CN110148155A - 一种多特征与自适应标准对冲相结合的目标跟踪方法 - Google Patents
一种多特征与自适应标准对冲相结合的目标跟踪方法 Download PDFInfo
- Publication number
- CN110148155A CN110148155A CN201910316473.5A CN201910316473A CN110148155A CN 110148155 A CN110148155 A CN 110148155A CN 201910316473 A CN201910316473 A CN 201910316473A CN 110148155 A CN110148155 A CN 110148155A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking target
- tracking
- feature
- template
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
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)
Abstract
一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:它包括以下步骤:(1)利用跟踪目标的多特征构造字典,跟踪目标表示为字典空间中的向量;(2)基于标准对冲,设计自适应标准对冲;(3)在自适应标准对冲跟踪框架下,估算出当前跟踪目标该多特征与自适应标准对冲相结合的目标跟踪方法在复杂环境下仍具有良好的准确性和鲁棒性。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种多特征与自适应标准对冲相结合的目标跟踪方法。
背景技术
视觉目标跟踪是计算机视觉领域一个重要的研究内容,在视觉导航、人机交互、智能交通、视频监控等领域得到了广泛应用,是各种后续高级处理,如目标识别、行为分析、及应用理解等高层视频处理和应用的基础。然而由于跟踪视频中存在遮挡、光照变化、尺度变化、突变、角度变化等因素,这使得准确鲁棒的视频目标跟踪成为一项非常重要的工作。
随着压缩感知理论以及稀疏编码理论的发展,使得稀疏表示已被应用于视频目标的跟踪中,其核心是将目标视为粒子滤波框架下的稀疏表示问题。在稀疏表示跟踪中,l1跟踪方法具有较强的鲁棒性,但因其需求解l1范数最小化问题使得求解比较困难且耗时。鉴于此,Mei等人采用最小误差限制来减少粒子以提高运行速度,Bao等人采用加速梯度方法来求解l1范数,Zhang等人提出实时压缩跟踪方法来降低数据维数并提高计算速度,但当光照变化剧烈或者目标与背景相似时,这些方法的鲁棒性和精确度显著下降。同时,粒子滤波跟踪框架存在无法避免的粒子退化问题,主要表现为经过若干次递推后,除少量粒子外,大部分粒子权值小甚至可以忽略,因此会导致跟踪失败。
发明内容
本发明要解决的技术问题是:提供一种在复杂环境下仍具有良好的准确性和鲁棒性的多特征与自适应标准对冲相结合的目标跟踪方法。
本发明的技术解决方案是:一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:它包括以下步骤:
(1)利用跟踪目标的多特征构造字典,跟踪目标表示为字典空间中的向量;
(2)基于标准对冲,设计自适应标准对冲;
(3)在自适应标准对冲跟踪框架下,估算出当前跟踪目标
采用上述方法后,本发明具有以下优点:
本发明多特征与自适应标准对冲相结合的目标跟踪方法利用跟踪目标的多特征构造字典,能提高跟踪目标的表征能力,减少光照变化等敏感因素的干扰,能保证复杂环境下目标跟踪的准确性和鲁棒性;另外,在自适应标准对冲跟踪框架下,可有效避免粒子退化和跟踪失败问题,进一步提高了目标跟踪的准确性和鲁棒性。
作为优选,所述步骤(1)中字典包括目标模板,利用跟踪目标的多特征构造目标模板包括以下步骤:
(a)从第一帧图像中人工选取原跟踪目标y1并抽取其特征t1;
在原跟踪目标y1中心附近微扰获取候选跟踪目标y2、y3…yn1,并抽取其特征t2、t3…tn1;
(b)由原跟踪目标y1及多个候选跟踪目标y2、y3…yn1的特征构成目标模板Df:;
其中ti=[p1(yi),p2(yi),…,pk(yi)]T,1≤i≤n1;
pk(yi)为原跟踪目标y1或候选跟踪目标y2、y3…yn1的第k个特征。
补充多个候选跟踪目标的特征到字典,可提高跟踪目标的表征能力,进一步减少背景干扰,保证复杂环境下目标跟踪的准确性和鲁棒性。
作为优选,所述步骤(1)中字典还包括背景模板,利用跟踪目标的多特征构造背景模板包括以下步骤:
(a)在远离原跟踪目标y1的位置选取n2个背景目标y1'、y2'…yn2';
(b)提取上述n2个背景目标y1'、y2'…yn2'的特征t1'、t2'…tn2'并生成背景模板Db,
其中ti'=[p1(yi'),p2(yi'),…,pk(yi')]T,1≤i≤n2,
pk(yi')为背景目标yi'的第k个特征,背景模板中的k个特征与目标模板中的k个特征一致;
(c)跟踪目标便可表示为其中D为字典,f是跟踪目标在目标模板空间中的向量表示,b是跟踪目标在背景模板空间中的向量表示,一般是线性系数,a是跟踪目标在构造的字典D中的向量表示。
在字典中加入背景模板,可有效防止跟踪过程中产生的漂移现象,目标跟踪更准确。
作为优选,所述步骤(3)在估算出当前跟踪目标之后,还更新目标模板Df和背景模板Db。更新目标模板Df和背景模板Db,即对字典进行更新,相比静态模板,能更加准确地捕获目标变化,进一步提高了复杂环境下目标跟踪的准确性和鲁棒性。
作为优选,目标模板Df和背景模板Db根据巴氏系数自适应地更新,通过分别计算跟踪结果与目标模板Df中系数最大的样本之间的巴氏系数s、与Df中各样本的巴氏系数si,并设定两个阈值τ1<τ2;若s>τ2则说明跟踪结果能很好地被目标模板Df表示,若s<τ1说明跟踪目标发生了强烈的外观变化,此时用跟踪结果替换最小值sm所对应的目标样本,背景模板Db采用粒子残差较大的n3(小于n2)个粒子进行更新。采用随机选取的方式选取被替换背景样本,早期背景样本优先被替换,目标跟踪更准确。
作为优选,所述步骤(1)中跟踪目标的多特征包括RGB特征,所述RGB特征的提取过程如下:以x为中心的原跟踪目标或候选目标包含M个像素xi,则x处的加权特征直方图表示为由加权特征直方图获取RGB特征向量;其中C为归一化常数,且h是核函数的带宽,δ是狄拉克函数,b(xi)表示xi处像素在直方图特征分布等级索引映射函数,u为直方图上特征分布等级索引,k(r)是权重核函数,
权重函数的设置使得离中心较远的像素赋予较小的值,且离中心较近的像素赋予较大的值,从而突出了中心弱化了边缘,解决了边缘像素容易受到遮挡和噪声干扰的问题。
作为优选,所述步骤(1)中跟踪目标的多特征包括LBP纹理特征,所述LBP纹理特征的提取过程如下:以x0为中心的邻域内包含P个像素点xi',则x0处的LBP纹理特征直方图表示为其中T为阈值,由LBP纹理特征直方图获取LBP纹理特征向量。LBP纹理特征在光照发生变化的情况下,仍具有较好的准确性和鲁棒性。
作为优选,所述步骤(2)基于标准对冲,设计自适应标准对冲,包括以下步骤;
(a)设计自适应调整因子λ,
其中:
为标准对冲中每位专家对应的损失,
为标准对冲中学习者的期望损失,且的初始值N为自定义的专家个数,
γ为常量参数用于控制指数函数的形状;
(b)在标准对冲下,学习者在t时刻对专家i的懊恼值为对专家i的累积懊恼值为利用自适应调整因子λ修正对专家i的累积懊恼值得到修正后的对专家i的累积懊恼值目标就是最小化累积懊恼值以期找到最好的专家;
(c)对专家i的权重进行更新:
其中[x]+=max{0,x},
ct是一个尺度参数且满足
利用自适应调整因子λ修正累积懊恼值并对专家i的权重进行更新,可自适应地调整系统的参数,更有利于目标跟踪。
作为优选,所述步骤(3)在自适应标准对冲跟踪框架下,估算出当前跟踪目标包括以下步骤:
(a)利用放射变换参数来定义第i个候选跟踪目标yi在时刻t的状态变量 其中(xt,yt)对应着水平和垂直位移,(α1,α2,α3,α4)包含了变形参数,状态转移由随机游走表示,即是高斯正态分布函数,∑是一个对角协方差矩阵,它的元素为六个放射变换参数的方差;
(b)将专家视为粒子,粒子残差可计算为可得到第i个专家(粒子)在时刻t的损失为时刻t的目标模板,是时刻t跟踪目标在目标模板中的稀疏表示系数;
(c)依次计算出学习者的期望损失自适应调整因子λ,并更新对专家i的累积懊恼值和每个粒子的权重时刻t的跟踪结果估计为
作为优选,所述步骤(1)之后且步骤(2)之前,还包括以下步骤:采用压缩感知方法,对特征空间进行降维处理并求解出各跟踪目标的稀疏表示系数各跟踪目标的稀疏系数向量通过获得;其中Φ是随机测量矩阵,
且
采用压缩感知方法,对特征空间进行降维处理,能大大降低运算的复杂度且能保持视觉对象的特征结构。
附图说明:
图1显示了运动目标在快速运动并发生遮挡时,本发明目标跟踪法、l1跟踪法、压缩跟踪法(Compressive Tracking,CT)的跟踪效果对比图;
图2显示当目标运动员与其他运动员相似时,本发明目标跟踪法、l1跟踪法、压缩跟踪法(Compressive Tracking,CT)的跟踪效果对比图;
图3显示运动目标在背景复杂变化时,本发明目标跟踪法、l1跟踪法、压缩跟踪法(Compressive Tracking,CT)的跟踪效果对比图;
图4显示了Trellis序列中光照发生了变化时,本发明目标跟踪法、l1跟踪法、压缩跟踪法(Compressive Tracking,CT)的跟踪效果对比图;
其中各图中A表示压缩跟踪法的跟踪结果,B表示本发明目标跟踪法的跟踪结果,C表示l1跟踪法的跟踪结果。
具体实施方式
下面结合附图,并结合实施例对本发明做进一步的说明。
实施例:
一种多特征与自适应标准对冲相结合的目标跟踪方法,它包括以下步骤:
(1)利用跟踪目标的多特征构造字典,跟踪目标表示为字典空间中的向量;字典包括目标模板Df和背景模板Db,跟踪目标的多特征包括RGB特征和LBP纹理特征;
(2)采用压缩感知方法,对特征空间进行降维处理并求解出各跟踪目标的稀疏表示系数
(3)基于标准对冲,设计自适应标准对冲;
(4)在自适应标准对冲跟踪框架下,估算出当前跟踪目标还根据巴氏系数自适应地更新目标模板Df和背景模板Db。
步骤(1)中,利用跟踪目标的多特征构造目标模板包括以下步骤:
(a)从第一帧图像中人工选取原跟踪目标y1并抽取其特征t1;
在原跟踪目标y1中心附近微扰获取候选跟踪目标y2、y3…yn1,并抽取其特征t2、t3…tn1;
(b)由原跟踪目标y1及多个候选跟踪目标y2、y3…yn1的特征构成目标模板Df:;
其中ti=[p1(yi),p2(yi),…,pk(yi)]T,1≤i≤n1;n1是根据实验得到,例如400;
pk(yi)为原跟踪目标y1或候选跟踪目标y2、y3…yn1的第k个特征。
步骤(1)中,利用跟踪目标的多特征构造背景模板包括以下步骤:
(a)在远离原跟踪目标y1的位置选取n2个背景目标y1'、y2'…yn2';
(b)提取上述n2个背景目标y1'、y2'…yn2'的特征t1'、t2'…tn2'并生成背景模板Db,
其中ti'=[p1(yi'),p2(yi'),…,pk(yi')]T,1≤i≤n2,n2是根据实验得到,例如400;
pk(yi')为背景目标yi'的第k个特征,背景模板中的k个特征与目标模板中的k个特征一致;
(c)跟踪目标便可表示为其中D为字典,f是跟踪目标在目标模板空间中的向量表示,b是跟踪目标在背景模板空间中的向量表示,一般是线性系数,a是跟踪目标在构造的字典D中的向量表示。
步骤(1)中,所述RGB特征的提取过程如下:以x为中心的原跟踪目标或候选目标包含M个像素xi,则x处的加权特征直方图表示为由加权特征直方图获取RGB特征向量;其中C为归一化常数,且h是核函数的带宽,δ是狄拉克函数,b(xi)表示xi处像素在直方图特征分布等级索引映射函数,u为直方图上特征分布等级索引,M为目标区域的像素总数,k(r)是权重核函数,
步骤(1)中,所述LBP纹理特征的提取过程如下:以x0为中心的邻域内包含P个像素点xi',P的个数由领域半径确定,则x0处的LBP纹理特征直方图表示为其中T为阈值,根据实验得到,由LBP纹理特征直方图获取LBP纹理特征向量。LBP纹理特征在光照发生变化的情况下,仍具有较好的准确性和鲁棒性。
步骤(2)中,各候选目标的稀疏系数向量通过获得;其中Φ是随机测量矩阵,
且即Φi,j的值有的概率为1,有的概率为0,有的概率为-1,Φ的选择方式很多,只要满足压缩感知中的有限等距性质(RIP)即可,在s=1,s=3时它满足RIP条件,其中s=3时,Φ非常稀疏,可避免三分之二的计算量,不同的实验软件下以及高斯随机数生成器初始化下,Φ是不同的,只要在同一个软件平台下,固定高斯随机数生成器就行。
步骤(3)中,基于标准对冲,设计自适应标准对冲,包括以下步骤;
(a)设计自适应调整因子λ,
其中:
为标准对冲中每位专家对应的损失,
为标准对冲中学习者的期望损失,且是学习者给各专家分配的权重,的初始值N为自定义的专家个数,
γ为常量参数用于控制指数函数的形状,根据实验获得,例如2;
(b)在标准对冲下,学习者在t时刻对专家i的懊恼值为对专家i的累积懊恼值为利用自适应调整因子λ修正对专家i的累积懊恼值得到修正后的对专家i的累积懊恼值目标就是最小化累积懊恼值以期找到最好的专家;
(c)对专家i的权重进行更新:
其中[x]+=max{0,x},
ct是一个尺度参数且满足
步骤(4)中,在自适应标准对冲跟踪框架下,估算出当前跟踪目标包括以下步骤:
(a)利用放射变换参数来定义第i个候选跟踪目标yi在时刻t的状态变量 其中(xt,yt)对应着水平和垂直位移,(α1,α2,α3,α4)包含了变形参数,xt,yt,α1,α2,α3,α4这六个参数的初始值需要人工设定,不同的图像需要设置不同的初始化参数,状态转移由随机游走表示,即是高斯正态分布函数,∑是一个对角协方差矩阵,它的元素为六个放射变换参数的方差;
(b)将专家视为粒子,粒子残差可计算为可得到第i个专家(粒子)在时刻t的损失为时刻t的目标模板,是时刻t跟踪目标在目标模板中的稀疏表示系数;
(d)依次计算出学习者的期望损失自适应调整因子λ,并更新对专家i的累积懊恼值和每个粒子的权重时刻t的跟踪结果估计为
步骤(4)中,根据巴氏系数自适应地更新目标模板Df和背景模板Db,是分别计算跟踪结果与目标模板Df中系数最大的样本之间的巴氏系数s、与Df中各样本的巴氏系数si,并设定两个阈值τ1<τ2;若s>τ2则说明跟踪结果能很好地被目标模板Df表示,若s<τ1说明跟踪目标发生了强烈的外观变化,此时用跟踪结果替换最小值sm所对应的目标样本。背景模板Db采用粒子残差较大的n3(小于n2)个粒子进行更新,例如n3=0.1*n2。采用随机选取的方式选取被替换背景样本,早期背景样本优先被替换。
图1-4给出了本发明视频目标跟踪效果图以及与l1跟踪法、CT法的跟踪效果对比图。图1显示了运动目标在快速运动并发生遮挡时三种算法的跟踪结果,在目标经历了几乎全部遮挡以及部分遮挡时,本发明能准确的跟踪到目标,而l1算法发生了跟踪偏差,CT法跟踪丢了目标。图2显示当目标运动员与其他运动员相似时,本发明也能成功地跟踪到目标,而l1与CT法均跟丢了目标。图3显示运动目标在背景复杂变化时的跟踪结果,本发明在字典目标中加入了背景目标,能很好地适应背景变化目标。图4显示了Trellis序列中光照发生了变化,从跟踪结果看出,本发明对光照变化的适应性更强。可以看出,在发生目标快速运动、遮挡以及光照变化、背景复杂变化时,本发明的跟踪效果更优,实现了复杂环境下目标的鲁棒跟踪。
Claims (10)
1.一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:它包括以下步骤:
(1)利用跟踪目标的多特征构造字典,跟踪目标表示为字典空间中的向量;
(2)基于标准对冲,设计自适应标准对冲;
(3)在自适应标准对冲跟踪框架下,估算出当前跟踪目标
2.根据权利要求1所述的一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:所述步骤(1)中字典包括目标模板,利用跟踪目标的多特征构造目标模板包括以下步骤:
(a)从第一帧图像中人工选取原跟踪目标y1并抽取其特征t1;
在原跟踪目标y1中心附近微扰获取候选跟踪目标y2、y3…yn1,并抽取其特征t2、t3…tn1;
(b)由原跟踪目标y1及多个候选跟踪目标y2、y3…yn1的特征构成目标模板Df:;
其中ti=[p1(yi),p2(yi),…,pk(yi)]T,1≤i≤n1;
pk(yi)为原跟踪目标y1或候选跟踪目标y2、y3…yn1的第k个特征。
3.根据权利要求2所述的一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:所述步骤(1)中字典还包括背景模板,利用跟踪目标的多特征构造背景模板包括以下步骤:
(a)在远离原跟踪目标y1的位置选取n2个背景目标y1'、y2'…yn2';
(b)提取上述n2个背景目标y1'、y2'…yn2'的特征t1'、t2'…tn2'并生成背景模板Db,
其中t'i=[p1(yi'),p2(yi'),…,pk(yi')]T,1≤i≤n2,
pk(yi')为背景目标yi'的第k个特征,背景模板中的k个特征与目标模板中的k个特征一致;
(c)跟踪目标便可表示为其中D为字典,f是跟踪目标在目标模板空间中的向量表示,b是跟踪目标在背景模板空间中的向量表示,一般是线性系数,a是跟踪目标在构造的字典D中的向量表示。
4.根据权利要求3所述的一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:所述步骤(3)在估算出当前跟踪目标之后,还更新目标模板Df和背景模板Db。
5.根据权利要求4所述的一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:目标模板Df和背景模板Db根据巴氏系数自适应地更新,通过分别计算跟踪结果与目标模板Df中系数最大的样本之间的巴氏系数s、与Df中各样本的巴氏系数si,并设定两个阈值τ1<τ2;若s>τ2则说明跟踪结果能很好地被目标模板Df表示,若s<τ1说明跟踪目标发生了强烈的外观变化,此时用跟踪结果替换最小值sm所对应的目标样本,背景模板Db采用粒子残差较大的n3(小于n2)个粒子进行更新。
6.根据权利要求1所述的一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:所述步骤(1)中跟踪目标的多特征包括RGB特征,所述RGB特征的提取过程如下:以x为中心的原跟踪目标或候选目标包含M个像素xi,则x处的加权特征直方图表示为由加权特征直方图获取RGB特征向量;其中C为归一化常数,且h是核函数的带宽,δ是狄拉克函数,b(xi)表示xi处像素在直方图特征分布等级索引映射函数,u为直方图上特征分布等级索引,k(r)是权重核函数,
7.根据权利要求1所述的一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:所述步骤(1)中跟踪目标的多特征包括LBP纹理特征,所述LBP纹理特征的提取过程如下:以x0为中心的邻域内包含P个像素点xi',则x0处的LBP纹理特征直方图表示为其中T为阈值,由LBP纹理特征直方图获取LBP纹理特征向量。
8.根据权利要求1所述的一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:所述步骤(2)基于标准对冲,设计自适应标准对冲,包括以下步骤;
(a)设计自适应调整因子λ,
其中:
为标准对冲中每位专家对应的损失,
为标准对冲中学习者的期望损失,且 的初始值N为自定义的专家个数,
γ为常量参数用于控制指数函数的形状;
(b)在标准对冲下,学习者在t时刻对专家i的懊恼值为对专家i的累积懊恼值为利用自适应调整因子λ修正对专家i的累积懊恼值得到修正后的对专家i的累积懊恼值目标就是最小化累积懊恼值以期找到最好的专家;
(c)对专家i的权重进行更新:
其中[x]+=max{0,x},
ct是一个尺度参数且满足
9.根据权利要求8所述的一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:所述步骤(3)在自适应标准对冲跟踪框架下,估算出当前跟踪目标包括以下步骤:
(a)利用放射变换参数来定义第i个候选跟踪目标yi在时刻t的状态变量
其中(xt,yt)对应着水平和垂直位移,(α1,α2,α3,α4)包含了变形参数,状态转移由随机游走表示,即是高斯正态分布函数,∑是一个对角协方差矩阵,它的元素为六个放射变换参数的方差;
(b)将专家视为粒子,粒子残差可计算为可得到第i个专家(粒子)在时刻t的损失 为时刻t的目标模板,ft i是时刻t跟踪目标yi t在目标模板中的稀疏表示系数;
(c)依次计算出学习者的期望损失自适应调整因子λ,并更新对专家i的累积懊恼值和每个粒子的权重时刻t的跟踪结果估计为
10.根据权利要求1所述的一种多特征与自适应标准对冲相结合的目标跟踪方法,其特征在于:所述步骤(1)之后且步骤(2)之前,还包括以下步骤:采用压缩感知方法,对特征空间进行降维处理并求解出各跟踪目标的稀疏表示系数各跟踪目标的稀疏系数向量通过获得;其中Φ是随机测量矩阵,
且
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316473.5A CN110148155A (zh) | 2019-04-19 | 2019-04-19 | 一种多特征与自适应标准对冲相结合的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316473.5A CN110148155A (zh) | 2019-04-19 | 2019-04-19 | 一种多特征与自适应标准对冲相结合的目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110148155A true CN110148155A (zh) | 2019-08-20 |
Family
ID=67588475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910316473.5A Pending CN110148155A (zh) | 2019-04-19 | 2019-04-19 | 一种多特征与自适应标准对冲相结合的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110148155A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947523A (zh) * | 2021-10-18 | 2022-01-18 | 杭州研极微电子有限公司 | 一种背景图像的替换方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751493A (zh) * | 2015-04-21 | 2015-07-01 | 南京信息工程大学 | 基于梯度纹理特征的稀疏跟踪方法 |
-
2019
- 2019-04-19 CN CN201910316473.5A patent/CN110148155A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751493A (zh) * | 2015-04-21 | 2015-07-01 | 南京信息工程大学 | 基于梯度纹理特征的稀疏跟踪方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG, S.等: "Adaptive NormalHedge for Robust Visual Tracking", 《SIGNAL PROCESSING》 * |
王仁芳等: "基于多核融合与局部约束的协同表示目标跟踪", 《光电子 激光》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947523A (zh) * | 2021-10-18 | 2022-01-18 | 杭州研极微电子有限公司 | 一种背景图像的替换方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6546117B1 (en) | Video object segmentation using active contour modelling with global relaxation | |
CN104008538B (zh) | 基于单张图像超分辨率方法 | |
CN106991388B (zh) | 关键点定位方法 | |
CN106204509B (zh) | 基于区域特性的红外与可见光图像融合方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN105160355B (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
CN106709456B (zh) | 基于计算机视觉的无人机目标跟踪框初始化方法 | |
CN107169962B (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
CN110533632B (zh) | 图像模糊篡改检测方法、装置、计算机设备和存储介质 | |
CN113870157A (zh) | 一种基于CycleGAN的SAR图像合成方法 | |
CN112329784A (zh) | 一种基于时空感知及多峰响应的相关滤波跟踪方法 | |
Yang et al. | Color texture segmentation based on image pixel classification | |
CN110717934A (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
CN112598708A (zh) | 一种基于四特征融合和权重系数的高光谱目标跟踪方法 | |
CN116071339A (zh) | 一种基于改进鲸鱼算法优化svm的产品缺陷识别方法 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN110148155A (zh) | 一种多特征与自适应标准对冲相结合的目标跟踪方法 | |
CN113313179A (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
CN110751671B (zh) | 一种基于核相关滤波与运动估计的目标跟踪方法 | |
CN108765384B (zh) | 一种联合流形排序和改进凸包的显著性检测方法 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN116433690A (zh) | 一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法 |
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 |