基于SIFT特征的目标跟踪算法鲁棒性研究

本文在改进的尺度不变特征转换(Scale-invariant feature transform,SIFT)特征匹配算法的基础上,提出了一种基于特征集的多目标跟踪算法。通过设置目标特征留存优先级,更新特征集,保存近几帧的稳定特征,保证特征的稳定,提高了匹配准确度。试验结果表明该算法对目标由于旋转、形变导致的跟踪性能下降具有较好的容错性,也具有较好的鲁棒性。     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

基于均值漂移—连通域标记的多目标跟踪算法*

提出一种基于Mean Shift改进算法与连通域标记的多目标跟踪算法。在多目标跟踪过程中,对目标瞬间丢失、目标遮挡或重叠时目标跟踪失败等情况有较好的改进。在跟踪过程中,当目标丢失时,基于改进的Mean Shift算法能自适应调整搜索窗口尺寸和方向。通过自适应扩展搜索窗口,利用连通域标记算法搜索目标并计算其矩特征来获得跟踪目标的重心和大小信息,并将获得的位置和尺度信息作为下一帧Mean Shift算法跟踪初始坐标和尺度,统计目标区域颜色直方图作为Mean Shift算法目标模型,从而解决了因目标速度过快而引起的目标瞬间丢失问题。最后研究结果显示,这种改进的目标跟踪算法可以有效改善多目标跟踪的性能,实现目标连续跟踪。     

基于尺度不变特征的光流法目标跟踪技术研究

针对目标跟踪问题中目标和场景动态变化的问题,提出了一种结合尺度不变特征变换（SIFT）和光流估计算法并改进模板更新策略的目标跟踪算法。SIFT特征是一种局部特征,具有尺度和旋转不变性。光流场反映的是一种全局特征,表示像素点强度的变化。SIFT特征点可以很好地满足光流估计的条件。实验结果表明这种改进后的目标跟踪算法能应用于部分遮挡的情况,并且相对于传统光流法具有更高的精确度。     

基于SIFT特征目标跟踪算法研究

在尺度不变特征变换(Scale invariant feature transform, SIFT)特征匹配算法的基础上, 提出了一种基于累积特征的多目标的跟踪算法, 通过对目标的SIFT特征进行实时更新来去除由噪声(或形变)带来的``过时'特征信息, 保证了特征的稳定, 提高了匹配准确度. 实验结果表明, 本算法能够有效处理目标由于旋转、 形变而导致跟踪性能下降甚至跟踪目标丢失的问题, 同时对跟踪过程中多目标的关联, 也具有较好的鲁棒性.     

基于SIFT特征和模板更新的粒子滤波目标跟踪算法

传统的粒子滤波算法利用目标的颜色特征对粒子权值进行更新,当背景与目标的颜色分布相似或者目标被遮挡时,易发生误跟踪。尺度不变特征具有较高的独特性,但是仅使用SIFT特征不足以对小目标进行描述。针对这两种情况,提出一种利用SIFT特征和颜色特征建立目标模型,结合粒子滤波实现目标跟踪的新方法。为了防止目标模板的误更新,根据当前帧跟踪结果与SIFT目标模板中特征点的匹配数目决定是否对颜色目标模板进行更新。实验结果表明,当目标被遮挡或者位于有相似颜色的杂乱背景时,提出的方法能有效提高跟踪的精确度。     

基于改进SIFT算法的粒子滤波目标跟踪

为解决传统尺度不变特征变换(SIFT)算法在光照变化和遮挡的情况下,不能快速准确跟踪目标的问题,提出一种采用粒子滤波和SIFT建立目标模型的方法,利用粒子滤波预测目标在当前帧中可能的位置。计算目标可能存在的区域SIFT特征点,构建特征描述向量,进行目标匹配。根据目标模型和目标候选区域中SIFT特征点的匹配情况,在跟踪过程中更新特征描述向量,实现目标跟踪。实验结果证明,该算法可提高目标检测和跟踪的速度以及准确性。     

改进的抗遮挡MeanShift目标跟踪算法

传统MeanShift目标跟踪算法通过bin-bin颜色直方图表示目标特征,直方图中往往会混入背景颜色信息,造成跟踪不准确;同时由于MeanShift算法具有局部最优性,当目标受到严重遮挡丢失后,不能对目标重新定位跟踪。为了解决上述问题,在颜色直方图和抗遮挡能力方面进行了改进。利用交叉bin颜色直方图代替传统的bin-bin颜色直方图表示目标特征,减少背景颜色的干扰,提高MeanShift算法跟踪精度;当目标受到严重遮挡丢失后,通过一种尺度变化调整机制,在全局范围内搜索目标位置,提高MeanShift算法抗遮挡能力。实验显示,改进后的算法不仅在背景干扰大时对目标的跟踪精度更高,而且当目标受到严重遮挡丢失后,也能够对目标重新定位跟踪。     

基于SIFT 特征和粒子滤波的目标跟踪方法

现有的基于外观的目标跟踪算法,在光照变化和遮挡的情况下,不能准确跟踪目标．针对这个问题,考 虑到尺度不变特征（SIFT 特征）对于光照变换、尺度变换以及仿射变换的不变性,提出了一种利用SIFT 特征建立 目标模型,结合粒子滤波实现目标跟踪的新方法．在跟踪过程中,根据目标模型和候选目标中SIFT 特征点在时间 窗内的匹配情况,自适应更新目标模型的特征点,使模型能够适应目标外观变化．仿真结果证明了方法在不同环境 下的健壮性．     

融合YOLO检测的多目标跟踪算法

针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。     

隐马尔可夫模型下基于SIFT特征的局部遮挡目标识别

提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。     

基于SIFT 特征的目标多自由度mean-shift 跟踪算法

传统的mean-shift跟踪算法不能跟踪目标的旋转、缩放运动,且常常因此造成定位不准.鉴于此,将尺度不变特征变换（SIFT）特征检测融入到mean-shift跟踪过程,提出SIFT特征点的尺度变化与目标的尺度变化成正比,特征点主方向变化与目标旋转角度一致,给出了基于SIFT特征的自适应目标尺度、方向计算方法,且利用带方向、可变带宽的椭圆核改进传统的mean-shift跟踪方法.实验表明,该算法能够较好地跟踪目标的旋转、缩放运动,定位也更准确.     

结合时空一致性的FairMOT跟踪算法优化

目的 视频多目标跟踪(multiple object tracking,MOT)是计算机视觉中的一项重要任务,现有研究分别针对目标检测和目标关联部分进行改进,均忽视了多目标跟踪中的不一致问题。不一致问题主要包括3方面,即目标检测框中心与身份特征中心不一致、帧间目标响应不一致以及训练测试过程中相似度度量方式不一致。为了解决上述不一致问题,本文提出一种基于时空一致性的多目标跟踪方法,以提升跟踪的准确度。方法 从空间、时间以及特征维度对上述不一致性进行修正。对于目标检测框中心与身份特征中心不一致,针对每个目标检测框中心到特征中心之间的空间差异,在偏移后的位置上提取目标的ReID(re-identification)特征;对帧间响应不一致,使用空间相关计算相邻帧之间的运动偏移信息,基于该偏移信息对前一帧的目标响应进行变换后得到帧间一致性响应信息,然后对目标响应进行增强;对训练和测试过程中的相似度度量不一致,提出特征正交损失函数,在训练时考虑目标两两之间的相似关系。结果 在3个数据集上与现有方法进行比较。在MOT17、MOT20和Hieve数据集中,MOTA(multiple object tracking accuracy)值分别为71.2%、60.2%和36.1%,相比改进前的FairMOT算法分别提高了1.6%、3.2%和1.1%。与大多数其他现有方法对比,本文方法的MT(mostly tracked)比例更高,ML(mostly lost)比例更低,跟踪的整体性能更好。同时,在MOT17数据集中进行对比实验验证融合算法的有效性,结果表明提出的方法显著改善了多目标跟踪中的不一致问题。结论 本文提出的一致性跟踪方法,使特征在时间、空间以及训练测试中达成了更好的一致性,使多目标跟踪结果更加准确。     

粒子滤波的视频目标跟踪算法研究

目标跟踪是计算机视觉和图像处理的一个重点课题,在视频监控、机器人视觉导航以及智能交通控制中具有广泛的应用前景.通过粒子滤波技术,研究了如何整合颜色特征、前景信息和积分图运算等技术实现视频目标跟踪的粒子滤波算法.在对目标进行分割中采用了混合高斯背景建模方法;同时结合积分直方图的计算方法对颜色特征进行分段统计及相互遮挡的判断,实现基于粒子滤波的目标跟踪算法的优化,解决跟踪中诸如遮挡、光照变化、背景干扰、尺寸变化等难以解决的问题.实验结果表明提出的方法达到了预期目标.     

一种鲁棒高效的视频运动目标检测与跟踪算法

提出了一种视频运动目标的快速检测和稳定跟踪算法. 目标检测使用减背景法, 用均值法构造背景图像, 提出一种基于熵能和广义高斯分布的局部自适应阈值选取算法, 可有效克服噪声的影响. 采用基于特征匹配的目标跟踪方法, 提出一种LICS (Logarithm illuminance contrast statistic)特征, 该特征能够更加充分有效地表征目标, 可在光照和目标姿态变化的情况下实现刚体目标的稳定跟踪. 使用Kalman滤波限制搜索匹配范围以减小计算量. 用目标子区域匹配的方法解决目标相互遮挡时的跟踪问题. 实验结果表明, 该算法在运动目标检测效果、跟踪稳定性和运行时间方面都有良好的性能.     

基于二阶非线性投票的多目标跟踪算法*

提出了基于二阶非线性投票的多目标跟踪算法。该算法通过目标匹配得到同一目标在不同帧中的位置,同时利用特征监测来处理目标的遮挡、分裂问题,并实现目标特征的实时更新。在目标匹配过程中,通过对目标前一帧与当前帧的特征相似性进行投票,得到匹配目标。利用视频图像进行实验,结果表明,该方法对噪声、阴影、遮挡、分裂等具有良好的鲁棒性,较好地实现了多目标的跟踪。