CN107633226A - 一种人体动作跟踪识别方法及系统 - Google Patents
一种人体动作跟踪识别方法及系统 Download PDFInfo
- Publication number
- CN107633226A CN107633226A CN201710845274.4A CN201710845274A CN107633226A CN 107633226 A CN107633226 A CN 107633226A CN 201710845274 A CN201710845274 A CN 201710845274A CN 107633226 A CN107633226 A CN 107633226A
- Authority
- CN
- China
- Prior art keywords
- response value
- feature
- input image
- features
- current
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000009471 action Effects 0.000 title claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims description 60
- 239000003086 colorant Substances 0.000 claims description 14
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种人体动作跟踪识别方法及系统，通过该方法可以在输入图像中提取出HOG特征、CS‑LBP特征、LAB特征，并且将这三个特征融合来对输入图像进行表征，从而解决了现有技术中核相关滤波跟踪算法仅使用单一的特征对目标进行表征，使得复杂度较低的特征对目标的表征能力也相对较弱而导致在一些变化的场景下目标跟踪的成功率和跟踪精确度迅速下降的问题，进而使得核相关滤波跟踪算法在不同场景的适应能力以及鲁棒性得到提高。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种人体动作跟踪识别方法及系统。
背景技术
基于检测的跟踪算法(Tracking by Detection)及相关滤波的算法近年来相继取得相当多成果。CSK(Circular Structure with Kernels)跟踪算法仅使用灰度特征，利用循环位移的方法在前一帧目标所在位置附近进行采样，并通过结合循环矩阵在傅里叶空间可对角化的的特性将图像转换到频域进行点乘的方法替换传统图像间的卷积操作，实现对分类器的实时训练，使得跟踪器的性能大幅上升。核相关滤波(英文：KernelizedCorrelation Filters，简称：KCF)跟踪算法则在CSK算法的基础上改用多通道的方向梯度直方图(英文：Histogram of Oriented Gradient，简称：HOG)特征，引入核函数将线性空间的脊回归映射到非线性空间，对模型进行在线快速学习以及对目标位置进行更快速更精确的预测，但不能应对需要多尺度的检测的场景。相对于KCF算法，STC(Spatio-TemporalContext)跟踪算法在跟踪的过程中利用连续多帧的目标位置的最高置信值的比值对当前帧的平均尺度估计进行有效的预测，并利用贝叶斯框架对目标与其周围区域的时空关系进行建立上下文时空模型，获得自身和周围灰度特征的统计特性，最后根据时空关系计算出置信图，置信图中置信值最大的位置即为目标最有可能出现的位置。引入深度学习模型后，目标跟踪算法领域出现大量基于CNN的跟踪算法。MDNet(Multi-Domain ConvolutionalNeural Networks)跟踪算法在训练时将CNN网络分为共享层和特定域层(Domain-Specific)，成功实现直接使用视频序列训练出对普遍目标具有很好区分能力的网络，并在跟踪过程中使用长期和短期相结合的方式分别产生正负样本对网络进行在线更新，使得算法在TPAMI2015OTB100数据集上达到90.8％的准确率。另外使用递归神经网络进行目标跟踪也实现较突出的性能，如RTT[39](Recurrently Target-Attending Tracking)算法，结合递归神经网络、分块跟踪以及相关滤波的优势，该算法利用递归神经网络进行建模和预测跟踪目标的位置，算法先将候选区域分块并提取HOG特征，利用递归神经网络计算分块的置信值后获得置信图，即获取分块间的大范围空间关联，随后利用置信图训练相关滤波器进行，最后相关滤波器结合置信图对目标位置进行预测，该算法在OTB 50数据集上的准确率达82.7％。
但是，目前核相关滤波跟踪算法仅使用单一的特征对目标进行表征，使得复杂度较低的特征对目标的表征能力也相对较弱而到导致在一些变化的场景下目标跟踪的成功率和跟踪精度迅速下降。
发明内容
本发明实施例提供了一种人体动作跟踪识别方法及系统，用以解决现有技术中核相关滤波跟踪算法仅使用单一的特征对目标进行表征，使得复杂度较低的特征对目标的表征能力也相对较弱而到导致在一些变化的场景下目标跟踪的成功率和跟踪精度迅速下降的问题。
其具体的技术方案如下：
一种人体动作跟踪识别方法，所述方法包括：
在输入图像中提取方向梯度直方图HOG特征；
在所述输入图像中提取纹理CS-LBP特征；
在所述输入图像中提取颜色模型LAB特征；
将所述HOG特征、CS-LBP特征、LAB特征进行融合，得到融合特征；
通过融合特征对所述输入图像进行表征。
可选的，在输入图像中提取方向梯度直方图HOG特征，包括：
对每幅输入图像进行灰度化并进行伽马矫正；
对每一个像素分别计算其像素梯度方向，在输入图像上划分多个网格，每一个网格确定为一个单元；
使用2个具有9个直方条的直方图对每个单元内的无符号的方向梯度进行统计，并使用1个具有9个直方条的直方图对无符号的方向梯度进行统计，使得每一个单元的特征维度为指定值；
在划分的网格上，将相邻4个单元作为一个块，对所有块，分别对各维度的特征值进行累加操作，并作为归一化操作，获得所述HOG特征，其中，所述输入图像的HOG特征为所有块的特征的集合。
可选的，在所述输入图像中提取纹理CS-LBP特征，包括：
建立个直方图，其中，每个直方图对应第i种CS-LBP特征值在所有单元上的统计，每个直方图有个直方条；
统计每个单元上第i种CS-LBP特征值的数量，最终获得的个直方图的统计结果作为所述输入图像的CS-LBP特征。
可选的，在所述输入图像中提取颜色模型LAB特征，包括：
从LAB颜色空间N种颜色中随机取K种，作为K-Means中K个类别的各自的质心kj；
分别计算LAB颜色空间中剩下的(N-K)种颜色到K个类别质心的欧几里得距离；
将LAB颜色空间N种颜色按照K个新的质心进行重新聚类；
根据聚类结果，得到所述输入图像的LAB特征。
可选的，所述方法还包括：
对当前感兴趣ROI区域R计算当前响应值；
在所述当前响应值小于第一阈值，则将ROI区域重置为R；
若重置后的ROI区域的响应值小于第二阈值时，则判断第一阈值是否大于第二阈值；
若是，则输出A图像区域对应的ROI区域；
若否，则输出B图像区域对应的ROI区域。
可选的，所述方法还包括：
若当前响应值大于第一阈值时，更新A图像区域为当前最大响应值；
根据缩放因子S对ROI区域进行尺度放大，并对尺度放大的ROI区域计算响应值，并根据计算出的响应值再与所述第一阈值比较。
可选的，所述方法还包括：
若重置后的ROI区域的响应值大于第二阈值时，更新B图像区域为当前最大响应值；
根据缩放因子S对ROI区域进行尺度缩小，对尺度缩小的ROI区域计算响应值，并根据计算出的响应值再与所述第二阈值比较。
可选的，所述方法还包括：
获取当前ROI区域对应的当前响应值；
在所述当前响应值小于第三阈值时，获取当前目标位置；
根据二维高斯分布，计算图像区域中每一环的搜索密度，并扩大当前目标的搜索范围；
在搜索到目标时，输出当前响应值对应的ROI区域。
可选的，所述方法还包括：
在未搜索到目标时，对每个环区域进行随机对称搜索，并获取当前响应值；
若当前响应值大于初始响应值，则将所述初始响应值更新为所述当前响应值。
一种人体动作跟踪识别系统，包括：
特征提取模块，用于在输入图像中提取方向梯度直方图HOG特征、CS-LBP特征、LAB特征；
处理模块，用于将所述HOG特征、CS-LBP特征、LAB特征进行融合，得到融合特征；通过融合特征对所述输入图像进行表征。
通过上述的方法可以在输入图像中提取出HOG特征、CS-LBP特征、LAB特征，并且将这三个特征融合来对输入图像进行表征，从而解决了现有技术中核相关滤波跟踪算法仅使用单一的特征对目标进行表征，使得复杂度较低的特征对目标的表征能力也相对较弱而导致在一些变化的场景下目标跟踪的成功率和跟踪精确度迅速下降的问题，进而使得核相关滤波跟踪算法在不同场景的适应能力以及鲁棒性得到提高。
附图说明
图1为本发明实施例中一种人体动作跟踪识别方法的流程图；
图2为本发明实施例中HOG特征提取示意图；
图3为本发明实施例中CS-LBP特征提取示意图；
图4为本发明实施例中线性多尺度估计的具体实现流程图；
图5为本发明实施例基于二维高斯分布的目标丢失恢复的具体实现流程图；
图6为本发明实施例中基于二维高斯分布的目标丢失恢复方法示意图；
图7为本发明实施例中一种人体动作跟踪识别系统结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解，本发明实施例以及实施例中的具体技术特征只是对本发明技术方案的说明，而不是限定，在不冲突的情况下，本发明实施例以及实施例中的具体技术特征可以相互组合。
如图1所示为本发明实施例中一种人体动作跟踪识别方法的流程图，该方法包括：
S101，在输入图像中提取方向梯度直方图HOG特征；
S102，在输入图像中提取提取纹理CS-LBP特征；
S103，在输入图像中提取颜色模型LAB特征；
S104，将HOG特征、CS-LBP特征、LAB特征进行融合，得到融合特征；
S105，通过融合特征对输入图像进行表征。
具体来讲，在输入图像中提取出HOG特征的具体实现方式如下：
1、对输入m×n大小的样本图像进行灰度化，获得对应的灰度图；
2、对灰度图进行归一化，使用伽马校正；
3、在梯度方向的计算方面，采用有符号方向结合无符号方向的策略来提高特征的一般表征能力，即同时记录范围为[0°，360°]的有符号梯度方向以及范围为[0°，180°]的无符号梯度方向；
4、将输入的样本图像划分成个8×8像素互不重合的区域作为单元；
5、在每一个单元上利用梯度方向直方图对有符号梯度方向和无符号梯度方向进行统计，而有符号梯度方向部分分为[0°，180°]以及[0°，-180°]两部分，每部分分别使用9个直方条进行统计，则每个单元的HOG特征维度为：(9+9)+9＝27；
6、在对单元的HOG特征进行归一化时，以当前的单元为中心，与周围4个单元组成一个块并进行归一化(如图2所示)，此时，每一个块的HOG特征维度为：4×27＝108；
7、使用公式和公式对每个块的HOG特征进行降维：如图2所示，先对4个块对应的第a个直方条进行纵向累加，分别作为最终降维后第a个特征值，共27个特征值，其中，Val即bini(θ1，θ2)，表示第i个块中梯度方向角度在(θ1，θ2)的直方图上的值，(θ1，θ2)＝(0°，±20°)，(±20°，±40°)，...，(±160°，±180°)。
再分别对4个块的每27个直方条进行横向累加，分别作为最终降维后的第28、29、30、31个特征值，binj表示最终降维后的第j个特征值，bini(k)表示第i个块对应的第k个直方图的值。
8、最终将每个块的HOG特征并行排列成一个矩阵，作为整个样本的HOG特征，维度为：。然后跟踪器即可在这个样本矩阵上面通过位移的方式进行采样并获得循环样本矩阵。
通过上述的方法可以提取出输入图像中的HOG特征。
进一步，在输入图像中提取出CS-LBP特征的具体实现方式如下：
由于LBP的特征维度过高，不利于跟踪器的快速计算，因此考虑使用维度更低，且包含像素梯度信息的CS-LBP(Center-Symmetric Local Binary Patterns)进行代替，以及CS-LBP特征的计算方式：
，其中，CS-LBPP，R，T(x，y)表示对于在(x，y)坐标处的像素，如图3所示，以该像素所在的坐标为圆心，半径为R(R≥2)的区域作为其邻域，并在该区域上均匀取P(P≥1)个像素点进行计算；分别表示邻域上第i对像素点的两个灰度值，T(T≥0)表示阈值。
进一步，在输入图像中提取出LAB特征的具体实现方式如下：
1、从LAB颜色空间N种颜色中随机取K种，作为K-Means中K个类别的各自的质心kj，j＝1，2...，K；
2、分别计算LAB颜色空间中剩下的(N-K)种颜色到K个类别质心的欧几里得距离，距离越大差异度μ越大，反之越小，并通过公式将这些颜色分别划归到差异度最低的类别中，其中μij表示LAB颜色空间(N-K)种颜色中第i种颜色与第j类的质心kj之间的差异度；
3、根据当前的聚类结果，重新计算K个类别的质心kj′，其中，使用
分别计算第j类别中所有Ni种颜色的算术平均数，其中，为第j类的新质心的L*值，为第j类的新质心的a*j值，为第j类的新质心的b*值；
4、将LAB颜色空间N种颜色按照K个新的质心进行重新聚类；
5、重复第4步，直到聚类结果不再变化。
最终获得的K个质心即类似调色板上的K种颜色，此时，在LAB颜色空间上提取的特征维度降至K维。
关于LAB颜色特征的融合，首先保持LAB颜色特征与HOG特征的分块方式一致的情况下，即对m×n大小的样本图像，分为个mc×nc大小的单元。分别对每个单元进行LAB特征的提取，每个单元的特征维度为K(实现过程中K取15)。然后将所有单元上获取的特征值归一化，最后将所有单元的LAB特征并行排列成一个的特征矩阵作为该图像的LAB特征，并将这个特征矩阵加入到HOG特征所在的特征图中与HOG特征进行组合。
通过上述的方法可以在输入图像中提取出HOG特征、CS-LBP特征、LAB特征，并且将这三个特征融合来对输入图像进行表征，从而解决了现有技术中核相关滤波跟踪算法仅使用单一的特征对目标进行表征，使得复杂度较低的特征对目标的表征能力也相对较弱而导致在一些变化的场景下目标跟踪的成功率和跟踪精确度迅速下降的问题，进而使得核相关滤波跟踪算法在不同场景的适应能力以及鲁棒性得到提高。
进一步，在本发明实施例中，由于循环矩阵采样的方式限制了算法对目标搜索的区域，导致跟踪算法不能很好的处理目标丢失的问题，所以一种核相关滤波快速检测的特性来对多种等比尺度进行检测方法，该方法的具体实现流程如图4所示。
首先，由于核相关滤波跟踪器的样本矩阵为循环矩阵，及其生成的核相关矩阵也为循环矩阵，因此不能对当前帧中目标的尺度进行有效的检测，但可以充分利用对跟踪器的快速检测的特性，利用其检测器，设置一个比例缩放因子S(S>1)，根据S对多个与原候选窗口的等比缩放后的区域使用公式和公式new_peak＝max(ipeaki)进行检测，其中dete(·)表示检测器，peaki表示对第i个尺度上检测器获得的响应值，其中，new_peak表示经尺度缩放检测器获得的最大响应值，scale表示当前候选窗口所在的尺度。
在图4中，判断当前响应值是否小于第一阈值，若是，则将ROI区域重置为R，若否，则更新A图像区域为当前最大响应值(如图5所示)，根据缩放因子S对ROI区域进行尺度放大，对新的ROI区域计算响应值，并重新对当前响应值进行判断。具体来讲，在图5中所示的示意图中，先利用检测器在比当前更小的等比尺度上进行试探，直到在一个更小的等比尺度上找到一个更大的响应值，然后，同样在比当前更大的等比尺度上进行试探，直到在一个更大的等比尺度上找到一个更大的响应值。
在重置R之后，根判断重置后的响应值是否大于第二阈值，若是，则将更新B图像区域为当前最大响应值，并根据缩放因子S对ROI区域进行尺度缩小，对新的ROI区域计算响应值，该重新计算的响应值将重新与第二阈值进行比较。
若是重置后的响应值第二阈值，则进一步判断第一阈值是否大于第二阈值，若是第一阈值大于第二阈值，则输入A图像区域对应的ROI区域，若是第一阈值小于第二阈值，则输出B图像区域对应的ROI区域。这里需要说明的第一阈值以及第二阈值可以是更新后响应值。
进一步，由于跟踪的场景过于复杂、目标移动速度过快或者对目标的遮挡等情形都可能导致跟踪器模型产生偏移，严重时则会导致跟踪丢失。由于核相关滤波器采用循环位移的方式在样本图像中产生循环样本矩阵，也即以上一帧跟踪结果所在位置为中心的一定半径范围内的局部区域A上进行采样检测。则当跟踪目标移动速度过快，目标在下一帧中移除区域A的范围内，此时，跟踪器在这些区域上迭代检测和更新已不能再次确定目标的位置，并在更新迭代中，模型迅速漂移，导致跟踪失败并无法恢复。同样，通过一定的策略，利用当前的模型以及跟踪器也可使得跟踪器具备一定的跟踪恢复能力，最直接的方式是想办法扩大区域A的范围。
如图6所示为基于二维高斯分布的目标丢失恢复方法示意图，具体如下：
获取当前ROI区域对应的当前响应值；在所述当前响应值小于第三阈值时，获取当前目标位置；根据二维高斯分布，计算图像区域中每一环的搜索密度，并扩大当前目标的搜索范围；在搜索到目标时，输出当前响应值对应的ROI区域。在未搜索到目标时，对每个环区域进行随机对称搜索，并获取当前响应值；若当前响应值大于初始响应值，则将所述初始响应值更新为所述当前响应值。
另外，由于目标丢失后，跟踪器也无法确定目表真实位置所在的方位，也即在环形的范围B中无法确定从哪里开始进行迭代检测。又因越靠近中心的位置目标出现的可能性越大，所以应由中心到周围的顺序(环C1→环C2)进行检测，对于点P1和P2所在的环C1上，假设共分布了N个搜索区域并目标真实位置正位于该环上，则最坏的情况下，检测器需要迭代检测N次才能确定其位置，最好情况下仅需检测1次。为了进一步优化代搜索的速度，在每一个环上采用随机对称式搜索的方式对B范围内的候选区进行遍历，即在环C1上按照P1、P2、P3、P4...的方式进行检测。
进一步，在本发明实施例中还提供了一种人体动作跟踪识别系统，如图7所示为本发明实施例中一种人体动作跟踪识别系统的结构示意图，该系统包括：
特征提取模块701，用于在输入图像中提取方向梯度直方图HOG特征、CS-LBP特征、LAB特征；
处理模块702，用于将所述HOG特征、CS-LBP特征、LAB特征进行融合，得到融合特征；通过融合特征对所述输入图像进行表征。
尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种人体动作跟踪识别方法，其特征在于，所述方法包括：
在输入图像中提取方向梯度直方图HOG特征；
在所述输入图像中提取纹理CS-LBP特征；
在所述输入图像中提取颜色模型LAB特征；
将所述HOG特征、CS-LBP特征、LAB特征进行融合，得到融合特征；
通过融合特征对所述输入图像进行表征。
2.如权利要求1所述的方法，其特征在于，在输入图像中提取方向梯度直方图HOG特征，包括：
对每幅输入图像进行灰度化并进行伽马矫正；
对每一个像素分别计算其像素梯度方向，在输入图像上划分多个网格，每一个网格确定为一个单元；
使用2个具有9个直方条的直方图对每个单元内的无符号的方向梯度进行统计，并使用1个具有9个直方条的直方图对无符号的方向梯度进行统计，使得每一个单元的特征维度为指定值；
在划分的网格上，将相邻4个单元作为一个块，对所有块，分别对各维度的特征值进行累加操作，并作为归一化操作，获得所述HOG特征，其中，所述输入图像的HOG特征为所有块的特征的集合。
3.如权利要求2所述的方法，其特征在于，在所述输入图像中提取纹理CS-LBP特征，包括：
建立个直方图，其中，每个直方图对应第i种CS-LBP特征值在所有单元上的统计，每个直方图有个直方条；
统计每个单元上第i种CS-LBP特征值的数量，最终获得的个直方图的统计结果作为所述输入图像的CS-LBP特征。
4.如权利要求2所述的方法，其特征在于，在所述输入图像中提取颜色模型LAB特征，包括：
从LAB颜色空间N种颜色中随机取K种，作为K-Means中K个类别的各自的质心kj；
分别计算LAB颜色空间中剩下的(N-K)种颜色到K个类别质心的欧几里得距离；
将LAB颜色空间N种颜色按照K个新的质心进行重新聚类；
根据聚类结果，得到所述输入图像的LAB特征。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
对当前感兴趣ROI区域R计算当前响应值；
在所述当前响应值小于第一阈值，则将ROI区域重置为R；
若重置后的ROI区域的响应值小于第二阈值时，则判断第一阈值是否大于第二阈值；
若是，则输出A图像区域对应的ROI区域；
若否，则输出B图像区域对应的ROI区域。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
若当前响应值大于第一阈值时，更新A图像区域为当前最大响应值；
根据缩放因子S对ROI区域进行尺度放大，并对尺度放大的ROI区域计算响应值，并根据计算出的响应值再与所述第一阈值比较。
7.如权利要求5所述的方法，其特征在于，所述方法还包括：
若重置后的ROI区域的响应值大于第二阈值时，更新B图像区域为当前最大响应值；
根据缩放因子S对ROI区域进行尺度缩小，对尺度缩小的ROI区域计算响应值，并根据计算出的响应值再与所述第二阈值比较。
8.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取当前ROI区域对应的当前响应值；
在所述当前响应值小于第三阈值时，获取当前目标位置；
根据二维高斯分布，计算图像区域中每一环的搜索密度，并扩大当前目标的搜索范围；
在搜索到目标时，输出当前响应值对应的ROI区域。
9.如权利要求8所述的方法，其特征在于，所述方法还包括：
在未搜索到目标时，对每个环区域进行随机对称搜索，并获取当前响应值；
若当前响应值大于初始响应值，则将所述初始响应值更新为所述当前响应值。
10.一种人体动作跟踪识别系统，其特征在于，包括：
特征提取模块，用于在输入图像中提取方向梯度直方图HOG特征、CS-LBP特征、LAB特征；
处理模块，用于将所述HOG特征、CS-LBP特征、LAB特征进行融合，得到融合特征；通过融合特征对所述输入图像进行表征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710845274.4A CN107633226B (zh) | 2017-09-19 | 2017-09-19 | 一种人体动作跟踪特征处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710845274.4A CN107633226B (zh) | 2017-09-19 | 2017-09-19 | 一种人体动作跟踪特征处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107633226A true CN107633226A (zh) | 2018-01-26 |
| CN107633226B CN107633226B (zh) | 2021-12-24 |
Family
ID=61103242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710845274.4A Active CN107633226B (zh) | 2017-09-19 | 2017-09-19 | 一种人体动作跟踪特征处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107633226B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108670119A (zh) * | 2018-05-11 | 2018-10-19 | 莱克电气股份有限公司 | 一种运行智能吸尘器的方法以及智能吸尘器 |
| CN108805027A (zh) * | 2018-05-03 | 2018-11-13 | 电子科技大学 | 低分辨率条件下的人脸识别方法 |
| CN109461170A (zh) * | 2018-09-20 | 2019-03-12 | 西安电子科技大学 | 基于fpga的超高速目标跟踪方法、计算机视觉系统 |
| CN109543534A (zh) * | 2018-10-22 | 2019-03-29 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
| CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
| CN110688873A (zh) * | 2018-07-04 | 2020-01-14 | 上海智臻智能网络科技股份有限公司 | 多目标追踪方法及人脸识别方法 |
| CN110751670A (zh) * | 2018-07-23 | 2020-02-04 | 中国科学院长春光学精密机械与物理研究所 | 一种基于融合的目标跟踪方法 |
| CN111462187A (zh) * | 2020-04-09 | 2020-07-28 | 成都大学 | 基于多特征融合的非刚体目标跟踪方法 |
| CN111680713A (zh) * | 2020-04-26 | 2020-09-18 | 中国科学院上海微系统与信息技术研究所 | 一种基于视觉检测的无人机对地目标跟踪与逼近方法 |
| CN112489077A (zh) * | 2019-09-12 | 2021-03-12 | 阿里巴巴集团控股有限公司 | 目标跟踪方法、装置及计算机系统 |
| CN113284253A (zh) * | 2021-05-11 | 2021-08-20 | 西安邮电大学 | 一种改进核相关过滤波（kcf）算法的ar目标跟踪方法 |
| CN114119676A (zh) * | 2022-01-24 | 2022-03-01 | 西安羚控电子科技有限公司 | 基于多特征信息融合的目标检测跟踪识别方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198493A (zh) * | 2013-04-09 | 2013-07-10 | 天津大学 | 一种基于多特征自适应融合和在线学习的目标跟踪方法 |
| CN105354547A (zh) * | 2015-10-30 | 2016-02-24 | 河海大学 | 一种结合纹理和彩色特征的行人检测方法 |
| CN103237197B (zh) * | 2013-04-10 | 2016-04-13 | 中国科学院自动化研究所 | 用于鲁棒跟踪的自适应多特征融合的方法 |
| CN105654093A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
| CN105844647A (zh) * | 2016-04-06 | 2016-08-10 | 哈尔滨伟方智能科技开发有限责任公司 | 一种基于颜色属性的核相关目标跟踪方法 |
| CN107169994A (zh) * | 2017-05-15 | 2017-09-15 | 上海应用技术大学 | 基于多特征融合的相关滤波跟踪方法 |
-
2017
- 2017-09-19 CN CN201710845274.4A patent/CN107633226B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198493A (zh) * | 2013-04-09 | 2013-07-10 | 天津大学 | 一种基于多特征自适应融合和在线学习的目标跟踪方法 |
| CN103237197B (zh) * | 2013-04-10 | 2016-04-13 | 中国科学院自动化研究所 | 用于鲁棒跟踪的自适应多特征融合的方法 |
| CN105354547A (zh) * | 2015-10-30 | 2016-02-24 | 河海大学 | 一种结合纹理和彩色特征的行人检测方法 |
| CN105654093A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
| CN105844647A (zh) * | 2016-04-06 | 2016-08-10 | 哈尔滨伟方智能科技开发有限责任公司 | 一种基于颜色属性的核相关目标跟踪方法 |
| CN107169994A (zh) * | 2017-05-15 | 2017-09-15 | 上海应用技术大学 | 基于多特征融合的相关滤波跟踪方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805027A (zh) * | 2018-05-03 | 2018-11-13 | 电子科技大学 | 低分辨率条件下的人脸识别方法 |
| CN108670119A (zh) * | 2018-05-11 | 2018-10-19 | 莱克电气股份有限公司 | 一种运行智能吸尘器的方法以及智能吸尘器 |
| CN110688873A (zh) * | 2018-07-04 | 2020-01-14 | 上海智臻智能网络科技股份有限公司 | 多目标追踪方法及人脸识别方法 |
| CN110751670B (zh) * | 2018-07-23 | 2022-10-25 | 中国科学院长春光学精密机械与物理研究所 | 一种基于融合的目标跟踪方法 |
| CN110751670A (zh) * | 2018-07-23 | 2020-02-04 | 中国科学院长春光学精密机械与物理研究所 | 一种基于融合的目标跟踪方法 |
| CN109461170B (zh) * | 2018-09-20 | 2021-11-16 | 西安电子科技大学 | 基于fpga的超高速目标跟踪方法、计算机视觉系统 |
| CN109461170A (zh) * | 2018-09-20 | 2019-03-12 | 西安电子科技大学 | 基于fpga的超高速目标跟踪方法、计算机视觉系统 |
| CN109543534A (zh) * | 2018-10-22 | 2019-03-29 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
| CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
| CN112489077A (zh) * | 2019-09-12 | 2021-03-12 | 阿里巴巴集团控股有限公司 | 目标跟踪方法、装置及计算机系统 |
| CN111462187A (zh) * | 2020-04-09 | 2020-07-28 | 成都大学 | 基于多特征融合的非刚体目标跟踪方法 |
| CN111680713A (zh) * | 2020-04-26 | 2020-09-18 | 中国科学院上海微系统与信息技术研究所 | 一种基于视觉检测的无人机对地目标跟踪与逼近方法 |
| CN111680713B (zh) * | 2020-04-26 | 2023-11-03 | 中国科学院上海微系统与信息技术研究所 | 一种基于视觉检测的无人机对地目标跟踪与逼近方法 |
| CN113284253A (zh) * | 2021-05-11 | 2021-08-20 | 西安邮电大学 | 一种改进核相关过滤波（kcf）算法的ar目标跟踪方法 |
| CN114119676A (zh) * | 2022-01-24 | 2022-03-01 | 西安羚控电子科技有限公司 | 基于多特征信息融合的目标检测跟踪识别方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107633226B (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
| CN108509859B (zh) | 一种基于深度神经网络的无重叠区域行人跟踪方法 | |
| CN103971386B (zh) | 一种动态背景场景下的前景检测方法 | |
| CN107067413B (zh) | 一种时空域统计匹配局部特征的运动目标检测方法 | |
| CN104537647B (zh) | 一种目标检测方法及装置 | |
| US10216979B2 (en) | Image processing apparatus, image processing method, and storage medium to detect parts of an object | |
| CN110929593B (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
| CN110222787A (zh) | 多尺度目标检测方法、装置、计算机设备及存储介质 | |
| CN103955949B (zh) | 基于Mean-shift算法的运动目标检测方法 | |
| CN102542571B (zh) | 一种运动目标检测方法及装置 | |
| CN106570893A (zh) | 一种基于相关滤波的快速稳健视觉跟踪方法 | |
| CN106373146B (zh) | 一种基于模糊学习的目标跟踪方法 | |
| CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
| KR20100014092A (ko) | 오브젝트 궤적에 기반한 모션 검출 시스템 및 방법 | |
| Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
| CN112434599B (zh) | 一种基于噪声通道的随机遮挡恢复的行人重识别方法 | |
| CN110008844B (zh) | 一种融合slic算法的kcf长期手势跟踪方法 | |
| CN109919223B (zh) | 基于深度神经网络的目标检测方法及装置 | |
| CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
| CN108256462A (zh) | 一种商场监控视频中的人数统计方法 | |
| CN115187786A (zh) | 一种基于旋转的CenterNet2目标检测方法 | |
| CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
| CN106407978B (zh) | 一种结合似物度的无约束视频中显著物体检测方法 | |
| CN103955950A (zh) | 一种利用关键点特征匹配的图像跟踪方法 |
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 |