CN106204638A - 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 - Google Patents
一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 Download PDFInfo
- Publication number
- CN106204638A CN106204638A CN201610496005.7A CN201610496005A CN106204638A CN 106204638 A CN106204638 A CN 106204638A CN 201610496005 A CN201610496005 A CN 201610496005A CN 106204638 A CN106204638 A CN 106204638A
- Authority
- CN
- China
- Prior art keywords
- target
- peak
- value
- tracker
- frame
- 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
Classifications
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开一种基于尺度自适应和遮挡处理的航拍视频跟踪方法。步骤包括:对于航拍视频的每一帧输入图像,计算在当前尺度下KCF***响应函数的峰值,判断目标是否受到遮挡,若受到遮挡,就停止对***参数的更新,若没有受到遮挡,则继续进行尺度变化的探测;通过阈值限定的方法每次去计算一个大的尺度或一个小的尺度,探测出描述当前目标状态的最佳尺度,并更新当前尺度和***的参数。本发明在对航拍视频中的目标进行跟踪的过程中具有很好的鲁棒性和实时性,可以实现对航拍目标的准确持续跟踪。
Description
技术领域
本发明属于计算机视觉技术领域,具体涉及运动目标跟踪技术领域中的一种航拍视频跟踪方法。本发明可以很好的处理航拍视频跟踪过程中的尺度变化和遮挡问题,实现对航拍目标准确持续的跟踪。
背景技术
运动目标跟踪是计算机视觉领域的研究重点问题之一,在视觉监控、无人驾驶、人机交互、智能机器人等领域都有着广泛的应用。
航拍视频下的运动目标跟踪是目标跟踪的一个特殊应用,是进行无人机侦查、基于空基的监控指挥和探测地理灾害等任务中的关键技术。航拍视频的特点是目标尺寸较小、尺度变化大、图像分辨率低、场景复杂多变等,这就使得对跟踪算法的鲁棒性有着更高的要求,同时由于机载计算资源有限,对跟踪算法的实时性也有着较高的要求。
目前主流的跟踪算法有两种:一种是“生成(generative)”的方法,通过搜索和目标模型最相似的区域来进行跟踪,一般是基于模板或子空间模型,这种方法只使用目标信息;另一种是“判别(discriminative)”的方法,这种方法把跟踪视为一个二元分类问题,将目标从背景中区分出来,同时使用目标信息和背景信息来训练跟踪分类器,是一种基于检测的跟踪思想。随着机器学习中分类方法的发展,基于判别的跟踪算法由于其在线学习的优势和高效的性能在近年来有了越来越多的发展和应用,比如Struck、多示例学习、TLD以及压缩感知等跟踪算法。这些在线训练方法的性能依赖于训练时采样样本的数量,采样样本不足会导致训练的分类器模型缺乏足够的信息,而采样样本过多又会非常耗费时间,同时传统的稀疏采样策略会存在很严重的信息冗余。近年来,相关滤波在跟踪领域的引入在一定程度上缓和了这些问题。Henriques J F(Henriques J F,Rui C and Martins P,etal.“Exploiting the Circulant Structure of Tracking-by-Detection withKernels,”Computer Vision–ECCV 2012.Springer Berlin Heidelberg,2012:702-715)提出了CSK算法对训练样本进行循环移位近似为密集采样,从而得到大量的训练样本来训练分类器,同时对候选样本采用循环移位的方法构造密集的候选区域用于分类器的检测,分类器响应值最高的候选样本即为目标。在问题的求解过程中,基于循环矩阵的特性把问题的求解变换到傅里叶变换域,从而避免了矩阵求逆的过程,大大降低了算法的时间复杂度;KCF算法(Henriques J F,Caseiro R and Martins P,et al.“High-Speed Tracking withKernelized Correlation Filters,”IEEE Transactions on Pattern Analysis&MachineIntelligence,2015,37(3):583-596)是对CSK算法的完善,使用核方法通过多通道的HOG特征代替CSK算法采用的原始灰度特征,增强了对目标外观的描述能力,使得训练得到的分类器对待跟踪的目标的解释力更强。KCF算法由于其简单的算法结构和快速高效的表现成为近年来高性能的***之一。
上述运动目标跟踪算法存在的技术缺陷为:CSK和KCF***均使用的是固定大小的尺寸去描述目标,无法解决目标尺度变化的问题,同时当目标受到遮挡时,这类方法往往会跟踪失败,不能对目标进行持续地跟踪。
发明内容
本发明针对航拍视频中普遍存在的尺度变化问题和遮挡问题,在KCF算法的基础上,提出一种自适应尺度变化和遮挡问题的跟踪方法来弥补KCF算法的不足。为了解决尺度变化的问题,结合航拍视频的特点,在每一帧对目标可能的尺度变化做一个探测,满足阈值即视为当前的最佳匹配尺度,这种限定阈值的尺度探测策略在保证准确性的前提下可以减少尺度的冗余探测;同时在***中加入一个遮挡检测机制,当判断为目标受到遮挡时,就停止对分类器模型的更新,以实现对目标的持续跟踪。
本发明解决其技术问题所采用的技术方案是:
一种航拍运动目标跟踪方法,包括处理遮挡问题和尺度变化问题两个过程,具体实现步骤如下:
(1)输入视频的第一帧,并根据第一帧中目标的初始位置初始化KCF***,同时初始化当前尺度Scale为目标初始大小;
(2)用S标记当前目标的尺度大小:S=Scale;
(3)读取下一帧进行处理,计算在当前尺度S下KCF***的响应函数f(z)的峰值Peak:Peak=max(f(z)),
F(f(z))=F(kxz)⊙F(α)
其中,kxz是对训练样本x和测试样本z构建的核函数矩阵,F表示的是离散傅里叶变换矩阵,α是跟踪的训练参数,f(z)是一个向量,包含了跟踪目标在当前帧的测试样本z的所有循环移位的响应值,其中响应值最大的位置就是目标新的跟踪位置;
第一个过程,遮挡问题的具体处理步骤如下:
为了检测遮挡的发生,首先定义一个集合P来判断遮挡状态,P中保存的是未遮挡情况下KCF***的响应函数f(z)的峰值Peak;
(4)检测遮挡是否发生;
4a)对当前帧的跟踪响应结果f(z)的峰值Peak做一个判断:若Peak大于集合中的每一个元素乘以波动阈值,则判定当前目标未受到遮挡,并用当前的Peak值更新集合P中的一个元素,继续转到步骤5进行尺度变化的探测;否则转至步骤4b;
4b)判定当前目标受到遮挡,根据参数更新机制,停止***参数α的更新,同时停止对集合P的更新和对尺度变化的探测,返回步骤2继续跟踪下一帧;
第二个过程,在判断目标未受到遮挡之后继续进行尺度变化的探测,具体步骤如下:
(5)判断当前帧的Peak值是否大于阈值T;
(6)如果Peak大于T,保持当前尺度不变并根据参数跟新机制更新***参数α,返回步骤2继续跟踪下一帧;若Peak小于阈值T,则进行下面的尺度探测:
6a)首先探测一个大的尺度:S=S*step,判断在这个大尺度下***的响应峰值Peak是否大于阈值T,若大于,转至步骤7,否则,转入步骤6b;
6b)探测一个小尺度:S=S/step,判断在这个小尺度下***的Peak值是否大于阈值T,若大于,转至步骤7,若小于,则返回步骤6a继续探测一个更大的尺度或是一个更小的尺度,直到满足阈值,探测到当前描述目标的最佳尺度;
(7)更新***参数α和当前尺度:Scale=S,转至步骤2继续进行下一帧的跟踪。
进一步地,依据KCF***响应结果进行遮挡判断的依据是:当目标正常运动时,KCF***的响应函数f(z)是一个高斯分布,峰值很明显;而一旦目标受到遮挡,f(z)的分布就会变得分散平滑,峰值较之前未受到遮挡时的值也变得微弱。
进一步地,所述的构建遮挡状态判断集合P的方法是:集合P={p1,p2,p3,p4,p5}中有五个元素,保存的是跟踪过程中出现过的响应函数f(z)的峰值Peak,初始值均设为0,之后用在目标未受到遮挡情况下的每一帧的KCF***的响应峰值Peak逐一去更新集合P中的元素。
进一步地,步骤4a所述的集合P的更新策略是:当上一次更新了p1后,下一次就更新p2,即从p1到p5依次进行顺序更新,以保证集合P的稳定性。
进一步地,步骤4b和步骤6所述的参数更新机制所述如下:
KCF***在每一帧中训练跟踪模型的参数时,是对上一帧训练样本得到的参数α1和当前帧的训练样本得到的参数α2进行了一个线性插值,其表达式如下:
α=(1-θ)α1+θα2
其中,α是KCF***的训练参数,θ是α的更新率,在KCF算法中取值为一固定常量;当目标进行正常无干扰运动时,通过上一帧的历史样本信息和当前帧的样本信息来更新α,获得对下一帧的跟踪分类器参数;而一旦在某一帧目标开始受到遮挡,这时候如果继续用这一帧的样本信息去更新分类器的参数就会发生错误,因为这个时候的样本信息已经不再是被跟踪目标的信息了,而是遮挡物的信息,所以这时应该停止对分类器的更新,保存目标在受到遮挡之前的参数信息:
如上述公式,在本发明中,当目标正常运动时,将θ值设置为τ=0.012;当判断目标受到遮挡时,把θ值设为0,停止对***参数的更新,直至目标出了遮挡区域为止。
进一步地,步骤5所述的T是一个自适应阈值,取当前帧的上一帧跟踪结果的峰值Peak乘以一个变化因子:max(f(z))*0.96。
进一步地,步骤6a和步骤6b中所述的step是尺度探测的步长,取值1.05。
本发明的有益效果表现在:
第一,由于航拍视频中多存在尺度变化的情况,本发明通过阈值限定的方法来探测目标的最佳描述尺度,减小了尺度探测的冗余计算量,使得本发明在对航拍视频进行跟踪的过程中具有很好的准确性和实时性。
第二,由于本发明提出一种遮挡检测机制和参数更新机制来处理跟踪过程中的遮挡问题,有效地解决了KCF算法不能处理目标受到遮挡的跟踪情况,使得本发明在对航拍视频跟踪的过程中具有很好的鲁棒性。
附图说明
图1为本发明的流程图;
图2为本发明对存在尺度变化的RedTeam视频序列的跟踪结果图;
图3为本发明在存在遮挡情况时的航拍序列的跟踪实例图;
图4为本发明和KCF算法的精确度曲线对比图;
图5为本发明和KCF算法的VOR曲线对比图。
具体实施方式
下面结合附图对本发明做进一步描述。
参照图1,一种基于尺度自适应和遮挡处理的航拍目标跟踪方法,包括如下步骤:
(1)输入视频的第一帧,并根据第一帧中目标的初始位置初始化KCF***,同时初始化当前尺度Scale为目标初始大小;
(2)用S标记当前目标的尺度大小:S=Scale;
(3)读取下一帧进行处理,计算在当前尺度S下KCF***的响应函数f(z)的峰值Peak:Peak=max(f(z)),
F(f(z))=F(kxz)⊙F(α)
其中,kxz是对训练样本x和测试样本z构建的核函数矩阵,F表示的是离散傅里叶变换矩阵,α是跟踪的训练参数,f(z)是一个向量,包含了z的所有循环移位的响应值,其中响应值最大的位置就是目标新的跟踪位置;
第一个过程,遮挡问题的具体处理步骤如下:
为了检测遮挡的发生,首先定义一个集合P={p1,p2,p3,p4,p5}来判断遮挡状态;
(4)检测遮挡是否发生;
4a)对当前帧的跟踪响应结果f(z)的峰值Peak做一个判断:若Peak大于集合中的每一个元素乘以波动阈值(取0.75),则判定当前目标未受到遮挡,并用当前的Peak值更新集合P中的一个元素,更新策略是从p1到p5依次进行顺序更新,继续转到步骤5进行尺度变化的探测;否则转至4b;
4b)判定当前目标受到遮挡,根据参数更新机制,停止***参数α的更新,同时停止对集合P的更新和对尺度变化的探测,返回步骤2继续跟踪下一帧;
第二个过程,在判断目标未受到遮挡之后继续进行尺度变化的探测,具体步骤如下:
(5)判断当前帧的Peak值是否大于阈值T;
(6)如果Peak大于T,保持当前尺度不变并根据参数更新机制更新***参数α,返回步骤2继续跟踪下一帧;若Peak小于阈值T,则进行下面的尺度探测:
6a)首先探测一个大的尺度:S=S*step,判断在这个大尺度下***的响应峰值Peak是否大于阈值T,若大于,转至步骤7,否则转入步骤6b;
6b)探测一个小尺度:S=S/step,判断在这个小尺度下***的Peak值是否大于阈值T,若大于,转至步骤7,若小于,则返回步骤6a继续探测一个更大的尺度或是一个更小的尺度,直到满足阈值,探测到当前描述目标的最佳尺度;
(7)更新***参数α和当前尺度:Scale=S,转至步骤2继续进行下一帧的跟踪。
本实施例中,依据KCF***响应结果进行遮挡判断的依据是:当目标正常运动时,KCF***的响应函数f(z)是一个高斯分布,峰值很明显;而一旦目标受到遮挡,f(z)的分布就会变得分散平滑,峰值较之前未受到遮挡时的值也变得微弱。
本实施例中,所述的构建遮挡状态判断集合P的方法是:集合P={p1,p2,p3,p4,p5}中有五个元素,保存的是跟踪过程中出现过的响应函数f(z)的峰值Peak,初始值均设为0,之后用在目标未受到遮挡情况下的每一帧的KCF***的响应峰值Peak逐一去更新集合P中的元素。
本实施例中,步骤4a所述的集合P的更新策略是:当上一次更新了p1后,下一次就更新p2,即从p1到p5依次进行顺序更新,以保证集合P的稳定性。
本实施例中,步骤4b和步骤6所述的参数更新机制所述如下:
α=(1-θ)α1+θα2,
其中,α是***的训练参数,θ是α的更新率,当目标正常运动时,将θ值设置为τ=0.012,通过上一帧的历史样本信息和当前帧的样本信息来更新α,获得对下一帧的跟踪分类器参数;当判断目标受到遮挡时,把θ值设为0,停止对***参数的更新,直至目标出了遮挡区域为止。
本实施例中,步骤5所述的T是一个自适应阈值,取当前帧的上一帧跟踪结果的峰值Peak乘以一个变化因子:max(f(z))*0.96。
本实施例中,步骤6a和步骤6b中所述的step是尺度探测的步长,取值1.05。
本发明的效果可以通过下述仿真实验说明:
1.仿真条件:
本发明在Intel(R)Xeon(R)CPU 2.93GHz,12G的PC机上,使用Visual Studio 2010开发平台并结合OpenCV2.4计算机视觉开源库,对包括VIVID视频测试集在内的航拍视频序列完成仿真。
2.仿真结果:
图2是对存在明显尺度变化的RedTeam航拍序列的跟踪结果图,分别是第100帧,第550帧和第1900帧,图中的矩形方框表示本发明跟踪到的结果。从图2可以看出,在运动目标的尺度由小变大再变小的过程中,本发明可以很好的适应目标的尺度变化,对目标进行准确的跟踪。
图3是对存在遮挡情况的3个航拍序列的跟踪结果图,图中的矩形方框表示本发明跟踪到的结果。可以看到在目标经过一个遮挡后,本发明仍然可以很准确的跟踪到目标。
图4-5是本发明的KCF算法的精确度曲线和VOR曲线对比图。精确度曲线指的是跟踪结果的目标中心和groundtruth中标注的真实中心的欧氏距离小于某一阈值的帧数与整个测试视频序列长度的比值;VOR指的是跟踪结果的目标区域和groundtruth给的真实目标区域重合率为某一百分比时的帧数与视频序列总长度的比值。从曲线图中可以看出,本发明和KCF算法相比在精确度和VOR两种评估指标上都有很大的提升。
综上所述,本发明可以很好的处理航拍视频跟踪过程中存在的尺度变化和遮挡问题。经评估统计,和传统的KCF算法相比,本发明在阈值为10像素处的平均精确性上提升了24%,并在重合率为50%处的平均VOR值上提升了35%,同时可以以每秒80帧以上的处理速度实现对航拍视频的实时跟踪。
Claims (7)
1.一种基于尺度自适应和遮挡处理的航拍目标跟踪方法,其特征在于,通过判断KCF***的响应值,来处理航拍视频跟踪过程中目标受到的遮挡问题和尺度变化问题,具体实现步骤如下:
(1)输入视频的第一帧,并根据第一帧中目标的初始位置初始化KCF***,同时初始化当前尺度Scale为目标初始大小;
(2)用S标记当前目标的尺度大小:S=Scale;
(3)读取下一帧进行处理,计算在当前尺度S下KCF***的响应函数f(z)的峰值Peak:Peak=max(f(z));
F(f(z))=F(kxz)⊙F(α)
其中,kxz是对训练样本x和测试样本z构建的核函数矩阵,F表示的是离散傅里叶变换矩阵,α是跟踪的训练参数,f(z)是一个向量,包含了跟踪目标在当前帧的测试样本z的所有循环移位的响应值,其中响应值最大的位置就是目标新的跟踪位置;
(4)为了检测遮挡的发生,首先构建一个集合P={p1,p2,p3,p4,p5}来判断遮挡状态,检测遮挡是否发生,遮挡问题的具体处理步骤如下:
4a)对当前帧的跟踪响应结果f(z)的峰值Peak做一个判断:若Peak大于集合P中的每一个元素乘以波动阈值,其中波动阈值取值0.75,则判定当前目标未受到遮挡,并用当前的Peak值更新集合P中的一个元素,继续转到步骤5进行尺度变化的探测,否则转至步骤4b;
4b)判定当前目标受到遮挡,根据参数更新机制,停止***参数α的更新,同时停止对集合P的更新和对尺度变化的探测,返回步骤2继续处理下一帧;
(5)在判断目标未受到遮挡之后继续进行尺度变化的探测,判断当前帧的Peak值是否大于阈值T;
(6)如果Peak大于T,保持当前尺度不变,并根据参数更新机制更新***参数α,返回步骤2继续跟踪下一帧;若Peak小于阈值T,则进行下面的尺度探测:
6a)首先探测一个大的尺度:S=S*step,判断在这个大尺度下***的响应峰值Peak是否大于阈值T,若大于,则转至步骤7,否则转入步骤6b;
6b)探测一个小尺度:S=S/step,判断在这个小尺度下***的Peak值是否大于阈值T,若大于,就转至步骤7,若小于,则返回步骤6a继续探测一个更大的尺度或是一个更小的尺度,直到满足阈值条件,探测到描述当前目标的最佳尺度;
(7)更新***参数α和当前尺度:Scale=S,转至步骤2继续进行下一帧的跟踪。
2.根据权利要求1所述的一种基于尺度自适应和遮挡处理的航拍目标跟踪方法,其特征在于,依据KCF***响应结果进行遮挡判断的依据是:当目标正常运动时,KCF***的响应函数f(z)是一个高斯分布,峰值很明显;而一旦目标受到遮挡,f(z)的分布就会变得分散平滑,峰值较之前未受到遮挡时的值也变得微弱。
3.根据权利要求1所述的一种基于尺度自适应和遮挡处理的航拍目标跟踪方法,其特征在于,所述的构建遮挡状态判断集合P的方法是:集合P={p1,p2,p3,p4,p5}中的五个元素,保存的是跟踪过程中出现过的响应函数f(z)的峰值Peak,初始值均设为0,之后用在目标未受到遮挡情况下的每一帧的KCF***的响应峰值Peak逐一去更新集合P中的元素。
4.根据权利要求1所述的一种基于尺度自适应和遮挡处理的航拍目标跟踪方法,其特征在于,步骤4a所述的集合P的更新策略是:当上一次更新了p1后,下一次就更新p2,即从p1到p5依次进行顺序更新,以保证集合P的稳定性。
5.根据权利要求1所述的一种基于尺度自适应和遮挡处理的航拍目标跟踪方法,其特征在于,步骤4b和步骤6所述的参数更新机制所述如下:
KCF***在每一帧中训练跟踪模型的参数时,是对上一帧训练样本得到的参数α1和当前帧的训练样本得到的参数α2进行了一个线性插值,其表达式如下:
α=(1-θ)α1+θα2
其中,α是KCF***的训练参数,θ是α的更新率,在KCF算法中取值为一固定常量;当目标进行正常无干扰运动时,通过上一帧的历史样本信息和当前帧的样本信息来更新α,获得对下一帧的跟踪分类器参数;而一旦在某一帧目标开始受到遮挡,这时候如果继续用这一帧的样本信息去更新分类器的参数就会发生错误,因为这个时候的样本信息已经不再是被跟踪目标的信息了,而是遮挡物的信息,所以这时应该停止对分类器的更新,保存目标在受到遮挡之前的参数信息:
如上述公式,在本发明中,当目标正常运动时,将θ值设置为τ=0.012;当判断目标受到遮挡时,把θ值设为0,停止对***参数的更新,直至目标出了遮挡区域为止。
6.根据权利要求1所述的一种基于尺度自适应和遮挡处理的航拍目标跟踪方法,其特征在于,步骤5所述的T是一个自适应阈值,取当前帧的上一帧跟踪结果的峰值Peak乘以一个变化因子:max(f(z))*0.96。
7.根据权利要求1所述的一种基于尺度自适应和遮挡处理的航拍目标跟踪方法,其特征在于,步骤6a和步骤6b中所述的step是尺度探测的步长,取值1.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610496005.7A CN106204638B (zh) | 2016-06-29 | 2016-06-29 | 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610496005.7A CN106204638B (zh) | 2016-06-29 | 2016-06-29 | 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204638A true CN106204638A (zh) | 2016-12-07 |
CN106204638B CN106204638B (zh) | 2019-04-19 |
Family
ID=57463567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610496005.7A Active CN106204638B (zh) | 2016-06-29 | 2016-06-29 | 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204638B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874854A (zh) * | 2017-01-19 | 2017-06-20 | 西安电子科技大学 | 基于嵌入式平台的无人机车辆跟踪方法 |
CN106981071A (zh) * | 2017-03-21 | 2017-07-25 | 广东华中科技大学工业技术研究院 | 一种基于无人艇应用的目标跟踪方法 |
CN107368802A (zh) * | 2017-07-14 | 2017-11-21 | 北京理工大学 | 基于kcf和人脑记忆机制的运动目标跟踪方法 |
CN107423702A (zh) * | 2017-07-20 | 2017-12-01 | 西安电子科技大学 | 基于tld跟踪***的视频目标跟踪方法 |
CN107481264A (zh) * | 2017-08-11 | 2017-12-15 | 江南大学 | 一种自适应尺度的视频目标跟踪方法 |
CN107657630A (zh) * | 2017-07-21 | 2018-02-02 | 南京邮电大学 | 一种基于kcf的改进型抗遮挡目标跟踪方法 |
CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
CN108389219A (zh) * | 2018-02-02 | 2018-08-10 | 北京理工雷科电子信息技术有限公司 | 一种基于多峰值判定的弱小目标跟踪丢失重检方法 |
CN108460786A (zh) * | 2018-01-30 | 2018-08-28 | 中国航天电子技术研究院 | 一种无人机侦察目标的高速跟踪方法 |
CN108664930A (zh) * | 2018-05-11 | 2018-10-16 | 西安天和防务技术股份有限公司 | 一种智能的多目标检测跟踪方法 |
CN108694724A (zh) * | 2018-05-11 | 2018-10-23 | 西安天和防务技术股份有限公司 | 一种长时间目标跟踪方法 |
CN108694723A (zh) * | 2018-05-11 | 2018-10-23 | 西安天和防务技术股份有限公司 | 一种复杂背景下目标稳定跟踪方法 |
CN108765452A (zh) * | 2018-05-11 | 2018-11-06 | 西安天和防务技术股份有限公司 | 一种复杂背景下运动目标检测与跟踪方法 |
CN108765470A (zh) * | 2018-06-17 | 2018-11-06 | 天津理工大学 | 一种针对目标遮挡改进的kcf跟踪算法 |
CN108830879A (zh) * | 2018-05-29 | 2018-11-16 | 上海大学 | 一种适用于遮挡场景的无人艇海面相关滤波目标跟踪方法 |
CN108921879A (zh) * | 2018-05-16 | 2018-11-30 | 中国地质大学(武汉) | 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及*** |
CN109003290A (zh) * | 2017-12-11 | 2018-12-14 | 罗普特(厦门)科技集团有限公司 | 一种监控***的视频跟踪方法 |
CN109146928A (zh) * | 2017-12-29 | 2019-01-04 | 西安电子科技大学 | 一种梯度阈值判断模型更新的目标跟踪方法 |
CN109191488A (zh) * | 2018-10-18 | 2019-01-11 | 东北大学 | 一种基于csk与tld融合算法的目标跟踪***及方法 |
CN109242883A (zh) * | 2018-08-14 | 2019-01-18 | 西安电子科技大学 | 基于深度sr-kcf滤波的光学遥感视频目标跟踪方法 |
CN109816693A (zh) * | 2019-01-28 | 2019-05-28 | 中国地质大学(武汉) | 基于多峰响应的抗遮挡相关滤波跟踪方法及***/装置 |
CN109886994A (zh) * | 2019-01-11 | 2019-06-14 | 上海交通大学 | 视频跟踪中自适应遮挡检测***及方法 |
CN110046659A (zh) * | 2019-04-02 | 2019-07-23 | 河北科技大学 | 一种基于tld的长时间单目标跟踪方法 |
CN110298868A (zh) * | 2019-06-26 | 2019-10-01 | 北京工业大学 | 一种高实时性的多尺度目标跟踪方法 |
CN110659566A (zh) * | 2019-08-15 | 2020-01-07 | 重庆特斯联智慧科技股份有限公司 | 一种遮挡状态下的目标跟踪方法及*** |
CN111241965A (zh) * | 2020-01-06 | 2020-06-05 | 重庆邮电大学 | 一种基于多示例学习进行遮挡检测的目标跟踪方法 |
CN111428539A (zh) * | 2019-01-09 | 2020-07-17 | 成都通甲优博科技有限责任公司 | 目标跟踪方法及装置 |
CN111476825A (zh) * | 2020-03-10 | 2020-07-31 | 重庆邮电大学 | 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 |
CN116109975A (zh) * | 2023-02-08 | 2023-05-12 | 广州宝立科技有限公司 | 电网安全作业监控图像处理方法及智能视频监控*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354863A (zh) * | 2015-10-30 | 2016-02-24 | 浙江工业大学 | 基于特征滤波和快速运动检测模板预测的自适应尺度图像序列目标跟踪方法 |
WO2016026370A1 (en) * | 2014-08-22 | 2016-02-25 | Zhejiang Shenghui Lighting Co., Ltd. | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
CN105488815A (zh) * | 2015-11-26 | 2016-04-13 | 北京航空航天大学 | 一种支持目标尺寸变化的实时对象跟踪方法 |
-
2016
- 2016-06-29 CN CN201610496005.7A patent/CN106204638B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016026370A1 (en) * | 2014-08-22 | 2016-02-25 | Zhejiang Shenghui Lighting Co., Ltd. | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
CN105354863A (zh) * | 2015-10-30 | 2016-02-24 | 浙江工业大学 | 基于特征滤波和快速运动检测模板预测的自适应尺度图像序列目标跟踪方法 |
CN105488815A (zh) * | 2015-11-26 | 2016-04-13 | 北京航空航天大学 | 一种支持目标尺寸变化的实时对象跟踪方法 |
Non-Patent Citations (3)
Title |
---|
JOAO F.HENRIQUES等: "Exploiting the Circulant Structure of Tracking-by-Detection with Kernels", 《PROCEEDING ECCV12 PROCEEDINGS OF THE 12TH EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
YANG LI 等: "A Scale Adaptive Kernel Correlation Filter Tracker with Feature Integration", 《ECCV 2014 WORKSHOPS》 * |
张 雷等: "基于相关滤波器的视觉目标跟踪方法", 《光电子 激光》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874854A (zh) * | 2017-01-19 | 2017-06-20 | 西安电子科技大学 | 基于嵌入式平台的无人机车辆跟踪方法 |
CN106874854B (zh) * | 2017-01-19 | 2019-12-31 | 西安电子科技大学 | 基于嵌入式平台的无人机车辆跟踪方法 |
CN106981071A (zh) * | 2017-03-21 | 2017-07-25 | 广东华中科技大学工业技术研究院 | 一种基于无人艇应用的目标跟踪方法 |
CN107368802A (zh) * | 2017-07-14 | 2017-11-21 | 北京理工大学 | 基于kcf和人脑记忆机制的运动目标跟踪方法 |
CN107423702A (zh) * | 2017-07-20 | 2017-12-01 | 西安电子科技大学 | 基于tld跟踪***的视频目标跟踪方法 |
CN107423702B (zh) * | 2017-07-20 | 2020-06-23 | 西安电子科技大学 | 基于tld跟踪***的视频目标跟踪方法 |
CN107657630A (zh) * | 2017-07-21 | 2018-02-02 | 南京邮电大学 | 一种基于kcf的改进型抗遮挡目标跟踪方法 |
CN107481264A (zh) * | 2017-08-11 | 2017-12-15 | 江南大学 | 一种自适应尺度的视频目标跟踪方法 |
CN107481264B (zh) * | 2017-08-11 | 2021-01-29 | 江南大学 | 一种自适应尺度的视频目标跟踪方法 |
CN109003290A (zh) * | 2017-12-11 | 2018-12-14 | 罗普特(厦门)科技集团有限公司 | 一种监控***的视频跟踪方法 |
CN109146928B (zh) * | 2017-12-29 | 2021-09-24 | 西安电子科技大学 | 一种梯度阈值判断模型更新的目标跟踪方法 |
CN109146928A (zh) * | 2017-12-29 | 2019-01-04 | 西安电子科技大学 | 一种梯度阈值判断模型更新的目标跟踪方法 |
CN108460786A (zh) * | 2018-01-30 | 2018-08-28 | 中国航天电子技术研究院 | 一种无人机侦察目标的高速跟踪方法 |
CN108389219A (zh) * | 2018-02-02 | 2018-08-10 | 北京理工雷科电子信息技术有限公司 | 一种基于多峰值判定的弱小目标跟踪丢失重检方法 |
CN108389219B (zh) * | 2018-02-02 | 2021-09-24 | 北京理工雷科电子信息技术有限公司 | 一种基于多峰值判定的弱小目标跟踪丢失重检方法 |
CN108229442B (zh) * | 2018-02-07 | 2022-03-11 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
CN108694724A (zh) * | 2018-05-11 | 2018-10-23 | 西安天和防务技术股份有限公司 | 一种长时间目标跟踪方法 |
CN108765452A (zh) * | 2018-05-11 | 2018-11-06 | 西安天和防务技术股份有限公司 | 一种复杂背景下运动目标检测与跟踪方法 |
CN108694723A (zh) * | 2018-05-11 | 2018-10-23 | 西安天和防务技术股份有限公司 | 一种复杂背景下目标稳定跟踪方法 |
CN108664930A (zh) * | 2018-05-11 | 2018-10-16 | 西安天和防务技术股份有限公司 | 一种智能的多目标检测跟踪方法 |
CN108921879A (zh) * | 2018-05-16 | 2018-11-30 | 中国地质大学(武汉) | 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及*** |
CN108830879A (zh) * | 2018-05-29 | 2018-11-16 | 上海大学 | 一种适用于遮挡场景的无人艇海面相关滤波目标跟踪方法 |
CN108765470A (zh) * | 2018-06-17 | 2018-11-06 | 天津理工大学 | 一种针对目标遮挡改进的kcf跟踪算法 |
CN109242883A (zh) * | 2018-08-14 | 2019-01-18 | 西安电子科技大学 | 基于深度sr-kcf滤波的光学遥感视频目标跟踪方法 |
CN109242883B (zh) * | 2018-08-14 | 2021-01-05 | 西安电子科技大学 | 基于深度sr-kcf滤波的光学遥感视频目标跟踪方法 |
CN109191488A (zh) * | 2018-10-18 | 2019-01-11 | 东北大学 | 一种基于csk与tld融合算法的目标跟踪***及方法 |
CN111428539A (zh) * | 2019-01-09 | 2020-07-17 | 成都通甲优博科技有限责任公司 | 目标跟踪方法及装置 |
CN109886994A (zh) * | 2019-01-11 | 2019-06-14 | 上海交通大学 | 视频跟踪中自适应遮挡检测***及方法 |
CN109886994B (zh) * | 2019-01-11 | 2021-07-20 | 上海交通大学 | 视频跟踪中自适应遮挡检测***及方法 |
CN109816693A (zh) * | 2019-01-28 | 2019-05-28 | 中国地质大学(武汉) | 基于多峰响应的抗遮挡相关滤波跟踪方法及***/装置 |
CN110046659A (zh) * | 2019-04-02 | 2019-07-23 | 河北科技大学 | 一种基于tld的长时间单目标跟踪方法 |
CN110046659B (zh) * | 2019-04-02 | 2023-04-07 | 河北科技大学 | 一种基于tld的长时间单目标跟踪方法 |
CN110298868A (zh) * | 2019-06-26 | 2019-10-01 | 北京工业大学 | 一种高实时性的多尺度目标跟踪方法 |
CN110659566B (zh) * | 2019-08-15 | 2020-12-18 | 重庆特斯联智慧科技股份有限公司 | 一种遮挡状态下的目标跟踪方法及*** |
CN110659566A (zh) * | 2019-08-15 | 2020-01-07 | 重庆特斯联智慧科技股份有限公司 | 一种遮挡状态下的目标跟踪方法及*** |
CN111241965A (zh) * | 2020-01-06 | 2020-06-05 | 重庆邮电大学 | 一种基于多示例学习进行遮挡检测的目标跟踪方法 |
CN111476825A (zh) * | 2020-03-10 | 2020-07-31 | 重庆邮电大学 | 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 |
CN111476825B (zh) * | 2020-03-10 | 2022-08-26 | 重庆邮电大学 | 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 |
CN116109975A (zh) * | 2023-02-08 | 2023-05-12 | 广州宝立科技有限公司 | 电网安全作业监控图像处理方法及智能视频监控*** |
CN116109975B (zh) * | 2023-02-08 | 2023-10-20 | 广州宝立科技有限公司 | 电网安全作业监控图像处理方法及智能视频监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN106204638B (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204638B (zh) | 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法 | |
CN101216941B (zh) | 剧烈光照变化下基于角点匹配与光流法的运动估计方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN104680559B (zh) | 基于运动行为模式的多视角室内行人跟踪方法 | |
CN104820997B (zh) | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 | |
CN109977971A (zh) | 基于均值偏移与核相关滤波的尺度自适应目标跟踪*** | |
CN110084836A (zh) | 基于深度卷积特征分层响应融合的目标跟踪方法 | |
CN108961308B (zh) | 一种漂移检测的残差深度特征目标跟踪方法 | |
CN104574439A (zh) | 一种融合卡尔曼滤波与tld算法的目标跟踪方法 | |
CN109146912A (zh) | 一种基于目标性分析的视觉目标跟踪方法 | |
CN105913028A (zh) | 一种基于face++平台的人脸跟踪方法及其装置 | |
CN105608710B (zh) | 一种非刚性人脸检测和追踪定位方法 | |
CN112861808B (zh) | 动态手势识别方法、装置、计算机设备及可读存储介质 | |
CN110009060A (zh) | 一种基于相关滤波与目标检测的鲁棒性长期跟踪方法 | |
KR20170036747A (ko) | 장면 내 키포인트를 추적하기 위한 방법 | |
CN103268607A (zh) | 一种弱监督条件下的共同对象检测方法 | |
CN108537822A (zh) | 基于加权置信度估计的运动目标跟踪方法 | |
CN106651917A (zh) | 基于神经网络的图像目标跟踪算法 | |
Ding et al. | Machine learning model for feature recognition of sports competition based on improved TLD algorithm | |
CN102663773A (zh) | 视频目标的双核式自适应融合跟踪方法 | |
Feng et al. | Sparse representation combined with context information for visual tracking | |
CN104182990B (zh) | 一种实时序列图像运动目标区域获取方法 | |
Yan et al. | Crowd counting via scale-adaptive convolutional neural network in extremely dense crowd images | |
Han et al. | Adapting dynamic appearance for robust visual tracking | |
Mao et al. | Feature extraction and matching of Slam image based on improved SIFT algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |