-
公开(公告)号：CN107274437A
公开(公告)日：2017-10-20
申请号：CN201710488018.4
申请日：2017-06-23
Applicant: 燕山大学
Abstract: 本发明公开了一种基于卷积神经网络的视觉跟踪方法。其内容包括以下步骤：1、离线训练：利用CIFAR-10数据集对卷积神经网络进行离线训练，获得可以表达深度特征的能力；2、多特征融合：提取每层卷积层后的特征图，获得多种特征，进行多层特征融合；3、跟踪：在步骤一和步骤二的基础上使用粒子滤波方法完成跟踪。本发明克服了跟踪过程中目标被遮挡和光照变化等难题，特征描述能够满足跟踪过程中多种多样的复杂变化，不会导致跟踪器丢失目标，提高了特征的准确度，从而提高了跟踪精度。
-
公开(公告)号：CN108133489A
公开(公告)日：2018-06-08
申请号：CN201711389302.2
申请日：2017-12-21
Applicant: 燕山大学
Abstract: 一种增强的多层卷积视觉跟踪方法，具体为：采用VGG-19深层网络框架，采用0.5倍第三层与0.5倍第四层卷积层直接加和作为输出特征模板，并通过主成分分析对特征模板降维得到所需特征图，采用加和的卷积特征，增加所提取特征的鲁棒性；根据目标位置，确定颜色直方图比例权重，权重乘以上帧目标尺寸即为当前目标尺寸；根据滤波模板输出的最大响应值是否大于给定阈值，判定目标是否消失，若大于则直接确定目标位置，若小于则消失，通过间隔帧差法确定检测区域的待检测目标位置，以直方图权重排除非目标物体干扰，确定可疑目标物体，提取特征，与滤波模板做相关，找出大于阈值的最大响应，确定目标位置。本发明缓解了跟踪当中姿态、光照强度等因素导致目标外观变化以及遮挡等问题。
-
公开(公告)号：CN107680119A
公开(公告)日：2018-02-09
申请号：CN201710789489.9
申请日：2017-09-05
Applicant: 燕山大学
IPC: G06T7/246
CPC classification number: G06T7/251 , G06T2207/10016
Abstract: 一种基于时空上下文融合多特征及尺度滤波的跟踪算法，通过视频或图像序列得到第一帧图片上目标位置信息与大小信息；参数初始化；多特征提取；双步预处理操作，特征目标区域进行乘余弦窗口的操作，降低傅立叶变换带来的边缘效应；通过两次傅里叶变换得到滤波模板与尺度滤波模板；通过两次傅立叶逆变换得到时域空间下的位置滤波模板与尺度滤波模板，求出其相应最大值即为目标区域；最后通过新一帧来更新位置滤波模型、尺度滤波模型、自适应外观模型和时空上下文信息；返回至特征提取部分，循环操作的进行目标跟踪直至结束。本发明方法能提高跟踪准确率、能更好地适应跟踪过程中目标外观的变化以及尺度变化，减少跟踪过程中环境的变化而引入噪声。
-
公开(公告)号：CN107274422A
公开(公告)日：2017-10-20
申请号：CN201710315379.9
申请日：2017-05-08
Applicant: 燕山大学
Abstract: 本发明公开了一种基于法线信息和K邻域搜索结合的点云边缘提取方法，首先使用三维扫描仪获得点云数据，对点云数据进行预处理；然后使用双阈值约束法提取准确的边缘点；最后把满足双阈值约束法条件的边缘点存储在一个点云中，经过去噪处理就提取到精确的边缘信息。本发明方法不必把三维点云转换为二维图像，操作简单，不会因为三维点云转换为二维图像而损失原始数据；又使用双阈值约束法提取边缘，相对于单独使用一种约束方法提取点云边缘信息提高了准确性。
-
-
-
Search Results
4
records
(took 0.019 seconds)
