一种通过分层特征响应融合的目标跟踪方法

    公开(公告)号:CN111008996B

    公开(公告)日:2023-04-07

    申请号:CN201911250349.X

    申请日:2019-12-09

    Abstract: 本发明公开一种通过分层特征响应融合的目标跟踪方法,涉及计算机视觉目标跟踪领域;包括:步骤10、对参数进行初始化;步骤20、提取目标图像分层特征进行响应值融合得到位置模型;步骤30、训练尺度相关滤波器的最大尺度响应值得到尺度模型;步骤40、当步骤20中所述响应值融合后得到的融合响应值小于等于设定阈值,对目标图像进行重检测,得到一候选区域,并返回步骤20;当所述融合响应值大于设定阈值时,更新位置模型以及尺度模型,然后进入步骤50;步骤50、将更新后的位置模型与尺度模型用于下一帧跟踪,返回步骤40。本发明提供的方法,改变了分层特征自适应融合和模型更新的条件,提高了相关滤波器跟踪的精确度,使跟踪效果更为理想。

    一种通过时空上下文进行视觉跟踪的方法

    公开(公告)号:CN109325966A

    公开(公告)日:2019-02-12

    申请号:CN201811031171.5

    申请日:2018-09-05

    Abstract: 本发明提供一种通过时空上下文进行视觉跟踪的方法,包括如下步骤:步骤1:初始化参数;步骤2:训练上下文感知滤波器得到位置模型;步骤3:训练尺度相关滤波器的最大尺度响应值得到尺度模型;步骤4:分类器输出响应图;判别相关滤波器生成与响应图峰值对应的峰值旁瓣比;步骤5:对比响应图峰值与峰值旁瓣比,如果响应图峰值大于峰值旁瓣比,则引入在线随机蕨分类器进行重检测;如果响应图峰值小于峰值旁瓣比,则更新步骤2的位置模型和步骤3的尺度模型;如果响应图峰值等于峰值旁瓣比,则继续维持当前视觉跟踪状态;步骤6:将更新好的位置模型与尺度模型作用于下一帧跟踪;返回步骤4。

    基于动态多种群集成差分进化算法的图像分割方法

    公开(公告)号:CN108564592B

    公开(公告)日:2021-05-11

    申请号:CN201810178714.X

    申请日:2018-03-05

    Abstract: 本发明公开了一种基于动态多种群集成差分进化算法的图像分割方法,在种群结构规划方面采用原始种群进行划分和重新分配子种群机制,保证种群进化过程的多样性和避免出现局部最优现象;在变异策略上采用局部搜索变异和全局搜索变异相结合,以此来达到种群勘测最优阈值和加快收敛的平衡;还通过交叉概率因子的抛物线式的动态递增变化,有效地针对了标准差分进化算法固定参数带来的不足。通过与其他进化算法在基准测试集上的比较结果可以明显看出改进后算法寻优和收敛速度的显著性,并将改进后的差分进化算法应用于图像的分割,无论在准确度还是速度都有效果显著。

    一种基于特征融合的目标跟踪定位方法

    公开(公告)号:CN111612001B

    公开(公告)日:2023-04-07

    申请号:CN202010466175.7

    申请日:2020-05-28

    Abstract: 本发明提供了视觉目标跟踪领域的一种基于特征融合的目标跟踪定位方法,包括:步骤S10、给定第1帧图像的目标位置,以目标位置为中心剪裁第1帧图像生成目标模板,并创建搜索区域;步骤S20、提取目标模板以及搜索区域的HOG特征、CN特征以及深度特征,并进行融合生成融合响应值;步骤S30、使用正则化线性回归计算视频的变化因子Pt‑1以及Qt‑1;步骤S40、基于融合响应值、Pt‑1以及Qt‑1计算得到最新的目标位置;步骤S50、计算融合响应值的平均峰值相关能量,并依据平均峰值相关能量更新Pt‑1以及Qt‑1,对下一帧图像进行跟踪。本发明的优点在于:极大的提升了目标跟踪的精确度。

    自适应特征融合的多尺度相关滤波视觉跟踪方法

    公开(公告)号:CN108549839B

    公开(公告)日:2021-09-28

    申请号:CN201810206321.5

    申请日:2018-03-13

    Abstract: 本发明公开了一种自适应特征融合的多尺度相关滤波视觉跟踪方法,该方法步骤包括:首先使用上下文感知相关滤波框架分别对目标Hog特征和color特征进行相关滤波,归一化两种特征下的响应值,按照响应值占比分配权重并线性加权融合,得到融合后的最终响应图,然后将其与预定义响应阈值进行判断是否更新滤波模型。最后在跟踪过程中引入尺度相关滤波器,提高算法的尺度适应能力。本发明的方法能够结合多种特征跟踪,发挥各自特征的性能优势,设计一种模型自适应的更新方法,此外还引入了一种精确尺度估计机制。能够有效地提高提高模型的更新质量以及跟踪精确度,并在尺度变化,快速运动,形变,遮挡等复杂场景下具有较好的鲁棒性。

    一种基于特征融合的目标跟踪定位方法

    公开(公告)号:CN111612001A

    公开(公告)日:2020-09-01

    申请号:CN202010466175.7

    申请日:2020-05-28

    Abstract: 本发明提供了视觉目标跟踪领域的一种基于特征融合的目标跟踪定位方法,包括:步骤S10、给定第1帧图像的目标位置,以目标位置为中心剪裁第1帧图像生成目标模板,并创建搜索区域;步骤S20、提取目标模板以及搜索区域的HOG特征、CN特征以及深度特征,并进行融合生成融合响应值;步骤S30、使用正则化线性回归计算视频的变化因子Pt-1以及Qt-1;步骤S40、基于融合响应值、Pt-1以及Qt-1计算得到最新的目标位置;步骤S50、计算融合响应值的平均峰值相关能量,并依据平均峰值相关能量更新Pt-1以及Qt-1,对下一帧图像进行跟踪。本发明的优点在于:极大的提升了目标跟踪的精确度。

    基于动态多种群集成差分进化算法的图像分割方法

    公开(公告)号:CN108564592A

    公开(公告)日:2018-09-21

    申请号:CN201810178714.X

    申请日:2018-03-05

    Abstract: 本发明公开了一种基于动态多种群集成差分进化算法的图像分割方法,在种群结构规划方面采用原始种群进行划分和重新分配子种群机制,保证种群进化过程的多样性和避免出现局部最优现象;在变异策略上采用局部搜索变异和全局搜索变异相结合,以此来达到种群勘测最优阈值和加快收敛的平衡;还通过交叉概率因子的抛物线式的动态递增变化,有效地针对了标准差分进化算法固定参数带来的不足。通过与其他进化算法在基准测试集上的比较结果可以明显看出改进后算法寻优和收敛速度的显著性,并将改进后的差分进化算法应用于图像的分割,无论在准确度还是速度都有效果显著。

Patent Agency Ranking