基于图像特征的视觉跟踪系统（Feature-based visual tracking systems）--一篇综述

最新推荐文章于 2022-12-23 17:50:10 发布
原创 最新推荐文章于 2022-12-23 17:50:10 发布 · 3.3k 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#feature-based visual #image feature #image detector and d

本文综述了一篇2011年发表在International Journal of Computer Vision上的关于视觉跟踪的文章，详细评估了2010年以前的图像检测子及描述子在视觉跟踪中的表现，并提供了专门的数据集。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >


最近读到一篇关于视觉跟踪的综述性文章，“Evaluation of Interest Point Detectors and Feature Descriptors for Visual Tracking”，发表在2011年3月International Journal of Computer Vision上。作者非常详尽的评估了2010年之前的图像检测子及图像描述子（检测子包括Harris Corner、Shi-Tomasi' feature、DoG、Fast Hessian、FAST、CenSurE；描述子包括Image Patch、SIFT、SURF、keypoint classification with Randomized Trees、keypoint classification with Randomized Ferns），以及它们用于视觉跟踪时的各项性能，并且提供精心设计的数据集http://ilab.cs.ucsb.edu/tracking_dataset_ijcv/。


视觉跟踪是许多应用的核心部分，包括视觉里程计（visual odomety）、基于视觉的同步定位与地图创建（visual Simultaneous Localization and Mapping)以及增强视觉(Augmented Reality)。这些应用的需求不同，但是都需要鲁棒、精确、快速实时的底层视觉跟踪方法。光流法(optical flow)与基于特征的跟踪方法(feature-basedvisual tracking)是视觉跟踪的两种主要方法，而后者更为常用。


文中归纳了截止2010年已有的基于特征的视觉跟踪系统，已经算非常详尽。

论文下载地址：cs.iupui.edu/~tuceryan/pdf-repository/Gauglitz2011.pdf



欢迎来到我的优快云博客：http://blog.youkuaiyun.com/anshan1984/




计算机视觉 特征检测与匹配 轮廓跟踪
学以致用 知行合一
05-14 1365
第一个在图像中定位此类边界曲线的方法是主动轮廓模型, 也叫snakes，是一种能量最小化的二维样条曲线，它向图像特征（如强边缘）发展（移动）。第二个叫智能剪刀(Intelligent-Scissors)，允许用户实时绘制紧贴对象边界的曲线（在很多图像软件里面都有，比如gimp，它与套索有一些相似）。最后是水平集(level set)技术，将曲线演变为特征函数的零集，这使它们能够轻松更改拓扑结构并结合基于区域的统计信息。
Survey of single-target visual tracking methods based on online learning 翻译
ZhangPY的专栏
04-11 1895
视觉跟踪在计算机视觉和机器人学领域是一个流行和有挑战的话题。由于多种场景下出现的目标外貌和复杂环境变量的改变，先进的跟踪框架就有必要采用在线学习的原理。本论文简要的介绍了一下关于视觉跟踪的挑战和应用，通过分类集中讨论基于在线学习的现代跟踪方法。我们提供了对每种分类中的代表性方法的详细描述，同时检查它们的优点和缺点。而且，一些最具代表性的算法被实现，来提供定量的参考。最后，我们列出了几个关于视觉跟踪研究的未来发展趋势。
基于图像特征的视觉跟踪系统（Feature-based visual tracking systems）--一篇Visual Tracking Benchmark (2013)综述
Focusing on your own Mind :) －> 站在巨人的肩膀上
06-23 4875
reference:http://blog.youkuaiyun.com/anshan1984/article/details/8866455 最近读到一篇关于视觉跟踪的综述性文章，“Evaluation of Interest Point Detectors and Feature Descriptors for Visual Tracking”，发表在2011年3月International Jou
Visual Tracking An Experimental Survey
08-16
视觉跟着综述文章，tmapi最新出版论文，概述了多种最新的算法
物体根据相机位置显示_基于视觉伺服技术的工业机器人高动态物体跟踪系统
weixin_35253106的博客
01-10 1928
基于视觉伺服技术的工业机器人高动态物体跟踪系统毛翊超，陆麒【摘 要】视觉伺服技术在诸多工业场景中都有相当大的应用前景。传统的视觉伺服方法，通常要求使用高帧率的相机来实现高精度的视觉伺服。高帧率相机的成本之高，使得一般工业用户望而却步。提出了一种新的视觉伺服控制方法，该方法将机器人的运动反馈与视觉传感信号进行了融合，用来产生机器人的运动控制信号。与传统的仅基于视觉反馈伺服的控制方法相比...
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
Understanding and Diagnosing Visual Tracking Systems
deasonyuan的博客
08-15 360
Understanding andDiagnosing Visual Tracking Systems A tracking system usually worksby initializing the observation model with the given bounding box of the targetin the first frame. In each of the
AirVO: An Illumination-Robust Point-Line Visual Odometry 论文笔记及源码阅读
qq_33690342的博客
12-23 1583
AirVO, 一个基于点、线特征具有光照鲁棒性行且精确的双目视觉里程计系统。为了实现对于光照变化的鲁棒性，我们引入了基于学习的特征提取和匹配方法，并设计了一个新颖的视觉里程计管道：包括特征跟踪、三角测量、关键帧选择和图形优化等。我们还采用了环境中的长线特征来提高系统的准确性。我们提出了一个光照鲁棒性的线追踪方法，其中点特征追踪、点分布和线特征被用来实现线的匹配。
orb特征 稠密特征_【泡泡机器人翻译专栏】ORB-SLAM:精确多功能单目SLAM系统(二)...
weixin_39664995的博客
12-21 372
[1] B. Triggs, P. F. McLauchlan, R. I. Hartley, and A. W. Fitzgibbon,“Bundle adjustment a modern synthesis,” in Vision algorithms: theoryand practice, 2000, pp. 298–372.[2] R. Hartley and A. Zisserman...
ofxFern:来自 EPFL CVLab 的 Fern 跟踪器的实现
06-22
蕨类植物 EPFL CVLab 为 OpenFrameworks 实现的 Fern 跟踪器。 请参阅文档。 OpenFrameworks 是一个跨平台的开源工具包，用于在 C++ 中进行创造性编码。 描述 ofxFern 是一个插件，用于使用 ferns 库使用图像作为标记进行 2D“无标记跟踪”。 参见。 安装 要使用ofxFern，首先您需要下载并安装Open Frameworks。 要获取存储库的副本，您可以从下载源代码，或者，您可以使用 git clone： git clone git://github.com/ofTheo/ofxFern.git 插件应该位于openFrameworks/addons/ofxFern/ 。 您还需要以下插件依赖项： ofxOpenCV：包含在 OpenFrameworks 中 运行示例项目 如果您使用的是 OS X，请在 ofxFer
基于机器视觉的多目标跟踪视觉系统—北京盈美智
image900的博客
08-17 871
北京盈美智供应工业相机、图像采集卡等机器视觉产品的同时，还可根据用户的实际要求，进行从硬件到软件的全套图像处理系统集成。以下是北京盈美智依据客户需求，为实现蚂蚁的自动定位与跟踪而研发的多目标跟踪视觉系统。 图1：基于机器视觉的多目标跟踪视觉系统 图2：多目标跟踪视觉系统对蚂蚁的个体进行连续定位，同时识别多只蚂蚁 需求： 实现蚂蚁的自动定位与跟踪，对蚂蚁的个体进行连续定位，同时识别多只蚂蚁。自动保存识别的目标位置，并根据识别的位置定位单只蚂蚁移动的移动路径。 ...
深度学习：Feature-Base（特征提取）【语言模型的参数固定】、Fine-tuning（微调）【语言模型的参数不固定，依然是可训练的】
u013250861的博客
08-04 844
Feature-Base（特征提取）： 首先在big data A上训练语言模型，训练完毕得到语言模型（用作 embedding） 然后构造task-specific model, 采用有label的语料B训练该 Model，将语言模型的参数固定，语料B的训练数据经过语言模型得到 语言模型 Embedding, 作为task-specific model的额外特征。 Fine-tuning（微调）: 构造语言模型，采用big data A来训练语言模型。 在语言模型基础上增加小量神经网络层来完成spe
"Feature-based time-series analysis"学习笔记
qq_36609228的博客
03-20 284
浅谈feature-based 和 fine-tune
枉费红笺的博客
03-12 2628
feature-based 和 fine-tune是NLP方向使用预训练模型时常用的两种方式，所以简单总结下。 Feature-based Feature-based指在使用时，并不直接使用模型本身，而是利用模型产生的结果，即LM embedding，通过预训练的模型得到额外的特征，引入到要训练的模型中。 例如，在文本分类、序列标注等任务中，对输入的词进行编码得到词的embedding时， 对于静态词向量（word2vec, glove）就是使用查表的方式，每个词根据word2vec或者glove甚至是最原
高清视频跟踪及实现
u010586630的专栏
12-04 1821
高性能高清视频跟踪器，采用“样本-训练-检测”的多尺度自学习跟踪算法，很好地解决了场景运动、目标的非刚性运动、遮挡和自遮挡、弱小及噪声等恶劣等环境下的目标跟踪鲁棒性问题，使得对各种目标的跟踪更加可靠稳定。模块集成了多种目标检测算法，可编程两轴平台驱动控制（PID）算法，并支持各种镜头：固定视场镜头、连续调整的可变视场镜头、分级调整视场的镜头。高清视频跟踪器，硬件是基于运算功能强大的GPU和FP...
Feature-based和Fine-tune的区别
J~的博客
02-14 5258
在Bert的论文中看到了Feature-based和Fine-tune这两种无监督的NLP学习方法，对这两个概念一直以来都不太理解，今天来总结下。 Feature-based Feature-based指利用语言模型的中间结果也就是LM embedding, 将其作为额外的特征，引入到原任务的模型中，例如在TagLM[1]中，采用了两个单向RNN构成的语言模型，将语言模型的中间结果。 ...
用Opencv打造一台自动视觉目标跟踪系统
图像算法Imalg的博客
08-26 9508
平移/倾斜伺服装置，帮助摄像机使用视觉自动跟踪颜色对象。 简介 现在我们将使用我们的设备帮助相机自动跟踪颜色对象，如下所示： OpenCV可免费用于学术和商业用途。它具有C ++，C，Python和Java接口，并支持Windows，Linux，Mac OS，iOS和Android。在我的一系列OpenCV教程中，我们将专注于Raspberry Pi（因此，Raspbian as OS...
机器人视觉项目：视觉检测识别+机器人跟随（17）
Synioe的博客
09-25 2784
参考一个实例行人检测 在ubuntu+ros环境下，利用RGBD采集数据给小车，实现行人跟随。 原作者开源的例子是出现一个窗口，用鼠标选择一个区域做kcf跟随，选择的物体不受限制，物体移动后，机器人随即跟随。 博主实现的是用opencv行人检测的demo，替换原作者的例子。该demo在opencv-2.4.13/samples/cpp/peopledetect.cpp下。 先认识一下原作者的例...
vision master 视觉跟踪
最新发布
02-20
### Vision Master Visual Tracking Technology Overview Visual tracking technology involves the process of locating a moving object or multiple objects over time in video sequences. Vision Master represents an advanced system designed to handle complex scenarios with high accuracy and efficiency[^1]. The core components of this technology include initialization, prediction, filtering, and updating stages. #### Initialization Stage During the initialization stage, target information is captured through image processing techniques such as edge detection, color segmentation, or feature point extraction. This initial setup ensures that subsequent frames can be accurately tracked based on established parameters. #### Prediction Stage In the prediction phase, algorithms estimate future positions by analyzing previous movements using models like Kalman filters or particle filters. These predictions help maintain continuity when occlusions occur within scenes. #### Filtering Stage Filtering processes refine estimates made during the prediction step. Techniques employed here may involve mean-shift methods which iteratively adjust hypotheses until convergence occurs at likely locations matching prior knowledge about targets' appearances. #### Updating Stage Finally, updates are applied after each frame analysis completes. New observations replace outdated ones while maintaining historical context necessary for robust performance across varying conditions encountered throughout operation. ### Applications of Vision Master Visual Tracking Vision Master finds application in numerous fields where precise monitoring capabilities provide significant advantages: - **Surveillance Systems**: Continuous observation without human intervention allows automated responses to suspicious activities. - **Autonomous Vehicles**: Enhanced situational awareness enables safer navigation around pedestrians and other vehicles. - **Augmented Reality (AR)**: Seamless integration between real-world environments and virtual elements relies heavily upon reliable tracking mechanisms. - **Medical Imaging**: Non-invasive procedures benefit greatly from accurate localization tools capable of guiding instruments inside patients’ bodies. ```python import cv2 import numpy as np def initialize_tracker(frame, bbox): tracker = cv2.TrackerKCF_create() ok = tracker.init(frame, bbox) return tracker, ok def track_object(tracker, frame): timer = cv2.getTickCount() ok, bbox = tracker.update(frame) fps = cv2.getTickFrequency() / (cv2.getTickCount()-timer) return ok, bbox, fps ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值