基于核协同表示的快速目标跟踪算法

针对复杂环境下的单目标跟踪问题,提出一种采用核协同表示的快速目标跟踪算法.在粒子滤波的框架下,在字典矩阵中引入方块矩阵建模跟踪过程中可能出现的遮挡,然后将字典矩阵和候选样本分别映射到高维空间,建立候选样本和字典矩阵在高维空间的线性表示目标跟踪模型,同时采用L2正则化减弱传统方法对系数稀疏性的要求,有效地降低关键步骤的计算复杂度.实验结果表明,该方法能够克服遮挡、光照变化、尺度变化、运动模糊等影响跟踪性能的因素,具有较高的平均覆盖率和较低平均中心点误差,能够实现快速鲁棒的跟踪.     

一种基于改进RT-MDNet的全景视频目标跟踪算法

为了解决全景视频目标跟踪过程中,由于光照条件变化、相似背景干扰、目标运动时产生的形变和尺度变化等因素的影响,在跟踪中会出现目标漂移、目标丢失等情况,进而导致目标跟踪算法成功率低,鲁棒性差等问题,提出一种基于长短期记忆网络和改进Real-Time MDNet网络的全景视频目标跟踪方法.算法首先采用浅层卷积神经网络提取特征,并利用自适应的RoIAlign减少特征提取过程中的像素损耗,而后运用目标特征在线更新最后一个全连接层的权重,在全连接层中实现前景背景分离并提取出目标区域,然后通过长短期记忆网络自适应地选取目标框的尺度,最终输出目标位置信息.实验结果表明:单目算法应用在全景数据集时,难以适应全景中的尺度变化和背景变化,改进算法利用3层长短期记忆网络构建的尺度预测模块,可以有效地应对全景数据存在的尺度变化和目标形变问题,在保持较好的跟踪精度的同时,可以有效地应对目标跟踪中出现的小目标、目标遮挡、多目标交叉运动的情况,获得更好的视觉效果和更高的重叠率得分.     

基于均值偏移粒子滤波的自适应跟踪

针对视频中运动人体的跟踪,提出了一种基于均值偏移粒子滤波的自适应跟踪算法。该算法首先对所要跟踪的人体目标进行分块,并选择与周围环境颜色相似度最小的块模板作为跟踪区域;然后使用基于均值偏移的粒子滤波方法进行跟踪,并设计了自适应更新块模板尺度的方法;最后在粒子滤波的状态估计阶段后,加入自适应观测模型,根据块模板尺度的变化情况,自适应地选择高斯噪声方差和粒子数目。实验证明,在出现遮挡或人体运动方向改变的情况下,本文算法的跟踪效果比传统均值偏移粒子滤波更好。     

一种改进的α-β-γ滤波跟踪算法

α-β-γ滤波器是一种高速的目标跟踪器.该文章针对传统α-β-γ滤波跟踪精度与收 敛速度之间存在的矛盾以及由于系数固定而难以跟踪强机动性目标的局限性,设计了一种自 适应α-β-γ滤波算法,根据目标机动性的变化,利用跟踪误差调整模糊系统的输出,在保 证精度的前提下,得到自适应的系数值,使跟踪结果快速收敛,很好地解决了跟踪精度与收敛 速度之间的矛盾.仿真结果表明,在满足所要求精度的前提下,该算法跟踪机动性强的目标比传统的α-β-γ滤波算法具有更强的自适应性.     

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...     

一种快速鲁棒的内河CCTV系统船舶跟踪算法

为了解决捕食者算法在内河CCTV(闭路电视监控)系统单船舶跟踪应用中的两个缺陷:1)船舶运动的尺度集合是预先给定的,导致算法不能自适应船舶的尺度变化;2)基于滑动窗的级联目标检测器的搜索策略运算复杂度很高,致使搜索效率极其低下。首先从闭环控制系统角度分析捕食者算法。然后针对尺度自适应问题,基于SAMS(Scale-adaptive via Mean Shift)算法提出了一种新颖的尺度自适应策略。其次,针对搜索效率问题,提出采用基于粒子滤波的运动模型显著提高目标检测效率。实验结果表明,改进后的算法在应用于内河CCTV系统的船舶跟踪中保持了较高的跟踪精度,提高了对船舶尺度的自适应特性,同时算法的实时性相比原算法也有显著提高。     

机动目标跟踪波形和检测门限自适应算法

由于现有雷达目标跟踪波形和检测门限自适应算法大多围绕以距离、距离率作为量测的一维运动目标展开,忽略了角度对目标跟踪的影响,从而无法对目标进行跟踪定位。为此,提出一种杂波背景下针对二维机动目标跟踪的雷达波形和检测门限联合自适应算法。首先,对传统基于时延-多普勒分辨单元的理论作进一步扩展,设计出一种包含距离-距离率和方位为量测的具有“棱柱”结构的分辨单元;然后,给出了包含波形参数和检测门限的量测误差协方差的联合近似表达式;最后,利用认知雷达思想,以滤波误差协方差的迹最小为代价函数自适应选择下一时刻的波形参数和检测门限,以提高系统的跟踪性能。仿真结果表明,波形和检测门限联合自适应算法的跟踪性能要明显优于传统的固定参数跟踪算法。     

仿射变换在压缩感知跟踪中的应用

针对跟踪中目标尺度变化和旋转问题,将仿射变换和应用到压缩感知跟踪中.首先,以上一帧的跟踪结果为均值,以一定的标准差按照高斯分布,随机生成不同尺度和旋转角度的候选框;然后,通过仿射变换将其转换至直角坐标系中,通过多尺度滤波得到目标在不同尺度下的高维特征向量,采用压缩矩阵将高维特征向量降维至低维空间;最后,将低维特征向量通过贝叶斯分类器选取具有最大响应的候选位置作为目标的跟踪位置.在此基础上分别提取正负样本来更新分类器参数,从而实现持续稳定的跟踪.实验结果表明,该算法能够较好地解决压缩感知跟踪中的目标旋转和尺度变化问题.     

多模态特征联合稀疏表示的视频目标跟踪

针对复杂跟踪环境下,单模态方法不能很好地跟踪目标的问题,提出了一种基于多模态特征联合稀疏表示的目标跟踪方法。该方法对每个候选样本的多模态特征进行联合稀疏表示,将各模态重建误差之和用于计算候选样本的观察概率,并将具有最大观察概率的候选样本确定为目标。通过与其他一些流行跟踪算法进行对比实验,结果表明本方法在遮挡、光照变化等场景下均能可靠跟踪,具有更好的跟踪效果,从而验证了方法的可行性。     

分层特征移动机器人行人跟踪

利用行人头肩或者颜色特征,实现行人外层初定位;在初定位区域上,应用改进的尺度不变特征变换(SIFT)特征匹配实现对目标的精确定位.根据SIFT特征确定目标尺寸,解决行人尺度变化问题;将SIFT特征模板库更新机制引入特征保留优先级,解决行人短暂遮挡和形变的问题.为解决传统Cam-Shift算法的椭圆核函数自适应问题,将SIFT特征尺度变化与Epanechnikov函数融合,构成自适应带宽核函数,克服背景对目标的干扰.外层粗定位结果限制了Harris算子的检测范围,提高了SIFT特征匹配的实时性.实验结果证明,所提出移动机器人行人跟踪算法可以在目标尺度变化、短暂遮挡以及形变情况下实现行人跟踪.     

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.     

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明：所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的...     

自适应分块颜色直方图的MeanShift跟踪算法

传统颜色直方图的MeanShift(MS)算法只考虑了目标颜色的统计信息,不包含目标的空间信息,当目标颜色与背景颜色相近时,容易导致不准确跟踪或跟踪丢失。针对该问题,提出了一种自适应空间颜色直方图的MeanShift跟踪算法。该算法根据目标对象的最新外接矩形尺寸,确定对象分块方法,根据各块的Bhattacharyya系数值,确定各块的权重系数。其中,自适应分块的颜色直方图包含了自适应分块方法和目标的空间信息;加权Bhattacharyya系数考虑到不同块对整体相似度的不同影响。实验表明,文中算法采用自适应分块方法和加权Bhattacharyya系数法,比传统的MS算法和固定分块的MS算法具有更好的跟踪性能。     

核窗宽自适应的均值偏移跟踪算法

针对固定窗宽的均值偏移算法对逐渐变大的运动目标跟踪不准确的问题,提出了一种窗宽自适应的均值偏移跟踪算法。先对当前帧进行均值偏移跟踪,再通过后向跟踪使跟踪窗口中心与目标形心匹配,利用巴氏系数最大化对窗宽进行±10％的修正,使跟踪窗口的尺度自适应变化。实验结果表明：该算法提高了跟踪精度,增强了跟踪稳定性,保证了跟踪的实时性。     

基于TLD改进的目标跟踪算法

为了提高跟踪学习检测算法的实时性和准确性,提出一种改进的目标跟踪算法。基于跟踪学习检测算法结构,将加速稳健特征作为输入,通过跟踪器和检测器生成正负样本集;利用正负样本集对支持向量机进行训练,得出权值和偏置对目标进行分类;综合模块将跟踪结果与检测结果相结合,确定目标位置,并输出最终的目标图像。实验结果表明,改进算法处理速度为47帧/s,准确率可达94.0%。与跟踪学习检测算法相比,改进算法在实时性和准确性上均有所提升。     

基于局部敏感直方图的稀疏表达跟踪算法

为解决目标跟踪过程中光照变化、姿态变化等问题,提出了一种基于局部敏感直方图特征的稀疏表达跟踪方法。对粒子滤波获取的多个候选目标提取局部敏感直方图特征,并根据模板字典,采用改进的L1范数模型求取每个候选目标的稀疏表示系数;然后计算每个候选目标的权重,选取权重最大的候选目标作为跟踪结果。实验结果表明,本算法能很好实现对目标的跟踪,在解决光照变化、姿态变化等问题方面有较好的效果。     

整体特征通道识别的自适应孪生网络跟踪算法

针对孪生网络目标跟踪算法仅使用特征提取网络提取特征,在遮挡、旋转、光照与尺度变化中容易出现跟踪失败的问题,提出整体特征通道识别的自适应孪生网络跟踪算法. 将高效的通道注意力模块引入ResNet22孪生网络中,提高特征的判别能力. 使用整体特征识别功能计算全局信息,提取更为丰富的语义信息,提高跟踪算法精度. 同时,引入自适应模板更新机制,解决遮挡与长期跟踪导致的模板退化问题. 为了验证所提方法的有效性,在OTB2015、VOT2016与VOT2018等公开数据集上进行测试,并与其他跟踪算法进行对比. 结果表明,所提算法在精确度与成功率上表现较好,在背景杂乱、旋转、光照与尺度变化等情况中表现稳定.     

跟踪框自适应的尺度变化目标跟踪算法

为解决尺度变化的目标跟踪问题,借助于对数极坐标变换良好的尺度旋转不变性,提出一种基于椭圆对数极坐标变换域下目标跟踪算法。算法利用一种显著性加权的Mean Shift进行空间定位,进而将目标区域变换到椭圆对数极坐标系下并沿尺度轴进行积分,通过一维的最大相关匹配确定目标的尺度参数。实验结果表明,该算法不仅空间跟踪误差较低,而且能够较稳定地适应目标尺度变化,具有较好的鲁棒性。     

基于自适应模板相关跟踪算法的研究

目前相关跟踪技术已经在目标识别领域得到了非常广泛的应用,该论文提出一种基于自适应模板的相关跟踪算法,该算法弥补了固定模板的不足,提高了跟踪的稳定性,尤其适合于复杂背景下连续图像的跟踪。     

基于有效特征筛选的Mean shift运动目标跟踪算法

针对现有Mean shift跟踪算法在目标被遮挡、跟踪场景变化时,跟踪误差变大甚至丢失目标的问题,提出了一种基于有效特征筛选的Mean shift运动目标跟踪算法。首先通过对目标特征的优化筛选,改善了现有Mean shift算法因目标特征多而造成计算时间较长,在目标发生较大变化时跟踪精度降低的情况。更能有效地表征目标特征,减少跟踪误差,增强特征集对目标的描述能力。同时给出目标模板更新的方法,在目标发生明显变化时,能自适应地更新特征集,进一步提高跟踪精度。仿真结果表明:文中方法具有更好的跟踪精度,计算时间较小,对遮挡、场景变化有更好的鲁棒性。