CN109558877B - 基于kcf的海上目标跟踪算法 - Google Patents

基于kcf的海上目标跟踪算法 Download PDF

Info

Publication number
CN109558877B
CN109558877B CN201811220587.1A CN201811220587A CN109558877B CN 109558877 B CN109558877 B CN 109558877B CN 201811220587 A CN201811220587 A CN 201811220587A CN 109558877 B CN109558877 B CN 109558877B
Authority
CN
China
Prior art keywords
target
image
kcf
sea
algorithm
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.)
Active
Application number
CN201811220587.1A
Other languages
English (en)
Other versions
CN109558877A (zh
Inventor
张文强
张�浩
焦健
白戈
周一帆
路红
张睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN201811220587.1A priority Critical patent/CN109558877B/zh
Publication of CN109558877A publication Critical patent/CN109558877A/zh
Application granted granted Critical
Publication of CN109558877B publication Critical patent/CN109558877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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

  • 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

本发明属于视频分析技术领域，具体为一种基于KCF的海上目标跟踪算法。本发明算法包括：（1）图像预处理：主要是对图像的去噪和去雾，获取质量较好的海面图像；（2）目标检测：海天线提取，通过改进的DPM算法获取目标位置；（3）目标跟踪：通过改进的KCF算法，对目标进行轨迹预测，实现有遮挡场景下的多目标跟踪。本发明综合不同图像处理方法性能差异，形成一套能够同时满足时间和准确率要求的算法，可在有限的计算资源下，保证较高的准确率，并实时的进行分析，极大的提高了遮挡场景下的目标跟踪成功率。

Description

基于KCF的海上目标跟踪算法
技术领域
本发明属于计算机数字图像处理技术领域，具体涉及一种基于KCF的海上目标跟踪算法。
背景技术
随着工业生产的不断发展，越来越多的企业开始关注智能制造这一环节，合理分配资源，提高产业智能化程度成了企业新的方向。将机器视觉引入工业生产是一种变革方式，其中视觉技术目标跟踪在工业领域发挥着很重要的作用，无论是安防监控还是流水线产品的定位，越来越多的视觉跟踪的应用被开发出来。同时，遮挡、形变、背景复杂等一直是目标跟踪领域亟待解决的难题，所以寻找合适的方法来得到良好的跟踪效果是非常关键的。
本发明在相关工作的基础上，作出改进，针对船舶跟踪这一特定的需求，将其分为多个步骤，对每一个步骤选择最优的算法。在目标检测方面，先通过海天线检测算法确定目标初步位置，然后通过DPM算法排除干扰物，针对目标的特性，重新设计了DPM算法的惩罚函数。在目标跟踪方面，针对KCF算法无法处理遮挡设计了更新策略，在短时间遮挡效果显著，对长期遮挡也有一定的预测作用。
发明内容
本发明的目的克服目标跟踪中存在的技术上的缺陷，提供一种鲁棒的、适应力强的基于KCF的海上目标跟踪算法。
本发明提出的海上目标跟踪算法，是基于KCF算法的改进算法。在目标检测方面，先通过海天线检测算法确定目标初步位置，然后通过DPM算法排除干扰物，针对目标的特性，重新设计DPM算法的惩罚函数；在目标跟踪方面，针对KCF算法无法处理遮挡设计了更新策略。本发明提出的算法能适应遮挡、复杂背景等各个场景下的目标跟踪。
本发明提出的基于KCF的海上目标跟踪算法，具体步骤如下：
步骤(1)图像预处理；
步骤(2)海天线辅助目标检测；
步骤(3)轨迹预测的目标跟踪；
其中：
步骤(1)所述的图像预处理，具体过程如下：
过程(11)输入原始彩色图像，对图像进行腐蚀膨胀操作；
过程(12)对图像进行高斯滤波，进行边缘平滑处理，得到滤波后的图像，记为图像I；
过程(13)如果图像I是有雾图像，使用暗通道去雾进行图像去雾；
步骤(2)所述的海天线辅助目标检测，具体过程如下：
过程(21)通过水平梯度检测，寻找梯度差异最大界限；
过程(22)通过非线性分割，获得分割较为明显的海天线
过程(23)通过直线拟合获取海天线L；
过程(24)在海天线利用改进的DPM算法检测船只；
步骤(3)所述的轨迹预测的目标跟踪，具体过程如下：
过程(31)进行循环位移获得正负样本；
过程(32)利用改进的KCF算法进行目标的跟踪。
在步骤(13)中所述的使用暗通道去雾，具体为：
暗通道去雾的数学表示如下：
Figure BDA0001834668830000021
其中，I(x)表示存在雾的原图像，J(x)是需要得到的去除雾之后的目标图像，
Figure BDA0001834668830000022
和A分别表示大气的折射率和大气光强度，C对应图像的三个通道，Ω表示在输入的周围取均值。
A代表大气光强度，获取方式如下：
从暗通道途中按照亮度大小进行排序，然后选取亮度排在前0.1％的像素点；
在上述选取的像素点位置中，到原始图像(雾图)中寻找对应的像素，将其中最亮的像素值作为大气光强度；
去除雾之后的目标图像J(x)最终计算公式如下：
Figure BDA0001834668830000023
步骤(2)中所述的海天线辅助目标检测，具体过程如下：
过程(211)根据输入图像的亮度分量进行分解，将图像分解成8*8的块，然后将DCT用于每一个分解块；
过程(212)使用以下策略将每一个应用的DCT块标记为天空和海面：
Figure BDA0001834668830000024
过程(213)利用所有被标记为天空的块的底部块的中心点绘制地平线；
过程(214)对标注为海面块的块采用高斯混合模型GMM将它们分为K类；其中：
高斯分类的参数和变量具体定义如下：
D＝{X1，X2,……Xt}是X的样本集合；
Figure BDA0001834668830000031
其中，E1，E2，E3分别表示垂直、对角、和水平方向的频率变化强度，
Figure BDA0001834668830000032
分别是E1,E2,E3的标准偏离的平方，下标i,t分别表示样本号和DCT块号；
利用fit函数来对高斯分布进行排序：
Figure BDA0001834668830000033
其中ω表示学习率；
步骤(24)中所述的改进的DPM算法，具体过程如下：
过程(241)计算梯度直方图D；
过程(242)计算整体和局部的损失函数F；
过程(243)SVM进行训练；
过程(244)训练模型预测；
其中，所述的计算整体和局部的损失函数F的具体过程如下：
过程(2421)得分公式如下：
Figure BDA0001834668830000034
其中，x0、y0、l0分别为锚点的横坐标，纵坐标，尺度。R0,l0(x0,y0)为根模型的响应分数，Di,l0-λ(2(x0,y0)+vi)为部件模型的响应分数；
过程(2422)DPM模型可以用M＝(F,P1,P2……Pi)来表示，其中，F表示根模型，Pi则表示第i个部件的模型，Pi＝(f,I,D)是由三个部分组成，f表示第i个部分的滤波器，V表示第i个部件的左上角在整个坐标系下的位置，D表示惩罚系数。
步骤(32)中所述利用改进的KCF算法进行目标的跟踪，具体过程如下：
过程(321)循环矩阵生成样本；
过程(322)分类器在线学习更新；
过程(323)检测器快速检测；
过程(324)伪即时更新策略；
过程(325)轨迹预测；
其中，所述的循环矩阵生成样本具体过程如下：
x＝[x1,x2……xn]T
Figure BDA0001834668830000041
Px＝[xn,x1,x2,x3,……xn-1,]
其中X表示输入样本向量，P表示循环矩阵，Px表示构造的循环样本向量。
所述的伪即时更新策略具体过程如下：
如果待预测目标的响应和上一次更新时的响应基本接近(设立一个合理的阈值)，那么将待预测样本加入分类器进行更新，同时此最大响应位置即为目标最新位置；
如果待预测目标的响应和上一次更新时响应相差过大，不更新分类器，同时将轨迹预测的位置加入更新并作为新的目标位置。
所述的轨迹预测具体过程如下：
根据遮挡前的目标算出目标的运动方向、速度、角度等位置信息，通过这些信息，即可预测船只下一帧中出现的位置。
本发明的优点：
1、极大的提高了跟踪遮挡目标的准确率；
2、极大的提高了刚体的识别力；
3、本发明提出了基于海天线的定位方式，有助于提高识别效率。
本发明综合不同图像处理方法性能差异，形成一套能够同时满足时间和准确率要求的算法，可在有限的计算资源下，保证较高的准确率，并实时的进行分析，极大的提高了遮挡场景下的目标跟踪成功率。
附图说明
图1是本发明的基于KCF的目标跟踪算法的总流程框图。
图2是步骤1的图像预处理流程图。
图3是步骤2的海天线获取流程图。
图4是步骤3的目标跟踪流程图。
图5是步骤(13)去雾图像的对比图。
图6为不同场景下目标跟踪结果。
具体实施方式
下面是结合附图和实施例对本发明做进一步的详细说明。
参考图1，本发明的基于KCF的目标跟踪算法，具体步骤如下：
(1)图像预处理；
(11)输入原始彩色图像，对图像进行腐蚀膨胀操作，这一步的目的是为了消除一部分噪声和背景轮廓的干扰，我们采取的是开操作(先腐蚀后膨胀)；
(12)对图像进行高斯滤波，进行边缘平滑处理，得到滤波后的图像I；
(13)如果图像I是有雾图像，使用暗通道去雾进行图像去雾；
(131)暗通道去雾的数学表示如下：
Figure BDA0001834668830000051
其中，I(x)表示我们存在雾的原图像，J(x)是我们需要得到的去除雾之后的目标图像，t(x)和A分别表示大气的折射率大气光强度；
(132)A代表大气光强度，获取方式如下：
(1321)从暗通道途中按照亮度大小进行排序，然后选取亮度排在前0.1％的像素点；
(1322)在选取的像素点对应位置中，到原始图像(雾图)中寻找对应的像素，将其中最亮的像素值作为大气光强度；
(133)最终计算公式如下：
Figure BDA0001834668830000052
图像的处理结果如图5，通过图像去雾，额能够得到良好的无雾图像。
(2)海天线辅助目标检测，这一步的目的是为了确定目标的初步位置，能够提高运行的速度；
(21)通过水平梯度检测，寻找梯度差异最大界限；
(211)根据输入图像的亮度分量进行分解，将图像分解成8*8的块，然后将DCT用于每一个分解块；
(212)然后使用以下策略将每一个应用的DCT块标记为天空和海面：
Figure BDA0001834668830000053
(213)利用所有被标记为天空的块的底部块的中心点绘制地平线；
(214)对标注为海面块的块采用高斯混合模型GMM来将它们分为K类；其中：
高斯分类的参数和变量具体定义如下：
(2141)D＝{X1,X2,……Xt}是X的样本集合；
(2142)∑i，
Figure BDA0001834668830000061
其中，
Figure BDA0001834668830000062
分别是E1,E2,E3的标准偏离的平方。
(2143)利用fit函数来对高斯分布进行排序：
Figure BDA0001834668830000063
(2144)SVM训练，SVM通过提取样本图像的HOG特征来进行训练；
(22)通过非线性分割，获得分割较为明显的海天线；
(23)通过直线拟合获取海天线L，采用opencv的HoughLine函数来进行直线拟合；
(24)在海天线利用改进的DPM算法检测船只；
(241)计算梯度直方图D；
(242)计算整体和局部的损失函数F；具体过程如下：
(2421)得分公式如下：
Figure BDA0001834668830000064
(2422)DPM模型可以用M＝(F,P1,P2……Pi)来表示，其中F表示根模型，Pi则表示第i个部件的模型，其中Pi＝(F,V,D)是由三个部分组成，F表示第i个部分的滤波器，V表示第i个部件的左上角在整个坐标系下的位置，D表示惩罚系数；
SVM进行训练，SVM通过提取样本图像的HOG特征来进行训练；
(243)训练模型预测。
步骤(3)所述的目标跟踪，具体过程如下：
(31)进行循环位移获得正负样本；
(32)利用改进的KCF算法进行目标的跟踪；
(321)循环矩阵生成样本；具体过程如下：
(3211)x＝[x1,x2……xn]T
Figure BDA0001834668830000071
Px＝[xn,x1,x2,x3,……xn-1,]
所述的伪即时更新策略具体过程如下：
(322)分类器在线学习更新；
(323)检测器快速检测；
(324)伪即时更新策略；
(3241)如果待预测目标的响应和上一次更新时的响应基本接近(设立一个合理的阈值)，那么我们将待预测样本加入分类器进行更新，同时此最大响应位置即为目标最新位置；
(3242)如果待预测目标的响应和上一次更新时响应相差过大，我们不更新分类器，同时将轨迹预测的位置加入更新并作为新的目标位置；
(325)轨迹预测；
其中所述的轨迹预测具体过程如下：
(3251)根据遮挡前的目标算出目标的运动方向，速度，角度等位置信息，通过这些信息，我们能够预测船只下一帧中出现的位置，图6则是最后的跟踪结果展示。

Claims (5)

1.一种基于核相关滤波KCF的海上目标跟踪算法，其特征在于，具体步骤如下：
步骤(1)图像预处理；
步骤(2)海天线辅助目标检测；
步骤(3)轨迹预测的目标跟踪；
其中：
步骤(1)所述的图像预处理，具体过程如下：
过程(11)输入原始彩色图像，对图像进行腐蚀膨胀操作；
过程(12)对图像进行高斯滤波，进行边缘平滑处理，得到滤波后的图像I；
过程(13)如果图像I是有雾图像，使用暗通道去雾进行图像去雾；
步骤(2)所述的海天线辅助目标检测，具体过程如下：
过程(21)通过水平梯度检测，寻找梯度差异最大界限；
过程(22)通过非线性分割，获得分割较为明显的海天线
过程(23)通过直线拟合获取海天线L；
过程(24)在海天线利用改进的DPM算法检测船只；
步骤(3)所述的目标跟踪，具体过程如下：
过程(31)进行循环位移获得正负样本；
过程(32)利用改进的KCF算法进行目标的跟踪。
2.根据权利要求1所述的基于核相关滤波KCF的海上目标跟踪算法，其特征在于，步骤(13)中所述的使用暗通道去雾，具体为：
暗通道去雾的数学表示如下：
Figure FDA0003986898930000011
其中，A的获取方式如下：
从暗通道途中按照亮度大小进行排序，然后选取亮度排在前0.1％的像素点；
之后在选取的像素点中，到原始图像中寻找对应的像素，将其中最亮的像素值作为大气光强度；
去除雾之后的目标图像J(x)最终计算公式如下：
Figure FDA0003986898930000012
其中，I(x)表示存在雾的原图像，J(x)是需要得到的去除雾之后的目标图像，t(x)和A分别表示大气的折射率和大气光强度。
3.根据权利要求1所述的基于核相关滤波KCF的海上目标跟踪算法，其特征在于，步骤(2)中所述的海天线辅助目标检测，检测具体过程如下：
过程(211)根据输入图像的亮度分量进行分解，将图像分解成8*8的块，然后将DCT用于每一个分解块；
过程(212)然后使用以下策略将每一个应用的DCT块标记为天空和海面：
Figure FDA0003986898930000021
过程(213)利用所有被标记为天空的块的底部块的中心点绘制地平线；
过程(214)对标注为海面块的块采用高斯混合模型GMM来将它们分为K类；其中：
高斯分类的参数和变量具体定义如下：
D＝{X1,X2,……XG}是X的样本集合；
Figure FDA0003986898930000022
其中，
Figure FDA0003986898930000023
分别是E1,E2,E3的标准偏离的平方；
利用Fiti函数来对高斯分布进行排序：
Figure FDA0003986898930000024
4.根据权利要求1所述的基于核相关滤波KCF的海上目标跟踪算法，其特征在于，步骤(24)中所述的改进的DPM算法，具体过程如下：
过程(241)计算梯度直方图D；
过程(242)计算整体和局部的损失函数F；
过程(243)支持向量机SVM进行训练；
过程(244)训练模型预测；
所述的计算整体和局部的损失函数F，具体做法如下：
得分公式为：
Figure FDA0003986898930000025
其中，x0、y 0、l 0分别为锚点的横坐标，纵坐标，尺度，
Figure FDA0003986898930000026
为根模型的响应分数，
Figure FDA0003986898930000027
为部件模型的响应分数；
DPM模型用M＝(F,P1,P2……Pi)来表示，其中，F表示根模型，Pi则表示第i个部件的模型，Pi＝(f,V,D)是由三个部分组成，f表示第i个部分的滤波器，V表示第i个部件的左上角在整个坐标系下的位置，D表示惩罚系数。
5.根据权利要求1所述的基于核相关滤波KCF的海上目标跟踪算法，其特征在于，步骤(32)中所述利用改进的KCF算法进行目标的跟踪，具体过程如下：
过程(321)循环矩阵生成样本；
过程(322)分类器在线学习更新；
过程(323)检测器快速检测；
过程(324)伪即时更新策略；
过程(325)轨迹预测；
所述的循环矩阵生成样本具体过程如下：
h＝[h1,h2……hn]T
Figure FDA0003986898930000031
Ph＝[hn,h1,h2,h3,……hn-1,]
所述的伪即时更新策略具体过程如下：
如果待预测目标的响应和上一次更新时的响应接近，那么将待预测样本加入分类器进行更新，同时此最大响应位置即为目标最新位置；
如果待预测目标的响应和上一次更新时响应相差过大，不更新分类器，同时将轨迹预测的位置加入更新并作为新的目标位置；
所述的轨迹预测具体过程如下：
根据遮挡前的目标算出目标的运动方向、速度、角度位置信息，通过这些信息，即可预测船只下一帧中出现的位置。
CN201811220587.1A 2018-10-19 2018-10-19 基于kcf的海上目标跟踪算法 Active CN109558877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811220587.1A CN109558877B (zh) 2018-10-19 2018-10-19 基于kcf的海上目标跟踪算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811220587.1A CN109558877B (zh) 2018-10-19 2018-10-19 基于kcf的海上目标跟踪算法

Publications (2)

Publication Number Publication Date
CN109558877A CN109558877A (zh) 2019-04-02
CN109558877B true CN109558877B (zh) 2023-03-07

Family

ID=65865002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811220587.1A Active CN109558877B (zh) 2018-10-19 2018-10-19 基于kcf的海上目标跟踪算法

Country Status (1)

Country Link
CN (1) CN109558877B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862164A (zh) * 2019-04-29 2020-10-30 天津理工大学 基于暗通道先验的核相关滤波去雾跟踪算法
CN111105390B (zh) * 2019-11-20 2022-03-18 复旦大学 一种改进的海天线检测和评估方法
CN113483739B (zh) * 2021-07-14 2022-05-13 中国科学院长春光学精密机械与物理研究所 海上目标位置测量方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107424177A (zh) * 2017-08-11 2017-12-01 哈尔滨工业大学（威海） 基于连续相关滤波器的定位修正长程跟踪算法
CN107918765A (zh) * 2017-11-17 2018-04-17 中国矿业大学 一种移动目标检测并追踪***及其方法
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
CN108257148A (zh) * 2018-01-17 2018-07-06 厦门大学 特定对象的目标建议窗口生成方法及其在目标跟踪的应用
CN108447078A (zh) * 2018-02-28 2018-08-24 长沙师范学院 基于视觉显著性的干扰感知跟踪算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11397088B2 (en) * 2016-09-09 2022-07-26 Nanyang Technological University Simultaneous localization and mapping methods and apparatus
CN108090922A (zh) * 2016-11-21 2018-05-29 中国科学院沈阳计算技术研究所有限公司 智能目标跟踪轨迹记录方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107424177A (zh) * 2017-08-11 2017-12-01 哈尔滨工业大学（威海） 基于连续相关滤波器的定位修正长程跟踪算法
CN107918765A (zh) * 2017-11-17 2018-04-17 中国矿业大学 一种移动目标检测并追踪***及其方法
CN108257148A (zh) * 2018-01-17 2018-07-06 厦门大学 特定对象的目标建议窗口生成方法及其在目标跟踪的应用
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
CN108447078A (zh) * 2018-02-28 2018-08-24 长沙师范学院 基于视觉显著性的干扰感知跟踪算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"High speed tracking with kernelized correlation filters";HENRIQUES J F，CASEIRO R，MARTINS P，et al.;《IEEE Transaction on Pattern Analysis and Machine Intelligence》;20151231;全文 *

Also Published As

Publication number Publication date
CN109558877A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
CN110427839B (zh) 基于多层特征融合的视频目标检测方法
CN108171112B (zh) 基于卷积神经网络的车辆识别与跟踪方法
Bahnsen et al. Rain removal in traffic surveillance: Does it matter?
CN108256394B (zh) 一种基于轮廓梯度的目标跟踪方法
Zhang et al. Ripple-GAN: Lane line detection with ripple lane line detection network and Wasserstein GAN
CN109558877B (zh) 基于kcf的海上目标跟踪算法
CN110033431B (zh) 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
CN106780560B (zh) 一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法
CN108846844B (zh) 一种基于海天线的海面目标检测方法
CN110717872A (zh) 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取***
CN108734109B (zh) 一种面向图像序列的视觉目标跟踪方法及***
CN110555868A (zh) 一种复杂地面背景下运动小目标检测方法
CN112364865B (zh) 一种复杂场景中运动小目标的检测方法
CN113312973B (zh) 一种手势识别关键点特征提取方法及***
CN113989613A (zh) 一种应对复杂环境的轻量级高精度船舶目标检测方法
Wang et al. UAV target detection algorithm based on improved YOLOv8
CN111489330A (zh) 基于多源信息融合的弱小目标检测方法
Zhao et al. Research on detection method for the leakage of underwater pipeline by YOLOv3
CN112633274A (zh) 一种声呐图像目标检测方法、装置、电子设备
Sun et al. IRDCLNet: Instance segmentation of ship images based on interference reduction and dynamic contour learning in foggy scenes
CN112613565B (zh) 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法
CN116777956A (zh) 基于多尺度航迹管理的运动目标筛选方法
CN116152758A (zh) 一种智能实时事故检测及车辆跟踪方法
CN114820718A (zh) 一种视觉动态定位跟踪算法

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