基于可变形模型的目标跟踪算法

近年来目标跟踪技术的研究已经有了很大的进展,但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先,利用可变形模型对跟踪目标进行表达,该模型将目标分为若干子块,目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来,给出了对目标的一个统一的相似度度量函数。然后,在线训练一个结构化输出支持向量机作为分类器,该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标,完成跟踪。通过实验比较,该算法的跟踪性能优于其他主流跟踪算法,尤其在目标发生遮挡和形变的时候仍能准确跟踪。     

一种红外和可见光双通道视频目标跟踪方法

室外场景下由于场景背景条件变化容易导致视频目标跟踪稳定性差。该文提出一种利用红外和可见光传感器的双通道视频目标跟踪方法。该算法利用可见光图像的目标颜色特征和红外图像的目标轮廓特征,结合均值漂移算法与水平集曲线演化实现目标定位,并给出了目标尺度和模板更新方法;对多目标跟踪的互相遮挡问题,通过判断目标合并与分离实现遮挡时多个目标的定位。实验结果表明,该文方法能够有效处理光照变化、阴影、遮挡等情况,实现目标的稳定跟踪。     

一种目标响应自适应的通道可靠性跟踪算法

为解决基于时空正则项的目标跟踪算法(STRCF)在目标短时遮挡时定位精度低和目标旋转时尺度估计不准确的问题，该文提出了一种目标响应自适应的通道可靠性跟踪算法。该算法在目标模型训练时加入了目标响应正则项，通过在求解过程中更新理想目标响应函数，使得目标被短时遮挡后可重新跟踪目标；加入通道可靠性评价各特征通道的可靠性，提高了模型对目标的表达能力；将目标图像转换至对数极坐标系下训练尺度滤波器，提高在目标旋转时的尺度估计精度。实验结果表明，该文所提算法较STRCF在平均中心位置误差中降低了28.54个像素，在平均重叠率中提高了22.8%，在OTB2015数据集下成功率曲线下面积较STRCF提高了1.5%。     

基于多模板匹配的双模型自适应相关滤波跟踪算法

为有效提升目标跟踪的精确度和实时性,设计了基于多模板匹配的双模型自适应相关滤波跟踪算法。对多模板匹配模型与核相关滤波跟踪模型参数进行初始化处理：多模板匹配模型选取得分函数作为模板与候选样本间匹配准则,通过候选样本得分获取最佳目标,更新多模板后,通过形变多样相似性实现多模板匹配;核相关滤波跟踪模型利用所采集目标样本数据建立循环矩阵,通过训练核化岭回归分类器获取核相关滤波器,并获取响应置信图,再利用响应置信图获取下一帧图像目标位置。通过自适应融合策略获取两个模型所估计目标位置,再采用金字塔尺度估计策略估计目标尺度变化,通过不断更新各模型参数实现目标精准跟踪。实验结果表明,在目标受遮挡或旋转、光照变化等复杂环境下,该算法的中心跟踪误差均低于15 dpi,平均跟踪精确度均高于98%,且目标定位时间低于100 ms,说明该算法在跟踪精确度和实时性上具有明显的应用优势。     

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

基于改进YOLOv3的无人机机载激光雷达图像目标定位方法

为提升无人机机载激光雷达图像小目标定位的精度，提出基于改进YOLOv3的无人机机载激光雷达图像目标定位方法。基于MCA算法分割激光雷达图像信息，通过包含脊小波字典的稀疏表达重新构建图像信息，达到去除目标图像噪声的目的；通过变化检测技术分离目标区域聚类信息，将目标区域从背景区域中分离；将目标区域输入到优化后的YOLOv3算法中完成无人机机载激光雷达图像目标的定位。实验结果表明，所提算法的定位精度为95.1%,定位耗时平均为20.6 s。     

服务空间中人的定位与跟踪

针对人与机器人共存的服务空间中人的定位跟踪问题,提出了一种基于分布式激光雷达协作感知的全局定位跟踪方法。分别对各台激光雷达获取的数据进行统计检验,将其分为静态数据和动态数据,利用静态数据完成各台激光雷达的位置标定,实现背景消除。动态数据通过无线网络传送到服务器,将来自同一时刻不同激光雷达的动态数据组成观测数据的一帧,实现数据的同步与融合。对获取的每帧数据进行基于迭代最近点算法的轮廓模型匹配,区分各个目标。采用基于位置-速度的关联门对相邻两帧的检测目标进行关联,实现对各动态目标的跟踪。实验验证了该方法在解决人的定位与跟踪问题的有效性,与基于视觉的定位跟踪方法相比,本系统在定位精度和跟踪成功率上优势明显。     

一种基于粒子滤波的自适应运动目标跟踪方法

该文提出了一种基于粒子滤波的自适应运动目标跟踪方法。均值漂移算法是一种最优梯度下降法,通过迭代来搜索目标,从而实现对运动目标的跟踪。而粒子滤波是一种在非线性和非高斯情形下进行跟踪的强有力方法。该文首先对图像的直方图进行改进,提出了一种基于统计直方图分布的目标模型,然后通过这个模型将这两种方法有效地结合起来。根据跟踪的过程,自适应地调整参数,能够较好地处理图像序列中由于光线变化或遮挡所带来的影响。实验证明,该文所提出的方法与均值漂移方法相比,即使在复杂的情形下,也能够准确地对目标进行跟踪。     

改进的Camshift与Kalman融合的目标跟踪算法

Camshift算法主要利用物体的颜色信息进行跟踪,在复杂背景条件下容易造成目标的跟丢,且在目标被遮挡时,也容易造成跟踪失效。本文提出了一种改进的Camshift目标跟踪算法。首先将目标图像的HSV模型的三个分量进行加权建立一种新的目标颜色模型,然后由对整帧图像计算反向投影改为比搜索窗口稍大的区域计算反向投影,减少了相似背景的干扰。同时为了解决遮挡问题,结合了Kalman滤波器,有效地预测了目标的位置。实验表明,本算法能够避免背景颜色干扰和解决遮挡问题,实现了对运动目标准确跟踪。     

一种引入预测机制的时空上下文跟踪算法

针对时空上下文(STC)算法在抗遮挡目标跟踪中的不足,提出使用上下文模型相似度作为判别遮挡的条件和改进上下文模型更新方程的修正系数,同时采用预测算法修正搜索区域,构建了一种基于时空上下文跟踪的抗遮挡目标跟踪算法,并通过标准目标跟踪视频库对原算法和改进后算法的跟踪性能进行仿真和对比。实验证明,在原算法的基础上提高了抗遮挡跟踪的鲁棒性,在一些图像序列中跟踪成功率的提高最高可达30%。     

HOG特征混合模型结合隐SVM的感兴趣目标检测定位算法

针对传统基于梯度方向直方图特征检测算法对解决目标模型单一、发生形变、存在遮挡及目标受干扰下定位困难的问题,提出一种基于HOG特征混合模型结合隐SVM的感兴趣目标检测算法。首先利用用训练图像的HOG特征金字塔表示得到包含感兴趣目标根模型、部件模型和对应可变形部件特征表示,该模型不仅描述目标的整体轮廓,而且能够捕捉到更为精细的目标部件轮廓,在一定程度上提高了检测算法在目标姿态复杂情况下的鲁棒性。然后利用HOG特征混合特征训练部件检测分类器LSVM(Latent Support Vector Machine)。最后通过动态规划和距离转换算法在测试图上扫描出与可变形部件模型相匹配的区域,实现感兴趣目标的检测定位。经过多组实验结果表明,所提出的算法能较好地解决目标在发生较大形变和存在遮挡等复杂姿态下的定位问题。      

复杂场景下的加权粒子滤波行人跟踪方法

针对粒子滤波跟踪算法在行人目标遮挡、光线干扰以及背景与行人相似等情形下,目标易发生漂移、跟踪精度不高的问题,本文提出一种加权粒子滤波行人跟踪方法。该方法联合遮挡模型和Online Boosting算法,利用在线学习实时更新强分类器,并结合跟踪时建立的遮挡模型,以及行人运动时与上一次目标位置的距离、相似度等影响因子,对粒子权重进行重新构造,实现了复杂变化场景下的行人自适应跟踪。通过对PETS-L2S1公共数据集和自有数据集分别进行实验,可以得到本文提出的方法能有效去除目标遮挡、相似背景以及光线突变的干扰,实现稳定、准确、实时的行人跟踪。      

基于Contourlet直方图的目标跟踪算法

提出一种基于Contourlet直方图的目标跟踪算法。对图像先进行Contourlet变换,并利用变换后的Contourlet系数建立Contourlet直方图,将其作为meanshift算法的迭代参数来实现目标跟踪。实验结果表明,本算法具有较好的鲁棒性,能够在遮挡、小目标等情况下实现快速准确的跟踪。     

基于特征融合的RGBT双模态孪生跟踪网络

热红外成像技术被广泛地应用于军事、遥感和安防等领域中的目标跟踪,但热红外图像对对比度较低、目标模糊等跟踪场景效果一般。因此,将热红外图像与可见光图像进行融合提高跟踪性能具有重要意义。与基于可见光或热红外图像的单模态跟踪算法相比,基于可见光/热红外(RGB/Thermal, RGBT)图像的双模态跟踪算法对光照变化、云雾遮挡具有更强的鲁棒性。提出了一种基于特征融合的RGBT双模态孪生跟踪网络架构。该网络将双模态图像中提取的深度特征进行融合,提高目标外观特征的判别力。该网络可以利用训练数据进行端到端的离线训练。公开数据集RGBT234上的实验结果表明,所提出的RGBT双模态孪生特征融合跟踪网络能够实现复杂场景下鲁棒持续的目标跟踪。     

RGBT双模态加权相关滤波跟踪算法

与基于可见光的单模态跟踪算法相比,基于可见光/热红外(RGB-Thermal, RGBT)的双模态跟踪算法对光照变化具有更强的鲁棒性。但在实际应用场景中,双模态跟踪算法仍然会受到局部遮挡目标形变的影响。为了解决以上问题,本文提出了一种可见光/热红外RGBT双模态加权相关滤波跟踪算法。该算法首先利用可见光图像和热红外图像联合求解权重图,然后利用权重图引导相关滤波器求解过程,最后根据权重图推断前景目标是否被遮挡。该算法在公开数据集RGBT234上的结果表明,本文提出的RGBT双模态加权相关滤波跟踪算法能够有效处理目标局部遮挡和目标畸变等情况,实现复杂场景下鲁棒持续的目标跟踪。      

毫米波辐射图像目标定位技术研究

针对毫米波辐射图像中目标定位的问题,提出了一种基于区域标记的毫米波辐射图像金属目标定位算法.该算法通过分析金属的毫米波辐射特性以及毫米波辐射图像的特点,利用区域标记算法对图像中金属目标进行分割,并引入基于面积的虚假目标去除准则,采用计算重心的方法实现了金属目标的定位.实验表明,该算法既能对图像中单个金属目标又能对图像中多个金属目标实现准确定位,且不论目标的外形如何,都能得到其精确的中心坐标,为下一步目标的选择与跟踪提供了依据.     

基于深度特征表达与学习的视觉跟踪算法研究

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,将深度学习引入视觉跟踪领域,提出一种基于多层卷积滤波特征的目标跟踪算法。该算法利用分层学习得到的主成分分析(PCA)特征向量,对原始图像进行多层卷积滤波,从而提取出图像更深层次的抽象表达,然后利用巴氏距离进行特征相似度匹配估计,进而结合粒子滤波算法实现目标跟踪。结果表明,这种多层卷积滤波提取到的特征能够更好地表达目标,所提跟踪算法对光照变化、遮挡、异面旋转、摄像机抖动都具有很好的不变性,对平面内旋转也具有一定的不变性,在具有此类特点的视频序列上表现出非常好的鲁棒性。     

基于视觉显著性的监控视频动态目标跟踪

视频动态目标检测与跟踪是智能化视频分析的基础,是实现智能监控的关键技术之一。基于人类视觉对运动的方向和速度非精确感知的特点,结合HR生物相关运动检测模型改进Itti Saliency算法,建立颜色、方向、亮度和运动四特征通道的特征图提取算法,对特征图进行跨尺度融合及归一化,从而提取视频图像中动态目标的视觉显著图。对视频序列图像的显著图逐一显示,便可实现对运动目标的跟踪。提出的运动感知模型,改善了对运动目标视觉显著性的检测效果,能够准确检测并跟踪监控视频中复杂背景、遮挡、多物体的动态目标。     

一种改进的核相关滤波目标跟踪方法研究

针对目标跟踪领域视频图像序列经常出现遮挡、光照变化和快速移动等难点,提出了一种融合目标上下文信息和超像素级特征的核相关滤波跟踪方法,目标与其周围的信息存在相关性,利用中层视觉特征(超像素)构建目标的上下文滤波模型,在相关滤波框架下,实现对目标的快速训练和定位。实验结果表明,和其他相关滤波类算法相比,所提出的算法在处理以上跟踪难点时,精确度更高,且鲁棒性更强,同时能以较快的速度运行,满足实时性的要求。     

基于元学习的红外弱小点状目标跟踪算法

为了在研究红外弱小点状目标的特征基础上有效解决训练数据不足的问题, 采用了基于改进的元学习红外点状目标跟踪算法。首先将元学习通过预训练跟踪模型运用到卷积神经网络中, 采用离线训练的方式在静态红外图像数据集上训练得到目标的通用表示, 再通过在线训练的方式利用初始帧的目标位置学习得到目标的特定表示; 通过卡尔曼滤波算法预测目标运动模型, 得到最优的搜索区域。此外, 为了解决遮挡造成的目标丢失问题, 研究了重检测机制, 并进行了理论分析和实验验证, 取得了较好的跟踪结果, 跟踪精度达到了90%。结果表明, 该方法在同一数据集下相对其它跟踪算法实现了更精确地跟踪红外弱小点状目标的效果。该研究为机器学习算法在红外弱小点状目标跟踪中的应用提供了参考。