Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Multimedia Systems
Erschienen in: Multimedia Systems 3/2019

30.01.2019 | Regular Paper

Visual node prediction for visual tracking

verfasst von: Heng Yuan, Wen-Tao Jiang, Wan-Jun Liu, Sheng-Chong Zhang

Erschienen in: Multimedia Systems | Ausgabe 3/2019

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A novel visual tracking algorithm based on visual node (VN) prediction is proposed in this paper. First, we count the distribution area and gray levels of the larger probability density in the VN. Then, all the frequencies of the VN are calculated, of which the weaker frequency gradient is removed by filtration. The stronger frequency gradient of the VN is reserved. Finally, we estimate the optimal object position by maximizing the likelihood of node clusters, which are formed by VNs. Extensive experiments show that the proposed approach has good adaptability to variable-structure tracking and outperforms the state-of-the-art trackers.
Vorheriger Artikel A depth perception evaluation metric for immersive user experience towards 3D multimedia services

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Anhänge
Nur mit Berechtigung zugänglich
Literatur
1.
Marco, P., Radu, T., Tinne, T., et al.: An elastic deformation field model for object detection and tracking. Int. J. Comput. Vis. 111(2), 137–152 (2015)CrossRef
2.
Christophe, G., Séverine, D.: Combinatorial resampling particle filter: an effective and efficient method for articulated object tracking. Int. J. Comput. Vis. 112(3), 255–284 (2015)CrossRefMATH
3.
Rapuru, M., Kakanuru, S., Venugopal, P., et al.: Correlation based tracker level fusion for robust visual tracking. IEEE Trans. Image Process. 26(10), 4832–4842 (2017)MathSciNetCrossRefMATH
4.
Zhang, K., Li, X., Song, H., et al.: Visual tracking using spatio-temporally nonlocally regularized correlation filter. Pattern Recogn. 83, 185–195 (2018)CrossRef
5.
Zhang, K., Liu, Q., Yang, J., et al.: Visual tracking via boolean map representations. Pattern Recogn. 81, 147–160 (2018)CrossRef
6.
Li, C., Cheng, H., Hu, S., et al: Learning collaborative sparse representation for grayscale-thermal tracking. IEEE Trans. Image Process. 25(12), 5743–5756 (2016)MathSciNetCrossRefMATH
7.
8.
Zhang, K., Liu, Q., Wu, Y., et al.: Robust visual tracking via convolutional networks without training. IEEE Trans. Image Process. 25(4), 1779–1792 (2016)MathSciNetMATH
9.
Yang, J., Zhang, K., Liu, Q.: Robust object tracking by online Fisher discrimination boosting feature selection. Comput. Vis. Image Underst. 153, 100–108 (2016)CrossRef
10.
Chen, W., Zhang, K., Liu, Q.: Robust visual tracking via patch based Kernel correlation filters with adaptive multiple feature ensemble. Neurocomputing 214, 607–617 (2016)CrossRef
11.
Song, H., Zheng, Y., Zhang, K.: Robust visual tracking via self-similarity learning. Electron. Lett. 53(1), 20–22 (2016)CrossRef
12.
Wang, X., Li, C., Luo, B., et al.: SINT++: robust visual tracking via adversarial positive instance generation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 4864–4873 (2018)
13.
14.
Choi, J., Chang, H.J., Jeong, J., et al.: Visual tracking using attention-modulated disintegration and integration. In: Computer Vision and Pattern Recognition. IEEE, pp. 4321–4330 (2016)
15.
Duffner, S., Garcia, C.: Fast pixelwise adaptive visual tracking of non-rigid objects. IEEE Trans. Image Process. 26(5), 2368–2380 (2017)MathSciNetCrossRefMATH
16.
Kwon, J., Lee, K.M.: Adaptive visual tracking with minimum uncertainty gap estimation. IEEE Trans. Pattern Anal. Mach. Intell. 39(1), 18–31 (2017)CrossRef
17.
Danelljan, M., Häger, G., Khan, F.S., et al.: Discriminative scale space tracking. IEEE Trans. Pattern Anal. Mach. Intell. 39(8), 1561–1575 (2017)CrossRef
18.
Bertinetto, L., Valmadre, J., Golodetz, S., et al.: Staple: complementary learners for real-time tracking. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1401–1409 (2016)
Metadaten
Titel
Visual node prediction for visual tracking
verfasst von
Heng Yuan
Wen-Tao Jiang
Wan-Jun Liu
Sheng-Chong Zhang
Publikationsdatum
30.01.2019
Verlag
Springer Berlin Heidelberg
Erschienen in
Multimedia Systems / Ausgabe 3/2019
Print ISSN: 0942-4962
Elektronische ISSN: 1432-1882
DOI
https://doi.org/10.1007/s00530-019-00603-1

Weitere Artikel der Ausgabe 3/2019

Multimedia Systems 3/2019 Zur Ausgabe

Regular Paper

General approach for video traffic: from modeling to optimization

Regular Paper

Quality evaluation of DIBR 3D images based on blind watermarking

Regular Paper

Interactive synthesis and visualization of self-organizing trees for large-scale forest succession simulation

Regular Paper

ATM crime detection using image processing integrated video surveillance: a systematic review

Regular Paper

A depth perception evaluation metric for immersive user experience towards 3D multimedia services

Regular Paper

Moving object detection using edges of residuals under varying illuminations

Neuer Inhalt

    Bildnachweise