CN114332444A - 一种基于增量漂移聚类的复杂星空背景目标识别方法 - Google Patents
一种基于增量漂移聚类的复杂星空背景目标识别方法 Download PDFInfo
- Publication number
- CN114332444A CN114332444A CN202111620710.0A CN202111620710A CN114332444A CN 114332444 A CN114332444 A CN 114332444A CN 202111620710 A CN202111620710 A CN 202111620710A CN 114332444 A CN114332444 A CN 114332444A
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- star point
- frame
- extraction
- 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 52
- 230000033001 locomotion Effects 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于增量漂移聚类的复杂星空背景目标识别方法,步骤包括:(1)连续拍摄包含目标的星图;(2)自适应提取星图中的所有目标星点;(3)基于目标运动特征建立目标运动特征跟踪池;(4)目标增量漂移聚类分类识别。该方法以复杂星空中的目标识别为背景,运用自适应目标提取手段精确提取图像中包含目标,构建目标特征描述以建立目标帧间相似性跟踪池,从而建立目标的运动特征描述,结合增量式的漂移聚类方法对提取目标进行分类识别,实现了多目标识别,并提高了识别的实时性和鲁棒性。
Description
技术领域
本发明涉及复杂星空背景的目标识别的技术领域,尤其涉及一种基于增量漂移聚类的复杂星库背景目标识别方法。
背景技术
随着人类航天技术的不断发展、越来越多的目标被送入太空,以SpaceX、亚马逊、OneWeb和中国卫星网络集团为代表的国内外机构均已计划或正在建立巨型互联网卫星星座。其中SpaceX的星链计划已经发射了1700多颗卫星,未来还将进一步发射卫星达12000颗。大多数航天器在寿命结束或者失控后并不会直接坠毁消失,而是将长期在空间飞行,此外航天发射过程中的火箭末级、任务抛弃物等残留也会长期滞留在空间,目前空间中存在大量空间碎片,经观测分析,目前已经知道的大于10厘米的空间碎片总数在3万个左右;1厘米到10厘米之间的碎片据估计有90万个;毫米级的碎片大概有1亿多。这些空间碎片的存在极大的影响了航天任务发射和正常在轨运行。因此目前对目标的高精度实时探测识别技术面临迫切的需求。
传统的目标识别方法一般是基于特征匹配的方法进行目标的识别,而对于复杂星空的弱小点状目标与恒星相比特征不明显,因此基于特征匹配的目标识别方法难以应用在对空间弱小目标的识别。同时随着机器学习等相关技术的发展,基于机器学习的目标识别方法被提出研究。但是由于空间环境的目标数据受限,样本量较小,且弱小点状目标的语义信息较少,影响识别的准确性,同时基于天基平台该类方法又难以实现实时运行。
目前,目标识别的方法主要有基于星图匹配、基于深度学习和基于特征提取匹配的方法进行目标识别,存在极高的虚警率,未有效利用空间中恒星与运动目标的运动信息。
专利《201110095824.8》和《201911043739.X》均采用了星图匹配的方式进行背景抑制以实现远距离空间运动目标识别,相关方法需构建星表,存在目标的漏检、虚警率高和启发式的阈值设定等问题。
专利《201911388125.5》和《201910685093.9》均采用了基于深度学习的目标识别方法,通过模型网络训练实现对目标的识别,但是主要针对具有一定形态的目标,未涉及空间多小点状目标,且基于深度学习的方法难以在天基平台上实时应用。
《基于自适应空间滤波多级假设检验的目标识别方法》中对目标的识别采用的是恒星跟踪模式下的多级假设检验的方式实现目标识别,该方法主要用于地基设备的识别,方法较为复杂基于天基难以实时运行。
另外专利《202010220978.4》采用图像积分均值的方式实现对目标识别,需多帧图像进行积分均值,阈值分割根据目标的轮廓形态不同进行目标识别。存在由于运动速度较小或较大时虚警较高或识别率较低和启发式经验阈值设定等问题。
以上方法均未涉及本发明提出的基于增量漂移聚类的复杂星空背景目标识别方法。综上所述,现有目标识别方法存在依赖先验信息、实时性差和对启发式经验阈值敏感等问题。
为此,提出了一种基于增量漂移聚类的复杂星空背景目标识别方法,该方法不依赖于先验信息且针对多个目标能自适应调整分类阈值,且具有识别率高、虚警率低等优势,大幅提高识别的速度。
发明内容
本发明解决的技术问题是:提供一种基于增量漂移聚类的复杂星空背景目标识别方法。该方法利用对图像的横向和纵向投影且自适应阈值分割实现对目标星点的粗提取,进而锁定目标星点区域进行精提取。同时结合运动特征跟踪池的建立鲁棒跟踪所有目标星的运动特征。最后通过提出的增量漂移聚类分析方法,对目标的运动特征进行聚类分析得到目标分类,结合类别包含目标数量阈值实现目标的识别。从而提高多目标识别率和降低虚警率。
本发明采用的技术方案如下:一种基于增量漂移聚类的复杂星空背景目标识别方法,包括如下步骤:
(1)对包含有目标的复杂星空连续成像,获取序列星图像In。
(2)自适应目标星点提取。将步骤(1)获取的图像序列进行自适应星点目标提取得到目标星点坐标集合{Pk=(uk,vk)},uk、vk为星点在图像坐标系下的像素坐标,自适应目标星点提取分为粗提取和精提取两步,首先对步骤(1)得到的星图进行横向投影即对累加每一行的像素值得到线段Lu,同时对星图进行纵向投影即对每一列进行像素值累加得到线段Lv,将得到的线段进行自适应阈值分割得到包含目标的多个线段的起始坐标和终止坐标从而完成对目标星点的粗提取得到目标星点所在区域坐标集合进一步对目标区域进行精确的星点目标提取,选择目标区域周围四个角落2×2大小区域作为图像背景进行精确的加权和质心提取,得到星点坐标集合{Pk=(uk,vk)};
(3)建立运动特征跟踪池,首先对初始帧图像I0中所有提取的目标分配跟踪链为目标跟踪链设定初始搜索区域SAr和精确搜索区域SAp,然后在后续帧选择搜索区域并基于目标之间的相对距离和灰度特征进行相似性帧间关联。相似性计算公式如下式所示。
上式中为当前帧对应搜索范围内最相似的目标星点的相似度,为当前帧中搜索范围内目标星点坐标,为当前搜索范围内目标星点的灰度和,对应的 和为上一帧目标星点的坐标和灰度和,为相似性特征半径。根据相似度度量结果,结合相似性阈值ThR更新跟踪目标星点信息。
最后对关联后的目标建立运动特征描述,分别用相对于初始帧的运动距离运动方向和运动速度描述目标的运动特征。相关计算公式如下式所示,其中为当前帧目标星点质心坐标,为初始帧目标星点质心坐标,n为当前帧序号,T为帧间时间间隔。
(4)目标增量漂移聚类分类识别,根据步骤(3)得到的目标运动特征对目标进行连续n帧的增量漂移聚类识别。首先,将步骤(3)中得到的目标相对于初始帧之间的运动速度和运动方向构建数据点集X,对数据点集进行均值漂移聚类完成初始目标分类,具体包括:
根据选取数据点集X中任意一点定义为x0相对于该点进行均值漂移向量的计算如下式所示:
Sr(x){y:(y-xi)T(y-xi)<r2}
其中上式中的Mr为均值漂移向量,K为以x0为圆点,小于r半径圆内数据点个数,Sk为圆内数据点,xi为迭代的漂移中心,y为相对于漂移中心xi小于半径r的所有数据点,Sr(x)为满足集合中条件的所有数据点。通过x0=x0+Mr更新圆心值实现在数据点集上进行漂移聚类。当移动距离||Mr||小于阈值Thm时停止漂移完成一个类别的聚类,然后选取未被聚类的数据点作为新的类进行迭代漂移聚类,直至完成所有数据点的分类。
其次,根据初始目标分类结果进行增量式时空漂移聚类识别目标,具体包括:
根据分类结果依据下式计算类别特征中心位置和类别特征半径其中为类别特征中心位置坐标,m为属于该类别的目标星点数量,为该类别中每个目标星点特征相对于类别特征中心的距离,类别特征半径为目标星点距离特征中心位置的最大距离。
同时对分类结果进行目标识别,根据类别包含目标星点的数量判定目标的种类,其中包含目标数量超过阈值ThN的则认为是恒星目标,否则为其他目标。
本发明与现有技术相比的优点在于:提供一种复杂星空背景的目标识别方法。该方法利用自适应目标星点质心方法,根据计算得到的背景阈值基于粗提取和精提取两步实现目标星点质心的精确提取。结合运动特征跟踪池的建立关联帧间的目标星点计算得到每个目标的运动特征。最后根据提出的增量漂移聚类方法分析每一帧图像中目标的所属类别,并基于类别包含目标数量阈值对目标进行识别,有效对复杂星空中每一个目标进行了分类,可以实现多个目标的识别,从而提高多个目标识别能力,减少虚警概率。
附图说明
图1为本发明一种基于增量漂移聚类的复杂星空背景目标识别方法具体流程图;
图2为本发明目标星点提取流程图;
图3为本发明运动特征跟踪池建立流程图;
图4为本发明增量式漂移聚类识别流程图;
图5为本发明目标识别结果图。
具体实施方式
下面结合具体实施例,对本发明方法进一步说明。
本发明一种基于增量漂移聚类的复杂星空背景目标识别方法,具体流程如图1所示。
(1)连续对包含多个目标的复杂星空成像,获取20帧序列图像{In},该图像序列中包含6个空间运动目标。
(2)自适应目标星点提取,将步骤(1)得到的图像进行自适应目标星点提取得到目标质心集合{Pk=(uk,vk)}具体为:
(2-1)自适应目标粗提取,完成目标区域的粗提取。首先对步骤(1)得到的星图进行横向投影即对累加每一行的像素值得到线段Lu,同时对星图进行纵向投影即对每一列进行像素值累加得到线段Lv,将得到的线段进行自适应阈值分割得到包含目标的多个线段的起始坐标和终止坐标从而完成对目标星点的粗提取得到目标星点所在区域坐标集合
(2-2)目标质心精提取,根据(2-1)得到的目标所在区域,自适应选择该目标区域四个角外扩一个像素提取2×2区域大小的像素灰度值作为背景进行该目标区域的背景值Gb,目标区域减去背景值进行加权质心精确提取。质心计算公式如下式所示。
(3)建立运动特征跟踪池,步骤(1)中得到连续序列图像,按照步骤(2)进行自适应目标星点提取得到连续图像中的所有星点集合对初始帧进行初始化每个目标星点分配跟踪链。并在后续帧间进行相似性关联,将关联得到的目标星点计算运动特征,未关联的后续帧目标则创建新的跟踪链,前一帧多次未关联上目标则删除该跟踪链。从而实现对运动特征的跟踪计算。具体为:
(3-1)初始跟踪池建立,首先对初始帧图像I0中所有提取的目标分配跟踪链为目标跟踪链设定初始搜索区域SAr和精确搜索区域SAp,然后在后续帧选择搜索区域并基于目标之间的相对距离和灰度特征进行相似性帧间关联。相似性计算公式如下式所示。
上式中为当前帧对应搜索范围内最相似的目标星点的相似度,为当前帧中搜索范围内目标星点坐标,为当前搜索范围内目标星点的灰度和,对应的和为上一帧目标星点的坐标和灰度和。根据相似度度量结果,结合相似性阈值ThR更新跟踪目标星点信息,其中跟踪池中连续4帧未关联上目标则删除该跟踪链,当前帧未被关联上的目标创建新的跟踪链进行跟踪关联。
(3-2)关联目标建立运动特征描述,分别用相对于初始帧的运动距离运动方向和运动速度描述目标的运动特征。相关计算公式如下式所示,其中为当前帧目标星点质心坐标,为初始帧目标星点质心坐标,n为当前帧序号,T为帧间时间间隔。
(4)目标增量漂移聚类分类识别,根据步骤(3)得到的目标运动特征对目标进行连续n帧的增量漂移聚类识别。首先初始化建立初始目标分类;然后根据后续帧数据进行增量式漂移聚类分析;最后对漂移聚类得到的当前帧目标分类结果进行目标识别。具体为:
根据选取数据点集X中任意一点定义为x0相对于该点进行均值漂移向量的计算如下式所示:
Sr(x){y:(y-xi)T(y-xi)<r2}
其中上式中的Mr为均值漂移向量,K为以x0为圆点,小于r半径圆内数据点个数,Sk为圆内数据点。通过x0=x0+Mr更新圆心值实现在数据点集上进行漂移聚类。当移动距离||Mr||小于阈值Thm时停止漂移完成一个类别的聚类,然后选取未被聚类的数据点作为新的类进行迭代漂移聚类,直至完成所有数据点的初始分类。
(4-2)增量式漂移聚类分析,根据步骤(4-1)初始目标分类结果进行增量式时空漂移聚类分析。不断加入当前帧目标特征信息迭代更新类别特征中心位置,同时对未得到分类的目标建立新的分类,完成对每帧目标的聚类分析。
根据分类结果依据下式计算类别特征中心位置和类别特征半径其中为类别特征中心位置坐标,m为属于该类别的目标星点数量,为该类别中每个目标星点特征相对于类别特征中心的距离,类别特征半径为目标星点距离特征中心位置的最大距离。
(4-3)目标识别,根据步骤(4-2)得到类别信息计算不同类别特征中心的距离,满足阈值Thcd的进行类别合并得到最后当前帧的分类结果。对每类别中包含的目标数量进行阈值ThN判定从而识别恒星和目标。
本发明未详述部分属于本技术领域的公知技术。以上所述仅为本发明的具体实例而已,并不用于以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于增量漂移聚类的复杂星空背景目标识别方法,其特征在于,该方法包括如下步骤:
步骤(1):连续对目标成像,得到目标星图序列In;
步骤(2):自适应目标星点提取,将步骤(1)获取的图像序列进行自适应星点目标提取得到目标星点坐标集合{Pk=(uk,vk)},uk、vk为星点在图像坐标系下的像素坐标,自适应目标星点提取分为粗提取和精提取两步,首先对步骤(1)得到的星图进行横向投影即对累加每一行的像素值得到线段Lu,同时对星图进行纵向投影即对每一列进行像素值累加得到线段Lv,将得到的线段进行自适应阈值分割得到包含目标的多个线段的起始坐标和终止坐标从而完成对目标星点的粗提取得到目标星点所在区域坐标集合 为粗提取目标星点区域的左上角坐标和右下角坐标,进一步对目标区域进行精确的星点目标提取,选择目标区域周围四个角落2×2大小区域作为图像背景进行精确的加权和质心提取,得到星点坐标集合{Pk=(uk,vk)};
步骤(3):建立运动特征跟踪池,首先,对初始帧图像I0中所有提取的目标分配跟踪链为目标跟踪链设定初始搜索区域SAr和精确搜索区域SAp,然后,在后续帧选择搜索区域并基于目标之间的相对距离和灰度特征进行相似性帧间关联,相似性计算公式如下式所示,
上式中为当前帧对应搜索范围内最相似的目标星点的相似度,为当前帧中搜索范围内目标星点坐标,为当前搜索范围内目标星点的灰度和,对应的和为上一帧目标星点的坐标和灰度和,根据相似度度量结果,结合相似性阈值ThR更新跟踪目标星点信息;
最后,对关联后的目标建立运动特征描述,分别用相对于初始帧的运动距离运动方向和运动速度描述目标的运动特征,相关计算公式如下式所示,其中 为当前帧目标星点质心坐标,为初始帧目标星点质心坐标,n为当前帧序号,T为帧间时间间隔,
步骤(4):目标增量漂移聚类分类识别,根据步骤(3)得到的目标运动特征对目标进行连续n帧的增量漂移聚类识别,首先将步骤(3)中得到的目标相对于初始帧之间的运动速度和运动方向构建数据点集X,对数据点集进行均值漂移聚类完成初始目标分类,具体包括:
根据选取数据点集X中任意一点定义为x0相对于该点进行均值漂移向量的计算如下式所示:
Sr(x){y:(y-xi)T(y-xi)<r2}
其中上式中的Mr为均值漂移向量,K为以x0为圆点,小于r半径圆内数据点个数,Sk为圆内数据点,通过x0=x0+Mr更新圆心值实现在数据点集上进行漂移聚类,当移动距离
|Mr||小于阈值Thm时停止漂移完成一个类别的聚类,xi为迭代的漂移中心,y为相对于漂移中心xi小于半径r的所有数据点,Sr(x)为满足集合中条件的所有数据点,然后选取未被聚类的数据点作为新的类进行迭代漂移聚类,直至完成所有数据点的分类;
其次,根据初始目标分类结果进行增量式时空漂移聚类识别目标,具体包括:
根据分类结果依据下式计算类别特征中心位置和类别特征半径其中为类别特征中心位置坐标,m为属于该类别的目标星点数量,为该类别中每个目标星点特征相对于类别特征中心的距离,类别特征半径为目标星点距离特征中心位置的最大距离,
同时对分类结果进行目标识别,根据类别包含目标星点的数量判定目标的种类,其中包含目标数量超过阈值ThN的则认为是恒星目标,否则为其他目标。
2.根据权利要求1所述的一种基于增量漂移聚类的复杂星空背景目标识别方法,其特征在于:所述步骤(2)中提出的自适应目标星点提取,具体应为通过粗精提取两个步骤完成目标星点的精确提取,粗提取根据横向和纵向投影的自适应线段提取完成,精提取采用加权质心提取方法完成,从而达到目标星点的精确提取。
4.根据权利要求1所述的一种基于增量漂移聚类的复杂星空背景目标识别方法,其特征在于:所述步骤(4)中提出的目标增量漂移聚类分类识别方法,根据运动特征跟踪得到对特征进行漂移聚类分析,并根据特征帧间的增量式时空漂移聚类,完成目标星点的分类识别,从而根据分类类别包含目标数量识别目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111620710.0A CN114332444B (zh) | 2021-12-27 | 2021-12-27 | 一种基于增量漂移聚类的复杂星空背景目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111620710.0A CN114332444B (zh) | 2021-12-27 | 2021-12-27 | 一种基于增量漂移聚类的复杂星空背景目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332444A true CN114332444A (zh) | 2022-04-12 |
CN114332444B CN114332444B (zh) | 2023-06-16 |
Family
ID=81014543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111620710.0A Active CN114332444B (zh) | 2021-12-27 | 2021-12-27 | 一种基于增量漂移聚类的复杂星空背景目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332444B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100419A (zh) * | 2022-07-20 | 2022-09-23 | 中国科学院自动化研究所 | 目标检测方法、装置、电子设备及存储介质 |
CN117934805A (zh) * | 2024-03-25 | 2024-04-26 | 腾讯科技(深圳)有限公司 | 对象筛选方法和装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160342903A1 (en) * | 2015-05-21 | 2016-11-24 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
CN107301644A (zh) * | 2017-06-09 | 2017-10-27 | 西安电子科技大学 | 基于均值漂移和模糊聚类的自然图像无监督分割方法 |
CN112330669A (zh) * | 2020-11-27 | 2021-02-05 | 北京理工大学 | 基于点光源衍射星芒现象的星敏感器星点位置定位方法 |
-
2021
- 2021-12-27 CN CN202111620710.0A patent/CN114332444B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160342903A1 (en) * | 2015-05-21 | 2016-11-24 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
CN107301644A (zh) * | 2017-06-09 | 2017-10-27 | 西安电子科技大学 | 基于均值漂移和模糊聚类的自然图像无监督分割方法 |
CN112330669A (zh) * | 2020-11-27 | 2021-02-05 | 北京理工大学 | 基于点光源衍射星芒现象的星敏感器星点位置定位方法 |
Non-Patent Citations (2)
Title |
---|
YANHONG LI 等: "Incremental entropy-based clustering on categorical data streams with concept drift" * |
孙剑明: "基于星图识别的舰船天文导航关键技术研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100419A (zh) * | 2022-07-20 | 2022-09-23 | 中国科学院自动化研究所 | 目标检测方法、装置、电子设备及存储介质 |
CN117934805A (zh) * | 2024-03-25 | 2024-04-26 | 腾讯科技(深圳)有限公司 | 对象筛选方法和装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114332444B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN107609525B (zh) | 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法 | |
Yang et al. | Real-time face detection based on YOLO | |
CN109800689B (zh) | 一种基于时空特征融合学习的目标跟踪方法 | |
CN110569793B (zh) | 一种无监督相似性判别学习的目标跟踪方法 | |
Kellenberger et al. | Fast animal detection in UAV images using convolutional neural networks | |
CN109344725B (zh) | 一种基于时空关注度机制的多行人在线跟踪方法 | |
CN110033473B (zh) | 基于模板匹配和深度分类网络的运动目标跟踪方法 | |
Wu et al. | Rapid target detection in high resolution remote sensing images using YOLO model | |
CN106169188B (zh) | 一种基于蒙特卡洛树搜索的对象跟踪方法 | |
CN110889324A (zh) | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 | |
CN109859238B (zh) | 一种基于多特征最优关联的在线多目标跟踪方法 | |
CN111626128A (zh) | 一种基于改进YOLOv3的果园环境下行人检测方法 | |
CN113034548A (zh) | 一种适用于嵌入式终端的多目标跟踪方法及其系统 | |
CN110660082A (zh) | 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法 | |
CN111476817A (zh) | 一种基于yolov3的多目标行人检测跟踪方法 | |
CN112288773A (zh) | 基于Soft-NMS的多尺度人体跟踪方法及装置 | |
CN112802054B (zh) | 一种融合图像分割的混合高斯模型前景检测方法 | |
CN112507845B (zh) | 基于CenterNet与深度关联矩阵的行人多目标跟踪方法 | |
CN109377511B (zh) | 基于样本组合和深度检测网络的运动目标跟踪方法 | |
CN110728694A (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN110633727A (zh) | 基于选择性搜索的深度神经网络舰船目标细粒度识别方法 | |
CN114596340A (zh) | 一种监控视频的多目标跟踪方法及系统 | |
CN116883457B (zh) | 一种基于检测跟踪联合网络和混合密度网络的轻量化多目标跟踪方法 | |
CN114332444B (zh) | 一种基于增量漂移聚类的复杂星空背景目标识别方法 |
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 |