CN111967485A - 一种基于概率超图学习的空地红外目标跟踪方法 - Google Patents

一种基于概率超图学习的空地红外目标跟踪方法 Download PDF

Info

Publication number
CN111967485A
CN111967485A CN202010337096.6A CN202010337096A CN111967485A CN 111967485 A CN111967485 A CN 111967485A CN 202010337096 A CN202010337096 A CN 202010337096A CN 111967485 A CN111967485 A CN 111967485A
Authority
CN
China
Prior art keywords
hypergraph
positive
samples
template set
probability
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.)
Granted
Application number
CN202010337096.6A
Other languages
English (en)
Other versions
CN111967485B (zh
Inventor
卢瑞涛
杨小冈
黄攀
席建祥
李传祥
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.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
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 Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202010337096.6A priority Critical patent/CN111967485B/zh
Publication of CN111967485A publication Critical patent/CN111967485A/zh
Application granted granted Critical
Publication of CN111967485B publication Critical patent/CN111967485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于概率超图学习的空地红外目标跟踪方法，特别涉及图像分析领域。包括以下步骤：S1：获取样本并根据所述样本构建三种类型的初始概率超图，对所述初始概率超图进行预处理，得到最终概率超图；S2：获取自适应的模板集约束，根据所述自适应的模板集约束得到指示向量；S3：根据所述指示向量为所有所述样本赋值并排序；S4：通过最大后验概率估计获取在粒子框架下的最优目标位置；S5：对所述样本进行随机采样生成正负模板集更新模型，结合所述正负模板集更新模型和所述最优目标位置得到分类信息。本方案解决了如何针对空地红外目标实现视觉跟踪的技术问题，适用于图像视觉跟踪。

Description

一种基于概率超图学习的空地红外目标跟踪方法
技术领域
本发明涉及图像分析领域，特别涉及一种基于概率超图学习的空地红外目标跟踪方法。
背景技术
对于空中高价值飞机目标的跟踪问题，应对外观变化是极具挑战性的工作。一般来讲，外观的变化分为两类，一类是飞机自身的姿态变化、方位变化引起的内部变化，一类是弹体运动、光照变化等引起的外部变化。近些年来，目标跟踪常常被认为一种先检测后跟踪问题，一般分为两类：基于启发式的跟踪方法和基于辨别式的跟踪方法。
由于辨别式在目标跟踪上所体现的优势，近些年来，基于辨别式的跟踪方法受到了学者们越来越多的关注。这种方法把视觉跟踪看作在图像局部区域的二值分类问题，目的就是把目标从背景中分离出来。在这些方法中，经典的机器视觉方法和最新的机器视觉方法都被采用来提性能，例如 Boosting，Support Vector Machines，Bayes，MultipleInstance Learning 以及Structure等。这些方法一般都假设背景和目标是线性可分的，但在实际空地红外目标跟踪应用中，目标通常在复杂的背景中遭受剧烈的外观变化，这种假设并不可靠。另外方法的分类器过度的依靠少量且代价“昂贵”的标记样本，抛弃了大量的未标记样本信息。再者，这些分类器缺乏有效的在线更新机制又会引入跟踪漂移的问题。
基于图的直推学习方法研究样本集的内部几何结构和相关关系，标记的样本作为整体约束来最大化类间距离，未标记的样本用来探索样本集之间的结构关系。超图能够更好的体现出节点之间的高阶相关关系，充分邻域结构信息的上下文结构，针对空地红外目标，有必要出设计出了一种基于概率超图排序的空地红外目标视觉跟踪方法。
发明内容
本发明所要解决的技术问题是如何针对空地红外目标实现视觉跟踪。
本发明解决上述技术问题的技术方案如下：一种基于概率超图学习的空地红外目标跟踪方法，包括以下步骤：
S1：获取样本并根据所述样本构建三种类型的初始概率超图，对所述初始概率超图进行预处理，得到最终概率超图；
S2：获取自适应的模板集约束，根据所述自适应的模板集约束得到指示向量；
S3：根据所述指示向量为所有所述样本赋值并排序；
S4：通过最大后验概率估计获取在粒子框架下的最优目标位置；
S5：对所述样本进行随机采样生成正负模板集更新模型，结合所述正负模板集更新模型和所述最优目标位置得到分类信息。
本发明的有益效果是：设置的自适应的模板集约束能够根据所述自适应模板集约束充分地利用不同模板之间的辨别性信息，正负模板更新模型用于解决姿态变化和抑制漂流问题，本发明首次将超图模型引入到目标跟踪领域，提出了一种基于概率超图排序的空地红外目标视觉跟踪方法。通过构建了三种不同类型的超图来充分描述样本之间的高阶相关关系；充分利用未知样本的信息，将跟踪问题转化为在直推学习下的样本排序问题；最后通过粒子滤波框架下的最大后验概率估计实现目标的跟踪定位。本发明的模板集约束充分的利用了不同模板的辨别性信息，可以增加最后分类的准确性。相比传统的基于辨别式的跟踪方法，本发明在超图的构造中利用了空间位置约束以及模板集权值的自适应约束，使得方法在复杂的背景干扰中仍旧可以稳定的跟踪目标，并且适应尺度和视角的变化，从而解决了如何针对空地红外目标实现视觉跟踪的技术问题。此外，样本集的动态更新模型大大增加了方法的鲁棒性。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，步骤S1具体为：
S11：获取样本；
S12：根据所述样本构建三种类型的初始概率超图；
S13：捕捉所有所述样本之间的高阶相关关系；
S14：线性组合三种类型的所述初始概率超图得到最终概率超图。
进一步，步骤S12具体为：
S121：构建一种描述图像坐标系下位置相邻的节点空间关系的 location-adjacent超图；
S122：构建一种描述所有所述样本在特征空间的局部邻域信息的 feature-resembling超图；
S123：通过聚类的方法来构建一种描述节点粘附体中隐含的高阶相关关系的manifold-close超图。
进一步，步骤S5中的所述正负模板集更新模型包括1个负样本集和3 个正样本集，所述负样本集随着所述最优目标位置周围的环形区域进行随机采样来更新；第一个所述正样本集固定不变；第二个所述正样本集随着最优目标位置的变化进行动态更新；第三个所述正样本集的排序值若是大于一个固定的阈值则将其更新至第二个所述正样本集。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明基于概率超图学习的空地红外目标跟踪方法的实施例的方法流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例基本如附图1所示：
本实施例中基于概率超图学习的空地红外目标跟踪方法，包括以下步骤：
S1：获取样本并根据样本构建三种类型的初始概率超图，对初始概率超图进行预处理，得到最终概率超图；
S2：获取自适应的模板集约束，根据自适应的模板集约束得到指示向量；
S3：根据指示向量为所有样本赋值并排序；
S4：通过最大后验概率估计获取在粒子框架下的最优目标位置；
S5：对样本进行随机采样生成正负模板集更新模型，结合正负模板集更新模型和最优目标位置得到分类信息。
本发明的有益效果是：设置的自适应的模板集约束能够根据自适应模板集约束充分地利用不同模板之间的辨别性信息，正负模板更新模型用于解决姿态变化和抑制漂流问题，本发明首次将超图模型引入到目标跟踪领域，提出了一种基于概率超图排序的空地红外目标视觉跟踪方法。通过构建了三种不同类型的超图来充分描述样本之间的高阶相关关系；充分利用未知样本的信息，将跟踪问题转化为在直推学习下的样本排序问题；最后通过粒子滤波框架下的最大后验概率估计实现目标的跟踪定位。本发明的模板集约束充分的利用了不同模板的辨别性信息，可以增加最后分类的准确性。相比传统的基于辨别式的跟踪方法，本发明在超图的构造中利用了空间位置约束以及模板集权值的自适应约束，使得方法在复杂的背景干扰中仍旧可以稳定的跟踪目标，并且适应尺度和视角的变化。此外，样本集的动态更新模型大大增加了方法的鲁棒性。
在上述技术方案的基础上，本发明还可以做如下改进。
可选的，在一些其它实施例中，步骤S1具体为：
S11：获取样本；
S12：根据样本构建三种类型的初始概率超图；
S13：捕捉所有样本之间的高阶相关关系；
S14：线性组合三种类型的初始概率超图得到最终概率超图；
本实施例中，通过线性组合这三种类型的超图结构，最终的概率超图的特征矩阵可以描述为：
Πc(V,E,γ)＝αΠp(V,E,γ)+βΠf(V,E,γ)+(1-α-β)Πm(V,E,γ)
其中α和β为非负的权重因子，且α+β＜1；最终的概率超图维持了三种类型超图的一种平衡，可以更加有效的捕捉样本之间的高阶相关关系。
可选的，在一些其它实施例中，步骤S12具体为：
S121：构建一种描述图像坐标系下位置相邻的节点空间关系的 location-adjacent超图；
本实施例中，每一个节点vl都用图像坐标系下的平移参数(x,y)来表示，它的kp个位置最邻近节点
Figure RE-GDA0002691422000000051
就构成了location-adjacent超边
Figure RE-GDA0002691422000000052
用节点
Figure RE-GDA0002691422000000053
来表示这条超边
Figure RE-GDA0002691422000000054
的“质心”节点，隶属度矩阵Hp可以表示为：
Figure RE-GDA0002691422000000055
其中σ为正的参数。
Figure RE-GDA0002691422000000056
和
Figure RE-GDA0002691422000000057
表示节点vi和超边的“质心”vj所对应图像块的归一化的图像灰度向量，
Figure RE-GDA0002691422000000061
则表示向量之间的欧式距离，
Figure RE-GDA0002691422000000062
表示平均距离：
Figure RE-GDA0002691422000000063
基于隶属度矩阵Hp，根据定义可以计算出矩阵Θp，
Figure RE-GDA0002691422000000064
和
Figure RE-GDA0002691422000000065
那么 location-adjacent超图的特征矩阵Πp(V,E,w)可以表示为：
Figure RE-GDA0002691422000000066
S122：构建一种描述所有样本在特征空间的局部邻域信息的 feature-resembling超图；
本实施例中，这类超图中的所有节点都用归一化的整体图像灰度向量表示，基于超边集
Figure RE-GDA0002691422000000067
隶属度矩阵可以写为：
Figure RE-GDA0002691422000000068
feature-resembling超图的特征矩阵Πf(V,E,w)可以定义为：
Figure RE-GDA0002691422000000069
S123：通过聚类的方法来构建一种描述节点粘附体中隐含的高阶相关关系的manifold-close超图；
本实施例中，通过聚类方法计算出L类粘附体，每一类粘附体都关联一条manifold-close超边
Figure RE-GDA00026914220000000610
那么超边集可以表示为
Figure RE-GDA00026914220000000611
每一条超边
Figure RE-GDA00026914220000000612
的“质心”节点用超边中所有节点的平均值表示：
Figure RE-GDA00026914220000000613
其中
Figure RE-GDA00026914220000000614
表示归一化的灰度向量。
manifold-close超图的隶属度矩阵可以表示为：
Figure RE-GDA0002691422000000071
manifold-close超图的特征矩阵Πm(V,E,w)可以写为：
Figure RE-GDA0002691422000000072
可选的，在一些其它实施例中，步骤S5中的正负模板集更新模型包括1 个负样本集和3个正样本集，负样本集随着最优目标位置周围的环形区域进行随机采样来更新；第一个正样本集固定不变；第二个正样本集随着最优目标位置的变化进行动态更新；第三个正样本集的排序值若是大于一个固定的阈值则将其更新至第二个正样本集，本实施例中的阈值可以为0.85-0.9。
可选的，在一些其它实施例中，步骤S2中，对于一个正的标记样本vi∈Qp，其与前景相似性的置信值可以定义为：
Figure RE-GDA0002691422000000073
其中|·|表示样本的数量，
Figure RE-GDA0002691422000000074
表示节点vi所对应的归一化的整体灰度向量。该样本与背景相异性的置信值定义为：
Figure RE-GDA0002691422000000075
那么对于正标记样本vi的归一化的置信值可以写为：
Figure RE-GDA0002691422000000076
类似的，对于负的标记样本vi∈Qn，其归一化后的置信值可以通过下式获得：
Figure RE-GDA0002691422000000077
其中
Figure RE-GDA0002691422000000081
和
Figure RE-GDA0002691422000000082
那么“软的”指示向量y 可以描述为：
Figure RE-GDA0002691422000000083
可选的，在一些其它实施例中，步骤S3中，对于概率超图G＝(V,E,w)，定义一个分类函数f赋予每一个节点一个分类值。通过累加每一条超边上所有节点的排序权值，可以得到基于超图结构的代价函数：
Figure RE-GDA0002691422000000084
假设xt为状态变量，给定到t时刻的所有观测变量Yt＝{y1,y2,...yt-1,yt}，得出贝叶斯递归的估计后验概率p(xt|Yt)：
p(xt|Yt)∝p(yt|xt)∫p(xt|xt-1)p(xt-1|Yt-1)dxt-1
用仿射变形来建模目标运动，动态模型可以通过高斯采样得到 p(xt|xt-1)＝N(xt；xt-1,Ψ)。观测模型p(yt|xt)就是关联于候选目标Qc的排序值。
将排序函数f分为三部分f＝[f(Qp),f(Qn),f(Qc)]，其中f(Qp)表示前景模板集Qp的排序结果，f(Qn)表示背景模板集Qn的排序结果，f(Qc)则表示通过采样得到的N个候选目标Qc的排序结果。因此观测模型可以定义为：
Figure RE-GDA0002691422000000085
最优的目标状态可以通过最大后验概率估计获得，即排序值最大的候选目标：
Figure RE-GDA0002691422000000086
需要说明的是，上述各实施例是与上述各方法实施例对应的产品实施例，对于本实施例中各结构装置及可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种基于概率超图学习的空地红外目标跟踪方法，其特征在于，包括以下步骤：
S1：获取样本并根据所述样本构建三种类型的初始概率超图，对所述初始概率超图进行预处理，得到最终概率超图；
S2：获取自适应的模板集约束，根据所述自适应的模板集约束得到指示向量；
S3：根据所述指示向量为所有所述样本赋值并排序；
S4：通过最大后验概率估计获取在粒子框架下的最优目标位置；
S5：对所述样本进行随机采样生成正负模板集更新模型，结合所述正负模板集更新模型和所述最优目标位置得到分类信息。
2.根据权利要求1所述的基于概率超图学习的空地红外目标跟踪方法，其特征在于：步骤S1具体为：
S11：获取样本；
S12：根据所述样本构建三种类型的初始概率超图；
S13：捕捉所有所述样本之间的高阶相关关系；
S14：线性组合三种类型的所述初始概率超图得到最终概率超图。
3.根据权利要求2所述的基于概率超图学习的空地红外目标跟踪方法，其特征在于：步骤S12具体为：
S121：构建一种描述图像坐标系下位置相邻的节点空间关系的location-adjacent超图；
S122：构建一种描述所有所述样本在特征空间的局部邻域信息的feature-resembling超图；
S123：通过聚类的方法来构建一种描述节点粘附体中隐含的高阶相关关系的manifold-close超图。
4.根据权利要求1所述的基于概率超图学习的空地红外目标跟踪方法，其特征在于：步骤S5中的所述正负模板集更新模型包括1个负样本集和3个正样本集，所述负样本集随着所述最优目标位置周围的环形区域进行随机采样来更新；第一个所述正样本集固定不变；第二个所述正样本集随着最优目标位置的变化进行动态更新；第三个所述正样本集的排序值若是大于一个固定的阈值则将其更新至第二个所述正样本集。
CN202010337096.6A 2020-04-26 2020-04-26 一种基于概率超图学习的空地红外目标跟踪方法 Active CN111967485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010337096.6A CN111967485B (zh) 2020-04-26 2020-04-26 一种基于概率超图学习的空地红外目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010337096.6A CN111967485B (zh) 2020-04-26 2020-04-26 一种基于概率超图学习的空地红外目标跟踪方法

Publications (2)

Publication Number Publication Date
CN111967485A true CN111967485A (zh) 2020-11-20
CN111967485B CN111967485B (zh) 2024-01-05

Family

ID=73358111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010337096.6A Active CN111967485B (zh) 2020-04-26 2020-04-26 一种基于概率超图学习的空地红外目标跟踪方法

Country Status (1)

Country Link
CN (1) CN111967485B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362341A (zh) * 2021-06-10 2021-09-07 中国人民解放军火箭军工程大学 基于超像素结构约束的空地红外目标跟踪数据集标注方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110254950A1 (en) * 2008-10-09 2011-10-20 Isis Innovation Limited Visual tracking of objects in images, and segmentation of images
CN103413347A (zh) * 2013-07-05 2013-11-27 南京邮电大学 基于前景背景融合的单目图像深度图提取方法
CN108022244A (zh) * 2017-11-30 2018-05-11 东南大学 一种基于前景和背景种子用于显著目标检测的超图优化方法
CN108986103A (zh) * 2018-06-04 2018-12-11 南京师范大学 一种基于超像素以及多超图融合的图像分割方法
US20190065912A1 (en) * 2016-03-10 2019-02-28 Peking University Shenzhen Graduate School MCMC framework-based sub-hypergraph matching method and device
CN109859241A (zh) * 2019-01-09 2019-06-07 厦门大学 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
CN109903343A (zh) * 2019-02-28 2019-06-18 东南大学 一种基于惯性姿态约束的特征匹配方法
CN110298392A (zh) * 2019-06-13 2019-10-01 北京工业大学 一种标签约束自权重多超图学习的半监督分类方法
CN110942471A (zh) * 2019-10-30 2020-03-31 电子科技大学 一种基于时空约束的长时目标跟踪方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110254950A1 (en) * 2008-10-09 2011-10-20 Isis Innovation Limited Visual tracking of objects in images, and segmentation of images
CN103413347A (zh) * 2013-07-05 2013-11-27 南京邮电大学 基于前景背景融合的单目图像深度图提取方法
US20190065912A1 (en) * 2016-03-10 2019-02-28 Peking University Shenzhen Graduate School MCMC framework-based sub-hypergraph matching method and device
CN108022244A (zh) * 2017-11-30 2018-05-11 东南大学 一种基于前景和背景种子用于显著目标检测的超图优化方法
CN108986103A (zh) * 2018-06-04 2018-12-11 南京师范大学 一种基于超像素以及多超图融合的图像分割方法
CN109859241A (zh) * 2019-01-09 2019-06-07 厦门大学 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
CN109903343A (zh) * 2019-02-28 2019-06-18 东南大学 一种基于惯性姿态约束的特征匹配方法
CN110298392A (zh) * 2019-06-13 2019-10-01 北京工业大学 一种标签约束自权重多超图学习的半监督分类方法
CN110942471A (zh) * 2019-10-30 2020-03-31 电子科技大学 一种基于时空约束的长时目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨恢先;刘昭;刘阳;刘凡;贺迪龙;: "基于超像素和局部稀疏表示的目标跟踪方法", 系统仿真学报, no. 05 *
高琳;唐鹏;盛鹏;: "基于概率图模型目标建模的视觉跟踪算法", 光电子.激光, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362341A (zh) * 2021-06-10 2021-09-07 中国人民解放军火箭军工程大学 基于超像素结构约束的空地红外目标跟踪数据集标注方法
CN113362341B (zh) * 2021-06-10 2024-02-27 中国人民解放军火箭军工程大学 基于超像素结构约束的空地红外目标跟踪数据集标注方法

Also Published As

Publication number Publication date
CN111967485B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
Li et al. Reliable patch trackers: Robust visual tracking by exploiting reliable patches
Wang et al. Transferring rich feature hierarchies for robust visual tracking
Prince et al. Probabilistic models for inference about identity
CN104680559B (zh) 基于运动行为模式的多视角室内行人跟踪方法
Kuznetsova et al. Expanding object detector's horizon: Incremental learning framework for object detection in videos
CN104463191A (zh) 一种基于注意机制的机器人视觉处理方法
Zhang et al. 3-D laser-based multiclass and multiview object detection in cluttered indoor scenes
Uzkent et al. Enkcf: Ensemble of kernelized correlation filters for high-speed object tracking
Zhang et al. Graph-regularized structured support vector machine for object tracking
Li et al. Imbalanced adversarial learning for weather image generation and classification
Walia et al. Unified graph-based multicue feature fusion for robust visual tracking
Zhou et al. Locality-constrained collaborative model for robust visual tracking
Alsanad et al. Real-time fuel truck detection algorithm based on deep convolutional neural network
Saenko et al. Practical 3-d object detection using category and instance-level appearance models
CN111967485B (zh) 一种基于概率超图学习的空地红外目标跟踪方法
Poostchi et al. Feature selection for appearance-based vehicle tracking in geospatial video
CN117854104A (zh) 一种基于特征对齐的无监督行人重识别方法
Yang et al. Collaborative strategy for visual object tracking
Lu et al. Visual tracking via probabilistic hypergraph ranking
Cheng et al. Improved fast compressive tracking for low-altitude flying target tracking
Ren et al. Real-time hand gesture recognition based on vision
Martins et al. Likelihood-enhanced Bayesian constrained local models
Dong et al. Gesture recognition using quadratic curves
Shi et al. Tracking topology structure adaptively with deep neural networks
Zimmermann et al. Improving cascade of classifiers by sliding window alignment in between

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