CN110246154B - 一种基于ica-r多特征融合与自适应更新的视觉目标跟踪方法 - Google Patents

一种基于ica-r多特征融合与自适应更新的视觉目标跟踪方法 Download PDF

Info

Publication number
CN110246154B
CN110246154B CN201910376926.3A CN201910376926A CN110246154B CN 110246154 B CN110246154 B CN 110246154B CN 201910376926 A CN201910376926 A CN 201910376926A CN 110246154 B CN110246154 B CN 110246154B
Authority
CN
China
Prior art keywords
target
feature
features
tracking
representing
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
Application number
CN201910376926.3A
Other languages
English (en)
Other versions
CN110246154A (zh
Inventor
罗元
汪杰
张毅
陈顺
李丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910376926.3A priority Critical patent/CN110246154B/zh
Publication of CN110246154A publication Critical patent/CN110246154A/zh
Application granted granted Critical
Publication of CN110246154B publication Critical patent/CN110246154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明请求保护一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，该方法首先利用微调后的VGG‑m网络得到深度调整，并结合参考独立成分分析的方法(Independent Component Analysis with Reference,ICA‑R)，将其与传统手工特征信息融合，得到更具判别性的特征。其次，在模型更新阶段，提出一种基于图像块中心移位欧式距离的自适应更新策略。最后在OTB‑2015，VOT‑2016两个标准跟踪数据集上进行测试，实验结果表明，利用深度特征与传统手工特征融合的方法能够很好地区分背景与目标，提出的视觉目标跟踪算法在应对目标超出视野、运动模糊、遮挡等因素的干扰下均表现出很好的鲁棒性与准确性，其中在OTB‑2015中的成功率达到65.2％,准确率达到86.3％，在VOT‑2016中的准确率排在第一。

Description

一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪 方法
技术领域
本发明属于图像处理与模式识别领域，特别是一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法。
背景技术
视觉目标跟踪(Visual Object Tracking)要求在一段视频序列中给定跟踪目标初始状态的情况下，预估目标的运动轨迹并自动跟踪。其往往通过时间和空间上的相关性，确定其在每一帧图像中的位置，并记录下运动轨迹，从而获得目标的运动情况。视觉目标跟踪技术在视频监控、视频分析、无人驾驶、无人机及人机交互等众多领域有着十分广泛的应用。近年来，特别是在人机交互方面，视觉目标跟踪作为一种方式来辅助其它指令，并持续稳定地跟踪选定的目标，从而实现了智能港口、无人驾驶等，受到学术界的广泛关注。国内外对视觉目标跟踪的研究主要是针对视频序列，例如对一段视频序列中的某个物体进行持续地跟踪，可以直观的看到跟踪目标的位置及形态的变化，从而解放了人眼，不需要时刻去关注着跟踪的目标。而目前投入实际应用的场景都还是一些干扰物较少，比较单一的场景，随着人工智能的发展，基于视觉目标跟踪的技术将逐步提高，在一些干扰较大的场景中依旧能实现稳定且快速的跟踪，而实现目标的自动跟踪，这也是现在以及将来人工智能的一个发展趋势。因此，视觉目标跟踪不仅有很深的理论价值，也具有广阔的应用前景。
对于背景干扰物较多、跟踪目标变化复杂等因素影响时，当前的视觉目标跟踪算法依旧会丢失跟踪目标，存在准确率较低，鲁棒性较差的问题。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种可以获得较高准确率与成功率，面对遮挡、形变、光照等变化时具有较好鲁棒性的基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法。本发明的技术方案如下：
一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，其包括以下步骤：
S1，跟踪目标初始化，选定需要跟踪的目标，并采用高斯滤波将视频序列进行预处理，将预处理后的视频序列通过二维仿射变换得到多视角的信息，用k 表示其中的一个视角；
S2，选定深度卷积神经网络(VGG-m)网络模型提取目标的深度特征，采用梯度直方图特征(HOG)提取目标的形状特征，采用颜色特征(CN)提取目标的颜色特征，通过VGG-m网络模型中的第一个卷积层Conv1和最后一个卷积层Conv5分别提取深度特征
Figure BDA0002052015550000021
和
Figure BDA0002052015550000022
HOG提取形状特征FH，CN提取颜色特征FC，并进行初步融合得到初步融合后的单一视角特征为
Figure BDA0002052015550000023
S3，将S2中单一视角的融合特征
Figure BDA0002052015550000024
作为本一步中的混合信号，
Figure BDA0002052015550000025
作为参考信号，利用一单元快速参考独立成分分析(Independent Component Analysis withReference,ICA-R)算法将深度特征
Figure BDA0002052015550000026
和
Figure BDA0002052015550000027
和S2中单一视角融合后的特征
Figure BDA0002052015550000028
进行再次融合得到期望信号
Figure BDA0002052015550000029
S4，利用拉格朗日数乘法将多个视角融合得到特征图谱
Figure BDA00020520155500000210
其中Vk表示第k个视角中融合后得到的期望信号；
S5，采用相关核滤波(Kernel Correlation Filter，KCF)跟踪框架进行模型训练，得到当前帧的训练模型为：
Figure BDA00020520155500000211
其中z 为与Ffinal大小相同的候选图像块，
Figure BDA00020520155500000212
表示相关核，α表示正负样本移位过程中产生的样本，
Figure BDA00020520155500000213
表示样本α的傅里叶变换，Ffinal是S4中融合多个视角后得到的特征图谱；
S6，利用训练得到的目标表观模型对当前帧中的目标进行定位并跟踪；
S7，预估当前帧中跟踪目标的位置，输出当前帧中跟踪目标的位置。
进一步的，所述步骤S2预处理后的视频序列通过二维仿射变换得到多视角的信息，所述具体步骤包括：
S21:通过高斯滤波将原始视频序列中的图片降噪，增强图片的表示，便于后续中的特征提取；
S22：通过仿射变换，将降噪后的视频序列由单一视角变为多个视角，并用k 表示其中的一个视角；
进一步的，所述步骤S2通过VGG-m网络提取第一层Conv1和最后一层 Conv5的深度特征，并分别与HOG特征、CN特征进行初步融合，所述具体步骤包括：
S31:通过VGG-m网络分别提取目标的第一层(Conv1)和最后一层(Conv5) 的深度特征
Figure BDA0002052015550000031
和
Figure BDA0002052015550000032
然后利用HOG提取目标的形状特征FH，CN提取目标的颜色特征FC；
S32:通过二维仿射变换，将原始的二维信息扩展到三维信息，并用
Figure BDA0002052015550000033
表示其中的一个视角；
S33:利用步骤S21中的三种特征，在S22的单一视角中，利用计算元素点积的方法将这三种特征进行初步融合，公式如下：
Figure BDA0002052015550000034
其中，⊙表示元素之间的点积，k表示仿射变换后的一个视角。
进一步的，所述步骤S3利用一单元快速ICA-R算法将特征再次融合得到期望信号
Figure BDA0002052015550000035
具体包括：
S41:将
Figure BDA0002052015550000036
作为混合后的信号，
Figure BDA0002052015550000037
作为参考信号，利用ICA-R进行进一步特征融合；
S42:计算负熵J(s)，使得其最大，公式如下：
Figure BDA0002052015550000038
Figure BDA0002052015550000039
s.t.
Figure BDA00020520155500000310
其中，ρ是一个正的常数项，
Figure BDA0002052015550000041
表示线性激励函数，μ是一个均值为0的高斯变量，ε(·)是一个范数函数，
Figure BDA0002052015550000042
表示x的期望，相似性测量
Figure BDA0002052015550000043
被定义用来得到它的最小值，ξ是一个阈值；
S43：根据S32中计算得到的最大负熵，得出分别将
Figure BDA0002052015550000044
和
Figure BDA0002052015550000045
作为参考信号的特征为
Figure BDA0002052015550000046
和
Figure BDA0002052015550000047
S44:根据S32中得到的
Figure BDA0002052015550000048
和
Figure BDA0002052015550000049
计算单一视角中融合后的特征，公式如下：
Figure BDA00020520155500000410
进一步的，所述S5模型训练步骤包括：
S51：基于KCF的跟踪框架将跟踪问题看作分类问题，则优化问题可看作如下公式：
Figure BDA00020520155500000411
其中<·>表示内积，
Figure BDA00020520155500000412
表示表示映射到核空间，xp,q表示负样本x通过循环移位得到的样本，y(p,q)表示回归目标，λ是正则化参数，用于控制过拟合，λ≥0，w表示正则化项，用于控制过拟合；
S52：将问题转化到傅里叶域，则S51中的优化问题变为如下公式：
ω＝∑α(p,q)φ(p,q)，α(p,q)表示正负样本移位过程中产生的样本，φ(p,q)表示傅里叶域的回归目标，ω表示映射到傅里叶域的目标函数；
S53：根据得到的特征Ffinal，得到当前帧的训练模型为：
Figure BDA00020520155500000413
进一步的，所述步骤S6训练得到的目标表观模型对当前帧中的目标进行定位并自适应更新跟踪，自适应更新步骤包括:
S61：计算前Ns帧中心块移位的欧式距离的平均值：
Figure BDA0002052015550000051
其中
Figure BDA0002052015550000052
表示第i帧与第i+1帧中心块移位的欧式距离，n表示总帧数，欧式距离的计算方式为
Figure BDA0002052015550000053
Cj表示当前帧中目标的中心位置，j表示第 j帧；
S62：后续视频序列中的Ns根据计算得到的中心块移位的欧式距离来判断，公式如下：
Figure BDA0002052015550000054
其中θ1和θ2表示提前设定好的阈值，得到Ns后，在后续的视频序列中每隔 Ns进行一次模型更新。
本发明的优点及有益效果如下：
本发明针对部分遮挡，完全遮挡，目标形变等较强的环境干扰时，提出了一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法。首先，在预处理阶段引入仿射变换来增加多视角，扩充原始图像的三维信息。其次，利用参考独立成分分析的方法(IndependentComponent Analysis with Reference,ICA-R) 将微调后VGG-m网络得到图像的深度特征、HOG提取的梯度特征和CN得到的颜色特征进行融合，得到更具判别性的表观特征。最后，本文提出一种基于图像块中心移位欧式距离的自适应更新策略，建立一个自适应更新池，根据不同的场景自动选择不同帧数进行更新，在减少计算量的同时降低了过拟合的风险。
附图说明
图1是本发明提供优选实施例基于ICA-R多特征融合与自适应更新的视觉目标跟踪流程图；
图2为ICA-R多特征融合的流程图；
图3为自适应更新的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1-3所示，一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，利用ICA-R将多种特征融合来获得更具判别性的表观模型，利用一种自适应更新策略来对模型进行在线自适应更新，其包括以下步骤:
S1，跟踪目标初始化，选定需要跟踪的目标，并采用基本的图像增强方式将视频序列进行预处理。将预处理后的视频序列通过二维仿射变换得到多视角的信息，用
Figure BDA0002052015550000061
表示其中的一个视角。
S2，选定VGG-m网络模型，HOG，CN来分别提取目标的深度特征，形状特征和颜色特征。通过VGG-m网络模型中的第一个卷积层(Conv1)和最后一个卷积层(Conv5)分别提取深度特征
Figure BDA0002052015550000062
和
Figure BDA0002052015550000063
HOG提取形状特征FH，CN提取颜色特征FC。
在单一视角中，将单层深度特征分别与HOG特征，CN特征进行简单的特征融合，得到
Figure BDA0002052015550000064
⊙表示元素之间的点积， k表示仿射变换后的一个视角。
S3，将
Figure BDA0002052015550000065
作为混合后的信号，
Figure BDA0002052015550000066
作为参考信号，利用一单元快速ICA-R 算法得到期望信号
Figure BDA0002052015550000067
利用
Figure BDA0002052015550000068
使得负熵J(s)最大，其中
Figure BDA0002052015550000069
约束条件为s.t.
Figure BDA00020520155500000610
其中，ρ是一个正的常数项，μ是一个均值为0的高斯变量，ε(·)是一个范数函数，
Figure BDA00020520155500000611
表示x的期望，相似性测量
Figure BDA0002052015550000071
被定义用来得到它的最小值，ξ是一个阈值。随后，将得到的
Figure BDA0002052015550000072
和
Figure BDA0002052015550000073
进行卷积操作得到期望信号，
Figure BDA0002052015550000074
Figure BDA0002052015550000075
表示将
Figure BDA0002052015550000076
作为参考信号得到的期望信号，
Figure BDA0002052015550000077
表示将
Figure BDA0002052015550000078
作为参考信号得到的期望信号，Vk是通过将
Figure BDA0002052015550000079
与
Figure BDA00020520155500000710
卷积得到的期望信号。
S4，利用拉格朗日数乘法得到最后包含多个视角的特征图谱
Figure BDA00020520155500000711
S5，采用KCF跟踪框架进行模型训练，得到当前帧的训练模型为：
Figure BDA00020520155500000712
其中z为与Ffinal大小相同的候选图像块，
Figure BDA00020520155500000713
表示相关核，Ffinal是学习到的目标表观模型。
S6，利用得到的目标表观模型对当前帧中的目标进行定位并跟踪。
S7，在一段视频序列中，预先设定一个初始值Ns，每隔Ns帧进行一次模型更新。
S8，计算前Ns帧中心块移位的欧式距离的平均值：
Figure BDA00020520155500000714
其中
Figure BDA00020520155500000715
表示第i帧与第i+1帧中心块移位的欧式距离。欧式距离的计算方式为
Figure BDA00020520155500000716
Cj表示当前帧中目标的中心位置，j表示第j帧。
S9，后续视频序列中的Ns根据计算得到的中心块移位的欧式距离来判断，公式如下：
Figure BDA00020520155500000717
其中θ1和θ2表示提前设定好的阈值。得到Ns后，在后续的视频序列中每隔Ns进行一次模型更新，循环往复便得到了连续的跟踪。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，包括以下步骤：
S1，跟踪目标初始化，选定需要跟踪的目标，并采用高斯滤波将视频序列进行预处理，将预处理后的视频序列通过二维仿射变换得到多视角的信息，用k表示其中的一个视角；
S2，选定深度卷积神经网络VGG-m网络模型提取目标的深度特征，采用梯度直方图特征HOG提取目标的形状特征，采用颜色特征提取目标的颜色特征，通过VGG-m网络模型中的第一个卷积层Conv1和最后一个卷积层Conv5分别提取深度特征
Figure FDA0002052015540000011
和
Figure FDA0002052015540000012
HOG提取形状特征FH，CN提取颜色特征FC，并进行初步融合得到初步融合后的单一视角特征为
Figure FDA0002052015540000013
S3，将S2中单一视角的融合特征
Figure FDA0002052015540000014
作为本一步中的混合信号，
Figure FDA0002052015540000015
作为参考信号，利用一单元快速参考独立成分分析ICA-R算法将深度特征
Figure FDA0002052015540000016
和
Figure FDA0002052015540000017
和S2中单一视角融合后的特征
Figure FDA0002052015540000018
进行再次融合得到期望信号
Figure FDA0002052015540000019
S4，利用拉格朗日数乘法将多个视角融合得到特征图谱
Figure FDA00020520155400000110
其中Vk表示第k个视角中融合后得到的期望信号；
S5，采用相关核滤波KCF跟踪框架进行模型训练，得到当前帧的训练模型为：
Figure FDA00020520155400000111
其中z为与Ffinal大小相同的候选图像块，
Figure FDA00020520155400000112
表示相关核，α表示正负样本移位过程中产生的样本，
Figure FDA00020520155400000113
表示样本α的傅里叶变换，Ffinal是S4中融合多个视角后得到的特征图谱；
S6，利用训练得到的目标表观模型对当前帧中的目标进行定位并跟踪；
S7，预估当前帧中跟踪目标的位置，输出当前帧中跟踪目标的位置。
2.根据权利要求1所述的一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述步骤S2预处理后的视频序列通过二维仿射变换得到多视角的信息，具体步骤包括：
S21:通过高斯滤波将原始视频序列中的图片降噪，增强图片的表示，便于后续中的特征提取；
S22：通过仿射变换，将降噪后的视频序列由单一视角变为多个视角，并用k表示其中的一个视角。
3.根据权利要求1所述的一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述步骤S2通过VGG-m网络提取第一层Conv1和最后一层Conv5的深度特征，并分别与HOG特征、CN特征进行初步融合，具体步骤包括：
S31:通过VGG-m网络分别提取目标的第一层(Conv1)和最后一层(Conv5)的深度特征
Figure FDA0002052015540000021
和
Figure FDA0002052015540000022
然后利用HOG提取目标的形状特征FH，CN提取目标的颜色特征FC；
S32:通过二维仿射变换，将原始的二维信息扩展到三维信息，并用
Figure FDA0002052015540000023
表示其中的一个视角；
S33:利用步骤S21中的三种特征，在S22的单一视角中，利用计算元素点积的方法将这三种特征进行初步融合，公式如下：
Figure FDA0002052015540000024
其中，⊙表示元素之间的点积，k表示仿射变换后的一个视角。
4.根据权利要求3所述的一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述步骤S3利用一单元快速ICA-R算法将特征再次融合得到期望信号
Figure FDA0002052015540000025
具体包括：
S41:将
Figure FDA0002052015540000026
作为混合后的信号，
Figure FDA0002052015540000027
作为参考信号，利用ICA-R进行进一步特征融合；
S42:计算负熵J(s)，使得其最大，公式如下：
Figure FDA0002052015540000028
Figure FDA0002052015540000029
Figure FDA0002052015540000031
其中，ρ是一个正的常数项，
Figure FDA0002052015540000032
表示线性激励函数，μ是一个均值为0的高斯变量，ε(·)是一个范数函数，
Figure FDA0002052015540000033
表示x的期望，相似性测量
Figure FDA0002052015540000034
被定义用来得到它的最小值，ξ是一个阈值；
S43：根据S32中计算得到的最大负熵，得出分别将
Figure FDA0002052015540000035
和
Figure FDA0002052015540000036
作为参考信号的特征为
Figure FDA0002052015540000037
和
Figure FDA0002052015540000038
S44:根据S32中得到的
Figure FDA0002052015540000039
和
Figure FDA00020520155400000310
计算单一视角中融合后的特征，公式如下：
Figure FDA00020520155400000311
5.根据权利要求4所述的一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述S5模型训练步骤包括：
S51：基于KCF的跟踪框架将跟踪问题看作分类问题，则优化问题可看作如下公式：
Figure FDA00020520155400000312
其中<·>表示内积，
Figure FDA00020520155400000313
表示映射到核空间，xp,q表示负样本x通过循环移位得到的样本，y(p,q)表示回归目标，λ是正则化参数，用于控制过拟合，λ≥0，w表示正则化项，用于控制过拟合；
S52：将问题转化到傅里叶域，则S51中的优化问题变为如下公式：
ω＝∑α(p,q)φ(p,q)，α(p,q)表示正负样本移位过程中产生的样本，φ(p,q)表示傅里叶域的回归目标，ω表示映射到傅里叶域的目标函数；
S53：根据得到的特征Ffinal，得到当前帧的训练模型为：
Figure FDA00020520155400000314
6.根据权利要求5所述的一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述步骤S6训练得到的目标表观模型对当前帧中的目标进行定位并自适应更新跟踪，自适应更新步骤包括:
S61：计算前Ns帧中心块移位的欧式距离的平均值：
Figure FDA0002052015540000041
其中
Figure FDA0002052015540000042
表示第i帧与第i+1帧中心块移位的欧式距离，n表示总帧数，欧式距离的计算方式为
Figure FDA0002052015540000043
Cj表示当前帧中目标的中心位置，j表示第j帧；
S62：后续视频序列中的Ns根据计算得到的中心块移位的欧式距离来判断，公式如下：
Figure FDA0002052015540000044
其中θ1和θ2表示提前设定好的阈值，得到Ns后，在后续的视频序列中每隔Ns进行一次模型更新。
CN201910376926.3A 2019-05-07 2019-05-07 一种基于ica-r多特征融合与自适应更新的视觉目标跟踪方法 Active CN110246154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910376926.3A CN110246154B (zh) 2019-05-07 2019-05-07 一种基于ica-r多特征融合与自适应更新的视觉目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910376926.3A CN110246154B (zh) 2019-05-07 2019-05-07 一种基于ica-r多特征融合与自适应更新的视觉目标跟踪方法

Publications (2)

Publication Number Publication Date
CN110246154A CN110246154A (zh) 2019-09-17
CN110246154B true CN110246154B (zh) 2022-12-27

Family

ID=67883806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910376926.3A Active CN110246154B (zh) 2019-05-07 2019-05-07 一种基于ica-r多特征融合与自适应更新的视觉目标跟踪方法

Country Status (1)

Country Link
CN (1) CN110246154B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428566B (zh) * 2020-02-26 2023-09-01 沈阳大学 一种形变目标跟踪系统及方法
CN112766151B (zh) * 2021-01-19 2022-07-12 北京深睿博联科技有限责任公司 一种用于导盲眼镜的双目目标检测方法和系统
CN113177970B (zh) * 2021-04-29 2022-07-19 燕山大学 基于自适应特征融合的多尺度滤波目标跟踪方法
CN113222060A (zh) * 2021-05-31 2021-08-06 四川轻化工大学 一种基于卷积特征和手工特征整合的视觉跟踪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390168A (zh) * 2013-07-18 2013-11-13 重庆邮电大学 基于Kinect深度信息的智能轮椅动态手势识别方法
WO2017177367A1 (en) * 2016-04-11 2017-10-19 Xiaogang Wang Method and system for object tracking
CN107452023A (zh) * 2017-07-21 2017-12-08 上海交通大学 一种基于卷积神经网络在线学习的单目标跟踪方法和系统
CN107578423A (zh) * 2017-09-15 2018-01-12 杭州电子科技大学 多特征分层融合的相关滤波鲁棒跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10902243B2 (en) * 2016-10-25 2021-01-26 Deep North, Inc. Vision based target tracking that distinguishes facial feature targets

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390168A (zh) * 2013-07-18 2013-11-13 重庆邮电大学 基于Kinect深度信息的智能轮椅动态手势识别方法
WO2017177367A1 (en) * 2016-04-11 2017-10-19 Xiaogang Wang Method and system for object tracking
CN107452023A (zh) * 2017-07-21 2017-12-08 上海交通大学 一种基于卷积神经网络在线学习的单目标跟踪方法和系统
CN107578423A (zh) * 2017-09-15 2018-01-12 杭州电子科技大学 多特征分层融合的相关滤波鲁棒跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于相关滤波的目标跟踪方法;李娜等;《西安邮电大学学报》;20180710(第04期);62-71 *
多特征分层融合的相关滤波鲁棒跟踪;鲁国智等;《中国图象图形学报》;20180516(第05期);50-61 *
自适应卷积特征选择的实时跟踪算法;熊昌镇等;《中国图象图形学报》;20181116(第11期);130-138 *

Also Published As

Publication number Publication date
CN110246154A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN110246154B (zh) 一种基于ica-r多特征融合与自适应更新的视觉目标跟踪方法
CN107578423B (zh) 多特征分层融合的相关滤波鲁棒跟踪方法
CN109816689B (zh) 一种多层卷积特征自适应融合的运动目标跟踪方法
CN108986140B (zh) 基于相关滤波和颜色检测的目标尺度自适应跟踪方法
CN107369166B (zh) 一种基于多分辨率神经网络的目标跟踪方法及系统
CN112307958A (zh) 基于时空外观运动注意力网络的微表情识别方法
CN111354017A (zh) 一种基于孪生神经网络及平行注意力模块的目标跟踪方法
CN110175649B (zh) 一种关于重新检测的快速多尺度估计目标跟踪方法
CN107689052B (zh) 基于多模型融合和结构化深度特征的视觉目标跟踪方法
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN110097575B (zh) 一种基于局部特征及尺度池的目标跟踪方法
CN110782477A (zh) 基于序列图像的运动目标快速检测方法、计算机视觉系统
CN111260738A (zh) 基于相关滤波和自适应特征融合的多尺度目标跟踪方法
CN112651998B (zh) 基于注意力机制和双流多域卷积神经网络的人体跟踪算法
CN109035300B (zh) 一种基于深度特征与平均峰值相关能量的目标跟踪方法
CN107798329B (zh) 基于cnn的自适应粒子滤波目标跟踪方法
CN110135435B (zh) 一种基于广度学习系统的显著性检测方法及装置
CN110544267B (zh) 一种自适应选择特征的相关滤波跟踪方法
CN112329662B (zh) 基于无监督学习的多视角显著性估计方法
CN109522865A (zh) 一种基于深度神经网络的特征加权融合人脸识别方法
CN113763417A (zh) 一种基于孪生网络和残差结构的目标跟踪方法
Maldonado-Ramírez et al. Robotic visual tracking of relevant cues in underwater environments with poor visibility conditions
CN116777956A (zh) 基于多尺度航迹管理的运动目标筛选方法
CN111539985A (zh) 一种融合多特征的自适应运动目标跟踪方法
CN116342653A (zh) 一种基于相关滤波器的目标跟踪方法、系统、设备及介质

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