CN113808171A - 基于特征权重池的动态特征选择的无人机视觉跟踪方法 - Google Patents

基于特征权重池的动态特征选择的无人机视觉跟踪方法 Download PDF

Info

Publication number
CN113808171A
CN113808171A CN202111134051.XA CN202111134051A CN113808171A CN 113808171 A CN113808171 A CN 113808171A CN 202111134051 A CN202111134051 A CN 202111134051A CN 113808171 A CN113808171 A CN 113808171A
Authority
CN
China
Prior art keywords
feature
suggestions
target
scale
response
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.)
Pending
Application number
CN202111134051.XA
Other languages
English (en)
Inventor
安志勇
王秀敏
李博
张斌
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.)
Shandong Technology and Business University
Original Assignee
Shandong Technology and Business 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 Shandong Technology and Business University filed Critical Shandong Technology and Business University
Priority to CN202111134051.XA priority Critical patent/CN113808171A/zh
Publication of CN113808171A publication Critical patent/CN113808171A/zh
Pending legal-status Critical Current

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

基于特征权重池的动态特征选择的无人机视觉跟踪方法，首先读取跟踪序列；然后提取目标特征，使用特征权重池中的特征权重对目标特征进行加权，获取多个加权后的特征通道；将所有特征通道与偏移滤波器进行卷积，获取多个响应图；计算响应图的峰值旁瓣比，记录下最优响应图对应的特征权重及峰值；使用EdgeBoxes提取建议，放弃评分过高或过低的建议，提取建议区域特征，使用保留的特征权重加权，随后与模型外观做高斯相关操作，得到建议的置信度，如果建议的置信度高于峰值，则保留建议。最后将建议尺度与基线滤波器估计的尺度进行线性融合。本发明在目标发生尺度变化、背景扰动等复杂挑战下，有效提高了跟踪器对小目标跟踪的整体性能。

Description

基于特征权重池的动态特征选择的无人机视觉跟踪方法
技术领域
本发明属于目标跟踪技术领域，具体涉及一种基于特征权重池的动态特征选择的无人机视觉跟踪方法。
背景技术
目标跟踪是计算机视觉领域中的一个具有挑战性的问题，它在无人机中有极其广泛的应用。近年来视觉跟踪得到了有效的发展，但由于物体和无人机的快速运动、部分遮挡、几何变形等挑战，精确性和鲁棒性仍然是跟踪的艰巨任务。
一般来说，基于DCF的跟踪任务中集成了在线学习解决方案，这使得滤波器在各种挑战中保持令人满意的鲁棒性。具体来说，Yiming Li等人提出了一种基于STRCF的，具有自动时空正则化的高性能视觉跟踪方法AutoTrack。AutoTrack可以自动调整时空正则化项的超参数，并在实际场景中证明了其有效性和通用性。上述跟踪器虽然采用手工特征或深度特征来描述目标的外观，可以达到比较理想的跟踪效果，但未能在特征组合内探索不同特征的强度，并且使用固定纵横比的方法无法适应复杂的跟踪场景。当遇到相似目标干扰、尺度变换等挑战时，它们会失去鲁棒性和准确性。
针对上述问题，本发明提出基于特征权重池的动态特征选择的无人机视觉跟踪方法，使用动态特征选择方法提高滤波器精度，使用EdgeBoxes对优化滤波器尺度。
发明内容
本发明是针对跟踪框尺度和偏移不准确的基于特征权重池的动态特征选择的无人机视觉跟踪方法，旨在解决目标发生运动、尺度变化等复杂场景下导致的跟踪框尺度和角度的不稳定性与不准确性。
基于特征权重池的动态特征选择的无人机视觉跟踪方法，包括如下步骤：
(1)读取跟踪序列，获取跟踪目标的位置信息及尺度信息；
(2)提取目标特征，使用特征权重池中的特征权重对目标特征进行加权，获取多个加权后的特征通道；
(3)将所有特征通道与偏移滤波器进行卷积，获取多个响应图；
(4)计算响应图的峰值旁瓣比，使用峰值旁瓣比最高的响应图作为目标所处的位置的判断依据，并记录下最优响应图对应的特征权重及峰值；
(5)使用EdgeBoxes提取建议，建议中包括随机纵横比的尺度信息以及尺度信息对应的评分；
(6)放弃评分过高或过低的建议，筛选后的建议使用特征权重加权，随后与模型外观做高斯相关操作，得到建议的置信度，如果建议的置信度高于峰值，则保留建议；
(7)将建议尺度与基线滤波器估计的尺度进行线性融合；
在步骤2中，提取目标特征，形成特征通道xt，使用特征权重池P中的特征权重对目标特征进行加权，获取多个加权后的特征通道,可分为如下步骤：
S2.1特征权重池为：
Figure BDA0003281612490000021
S2.2使用特征权重池对特征通道进行加权：
Figure BDA0003281612490000022
其中，xt是具有多个通道的特征；
Figure BDA0003281612490000023
是特征权重池中的一组特征权重。
在步骤3中，将所有特征通道与偏移滤波器ft-1进行卷积，获取多个响应图Ri：
Ri＝Xt*ft-1 (3)
在步骤4中，计算响应图的峰值旁瓣比PSR(Ri)，使用峰值旁瓣比最高的响应图作为目标所处的位置的判断依据，并记录下最优响应图对应的特征权重
Figure BDA0003281612490000024
及峰值，可分为如下步骤：
S4.1计算响应图的峰值旁瓣比：
Figure BDA0003281612490000025
PSR(Ri)为第i个响应图的峰值旁瓣比，
Figure BDA0003281612490000026
为第i个响应图峰值，
Figure BDA0003281612490000027
为第i个响应图均值，std(Ri)为第i个响应图的方差。
S4.2记录下最优响应图对应的特征权重：
Figure BDA0003281612490000031
S4.3记录下最优响应图对应的峰值：
Figure BDA0003281612490000032
在步骤5中，EdgeBoxes利用边缘信息，判断搜索区域内的物体个数及物体尺度信息，输出随机纵横比的尺度信息以及尺度信息对应的评分。
在步骤6中，放弃评分过高或过低的建议，提取筛选后建议的目标特征，使用特征权重加权，随后将加权后特征与模型外观做高斯相关操作，得到建议的置信度，如果建议的置信度高于峰值，则保留建议，可分为如下步骤：
S6.1放弃评分过高或过低的建议：
当评分大于阈值0.9时，EdgeBoxes提出的信息与前一帧的信息基本相同，当评分小于阈值0.6时，建议包含过多的干扰信息；
S6.2将建议特征与模型外观做高斯相关操作：
Figure BDA0003281612490000033
ωt是高斯置信度，如果大于最优响应图对应的峰值
Figure BDA0003281612490000034
则表明建议有效，否则放弃建议，
Figure BDA0003281612490000035
是偏移滤波器向量化后的转置向量，e是历史帧目标特征进行线性融合得到目标外观，F-1是傅里叶逆变换符号，^是离散傅立叶变换符号。
在步骤7中，将建议尺度与基线滤波器估计的尺度进行线性融合：
b＝α(τt-bt)+bt (8)
α是减少尺寸突然变化带来的不稳定性的阻尼因子，bt是基线滤波器预测的当前帧的尺度信息，τt是ωt最高的建议的尺度信息。
本发明提供的方法相较于以往技术优点在于：
(1)分析手工特征组合内不同特征的可靠性，使用峰值旁瓣比判断特征在不同帧的可靠性，实现特征的动态选择。
(2)优化滤波器尺度估计，缓解滤波器使用固定纵横比带来的问题，增强滤波器的鲁棒性。
(3)当目标发生遮挡、尺度变换、相似物体干扰时，滤波器仍能进行准确有效的跟踪。
附图说明
图1是本发明基于特征权重池的动态特征选择的无人机视觉跟踪方法流程图。
图2是AutoTrack算法针对uav0000294_00000_s第37帧的跟踪结果。
图3是本发明方法针对uav0000294_00000_s第37帧的跟踪结果。
图4是AutoTrack算法针对uav0000294_00000_s第43帧的跟踪结果。
图5是本发明方法针对uav0000294_00000_s第43帧的跟踪结果。
图6是AutoTrack算法针对uav0000294_00000_s第50帧的跟踪结果。
图7是本发明方法针对uav0000294_00000_s第50帧的跟踪结果。
图8是AutoTrack算法针对uav0000242_02327_s第2222帧的跟踪结果。
图9是本发明方法针对uav0000242_02327_s第2222帧的跟踪结果。
图10是AutoTrack算法针对uav0000242_02327_s第2231帧的跟踪结果。
图11是本发明方法针对uav0000242_02327_s第2231帧的跟踪结果。
图12是AutoTrack算法针对uav0000242_02327_s第2251帧的跟踪结果。
图13是本发明方法针对uav0000242_02327_s第2251帧的跟踪结果。
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、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。参照图1，本发明提供的示例以AutoTrack跟踪算法为基线跟踪器，具体实施方式如下。
(1)读取跟踪序列，获取跟踪目标的位置信息及尺度信息；
(2)提取目标特征，形成特征通道xt，使用特征权重池P中的特征权重对目标特征进行加权，获取多个加权后的特征通道,可分为如下步骤：
2.1特征权重池为：
Figure BDA0003281612490000051
2.2使用特征权重池对特征通道进行加权：
Figure BDA0003281612490000052
其中，xt是具有多个通道的特征；
Figure BDA0003281612490000053
是特征权重池中的一组特征权重。
(3)将所有特征通道与偏移滤波器ft-1进行卷积，获取多个响应图Ri：
Ri＝Xt*ft-1 (3)
(4)计算响应图的峰值旁瓣比PSR(Ri)，使用峰值旁瓣比最高的响应图作为目标所处的位置的判断依据，并记录下最优响应图对应的特征权重
Figure BDA0003281612490000054
及峰值，可分为如下步骤：
4.1计算响应图的峰值旁瓣比：
Figure BDA0003281612490000055
PSR(Ri)为第i个响应图的峰值旁瓣比，
Figure BDA0003281612490000056
为第i个响应图峰值，
Figure BDA0003281612490000057
为第i个响应图均值，std(Ri)为第i个响应图的方差。
4.2记录下最优响应图对应的特征权重：
Figure BDA0003281612490000058
4.3记录下最优响应图对应的峰值：
Figure BDA0003281612490000059
(5)EdgeBoxes利用边缘信息，判断搜索区域内的物体个数及物体尺度信息，输出随机纵横比的尺度信息以及尺度信息对应的评分。
(6)放弃评分过高或过低的建议，提取筛选后建议的目标特征，使用特征权重加权，随后将加权后特征与模型外观做高斯相关操作，得到建议的置信度，如果建议的置信度高于峰值，则保留建议，可分为如下步骤：
6.1放弃评分过高或过低的建议：
当评分大于阈值0.9时，EdgeBoxes提出的信息与前一帧的信息基本相同，当评分小于阈值0.6时，建议包含过多的干扰信息；
6.2将建议特征与模型外观做高斯相关操作：
Figure BDA0003281612490000061
ωt是高斯置信度，如果大于最优响应图对应的峰值
Figure BDA0003281612490000062
则表明建议有效，否则放弃建议，
Figure BDA0003281612490000063
是偏移滤波器向量化后的转置向量，e是历史帧目标特征进行线性融合得到目标外观，F-1是傅里叶逆变换符号，^是离散傅立叶变换符号。
(7)将建议尺度与基线滤波器估计的尺度进行线性融合：
b＝α(τt-bt)+bt (8)
α是减少尺寸突然变化带来的不稳定性的阻尼因子，bt是基线滤波器预测的当前帧的尺度信息，τt是ωt最高的建议的尺度信息。
为了验证本发明的整体跟踪性能，本发明在单目标主流的跟踪平台VisDrone2018-test-dev数据集上进行了验证，对VisDrone2018-test-dev数据集上的35个视频进行了验证，在精确度和成功率两个指标上进行了整体评估。
在表1中，展示了在VisDrone2018-test-dev数据集下，本发明与AutoTrack跟踪器在精确度和成功率指标下的对比，如表中所示，相比基线AutoTrack跟踪器，本发明在精确度上提高2.6％，成功率提高约1.3％。
表1.VisDrone2018-test-dev数据集结果对比
跟踪器 精确度 成功率
AutoTrack 78.8％ 57.3％
本发明 81.4％ 58.6％
图2、图4、图6是AutoTrack算法针对uav0000294_00000_s跟踪结果，黑色矩形框为跟踪框，在37帧时可跟踪到目标，但43帧和50帧时发生漂移；图3，图5，图7是本发明方法针对uav0000294_00000_s跟踪结果，能够准确地跟踪到目标；图8、图10、图12是AutoTrack算法针对uav0000242_02327_s的跟踪结果，在30帧、56帧和84帧跟踪框尺度不准确；图9、图11、图13是本发明方法针对uav0000242_02327_s跟踪结果，能够准确地跟踪到目标，并且跟踪框尺度与目标契合，因此本发明方法具有显著的跟踪性能。

Claims (7)

1.基于特征权重池的动态特征选择的无人机视觉跟踪方法，其特征在于，包括以下步骤：
步骤1：读取跟踪序列，获取跟踪目标的位置信息及尺度信息；
步骤2：提取目标特征，使用特征权重池中的特征权重对目标特征进行加权，获取多个加权后的特征通道；
步骤3：将所有特征通道与偏移滤波器进行卷积，获取多个响应图；
步骤4：计算响应图的峰值旁瓣比，使用峰值旁瓣比最高的响应图作为目标所处的位置的判断依据，并记录下最优响应图对应的特征权重及峰值；
步骤5：使用EdgeBoxes提取建议，建议中包括随机纵横比的尺度信息以及尺度信息对应的评分；
步骤6：放弃评分过高或过低的建议，筛选后的建议使用特征权重加权，随后与模型外观做高斯相关操作，得到建议的置信度，如果建议的置信度高于峰值，则保留建议；
步骤7：将建议尺度与基线滤波器估计的尺度进行线性融合。
2.根据权利要求1所述的基于特征权重池的动态特征选择的无人机视觉跟踪方法，其特征在于，步骤2的具体步骤如下：提取目标特征，形成特征通道xt，使用特征权重池P中的特征权重对目标特征进行加权，获取多个加权后的特征通道,可分为如下步骤：
S2.1特征权重池为：
Figure FDA0003281612480000011
S2.2使用特征权重池对特征通道进行加权：
Figure FDA0003281612480000012
其中，xt是具有多个通道的特征；
Figure FDA0003281612480000013
是特征权重池中的一组特征权重。
3.根据权利要求1所述的基于特征权重池的动态特征选择的无人机视觉跟踪方法，其特征在于，步骤3的具体步骤如下：将所有特征通道与偏移滤波器ft-1进行卷积，获取多个响应图Ri：
Ri＝Xt*ft-1 (3)
4.根据权利要求1所述的基于特征权重池的动态特征选择的无人机视觉跟踪方法，其特征在于，步骤4的具体步骤如下：计算响应图的峰值旁瓣比PSR(Ri)，使用峰值旁瓣比最高的响应图作为目标所处的位置的判断依据，并记录下最优响应图对应的特征权重
Figure FDA0003281612480000021
及峰值，可分为如下步骤：
S4.1计算响应图的峰值旁瓣比：
Figure FDA0003281612480000022
PSR(Ri)为第i个响应图的峰值旁瓣比，
Figure FDA0003281612480000023
为第i个响应图峰值，
Figure FDA0003281612480000024
为第i个响应图均值，std(Ri)为第i个响应图的方差；
S4.2记录下最优响应图对应的特征权重：
Figure FDA0003281612480000025
S4.3记录下最优响应图对应的峰值：
Figure FDA0003281612480000026
5.根据权利要求1所述的基于特征权重池的动态特征选择的无人机视觉跟踪方法，其特征在于，步骤5的具体步骤如下：EdgeBoxes利用边缘信息，判断搜索区域内的物体个数及物体尺度信息，输出随机纵横比的尺度信息以及尺度信息对应的评分。
6.根据权利要求1所述的基于特征权重池的动态特征选择的无人机视觉跟踪方法，其特征在于，步骤6的具体步骤如下：放弃评分过高或过低的建议，提取筛选后建议的目标特征，使用特征权重加权，随后将加权后特征与模型外观做高斯相关操作，得到建议的置信度，如果建议的置信度高于峰值，则保留建议，可分为如下步骤：
S6.1放弃评分过高或过低的建议：
当评分大于阈值0.9时，EdgeBoxes提出的信息与前一帧的信息基本相同，当评分小于阈值0.6时，建议包含过多的干扰信息；
S6.2将建议特征与模型外观做高斯相关操作：
Figure FDA0003281612480000027
ωt是高斯置信度，如果大于最优响应图对应的峰值
Figure FDA0003281612480000031
则表明建议有效，否则放弃建议，
Figure FDA0003281612480000032
是偏移滤波器向量化后的转置向量，e是历史帧目标特征进行线性融合得到目标外观，F-1是傅里叶逆变换符号，^是离散傅立叶变换符号。
7.根据权利要求1所述的基于特征权重池的动态特征选择的无人机视觉跟踪方法，其特征在于，步骤7的具体步骤如下：将建议尺度与基线滤波器估计的尺度进行线性融合：
b＝α(τt-bt)+bt (8)
α是减少尺寸突然变化带来的不稳定性的阻尼因子，bt是基线滤波器预测的当前帧的尺度信息，τt是ωt最高的建议的尺度信息。
CN202111134051.XA 2021-09-27 2021-09-27 基于特征权重池的动态特征选择的无人机视觉跟踪方法 Pending CN113808171A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111134051.XA CN113808171A (zh) 2021-09-27 2021-09-27 基于特征权重池的动态特征选择的无人机视觉跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111134051.XA CN113808171A (zh) 2021-09-27 2021-09-27 基于特征权重池的动态特征选择的无人机视觉跟踪方法

Publications (1)

Publication Number Publication Date
CN113808171A true CN113808171A (zh) 2021-12-17

Family

ID=78938828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111134051.XA Pending CN113808171A (zh) 2021-09-27 2021-09-27 基于特征权重池的动态特征选择的无人机视觉跟踪方法

Country Status (1)

Country Link
CN (1) CN113808171A (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160232269A1 (en) * 2015-02-10 2016-08-11 Thalia Design Automation Ltd. Dynamic weighting and ranking of circuit designs for analog circuit design optimization
US20170169315A1 (en) * 2015-12-15 2017-06-15 Sighthound, Inc. Deeply learned convolutional neural networks (cnns) for object localization and classification
US20180011180A1 (en) * 2015-07-20 2018-01-11 Brigham Young University Phased array radar systems for small unmanned aerial vehicles
CN108776975A (zh) * 2018-05-29 2018-11-09 安徽大学 一种基于半监督特征和滤波器联合学习的视觉跟踪方法
CN108898621A (zh) * 2018-06-25 2018-11-27 厦门大学 一种基于实例感知目标建议窗口的相关滤波跟踪方法
CN109102521A (zh) * 2018-06-22 2018-12-28 南京信息工程大学 一种基于并行注意力相关滤波的视频目标跟踪方法
CN109410246A (zh) * 2018-09-25 2019-03-01 深圳市中科视讯智能系统技术有限公司 基于相关滤波的视觉跟踪的方法及装置
CN110097575A (zh) * 2019-04-28 2019-08-06 电子科技大学 一种基于局部特征及尺度池的目标跟踪方法
CN110175649A (zh) * 2019-05-28 2019-08-27 南京信息工程大学 一种关于重新检测的快速多尺度估计目标跟踪方法
KR102175491B1 (ko) * 2019-05-08 2020-11-06 군산대학교산학협력단 상관 필터 기반 객체 추적 방법
CN112419369A (zh) * 2020-12-11 2021-02-26 哈尔滨工业大学 一种抗遮挡实时目标跟踪方法
CN112991395A (zh) * 2021-04-28 2021-06-18 山东工商学院 一种基于前景条件概率优化尺度和角度的视觉跟踪方法
US20210327076A1 (en) * 2019-05-10 2021-10-21 Tencent Technology (Shenzhen) Company Limited Target tracking method and apparatus, storage medium, and electronic device

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160232269A1 (en) * 2015-02-10 2016-08-11 Thalia Design Automation Ltd. Dynamic weighting and ranking of circuit designs for analog circuit design optimization
US20180011180A1 (en) * 2015-07-20 2018-01-11 Brigham Young University Phased array radar systems for small unmanned aerial vehicles
US20170169315A1 (en) * 2015-12-15 2017-06-15 Sighthound, Inc. Deeply learned convolutional neural networks (cnns) for object localization and classification
CN108776975A (zh) * 2018-05-29 2018-11-09 安徽大学 一种基于半监督特征和滤波器联合学习的视觉跟踪方法
CN109102521A (zh) * 2018-06-22 2018-12-28 南京信息工程大学 一种基于并行注意力相关滤波的视频目标跟踪方法
CN108898621A (zh) * 2018-06-25 2018-11-27 厦门大学 一种基于实例感知目标建议窗口的相关滤波跟踪方法
CN109410246A (zh) * 2018-09-25 2019-03-01 深圳市中科视讯智能系统技术有限公司 基于相关滤波的视觉跟踪的方法及装置
CN110097575A (zh) * 2019-04-28 2019-08-06 电子科技大学 一种基于局部特征及尺度池的目标跟踪方法
KR102175491B1 (ko) * 2019-05-08 2020-11-06 군산대학교산학협력단 상관 필터 기반 객체 추적 방법
US20210327076A1 (en) * 2019-05-10 2021-10-21 Tencent Technology (Shenzhen) Company Limited Target tracking method and apparatus, storage medium, and electronic device
CN110175649A (zh) * 2019-05-28 2019-08-27 南京信息工程大学 一种关于重新检测的快速多尺度估计目标跟踪方法
CN112419369A (zh) * 2020-12-11 2021-02-26 哈尔滨工业大学 一种抗遮挡实时目标跟踪方法
CN112991395A (zh) * 2021-04-28 2021-06-18 山东工商学院 一种基于前景条件概率优化尺度和角度的视觉跟踪方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
J. ZHENG ET AL.: "Robust Attentional Pooling via Feature Selection", 《2018 24TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》, 31 December 2018 (2018-12-31), pages 2038 - 2043 *
XIZHE XUE ET AL.: "Robust Correlation Tracking via Multi-channel Fused Features and Reliable Response Map", 《COMPUTER VISION AND PATTERN RECOGNITION》, 25 November 2020 (2020-11-25), pages 1 - 9 *
ZHANG WANCHENG ET AL.: "A robust visual tracking algorithm based on spatial-temporal context hierarchical response fusion", 《ALGORITHMS》, vol. 12, no. 1, 26 December 2018 (2018-12-26), pages 1 - 16 *
ZHIYONG AN ET AL.: "Robust visual tracking for UAVs with dynamic feature weight selection", 《APPLIED INTELLIGENCE》, vol. 53, 3 June 2022 (2022-06-03), pages 3836 *
张伟娜: "基于深度学习与矩阵分解的推荐算法研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 1, 15 January 2021 (2021-01-15), pages 138 - 307 *
王秀敏: "基于动态特征权重及空间正则化的无人机目标跟踪研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 1, 15 January 2024 (2024-01-15), pages 031 - 293 *
赵海楠: "视觉目标跟踪中表观建模方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 2, 15 February 2017 (2017-02-15), pages 138 - 154 *
车满强: "基于深度卷积特征的相关滤波视觉跟踪算法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 7, 15 July 2019 (2019-07-15), pages 034 - 341 *

Similar Documents

Publication Publication Date Title
CN109816689B (zh) 一种多层卷积特征自适应融合的运动目标跟踪方法
CN110276785B (zh) 一种抗遮挡红外目标跟踪方法
CN108665481B (zh) 多层深度特征融合的自适应抗遮挡红外目标跟踪方法
CN109242884B (zh) 基于JCFNet网络的遥感视频目标跟踪方法
US9754377B2 (en) Multi-resolution depth estimation using modified census transform for advanced driver assistance systems
CN114049382B (zh) 一种智能网联环境下目标融合跟踪方法、系统和介质
CN104680510A (zh) Radar视差图优化方法、立体匹配视差图优化方法及系统
CN110097575B (zh) 一种基于局部特征及尺度池的目标跟踪方法
CN113327272B (zh) 一种基于相关滤波的鲁棒性长时跟踪方法
Chang et al. Yoltrack: Multitask learning based real-time multiobject tracking and segmentation for autonomous vehicles
CN110009663B (zh) 一种目标跟踪方法、装置、设备及计算机可读存储介质
CN111931685B (zh) 一种基于双向跟踪策略的视频卫星移动目标检测方法
CN112802108B (zh) 目标对象定位方法、装置、电子设备及可读存储介质
CN104658006A (zh) 基于变分光流实现车辆跟踪的方法
CN116152297A (zh) 一种适应车辆运动特点的多目标跟踪方法
CN114529584A (zh) 一种基于无人机航拍的单目标车辆跟踪方法
CN113281718B (zh) 一种基于激光雷达场景流估计的3d多目标跟踪系统及方法
CN114627156A (zh) 消费级无人机视频运动目标精准追踪方法
CN113808171A (zh) 基于特征权重池的动态特征选择的无人机视觉跟踪方法
CN110147768B (zh) 一种目标跟踪方法及装置
CN116777956A (zh) 基于多尺度航迹管理的运动目标筛选方法
Yaosheng et al. Object tracking in satellite videos based on improved correlation filters
CN113470074B (zh) 一种基于分块判别的自适应时空正则化目标跟踪方法
CN115457274A (zh) 一种基于深度学习的车载视角遮挡目标检测方法及装置
US9367919B2 (en) Method for estimating position of target by using images acquired from camera and device and computer-readable recording medium using the same

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