-
公开(公告)号：CN109064497A
公开(公告)日：2018-12-21
申请号：CN201810778141.4
申请日：2018-07-16
Applicant: 南京信息工程大学
CPC classification number: G06T7/277 , G06K9/6218 , G06K9/6268 , G06T7/90 , G06T2207/30232
Abstract: 本发明公开一种基于颜色聚类补充学习的视频跟踪方法，属于图像处理技术领域。包括输入上一帧状态及分类参数、对目标区域颜色聚类、根据聚类中心统计出直方图、计算颜色响应、计算相关滤波响应、颜色响应和相关滤波响应融合、更新分类器参数、输出当前帧状态及分类器参数八个步骤。通过对传统的颜色直方图补充学习跟踪方法进行分析和改进，有效地利用颜色分布的信息，采用聚类和统计颜色直方图手段，学到更有效的颜色聚类补充学习器并与传统的相关滤波学习器相融合，能够有效区分目标和背景，在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等复杂情况下依然可以准确地跟踪目标。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
公开(公告)号：CN109064492B
公开(公告)日：2022-04-01
申请号：CN201810826449.1
申请日：2018-07-25
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于流形正则化的上下文相关滤波视频跟踪方法，该相关滤波跟踪方法的基础样本采用中心区域及其周围区域作为正负样本，并在一系列的循环样本中加入流形结构，进行离散傅里叶变换快速计算。本发明提出的一种基于流形正则化的上下文相关滤波视频跟踪方法有效地利用了目标上下文区域间的结构信息，构建了流形正则项来约束目标函数，很好地抑制了混乱背景下的噪声，显著地提高了跟踪算法的精度和稳健性。
-
公开(公告)号：CN109359663A
公开(公告)日：2019-02-19
申请号：CN201810960742.7
申请日：2018-08-22
Applicant: 南京信息工程大学
CPC classification number: G06K9/6292 , G06K9/4642 , G06K9/4652 , G06K9/6221
Abstract: 本发明公开了一种基于颜色聚类和时空正则回归的视频跟踪方法，属于视频跟踪方法领域。本发明包括以下具体步骤：对目标区域颜色聚类；统计出直方图；计算颜色聚类响应；学习时空融合正则化的相关滤波模型；计算时空正则相关滤波响应；融合颜色聚类响应和时空正则响应；更新分类器参数。本发明通过对初始颜色的聚类，有效地缓解了噪声的影响；并且通过时空正则化，充分利用了不同帧之间的时间和空间信息，提升了目标跟踪技术在各类场景中的精度。
-
公开(公告)号：CN109242885A
公开(公告)日：2019-01-18
申请号：CN201811019303.2
申请日：2018-09-03
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于时空非局部正则的相关滤波视频跟踪方法，受到视频中的时空非局部性目标表观重现技术的启发，我们利用非局部信息来精确地表述和分割目标，得到一个目标概率图去正则化目标跟踪里的相关滤波器。特别地，给出一个目标边界框，我们首先生成一系列超像素去描述前景和背景，然后利用长期的时空非局部相似物来更新每个像素的表观。接着，利用更新过的表观，我们利用超像素标签的一致性概率建模出了一个时空图模型。之后，我们通过优化图模型更新表观模型和预测标签。最终，利用分割掩模，我们获得了一个目标概率图，它被用来自适应地约束相关滤波学习，通过挤压混乱背景下的噪声，以此来充分利用长期的稳定的目标表观信息。本发明的视频跟踪算法在光照剧烈变化和目标场景复杂的情况下显著地提高了跟踪器的稳健性和准确性。
-
公开(公告)号：CN109102521A
公开(公告)日：2018-12-28
申请号：CN201810647331.2
申请日：2018-06-22
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于并行注意力相关滤波的视频目标跟踪方法，属于图像处理技术领域。将跟踪问题设计为估计一个目标位置的概率，整合空间选择注意力SSA和表观选择注意力ASA，利用Log函数得到目标函数，实现视频目标的持续有效跟踪。首先进行SSA建模，产生一系列的二值图，经滤波获取位置响应图，然后在跟踪目标周围的半局部域采样一系列干扰区域，在相关视频滤波中学习抗干扰距离度量并进行抗干扰度量正则相关滤波，将干扰项推入负域，获取ASA目标图，再通过Log函数得到的目标函数，将在局部域和半局部域中处理的图像相融合对目标进行跟踪。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
Patent Agency Ranking
公开(公告)号：CN109064492A
公开(公告)日：2018-12-21
申请号：CN201810826449.1
申请日：2018-07-25
Applicant: 南京信息工程大学
CPC classification number: G06T7/246 , G06T7/262 , G06T2207/10016 , G06T2207/20056
Abstract: 本发明公开了一种基于流形正则化的上下文相关滤波视频跟踪方法，该相关滤波跟踪方法的基础样本采用中心区域及其周围区域作为正负样本，并在一系列的循环样本中加入流形结构，进行离散傅里叶变换快速计算。本发明提出的一种基于流形正则化的上下文相关滤波视频跟踪方法有效地利用了目标上下文区域间的结构信息，构建了流形正则项来约束目标函数，很好地抑制了混乱背景下的噪声，显著地提高了跟踪算法的精度和稳健性。
-
公开(公告)号：CN109035290A
公开(公告)日：2018-12-18
申请号：CN201810782664.6
申请日：2018-07-16
Applicant: 南京信息工程大学
IPC: G06T7/20
CPC classification number: G06T7/20 , G06T2207/10016 , G06T2207/20024 , G06T2207/20056
Abstract: 本发明公开一种基于高置信度更新补充学习的跟踪算法，属于图像处理领域。首先根据标准相关滤波分类器得到相关滤波响应值，计算相关滤波响应的峰旁比作为响应置信度，若该置信度大于平均阈值则当前帧继续更新相关滤波器，如果小于平均阈值则停止更新滤波器；接着计算出持续不更新的帧数，如果有连续10帧不更新时，则强制更新；最后通过融合颜色补充学习器的响应，得到总响应，响应中最大值的位置即为跟踪结果。本发明显著改善了跟踪算法的鲁棒性，能够有效地区分目标和背景，进而提高跟踪器的精度，在光照剧烈变化和目标场景复杂的情况下显著地提高了跟踪器的稳健性和准确性。具有不受跟踪目标环境变化影响，可有效、准确跟踪到目标物体等优点。
-
公开(公告)号：CN109242885B
公开(公告)日：2022-04-26
申请号：CN201811019303.2
申请日：2018-09-03
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于时空非局部正则的相关滤波视频跟踪方法，受到视频中的时空非局部性目标表观重现技术的启发，我们利用非局部信息来精确地表述和分割目标，得到一个目标概率图去正则化目标跟踪里的相关滤波器。特别地，给出一个目标边界框，我们首先生成一系列超像素去描述前景和背景，然后利用长期的时空非局部相似物来更新每个像素的表观。接着，利用更新过的表观，我们利用超像素标签的一致性概率建模出了一个时空图模型。之后，我们通过优化图模型更新表观模型和预测标签。最终，利用分割掩模，我们获得了一个目标概率图，它被用来自适应地约束相关滤波学习，通过挤压混乱背景下的噪声，以此来充分利用长期的稳定的目标表观信息。本发明的视频跟踪算法在光照剧烈变化和目标场景复杂的情况下显著地提高了跟踪器的稳健性和准确性。
-
公开(公告)号：CN109064497B
公开(公告)日：2021-11-23
申请号：CN201810778141.4
申请日：2018-07-16
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于颜色聚类补充学习的视频跟踪方法，属于图像处理技术领域。包括输入上一帧状态及分类参数、对目标区域颜色聚类、根据聚类中心统计出直方图、计算颜色响应、计算相关滤波响应、颜色响应和相关滤波响应融合、更新分类器参数、输出当前帧状态及分类器参数八个步骤。通过对传统的颜色直方图补充学习跟踪方法进行分析和改进，有效地利用颜色分布的信息，采用聚类和统计颜色直方图手段，学到更有效的颜色聚类补充学习器并与传统的相关滤波学习器相融合，能够有效区分目标和背景，在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等复杂情况下依然可以准确地跟踪目标。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
公开(公告)号：CN109102521B
公开(公告)日：2021-08-27
申请号：CN201810647331.2
申请日：2018-06-22
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于并行注意力相关滤波的视频目标跟踪方法，属于图像处理技术领域。将跟踪问题设计为估计一个目标位置的概率，整合空间选择注意力SSA和表观选择注意力ASA，利用Log函数得到目标函数，实现视频目标的持续有效跟踪。首先进行SSA建模，产生一系列的二值图，经滤波获取位置响应图，然后在跟踪目标周围的半局部域采样一系列干扰区域，在相关视频滤波中学习抗干扰距离度量并进行抗干扰度量正则相关滤波，将干扰项推入负域，获取ASA目标图，再通过Log函数得到的目标函数，将在局部域和半局部域中处理的图像相融合对目标进行跟踪。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
