CN109446978A - 基于凝视卫星复杂场景的飞机动目标跟踪方法 - Google Patents
基于凝视卫星复杂场景的飞机动目标跟踪方法 Download PDFInfo
- Publication number
- CN109446978A CN109446978A CN201811248505.4A CN201811248505A CN109446978A CN 109446978 A CN109446978 A CN 109446978A CN 201811248505 A CN201811248505 A CN 201811248505A CN 109446978 A CN109446978 A CN 109446978A
- Authority
- CN
- China
- Prior art keywords
- frame
- target
- region
- network
- winged
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于凝视卫星复杂场景的飞机动目标跟踪方法,包括以下步骤:输入视频数据;将第1帧分别与第xi1帧、第xi2帧、第xi3帧三次差分并累加;利用形态学滤波开运算处理消除融合后图像差值小处,得到潜在变化区域;选择更快的基于区域卷积神经网络作为检测网络,输入图像经过卷积层生成特征图,得到候选区域,进行分类以及候选区域微调得到检测网络;在视频首帧以变化区域为中心,提取w×h图像并利用检测网络进行目标检测,得到飞机动目标;使用多通道颜色特征算法对检测到飞机动目标进行跟踪,根据目标位置取出该帧目标窗和下一帧目标窗,对这两个窗进行快速傅里叶变换,转化后在频域图直接点乘。本发明能实现全自动的对飞机动目标实施跟踪。
Description
技术领域
本发明涉及一种动目标跟踪方法,特别是一种基于凝视卫星复杂场景的飞机动目标跟踪方法,属于遥感视频目标跟踪优化技术领域。
背景技术
基于视频的运动目标跟踪技术作为计算机视觉领域的核心研究课题之一,通过对摄像头捕捉到的图像序列进行分析,计算出运动目标在每一帧图像中的二维坐标位置,并将图像序列中连续帧间的同一运动目标关联起来,从而得到各个运动目标完整的运动轨迹,即在连续的视频序列中建立运动目标的对应关系。
卫星凝视视频是近年卫星载荷发展的新型遥感数据,星上目标实时跟踪处理的需求也应运而生。卫星视频数据覆盖范围大,地物背景复杂多变,为目标检出增加了困难,单帧图像数据量大,也为实时处理制造了难度。因此,在复杂地物背景场景下,且在覆盖范围存在众多静态飞机目标的干扰中,仅对移动的飞机目标进行准确定位并实时跟踪是相当困难的。现有跟踪算法的方法需要人工给定首帧的待跟踪目标坐标,而显然星上的实时处理无法进行有效、及时的人机交互。本发明通过研究凝视卫星视频特点,引入遥感图像变化检测、目标检测、目标跟踪的处理算法,实现卫星凝视视频数据的全自动目标跟踪。此方法可以为之后的星上动目标自动跟踪提供有力支撑。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种能够在现有的复杂场景下在众多飞机中对动目标进行准确定位并实时跟踪的基于凝视卫星复杂场景的飞机动目标跟踪方法。
为了解决上述技术问题,本发明基于凝视卫星复杂场景的飞机动目标跟踪方法,包括以下步骤:
步骤一、输入视频数据;
步骤二、提取潜在变化区域:对视频进行帧间差分处理,将第1帧分别与第Xi1帧、第Xi2帧、第Xi3帧三次差分并将结果累加;
步骤三、优化潜在变化区域:利用形态学滤波的开运算处理,消除融合后图像差值小处,并得到准确的潜在变化区域;
步骤四、训练飞机检测网络:选择更快的基于区域卷积神经网络作为检测网络,输入图像经过卷积层生成特征图,通过区域推荐网络得到候选区域,然后进行分类以及候选区域微调得到检测网络;
步骤五、检测动目标:在视频首帧,以步骤三得到的变化区域为中心,提取w×h的图像并利用步骤四所得检测网络对此图像进行目标检测,得到飞机动目标;
步骤六、飞机动目标跟踪:使用多通道颜色特征算法对步骤五检测到的飞机动目标进行跟踪,在确定跟踪对象后,根据目标位置取出该帧的目标窗和下一帧的目标窗,再对这两个窗进行快速傅里叶变换,转化后在频域图直接点乘。
本发明基于凝视卫星复杂场景的飞机动目标跟踪方法还包括:
1.步骤六所述多通道颜色特征算法使用主成分分析降维,11个通道通过降维矩阵降至2维。
2.步骤二所述帧间差分处理满足:若相减两帧图像的帧数分别为第k帧,第(k+1)帧,其帧图像分别为fk(x,y),fk+1(x,y),差分图像二值化阈值为T,差分图像用D(x,y)表示,则帧间差分法的公式如下:
3.步骤四所述更快的基于区域卷积神经网络包括两步:区域推荐网络与快速区域卷积神经网络,其中,区域推荐网络生成候选框,快速区域卷积神经网络训练检测网络,区域推荐网络分为两条线,其中一条线通过全连接层分类候选框获得前景和背景,另一条计算对于候选框的偏移量,以获得精确的位置,整个网络使用的损失函数满足:
其中,i表示边框批次的索引,pi是对边框的预测结果,ti是边框的位置,Lreg是边框的数量损失,Lcls是边框的分类损失,Ncls是一批次中产生的推荐框数量,Nreg是边框的数量,Lreg使用的smoothL1损失,计算公式如下:
其中,x为损失的真实值和预测值之差。
快速区域卷积神经网络从图片中使用选择网络选出候选区,然后把它们输入到全卷积网络中,然后通过候选区域池化,得到固定长度的特征向量特征表示,输入到全连接网络中,将得到的特征一分为二,一个输入到推荐分类的全连接中,另一个输入到用于边界框回归的全连接中。
4.作为本发明的一个优选方案,步骤四中采用一次拍摄多边框检测器作为检测网络。
5.作为本发明的另一个优选方案,步骤六中采用核相关滤波算法对步骤五检测到的飞机动目标实施跟踪。
本发明有益效果:本发明针对在复杂场景下,难以在众多飞机中对动目标进行准确定位并实时跟踪的问题提出了一种基于凝视卫星复杂场景的飞机动目标跟踪方法,能实现全自动的对飞机动目标实施跟踪。
附图说明
图1是本发明方法的流程图;
图2是本发明的整体算法流程图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的步骤如下:
步骤一、输入视频数据;
步骤二、提取潜在变化区域:对视频进行帧间差分处理,为增加准确度,将第1帧分别与第Xi1帧、第Xi2帧、第Xi3帧三次差分并将结果累加以增加变化区域;
步骤三、优化潜在变化区域:利用形态学滤波的开运算处理,消除变化区域小于一定阈值(50到200像素)之处,并得到准确的潜在变化区域;开运算,就是先腐蚀后膨胀的过程:dst=open(src,element)=dilate(erode(src,element))。开运算可以用来消除小物体,在纤细点处分离物体,并且平滑较大物体的边界;
步骤四、训练飞机检测网络:本发明选择更快的基于区域卷积神经网络(FasterRegion-based Convolutional Neural Networks,Faster-RCNN)作为检测网络。输入图像经过卷积层生成特征图,通过区域推荐网络(Region Proposal Network,RPN)得到候选区域(Region of Interest,ROI),最后进行分类以及候选区域(ROI)微调得到检测网络;
步骤五、检测动目标:在视频首帧,以步骤三得到的变化区域为中心,提取w×h的图像,该图像包含变化区域及一定背景,可以为300×300到800×800像素,并利用步骤四所得检测网络对此图像进行目标检测,并得到飞机动目标;
步骤六、飞机动目标跟踪:使用多通道颜色特征(Color Names,CN)算法对步骤五检测到的飞机动目标进行跟踪。多通道颜色特征在确定跟踪对象后,根据目标位置取出该帧的目标窗和下一帧的目标窗,再对这两个窗进行快速傅里叶变换(Fast FourierTransformation,FFT),转化后在频域图直接点乘。为降低运算,多通道颜色特征算法提出使用主成分分析(Principal Component Analysis,PCA)降维,11个通道通过降维矩阵降至2维。
步骤二中,根据不同视频特点,可选择不同xi1、xi2、xi3数据。若相减两帧图像的帧数分别为第k帧,第(k+1)帧,其帧图像分别为fk(x,y),fk+1(x,y),差分图像二值化阈值为T,差分图像用D(x,y)表示,则帧间差分法的公式如下:
步骤五中,根据视频分辨率,可以选择不同大小的图像进行检测。
Faster-RCNN大体分为两步:区域推荐网络(Region Proposal Network,RPN)与快速区域卷积神经网络(Fast Region-based Convolutional Neural Networks,Fast-RCNN),其中,区域推荐网络用来生成候选框,Fast-RCNN训练检测网络。区域推荐网络实际分为2条线,一条通过全连接层(softmax)分类候选框(anchors)获得前景和背景,另一条用于计算对于候选框的偏移量,以获得精确的位置(proposal)。整个网络使用的损失函数如下:
上述公式中,i表示边框批次的索引,pi是对边框的预测结果,ti是边框的位置,Lreg是边框的数量损失,Lcls是边框的分类损失,Ncls是一批次中产生的推荐框数量,Nreg是边框的数量。由于在实际过程中,Ncls和Nreg差距过大,用参数λ平衡二者,使总的网络损失计算过程中能够均匀考虑2种损失。这里比较重要是Lreg使用的smoothL1损失,计算公式如下:
其中,x为损失的真实值和预测值之差。
Fast-RCNN从图片中使用选择网络(selective)选出候选区(proposals),然后把它们输入到全卷积网络(FCN)中,然后进过候选区域池化(ROI pooling),以得到固定长度的特征向量(feature vector)特征表示,输入到全连接网络中最后将得到的特征(feature)一分为二,一个输入到推荐(proposal)分类的全连接,另一个输入到用于边界框回归(bounding box regression)的全连接中去。
多通道颜色特征(Color Names,CN)算法是基于颜色特征的相关滤波目标跟踪算法,CN在确定跟踪对象后,根据目标位置扣出该帧的目标窗和下一帧的目标窗,再对这两个窗进行FFT,转化后在频域图直接点乘。这个过程可简单理解为是求两个相连帧的频域共振位置,然后将共振频域图利用核函数进行核映射,再进行训练。
CN其实是一种颜色命名方式,与红绿蓝(RGB)、色相饱和度价值(Hue,Saturation,Value,HSV)同属一类,CN的文章中的研究表明,CN空间的效果比其他空间都要好,因而使用了CN颜色空间进行颜色扩展。
具体实施方式二:本实施方式与具体实施方式一不同点在于步骤四中可采用一次拍摄多边框检测器(Single Shot MultiBox Detector,SSD)训练飞机检测网络。输入一幅图片,将其输入到预训练好的分类网络中来获得不同大小的特征映射,之后抽取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2层的特征图(feature map),然后分别在这些特征图(feature map),上面的每一个点构造6个不同尺度大小的边界框(Bounding Box,BB),然后分别进行检测和分类,生成多个边界框,最后将不同特征图获得的边界框结合起来,经过非极大值抑制(non maximum suppression,NMS)方法来抑制掉一部分重叠或者不正确的边界框,生成最终的边界框集合(即检测结果)。损失函数如下:
其中Lconf是置信损失,Lloc是位置损失,N是匹配到实际边框的预测边框数量;而α参数用于调整两种损失之间的比例,默认α=1。
其它步骤与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一不同点在于步骤六中可采用核相关滤波算法(Kernel Correlation Filter,KCF)实施跟踪。核相关滤波算法使用目标周围区域的循环矩阵采集正负样本,利用脊回归训练目标检测器,并成功的利用循环矩阵在傅里叶空间可对角化的性质将矩阵的运算转化为向量的基本积(Hadamad积),大大降低了运算量,提高了运算速度,使算法满足实时性要求。
训练的目标是找到合适的权重w使得f(xi)=wT·xi=yi,使用矩阵表示得到最小二乘解为ω=(XHX+λI)-1XHY对其优化,得到:
其中ω是线性回归系数,F-1是离散傅里叶逆变换,λδ用于控制***复杂度。
接下来使用求得的ω对下一帧进行检测,在上一帧最优位置基础上进行循环产生周边区域,在所有样本中某一个区域对目标函数f(xi)的响应最大,那么该位置设为目标位置,如此求得在新一帧当中前景位置。
其它步骤与具体实施方式一相同。
本发明不仅限于上述各实施方式的内容,如步骤三中潜在变化区域的优化算法可以有很多种,比如闭运算,顶帽等等。
Claims (6)
1.一种基于凝视卫星复杂场景的飞机动目标跟踪方法,其特征在于,包括以下步骤:
步骤一、输入视频数据;
步骤二、提取潜在变化区域:对视频进行帧间差分处理,将第1帧分别与第Xi1帧、第Xi2帧、第Xi3帧三次差分并将结果累加;
步骤三、优化潜在变化区域:利用形态学滤波的开运算处理,消除融合后图像差值小处,并得到准确的潜在变化区域;
步骤四、训练飞机检测网络:选择更快的基于区域卷积神经网络作为检测网络,输入图像经过卷积层生成特征图,通过区域推荐网络得到候选区域,然后进行分类以及候选区域微调得到检测网络;
步骤五、检测动目标:在视频首帧,以步骤三得到的变化区域为中心,提取w×h的图像并利用步骤四所得检测网络对此图像进行目标检测,得到飞机动目标;
步骤六、飞机动目标跟踪:使用多通道颜色特征算法对步骤五检测到的飞机动目标进行跟踪,在确定跟踪对象后,根据目标位置取出该帧的目标窗和下一帧的目标窗,再对这两个窗进行快速傅里叶变换,转化后在频域图直接点乘。
2.根据权利要求1所述的一种基于凝视卫星复杂场景的飞机动目标跟踪方法,其特征在于:步骤六所述多通道颜色特征算法使用主成分分析降维,11个通道通过降维矩阵降至2维。
3.根据权利要求1所述的一种基于凝视卫星复杂场景的飞机动目标跟踪方法,其特征在于:步骤二所述帧间差分处理满足:若相减两帧图像的帧数分别为第k帧,第(k+1)帧,其帧图像分别为fk(x,y),fk+1(x,y),差分图像二值化阈值为T,差分图像用D(x,y)表示,则帧间差分法的公式如下:
4.根据权利要求1所述的一种基于凝视卫星复杂场景的飞机动目标跟踪方法,其特征在于:步骤四所述更快的基于区域卷积神经网络包括两步:区域推荐网络与快速区域卷积神经网络,其中,区域推荐网络生成候选框,快速区域卷积神经网络训练检测网络,区域推荐网络分为两条线,其中一条线通过全连接层分类候选框获得前景和背景,另一条计算对于候选框的偏移量,以获得精确的位置,整个网络使用的损失函数满足:
其中,i表示边框批次的索引,pi是对边框的预测结果,ti是边框的位置,Lreg是边框的数量损失,Lcls是边框的分类损失,Ncls是一批次中产生的推荐框数量,Nreg是边框的数量,Lreg使用的smoothL1损失,计算公式如下:
其中,x为损失的真实值和预测值之差。
快速区域卷积神经网络从图片中使用选择网络选出候选区,然后把它们输入到全卷积网络中,然后通过候选区域池化,得到固定长度的特征向量特征表示,输入到全连接网络中,将得到的特征一分为二,一个输入到推荐分类的全连接中,另一个输入到用于边界框回归的全连接中。
5.根据权利要求1所述的一种基于凝视卫星复杂场景的飞机动目标跟踪方法,其特征在于:步骤四中采用一次拍摄多边框检测器作为检测网络。
6.根据权利要求1所述的一种基于凝视卫星复杂场景的飞机动目标跟踪方法,其特征在于:步骤六中采用核相关滤波算法对步骤五检测到的飞机动目标实施跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811248505.4A CN109446978B (zh) | 2018-10-25 | 2018-10-25 | 基于凝视卫星复杂场景的飞机动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811248505.4A CN109446978B (zh) | 2018-10-25 | 2018-10-25 | 基于凝视卫星复杂场景的飞机动目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446978A true CN109446978A (zh) | 2019-03-08 |
CN109446978B CN109446978B (zh) | 2022-01-07 |
Family
ID=65548623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811248505.4A Active CN109446978B (zh) | 2018-10-25 | 2018-10-25 | 基于凝视卫星复杂场景的飞机动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446978B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539277A (zh) * | 2020-04-14 | 2020-08-14 | 华北电力大学(保定) | 一种输电线路区域内施工机械的检测方法及*** |
CN112270661A (zh) * | 2020-10-19 | 2021-01-26 | 北京宇航***工程研究所 | 一种基于火箭遥测视频的空间环境监测方法 |
CN112862854A (zh) * | 2021-02-08 | 2021-05-28 | 桂林电子科技大学 | 一种改进kcf算法的多无人机跟踪方法 |
WO2023005760A1 (en) * | 2021-07-26 | 2023-02-02 | Huawei Technologies Co., Ltd. | Systems and methods for performing computer vision task using sequence of frames |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202728266U (zh) * | 2012-08-07 | 2013-02-13 | 张健 | 基于卫星精确定位的列车行驶动态跟踪监测*** |
US8958602B1 (en) * | 2013-09-27 | 2015-02-17 | The United States Of America As Represented By The Secretary Of The Navy | System for tracking maritime domain targets from full motion video |
CN106875415A (zh) * | 2016-12-29 | 2017-06-20 | 北京理工雷科电子信息技术有限公司 | 一种动态背景中弱小动目标的连续稳定跟踪方法 |
CN107092869A (zh) * | 2017-04-05 | 2017-08-25 | 武汉大学 | 一种视频卫星的点目标跟踪方法 |
CN107193032A (zh) * | 2017-03-31 | 2017-09-22 | 长光卫星技术有限公司 | 基于卫星视频的多运动目标快速跟踪测速方法 |
CN107274433A (zh) * | 2017-06-21 | 2017-10-20 | 吉林大学 | 基于深度学习的目标跟踪方法、装置及存储介质 |
CN107622508A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院长春光学精密机械与物理研究所 | 一种视频卫星对非合作运动目标的跟踪方法 |
CN107742306A (zh) * | 2017-09-20 | 2018-02-27 | 徐州工程学院 | 一种智能视觉中运动目标跟踪算法 |
CN108171752A (zh) * | 2017-12-28 | 2018-06-15 | 成都阿普奇科技股份有限公司 | 一种基于深度学习的海面船只视频检测与跟踪方法 |
CN108171112A (zh) * | 2017-12-01 | 2018-06-15 | 西安电子科技大学 | 基于卷积神经网络的车辆识别与跟踪方法 |
CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其*** |
-
2018
- 2018-10-25 CN CN201811248505.4A patent/CN109446978B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202728266U (zh) * | 2012-08-07 | 2013-02-13 | 张健 | 基于卫星精确定位的列车行驶动态跟踪监测*** |
US8958602B1 (en) * | 2013-09-27 | 2015-02-17 | The United States Of America As Represented By The Secretary Of The Navy | System for tracking maritime domain targets from full motion video |
CN106875415A (zh) * | 2016-12-29 | 2017-06-20 | 北京理工雷科电子信息技术有限公司 | 一种动态背景中弱小动目标的连续稳定跟踪方法 |
CN107193032A (zh) * | 2017-03-31 | 2017-09-22 | 长光卫星技术有限公司 | 基于卫星视频的多运动目标快速跟踪测速方法 |
CN107092869A (zh) * | 2017-04-05 | 2017-08-25 | 武汉大学 | 一种视频卫星的点目标跟踪方法 |
CN107274433A (zh) * | 2017-06-21 | 2017-10-20 | 吉林大学 | 基于深度学习的目标跟踪方法、装置及存储介质 |
CN107622508A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院长春光学精密机械与物理研究所 | 一种视频卫星对非合作运动目标的跟踪方法 |
CN107742306A (zh) * | 2017-09-20 | 2018-02-27 | 徐州工程学院 | 一种智能视觉中运动目标跟踪算法 |
CN108171112A (zh) * | 2017-12-01 | 2018-06-15 | 西安电子科技大学 | 基于卷积神经网络的车辆识别与跟踪方法 |
CN108171752A (zh) * | 2017-12-28 | 2018-06-15 | 成都阿普奇科技股份有限公司 | 一种基于深度学习的海面船只视频检测与跟踪方法 |
CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其*** |
Non-Patent Citations (3)
Title |
---|
MARTIN DANELLJAN等: "Adaptive Color Attributes for Real-Time Visual Tracking", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
蔺素珍等: "基于多域卷积神经网络与自回归模型的空中小目标自适应跟踪方法", 《光学学报》 * |
邬大鹏等: "基于帧间差分和运动估计的Camshift目标跟踪算法", 《光电工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539277A (zh) * | 2020-04-14 | 2020-08-14 | 华北电力大学(保定) | 一种输电线路区域内施工机械的检测方法及*** |
CN112270661A (zh) * | 2020-10-19 | 2021-01-26 | 北京宇航***工程研究所 | 一种基于火箭遥测视频的空间环境监测方法 |
CN112270661B (zh) * | 2020-10-19 | 2024-05-07 | 北京宇航***工程研究所 | 一种基于火箭遥测视频的空间环境监测方法 |
CN112862854A (zh) * | 2021-02-08 | 2021-05-28 | 桂林电子科技大学 | 一种改进kcf算法的多无人机跟踪方法 |
WO2023005760A1 (en) * | 2021-07-26 | 2023-02-02 | Huawei Technologies Co., Ltd. | Systems and methods for performing computer vision task using sequence of frames |
Also Published As
Publication number | Publication date |
---|---|
CN109446978B (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN109446978A (zh) | 基于凝视卫星复杂场景的飞机动目标跟踪方法 | |
CN108491757B (zh) | 基于多尺度特征学习的光学遥感图像目标检测方法 | |
CN108665487B (zh) | 基于红外和可见光融合的变电站作业对象和目标定位方法 | |
CN108154159B (zh) | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 | |
CN108009509A (zh) | 车辆目标检测方法 | |
CN109146831A (zh) | 基于双支深度学习网络的遥感图像融合方法及*** | |
CN108109163A (zh) | 一种航拍视频的运动目标检测方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
US11587249B2 (en) | Artificial intelligence (AI) system and methods for generating estimated height maps from electro-optic imagery | |
US20220091259A1 (en) | System using a priori terrain height data for interferometric synthetic aperture radar (ifsar) phase disambiguation and related methods | |
CN109886356A (zh) | 一种基于三分支神经网络的目标追踪方法 | |
US11636649B2 (en) | Geospatial modeling system providing 3D geospatial model update based upon predictively registered image and related methods | |
CN110310305A (zh) | 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置 | |
CN112164093A (zh) | 一种基于边缘特征和相关滤波的人物自动跟踪方法 | |
Wang et al. | Prior-guided data augmentation for infrared small target detection | |
Liu et al. | Tilt correction toward building detection of remote sensing images | |
CN114495170A (zh) | 一种基于局部抑制自注意力的行人重识别方法及*** | |
Khoshboresh-Masouleh et al. | Robust building footprint extraction from big multi-sensor data using deep competition network | |
Jin et al. | YOLOv7-Bw: A Dense Small Object Efficient Detector Based on Remote Sensing Image | |
Chen et al. | BARS: a benchmark for airport runway segmentation | |
Talaat et al. | Enhanced aerial vehicle system techniques for detection and tracking in fog, sandstorm, and snow conditions | |
Shen et al. | A real-time siamese tracker deployed on UAVs | |
Hu et al. | Airport Detection for Fixed-Wing Unmanned Aerial Vehicle Landing Using a Hierarchical Architecture |
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 |