CN114066934B - 一种面向靶向微操作的抗遮挡细胞追踪方法 - Google Patents
一种面向靶向微操作的抗遮挡细胞追踪方法 Download PDFInfo
- Publication number
- CN114066934B CN114066934B CN202111229574.2A CN202111229574A CN114066934B CN 114066934 B CN114066934 B CN 114066934B CN 202111229574 A CN202111229574 A CN 202111229574A CN 114066934 B CN114066934 B CN 114066934B
- Authority
- CN
- China
- Prior art keywords
- cell
- frame
- filter
- image
- sample
- 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 52
- 230000008685 targeting Effects 0.000 title claims description 9
- 230000004044 response Effects 0.000 claims abstract description 27
- 230000003287 optical effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 75
- 230000008859 change Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向靶向微操作的抗遮挡细胞追踪方法,包括以下步骤:读取视频序列,在初始帧图像中选取待追踪的细胞,并以细胞中心位置初始化追踪区域;对追踪细胞获取区域统计学图像特征,采用核技巧和岭回归的方法在频域上训练并初始化滤波器;获取下一帧图像,对上一帧细胞追踪位置进行样本采样,结合光流法和图像形态学方法提取细胞前景信息,完成细胞模板更新;以新的细胞模板进行采样并更新滤波器参数,对当前帧追踪区域进行滤波响应追踪并输出细胞追踪位置;重复进行,直到图像序列的最后一帧完成整个操作过程中的细胞追踪。
Description
技术领域
本发明涉及计算机视觉技术和微纳操作领域,具体涉及一种面向靶向微操作的抗遮挡细胞追踪方法。
背景技术
单细胞分离、组装、药物输送注射和细胞质提取等细胞操作是单细胞水平研究的基石。
目前细胞靶向微操作多半通过人工在显微视场下手动完成,然而在细胞操作的复杂场景中存在执行器对待操作细胞长时间、大范围遮挡,细胞的尺度变化,光照明亮变化和对比度低等复杂问题时,不可避免的影响操作精度和操作成功率。如何准确、快速地定位和追踪操作过程中的执行器和待操作细胞的位置是目前细胞操作的难点,具有十分重要的意义。
目前,目标跟踪技术的研究取得了很大进展。主流的跟踪算法主要分为两类:一类是基于深度学习的跟踪算法,主要基于深度神经网络框架。然而,目前的深度学习跟踪算法网络规模庞大,训练数据缺乏,导致其实时性较差。另一种是基于相关滤波的跟踪算法,通过训练初始帧得到相关滤波器,对目标的特征建立模型,通过傅里叶变换找到频域中相邻帧的最大相关性,从而实现对目标的有效跟踪。Henriques等人提出了一种基于相关滤波的核相关滤波跟踪算法(Kernelized Correlation Filters,KCF),将相关滤波从单通道扩展到多通道,同时循环矩阵的构造方法扩充了负样本的容量,极大地提高了跟踪性能,很好的解决了深度学习实时性的问题,就当前阶段而言,在众多的跟踪算法中能兼顾实时性和准确性。(Henriques,J.F.,et al.,High-Speed Tracking with Kernelized CorrelationFilters.IEEE Transactions on Pattern Analysis and Machine Intelligence,2015.37(3):p.583-596.)
然而,一方面KCF算法采用线性插值方式对跟踪器进行更新,在细胞操作过程中产生的目标特征信息偏差不断积累,产生细胞位置信息发生漂移,从而导致后续帧细胞跟踪精度下降。另一方面KCF算法采用单一的HOG特征,在细胞操作过程中当发生待操作细胞被执行器大范围遮挡或在其他悬浮杂质干扰情况下,易使待操作细胞发生目标漂移而跟踪失效。
发明内容
本发明针对目前细胞靶向微操作中的难点——细胞追踪中遮挡的问题。为了解决显微视场下细胞追踪过程中细胞被操作器长时间大范围的遮挡问题,本发明采用相关滤波方法和追踪模板更新策略定位细胞,根据帧间关系去除背景信息的干扰,减少偏差累积。同时采用多通道特征结合,有效提升追踪细胞特征的鲁棒性,为细胞靶向微操作领域提供一种细胞实时追踪的有力手段,引入模板更新策略去除靶向微操作过程中细胞模型被遮挡物污染的影响,在保证实时性的前提下能有效提高遮挡下细胞追踪的精度和成功率。
本发明至少通过如下技术方案之一实现。
一种面向靶向微操作的抗遮挡细胞追踪方法,包括以下步骤:
S1、读取视频序列,在初始帧图像中选取待追踪的细胞,并以细胞中心位置初始化样本区域;
S2、对当前帧样本区域提取细胞特征,以理想响应和输入特征训练相关滤波器参数;
S3、对样本数据和滤波器参数进行相关滤波操作,由响应图获取细胞位置信息,并显示细胞追踪结果;
S4、判断是否为图像系列的最后一帧,如是,程序结束,否则进入S5;
S5、获取下一帧图像,以上一帧细胞追踪位置进行样本采样,对样本结合光流法和图像形态学方法提取细胞前景信息,完成模板更新;
S6、在新的细胞模板下,更新滤波器的参数,以新的追踪器参数依次执行步骤S3和步骤S4;
S7、重复进行步骤S3~S6,直到图像序列的最后一帧完成整个操作过程中的细胞追踪;
优选地,所述样本区域为框选的细胞区域大小的2-3倍。
优选地,所述细胞特征为区域统计特征和点特征。其中区域统计特征包括方向梯度直方图(Histogram of Oriented Gradients,HOG)、区域二值模式特征(local binarypattern,LBP)的一种或多种,点特征包括细胞边缘点特征、角点特征、斑点特征的一种或者多种;
优选地,所述训练相关滤波器过程为将多通道样本特征映射到高维空间Φ(Xi),并对样本区域进行循环密集采样C(Φ(Xi)),利用循环矩阵在频域空间可对角化的性质和核技巧降低运算量,采用岭回归在频域训练目标滤波器。
优选地,所述理想响应为以细胞中心位置(x0,y0)为中心坐标,以样本区域大小的0.1~0.2为方差σ的二维高斯图。
优选地,所述相关滤波操作可由下式表示:
式(1)在傅里叶域,其中Y为相关滤波响应矩阵,X是训练样本,Z是待检测样本,K是核函数矩阵,λ为正则化参数,A为滤波矩阵。
优选地,所述模板更新策略具体步骤为以光流法计算出相邻两帧样本区域的位移信息,采用图像形态学方法将位移信息转换成背景信息,以背景信息为掩膜获取细胞前景信息,完成模板更新。
优选地,所述更新滤波器的参数具体形式为
其中At,At+1,分别是第t帧和t+1帧得滤波矩阵和核函数矩阵,αt+1和分别是t+1帧图像相关系数矩阵和训练样本核函数,以学习率β=0.02使滤波器快速适应外观变化,同时仍保持滤波器的鲁棒性。
优选地,所述光流法采用Horn-Schunck边界条件:
Ixu+Iyv+It=0 (3)
其中(3)式为光流约束方程,Ix,Iy,It分别是图像中像素点的灰度沿x,y,t方向的偏导数。u和v分别是水平方向和垂直方向的光流。(4)式为假设光流在整个图像上是平滑下的约束方程,其中m为度量全局的平滑参数。
优选地,获取细胞位置信息包括:对于输入的第t+1帧图像,完成模板更新后对样本区域进行采样,获取第t+1帧图像的特征核矩阵并在傅里叶频域空间中完成滤波响应运算/>At+1表示t+1帧时的滤波矩阵,将滤波响应Yt+1转换成时域下的响应yt+1,其中响应强度最大的位置即为第t+1帧图像细胞的追踪位置并进行重新定位。
相对于现有技术,本发明具有如下有益效果:
(1)本发明采用模板更新策略,通过光流法和图像形态学的方法提取细胞追踪过程中细胞前景信息,去除了对细胞造成遮挡的背景信息,有效的解决了因遮挡造成在追踪过程中的偏差累积,提高了在细胞操作中的追踪精度。
(2)本发明采用区域统计特征和点特征相结合的方式,有效解决单一点特征因胞内细胞质快速流动造成的特征不鲁棒的问题,同时也对细胞在追踪过程中非刚性变形和遮挡具有高区分度。
附图说明
图1为本发明实施例一种面向靶向微操作的抗遮挡细胞追踪方法流程图;
图2为本发明实施例模板更新策略示意图;
图3为本发明实施例训练滤波器的流程图;
图4为本发明实施例在第(t+1)帧检测细胞位置的流程图。
具体实施方式
以下结合附图对本发明的具体实施作进一步说明。为表达的更简洁清晰,在下列描述当中,不详细描述公知的原理和公式,以凸显本发明的优势和特征。
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
实施例1
如图1所示,本实施例提供一种面向靶向微操作的抗遮挡细胞追踪方法。所述方法包括以下步骤:
S1、读取视频序列,在初始帧图像中选取待追踪的细胞,并以细胞中心位置初始化样本区域;
S2、对当前帧样本区域提取细胞特征,以理想响应和输入特征训练相关滤波器参数;
S3、对样本数据和滤波器参数进行相关滤波操作,由响应图获取细胞位置信息,并显示细胞追踪结果;
S4、判断是否为图像系列的最后一帧,如是,程序结束,否则进入步骤S5;
S5、获取下一帧图像,以上一帧细胞追踪位置进行样本采样,对样本结合光流法和图像形态学方法提取细胞前景信息,完成模板更新;
S6、在新的细胞模板下,更新滤波器的参数,以新的追踪器参数依次执行步骤S3和步骤S4;重复进行,直到图像序列的最后一帧完成整个操作过程中的细胞追踪;
本实施例中,所述样本区域为框选的细胞区域大小的2.5倍;所述细胞特征包括区域统计特征和点特征,其中区域统计特征为方向梯度直方图(Histogram of OrientedGradients,HOG)、区域二值模式特征(local binary pattern,LBP)中的一种或多种,点特征为细胞边缘点特征、角点特征、斑点特征中的一种或者多种;
本实施例中,所述细胞特征为HoG特征和细胞边缘点特征组成的多通道特征;
本实施例中,所述理想响应为以细胞中心位置(x0,y0)为中心坐标,以样本区域大小的0.1为方差σ的二维高斯图,所述核函数采用高斯核函数;
本实施例中,所述模板更新采用光流法和图像形态法更新细胞模板;
本实施例中,所述滤波器以学习率β=0.02进行参数更新;
实施例2
如图2所示,本实施例还提供一种实现实施例1所述模板更新方法,当前帧B重构背景区域实现模板更新的步骤:
如图2的A和B所示,获取上一帧分割图像A和当前帧样本区域B之间的光流关系,计算出相邻帧之间物体运动信息向量和光流强度,如图2的C和D所示。
将光流强度二值化,选取形态学结构元素对二值化的光流强度图依次进行形态学开运算处理去除杂斑的干扰,获取运动物体边界信息,填充物体边界,获取物体连通域信息,对连通域执行形态学闭运算填补内部间隙等步骤,如图2的E所示,完成背景掩膜的提取。
对上一步获取背景掩膜和当前帧样本区域B进行掩膜操作精确完成当前模板的更新,以更新后的模板继续进行细胞的追踪操作,能很好的解决细胞操作中存在的遮挡问题。
实施例3
与实施例1基本相同,所不同的是:本实施例提供一种实现实施例1所述滤波器训练的方法。
如图3所示,对于输入帧待追踪的细胞Xi,依次进行以下的采样操作:
将对输入帧样本区域进行模板更新得到Xi′,提取更新后模板的多通道特征并映射到高维空间Φ(Xi′),使用目标周围区域的循环矩阵采集正负样本C(Φ(Xi′)),将线性空间的岭回归通过核函数映射到高维空间KXZ+λ训练目标滤波器。
完成采样后对特征矩阵进行cosine空间权函数加权,减轻由于边界移位导致图像不光滑的影响,同时突出待追踪细胞的中心特征。
构造以细胞中心位置(x0,y0)为中心坐标,以样本区域大小的0.1为方差σ的二维高斯图作为的理想响应图,其中响应强度最大的点既为追踪的细胞位置。对理想相应图和特征矩阵进行快速傅里叶变换(Fast Fourier transform,FFT)利用循环矩阵在傅里叶频域空间可对角化的性质将矩阵的运算转化为元素的点乘,完成滤波矩阵的训练。最后采用快速傅里叶逆变换(Inverse fast Fourier transform,IFFT)完成滤波器α0在时域的转换。
实施例4
与实施例1基本相同,所不同的是:本实施例提供一种实现实施例1所述更新滤波器的参数检测细胞位置的方法。
如图4所示,对于初始帧细胞追踪位置,由构造的理想响应矩阵确定。同时初始化理想响应矩阵,图像多通道特征矩阵和正则化参数λ完成滤波矩阵 的训练,并获取初始滤波矩阵A2和核函数矩阵/>
对于后续帧结果,采用学习率β=0.02进行线性插值更新对应的滤波矩阵At+1和核函数矩阵使滤波器快速适应外观变化,防止模型剧烈变化。
对于输入的第t+1帧图像,完成模板更新后按实例3完成样本采样操作获取第t+1帧图像的特征核矩阵并在傅里叶频域空间中完成滤波响应运算/>将滤波响应Yt+1转换成时域下的响应yt+1,其中响应强度最大的位置即为第t+1帧图像细胞的追踪位置并进行重新定位。重复上述的滤波器的参数更新操作。如此便能较好的实现本发明一种基于相关滤波和模板更新策略的抗遮挡细胞追踪方法。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种面向靶向微操作的抗遮挡细胞追踪方法,其特征在于,主要包括以下步骤:
S1、读取视频序列,在初始帧图像中选取待追踪的细胞,并以细胞中心位置初始化样本区域;
S2、对当前帧样本区域提取细胞特征,以理想响应和输入特征训练相关滤波器参数;所述细胞特征包括区域统计特征和点特征,其中区域统计特征为方向梯度直方图、区域二值模式特征中的一种或多种,点特征为细胞边缘点特征、角点特征、斑点特征中的一种或者多种;
S3、对样本数据和滤波器参数进行滤波操作,由响应图获取细胞位置信息,并显示细胞追踪结果;
S4、判断是否为图像系列的最后一帧,如是,程序结束,否则进入步骤S5;
S5、获取下一帧图像,以上一帧细胞追踪位置进行样本采样,对样本提取细胞前景信息,完成细胞模板更新;细胞模板更新步骤为以光流法计算出相邻两帧样本区域的位移信息,采用图像形态学方法将位移信息转换成背景信息,以背景信息为掩膜获取细胞前景信息,完成模板更新;所述光流法采用Horn-Schunck边界条件:
Ixu+Iyv+It=0 (3)
其中式(3)为光流约束方程,Ix、Iy、It分别是图像中像素点的灰度沿x、y、t方向的偏导数;u和v分别是水平方向和垂直方向的光流;式(4)为假设光流在整个图像上是平滑下的约束方程E,其中m为度量全局的平滑参数;
S6、在新的细胞模板下,更新滤波器的参数,以新的追踪器参数重复进行步骤S3~S6,直到图像序列的最后一帧完成整个靶向操作中的细胞追踪过程。
2.根据权利要求1所述的一种面向靶向微操作的抗遮挡细胞追踪方法,其特征在于:所述样本区域为框选的细胞区域大小的2~3倍。
3.根据权利要求1所述的一种面向靶向微操作的抗遮挡细胞追踪方法,其特征在于:所述训练相关滤波器包括将多通道样本特征映射到高维空间Φ(Xi),并对样本区域进行循环密集采样C(Φ(Xi)),利用循环矩阵在频域空间可对角化的性质和核技巧降低运算量,采用岭回归在频域训练目标滤波器。
4.根据权利要求1所述的一种面向靶向微操作的抗遮挡细胞追踪方法,其特征在于:所述理想响应为以细胞中心位置为中心坐标(x0,y0),以样本区域大小的0.1~0.2为方差σ的二维高斯图。
5.根据权利要求1所述的一种面向靶向微操作的抗遮挡细胞追踪方法,其特征在于:所述滤波操作为:
式(1)在傅里叶域,其中Y为相关滤波响应矩阵,X是训练样本,Z是待检测样本,K是核函数矩阵,λ为正则化参数,A为滤波矩阵。
6.根据权利要求1所述的一种面向靶向微操作的抗遮挡细胞追踪方法,其特征在于:所述更新滤波器的参数具体形式为:
其中At、At+1、分别是第t帧和t+1帧得滤波矩阵和核函数矩阵,αt+1和/>分别是t+1帧图像相关系数矩阵和训练样本核函数,β为学习率。
7.根据权利要求1所述的一种面向靶向微操作的抗遮挡细胞追踪方法,其特征在于:获取细胞位置信息包括:对于输入的第t+1帧图像,完成模板更新后对样本区域进行采样,获取第t+1帧图像的特征核矩阵并在傅里叶频域空间中完成滤波响应运算/>At+1表示t+1帧时的滤波矩阵,将滤波响应Yt+1转换成时域下的响应yt+1,其中响应强度最大的位置即为第t+1帧图像细胞的追踪位置并进行重新定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111229574.2A CN114066934B (zh) | 2021-10-21 | 2021-10-21 | 一种面向靶向微操作的抗遮挡细胞追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111229574.2A CN114066934B (zh) | 2021-10-21 | 2021-10-21 | 一种面向靶向微操作的抗遮挡细胞追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114066934A CN114066934A (zh) | 2022-02-18 |
CN114066934B true CN114066934B (zh) | 2024-03-22 |
Family
ID=80235163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111229574.2A Active CN114066934B (zh) | 2021-10-21 | 2021-10-21 | 一种面向靶向微操作的抗遮挡细胞追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066934B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875430A (zh) * | 2016-12-31 | 2017-06-20 | 歌尔科技有限公司 | 动态背景下基于固定形态的单一运动目标追踪方法和装置 |
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 |
CN110276785A (zh) * | 2019-06-24 | 2019-09-24 | 电子科技大学 | 一种抗遮挡红外目标跟踪方法 |
-
2021
- 2021-10-21 CN CN202111229574.2A patent/CN114066934B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875430A (zh) * | 2016-12-31 | 2017-06-20 | 歌尔科技有限公司 | 动态背景下基于固定形态的单一运动目标追踪方法和装置 |
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 |
CN110276785A (zh) * | 2019-06-24 | 2019-09-24 | 电子科技大学 | 一种抗遮挡红外目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114066934A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiao et al. | New generation deep learning for video object detection: A survey | |
CN107169994B (zh) | 基于多特征融合的相关滤波跟踪方法 | |
CN104680558B (zh) | 使用GPU硬件加速的Struck目标跟踪方法 | |
CN107067410B (zh) | 一种基于增广样本的流形正则化相关滤波目标跟踪方法 | |
CN112183675B (zh) | 一种基于孪生网络的针对低分辨率目标的跟踪方法 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN109146925A (zh) | 一种动态场景下显著性目标检测方法 | |
CN111340842A (zh) | 一种基于联合模型的相关滤波目标跟踪算法 | |
CN110378932B (zh) | 一种基于空间正则矫正的相关滤波视觉跟踪方法 | |
CN113610760B (zh) | 一种基于u型残差神经网络的细胞图像分割示踪方法 | |
CN105405152B (zh) | 基于结构化支持向量机的自适应尺度目标跟踪方法 | |
An et al. | Patch loss: A generic multi-scale perceptual loss for single image super-resolution | |
CN114066934B (zh) | 一种面向靶向微操作的抗遮挡细胞追踪方法 | |
CN110689559B (zh) | 一种基于密集卷积网络特征的视觉目标跟踪方法 | |
CN111899278A (zh) | 基于移动端的无人机图像快速目标跟踪方法 | |
CN111539985A (zh) | 一种融合多特征的自适应运动目标跟踪方法 | |
Huang et al. | Medical image super-resolution based on the generative adversarial network | |
CN106372650B (zh) | 一种基于运动预测的压缩跟踪方法 | |
Li et al. | Deformable medical image registration based on unsupervised generative adversarial network integrating dual attention mechanisms | |
CN104680122A (zh) | 一种基于肤色检测的跟踪方法及装置 | |
CN114022520A (zh) | 一种基于卡尔曼滤波与孪生网络的机器人目标跟踪方法 | |
CN109815790B (zh) | 用于遥感目标检测的门控轴聚检测网络系统及方法 | |
CN110660079A (zh) | 一种基于时空上下文的单目标跟踪方法 | |
CN108010064A (zh) | 基于主动轮廓和Kalman滤波的运动细胞跟踪方法 | |
CN113205544B (zh) | 基于交并比估计的空间注意力强化学习跟踪方法 |
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 |