多特征融合的自适应相关滤波跟踪算法

针对图像目标跟踪问题,为提高跟踪精度,提出了一种多特征融合的自适应相关滤波跟踪算法。算法首先选取HOG和CN两种互补特征,分别训练两个相关滤波跟踪器跟踪图像目标,然后利用提出的响应图置信度计算公式计算两个跟踪器的响应图权重并进行自适应融合做出决策。滤波器更新阶段,算法结合两个特征的响应图置信度与两帧之间的变化率动态调整滤波器学习速率。仿真实验采用跟踪基准数据库（OTB-2013）中的36组彩色视频序列进行实验,对比了流行的相关滤波跟踪算法,结果表明,该算法在平均跟踪精度上优于其他算法,具有一定的应用价值。     

基于多特征和尺度估计的KCF_MTSA算法

多模板尺度自适应核相关滤波器（KCF_MTSA）跟踪算法在目标移动模糊、旋转和尺度变化时跟踪距离精度与成功率较低。针对该问题,提出一种结合多特征和尺度估计的改进KCF_MTSA目标跟踪算法。采用方向梯度直方图和颜色名两种特征对目标进行表征,在训练阶段分别使用多模板核相关滤波器对上述特征进行训练,同时在检测阶段将两个滤波器的响应以权重形式进行自适应融合获取响应图实现目标定位,并使用一维相关滤波器进行目标尺度估计。实验结果表明,该算法的跟踪距离精度和准确率较改进前KCF_MTSA算法有明显提升,其距离精度和准确率分别提高15.8%和28.5%。     

自适应跟踪与多特征融合的目标跟踪算法

Staple算法采用固定权重与学习率的方式,导致其在物体模糊等场景下跟踪精度低.为此,提出一种自适应跟踪与多特征融合的目标跟踪算法(adp-Staple).特征融合与跟踪过程中引入两种不同置信因子提升跟踪精度,特征提取过程引入主成分分析降维技术提升跟踪速度.在OTB-50与OTB-100数据集上进行对比实验,其结果表明,adp-Staple算法较传统Staple算法有更好的跟踪效果,在运动模糊等场景中有更强的鲁棒性.     

基于差异颜色特性的自适应互补学习目标跟踪

针对模板与像素互补学习(Staple)算法中梯度直方图(HOG)特征对目标形状与尺度变化表达能力较弱,以及不能自适应地进行模型融合与模型更新的问题,提出一种基于差异颜色特性的自适应互补学习目标跟踪算法.首先在HOG特征基础上,增加具有良好形状与尺度不变性的颜色名特征,使用此多通道特征计算位置滤波器的响应图;其次计算颜色直方图特征的特征响应图,依据2种响应图的峰值和平均峰相关能量(APCE)指标自适应地分配权重,得到最终融合响应图;最后根据融合响应图的峰值和APCE指标实现高置信度的模型更新.在OTB-13和OTB-15标准测试集上与5种主流的跟踪算法进行实验的结果表明,该算法在目标形变、尺度变化、光照变化、遮挡等情况下均具有较高的鲁棒性,其跟踪精度和成功率指标都优于Staple及其他主流的跟踪算法.     

融入深度特征的多模板相关滤波跟踪算法

针对现实场景中跟踪算法因背景杂乱、遮挡、尺度变化、目标形变等情况易导致跟踪失败的问题,提出融入深度特征的多模板相关滤波跟踪算法.首先对图像或图像区域分别提取深度特征和Color Name特征,经过核相关滤波器学习得到不同的模板;然后采用核相关滤波跟踪算法获得2个特征下的响应集合,并对所得到的集合进行加权融合得到最终的目标位置;最后使用贝叶斯统计通过最大化后验的方式估计最佳目标尺度,同时更新核相关滤波器参数,以实现自适应尺度的目标跟踪.在OTB2013和OTB2015这2个基准数据库上进行实验,并与当前6种优秀的算法进行比较,结果表明该算法性能最优,在2个数据集上的成功率OP(AUE)较KCF算法分别提升10.7%和12.4%.     

上下文感知的改进Staple跟踪算法

为解决相关滤波算法受余弦窗和搜索区域限制,导致跟踪器无法学习更多背景信息的问题,结合Context-Aware和Staple跟踪算法提出一种自适应特征融合的抗遮挡目标跟踪算法.在跟踪器中嵌入遮挡判断模块,利用平均峰值相关能量及峰值信噪比(PSNR)等指标来判断目标的遮挡情况,决定是否更新模板.将该算法在OTB-2015...     

多特征提取逐步求精的高速移动目标跟踪算法

传统的高速移动目标跟踪通常使用图像特征描述,不能够根据跟踪场景自适应地选择最优跟踪特征,导致功能模板很容易产生漂移问题.为此,提出一种基于特征融合和逐步求精的高速移动目标跟踪算法.该算法主要包括3个阶段:第1阶段为自适应多特征融合阶段,通过计算跟踪目标每一特征的前景及背景的区分度,获取目标特征的融合模型;第2阶段是基于多特征内核跟踪阶段,在Mean-Shift框架下,引入Epanechnikov函数作为内核函数提升目标区域中心的像素权重比值;第3阶段为目标模型的自适应更新,通过设计一种模板更新策略提高跟踪结果的准确度.仿真实验结果表明,该算法适用于高速目标跟踪.     

多粒度相关滤波视频跟踪方法

视频跟踪是计算机视觉领域的一个重要研究方向,跟踪算法往往通过融合多种类型的特征来实现较高的性能,但其中多数算法未能充分利用多个特征之间的粒度关系。为此,提出一种基于粒计算思维的多粒度相关滤波视频跟踪算法。对视频图像的特征进行划分,构造出基于各个粒度的相关滤波器并进行独立跟踪,在每帧中根据稳健性评估得分的高低选择最优结果。在此基础上,汇总各帧下的跟踪结果并作为最终输出。在OTB-2013和OTB-20152个公开数据集上进行实验,结果表明,与视频跟踪算法DCFNet相比,该算法在空间鲁棒性与时间鲁棒性上的精准度较高,特别是在快速运动、平面内外旋转和尺度变化的情况下,其具有良好的视频处理能力。     

自适应模型更新的多特征融合目标跟踪算法

针对目标在运动过程中存在遮挡、光照变化、背景因素等复杂情况下的跟踪问题,提出了一种多特征融合的跟踪算法;利用背景加权后的联合直方图来描述目标的灰度和纹理特征信息,提出一种多帧加权组合的模板更新策略,对模板特征分布进行自适应更新,基于当前粒子特征信息可信度加权设计了一种自适应特征融合观测模型,并结合到粒子滤波算法中,从而提高了跟踪算法的场景适应能力;实验结果表明;与基于单一特征的算法相比,该算法的适应性更强,能有效跟踪复杂场景下的运动目标.     

尺度自适应的多特征融合相关滤波目标跟踪算法

目标跟踪一直以来都是计算机视觉领域中的关键问题,核相关滤波算法(KCF)可避免在时域中进行目标跟踪,通过傅里叶变换将时域的计算转换到频域中进行,可大量简化计算,不但提高了跟踪速度,而且在跟踪精度上也有很大的提升.针对复杂条件下的目标跟踪问题,在确保算法实时性的前提下,在KCF的基础上对其特征、尺度以及模型更新机制进行3处改进:提出一种多特征融合算法,针对每种特征在不同环境下的优势,将其进行融合;提出一种分类树形尺度自适应的算法,通过树形搜索方式对目标尺度的大小进行判断,找到最佳响应位置;提出一种自适应模型更新策略的算法.实验结果表明,在公开数据集OTB-2013中算法整体的跟踪精确度达到87.4%,成功率也达到67.1%,可很好地实现复杂条件的目标跟踪,综合性能在已公开发表的跟踪算法中排名第2.尤其是在尺度变化、目标遮挡和图像模糊情况下,所提出算法的跟踪精确度和成功率排名第1.     

融合相似性检测的抗遮挡粒子滤波跟踪算法

在粒子滤波跟踪算法运行过程中,由于目标遮挡导致丢失目标,将严重地降低跟踪精度与鲁棒性。为了解决此问题,提出了目标丢失状态判定方法和基于改进序贯相似性检测的目标位置重建方法,当检测到目标丢失时,重启跟踪算法。改进序贯相似性检测使用Bhattacharyya距离代替像素累积误差,更好地适应检测目标发生旋转、形变、缩放等情况。使用OTB-100标准数据集,将该算法和传统粒子滤波跟踪算法、SCM等经典算法比较。实验结果表明,对于含遮挡特性视频序列,本文算法比传统粒子滤波跟踪算法和OTB-100抗遮挡最优算法跟踪成功率分别提高36.6%和3.2%,提升了跟踪过程的稳定性。此外,还将实验结果与最新粒子滤波跟踪研究成果作对比分析。     

一种基于核相关滤波的视觉跟踪算法

视觉跟踪是计算机视觉的一个重要方向,而核相关滤波(KCF)跟踪是视觉跟踪领域中的一种比较新颖的方法,它不同于传统基于目标特征的方法,不仅具有较高的跟踪精度,而且具有较快的跟踪速度,在实际应用中效果显著。但当物体快速运动或存在较大尺度变化等时,该方法无法准确地跟踪目标。文中提出的基于核相关滤波器的改进算法有效地解决了上述问题,其通过随机更新多模板匹配,确定了核相关滤波的学习因子,从而实现了学习因子自适应更新模型。实验结果表明,该算法根据不同的场景能快速地调整学习因子,从而提高跟踪的成功度。通过自适应学习因子和多模板匹配,该算法对部分遮挡、光照和目标尺度变化具有较强的适应性。     

基于混合粒子滤波和稀疏表示的目标跟踪算法

针对图像序列中的运动目标在跟踪过程中易受到光照等复杂环境、外观变化及部分遮挡影响的问题,提出基于全局信息和局部信息的混合粒子滤波算法.将目标的局部二元模式纹理特征引入粒子滤波算法,通过稀疏编码目标子块,充分利用目标的局部空间信息,并结合全局信息以确定当前帧中目标的位置.在跟踪过程中实时更新模板,这在一定程度上提高算法的鲁棒性.实验表明在目标处于复杂环境中算法能达到较理想的跟踪效果.     

基于跟踪异常与相关性检验的目标丢失判断

针对互补性实时跟踪算法（Staple）在目标丢失后不能察觉,提出了基于跟踪异常与相关性检验的目标丢失判断方法。在平均峰值相关能量的基础上通过对颜色直方图模型响应进行评估,提出了一种改进的跟踪置信度评估方法。根据跟踪置信度对跟踪状态进行评估,并在高置信度情况下使用目标区域构建目标相关性检验模板。当相关滤波模型响应置信度由低变高后,使用目标相关性检验模板与当前目标区域进行相关性检验得到相似度,根据相似度值大小判断目标是否丢失。在OTB-100标准数据集中选取22段视频进行验证,实验结果表明,所提出的方法在Staple算法跟踪过程中能够及时地检测出遮挡、出视野和光照变化等干扰因素导致的跟踪异常。能够正确地判断目标丢失,成功率达100%,为跟踪异常后是否进行目标重检测和实际工程应用中目标丢失判断提供可靠的依据。     

Learning Target-Adaptive Correlation Filters for Visual Tracking

Correlation filters (CF) achieve excellent performance in visual tracking but suffer from undesired boundary effects. A significant amount of approaches focus on enlarging search regions to make up for this shortcoming. However, this introduces excessive background noises and misleads the filter into learning from the ambiguous information. In this paper, we propose a novel target-adaptive correlation filter (TACF) that incorporates context and spatial-temporal regularizations into the CF framework, thus learning a more robust appearance model in the case of large appearance variations. Besides, it can be effectively optimized via the alternating direction method of multipliers(ADMM), thus achieving a global optimal solution. Finally, an adaptive updating strategy is presented to discriminate the unreliable samples and alleviate the contamination of these training samples. Extensive evaluations on OTB-2013, OTB-2015, VOT-2016, VOT-2017 and TC-128 datasets demonstrate that our TACF is very promising for various challenging scenarios compared with several state-of-the-art trackers, with real-time performance of 20 frames per second(fps).     

融合多模板注意力深度网的自适应目标框跟踪算法

现有深度网络跟踪算法应对相似物体干扰、尺度变化、形变模糊、遮挡等问题存在挑战,为此提出一种融合多模板注意力机制的鲁棒深度网络算法.在SiamFc深度网络分支中构建通道和空间多模板注意力机制,以加强网络对目标特征的提取能力;融合浅层和深层卷积特征实现跟踪目标的精确聚焦,以克服相似物干扰问题;采用自适应回归网络学习目标采样点与目标边界之间的距离,实现目标区域的动态预测,有效应对目标尺度变化问题.另外,通过计算分类特征的APCE均值和最大值建立模板在线更新策略,实现网络自适应目标形变模糊与遮挡等问题.对OTB 100和VOT 2016等公开数据集的测试结果表明,与目前先进的SiamFc及改进方法相比,所提出算法在动态目标跟踪的准确率和成功率上均得到有效提升,具有强鲁棒性能.     

融合显著度时空上下文的超像素跟踪算法*

为了更有效地利用目标的特征信息,提高目标的跟踪精度和鲁棒性,提出融合显著度时空上下文的超像素跟踪算法.首先对目标上下文区域进行超像素分割,根据运动信息计算目标上下文的运动相关性及特征协方差信息,得到相关性显著度.然后基于贝叶斯框架,在频域构建融合显著度信息的时空上下文模型.再利用联合颜色和纹理的直方图信息计算巴氏系数,更新时空上下文模型.此外,引入尺度金字塔模型,准确估计目标尺度.最后加入低通滤波自适应运动预测模块,在线更新动态模型样本集,使用岭回归方法实现低通滤波的参数在线更新.在公共数据上的实验表明,文中算法在光照变化、背景复杂、目标旋转、机动性高、分辨率低等情况下具有较好的跟踪效果.     

联合判别式核相关滤波视觉跟随算法

目标跟踪算法是计算机视觉领域的热门技术之一,拥有广阔的发展前景。核相关滤波视觉跟踪算法由于循环矩阵构造正负训练样本,避免求逆的大量运算,显著提高计算速度而受到广泛关注。但是,核相关滤波算法存在一定局限性,无法应对现实环境存在的遮挡、目标尺度变化、背景模糊等复杂多变的干扰因素。因此提出一种改进型核相关滤波算法。该算法不仅融合多种颜色特征提高图像处理的准确度,而且通过构建自适应尺度变化策略来应对目标尺度变化的挑战。为了进一步区分目标和背景信息,提出联合判别式背景感知与干扰判别的策略,以充分利用目标上下文信息。相比于传统核相关滤波算法,改进算法的精度更高,鲁棒性更强。通过在视频数据集OTB-50上的实验可得,改进后的核相关滤波算法性能获得较大提升。     

多特征分层融合的相关滤波鲁棒跟踪

目的 为提高目标跟踪的鲁棒性,针对相关滤波跟踪中的多特征融合问题,提出了一种多特征分层融合的相关滤波鲁棒跟踪算法。方法 采用多通道相关滤波跟踪算法进行目标跟踪时,从目标和周围背景区域分别提取HOG（histogram of oriented gradient）、CN（color names）和颜色直方图3种特征。提出的分层融合算法首先采用自适应加权融合策略进行HOG和CN特征的特征响应图融合,通过计算特征响应图的平滑约束性和峰值旁瓣比两个指标得到融合权重。将该层融合结果与基于颜色直方图特征获得的特征响应图进行第2层融合时,采用固定系数融合策略进行特征响应图的融合。最后基于融合后的响应图估计目标的位置,并采用尺度估计算法估计得到目标更准确的包围盒。结果 采用OTB-2013（object tracking benchmark 2013）和VOT-2014（visual object tracking 2014）公开测试集验证所提跟踪算法的性能,在对多特征分层融合参数进行分析的基础上,与5种主流基于相关滤波的目标跟踪算法进行了对比分析。实验结果表明,本文算法的目标跟踪精度有所提高,其跟踪精度典型值比Staple算法提高了5.9%（0.840 vs 0.781）,同时由于有效地融合了3种特征,在多种场景下目标跟踪的鲁棒性优于其他算法。结论 提出的多特征分层融合跟踪算法在保证跟踪准确率的前提下,跟踪鲁棒性优于其他算法。当相关滤波跟踪算法采用了多个不同类型特征时,本文提出的分层融合策略具有一定的借鉴性。