CN110689559B - 一种基于密集卷积网络特征的视觉目标跟踪方法 - Google Patents

一种基于密集卷积网络特征的视觉目标跟踪方法 Download PDF

Info

Publication number
CN110689559B
CN110689559B CN201910947630.2A CN201910947630A CN110689559B CN 110689559 B CN110689559 B CN 110689559B CN 201910947630 A CN201910947630 A CN 201910947630A CN 110689559 B CN110689559 B CN 110689559B
Authority
CN
China
Prior art keywords
target
scale
filter
response
apce
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
CN201910947630.2A
Other languages
English (en)
Other versions
CN110689559A (zh
Inventor
马素刚
侯志强
惠飞
赵祥模
孙韩林
王忠民
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.)
Changan University
Xian University of Posts and Telecommunications
Original Assignee
Changan University
Xian University of Posts 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 Changan University, Xian University of Posts and Telecommunications filed Critical Changan University
Priority to CN201910947630.2A priority Critical patent/CN110689559B/zh
Publication of CN110689559A publication Critical patent/CN110689559A/zh
Application granted granted Critical
Publication of CN110689559B publication Critical patent/CN110689559B/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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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)

Abstract

本发明属于目标跟踪技术领域，具体涉及一种基于密集卷积网络特征的视觉目标跟踪方法。本发明提供的技术方案，包括以下五个步骤：步骤一、构建初始位置滤波器；步骤二、构建初始尺度滤波器；步骤三、目标定位；步骤四、尺度估计；步骤五、模型更新。通过深度密集卷积网络的不同层提取目标特征，基于APCE(Average Peak‑to‑Correlation Energy)值自适应地选择最佳响应图，然后确定目标中心位置。在此基础上，进一步对目标尺度进行估计，能够适应目标尺度变化，准确确定目标的大小，选择性地对模型进行在线更新。算法精确度和成功率较高，实现了目标的鲁棒跟踪，易于在实际场景中推广应用。

Description

一种基于密集卷积网络特征的视觉目标跟踪方法
技术领域
本发明属于目标跟踪技术领域，具体涉及一种基于密集卷积网络特征的视觉目标跟踪方法。
背景技术
计算机视觉作为人工智能的一个重要研究领域，其目的是让机器拥有与人类类似的视觉。计算机视觉是以图像(视频)为输入，研究图像信息组织、物体和场景识别等内容，进而对事件给予解释，从而实现对环境的表达和理解。计算机视觉领域包括诸多不同的研究方向，如物体检测、语义分割、目标跟踪、三维重建、行为识别等。
目标跟踪作为计算机视觉领域的基础问题之一，一直是该领域的研究热点。目标跟踪是指对图像序列中运动目标进行检测、提取和识别，获得运动目标的运动参数，如位置、速度、加速度和运动轨迹等，从而对运动目标的行为进行理解，以完成更高一级的任务。近年来，目标跟踪算法得到了飞速发展，在国际计算机视觉会议(ICCV)、国际计算机视觉和模式识别会议(CVPR)、欧洲计算机视觉会议(ECCV)等国际顶级会议上提出了大量先进的目标跟踪算法。但是，现实应用环境中，出现了尺度变化、目标遮挡等复杂场景，而且当跟踪算法投入实际应用时，实时性问题也非常重要。正是由于这些问题的存在，使得视觉目标跟踪算法的研究仍然充满着难点和挑战。由于目前跟踪算法精度和速度的限制，制约着跟踪算法在视频监控、智能交通、人机交互等实际场景中的广泛应用。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于密集卷积网络特征的视觉目标跟踪方法。
为解决上述技术问题，本发明采用的技术方案是：一种基于密集卷积网络特征的视觉目标跟踪方法，包括以下步骤：
步骤一、构建初始位置滤波器
1、在经过手工标注的首帧图像中，明确目标区域的位置和尺寸；
2、在密集卷积网络中，选取多层，对首帧图像的目标区域进行特征提取，得到多个不同的特征；
3、利用得到的多个特征，分别构建多个核相关滤波器，根据公式
Figure BDA0002222893020000021
构建初始位置滤波器α，其中，
Figure BDA0002222893020000022
为y的傅里叶变换，
Figure BDA0002222893020000023
||·||表示2-范数，F-1为傅里叶逆变换，x*为x的共轭，⊙为点乘运算，σ和λp为常数；
步骤二、构建初始尺度滤波器
1、在经过手工标注的首帧图像中，在已经明确的目标区域的基础上，通过尺度金字塔方法对目标进行采样，获得S种不同大小的候选目标样本；
2、在密集卷积网络中，选取用于对S种不同目标样本进行特征提取的层，进行特征提取后得到S个不同特征；
3、根据公式
Figure BDA0002222893020000024
构建初始尺度滤波器Hl，其中，l表示特征向量的维数，且l＝1,2,...,L，G为通过高斯函数构建的特征响应值g的傅里叶变换，G*为G的共轭，Fk为第k维特征的傅里叶变换，λs为常数；
步骤三、目标定位
1、利用密集卷积网络的多层对输入图像进行特征提取，得到多个不同的特征。
2、利用位置滤波器对多个不同特征分别进行位置滤波，获得多个不同的响应图；
3、分别计算多个响应图的APCE值，计算方法为：
Figure BDA0002222893020000031
其中Fmax表示响应图中最大值，Fmin表示响应图中最小值，Fw,h表示响应图中第w行、第h列的取值,mean表示取均值。选择APCE值最大的响应图作为最佳响应图，该响应图中最大值位置对应目标的中心位置；
步骤四、尺度估计：
1、依据已经确定的目标区域的位置和上一帧中估计的目标尺度，通过尺度金字塔方法对目标进行采样，获得S种不同尺度的候选目标样本；
2、在密集卷积网络中，选取用于对S种不同目标样本进行特征提取的层，进行特征提取后得到S个不同特征；
3、利用尺度滤波器对S个目标特征进行尺度滤波，得到响应图，该响应图中响应值最大的点即对应当前输入图像中目标的精确尺度；
步骤五、模型更新：
1、位置滤波器模型更新
确定第t帧图像中目标区域的位置和尺度后，在第t+1帧跟踪前对位置滤波器和尺度滤波器分别进行更新：
计算对第t帧图像跟踪时响应图的APCE值，如果该值大于预先设定的阈值APCE0，即APCEt＞APCE0，则对位置滤波器进行更新，否则不更新，对位置滤波器的更新方法为：αt＝(1-ηp)αt-1+ηpα(t)，其中αt-1表示对第t帧图像跟踪前求得的滤波器模板，α(t)表示根据第t帧图像求得的滤波器模板，ηp为位置滤波器的学习率；
2、尺度滤波器模型更新
尺度滤波器的分子项、部分分母项可以分别用A、B表示，即
Figure BDA0002222893020000032
对第t帧图像跟踪后，对尺度滤波器进行更新，尺度滤波器的更新方法为：
Figure BDA0002222893020000033
Figure BDA0002222893020000034
其中ηs为尺度滤波器的学习率。
本发明与现有技术相比，具有以下优点：
1、该方法利用密集卷积网络(DenseNet)对图像特征进行提取，由于DenseNet网络层数较多，无论是浅层的位置信息还是深层的语义信息均能够有效提取。DenseNet网络较强的特征表示能力，将其与本发明的算法结合后，使得该算法具有了更高的跟踪精确度。
2、该方法针对不同属性的图像，依据响应图中APCE的值，自适应选择用于特征提取的DenseNet网络层，即自适应选择最佳的尺度滤波器，使得该算法具有较好的跟踪效果。
3、该方法采用多尺度采样技术，在跟踪过程中，能够适应目标尺度变化，实现对目标尺度的精确估计，因此该方法更具有实用性，便于推广使用。
4、该方法的模型更新策略中，并不是在每一帧跟踪后均对位置滤波器执行更新操作，而是根据APCE的取值自适应选择需要更新的帧，从而减少遮挡等场景下跟踪结果对模型的污染，使得跟踪算法具有更好的鲁棒性。
综上所述，本发明通过深度密集卷积网络的不同层提取目标特征，基于APCE(Average Peak-to-Correlation Energy)值自适应地选择最佳响应图，然后确定目标中心位置。在此基础上，进一步对目标尺度进行估计，能够适应目标尺度变化，准确确定目标的大小，选择性地对模型进行在线更新。算法精确度和成功率较高，实现了目标的鲁棒跟踪，易于在实际场景中推广应用。
附图说明：
图1为本发明方法的流程框图。
具体实施方式：
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
如图1所示，本发明提供的一种基于密集卷积网络特征的视觉目标跟踪方法，包括以下步骤：
步骤一、构建初始位置滤波器：
1、在经过手工标注的首帧图像中，已经明确了目标的中心位置和尺寸。根据目标位置，选取合适的ROI区域(Region of Interest,感兴趣区域)。
2、在密集卷积网络(DenseNet)中，选取五层，对首帧图像的ROI区域进行特征提取，得到五个不同的特征：
选定的五层的名称分别为：'conv1|relu'、'conv2_block6_concat'、'conv3_block12_concat'、'conv4_block48_concat'和'conv5_block32_concat'。
3、利用得到的五个特征，分别构建五个核相关滤波器(KCF1～KCF5)。通过高斯函数构建特征x的响应值y，根据公式
Figure BDA0002222893020000051
构建初始位置滤波器α，其中，
Figure BDA0002222893020000052
为y的傅里叶变换，
Figure BDA0002222893020000053
||·||表示2-范数，F-1为傅里叶逆变换，x*为x的共轭，⊙为点乘运算，σ和λp为常数。
本发明中位置滤波器采用核相关滤波器(KCF)，可以判别被跟踪区域是目标还是背景，核函数的本质就是通过映射关系将特征从低维空间映射到高维空间，从而将低维空间中的线性不可分变为高维空间中的线性可分。核相关滤波器还引入循环矩阵实现了密集采样，同时利用矩阵循环矩阵在傅立叶空间可对角化等性质简化计算，显著提高跟踪速度。
步骤二、构建初始尺度滤波器：
1、在经过手工标注的首帧图像中，在已经标注的目标位置和大小基础上，通过尺度金字塔方法对目标进行采样，获得S种不同大小的候选目标样本，本实施例中S＝33。
2、在密集卷积网络(DenseNet)中，选取名称为pool4_Relu的DenseNet网络层，用于对S种不同目标样本进行特征提取，得到S个不同特征。
3、利用目标样本特征构建尺度滤波器。根据公式
Figure BDA0002222893020000061
构建初始尺度滤波器Hl，其中，l表示特征向量的维数，且l＝1,2,...,L，G为通过高斯函数构建的特征响应值g的傅里叶变换，G*为G的共轭，Fk为第k维特征的傅里叶变换，λs为常数。
需要说明的是，通过首帧输入图像构建初始尺度滤波器，采用多尺度采样技术，跟踪过程中能够适应目标尺度变化，从而实现对目标尺度的精确估计。
步骤三、目标定位：
1、利用密集卷积网络(DenseNet)的五层对输入图像进行特征提取，得到五个不同的特征。
2、利用位置滤波器对五个不同特征分别进行位置滤波，获得五个不同的响应图。响应图的大小均为s×t，s为位置滤波响应图的行向像素数，t为位置滤波响应图的列向像素数。
3、分别计算五个响应图的APCE值(APCE1～APCE5)。APCE值的计算方法为：
Figure BDA0002222893020000062
其中Fmax表示响应图中最大值，Fmin表示响应图中最小值，Fw,h表示响应图中第w行、第h列的取值,mean表示取均值。选择APCE值最大的响应图作为最佳响应图。在最佳响应图中，最大值位置对应目标的中心位置。
需要说明的是，不同视频可能具有不同的属性，包括SV(尺度变化)、IV(光照变化)、OCC(目标遮挡)、DEF(目标形变)、MB(运动模糊)、FM(快速运动)、IPR(平面内旋转)、OPR(平面外旋转)、OV(目标超出视野)、BC(背景杂波)和LR(低分辨率)等。因此，针对不同视频应该在DenseNet网络中选取不同的层进行特征提取，这样才能保证每个视频的跟踪效果均为最好。分别计算五个响应图的APCE值，依据APCE值大小选择最佳响应图并确定目标中心位置。实现了DenseNet网络特征层的自适应选择，显著提高了跟踪精确度。
步骤四、尺度估计：
1、依据已经确定的目标位置和上一帧中估计的目标尺度，通过尺度金字塔方法对目标进行采样，获得S种不同尺度的候选目标样本。这里S＝33。
2、在密集卷积网络(DenseNet)中，选取DenseNet网络层的名称为pool4_Relu，对S种不同目标样本进行特征提取，得到S个不同特征。
3、利用尺度滤波器对S个目标特征进行尺度滤波，得到响应图。该响应图中响应值最大的点即对应当前输入图像中目标的精确尺度，实现当前输入图像的尺度估计。
步骤五、模型更新：
1、位置滤波器模型更新：
确定第t帧图像中目标的位置和尺度后，为了使得跟踪算法更加鲁棒，需要在第t+1帧跟踪前对位置滤波器和尺度滤波器分别进行更新。计算对第t帧图像跟踪时响应图的APCE值，如果该值大于预先设定的阈值APCE0，即APCEt＞APCE0，则对位置滤波器进行更新，否则不更新。对位置滤波器的更新方法为：αt＝(1-ηp)αt-1+ηpα(t)，其中αt-1表示对第t帧图像跟踪前求得的滤波器模板，α(t)表示根据第t帧图像求得的滤波器模板，ηp为位置滤波器的学习率。这里，APCE0＝20，0<ηp<1。
2、尺度滤波器模型更新：
尺度滤波器的分子项、部分分母项可以分别用A、B表示，即
Figure BDA0002222893020000071
对第t帧图像跟踪后，需要对尺度滤波器进行更新，尺度滤波器的更新方法为：
Figure BDA0002222893020000072
Figure BDA0002222893020000073
其中ηs为尺度滤波器的学习率。这里，0<ηs<1。

Claims (1)

1.一种基于密集卷积网络特征的视觉目标跟踪方法，其特征在于，包括以下步骤：
步骤一、构建初始位置滤波器
1、在经过手工标注的首帧图像中，明确目标区域的位置和尺寸；
2、在密集卷积网络中，选取多层，对首帧图像的目标区域进行特征提取，得到多个不同的特征；利用密集卷积网络DenseNet对图像特征进行提取，无论是浅层的位置信息还是深层的语义信息均能够提取；
3、利用得到的多个特征，分别构建多个核相关滤波器，根据公式
Figure DEST_PATH_IMAGE001
构建初始位置滤波器α，其中，
Figure 122930DEST_PATH_IMAGE002
为y的傅里叶变换，
Figure DEST_PATH_IMAGE003
，
||·||表示2-范数，F-1为傅里叶逆变换，x*为x的共轭，⊙为点乘运算，σ和λp 为常数；
步骤二、构建初始尺度滤波器
1、在经过手工标注的首帧图像中，在已经明确的目标区域的基础上，通过尺度金字塔方法对目标进行采样，获得S种不同大小的候选目标样本；
2、在密集卷积网络中，选取用于对S种不同目标样本进行特征提取的层，进行特征提取后得到S个不同特征；
3、根据公式
Figure 406887DEST_PATH_IMAGE004
构建初始尺度滤波器Hl，其中，l表示特征向量的维数，且l＝1,2,...,L，
G为通过高斯函数构建的特征响应值g的傅里叶变换，G*为G的共轭，Fk为第k维特征的傅里叶变换，λs为常数；
步骤三、目标定位
1、利用密集卷积网络的多层对输入图像进行特征提取，得到多个不同的特征；
2、利用位置滤波器对多个不同特征分别进行位置滤波，获得多个不同的响应图；
3、分别计算多个响应图的APCE值，计算方法为：
Figure DEST_PATH_IMAGE005
其中Fmax表示响应图中最大值，Fmin表示响应图中最小值，Fw,h表示响应图中第w行、第h列的取值，mean表示取均值；选择APCE值最大的响应图作为最佳响应图，该响应图中最大值位置对应目标的中心位置；依据响应图中APCE的值，自适应选择用于特征提取的DenseNet网络层，即自适应选择最佳的尺度滤波器；
步骤四、尺度估计：
1、依据已经确定的目标区域的位置和上一帧中估计的目标尺度，通过尺度金字塔方法对目标进行采样，获得S种不同尺度的候选目标样本；
2、在密集卷积网络中，选取用于对S种不同目标样本进行特征提取的层，进行特征提取后得到S个不同特征；
3、利用尺度滤波器对S个目标特征进行尺度滤波，得到响应图，该响应图中响应值最大的点即对应当前输入图像中目标的精确尺度；
步骤五、模型更新：
1、位置滤波器模型更新
确定第t帧图像中目标区域的位置和尺度后，在第t+1帧跟踪前对位置滤波器和尺度滤波器分别进行更新：
计算对第t帧图像跟踪时响应图的APCE值，如果该值大于预先设定的阈值APCE0，即APCEt＞APCE0，则对位置滤波器进行更新，否则不更新，对位置滤波器的更新方法为：αt ＝(1-ηp)αt-1+ηpα(t)，其中αt-1表示对第t帧图像跟踪前求得的滤波器模板，α(t)表示根据第t帧图像求得的滤波器模板，ηp为位置滤波器的学习率；
2、尺度滤波器模型更新
尺度滤波器的分子项、部分分母项可以分别用A、B表示，即Al＝G*⊙Fl、
Figure 503150DEST_PATH_IMAGE006
，
对第t帧图像跟踪后，对尺度滤波器进行更新，尺度滤波器的更新方法为：
Figure DEST_PATH_IMAGE007
、
Figure 528875DEST_PATH_IMAGE008
，
其中ηs为尺度滤波器的学习率；
并且，
步骤四中，
在密集卷积网络DenseNet中，选取DenseNet网络层的名称为pool4_Relu，对S种不同目标样本进行特征提取，得到S个不同特征。
CN201910947630.2A 2019-09-30 2019-09-30 一种基于密集卷积网络特征的视觉目标跟踪方法 Active CN110689559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910947630.2A CN110689559B (zh) 2019-09-30 2019-09-30 一种基于密集卷积网络特征的视觉目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910947630.2A CN110689559B (zh) 2019-09-30 2019-09-30 一种基于密集卷积网络特征的视觉目标跟踪方法

Publications (2)

Publication Number Publication Date
CN110689559A CN110689559A (zh) 2020-01-14
CN110689559B true CN110689559B (zh) 2022-08-12

Family

ID=69111490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910947630.2A Active CN110689559B (zh) 2019-09-30 2019-09-30 一种基于密集卷积网络特征的视觉目标跟踪方法

Country Status (1)

Country Link
CN (1) CN110689559B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200833A (zh) * 2020-09-17 2021-01-08 天津城建大学 一种基于残差网络和短期视觉记忆的相关滤波视频跟踪算法
CN112836584B (zh) * 2021-01-05 2023-04-07 西安理工大学 基于深度学习的交通图像安全带分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154024A (zh) * 2017-05-19 2017-09-12 南京理工大学 基于深度特征核相关滤波器的尺度自适应目标跟踪方法
CN108182388A (zh) * 2017-12-14 2018-06-19 哈尔滨工业大学（威海） 一种基于图像的运动目标跟踪方法
CN108346159A (zh) * 2018-01-28 2018-07-31 北京工业大学 一种基于跟踪-学习-检测的视觉目标跟踪方法
CN108921873A (zh) * 2018-05-29 2018-11-30 福州大学 基于核相关滤波优化的马尔科夫决策在线多目标跟踪方法
CN109801311A (zh) * 2019-01-31 2019-05-24 长安大学 一种基于深度残差网络特征的视觉目标跟踪方法
CN109816689A (zh) * 2018-12-18 2019-05-28 昆明理工大学 一种多层卷积特征自适应融合的运动目标跟踪方法
CN110188753A (zh) * 2019-05-21 2019-08-30 北京以萨技术股份有限公司 一种基于稠密连接卷积神经网络目标跟踪算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108381554B (zh) * 2018-05-22 2020-03-17 中国矿业大学 基于wifi辅助定位的视觉跟踪移动机器人及控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154024A (zh) * 2017-05-19 2017-09-12 南京理工大学 基于深度特征核相关滤波器的尺度自适应目标跟踪方法
CN108182388A (zh) * 2017-12-14 2018-06-19 哈尔滨工业大学（威海） 一种基于图像的运动目标跟踪方法
CN108346159A (zh) * 2018-01-28 2018-07-31 北京工业大学 一种基于跟踪-学习-检测的视觉目标跟踪方法
CN108921873A (zh) * 2018-05-29 2018-11-30 福州大学 基于核相关滤波优化的马尔科夫决策在线多目标跟踪方法
CN109816689A (zh) * 2018-12-18 2019-05-28 昆明理工大学 一种多层卷积特征自适应融合的运动目标跟踪方法
CN109801311A (zh) * 2019-01-31 2019-05-24 长安大学 一种基于深度残差网络特征的视觉目标跟踪方法
CN110188753A (zh) * 2019-05-21 2019-08-30 北京以萨技术股份有限公司 一种基于稠密连接卷积神经网络目标跟踪算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SITUP: Scale Invariant Tracking using Average Peak-to-Correlation Energy;Haoyi Ma等;《arXiv:1812.03111v1》;20181207;第1-11页 *

Also Published As

Publication number Publication date
CN110689559A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN110991272B (zh) 一种基于视频跟踪的多目标车辆轨迹识别方法
CN108734151B (zh) 基于相关滤波以及深度孪生网络的鲁棒长程目标跟踪方法
CN108062525B (zh) 一种基于手部区域预测的深度学习手部检测方法
CN111311647B (zh) 一种基于全局-局部及卡尔曼滤波的目标跟踪方法及装置
CN112184752A (zh) 一种基于金字塔卷积的视频目标跟踪方法
CN110569723A (zh) 一种结合特征融合与模型更新的目标跟踪方法
CN108182388A (zh) 一种基于图像的运动目标跟踪方法
CN112163498B (zh) 前景引导和纹理聚焦的行人重识别模型建立方法及其应用
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
CN107452022A (zh) 一种视频目标跟踪方法
CN109087337B (zh) 基于分层卷积特征的长时间目标跟踪方法及系统
CN112183675B (zh) 一种基于孪生网络的针对低分辨率目标的跟踪方法
CN104484890A (zh) 基于复合稀疏模型的视频目标跟踪方法
CN110689559B (zh) 一种基于密集卷积网络特征的视觉目标跟踪方法
CN103985143A (zh) 基于字典学习的视频中判别性在线目标跟踪方法
CN109191493B (zh) 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法
Yang et al. Visual tracking with long-short term based correlation filter
CN112489088A (zh) 一种基于记忆单元的孪生网络视觉跟踪方法
Xu et al. Hierarchical convolution fusion-based adaptive Siamese network for infrared target tracking
Shu et al. Multi-feature fusion target re-location tracking based on correlation filters
CN108898619B (zh) 一种基于pvanet神经网络的目标跟踪方法
CN113033356B (zh) 一种尺度自适应的长期相关性目标跟踪方法
CN110751670B (zh) 一种基于融合的目标跟踪方法
CN107590820B (zh) 一种基于相关滤波的视频对象追踪方法及其智能装置
Firouznia et al. Adaptive chaotic sampling particle filter to handle occlusion and fast motion in visual object tracking

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