CN112748735A - 一种引入颜色特征的扩展目标跟踪方法 - Google Patents
一种引入颜色特征的扩展目标跟踪方法 Download PDFInfo
- Publication number
- CN112748735A CN112748735A CN202011509288.7A CN202011509288A CN112748735A CN 112748735 A CN112748735 A CN 112748735A CN 202011509288 A CN202011509288 A CN 202011509288A CN 112748735 A CN112748735 A CN 112748735A
- Authority
- CN
- China
- Prior art keywords
- target
- measurement
- color
- state
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 57
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002592 echocardiography Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100534223 Caenorhabditis elegans src-1 gene Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明请求保护一种引入颜色特征的扩展目标跟踪方法。该方法对目标特性进行增广,加入目标的颜色特征来构造目标的状态模型与量测模型,使目标具有运动特征、形状、颜色三类属性。在目标跟踪过程中,首先以目标一步预测位置为中心建立跟踪门,根据跟踪门对目标量测进行筛选,然后将筛选后的候选量测与目标轨迹进行关联,关联过程中分别根据目标位置、形状、颜色来计算关联概率,再对关联概率加权,利用加权关联概率对目标状态进行融合估计。本方法利用更充分的目标属性来进行关联滤波,能提高数据关联准确度和目标跟踪精度来提高扩展目标跟踪性能。
Description
技术领域
本发明属于计算机和自动化技术,主要涉及到扩展目标跟踪技术领域,具体涉及一种引入颜色特征的扩展目标跟踪方法。
背景技术
目标跟踪是一项广泛应用的技术,在军事领域以及民用领域都有重要价值。
中国专利申请:一种基于颜色空间信息的多车辆视频跟踪方法(申请号:CN201010513817.0),公开了使用颜色特征向量来建立模型对车辆进行跟踪的方法,该方法依据车辆的对称性特征对车辆分片段处理,建立颜色相关特征向量,采用二次线性回归进行状态预测,并采用粒子滤波对目标位置跟踪,但是没有利用颜色特征进行目标数据关联。中国专利申请:一种自适应交互式多模型的机动目标跟踪方法(申请号:CN201210514479.1),公开了一种交通运输领域自适应交互式多模型的机动目标跟踪方法,针对传统交互式模型跟踪算法中采用固定马尔可夫矩阵的缺点,提出在模型初始化阶段分别计算匀速运动和匀加速运动模型的初始值,改善了目标机动时系统的跟踪性能,但是其没能利用目标的形状、颜色等信息。中国专利申请:一种基于改进联合概率数据关联的分布式目标跟踪方法(申请号:CN201610821318.5),公开了一种针对联合概率数据关联进行改进的目标跟踪方法,其根据不同传感器量测数据各自估计目标状态,然后融合得到最终的目标状态估计,但是其在关联过程中没有考虑目标的形状、颜色等特征。
本发明为了克服上述方法中目标量测信息使用不充分的情况,提出一种引入颜色特征的扩展目标跟踪方法,在关联过程中对量测集合按位置、形状、颜色进行关联、加权、融合,充分利用扩展目标的特征信息,改善目标数据关联的准确性,提高目标跟踪性能。
发明内容
为改善目前扩展多目标跟踪方面存在的对现有扩展目标检测信息利用不充分导致的关联结果不准确,跟踪性能不佳等问题,本发明提出一种引入颜色特征的扩展目标跟踪方法,利用颜色特征对数据关联算法进行改进,提高扩展目标跟踪精度。本发明对于扩展目标跟踪有如下的技术方案:
首先构建目标车辆在时刻k的状态方程和量测方程:
xk+1=Fkxk+Γkωk,k∈N (1)
zk=Hkxk+υk,k∈N (2)
其中表示k时刻目标的x位置、x速度、y位置、y速度、宽、高、颜色,c=[r,g,b]T表示感兴趣区域目标颜色状态向量,k时刻量测表示为zk=[x,y,w,h,c]T,Fk为状态转移矩阵,Γk为噪声矩阵,Hk为量测矩阵,ωk和υk分别为相互独立的过程噪声和量测噪声,N表示自然数集合。
基于上述模型的目标跟踪方法,流程如下:
(1)一步预测。利用k-1时刻对k时刻的状态进行预测,得到一步预测值和预测误差的协方差阵:
其中,Fk-1为状态转移矩阵,Qk-1为服从正态分布的过程噪声协方差。
当观测量(zk)'满足如下关系:
γ为跟踪门门限,则将(zk)"作为位于跟踪门内的候选回波,根据椭球跟踪门规则确定最大似然门限:
其中PD为检测概率,β为回波密度,|S|为残差协方差阵Sk的行列式。
进一步地,对于目标颜色状态向量的获取过程如下:
(1)利用目标检测方法对目标进行处理,得到目标感兴趣区域Src。
(2)将感兴趣区域按高斯金字塔进行下采样。先对Src进行高斯滤波,即每个像素值由自身和相邻的8个像素点经过加权平均得出,边缘点空缺像素按自身像素计算,然后将Src的偶数行和列去除,得到Src1。
(3)分别计算Src1的红、绿、蓝三个颜色分量对应的直方图,并将直方图中占比最大的数值作为各自颜色通道的颜色分量值,得出目标的颜色状态向量c=[r,g,b]T。
进一步地,上述数据关联过程中的加权关联概率计算方法如下:
(1)假定跟踪门内的有效回波均有可能源于目标,只是每个有效回波源于目标的概率不同。令
表示k时刻第i个量测来源于目标这一事件的概率,在整个事件空间中所有量测事件构成一个不相交的完备分割
其中Zk={Z1,Z2,...,Zk}为直到k时刻的累计确认量测集,为传感器在k时刻的确认量测集合,zk,i为k时刻的第i个量测,表示zk,i是来自目标的正确量测的事件,mk表示k时刻确认量测个数,表示没有量测源于目标的概率。将候选目标量测集合划分为位置、宽高、颜色三个方面的特征(zk,i)”=[(zk,i,1)”,(zk,i,2)”,(zk,i,3)”]T,计算量测误差
(2)分别计算出位置、宽高、颜色对应的关联概率:
其中c=1,2,3分别表示位置、宽高、颜色分量。
(2)利用得到的各分量关联概率,计算量测i的加权关联概率:
其中p1,p2,p3为各个特征所占权重,且满足p1+p2+p3=1,权重大小由具体应用场景确定。
进一步地,上述目标状态滤波估计方法如下:
其中
其中Rk为量测噪声协方差。
本发明的优点及有益效果如下:
本发明提出一种引入颜色特征的扩展目标跟踪方法,通过对目标状态模型和量测模型加入颜色分量进行增广,分别根据位置、形状、颜色特征分量进行数据关联,对关联概率进行加权,并进行融合滤波,得到目标状态的最优估计。现有的数据关联方法是以目标位置预测与量测之间的关系来进行关联的,未考虑目标的颜色特征,对目标信息的利用不充分,影响了目标关联准确度及滤波精度。由于颜色特征是目标的一种非常重要的辅助特征,本专利的方法充分利用了这一特征,与目标的位置特征、形状特征一起进行融合关联来确定目标身份,克服了现有跟踪方法信息利用不充分而影响跟踪效果的情况,提高了目标关联准确度及滤波精度,可以有效提高扩展目标跟踪性能。
附图说明
图1是本发明提供优选实施例一种引入颜色特征的扩展目标跟踪方法结构图;
图2本发明关联概率计算方法流程图;
图3本发明一种引入颜色特征的扩展目标跟踪方法效果图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图1所示为本发明一种引入颜色特征的扩展目标跟踪方法结构图,首先建立目标状态模型和量测模型:
xk+1=Fkxk+Γkωk,k∈N (1)
zk=Hkxk+υk,k∈N (2)
目标跟踪处理流程如下:
(2)建立跟踪门筛选目标量测。利用扩展目标的特性,首先使用目标宽高进行一次筛选得到(zk)',设置一个椭球跟踪门来对量测集合进行筛选,当残差向量范数满足:
则将(zk)"作为位于跟踪门内的候选回波。根据椭球跟踪门规则、检测概率和回波密度确定最优跟踪门限:
(4)融合滤波。利用全期望公式,结合卡尔曼滤波更新k时刻状态估计
则根据上式可以得到
其中
其中Rk为量测噪声协方差,同时更新目标状态估计协方差
其中
上述滤波结果作为下次预测过程的输入进行迭代,作为整个跟踪过程的一部分。
如图2所示为本发明关联概率计算方法流程图,计算流程如下:
(1)量测划分。将候选目标量测集合划分为位置、宽高、颜色三个方面的特征(zk,i)”=[(zk,i,1)”,(zk,i,2)”,(zk,i,3)”]T,并根据
(2)关联概率计算。以颜色分量zk,i,3为例来说明计算过程,假定杂波服从均匀分布,即
其中Vk表示跟踪门体积。正确量测服从正态分布,即
每个采样时刻至多有一个真实量测,这个事件的发生概率为PD,即检测概率。应用贝叶斯公式和乘法定理
对于i=1,2,...,mk的任一情形,Zk的联合概率密度函数为
由此,可以得到
(3)关联概率加权。利用得到的各分量关联概率,计算量测i的加权关联概率:
其中p1,p2,p3为各个特征所占权重,且满足p1+p2+p3=1,权重大小由具体应用场景确定。
如图3所示为本发明一种引入颜色特征的扩展目标跟踪方法效果图,使用位置、形状、颜色特征分别计算关联概率,并计算加权关联概率,最后对目标状态进行融合滤波。从左图目标运动轨迹可以看出,本发明得出的目标状态估计相比于概率数据关联(PDA)结果更加接近真实值,从右图RMSE(均方根误差)对比可以看出,本发明在目标的状态估计上比概率数据关联算法的误差更小,可以有效提高目标跟踪的性能。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (3)
1.一种引入颜色特征的扩展目标跟踪方法,其特征在于
1.1首先建立扩展目标状态模型和量测模型
xk+1=Fkxk+Γkωk,k∈N (1)
zk=Hkxk+υk,k∈N (2)
其中表示k时刻目标的x位置、x速度、y位置、y速度、宽、高、颜色,c=[r,g,b]T表示感兴趣区域目标颜色状态向量,k时刻量测表示为zk=[x,y,w,h,c]T,Fk为状态转移矩阵,Γk为噪声矩阵,Hk为量测矩阵,ωk和υk分别为相互独立的过程噪声和量测噪声;
2.根据权利要求1所述的一种引入颜色特征的扩展目标跟踪方法,其特征在于,步骤1.4中目标轨迹与量测之间的数据关联方法流程是:
2.1量测划分:假定跟踪门内的有效回波均有可能源于目标,只是每个有效回波源于目标的概率不同。令
表示k时刻第i个量测来源于目标这一事件的概率,在整个事件空间中所有量测事件构成一个不相交的完备分割
其中Zk={Z1,Z2,...,Zk}为直到k时刻的累计确认量测集,为传感器在k时刻的确认量测集合,zk,i为k时刻的第i个量测,表示zk,i是来自目标的正确量测的事件,mk表示k时刻确认量测个数,表示没有量测源于目标的概率。将候选目标量测集合划分为位置、宽高、颜色三个方面的特征(zk,i)”=[(zk,i,1)”,(zk,i,2)”,(zk,i,3)”]T,计算量测误差
2.2关联概率计算:分别计算出位置、宽高、颜色对应的关联概率:
其中c=1,2,3分别表示位置、宽高、颜色分量;
2.3关联概率融合:利用得到的各分量关联概率,计算量测i的加权关联概率:
其中p1,p2,p3为各个特征所占权重,且满足p1+p2+p3=1,权重大小由具体应用场景确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011509288.7A CN112748735B (zh) | 2020-12-18 | 2020-12-18 | 一种引入颜色特征的扩展目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011509288.7A CN112748735B (zh) | 2020-12-18 | 2020-12-18 | 一种引入颜色特征的扩展目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112748735A true CN112748735A (zh) | 2021-05-04 |
CN112748735B CN112748735B (zh) | 2022-12-27 |
Family
ID=75648573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011509288.7A Active CN112748735B (zh) | 2020-12-18 | 2020-12-18 | 一种引入颜色特征的扩展目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112748735B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936037A (zh) * | 2021-10-13 | 2022-01-14 | 重庆邮电大学 | 引入目标间拓扑特征的扩展目标跟踪方法、介质及系统 |
CN114662535A (zh) * | 2022-03-15 | 2022-06-24 | 中国矿业大学 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5400264A (en) * | 1993-04-29 | 1995-03-21 | International Business Machines Corporation | Suboptimal joint probabilistic data association |
WO2000010032A1 (en) * | 1998-08-11 | 2000-02-24 | Northrop Grumman Corporation | Method for tracking a target having substantially constrained movement |
EP1983486A2 (en) * | 2007-04-20 | 2008-10-22 | General Electric Company | Method and system for distributed multiple target tracking |
CN102521612A (zh) * | 2011-12-16 | 2012-06-27 | 东华大学 | 一种基于协同关联粒子滤波的多视频目标主动跟踪方法 |
US20130006577A1 (en) * | 2010-03-15 | 2013-01-03 | Bae Systems Pic | Target tracking |
CN103065331A (zh) * | 2013-01-15 | 2013-04-24 | 南京工程学院 | 基于空时域边缘和颜色特征关联的目标跟踪方法 |
CN103677734A (zh) * | 2012-09-25 | 2014-03-26 | 中国航天科工集团第二研究院二〇七所 | 基于特征匹配矩阵的多目标数据关联算法 |
CN104155651A (zh) * | 2014-08-30 | 2014-11-19 | 电子科技大学 | 一种用于极化雷达目标跟踪的概率数据关联方法 |
CN104217428A (zh) * | 2014-08-22 | 2014-12-17 | 南京邮电大学 | 一种融合特征匹配和数据关联的视频监控多目标跟踪方法 |
CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
CN106443622A (zh) * | 2016-09-13 | 2017-02-22 | 哈尔滨工程大学 | 一种基于改进联合概率数据关联的分布式目标跟踪方法 |
CN107145862A (zh) * | 2017-05-05 | 2017-09-08 | 山东大学 | 一种基于霍夫森林的多特征匹配多目标跟踪方法 |
US20170286778A1 (en) * | 2015-01-16 | 2017-10-05 | Avigilon Fortress Corporation | System and method for detecting, tracking, and classifiying objects |
CN107464256A (zh) * | 2017-07-05 | 2017-12-12 | 河海大学 | 一种目标检测与可能性判别修正的关联方法 |
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN109191500A (zh) * | 2018-09-14 | 2019-01-11 | 中国科学院长春光学精密机械与物理研究所 | 一种多目标跟踪方法 |
CN111007454A (zh) * | 2019-10-28 | 2020-04-14 | 重庆邮电大学 | 一种基于合作目标信息的扩展目标跟踪方法 |
CN111069090A (zh) * | 2019-12-02 | 2020-04-28 | 庄颖桐 | 基于颜色识别的自动分拣跟踪方法及小车 |
CN111552292A (zh) * | 2020-05-09 | 2020-08-18 | 沈阳建筑大学 | 基于视觉的移动机器人路径生成与动态目标跟踪方法 |
AU2020102039A4 (en) * | 2020-08-28 | 2020-10-08 | Peng, Yue Miss | A high-precision multi-targets visual detection method in automatic driving scene |
-
2020
- 2020-12-18 CN CN202011509288.7A patent/CN112748735B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5400264A (en) * | 1993-04-29 | 1995-03-21 | International Business Machines Corporation | Suboptimal joint probabilistic data association |
WO2000010032A1 (en) * | 1998-08-11 | 2000-02-24 | Northrop Grumman Corporation | Method for tracking a target having substantially constrained movement |
EP1983486A2 (en) * | 2007-04-20 | 2008-10-22 | General Electric Company | Method and system for distributed multiple target tracking |
US20080259163A1 (en) * | 2007-04-20 | 2008-10-23 | General Electric Company | Method and system for distributed multiple target tracking |
US20130006577A1 (en) * | 2010-03-15 | 2013-01-03 | Bae Systems Pic | Target tracking |
CN102521612A (zh) * | 2011-12-16 | 2012-06-27 | 东华大学 | 一种基于协同关联粒子滤波的多视频目标主动跟踪方法 |
CN103677734A (zh) * | 2012-09-25 | 2014-03-26 | 中国航天科工集团第二研究院二〇七所 | 基于特征匹配矩阵的多目标数据关联算法 |
CN103065331A (zh) * | 2013-01-15 | 2013-04-24 | 南京工程学院 | 基于空时域边缘和颜色特征关联的目标跟踪方法 |
CN104217428A (zh) * | 2014-08-22 | 2014-12-17 | 南京邮电大学 | 一种融合特征匹配和数据关联的视频监控多目标跟踪方法 |
CN104155651A (zh) * | 2014-08-30 | 2014-11-19 | 电子科技大学 | 一种用于极化雷达目标跟踪的概率数据关联方法 |
US20170286778A1 (en) * | 2015-01-16 | 2017-10-05 | Avigilon Fortress Corporation | System and method for detecting, tracking, and classifiying objects |
CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
CN106443622A (zh) * | 2016-09-13 | 2017-02-22 | 哈尔滨工程大学 | 一种基于改进联合概率数据关联的分布式目标跟踪方法 |
CN107145862A (zh) * | 2017-05-05 | 2017-09-08 | 山东大学 | 一种基于霍夫森林的多特征匹配多目标跟踪方法 |
CN107464256A (zh) * | 2017-07-05 | 2017-12-12 | 河海大学 | 一种目标检测与可能性判别修正的关联方法 |
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN109191500A (zh) * | 2018-09-14 | 2019-01-11 | 中国科学院长春光学精密机械与物理研究所 | 一种多目标跟踪方法 |
CN111007454A (zh) * | 2019-10-28 | 2020-04-14 | 重庆邮电大学 | 一种基于合作目标信息的扩展目标跟踪方法 |
CN111069090A (zh) * | 2019-12-02 | 2020-04-28 | 庄颖桐 | 基于颜色识别的自动分拣跟踪方法及小车 |
CN111552292A (zh) * | 2020-05-09 | 2020-08-18 | 沈阳建筑大学 | 基于视觉的移动机器人路径生成与动态目标跟踪方法 |
AU2020102039A4 (en) * | 2020-08-28 | 2020-10-08 | Peng, Yue Miss | A high-precision multi-targets visual detection method in automatic driving scene |
Non-Patent Citations (11)
Title |
---|
BAOYING CHEN,等: ""Study on target tracking algorithm integrating color and contour features"", 《2017 12TH INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS AND KNOWLEDGE ENGINEERING (ISKE)》 * |
HOWARD WANG: "Multi-Target Video Tracking Based on Improved", 《IEEE SENSORS JOURNAL》 * |
吴佳芯: ""多目标跟踪的数据关联算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技II辑》 * |
张进,等: ""基于多特征融合的红外目标关联算法"", 《红外与激光工程》 * |
成志航: ""基于计算机视觉的车辆跟踪算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
李正英: ""基于特征融合与数据关联的视频多目标跟踪算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
樊振华: ""基于特征协方差和粒子滤波的视频跟踪算法研究"", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技II辑》 * |
章成铭: ""基于深度学习的数据关联多目标跟踪"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
胡随芯,等: ""基于多特征融合的高速路车辆多目标跟踪算法研究"", 《汽车技术》 * |
许二敏: ""跨摄像头目标跟踪技术研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技II辑》 * |
魏瑶: "复杂场景下视觉目标跟踪算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936037A (zh) * | 2021-10-13 | 2022-01-14 | 重庆邮电大学 | 引入目标间拓扑特征的扩展目标跟踪方法、介质及系统 |
CN114662535A (zh) * | 2022-03-15 | 2022-06-24 | 中国矿业大学 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
CN114662535B (zh) * | 2022-03-15 | 2022-11-11 | 中国矿业大学 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112748735B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544592B (zh) | 针对相机移动的运动目标检测算法 | |
US20090110236A1 (en) | Method And System For Object Detection And Tracking | |
CN107703496B (zh) | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 | |
CN105405151A (zh) | 基于粒子滤波和加权Surf的抗遮挡目标跟踪方法 | |
CN110766058B (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN110967690B (zh) | 一种基于多伯努利分布式多传感器多目标跟踪方法 | |
CN112748735B (zh) | 一种引入颜色特征的扩展目标跟踪方法 | |
CN102521612B (zh) | 一种基于协同关联粒子滤波的多视频目标主动跟踪方法 | |
WO2012009947A1 (zh) | 特征迹驱动的多目标跟踪装置及方法 | |
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 | |
CN105184829B (zh) | 一种紧密空间目标检测和高精度质心定位方法 | |
CN108447076A (zh) | 基于深度增强学习的多目标跟踪方法 | |
CN113091738A (zh) | 基于视觉惯导融合的移动机器人地图构建方法及相关设备 | |
CN111562571A (zh) | 一种未知新生强度的机动多目标跟踪与航迹维持方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN103942786B (zh) | 无人机可见光和红外图像的自适应团块目标检测方法 | |
CN111723747A (zh) | 一种应用于嵌入式平台轻量型高效率的目标检测方法 | |
CN106846373A (zh) | 一种融合目标外观模型和博弈论的视频目标互遮挡处理方法 | |
CN115546705A (zh) | 目标识别方法、终端设备及存储介质 | |
CN109814074A (zh) | 基于图像形态处理的群目标跟踪方法 | |
CN109298413A (zh) | 一种针对性解决复杂电磁环境下的多目标跟踪数据关联问题的方法 | |
CN113191427B (zh) | 一种多目标车辆跟踪方法及相关装置 | |
CN117075097B (zh) | 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统 | |
CN115170621A (zh) | 一种基于相关滤波框架的动态背景下目标跟踪方法及系统 |
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 |