该帧图像中进行采样，得到训练样本；其中，xt为目标中心位置的横坐标，yt为目标中心位置的纵坐标，lt为原目标区域的长度，ht为原目标区域的宽度，α为扩大比率，lp,t为扩大后目标区域的长度，hp,t为扩大后目标区域的宽度；
步骤二：对训练样本进行HOG特征提取，得到训练样本的HOG特征其中，X有n维，代表特征X的第k维特征，利用训练样本的HOG特征计算相关滤波器w；
步骤三：对于第t+1帧图像，以上一帧图像中目标的中心位置(xt,yt)为中心，获得目标在当前帧图像中的候选区域(lp,t+1,hp,t+1)，候选区域(lp,t+1,hp,t+1)的大小与(lp,t,hp,t)相同，对候选区域进行HOG特征提取，得到候选区域的HOG特征其中，lp,t+1为第t+1帧候选区域的长度，hp,t+1第t+1帧候选区域的宽度；Xt+1有n维，代表特征Xt+1的第k维特征；
步骤四：用t+1帧图像候选区域的HOG特征Xt+1与滤波器w进行计算获得响应图，响应图中响应值最大的位置即为t+1帧目标中心位置；
步骤五：以t+1帧目标中心位置为中心，获得目标在第t+1帧图像中的边缘检测候选区域(lp,t+1',hp,t+1')，边缘检测候选区域(lp,t+1',hp,t+1')的大小与(lp,t+1,hp,t+1)相同，将边缘检测候选区域输入到HED边缘检测网络中获得候选区域边缘图像；其中，lp,t+1'为第t+1帧边缘检测候选区域的长度，hp,t+1'第t+1帧边缘检测候选区域的宽度；
步骤六：使用OpenCV获得候选区域边缘图像的所有封闭外轮廓并用矩形框框出，将矩形框中心与当前帧目标中心之间距离最小的矩形框作为框住目标外轮廓的矩形框，所述框住目标外轮廓的矩形框对应的区域即为目标在t+1帧图像中的区域大小，所述框住目标外轮廓的矩形框的中心即为目标在t+1帧图像中的中心位置；
步骤七：重复步骤一至步骤六的操作，不断对下一帧图像进行处理，直到视频结束，完成跟踪目标在所有图像帧中的中心位置和区域大小的确定，实现对目标的跟踪操作。
根据上述的尺度自适应海面目标跟踪方法，优选地，步骤二中所述滤波器w的计算方法如下：
(1)将训练样本HOG特征X中的第k维特征中的元素进行循环，得到循环样本集的HOG特征其中为特征Xk的第n个循环样本的HOG特征；
(2)对岭回归优化滤波器的优化公式(I)进行求导，得到滤波器的求解公式(II)，
w＝(XkHXk+λI)-1XkHy (II)
其中，w为滤波器；wT为滤波器w的转置，Xk为循环样本集的HOG特征；y为循环样本集的标签值，由人为设定；λ为正则化项系数，由人为设定；XkH为循环样本集的HOG特征的共轭转置，I为单位矩阵；
(3)为方便后续描述，将训练样本HOG特征X的第k维特征用符号x表示，利用循环矩阵可以在傅立叶域对角化的性质，得到
其中，Xk为循环样本集的HOG特征，F为傅立叶变换矩阵，为x经过快速傅立叶变换后的值，FH为傅立叶变换矩阵的共轭转置，为的共轭转置，为循环样本集标签值y傅立叶域的表示；
(4)将公式(III)和公式(IV)带入公式(II)中进行计算，最终得到滤波器w的计算公式，即公式(V)；
其中，为x经过快速傅立叶变换后的值，为循环样本集标签值经过快速傅立叶变换后的值，为的共轭转置，λ为正则化项系数，由人为设定。
根据上述的尺度自适应海面目标跟踪方法，优选地，步骤四中获得响应图的具体操作为：
将t+1帧图像候选区域的HOG特征Xt+1与滤波器w按公式(VI)进行计算，获得响应图；
其中，f表示响应图，F-1为反傅立叶变换矩阵，为t+1帧图像中目标候选区域HOG特征的第k维特征经过快速傅立叶变换后的值，w为对应的滤波器，n为t+1帧图像候选区域HOG特征的总通道数。
根据上述的尺度自适应海面目标跟踪方法，优选地，步骤五中所述HED边缘检测网络的具体结构为：
HED边缘检测网络是以VGG16网络作为基础网络构建的，VGG16含有5个block，3个全连接层和1个softmax输出层，前两个block分别含有两个卷积层和一个池化层，后三个block分别含有三个卷积层和一个池化层，HED边缘检测网络去掉了VGG16网络的softmax层、全连接层和最后一个block的池化层，并将从每一个block的最后一个卷积层引出一个侧输出层，最后将侧输出层融合得到最终的候选区域边缘图。
与现有技术相比，本发明取得的积极有益效果为：
本发明的目标跟踪方法采用HED边缘检测网络进行边缘检测，不只依赖于相对于当前帧之前的信息，HED能够检测出目标的封闭外轮廓，从而确定目标的尺度，也能够对目标的位置进行进一步的修正，提高目标跟踪精度，因此，是本发明的目标跟踪方法是一种鲁棒性的跟踪算法，能够针对海面目标经常出现的由于平面外旋转导致目标外观变化大，尺度变化大的情况，鲁棒性的、自适应的估计海面目标的尺度变化，从而使得跟踪器的跟踪精度得到提高，解决了现有KCF只对目标的位置进行跟踪却没有估计目标的尺度，不能够处理海面目标尺度变化大的情况，进一步提高了海面目标跟踪的精度。
附图说明
图1为本发明基于边缘检测的尺度自适应海面目标跟踪方法的流程图；
图2为HED边缘检测网络结构框架图。
具体实施方式
以下通过具体实施例对本发明作进一步详细说明，但并不限制本发明的范围。
一种基于边缘检测的尺度自适应海面目标跟踪方法，如图1所示，包括以下步骤：
步骤一：对于第t帧图像，根据已知跟踪目标的中心位置(xt,yt)以及目标区域大小(lt,ht)信息，对目标区域进行一定比例的扩大，得到扩大后的目标区域大小(lp,t,hp,t)＝α(lt,ht)，然后根据目标中心位置(xt,yt)以及扩大后的目标区域大小(lp,t,hp,t)在该帧图像中进行采样，得到训练样本；其中，xt为目标中心位置的横坐标，yt为目标中心位置的纵坐标，lt为原目标区域的长度，ht为原目标区域的宽度，α为扩大比率，lp,t为扩大后目标区域的长度，hp,t为扩大后目标区域的宽度。
步骤二：对训练样本进行HOG特征提取，得到训练样本的HOG特征其中，X有n维，代表特征X的第k维特征，利用训练样本的HOG特征计算相关滤波器w。
所述滤波器w的计算方法如下：
(1)将训练样本HOG特征X中的第k维特征中的元素进行循环，得到循环样本集的HOG特征其中为特征Xk的第n个循环样本的HOG特征；
(2)对岭回归优化滤波器的优化公式(I)进行求导，得到滤波器的求解公式(II)，
w＝(XkHXk+λI)-1XkHy (II)
其中，w为滤波器；wT为滤波器w的转置，Xk为循环样本集的HOG特征；y为循环样本集的标签值，由人为设定；λ为正则化项系数，由人为设定；XkH为循环样本集的HOG特征的共轭转置，I为单位矩阵；
(3)为方便后续描述，将训练样本HOG特征X的第k维特征用符号x表示，利用循环矩阵可以在傅立叶域对角化的性质，得到
其中，Xk为循环样本集的HOG特征，F为傅立叶变换矩阵，为x经过快速傅立叶变换后的值，FH为傅立叶变换矩阵的共轭转置，为的共轭转置，为循环样本集标签值y傅立叶域的表示；
(4)将公式(III)带入公式(II)中，对滤波器w的求解公式进行进一步简化，
其中，F-1为反傅立叶变换矩阵，为x经过快速傅立叶变换后的值，为循环样本集标签值y经过快速傅立叶变换后的值，为的共轭转置，λ为正则化项系数，由人为设定；
(5)将公式(IV)带入步骤(4)中简化后的滤波器求解公式中进行计算，最终得到滤波器w的计算公式，即公式(V)；
其中，为x经过快速傅立叶变换后的值，为循环样本集标签值y经过快速傅立叶变换后的值，为的共轭转置，λ为正则化项系数，由人为设定。
步骤三：对于第t+1帧图像，以上一帧图像中目标的中心位置(xt,yt)为中心，获得目标在当前帧图像中的候选区域(lp,t+1,hp,t+1)，候选区域(lp,t+1,hp,t+1)的大小与(lp,t,hp,t)相同，对候选区域进行HOG特征提取，得到候选区域的HOG特征其中，lp,t+1为第t+1帧候选区域的长度，hp,t+1第t+1帧候选区域的宽度；Xt+1有n维，代表特征Xt+1的第k维特征。
步骤四：将t+1帧图像候选区域的HOG特征Xt+1与滤波器w进行计算获得响应图，响应图中响应值最大的位置即为t+1帧目标中心位置。
获得响应图的具体操作为：将t+1帧图像候选区域的HOG特征Xt+1与滤波器w按公式(VI)进行计算，获得响应图；
其中，f表示响应图，F-1为反傅立叶变换矩阵，为t+1帧图像中目标候选区域HOG特征的第k维特征经过快速傅立叶变换后的值，w为对应的滤波器，n为t+1帧图像候选区域HOG特征的总通道数。
步骤五：以t+1帧目标中心位置为中心，获得目标在第t+1帧图像中的边缘检测候选区域(lp,t+1',hp,t+1')，边缘检测候选区域(lp,t+1',hp,t+1')的大小与(lp,t+1,hp,t+1)相同，其中，lp,t+1'为第t+1帧边缘检测候选区域的长度，hp,t+1'第t+1帧边缘检测候选区域的宽度；将边缘检测候选区域输入到HED边缘检测网络中获得候选区域边缘图像。
所述HED边缘检测网络的具体结构为：HED边缘检测网络是以VGG16网络作为基础网络构建的，VGG16含有5个block，3个全连接层和1个softmax输出层，前两个block分别含有两个卷积层和一个池化层，后三个block分别含有三个卷积层和一个池化层，HED边缘检测网络去掉了VGG16网络的softmax层、全连接层和最后一个block的池化层，并将从每一个block的最后一个卷积层引出一个侧输出层，最后将侧输出层融合得到最终的候选区域边缘图。
步骤六：使用OpenCV获得候选区域边缘图像的所有封闭外轮廓并用矩形框框出，将矩形框中心与当前帧目标中心之间距离最小的矩形框作为框住目标外轮廓的矩形框，所述框住目标外轮廓的矩形框对应的区域即为目标在t+1帧图像中的区域大小，所述框住目标外轮廓的矩形框的中心即为目标在t+1帧图像中的中心位置。
步骤七：重复步骤一至步骤六的操作，不断对下一帧图像进行处理，直到视频结束，完成跟踪目标在所有图像帧中的中心位置和区域大小的确定，实现对目标的跟踪操作。
以上所述仅为本发明的较佳实施例而已，但不仅限于上述实例，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于边缘检测的尺度自适应海面目标跟踪方法，其特征在于，包括以下步骤：
步骤一：对于第t帧图像，根据已知跟踪目标的中心位置(xt,yt)以及目标区域大小(lt,ht)信息，对目标区域进行一定比例的扩大，得到扩大后的目标区域大小(lp,t,hp,t)＝α(lt,ht)，然后根据目标中心位置(xt,yt)以及扩大后的目标区域大小(lp,t,hp,t)在该帧图像中进行采样，得到训练样本；其中，xt为目标中心位置的横坐标，yt为目标中心位置的纵坐标，lt为原目标区域的长度，ht为原目标区域的宽度，α为扩大比率，lp,t为扩大后目标区域的长度，hp,t为扩大后目标区域的宽度；
步骤二：对训练样本进行HOG特征提取，得到训练样本的HOG特征其中，X有n维，代表特征X的第k维特征，利用训练样本的HOG特征计算相关滤波器w；
步骤三：对于第t+1帧图像，以上一帧图像中目标的中心位置(xt,yt)为中心，获得目标在当前帧图像中的候选区域(lp,t+1,hp,t+1)，候选区域(lp,t+1,hp,t+1)的大小与(lp,t,hp,t)相同，对候选区域进行HOG特征提取，得到候选区域的HOG特征其中，lp,t+1为第t+1帧候选区域的长度，hp,t+1第t+1帧候选区域的宽度；Xt+1有n维，代表特征Xt+1的第k维特征；
步骤四：用t+1帧图像候选区域的HOG特征Xt+1与滤波器w进行计算获得响应图，响应图中响应值最大的位置即为t+1帧目标中心位置；
步骤五：以t+1帧目标中心位置为中心，获得目标在第t+1帧图像中的边缘检测候选区域(lp,t+1',hp,t+1')，边缘检测候选区域(lp,t+1',hp,t+1')的大小与(lp,t+1,hp,t+1)相同，将边缘检测候选区域输入到HED边缘检测网络中获得候选区域边缘图像；其中，lp,t+1'为第t+1帧边缘检测候选区域的长度，hp,t+1'第t+1帧边缘检测候选区域的宽度；
步骤六：使用OpenCV获得候选区域边缘图像的所有封闭外轮廓并用矩形框框出，将矩形框中心与当前帧目标中心之间距离最小的矩形框作为框住目标外轮廓的矩形框，所述框住目标外轮廓的矩形框对应的区域即为目标在t+1帧图像中的区域大小，所述框住目标外轮廓的矩形框的中心即为目标在t+1帧图像中的中心位置；
步骤七：重复步骤一至步骤六的操作，不断对下一帧图像进行处理，直到视频结束，完成跟踪目标在所有图像帧中的中心位置和区域大小的确定，实现对目标的跟踪操作。
2.根据权利要求1所述的尺度自适应海面目标跟踪方法，其特征在于，步骤二中所述滤波器w的计算方法如下：
(1)将训练样本HOG特征X中的第k维特征中的元素进行循环，得到循环样本集的HOG特征其中为特征Xk的第n个循环样本的HOG特征；
(2)对岭回归优化滤波器的优化公式(I)进行求导，得到滤波器的求解公式(II)，
w＝(XkHXk+λI)-1XkHy (II)
其中，w为滤波器；wT为滤波器w的转置，Xk为循环样本集的HOG特征；y为循环样本集的标签值，由人为设定；λ为正则化项系数，由人为设定；XkH为循环样本集的HOG特征的共轭转置，I为单位矩阵；
(3)为方便后续描述，将训练样本HOG特征X的第k维特征用符号x表示，利用循环矩阵可以在傅立叶域对角化的性质，得到
其中，Xk为循环样本集的HOG特征，F为傅立叶变换矩阵，为x经过快速傅立叶变换后的值，FH为傅立叶变换矩阵的共轭转置，为的共轭转置，为循环样本集标签值y傅立叶域的表示；
(4)将公式(III)和公式(IV)带入公式(II)中进行计算，最终得到滤波器w的计算公式，即公式(V)；
其中，为x经过快速傅立叶变换后的值，为循环样本集标签值经过快速傅立叶变换后的值，为的共轭转置，λ为正则化项系数，由人为设定。
3.根据权利要求2所述的尺度自适应海面目标跟踪方法，其特征在于，步骤四中获得响应图的具体操作为：
将t+1帧图像候选区域的HOG特征Xt+1与滤波器w按公式(VI)进行计算，获得响应图；
其中，f表示响应图，F-1为反傅立叶变换矩阵，为t+1帧图像中目标候选区域HOG特征的第k维特征经过快速傅里叶变换后的值，w为对应的滤波器，n为t+1帧图像候选区域HOG特征的总通道数。
4.根据权利要求3所述的尺度自适应海面目标跟踪方法，其特征在于，步骤五中所述HED边缘检测网络的具体结构为：
HED边缘检测网络是以VGG16网络作为基础网络构建的，HED边缘检测网络去掉了VGG16网络的softmax层、全连接层和最后一个block的池化层，并将从每一个block的最后一个卷积层引出一个侧输出层，最后将侧输出层融合得到最终的候选区域边缘图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910379288.0A CN110111369A (zh) | 2019-05-08 | 2019-05-08 | 一种基于边缘检测的尺度自适应海面目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910379288.0A CN110111369A (zh) | 2019-05-08 | 2019-05-08 | 一种基于边缘检测的尺度自适应海面目标跟踪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110111369A true CN110111369A (zh) | 2019-08-09 |
Family
ID=67488791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910379288.0A Pending CN110111369A (zh) | 2019-05-08 | 2019-05-08 | 一种基于边缘检测的尺度自适应海面目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110111369A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418223A (zh) * | 2020-12-11 | 2021-02-26 | 互助土族自治县北山林场 | 一种基于改进优化的野生动物图像显著性目标检测方法 |
| CN112560850A (zh) * | 2019-09-26 | 2021-03-26 | 中电万维信息技术有限责任公司 | 基于自定义模板的身份证信息自动提取和真伪校验方法 |
| CN112634302A (zh) * | 2020-12-28 | 2021-04-09 | 航天科技控股集团股份有限公司 | 基于深度学习的移动端类矩形物体边缘检测方法 |
| CN113658224A (zh) * | 2021-08-18 | 2021-11-16 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于相关滤波与Deep Snake的目标轮廓跟踪方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101837407B1 (ko) * | 2017-11-03 | 2018-03-12 | 국방과학연구소 | 영상 기반 표적 추적 장치 및 추적 방법 |
| CN108614994A (zh) * | 2018-03-27 | 2018-10-02 | 深圳市智能机器人研究院 | 一种基于深度学习的人头部图像提取方法和装置 |
| CN108876818A (zh) * | 2018-06-05 | 2018-11-23 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于似物性和相关滤波的目标跟踪方法 |
| CN109191493A (zh) * | 2018-07-13 | 2019-01-11 | 上海大学 | 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法 |
| CN109685073A (zh) * | 2018-12-28 | 2019-04-26 | 南京工程学院 | 一种基于核相关滤波的尺度自适应目标跟踪算法 |
-
2019
- 2019-05-08 CN CN201910379288.0A patent/CN110111369A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101837407B1 (ko) * | 2017-11-03 | 2018-03-12 | 국방과학연구소 | 영상 기반 표적 추적 장치 및 추적 방법 |
| CN108614994A (zh) * | 2018-03-27 | 2018-10-02 | 深圳市智能机器人研究院 | 一种基于深度学习的人头部图像提取方法和装置 |
| CN108876818A (zh) * | 2018-06-05 | 2018-11-23 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于似物性和相关滤波的目标跟踪方法 |
| CN109191493A (zh) * | 2018-07-13 | 2019-01-11 | 上海大学 | 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法 |
| CN109685073A (zh) * | 2018-12-28 | 2019-04-26 | 南京工程学院 | 一种基于核相关滤波的尺度自适应目标跟踪算法 |
Non-Patent Citations (5)
| Title |
|---|
| R XU 等: "Real-time human objects tracking for smart surveillance at the edge", 《2018 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 * |
| 毛宁 等: "基于分层卷积特征的自适应目标跟踪", 《激光与光电子学进展》 * |
| 焦安波 等: "一种改进的HED 网络及其在边缘检测中的应用", 《红外技术》 * |
| 王斌: "《高校学生社团建设的理论与实践》", 30 June 2014 * |
| 郑武兴 等: "改进的KCF红外空中目标跟踪方法", 《激光与红外》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112560850A (zh) * | 2019-09-26 | 2021-03-26 | 中电万维信息技术有限责任公司 | 基于自定义模板的身份证信息自动提取和真伪校验方法 |
| CN112418223A (zh) * | 2020-12-11 | 2021-02-26 | 互助土族自治县北山林场 | 一种基于改进优化的野生动物图像显著性目标检测方法 |
| CN112634302A (zh) * | 2020-12-28 | 2021-04-09 | 航天科技控股集团股份有限公司 | 基于深度学习的移动端类矩形物体边缘检测方法 |
| CN112634302B (zh) * | 2020-12-28 | 2023-11-28 | 航天科技控股集团股份有限公司 | 基于深度学习的移动端类矩形物体边缘检测方法 |
| CN113658224A (zh) * | 2021-08-18 | 2021-11-16 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于相关滤波与Deep Snake的目标轮廓跟踪方法和系统 |
| CN113658224B (zh) * | 2021-08-18 | 2024-02-06 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于相关滤波与Deep Snake的目标轮廓跟踪方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110111369A (zh) | 一种基于边缘检测的尺度自适应海面目标跟踪方法 | |
| CN109816689B (zh) | 一种多层卷积特征自适应融合的运动目标跟踪方法 | |
| CN112184752A (zh) | 一种基于金字塔卷积的视频目标跟踪方法 | |
| CN110175649B (zh) | 一种关于重新检测的快速多尺度估计目标跟踪方法 | |
| CN105740945B (zh) | 一种基于视频分析的人群计数方法 | |
| CN108090919A (zh) | 一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法 | |
| CN109767456A (zh) | 一种基于SiameseFC框架和PFP神经网络的目标跟踪方法 | |
| CN110097575B (zh) | 一种基于局部特征及尺度池的目标跟踪方法 | |
| CN111311647B (zh) | 一种基于全局-局部及卡尔曼滤波的目标跟踪方法及装置 | |
| CN107016689A (zh) | 一种尺度自适应的相关滤波对冲目标跟踪方法 | |
| CN105868735B (zh) | 一种跟踪人脸的预处理方法及基于视频的智慧健康监视系统 | |
| CN110837768A (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
| CN111340842A (zh) | 一种基于联合模型的相关滤波目标跟踪算法 | |
| CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
| CN116665095B (zh) | 一种运动舰船检测方法、系统、存储介质和电子设备 | |
| CN109740552A (zh) | 一种基于平行特征金字塔神经网络的目标跟踪方法 | |
| CN107808391B (zh) | 一种基于特征选择与光滑表示聚类的视频动态目标提取方法 | |
| CN109191493A (zh) | 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法 | |
| CN108830878B (zh) | 一种基于fpn神经网络的目标跟踪方法 | |
| CN108898619B (zh) | 一种基于pvanet神经网络的目标跟踪方法 | |
| CN111539985A (zh) | 一种融合多特征的自适应运动目标跟踪方法 | |
| CN114743257A (zh) | 图像目标行为的检测识别方法 | |
| CN112819865B (zh) | 基于自适应正则特征联合时间关联的相关滤波跟踪方法 | |
| CN111951298B (zh) | 一种融合时间序列信息的目标跟踪方法 | |
| CN110852335B (zh) | 一种基于多颜色特征融合与深度网络的目标跟踪系统 |
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: 20190809 |
|
| RJ01 | Rejection of invention patent application after publication |