模板更新

摘要： 基于全卷积孪生网络的视频目标跟踪算法由于在跟踪过程中使用单一模板,在运动目标外观发生变化时容易出现跟踪漂移并导致精度下降。因此,提出了一种基于孪生网络融合多模板的目标跟踪算法。该算法可在特征级上建立模板库,并使用平均峰值相关能量和模板相似度来保证模板库中各个模板的有效性,从而对多个响应图进行融合以获得更高的跟踪精度。OTB2015和VOT2016数据集上的测试结果表明,在运动目标外观发生变化的复杂环境下,所提算法不但具有较快的跟踪速度,而且相比现有的其他算法能取得更为优异的跟踪性能。

摘要： 在光照变化、遮挡、背景相似、变形等复杂情况下,目标跟踪过程中难以精确地提取丰富的特征信息,容易导致目标跟踪出现漂移或者跟踪丢失。由于多层神经网络的浅层特征具有高分辨率,适合于目标定位;深层特征具有丰富的语义信息,适合于目标分类。充分利用这一优势,提出了一种级联特征融合的孪生网络目标跟踪算法。对ResNet-50网络进行改进,在减少模型参数和计算量的同时提高跟踪速度;采用级联特征融合策略将ResNet-50最后一阶段的3层特征进行逐级级联融合,进行目标深层语义信息和浅层空间信息的有效提取,实现目标的多特征准确表示。针对目标跟踪过程中大多数算法仅利用第一帧作为目标模板导致跟踪过程中目标模板退化问题,引入模板更新机制,利用相似度阈值法进行模板的实时更新。在OBT2015、VOT2016和VOT2018标准数据集上进行对比实验,实验结果表明,该算法的跟踪精度较高,复杂场景下鲁棒性较强,相对于其他算法有较强的竞争优势。

摘要： 为提升目标跟踪算法在复杂场景下的鲁棒性,使算法适应长时跟踪场景,提出结合多层特征融合和短时记忆机制的跟踪方法,提升目标跟踪的鲁棒性。融合卷积神经网络多层特征,提升网络的特征提取能力。在跟踪阶段,引入了短时记忆模块,搜索区域特征分别与初始的基准模板特征和短时记忆的动态特征进行匹配,对得到的响应图进行融合,提升目标跟踪的鲁棒性,通过视频局部信息增强算法对跟踪目标的判别性。在OTB2015和GOT-10K目标跟踪标准数据集上进行了实验,在OTB2015上的精确度和成功率分别达到了0.808和0.593。实验结果表明,所提算法的测试效果与几种主流跟踪算法相比有了显著的提升,并且达到了27帧/s的实时跟踪速度,证明了所提方法的有效性。

摘要： 目标跟踪技术在智能监控、人机交互、无人驾驶等诸多领域得到了广泛的应用.近年来,学者们提出了许多高效的算法.然而,随着跟踪环境越来越复杂,目标跟踪算法在遮挡、光照变化、背景干扰等复杂环境下仍然面临着巨大的挑战,从而导致目标跟踪失败.针对上述问题,提出了一种基于时空注意力机制的目标跟踪算法.首先,采用孪生网络架构来提高对特征的判别能力;然后,引入改进的通道注意力机制和空间注意力机制,对不同通道和空间位置的特征施加不同的权重,并着重关注空间位置和通道位置上对目标跟踪有利的特征.此外,还提出了一种高效的目标模板在线更新机制,将第一帧图像特征与后续跟踪图像帧中置信度较高的图像特征进行融合,以降低发生目标漂移的风险.最后,在OTB2013和OTB2015数据集上对所提跟踪算法进行了测试.实验结果表明,所提算法的性能相比当前主流的跟踪算法提高了6.3％.

摘要： 针对视觉跟踪中由于尺度变化、遮挡等复杂场景造成的跟踪失败问题,提出一种尺度长宽比自适应变化的目标尺度估计算法.该算法采用35×35个尺度因子来实现对目标的长宽比估计,为了降低运算量,通过分层尺度估计对二维尺度采样因子进行选择,既确定了目标的最佳尺度,又提高了算法的运行速度;为了进一步提高跟踪算法的鲁棒性,使用相邻两帧之间响应向量的欧式距离作为评判模板是否更新的标准.将尺度估计和模板更新模块引入到目前3种性能出色的相关滤波算法DSST、HCF和OSA中,进行仿真验证.实验结果表明,与原始算法相比,引入模块的新算法在跟踪成功率和精度上均有显著提高,在OTB100数据集上,成功率与3种原始算法相比,分别提高了1.3％、1.4％ 和1.4％,精度分别提高了1.2％、1.3％ 和1.0％,尤其在尺度变化、目标遮挡等复杂场景下具有明显的优势.

摘要： 针对孪生网络目标跟踪算法仅使用特征提取网络提取特征,在遮挡、旋转、光照与尺度变化中容易出现跟踪失败的问题,提出整体特征通道识别的自适应孪生网络跟踪算法.将高效的通道注意力模块引入ResNet22孪生网络中,提高特征的判别能力.使用整体特征识别功能计算全局信息,提取更为丰富的语义信息,提高跟踪算法精度.同时,引入自适应模板更新机制,解决遮挡与长期跟踪导致的模板退化问题.为了验证所提方法的有效性,在OTB2015、VOT2016与VOT2018等公开数据集上进行测试,并与其他跟踪算法进行对比.结果表明,所提算法在精确度与成功率上表现较好,在背景杂乱、旋转、光照与尺度变化等情况中表现稳定.

摘要： 跨摄像头下的目标跟踪极富挑战性,其原因是由于不同摄像头所涵盖区域存在差异性以及运动目标行为轨迹具有随机性,从而导致干扰误差的积累,影响匹配准确度,致使跟踪失败.针对此问题,提出一种结合稀疏表示理论的跟踪模型.该模型首先通过不同摄像头间的背景亮度值,对待测目标进行光照补偿处理,以获取稳定的模板矩阵.在模型求解阶段,针对传统贪婪算法原子匹配模式单一、易忽略原子内在联系、重构精度低的问题,利用带宽排除局部优化正交匹配追踪算法中的带排除方法降低原子间相干性的影响;将局部优化技术与新的相干性判别机制结合,以此获得更为紧凑的相关带来更新支撑集,从而提高重构精度.在模板更新阶段,采用一种以相关带为单位,并根据不同的权重系数进行判断的模板替换机制,以加强模板矩阵的抗干扰性.仿真结果表明,所提方法相较于传统算法在室内及室外场景中均能稳定、鲁棒地跟踪到感兴趣的目标.

摘要： 针对核相关滤波目标跟踪算法中对局部上下文区域图像提取的HOG特征图在复杂环境下不能保证目标跟踪的精度问题,提出了一种核相关滤波与孪生网络相结合的目标跟踪算法.首先在首帧输入图像中提取HOG特征图并建立相关滤波器模板,同时提取经过孪生网络的目标区域图像特征图;然后若后续帧输入图像帧数不为5的倍数则提取仿射变换HOG特征图,否则提取经过孪生网络的搜索区域图像特征图;最后根据遮挡处理的结果自适应获取目标位置并更新模型和最终相关滤波器模板.仿真实验结果表明本文算法在保证目标跟踪精度的前提下具有满足实时跟踪要求的跟踪速率.

摘要： 视觉目标跟踪已成为近年来的研究热点,许多基于孪生网路(Siamese Network)结构的跟踪器已经在多个公开测试集上实现了优越的性能。但是,大多数Siamese跟踪器默认将视频序列的第一帧作为模板帧,并且在后续跟踪过程中不会对模板进行针对性的更新。当视频中目标快速移动,发生变形或部分被遮挡时,跟踪器容易发生跟踪漂移。为了解决这一问题,提出了一种创新性的自适应模板更新网络(Adaptive Template Update Network, ATUNet),该网络将目标在不同时刻的模板包括初始模板、累积模板和预测模板作为帧残模块的输入,以更新在当前帧中所需要的模板。此外,在网络的训练过程中引入了N步迭代训练,以避免烦琐和低效的训练过程。ATUNet可以直接集成到现有的Siamese跟踪器中,通过将其应用于三个Siamese跟踪器(SiamFC、SiamRPN和SiamDW)来证明所提方法的有效性。在VOT2016和VOT2017数据集上进行的大量实验表明,ATUNet有效地预测了当前时刻的目标模板,效果优于现阶段跟踪器普遍使用的线性更新策略。

摘要： 视觉目标跟踪已成为近年来的研究热点,许多基于孪生网路(Siamese Network)结构的跟踪器已经在多个公开测试集上实现了优越的性能.但是,大多数Siamese跟踪器默认将视频序列的第一帧作为模板帧,并且在后续跟踪过程中不会对模板进行针对性的更新.当视频中目标快速移动,发生变形或部分被遮挡时,跟踪器容易发生跟踪漂移.为了解决这一问题,提出了一种创新性的自适应模板更新网络(Adaptive Template Update Network,ATUNet),该网络将目标在不同时刻的模板包括初始模板、累积模板和预测模板作为帧残模块的输入,以更新在当前帧中所需要的模板.此外,在网络的训练过程中引入了N步迭代训练,以避免烦琐和低效的训练过程.ATUNet可以直接集成到现有的Siamese跟踪器中,通过将其应用于三个Siamese跟踪器(SiamFC、SiamRPN和SiamDW)来证明所提方法的有效性.在VOT2016和VOT2017数据集上进行的大量实验表明,ATUNet有效地预测了当前时刻的目标模板,效果优于现阶段跟踪器普遍使用的线性更新策略.

摘要： 模板相关匹配进行跟踪是目标跟踪的主要方法，模板更新容易受到目标速度变化影响使跟踪失败。通过判断视频图像中的跟踪事件如包容及运动区域融合，结合动态模板更新，对目标进行跟踪，所提出的跟踪算法基于运动区域分析、图像匹配、动态模板更新。动态模板更新建立在对序列图像中事件的检测上，该算法在可见光视频图像上进行的实验取得了较好的跟踪效果。

摘要： 本文提出了一种基于传统的模板匹配的运动目标识别的方法。该方法先对识别区域进行扫描点检测,判断该点是否满足要求在进行模板匹配运算,以缩小运算区域,减少模板匹配运算量,提高目标识别速度及实时性。针对某些干扰物体中某部分区域与目标模板相同,用传统的模板匹配方法不能区分其与目标的区别地问题,提出了一种模板更新的方法。计算机仿真实验表明,该文提出的方法大大减少了模板匹配的运算量。有效地排除了干扰物体对目标识别的干扰。

摘要： 目标搜索算法是目标跟踪技术的关键,其优劣将直接影响目标跟踪系统的性能,同时,目标被短暂遮挡等不可预知因素也将影响系统对目标的跟踪效果.这项研究主要是寻找一种具有较高运算速度的目标搜索算法,同时该算法也要能处理目标被遮挡等情况.实验采用了小波变换、Kalman滤波、分层匹配和新的模板更新算法.仿真结果表明,新提出的这个算法具有较快的搜索速度,并且也能处理目标被短暂遮挡的情况.该算法应用将会大大提高电视末制导系统的性能.

摘要： 针对于固定单摄像机的多人跟踪,提出一种基于活动状态分类的多目标跟踪算法,利用卡尔曼滤波对遮挡进行预测,同时结合区域匹配信息对目标的活动状态进行分类.算法通过采用不同的目标定位及模板更新策略处理不同活动状态的目标,提高了对遮挡跟踪的鲁棒性.实验结果表明,目标的分类处理使算法对多目标跟踪具有较好的适应性和准确性.

摘要： @@视频序列中的目标跟踪以数字图像处理和计算机视觉为依据，以动态图像处理技术为基础。它是智能领域中的热点研究之一，具有广泛的应用前景，尤其是在智能行为分析、人机交互以及辅助医疗诊断等领域。

摘要： @@视频序列中的目标跟踪以数字图像处理和计算机视觉为依据，以动态图像处理技术为基础。它是智能领域中的热点研究之一，具有广泛的应用前景，尤其是在智能行为分析、人机交互以及辅助医疗诊断等领域。

摘要： @@视频序列中的目标跟踪以数字图像处理和计算机视觉为依据，以动态图像处理技术为基础。它是智能领域中的热点研究之一，具有广泛的应用前景，尤其是在智能行为分析、人机交互以及辅助医疗诊断等领域。

摘要： @@视频序列中的目标跟踪以数字图像处理和计算机视觉为依据，以动态图像处理技术为基础。它是智能领域中的热点研究之一，具有广泛的应用前景，尤其是在智能行为分析、人机交互以及辅助医疗诊断等领域。

摘要： 目标跟踪是计算机视觉中的一个重要课题。文中提出一种方法,用于解决跟踪过程中由于目标的运动、变形和外貌变化所引起的跟踪困难问题。该方法基于灰度差平方和,通过优化迭代,求解出当前图像中目标的位置,且考虑利用了目标的先验知识,用初始模板和更新模板同时跟踪,再通过选择误差小的结果作为最终的跟踪目标。仿真实验的结果表明,该方法对于目标的运动、变形和外貌变化以及遮挡,能更稳定地实现跟踪。

摘要： 目标跟踪是计算机视觉中的一个重要课题。文中提出一种方法,用于解决跟踪过程中由于目标的运动、变形和外貌变化所引起的跟踪困难问题。该方法基于灰度差平方和,通过优化迭代,求解出当前图像中目标的位置,且考虑利用了目标的先验知识,用初始模板和更新模板同时跟踪,再通过选择误差小的结果作为最终的跟踪目标。仿真实验的结果表明,该方法对于目标的运动、变形和外貌变化以及遮挡,能更稳定地实现跟踪。

摘要： 本公开是关于一种更新指纹模板的方法、装置、电子设备。该方法包括：获取空白图像，所述空白图像由指纹传感器在未检测到用户手指时扫描指纹传感器区域得到的图像；根据所述空白图像确定是否更新指纹模板。本实施例中通过空白图像可以在指纹传感器上存在硬件损伤或者存有残留物的情形时分情况更新模板，例如硬件损伤或者残留物的面积较小，则可以更新指纹模板；若面积超过面积阈值，则不更新指纹模板，这样可以防止指纹识别率降低，有利于保证电子设备的安全性能。

摘要： 本发明涉及一种能够更新注册人脸模板的人脸识别系统及方法，根据本发明的人脸识别系统包括：注册模板数据库(DB)，存储有注册人脸模板；认证模板数据库，用于存储认证人脸模板；控制部，根据用户的人脸认证，在认证模板数据库中存储认证人脸模板，经过预定时间后，使用存储在认证模板数据库中的多个认证人脸模板来对多个认证人脸模板中的每一个求出彼此之间的相似度，使用这些相似度值来对多个认证人脸模板中的每一个求出平均相似度值，通过选择具有平均相似度值中的最大值的认证人脸模板作为新的注册人脸模板并存储在注册模板数据库来更新注册人脸模板，从而能够自动更新注册人脸模板。

摘要： 本发明提供一种offset校正模板自动更新方法及装置，该offset校正模板自动更新方法包括：S101：判断当前是否为空闲状态，若是，则执行S102，若否，则执行S103；S102：以预设频率采集暗场图像，根据暗场图像循环制作第一offset校正模板、第二offset校正模板，并判断当前是否满足预设条件，若是，则执行S103，若否，则继续执行S102；S103：根据预设条件执行或接收的指令相应操作，并在相应操作为亮场图像采集时，根据校正模板的时间排序选择校正模板对采集的亮场图像进行校正，校正模板包括第一offset校正模板、第二offset校正模板。本发明实现了offset校正模板的自动更新，简化了操作步骤，提高了设备的使用便捷性，并且不会延长图像采集时间，提高了图像采集效率，满足了用户的使用需求。

摘要： 本发明公开了一种基于多模板特征更新的行人重识别方法及系统，属于计算机视觉技术领域。本发明方法包括：提取目标行人的行人特征、提取目标行人的面部图像的人脸关键点，以及检测各视频帧的行人，对行人进行行人特征提取；再基于余弦距离确定初步查找对象，当其与模板特征组间的余弦距离满足条件一时，则匹配成功，否则，检测其是否满足条件二，若是则启动人脸识别处理，基于人脸识别确定行人匹配结果，否则匹配失败；当连续多帧均匹配成功时，基于匹配得到的目标行人特征对模板特征组进行更新。本发明还公开了对应本发明方法的行人重识别系统。本发明解决了行人识别的遮挡问题，且降低了运算开销，有效提升了行人识别稳定性。

摘要： 本发明公开了一种基于质量及相似评估在线模板更新的目标跟踪方法，包括如下步骤：S1、对初始模板帧进行增广生成N个增量模板建立大小为M的模板池；S2、通过目标跟踪模块对模板帧和搜索帧进行特征提取，然后卷积响应得到响应得分图，根据质量评估指标对当前新的模板进行质量评估；S3、通过余弦相似度判断通过了质量评估的模板与模板池中的模板之间的相似度，判断新模板是否需要加入模板池中；S4、通过模板的不同权重，模板池中的模板进行融合得到ti时刻的最终模板；S5、通过模板帧和搜索帧的特征提取得到的特征图，与不同步长及长宽比的空洞卷积层卷积之后进行特征融合。

摘要： 本发明公开了动态双模板更新的单目标跟踪方法及存储介质，所述方法，包括步骤10、读取视频序列；步骤20、读取视频序列的第一帧图像及其标注数据，进行初始化模板得到模板图像；步骤30、读取下一帧图像，处理为搜索区域图像；步骤40、将所述模板图像和所述搜索区域图像同时送入预设强特征提取网络，分别获得模板特征图和搜索区域特征图；步骤50、对所述模板特征图和搜索区域特征图进行相似度匹配计算，输出相似度得分响应图，得到初步跟踪预测结果。本发明动态双模板更新的单目标跟踪方法，为一种结合强特征提取网络和动态双模板更新策略的目标跟踪方法，当所跟踪的目标所在的视频序列较为复杂时，仍然有较高精确率和鲁棒性跟踪。

摘要： 本发明公开了基于全卷积孪生网络多层特征的模板更新目标跟踪算法，具体为：构建整体网络并进行训练；使用训练好的网络对即将进行跟踪的视频图像序列进行初始化跟踪设置，得到初始目标模板与目标的初始位置信息；进入正常跟踪流程，得到当前帧的跟踪结果响应图；使用基于标准互信息的模板更新条件判断方法判断当前跟踪结果是否可靠，若可靠则更新模板，若不可靠则不更新模板，若保留的可靠跟踪结果达到2个，则用最新的结果替换最老的结果；使用最新模板对当前跟踪到的视频帧后续的视频图像序列继续进行正常跟踪；重复步骤3～步骤5，直至跟踪完毕所有视频图像序列，由此得到视频每一帧中目标所在位置，跟踪任务结束。

摘要： 本发明公开了一种基于孪生网络单目标图像跟踪器的模板更新方法，包括采集图像数据，进行数据裁切，获取训练数据集；构建图像跟踪模型，用于提取特征；将训练数据集输入到图像跟踪模型中进行训练，得到训练后的图像跟踪模型；计算候选模板特征；通过训练后的图像跟踪模型为候选模板特征进行评价，计算更新的模板和下一帧的真值特征之间的欧式距离，并对欧式距离进行排序；选择欧式距离最小的锚框，并对当前图像中选取的目标进行跟踪。本发明利用累计模板的特征，使得物体每帧变化的内容会在累计模板体现，预测下一帧模板比简单的线性插值更加准确。

摘要： 本发明公开了一种iOS代码模板的自动更新方法，应用于客户端，客户端上部署有Xcode，该方法包括：从Git仓库中下载代码模板的源文件；在Xcode的预设路径中创建源文件的软链接文件；当通过Xcode接收到代码模板的修改操作时，通过软链接文件对源文件进行相应的修改，并生成第一修改记录；在通过Xcode提交开发代码到Git仓库时，将第一修改记录随开发代码提交到Git仓库，以使Git仓库基于第一修改记录对Git仓库内的代码模板进行调整。本发明提供的技术方案，降低了代码模板更新的时间成本和移动成本。

摘要： 本发明提供了一种生物特征模板更新方法、装置、芯片及设备，该方法包括：获取用户使用生物认证功能的认证结果数据；在认证结果数据符合第一条件的情况下，更新用户的生物特征模板，其中，第一条件包括表示用户的生物特征发生变化的条件。本实施例根据用户使用生物认证功能的认证结果数据，在确定出用户的生物特征发生变化的情况下，对相应的生物特征模板进行更新，使得后续可以基于更新后的生物特征模板进行认证，从而保证认证的灵敏度。