-
公开(公告)号：CN110826379B
公开(公告)日：2022-03-22
申请号：CN201810918475.7
申请日：2018-08-13
Applicant: 中国科学院长春光学精密机械与物理研究所
IPC: G06V20/13 , G06V10/762 , G06V10/82 , G06K9/62 , G06N3/08
Abstract: 本发明实施例公开一种基于特征复用与YOLOv3的目标检测方法。本发明实施例所提供的基于YOLOv3的目标检测方法包括步骤：提出多个卷积层的小参数卷积神经网络；在提出的卷积神经网络上应用密集相连模块进行改进，并提出使用最大池化加强密集连接模块间的特征传递；针对目标为小目标的情况，提出将YOLOv3的3个尺度检测增加至4个并以密集相连融合不同尺度模块特征层的信息；在目标测试集上进行训练和测试。通过实验表明，本发明实施例所提供的基于YOLOv3的目标检测方法不仅具有很高的召回率，还能够平衡精确性和实时性的需求。
-
公开(公告)号：CN111104948A
公开(公告)日：2020-05-05
申请号：CN201811259843.8
申请日：2018-10-26
Applicant: 中国科学院长春光学精密机械与物理研究所
Abstract: 本发明实施例提出一种基于双模型的自适应融合的目标跟踪方法。该基于双模型的自适应融合的目标跟踪方法利用基于相对置信度的自适应融合系数，使得相关滤波器响应和颜色分类器响应能够进行最优融合，进而充分地展现出各自模型的跟踪优势，有效地解决了现有Staple目标跟踪方法中的相关滤波器与颜色分类器的融合系数为常数而没有完全展示出相关滤波器跟踪模型和颜色分类器跟踪模型的优势的问题。
-
公开(公告)号：CN110751671A
公开(公告)日：2020-02-04
申请号：CN201810814493.0
申请日：2018-07-23
Applicant: 中国科学院长春光学精密机械与物理研究所
Abstract: 本发明实施例公开一种基于核相关滤波与运动估计的目标跟踪方法。该目标跟踪方法在核相关滤波器的基础上，引入跟踪响应为高斯分布的设想，采用贝叶斯优化对核相关滤波器进行处理；并且加权结合抑制背景的贝叶斯分类器的响应与核相关滤波的响应；最后基于运动估计对目标运动方向进行预测，在跟踪失败时在预测的位置上检测目标以实现重检测。本发明实施例所提出的目标跟踪方法在OTB2013测试集上与现有的其他目标跟踪方法进行了对比，对比结果表明本发明实施例所提出的目标跟踪算法性能优异，且具有高达42帧每秒的运行速度，具有良好的实用性和准确度。
-
公开(公告)号：CN110751671B
公开(公告)日：2022-08-19
申请号：CN201810814493.0
申请日：2018-07-23
Applicant: 中国科学院长春光学精密机械与物理研究所
Abstract: 本发明实施例公开一种基于核相关滤波与运动估计的目标跟踪方法。该目标跟踪方法在核相关滤波器的基础上，引入跟踪响应为高斯分布的设想，采用贝叶斯优化对核相关滤波器进行处理；并且加权结合抑制背景的贝叶斯分类器的响应与核相关滤波的响应；最后基于运动估计对目标运动方向进行预测，在跟踪失败时在预测的位置上检测目标以实现重检测。本发明实施例所提出的目标跟踪方法在OTB2013测试集上与现有的其他目标跟踪方法进行了对比，对比结果表明本发明实施例所提出的目标跟踪算法性能优异，且具有高达42帧每秒的运行速度，具有良好的实用性和准确度。
-
公开(公告)号：CN110826379A
公开(公告)日：2020-02-21
申请号：CN201810918475.7
申请日：2018-08-13
Applicant: 中国科学院长春光学精密机械与物理研究所
Abstract: 本发明实施例公开一种基于特征复用与YOLOv3的目标检测方法。本发明实施例所提供的基于YOLOv3的目标检测方法包括步骤：提出多个卷积层的小参数卷积神经网络；在提出的卷积神经网络上应用密集相连模块进行改进，并提出使用最大池化加强密集连接模块间的特征传递；针对目标为小目标的情况，提出将YOLOv3的3个尺度检测增加至4个并以密集相连融合不同尺度模块特征层的信息；在目标测试集上进行训练和测试。通过实验表明，本发明实施例所提供的基于YOLOv3的目标检测方法不仅具有很高的召回率，还能够平衡精确性和实时性的需求。
-
Patent Agency Ranking
公开(公告)号：CN110827319B
公开(公告)日：2022-10-28
申请号：CN201810917388.X
申请日：2018-08-13
Applicant: 中国科学院长春光学精密机械与物理研究所
Abstract: 本发明实施例提供了一种基于局部敏感直方图改进的Staple目标跟踪方法。该基于局部敏感直方图改进的Staple目标跟踪方法首先计算灰度图像的3通道局部敏感直方图，再通过两个岭回归方程分别求解并提取特征训练两个跟踪模型，其中颜色分类器使用局部敏感直方图的每个通道上提取的直方图训练，最后融合两个跟踪模型的分类结果获得目标在当前帧的位置，从而有效地解决了现有Staple目标跟踪方法在单通道的灰度图像及红外图像上跟踪效果不理想的问题。
-
公开(公告)号：CN110751670B
公开(公告)日：2022-10-25
申请号：CN201810812948.5
申请日：2018-07-23
Applicant: 中国科学院长春光学精密机械与物理研究所
IPC: G06T7/207 , G06T7/246 , G06V10/764
Abstract: 本发明实施例公开一种基于融合的目标跟踪方法，该目标跟踪方法分别训练核相关滤波器和贝叶斯分类器，并采用加权平均法集成核相关滤波的响应和贝叶斯分类器的响应，并基于贝叶斯分类器和方向梯度直方图特征融合成一种新的特征，该新的特征能够有效地增强相关滤波器的判别能力。进一步地，本发明实施例的目标跟踪方法采用Sigmoid更新模型从而能够自适应调整模型学习率，Sigmoid更新模型能够使贝叶斯分类器自适应地更新，避免模型被不良样本所污染，从而能够在多种工况下实时且准确地跟踪目标。
-
公开(公告)号：CN110751673B
公开(公告)日：2022-08-19
申请号：CN201810813836.1
申请日：2018-07-23
Applicant: 中国科学院长春光学精密机械与物理研究所
IPC: G06T7/246 , G06V10/764 , G06V10/56 , G06V10/50 , G06N20/20
Abstract: 本发明实施例公开一种基于集成学习的目标跟踪方法。本发明实施例的目标跟踪方法利用目标的背景信息，通过循环矩阵的特性，在不破坏相关滤波封闭解的情况下，有效地克服相关滤波的边界效应，构建了一个更具鲁棒性的滤波模板；并且集成背景感知的相关滤波器和贝叶斯分类器的响应与支持向量机的判别结果，使目标可以在跟踪过程中快速适应目标变化的同时，仍然可以对目标实现长期跟踪。本发明实施例所提供的目标跟踪方法，通过集成学习，使跟踪速度保持实时性并且跟踪性能也得到大幅提升，能满足现实世界的跟踪需求。
-
公开(公告)号：CN110827327A
公开(公告)日：2020-02-21
申请号：CN201810917390.7
申请日：2018-08-13
Applicant: 中国科学院长春光学精密机械与物理研究所
Abstract: 本发明实施例提供了一种基于融合的长期目标跟踪方法。该基于融合的长期目标跟踪方法首先给定初始帧中目标的位置及尺寸信息，通过提取特征分别训练核相关滤波器与贝叶斯分类器，融合两个分类器获得短期跟踪方法，并使用短期跟踪方法和支持向量机构成重检测模块；根据短期跟踪方法响应图的平均峰值相关能量与最大响应值与对应的历史均值的关系，控制重检测模块的工作和模型的更新。本发明实施例的基于融合的长期目标跟踪方法利用响应峰值以及平均峰值相关能量对更新模板进行优化，自适应选择是否更新模型；并且提出一种重检测方法，解决了目标跟踪检测范围被贝叶斯分类器限制与目标丢失的问题，增强了目标跟踪的鲁棒性。
-
公开(公告)号：CN110751673A
公开(公告)日：2020-02-04
申请号：CN201810813836.1
申请日：2018-07-23
Applicant: 中国科学院长春光学精密机械与物理研究所
Abstract: 本发明实施例公开一种基于集成学习的目标跟踪方法。本发明实施例的目标跟踪方法利用目标的背景信息，通过循环矩阵的特性，在不破坏相关滤波封闭解的情况下，有效地克服相关滤波的边界效应，构建了一个更具鲁棒性的滤波模板；并且集成背景感知的相关滤波器和贝叶斯分类器的响应与支持向量机的判别结果，使目标可以在跟踪过程中快速适应目标变化的同时，仍然可以对目标实现长期跟踪。本发明实施例所提供的目标跟踪方法，通过集成学习，使跟踪速度保持实时性并且跟踪性能也得到大幅提升，能满足现实世界的跟踪需求。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.043 seconds)
