CN111080675B - 一种基于时空约束相关滤波的目标跟踪方法 - Google Patents
一种基于时空约束相关滤波的目标跟踪方法 Download PDFInfo
- Publication number
- CN111080675B CN111080675B CN201911322711.XA CN201911322711A CN111080675B CN 111080675 B CN111080675 B CN 111080675B CN 201911322711 A CN201911322711 A CN 201911322711A CN 111080675 B CN111080675 B CN 111080675B
- Authority
- CN
- China
- Prior art keywords
- filter
- space
- frame
- term
- time constraint
- 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
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
- G06T2207/20024—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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于时空约束相关滤波的目标跟踪方法,属于计算机视觉处理技术领域,所述方法包括以下步骤:S1:针对当前帧,提取前一帧的图像块作为搜索区域,再提取搜索区域的FHOG特征;S2:根据FHOG特征与前一帧训练好的滤波器计算得到当前帧的响应图,以响应图的最大响应位置作为当前帧的预测目标位置;S3:基于时间约束项和空间约束项更新时空约束相关滤波模型;S4:基于ASPE系数判断是否需要更新空间参考掩模,得到当前帧采用的滤波器模型。本发明解决了现有目标跟踪方法在模板存在外观显著性变化时,存在滤波器突变的问题,以及丢失跟踪目标后,滤波器存在模板漂移的问题。
Description
技术领域
本发明属于计算机视觉处理技术领域,涉及一种基于时空约束相关滤波的目标跟踪方法。
背景技术
目标跟踪一直是计算机视觉领域中一个重要的方向,其技术被广泛地运用于视频监控、精准制导、自动驾驶和人机交互等领域。近年来,通过众多学者的研究推进,目标跟踪技术取得了巨大的进步。但在真实场景中,受到光照变化、遮挡、旋转、快速形变等因素的影响,当前的目标跟踪算法仍旧不能够很好的完成跟踪,算法的鲁棒性和准确性都不能够保证。
针对上述问题的解决,研究者们想设计一个具备极强鲁棒性的强跟踪器,自适应调整适用场景,为此研究者们提出了很多方法,主要分为判别式跟踪方法和生成式跟踪方法。由于判别式跟踪方法效率高和受外界影响因素少的优点,引起了广大学者的注意。David S,Bolme J等人提出了基于最小平方误差和的相关滤波算法MOSSE,首次将相关滤波的思想引入跟踪领域,能够让学习到的相关滤波器与新的输入产生响应图,来估计当前跟踪目标的位置,但该方法仅使用图像本身作为特征输入,模板漂移问题仍时常发生;Henriques,F等人在相关滤波算法的基础上,通过设计结构简单又高效的循环矩阵来解决样本不足的缺陷,进一步提高了相关滤波算法的精度,但仍然没能提出新的特征减缓模板漂移的问题;Henriques,/>F等人又基于CSK提出了KCF算法,改变了相关滤波算法以原图为输入的策略,引入图像特征HOG,增强了跟踪目标描述的准确性,但该算法使用了理想高斯窗假设,而真实跟踪目标并不为理想高斯窗,因此无法有效分割出前景跟踪目标和背景信息;Danelljan,Martin等人针对尺度问题提出了DSST算法,该算法将跟踪问题看作位置估计和尺度估计两个子问题,并分别训练对应的相关滤波器,但仍然使用的是理想高斯窗假设;Danelljan,Martin等人还针对边界效应问题提出了SRDCF算法,该算法认为理想高斯窗无法表示各种大小的跟踪目标,因此根据目标大小调整高斯窗边界的衰减,然而该算法将理想高斯窗衰减之后仍然是高斯窗,仍旧无法精确提取目标,且无条件利用每一帧更新滤波器;Galoogahi H K等人同样针对边界效应问题提出了CFLB算法,其思想是引入尽可能多的背景冗余信息削弱目标循环出边界的概率,再通过掩模提出真实目标,该算法利用了掩模特性,但作用仅在于从大尺度图像中选取图像块,仍旧是每一帧都更新滤波器;Danelljan,Martin等人为了更高的跟踪精度和鲁棒性提出了C-COT算法,通过引入亚像素,将离散区域插值到连续域提高跟踪器精度,该算法牺牲了算法效率,在特征上得到了极高的精度,但是由于不能精确分割前景跟踪目标和不能约束相关滤波器,导致每帧更新,从而使得目标外观显著性变化时,滤波器突变产生漂移问题;Danelljan,Martin等人又针对C-COT算法的效率过于低下提出了ECO算法,改善了样本集中所有单个参与计算的策略,通过筛选留下贡献率更高的跟踪器,但仍没能解决模板漂移问题。
现有的跟踪方法中相关滤波类算法是基于模板的算法,当模板被遮挡、旋转或形变等外观具有显著性变化时,该类方法便无法很好地处理,无法在鲁棒性和准确性之间取得良好的平衡。而且,当跟踪器丢失跟踪目标后,仍然会持续不断的更新滤波器,最终使得滤波器将其他目标的模板作为跟踪对象,产生了模板漂移问题。
因此,本发明针对上述问题,提出了一种基于时空约束相关滤波的目标跟踪方法。
发明内容
本发明的目的在于:提供了一种基于时空约束相关滤波的目标跟踪方法,解决了现有目标跟踪方法在模板存在外观显著性变化时,存在滤波器突变的问题,以及丢失跟踪目标后,滤波器存在模板漂移的问题。
本发明采用的技术方案如下:
一种基于时空约束相关滤波的目标跟踪方法,首先在第一帧中由人工任意初始化要跟踪的目标和相关滤波器,再通过所述方法在后续帧中持续跟踪该目标,所述方法包括以下步骤:
S1:针对当前帧,提取前一帧的图像块作为搜索区域,再提取搜索区域的FHOG特征;
S2:根据FHOG特征与前一帧训练好的滤波器计算得到当前帧的响应图,以响应图的最大响应位置作为当前帧的预测目标位置;
S3:基于时间约束项和空间约束项更新时空约束相关滤波模型;
S4:基于ASPE系数判断是否需要更新空间参考掩模,再根据步骤S3得到当前帧采用的滤波器模型,进行目标跟踪。
进一步地,所述步骤S1具体包括以下步骤:
S1.1:针对当前帧第t帧,以前一帧第t-1帧的预测目标位置为中心,提取200*200尺寸的图像块,作为搜索区域,其中,1<t≤N,N为视频序列总帧数;
S1.2:提取搜索区域的FHOG特征。
进一步地,所述步骤S2具体包括以下步骤:
其中,^代表给定数据的傅里叶域对应量,r和代表响应图和响应图的傅里叶域变换形式,K为对应滤波器的总维数,/>和/>为第k维输入数据和滤波器辅助变量的傅里叶域表现形式,/>其中,T为输入数据的大小,F为大小T×T的正交的复数偏差矩阵,能够使任意T维向量化的信号映射到傅里叶域,P为对角二元矩阵,能够使相关运算直接作用于真实的前景和背景样本,hk为第k维的滤波器;
S2.2:获得响应图r后,将响应图r的最大响应值的位置作为当前帧的跟踪目标的预测位置。
进一步地,所述步骤S3具体包括以下步骤:
S3.1:基于时间约束项和空间约束项的时空约束相关滤波模型的空域表达式为:
上述公式中,第一项为岭回归项,X={x1,x2,…xK}和H={h1,h2,…hK}为数据和滤波器,尽可能使结果贴近理想高斯函数y,第二项为滤波器H的自适应空间正则惩罚项,第三项为空间掩模正则项,让空间掩模w更新方向朝向空间参考掩模wr,第四项和第五项为基于相邻帧的残差正则项,作为时间约束项约束当前帧的空间掩模和滤波器突变,λ1=0.2,λ2=0.001,λ3=1000和λ4=500为正则参数;
S3.2:时空约束相关滤波模型通常在傅里叶域中进行运算,时空约束相关滤波模型的傅里叶域表达式为:
S3.3:将步骤S3.2的傅里叶域表达式构造为增广拉格朗日函数:
对上述公式进行元素点乘运算和傅里叶逆变换,对整个滤波器H求解的时间复杂度为O(KTlogT);
将每一个维度看作一个整体,得到:
S3.7:更新拉格朗日乘子项:
S3.8:更新正则惩罚因子:
μi+1=min(μmax,ρμi),
其中,ρ=10,μmax=1000。
进一步地,所述步骤S4具体包括以下步骤:
S4.1:根据步骤S2得到的响应图r,计算ASPE系数,所述ASPE系数的计算公式为:
其中,Fmax,Fside和Fmin分别为响应图r的最大值,旁瓣值和最小值;
S4.2:判断是否需要更新空间参考掩模wr,若步骤S4.1计算得到的当前帧的ASPE系数大于10,则说明当前跟踪目标的结果是可靠的,便更新空间参考掩模wr,并进入下一步;若当前帧的ASPE系数小于10,则说明当前跟踪目标的结果发生了模板漂移,进入下一步;
S4.3:按下列公式更新滤波器模型:
综上所述,由于采用了上述技术方案,本发明的有益效果是:
一种基于时空约束相关滤波的目标跟踪方法,通过自适应掩模将约束目标前景与背景信息分开,得到更精确的输入,以空间掩模作为空间约束项,通过滤波器和掩模相邻帧残差以及掩模和空间参考掩模的残差作为时间约束,以ASPE系数决定是否更新空间参考掩模,避免跟踪目标因遮挡、目标形变、背景杂波、旋转等外观显著性变化引起模型突变导致模板漂移的问题,增加了目标跟踪的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图,其中:
图1是本发明实施例一的流程图;
图2是本发明实施例一的时间约束示意图;
图3是本发明实施例一的空间约束示意图;
图4是本发明实施例一的ASPE系数示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处描述和附图中示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“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。
术语解释:
ASPE系数:Average Sidelobe-Peak Energy,平均峰瓣能量系数;FHOG特征:Fastimplementation of Histogram Oriented Gradients,快速方向梯度直方图特征;ADMM算法:Alternating Direction Method of Multipliers,交替方向乘子法。
下面结合实施例和附图对本发明的特征和性能作进一步的详细描述。
实施例一
本发明的较佳实施例,提供了一种基于时空约束相关滤波的目标跟踪方法,使用视频跟踪测试数据集Visual Tracker Benchmark(OTB100)中Soccer序列为验证集,该序列图像分辨率为640*360,总长392帧,包括光照变化,尺度缩放,遮挡,运动模糊,快速运动,形变和背景杂波等外观显著性变化;
首先判断当前帧是否是输入图像的第一帧,若是,则由人工任意初始化要跟踪的目标,即行人位置和尺寸,以及相关滤波器,再通过所述方法在后续帧中持续跟踪该目标,若不是第一帧,则直接按所述方法持续跟踪该目标,所述方法具体包括以下步骤:
S1:针对当前帧,提取前一帧的图像块作为搜索区域,再提取搜索区域的FHOG特征;
S1.1:针对当前帧第t帧,以前一帧第t-1帧的预测目标位置为中心,提取200*200尺寸的图像块,作为搜索区域,其中,1<t≤N,N为视频序列总帧数;
S1.2:提取搜索区域的FHOG特征;
S2:根据FHOG特征与前一帧训练好的滤波器计算得到当前帧的响应图,如图4所示,以响应图的最大响应位置即图4中的峰值位置作为当前帧的预测目标位置;
其中,^代表给定数据的傅里叶域对应量,r和代表响应图和响应图的傅里叶域变换形式,K为对应滤波器的总维数,/>和/>为第k维输入数据和滤波器辅助变量的傅里叶域表现形式,/>其中,T为输入数据的大小,F为大小T×T的正交的复数偏差矩阵,能够使任意T维向量化的信号映射到傅里叶域,P为对角二元矩阵,能够使相关运算直接作用于真实的前景和背景样本,hk为第k维的滤波器;
S2.2:获得响应图r后,将响应图r的最大响应值的位置作为当前帧的跟踪目标的预测位置;
S3:基于时间约束项和空间约束项更新时空约束相关滤波模型,所述时间约束项的示意图如图2所示,所述空间约束项的示意图如图3所示;
S3.1:基于时间约束项和空间约束项的时空约束相关滤波模型的空域表达式为:
上述公式中,第一项为岭回归项,X={x1,x2,...xK}和H={h1,h2,...hK}为数据和滤波器,尽可能使结果贴近理想高斯函数y,第二项为滤波器H的自适应空间正则惩罚项,第三项为空间掩模正则项,让空间掩模w更新方向朝向空间参考掩模wr,从而避免模型剧烈变化,第四项和第五项为基于相邻帧的残差正则项,作为时间约束项约束当前帧的空间掩模和滤波器突变,λ1=0.2,λ2=0.001,λ3=1000和λ4=500为正则参数;
S3.2:时空约束相关滤波模型通常在傅里叶域中进行运算,时空约束相关滤波模型的傅里叶域表达式为:
S3.3:将步骤S3.2的傅里叶域表达式构造为增广拉格朗日函数:
对上述公式进行元素点乘运算和傅里叶逆变换,对整个滤波器H求解的时间复杂度为O(KTlogT);
将每一个维度看作一个整体,得到:
S3.7:更新拉格朗日乘子项:
S3.8:更新正则惩罚因子:
μi+1=min(μmax,ρμi),
其中,ρ=10,μmax=1000;
S4:基于ASPE系数判断是否需要更新空间参考掩模,再根据步骤S3得到当前帧采用的滤波器模型,进行目标跟踪;
S4.1:根据步骤S2得到的响应图r,计算ASPE系数,所述ASPE系数的计算公式为:
其中,Fmax,Fside和Fmin分别为响应图r的最大值,旁瓣值和最小值;
S4.2:判断是否需要更新空间参考掩模wr,若步骤S4.1计算得到的当前帧的ASPE系数大于10,则说明当前跟踪目标的结果是可靠的,便更新空间参考掩模wr,并进入下一步;若当前帧的ASPE系数小于10,则说明当前跟踪目标的结果发生了模板漂移,进入下一步;
S4.3:按下列公式更新滤波器模型:
最后再判断是否完成所有帧跟踪,若是,则结束跟踪,若不是,则返回步骤S1继续进行下一帧的目标跟踪。
本实施例按上述方法对输入图像进行目标跟踪,得到跟踪结果,跟踪目标无论是变形、遮挡还是具有背景杂波时,跟踪目标始终没有偏移,跟踪准确度高。
本发明通过自适应掩模将约束目标前景与背景信息分开,得到更精确的输入,以空间掩模作为空间约束项,通过滤波器和掩模相邻帧残差以及掩模和空间参考掩模的残差作为时间约束,以ASPE系数决定是否更新空间参考掩模,避免跟踪目标因遮挡、目标形变、背景杂波、旋转等外观显著性变化引起模型突变导致模板漂移的问题,增加了目标跟踪的准确度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明的保护范围,任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于时空约束相关滤波的目标跟踪方法,首先在第一帧中由人工任意初始化要跟踪的目标和相关滤波器,再通过所述方法在后续帧中持续跟踪该目标,其特征在于,所述方法包括以下步骤:
S1:针对当前帧,提取前一帧的图像块作为搜索区域,再提取搜索区域的FHOG特征;
S2:根据FHOG特征与前一帧训练好的滤波器计算得到当前帧的响应图,以响应图的最大响应位置作为当前帧的预测目标位置;
S3:基于时间约束项和空间约束项更新时空约束相关滤波模型;
S4:基于ASPE系数判断是否需要更新空间参考掩模,再根据步骤S3得到当前帧采用的滤波器模型,进行目标跟踪;
所述步骤S3具体包括以下步骤:
S3.1:基于时间约束项和空间约束项的时空约束相关滤波模型的空域表达式为:
上述公式中,第一项为岭回归项,X={x1,x2,...xK}和H={h1,h2,...hK}为数据和滤波器,使结果贴近理想高斯函数y,第二项为滤波器H的自适应空间正则惩罚项,第三项为空间掩模正则项,让空间掩模w更新方向朝向空间参考掩模wr,第四项和第五项为基于相邻帧的残差正则项,作为时间约束项约束当前帧的空间掩模和滤波器突变,λ1=0.2,λ2=0.001,λ3=1000和λ4=500为正则参数;
S3.2:时空约束相关滤波模型在傅里叶域中进行运算,时空约束相关滤波模型的傅里叶域表达式为:
S3.3:将步骤S3.2的傅里叶域表达式构造为增广拉格朗日函数:
对上述公式进行元素点乘运算和傅里叶逆变换,对整个滤波器H求解的时间复杂度为O;
将每一个维度看作一个整体,得到:
S3.7:更新拉格朗日乘子项:
S3.8:更新正则惩罚因子:
μi+1=min(μmax,ρμi),
其中,ρ=10,μmax=1000。
2.根据权利要求1所述的一种基于时空约束相关滤波的目标跟踪方法,其特征在于,所述步骤S1具体包括以下步骤:
S1.1:针对当前帧第t帧,以前一帧第t-1帧的预测目标位置为中心,提取200*200尺寸的图像块,作为搜索区域,其中,1<t≤N,N为视频序列总帧数;
S1.2:提取搜索区域的FHOG特征。
3.根据权利要求1所述的一种基于时空约束相关滤波的目标跟踪方法,其特征在于:所述步骤S2具体包括以下步骤:
其中,^代表给定数据的傅里叶域对应量,r和代表响应图和响应图的傅里叶域变换形式,K为对应滤波器的总维数,/>和/>为第k维输入数据和滤波器辅助变量的傅里叶域表现形式,/>其中,T为输入数据的大小,F为大小T×T的正交的复数偏差矩阵,能够使任意T维向量化的信号映射到傅里叶域,P为对角二元矩阵,能够使相关运算直接作用于真实的前景和背景样本,hk为第k维的滤波器;
S2.2:获得响应图r后,将响应图r的最大响应值的位置作为当前帧的跟踪目标的预测位置。
4.根据权利要求1所述的一种基于时空约束相关滤波的目标跟踪方法,其特征在于:所述步骤S4具体包括以下步骤:
S4.1:根据步骤S2得到的响应图r,计算ASPE系数,所述ASPE系数的计算公式为:
其中,Fmax,Fside和Fmin分别为响应图r的最大值,旁瓣值和最小值;
S4.2:判断是否需要更新空间参考掩模wr,若步骤S4.1计算得到的当前帧的ASPE系数大于10,则说明当前跟踪目标的结果是可靠的,便更新空间参考掩模wr,并进入下一步;若当前帧的ASPE系数小于10,则说明当前跟踪目标的结果发生了模板漂移,进入下一步;
S4.3:按下列公式更新滤波器模型:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322711.XA CN111080675B (zh) | 2019-12-20 | 2019-12-20 | 一种基于时空约束相关滤波的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322711.XA CN111080675B (zh) | 2019-12-20 | 2019-12-20 | 一种基于时空约束相关滤波的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080675A CN111080675A (zh) | 2020-04-28 |
CN111080675B true CN111080675B (zh) | 2023-06-27 |
Family
ID=70316067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911322711.XA Active CN111080675B (zh) | 2019-12-20 | 2019-12-20 | 一种基于时空约束相关滤波的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080675B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612809B (zh) * | 2020-05-28 | 2023-04-07 | 华侨大学 | 一种结合时空正则化约束的视觉跟踪定位方法 |
CN112215869B (zh) * | 2020-10-12 | 2022-08-02 | 华中科技大学 | 一种基于图相似性约束的群目标跟踪方法和系统 |
CN112233143B (zh) * | 2020-12-14 | 2021-05-11 | 浙江大华技术股份有限公司 | 目标跟踪方法、装置以及计算机可读存储介质 |
CN112986993B (zh) * | 2021-02-07 | 2022-10-25 | 同济大学 | 一种基于空间约束的InSAR形变监测方法 |
CN112686929B (zh) * | 2021-03-10 | 2021-06-25 | 长沙理工大学 | 一种目标跟踪方法及系统 |
CN113409357B (zh) * | 2021-04-27 | 2023-10-31 | 中国电子科技集团公司第十四研究所 | 一种基于双时空约束的相关滤波目标跟踪方法 |
CN113538509B (zh) * | 2021-06-02 | 2022-09-27 | 天津大学 | 基于自适应相关滤波特征融合学习的视觉跟踪方法及装置 |
CN115018906A (zh) * | 2022-04-22 | 2022-09-06 | 国网浙江省电力有限公司 | 一种基于组特征选择与判别相关滤波联合的电网变电检修作业人员跟踪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555864A (zh) * | 2019-08-02 | 2019-12-10 | 电子科技大学 | 基于pspce的自适应目标跟踪方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5959567A (en) * | 1997-12-08 | 1999-09-28 | Massachusetts Institute Of Technology | Method and apparatus for tracking of organized storms |
TWI420906B (zh) * | 2010-10-13 | 2013-12-21 | Ind Tech Res Inst | 興趣區域之追蹤系統與方法及電腦程式產品 |
CN107491786B (zh) * | 2017-08-15 | 2020-10-20 | 电子科技大学 | 一种烟草收购重复过磅行为自动视觉检测与识别方法 |
CN107680119A (zh) * | 2017-09-05 | 2018-02-09 | 燕山大学 | 一种基于时空上下文融合多特征及尺度滤波的跟踪算法 |
US10482359B2 (en) * | 2018-01-18 | 2019-11-19 | Google Llc | Systems and methods for removing non-stationary objects from imagery |
CN108846851B (zh) * | 2018-04-25 | 2020-07-28 | 河北工业职业技术学院 | 运动目标跟踪方法及终端设备 |
CN108776975B (zh) * | 2018-05-29 | 2021-11-05 | 安徽大学 | 一种基于半监督特征和滤波器联合学习的视觉跟踪方法 |
CN109448024B (zh) * | 2018-11-06 | 2022-02-11 | 深圳大学 | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 |
CN109685832A (zh) * | 2018-12-26 | 2019-04-26 | 山东创科自动化科技有限公司 | 一种运动目标跟踪方法、装置及计算机设备 |
CN110349190B (zh) * | 2019-06-10 | 2023-06-06 | 广州视源电子科技股份有限公司 | 自适应学习的目标跟踪方法、装置、设备及可读存储介质 |
CN110322479B (zh) * | 2019-07-05 | 2022-07-26 | 武汉科技大学 | 一种基于时空显著性的双核kcf目标跟踪方法 |
CN110533689A (zh) * | 2019-08-08 | 2019-12-03 | 河海大学 | 基于空间约束自适应尺度的核相关滤波水下目标跟踪方法 |
-
2019
- 2019-12-20 CN CN201911322711.XA patent/CN111080675B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555864A (zh) * | 2019-08-02 | 2019-12-10 | 电子科技大学 | 基于pspce的自适应目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111080675A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080675B (zh) | 一种基于时空约束相关滤波的目标跟踪方法 | |
CN108776975B (zh) | 一种基于半监督特征和滤波器联合学习的视觉跟踪方法 | |
CN107358623B (zh) | 一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪方法 | |
CN107680120B (zh) | 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法 | |
CN107369166B (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
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 | |
Sheth et al. | Unsupervised deep video denoising | |
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 | |
CN113591968A (zh) | 一种基于非对称注意力特征融合的红外弱小目标检测方法 | |
CN111582349B (zh) | 一种基于YOLOv3和核相关滤波改进的目标跟踪算法 | |
CN110895820B (zh) | 一种基于kcf的尺度自适应目标跟踪方法 | |
CN110135344B (zh) | 基于加权固定秩表示的红外弱小目标检测方法 | |
CN110084201B (zh) | 一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法 | |
CN111931603B (zh) | 基于竞合网络的双流卷积网络的人体动作识别系统及方法 | |
CN115937254B (zh) | 一种基于半监督学习的多空中飞行目标跟踪方法和系统 | |
CN107067373A (zh) | 一种基于0范数的梯度最小化二值图像复原方法 | |
CN112966553A (zh) | 基于孪生网络的强耦合目标跟踪方法、装置、介质及设备 | |
CN111993429B (zh) | 一种基于仿射群的改进高斯重采样粒子滤波目标跟踪方法 | |
CN113313179A (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
CN112907750A (zh) | 一种基于卷积神经网络的室内场景布局估计方法及系统 | |
CN110097579B (zh) | 基于路面纹理上下文信息的多尺度车辆跟踪方法及装置 | |
CN110827327B (zh) | 一种基于融合的长期目标跟踪方法 | |
CN110751671B (zh) | 一种基于核相关滤波与运动估计的目标跟踪方法 | |
CN115359407A (zh) | 一种视频中的多车辆跟踪方法 | |
CN110751673B (zh) | 一种基于集成学习的目标跟踪方法 |
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 |