CN111476825A - 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 - Google Patents

基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 Download PDF

Info

Publication number
CN111476825A
CN111476825A CN202010162227.1A CN202010162227A CN111476825A CN 111476825 A CN111476825 A CN 111476825A CN 202010162227 A CN202010162227 A CN 202010162227A CN 111476825 A CN111476825 A CN 111476825A
Authority
CN
China
Prior art keywords
target
occlusion
tracking
correlation filter
degree
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
Application number
CN202010162227.1A
Other languages
English (en)
Other versions
CN111476825B (zh
Inventor
周非
孙帮武
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010162227.1A priority Critical patent/CN111476825B/zh
Publication of CN111476825A publication Critical patent/CN111476825A/zh
Application granted granted Critical
Publication of CN111476825B publication Critical patent/CN111476825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，属于目标跟踪技术领域。该方法包括：联合多示例学习预测的遮挡程度和基于核相关滤波器构建的遮挡检测机制共同判断目标是否发生遮挡。当目标发生遮挡时，激活重检测机制重新搜索目标，同时暂停更新***，防止***被遮挡物所干扰。最后构建尺度滤波器确定目标的尺度。实施本发明，能够使跟踪方法在遮挡场景下表现优异并且满足实时性要求。

Description

基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法
技术领域
本发明属于目标跟踪技术领域，涉及基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法。
背景技术
目标跟踪融合了机器学习、概率统计、图像处理、自动控制、甚至是最近火热的神经网络及深度学习等多门学科理论，其本质是在给定图像或是视频初始帧中感兴趣目标的位置和尺度信息的条件下，依次预测出后续帧中目标的位置和尺度。在此基础上，可对跟踪结果进行分析，从而实现目标的运动姿态识别、趋势预测及异常行为检测等多种高级视觉任务。
目前目标跟踪技术在视频监控、人机交互、军事、医学等领域都起着重要的作用，是计算机视觉领域最重要的研究之一。在实际场景中，遮挡是目标跟踪过程中的常见问题，对目标跟踪方法的跟踪性能是一个严重挑战。因此，研究如何实现遮挡环境下对运动目标的鲁棒跟踪就成为一个重要的课题。
现阶段，核相关滤波器通过引入循环矩阵和核技巧，在获得高跟踪精度的同时满足了实时性要求。但是，当发生遮挡时，核相关滤波器往往会引入干扰特征导致***无法准确定位目标。
发明内容
有鉴于此，本发明的目的在于提供基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法。
为达到上述目的，本发明提供如下技术方案：
基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，该方法包括以下步骤：
步骤S1、通过多示例学习获取最优候选样本的遮挡程度；
步骤S2、核相关滤波器的最强响应值对目标的遮挡敏感，根据此特点，构造一个遮挡检测机制，同时联合多示例学习获取的遮挡程度共同判断目标是否发生遮挡；
步骤S3、当目标发生遮挡时，扩大搜索范围进行目标搜索恢复跟踪；
步骤S4、对mi-SVM分类器进行合理的更新。
可选的，所述步骤S1具体包括以下步骤：
在第一帧中手动标记目标并使用核相关滤波器方法跟踪第二帧至第n帧的目标；将目标区域均匀分割成M个重叠的局部图像块，并使用这n帧跟踪结果训练初始mi-SVM分类器；接着使用mi-SVM分类器预测目标区域每一个局部图像块的遮挡情况，用σk表示局部块的遮挡情况，即：
Figure BDA0002406201750000021
目标通常位于边界框的中间，包含更多的目标信息和较少的背景信息，位于不同位置的局部图像块对目标遮挡程度的贡献存在差异；因此目标的遮挡程度表示为：：
Figure BDA0002406201750000022
其中，ωk表示第k个局部图像块对目标遮挡程度的贡献权重，遮挡程度Docc越小表示遮挡越严重。
可选的，在所述步骤S2中，核相关滤波器方法中，***的最强响应值易受遮挡的影响；计算核相关滤波器方法当前帧的最强响应值f和最强响应值的期望
Figure BDA0002406201750000023
Figure BDA0002406201750000024
其中ξ0为最强响应值期望的学习率；当满足下式时，判断目标发生遮挡；
Figure BDA0002406201750000025
其中λ0和λ1为遮挡判断阈值，
Figure BDA0002406201750000026
为前t帧遮挡程度的均值，更新方式如下：
Figure BDA0002406201750000027
其中ξ1为遮挡程度均值的学习率。
可选的，所述步骤S3中，当目标发生遮挡时，扩大搜索范围进行目标搜索恢复跟踪；核相关滤波器方法以上一帧跟踪结果为中心扩大区域构造当前帧的搜索区域；因发生遮挡，核相关滤波器方法的搜索区域没有包含目标；因此在原始搜索区域的基础上，以上一帧跟踪结果的四个顶点作为中心位置再构造4个搜索区域；当前帧的目标出现在以上一帧跟踪结果为中心的搜索区域的概率比其他搜索区域大，所述搜索区域为原核相关滤波器方法的搜索区域，给新增的搜索区域一个权重η；在新增的搜索区域里，其最强响应值为：
fmax＝ηmax(F(z))
其中z为搜索区域里的候选样本，F(z)为所有候选样本的响应值；减少因新增搜索区域而带来的背景干扰；
使用***获取5个搜索区域的最强响应值fi，并且利用mi-SVM分类器获取每个搜索区域最优候选样本的遮挡程度Docc；如果满足下式：
Figure BDA0002406201750000031
则表示搜索到可靠目标；否则将上一帧的跟踪结果作为当前帧的结果；其中φ为权值系数，
Figure BDA0002406201750000032
为所有局部图像块无遮挡时的遮挡程度；无论是否搜索到可靠目标，此时都暂停更新核相关滤波器；其中，γ为搜索到可靠目标的判别系数。
可选的，所述步骤S4中，每隔θ帧图像，将最新的n帧跟踪结果重新采集正负包，更新mi-SVM分类器；为防止发生严重遮挡的跟踪结果影响分类器的性能，当遮挡程度Docc不超过阈值τ时，跟踪结果不添加进训练集；首帧目标始终真实，始终保持首帧目标在训练集。
本发明的有益效果在于：
(1)本发明联合多示例学习获取的遮挡程度和核相关滤波器最强响应值的分布特征构建的遮挡检测机制，能够准确判断目标是否发生遮挡；
(2)当目标发生遮挡时，本发明能够激活重检测机制准确快速地重新捕获目标，从而提升跟踪方法的跟踪精度；
(3)从OTB测试数据集中选取具有遮挡属性的视频序列进行对比实验，实验结果表明：本发明方法在遮挡场景下跟踪性能优异，同时其跟踪速率满足实时性要求。。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明实施例提出的目标跟踪方法流程图。
图2为本发明实施例提出的目标区域分割效果图；
图3为本发明实施例提供的正负包采集图；
图4为本发明实施例提供的贡献权重向量的取值；
图5为本发明实施例提供的搜索区域扩大示意图；
图6为本发明实施例提供的目标跟踪效果图；图6(a)为本发明所给出的方法与其他方法在”Girl2”视频序列上的跟踪结果；图6(b)为本发明所给出的方法与其他方法在”Jogging-2”视频序列上的跟踪结果；
图7为本发明实施例提供的成功率曲线图和准确度曲线图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1为本发明的流程示意图。参照图1，本发明的具体实现过程如下：
步骤1、通过多示例学习获取最优候选样本的遮挡程度。在本文中，将目标区域均匀分割成M个N×N重叠的局部图像块，如图2所示。M表示局部图像块的数量，N×N表示局部图像块的大小。在多示例学习框架中，训练样本由包组成，每个包由多个示例组成。包具有标签，而包中的示例没有标签。如果一个包中至少包含一个正例，则该包是一个正包，否则即为反包。在本文中以目标区域作为多示例学习的包，局部图像块作为包的示例。正负包的采集如图3所示，以目标区域(黑色框)为正包，以距目标区域较远的背景区域(白色框)为负包。负包用p-表示，选取方式如下：
Figure BDA0002406201750000041
其中
Figure BDA0002406201750000051
分别表示负包的中心横纵坐标、宽度和高度，t为目标状态，
Figure BDA0002406201750000052
表示负包
Figure BDA0002406201750000053
与目标t的欧式距离，l0和l1为采样半径。M1表示负包的数量。
在第一帧中手动标记目标并使用核相关滤波器方法跟踪第二帧至第n帧的目标。将目标区域均匀分割成M个重叠的局部图像块，并使用这n帧跟踪结果训练初始mi-SVM分类器。接着使用mi-SVM分类器预测目标区域每一个局部图像块的遮挡情况，用σk表示局部块的遮挡情况，即：
Figure BDA0002406201750000054
目标通常位于边界框的中间，包含更多的目标信息和较少的背景信息，所以位于不同位置的局部图像块对目标遮挡程度的贡献存在差异。因此目标的遮挡程度可表示为：
Figure BDA0002406201750000055
其中，ωk表示第k个局部图像块对目标遮挡程度的贡献权重，遮挡程度Docc越小表示遮挡越严重。贡献权重向量w＝[ω1,ω2,...,ωM]的取值如图4所示。
步骤2，构建遮挡检测机制。在核相关滤波器方法中，***的最强响应值易受遮挡的影响。因此计算核相关滤波器方法当前帧的最强响应值f和最强响应值的期望
Figure BDA0002406201750000056
Figure BDA0002406201750000057
其中ξ0为最强响应值期望的学习率。当满足下式时，判断目标发生遮挡。
Figure BDA0002406201750000058
其中λ0和λ1为遮挡判断阈值，
Figure BDA0002406201750000059
为前t帧遮挡程度的均值，它的更新方式如下：
Figure BDA00024062017500000510
其中ξ1为遮挡程度均值的学习率。
步骤3，重检测机制。当目标发生遮挡时，扩大搜索范围进行目标搜索恢复跟踪。如图5所示，核相关滤波器方法以上一帧跟踪结果(图5中的黑色实线框)为中心扩大区域构造当前帧的搜索区域(黑色虚线框)。因发生遮挡，核相关滤波器方法的搜索区域没有包含目标(图5中的饮料瓶)。因此在原始搜索区域的基础上，以上一帧跟踪结果的四个顶点作为中心位置再构造4个搜索区域(图5中的白色框)。当前帧的目标出现在以上一帧跟踪结果为中心的搜索区域(原核相关滤波器方法的搜索区域)的概率比其他搜索区域大，因此给新增的搜索区域一个权重η。在新增的搜索区域里，其最强响应值为：
fmax＝ηmax(F(z)) (7)
其中z为搜索区域里的候选样本，F(z)为所有候选样本的响应值。如此可以减少因新增搜索区域而带来的背景干扰。使用***获取5个搜索区域的最强响应值fi，并且利用mi-SVM分类器获取每个搜索区域最优候选样本的遮挡程度Docc。如果满足下式：
Figure BDA0002406201750000061
则表示搜索到可靠目标；否则将上一帧的跟踪结果作为当前帧的结果。其中φ为权值系数，
Figure BDA0002406201750000062
为所有局部图像块无遮挡时的遮挡程度。无论是否搜索到可靠目标，此时都暂停更新相关滤波器。其中，γ为搜索到可靠目标的判别系数。
步骤4，每隔θ帧图像，将最新的n帧跟踪结果重新采集正负包，更新mi-SVM分类器。为防止发生严重遮挡的跟踪结果影响分类器的性能，当遮挡程度Docc不超过阈值τ时，该跟踪结果不添加进训练集。此外，因为首帧目标始终真实，故始终保持首帧目标在训练集。
证明部分
本发明的效果可以通过OTB测试数据集中发生遮挡的视频序列进行仿真作进一步说明。计算机环境为：CPU为Intel Core i3，内存为8GB。实验平台：Matlab2016b。参数设置如下：局部图像块的尺度N＝16，mi-SVM分类器更新间隔θ＝20，n＝16，阈值τ＝2.9；学习率ξ0＝0.01，ξ1＝0.005，β＝0.025；遮挡判断阈值为λ0＝0.35，λ1＝0.7；权重η为0.95，权值系数φ为0.7，
Figure BDA0002406201750000063
为5.8，γ为0.4。
图6是本发明所给出的方法与其他方法在2个典型视频序上的跟踪结果。其他方法分别是CSK、KCF、DSST、SRDCF、Staple。OTB中的”Girl2”视频序列描述了一个小女孩在在广场上游玩的场景，小女孩在玩耍过程中会被侧面走出的行人所遮挡。由图6(a)可以看出，前105帧中目标没有发生遮挡，6种方法均保持对目标的准确跟踪；在第105帧，一名男子推着一辆小车从侧面走出，开始遮挡小女孩；到第130帧，遮挡结束，目标重新出现在视野，在遮挡过程中目标基本保持不动，本发明所给出的方法存在遮挡检测机制，所以模型没有被遮挡所污染，因此始终保持对目标的准确跟踪，其他方法的模型被遮挡所干扰，将遮挡物误认为目标。OTB中的”Jogging-2”视频序列描述了一个女运动员在街上跑步的画面，在跑步过程中，女运动员会被一个电线杆所遮挡。由图6(b)可以看出，前45帧中6种跟踪方法跟踪良好；从第45帧至第65帧，目标发生遮挡，遮挡结束后，只有本发明所给出的方法和SRDCF保持对目标的正确跟踪；在遮挡过程中，目标快速运动，所以当目标重新出现在视野时，目标离开了Staple、DSST、KCF、CSK***的搜索区域，Staple、DSST、KCF、CSK无法重新捕获目标。而本发明所给出的方法因为在发生遮挡时扩大搜索模型，所以能及时捕获目标，恢复跟踪。
本发明选取OTB数据集中发生遮挡的29组视频序列验证本发明所给出的方法在抗遮挡方面的总体性能，并且采用跟踪成功率和跟踪准确度2个通用的评价指标。其中，跟踪成功率是指当覆盖率大于0.5时，成功跟踪的帧数与视频序列总帧数的比例；跟踪准确度是指当平均中心位置误差小于20像素时，成功跟踪的帧数与视频序列总帧数的比例。图7显示了6种方法在29组遮挡测试序列上的成功率曲线和准确度曲线。从图7可以看出，本发明所提出的方法在29组遮挡测试序列上的跟踪成功率和跟踪准确度分别为0.704和0.747，本发明所提出的方法在抗遮挡方面表现最佳。
表1不同方法的平均速率对比(frame/s)
Figure BDA0002406201750000071
表1列出了6种方法在29组遮挡测试序列上的平均跟踪速率。因为本发明所提出的方法在跟踪过程中要使用多示例学***均跟踪速率仍达到18.1帧/秒，满足实时性要求。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，其特征在于：该方法包括以下步骤：
步骤S1、通过多示例学习获取最优候选样本的遮挡程度；
步骤S2、核相关滤波器的最强响应值对目标的遮挡敏感，根据此特点，构造一个遮挡检测机制，同时联合多示例学习获取的遮挡程度共同判断目标是否发生遮挡；
步骤S3、当目标发生遮挡时，扩大搜索范围进行目标搜索恢复跟踪；
步骤S4、对mi-SVM分类器进行合理的更新。
2.根据权利要求1所述的基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，其特征在于：所述步骤S1具体包括以下步骤：
在第一帧中手动标记目标并使用核相关滤波器方法跟踪第二帧至第n帧的目标；将目标区域均匀分割成M个重叠的局部图像块，并使用这n帧跟踪结果训练初始mi-SVM分类器；接着使用mi-SVM分类器预测目标区域每一个局部图像块的遮挡情况，用σk表示局部块的遮挡情况，即：
Figure FDA0002406201740000011
目标通常位于边界框的中间，包含更多的目标信息和较少的背景信息，位于不同位置的局部图像块对目标遮挡程度的贡献存在差异；因此目标的遮挡程度表示为：：
Figure FDA0002406201740000012
其中，ωk表示第k个局部图像块对目标遮挡程度的贡献权重，遮挡程度Docc越小表示遮挡越严重。
3.根据权利要求1所述的基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，其特征在于：在所述步骤S2中，核相关滤波器方法中，***的最强响应值易受遮挡的影响；计算核相关滤波器方法当前帧的最强响应值f和最强响应值的期望
Figure FDA0002406201740000013
Figure FDA0002406201740000014
其中ξ0为最强响应值期望的学习率；当满足下式时，判断目标发生遮挡；
Figure FDA0002406201740000015
其中λ0和λ1为遮挡判断阈值，
Figure FDA0002406201740000016
为前t帧遮挡程度的均值，更新方式如下：
Figure FDA0002406201740000017
其中ξ1为遮挡程度均值的学习率。
4.根据权利要求3所述的基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，其特征在于：所述步骤S3中，当目标发生遮挡时，扩大搜索范围进行目标搜索恢复跟踪；核相关滤波器方法以上一帧跟踪结果为中心扩大区域构造当前帧的搜索区域；因发生遮挡，核相关滤波器方法的搜索区域没有包含目标；因此在原始搜索区域的基础上，以上一帧跟踪结果的四个顶点作为中心位置再构造4个搜索区域；当前帧的目标出现在以上一帧跟踪结果为中心的搜索区域的概率比其他搜索区域大，所述搜索区域为原核相关滤波器方法的搜索区域，给新增的搜索区域一个权重η；在新增的搜索区域里，其最强响应值为：
fmax＝ηmax(F(z))
其中z为搜索区域里的候选样本，F(z)为所有候选样本的响应值；减少因新增搜索区域而带来的背景干扰；
使用***获取5个搜索区域的最强响应值fi，并且利用mi-SVM分类器获取每个搜索区域最优候选样本的遮挡程度Docc；如果满足下式：
Figure FDA0002406201740000021
则表示搜索到可靠目标；否则将上一帧的跟踪结果作为当前帧的结果；其中φ为权值系数，
Figure FDA0002406201740000022
为所有局部图像块无遮挡时的遮挡程度；无论是否搜索到可靠目标，此时都暂停更新核相关滤波器；其中，γ为搜索到可靠目标的判别系数。
5.根据权利要求4所述的基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，其特征在于：所述步骤S4中，每隔θ帧图像，将最新的n帧跟踪结果重新采集正负包，更新mi-SVM分类器；为防止发生严重遮挡的跟踪结果影响分类器的性能，当遮挡程度Docc不超过阈值τ时，跟踪结果不添加进训练集；首帧目标始终真实，始终保持首帧目标在训练集。
CN202010162227.1A 2020-03-10 2020-03-10 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法 Active CN111476825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010162227.1A CN111476825B (zh) 2020-03-10 2020-03-10 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010162227.1A CN111476825B (zh) 2020-03-10 2020-03-10 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法

Publications (2)

Publication Number Publication Date
CN111476825A true CN111476825A (zh) 2020-07-31
CN111476825B CN111476825B (zh) 2022-08-26

Family

ID=71748138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010162227.1A Active CN111476825B (zh) 2020-03-10 2020-03-10 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法

Country Status (1)

Country Link
CN (1) CN111476825B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976401A (zh) * 2016-05-20 2016-09-28 河北工业职业技术学院 基于分块多示例学习算法的目标跟踪方法和***
US20160342837A1 (en) * 2015-05-19 2016-11-24 Toyota Motor Engineering & Manufacturing North America, Inc. Apparatus and method for object tracking
CN106204638A (zh) * 2016-06-29 2016-12-07 西安电子科技大学 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法
CN106709438A (zh) * 2016-12-14 2017-05-24 贵州电网有限责任公司电力调度控制中心 一种基于视频会议的人数统计方法
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
CN108010067A (zh) * 2017-12-25 2018-05-08 北京航空航天大学 一种基于组合判断策略的视觉目标跟踪方法
CN108320306A (zh) * 2018-03-06 2018-07-24 河北新途科技有限公司 融合tld和kcf的视频目标跟踪方法
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
CN108921873A (zh) * 2018-05-29 2018-11-30 福州大学 基于核相关滤波优化的马尔科夫决策在线多目标跟踪方法
CN108986142A (zh) * 2018-07-14 2018-12-11 李军 基于置信图峰值旁瓣比优化的遮挡目标跟踪方法
JP2018206285A (ja) * 2017-06-09 2018-12-27 日本放送協会 オブジェクト追跡装置及びオブジェクト軌跡生成システム
CN109299735A (zh) * 2018-09-14 2019-02-01 上海交通大学 基于相关滤波的抗遮挡目标跟踪方法
CN109558778A (zh) * 2017-09-27 2019-04-02 武汉嫦娥信息科技有限公司 一种基于多方法融合的目标跟踪算法
CN110033472A (zh) * 2019-03-15 2019-07-19 电子科技大学 一种复杂红外地面环境下的稳定目标跟踪方法
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
CN110414439A (zh) * 2019-07-30 2019-11-05 武汉理工大学 基于多峰值检测的抗遮挡行人跟踪方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160342837A1 (en) * 2015-05-19 2016-11-24 Toyota Motor Engineering & Manufacturing North America, Inc. Apparatus and method for object tracking
CN105976401A (zh) * 2016-05-20 2016-09-28 河北工业职业技术学院 基于分块多示例学习算法的目标跟踪方法和***
CN106204638A (zh) * 2016-06-29 2016-12-07 西安电子科技大学 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法
CN106709438A (zh) * 2016-12-14 2017-05-24 贵州电网有限责任公司电力调度控制中心 一种基于视频会议的人数统计方法
JP2018206285A (ja) * 2017-06-09 2018-12-27 日本放送協会 オブジェクト追跡装置及びオブジェクト軌跡生成システム
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
CN109558778A (zh) * 2017-09-27 2019-04-02 武汉嫦娥信息科技有限公司 一种基于多方法融合的目标跟踪算法
CN108010067A (zh) * 2017-12-25 2018-05-08 北京航空航天大学 一种基于组合判断策略的视觉目标跟踪方法
CN108320306A (zh) * 2018-03-06 2018-07-24 河北新途科技有限公司 融合tld和kcf的视频目标跟踪方法
CN108921873A (zh) * 2018-05-29 2018-11-30 福州大学 基于核相关滤波优化的马尔科夫决策在线多目标跟踪方法
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
CN108986142A (zh) * 2018-07-14 2018-12-11 李军 基于置信图峰值旁瓣比优化的遮挡目标跟踪方法
CN109299735A (zh) * 2018-09-14 2019-02-01 上海交通大学 基于相关滤波的抗遮挡目标跟踪方法
CN110033472A (zh) * 2019-03-15 2019-07-19 电子科技大学 一种复杂红外地面环境下的稳定目标跟踪方法
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
CN110414439A (zh) * 2019-07-30 2019-11-05 武汉理工大学 基于多峰值检测的抗遮挡行人跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ENHAN LIU ET AL.: ""Object Tracking Based on Compressive Features and Extreme Learning Machine"", 《IEEE ACCESS ( VOLUME: 7)》 *
余礼杨等: ""改进的核相关滤波器目标跟踪算法"", 《计算机应用》 *
郑鹏程: ""目标跟踪算法研究及实现"", 《信息科技》 *

Also Published As

Publication number Publication date
CN111476825B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN110472496B (zh) 一种基于目标检测与跟踪的交通视频智能分析方法
CN111460926B (zh) 一种融合多目标跟踪线索的视频行人检测方法
CN109800689B (zh) 一种基于时空特征融合学习的目标跟踪方法
CN102073851B (zh) 一种城市交通事故自动识别方法和***
CN112836640B (zh) 一种单摄像头多目标行人跟踪方法
CN107633226B (zh) 一种人体动作跟踪特征处理方法
CN112836639A (zh) 基于改进YOLOv3模型的行人多目标跟踪视频识别方法
CN109544592B (zh) 针对相机移动的运动目标检测算法
CN108564598B (zh) 一种改进的在线Boosting目标跟踪方法
CN111582349B (zh) 一种基于YOLOv3和核相关滤波改进的目标跟踪算法
CN111524164B (zh) 一种目标跟踪方法、装置及电子设备
CN100531405C (zh) 体育视频目标跟踪方法
US20160343144A1 (en) Method of detecting vehicle, database structure for detecting vehicle, and method of establishing database for detecting vehicle
CN114627447A (zh) 基于注意力机制和多目标跟踪的公路车辆跟踪方法及***
CN114708300A (zh) 一种可抗遮挡的自适应目标跟踪方法及***
CN111008991A (zh) 一种背景感知的相关滤波目标跟踪方法
CN114898326A (zh) 基于深度学习的单行道车辆逆行检测方法、***及设备
Liu et al. Correlation filter with motion detection for robust tracking of shape-deformed targets
CN112417937A (zh) 一种基于时间序列的变电站视频目标检测方法
CN116109950A (zh) 一种低空域反无人机视觉检测、识别与跟踪方法
CN112347967B (zh) 一种复杂场景下融合运动信息的行人检测方法
CN113537170A (zh) 一种交通路况智能监测方法和计算机可读存储介质
CN110189365B (zh) 抗遮挡相关滤波跟踪方法
CN111476825B (zh) 基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法
CN111241965A (zh) 一种基于多示例学习进行遮挡检测的目标跟踪方法

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
GR01 Patent grant
GR01 Patent grant