CN111612809B - 一种结合时空正则化约束的视觉跟踪定位方法 - Google Patents

一种结合时空正则化约束的视觉跟踪定位方法 Download PDF

Info

Publication number
CN111612809B
CN111612809B CN202010466649.8A CN202010466649A CN111612809B CN 111612809 B CN111612809 B CN 111612809B CN 202010466649 A CN202010466649 A CN 202010466649A CN 111612809 B CN111612809 B CN 111612809B
Authority
CN
China
Prior art keywords
representing
function
regularization
visual tracking
tracking
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
CN202010466649.8A
Other languages
English (en)
Other versions
CN111612809A (zh
Inventor
柳培忠
柳垚
庄加福
陈智
杜永兆
邓建华
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.)
Quanzhou Zhongfang Hongye Information Technology Co ltd
Huaqiao University
Original Assignee
Quanzhou Zhongfang Hongye Information Technology Co ltd
Huaqiao 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 Quanzhou Zhongfang Hongye Information Technology Co ltd, Huaqiao University filed Critical Quanzhou Zhongfang Hongye Information Technology Co ltd
Priority to CN202010466649.8A priority Critical patent/CN111612809B/zh
Publication of CN111612809A publication Critical patent/CN111612809A/zh
Application granted granted Critical
Publication of CN111612809B publication Critical patent/CN111612809B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了视觉跟踪领域的一种结合时空正则化约束的视觉跟踪定位方法，包括如下步骤：步骤S10、对参数进行初始化；步骤S20、基于初始化的所述参数，利用脊回归项、时空正则化模块以及约束模块建立跟踪框的目标函数；步骤S30、将所述目标函数矩阵化；步骤S40、将矩阵化的所述目标函数转为频域函数；步骤S50、将所述频域函数最小化以求取最优解；步骤S60、利用所述最优解更新拉格朗日参数；步骤S70、基于更新的所述拉格朗日参数更新跟踪框的目标函数进行视觉跟踪。本发明的优点在于：极大的提升了视觉跟踪的准确性以及有效性。

Description

一种结合时空正则化约束的视觉跟踪定位方法
技术领域
本发明涉及视觉跟踪领域，特别指一种结合时空正则化约束的视觉跟踪定位方法。
背景技术
视觉跟踪是计算机视觉领域一个基本研究问题，并且在视频监控、无人驾驶、人机交互以及军事制导等领域中有广泛的运用。尽管近十几年来得到较好的发展，并且大量经典优秀的算法相继被提出，但其仍然是一个极具挑战的问题，存在着许多外界因素的干扰，例如光照变化、快速运动、遮挡和形变等。如何实现更加准确地跟踪，以及更好适应各种复杂场景的挑战是目前视觉跟踪领域研究的重要课题。
一方面，目前单一特征视觉跟踪算法不能够较好地适应复杂场景的挑战，目标会经历复杂的外观变化，如背景杂波，光照变化和变形等影响而引起跟踪框发生漂移，进而导致跟踪失败；另一方面，在跟踪过程中当目标遇到复杂场景变化后，在此期间将会产生一些错误的跟踪信息，这些信息将会被引入至模型更新过程中，在模型更新时将会被传递至下一帧中，长期积累将会引起模型质量变差，最终导致跟踪失败。
因此，如何提供一种结合时空正则化约束的视觉跟踪定位方法，实现提升视觉跟踪的准确性以及有效性，成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题，在于提供一种结合时空正则化约束的视觉跟踪定位方法，实现提升视觉跟踪的准确性以及有效性。
本发明是这样实现的：一种结合时空正则化约束的视觉跟踪定位方法，包括如下步骤：
步骤S10、对参数进行初始化；
步骤S20、基于初始化的所述参数，利用脊回归项、时空正则化模块以及约束模块建立跟踪框的目标函数；
步骤S30、将所述目标函数矩阵化；
步骤S40、将矩阵化的所述目标函数转为频域函数；
步骤S50、将所述频域函数最小化以求取最优解；
步骤S60、利用所述最优解更新拉格朗日参数；
步骤S70、基于更新的所述拉格朗日参数更新跟踪框的目标函数进行视觉跟踪。
进一步地，所述步骤S10具体为：
对目标边界区域、滤波器正则化权重、空间相关算子*以及响应阈值y进行初始化，并采用M×N的网格单元表示目标的大小，且与跟踪框的大小成比例；其中M与N均为正整数。
进一步地，所述步骤S20中，所述目标函数具体为：
Figure BDA0002512860470000021
其中
Figure BDA0002512860470000022
表示脊回归项，具有D特征通道的矢量化样本x乘以训练样本X＝[x1,x2,...,xD],X∈RN(d＝1,2,...,D)与相关滤波器X∈RN，M＜＜N；其中表示y期望响应，*表示空间相关算子；
其中
Figure BDA0002512860470000023
表示时空正则化模块，即时空正则化权重矩阵w和相关滤波器ht进行点向乘法运算操作，⊙表示Hadamard乘积，λ1、λ2和γ表示正则化权重因子，ht和ht-1分别表示在t-th和(t-1)-th帧中使用的CFs；
其中
Figure BDA0002512860470000024
表示约束模块；P∈RM×N是一个二元裁剪矩阵，它产生信号xd中的D元素；
Figure BDA0002512860470000025
表示响应映射的移位操作。
进一步地，所述步骤S30具体为：
将所述目标函数转换为矩阵形式：
Figure BDA0002512860470000031
进一步地，所述步骤S40具体为：
通过最小化损失函数将矩阵化的所述目标函数转为频域函数：
Figure BDA0002512860470000032
Figure BDA0002512860470000033
其中
Figure BDA0002512860470000034
表示辅助变量；∧表示给对应参数执行离散傅里叶变换；F是正交T×T,用于将任何T维矢量信号映射到傅里叶域的复基向量矩阵；
Figure BDA0002512860470000035
表示(k-1)帧中移位信号的离散傅里叶变换；ID表示一个D×D恒等矩阵；
Figure BDA0002512860470000036
表示Kronecker乘积。
进一步地，所述步骤S50具体包括：
步骤S51、将所述频域函转为增广拉格朗日方程：
Figure BDA0002512860470000037
其中μ表示惩罚因子；
Figure BDA0002512860470000038
表示傅里叶域中的拉格朗日向量，作为DT×1的辅助变量；
步骤S52、应用ADMM技术交替求取最优解h* t和
Figure BDA0002512860470000039
Figure BDA00025128604700000310
Figure BDA0002512860470000041
Figure BDA0002512860470000042
步骤S53、将
Figure BDA0002512860470000043
分解为M个子问题：
Figure BDA0002512860470000044
其中
Figure BDA0002512860470000045
步骤S54、求各
Figure BDA0002512860470000046
的解：
Figure BDA0002512860470000047
通过谢尔曼-莫里森公式提升计算效率：
Figure BDA0002512860470000048
令
Figure BDA0002512860470000049
则将
Figure BDA00025128604700000410
的公式改写为：
Figure BDA00025128604700000411
其中
Figure BDA00025128604700000412
Figure BDA00025128604700000413
进一步地，所述步骤S60具体为：
利用所述最优解更新拉格朗日参数：
Figure BDA00025128604700000414
其中
Figure BDA0002512860470000051
和
Figure BDA0002512860470000052
表示两个子问题在(i+1)-th迭代中的解，
Figure BDA0002512860470000053
进一步地，所述步骤S70中，所述基于更新的所述拉格朗日参数更新跟踪框的目标函数具体为：
Figure BDA0002512860470000054
其中m和m-1分别表示mth和(m-1)th的目标函数，η表示在线学习因子。
本发明的优点在于：
通过利用脊回归项、时空正则化模块以及约束模块建立跟踪框的目标函数，并将所述目标函数矩阵化后转为频域函数，进而最小化以求取最优解，并利用所述最优解更新拉格朗日参数，进而更新跟踪框的目标函数，可以更好的解决边界效应，提高对复杂外观变化的适应性，获得对外不断变化的鲁棒性，极大的提升了视觉跟踪的准确性以及有效性。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种结合时空正则化约束的视觉跟踪定位方法的流程图。
具体实施方式
请参照图1所示，本发明一种结合时空正则化约束的视觉跟踪定位方法的较佳实施例，包括如下步骤：
步骤S10、对参数进行初始化；
步骤S20、基于初始化的所述参数，利用脊回归项、时空正则化模块以及约束模块建立跟踪框的目标函数；
步骤S30、将所述目标函数矩阵化；
步骤S40、将矩阵化的所述目标函数转为频域函数；
步骤S50、将所述频域函数最小化以求取最优解；
步骤S60、利用所述最优解更新拉格朗日参数；
步骤S70、基于更新的所述拉格朗日参数更新跟踪框的目标函数进行视觉跟踪。
所述步骤S10具体为：
对目标边界区域、滤波器正则化权重、空间相关算子*以及响应阈值y进行初始化，并采用M×N的网格单元表示目标的大小，且与跟踪框的大小成比例；其中M与N均为正整数。
所述步骤S20中，所述目标函数具体为：
Figure BDA0002512860470000061
其中
Figure BDA0002512860470000062
表示脊回归项，具有D特征通道的矢量化样本x乘以训练样本X＝[x1,x2,...,xD],X∈RN(d＝1,2,...,D)与相关滤波器X∈RN，M＜＜N；其中表示y期望响应，*表示空间相关算子；
其中
Figure BDA0002512860470000063
表示时空正则化模块，即时空正则化权重矩阵w和相关滤波器ht进行点向乘法运算操作，⊙表示Hadamard乘积，λ1、λ2和γ表示正则化权重因子，ht和ht-1分别表示在t-th和(t-1)-th帧中使用的CFs；
其中
Figure BDA0002512860470000064
表示约束模块；P∈RM×N是一个二元裁剪矩阵，它产生信号xd中的D元素；
Figure BDA0002512860470000065
表示响应映射的移位操作。
所述步骤S30具体为：
将所述目标函数转换为矩阵形式：
Figure BDA0002512860470000066
所述步骤S40具体为：
通过最小化损失函数将矩阵化的所述目标函数转为频域函数：
Figure BDA0002512860470000067
Figure BDA0002512860470000071
其中
Figure BDA0002512860470000072
表示辅助变量；∧表示给对应参数执行离散傅里叶变换，例如
Figure BDA0002512860470000073
F是正交T×T,用于将任何T维矢量信号映射到傅里叶域的复基向量矩阵；
Figure BDA0002512860470000074
表示(k-1)帧中移位信号的离散傅里叶变换；ID表示一个D×D恒等矩阵；
Figure BDA00025128604700000715
表示Kronecker乘积。
所述步骤S50具体包括：
步骤S51、将所述频域函转为增广拉格朗日方程：
Figure BDA0002512860470000075
其中μ表示惩罚因子；
Figure BDA0002512860470000076
表示傅里叶域中的拉格朗日向量，作为DT×1的辅助变量；
步骤S52、直接求解
Figure BDA0002512860470000077
的计算复杂度为O(T4D4)，需要一个耗时的计算过程,因此需要利用ADMM技术计算每一个迭代率，
Figure BDA0002512860470000078
具有稀疏特性，可在一定程度上简化计算复杂度。每个元素
Figure BDA0002512860470000079
只取决于
Figure BDA00025128604700000710
和
Figure BDA00025128604700000711
conj()表示。
应用ADMM技术交替求取最优解h* t和
Figure BDA00025128604700000712
Figure BDA00025128604700000713
Figure BDA00025128604700000714
Figure BDA0002512860470000081
步骤S53、将
Figure BDA0002512860470000082
分解为M个子问题：
Figure BDA0002512860470000083
其中
Figure BDA0002512860470000084
可以有效地估计
Figure BDA0002512860470000085
的每个子问题；
步骤S54、求各
Figure BDA0002512860470000086
的解：
Figure BDA0002512860470000087
由于包含反演操作，增加了总体目标方程的计算负担，因此通过谢尔曼-莫里森公式提升计算效率：
Figure BDA0002512860470000088
令
Figure BDA0002512860470000089
则将
Figure BDA00025128604700000810
的公式改写为：
Figure BDA00025128604700000811
其中
Figure BDA00025128604700000812
Figure BDA00025128604700000813
计算复杂度为O(TD)。
所述步骤S60具体为：
利用所述最优解更新拉格朗日参数：
Figure BDA00025128604700000814
其中
Figure BDA00025128604700000815
和
Figure BDA00025128604700000816
表示两个子问题在(i+1)-th迭代中的解，
Figure BDA0002512860470000091
所述步骤S70中，所述基于更新的所述拉格朗日参数更新跟踪框的目标函数具体为：
Figure BDA0002512860470000092
其中m和m-1分别表示mth和(m-1)th的目标函数，η表示在线学习因子。
综上所述，本发明的优点在于：
通过利用脊回归项、时空正则化模块以及约束模块建立跟踪框的目标函数，并将所述目标函数矩阵化后转为频域函数，进而最小化以求取最优解，并利用所述最优解更新拉格朗日参数，进而更新跟踪框的目标函数，可以更好的解决边界效应，提高对复杂外观变化的适应性，获得对外不断变化的鲁棒性，极大的提升了视觉跟踪的准确性以及有效性。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (7)

1.一种结合时空正则化约束的视觉跟踪定位方法，其特征在于：包括如下步骤：
步骤S10、对参数进行初始化；
步骤S20、基于初始化的所述参数，利用脊回归项、时空正则化模块以及约束模块建立跟踪框的目标函数；
步骤S30、将所述目标函数矩阵化；
步骤S40、将矩阵化的所述目标函数转为频域函数；
步骤S50、将所述频域函数最小化以求取最优解；
步骤S60、利用所述最优解更新拉格朗日参数；
步骤S70、基于更新的所述拉格朗日参数更新跟踪框的目标函数进行视觉跟踪；
所述步骤S20中，所述目标函数具体为：
Figure FDA0003986051950000011
其中
Figure FDA0003986051950000012
表示脊回归项，具有D特征通道的矢量化样本x乘以训练样本X＝[x1,x2,...,xD],X∈RN(d＝1,2,...,D)与相关滤波器X∈RN，M＜＜N；其中y表示期望响应，*表示空间相关算子；
其中
Figure FDA0003986051950000013
表示时空正则化模块，即时空正则化权重矩阵w和相关滤波器ht进行点向乘法运算操作，⊙表示Hadamard乘积，λ1、λ2和γ表示正则化权重因子，ht和ht-1分别表示在t-th和(t-1)-th帧中使用的CFs；
其中
Figure FDA0003986051950000014
表示约束模块；P∈RM×N是一个二元裁剪矩阵，它产生信号xd中的D元素；
Figure FDA0003986051950000015
表示响应映射的移位操作。
2.如权利要求1所述的一种结合时空正则化约束的视觉跟踪定位方法，其特征在于：所述步骤S10具体为：
对目标边界区域、滤波器正则化权重、空间相关算子*以及响应阈值y进行初始化，并采用M×N的网格单元表示目标的大小，且与跟踪框的大小成比例；其中M与N均为正整数。
3.如权利要求1所述的一种结合时空正则化约束的视觉跟踪定位方法，其特征在于：所述步骤S30具体为：
将所述目标函数转换为矩阵形式：
Figure FDA0003986051950000021
4.如权利要求3所述的一种结合时空正则化约束的视觉跟踪定位方法，其特征在于：所述步骤S40具体为：
通过最小化损失函数将矩阵化的所述目标函数转为频域函数：
Figure FDA0003986051950000022
Figure FDA0003986051950000023
其中
Figure FDA0003986051950000024
表示辅助变量；∧表示给对应参数执行离散傅里叶变换；F是正交T×T,用于将任何T维矢量信号映射到傅里叶域的复基向量矩阵；
Figure FDA0003986051950000025
表示(k-1)帧中移位信号的离散傅里叶变换；ID表示一个D×D恒等矩阵；
Figure FDA0003986051950000026
表示Kronecker乘积。
5.如权利要求4所述的一种结合时空正则化约束的视觉跟踪定位方法，其特征在于：所述步骤S50具体包括：
步骤S51、将所述频域函转为增广拉格朗日方程：
Figure FDA0003986051950000027
其中μ表示惩罚因子；
Figure FDA0003986051950000028
表示傅里叶域中的拉格朗日向量，作为DT×1的辅助变量；
步骤S52、应用ADMM技术交替求取最优解h* t和
Figure FDA0003986051950000031
Figure FDA0003986051950000032
Figure FDA0003986051950000033
Figure FDA0003986051950000034
步骤S53、将
Figure FDA0003986051950000035
分解为M个子问题：
Figure FDA0003986051950000036
其中
Figure FDA0003986051950000037
步骤S54、求各
Figure FDA0003986051950000038
的解：
Figure FDA0003986051950000039
通过谢尔曼-莫里森公式提升计算效率：
Figure FDA00039860519500000310
令
Figure FDA00039860519500000311
则将
Figure FDA00039860519500000312
的公式改写为：
Figure FDA0003986051950000041
其中
Figure FDA0003986051950000042
Figure FDA0003986051950000043
6.如权利要求5所述的一种结合时空正则化约束的视觉跟踪定位方法，其特征在于：所述步骤S60具体为：
利用所述最优解更新拉格朗日参数：
Figure FDA0003986051950000044
其中
Figure FDA0003986051950000045
和
Figure FDA0003986051950000046
表示两个子问题在(i+1)-th迭代中的解，
Figure FDA0003986051950000047
7.如权利要求6所述的一种结合时空正则化约束的视觉跟踪定位方法，其特征在于：所述步骤S70中，所述基于更新的所述拉格朗日参数更新跟踪框的目标函数具体为：
Figure FDA0003986051950000048
其中m和m-1分别表示mth和(m-1)th的目标函数，η表示在线学习因子。
CN202010466649.8A 2020-05-28 2020-05-28 一种结合时空正则化约束的视觉跟踪定位方法 Active CN111612809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010466649.8A CN111612809B (zh) 2020-05-28 2020-05-28 一种结合时空正则化约束的视觉跟踪定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010466649.8A CN111612809B (zh) 2020-05-28 2020-05-28 一种结合时空正则化约束的视觉跟踪定位方法

Publications (2)

Publication Number Publication Date
CN111612809A CN111612809A (zh) 2020-09-01
CN111612809B true CN111612809B (zh) 2023-04-07

Family

ID=72200059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010466649.8A Active CN111612809B (zh) 2020-05-28 2020-05-28 一种结合时空正则化约束的视觉跟踪定位方法

Country Status (1)

Country Link
CN (1) CN111612809B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146911A (zh) * 2018-07-23 2019-01-04 北京航空航天大学 一种目标跟踪的方法及装置
CN110490907A (zh) * 2019-08-21 2019-11-22 上海无线电设备研究所 基于多目标特征和改进相关滤波器的运动目标跟踪方法
WO2019228196A1 (zh) * 2018-05-30 2019-12-05 深圳岚锋创视网络科技有限公司 一种全景视频的目标跟踪方法和全景相机
CN111080675A (zh) * 2019-12-20 2020-04-28 电子科技大学 一种基于时空约束相关滤波的目标跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019228196A1 (zh) * 2018-05-30 2019-12-05 深圳岚锋创视网络科技有限公司 一种全景视频的目标跟踪方法和全景相机
CN109146911A (zh) * 2018-07-23 2019-01-04 北京航空航天大学 一种目标跟踪的方法及装置
CN110490907A (zh) * 2019-08-21 2019-11-22 上海无线电设备研究所 基于多目标特征和改进相关滤波器的运动目标跟踪方法
CN111080675A (zh) * 2019-12-20 2020-04-28 电子科技大学 一种基于时空约束相关滤波的目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
学习时空一致性相关滤波的视觉跟踪;朱建章等;《中国科学:信息科学》;20200120(第01期);全文 *

Also Published As

Publication number Publication date
CN111612809A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111652899B (zh) 一种时空部件图的视频目标分割方法
US11274922B2 (en) Method and apparatus for binocular ranging
Habibi Two-dimensional Bayesian estimate of images
EP2378485B1 (en) Moving object detection method and moving object detection apparatus
CN110443266B (zh) 对象预测方法及装置、电子设备和存储介质
CN112434655B (zh) 一种基于自适应置信度图卷积网络的步态识别方法
EP2352128B1 (en) Mobile body detection method and mobile body detection apparatus
CN112464807A (zh) 视频动作识别方法、装置、电子设备和存储介质
KR20210011322A (ko) 시간적 주의에 기초한 비디오 깊이 추정
CN111028282A (zh) 一种无监督位姿与深度计算方法及系统
WO2020088766A1 (en) Methods for optical flow estimation
CN104408742A (zh) 一种基于空间-时间频谱联合分析的运动目标检测方法
CN111612809B (zh) 一种结合时空正则化约束的视觉跟踪定位方法
CN111402303A (zh) 一种基于kfstrcf的目标跟踪架构
CN116563355A (zh) 一种基于时空交互注意力机制的目标跟踪方法
CN115359563A (zh) 多人行为识别方法、装置、计算机设备及存储介质
CN114898467A (zh) 人体运动动作识别方法、系统及存储介质
CN114240999A (zh) 一种基于增强图注意力与时间卷积网络的运动预测方法
CN111882028B (zh) 用于卷积神经网络的卷积运算装置
Gao et al. Edge Devices Friendly Self-Supervised Monocular Depth Estimation Via Knowledge Distillation
Barthélemy et al. Decomposition and dictionary learning for 3D trajectories
Chai et al. Modernn: Towards fine-grained motion details for spatiotemporal predictive learning
CN109492530A (zh) 基于深度多尺度时空特征的健壮性视觉物体跟踪算法
Liu et al. Robust online matrix completion with Gaussian mixture model
CN116503697B (zh) 一种无监督多尺度多阶段的内容感知单应性估计方法

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