车载视频下改进的核相关滤波跟踪算法

针对相关滤波跟踪算法在车载视频下由于环境复杂及目标尺度变化等情况下容易跟踪失败的问题,该文提出一种基于背景信息的尺度自适应相关滤波跟踪算法。首先利用背景感知相关滤波跟踪器融合方向梯度直方图特征预测目标下一帧位置,然后根据预测位置选取图像块进行检测,最后结合动态尺度比例金字塔模型对目标进行尺度估计。实验选取了KITTI数据库中23段车载视频和标注国内的4段车载视频进行测试,实验结果表明,该算法能有效降低车载环境的复杂背景、目标尺度变化等因素干扰,整体性能优于KCF, DSST, SAMF, SATPLE等主流相关滤波算法,对车载环境下复杂背景和尺度变化的目标跟踪具有鲁棒性。     

融合GMS检测和置信度判别的TLD目标跟踪

针对目标在遮挡、尺度变化等复杂场景下易产生模型漂移问题,基于跟踪学习检测(TLD)框架提出一种结合基于网格的运动统计(GMS)检测和置信度判别的长时目标跟踪算法。首先在跟踪模块中采用快速判别尺度空间的相关滤波器(fDSST)作为跟踪器,利用位置滤波器和尺度滤波器对上一帧目标进行位置与尺度的判别,并依据TLD算法中跟踪模块与检测模块的独立性,将跟踪模块结果输入检测模块中,采用平均峰值相关能量(APCE)对模板更新进行置信度判别。在检测模块中先引入GMS网格运动统计作为检测器,使具有快速旋转不变性特征的ORB(OrientedFASTandRotatedBRIEF)算法对上一帧目标进行特征匹配,再利用网格运动统计对匹配结果进行过滤,实现目标位置的粗定位,依据预测位置对目标检测区域进行适当的动态缩减,最后使用级联分类器对目标进行精准定位。结果表明,本文提出的跟踪方法在有效防止模型漂移的情况下,大大提高了算法的跟踪速度,同时对目标遮挡、尺度变化及旋转等挑战环境也具有较好的准确性和鲁棒性。     

决策主导的多模式目标跟踪算法融合方法

针对视频目标跟踪过程中出现目标被遮挡情况导致跟踪器性能下降的问题,提出一种决策主导的多模式目标跟踪算法融合方法。该算法选取跟踪学习检测(TLD)算法和核相关滤波(KCF)算法作为集成方式的主体跟踪算法用于跟踪所选择视频目标。首先,使用直方图算法感知目标在运动过程中场景是否被遮挡的情况。然后,运用马尔可夫决策过程(MDP)利用上下文信息做出决策。最后,根据决策结果在目标被遮挡与否时选择TLD算法或KCF算法用于跟踪目标。仿真结果表明,提出的多模式目标跟踪算法集成方式较传统目标跟踪算法在实时性和鲁棒性综合性能上有更好的表现。     

基于TLD框架的上下文目标跟踪算法

提出了一种基于TLD (Tracking-Learning-Detection)框架的上下文目标跟踪算法.在TLD框架中,融入时空上下文跟踪算法,提高跟踪器的鲁棒性和稳定性.引入Kalman滤波来处理目标被严重遮挡时跟踪失效的问题.此外,采用由粗到精的搜索策略进行目标检测,利用帧差法确定运动目标疑似区域,提高检测效率.实验结果表明所提出的算法具有较好的鲁棒性和实时性.     

一种改进的粒子滤波和Mean Shift联合跟踪算法

为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法.针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力.实验结果表明了算法的有效性.     

基矛P—N跟踪器的自适应粒子滤波算法

针对粒子滤波（Particle filter）算法的粒子衰退和计算量过大问题,提出一种将P—N跟踪器与粒子滤波算法结合的目标跟踪方法。首先构造P—N跟踪器,利用跟踪器来确定目标区域范围并输出置信度,以此作为对目标物体定位的依据;在滤波过程中,依据跟踪器结果来进行粒子重采样过程,完成了对抽样粒子集的自适应调节,提高了粒子数量,有效降低了粒子数量。从而达到了抑制粒子衰退和动态调整计算量的目的。实验证明将该方法应用于实时摄像头采集视频跟踪。与传统粒子滤波算法比。在抗粒子衰退与减少粒子数量方面有明显改善。     

基于P-N跟踪器的自适应粒子滤波算法

针对粒子滤波(Particle filter)算法的粒子衰退和计算量过大问题,提出一种将P-N跟踪器与粒子滤波算法结合的目标跟踪方法。首先构造P-N跟踪器,利用跟踪器来确定目标区域范围并输出置信度,以此作为对目标物体定位的依据;在滤波过程中,依据跟踪器结果来进行粒子重采样过程,完成了对抽样粒子集的自适应调节,提高了粒子数量,有效降低了粒子数量。从而达到了抑制粒子衰退和动态调整计算量的目的。实验证明将该方法应用于实时摄像头采集视频跟踪,与传统粒子滤波算法比,在抗粒子衰退与减少粒子数量方面有明显改善。     

复杂场景中战斗机的鲁棒跟踪算法研究

为进一步适应复杂环境及战斗机自身状态的变化,提高目标跟踪算法的跟踪性能,在TLD算法框架下对其进行改进.首先,将改进了的SIFT特征匹配算法与TLD算法中的光流法相结合,根据战斗机的不同状态及周围环境自适应地选择相应算法,提高算法的鲁棒性和对复杂环境的自适应能力;其次,引入粒子滤波进行优化,实时预测战斗机状态并缩小检测范围,在降低计算难度的同时提高跟踪速度和持续性;最后,设置置信度检测以有效解决误判问题,提高跟踪精度.实验结果表明,当战斗机处于复杂场景或自身状态变化较大时,改进算法取得了优于参考算法的跟踪性能,可以满足长时间鲁棒跟踪的要求.     

基于粒子滤波的TLD目标跟踪算法

在复杂背景下运动目标速度快速变化、目标丢失、或大面积遮挡时,TLD算法跟踪的稳定性明显下降,跟踪效果差。针对这一问题,在TLD算法的跟踪模块中引入粒子滤波,使其在长期稳定跟踪的基础上,更好地完成复杂背景下快速运动目标的跟踪。实验以OpenCV和VS2010为测试环境,结果表明,改进后的TLD算法较原始TLD算法能够更好地跟踪快速运动的目标,增强了跟踪的稳定性和鲁棒性。     

融合颜色直方图响应的时空上下文跟踪算法

时空上下文(STC)跟踪算法在特征表达、尺度自适应策略等方面存在缺陷,当出现目标突然形变、局部遮挡或尺度变化等情况时,跟踪器的性能会严重退化。通过对STC算法进行改进,提出了一种融合颜色直方图响应的时空上下文跟踪算法。基于颜色统计的模型对运动模糊和目标形变等影响因素不敏感,和时空上下文模型具有良好的互补性质,在响应层融合后能够提升算法的鲁棒性。此外,采用基于多尺度金字塔模型的尺度搜索策略替换STC算法中原有的尺度估计策略,进行更精准的自适应尺度估计。在大规模公开数据集上的测试结果表明,本文算法在不同影响因素的复杂环境下展现了更为良好的跟踪性能和适应性,并且平均跟踪速度达到134.2帧/秒。     

北斗/INS组合导航中人工鱼群粒子滤波的应用

为解决粒子滤波中的粒子退化和枯竭问题,提出一种动态人工鱼群粒子滤波算法,该算法在粒子滤波重采样过程中引入人工鱼群算法的觅食和聚群行为,并依据概率密度的动态比值动态调整人工鱼的移动步长,此算法提升了粒子的多样性,克服了粒子退化及枯竭问题;推动粒子向优选区域逼近,并提高了粒子的全局搜索能力,避免粒子陷入局部最优。将改进的动态人工鱼群粒子滤波在北斗/INS紧组合的模型上进行应用,并通过仿真与人工鱼群粒子滤波及标准粒子滤波算法PF相比较。仿真结果表明,动态人工鱼群粒子滤波可显著提高估算精度,从而为在利用北斗和INS在紧组合导航时提供了新的方法。     

基于增强群跟踪器和深度学习的目标跟踪

为解决基于外观模型和传统机器学习目标跟踪易出现目标漂移甚至跟踪失败的问题,该文提出以跟踪-学习-检测(TLD)算法为框架,基于增强群跟踪器(FoT)和深度学习的目标跟踪算法。FoT实现目标的预测与跟踪,增添基于时空上下文级联预测器提高预测局部跟踪器的成功率,快速随机采样一致性算法评估全局运动模型,提高目标跟踪的精确度。深度去噪自编码器和支持向量机分类器构建深度检测器,结合全局多尺度扫描窗口搜索策略检测可能的目标。加权P-N学习对样本加权处理,提高分类器的分类精确度。与其它跟踪算法相比较,在复杂环境下,不同图片序列实验结果表明,该算法在遮挡、相似背景等条件下具有更高的准确度和鲁棒性。     

基于改进粒子滤波跟踪算法的运动视频跟踪

为了进一步提高目标跟踪的准确率,提出一种基于改进粒子滤波的运动视频跟踪算法。首先,通过高斯混合模型实现动态背景建模,从而降低噪声和局部动态背景的干扰;然后,在RGB颜色直方图分离的基础上,结合粒子滤波和迭代递归实现目标运动检测,提高了前景检测的准确性。仿真试验结果显示,相比典型粒子滤波算法、遗传粒子滤波和DCEM,改进粒子滤波跟踪算法得到的前景目标的轮廓更好,因此运动目标检测精确度更高且处理时间更短。     

基于自适应模型更新的实时跟踪算法

为提高分层卷积特征目标跟踪算法的速度和精度,文中提出了一种基于自适应模型更新的单层卷积特征目标跟踪算法。首先提取Pool4层的多通道的卷积特征对训练样本的类标函数进行调整,在确保跟踪精确度的同时提高了算法的速度。该算法引入了平均峰值能量比,通过比值变化情况反馈目标跟踪的结果,与稀疏模型更新策略相结合,对跟踪器进行自适应更新,提高了算法对遮挡和相似物干扰的鲁棒性。对于目标快速尺度变化问题,文中采用尺度金字塔对尺度进行评估,提高了跟踪器的泛化能力。在OTB2013和OTB2015上测试新算法,实验结果表明,该算法的平均距离精度分别为91.0%和86.8%,平均速度约43 帧/s,局域良好的鲁棒性和实时性。     

结合时空上下文信息的相关滤波目标跟踪方法

针对繁杂环境下目标跟踪稳定性差且易受到遮挡发生漂移的问题,提出一种结合时空上下文信息的相关滤波目标跟踪方法。该算法首先从目标和背景区域提取方向梯度直方图特征和颜色直方图特征,加权融合两种特征的相关滤波响应,建立相关滤波跟踪模型;然后利用目标的背景梯度直方图特征,基于贝叶斯框架通过最大化似然函数得到时空上下文辅助模型;最后自适应融合两种模型响应,得到目标估计位置并采用尺度估计方法解决目标尺度变化问题。在OTB-2013公开标准测试集上与基于相关滤波的运动目标跟踪方法进行了实验对比。结果表明,该算法的平均距离精度值和平均重叠精度值都优于其他算法,能够有效缓解跟踪目标由于遮挡、尺度变化、光照等因素造成的跟踪漂移状况的发生。     

基于粒子滤波的分布式雷达TBD算法

为提高分布式雷达系统的目标检测与跟踪能力,研究了基于粒子滤波的检测前跟踪算法。针对传统粒子滤波中粗化方法盲目性的问题,提出了一种适用于分布式雷达目标检测与跟踪的多簇聚类粒子滤波算法。该算法在粗化的基础上,首先采用改进的K Means方法对粒子聚类以形成多个粒子簇,引导各簇内粒子沿着该簇中心向该簇最大联合似然粒子方向偏移,使粒子向高联合似然区域集中。该算法能够在缓解粒子滤波样本贫化问题的同时减少传统粗化的盲目性,提高了系统从接收数据中提取目标信息的能力。对分布式雷达目标检测与跟踪的仿真结果表明,多簇聚类粒子滤波算法比传统的粗化策略粒子滤波算法具有更好的检测能力和更高的跟踪精度。     

基于改进TLD算法的激光视觉传感型焊缝跟踪

为了解决基于线激光视觉传感的焊缝中心位置定位精度不高的问题, 采用了一种基于改进跟踪-学习-检测(TLD)算法的焊缝跟踪方法。由激光视觉传感器实时获取焊缝图像, 采用将跟踪器与检测器结合的TLD算法实时跟踪焊缝特征点, 同时通过在线学习机制更新分类器参量。在此基础上对激光条纹图像截取感兴趣区域, 大幅减少检测器的搜索区域; 根据激光条纹光强分布特性, 结合纠偏方向选取跟踪器有效特征点, 以此提高算法效率, 对不锈钢板V型焊缝和搭接焊缝进行跟踪试验。结果表明, 跟踪与检测可实现共同定位焊缝中心位置, 其融合的焊缝跟踪方法能够准确地提取焊缝特征点, 两种焊缝跟踪平均绝对误差分别为0.062mm和0.052mm。此方法为提高焊缝跟踪精度提供了依据。     

基于角点增强改进的TLD目标跟踪算法

针对TLD算法的特征点无法有效表述目标问题,提出了一种基于角点增强改进的TLD目标跟踪算法。改进算法在跟踪模块加入了对目标表述能力更强,具有光照不敏感性和旋转不变性的Shi-Tomas角点作为跟踪特征点。跟踪器运行时,在角点经光流法跟踪和双向误差检测后,利用剩余的稳定角点定位目标窗口。对照结果表明,改进算法在面对目标抖动和形变时可以稳定跟踪;有效抑制因跟踪平滑点造成的漂移现象;提高了跟踪的稳定性。针对TLD算法跟踪过程中因在线模板积累造成的计算量持续增大、实时性持续降低的问题,提出了一种依据相似度中值的模板判断删除机制。该删除机制在模板积累到设定阈值时运行,根据模板与当前目标的相似度,删除不再具备代表性的模板;调整模板空间并更新模板数目。实验表明,该删除机制在应对模板更新快、持续时间长的跟踪情景时有效降低算法计算量,实时性可提高约20%。     

改进的核相关滤波跟踪算法

针对核相关滤波算法在目标跟踪过程中尺度特定和遮挡判断失败的问题,文中提出一种利用自适应特征融合的位置滤波器来判断目标是否被遮挡的方法。该方法检测到峰值旁瓣比异常时,停止模型自适应更新,启动在线重检测;并结合尺度金字塔中的尺度滤波器来确定目标尺寸,从而得出精准的目标位置。实验通过复杂背景下的10组运动视频来评估改进算法的性能。与基础核相关滤波算法相比,改进算法的平均中心位置误差降低了36.683 pixel;在像素阈值设为20 pixel时,平均距离精度提升了44.632%;在边界框重叠阈值设为0.5时,重叠精度提升了46.453%。     

基于上下文感知和尺度自适应的实时目标跟踪

针对传统核相关滤波视觉目标跟踪算法在快速运动、背景杂波、运动模糊等情况下跟踪精度低且不能处理尺度变化的问题,提出了一种基于上下文感知和尺度自适应的实时目标跟踪算法。该算法在核相关滤波算法框架的基础上,引入了上下文感知和尺度自适应方法,增加了背景信息且能够处理目标的尺度变化。首先,利用融合了fHOG（fusion histogram of oriented gradient）、CN（color names）和灰度的特征对目标区域进行采样,训练一个二维位移滤波器,然后,在目标区域建立尺度金字塔,利用fHOG对目标区域进行多尺度采样,训练一个一维尺度滤波器,最后,在模型更新阶段改进了更新策略。在标准数据集OTB-2015上对100组视频序列进行的试验结果表明,提出的算法比基准算法（kernel correlation filter, KCF）精度提高了13.9%,成功率提高了14.2%,且优于实验中对比的其他跟踪算法。在尺度变化、运动模糊、快速运动等条件下,提出的算法在准确跟踪的同时,能够保持较高的速度。