- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技评论
自动化视觉跟踪
这次，我们将使用你的设备来帮助相机自动地跟踪某种颜色的物体。 这次，我们将使用你的设备来帮助相机自动地跟踪某种颜色的物体，像下边的动图里那样： 尽管这是我第一次使用OpenCV，但我必须承认，我已经爱上了这个“开源计算机视觉库”。 OpenCV还使用一种RGB模型的替代——HSV（Hue色相，Saturation色度，Value色值）颜色模型，它是70年代的计算机图形学研究者为了更好地与人类视觉对颜色属性的感知方式相匹配而提出的。 如果你想要使用OpenCV跟踪某一种确定的颜色，你必须使用HSV模型定义它。 示例 比如说，我想要跟踪下图中的黄色塑料盒。首先要做的就是找出它的BGR值。 移动物体跟踪 既然我们已经知道了如何用掩膜来选择出我们的物体，那就让我们用相机来实时跟踪他的移动吧。为此，我基于Adrian Rosebrock的OpenCV小球目标跟踪教程写了我的代码。
1.3K30发布于 2019-08-28 - 来自专栏AI研习社
实践干货 | 自动化视觉跟踪
这次，我们将使用你的设备来帮助相机自动地跟踪某种颜色的物体。 这次，我们将使用你的设备来帮助相机自动地跟踪某种颜色的物体，像下边的动图里那样： ? 尽管这是我第一次使用OpenCV，但我必须承认，我已经爱上了这个“开源计算机视觉库”。 OpenCV还使用一种RGB模型的替代——HSV（Hue色相，Saturation色度，Value色值）颜色模型，它是70年代的计算机图形学研究者为了更好地与人类视觉对颜色属性的感知方式相匹配而提出的。 如果你想要使用OpenCV跟踪某一种确定的颜色，你必须使用HSV模型定义它。 示例 比如说，我想要跟踪下图中的黄色塑料盒。首先要做的就是找出它的BGR值。 移动物体跟踪 既然我们已经知道了如何用掩膜来选择出我们的物体，那就让我们用相机来实时跟踪他的移动吧。为此，我基于Adrian Rosebrock的OpenCV小球目标跟踪教程写了我的代码。
1.3K20发布于 2019-08-29 - 来自专栏机器人视觉
激光视觉焊缝跟踪系统结构详解
焊缝跟踪系统就是专门研发出来处理此类问题的，我们一起来看下激光视觉焊缝跟踪系统的结构。 激光视觉跟踪系统结构 激光器作为结构光源,以预定的角度将激光条纹投影到传感器下部的工作表面，CCD直接观察在传感器下部的条纹。传感器以预先设定的距离安装在焊枪前部,因此它可以观察焊缝。 对视觉焊缝跟踪实时图像处理的方法进行了研究,首先采用图像增强来增加图像对比度，采用中值滤波去除图像噪声，并用二值化法将目标图像从背景图像中提取出来。 在后处理的研究中激光视觉焊缝跟踪系统图像处理的关键技术一微光带中心线的抽取和特征点的检测提出了切实可行的方法.采用中轴变换法提取的中心线单一连续;用斜率分析法来检测特征点方便可靠。 上面内容就是对于激光视觉焊缝跟踪系统结构的分析，激光视觉焊缝跟踪系统在焊接作业开始之前，调整焊枪位置，使其对准焊缝中心，然后开启电源，系统开始工作，程序开始运行，传感器中的CCD便实时监视图像,由软件启动一个定时器
58240编辑于 2022-12-22 - 来自专栏用户5637037的专栏
基于动态记忆网络的视觉跟踪
原文题目：Visual Tracking via Dynamic Memory Networks 摘要：模板匹配的视觉跟踪方法以其良好的性能和较快的速度获得了广泛的应用。 然而，它们缺乏有效的方法来适应目标物体外观的变化，使得它们的跟踪精度仍远未达到最先进的水平。在本文中，我们提出了一个动态记忆网络，以适应目标跟踪过程中的外观变化。 为了进一步提高跟踪性能，在特征提取器部分之后增加了辅助分类损失。 与目标信息由神经网络的权重参数维持的跟踪检测方法不同，这种方法需要昂贵的在线微调才能适应，我们的跟踪器通过更新外部内存来完全前馈并适应目标的外观变化。 在OTB和VOT数据集上的广泛实验表明，我们的跟踪器在保持实时速度的同时，对最先进的跟踪方法表现出了良好的效果。
93820发布于 2019-07-18 - 来自专栏一点人工一点智能
小白系列（3）| 计算机视觉之直接视觉跟踪
摘要：在这篇文章中，我们将回顾一些基础的跟踪方法。首先，我们将介绍几种视觉跟踪方法。然后，我们将解释如何对它们进行分类。我们还将讨论直接视觉跟踪的基本内容，特别关注基于区域的方法和基于梯度的方法。 目录： 视觉跟踪简介 对视觉跟踪方法进行分类 基于区域的跟踪方法 基于梯度的方法 总结 01 视觉跟踪 视觉跟踪，也称为目标跟踪或视频跟踪，是使用视觉信息估计场景中目标对象的轨迹的问题。 视觉信息可以来自不同的成像源。我们可以使用光学相机、热像仪、超声波、X 射线或磁共振等。 以下是最常见的成像设备列表： 此外，视觉跟踪是一个非常受欢迎的话题，因为它在各种各样的问题中都有应用。 下图突出显示了视觉跟踪应用程序： 现在，让我们看看如何对现在可用的解决方案进行分类。 02 视觉跟踪方法的分类 视觉跟踪方法可以根据以下主要组成部分进行分类： 现在，让我们更详细地看一下这些组件。
99320编辑于 2022-12-27 - 来自专栏一点人工一点智能
野外具身视觉跟踪：北大团队TrackVLA让AI视觉跟踪进化到2.0时代
-语言-动作(VLA)模型TrackVLA，旨在解决具身视觉跟踪这一具身人工智能领域的核心挑战。 简介 文章聚焦于具身视觉跟踪(EVT)这一具身人工智能(Embodied AI)领域的核心问题。 具身视觉跟踪要求智能体在动态环境中仅依靠自我中心视觉(first-person vision)持续追踪特定目标，是机器人技术中人类跟随、目标追踪等实际应用的基础能力。 研究背景部分详细梳理了相关工作的三个方向：具身视觉跟踪、具身导航和视觉-语言-动作模型。特别指出当前大多数具身导航任务针对静态室内环境设计，忽视了现实世界固有的动态特性。 对于具身视觉跟踪任务，构建视觉标记序列为 ；而对于视频问答(VQA)识别任务，则构建为 。这种差异化的序列构建方式反映了两种任务对历史信息的不同需求。
1.1K10编辑于 2025-07-24 - 来自专栏深度学习和计算机视觉
基于深度学习的视觉目标跟踪方法
（2）卷积神经网络（CNN）模型用于将被跟踪目标与其周围背景区分开来的跟踪器可以获得更准确的结果，而CNN模型的模板匹配通常会更快。 （3）有较深特征的跟踪器的性能要比有低级手工特征的跟踪器好得多。 （4）来自不同卷积层的深层特征有不同的性质，它们的有效组合通常会导致跟踪器更健壮。 （5）使用端到端网络的深度视觉跟踪器通常比仅使用特征提取网络的跟踪器性能更好。 （6）视觉跟踪最合适的网络训练方法是对每个带有视频信息的网络进行训练，并通过后续观测量对其进行在线微调。 在大多数情况下，从深度网络提取的这些功能可以有效地提高跟踪性能。 具有深度网络嵌入的多目标跟踪，其中跟踪框架的核心部分是使用深度神经网络设计的。 通过端到端深度神经网络学习进行多目标跟踪，其中直接设计深度网络以获得跟踪结果。通常仅通过一个网络很难获得多目标跟踪结果，因为MOT跟踪存在一些相互交织的子模块。
1.9K21编辑于 2021-12-17 - 来自专栏AI科技评论
一文带你了解视觉目标跟踪
本文将帮助你对视觉目标追踪问题和经典方法有一个初步的了解。 作者：林肯二百一十三 编辑：Pita 视觉目标跟踪（Visual Object Tracking）是计算机视觉领域的一个重要问题。 尽管近年来受到了广泛研究，目标跟踪问题由于本身的高难度、高质量数据的稀少，研究热度比目标检测、语义分割等基本视觉任务略低一些。 深度学习的发展和计算机算力的增强带来了视觉算法性能的突飞猛进，而目标跟踪领域中基于深度神经网络的方法只在近几年才初见端倪，可谓大有可为。 如今的单目标视觉跟踪已经发展到了怎样的状态了呢？ 因为相对来说实现难度更大，多目标跟踪是一个更工程化的问题，深度学习在该问题上的潜力也尚未被很好地挖掘出来。 一般提到“视觉目标跟踪”或“VOT”，往往指的是单目标跟踪。
2.7K20发布于 2019-08-02 - 来自专栏深度学习和计算机视觉
视觉SLAM前端特征检测与跟踪的思考
以下全篇均在分析基于视觉+IMU的视觉SLAM，即VINS。 基于特征法的视觉SLAM（视觉+imu）在目前发展相对更佳成熟，本文重点分析基于特征法的视觉SLAM的前端特征检测与跟踪问题。 就目前来看，主流的框架还是基于fast方法进行特征快速检测，基于光流法进行特征跟踪。与ORB-SLAM不同，基于光流法进行特征跟踪可以甚至在高动态的场景下进行有效的特征跟踪。 在高动态场景下，一个关键的问题就是图片容易模糊，基于ORB这种采用描述子进行特征匹配的特征跟踪方法，极易在高动态场景下特征跟踪失败。 特征跟踪精度：在使用光流法跟踪过程中，由于特征跟踪错误，导致计算重投影误差出错，最终的优化求解误差增大。 匀速运动的自身车辆，导致视觉尺度不可观：由于视觉的尺度需要基于IMU的观测量来恢复，当车辆处于匀速运动的时候，由于加速度为0，将会导致视觉尺度不可观。
70120编辑于 2022-02-12 - 来自专栏一点人工一点智能
基于深度学习的视觉多目标跟踪研究综述
作者：伍瀚，聂佳浩，张照娓，何志伟，高明煜来源：计算机科学编辑：东岸因为@一点人工一点智能原文地址：基于深度学习的视觉多目标跟踪研究综述多目标跟踪(MOT)旨在从给定视频序列中输出所有目标的运动轨迹并维持各目标的身份 近年来，由于其在学术研究和实际应用中具有巨大潜力，因此受到越来越多的关注并成为计算机视觉的热点研究方向。 其中，跟踪目标可以是行人、车辆或其他对象。随着计算机视觉技术的发展，MOT已被广泛应用于众多领域，如视频智能监控、人机交互、智能导航等[1-2]。 此外，MOT是姿态估计、行为识别、行为分析、视频分析等高级计算机视觉任务的基础[3-4]。 随着深度学习在计算机视觉领域的广泛应用，近年来基于深度学习的跟踪方法得到了广泛的关注并成为了研究主流。
3.4K10编辑于 2023-05-06 - 来自专栏代码的路
学习用于视觉跟踪的深度紧凑图像表示
虽然某个应用程序可能需要跟踪多个移动对象，但典型的设置是分别处理每个对象。在第一视频帧中手动或自动识别要跟踪的对象之后，视觉跟踪的目标是在后续帧上自动跟踪对象的轨迹。 从学习的角度来看，视觉跟踪具有挑战性，因为它在第一个视频帧中只有一个被识别对象形式的标记实例。在随后的帧中，跟踪器必须仅用未标记的数据来学习被跟踪对象的变化。 我们认为，出于同样的原因，视觉跟踪也可以从深度学习中受益。 在本文中，我们提出了一种新的深度学习跟踪器（ deep learning tracker DLT），用于强大的视觉跟踪。 此外，由于表示跟踪对象不需要解决基于稀疏编码的先前跟踪器中的优化问题，因此DLT明显更有效，因此更适合于实时应用。 2 视觉跟踪的粒子滤波方法 粒子滤波方法通常用于视觉跟踪。 对于视觉跟踪，此属性使跟踪器可以更轻松地从错误的跟踪结果中恢复。有关使用粒子滤波器进行视觉跟踪的教程可以在中找到。最近的一些工作，例如，进一步改进了用于视觉跟踪的粒子滤波器框架。
1.7K52编辑于 2022-08-23 - 来自专栏一点人工一点智能
基于深度学习的视觉多目标跟踪研究综述
近年来，由于其在学术研究和实际应用中具有巨大潜力，因此受到越来越多的关注并成为计算机视觉的热点研究方向。 其中，跟踪目标可以是行人、车辆或其他对象。随着计算机视觉技术的发展，MOT已被广泛应用于众多领域，如视频智能监控、人机交互、智能导航等[1-2]。 此外，MOT是姿态估计、行为识别、行为分析、视频分析等高级计算机视觉任务的基础[3-4]。 随着深度学习在计算机视觉领域的广泛应用，近年来基于深度学习的跟踪方法得到了广泛的关注并成为了研究主流。 离线方法在数据关联过程中考虑了整个视频序列所有视频帧的信息，而在线方法在跟踪过程中仅依靠当前及过去时刻的视觉和时空等信息。表1详细列出了离线和在线方法各方面的特点及差异。
1.7K30编辑于 2023-08-25 - 来自专栏移动机器人
七轴开源协作机械臂myArm视觉跟踪技术！
引言 ArUco标记是一种基于二维码的标记，可以被用于高效的场景识别和位置跟踪。这些标记的简单性和高效性使其成为机器视觉领域的理想选择，特别是在需要实时和高精度跟踪的场景中。 通过分析和解释脚本的不同组成部分，本文将探讨如何通过机器视觉识别技术和复杂的数据处理算法，来增强机械臂的操作能力。 ArUco 码标记 ArUco 标记是一种二维条形码系统，它在机器视觉领域中被广泛用于标记检测和空间定位。 这些标记由黑白图案组成，通常呈正方形，中心包含一个独特的二进制模式，使其能够被计算机视觉系统快速而准确地识别。 系统设计与实现 物料准备 机械臂的姿态跟踪 定义：姿态跟踪通常指的是监测和记录一个物体在三维空间中的精确位置（平移）和方向（旋转），即其“姿态”。
1.4K11编辑于 2023-12-18 - 来自专栏3D视觉从入门到精通
论文简述 | DOT：面向视觉SLAM的动态目标跟踪
为了确定哪些对象实际上正在移动,首先分割潜在动态对象的实例,然后估计摄像机运动,通过最小化光度重投影误差来跟踪这些对象.相对于其他方法,这种短期跟踪提高了分割的准确性.最后，实际上只生成动态掩码.我们已经在三个公共数据集上用 图像处理块提取并分离属于图像静态区域的点和动态对象中的点,仅使用场景的静态部分来跟踪相机姿态.考虑到相机姿态,每个分割对象的运动被独立地估计(对象跟踪),下一块(物体在运动吗？) 使用几何标准确定被网络标记为潜在动态的对象是否确实在移动.该信息用于更新编码每个帧的静态和动态区域的mask,并馈送给链接的里程计/SLAM视觉系统.最后,DOT根据对象移动的估计生成新的masks,因此网络不需要分割每一帧 4 结论 DOT是一种新的SLAM系统前端算法，它通过结合实例分割和多视图几何方程来鲁棒地检测和跟踪运动目标。 DOT与SLAM的独立性使其成为一个多功能前端,可以通过最小的集成工作适应任何先进的视觉里程计或SLAM系统.不同于其他系统, 相对于现有技术来说, 降低了计算需求。
1.7K20发布于 2020-11-11 - 来自专栏专知
【论文推荐】最新5篇视觉目标跟踪相关论文—递归神经网络、深度适应计算策略、视觉目标跟踪基准、深度核化相关滤波、检测并跟踪
【导读】专知内容组整理了最近五篇视觉目标跟踪（Object Tracking）相关文章，为大家进行介绍，欢迎查看! 1. Learning Hierarchical Features for Visual Object Tracking with Recursive Neural Networks（使用递归神经网络学习视觉目标跟踪的层次特征 Depth-Adaptive Computational Policies for Efficient Visual Tracking（基于深度适应计算策略的有效视觉跟踪） ---- ---- 作者：Chris Long-Term Visual Object Tracking Benchmark（长期的视觉目标跟踪基准） ---- ---- 作者：Abhinav Moudgil,Vineet Gandhi 摘要 Detect-and-Track: Efficient Pose Estimation in Videos（检测并跟踪:视频中的有效姿态估计） ---- ---- 作者：Rohit Girdhar,Georgia
1K60发布于 2018-04-12 - 来自专栏AiCharm
Siam R-CNN：通过重检测进行视觉跟踪
Siam R-CNN: Visual Tracking by Re-Detection Siam R-CNN是亚琛工业大学&牛津大学联合推出的，核心是通过重检测进行视觉跟踪，并构建了基于轨迹的动态规划算法 ，建模被跟踪对象和潜在干扰对象的完整历史。 Siam R-CNN通过明确地建模所有潜在对象的运动和交互作用，并将检测到的相似信息汇集到tracklets中，能够有效地进行长时跟踪，同时抵抗跟踪器漂移，在物体消失后可以立即重检测目标。 7.总结 本文最大的贡献在于将两阶段结构和重检测用于跟踪，设计了一套适合长时跟踪的算法。 SiamRCNN很长一段时间都作为各类跟踪数据集的天花板，直到CVPR2021各类transform架构的跟踪算法出现后才被超过。
1.1K10编辑于 2023-05-15 - 来自专栏代码的路
SiamRPN++：深层网络连体视觉跟踪的演变
在上述理论分析和技术贡献的基础上，我们开发了一种高效的视觉跟踪模型，在跟踪精度方面更为先进。同时以35 fps的速度高效运行。 3.1 孪生网络跟踪分析 基于孪生网络的跟踪算法将视觉跟踪作为一个互相关问题，并从具有孪生网络结构的深层模型中学习跟踪相似性图，一个分支用于学习目标的特征表示，另一个分支用于搜索区域。 3.2 基于ResNet的孪生网络跟踪算法 基于以上分析，我们消除了对中心位置的学习偏差，任何现成的网络（如MobileNet，ResNet）都可以用于视觉跟踪。 此外，还可以自适应地构造网络拓扑结构，揭示深度网络的视觉跟踪性能。 在本小节中，我们将讨论如何将深度网络传输到我们的跟踪算法中，实验主要集中在ResNet-50 。 4.3 对比实验 主干架构 特征提取器的选择至关重要，因为参数的数量和层的类型直接影响跟踪器的内存消耗，速度和性能。我们比较了视觉跟踪的不同网络架构。
1.2K53编辑于 2022-08-01 - 来自专栏ATYUN订阅号
计算机视觉项目：用dlib进行单目标跟踪
答案是肯定的，特别是我们可以使用dlib的关联跟踪算法实现。在今天博文的剩余部分中，你将学习如何应用dlib的关联跟踪器在视频流中实时跟踪对象。 最后，我们将讨论dlib的目标跟踪器的一些缺点和局限性。 什么是关联跟踪器？ 实现我们的dlib目标跟踪器 让我们继续使用dlib实现我们的目标跟踪器。 毫无疑问，我知道会有人希望将此方法应用于多目标跟踪而不是单个目标跟踪。是否可以使用dlib的关联跟踪器跟踪多个对象？ 答案是肯定的！ 我将在后续讨论多目标跟踪，敬请期待。 我们发现，dlib的关联跟踪算法很稳定，能够实时运行。 然而，最大的缺点是：如果视角发生了很大的变化，或者被跟踪的对象被遮挡关联跟踪器可能变得“混乱”，并丢失我们希望跟踪的对象。
4.3K21发布于 2018-12-05 - 来自专栏AI科技评论
ICML 2021 | 向抗视觉混淆的主动目标跟踪迈进
本文将重点讨论另一种复杂场景下所存在的挑战，即视觉混淆干扰对主动目标跟踪的影响。 因此，有必要就跟踪过程中存在的视觉混淆干扰问题开展研究，以实现在复杂场景下鲁棒的主动目标跟踪。 图1. 在有着多个具有相同着装的人群中跟踪目标 虽然已经有一些研究工作对被动视频跟踪中的视觉混淆干扰开展了研究，但几乎没有工作就主动跟踪场景中存在的视觉混淆干扰进行研究。 为提升被动跟踪器对视觉混淆的鲁棒性，现有的研究工作主要从学习一个具有更强判别力的视觉表征出发，从而对目标与复杂背景进行区分。然而，对于主动目标跟踪而言，这是远远不够的。 通过模仿学习，将元策略所学行为策略高效传授给基于视觉的主动目标跟踪器。
83560发布于 2021-07-27 - 来自专栏人工智能之视觉领域
人工智能之视觉领域 计算机视觉 第十二章 视频目标跟踪
人工智能之视觉领域计算机视觉第十二章视频目标跟踪前言：视频目标跟踪学习目标：掌握使用OpenCV内置跟踪器（如CSRT、KCF、MOSSE）对视频中指定目标进行实时跟踪的方法，理解跟踪流程，并能应用于人脸 ：检测：每帧都“找一遍”所有物体（计算量大）跟踪：只“跟一个”，速度快，适合实时应用2.OpenCV内置跟踪器对比OpenCV提供多种跟踪算法，各有优劣：跟踪器全称速度精度抗遮挡适用场景CSRTChannelandSpatialReliabilityTracker OpenCV单个跟踪器只能跟踪一个目标。 （如YOLO+跟踪器组合）⚠️注意事项：光照变化、快速运动、遮挡是跟踪失败主因跟踪器不会识别新目标，只跟初始框内容CSRT精度高但慢，不适合低配设备视频分辨率过高会降低跟踪速度8.应用场景场景说明安防监控跟踪可疑人员 《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》《自然语言处理综论第2版》《Natural-Language-Processing-with-PyTorch》《计算机视觉
14510编辑于 2026-02-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号