CN112699718B - 一种尺度和光照自适应的结构化多目标跟踪方法及其应用 - Google Patents
一种尺度和光照自适应的结构化多目标跟踪方法及其应用 Download PDFInfo
- Publication number
- CN112699718B CN112699718B CN202010293830.3A CN202010293830A CN112699718B CN 112699718 B CN112699718 B CN 112699718B CN 202010293830 A CN202010293830 A CN 202010293830A CN 112699718 B CN112699718 B CN 112699718B
- Authority
- CN
- China
- Prior art keywords
- scale
- target
- frame
- window
- hog
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005286 illumination Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 55
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 230000005489 elastic deformation Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 238000012706 support-vector machine Methods 0.000 abstract description 3
- 238000011478 gradient descent method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 241001239379 Calophysus macropterus Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000001629 suppression Effects 0.000 description 6
- 230000005764 inhibitory process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种尺度和光照自适应的结构化多目标跟踪方法,包括利用多尺度Retinex算法对序列图像进行预处理,提取目标区域外观的方向梯度直方图HOG特征并采用结构化支持向量机SSVM进行分类,以SSVM获得的目标最优位置为中心,在目标位置中心提取多个不同尺度的HOG特征作为样本,采用判别型尺度空间跟踪算法DSST训练尺度滤波器,利用尺度滤波器的最大响应值对应的尺度来更新当前帧对应目标的尺度,通过随机梯度下降法SGD更新目标间的空间位置关系及SSVM的权重数值,并根据当前帧目标的尺度以及利用双线性插值调整SSVM尺度权重;且本发明可应用于智能视频监控,企业生产自动化和智能机器人领域。
Description
技术领域
本发明涉及一种多目标跟踪方法,具体涉及一种尺度和光照自适应的结构化多目标跟踪方法及其应用。
背景技术
目标跟踪是计算机视觉领域重要的研究方向之一,其在公共安全监控和管理、医学图像分析、行为理解、视觉导航等方面有着广泛的应用。目前国内外学者主要关注的问题集中在相似目标干扰、目标尺度变化、外观模糊、遮挡以及实际应用中目标跟踪系统实时性等情况下的跟踪鲁棒性、准确性提高上。
目前,Lu Zhang等在Computer Vision and Image Understanding(36(2014):756-769)上发表的文章“Structure Preserving Object Tracking”中,提出一种基于结构抑制的目标跟踪算法,通过学习图形结构模型中的弹性参数确定最新一帧目标的位置;该算法采用Tracking by detection的框架,其中检测部分使用Computer Vision and ImageUnderstanding(1(2005),886-893)的Histograms of Oriented Gradients for HumanDetection中的HOG特征,利用SSVM分类器实现目标检测,进一步利用结构抑制算法实现多目标跟踪,有效提高跟踪效率;然而,该算法存在对光线适应能力较差,且在目标尺度变化时容易跟踪失败的技术问题。
发明内容
为解决上述现有技术中存在的技术问题,本发明提供了一种采用多尺度Retinex算法对视频帧进行图像预处理,能够增强跟踪算法对光线的自适应,提高目标跟踪的鲁棒性,同时将DSST尺度滤波器每次更新的尺度传递到无模型结构化跟踪算法中,并用更新后的目标尺度提取训练集,利于实现目标尺度自适应,在保证跟踪速度的前提下提高跟踪精度的尺度和光照自适应的结构化多目标跟踪方法及其应用。
本发明解决其技术问题是通过以下技术方案实现的:
一种尺度和光照自适应的结构化多目标跟踪方法,包括以下步骤:
选择首帧待跟踪的多个目标,创建最小生成树模型以获取目标的中心坐标间空间关系,分别提取目标及部分背景区域的外观的HOG特征;
以上一帧目标框的尺度作为滑动窗口的尺度,以一个细胞单元为步长利用滑窗法产生众多候选窗口,提取各候选窗口的外观HOG特征,利用SSVM训练后的特征分类器对候选窗口的HOG特征进行分类,获得各候选窗口所在区域的置信度,以最大置信度对应的候选窗口的中心来更新当前帧的各目标最优区域的中心位置,在各目标的最优中心位置处,提取多个尺度的目标区域框构成候选样本,并提取各候选样本的HOG特征,采用DSST算法训练后的尺度滤波器,更新当前帧的目标的尺度;
采用SGD更新目标间的空间位置关系及SSVM的外观HOG特征对应的线性权重数值ω,利用双线性插值调整分类器尺度权重,重新利用DSST算法训练尺度滤波器;
判断当前帧是否为最后一帧,若不是,则进行当前帧的下一帧的跟踪,若是,则结束跟踪。
进一步的,所述方法还包括:利用多尺度Retinex算法对已经灰度化的序列图像进行预处理。
进一步的,所述选择首帧待跟踪的多个目标,创建最小生成树模型以获取目标的中心坐标间空间关系,具体为:
从首帧中手动选择被跟踪的多目标矩形框区域,目标i的尺度记为w(i,1)×h(i,1),再随机选取α个尺度为w(i,1)×h(i,1)的区域作为背景区域,计算得到目标外观的β维HOG特征图φ(i,1)以及背景区域外观的β维HOG特征图N(i,1,nn),其中nn=1,2,L,α;
采用SSVM训练特征分类器,得到目标i外观的HOG特征对应的线性权重ω(i,1);
采用利用DSST算法训练首帧的最优尺度相关滤波器c(i,1);
根据首帧中目标i的中心坐标,创建最小生成树模型Tr建立目标间空间位置关系,计算公式如下,
其中,X(i,1)、X(j,1)表示首帧中目标i、j的中心坐标,(i,j)表示目标i、j之间的边,E(τ)表示第组所有被跟踪目标中心点之间边的集合,ζ表示当前跟踪目标个数总和。
进一步的,所述步骤S3,具体为:
所述以上一帧目标框的尺度作为滑动窗口的尺度,以一个细胞单元为步长利用滑窗法产生众多候选窗口,提取各候选窗口的外观HOG特征,具体为:
将视频序列中第k帧划分为n×n(n=4,5…16)的细胞单元,提取每个细胞单元中所有像素点的HOG特征,利用上一帧目标i的尺度w(i,k-1)×h(i,k-1)作为窗口尺度遍历整个视频帧,将第t个窗口中所有细胞单元的梯度直方图串联起来,以获得第t个窗口的HOG特征φt(i,k);对窗口t所覆盖区域的HOG特征φt(i,k)进行线性加权求和以获得第t个窗口关于目标i的外观得分S1t(i,k),计算公式如下,
S1t(i,k)=∑ω(i,k)T×φt(i,k)
其中,ω(i,k)T表示第k帧目标i的外观HOG特征对应的线性权重矩阵的转置;
所述利用SSVM训练后的特征分类器对候选窗口的HOG特征进行分类,获得各候选窗口所在区域的置信度,以最大置信度对应的候选窗口的中心来更新当前帧的各目标最优区域的中心位置,具体为:
利用目标间的生成树结构的弹性获取第t个窗口关于目标i的位置弹性形变得分S2t(i,k),计算公式如下,
S2t(i,k)=∑||L-eij||2
其中,L是目标i和目标j中心坐标之间的距离向量,eij是目标i和目标j之间弹性长度和方向向量;
视频帧目标的第t个窗口的得分St(i,k)的计算公式如下,
St(i,k)=S1t(i,k)-λS2t(i,k)
其中,λ(0<λ<1)是协调外观得分和形变得分之间关系的参数;
通过St计算第t个窗口区域属于目标i的可能性Pt,P(i,k)表示Pt的最大值,则P(i,k)对应的窗口区域即为新一帧中的目标i所在区域,最终获得目标i的得分Sobj(i,k)和最优中心点X(i,k):
所述采用DSST算法训练后的尺度滤波器,更新当前帧的目标的尺度,具体为:
根据第k-1帧目标i区域的β维HOG特征,利用DSST算法训练第k帧的最优尺度相关滤波器c(i,k),计算公式如下,
其中,第k-1帧目标i的HOG特征的第dm维度对应的相关滤波器记为cdm(dm=1,2,L,β),对应的输入记为ddm,对应的预期输出记为mdm,*表示卷积,μ(0<μ<1)为正则化项;
根据Parseval定理,进一步将c(i,k)的计算公式转换到频域,并求解获得最优尺度相关滤波器C(i,k),计算公式如下:
其中,C(i,k),Mdm和Ddm均为W(i,k)×H(i,k)矩阵,-表示复共轭矩阵,将记为Ak,/>记为Bk,以第k帧目标i的中心点X(i,k)为中心,
获取γ个不同尺度的候选目标,记为z(dm,sz)(dm=1,2,L,β,sz=1,2,Lγ),尺度相关滤波器响应yk对应的最大值即为第k帧目标i的尺度,yk的计算公式如下:
其中,F-1表示离散傅里叶逆变换,λ用于处理尺度滤波器中零频分量的影响。
进一步的,所述α和β的取值范围分别为,40≤α≤60,9≤β≤22。
进一步的,所述γ的取值范围为,25≤γ≤55。
进一步的,所述采用SGD更新目标间的空间位置关系及SSVM的外观HOG特征对应的线性权重数值ω,具体为:
更新在SSVM的损失函数方向上进行梯度步进,所述损失函数的数学表达式如下,
loss(i,k)=max(St,(i,k)-Sobj(i,k)+Δ(t′,obj))
其中,t′表示背景区域的窗口,obj表示第k帧的目标i所在窗口;
损失函数相对于目标i外观的HOG特征对应的线性权重ω的梯度公式如下,
其中,表示后向差分;
计算最佳背景区域窗口t*,计算公式如下,
通过搜索方向ori(i,k)对目标的外观模型进行学习,计算公式如下,
其中,
如果且P(i,k)≥ε(0<ε<1)时,则更新ω,计算公式如下,
所述利用双线性插值调整分类器尺度权重,重新利用DSST算法训练尺度滤波器,具体为:
利用双线性插值法将目标i外观的HOG特征对应的线性权重ω(i,k+1)的尺度扩展为w(i,k)×h(i,k)。
一种尺度和光照自适应的结构化多目标跟踪方法的应用,所述尺度和光照自适应的结构化多目标跟踪方法应用于智能视频监控和企业生产自动化和智能机器人领域。与现有技术相比,本发明的有益效果为:
1)基于结构抑制的目标跟踪算法对光线影响适应性较差,在光线变化的情况下跟踪准确性和鲁棒性降低;本发明中我们引入多尺度Retinex算法对图像进行增强,有助于提高多目标跟踪的准确性和鲁棒性;
2)由于基于结构抑制的目标跟踪算法中矩形跟踪框的尺度保持不变,当目标的尺度发生变化时,会引起背景误检测或只检测到局部目标,降低跟踪精度;本发明中我们引入DSST尺度滤波器,并用双线性插值调整分类器尺度权重,有利于在保证跟踪精度的基础上实现尺度自适应;
3)基于结构抑制的目标跟踪算法中,因校正目标位置的阈值不能随目标尺度变化而自动调整,引起部分目标跟踪丢失;本发明中我们利用高斯加权平均的方法实现了阈值的自动调节,提高了目标跟踪的鲁棒性。
附图说明
图1是本发明的流程图;
图2是采用基于结构抑制的目标跟踪算法在分辨率为960×540视频序列的第6帧、56帧、108帧和165帧的目标跟踪结果;
图3是采用本实施例1的方法在分辨率为960×540视频序列的第6帧、56帧、108帧和165帧的目标跟踪结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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,本发明的所有实施例中,HOG为Histogram of OrientedGridients,即区域外观的方向梯度直方图;SSVM为Structure Support Vector Machine,即结构化支持向量机;DSST为Discriminative Scale Space Tracking,即判别型尺度空间跟踪滤波器;SGD为Stochastic Gradient Descent,即随机梯度下降法。
实施例1
如图1所示,一种尺度和光照自适应的结构化多目标跟踪方法,包括以下步骤:
步骤S1、利用多尺度Retinex算法对已经灰度化的序列图像进行预处理(即将灰度化的图像序列采用多尺度Retinex算法进行增强),多尺度Retinex算法,具体为:
步骤S1.1、采用高斯函数估算照度分量G(u,v),计算公式如下:
其中,(u,v)为图像的像素点坐标,δ为尺度参数;
步骤S1.2、将照度分量G(u,v)带入多尺度Retinex表达式,获得物体本质特征的反射图像Rmsr(u,v),计算公式如下,
其中,S(u,v)为输入序列图像,ρq是第q个尺度的权重因子,并且步骤S2、选择首帧待跟踪的多个目标,创建最小生成树模型以获取目标的中心坐标间空间关系,分别提取目标及部分背景区域的外观的HOG特征,采用SSVM训练特征分类器,利用DSST算法训练尺度滤波器,具体为:
步骤S2.1、从首帧中手动选择被跟踪的多目标矩形框区域,目标i的尺度记为w(i,1)×h(i,1),再随机选取50个尺度为w(i,1)×h(i,1)的区域作为背景区域,计算得到目标外观的22维HOG特征图φ(i,1)以及背景区域外观的β维HOG特征图N(i,1,nn),其中nn=1,2,L,50;
步骤S2.2、采用SSVM训练特征分类器,得到目标i外观的HOG特征对应的线性权重ω(i,1);
步骤S2.3、采用利用DSST算法训练首帧的最优尺度相关滤波器c(i,1);
步骤S2.4、根据首帧中目标i的中心坐标,创建最小生成树模型Tr建立目标间空间位置关系,计算公式如下,
其中,X(i,1)、X(j,1)表示首帧中目标i、j的中心坐标,(i,j)表示目标i、j之间的边,E(τ)表示第组所有被跟踪目标中心点之间边(目标中心点不重复出现超过2次)的集合,其中ζ表示当前跟踪目标个数总和;
步骤S3、以上一帧目标框的尺度作为滑动窗口的尺度,以一个细胞单元为步长利用滑窗法产生众多候选窗口,提取各候选窗口的外观HOG特征,利用步骤S2中的SSVM训练后的特征分类器对候选窗口的HOG特征进行分类,获得各候选窗口所在区域的置信度,以最大置信度对应的候选窗口的中心来更新当前帧的各目标最优区域的中心位置,在各目标的最优中心位置处,提取多个尺度的目标区域框构成候选样本,并提取各候选样本的HOG特征,采用步骤S2中DSST算法训练后的尺度滤波器,更新当前帧的目标的尺度,具体为:
步骤S3.1、将视频序列中第k帧划分为n×n(n=4,5…16)的细胞单元(cell),提取每个细胞单元中所有像素点的HOG特征,利用上一帧目标i的尺度w(i,k-1)×h(i,k-1)作为窗口尺度遍历整个视频帧,将第t个窗口中所有cell的梯度直方图串联起来,以获得第t个窗口的HOG特征φt(i,k);对窗口t所覆盖区域的HOG特征φt(i,k)进行线性加权求和以获得第t个窗口关于目标i的外观得分S1t(i,k),计算公式如下,
S1t(i,k)=∑ω(i,k)T×φt(i,k)
其中,ω(i,k)T表示第k帧目标i的外观HOG特征对应的线性权重矩阵的转置;
步骤S3.2、利用目标间的生成树结构的弹性获取第t个窗口关于目标i的位置弹性形变得分S2t(i,k),计算公式如下,
S2t(i,k)=∑||L-eij||2
其中,L是目标i和目标j中心坐标之间的距离向量,eij是目标i和目标j之间弹性长度和方向向量;
步骤S3.3、视频帧目标的第t个窗口的得分St(i,k)的计算公式如下,
St(i,k)=S1t(i,k)-λS2t(i,k)
其中,λ(0<λ<1)是协调外观得分和形变得分之间关系的参数,本实
施例取0.02;
步骤S3.4、通过St计算第t个窗口区域属于目标i的可能性Pt,P(i,k)表示Pt的最大值,则P(i,k)对应的窗口区域即为新一帧中的目标i所在区域,最终获得目标i的得分Sobj(i,k)和最优中心点X(i,k):
步骤S3.5、根据第k-1帧目标i区域的β维HOG特征,利用DSST算法训练第k帧的最优尺度相关滤波器c(i,k),计算公式如下,
其中,第k-1帧目标i的HOG特征的第dm维度对应的相关滤波器记为cdm(dm=1,2,L,β),对应的输入记为ddm,对应的预期输出记为mdm,*表示卷积,μ(0<μ<1)为正则化项,本实施例取0.01,防止过拟合,25≤γ≤55;
步骤S3.6、根据Parseval定理,进一步将所述步骤3.5中的公式转换到频域,得到下式,
并求解获得最优尺度相关滤波器C(i,k),计算公式如下:
其中,C(i,k),Mdm和Ddm均为W(i,k)×H(i,k)矩阵,-表示复共轭矩阵,将记为Ak,/>记为Bk,以第k帧目标i的中心点X(i,k)为中心,
获取γ个不同尺度的候选目标,记为z(dm,sz)(dm=1,2,L,β,sz=1,2,Lγ),尺度相关滤波器响应yk对应的最大值即为第k帧目标i的尺度,yk的计算公式如下:
其中,F-1表示离散傅里叶逆变换,λ用于处理尺度滤波器中零频分量的影响;步骤S4、采用SGD更新目标间的空间位置关系及SSVM的外观HOG特征对应的线性权重数值ω,利用双线性插值调整分类器尺度权重,重新利用DSST算法训练尺度滤波器,具体为:
步骤S4.1、更新在SSVM的损失函数方向上进行梯度步进,所述损失函数的数学表达式如下,
loss(i,k)=max(St′(i,k)-Sobj(i,k)+Δ(t',obj))
其中,t’表示背景区域的窗口,obj表示第k帧的目标i所在窗口;
损失函数相对于目标i外观的HOG特征对应的线性权重ω的梯度公式如下,
其中,表示后向差分;
步骤S4.2、计算最佳背景区域窗口t*,计算公式如下,
步骤S4.3、通过搜索方向ori(i,k)对目标的外观模型进行学习,计算公式如下,
其中,
如果且P(i,k)≥ε(0≤ε≤1)时,则更新ω,计算公式如下,
步骤S4.4、利用双线性插值法将目标i外观的HOG特征对应的线性权重ω(i,k+1)的尺度扩展为w(i,k)×h(i,k);
步骤S5、判断当前帧是否为最后一帧,若不是,则返回步骤S3进行当前帧的下一帧的跟踪,若是,则结束跟踪。
本实施例1的尺度和光照自适应的结构化多目标跟踪方法应用于智能视频监控和企业生产自动化和智能机器人领域。
实施例2
如图1所示,一种尺度和光照自适应的结构化多目标跟踪方法,包括以下步骤:
步骤S1.1、利用多尺度Retinex算法对已经灰度化的序列图像进行预处理,首先采用高斯函数估算照度分量G(u,v),计算公式如下:
其中,(u,v)为图像的像素点坐标,δ为尺度参数;
步骤S1.2、将照度分量G(u,v)带入多尺度Retinex表达式,获得物体本质特征的反射图像Rmsr(u,v),计算公式如下,
其中,S(u,v)为输入序列图像,ρq是第q个尺度的权重因子,并且
步骤S2.1、从首帧中手动选择被跟踪的多目标矩形框区域,目标i的尺度记为w(i,1)×h(i,1),再随机选取40个尺度为w(i,1)×h(i,1)的区域作为背景区域,计算得到目标外观的22维HOG特征图φ(i,1)以及背景区域外观的β维HOG特征图N(i,1,nn),其中nn=1,2,L,40;
步骤S2.2、采用SSVM训练特征分类器,得到目标i外观的HOG特征对应的线性权重ω(i,1);
步骤S2.3、采用利用DSST算法训练首帧的最优尺度相关滤波器c(i,1);
步骤S2.4、根据首帧中目标i的中心坐标,创建最小生成树模型Tr建立目标间空间位置关系,计算公式如下,
其中,X(i,1)、X(j,1)表示首帧中目标i、j的中心坐标,(i,j)表示目标i、j之间的边,E(τ)表示第组所有被跟踪目标中心点之间边(目标中心点不重复出现超过2次)的集合,其中ζ表示当前跟踪目标个数总和;
步骤S3.1、将视频序列中第k帧划分为n×n(n=4,5…16)的细胞单元(cell),提取每个细胞单元中所有像素点的HOG特征,利用上一帧目标i的尺度w(i,k-1)×h(i,k-1)作为窗口尺度遍历整个视频帧,将第t个窗口中所有cell的梯度直方图串联起来,以获得第t个窗口的HOG特征φt(i,k);对窗口t所覆盖区域的HOG特征φt(i,k)进行线性加权求和以获得第t个窗口关于目标i的外观得分S1t(i,k),计算公式如下,
S1t(i,k)=∑ω(i,k)T×φt(i,k)
其中,ω(i,k)T表示第k帧目标i的外观HOG特征对应的线性权重矩阵的转置;
步骤S3.2、利用目标间的生成树结构的弹性获取第t个窗口关于目标i的位置弹性形变得分S2t(i,k),计算公式如下,
S2t(i,k)∑||L-eij||2
其中,L是目标i和目标j中心坐标之间的距离向量,eij是目标i和目标j之间弹性长度和方向向量;
步骤S3.3、视频帧目标的第t个窗口的得分St(i,k)的计算公式如下,
St(i,k)=S1t(i,k)-λS2t(i,k)
其中,λ(0<λ<1)是协调外观得分和形变得分之间关系的参数;
步骤S3.4、通过St计算第t个窗口区域属于目标i的可能性Pt,P(i,k)表示Pt的最大值,则P(i,k)对应的窗口区域即为新一帧中的目标i所在区域,最终获得目标i的得分Sobj(i,k)和最优中心点X(i,k):
步骤S3.5、根据第k-1帧目标i区域的β维HOG特征,利用DSST算法训练第k帧的最优尺度相关滤波器c(i,k),计算公式如下,
其中,第k-1帧目标i的HOG特征的第dm维度对应的相关滤波器记为cj(j=1,2,L,β),对应的输入记为ddm,对应的预期输出记为mdm,*表示卷积,μ(0<μ<1)为正则化项,本实施例取0.01,防止过拟合,25≤γ≤55;
步骤S3.6、根据Parseval定理,进一步将所述步骤3.5中的公式转换到频域,得到下式,
并求解获得最优尺度相关滤波器C(i,k),计算公式如下:
其中,C(i,k),Mdm和Ddm均为W(i,k)×H(i,k)矩阵,表示复共轭矩阵,将记为Ak,/>记为Bk,以第k帧目标i的中心点X(i,k)为中心,
获取γ个不同尺度的候选目标,记为z(dm,sz)(dm=1,2,L,β,sz=1,2,Lγ),尺度相关滤波器响应yk对应的最大值即为第k帧目标i的尺度,yk的计算公式如下:
其中,F-1表示离散傅里叶逆变换,λ用于处理尺度滤波器中零频分量的影响;
步骤S4.1、更新在SSVM的损失函数方向上进行梯度步进,所述损失函数的数学表达式如下,
loss(i,k)=max(St′(i,k)-Sobj(i,k)+Δ(t′,obj))
其中,t′表示背景区域的窗口,obj表示第k帧的目标i所在窗口;
损失函数相对于目标i外观的HOG特征对应的线性权重ω的梯度公式如下,
其中,表示后向差分;
步骤S4.2、计算最佳背景区域窗口t*,计算公式如下,
步骤S4.3、通过搜索方向ori(i,k)对目标的外观模型进行学习,计算公式如下,
其中,/>
如果且P(i,k)≥ε(0<ε<1)时,则更新ω,计算公式如下,
步骤S4.4、利用双线性插值法将目标i外观的HOG特征对应的线性权重ω(i,k+1)的尺度扩展为w(i,k)×h(i,k);
步骤S5、判断当前帧是否为最后一帧,若不是,则返回步骤S3进行当前帧的下一帧的跟踪,若是,则结束跟踪。
实施例3
如图1所示,一种尺度和光照自适应的结构化多目标跟踪方法,包括以下步骤:
步骤S1、利用多尺度Retinex算法对已经灰度化的序列图像进行预处理,其中,多尺度Retinex算法,具体为:
步骤S1.1、采用高斯函数估算照度分量G(u,v),计算公式如下:
其中,(u,v)为图像的像素点坐标,δ为尺度参数;
步骤S1.2、将照度分量G(u,v)带入多尺度Retinex表达式,获得物体本质特征的反射图像Rmsr(uv)的,计算公式如下,
其中,S(u,v)为输入序列图像,S(u,v)是第q个尺度的权重因子,并且
步骤S2.1、从首帧中手动选择被跟踪的多目标矩形框区域,目标i的尺度记为w(i,1)×h(i,1),再随机选取60个尺度为w(i,1)×h(i,1)的区域作为背景区域,计算得到目标外观的9维HOG特征图φ(i,1)以及背景区域外观的β维HOG特征图N(i,1,nn),其中nn=1,2,L,60;
步骤S2.2、采用SSVM训练特征分类器,得到目标i外观的HOG特征对应的线性权重ω(i,1);
步骤S2.3、采用利用DSST算法训练首帧的最优尺度相关滤波器c(i,1);
步骤S2.4、根据首帧中目标i的中心坐标,创建最小生成树模型Tr建立目标间空间位置关系,计算公式如下,
其中,X(i,1)、X(j,1)表示首帧中目标i、j的中心坐标,(i,j)表示目标i、j之间的边,E(τ)表示第组所有被跟踪目标中心点之间边(目标中心点不重复出现超过2次)的集合,其中ζ表示当前跟踪目标个数总和;/>
步骤S3.1、将视频序列中第k帧划分为n×n(n×4,5…16)的细胞单元(cell),提取每个细胞单元中所有像素点的HOG特征,利用上一帧目标i的尺度w(i,k-1)×h(i,k-1)作为窗口尺度遍历整个视频帧,将第t个窗口中所有cell的梯度直方图串联起来,以获得第t个窗口的HOG特征φt(i,k);对窗口t所覆盖区域的HOG特征φt(i,k)进行线性加权求和以获得第t个窗口关于目标i的外观得分S1t(i,k),计算公式如下,
S1t(i,k)=∑ω(i,k)T×φt(i,k)
其中,ω(i,k)T表示第k帧目标i的外观HOG特征对应的线性权重矩阵的转置;
步骤S3.2、利用目标间的生成树结构的弹性获取第t个窗口关于目标i的位置弹性形变得分S2t(i,k),计算公式如下,
S2t(i,k)=∑||L-eij||2
其中,L是目标i和目标j中心坐标之间的距离向量,eij是目标i和目标j之间弹性长度和方向向量;
步骤S3.3、视频帧目标的第t个窗口的得分St(i,k)的计算公式如下,
St(i,k)=S1t(i,k)-λS2t(i,k)
其中,λ(0<λ<1)是协调外观得分和形变得分之间关系的参数;
步骤S3.4、通过St计算第t个窗口区域属于目标i的可能性Pt,P(i,k)表示Pt的最大值,则P(i,k)对应的窗口区域即为新一帧中的目标i所在区域,最终获得目标i的得分Sobj(i,k)和最优中心点X(i,k):
步骤S3.5、根据第k-1帧目标i区域的β维HOG特征,利用DSST算法训练第k帧的最优尺度相关滤波器c(i,k),计算公式如下,
其中,第k-1帧目标i的HOG特征的第dm维度对应的相关滤波器记为cdm(dm=1,2,L,β),对应的输入记为ddm,对应的预期输出记为mdm,*表示卷积,μ(0<μ<1)为正则化项,本实施例取0.01,防止过拟合,25≤γ≤55;
步骤S3.6、根据Parseval定理,进一步将所述步骤3.5中的公式转换到频域,得到下式,
并求解获得最优尺度相关滤波器C(i,k),计算公式如下:
其中,C(i,k),Mdm和Ddm均为W(i,k)×H(i,k)矩阵,-表示复共轭矩阵,将记为Ak,/>记为Bk,以第k帧目标i的中心点X(i,k)为中心,
获取γ个不同尺度的候选目标,记为z(dm,sz)(dm=1,2,L,β,sz=1,2,Lγ),尺度相关滤波器响应yk对应的最大值即为第k帧目标i的尺度,yk的计算公式如下:
其中,F-1表示离散傅里叶逆变换,λ用于处理尺度滤波器中零频分量的影响;
步骤S4.1、更新在SSVM的损失函数方向上进行梯度步进,所述损失函数的数学表达式如下,
loss(i,k)=max(St′(i,k)-Sobj(i,k)+Δ(t′,obj))
其中,t’表示背景区域的窗口,obj表示第k帧的目标i所在窗口;
损失函数相对于目标i外观的HOG特征对应的线性权重ω的梯度公式如下,
其中,表示后向差分;
步骤S4.2、计算最佳背景区域窗口t*,计算公式如下,
步骤S4.3、通过搜索方向ori(i,k)对目标的外观模型进行学习,计算公式如下,
其中,
如果且P(i,k)≥ε(0<ε<1)时,则更新ω,计算公式如下,
步骤S4.4、利用双线性插值法将目标i外观的HOG特征对应的线性权重ω(i,k+1)的尺度扩展为w(i,k)×h(i,k);
步骤S5、判断当前帧是否为最后一帧,若不是,则返回步骤S3进行当前帧的下一帧的跟踪,若是,则结束跟踪。
效果例
用国际标准度量CLEAR MOT评价实施例1与基于结构抑制的目标跟踪算法(现有技术的普通算法)的结果在分辨率为960×540的视频序列上的跟踪性能进行对比,结果如表1所示。
表1
多目标跟踪方法 | MOTA(↑) | MOTP(↑) |
基于结构抑制的目标跟踪算法 | 0.47647 | 0.46185 |
本文方法 | 0.98824 | 0.73909 |
国际标准度量CLEAR MOT主要包括两大指标:多目标跟踪精确率(MultipleObject Tracking Precision,MOTP)和多目标跟踪准确率(Multiple Object TrackingAccuracy,MOTA)。
假设第t帧的实际目标集合为{O′1,O′2,…,O′m|,总数目为m(t);本文多目标跟踪算法预估的目标集合为{O1,O2,…,On},总数目为n(t);为实际目标O′i的位置,/>为跟踪算法预估目标Oi位置。M(t-1)={P′(t-1),P(t-1)}为第t-1帧数据关联匹配结果,具体评估步骤如下:
(1)计算实际目标的位置与估计目标位置/>的匹配权重矩阵A=[a(O′i,Oi)],其中,a(O′i,Oi)为二者矩形区域的重叠率;
(2)通过匈牙利算法提取步骤(1)匹配结果的最优匹配对;
(3)统计失误匹配:定义未匹配成功的实际目标为丢失跟踪的目标,总数目为定义未匹配成功的预估目标为错误跟踪的目标,总数目为/>当第t-1、t帧出现不同的匹配结果,则定义该情形为身份易号,总数目为/>
(4)统计成功匹配的匹配对数目为并计算成功匹配目标的重叠率
(5)重复步骤(1)~(4),计算完整序列图像跟踪结果的MOTP、MOTA,数学表示如下:
MOTP的数值越高,目标位置的精确程度越高;MOTA的数值越高,成功跟踪的目标数目及准确度越高;本实施例1在视频序列中MOTP为0.93909,MOTA为0.73909,基于结构抑制的目标跟踪算法在视频序列中MOTP为0.46185,MOTA为0.47647;本实施例1所采用的方法的定量性能均高出基于结构抑制的目标跟踪算法。
同时,采用基于结构抑制的目标跟踪算法在分辨率为960×540视频序列的第6帧、56帧、108帧和165帧的目标跟踪结果,如图2所示;采用本实施例1的方法在分辨率为960×540视频序列的第6帧、56帧、108帧和165帧的目标跟踪结果,如图3所示,对图2和图3进行定性对比,也能明确看出本实施例1的方法在应对尺度、光照变化均表现出更好的性能。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
上述基于代码仓库过程管理的代码相似性检测方法的装置,其特征在于,包括:
配置信息获取模块,用于获取配置信息;
待检测仓库信息抽取模块,用于抽取待检测仓库信息;
异常仓库过滤模块,用于按照所述过滤规则过滤异常仓库;
仓库比较模块,用于对正常仓库中的仓库提交信息进行比较,根据权值分配得到的权值,并按照所述执行策略进行任意两个正常仓库之间的相似度计算;
以及相似度信息统计输出模块,用于统计并输出所有仓库的相似度信息。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种尺度和光照自适应的结构化多目标跟踪方法,其特征在于,包括以下步骤:
选择首帧待跟踪的多个目标,创建最小生成树模型以获取目标的中心坐标间空间关系,分别提取目标及部分背景区域的外观的HOG特征;
以上一帧目标框的尺度作为滑动窗口的尺度,以一个细胞单元为步长利用滑窗法产生众多候选窗口,提取各候选窗口的外观HOG特征,利用SSVM训练后的特征分类器对候选窗口的HOG特征进行分类,获得各候选窗口所在区域的置信度,以最大置信度对应的候选窗口的中心来更新当前帧的各目标最优区域的中心位置,在各目标的最优中心位置处,提取多个尺度的目标区域框构成候选样本,并提取各候选样本的HOG特征,采用DSST算法训练后的尺度滤波器,更新当前帧的目标的尺度;
采用SGD更新目标间的空间位置关系及SSVM的外观HOG特征对应的线性权重数值ω,利用双线性插值调整分类器尺度权重,重新利用DSST算法训练尺度滤波器;
判断当前帧是否为最后一帧,若不是,则进行当前帧的下一帧的跟踪,若是,则结束跟踪;
其中,所述以上一帧目标框的尺度作为滑动窗口的尺度,以一个细胞单元为步长利用滑窗法产生众多候选窗口,提取各候选窗口的外观HOG特征,具体为:
将视频序列中第k帧划分为n×n(n=4,5…16)的细胞单元,提取每个细胞单元中所有像素点的HOG特征,利用上一帧目标i的尺度w(i,k-1)×h(i,k-1)作为窗口尺度遍历整个视频帧,将第t个窗口中所有细胞单元的梯度直方图串联起来,以获得第t个窗口的HOG特征φt(i,k);对窗口t所覆盖区域的HOG特征φt(i,k)进行线性加权求和以获得第t个窗口关于目标i的外观得分S1t(i,k),计算公式如下,
S1t(i,k)=∑ω(i,k)T×φt(i,k)
其中,ω(i,k)T表示第k帧目标i的外观HOG特征对应的线性权重矩阵的转置。
2.根据权利要求1所述的一种尺度和光照自适应的结构化多目标跟踪方法,其特征在于,所述方法还包括:利用多尺度Retinex算法对已经灰度化的序列图像进行预处理。
3.根据权利要求1所述的一种尺度和光照自适应的结构化多目标跟踪方法,其特征在于,所述选择首帧待跟踪的多个目标,创建最小生成树模型以获取目标的中心坐标间空间关系,具体为:
从首帧中手动选择被跟踪的多目标矩形框区域,目标i的尺度记为w(i,1)×h(i,1),再随机选取α个尺度为w(i,1)×h(i,1)的区域作为背景区域,计算得到目标外观的β维HOG特征图φ(i,1)以及背景区域外观的β维HOG特征图N(i,1,nn),其中nn=1,2,...,α;
采用SSVM训练特征分类器,得到目标i外观的HOG特征对应的线性权重ω(i,1);
采用利用DSST算法训练首帧的最优尺度相关滤波器c(i,1);
根据首帧中目标i的中心坐标,创建最小生成树模型Tr建立目标间空间位置关系,计算公式如下,
其中,X(i,1)、X(j,1)表示首帧中目标i、j的中心坐标,(i,j)表示目标i、j之间的边,E(τ)表示第组所有被跟踪目标中心点之间边的集合,ζ表示当前跟踪目标个数总和。
4.根据权利要求1所述的一种尺度和光照自适应的结构化多目标跟踪方法,其特征在于,所述利用SSVM训练后的特征分类器对候选窗口的HOG特征进行分类,获得各候选窗口所在区域的置信度,以最大置信度对应的候选窗口的中心来更新当前帧的各目标最优区域的中心位置,具体为:
利用目标间的生成树结构的弹性获取第t个窗口关于目标i的位置弹性形变得分S2t(i,k),计算公式如下,
S2t(i,k)=∑||L-eij||2
其中,L是目标i和目标j中心坐标之间的距离向量,eij是目标i和目标j之间弹性长度和方向向量;
视频帧目标的第t个窗口的得分St(i,k)的计算公式如下,
St(i,k)=S1t(i,k)-λS2t(i,k)
其中,λ(0<λ<1)是协调外观得分和形变得分之间关系的参数;
通过St计算第t个窗口区域属于目标i的可能性Pt,P(i,k)表示Pt的最大值,则P(i,k)对应的窗口区域即为新一帧中的目标i所在区域,最终获得目标i的得分Sobj(i,k)和最优中心点X(i,k):
所述采用DSST算法训练后的尺度滤波器,更新当前帧的目标的尺度,具体为:
根据第k-1帧目标i区域的β维HOG特征,利用DSST算法训练第k帧的最优尺度相关滤波器c(i,k),计算公式如下,
其中,第k-1帧目标i的HOG特征的第dm维度对应的相关滤波器记为cdm(dm=1,2,...,β),对应的输入记为ddm,对应的预期输出记为mdm,*表示卷积,μ(0<μ<1)为正则化项;
根据Parseval定理,进一步将c(i,k)的计算公式转换到频域,并求解获得最优尺度相关滤波器C(i,k),计算公式如下:
其中,C(i,k),Mdm和Ddm均为W(i,k)×H(i,k)矩阵,-表示复共轭矩阵,将记为Ak,/>记为Bk,以第k帧目标i的中心点X(i,k)为中心,
获取γ个不同尺度的候选目标,记为z(dm,sz)(dm=1,2,...,β,sz=1,2,...,γ),尺度相关滤波器响应yk对应的最大值即为第k帧目标i的尺度,yk的计算公式如下:
其中,F-1表示离散傅里叶逆变换,λ用于处理尺度滤波器中零频分量的影响。
5.根据权利要求3所述的一种尺度和光照自适应的结构化多目标跟踪方法,其特征在于,所述α和β的取值范围分别为,40≤α≤60,9≤β≤22。
6.根据权利要求4所述的一种尺度和光照自适应的结构化多目标跟踪方法,其特征在于,所述γ的取值范围为,25≤γ≤55。
7.根据权利要求1所述的一种尺度和光照自适应的结构化多目标跟踪方法,其特征在于,所述采用SGD更新目标间的空间位置关系及SSVM的外观HOG特征对应的线性权重数值ω,具体为:
更新在SSVM的损失函数方向上进行梯度步进,所述损失函数的数学表达式如下,
loss(i,k)=max(St′(i,k)-Sobj(i,k)+Δ(t′,obj))
其中,t′表示背景区域的窗口,obj表示第k帧的目标i所在窗口;
损失函数相对于目标i外观的HOG特征对应的线性权重ω的梯度公式如下,
其中,表示后向差分;
计算最佳背景区域窗口t*,计算公式如下,
通过搜索方向ori(i,k)对目标的外观模型进行学习,计算公式如下,
其中,
如果且P(i,k)≥ε(0<ε<1)时,则更新ω,计算公式如下,
所述利用双线性插值调整分类器尺度权重,重新利用DSST算法训练尺度滤波器,具体为:
利用双线性插值法将目标i外观的HOG特征对应的线性权重ω(i,k+1)的尺度扩展为w(i,k)×h(i,k)。
8.基于权利要求1所述的一种尺度和光照自适应的结构化多目标跟踪方法的应用,其特征在于,所述尺度和光照自适应的结构化多目标跟踪方法应用于智能视频监控和企业生产自动化和智能机器人领域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010293830.3A CN112699718B (zh) | 2020-04-15 | 2020-04-15 | 一种尺度和光照自适应的结构化多目标跟踪方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010293830.3A CN112699718B (zh) | 2020-04-15 | 2020-04-15 | 一种尺度和光照自适应的结构化多目标跟踪方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699718A CN112699718A (zh) | 2021-04-23 |
CN112699718B true CN112699718B (zh) | 2024-05-28 |
Family
ID=75505551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010293830.3A Active CN112699718B (zh) | 2020-04-15 | 2020-04-15 | 一种尺度和光照自适应的结构化多目标跟踪方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699718B (zh) |
Citations (9)
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 |
CN106530324A (zh) * | 2016-10-21 | 2017-03-22 | 华中师范大学 | 一种模拟视觉皮质机制的视频目标跟踪方法 |
CN107784663A (zh) * | 2017-11-14 | 2018-03-09 | 哈尔滨工业大学深圳研究生院 | 基于深度信息的相关滤波跟踪方法及装置 |
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 |
CN109741366A (zh) * | 2018-11-27 | 2019-05-10 | 昆明理工大学 | 一种融合多层卷积特征的相关滤波目标跟踪方法 |
CN109974693A (zh) * | 2019-01-31 | 2019-07-05 | 中国科学院深圳先进技术研究院 | 无人机定位方法、装置、计算机设备及存储介质 |
CN110033472A (zh) * | 2019-03-15 | 2019-07-19 | 电子科技大学 | 一种复杂红外地面环境下的稳定目标跟踪方法 |
CN110472577A (zh) * | 2019-08-15 | 2019-11-19 | 江南大学 | 一种基于自适应相关滤波的长时视频跟踪方法 |
CN110796676A (zh) * | 2019-10-10 | 2020-02-14 | 太原理工大学 | 高置信度更新策略结合svm再检测技术的目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9613273B2 (en) * | 2015-05-19 | 2017-04-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Apparatus and method for object tracking |
-
2020
- 2020-04-15 CN CN202010293830.3A patent/CN112699718B/zh active Active
Patent Citations (9)
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 |
CN106530324A (zh) * | 2016-10-21 | 2017-03-22 | 华中师范大学 | 一种模拟视觉皮质机制的视频目标跟踪方法 |
CN107784663A (zh) * | 2017-11-14 | 2018-03-09 | 哈尔滨工业大学深圳研究生院 | 基于深度信息的相关滤波跟踪方法及装置 |
CN109741366A (zh) * | 2018-11-27 | 2019-05-10 | 昆明理工大学 | 一种融合多层卷积特征的相关滤波目标跟踪方法 |
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 |
CN109974693A (zh) * | 2019-01-31 | 2019-07-05 | 中国科学院深圳先进技术研究院 | 无人机定位方法、装置、计算机设备及存储介质 |
CN110033472A (zh) * | 2019-03-15 | 2019-07-19 | 电子科技大学 | 一种复杂红外地面环境下的稳定目标跟踪方法 |
CN110472577A (zh) * | 2019-08-15 | 2019-11-19 | 江南大学 | 一种基于自适应相关滤波的长时视频跟踪方法 |
CN110796676A (zh) * | 2019-10-10 | 2020-02-14 | 太原理工大学 | 高置信度更新策略结合svm再检测技术的目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
Effective Visual Tracking Using Multi-Block and Scale Space Based on Kernelized Correlation Filters;Soowoong Jeong 等;《sensors》;20170223;第17卷(第3期);1-17 * |
基于机器学习的小目标检测与追踪的算法研究;林晓林;《中国优秀硕士学位论文全文数据库信息科技辑》;20190115(第01期);I138-4224 * |
尺度和光照自适应的结构化多目标跟踪;花湘 等;《电光与控制》;20210430;第28卷(第4期);29-33 * |
融合DSST和KCF的尺度自适应跟踪算法;胡云层 等;《计算机工程与设计》;20191231;第40卷(第12期);3563-3568 * |
Also Published As
Publication number | Publication date |
---|---|
CN112699718A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423702B (zh) | 基于tld跟踪系统的视频目标跟踪方法 | |
CN102722714B (zh) | 基于目标跟踪的人工神经网络扩张式学习方法 | |
CN114972418B (zh) | 基于核自适应滤波与yolox检测结合的机动多目标跟踪方法 | |
CN100587719C (zh) | 低复杂度的尺度自适应视频目标跟踪方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN111582349B (zh) | 一种基于YOLOv3和核相关滤波改进的目标跟踪算法 | |
CN111008991B (zh) | 一种背景感知的相关滤波目标跟踪方法 | |
CN111080675A (zh) | 一种基于时空约束相关滤波的目标跟踪方法 | |
CN110363165B (zh) | 基于tsk模糊系统的多目标跟踪方法、装置及存储介质 | |
CN110349188B (zh) | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 | |
CN115620518B (zh) | 基于深度学习的交叉口交通冲突判别方法 | |
CN111553348A (zh) | 一种基于centernet的anchor-based目标检测方法 | |
CN111367901B (zh) | 一种船舶数据去噪方法 | |
CN111178261A (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
CN114092517A (zh) | 基于传统和深度学习算法的多目标跟踪方法 | |
CN115311449A (zh) | 基于类重激活映射图的弱监督图像目标定位分析系统 | |
CN108805907B (zh) | 一种行人姿势多特征智能辨识方法 | |
CN115239760A (zh) | 一种目标跟踪方法、系统、设备及存储介质 | |
CN109448024B (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
CN112699718B (zh) | 一种尺度和光照自适应的结构化多目标跟踪方法及其应用 | |
CN110222585B (zh) | 一种基于级联检测器的运动目标跟踪方法 | |
CN116385866B (zh) | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 | |
CN110751671B (zh) | 一种基于核相关滤波与运动估计的目标跟踪方法 | |
CN106709934A (zh) | 频域高斯核函数图像追踪方法 |
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 |