基于字典学习改进的时空上下文算法

针对强遮挡导致的跟踪目标失效问题, 提出一种基于字典学习改进的时空上下文算法. 先在目标和上下文区域构建前景字典和上下文字典, 再利用稀疏解的特性, 给提取目标特征更高的权重, 并参与模板的更新, 构造新的条件概率. 实验结果表明, 在出现严重遮挡的数据集中, 时空上下文算法跟踪成功率为19.5%, 改进算法成功率达94.5%, 改进算法能在出现强遮挡情况下有效对抗遮挡问题, 稳定跟踪.     

基于Adaboost首帧检测的时空上下文人脸跟踪算法

针对时空上下文算法首帧需进行手动框选及选择偏差带来后续跟踪干扰的不足, 提出利用Adaboost算法进行首帧检测, 引入Kalman预测机制辅助时空上下文算法进行跟踪.当出现遮挡、 抖动等问题时, 保证跟踪稳定地进行, 提高算法鲁棒性. 在Shelter1等3组公共数据集上进行对比实验的结果表明, 该算法能实现首帧自动检测功能, 后续跟踪算法的鲁棒性及跟踪效果也得到明显提升.     

基于稀疏模型和Gabor小波字典的跟踪算法

基于稀疏表示理论的目标跟踪方法可以通过激活少量神经元完成目标的动态跟踪,但是要求在当前图像背景中的遮挡或者目标物的姿态变化是可以进行稀疏表示的小面积范围.针对这一问题,基于Gabor函数和稀疏理论提出一种强鲁棒性的目标跟踪算法.该算法首先使用目标模板在初始帧中创建Gabor字典,其次使用该字典对候选目标完成稀疏表示,最后通过对Gabor字典的更新完成目标跟踪.实验结果表明了算法的有效性.     

改进理解诊断跟踪系统的目标跟踪方法

针对目标跟踪过程中出现的遮挡、光照变化、背景复杂等问题,使用了理解诊断视觉跟踪系统,即把跟踪器分成5个组成部分的跟踪系统,这5个部分分别是运动模型、特征提取器、观察模型、模型更新器以及总体处理器。结合Haar矩形特征的原理,提出了3种Haar-Like特征,用在特征提取器模块。为了提高跟踪的精准性,引入一个简单且快速的鲁棒性算法来改进系统中的运动模型,该方法利用了视觉跟踪中的上下文关系,建立基于贝叶斯框架的目标以及其周围环境的时空关系,在检测方面使用了快速傅里叶变换方法,提高了算法的鲁棒性,使跟踪更加精准,并且在处理遮挡、光照变化、背景复杂等问题上有着较好的效果。     

一种结合颜色纹理直方图的改进型Camshift目标跟踪算法

针对背景中存在颜色相近目标或目标被遮挡时Camshift算法跟踪失败的问题,提出了一种改进的Camshift目标跟踪算法。首先,改进算法模型直方图的计算选用颜色和纹理相融合的直方图概率分布,解决了Camshift算法只使用单一的颜色模型、很难适应物体大范围运动造成的背景变化或遮挡的不足;其次,图像权值采用目标模型与目标候选模型特征概率之比的平方根来计算,并用权值进一步估计目标的位置和方向,克服了原始Camshift算法中图像权值仅依靠目标模型计算的不足,大大减少了背景特征对跟踪的影响;最后,利用粒子滤波对运动目标状态进行估计,以克服目标运动引起的遮挡、交错或重叠,进而提高目标位置跟踪精度。实验结果表明,改进算法的平均每帧成功率达到50%以上,平均中心位置误差低于20%。改进算法能有效改善目标跟踪性能,从而实现目标跟踪的有效性、准确性。     

基于时空上下文的航拍视频绝缘子跟踪算法

为解决时空上下文跟踪算法在航拍视频绝缘子出现大尺度变化产生的漂移问题,提出一种大尺度自适应的航拍视频绝缘子跟踪算法。提取绝缘子图像的局部二值模式特征构建时空上下文模型,改进时空上下文尺度更新策略不能适应大尺度变化问题。最后在航拍视频序列进行的对比实验表明,算法在平均重叠率和平均中心位置误差指标上有了较大提升;且能很好地适应绝缘子大尺度变化,具有更好的跟踪效果。     

融合背景信息的改进粒子滤波跟踪算法

为消除传统粒子滤波算法在跟踪目标受到相似背景干扰和遮挡时,容易造成跟踪误差增大或跟踪失效的影响,提出融合背景信息的改进粒子滤波跟踪算法.利用对数似然函数将背景信息融入目标模型,并将目标分为多个子区域增强目标模型的可靠性,有效克服了相似背景对目标的干扰;然后存储一定时间的历史轨迹信息,通过最小二乘法进行拟合并预测下一帧目标出现的位置,有效克服了遮挡对跟踪的影响.实验结果表明,该算法比传统的粒子滤波算法具有更强的抗背景干扰能力,在遮挡情况下也有更好的跟踪精度.     

基于深度特征与抗遮挡策略的运动目标跟踪

为了进一步提高复杂场景下的目标跟踪精度与鲁棒性,本文提出了基于深度特征与抗遮挡策略的运动目标跟踪算法,首先利用深层卷积神经网络提取出目标的深度卷积特征以代替传统的手工特征,然后将深度卷积特征融入传统的核相关滤波跟踪框架,充分利用深度特征描述能力强和相关滤波算法跟踪效率高的优势,同时采用高置信度抗遮挡更新策略来更新滤波器,利用融合特征训练尺度相关滤波器,以便更加精准预测目标的位置,提高算法抗遮挡能力.论文对数据集OTB-100视频序列中有遮挡问题的序列进行了测试,并与Deep STRCF、DSST、SRDCF、COT和ECO等算法进行比较,实验结果表明,本文所提算法在目标尺度变化、背景干扰和遮挡等复杂背景下具有更高的跟踪精度与成功率,跟踪效果最佳.     

结合卡尔曼滤波和Mean Shift的抗遮挡跟踪算法

针对卡尔曼滤波和Mean Shift算法结合后对严重遮挡和遮挡后复出失效且实时性差的问题,提出一种基于卡尔曼滤波和Mean Shift动态结合的改进算法. 通过在算法中加入Bhattacharyya系数进行遮挡程度判断,并根据遮挡系数的阈值选择使用卡尔曼滤波或线性预测法更新Mean Shift迭代起点. 实验结果表明,该方法能成功实现大范围连续遮挡和目标复出情况下红外目标的跟踪,并且迭代次数和跟踪时间分别减少了9.68%和17.58%,提高了跟踪的鲁棒性和实时性.      

自适应更新上下文相关滤波补充学习跟踪算法

为了使跟踪算法在遇到背景混乱、遮挡等问题时,能具有更好的鲁棒性,提出了一种自适应更新的上下文感知相关滤波补充学习跟踪算法(adaptive context-aware correlation tracking,ACCT)。首先,利用上下文感知相关滤波计算出响应图;接着,在更新阶段,加入了峰旁比(peak-to-sidelobe,PSR)置信度检测机制,自适应地更新相关滤波器模型;最后,与颜色直方图分类器进行线性融合,得到最终的响应值,响应值最大的位置即跟踪结果。实验上,将所提方法与先进的实时跟踪算法进行对比,结果表明,所提算法在跟踪标准测试集OTB50和TC128上,相比基准算法成功率有显著提高;并且能很好地解决背景混乱、目标被遮挡等问题。     

基于置信值重构的视觉目标跟踪算法

为了解决视觉目标跟踪过程中出现的目标表观变化和遮挡问题,在粒子滤波框架下,提出一种基于置信值重构的目标跟踪算法。通过对目标模板进行局部分块并结合提取的背景模板构建分类字典,利用概率协同表示分类算法,获得候选目标局部分块的分类概率。然后通过局部分块的分类概率重构候选目标的置信值。最终通过每个候选目标的置信值获得跟踪结果。实验表明,该文算法在目标表观变化和遮挡的情况下能够取得较好的跟踪效果。     

基于Mean-shift的粒子滤波算法在遮挡目标跟踪中的应用

针对Mean-shift及粒子滤波对遮挡问题的处理,结合二者的优势做出有效改进。一般情况下利用改进的均值漂移算法跟踪目标,在目标发生严重遮挡情况下,给出一个遮挡因子,采用改进的粒子滤波算法跟踪目标。算法能够对发生遮挡后的目标进行持续、稳健的跟踪,提高算法在遮挡情况下目标跟踪的鲁棒性。     

基于Mask R-CNN的多目标跟踪算法

针对目前多目标跟踪算法在面对目标频繁遮挡时跟踪效果较差的问题, 提出采用Mask R-CNN作为检测器, 根据检测结果利用Kalman滤波器预测下帧图像中跟踪目标的位置, 用改进匈牙利算法进行数据关联, 并利用轨迹修正方案应对轨迹中断问题. 将该算法在MOT16数据集的各测试集上进行实验, 实验结果表明, 该算法目标跟踪准确率为55.1%, 且针对目标被遮挡问题效果较好.     

基于快速判别尺度空间的TLD跟踪算法

针对目标跟踪过程中遇到的遮挡、离开视野、平面内旋转、运动模糊等问题,在传统的跟踪学习检测(TLD)算法基础上,提出了fDS-TLD算法.算法采用快速判别尺度空间方法对跟踪模块进行了改进,并在整体框架中加入了遮挡判别机制.跟踪模块的改进使得跟踪器可以更好地跟踪平面内旋转和运动模糊的目标,遮挡判别机制的加入使得目标在被遮挡和离开视野重新回来时具有更好的跟踪效果.采用TB-100测试集进行测试与验证,证明了本文算法与TLD等4种算法相比,对于跟踪过程中发生的遮挡、离开视野、平面内旋转、运动模糊等情况具有更好的跟踪精度和准确度.在现实场景中进行了跟踪实验,证明本文算法具有实时性和实用性.     

结合自适应空间权重的改进型时空正则项跟踪算法

为解决时空正则项的相关滤波视觉跟踪算法在目标部分遮挡时存在的模型漂移和尺度估计不准确问题,提出了结合自适应空间权重的改进型时空正则项跟踪算法。采用平均特征能量比将无法准确表达目标或过多表达背景信息的特征通道裁剪掉,以提高跟踪精度。在滤波器训练时加入空间权重正则项,利用时间正则项在目标遮挡时被动更新滤波器,使得在空间权重更新时更为准确,以此着重学习目标未被遮挡部分,获取可靠的相关滤波器系数。将滤波器求解划分为2个子问题,分别采用交替方向乘子法进行优化计算,保证算法运算速率。在牛顿迭代法中设置精度阈值,在保证定位精度的同时减少迭代次数。实验结果表明:在OTB-100数据集上所选择的6个视频序列中,所提算法较STRCF算法的平均中心位置误差降低了12.3像素,平均重叠率增加了7%,运算帧率可达19.25帧/s;在OTB2015遮挡视频序列中,所提算法较STRCF算法的成功率曲线下积分面积(S_(AUC))增加了0.7%,使用深度特征的所提算法较DeepSTRCF和ASRCF算法的S_(AUC)分别提升了3.9%与0.9%。     

融合运动状态信息的高速相关滤波跟踪算法

为解决相关滤波(Discriminative Correlation Filter,DCF)算法在快速运动、遮挡、尺度变化等复杂情景下的跟踪失败问题,提出一种融合运动状态信息的高速相关滤波目标跟踪算法.在传统DCF算法基础上做出以下改进:(1)在跟踪框架中融入卡尔曼(Kalman)滤波器,利用目标运动状态信息对预测运动轨迹进行修正,以解决目标复杂运动时易跟丢问题,提高跟踪精度;(2)训练一个独立的尺度相关滤波器进行目标尺度预测,并利用主成分分析法(Principal Component Analysis,PCA)进行特征降维处理,提高跟踪速度;(3)提出一种高置信度更新策略判断是否对位置滤波器进行模板更新,以及是否采用Kalman滤波器预测位置作为目标位置.最后在OTB-100数据集上进行算法测试,提出算法平均精度与成功率分别达到74.8%与69.8%,平均帧率为84.37帧/s.相较其他几种主流算法,本文算法有效提高跟踪性能,并保证了跟踪速度,满足实时性要求,在遮挡、背景模糊、运动模糊等复杂情况下能够保持良好的跟踪效果.     

一种抗遮挡尺度自适应核相关滤波器跟踪算法

针对传统的核相关滤波器(KCF)算法无法很好地解决目标跟踪过程中的尺度不变性和模型漂移问题,提出了一种改进的抗遮挡尺度自适应核相关滤波器算法。使用平均峰值相关能量(APCE)和相关滤波响应峰值作为跟踪置信度指标判断目标是否受到遮挡,在未遮挡的情况下,对目标进行尺度缩放,通过滤波器之后计算相应的响应值,比较不同尺度响应值的大小,最大值即为最佳的目标尺度值。采用OTB-2013评估标准,与传统KCF对比,新算法在目标受到遮挡时,跟踪成功率与精确度有明显提高,同时适应目标尺度变化,具有较强的鲁棒性。     

采用图像感知哈希的TLD改进算法

为了提高长时间视觉目标跟踪的鲁棒性,提出了一种基于图像感知哈希的TLD改进算法。在改进算法中,跟踪模块使用尺度自适应的KCF跟踪器,检测模块对每个检测窗口提取感知哈希特征,并引入量子遗传算法作为搜索策略加快检测速度。对文中算法在OTB2013的50组视频序列上进行了测试,实验结果表明:其跟踪精度与成功率分别达到了0.784和0.568,较TLD算法分别提高了18.7%和14.2%。并且在处理光照变化、遮挡及目标分辨率低等问题时,文中算法在多数情况下取得了优于参考算法的跟踪性能,表现出良好的跟踪鲁棒性。     

基于模板更新的深层孪生网络跟踪算法

针对跟踪过程中因尺度变化、遮挡及运动模糊等造成的目标定位不准确问题,在SiamFC(fully-convolutional siamese network)的跟踪框架基础上提出了一种具有高置信度模板更新机制的深层孪生网络目标跟踪算法.首先,主干网络采用ResNet-50残差网络进行特征提取,并融合多层特征图进行目标预测;其次,为避免模板频繁更新带来的模板漂移问题,构建了高置信度的模板更新模块.在OTB100数据集上的实验结果表明,相比基准算法,文中算法的跟踪成功率和精确度分别提高了3.4%和2.6%;在多种挑战因素下的对比实验表明,文中算法可以较好地抵抗目标遮挡、尺度变化、运动模糊等多种复杂因素带来的影响,有很好的鲁棒性.     

一种基于局部表示的精确跟踪算法

基于局部表示的精确跟踪算法,将局部信息引入目标跟踪算法中,有效地改善了遮挡的问题。对每一部分的局部信息进行分类,同时构建局部分类器,使分类器的学习更加精确。本算法有效地改进了快速压缩跟踪算法中出现的部分遮挡等问题,使跟踪算法更加精确。