CN110689557A - 一种基于kcf的改进型抗遮挡目标跟踪方法 - Google Patents

一种基于kcf的改进型抗遮挡目标跟踪方法 Download PDF

Info

Publication number
CN110689557A
CN110689557A CN201910895959.9A CN201910895959A CN110689557A CN 110689557 A CN110689557 A CN 110689557A CN 201910895959 A CN201910895959 A CN 201910895959A CN 110689557 A CN110689557 A CN 110689557A
Authority
CN
China
Prior art keywords
target
kcf
neural network
convolutional neural
maximum response
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
Application number
CN201910895959.9A
Other languages
English (en)
Inventor
李醒飞
胡自然
岳凤发
冯鸣
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201910895959.9A priority Critical patent/CN110689557A/zh
Publication of CN110689557A publication Critical patent/CN110689557A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于KCF的改进型抗遮挡目标跟踪方法，包括以下步骤：步骤1，读入视频帧序列，并选择待跟踪目标，初始化KCF跟踪器，完成卷积神经网络算法的训练；步骤2，初始化自适应搜索窗口阈值法；步骤3，使用线程池技术开启三个线程，三个线程分别检测待跟踪目标的三个尺度图像，获取响应最大的线程，将响应最大的线程对应的输出位置及尺度作为当前帧的目标位置；步骤4，将获取的最大响应与预设阈值进行比较，若小于预设阈值，则将响应最大的线程对应的输出位置及尺度进行遮挡判别；步骤5，若上步判别输出位置及尺度为遮挡时，使用训练完成的卷积神经网络的输出结果作为当前帧的目标位置；反之使用KCF跟踪器的输出结果作为当前帧目标位置。

Description

一种基于KCF的改进型抗遮挡目标跟踪方法
技术领域
本发明属于图像处理目标跟踪技术领域，尤其涉及一种基于KCF的改进型抗遮挡目标跟踪方法。
背景技术
随着机器视觉和人工智能的蓬勃发展，视频跟踪技术作为人机交互，无人驾驶等前沿技术的基础，被广泛的关注和研究。至今已有很多算法被提出，但无一能够完全解决诸如跟踪速度，光照变化，复杂背景和目标遮挡问题。
现有技术中公告号为CN107657630A的一项中国专利公开了一种基于KCF的改进型抗遮挡目标跟踪方法，该技术方案采用KCF算法和卡尔曼滤波器相结合的方式，通过设计一种有效的判别目标跟踪的算法，当判定目标发生严重遮挡时，使用卡尔曼滤波器的预测结果作为当前帧目标位置，并持续使用卡尔曼滤波器进行检测，直到KCF响应结果高于阈值，切换至KCF算法进行跟踪，否则使用KCF跟踪算法检测结果作为当前帧目标位置。该技术方案能够实现目标短时遮挡的跟踪，但该技术方案仍有以下缺陷：(1)卡尔曼滤波器是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，当运动目标长时间被遮挡时会存在目标跟踪丢失的情况，不适用于运动目标长时遮挡的跟踪；(2)该技术方案采用KCF和卡尔曼滤波器结合的方法，该方法通常采用传统的固定尺寸搜索窗口标定目标，该方法使用一个固定阈值贯穿在整个视频序列，没有考虑到当前帧中目标相对整个图像的大小状况，在目标做复杂运动时极易跟丢目标。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种基于KCF的改进型抗遮挡目标跟踪方法，其采用KCF算法和卷积神经网络算法相结合的方式，实现了当前帧目标识别不受前帧图像的影响，提高了系统对运动目标长时遮挡的跟踪性能，进一步的，提出一种自适应搜索窗口阈值法，其通过每帧图像中目标像素与图像像素的比值与阈值大小的比较，从而选择不同尺寸的搜索框，实现了搜索框尺寸的自适应，提高了系统对复杂运动目标的跟踪精度。
本发明的目的是通过以下技术方案实现的：
一种基于KCF的改进型抗遮挡目标跟踪方法，包括以下步骤：
步骤1，读入视频帧序列，并选择待跟踪目标，初始化KCF跟踪器，完成卷积神经网络算法的训练；
步骤2，初始化自适应搜索窗口阈值法；
步骤3，使用线程池技术开启三个线程，三个线程分别检测待跟踪目标的三个尺度图像，获取响应最大的线程，将响应最大的线程对应的输出位置及尺度作为当前帧的目标位置；
步骤4，将步骤3中获取的最大响应与预设阈值进行比较，若小于预设阈值，则将响应最大的线程对应的输出位置及尺度进行遮挡判别；
步骤5，若步骤4判别输出位置及尺度为遮挡时，则使用训练完成的卷积神经网络的输出结果作为当前帧的目标位置；反之则使用KCF跟踪器的输出结果作为当前帧目标位置。
进一步的，步骤1具体包括以下步骤：
步骤1.1，获取训练样本集中的目标视频图像，并对所述目标视频图像中的目标进行标注，将标注后的目标视频图像作为训练数据；
步骤1.2，采用主成分分析PCA对训练数据进行降维处理，获取所述训练数据的主要特征；
步骤1.3，构建包括卷积层、下采样层和特定分类层的卷积神经网络；
步骤1.4，采用所述卷积神经网络对降维后的训练数据进行训练并更新所述卷积神经网络参数，所述网络参数包括卷积核参数和偏置参数。
进一步的，步骤2中的自适应搜索窗口阈值法通过下式进行计算:
Figure BDA0002210268110000021
其中，H为搜索窗口面积，M为目标像素尺寸与图像像素尺寸的比值，A为固定阈值，H1为目标像素尺寸与图像像素尺寸比值大于等于预设阈值时搜索窗口的面积，H2为目标像素尺寸与图像像素尺寸比值小于固定阈值时搜索窗口的面积；固定阈值A取值0.15。
进一步的，步骤4中预设阈值取值0.20。
与现有技术相比，本发明方法在不增大系统计算量的前提下，能够实现运动目标被长时间遮挡的持续跟踪，具体有益效果如下：
(1)本发明采用KCF算法和卷积神经网络算法相结合的方式，当系统检测到运动目标出现严重遮挡时，其采用卷积神经网络进行目标识别跟踪，其通过对卷积神经网络算法进行训练得到卷积神经网络模型，由于卷积神经网络算法是一种判别模型，其通过判别器区分当前帧中的目标和背景，不依靠前帧图像识别目标位置，不受前帧图像的影响，适用于图像长时遮挡的情况，大大提高了系统对运动目标长时遮挡的跟踪性能；
(2)本发明设计了一种自适应搜索窗口阈值法，该方法首先计算每帧图像中目标像素与图像像素的比值并将该比值与阈值进行比较，通过比较该比值和阈值的大小，进而选择相应不同尺寸的搜索框，从而为每帧图像中的目标提供合适尺寸的搜索框，提高了系统对复杂运动目标的跟踪精度；
附图说明
图1是本发明方法的流程图。
图2是本发明实施例所述卷积神经网络训练图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明所述的一种基于KCF的改进型抗遮挡目标跟踪方法，具体包含以下步骤：
步骤1，读入视频帧序列，并选择待跟踪目标，初始化KCF跟踪器，完成卷积神经网络算法的训练；
步骤2，初始化自适应搜索窗口阈值法，使用该方法自适应搜索窗口大小；
步骤3，使用线程池技术开启三个线程，三个线程分别检测待跟踪目标的三个尺度图像，获取响应最大的线程，将响应最大的线程对应的输出位置及尺度作为当前帧的目标位置；
步骤4，将步骤3中获取的最大响应与预设阈值(本发明取值0.20)进行比较，若小于预设阈值，则将响应最大的线程对应的输出位置及尺度进行遮挡判别；具体的，当前帧KCF滤波器响应过低的情况下(本发明取值0.20)，将其输入遮挡判别器，提取该区域颜色直方图，并与初始设置目标时保留的目标区域颜色直方图进行匹配，使用欧式距离进行判别，当两者欧式距离大于某一阈值时(本发明使用初始模板直方图和的百分之二十)判断目标在这一帧确实遭受遮挡。
步骤5，若步骤4判别输出位置及尺度为遮挡时，则使用训练完成的卷积神经网络的输出结果作为当前帧的目标位置；反之则使用KCF跟踪器的输出结果作为当前帧目标位置。
如图2所示，通过以下步骤完成本发明所述的卷积神经网络的训练：
步骤1.1，如S201所示，获取训练样本集中的目标视频图像，并对所述目标视频图像中的目标进行标注，将标注后的目标视频图像作为训练数据；
本实施例训练样本集中包含足够的训练样本，每个训练样本为一个动物视频图像；可以通过人工对目标视频图像中的目标进行标注，将标注后的目标视频图像作为训练数据，可以提高跟踪的精度；
步骤1.2，如S202所示，采用主成分分析PCA对训练数据进行降维处理，获取所述训练数据的主要特征；
本发明实施例通过主成分分析PCA技术提取目标主要特征，结合深度卷积神经网络对降维后的数据进行模型训练，对其重要的结构参数和训练策略进行优化和改进，建立基于卷积神经网络的目标跟踪模型。通过训练好的网络跟踪视频目标，解决目前跟踪算法中的普遍存在的可靠性和准确性差等问题。
步骤1.3，如S203所示，构建包括多个卷积层、下采样层和特定分类层的卷积神经网络。其中卷积层的计算公式为：
Figure BDA0002210268110000041
①式中，l为层数，
Figure BDA0002210268110000042
和
Figure BDA0002210268110000043
分别为当前层和上一层的特征图，
Figure BDA0002210268110000044
表示从上一层第i个特征图到当前第j个特征图的卷积核，
Figure BDA0002210268110000045
表示当前层第j个偏置，f(x)表示神经元的激活函数，Mj为上一层的感受野。在卷积神经网络CNN中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称为感受野。
具体的，本实施例卷积层扮演特征提取器的角色，前一层的输出经过大小固定的卷积操作得到卷积层的输出。
具体的，本实施例选取较为常用的S型函数(sigmoid)作为神经元的激活函数，其表达式为：
f(x)＝1/(1+exp(-x)) ②
所述下采样层计算公式为：
Figure BDA0002210268110000046
③式中，s×s是下采样模板尺度，
Figure BDA0002210268110000047
为模板的权值。
本实施例中，当通过卷积核处理视频图像后，得到的特征图通过下采样的方法进行降维，减小了来自卷积层的计算复杂度，并且下采样层神经元具有平移不变性，增强了网络对输入图像的鲁棒性。为了保留更多信息，本实施例采用最大值下采样方法对特征图进行降维。
所述卷积神经网络还包括全连接输出层，所述全连接输出层的输出结果为：
Figure BDA0002210268110000048
④式中，
Figure BDA0002210268110000051
为输出节点值，
Figure BDA0002210268110000052
为当前层模板的卷积核，
Figure BDA0002210268110000053
为输出层偏置。
本实施例的全连接指上一层的任何一个神经元与下一层的所有神经元都有连接，通过这种方式全连接相当于训练了一个多分类的分类器，学习了目标的全局特征。具体的，本实施例采用softmax函数作为多分类器。
步骤1.4，如S204所示，采用所述卷积神经网络对降维后的训练数据进行训练并更新所述卷积神经网络参数，所述网络参数包括卷积核参数和偏置参数，具体包括：
(1)按批次读取降维后的训练数据，依次将所有批次的训练数据输入所述卷积神经网络进行训练；
(2)计算训练过程中损失误差，并根据所述算数误差更新所述卷积神经网络的卷积核参数和偏置参数。
本发明实时例卷积核更新问题关系到跟踪的准确性，在目标跟踪中非常重要。卷积神经网络的学习过程就是根据训练数据来调整神经元之间的连接权重以及每个功能神经元的偏置，也就是神经网络学到的东西，蕴含在连接权重和偏置中。
具体的，所述卷积核参数和偏置参数通过下式表示：
Figure BDA0002210268110000054
Figure BDA0002210268110000055
⑤式和⑥式中，wl和bl分别为第l层的卷积核参数和偏置参数，Δwl和Δbl分别由前向传播算法计算得到，α和β为学习率，m表示第l层神经元的个数，优选的，学习率α和β设置为0.01。
本发明所述的自适应搜索窗口阈值法通过下式进行计算:
Figure BDA0002210268110000056
其中，H为搜索窗口面积，M为目标像素尺寸与图像像素尺寸的比值，A为固定阈值，H1为目标像素尺寸与图像像素尺寸比值大于等于预设阈值时搜索窗口的面积，H2为目标像素尺寸与图像像素尺寸比值小于固定阈值时搜索窗口的面积。
作为本发明的一种实施例，优选的，所述固定阈值A取值0.15。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (4)

1.一种基于KCF的改进型抗遮挡目标跟踪方法，其特征在于，包括以下步骤：
步骤1，读入视频帧序列，并选择待跟踪目标，初始化KCF跟踪器，完成卷积神经网络算法的训练；
步骤2，初始化自适应搜索窗口阈值法；
步骤3，使用线程池技术开启三个线程，三个线程分别检测待跟踪目标的三个尺度图像，获取响应最大的线程，将响应最大的线程对应的输出位置及尺度作为当前帧的目标位置；
步骤4，将步骤3中获取的最大响应与预设阈值进行比较，若小于预设阈值，则将响应最大的线程对应的输出位置及尺度进行遮挡判别；
步骤5，若步骤4判别输出位置及尺度为遮挡时，则使用训练完成的卷积神经网络的输出结果作为当前帧的目标位置；反之则使用KCF跟踪器的输出结果作为当前帧目标位置。
2.根据权利要求1所述一种基于KCF的改进型抗遮挡目标跟踪方法，其特征在于，步骤1中完成卷积神经网络算法的训练具体包括以下步骤：
步骤1.1，获取训练样本集中的目标视频图像，并对所述目标视频图像中的目标进行标注，将标注后的目标视频图像作为训练数据；
步骤1.2，采用主成分分析PCA对训练数据进行降维处理，获取所述训练数据的主要特征；
步骤1.3，构建包括卷积层、下采样层和特定分类层的卷积神经网络；
步骤1.4，采用所述卷积神经网络对降维后的训练数据进行训练并更新所述卷积神经网络参数，所述网络参数包括卷积核参数和偏置参数。
3.根据权利要求1所述一种基于KCF的改进型抗遮挡目标跟踪方法，其特征在于，步骤2中的自适应搜索窗口阈值法通过下式进行计算:
其中，H为搜索窗口面积，M为目标像素尺寸与图像像素尺寸的比值，A为固定阈值，H1为目标像素尺寸与图像像素尺寸比值大于等于预设阈值时搜索窗口的面积，H2为目标像素尺寸与图像像素尺寸比值小于固定阈值时搜索窗口的面积；固定阈值A取值0.15。
4.根据权利要求1所述一种基于KCF的改进型抗遮挡目标跟踪方法，其特征在于，步骤4中预设阈值取值0.20。
CN201910895959.9A 2019-09-21 2019-09-21 一种基于kcf的改进型抗遮挡目标跟踪方法 Pending CN110689557A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910895959.9A CN110689557A (zh) 2019-09-21 2019-09-21 一种基于kcf的改进型抗遮挡目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910895959.9A CN110689557A (zh) 2019-09-21 2019-09-21 一种基于kcf的改进型抗遮挡目标跟踪方法

Publications (1)

Publication Number Publication Date
CN110689557A true CN110689557A (zh) 2020-01-14

Family

ID=69109789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910895959.9A Pending CN110689557A (zh) 2019-09-21 2019-09-21 一种基于kcf的改进型抗遮挡目标跟踪方法

Country Status (1)

Country Link
CN (1) CN110689557A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435280A (zh) * 2020-11-13 2021-03-02 桂林电子科技大学 一种无人机视频的运动目标检测与跟踪方法
CN114820716A (zh) * 2022-06-29 2022-07-29 中兴软件技术(南昌)有限公司 基于计算机视觉的目标跟踪方法及系统
CN117292306A (zh) * 2023-11-27 2023-12-26 四川迪晟新达类脑智能技术有限公司 一种面向边缘设备的车辆目标检测优化方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021380A (zh) * 2014-05-02 2014-09-03 香港应用科技研究院有限公司 通过计算装置进行面部识别的方法和装置
CN107657630A (zh) * 2017-07-21 2018-02-02 南京邮电大学 一种基于kcf的改进型抗遮挡目标跟踪方法
CN107767405A (zh) * 2017-09-29 2018-03-06 华中科技大学 一种融合卷积神经网络的核相关滤波目标跟踪方法
CN108053423A (zh) * 2017-12-05 2018-05-18 中国农业大学 一种多目标动物跟踪方法及装置
CN109711332A (zh) * 2018-12-26 2019-05-03 浙江捷尚视觉科技股份有限公司 一种基于回归算法的人脸跟踪方法及应用
CN110120065A (zh) * 2019-05-17 2019-08-13 南京邮电大学 一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021380A (zh) * 2014-05-02 2014-09-03 香港应用科技研究院有限公司 通过计算装置进行面部识别的方法和装置
CN107657630A (zh) * 2017-07-21 2018-02-02 南京邮电大学 一种基于kcf的改进型抗遮挡目标跟踪方法
CN107767405A (zh) * 2017-09-29 2018-03-06 华中科技大学 一种融合卷积神经网络的核相关滤波目标跟踪方法
CN108053423A (zh) * 2017-12-05 2018-05-18 中国农业大学 一种多目标动物跟踪方法及装置
CN109711332A (zh) * 2018-12-26 2019-05-03 浙江捷尚视觉科技股份有限公司 一种基于回归算法的人脸跟踪方法及应用
CN110120065A (zh) * 2019-05-17 2019-08-13 南京邮电大学 一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FENGFA YUE ET AL.: "Improved kernelized correlation filter algorithm and application in the optoelectronic tracking system", 《INTERNATIONAL JOURNAL OF ADVANCED ROBOTIC SYSTEMS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435280A (zh) * 2020-11-13 2021-03-02 桂林电子科技大学 一种无人机视频的运动目标检测与跟踪方法
CN114820716A (zh) * 2022-06-29 2022-07-29 中兴软件技术(南昌)有限公司 基于计算机视觉的目标跟踪方法及系统
CN114820716B (zh) * 2022-06-29 2022-09-13 中兴软件技术(南昌)有限公司 基于计算机视觉的目标跟踪方法及系统
CN117292306A (zh) * 2023-11-27 2023-12-26 四川迪晟新达类脑智能技术有限公司 一种面向边缘设备的车辆目标检测优化方法及装置

Similar Documents

Publication Publication Date Title
CN108154118B (zh) 一种基于自适应组合滤波与多级检测的目标探测系统及方法
CN108053419B (zh) 基于背景抑制和前景抗干扰的多尺度目标跟踪方法
CN106960446B (zh) 一种面向无人艇应用的水面目标检测跟踪一体化方法
CN110120064B (zh) 一种基于互强化与多注意机制学习的深度相关目标跟踪算法
CN115082855B (zh) 基于改进yolox算法的行人遮挡检测方法
CN110689557A (zh) 一种基于kcf的改进型抗遮挡目标跟踪方法
CN112200121B (zh) 基于evm和深度学习的高光谱未知目标检测方法
CN113592896B (zh) 基于图像处理的鱼类投喂方法、系统、设备及存储介质
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN108038515A (zh) 无监督多目标检测跟踪方法及其存储装置与摄像装置
CN112446900B (zh) 孪生神经网络目标跟踪方法及系统
CN111723822A (zh) 一种基于多层次融合的rgbd图像显著性检测方法及系统
CN114821014A (zh) 基于多模态与对抗学习的多任务目标检测识别方法及装置
CN112016512A (zh) 基于反馈式多尺度训练的遥感图像小目标检测方法
CN113963026A (zh) 基于非局部特征融合和在线更新的目标跟踪方法及系统
CN110751005B (zh) 融合深度感知特征和核极限学习机的行人检测方法
CN111898566B (zh) 姿态估计方法、装置、电子设备和存储介质
Rosales et al. Faster r-cnn based fish detector for smart aquaculture system
Wei et al. Novel green-fruit detection algorithm based on D2D framework
CN113920168A (zh) 一种音视频控制设备中图像跟踪方法
CN113538342A (zh) 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法
CN116665097A (zh) 一种结合上下文感知的自适应目标跟踪方法
CN113781521B (zh) 一种基于改进YOLO-DeepSort的仿生机器鱼检测跟踪方法
CN115205591A (zh) 一种融合多特征尺度自适应的重检测跟踪算法
Ruan et al. Relative pose estimation of visual SLAM based on convolutional neural networks

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200114