CN113658216B - 基于多级自适应kcf的遥感目标跟踪方法及电子设备 - Google Patents
基于多级自适应kcf的遥感目标跟踪方法及电子设备 Download PDFInfo
- Publication number
- CN113658216B CN113658216B CN202110716174.8A CN202110716174A CN113658216B CN 113658216 B CN113658216 B CN 113658216B CN 202110716174 A CN202110716174 A CN 202110716174A CN 113658216 B CN113658216 B CN 113658216B
- Authority
- CN
- China
- Prior art keywords
- target
- frame
- image
- tracking
- adaptive
- 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 60
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000001976 improved effect Effects 0.000 claims abstract description 22
- 230000001629 suppression Effects 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20024—Filtering details
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
基于多级自适应KCF的遥感目标跟踪方法及电子设备,方法包括:输入采集到的视频序列帧,对单通道灰度图像进行自适应处理;对框选目标初始化的当前帧视频图像,根据目标位置确定搜索区域,提取区域内的FHOG和LAB特征;计算自相关矩阵,更新模型参数,对目标参数初始化作为后续帧跟踪的初始模板;对后续帧图像,根据目标位置和上一帧响应最大值,自适应确定是否应用改进的上下文信息抑制方法,并提取相应搜索区域的特征;计算互相关矩阵,检测到响应值最大的位置,更新当前帧的目标位置,根据该位置确定新的搜索区域,提取该区域内的相应特征,根据响应最大值自适应的对模板尺寸进行调整;计算自相关矩阵并更新模型参数,用于下一帧图像的跟踪。
Description
技术领域
本发明涉及图像处理的技术领域,尤其涉及一种基于多级自适应KCF的遥感目标跟踪方法,以及基于这种基于多级自适应KCF的遥感目标跟踪方法的电子设备。
背景技术
近些年来,人工智能相关技术在各个领域快速发展,其中遥感目标跟踪作为典型应用,在违法人员抓捕、港口监测、要地防护等领域都具有非常高的应用价值,国内外的众多学者也提出了许多目标跟踪方法。然而,遥感视频的图像分辨率相对较低,周围易存在多个相似干扰,且在实际应用过程中,主流的跟踪方法通常时效性不高,难以在嵌入式设备中实现高时效性的跟踪任务。因此,如何更好的平衡跟踪精度和时效性成为了该技术在应用过程中的主要难点。
目前主流的目标跟踪方法可以分为两类:传统相关滤波类目标跟踪方法、基于深度卷积网络的跟踪方法。传统相关滤波类目标跟踪方法通过滤波模板和图像序列做卷积运算来定位目标位置,具有较高的跟踪速度。然而,此类方法的缺点是长时遮挡、相似背景干扰和快速尺度变化的情况下无法有效的跟踪目标。基于深度卷积网络的跟踪方法在跟踪过程中可以保持较高的跟踪准确率,如Dongyan Guo等人于在其论文“SiamCAR:SiameseFully Convolutional Classification and Regression for Visual Tracking”中提出了一种孪生分类和回归网络框架,Zedu Chen等人在其论文“Siamese Box AdaptiveNetwork for Visual Tracking”中将目标跟踪看作是一种并行分类和回归问题,使跟踪方法更具有灵活性。然而,此类方法难以在各类嵌入式平台中实际应用,因为其通常具有复杂的计算过程和大量的模板更新机制。
近些年来,一种基于相关滤波类的跟踪方法——核相关滤波(KernelizedCorrelation Filters,KCF)能够在保证时效性的前提下,较好完成多种场景下的目标跟踪任务。KCF跟踪方法通过目标样本来训练一个判别式的分类器,判断方法跟踪到的是目标还是背景信息,主要使用循环矩阵对目标样本进行采集,使用快速傅里叶变化FFT对方法进行加速处理操作。然而,遥感视频图像中的目标通常较小,且周围存在较多的易混干扰物,同时在实际遥感应用场景中,目标尺寸或大或小,采用固定的模板尺寸会严重影响跟踪时效性,造成大量的运算成本。
发明内容
为克服现有技术的缺陷,本发明要解决的技术问题是提供了一种基于多级自适应KCF的遥感目标跟踪方法,其能够维持后续提取特征过程的一致性,自适应判断对背景信息是否进行抑制,可以对模板尺寸进行自适应的调整,在保证跟踪准确率的前提下提升跟踪时效性,在各种嵌入式平台更具有实用性。
本发明的技术方案是:这种基于多级自适应KCF的遥感目标跟踪方法,其包括以下步骤:
(1)输入采集到的视频序列帧,对单通道灰度图像进行自适应处理,当判定读取图像为单通道时,经过通道融合处理变为三通道图像;
(2)对于框选目标初始化的当前帧视频图像,根据目标位置确定搜索区域,提取区域内的FHOG特征和LAB特征;
(3)根据步骤(2)得到的特征计算自相关矩阵,更新模型参数,用于对目标参数的初始化,作为后续帧跟踪的初始模板;
(4)对于后续帧图像,根据目标位置和上一帧响应最大值,自适应地确定是否应用改进的上下文信息抑制方法,并提取相应搜索区域的FHOG特征和LAB特征;
(5)通过步骤(4)得到的特征,计算互相关矩阵,检测到响应值最大的位置,更新当前帧的目标位置,根据该位置确定新的搜索区域,并提取该区域内的相应特征,其中在提取特征时,根据响应最大值自适应的对模板尺寸进行调整;
(6)根据步骤(5)处理结果,计算自相关矩阵并更新模型参数,继续用于下一帧图像的跟踪。
本发明对于输入视频图像,可以自适应的对图像通道数进行判断,扩充单通道图像为三通道图像,维持后续提取特征过程的一致性;在对当前帧目标的检测过程中,使用改进后的上下文信息抑制方法对背景信息进行抑制,并根据上一帧响应最大值对是否使用该方法进行自适应判断;在对目标特征的提取过程中,可以对模板尺寸进行自适应的调整,在保证跟踪准确率的前提下提升跟踪时效性,在各种嵌入式平台更具有实用性。
还提供了基于多级自适应KCF的遥感目标跟踪电子设备,其包括:视频采集模块、处理器模块、电源模块、终端设备和显示控制模块;
视频采集模块通过连接的摄像头采集视频图像;处理器模块通过调用相关函数接口对采集的图像进行待跟踪目标的初始化和目标实时跟踪;显示控制模块对采集的视频图像和目标实时跟踪的效果进行显示,并且可以对处理器模块发送指令;用户通过终端设备输入控制指令;电源模块对设备的每个模块进行供电;
处理器模块包括:
预处理单元,其输入采集到的视频序列帧,对单通道灰度图像进行自适应处理,当判定读取图像为单通道时,经过通道融合处理变为三通道图像;
特征提取单元,其对于框选目标初始化的当前帧视频图像,根据目标位置确定搜索区域,提取区域内的FHOG特征和LAB特征;
参数初始化单元,其根据特征提取单元得到的特征计算自相关矩阵,更新模型参数,用于对目标参数的初始化,作为后续帧跟踪的初始模板;
自适应判断单元,其对于后续帧图像,根据目标位置和上一帧响应最大值,自适应地确定是否应用改进的上下文信息抑制方法,并提取相应搜索区域的FHOG特征和LAB特征;
模板尺寸调整单元,其通过自适应判断单元得到的特征,计算互相关矩阵,检测到响应值最大的位置,更新当前帧的目标位置,根据该位置确定新的搜索区域,并提取该区域内的相应特征,其中在提取特征时,根据响应最大值自适应的对模板尺寸进行调整;
计算单元,其计算自相关矩阵并更新模型参数,继续用于下一帧图像的跟踪。
附图说明
图1是根据本发明的基于多级自适应KCF的遥感目标跟踪方法的流程图。
图2为本发明实施例的基于多级自适应KCF的遥感目标跟踪方法中改进的上下文信息抑制方法的示意图。
图3示出了一种电子设备的实体结构示意图。
具体实施方式
如图1所示,这种基于多级自适应KCF的遥感目标跟踪方法,其包括以下步骤:
(1)输入采集到的视频序列帧,对单通道灰度图像进行自适应处理,当判定读取图像为单通道时,经过通道融合处理变为三通道图像;
(2)对于框选目标初始化的当前帧视频图像,根据目标位置确定搜索区域,提取区域内的FHOG特征和LAB特征;
(3)根据步骤(2)得到的特征计算自相关矩阵,更新模型参数,用于对目标参数的初始化,作为后续帧跟踪的初始模板;
(4)对于后续帧图像,根据目标位置和上一帧响应最大值,自适应地确定是否应用改进的上下文信息抑制方法,并提取相应搜索区域的FHOG特征和LAB特征;
(5)通过步骤(4)得到的特征,计算互相关矩阵,检测到响应值最大的位置,更新当前帧的目标位置,根据该位置确定新的搜索区域,并提取该区域内的相应特征,其中在提取特征时,根据响应最大值自适应的对模板尺寸进行调整;
(6)根据步骤(5)处理结果,计算自相关矩阵并更新模型参数,继续用于下一帧图像的跟踪。
本发明对于输入视频图像,可以自适应的对图像通道数进行判断,扩充单通道图像为三通道图像,维持后续提取特征过程的一致性;在对当前帧目标的检测过程中,使用改进后的上下文信息抑制方法对背景信息进行抑制,并根据上一帧响应最大值对是否使用该方法进行自适应判断;在对目标特征的提取过程中,可以对模板尺寸进行自适应的调整,在保证跟踪准确率的前提下提升跟踪时效性,在各种嵌入式平台更具有实用性。
优选地,所述步骤(1)中,若为单通道图像,则扩充其通道数,将单通道复制成三组,重新构建成一幅三通道图像,每个像素点的三通道数值均相同。
优选地,所述步骤(2)之后,根据结果计算自相关矩阵,并更新初始化模型参数。
优选地,所述步骤(3)中,若在步骤(2)中判断输入的视频帧为视频序列的后续帧,则利用上一帧的目标响应值Ri-1进行判断,若满足:Ri-1<ε1,则认为目标的响应值较低,需要通过抑制背景干扰达到突出真实目标的目的,则在当前帧使用改进上下文信息抑制方法,
其中ε1=0.5。
由于遥感图像的背景通常较为复杂,目标尺寸较小,需要较为全面的考虑到目标周围各种背景信息的影响。为此,本发明实施例改进了上下文区域的选择范围,改进后的效果图如图2所示。T0为真实目标,宽和高为w和h,T1、T2、T3、T4分别为改进后的上下文信息抑制区域,宽和高分别为w和2h、2w和h,w和2h、2w和h;
KCF的优化公式为:
B0和Bi分别为目标和上下文信息对应的循环矩阵,y表示目标对应的标签,ω为待学习的相关滤波参数,λ1和λ2分别为调节因子。
优选地,所述步骤(3)中,λ1取1、λ2取15。
优选地,所述步骤(5)中,若当前帧目标的响应值Ri满足:Ri>ε2,则认为跟踪算法对当前帧的目标特征学习充分,对目标有较强的辨识能力;此时将模板尺寸缩小到正常模板尺寸的0.65倍,ε2=0.5。
优选地,所述步骤(6)中,下一帧图像的跟踪,重复步骤(3)-(6);通过不断确定新的跟踪帧的目标位置,并不断更新跟踪帧的模型参数,直至将视频序列跟踪完毕,则完成本发明实施例所提出的跟踪主要流程。
还提供了基于多级自适应KCF的遥感目标跟踪电子设备,其包括:视频采集模块、处理器模块、电源模块、终端设备和显示控制模块;
视频采集模块通过连接的摄像头采集视频图像;处理器模块通过调用相关函数接口对采集的图像进行待跟踪目标的初始化和目标实时跟踪;显示控制模块对采集的视频图像和目标实时跟踪的效果进行显示,并且可以对处理器模块发送指令;用户通过终端设备输入控制指令;电源模块对设备的每个模块进行供电;
处理器模块包括:
预处理单元,其输入采集到的视频序列帧,对单通道灰度图像进行自适应处理,当判定读取图像为单通道时,经过通道融合处理变为三通道图像;
特征提取单元,其对于框选目标初始化的当前帧视频图像,根据目标位置确定搜索区域,提取区域内的FHOG特征和LAB特征;
参数初始化单元,其根据特征提取单元得到的特征计算自相关矩阵,更新模型参数,用于对目标参数的初始化,作为后续帧跟踪的初始模板;
自适应判断单元,其对于后续帧图像,根据目标位置和上一帧响应最大值,自适应地确定是否应用改进的上下文信息抑制方法,并提取相应搜索区域的FHOG特征和LAB特征;
模板尺寸调整单元,其通过自适应判断单元得到的特征,计算互相关矩阵,检测到响应值最大的位置,更新当前帧的目标位置,根据该位置确定新的搜索区域,并提取该区域内的相应特征,其中在提取特征时,根据响应最大值自适应的对模板尺寸进行调整;
计算单元,其计算自相关矩阵并更新模型参数,继续用于下一帧图像的跟踪。
优选地,所述参数初始化单元中,若在特征提取单元中判断输入的视频帧为视频序列的后续帧,则利用上一帧的目标响应值Ri-1进行判断,若满足:Ri-1<ε1,则认为目标的响应值较低,需要通过抑制背景干扰达到突出真实目标的目的,则在当前帧使用改进上下文信息抑制方法,
其中ε1=0.5。
由于遥感图像的背景通常较为复杂,目标尺寸较小,需要较为全面的考虑到目标周围各种背景信息的影响。为此,本发明实施例改进了上下文区域的选择范围,改进后的效果图如图2所示。T0为真实目标,宽和高为w和h,T1、T2、T3、T4分别为改进后的上下文信息抑制区域,宽和高分别为w和2h、2w和h,w和2h、2w和h;
KCF的优化公式为:
B0和Bi分别为目标和上下文信息对应的循环矩阵,y表示目标对应的标签,ω为待学习的相关滤波参数,λ1和λ2分别为调节因子。
优选地,所述模板尺寸调整单元中,若当前帧目标的响应值Ri满足:Ri>ε2,则认为跟踪算法对当前帧的目标特征学习充分,对目标有较强的辨识能力;此时将模板尺寸缩小到正常模板尺寸的0.65倍,ε2=0.5。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (7)
1.基于多级自适应KCF的遥感目标跟踪方法,其特征在于:其包括以下步骤:
(1)输入采集到的视频序列帧,对单通道灰度图像进行自适应处理,当判定读取图像为单通道时,经过通道融合处理变为三通道图像;
(2)对于框选目标初始化的当前帧视频图像,根据目标位置确定搜索区域,提取区域内的FHOG特征和LAB特征;
(3)根据步骤(2)得到的特征计算自相关矩阵,更新模型参数,
用于对目标参数的初始化,作为后续帧跟踪的初始模板;
(4)对于后续帧图像,根据目标位置和上一帧响应最大值,自适应地确定是否应用改进的上下文信息抑制方法,并提取相应搜索区域的FHOG特征和LAB特征;
(5)通过步骤(4)得到的特征,计算互相关矩阵,检测到响应值最大的位置,更新当前帧的目标位置,根据该位置确定新的搜索区域,并提取该区域内的相应特征,其中在提取特征时,根据响应最大值自适应的对模板尺寸进行调整;
(6)根据步骤(5)处理结果,计算自相关矩阵并更新模型参数,
继续用于下一帧图像的跟踪;
所述步骤(1)中,若为单通道图像,则扩充其通道数,将单通道复制成三组,重新构建成一幅三通道图像,每个像素点的三通道数值均相同;
所述步骤(2)之后,根据结果计算自相关矩阵,并更新初始化模型参数;
所述步骤(3)中,若在步骤(2)中判断输入的视频帧为视频序列的后续帧,则利用上一帧的目标响应值Ri-1进行判断,若满足:Ri-1<ε1,则认为目标的响应值较低,需要通过抑制背景干扰达到突出真实目标的目的,则在当前帧使用改进上下文信息抑制方法,其中ε1=0.5;T0为真实目标,宽和高为w和h,T1、T2、T3、T4分别为改进后的上下文信息抑制区域,宽和高分别为w和2h、2w和h,w和2h、2w和h;
KCF的优化公式为:
B0和Bi分别为目标和上下文信息对应的循环矩阵,y表示目标对应的标签,ω为待学习的相关滤波参数,λ1和λ2分别为调节因子。
2.根据权利要求1所述的基于多级自适应KCF的遥感目标跟踪方法,其特征在于:所述步骤(3)中,λ1取1、λ2取15。
3.根据权利要求2所述的基于多级自适应KCF的遥感目标跟踪方法,其特征在于:所述步骤(5)中,若当前帧目标的响应值Ri满足:Ri>ε2,则认为跟踪算法对当前帧的目标特征学习充分,对目标有较强的辨识能力;此时将模板尺寸缩小到正常模板尺寸的0.65倍,ε2=0.5。
4.根据权利要求1所述的基于多级自适应KCF的遥感目标跟踪方法,其特征在于:步骤(6)中,下一帧图像的跟踪,重复步骤(3)-(6);通过不断确定新的跟踪帧的目标位置,并不断更新跟踪帧的模型参数,直至将视频序列跟踪完毕。
5.根据权利要求1所述的基于多级自适应KCF的遥感目标跟踪方法的电子设备,其特征在于:其包括:视频采集模块、处理器模块、电源模块、终端设备和显示控制模块;
视频采集模块通过连接的摄像头采集视频图像;处理器模块通过调用相关函数接口对采集的图像进行待跟踪目标的初始化和目标实时跟踪;显示控制模块对采集的视频图像和目标实时跟踪的效果进行显示,并且可以对处理器模块发送指令;用户通过终端设备输入控制指令;电源模块对设备的每个模块进行供电;
处理器模块包括:
预处理单元,其输入采集到的视频序列帧,对单通道灰度图像进行自适应处理,当判定读取图像为单通道时,经过通道融合处理变为三通道图像;
特征提取单元,其对于框选目标初始化的当前帧视频图像,根据目标位置确定搜索区域,提取区域内的FHOG特征和LAB特征;
参数初始化单元,其根据特征提取单元得到的特征计算自相关矩阵,更新模型参数,用于对目标参数的初始化,作为后续帧跟踪的初始模板;
自适应判断单元,其对于后续帧图像,根据目标位置和上一帧响应最大值,自适应地确定是否应用改进的上下文信息抑制方法,并提取相应搜索区域的FHOG特征和LAB特征;
模板尺寸调整单元,其通过自适应判断单元得到的特征,计算互相关矩阵,检测到响应值最大的位置,更新当前帧的目标位置,根据该位置确定新的搜索区域,并提取该区域内的相应特征,其中在提取特征时,根据响应最大值自适应的对模板尺寸进行调整;
计算单元,其计算自相关矩阵并更新模型参数,继续用于下一帧图像的跟踪。
6.根据权利要求5所述的电子设备,其特征在于:所述参数初始化单元中,若在特征提取单元中判断输入的视频帧为视频序列的后续帧,则利用上一帧的目标响应值Ri-1进行判断,若满足:Ri-1<ε1,则认为目标的响应值较低,需要通过抑制背景干扰达到突出真实目标的目的,则在当前帧使用改进上下文信息抑制方法,
其中ε1=0.5;T0为真实目标,宽和高为w和h,T1、T2、T3、T4分别为改进后的上下文信息抑制区域,宽和高分别为w和2h、2w和h,w和2h、2w和h;
KCF的优化公式为:
B0和Bi分别为目标和上下文信息对应的循环矩阵,y表示目标对应的标签,ω为待学习的相关滤波参数,λ1和λ2分别为调节因子。
7.根据权利要求6所述的电子设备,其特征在于:所述模板尺寸调整单元中,若当前帧目标的响应值Ri满足:Ri>ε2,则认为跟踪算法对当前帧的目标特征学习充分,对目标有较强的辨识能力;此时将模板尺寸缩小到正常模板尺寸的0.65倍,ε2=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110716174.8A CN113658216B (zh) | 2021-06-24 | 2021-06-24 | 基于多级自适应kcf的遥感目标跟踪方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110716174.8A CN113658216B (zh) | 2021-06-24 | 2021-06-24 | 基于多级自适应kcf的遥感目标跟踪方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658216A CN113658216A (zh) | 2021-11-16 |
CN113658216B true CN113658216B (zh) | 2024-07-19 |
Family
ID=78489045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110716174.8A Active CN113658216B (zh) | 2021-06-24 | 2021-06-24 | 基于多级自适应kcf的遥感目标跟踪方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658216B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782502B (zh) * | 2022-06-16 | 2022-11-04 | 浙江宇视科技有限公司 | 一种多光谱多传感器协同处理方法及装置、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341820A (zh) * | 2017-07-03 | 2017-11-10 | 郑州轻工业学院 | 一种融合Cuckoo搜索和KCF的突变运动目标跟踪方法 |
CN108053419A (zh) * | 2017-12-27 | 2018-05-18 | 武汉蛋玩科技有限公司 | 基于背景抑制和前景抗干扰的多尺度目标跟踪方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753846A (zh) * | 2017-11-03 | 2019-05-14 | 北京深鉴智能科技有限公司 | 目标跟踪硬件实现系统和方法 |
CN110895820B (zh) * | 2019-03-14 | 2023-03-24 | 河南理工大学 | 一种基于kcf的尺度自适应目标跟踪方法 |
CN112396065A (zh) * | 2020-10-19 | 2021-02-23 | 北京理工大学 | 基于相关滤波的尺度自适应的目标跟踪方法及系统 |
-
2021
- 2021-06-24 CN CN202110716174.8A patent/CN113658216B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341820A (zh) * | 2017-07-03 | 2017-11-10 | 郑州轻工业学院 | 一种融合Cuckoo搜索和KCF的突变运动目标跟踪方法 |
CN108053419A (zh) * | 2017-12-27 | 2018-05-18 | 武汉蛋玩科技有限公司 | 基于背景抑制和前景抗干扰的多尺度目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113658216A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
CN108550161B (zh) | 一种尺度自适应核相关滤波快速目标跟踪方法 | |
CN104123544B (zh) | 基于视频分析的异常行为检测方法及系统 | |
CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN108492319A (zh) | 基于深度全卷积神经网络的运动目标检测方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN105354791A (zh) | 一种改进的自适应混合高斯前景检测方法 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN109711332B (zh) | 一种基于回归算法的人脸跟踪方法及应用 | |
CN107993250A (zh) | 一种快速多目标行人追踪和分析方法及其智能装置 | |
CN109583442A (zh) | 基于线段检测的虚假车牌检测方法及装置 | |
CN111340842A (zh) | 一种基于联合模型的相关滤波目标跟踪算法 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN113012383A (zh) | 火灾检测报警方法、相关系统、相关设备及存储介质 | |
CN113658216B (zh) | 基于多级自适应kcf的遥感目标跟踪方法及电子设备 | |
CN112257492A (zh) | 一种多路摄像头实时入侵检测与跟踪方法 | |
CN113971684B (zh) | 一种基于kcf和surf特征的实时鲁棒目标跟踪方法 | |
CN104751487A (zh) | 一种基于彩色rgb三平面色变帧差的运动目标检测方法 | |
CN110322479B (zh) | 一种基于时空显著性的双核kcf目标跟踪方法 | |
CN117689617A (zh) | 基于去雾约束网络和串联多尺度注意力的绝缘子检测方法 | |
CN116152699B (zh) | 用于水电厂视频监控系统的实时运动目标检测方法 | |
CN116721559A (zh) | 一种基于kcf算法的干线绿波控制方法及系统 | |
CN103886607B (zh) | 一种针对扰动目标的检测及抑制方法 | |
CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
CN106372650B (zh) | 一种基于运动预测的压缩跟踪方法 |
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 |