CN110288634A - 一种基于改进粒子群优化算法的目标跟踪方法 - Google Patents
一种基于改进粒子群优化算法的目标跟踪方法 Download PDFInfo
- Publication number
- CN110288634A CN110288634A CN201910484131.4A CN201910484131A CN110288634A CN 110288634 A CN110288634 A CN 110288634A CN 201910484131 A CN201910484131 A CN 201910484131A CN 110288634 A CN110288634 A CN 110288634A
- Authority
- CN
- China
- Prior art keywords
- target
- swarm optimization
- optimization algorithm
- particle swarm
- particle
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000007423 decrease Effects 0.000 claims abstract description 3
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于改进粒子群优化算法的目标跟踪方法，涉及数字图像处理技术领域。该方法首先对图像序列中要跟踪的目标进行框选处理，并通过求取目标区域在HSV颜色空间的一维特征，对目标区域进行描述；然后采用一种线性递减的惯性权重策略，调整粒子群优化算法中的惯性权重，对粒子群优化算法中的粒子的开发与探索能力进行平衡；最后采用双种群的粒子群优化算法对图像序列中的目标进行跟踪。本发明提供的基于改进粒子群优化算法的目标跟踪方法，采用双种群的粒子群优化算法用于图像序列中的目标跟踪，使得粒子向个体最优位置与全局最优位置学习的能力得到了平衡，有利于粒子的位置更新，能进一步提高跟踪效率和跟踪精度。
Description
技术领域
本发明涉及数字图像处理技术领域，尤其涉及一种基于改进粒子群优化算法的目标跟踪方法。
背景技术
目标跟踪方法是计算机视觉领域中的一个备受关注的研究热点，目前主要的目标跟踪方法有质心跟踪法、相关跟踪法、光流法以及Mean Shift跟踪法、卡尔曼滤波跟踪法、粒子滤波跟踪法等。随着研究者的不断的研究，出现了多种多样的新的跟踪方法用于图像序列或视频中的目标跟踪。目标跟踪方法能够用于车辆跟踪、行人跟踪、医学图像处理等等各个方面，目前解决目标跟踪精度不高的问题显得尤为重要。
粒子群优化算法(Particle Swarm Optimization，PSO)是一种新的群体智能优化算法，PSO算法是从鸟群或者鱼群的捕食行为中模拟抽象出来的。粒子群优化算法具有简单易用的特征，且不依赖于具体的问题，对各种问题都有一定的适用性。但是粒子群优化算法存在粒子的多样性丢失，粒子容易陷入局部最优，造成早熟收敛的现象。现有应用粒子群优化算法进行目标跟踪的方法有：1.尹宏鹏，刘兆栋，罗显科，等.一种基于粒子群优化的目标跟踪特征选择算法.计算机工程与应用，2013，49(17)：164-168；2.Nouiri M，Bekrar A，Jemai A，et al.An effective and distributed particle swarm optimizationalgorithm for flexible job-shop scheduling problem.Journal of IntelligentManufacturing，2018：1-13；3.Bae C，Teung H W F，Chung Y Y.Effective objecttracking framework using weight adjustment of particle swarmoptimization.International Conference on Information NETWORKING.IEEE ComputerSociety，2018：831-833.为了解决粒子退化问题；4.郭巳秋，许廷发，王洪庆，等.改进的粒子群优化目标跟踪方法.中国光学，2014，7(5)：759—767提出一种改进的PSO算法用于目标跟踪，该算法主要根据迭代中粒子的不同状态及时的调整其惯性权重。但以上这些方法仍然解决不了目标跟踪精度不高的问题。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于改进粒子群优化算法的目标跟踪方法，实现对图像序列中目标的准确跟踪。
为解决上述技术问题，本发明所采取的技术方案是：一种基于改进粒子群优化算法的目标跟踪方法，包括以下步骤：
步骤1、读取要处理的图像序列，在第一帧图像中对要跟踪的目标进行框选，得到目标在第一帧的位置，即确定所需跟踪的目标；
步骤2、根据框选的目标，将目标区域的图像由RGB图像转换为HSV图像，并计算目标区域在HSV颜色空间的一维特征，用于对目标区域进行描述；
所述将目标区域的图像由RGB图像转换为HSV图像，即RGB颜色空间到HSV颜色空间的转化，如下公式所示：
V＝max(R，G，B)
以上公式中，R表示红色、G表示绿色、B表示蓝色，R，G，B的值的取值范围均是[0，255]，H表示色调，S表示饱和度，V表示明度，H的取值范围是[0，360]，S、V的取值范围均是[0，255]；
根据转换后的HSV颜色空间，；并按照人眼的视觉分辨能力，将色调空间H分为8份，将饱和度S空间分为3份，将亮度值V空间分为3份，并根据此进行目标区域一维特征的构造，实现对选择的目标区域进行特征提取；
所述目标区域一维特征M的构造公式如下所示：
M＝9H+3S+V
步骤3、根据目标区域在HSV颜色空间的一维特征，利用线性递减的惯性权重调整方法调整粒子群优化算法中的惯性权重w，对粒子群优化算法中的粒子的开发与探索能力进行平衡；
所述线性递减的惯性权重调整方法如下公式所示：
其中，wmax为根据目标区域一维特征计算得到的粒子群优化算法中惯性权重的最大值，wmin为根据目标区域一维特征计算得到的粒子群优化算法中惯性权重的最小值，max_Iter为粒子群优化算法的最大迭代次数，iter为当前迭代次数；
步骤4、采用双种群的粒子群优化算法对图像序列中的目标进行跟踪，并输出跟踪结果；
所述双种群的粒子群优化算法中粒子的速度更新公式如下所示：
其中，i＝1，2，…，n，n为粒子群算法中种群大小，w为线性递减的惯性权重，c1、c2均为加速因子，r1、r2均为两个取值范围为[0，1]的随机数，为粒子i在t次迭代时的速度，为粒子i在t+1次迭代时的速度，为粒子i在到达t次迭代时的最优位置，gbestt为到达t次迭代时的粒子群中粒子的全局最优位置，表示t次迭代时目标点的位置；
粒子的位置更新公式如下所示：
其中，表示t+1次迭代时目标点的位置。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于改进粒子群优化算法的目标跟踪方法，(1)在传统的PSO算法目标跟踪方法中，PSO算法中的惯性权重w为一个常量，是一个在整个跟踪过程中不变的一个值，本发明采用一种线性递减的惯性权重调整策略来在迭代过程中不断地改变惯性权重的大小，即在一帧图像中，粒子刚开始在全局空间内搜索目标的位置，在后期确定了目标的大致位置之后，使得算法能够精确的确定目标的位置。采用这种方法能够减少迭代次数，提高算法的运行效率。(2)采用双种群的粒子群优化算法用于图像序列中的目标跟踪，使得粒子向个体最优位置与全局最优位置学习的能力得到了平衡，有利于粒子的位置更新，能进一步提高跟踪效率和跟踪精度。
附图说明
图1为本发明实施例提供的一种基于改进粒子群优化算法的目标跟踪方法的流程图；
图2为本发明实施例提供的采用本发明方法和粒子群优化算法对图像序列的第20帧的目标跟踪结果，其中，(a)为本发明方法的跟踪结果，(b)为粒子群优化算法的跟踪结果；
图3为本发明实施例提供的采用本发明方法和粒子群优化算法对图像序列的第40帧的目标跟踪结果，其中，(a)为本发明方法的跟踪结果，(b)为粒子群优化算法的跟踪结果；
图4为本发明实施例提供的两种算法的跟踪时间对比图；
图5为本发明实施例提供的两种算法的跟踪误差对比图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以某70帧的图像序列为例，使用本发明的一种基于改进粒子群优化算法的目标跟踪方法对该图像序列中的目标进行跟踪。
一种基于改进粒子群优化算法的目标跟踪方法，如图1所示，包括以下步骤：
步骤1、读取要处理的图像序列，采用鼠标框选的方式在第一帧图像中对要跟踪的目标进行框选，得到目标在第一帧的位置，即确定所需跟踪的目标；
步骤2、根据框选的目标，将目标区域的图像由RGB图像转换为HSV图像，并计算目标区域在HSV颜色空间的一维特征，用于对目标区域进行描述；
所述将目标区域的图像由RGB图像转换为HSV图像，即RGB颜色空间到HSV颜色空间的转化，如下公式所示：
V＝max(R，G，B)
以上公式中，R表示红色、G表示绿色、B表示蓝色，R，G，B的值的取值范围均是[0，255]，H表示色调，S表示饱和度，V表示明度，H的取值范围是[0，360]，S、V的取值范围均是[0，255]；
根据转换后的HSV颜色空间，；并按照人眼的视觉分辨能力，将色调空间H分为8份，将饱和度S空间分为3份，将亮度值V空间分为3份，并根据此进行目标区域一维特征的构造，实现对选择的目标区域进行特征提取；
所述目标区域一维特征M的构造公式如下所示：
M＝9H+3S+V
本实施例中，将色调空间H分为8份，将饱和度S空间分为3份，将亮度值V空间分为3份，具体表示为：
步骤3、根据目标区域在HSV颜色空间的一维特征，利用线性递减的惯性权重调整方法调整粒子群优化算法中的惯性权重w，对粒子群优化算法中的粒子的开发与探索能力进行平衡；
粒子群优化算法中，根据迭代次数对惯性权重进行调整，在迭代初期惯性权重较大，用于在全局区域中搜索目标，在迭代后期，惯性权重较小，用于在目标区域周围进行搜索，以便能精准的找到全局最优解的位置，本发明采用的惯性权重调整策略为线性递减的惯性权重调整策略；
所述线性递减的惯性权重调整方法如下公式所示：
其中，wmax为根据目标区域一维特征计算得到的粒子群优化算法中惯性权重的最大值，wmin为根据目标区域一维特征计算得到的粒子群优化算法中惯性权重的最小值，max_Iter为粒子群优化算法的最大迭代次数，iter为当前迭代次数；
步骤4、采用双种群的粒子群优化算法对图像序列中的目标进行跟踪，并输出跟踪结果；
所述双种群的粒子群优化算法中粒子的速度更新公式如下所示：
其中，i＝1，2，…，n，n为粒子群算法中种群大小，w为线性递减的惯性权重，c1、c2均为加速因子，r1、r2均为两个取值范围为[0，1]的随机数，为粒子i在t次迭代时的速度，为粒子i在t+1次迭代时的速度，为粒子i在到达t次迭代时的最优位置，gbestt为到达t次迭代时的粒子群中粒子的全局最优位置，表示t次迭代时目标点的位置；
粒子的位置更新公式如下所示：
其中，表示t+1次迭代时目标点的位置。
本实施例中，在双种群的粒子群优化算法，其中一个种群的加速因子c1＝0.5，c2＝2.3，另一个种群中的加速因子c1＝2.3，c2＝0.5，以此保证两个种群有不同的运动轨迹，从而有更大范围的搜索解空间以提高整个算法的计算效率。
本实施例中，采用本发明方法和粒子群优化算法分别对该70帧图像序列中的目标进行跟踪，结果如图2和3所示，图2中给出了两种方法对第20帧图像的目标跟踪结果，图2(a)是采用粒子群优化算法对图像序列中目标的跟踪结果，图2(b)是采用本发明提出的改进的粒子群优化算法对图像序列中目标的跟踪结果，图3中给出了两种方法对第40帧图像的目标跟踪结果，图3(a)是采用粒子群优化算法对图像序列中目标的跟踪结果，图3(b)是采用本发明提出的改进的粒子群优化算法对图像序列中目标的跟踪结果，从以上图中可以看出本发明方法具有更好的跟踪准确性。
为了客观的评价本发明提出的改进粒子群优化算法的目标跟踪效果，对采用两种方法进行跟踪的跟踪结果的误差及跟踪时间进行了对比，如图4和5所示，图4给出了采用两种方法进行目标跟踪的跟踪时间对比，通过图4可以发现，本发明提出的改进的粒子群优化算法算法具有较少的跟踪时间，图5中给出了采用两种方法进行目标跟踪的跟踪误差对比，通过图中可知，本发明方法具有较好的跟踪精度。
本实施例中，通过对图像序列中的目标跟踪进行实验对比，验证了本发明的改进的粒子群优化算法对图像序列中的目标具有较好的跟踪准确度，并且具有较低的跟踪时间。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (5)
1.一种基于改进粒子群优化算法的目标跟踪方法，其特征在于：包括以下步骤：
步骤1、读取要处理的图像序列，在第一帧图像中对要跟踪的目标进行框选，得到目标在第一帧的位置，即确定所需跟踪的目标；
步骤2、根据框选的目标，将目标区域的图像由RGB图像转换为HSV图像，并计算目标区域在HSV颜色空间的一维特征，用于对目标区域进行描述；
步骤3、根据目标区域在HSV颜色空间的一维特征，利用线性递减的惯性权重调整方法调整粒子群优化算法中的惯性权重w，对粒子群优化算法中的粒子的开发与探索能力进行平衡；
步骤4、采用双种群的粒子群优化算法对图像序列中的目标进行跟踪，并输出跟踪结果。
2.根据权利要求1所述的一种基于改进粒子群优化算法的目标跟踪方法，其特征在于：所述步骤1中采用鼠标框选的方式在第一帧图像中对要跟踪的目标进行框选。
3.根据权利要求1所述的一种基于改进粒子群优化算法的目标跟踪方法，其特征在于：所述步骤2的具体方法为：
所述将目标区域的图像由RGB图像转换为HSV图像，即RGB颜色空间到HSV颜色空间的转化，如下公式所示：
V＝max(R，G，B)
以上公式中，R表示红色、G表示绿色、B表示蓝色，R，G，B的值的取值范围均是[0，255]，H表示色调，S表示饱和度，V表示明度，H的取值范围是[0，360]，S、V的取值范围均是[0，255]；
根据转换后的HSV颜色空间，并按照人眼的视觉分辨能力，将色调空间H分为8份，将饱和度S空间分为3份，将亮度值V空间分为3份，并根据此进行目标区域一维特征的构造，实现对选择的目标区域进行特征提取；
所述目标区域一维特征B的构造公式如下所示：
B＝9H+3S+V。
4.根据权利要求1所述的一种基于改进粒子群优化算法的目标跟踪方法，其特征在于：步骤3所述线性递减的惯性权重调整方法如下公式所示：
其中，wmax为根据目标区域一维特征计算得到的粒子群优化算法中惯性权重的最大值，wmin为根据目标区域一维特征计算得到的粒子群优化算法中惯性权重的最小值，max_Iter为粒子群优化算法的最大迭代次数，iter为当前迭代次数。
5.根据权利要求4所述的一种基于改进粒子群优化算法的目标跟踪方法，其特征在于：步骤4所述双种群的粒子群优化算法中粒子的速度更新公式如下所示：
其中，i＝1，2，…，n，n为粒子群算法中种群大小，w为线性递减的惯性权重，c1、c2均为加速因子，r1、r2均为两个取值范围为[0，1]的随机数，为粒子i在t次迭代时的速度，为粒子i在t+1次迭代时的速度，为粒子i在到达t次迭代时的最优位置，gbestt为到达t次迭代时的粒子群中粒子的全局最优位置，表示t次迭代时目标点的位置；
粒子的位置更新公式如下所示：
其中，表示t+1次迭代时目标点的位置。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910484131.4A CN110288634A (zh) | 2019-06-05 | 2019-06-05 | 一种基于改进粒子群优化算法的目标跟踪方法 |
| NL2023430A NL2023430B1 (en) | 2019-06-05 | 2019-07-03 | Target Tracking Method Based on Improved Particle Swarm Optimization Algorithm |
| BE20195435A BE1027208B1 (fr) | 2019-06-05 | 2019-07-05 | Procédé de poursuite de cible basé sur un algorithme d'optimisation d'essaim de particules amélioré |
| LU101298A LU101298B1 (en) | 2019-06-05 | 2019-07-05 | Target Tracking Method Based on Improved Particle Swarm Optimization Algorithm |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910484131.4A CN110288634A (zh) | 2019-06-05 | 2019-06-05 | 一种基于改进粒子群优化算法的目标跟踪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110288634A true CN110288634A (zh) | 2019-09-27 |
Family
ID=67383684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910484131.4A Pending CN110288634A (zh) | 2019-06-05 | 2019-06-05 | 一种基于改进粒子群优化算法的目标跟踪方法 |
Country Status (4)
| Country | Link |
|---|---|
| CN (1) | CN110288634A (zh) |
| BE (1) | BE1027208B1 (zh) |
| LU (1) | LU101298B1 (zh) |
| NL (1) | NL2023430B1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242971A (zh) * | 2019-12-03 | 2020-06-05 | 西安电子科技大学 | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 |
| CN111666860A (zh) * | 2020-06-01 | 2020-09-15 | 浙江省机电设计研究院有限公司 | 一种车牌信息与车辆特征融合的车辆轨迹跟踪方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152258B (zh) * | 2023-11-01 | 2024-01-30 | 中国电建集团山东电力管道工程有限公司 | 一种管道生产智慧车间的产品定位方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103901887A (zh) * | 2014-03-04 | 2014-07-02 | 重庆邮电大学 | 一种基于改进粒子群算法的多移动机器人编队控制方法 |
| CN104820997A (zh) * | 2015-05-14 | 2015-08-05 | 北京理工大学 | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 |
| CN104915969A (zh) * | 2015-05-21 | 2015-09-16 | 云南大学 | 一种基于粒子群优化的模版匹配跟踪方法 |
| US20160125103A1 (en) * | 2014-10-31 | 2016-05-05 | International Business Machines Corporation | Accelerating particle-swarm algorithms |
| CN106447027A (zh) * | 2016-10-13 | 2017-02-22 | 河海大学 | 一种矢量高斯学习的粒子群优化方法 |
| CN106650808A (zh) * | 2016-12-20 | 2017-05-10 | 北京工业大学 | 一种基于量子近邻算法的图像分类方法 |
| CN106709958A (zh) * | 2016-12-03 | 2017-05-24 | 浙江大学 | 一种基于灰度梯度和颜色直方图的图像质量评价方法 |
| CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN108471143A (zh) * | 2018-03-26 | 2018-08-31 | 国网天津市电力公司电力科学研究院 | 基于正负反馈粒子群算法的微电网多能源调度优化方法 |
| CN108564631A (zh) * | 2018-04-03 | 2018-09-21 | 上海理工大学 | 车灯光导色差检测方法、装置及计算机可读存储介质 |
| CN109146922A (zh) * | 2018-07-11 | 2019-01-04 | 哈尔滨工程大学 | 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 |
| CN109544562A (zh) * | 2018-11-09 | 2019-03-29 | 北京工业大学 | 基于图像的钢筋端面自动识别计数算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914124B (zh) * | 2014-04-04 | 2016-08-17 | 浙江工商大学 | 面向三维场景的节能颜色映射方法 |
-
2019
- 2019-06-05 CN CN201910484131.4A patent/CN110288634A/zh active Pending
- 2019-07-03 NL NL2023430A patent/NL2023430B1/en not_active IP Right Cessation
- 2019-07-05 BE BE20195435A patent/BE1027208B1/fr not_active IP Right Cessation
- 2019-07-05 LU LU101298A patent/LU101298B1/en active IP Right Grant
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103901887A (zh) * | 2014-03-04 | 2014-07-02 | 重庆邮电大学 | 一种基于改进粒子群算法的多移动机器人编队控制方法 |
| US20160125103A1 (en) * | 2014-10-31 | 2016-05-05 | International Business Machines Corporation | Accelerating particle-swarm algorithms |
| CN104820997A (zh) * | 2015-05-14 | 2015-08-05 | 北京理工大学 | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 |
| CN104915969A (zh) * | 2015-05-21 | 2015-09-16 | 云南大学 | 一种基于粒子群优化的模版匹配跟踪方法 |
| CN106447027A (zh) * | 2016-10-13 | 2017-02-22 | 河海大学 | 一种矢量高斯学习的粒子群优化方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN106709958A (zh) * | 2016-12-03 | 2017-05-24 | 浙江大学 | 一种基于灰度梯度和颜色直方图的图像质量评价方法 |
| CN106650808A (zh) * | 2016-12-20 | 2017-05-10 | 北京工业大学 | 一种基于量子近邻算法的图像分类方法 |
| CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
| CN108471143A (zh) * | 2018-03-26 | 2018-08-31 | 国网天津市电力公司电力科学研究院 | 基于正负反馈粒子群算法的微电网多能源调度优化方法 |
| CN108564631A (zh) * | 2018-04-03 | 2018-09-21 | 上海理工大学 | 车灯光导色差检测方法、装置及计算机可读存储介质 |
| CN109146922A (zh) * | 2018-07-11 | 2019-01-04 | 哈尔滨工程大学 | 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 |
| CN109544562A (zh) * | 2018-11-09 | 2019-03-29 | 北京工业大学 | 基于图像的钢筋端面自动识别计数算法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242971A (zh) * | 2019-12-03 | 2020-06-05 | 西安电子科技大学 | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 |
| CN111242971B (zh) * | 2019-12-03 | 2023-05-02 | 西安电子科技大学 | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 |
| CN111666860A (zh) * | 2020-06-01 | 2020-09-15 | 浙江省机电设计研究院有限公司 | 一种车牌信息与车辆特征融合的车辆轨迹跟踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| LU101298B1 (en) | 2020-11-10 |
| BE1027208B1 (fr) | 2020-11-24 |
| NL2023430B1 (en) | 2020-10-06 |
| BE1027208A1 (fr) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109598268B (zh) | 一种基于单流深度网络的rgb-d显著目标检测方法 | |
| WO2020173226A1 (zh) | 一种时空行为检测方法 | |
| CN108320293A (zh) | 一种结合改进粒子群算法的快速点云边界提取技术 | |
| CN110288634A (zh) | 一种基于改进粒子群优化算法的目标跟踪方法 | |
| CN110222215B (zh) | 一种基于f-ssd-iv3的作物害虫检测方法 | |
| CN110766058B (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
| CN110472577B (zh) | 一种基于自适应相关滤波的长时视频跟踪方法 | |
| CN112184762A (zh) | 一种基于特征融合的灰狼优化粒子滤波目标跟踪算法 | |
| CN110895772A (zh) | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 | |
| CN113405667A (zh) | 基于深度学习的红外热人体姿态识别方法 | |
| CN102074000B (zh) | 一种利用方差率最优解自适应调整窗宽的跟踪方法 | |
| CN108053418B (zh) | 一种动物背景建模方法及装置 | |
| CN107680099A (zh) | 一种融合ifoa和f‑isodata的图像分割方法 | |
| CN108364305A (zh) | 基于改进型dsst的车载摄像视频目标跟踪方法 | |
| CN115272881B (zh) | 动态关系蒸馏的长尾遥感图像目标识别方法 | |
| Hu et al. | An adaptive lighting indoor vSLAM with limited on-device resources | |
| CN103578121B (zh) | 干扰运动环境下基于共享高斯模型的运动检测方法 | |
| CN105427348A (zh) | 一种基于蝙蝠算法的视频目标跟踪方法 | |
| CN111259923A (zh) | 一种基于改进三维r-cnn算法的多目标检测方法 | |
| CN113627240A (zh) | 一种基于改进ssd学习模型的无人机树木种类识别方法 | |
| Li et al. | UniMODE: Unified Monocular 3D Object Detection | |
| CN110555225B (zh) | 一种基于分层粒子群优化算法的rbpf-slam计算方法 | |
| CN103473784B (zh) | 基于高维空间几何信息学的模糊图像自适应复原方法 | |
| CN116795098A (zh) | 基于改进麻雀搜索算法的球形两栖机器人路径规划方法 | |
| CN116597244A (zh) | 一种基于元学习方法的小样本目标检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |
|
| RJ01 | Rejection of invention patent application after publication |