CN103617634A - 基于细胞区域特征和局部图特征的细胞跟踪方法及装置 - Google Patents
基于细胞区域特征和局部图特征的细胞跟踪方法及装置 Download PDFInfo
- Publication number
- CN103617634A CN103617634A CN201310615851.2A CN201310615851A CN103617634A CN 103617634 A CN103617634 A CN 103617634A CN 201310615851 A CN201310615851 A CN 201310615851A CN 103617634 A CN103617634 A CN 103617634A
- Authority
- CN
- China
- Prior art keywords
- cell
- tracked
- image
- similarity
- candidate
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于细胞区域特征和局部图特征的细胞跟踪方法及装置,该方法首先对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,基于区域特征对细胞进行跟踪,并搜索当前细胞图像中遗留的还没有匹配成功的细胞区域,标记该没有匹配成功的细胞区域为待跟踪细胞,在下一帧细胞图像中计算没有匹配成功的细胞区域的质心与待跟踪细胞之间的欧式距离,查找到候选细胞,最后对所有的候选细胞,分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞。本发明同时还公开了应用该方法的细胞跟踪装置。本发明不仅成功的识别了移动距离较大的细胞,还减少了计算量。
Description
技术领域
本发明属于计算机视觉技术领域,尤其涉及基于细胞区域特征和局部图特征的细胞跟踪方法及装置。
背景技术
细胞动态分析在细胞生物学和生物医学中都具有重要的研究意义和应用价值,其通常是通过对细胞进行跟踪来实现的,然而传统的细胞跟踪方法不仅需要大量繁琐的人为操作,还需要使用物理、化学等操作,使研究结果不能客观的反映细胞的自然运动。
申请人在同时提交的名称为“基于区域特征的细胞跟踪方法及装置”的专利申请中提出了一种基于区域特征的细胞跟踪方法及装置,该方法对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,并对每一帧细胞图像进行图像分割,在细胞图像中标记细胞区域,根据每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;最后对所有的候选细胞,分别计算与待跟踪细胞之间的区域特征相似度,以区域特征相似度值最大的候选细胞为该待跟踪细胞的匹配细胞。该发明申请的对粘连细胞的识别和分离准确率高,能够快速有效地进行细胞跟踪。
然而基于细胞区域特征的细胞跟踪在跟踪移动距离很短的细胞时能够取得很好的效果,但是对于移动距离很大甚至发生跳跃的细胞则无法完成跟踪。同时在细胞跟踪领域,图论的细胞跟踪方法越来越得到重视,图论的细胞跟踪方法依据的主要模型是“人群拥挤”模型,当存在大量细胞或者细胞移动距离比较大时,这些移动的细胞在空间上的相对位置关系是相对稳定,因此运用图论的方法在跟踪这类细胞时具有无可比拟的优势。
但是图论细胞跟踪方法是建立在全图基础上的细胞跟踪算法,这样增加了跟踪过程中计算量。
发明内容
本发明的目的是提出一种基于细胞区域特征和局部图的细胞跟踪方法,用以解决现有技术在细胞移动距离大跟踪不准确,计算量大的问题。
为了实现上述发明目的,本发明技术方案如下:
一种基于细胞区域特征和局部图特征的细胞跟踪方法,用于根据显微视频的帧图像进行细胞跟踪,所述方法包括步骤:
步骤1、对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,基于区域特征对细胞进行跟踪;
步骤2、以第一帧细胞图像为当前细胞图像,搜索当前细胞图像中遗留的还没有匹配成功的细胞区域,标记该没有匹配成功的细胞区域为待跟踪细胞;
步骤3、输入当前细胞图像的下一帧细胞图像,计算出该下一帧细胞图像中没有匹配成功的细胞区域的质心与待跟踪细胞的欧式距离,如果小于指定的阈值,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
步骤4、分别在当前细胞图像和当前细胞图像的下一帧细胞图像中以待跟踪细胞和候选细胞为中心,以匹配成功的细胞为相邻细胞建立两个局部图,并计算局部图特征相似度;
步骤5、对所有候选细胞,根据细胞区域特征相似度和局部图特征相似度分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为待跟踪细胞的匹配细胞;
步骤6、判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回步骤3。
进一步地,所述步骤3中指定的阈值为4d,其中d为细胞运动的平均距离。
进一步地,所述局部图特征相似度计算公式为:
式中ck是待跟踪细胞k的相邻细胞,ck’是候选细胞k’的相邻细胞,和是局部图中边的长度,与分别是待跟踪细胞k和候选细胞k’与相邻细胞的连线与水平方向的角度,t为当前细胞图像帧序号,t+1为当前细胞图像下一帧细胞图像的帧序号,N(k)是待跟踪细胞k的相邻细胞集合,N(k’)是候选细胞k’的相邻细胞集合。
进一步地,所述候选细胞与待跟踪细胞的相似度为:
E(k,k')=β1EL(k,k')+β2ER(k,k')
式中E(k,k’)表示待跟踪细胞k和候选细胞k’相似度大小,ER(k,k')和EL(k,k')分别表示细胞区域特征相似度和局部图特征相似度,β1表示局部图相似度在相似度函数中的权重,β2表示区域特征相似度在相似度函数中的权重,β1和β2取值范围在0和1之间,之和为1。
其中,所述区域特征相似度ER(k,k')计算公式如下:
ER(k,k')=λ1Edisplacement+λ2Earea+λ3Edeformation
其中,Edisplacement是位移变化参数,Earea是面积变化参数,Edeformation是形状变化参数,λ1,λ2和λ3表示各参数在区域特征相似度函数中的权重。
本发明同时提出了一种基于细胞区域特征和局部图特征的细胞跟踪装置,用于根据显微视频的帧图像进行细胞跟踪,所述装置包括:
区域特征细胞跟踪模块,用于对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,基于区域特征对细胞进行跟踪;
待跟踪细胞标记模块,用于在当前细胞图像中搜索当前细胞图像中遗留的还没有匹配成功的细胞区域,标记该没有匹配成功的细胞区域为待跟踪细胞;
候选细胞查找模块,用于计算出当前细胞图像的下一帧细胞图像中没有匹配成功的细胞区域的质心与待跟踪细胞的欧式距离,如果小于指定的阈值,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
局部图特征计算模块,用于分别在当前细胞图像和当前细胞图像的下一帧细胞图像中以待跟踪细胞和候选细胞为中心,以匹配成功的细胞为相邻细胞建立两个局部图,并计算局部图特征相似度;
匹配模块,对所有候选细胞,根据细胞区域特征相似度和局部图特征相似度分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为待跟踪细胞的匹配细胞;
判断模块,用于判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回所述候选细胞查找模块查找下一帧细胞图像中的候选细胞。
本发明提出的基于细胞区域特征和局部图特征的细胞跟踪方法及装置,对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,基于区域特征对细胞进行跟踪,对于移动距离较大的细胞,基于区域特征相似度和局部图特征相似度计算,以相似度值最大的候选细胞为该待跟踪细胞的匹配细胞。本发明能够对帧细胞图像中的细胞进行准确的跟踪,不仅成功的识别了移动距离较大的细胞,还减少了计算量。
附图说明
图1为本发明的细胞跟踪方法流程图;
图2为本发明的细胞跟踪装置结构示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明,以下实施例不构成对本发明的限定。
细胞的运动是无规则不均匀的运动,因此在细胞运动过程中,活性很强的细胞会发生跳跃运动,即细胞在相邻两帧之间的移动距离比较大。之所以发生这种现象,是因为细胞内ATP分子的化学能在短时间间隔内转换为机械能。对于这类细胞,运用基于区域特征的细胞跟踪方法往往会发生错误,因为在搜索待匹配细胞的候选细胞时是在一定区域内搜索的,而此时真正的候选细胞由于移动距离的变大已经超出了搜索的范围。
对于这类活性很强的细胞,由于其移动距离比较大,在基于区域特征的细胞跟踪方法的基础上未能实现这类细胞的跟踪。以下参照附图1的流程图,对本发明基于细胞区域特征和局部图特征的细胞跟踪方法进行详细说明,该方法包括步骤:
步骤101、对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,基于区域特征对细胞进行跟踪。
由于显微细胞图像存在图像模糊、细胞分布杂乱等特点,为了对细胞进行跟踪,对显微视频进行转换得到连续的细胞图像帧,在每帧的细胞图像中将细胞区域标记出来,在标记细胞时通常用细胞的质心来标记细胞的位置。在标记出细胞区域后,以第一帧细胞图像为当前细胞图像,在该细胞图像中标记要跟踪的待跟踪细胞,输入当前细胞图像的下一帧细胞图像,根据每个细胞区域的质心求出与待跟踪细胞之间的欧式距离,如果小于细胞运动的平均距离,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息。
然后对所有的候选细胞,分别计算与待跟踪细胞之间的区域特征相似度,以区域特征相似度值最大的候选细胞为该待跟踪细胞的匹配细胞。
其中,区域特征相似度ER(k,k')计算公式如下:
ER(k,k')=λ1Edisplacement+λ2Earea+λ3Edeformation
式中ER(k,k')是表示待跟踪细胞k和候选细胞k'的区域特征相似度,Edisplacement是位移变化参数,Earea是面积变化参数,Edeformation是形状变化参数,λ1,λ2和λ3表示各参数在区域特征相似度函数中的权重,他们取值范围在0和1之间,之和为1。
其中,位移变化参数Edisplacement反映了细胞在相邻两帧图片之间的移动距离大小:
式中Dk,k’表示待跟踪细胞k和候选细胞k’之间的欧式距离:
H和W分别是图像的高度和宽度,(xk,yk)和(xk',yk')分别表示待跟踪细胞k和候选细胞k'的坐标。
其中,面积变化参数Earea反应了细胞在相邻两帧图像之间的变化大小,其计算公式如下:
其中,形状变化参数Edeformation表示细胞在相邻两帧之间的形状变化,其计算如下:
式中Q=(4πArea)/Perimeter2,和分别表示待跟踪细胞k和候选细胞k'在帧序号t和帧序号t+1时的圆形度,Area为面积参数,Perimeter为周长参数。其中Area面积参数为细胞区域所占像素点的总个数,Perimeter周长参数为细胞区域离散的点组成的边界。
这里基于区域特征得到的匹配细胞就是待跟踪细胞在下一帧细胞图像中对应的细胞。依此类推,遍历细胞图像的所有帧,完成基于区域特征的细胞跟踪。
然而对于活性很强的细胞,由于其移动距离比较大,在上述步骤中未能跟踪到,需要继续采用以下步骤进行跟踪。
步骤102、以第一帧细胞图像为当前细胞图像,搜索当前细胞图像中遗留的还没有匹配成功的细胞区域,标记该没有匹配成功的细胞区域为待跟踪细胞。
经过基于区域特征的细胞跟踪之后,大部分细胞已经跟踪完成,即在帧细胞图像中,大部分能找到待跟踪细胞对应的匹配细胞。然而对于活性很强的细胞,由于其移动距离比较大,为步骤101中未被跟踪到,在本步骤中首先搜索还没有匹配成功的细胞区域,在第一帧细胞图像中标记为待跟踪细胞,而对于后面的帧细胞图像中的未匹配成功的细胞区域,则是待跟踪细胞进行跟踪的目标。
步骤103、输入当前细胞图像的下一帧细胞图像,计算该下一帧细胞图像中没有匹配成功的细胞区域的质心与待跟踪细胞的欧式距离,如果小于指定的阈值,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息。
通过计算下一帧细胞图像中未匹配成功的细胞区域与待跟踪细胞的欧式距离,则能够为待跟踪细胞确定其候选细胞。
其中该指定的阈值为4d,d是细胞运动的平均距离,通过对移动距离比较大的细胞进行统计,其移动距离不会大于4d。
步骤104、分别在当前细胞图像和当前细胞图像的下一帧细胞图像中以待跟踪细胞和候选细胞为中心,以匹配成功的细胞为相邻细胞建立两个局部图,并计算局部图特征相似度。
局部图相似度EL(k,k’)计算公式如下:
其中,ck是待跟踪细胞k的相邻细胞,ck’是候选细胞k’的相邻细胞,和是图中边的长度,与分别是待跟踪细胞k和候选细胞k’与相邻细胞的连线与水平方向的角度,t为当前细胞图像帧序号,t+1为当前细胞图像下一帧细胞图像的帧序号,N(k)是待跟踪细胞k的相邻细胞集合,N(k’)是候选细胞k’的相邻细胞集合。
步骤105、对所有候选细胞,根据细胞区域特征相似度和局部图特征相似度分别计算与待跟踪细胞之间的相似度E(k,k’),以相似度值E(k,k’)最大的候选细胞为待跟踪细胞的匹配细胞。
相似度计算公式如下:
E(k,k')=β1EL(k,k')+β2ER(k,k')
式中E(k,k’)表示待跟踪细胞k和候选细胞k’相似度大小,ER(k,k')和EL(k,k')分别表示细胞区域特征相似度和局部图特征相似度,β1表示局部图相似度在相似度函数中的权重,β2表示区域特征相似度在相似度函数中的权重,β1和β2取值范围在0和1之间,之和为1。
通过相似的计算,找到相似度值E(k,k’)最大的候选细胞为待跟踪细胞的匹配细胞,将当前细胞图像中待跟踪细胞的细胞区域ID赋给该匹配细胞,并记录匹配成功的信息。
步骤106、判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回步骤103。
至此对于第一帧细胞图像中的一个待跟踪细胞完成了跟踪,如果有多个待跟踪细胞,则重新从步骤102开始,选定该待跟踪细胞,对其进行跟踪,这里不再赘述。
通过步骤102-步骤106,对移动距离较大的细胞也准确地进行了跟踪,由于本实施例的方法在基于区域特征的细胞跟踪之后再针对移动距离较大的细胞进行跟踪,不仅成功的识别了移动距离较大的细胞,还减少了计算量。
图2示出了实现上述方法的基于细胞区域特征和局部图特征的细胞跟踪装置结构示意图,该装置包括:
区域特征细胞跟踪模块,用于对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,基于区域特征对细胞进行跟踪;
待跟踪细胞标记模块,用于在当前细胞图像中搜索当前细胞图像中遗留的还没有匹配成功的细胞区域,标记该没有匹配成功的细胞区域为待跟踪细胞;
候选细胞查找模块,用于计算出当前细胞图像的下一帧细胞图像中没有匹配成功的细胞区域的质心与待跟踪细胞的欧式距离,如果小于指定的阈值,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
局部图特征计算模块,用于分别在当前细胞图像和当前细胞图像的下一帧细胞图像中以待跟踪细胞和候选细胞为中心,以匹配成功的细胞为相邻细胞建立两个局部图,并计算局部图特征相似度;
匹配模块,对所有候选细胞,根据细胞区域特征相似度和局部图特征相似度分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为待跟踪细胞的匹配细胞;
判断模块,用于判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回所述候选细胞查找模块查找下一帧细胞图像中的候选细胞。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于细胞区域特征和局部图特征的细胞跟踪方法,用于根据显微视频的帧图像进行细胞跟踪,其特征在于,所述方法包括步骤:
步骤1、对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,基于区域特征对细胞进行跟踪;
步骤2、以第一帧细胞图像为当前细胞图像,搜索当前细胞图像中遗留的还没有匹配成功的细胞区域,标记该没有匹配成功的细胞区域为待跟踪细胞;
步骤3、输入当前细胞图像的下一帧细胞图像,计算出该下一帧细胞图像中没有匹配成功的细胞区域的质心与待跟踪细胞的欧式距离,如果小于指定的阈值,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
步骤4、分别在当前细胞图像和当前细胞图像的下一帧细胞图像中以待跟踪细胞和候选细胞为中心,以匹配成功的细胞为相邻细胞建立两个局部图,并计算局部图特征相似度;
步骤5、对所有候选细胞,根据细胞区域特征相似度和局部图特征相似度分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为待跟踪细胞的匹配细胞;
步骤6、判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回步骤3。
2.根据权利要求1所述的细胞跟踪方法,其特征在于,所述步骤3中指定的阈值为4d,其中d为细胞运动的平均距离。
4.根据权利要求3所述的细胞跟踪方法,其特征在于,所述候选细胞与待跟踪细胞的相似度为:
E(k,k')=β1EL(k,k')+β2ER(k,k')
式中E(k,k’)表示待跟踪细胞k和候选细胞k’相似度大小,ER(k,k')和EL(k,k')分别表示细胞区域特征相似度和局部图特征相似度,β1表示局部图相似度在相似度函数中的权重,β2表示区域特征相似度在相似度函数中的权重,β1和β2取值范围在0和1之间,之和为1。
5.根据权利要求4所述的细胞跟踪方法,其特征在于,所述区域特征相似度ER(k,k')计算公式如下:
ER(k,k')=λ1Edisplacement+λ2Earea+λ3Edeformation
其中,Edisplacement是位移变化参数,Earea是面积变化参数,Edeformation是形状变化参数,λ1,λ2和λ3表示各参数在区域特征相似度函数中的权重。
6.一种基于细胞区域特征和局部图特征的细胞跟踪装置,用于根据显微视频的帧图像进行细胞跟踪,其特征在于,所述装置包括:
区域特征细胞跟踪模块,用于对显微拍摄的细胞视频进行转换得到连续的细胞图像帧,基于区域特征对细胞进行跟踪;
待跟踪细胞标记模块,用于在当前细胞图像中搜索当前细胞图像中遗留的还没有匹配成功的细胞区域,标记该没有匹配成功的细胞区域为待跟踪细胞;
候选细胞查找模块,用于计算出当前细胞图像的下一帧细胞图像中没有匹配成功的细胞区域的质心与待跟踪细胞的欧式距离,如果小于指定的阈值,则认为该细胞是待跟踪细胞的候选细胞,并记录所有的候选细胞信息;
局部图特征计算模块,用于分别在当前细胞图像和当前细胞图像的下一帧细胞图像中以待跟踪细胞和候选细胞为中心,以匹配成功的细胞为相邻细胞建立两个局部图,并计算局部图特征相似度;
匹配模块,对所有候选细胞,根据细胞区域特征相似度和局部图特征相似度分别计算与待跟踪细胞之间的相似度,以相似度值最大的候选细胞为待跟踪细胞的匹配细胞;
判断模块,用于判断是否所有细胞图像跟踪完毕,是则结束细胞跟踪,否则以下一帧细胞图像为当前细胞图像,以匹配细胞为待跟踪细胞,返回所述候选细胞查找模块查找下一帧细胞图像中的候选细胞。
7.根据权利要求6所述的细胞跟踪装置,其特征在于,所述候选细胞查找模块中指定的阈值为4d,其中d为细胞运动的平均距离。
9.根据权利要求8所述的细胞跟踪装置,其特征在于,所述候选细胞与待跟踪细胞的相似度为:
E(k,k')=β1EL(k,k')+β2ER(k,k')
式中E(k,k’)表示待跟踪细胞k和候选细胞k’相似度大小,ER(k,k')和EL(k,k')分别表示细胞区域特征相似度和局部图特征相似度,β1表示局部图相似度在相似度函数中的权重,β2表示区域特征相似度在相似度函数中的权重,β1和β2取值范围在0和1之间,之和为1。
10.根据权利要求9所述的细胞跟踪装置,其特征在于,所述区域特征相似度ER(k,k')计算公式如下:
ER(k,k')=λ1Edisplacement+λ2Earea+λ3Edeformation
其中,Edisplacement是位移变化参数,Earea是面积变化参数,Edeformation是形状变化参数,λ1,λ2和λ3表示各参数在区域特征相似度函数中的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310615851.2A CN103617634A (zh) | 2013-11-26 | 2013-11-26 | 基于细胞区域特征和局部图特征的细胞跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310615851.2A CN103617634A (zh) | 2013-11-26 | 2013-11-26 | 基于细胞区域特征和局部图特征的细胞跟踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103617634A true CN103617634A (zh) | 2014-03-05 |
Family
ID=50168338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310615851.2A Pending CN103617634A (zh) | 2013-11-26 | 2013-11-26 | 基于细胞区域特征和局部图特征的细胞跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103617634A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392437A (zh) * | 2014-11-11 | 2015-03-04 | 西南交通大学 | 基于多细胞块状态融合的对象跟踪方法 |
CN107270828A (zh) * | 2017-07-05 | 2017-10-20 | 浙江科技学院 | 基于显微定量角度图像的细胞质心机械形变测量方法 |
CN109709346A (zh) * | 2018-12-07 | 2019-05-03 | 英华达(上海)科技有限公司 | 自动化细胞分析装置及其操作方法 |
CN115018886A (zh) * | 2022-08-09 | 2022-09-06 | 腾讯科技(深圳)有限公司 | 运动轨迹识别方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777187A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 基于Meanshift算法的视频显微图像细胞自动跟踪方法 |
CN101950424A (zh) * | 2010-09-09 | 2011-01-19 | 西安电子科技大学 | 基于质心跟踪框架的特征关联细胞跟踪方法 |
-
2013
- 2013-11-26 CN CN201310615851.2A patent/CN103617634A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777187A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 基于Meanshift算法的视频显微图像细胞自动跟踪方法 |
CN101950424A (zh) * | 2010-09-09 | 2011-01-19 | 西安电子科技大学 | 基于质心跟踪框架的特征关联细胞跟踪方法 |
Non-Patent Citations (2)
Title |
---|
CHEN ZHU 等: "A Novel Cell Segmentation,Tracking and Dynamic Analysis Method in Time-Lapse Microscopy Based on Cell Local Graph Structure and Motion Features", 《PATTERN RECOGNITION》 * |
MIN LIU 等: "Exploiting Local Structure for Tracking Plant Cells in Noisy Images", 《IMAGE PROCESSING(ICIP),2009 16TH IEEE INTERNATIONAL CONFERENCE ON》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392437A (zh) * | 2014-11-11 | 2015-03-04 | 西南交通大学 | 基于多细胞块状态融合的对象跟踪方法 |
CN107270828A (zh) * | 2017-07-05 | 2017-10-20 | 浙江科技学院 | 基于显微定量角度图像的细胞质心机械形变测量方法 |
CN107270828B (zh) * | 2017-07-05 | 2019-06-11 | 浙江科技学院 | 基于显微定量角度图像的细胞质心机械形变测量方法 |
CN109709346A (zh) * | 2018-12-07 | 2019-05-03 | 英华达(上海)科技有限公司 | 自动化细胞分析装置及其操作方法 |
CN109709346B (zh) * | 2018-12-07 | 2022-08-02 | 英华达(上海)科技有限公司 | 自动化细胞分析装置及其操作方法 |
CN115018886A (zh) * | 2022-08-09 | 2022-09-06 | 腾讯科技(深圳)有限公司 | 运动轨迹识别方法、装置、设备及介质 |
CN115018886B (zh) * | 2022-08-09 | 2022-11-08 | 腾讯科技(深圳)有限公司 | 运动轨迹识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103150740A (zh) | 一种基于视频的运动目标跟踪方法和*** | |
CN107907124A (zh) | 基于场景重识的定位方法、电子设备、存储介质、*** | |
CN111523610B (zh) | 一种样本高效标注的物品识别方法 | |
Jeong et al. | Multimodal sensor-based semantic 3D mapping for a large-scale environment | |
CN110992424B (zh) | 基于双目视觉的定位方法和*** | |
CN106447696A (zh) | 一种基于双向sift流运动评估的大位移目标稀疏跟踪方法 | |
CN103617634A (zh) | 基于细胞区域特征和局部图特征的细胞跟踪方法及装置 | |
US20220164603A1 (en) | Data processing method, data processing apparatus, electronic device and storage medium | |
CN103440667A (zh) | 一种遮挡状态下运动目标稳定追踪的自动装置 | |
CN104766346A (zh) | 一种基于视频图像的斑马鱼跟踪方法 | |
US20220083789A1 (en) | Real-Time Target Detection And 3d Localization Method Based On Single Frame Image | |
CN115205391A (zh) | 一种三维激光雷达和视觉融合的目标预测方法 | |
CN106021926A (zh) | 一种人体动作序列的实时评价方法 | |
CN113406659A (zh) | 一种基于激光雷达信息的移动机器人位置重识别方法 | |
Bao et al. | Object-aware centroid voting for monocular 3d object detection | |
Chen et al. | Multi-scale bio-inspired place recognition | |
Guizilini et al. | Semi-parametric learning for visual odometry | |
Ouerghi et al. | Visual odometry and place recognition fusion for vehicle position tracking in urban environments | |
Zhai et al. | Scale-context perceptive network for crowd counting and localization in smart city system | |
Wang et al. | Improving RGB-D SLAM accuracy in dynamic environments based on semantic and geometric constraints | |
Yang et al. | TGAN: A simple model update strategy for visual tracking via template-guidance attention network | |
CN110864670B (zh) | 目标障碍物位置的获取方法和*** | |
CN117576149A (zh) | 一种基于注意力机制的单目标跟踪方法 | |
CN102359788B (zh) | 一种基于平台惯姿参数的序列图像目标递推识别方法 | |
Zhang et al. | Curve-based lane estimation model with lightweight attention mechanism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140305 |