基于通道可靠性和异常抑制的目标跟踪算法

针对时空正则目标跟踪算法无法有效利用特征,为了缓解边界效应扩大搜索区域导致的滤波器倾向于从背景中学习的问题,提出基于通道可靠性和异常抑制的目标跟踪算法. 构造通道正则项,在训练阶段求解不同特征通道对应的权重,实现对不同特征通道的加权,降低通道冗余并提高定位精度.在目标函数中加入异常抑制正则项,约束当前帧的响应图,实现滤波器模型的平滑约束. 利用交替方向乘子法将求解目标问题转化为求滤波器、辅助因子以及通道权重的最优解. 将所提算法在OTB2015、TempleColor128以及UAV20L公开数据集测试并与其他跟踪算法进行对比. 实验结果表明,所提算法在快速运动、光照变化场景中的跟踪效果稳定,基本满足实时性要求.     

自动全局上下文感知相关滤波器跟踪算法

在相关滤波器跟踪算法中引入正则化后可以有效提高跟踪效率,但需要花费大量精力调整预定义参数,此外还有目标响应发生在非目标区域会导致跟踪漂移等问题,因此提出一种自动全局上下文感知相关滤波器(Automatic Global Context Awareness Correlation Filter, AGCACF)跟踪算法.首先,在跟踪过程中利用目标局部响应变化实现自动空间正则化,将自动空间正则化模块加入目标函数,使滤波器专注于目标对象的学习;其次,跟踪器利用目标全局上下文信息,结合自动空间正则化,使滤波器能及时学习到更多与目标有关的信息,减少背景对跟踪性能的影响;接着,在滤波器中加入时间正则化项,来充分学习目标在相邻帧之间的变化,从而获得更准确的模型样本.实验结果表明,与其他跟踪算法相比,AGCACF跟踪算法在距离精度和成功率方面具备更好的跟踪效果.     

矿井视频图像中人员目标匹配与跟踪方法

针对矿井视频图像人员跟踪中光照强度低、光照不均且变化剧烈、目标尺度变化频繁及矿工携带矿灯对目标外观特征影响明显等问题,提出了一种基于压缩感知的实时多尺度人员跟踪方法.基于压缩感知和归一化矩形特征,得到尺度不变压缩特征SICF,该特征被用于实时描述尺度变化的目标.基于SICF建立目标外观模型,并利用朴素贝叶斯分类器识别样本类别,确定样本与目标之间的相似度.为了降低矿灯对目标外观特征的影响,提出利用边缘颜色特征得到各样本置信度,并与SICF外观模型融合共同构建粒子滤波框架的观测模型;结合矿工运动特点和速度信息,利用二阶模型作为运动模型.通过对标准视频库和井下实际采集视频的实验结果表明:本文算法在精度、稳定性及对井下特殊环境的适应性上均优于当前国内外最新算法,平均跟踪帧速达24fps.     

无人机编队视频序列中的多目标精确跟踪

针对无人机编队视频序列中的多目标精确跟踪的要求,使用STK（satellitetoolkit）三雏建模软件模拟无人机UAV（unmanned aerial vehicle）编队飞行视频,通过双差分图像操作和多分辨率连通分支标记算法确定图像中的运动区域．提出了一种改进的贪婪算法,利用已确定的矩形运动区域作为初始轮廓,实现对无人机目标的精确轮廓提取．以运动区域的中心位置为输入,建立在线卡尔曼滤波器组对多目标进行跟踪,并由此提出了如何对多目标中的遮挡问题进行判定、分割的方法．仿真实验验证了文中所提的方法.     

一种TOA联合同步与定位的CWLS算法

在基于到达时间定位中,针对目标节点与传感器锚节点之间存在时钟偏差而导致定位性能下降的问题,提出了一种时钟同步与目标定位联合估计算法。该算法通过引入辅助变量将非线性量测方程伪线性化,并建立代价函数;然后利用变量之间的关系构造约束条件,将原定位问题转换为约束加权最小二乘问题;最后利用拉格朗日乘子法得到目标位置和时钟偏差的闭式解。理论分析和仿真实验表明,所提算法的定位性能逼近克拉美罗界,优于现有算法。     

一种面向低目标比特率的H.264码率控制算法

针对JVT-G012中未编码P帧平均分配比特,导致后续编码帧的比特分配不能快速响应帧间变化的问题,提出了一种面向低目标码率的基于缓冲回馈的码率控制算法.该算法能快速对低目标比特率下的码率调整做出响应,减少了原码率控制算法因调整当前帧码率而对后续编码帧比特分配的影响.多组视频序列的实验结果表明:相比原算法,在低目标码率下...     

适用于目标跟踪的加权增量子空间学习算法

为了克服目标物外观变化给跟踪造成的困难,提出一种基于加权增量子空间学习的目标跟踪算法.该算法构造了一个可在线更新的子空间作为视频中目标物的外观模型,根据概率转移模型预测得到一组图像样本作为目标物在当前帧中可能出现的图像区域;然后将图像样本投影到该低维子空间中估计每个图像样本为目标图像区域的似然度,以具有最高似然度的样本作为目标在当前帧中的图像区域,通过加权增量的方式调整子空间.实验结果表明：相比基于其他增量子空间学习的跟踪算法,该算法能够稳定、准确地对运动目标进行跟踪.     

无人机编队视频序列中的多目标精确跟踪

针对无人机编队视频序列中的多目标精确跟踪的要求,使用STK三维建模软件模拟无人机编队飞行视频,通过双差分图像操作、多分辨率连通分支标记算法确定图像中的运动区域.提出了一种改进的贪婪算法,利用已确定的矩形运动区域作为初始轮廓,实现对无人机目标的精确轮廓提取.以运动区域的中心位置为输入,建立在线卡尔曼滤波器组对多目标进行跟踪,并由此提出了如何对多目标中的遮挡问题进行判定、分割的方法.仿真实验验证了文中提出的方法.     

飞蛾扑火优化的尺度比例感知空间长期跟踪器

针对无人机长期跟踪过程中尺度变换导致目标丢失和跟踪精度低的问题,提出了一种基于飞蛾扑火优化(moth-flame optimization, MFO)的尺度比例感知空间长期跟踪器。首先,设计了高斯初始化以代替飞蛾扑火优化算法的随机初始化策略,降低优化算法在跟踪过程中的计算复杂度,减少算力浪费;其次,结合快速梯度直方图特征,构建了改进的飞蛾扑火优化跟踪器;然后,为了解决无人机航拍长期跟踪中目标尺度变化的问题,设计了一种自适应尺度变换的判别尺度空间跟踪(discriminative scale space tracking, DSST)算法,进一步提出了一种尺度比例感知空间跟踪器,解决了尺度滤波器中因长宽比固定而导致的跟踪漂移;同时,分析了滤波器响应峰值在各背景下的变化情况,提出了一种能反映环境变化下跟踪置信度的指标,并通过置信度将MFO优化跟踪框架与尺度比例感知空间跟踪器相结合,解决了尺度变化与长期跟踪目标丢失的问题;最后,在无人机长期跟踪数据集上开展了性能验证。结果表明：提出的算法可有效防止漂移现象的发生,提升跟踪效率;与目前跟踪领域中12种同类文献算法进行对比可知,提出的算法精度较高...     

基于过完备字典的视频压缩采集算法

针对视频图像具有可压缩性和稀疏性的特点,提出一种基于压缩感知的视频图像压缩采集方法.首先,将视频分为不重叠的时间空间块,以有效利用视频不同区域的不同纹理变化.同时,训练了一个由严格的稀疏法则约束的视频块过完备字典用于视频的重构.在这个框架下,使用K-means分类和K-SVD字典训练理论对随机选择的视频块进行训练.最后,对所提方案的有效性和自适应性进行了仿真测试,实验结果表明,所提方法即使在采样数目低至5%的情况下,也可获得比2D离散余弦变换、3D离散余弦变换、帧间差异、分块等传统压缩感知算法更优的峰值信噪比,较好地重构了原始视频图像.     

一种无人机航拍目标的长期跟踪算法

针对无人机在航拍目标跟踪的复杂场景过程中,运动目标可能会被遮挡或不确定跟踪,导致视觉模型出现逐渐损坏、漂移和不可逆转失败等问题,提出了一种无人机航拍目标的长期跟踪算法.首先,进行互补分类器多特征自适应融合设计,在贝叶斯分类器中采用颜色直方图特征,在相关滤波器中采用方向梯度直方图、灰度以及颜色名特征;结合多种特征的优点,...     

自适应特征融合的核相关滤波目标跟踪算法研究

在核相关滤波目标跟踪算法中,为了克服采用单一特征导致的特征表达不足,以及采用线性插值模型更新策略造成模型漂移的问题,提出了一种自适应特征融合和模型更新的核相关滤波目标跟踪算法. 首先使用主成分分析法对方向梯度直方图特征和颜色名特征进行降维,以提高算法的运行速度; 其次计算两种特征的响应图,用所得响应图的峰值与平均峰值相关能量值的乘积来计算响应图权重,实现响应图的加权融合,从而获得目标位置; 最后根据两帧间颜色名特征的相似度调整模型更新速率. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够提高处理速度.     

一种基于ResNet网络特征的视觉目标跟踪算法

针对复杂场景下目标容易丢失的问题,提出了一种基于深度残差网络（ResNet）特征的尺度自适应视觉目标跟踪算法.首先,通过ResNet提取图像感兴趣区域的多层深度特征,考虑到修正线性单元（ReLU）激活函数对目标特征的抑制作用,在ReLU函数之前选取用于提取目标特征的卷积层;然后,在提取的多层特征上分别构建基于核相关滤波的位置滤波器,并对得到的多个响应图进行加权融合,选取响应值最大的点即为目标中心位置.目标位置确定后,对目标进行多个尺度采样,分别提取不同尺度图像的方向梯度直方图（fHOG）特征,在此基础上构建尺度相关滤波器,从而实现对目标尺度的准确估计.在视频集OTB100中与其他6种相关算法进行了比较,实验结果表明,所提算法取得了较高的跟踪成功率和精确度,能够较好地适应目标的尺度变化、背景干扰等复杂场景.     

基于记忆模型的相关滤波目标跟踪

针对目标跟踪中存在的跟踪错误恢复问题,参照ASMM记忆模型,提出了基于记忆模型的模板更新策略及相应的核化相关滤波目标跟踪算法。实验结果表明,对于遮挡或其他外观变化引起的跟踪失败,基于记忆模型的核化相关滤波目标跟踪算法有恢复跟踪的作用。     

Robust Visual Tracking with Hierarchical Deep Features Weighted Fusion

To solve the problem of low robustness of trackers under significant appearance changes in complex background, a novel moving target tracking method based on hierarchical deep features weighted fusion and correlation filter is proposed. Firstly, multi-layer features are extracted by a deep model pre-trained on massive object recognition datasets. The linearly separable features of Relu3-1, Relu4-1 and Relu5-4 layers from VGG-Net-19 are especially suitable for target tracking. Then, correlation filters over hierarchical convolutional features are learned to generate their correlation response maps. Finally, a novel approach of weight adjustment is presented to fuse response maps. The maximum value of the final response map is just the location of the target. Extensive experiments on the object tracking benchmark datasets demonstrate the high robustness and recognition precision compared with several state-of-the-art trackers under the different conditions.     

在线低秩稀疏表示的鲁棒视觉跟踪

基于L₁最小化的鲁棒视觉跟踪算法（L₁跟踪算法）使用图像灰度值特征描述目标,忽略了模板间的结构信息,对目标外观变化的建模不够准确,导致跟踪准确度较低。而且L₁跟踪算法为了平衡跟踪速度和跟踪效果而采用分辨率较低的12×15图像块,难以获取足够的信息来表征目标。针对L₁跟踪算法的不足,该文提出一种在线低秩稀疏表示的视觉跟踪算法。首先,该算法充分利用主成分分析（PCA）基向量对目标外观变化的表示能力并考虑目标遮挡现象,以PCA基向量模板描述目标外观变化,以琐碎模板处理遮挡等异常噪声,从而将候选目标表示为PCA基模板和琐碎模板的线性组合。其次在目标表示模型的优化问题中,对PCA基模板系数进行低秩约束和L_1,1范数正则化约束,对琐碎模板系数实施L_1,1范数约束,并采用非精确增广拉格朗日乘子（IALM）方法求解表示系数。然后在粒子滤波框架下,用目标未被遮挡部分的重建误差和稀疏误差项建立观测模型跟踪目标。最后为了克服模型漂移问题,采用遮挡检测更新机制进行模板更新。在对8组视频图像序列进行测试的实验中,图像块分辨率设定为32×32,与4个现有的跟踪算法相比,该算法取得了最高的平均重叠率0.78和最低的平均中心误差4.05。实验结果表明,该文提出的跟踪算法具有较好的跟踪准确性和鲁棒性。     

A Novel Tracking-by-Detection Method with Local Binary Pattern and Kalman Filter

一种基于LBP和KF增强的检测-跟踪方法

#$TAB王忠立¹,贾春肖¹,#$TAB蔡伯根¹,樊俐彤¹,陶传奇²,张志毅²,王银灵²,张敏²,吕国艳²

(1．北京交通大学,电子信息工程学院,北京 100044;

2．青岛四方车辆股份有限公司,青岛 266111)

创新点说明：

1）针对TLD算法存在对光照变换时稳定性不够好的问题,通过试验分析发现,原算法中检测器的性能对此有很大影响。本文将LBP特征描述子集成到算法的Tracking-by-detection框架中,通过一个判别模块来确定是采用NN检测器,还是LBP检测器,较好的解决了原算法的这一问题。实验证明,改进后的算法,正确性、召回率等指标都有较大改善。

2）TLD算法的计算复杂度较高,不能实时跟踪。经过LBP特征描述子改进后的算法（TLD_ULBP）复杂度也略高于原来的算法。为了提高算法效率,采用Kalman滤波来预测目标搜索区域。论文给出了KF滤波预测的详细过程及策略,并对算法的性能进行了评估。

3）通过大量实验对改进后的算法在准确率、召回率、F-measure等指标上进行了验证,除极个别测试视频外,绝大多数视频下都有较大改善。另外,通过实验发现,经过KF加速,所提出的方法在实时性和精度上都有较好提升。

关键词：TLD算法;LBP;卡尔曼滤波