CN107392210A - 一种基于tld算法的目标检测跟踪方法 - Google Patents
一种基于tld算法的目标检测跟踪方法 Download PDFInfo
- Publication number
- CN107392210A CN107392210A CN201710566987.7A CN201710566987A CN107392210A CN 107392210 A CN107392210 A CN 107392210A CN 201710566987 A CN201710566987 A CN 201710566987A CN 107392210 A CN107392210 A CN 107392210A
- Authority
- CN
- China
- Prior art keywords
- tracking
- detection module
- image block
- lbp
- module
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于TLD的目标检测跟踪方法,包括:(1)在待跟踪视频的起始帧,由用户指定跟踪窗口形成正负样本对检测模块进行初始化训练。(2)在跟踪过程中,检测模块和跟踪模块独立工作:检测模块计算被方差分类器、合并分类器接受的图像块的LBP统计特征向量,并与样本集进行NCC最近邻匹配输出目标位置;跟踪模块采用中值光流法通过上一帧跟踪预测当前帧目标位置。(3)整合模块综合检测模块和跟踪模块进行跟踪结果的输出。并且对当前更新后的目标位置,产生新的正负样本,从而更新检测模块。(4)循环(2)‑(3)直至跟踪结束。在公开数据集上进行的对比实验表明,该方法可以在一定程度上提高跟踪的鲁棒性和精度。
Description
技术领域
本发明涉及一种基于TLD算法的目标检测跟踪方法,特点是对TLD算法的检测模块中的扫描窗口的图像进行LBP特征的提取与统计,应用于计算机视觉、目标检测、目标跟踪等,属于计算机视觉中的目标跟踪领域。
背景技术
TLD跟踪算法是由Zdenka Kalal提出的一种单目标长时间跟踪算法。该算法由跟踪模块、检测模块、学习模块三个模块组成。单纯的跟踪算法很难校正跟踪的漂移误差并且会不断累积跟踪的误差,而且一旦目标从视野中消失,跟踪就不可避免地产生失败。单纯的检测算法需要大量的样本进行离线的监督训练,不能应用于未知目标的跟踪任务,并且由于目标模型是离线建立的,所以如果一旦目标出现较大变化,跟踪就很容易产生失败。TLD将检测算法和跟踪算法结合起来并且通过学习来实时更新目标模型。在TLD算法的NCC分类匹配的过程中主要利用图像的灰度特征,是对扫描窗口得到的图像块归一化后与目标模型的正负样本集进行像素灰度的NCC匹配来得到目标。两个图像块相应位置的像素灰度直接比对的方式虽然简单但是并不鲁棒,本文针对这一问题提出使用图像块的LBP统计特征进行NCC匹配,从而实现更为鲁棒的目标跟踪。
LBP(local binary pattern)局部二值模式,是一种用来描述图像局部纹理特征的算子。基本的LBP于1994年提出,它反映的内容是每个像素与周围像素的关系。基本的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息。
基本LBP算子可以被进一步推广为使用不同大小和形状的邻域。采用圆形的邻域并结合双线性插值运算可以使我们获得任意半径和任意数目的邻域像素点。半径为R的圆形区域内含有P个采样点的LBP算子:
LBP算子利用了周围点与该点的关系对该点进行量化。量化后可以更有效地消除光照对图像的影响。只要光照的变化不足以改变两个点像素值之间的大小关系,那么LBP算子的值不会发生变化,所以一定程度上,LBP算子解决了光照变化的问题,但是当图像光照变化不均匀时,各像素间的大小关系被破坏,对应的LBP模式也就发生了变化。
发明内容
本发明要解决技术问题为:针对TLD算法中检测模块由最近邻分类器直接对像素点进行NCC匹配所造成的鲁棒性不足和精度不高的问题,对该算法的检测模块进行改进,提出使用LBP的统计特征向量来重新构造检测模块。在公开视频数据集上进行的实验表明,该方法可以在一定程度上提高跟踪的鲁棒性和精度。
本发明解决上述技术问题采用的技术方案为:一种基于TLD算法的目标检测跟踪方法,在待跟踪视频的起始帧,由用户指定跟踪窗口形成正负样本对检测模块进行初始化训练。在跟踪过程中,检测模块和跟踪模块独立工作:检测模块扫描当前帧图像获得图像块并依次通过方差分类器、合并分类器,并计算被接受的图像块的LBP统计特征向量,在最近邻分类器中与样本集中的图像块的LBP统计特征向量进行相似度的计算;跟踪模块采用中值光流法通过上一帧跟踪预测当前帧目标位置。整合模块综合检测模块和跟踪模块进行跟踪结果的输出。并且对当前更新后的目标位置,产生新的正负样本,从而更新检测模块。
其中,在待跟踪视频的起始帧中,由用户指定跟踪窗口,然后对距离指定的跟踪窗口最近的扫描网格窗口中选取若干个窗口进行一系列的仿射变换形成初始的正样本,并对远离指定的跟踪窗口随机搜选获得初始的负样本。所获得的正负初始样本用来对检测模块进行初始化训练。
其中,在跟踪过程中,检测模块对当前帧图像进行网格扫描获得图像块后,首先计算各图像块的方差,方差小于某个阈值的图像块被接受,进入合并分类器。通过若干个不同的基本分类器进行的像素比较后得到的平均后验概率值,如果大于某个阈值,则判定当前图像块为目标区域,否则判定为背景。
其中,在跟踪过程中,检测模块接受通过方差分类器和合并分类器的图像块,并计算每个图像块的LBP特征,然后对由此产生的每个图像块的LBP特征向量进行直方图统计产生新的LBP特征向量(即为LBP统计特征向量)。
其中,在跟踪过程中,检测模块在获得每个待检测图像块的LBP统计特征向量后,与正负样本集中的图像块的LBP统计特征向量进行互相关归一化的相似度计算。如果相似度大于某个阈值,则判定当前图像块为目标区域,否则判定为背景。
其中,在跟踪过程中,采用中值光流法进行跟踪,采用本发明提出的检测模块进行检测,将检测结果与跟踪结果融合输出目标跟踪结果。并且对当前更新后的目标位置,产生新的正负样本,从而更新检测模块。
与现有技术相比,本发明的有益效果是:
这种方法能够以目标表面微观变化对目标进行描述,受光照的影响较小,同时能在复杂的背景下对目标进行跟踪。提高了跟踪的精度,能够对目标进行持续的更稳定、准确的跟踪。
附图说明
图1为本发明方法的实现流程图;
图2为实验数据集的中心误差(Distance score)的对比图,其中,图2(a)为本发明方法与原始TLD方法在David数据集上的中心误差(Distance score)的对比图,图2(b)为为本发明方法与原始TLD方法在David2数据集上的中心误差(Distance score)的对比图,图2(c)为为本发明方法与原始TLD方法在surfing数据集上的中心误差(Distance score)的对比图;
图3为实验数据集的成功率(Pascal score)的对比图,其中,图3(a)为本发明方法与原始TLD方法在David数据集上的成功率(Pascal score)的对比图,图3(b)为为本发明方法与原始TLD方法在David2数据集上的成功率(Pascal score)的对比图,图3(c)为为本发明方法与原始TLD方法在surfing数据集上的成功率(Pascal score)的对比图。
具体实施方式
下面结合附图意见具体实施方式进一步说明本发明。
基本的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息。
基本LBP算子可以被进一步推广为使用不同大小和形状的邻域。采用圆形的邻域并结合双线性插值运算可以使我们获得任意半径和任意数目的邻域像素点。半径为R的圆形区域内含有P个采样点的LBP算子:
其中,LBPP,R表示窗口中心点处的LBP特征值,gp表示采样点处的像素值,gc表示窗口中心点处的像素值。
LBP算子利用了周围点与该点的关系对该点进行量化。量化后可以更有效地消除光照对图像的影响。只要光照的变化不足以改变两个点像素值之间的大小关系,那么LBP算子的值不会发生变化,所以一定程度上,LBP算子解决了光照变化的问题,但是当图像光照变化不均匀时,各像素间的大小关系被破坏,对应的LBP模式也就发生了变化。同时,如果直接对比两幅图像的LBP特征,很容易因为位置没有对准而产生较大的偏差,所以本文提出在TLD检测模块的最近邻分类器中利用归一化的图像块与目标模型中的图像块的LBP特征的统计直方图来进行NCC相似度度量。以半径为R的圆形区域内含有P个采样点的LBP算子LBPP,R为例,一共有2R个LBP模式,然后进行统计会得到2R个直方图。
由图1可知,在待跟踪视频的起始帧中,由用户指定跟踪窗口,然后对距离指定的跟踪窗口最近的扫描网格窗口中选取若干个窗口进行一系列的仿射变换形成初始的正样本,并对远离指定的跟踪窗口随机搜选获得初始的负样本。所获得的正负初始样本用来对检测模块进行初始化训练。在跟踪过程中,检测模块对当前帧图像进行网格扫描获得图像块后,首先计算各图像块的方差,方差小于某个阈值的图像块被接受,进入合并分类器。通过若干个不同的基本分类器进行的像素比较后得到的平均后验概率值,如果大于某个阈值,则则判定当前图像块为目标区域,否则判定为背景。检测模块接受通过方差分类器和合并分类器的图像块,并计算每个图像块的LBP特征,然后对由此产生的每个图像块的LBP特征向量进行直方图统计产生新的LBP特征向量(即为LBP统计特征向量)。检测模块在获得每个待检测图像块的LBP统计特征向量后,与正负样本集中的图像块的LBP统计特征向量进行互相关归一化的相似度计算。如果相似度大于某个阈值,则判定当前图像块为目标区域,否则判定为背景。在跟踪过程中,采用中值光流法进行跟踪,采用本发明提出的检测模块进行检测,将检测结果与跟踪结果融合输出目标跟踪结果。并且对当前更新后的目标位置,产生新的正负样本,从而更新检测模块。
图2为实验数据集的中心误差(Distance score)的对比图,其中,图2(a)为本发明方法与原始TLD方法在David数据集上的中心误差(Distance score)的对比图,图2(b)为为本发明方法与原始TLD方法在David2数据集上的中心误差(Distance score)的对比图,图2(c)为为本发明方法与原始TLD方法在surfing数据集上的中心误差(Distance score)的对比图。图3为实验数据集的成功率(Pascal score)的对比图,其中,图3(a)为本发明方法与原始TLD方法在David数据集上的成功率(Pascal score)的对比图,图3(b)为为本发明方法与原始TLD方法在David2数据集上的成功率(Pascal score)的对比图,图3(c)为为本发明方法与原始TLD方法在surfing数据集上的成功率(Pascal score)的对比图。
由图2(a)-图2(c)、图3(a)-图3(c)和表1可知,本发明提出的方法可以在一定程度上提高原始TLD跟踪方法的鲁棒性和精度。
表1实验数据集的统计对比结果表
本发明未详细阐述部分属于本领域技术人员的公知技术。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例变化、变型都将落在本发明权利要求书的范围内。
Claims (6)
1.一种基于TLD算法的目标检测跟踪方法,其特征是:在待跟踪视频的起始帧,由用户指定跟踪窗口形成正负样本对检测模块进行初始化训练;在跟踪过程中,检测模块和跟踪模块独立工作:检测模块扫描当前帧图像获得图像块并依次通过方差分类器、合并分类器,并计算被接受的图像块的LBP统计特征向量,在最近邻分类器中与样本集中的图像块的LBP统计特征向量进行相似度的计算;跟踪模块采用中值光流法通过上一帧跟踪预测当前帧目标位置;整合模块综合检测模块和跟踪模块进行跟踪结果的输出;并且对当前更新后的目标位置,产生新的正负样本,从而更新检测模块。
2.根据权利要求1所述的一种基于TLD算法的目标检测跟踪方法,其特征是:在待跟踪视频的起始帧中,由用户指定跟踪窗口,然后对距离指定的跟踪窗口最近的扫描网格窗口中选取若干个窗口进行一系列的仿射变换形成初始的正样本,并对远离指定的跟踪窗口随机搜选获得初始的负样本。所获得的正负初始样本用来对检测模块进行初始化训练。
3.根据权利要求1所述的一种基于TLD算法的目标检测跟踪方法,其特征是:在跟踪过程中,检测模块对当前帧图像进行网格扫描获得图像块后,首先计算各图像块的方差,方差小于某个阈值的图像块被接受,进入合并分类器;通过若干个不同的基本分类器进行的像素比较后得到的平均后验概率值,如果大于某个阈值,则则判定当前图像块为目标区域,否则判定为背景。
4.根据权利要求1所述的一种基于TLD算法的目标检测跟踪方法,其特征是:在跟踪过程中,检测模块接受通过方差分类器和合并分类器的图像块,并计算每个图像块的LBP特征,然后对由此产生的每个图像块的LBP特征向量进行直方图统计产生新的LBP特征向量(即为LBP统计特征向量)。
5.根据权利要求1所述的一种基于TLD算法的目标检测跟踪方法,其特征是:在跟踪过程中,检测模块在获得每个待检测图像块的LBP统计特征向量后,与正负样本集中的图像块的LBP统计特征向量进行互相关归一化的相似度计算;如果相似度大于某个阈值,则判定当前图像块为目标区域,否则判定为背景。
6.根据权利要求1所述的一种基于TLD算法的目标检测跟踪方法,其特征是:在跟踪过程中,采用中值光流法进行跟踪,采用包括基于LBP统计特征向量的NCC最近邻分类器在内的级联分类器模块进行检测,将检测结果与跟踪结果融合输出目标跟踪结果;并且对当前更新后的目标位置,产生新的正负样本,从而更新检测模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566987.7A CN107392210A (zh) | 2017-07-12 | 2017-07-12 | 一种基于tld算法的目标检测跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566987.7A CN107392210A (zh) | 2017-07-12 | 2017-07-12 | 一种基于tld算法的目标检测跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392210A true CN107392210A (zh) | 2017-11-24 |
Family
ID=60339406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710566987.7A Pending CN107392210A (zh) | 2017-07-12 | 2017-07-12 | 一种基于tld算法的目标检测跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392210A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320301A (zh) * | 2018-01-26 | 2018-07-24 | 西安电子科技大学 | 一种基于跟踪学习检测的目标跟踪优化方法 |
CN108509861A (zh) * | 2018-03-09 | 2018-09-07 | 山东师范大学 | 一种基于样本学习和目标检测结合的目标跟踪方法和装置 |
CN108921872A (zh) * | 2018-05-15 | 2018-11-30 | 南京理工大学 | 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法 |
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 |
CN110400330A (zh) * | 2019-08-13 | 2019-11-01 | 湖南海迅自动化技术有限公司 | 基于融合imu的光电吊舱图像跟踪方法及跟踪*** |
TWI696124B (zh) * | 2017-12-15 | 2020-06-11 | 香港商阿里巴巴集團服務有限公司 | 模型整合方法及裝置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982559A (zh) * | 2012-11-28 | 2013-03-20 | 大唐移动通信设备有限公司 | 车辆跟踪方法及*** |
CN103246896A (zh) * | 2013-05-24 | 2013-08-14 | 成都方米科技有限公司 | 一种鲁棒性车辆实时检测与跟踪方法 |
EP3028464A1 (en) * | 2013-08-02 | 2016-06-08 | Xactware Solutions Inc. | System and method for detecting features in aerial images using disparity mapping and segmentation techniques |
CN105931467A (zh) * | 2016-06-06 | 2016-09-07 | 广东中星电子有限公司 | 一种跟踪目标的方法及装置 |
CN106204649A (zh) * | 2016-07-05 | 2016-12-07 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
-
2017
- 2017-07-12 CN CN201710566987.7A patent/CN107392210A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982559A (zh) * | 2012-11-28 | 2013-03-20 | 大唐移动通信设备有限公司 | 车辆跟踪方法及*** |
CN103246896A (zh) * | 2013-05-24 | 2013-08-14 | 成都方米科技有限公司 | 一种鲁棒性车辆实时检测与跟踪方法 |
EP3028464A1 (en) * | 2013-08-02 | 2016-06-08 | Xactware Solutions Inc. | System and method for detecting features in aerial images using disparity mapping and segmentation techniques |
CN105931467A (zh) * | 2016-06-06 | 2016-09-07 | 广东中星电子有限公司 | 一种跟踪目标的方法及装置 |
CN106204649A (zh) * | 2016-07-05 | 2016-12-07 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
TWI696124B (zh) * | 2017-12-15 | 2020-06-11 | 香港商阿里巴巴集團服務有限公司 | 模型整合方法及裝置 |
CN108320301A (zh) * | 2018-01-26 | 2018-07-24 | 西安电子科技大学 | 一种基于跟踪学习检测的目标跟踪优化方法 |
CN108320301B (zh) * | 2018-01-26 | 2022-03-18 | 西安电子科技大学 | 一种基于跟踪学习检测的目标跟踪优化方法 |
CN108509861A (zh) * | 2018-03-09 | 2018-09-07 | 山东师范大学 | 一种基于样本学习和目标检测结合的目标跟踪方法和装置 |
CN108509861B (zh) * | 2018-03-09 | 2020-06-30 | 山东师范大学 | 一种基于样本学习和目标检测结合的目标跟踪方法和装置 |
CN108921872A (zh) * | 2018-05-15 | 2018-11-30 | 南京理工大学 | 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法 |
CN108921872B (zh) * | 2018-05-15 | 2022-02-01 | 南京理工大学 | 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法 |
CN110400330A (zh) * | 2019-08-13 | 2019-11-01 | 湖南海迅自动化技术有限公司 | 基于融合imu的光电吊舱图像跟踪方法及跟踪*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392210A (zh) | 一种基于tld算法的目标检测跟踪方法 | |
CN103116896B (zh) | 一种基于视觉显著性模型的自动检测跟踪方法 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
WO2019062092A1 (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN108346159A (zh) | 一种基于跟踪-学习-检测的视觉目标跟踪方法 | |
CN115115644B (zh) | 一种基于人工智能的车辆焊接缺陷检测方法 | |
CN101329765B (zh) | 多摄像机目标匹配特征融合方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN105320917B (zh) | 一种基于头肩轮廓及bp神经网络的行人检测及跟踪方法 | |
CN104835182A (zh) | 摄像机上实现动态目标实时跟踪的方法 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及*** | |
CN104598883A (zh) | 一种多摄像机监控网络中目标再识别的方法 | |
CN103440510A (zh) | 一种面部图像中特征点的定位方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
CN103413312B (zh) | 基于邻里成分分析和尺度空间理论的视频目标跟踪方法 | |
CN105513053A (zh) | 一种用于视频分析中背景建模方法 | |
CN101571917A (zh) | 基于视频的正面步态周期检测方法 | |
CN109711267A (zh) | 一种行人重识别、行人运动轨迹生成方法及装置 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN105303200A (zh) | 用于手持设备的人脸识别方法 | |
CN108846850A (zh) | 一种基于tld算法的目标跟踪方法 | |
CN106934395B (zh) | 一种采用surf特征和颜色特征相融合的刚体目标跟踪方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171124 |
|
WD01 | Invention patent application deemed withdrawn after publication |