基于压缩特征的鱼眼视频目标跟踪算法研究

该文针对畸变严重的鱼眼图像中的目标跟踪,提出一种能适应尺度变化、姿态变化以及形状畸变的鱼眼视频目标跟踪的方法。该方法首先将灰度特征和相对梯度特征相结合得到目标的高维特征,然后对其平均降维得到目标的压缩特征。并根据鱼眼成像模型得到投影点的运动特性,确定目标的运动范围。为了适应尺度变化,在块匹配运动估计思想的基础上,对目标跟踪框的顶点分别进行由粗到精的定位,并在此过程中根据跟踪框的尺度相应改变压缩特征的尺度。实验结果表明:该算法在目标畸变、尺度变化、姿态变化以及局部遮挡等情况下,判断指标均优于其他对比算法。     

融合HOG类特征的尺度自适应压缩跟踪算法

针对压缩跟踪算法中存在的特征单一、对光照变化敏感、不能适应目标尺度变化的问题,提出了一种融合HOG类特征的尺度自适应压缩跟踪算法。该算法在Haar-like特征基础上采用固定比值方式融合了HOG类特征,降低了算法对光照的敏感度,HOG类特征仍采用积分图算法进行加速计算。另外,在尺度估计方面,采用相关滤波尺度估计方法,找到使尺度滤波器响应最大的尺度作为新的目标尺度,及时调整跟踪窗的大小并更新特征提取模板,解决了尺度变化问题。实验结果表明:改进后的算法可以适应较大光照变化与尺度变化、平面内旋转等情况,跟踪精度和鲁棒性有明显提高,并且满足准实时性的要求。     

基于BRISK和CamShift的鲁棒目标跟踪研究

在CamShift目标跟踪的框架下,提出了基于BRISK特征匹配和CamShift的目标跟踪方法,该方法通过颜色特征和局部特征共同定位目标,从而实现目标准确跟踪。在保证跟踪实时性的前提下,该方法改善了CamShift算法在目标跟踪过程中对背景、尺度、旋转和遮挡变化的敏感性和目标跟踪的特征单一性。实验对比结果表明,该改进方法较单独基于特征匹配的目标跟踪方法,其快速性有很大提高,较CamShift跟踪方法在目标尺度变化、旋转变化、光照变化、背景变化和遮挡变化条件下的鲁棒性更强,同时增强了两种算法的跟踪准确性。     

基于类间方差和离散余弦变换的模板匹配哈希目标跟踪

针对基于离散余弦变换的压缩感知哈希算法在光照变化、目标发生形变或者局部遮挡的情况下难以跟踪的问题,提出了一种基于类间方差和离散余弦变换融合的模板匹配增强哈希算法。该算法是一种运用类间方差阈值分割和离散余弦变换来提取目标不同特征信息,用快速增强差异法生成哈希序列来降低光照影响,用抽屉原理缩短汉明距离的比较时间的自动更新模板的目标跟踪算法。本文算法与传统哈希算法、基于DCT的压缩感知哈希算法在视频David,Girl和CarScale中进行了跟踪实验。实验结果表明,该算法在光照变化、目标形变和局部遮挡的情况下提高了目标的跟踪成功率,具备良好的鲁棒性,满足了实时跟踪的要求。     

基于关键区域特征匹配的视觉跟踪算法

针对视觉跟踪中目标表观的复杂变化问题,提出了一种基于关键区域特征匹配的鲁棒跟踪算法.首先对目标模板进行初始化并通过滤波预测得到目标候选;然后采用自适应标记分水岭算法对目标模板和目标候选进行分割以提取关键区域,并利用像素的空间和频率分布特性对关键区域进行多重特征描述;最后通过关键区域的特征匹配得到目标模板与目标候选的匹配关系,由此确定最终跟踪结果并进行模板更新.对目标发生尺度、遮挡、旋转、光照、姿态、复杂背景以及运动模糊等变化的视频序列进行了仿真测试.实验结果表明,所提算法能够有效处理目标表观的复杂变化问题,尤其对目标的部分遮挡、光照变化以及复杂背景等具有较强的鲁棒性.     

基于CamShift的压缩跟踪方法

针对压缩跟踪算法在目标旋转、尺度变化的情况下,容易出现跟踪漂移和跟踪失败的问题。本文采用改进的CamShift和压缩跟踪算法相结合的方法从不同角度对目标位置进行预测;然后,根据目标大小对跟踪窗口尺度进行自适应调整;最后,利用前后两帧图像的匹配程度自适应更新参数,提高算法的准确性。测试结果表明,本文算法不仅在目标外观变化的情况下具有较好的鲁棒性,而且在目标受到相似色干扰、遮挡和出现运动模糊时,仍能准确实时的跟踪目标。     

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。     

基于角点检测的光流目标跟踪算法

为了解决传统目标跟踪算法在目标发生旋转、变形等情况下容易丢失的缺陷,提出了首先使用Harris角点算法提取几个目标角点特征,光流法进行匹配点配准,最后采用重心算法确定目标脱靶量的跟踪方法.利用了角点提取算法具有运算速度快且能代表目标形状特征的特点以及光流配准具有匹配精度高的优点.实验结果表明,该方法具有较高的跟踪精度,对于目标旋转、变形、遮挡都具有很高的鲁棒性.     

基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪

L1跟踪对适度的遮挡具有鲁棒性,但是存在速度慢和易产生模型漂移的不足。为了解决上述两个问题,该文首先提出一种基于稀疏稠密结构的鲁棒表示模型。该模型对目标模板系数和小模板系数分别进行L2范数和L1范数正则化增强了对离群模板的鲁棒性。为了提高目标跟踪速度,基于块坐标优化原理,用岭回归和软阈值操作建立了该模型的快速算法。其次,为降低模型漂移的发生,该文提出一种在线鲁棒的字典学习算法用于模板更新。在粒子滤波框架下,用该表示模型和字典学习算法实现了鲁棒快速的跟踪方法。在多个具有挑战性的图像序列上的实验结果表明:与现有跟踪方法相比,所提跟踪方法具有较优的跟踪性能。     

基于正则化卷积神经网络的目标跟踪算法

为了提高目标物体的跟踪鲁棒性和稳定性,文中将L2正则化最小二乘法和卷积神经网络(CNN)相互结合,提出了一种基于正则化卷积神经网络的目标跟踪算法。通过L2跟踪器来评估目标无题被遮挡的程度,利用两层CNN对目标进行目标表示,去除了大部分无关样本,降低了算法的复杂度。实验结果表明,当目标物体发生姿态变化或旋转等剧烈的外观变化时,所提算法具有较强的鲁棒性和稳定性,并且比其他经典的跟踪算法具有更高的精度。     

L2范数正则化鲁棒编码视觉跟踪

针对基于稀疏表示的视觉跟踪计算效率低和易于产生模型漂移的不足,该文提出一种基于L2范数正则化鲁棒编码的视觉跟踪方法。该方法利用L2范数正则化鲁棒编码求解候选目标的编码系数,以粒子滤波为框架,利用候选目标的加权重建误差建立似然模型跟踪目标。为了适应目标的变化并克服模型漂移问题,利用L2范数正则化鲁棒编码估计当前目标的加权矩阵用于遮挡检测,根据遮挡检测结果实现模型更新。对提出的跟踪方法进行实验的结果表明:与现有跟踪方法相比,该方法具有较优的跟踪性能。     

在线鲁棒判别式字典学习视觉跟踪

传统子空间跟踪较好解决了目标表观变化和遮挡问题,但其仍存在对复杂背景下目标跟踪鲁棒性不足和模型漂移等问题.针对这两个问题,本文首先通过增大背景样本的重构误差和利用L1范数损失函数建立一种在线鲁棒判别式字典学习模型;其次,利用块坐标下降设计了该模型的在线学习算法用于视觉跟踪模板更新;最后,以粒子滤波为框架,结合提出的模板更新方法实现了鲁棒的视觉跟踪.实验结果表明:与IVT(Incremental Visual Tracking)、L1APG(L1-tracker using Accelerated Proximal Gradient)、ONNDL(Online Non-Negative Dictionary Learning)和PCOM(Probability Continuous Outlier Model)等典型跟踪方法相比,本文方法具有较强的鲁棒性和较高的跟踪精度.     

基于压缩感知的变尺度目标跟踪技术

为解决变尺度目标的跟踪问题,本文基于压缩感知理论设计了一种具有目标尺度不变性的目标跟踪方法。该方法首先通过插值的方式将初始帧中要跟踪的目标扩展细化至设定的模板图像大小,提取其压缩感知变换后的低维Haar-like特征作为模板特征并初始化分类器,其次利用卡尔曼滤波对待跟踪的图像帧中目标所在位置和尺度变化趋势进行预测,然后在预测目标所在位置周围提取多个不同尺度的待测目标样本并提取其压缩感知变换后的低维Haar-like特征,最后将这些特征送入分类器进行分类得到真实目标并更新分类器。经过实验验证,本文所设计的跟踪方法的平均跟踪成功率为77%,平均中心位置误差为12像素。能够实现对运动过程中发生尺度变化的目标的有效跟踪。     

基于颜色和边缘直方图的多目标跟踪

为了解决基于颜色直方图的多目标跟踪方法对复杂场景适应能力差,容易丢失目标的问题,文中提出一种将颜色直方图与边缘方向直方图相结合的多目标跟踪方法。该方法首先采用一种分块连通域标记方法进行多目标提取,并获得目标的颜色、边缘特征;然后融合目标颜色与边缘两种特征来描述目标的外观模型;最后对跟踪过程中的目标模板进行更新。实验结果表明,该方法对于目标在尺度、光照、姿态发生变化以及目标发生旋转情况下能够实现目标的稳定跟踪,具有很强的鲁棒性。实验中对3组挑战性的视频序列进行了测试,目标数目选定为2个,目标窗口大小为64 pixels× 64 pixels的情况下,本文方法跟踪速度最高可达20 fps,基本上可以满足实时性的跟踪需求。     

Pixel feature-weighted scale-adaptive object tracking algorithm

An effective object tracking method using weighted pixel features was proposed to deal with all kinds of complicated tracking situations,such as target movement,rotation,background interference and scaling and so on.First,the color feature and location information of the pixels in the target area were used to build the object model.Then the average weight image was used to estimate the scale variation coefficient.The aim was to adapt to the scale changes of the target.Finally,an update model was proposed,which was able to renew the object model and background model.The experimental results show that the proposed algorithm could make full use of the differences between pixels in the target area,so it can track more quickly and more effectively with strong robustness.     

位置-尺度异空间协调的多特征选择相关滤波目标跟踪算法

针对传统相关滤波跟踪算法在目标发生尺度变化和遮挡时容易导致跟踪失败的问题,本文提出位置-尺度异空间协调的多特征选择相关滤波目标跟踪算法。首先,提取目标区域的快速方向梯度直方图特征、颜色空间特征和灰度特征,特征间的不同组合方式构成特征池以加强滤波器的判别性能,将组合得到的特征分别进行相关滤波跟踪;其次,依据每种特征响应的鲁棒性得分,选择分数最高的响应图最大值预测目标位置;然后,转换坐标至对数极坐标中,使用相位相关滤波器进行目标尺度估计;最后,设计一种高置信度模型策略更新模板。在标准数据集TB-50和OTB-2015上的实验结果表明,本文提出的算法在目标发生尺度变化、遮挡、旋转、出视野和背景杂乱等情况下,仍具有较好的跟踪有效性。      

基于显著轮廓特征的SAR图像轮廓匹配新方法

在以星载SAR图像作为基准图、机载/弹载SAR图像作为实时图的匹配导航和精确制导研究中,传统基于点特征的匹配方法存在特征点数目过多, 误匹配率较高,容易受噪声及灰度变化影响等问题。该文提出一种基于显著轮廓特征的SAR图像“由粗到精”的匹配新方法。该方法在对SAR图像进行预处理的基础上,采用改进的模糊C均值聚类(FCM)的图像分割方法来提取闭合轮廓特征;采用归一化轮廓中心距离描述符进行双向匹配,获得强鲁棒性的粗匹配轮廓对;在粗匹配轮廓上采用改进的局部二值模式(LBP)算子得到精匹配结果。试验结果表明,该方法在图像旋转、空间变化以及噪声干扰较大的情况下,具有精确性高、鲁棒性强的优势,适宜遥感SAR图像匹配。     

基于多表观特征子模型更新的鲁棒视觉跟踪

在视觉跟踪中,传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题.为改善该性能,提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先建立候选子模型库,然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息,最后将当前帧三种特征直方图信息与候选库中各子模型分别计算加权相似度,更新候选库后与阈值比较,判断是否更新当前子模型.实验结果表明：本文算法能够对特征相应子模型进行有效的选择性更新,与对比算法比较,在多种复杂变化的跟踪条件下,总体上能够具有更好的跟踪鲁棒性.     

一种视觉跟踪中的模板更新策略

针对复杂场景中的目标外观和背景变化引起的模板 更新问题, 提出了一种新的视觉跟踪模板更新策略,用以提高目标模板正确性。算法利用特征信息在 时间和空间上的区别和变化,进行特征子量分类更新,避免了模型过更新,提高了目标模型 的容错能力,使更新带来的误差尽量小,以适应目标和背景信息的不断变化,在一定程度上 提高了跟踪算法的精准度和鲁棒性。实验结果表明,本文方法在视频跟踪系统中具有优越的 性 能,可以在目标运动、变化和遮挡情况下实现鲁棒跟踪。