CN111583294B - 一种结合尺度自适应与模型更新的目标跟踪方法 - Google Patents
一种结合尺度自适应与模型更新的目标跟踪方法 Download PDFInfo
- Publication number
- CN111583294B CN111583294B CN202010320484.3A CN202010320484A CN111583294B CN 111583294 B CN111583294 B CN 111583294B CN 202010320484 A CN202010320484 A CN 202010320484A CN 111583294 B CN111583294 B CN 111583294B
- Authority
- CN
- China
- Prior art keywords
- target
- scale
- model
- filter
- 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.)
- 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
-
- 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]
-
- 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
- G06T2207/20081—Training; Learning
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
本发明属于计算机视觉技术领域,具体涉及一种结合尺度自适应与模型更新的目标跟踪方法,包括以下步骤:步骤一:根据当前帧目标状态,确定初步搜索区域;步骤二:训练尺度相关滤波器,估计目标尺度变化,从而准确调整搜索区域大小;步骤三:构建训练模型,得到置信响应图;进而依据响应图波动完成遮挡判定;步骤四:根据遮挡判定自适应地调整模型学习速率大小;步骤五:通过给定阈值进行相应的训练模型更新;本方法有效提高了典型跟踪器在尺度变化、遮挡干扰以及光照背景等复杂因素影响下的目标跟踪性能。
Description
技术领域
本发明属于计算机视觉技术领域,具体涉及一种结合尺度自适应与模型更新的目标跟踪方法。
背景技术
随着人工智能技术的发展以及控制理论的完善,计算机视觉逐渐成为研究热点,其在人们生活及军事领域中的地位日渐突出。目标跟踪利用视频序列之间的上下文信息,对目标外观信息进行描述,构建相应模型,从而预测并标定目标位置,其作为计算机视觉的重要组成部分之一,在人机交互、智能监控、医学诊断和体育科学等方面得以广泛应用。近年来,尽管目标跟踪技术在性能方面得到很大的提升,但是仍然面临光照变化、遮挡、变形、以及快速变化等一系列的挑战。
相关滤波作为回归判别类模型的典型方法,能够利用最小化误差模型和循环矩阵理论构建目标背景分类器,计算过程中巧妙地使用快速傅里叶变换来提升速度,后续跟踪中通过响应值大小预测目标位置。在最小误差平方和理论基础上提出的循环结构模型,利用循环移位操作采集候选样本集合,通过核函数将低维空间信息转化为高维空间信息,在一定程度上提高了模型鲁棒性。快速核关联滤波方法利用梯度直方图特征描述目标外观模型,同时,引进高斯核将特征空间映射到更高维的空间,加快运算速度。针对循环移位产生的边界效应问题,空间正则相关滤波方法通过加入空间正则惩罚项使得滤波器系数主要集中在中心区域,有效地解决边界效应问题。
背景感知相关滤波方法利用矩阵论思想,通过二值矩阵裁剪候选样本,可以充分利用图像的真实背景信息,提高模型训练数据多样性,并采用交替方向乘法器方法求解滤波器,能够适应目标的背景外观的变化和达到实时跟踪性能。支持相关滤波方法能有效增大正负样本之间的特征间隔,从而改善滤波器的分类效果。自适应空间加权相关滤波模型利用自适应空间约束机制,融合多层特征训练位置相关滤波器与尺度相关滤波器,可以有效提高目标定位精度。自适应上下文感知相关滤波方法利用响应图极值计算结果与阈值之间的比较值,实现分段调整学习率,有效的提高跟踪模型性能。结合学习率调整的自适应特征融合采用欧氏距离计算两帧图片之间的变化量,可以判定目标外观是否出现较大变化,进而调整更新系数的大小,能够有效提高模型性能。
现有典型相关滤波器方法在处理样本选择以及目标外观表示上取得了诸多成果,但是在对跟踪搜索区域以及模型学习率的自适应调整方法的研究方面还有待深入研究。因此,本方法针对目标尺度变化以及遮挡因素容易导致目标跟踪漂移的问题,引入尺度滤波器,依据响应图波动情况进行目标遮挡情况的判定,并制定学习速率调整准则与模型更新策略,最终设计提出一种结合尺度自适应与模型更新的目标跟踪方法。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种结合尺度自适应与模型更新的目标跟踪方法。本发明要解决的技术问题通过以下技术方案实现:
一种结合尺度自适应与模型更新的目标跟踪方法,包括以下步骤:
步骤一:根据当前帧目标状态,确定初步搜索区域;
步骤二:训练尺度相关滤波器,估计目标尺度变化,从而准确调整搜索区域大小;
步骤三:构建训练模型,得到置信响应图;进而依据响应图波动完成遮挡判定;
步骤四:根据遮挡判定自适应地调整模型学习速率大小;
步骤五:通过给定阈值进行相应的训练模型更新。
进一步的,所述步骤二具体为:利用方向梯度直方图特征训练尺度相关滤波器,以达到目标尺度估计;为获得最佳尺度相关滤波器,最小化目标函数
其中,d为特征维数,wscale为尺度相关滤波器,u为理想输出,fd表示第d维特征通道,λ为正则化系数,当前帧利用快速傅里叶变换求解,通过求解尺度相关滤波器响应值,以最大响应值确定目标尺度;假定第t帧目标尺度为st,尺度相关滤波模型得到当前帧对应目标尺度snew,计算目标尺度变化:
Δs=snew-st
若目标尺度相对缩小时,缩小相应搜索区域面积;若目标尺度相对扩大时,扩大相应搜索区域面积,依据下式变目标搜索区域比例大小
search_asnew=search_asold*(1+Δs)
其中,search_as为跟踪过程中目标的搜索区域比例;通过自适应调整搜索区域比例大小,从而有效调整目标搜索区域大小
其中,i,j表示矩阵大小,init_tsz表示初始目标大小,featureR表示细胞单元大小。
进一步的,所述步骤三具体为:背景感知相关滤波器通过密集采样的方法得到充分样本信息,同时利用掩码矩阵采集真正的负样本信息,该模型通过最小化目标函数学习多通道背景感知相关滤波器:
其中,y为期望输出的样本标签,xk表示候选样本第k个通道的特征图,[Δτ]为循环移位算子,hk表示滤波器的第k个通道,P为二值矩阵,其大小为D×T,T为样本特征图大小,D为样本中目标块特征图大小,λ为正则化参数。
利用快速傅里叶方法将运算由实域转换到频域:
其中,矩阵X表示由各通道样本的循环矩阵构成,大小T×KT,表示矩阵X的离散傅里叶变换操作,表示K×T维列向量,表示克罗内克积,Ik表示K阶单位矩阵;利用交替方向乘子算法完成优化求解,得到多通道相关滤波器hk。
进一步的,所述步骤四具体为:由Gapce量化滤波器输出的响应图整体波动情况,具体定义如下:
其中,max(y(i)),min(y(i)),y(i)分别表示响应图最大响应值、最小响应值和每一个位置的响应值;当最大响应值一定比例超过历史响应值的均值和Gapce值高于阈值时,表示响应图中位置具有高置信度,即满足下式:
Gapce>ζ
其中α1和ζ为经验值,随着目标受到不同程度的遮挡,Gapce持续动态变化,当遮挡程度越厉害,Gapce值越小,当其小于阈值ζ时,则学习速率处于最小值。
进一步的,步骤五具体为:响应图中位置具有高置信度时,则更新滤波器系数ε和目标模型F,其更新公式为:
与现有技术相比,本发明的有益效果:
本发明新给出的结合尺度自适应与模型更新的目标跟踪方法能够通过尺度滤波器有效估计目标尺度,借助平均峰相关能量准则有效的量化响应图波动程度,利用学习率改进准则与模型更新策略进一步提高模型跟踪性能,可以较为鲁棒的处理存在尺度变化、遮挡干扰、自身形变等复杂因素影响的目标跟踪情况。
附图说明
图1是本发明方法实现原理框图。
图2是不同情况下的响应图分布。
图3是不同方法对于典型视频序列中目标的部分时刻跟踪效果示意图。
图4是不同方法在典型测试序列集上的性能评价结果示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例1:
如图1所示,一种结合尺度自适应与模型更新的目标跟踪方法,包括以下步骤:
步骤一:根据当前帧目标状态,确定初步搜索区域;
步骤二:训练尺度相关滤波器,估计目标尺度变化,从而准确调整搜索区域大小;
步骤三:构建训练模型,得到置信响应图;进而依据响应图波动完成遮挡判定;
步骤四:根据遮挡判定自适应地调整模型学习速率大小;
步骤五:通过给定阈值进行相应的训练模型更新。
尺度估计滤波器的设计:
通过方向梯度直方图特征训练尺度相关滤波器,实现目标的尺度估计,检测跟踪过程中目标的尺度变化,依据目标的尺度变化合理地限制搜索区域面积,旨在提高目标跟踪精度。
训练性能优异的相关滤波器,目标表观特征描述具有至关重要的影响,本方法采用方向梯度直方图完成特征提取,能够准确的描述局部形状的边缘和梯度特征。首先以目标为中心,选取多尺度密集采样(实验中采用5个尺度),为便于计算采用双线性插值法将候选样本变换为原目标大小,然后将图像分成细胞单元,计算各细胞单元的梯度方向直方图,通过归一化方法将各细胞单元组成方向梯度直方图特征向量,有效表示目标的外观变化。
利用方向梯度直方图特征训练尺度相关滤波器,以达到目标尺度估计。为获得最佳尺度相关滤波器,最小化目标函数:
其中,d为特征维数,wscale为尺度相关滤波器,u为理想输出,fd表示第d维特征通道,λ为正则化系数,当前帧利用快速傅里叶变换求解,通过求解尺度相关滤波器响应值,以最大响应值确定目标尺度。假定第t帧目标尺度为st,尺度相关滤波模型得到当前帧对应目标尺度snew,计算目标尺度变化:
Δs=snew-st
若目标尺度相对缩小时,缩小相应搜索区域面积,抑制大量背景信息引入跟踪器,防止跟踪漂移或失败现象的发生;相反,扩大相应搜索区域面积,防止目标局部信息的丢失,提高目标跟踪器的性能。依据下式改变目标搜索区域比例大小:
search_asnew=search_asold*(1+Δs)
其中,search_as为跟踪过程中目标的搜索区域比例。通过自适应调整搜索区域比例大小,从而有效调整目标搜索区域大小:
其中,i,j表示矩阵大小,init_tsz表示初始目标大小,featureR表示细胞单元大小。
模型构建:
背景感知相关滤波器通过密集采样的方法得到充分样本信息,同时利用掩码矩阵采集真正的负样本信息,该模型通过最小化目标函数学习多通道背景感知相关滤波器:
其中,y为期望输出的样本标签,xk表示候选样本第k个通道的特征图,[Δτ]为循环移位算子,hk表示滤波器的第k个通道,P为二值矩阵,其大小为D×T,T为样本特征图大小,D为样本中目标块特征图大小,λ为正则化参数。
利用快速傅里叶方法将运算由实域转换到频域:
其中,矩阵X表示由各通道样本的循环矩阵构成,大小T×KT,表示矩阵X的离散傅里叶变换操作,表示K×T维列向量,表示克罗内克积,Ik表示K阶单位矩阵。利用交替方向乘子算法完成优化求解,得到多通道相关滤波器hk。
自适应学习率的设计:
典型的相关滤波模型在目标跟踪过程中,更新系数常为经验值常量,当目标处于遮挡情况或者产生跟踪漂移现象时,以等同大小的学习率学习目标模型,容易使得目标模型学习更多错误的目标表观信息,导致跟踪器无法准确跟踪目标。为保证跟踪器性能,本发明设计一种简单的学习速率更新策略,自适应调整学习速率。
相关滤波器响应图的分布情况能够有效反映出目标受遮挡影响情况,可以由Gapce量化响应图整体波动情况,具体定义如下:
其中,max(y(i)),min(y(i)),y(i)分别表示响应图最大响应值、最小响应值和每一个位置的响应值。
如图2所示,当目标处于简单背景下,滤波器输出的响应图如图(a)所示Gapce为108.739,响应值较大且为单峰,近似于理想情况下二维高斯函数分布,且最大响应值处于较高位置;当目标发生部分遮挡时如图(b)所示Gapce为20.364,响应图输出为多峰状态,最大响应值相对减小,最大峰值位置可能不是目标位置,以最大响应值确定目标位置则影响跟踪器性能。响应图波动程度量化过程中,最大响应值至关重要,在目标遮挡情况下,最大响应值会显著减小。本发明通过最大响应值与Gapce两个指标从局部与整体的角度相结合判定响应图的波动情况,当最大响应值一定比例超过历史响应值的均值和Gapce值高于阈值时,表示响应图中位置具有高置信度,即满足公式如下:
Gapce>ζ
其中α1和ζ为经验值,随着目标受到不同程度的遮挡,Gapce持续动态变化,当遮挡程度越厉害,Gapce值越小,当其小于阈值ζ时,则学习速率处于最小值,以防学习更多复杂背景信息,影响模型跟踪性能。
本发明采取不同的学习速率进行实验,学习速率较大时,目标易受到复杂环境的干扰,更新过程中累积大量错误信息,导致跟踪误差;较小的学习速率,目标外观变化较小时,跟踪效果优异,但是面对目标外观快速变化时,跟踪效果不佳,实验过程中学习速率在0.013到0.0165之间的学习速率表现效果相对较好。因此,响应图中位置具有高置信度时,则在0.013到0.0165之间自适应调整学习速率,否则以固定学习速率0.006进行模型更新
其中,a,b为经验值;实验过程中,设置a为0.1,b为0.083。
模型更新策略:
在线跟踪过程中,为提高跟踪器性能,有效处理目标表观特征动态变化所造成的跟踪漂移问题,需要适时更新模型。本发明通过对响应图波动情况的判定以及最大响应的比较,设计高效的模型更新算法。响应图中位置具有高置信度时,则更新滤波器系数ε和目标模型F,使得跟踪算法能够更加有效的适应目标外界环境变化。其更新公式为:
实施例2:
本方法的实现平台:CPU为Intel core(TM)i5-6500U,主频为3.2GHz,内存为8GB,操作系统为64位,在Matlab2017b软件上进行编程实现。
在实验验证阶段,选择典型的OTB100数据集进行测试,依据中心位置误差准则和边界框重叠率两大准则评价各跟踪方法性能,为验证本设计方法的有效性,选取4种滤波类跟踪方法进行对比分析,包括核相关滤波(Kernelized Correlation Filter,KCF)、判别性尺度空间跟踪(Discriminative Scale Space Tracking,DSST),背景感知相关滤波(Background-Aware Correlation Filters,BACF),尺度自适应多核相关滤波(ScaleAdaptive Multiple Kernel Correlation Filter Tracker,SAMF)。
参数设置情况:细胞单元大小为4×4个像素,HOG特征图通道数为31,学习速率初始值η为0.0165,α1为0.6,响应图震动情况Gapce阈值ζ为60,初始化search_as为5,交替方向乘子算子迭代次数为2,正则化参数λ为10-4。
定性评价:
为了更加直观的描述不同方法的跟踪性能,选取并给出明显受尺度变化、遮挡干扰和形变等因素影响的Girl2等8个测试序列依据不同跟踪方法得到的部分时刻跟踪效果,具体如图3所示。
从图3中(a)和(b)可以看出,Girl2测试序列中目标受到不同程度的遮挡,KCF和DSST方法发生明显的跟踪误差,SAMF方法扩展多个特征,并且与本发明方法OUR判定响应图震动情况,有效调整滤波系数,跟踪误差相对较小。Bird2测试序列中目标受到变形和外面旋转等因素的影响,本发明方法有效估计目标尺度变化跟踪误差相对较小。
从图3中(c)和(d)可以看出,Coke测试序列中目标受平面内旋转干扰情况显著并且目标受到自身旋转和遮挡等因素的影响,当目标受到不同程度的遮挡因素,KCF方法产生较为明显的跟踪误差,但是本发明方法有效判定遮挡情况调整滤波参数,跟踪性能较优。Tiger2测试序列中目标受到遮挡、尺度变化等因素的影响,DSST方法有效估计目标尺度变化,本发明方法判断目标遮挡情况,调整滤波参数,两者都可以一定程度上改善跟踪效果。
从图3中(e)和(f)可以看出,Basketball测试序列中目标受到相似背景、外面旋转等因素的影响,当目标受到相似背景以及严重遮挡因素的影响,各方法产生较小的跟踪误差,本发明方法和DSST方法有效估计目标尺度变化,跟踪误差相对更小。Biker测试序列中目标受到尺度变化因素的影响,本发明方法与DSST方法由于有效估计目标尺度变化,具有较大的重叠率,产生较小的跟踪误差。
从图3中(g)和(h)可以看出,BlurBody测试序列中目标受到运动模糊因素的影响,本发明方法通过对响应图震动情况的判定,有效处理运动模糊因素所造成的跟踪漂移问题。当目标发生运动模糊,尺度变化以及遮挡因素的影响,本发明方法与SAMF方法有效估计目标尺度变化,能相对较好地实现稳定跟踪。CarScale测试序列跟踪过程中发生明显的尺度变化,在第160帧时各方法产生较为明显的跟踪误差,本发明方法与SAMF方法有效估计目标变化,跟踪过程中跟踪误差较小。
定量分析:
为了验证本发明设计方法的跟踪性能,采用典型的跟踪性能评估方法(One-PassEvaluation,OPE)完成定量评价,针对不同方法数据集上各测试序列的跟踪结果绘制精确率和成功率曲线,具体如图4所示。在图4中,依据准确率图中给出的阈值为20像素时各方法的整体准确率值,以及成功率图中给出的阈值为0.6时的各方法的整体成功率值,可以看出,本发明方法的跟踪准确度高于背景感知相关滤波器10%,跟踪成功率上高于背景感知相关滤波器6.2%,所设计的新方法的整体跟踪性能具有明显优势。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (3)
1.一种结合尺度自适应与模型更新的目标跟踪方法,其特征在于:包括以下步骤:
步骤一:根据当前帧目标状态,确定初步搜索区域;
步骤二:训练尺度相关滤波器,估计目标尺度变化,从而准确调整搜索区域大小;
步骤三:构建训练模型,得到置信响应图;进而依据响应图波动完成遮挡判定;
步骤四:根据遮挡判定自适应地调整模型学习速率大小;
步骤五:通过给定阈值进行相应的训练模型更新;
所述步骤二具体为:利用方向梯度直方图特征训练尺度相关滤波器,以达到目标尺度估计;为获得最佳尺度相关滤波器,最小化目标函数
其中,d为特征维数,wscale为尺度相关滤波器,u为理想输出,fd表示第d维特征通道,λ为正则化系数,当前帧利用快速傅里叶变换求解,通过求解尺度相关滤波器响应值,以最大响应值确定目标尺度;假定第t帧目标尺度为st,尺度相关滤波模型得到当前帧对应目标尺度snew,计算目标尺度变化:
Δs=snew-st
若目标尺度相对缩小时,缩小相应搜索区域面积;若目标尺度相对扩大时,扩大相应搜索区域面积,依据下式改变目标搜索区域比例大小
search_asnew=search_asold*(1+Δs)
其中,search_as为跟踪过程中目标的搜索区域比例;通过自适应调整搜索区域比例大小,从而有效调整目标搜索区域大小
其中,i,j表示矩阵大小,init_tsz表示初始目标大小,featureR表示细胞单元大小;
所述步骤三具体为:背景感知相关滤波器通过密集采样的方法得到充分样本信息,同时利用掩码矩阵采集真正的负样本信息,该模型通过最小化目标函数学习多通道背景感知相关滤波器:
其中,y为期望输出的样本标签,xk表示候选样本第k个通道的特征图,[Δτ]为循环移位算子,hk表示滤波器的第k个通道,P为二值矩阵,其大小为D×T,T为样本特征图大小,D为样本中目标块特征图大小,λ为正则化参数;
利用快速傅里叶方法将运算由实域转换到频域:
其中,矩阵X表示由各通道样本的循环矩阵构成,大小T×KT,表示矩阵X的离散傅里叶变换操作,表示K×T维列向量,表示克罗内克积,Ik表示K阶单位矩阵;利用交替方向乘子算法完成优化求解,得到多通道相关滤波器hk。
2.根据权利要求1所述的一种结合尺度自适应与模型更新的目标跟踪方法,其特征在于:所述步骤四具体为:由Gapce量化滤波器输出的响应图整体波动情况,具体定义如下:
其中,max(y(i)),min(y(i)),y(i)分别表示响应图最大响应值、最小响应值和每一个位置的响应值;当最大响应值一定比例超过历史响应值的均值和Gapce值高于阈值时,表示响应图中位置具有高置信度,即满足下式:
Gapce>ζ
其中α1和ζ为经验值,随着目标受到不同程度的遮挡,Gapce持续动态变化,当遮挡程度越厉害,Gapce值越小,当其小于阈值ζ时,则学习速率处于最小值。
3.根据权利要求1所述的一种结合尺度自适应与模型更新的目标跟踪方法,其特征在于:所述步骤五具体为:响应图中位置具有高置信度时,则更新滤波器系数ε和目标模型F,其更新公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320484.3A CN111583294B (zh) | 2020-04-22 | 2020-04-22 | 一种结合尺度自适应与模型更新的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320484.3A CN111583294B (zh) | 2020-04-22 | 2020-04-22 | 一种结合尺度自适应与模型更新的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583294A CN111583294A (zh) | 2020-08-25 |
CN111583294B true CN111583294B (zh) | 2023-05-12 |
Family
ID=72113727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010320484.3A Active CN111583294B (zh) | 2020-04-22 | 2020-04-22 | 一种结合尺度自适应与模型更新的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583294B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037272B (zh) * | 2020-08-30 | 2023-11-17 | 哈尔滨工程大学 | 一种基于相关滤波的快速区域搜索的目标跟踪方法 |
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 |
CN113160271B (zh) * | 2021-03-15 | 2023-10-31 | 华侨大学 | 一种融合相关滤波和粒子滤波的高精度红外目标跟踪方法 |
CN114663977A (zh) * | 2022-03-24 | 2022-06-24 | 龙港市添誉信息科技有限公司 | 长时间跨度视频图像行人监测精准追踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016131300A1 (zh) * | 2015-07-22 | 2016-08-25 | 中兴通讯股份有限公司 | 一种自适应跨摄像机多目标跟踪方法及系统 |
CN109685073A (zh) * | 2018-12-28 | 2019-04-26 | 南京工程学院 | 一种基于核相关滤波的尺度自适应目标跟踪算法 |
CN110569723A (zh) * | 2019-08-02 | 2019-12-13 | 西安工业大学 | 一种结合特征融合与模型更新的目标跟踪方法 |
-
2020
- 2020-04-22 CN CN202010320484.3A patent/CN111583294B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016131300A1 (zh) * | 2015-07-22 | 2016-08-25 | 中兴通讯股份有限公司 | 一种自适应跨摄像机多目标跟踪方法及系统 |
CN109685073A (zh) * | 2018-12-28 | 2019-04-26 | 南京工程学院 | 一种基于核相关滤波的尺度自适应目标跟踪算法 |
CN110569723A (zh) * | 2019-08-02 | 2019-12-13 | 西安工业大学 | 一种结合特征融合与模型更新的目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
赵乾臣 ; 金忠 ; .基于核相关滤波器和多检测器的尺度自适应视觉跟踪.计算机与数字工程.2018,(07),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111583294A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583294B (zh) | 一种结合尺度自适应与模型更新的目标跟踪方法 | |
Yuan et al. | Robust visual tracking with correlation filters and metric learning | |
CN109389608B (zh) | 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法 | |
Yuan et al. | Particle filter re-detection for visual tracking via correlation filters | |
CN110569723A (zh) | 一种结合特征融合与模型更新的目标跟踪方法 | |
CN109859241B (zh) | 自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法 | |
CN112836639A (zh) | 基于改进YOLOv3模型的行人多目标跟踪视频识别方法 | |
CN110120065B (zh) | 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 | |
CN111582349B (zh) | 一种基于YOLOv3和核相关滤波改进的目标跟踪算法 | |
CN112651998B (zh) | 基于注意力机制和双流多域卷积神经网络的人体跟踪算法 | |
CN113327272B (zh) | 一种基于相关滤波的鲁棒性长时跟踪方法 | |
CN112052802B (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
CN110889865B (zh) | 一种基于局部加权稀疏特征选择的视频目标跟踪方法 | |
CN112785622B (zh) | 一种水面无人船长时跟踪方法、装置及存储介质 | |
CN111340842B (zh) | 一种基于联合模型的相关滤波目标跟踪方法 | |
CN110992401A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN115239760B (zh) | 一种目标跟踪方法、系统、设备及存储介质 | |
CN113344973A (zh) | 一种基于时空正则化和特征可靠性评估的目标跟踪方法 | |
CN107657627B (zh) | 基于人脑记忆机制的时空上下文目标跟踪方法 | |
Sun et al. | Adaptive kernel correlation filter tracking algorithm in complex scenes | |
Zhang et al. | Residual memory inference network for regression tracking with weighted gradient harmonized loss | |
CN111105436B (zh) | 目标跟踪方法、计算机设备及存储介质 | |
CN113538509B (zh) | 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 | |
CN115984325A (zh) | 一种靶向寻量时空正则化的目标跟踪方法 | |
CN114155279A (zh) | 一种基于多特征博弈的视觉目标跟踪方法 |
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 |