CN110660081B - 一种基于自适应的特征选择的目标跟踪方法 - Google Patents

一种基于自适应的特征选择的目标跟踪方法 Download PDF

Info

Publication number
CN110660081B
CN110660081B CN201910881798.8A CN201910881798A CN110660081B CN 110660081 B CN110660081 B CN 110660081B CN 201910881798 A CN201910881798 A CN 201910881798A CN 110660081 B CN110660081 B CN 110660081B
Authority
CN
China
Prior art keywords
feature
target
similarity
frame
search area
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
CN201910881798.8A
Other languages
English (en)
Other versions
CN110660081A (zh
Inventor
郭文华
贺晨龙
马耀军
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910881798.8A priority Critical patent/CN110660081B/zh
Publication of CN110660081A publication Critical patent/CN110660081A/zh
Application granted granted Critical
Publication of CN110660081B publication Critical patent/CN110660081B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Abstract

本发明公开了一种基于自适应的特征选择的目标跟踪方法，包括步骤：一、目标特征的描述：分别计算目标区域、待匹配区域和搜索区域的各个特征的描述：包括在第一帧计算目标的特征描述；在之后跟踪的每一帧计算搜索区域的特征描述和待匹配区域的特征描述；二、多特征融合的跟踪算法：在跟踪过程中，选择根据上一帧计算所得最优特征作为本帧的描述特征，若是第一帧图像因没有先验信息则可随机选择一种特征作为本帧的描述特征；三、步骤三：多特征的选择：根据目标中心位置，划分搜索区域的前景和背景，计算的各个特征的相似度值，利用判别熵计算不同特征区分前景背景的能力，根据判别熵选择区分能力最强的特征，并在下一帧跟踪中使用。

Description

一种基于自适应的特征选择的目标跟踪方法
技术领域
本发明属于计算机视觉跟踪领域，具体涉及一种基于自适应的特征选择的目标跟踪方法。
背景技术
图像跟踪是计算机视觉领域中的研究热点和难点问题。近年来它引起越来越多的研究者们的关注，这主要是两个方面的原因：1)随着计算机硬件技术的发展，计算和存储的成本急剧下降，使得图像的实时性处理成为了可能；2)图像跟踪技术的极为广阔的应用前景也推动了图像跟踪技术的发展。图像跟踪目前在智能机器人视觉导航、交通检测、安全监控、人机交互、虚拟现实、目标识别和跟踪、目标的运动分析等领域得到了大量的应用。当计算机视觉系统去完成这些任时，遇到的第一个问题就是如何在复杂环境下感知前景物体。目前的成熟计算机视觉技术对于室内的结构化环境，例如稳定的光照和丰富的色彩，已经可以完美的解决这一问题。但是如何准确的判断在真实的复杂环境中(例如光照分辨率，变化的光照条件，物体的遮挡，视角变幻，尺度变化等)的一个物体，是当前计算机视觉中的一个热点和难点问题。
目前的常用的实时目标跟踪算法，基本无法获得场景的先验信息；或者即使可以通过机器学习的方法获得场景的先验信息，但是随着环境的变化，该信息仍然是不确定的。因此，跟踪算法如果依赖一种特征做长时间持续的跟踪是很容易丢失目标的。
发明内容
为克服上述现有方法跟踪时很容易丢失目标的缺点，本发明目的在于提供一种基于自适应的特征选择的目标跟踪方法，根据不同图像特征计算出的目标与待匹配域的相似度度量作为判定指标来选择最合适的跟踪特征，指导下一帧的跟踪算法。
本发明采用以下技术方案予以实现的：
一种基于自适应的特征选择的目标跟踪方法，包括以下步骤：
步骤一：目标特征的描述：分别计算第一帧图像目标区域、之后每帧图像待匹配区域和搜索区域的各个特征的描述：包括在第一帧图像计算目标的特征描述；在之后跟踪的每一帧图像计算搜索区域的特征描述和待匹配区域的特征描述；
步骤二：多特征融合的跟踪算法：在跟踪过程中，选择根据上一帧图像计算所得最优特征作为本帧的描述特征；
步骤三：多特征的选择：根据目标中心位置，划分搜索区域的前景和背景，计算的各个特征的相似度值，利用判别熵计算不同特征区分前景背景的能力，根据判别熵选择区分能力最强的特征，并在下一帧图像跟踪中使用。
本发明进一步的改进在于，步骤一中，假设：已知目标区域模型
Figure GDA0003390039590000021
待匹配区域模型
Figure GDA0003390039590000022
搜索区域模型
Figure GDA0003390039590000023
式中：n是某个特征分模型的特征向量维数；
Figure GDA0003390039590000024
表示目标区域中用第i个特征描述的分模型；
Figure GDA0003390039590000025
表示待匹配区域中用第i个特征描述的分模型；
Figure GDA0003390039590000026
表示搜索区域中用第i个特征描述的分模型；每个分模型的特征都用特征统计直方图来刻画，那么根据基于最大后验概率相似度指标的跟踪算法，计算搜索区域中第i个特征分模型的各个像素点的相似度贡献值gi(xj)和搜索区域中第i个特征分模型的相似度函数值
Figure GDA0003390039590000027
如下：
Figure GDA0003390039590000028
Figure GDA0003390039590000029
式中，{xj}j＝1,...,m是搜索区域中的各个像素点的位置；yj是该区域的中心位置；gi(xj)是搜索区域中的第i个特征分模型的各个像素点的相似度贡献值；
Figure GDA00033900395900000210
是表示中心位于yj的搜索区域的像素点的集合；
Figure GDA00033900395900000211
是搜索区域中的第i个特征分模型的相似度函数值。
本发明进一步的改进在于，步骤二中，若是第一帧图像因没有先验信息则可随机选择一种特征作为本帧的描述特征，初始化迭代参数k为0，依据最大后验概率相似度指标计算出目标的位置
Figure GDA0003390039590000031
迭代计算直到满足||yi+1-yi||＜ε或者k≥N，不满足条件则k＝k+1且重复计算目标区域的中心位置yi+1直到条件满足，其中y'j为当前帧目标区域的中心位置，k为迭代次数，yj+1为计算出下一帧目标区域的中心位置，xj是搜索区域中的各个像素点的位置；gi(xj)是搜索区域中的第i个特征分模型的各个像素点的相似度贡献值；
Figure GDA0003390039590000032
是表示中心位于y'j的搜索区域的像素点的集合；然后目标定位，自适应调整尺寸输出。
本发明进一步的改进在于，步骤三中，把跟踪看作是前景和背景的二分类问题，根据序优化的原理对跟踪的前景和背景分别采样，在目标中心均匀采样M个与目标大小相同的区域作为正例，同时在紧邻目标的背景周围均匀采样N个与目标大小相同的区域作为反例，采用最大后验概率相似度指标来衡量目标与正例和目标与反例的相似度，假设正例与目标的相似度值是：
Figure GDA0003390039590000033
其中i表示第i个特征分模型，m表示第m个正例的相似度值，m∈M；假设反例与目标的相似度值是：
Figure GDA0003390039590000034
其中i表示第i个特征分模型，n表示第n个反例的相似度值，n∈N；通过
Figure GDA0003390039590000035
设计归一化各个特征分模型的可分性度量Ji，Ji判别准则衡量了第i个特征分模型的可分性能力；当Ji判别准值越大时，说明该特征分模型的可分性能力越大；因此通过求max(Ji)找到性能最好的特征分模型；
其中
Figure GDA0003390039590000036
式中k表示某个特征分模型的特征向量维数，
Figure GDA0003390039590000037
表示第i个特征分模板的正例集合中的第k个正例与目标的相似度；
Figure GDA0003390039590000038
表示第i个特征分模板的反例集合中的第k个反例与目标的相似度；
Figure GDA0003390039590000039
表示第i个特征分模板的正例的相似度平方均值；
Figure GDA00033900395900000310
表示第i个特征分模板的反例的相似度平方均值。
本发明具有如下有益的技术效果：
本发明根据不同图像特征计算出的目标与待匹配域的相似度度量作为判定指标来选择最合适的跟踪特征，可以很好的利用不同特征对不同场景的适应性，随着场景的变化选择分辨率最好的特征实现目标的稳定跟踪。同时，该方法也有较强的扩展性，可以在一个算法中引入多种特征用于目标跟踪。
附图说明
图1为基于自适应特征选择目标跟踪方法框架图；
图2为cube序列跟踪示意图；其中，图2(a)-(c)分别为LBP&PPM跟踪结果，图2(a)为第3帧，图2(b)为第277帧，图2(c)为第372帧，图2(d)-(f)分别为RGB&PPM跟踪结果，图2(d)为第3帧，图2(e)为第277帧，图2(f)为第372帧，图2(g)-(i)分别为LBPT跟踪结果，图2(g)为第3帧，图2(h)为第277帧，图2(i)为第372帧，图2(j)-(l)分别为本发明跟踪结果，图2(j)为第3帧，图2(k)为第277帧，图2(l)为第372帧。
具体实施方式
以下结合附图和实施例对本发明做出进一步的说明。
如图1所示，本发明提供的一种基于自适应的特征选择的目标跟踪方法，包括以下步骤：
步骤一：目标特征的描述：分别计算第一帧图像目标区域、之后每帧图像待匹配区域和搜索区域的各个特征的描述：包括在第一帧图像计算目标的特征描述；在之后跟踪的每一帧图像计算搜索区域的特征描述和待匹配区域的特征描述；具体的，假设：已知目标区域模型
Figure GDA0003390039590000041
待匹配区域模型
Figure GDA0003390039590000042
搜索区域模型
Figure GDA0003390039590000043
式中：n是某个特征分模型的特征向量维数；
Figure GDA0003390039590000051
表示目标区域中用第i个特征描述的分模型；
Figure GDA0003390039590000052
表示待匹配区域中用第i个特征描述的分模型；
Figure GDA0003390039590000053
表示搜索区域中用第i个特征描述的分模型；每个分模型的特征都用特征统计直方图来刻画，那么根据基于最大后验概率相似度指标的跟踪算法，计算搜索区域中第i个特征分模型的各个像素点的相似度贡献值gi(xj)和搜索区域中第i个特征分模型的相似度函数值
Figure GDA0003390039590000054
如下：
Figure GDA0003390039590000055
Figure GDA0003390039590000056
式中，{xj}j＝1,...,m是搜索区域中的各个像素点的位置；yj是该区域的中心位置；gi(xj)是搜索区域中的第i个特征分模型的各个像素点的相似度贡献值；
Figure GDA0003390039590000057
是表示中心位于yj的搜索区域的像素点的集合；
Figure GDA0003390039590000058
是搜索区域中的第i个特征分模型的相似度函数值。
步骤二：多特征融合的跟踪算法：在跟踪过程中，选择根据上一帧图像计算所得最优特征作为本帧的描述特征；具体的，若是第一帧图像因没有先验信息则可随机选择一种特征作为本帧的描述特征，初始化迭代参数k为0，依据最大后验概率相似度指标计算出目标的位置
Figure GDA0003390039590000059
迭代计算直到满足||yi+1-yi||＜ε或者k≥N，不满足条件则k＝k+1且重复计算目标区域的中心位置yi+1直到条件满足，其中y'j为当前帧目标区域的中心位置，k为迭代次数，yj+1为计算出下一帧目标区域的中心位置，xj是搜索区域中的各个像素点的位置；gi(xj)是搜索区域中的第i个特征分模型的各个像素点的相似度贡献值；
Figure GDA00033900395900000510
是表示中心位于y'j的搜索区域的像素点的集合；然后目标定位，自适应调整尺寸输出。
步骤三：多特征的选择：根据目标中心位置，划分搜索区域的前景和背景，计算的各个特征的相似度值，利用判别熵计算不同特征区分前景背景的能力，根据判别熵选择区分能力最强的特征，并在下一帧图像跟踪中使用。具体的，把跟踪看作是前景和背景的二分类问题，根据序优化的原理对跟踪的前景和背景分别采样，在目标中心均匀采样M个与目标大小相同的区域作为正例，同时在紧邻目标的背景周围均匀采样N个与目标大小相同的区域作为反例，采用最大后验概率相似度指标来衡量目标与正例和目标与反例的相似度，假设正例与目标的相似度值是：
Figure GDA0003390039590000061
其中i表示第i个特征分模型，m表示第m个正例的相似度值，m∈M；假设反例与目标的相似度值是：
Figure GDA0003390039590000062
其中i表示第i个特征分模型，n表示第n个反例的相似度值，n∈N；通过
Figure GDA0003390039590000063
设计归一化各个特征分模型的可分性度量Ji，Ji判别准则衡量了第i个特征分模型的可分性能力；当Ji判别准值越大时，说明该特征分模型的可分性能力越大；因此通过求max(Ji)找到性能最好的特征分模型；
其中
Figure GDA0003390039590000064
式中k表示某个特征分模型的特征向量维数，
Figure GDA0003390039590000065
表示第i个特征分模板的正例集合中的第k个正例与目标的相似度；
Figure GDA0003390039590000066
表示第i个特征分模板的反例集合中的第k个反例与目标的相似度；
Figure GDA0003390039590000067
表示第i个特征分模板的正例的相似度平方均值；
Figure GDA0003390039590000068
表示第i个特征分模板的反例的相似度平方均值。
实施例
为了说明方便，采用了目标颜色和纹理两种特征设计了对应的跟踪算法。本算法并不限制于只能使用颜色纹理特征，也可以在算法中加入其它的如梯度、边缘等特征。
如图1所示，本发明提供的一种基于自适应的特征选择的目标跟踪方法，包括以下步骤：
首先，初始化算法的各个参数。获得第一帧目标的颜色特征描述为
Figure GDA0003390039590000069
和纹理特征描述为
Figure GDA00033900395900000610
设置初始位置的目标中心为yi，其中{xi}i-1,...,m是第一帧搜索区域中各个像素点的位置。起始第一帧因为没有先验信息，我们可以选择颜色或者纹理特征中的任一种开始跟踪。首先选择颜色特征开始第一帧的跟踪。
第一步：设置上一帧的目标位置yi作为初始位置。计算以该初始位置为中心的搜索区域的颜色特征描述
Figure GDA0003390039590000071
和纹理特征描述
Figure GDA0003390039590000072
第二步：根据公式
Figure GDA0003390039590000073
计算当前帧的搜索区域中，每一个像素点的相似度贡献值根据g1(xi)和g2(xi)上一帧的可分性结果选择对应特征的相似度贡献值做跟踪。
第三步：初始化迭代次数的参数k＝0。
第四步：根据上一帧的判定结果选择某个特征，此时上一帧是第一帧故为颜色特征，根据公式
Figure GDA0003390039590000074
计算出下一次迭代的待匹配中心的位置。同时，迭代次数k＝k+1。
第五步：重复第四步直到||yi+1-yi||＜ε或者k≥N。
第六步：计算
Figure GDA0003390039590000075
来计算颜色纹理特征在当前场景下的可分性，确定下一帧所用特征，目标更新模型，执行第四步。
在整个算法的迭代过程中，搜索区域的特征描述计算只有一次。实际的算法过程中只迭代第四步和第五步。
为了验证本算法的有效性，选择了cube序列进行验证，分别选择20个正例和20个反例做跟踪，同时对比单独使用纹理特征和单独使用颜色特征的最大后验概率迭代跟踪算法以及使用颜色纹理特征mean-shift跟踪算法：该序列的跟踪目标是桌面上的魔方玩具。在跟踪过程中，随着百叶窗的开关，室内的光线发生了变化。图2分别显示了单独使用纹理特征(LBP&PPM)和单独使用颜色特征(RGB&PPM)的最大后验概率迭代跟踪算法以及使用颜色纹理特征的mean-shift跟踪算法(LBPT)和本发明跟踪过程中第3帧、第277帧、第372帧的图像。在第277帧时，窗户打开光线亮了，此时颜色特征应该受到了影响，纹理特征此时应该起到作用，在第372帧时，窗户关上了，此时的环境与之前的光照情况类似，但是更暗一些。此时目标过暗导致纹理特征稀少，颜色特征起到较大作用。可以看出，单独使用颜色特征和纹理特征的最大后验概率迭代跟踪算法在跟踪过程中在目标场景发生变化的情况下都发生了目标丢失的情况，LBPT可以跟踪到目标但是发生了明显的偏移，而本文提出的基于自适应特征选择的跟踪算法在目标场景发生变化的情况下，可以实现对目标的鲁棒跟踪。另外对比了该实验的算法运行速度如表1所示，可以看出该算法的运行速度更快，更具实时性。
表1
算法 平均跟踪速度
LBP&PPM 89帧每秒
RGB&PPM 77帧每秒
LBPT 57帧每秒
本发明 32帧每秒

Claims (1)

1.一种基于自适应的特征选择的目标跟踪方法，其特征在于，包括以下步骤：
步骤一：目标特征的描述：分别计算第一帧图像目标区域、之后每帧图像待匹配区域和搜索区域的各个特征的描述：包括在第一帧图像计算目标的特征描述；在之后跟踪的每一帧图像计算搜索区域的特征描述和待匹配区域的特征描述；假设：已知目标区域模型
Figure FDA0003390039580000011
待匹配区域模型
Figure FDA0003390039580000012
搜索区域模型
Figure FDA0003390039580000013
式中：n是某个特征分模型的特征向量维数；
Figure FDA0003390039580000014
表示目标区域中用第i个特征描述的分模型；
Figure FDA0003390039580000015
表示待匹配区域中用第i个特征描述的分模型；
Figure FDA0003390039580000016
表示搜索区域中用第i个特征描述的分模型；每个分模型的特征都用特征统计直方图来刻画，那么根据基于最大后验概率相似度指标的跟踪算法，计算搜索区域中第i个特征分模型的各个像素点的相似度贡献值gi(xj)和搜索区域中第i个特征分模型的相似度函数值
Figure FDA0003390039580000017
如下：
Figure FDA0003390039580000018
Figure FDA0003390039580000019
式中，{xj}j＝1,...,m是搜索区域中的各个像素点的位置；yj是该区域的中心位置；gi(xj)是搜索区域中的第i个特征分模型的各个像素点的相似度贡献值；Ayj是表示中心位于yj的搜索区域的像素点的集合；
Figure FDA00033900395800000110
是搜索区域中的第i个特征分模型的相似度函数值；
步骤二：多特征融合的跟踪算法：在跟踪过程中，选择根据上一帧图像计算所得最优特征作为本帧的描述特征；若是第一帧图像因没有先验信息则可随机选择一种特征作为本帧的描述特征，初始化迭代参数k为0，依据最大后验概率相似度指标计算出目标的位置
Figure FDA00033900395800000111
迭代计算直到满足||yi+1-yi||＜ε或者k≥N，不满足条件则k＝k+1且重复计算目标区域的中心位置yi+1直到条件满足，其中y'j为当前帧目标区域的中心位置，k为迭代次数，yj+1为计算出下一帧目标区域的中心位置，xj是搜索区域中的各个像素点的位置；gi(xj)是搜索区域中的第i个特征分模型的各个像素点的相似度贡献值；
Figure FDA0003390039580000021
是表示中心位于y'j的搜索区域的像素点的集合；然后目标定位，自适应调整尺寸输出；
步骤三：多特征的选择：根据目标中心位置，划分搜索区域的前景和背景，计算的各个特征的相似度值，利用判别熵计算不同特征区分前景背景的能力，根据判别熵选择区分能力最强的特征，并在下一帧图像跟踪中使用；把跟踪看作是前景和背景的二分类问题，根据序优化的原理对跟踪的前景和背景分别采样，在目标中心均匀采样M个与目标大小相同的区域作为正例，同时在紧邻目标的背景周围均匀采样N个与目标大小相同的区域作为反例，采用最大后验概率相似度指标来衡量目标与正例和目标与反例的相似度，假设正例与目标的相似度值是：
Figure FDA0003390039580000022
其中i表示第i个特征分模型，m表示第m个正例的相似度值，m∈M；假设反例与目标的相似度值是：
Figure FDA0003390039580000023
其中i表示第i个特征分模型，n表示第n个反例的相似度值，n∈N；通过
Figure FDA0003390039580000024
设计归一化各个特征分模型的可分性度量Ji，Ji判别准则衡量了第i个特征分模型的可分性能力；当Ji判别准值越大时，说明该特征分模型的可分性能力越大；因此通过求max(Ji)找到性能最好的特征分模型；
其中
Figure FDA0003390039580000025
式中k表示某个特征分模型的特征向量维数，
Figure FDA0003390039580000026
表示第i个特征分模板的正例集合中的第k个正例与目标的相似度；
Figure FDA0003390039580000027
表示第i个特征分模板的反例集合中的第k个反例与目标的相似度；
Figure FDA0003390039580000028
表示第i个特征分模板的正例的相似度平方均值；
Figure FDA0003390039580000029
表示第i个特征分模板的反例的相似度平方均值。
CN201910881798.8A 2019-09-18 2019-09-18 一种基于自适应的特征选择的目标跟踪方法 Active CN110660081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910881798.8A CN110660081B (zh) 2019-09-18 2019-09-18 一种基于自适应的特征选择的目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910881798.8A CN110660081B (zh) 2019-09-18 2019-09-18 一种基于自适应的特征选择的目标跟踪方法

Publications (2)

Publication Number Publication Date
CN110660081A CN110660081A (zh) 2020-01-07
CN110660081B true CN110660081B (zh) 2022-02-11

Family

ID=69038216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910881798.8A Active CN110660081B (zh) 2019-09-18 2019-09-18 一种基于自适应的特征选择的目标跟踪方法

Country Status (1)

Country Link
CN (1) CN110660081B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112017254B (zh) * 2020-06-29 2023-12-15 浙江大学 一种混合式光线跟踪绘制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101360349B1 (ko) * 2013-10-18 2014-02-24 브이씨에이 테크놀러지 엘티디 객체의 특징 정보에 기반한 객체 추적 방법 및 장치
CN107203747A (zh) * 2017-05-17 2017-09-26 江南大学 基于自适应选择机制的稀疏联合模型目标跟踪方法
CN108985375A (zh) * 2018-07-14 2018-12-11 李军 考虑粒子权值空间分布的多特征融合跟踪方法
CN109410247A (zh) * 2018-10-16 2019-03-01 中国石油大学(华东) 一种多模板和自适应特征选择的视频跟踪算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104424634B (zh) * 2013-08-23 2017-05-03 株式会社理光 对象跟踪方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101360349B1 (ko) * 2013-10-18 2014-02-24 브이씨에이 테크놀러지 엘티디 객체의 특징 정보에 기반한 객체 추적 방법 및 장치
CN107203747A (zh) * 2017-05-17 2017-09-26 江南大学 基于自适应选择机制的稀疏联合模型目标跟踪方法
CN108985375A (zh) * 2018-07-14 2018-12-11 李军 考虑粒子权值空间分布的多特征融合跟踪方法
CN109410247A (zh) * 2018-10-16 2019-03-01 中国石油大学(华东) 一种多模板和自适应特征选择的视频跟踪算法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Multiple Features Image Tracking Algorithm;Wenhua Guo 等;《2012 Fifth International Symposium on Computational Intelligence and Design》;20130111;全文 *
Object Tracking Using Local Multiple Features and a Posterior Probability Measure;Wenhua Guo 等;《sensors》;20170331;第1-17页 *
Robust patch-based tracking using valid patch selection and feature fusion update;WenBei Mao 等;《2014 IEEE International Conference on Image Processing (ICIP)》;20150129;全文 *
一种基于自适应特征选择的目标实时跟踪算法;黎宁 等;《光电工程》;20090731;第35卷(第7期);全文 *
视频图像中运动目标检测与跟踪算法研究;唐宇;《中国优秀硕士学位论文全文数据库》;20190331;全文 *

Also Published As

Publication number Publication date
CN110660081A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN104392468B (zh) 基于改进视觉背景提取的运动目标检测方法
CN103530893B (zh) 相机抖动场景下基于背景差和运动信息的前景检测方法
CN103514441B (zh) 基于移动平台的人脸特征点定位跟踪方法
CN109102547A (zh) 基于物体识别深度学习模型的机器人抓取位姿估计方法
CN110135500A (zh) 一种基于自适应深度特征滤波器的多场景下目标跟踪方法
CN104239865A (zh) 一种基于多级检测的行人检测与跟踪方法
CN102521616B (zh) 基于稀疏表示的行人检测方法
CN103106667A (zh) 一种面向遮挡和场景变换的运动对象追踪方法
CN106709938B (zh) 基于改进tld的多目标追踪方法
CN107564035B (zh) 基于重要区域识别和匹配的视频跟踪方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN110717934B (zh) 一种基于strcf的抗遮挡目标跟踪方法
CN105654518B (zh) 一种跟踪模板自适应方法
CN106887012A (zh) 一种基于循环矩阵的快速自适应多尺度目标跟踪方法
CN103886324B (zh) 一种基于对数似然图像的尺度自适应目标跟踪方法
CN105321188A (zh) 基于前景概率的目标跟踪方法
CN112184762A (zh) 一种基于特征融合的灰狼优化粒子滤波目标跟踪算法
Liu et al. Self-correction ship tracking and counting with variable time window based on YOLOv3
CN110660081B (zh) 一种基于自适应的特征选择的目标跟踪方法
CN108986139B (zh) 一种用于目标跟踪的带有重要性图的特征整合方法
CN104392466A (zh) 一种基于视觉显著原始目标的检测跟踪方法
CN108280845B (zh) 一种针对复杂背景的尺度自适应目标跟踪方法
CN111145216B (zh) 一种视频图像目标的跟踪方法
CN116665097A (zh) 一种结合上下文感知的自适应目标跟踪方法
CN110751671B (zh) 一种基于核相关滤波与运动估计的目标跟踪方法

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