CN110675424A - 一种图像中目标物的跟踪方法、系统及相关装置 - Google Patents
一种图像中目标物的跟踪方法、系统及相关装置 Download PDFInfo
- Publication number
- CN110675424A CN110675424A CN201910935702.1A CN201910935702A CN110675424A CN 110675424 A CN110675424 A CN 110675424A CN 201910935702 A CN201910935702 A CN 201910935702A CN 110675424 A CN110675424 A CN 110675424A
- Authority
- CN
- China
- Prior art keywords
- manifold
- local
- image data
- target object
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000014509 gene expression Effects 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像中目标物的跟踪方法,具体技术方案如下:获取单帧图像数据;将所述单帧图像数据由高维空间转化成低维流形空间;根据所述单帧图像数据在所述低维流形空间的子空间得到若干局部流形;根据所有所述局部流形确定所述单帧图像数据对应的表观模型;利用所述表观模型预测下一帧图像中所述目标物的位置。本申请实利用多个局部表现流形来近似图像数据的表观分布,克服了表观数据建模的高度非线性问题。同时利用多个局部表观流形对表观数据进行建模,使得单个局部表观流形的分布更加紧凑,其针对目标物的跟踪误差更小。本申请还提供一种图像中目标物的跟踪系统、一种计算机可读存储介质和一种图像跟踪终端,具有上述有益效果。
Description
技术领域
本申请涉及图像处理领域,特别涉及一种图像中目标物的跟踪方法、系统及相关装置。
背景技术
目标跟踪的一些难点问题如严重的图像噪声、快速的光照、姿态变化、相似物体干扰、复杂的目标运动以及遮挡等依然还没有完全解决。因此,复杂场景中的目标跟踪问题依然是本领域技术人员需要解决的技术难题。
发明内容
本申请的目的是提供一种图像中目标物的跟踪方法、系统、一种计算机可读存储介质和一种图像跟踪终端,能够提高图像跟踪性能。
为解决上述技术问题,本申请提供一种图像中目标物的跟踪方法,具体技术方案如下:
获取单帧图像数据;
将所述单帧图像数据由高维空间转化成低维流形空间;
根据所述单帧图像数据在所述低维流形空间的子空间得到若干局部流形;
根据所有所述局部流形确定所述单帧图像数据对应的表观模型;
利用所述表观模型预测下一帧图像中所述目标物的位置。
其中,利用所述表观模型预测下一帧图像中所述目标物的位置包括:
利用所述表观模型确定粒子集合中粒子的密集位置;
根据所述密集位置预测下一帧图像中所述目标物的位置。
其中,还包括:
确定所述局部表现流形在所述表观模型中的权重;
根据所述权重确定目标像素块的观测概率值。
其中,每个所述观测概率值对应所述低维流形空间中的一个点,所述观测概率值位于目标局部流形中的概率与所述观测概率值到所述目标局部流形的中心的距离成反比。
其中,还包括:
根据所述观测概率值确定粒子集合中粒子的权重值;
则所述单帧图像的最优目标状态为所述粒子集合中权重值最大的粒子对应的状态参数,并确定所述最优目标状态在所述单帧图像数据中的原始图像像素块。
其中,还包括:
利用所述原始图像像素块以预设匹配准则与所有所述局部流形匹配,确定最佳匹配流形;
更新所述最佳匹配流形。
其中,若不存在符合所述预设匹配准则的最佳匹配流形,还包括:
利用观测序列学习确定新局部表现流形的特征向量和中心;
并利用所述新局部表现流形替代所述表观模型中权重最小的局部表现流形。
本申请还提供一种图像中目标物的跟踪系统,包括:
数据获取模块,用于获取单帧图像数据;
空间转换模块,用于将所述单帧图像数据由高维空间转化成低维流形空间;
局部流形确定模块,用于根据所述单帧图像数据在所述低维流形空间的子空间得到若干局部流形;
表观模型确定模块,根据所有所述局部流形确定所述单帧图像数据对应的表观模型;
目标物跟踪模块,用于利用所述表观模型预测下一帧图像中所述目标物的位置。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的跟踪方法的步骤。
本申请还提供一种终端,包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如上所述的跟踪方法的步骤。
本申请提供一种图像中目标物的跟踪方法,具体技术方案如下:获取单帧图像数据;将所述单帧图像数据由高维空间转化成低维流形空间;根据所述单帧图像数据在所述低维流形空间的子空间得到若干局部流形;根据所有所述局部流形确定所述单帧图像数据对应的表观模型;利用所述表观模型预测下一帧图像中所述目标物的位置。
本申请实利用多个局部表现流形来近似图像数据的表观分布,克服了表观数据建模的高度非线性问题。同时利用多个局部表观流形对表观数据进行建模,使得单个局部表观流形的分布更加紧凑,其针对目标物的跟踪误差更小。本申请还提供一种图像中目标物的跟踪系统、一种计算机可读存储介质和一种图像跟踪终端,具有上述有益效果,此处不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种图像中目标物的跟踪方法的流程图;
图2为本申请实施例所提供的目标观测和局部流形中心的距离示意图;
图3为本申请实施例所提供的一种图像中目标物的跟踪系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参考图1,图1为本申请实施例所提供的一种图像中目标物的跟踪方法的流程图,该跟踪方法包括:
S101:获取单帧图像数据;
S102:将所述单帧图像数据由高维空间转化成低维流形空间;
S103:根据所述单帧图像数据在所述低维流形空间的子空间得到若干局部流形;
S104:根据所有所述局部流形确定所述单帧图像数据对应的表观模型;
S105:利用所述表观模型预测下一帧图像中所述目标物的位置。
为了更清楚说明上述过程,下文采用相应的表达式和字母说明:
传统的表观流形学习算法只是在线学习一个全局的流形结构,当表观数据在较短时间内发生较大变化时,即在流形空间呈现高度非线性和复杂结构时,这种表观模型方法可能会失效,进而导致目标跟踪失败。
本申请的跟踪方法是基于粒子滤波框架的,这样可以很好的处理非线性非高斯的运动。在粒子滤波框架中,跟踪可以看作是一个贝叶斯状态空间推理问题:
p(Xt|Ot)∝p(Ot|Xt)∫p(Xt|Xt-1)p(Xt-1|Ot-1)dXt-1
其中Ot={o1,o2,...,ot}是一系列的观测集合,Ot是目标在t时刻的观测向量且Xt描述了目标在t时刻的状态参数。由于最感兴趣的信息是目标的位置和尺度,因此Xt主要包括四个变量,即Xt=(xt,yt,ht,wt),其中xt,yt,ht,wt分别表示目标在x和y的位移,以及方框(bounding box)的长度和宽度。表观似然度p(ot|Xt)表示目标状态为Xt时观测为Ot的概率。目标动态模型p(Xt|Xt-1)表示连续帧之间目标状态的转移概率
直接计算后验概率p(Xt|ot)是很困难的,一般使用有限数目的的粒子集估计得到,Ns为粒子数目,对应的权重为而这些粒子一般是通过一个权重分布函数q(Xt|X1:t-1,Ot)采样得到,并且粒子的权重由如下方式更新:
对于SIR粒子滤波器(有时也称作Bootstrap滤波器),一般设置权重分布函数q(Xt|X1:t-1,Ot)=p(Xt|Xt-1),而粒子的权值通过对表观似然度函数p(ot|Xt)归一化得到。SIR粒子滤波器作为一种广泛使用的滤波器,其优点在于权重分布函数和观测无关,并且基于这种分布函数的粒子采样比较简单。但是由于粒子滤波器的重采样过程和观测函数p(ot|Xt)有关,如果观测函数在某些复杂场景下并不能很好的描述目标的分布规律,那么重采样生成的新粒子可能会偏离目标的真实状态,这样估计的状态与目标的真实状态也可能有较大误差,目标跟踪因此而发生偏移。
在实际跟踪中由于目标在不断移动,目标所处位置的光照、目标的姿态和背景等都有可能产生较大变化,即目标的表观是随时间而不断变化的,而希望目标的表观模型能自动适应这些变化。基于低维线性空间的表观模型对视角和光照变化等具有一定的鲁棒性。然而由于目标在原始高维空间的表观数据可能是高度非线性的,转换到低维流形空间后,表观的分布依然可能具有高度非线性和复杂结构。采用增量学习单个子空间的方法可能并不能很好的描述这种非线性和复杂结构。为此可以使用几个局部表观流形来做近似,这样可以克服表观数据建模的高度非线性问题,而每个局部表观流形可以通过增量式的低维线性空间学习得到。
假设目标的表观模型为M,可以分解为几个局部流形M1,M2...MN,N是局部流形的个数。每一个局部流形Mi可以表示目标在不同场景下的其中一种模态,并在低维子空间中在线学习得到,对应的特征向量和中心记为Ui和μi,并且满足条件和
本申请目的之一是使用非线性表观模型M来描述目标,并且计算得到目标的观测数据在某状态下的概率。则可以先确定局部表现流形在表观模型中的权重,再根据权重确定目标像素块的观测概率值。
具体的,假设目标估计状态为Xt,对应的观测像素块为οt,则观测到οt的概率可由下式计算得到:
在上式中假设Mi与Xt无关,p(Mi)反映了局部流形Mi在整个表观模型中所占的权重或者是贡献,所以可以用另外一个变量ωi代替p(Mi),即p(Mi)=ωi。
每一个观测值οt对应了低维流形空间中的一个点。观测概率值位于目标局部流形中的概率与所述观测概率值到所述目标局部流形的中心的距离成反比,即此点位于局部流形Mi中的概率和此点与Mi中心(即μi)的距离di成反比,而di又可分解成点与流形的距离dt,i和点在流形内的投影与流形中心的距离dw,i。
由于使用了多个局部表观流形来对表观数据进行建模,因此单个流形的分布会更紧凑。与之对应,图2中的距离dw,i可以忽略不计,于是有di≈dt,i。而距离dt,i的值等于表观流形Mi的重构误差‖ei‖,所以最终会得到di≈‖ei‖。
如果通过任意一个局部流形Mi来重构观测οt,基于主成份分析可以得到重构的观测图像
重构误差定义为重构的观测图像和原始观测图像οt之间的距离,即
表观似然度p(Ot|Mi,Xt)与距离di的大小成反比,因此定义为:
p(Ot|Mi,Xt)∝exp(-α||ei||2)
其中α是一个常量参数。
最终的观测概率p(Ot|Xt)可以写成这样的形式
接下来,可以根据观测概率值确定粒子集合中粒子的权重值;则单帧图像的最优目标状态为粒子集合中权重值最大的粒子对应的状态参数,并确定最优目标状态在单帧图像数据中的原始图像像素块。
而时刻t估计的最优目标状态为粒子集合中权值最大的那个粒子对应的状态参数,即
确定了最优目标状态后,可以是对目标的表观模型进行更新。
具体过程如下:
利用原始图像像素块以预设匹配准则与所有局部流形匹配,确定最佳匹配流形;更新最佳匹配流形。
若不存在符合预设匹配准则的最佳匹配流形,利用观测序列学习确定新局部表现流形的特征向量和中心;并利用新局部表现流形替代表观模型中权重最小的局部表现流形。
对目标的表观模型进行更新的目的是使之适应表观数据的变化。虽然目标表观数据的分布使用一组局部流形来描述,但每一时刻的新观测在低维流形空间中只位于一个局部流形里,所以使用和每一个局部流形进行匹配并进行对比,找到最匹配的局部流形Mi*。如果最佳匹配能够找到,那么使用对Mi*进行更新,而其它局部流形不做改变。定义了一种合适的匹配准则:
di≤k1σdi
其中,k1是常量参数,σdi是距离di的均方差。
找到匹配的局部流形Mi*后,每个局部流形的权重更新方式为:
ωi,t=(1-ρω)ωi,t-1+ρωBi,t
其中,ρω是学习速率,对于匹配的Mi*,对应的Bi,t=1,其他赋值为0.
均方差σdi也通过一个常速率ρd更新;
一个可以利用的事实是观测通常不会突然变化,所以目标的观测在前后时刻是很有可能落在相同的局部流形的。这是表观模型的时间连续性。可以利用这种特性来设计更好的搜索策略找到最匹配的局部表观流形,具体伪代码可见算法1。
算法1:
1:所有局部流形按权值大小顺序排列。
2:found=false;
3:for i=1;i≤N;i++do
4:if距离di≤k1σdi then
5:found=true
6:Mi*=Mi
7:Break
8:end if
9:end for
10:If found==false then
11:局部流形模型MN从表观模型中去除;
12:使用最近的观测数据来构造新的MN;
13:Mi*=MN;;
14:end if
15:Output:Mi*;
正如算法1描述的,在任意时刻t,新的观测更有可能落在权值更大的局部流形上面,这与实际情况也比较吻合,因为权值更大表明对应的局部流形占整个表观流形的范围更大,所以在算法中将权值最大的局部流形排在队列的首位,新的观测总是和最大权值的局部流形进行匹配,这样就保证了选择的局部表观流形变化比较平稳,相对应的物理解释是观测在低维流形空间的位置不会发生突变。
在算法1的末尾,如果任意一个局部表观流形和观测都不匹配,这表示现有的表观模型不能很好的描述观测数据的变化,所以需要构造新的局部表观流形来描述这种变化,并取代表观模型中权值最小的局部流形。而新的局部流形的中心和特征向量由时间上最近的观测序列来学习得到,并且赋予一个较大的初始距离均方差和较小的初始权重
为了使构造的表观模型更准确快速的反映目标最近时间的观测变化,定义一个常量遗忘因子f来减小历史观测在表观模型中所占的比重。每一时刻的观测在模型中的均值中心和特征向量的比重按指数衰减,实际上模型所能反映的目标表观数据变化的帧数大概是L=1/(1-f)。但是这样做模型需要较长时间才能收敛。可以使用一种变化的学习率1/t,在参数估计时能够快速的收敛,不需要迭代很多次。为了使构造的模型的均值中心和特征向量能够快速的收敛到实际范围之内,也使用了一种变化的遗忘因子:
其中f和β是常量参数,并且满足f≤1,β≤1。变量ci表示局部流形Mi*与观测匹配的次数。由图2可以看出遗忘因子ft的值随匹配次数增加而增加,并且趋近于一个常量f。
本申请实施例利用多个局部表现流形来近似图像数据的表观分布,克服了表观数据建模的高度非线性问题。同时利用多个局部表观流形对表观数据进行建模,使得单个局部表观流形的分布更加紧凑,其针对目标物的跟踪误差更小。
下面对本申请实施例提供的一种图像中目标物的跟踪系统进行介绍,下文描述的跟踪系统与上文描述的一种图像中目标物的跟踪方法可相互对应参照。
参见图3,本申请还提供一种图像中目标物的跟踪系统,包括:
数据获取模块100,用于获取单帧图像数据;
空间转换模块200,用于将所述单帧图像数据由高维空间转化成低维流形空间;
局部流形确定模块300,用于根据所述单帧图像数据在所述低维流形空间的子空间得到若干局部流形;
表观模型确定模块400,根据所有所述局部流形确定所述单帧图像数据对应的表观模型;
目标物跟踪模块500,用于利用所述表观模型预测下一帧图像中所述目标物的位置。
基于上述实施例,作为优选的实施例,目标物跟踪模块500包括:
粒子确定单元,用于利用所述表观模型确定粒子集合中粒子的密集位置;
位置预测单元,用于根据所述密集位置预测下一帧图像中所述目标物的位置。
基于上述实施例,作为优选的实施例,跟踪系统还可以包括:
权重确定模块,用于确定所述局部表现流形在所述表观模型中的权重;
观测概率确定模块,用于根据所述权重确定目标像素块的观测概率值。
基于上述实施例,作为优选的实施例,跟踪系统还可以包括:
粒子权重确定模块,用于根据所述观测概率值确定粒子集合中粒子的权重值;
最优状态确定模块,用于确定所述粒子集合中权重值最大的粒子对应的状态参数为所述单帧图像的最优目标状态,并确定所述最优目标状态在所述单帧图像数据中的原始图像像素块。
基于上述实施例,作为优选的实施例,跟踪系统还可以包括:
更新模块,用于利用所述原始图像像素块以预设匹配准则与所有所述局部流形匹配,确定最佳匹配流形;更新所述最佳匹配流形。
基于上述实施例,作为优选的实施例,跟踪系统还可以包括,若所述更新模块未确定最佳匹配流形,还包括:
新局部表现流形建立模块,用于利用观测序列学习确定新局部表现流形的特征向量和中心;并利用所述新局部表现流形替代所述表观模型中权重最小的局部表现流形。
本申请还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种终端,可以包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然所述终端还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种图像中目标物的跟踪方法,其特征在于,包括:
获取单帧图像数据;
将所述单帧图像数据由高维空间转化成低维流形空间;
根据所述单帧图像数据在所述低维流形空间的子空间得到若干局部流形;
根据所有所述局部流形确定所述单帧图像数据对应的表观模型;
利用所述表观模型预测下一帧图像中所述目标物的位置。
2.根据权利要求1所述的图像跟踪方法,其特征在于,利用所述表观模型预测下一帧图像中所述目标物的位置包括:
利用所述表观模型确定粒子集合中粒子的密集位置;
根据所述密集位置预测下一帧图像中所述目标物的位置。
3.根据权利要求2所述的图像跟踪方法,其特征在于,还包括:
确定所述局部表现流形在所述表观模型中的权重;
根据所述权重确定目标像素块的观测概率值。
4.根据权利要求3所述的图像跟踪方法,其特征在于,每个所述观测概率值对应所述低维流形空间中的一个点,所述观测概率值位于目标局部流形中的概率与所述观测概率值到所述目标局部流形的中心的距离成反比。
5.根据权利要求3所述的图像跟踪方法,其特征在于,还包括:
根据所述观测概率值确定粒子集合中粒子的权重值;
则所述单帧图像的最优目标状态为所述粒子集合中权重值最大的粒子对应的状态参数,并确定所述最优目标状态在所述单帧图像数据中的原始图像像素块。
6.根据权利要求5所述的图像跟踪方法,其特征在于,还包括:
利用所述原始图像像素块以预设匹配准则与所有所述局部流形匹配,确定最佳匹配流形;
更新所述最佳匹配流形。
7.根据权利要求5所述的图像跟踪方法,其特征在于,若不存在符合所述预设匹配准则的最佳匹配流形,还包括:
利用观测序列学习确定新局部表现流形的特征向量和中心;
并利用所述新局部表现流形替代所述表观模型中权重最小的局部表现流形。
8.一种图像中目标物的跟踪系统,其特征在于,包括:
数据获取模块,用于获取单帧图像数据;
空间转换模块,用于将所述单帧图像数据由高维空间转化成低维流形空间;
局部流形确定模块,用于根据所述单帧图像数据在所述低维流形空间的子空间得到若干局部流形;
表观模型确定模块,根据所有所述局部流形确定所述单帧图像数据对应的表观模型;
目标物跟踪模块,用于利用所述表观模型预测下一帧图像中所述目标物的位置。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法的步骤。
10.一种终端,其特征在于,包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910935702.1A CN110675424A (zh) | 2019-09-29 | 2019-09-29 | 一种图像中目标物的跟踪方法、系统及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910935702.1A CN110675424A (zh) | 2019-09-29 | 2019-09-29 | 一种图像中目标物的跟踪方法、系统及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675424A true CN110675424A (zh) | 2020-01-10 |
Family
ID=69080462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910935702.1A Pending CN110675424A (zh) | 2019-09-29 | 2019-09-29 | 一种图像中目标物的跟踪方法、系统及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675424A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126614A1 (zh) * | 2020-12-18 | 2022-06-23 | 中国科学院深圳先进技术研究院 | 基于流形优化的用于磁共振动态成像的深度学习方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100195870A1 (en) * | 2007-06-14 | 2010-08-05 | Haizhou Ai | Tracking method and device adopting a series of observation models with different life spans |
CN103345762A (zh) * | 2013-06-19 | 2013-10-09 | 无锡引域智能机器人有限公司 | 基于流形学习的贝叶斯视觉跟踪方法 |
CN109978920A (zh) * | 2019-03-28 | 2019-07-05 | 中科智感科技(湖南)有限公司 | 一种目标跟踪方法及目标跟踪设备 |
-
2019
- 2019-09-29 CN CN201910935702.1A patent/CN110675424A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100195870A1 (en) * | 2007-06-14 | 2010-08-05 | Haizhou Ai | Tracking method and device adopting a series of observation models with different life spans |
CN103345762A (zh) * | 2013-06-19 | 2013-10-09 | 无锡引域智能机器人有限公司 | 基于流形学习的贝叶斯视觉跟踪方法 |
CN109978920A (zh) * | 2019-03-28 | 2019-07-05 | 中科智感科技(湖南)有限公司 | 一种目标跟踪方法及目标跟踪设备 |
Non-Patent Citations (1)
Title |
---|
JIANWEI DING ET AL.: "Tracking by local structural manifold learning in a new SSIR particle filter", 《NEUROCOMPUTING》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126614A1 (zh) * | 2020-12-18 | 2022-06-23 | 中国科学院深圳先进技术研究院 | 基于流形优化的用于磁共振动态成像的深度学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Videoflow: A flow-based generative model for video | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
Bucak et al. | Incremental subspace learning via non-negative matrix factorization | |
JP6483667B2 (ja) | ベイズの最適化を実施するためのシステムおよび方法 | |
CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN111506814B (zh) | 一种基于变分自注意力网络的序列推荐方法 | |
CN103544496A (zh) | 基于空间与时间信息融合的机器人场景识别方法 | |
CN112464057A (zh) | 一种网络数据分类方法、装置、设备及可读存储介质 | |
CN113361803A (zh) | 基于生成对抗网络的超短期光伏功率预测方法 | |
CN117152554A (zh) | 基于ViT模型的病理切片数据识别方法及系统 | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN116052254A (zh) | 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法 | |
CN111950611A (zh) | 基于随机梯度追踪技术的大数据二分类分布式优化方法 | |
CN112241802A (zh) | 一种风电功率的区间预测方法 | |
CN110675424A (zh) | 一种图像中目标物的跟踪方法、系统及相关装置 | |
Seo et al. | Graph neural networks and implicit neural representation for near-optimal topology prediction over irregular design domains | |
CN110929731B (zh) | 一种基于探路者智能搜索算法的医疗影像处理方法及装置 | |
CN109190505A (zh) | 基于视觉理解的图像识别方法 | |
CN110717402B (zh) | 一种基于层级优化度量学习的行人再识别方法 | |
CN117154256A (zh) | 锂电池的电化学修复方法 | |
Saha et al. | Downscaling extreme rainfall using physical-statistical generative adversarial learning | |
CN110275895B (zh) | 一种缺失交通数据的填充设备、装置及方法 | |
CN110648355A (zh) | 一种图像跟踪方法、系统及相关装置 | |
CN115861384A (zh) | 基于生成对抗和注意力机制的光流估计方法及系统 | |
CN116738983A (zh) | 模型进行金融领域任务处理的词嵌入方法、装置、设备 |
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: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |