算力限制平台下的长时目标跟踪

为了满足某些算力受到限制的应用场景的长时跟踪需求,如以C64x+DSP为核心的嵌入式系统,提出了一种由连续跟踪环节与目标检测环节两部分构成的低时间复杂度长时跟踪算法,连续跟踪环节基于自适应更新的时空上下文算法（STC）,目标检测环节使用归一化互相关匹配算法。在没有目标出视场、目标快速移动等特殊跟踪场景时,连续跟踪环节输出跟踪结果,在跟踪失败后,目标检测环节对全幅图像进行处理,只要目标出现在图像中,便可以重新锁定目标。经实验验证,目标检测环节可以在目标出现后准确检测到目标,满足了长时跟踪的要求。同时,目标检测环节在跟踪不可靠时的辅助定位也提升了连续跟踪环节的鲁棒性,使用OTB2013数据集测试,本算法的精确度较STC算法提升了4.95%。     

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。     

融合感知哈希特征的时空上下文目标跟踪算法

文中提出融合感知哈希特征的时空上下文快速目标跟踪算法,在光照剧烈变化和目标被遮挡情况下能准确地跟踪目标。通过感知哈希特征对目标的位置进行评估,避免时空上下文算法在光照剧烈变化的跟踪漂移问题,并通过更新目标哈希值和时空上下文信息来进行下一次迭代。实验结果表明结合目标时空上下文信息的感知哈希跟踪算法与目前主流跟踪算法相比表现出更快的跟踪速度,并且在复杂背景和被遮挡后表现出较好的鲁棒性。     

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%。     

多尺度时空上下文目标跟踪

相关滤波器在视觉目标跟踪中得到了广泛应用,针对复杂场景下目标跟踪容易出现跟踪漂移的问题,以及现有多尺度跟踪算法计算量大的问题,本文提出一种实时的多尺度目标跟踪方法。首先由时空上下文模型输出目标位置置信图完成目标定位,再在尺度空间上训练相关滤波器完成目标尺度估计,最后基于目标位置和尺度提出了一种新的时空上下文模型更新机制,避免了模型更新错误。实验表明:该方法在尺度变化、局部遮挡、目标姿态变化等情况下均能完成鲁棒跟踪,跟踪正确率较原始时空上下文跟踪算法提高了38.4%。     

遮挡情况下多尺度压缩感知跟踪

针对现有在线学习跟踪算法中目标在线模型更新错误导致跟踪漂移的问题,提出一种在线模型自适应更新的目标跟踪算法:首先利用压缩感知技术的高效性,对多尺度图像特征进行降维,并提取多尺度样本来实现目标尺度自适应更新,再由提取的正负样本低维图像特征训练朴素贝叶斯分类器,利用分类器输出置信度最大处目标样本完成目标跟踪,并依据当前目标置信度来自适应在线模型更新速率,减少了遮挡带来的目标错误更新。实验表明:该方法在尺度变化、局部和全局遮挡、光照变化等情况下均能完成鲁棒跟踪,平均跟踪成功率较原始压缩感知跟踪算法提高了20.3%。     

特征在线更新与加权的压缩跟踪算法

在目标跟踪中，针对目标外观改变使得目标丢失的问题，本文提出了特征在线更新与加权的压缩跟踪(compressive tracking, CT)算法。首先基于压缩感知理论提取目标的矩形特征，根据每个特征对当前帧目标的分类效果判定其可靠性，及时更新不可靠特征；其次，实时增加可靠特征在分类器中的权重，从而突出可靠特征的重要性；最后将加权候选样本特征输入贝叶斯分类器，得到下一帧的目标位置。选取八组视频序列测试改进算法的效果，结果表明与传统的压缩跟踪，局部敏感直方图跟踪( locality sensitive histograms tracking, LSHT)及在线自适应增强( online AdaBoost, OAB)算法相比，改进算法取得了更好的跟踪结果，并且在目标外观改变时依然跟踪准确，平均帧速为39fps，满足实时性要求。      

基于Vibe和时空上下文的运动手势跟踪算法

针对时空上下文算法易发生漂移以及在目标跟踪丢失后不能重新找回目标的问题,提出了一种融合Vibe前景检测和时空上下文的运动手势跟踪算法。首先使用时空上下文算法对手势预估计并进行干扰检测,当检测到干扰发生时,使用Vibe算法对时空上下文算法的预估计结果进行校准,并更新目标模型。该方法的优势在于,采用无参数模型的Vibe算法校准手势跟踪全过程。实验采用重叠度成功率和中心偏差作为评价体系,实验结果表明,改进算法比原算法跟踪成功率提高60%。该方法增强了运动手势跟踪效果,提高了时空上下文算法的鲁棒性。     

基于时空上下文和随机森林的人眼跟踪定位算法研究

为了得到人眼跟踪过程中更好的鲁棒性和实时性以及跟踪精度,提出一种基于自适应增强分类算法(AdaBoost)、随机森林(RF)和时空上下文(STC)的重定位跟踪算法。该算法结构分为3层,分别为AdaBoost人脸检测、STC人脸跟踪和RF人眼定位。首先,利用AdaBoost在第一帧识别出人脸,从而提取出人脸窗口。接着,使用时空上下文跟踪算法进行人脸跟踪。然后,联合定向梯度直方图(HOG)算法进行相似度判断,以达到目标丢失后继续跟踪的目的。最后,采用随机森林算法进行人眼定位。实验结果表明,与传统的随机森林人眼跟踪算法相比,该算法在跟踪速度达到原方法的2倍左右,并在跟踪精度和鲁棒性上和原算法相同。基本满足在裸眼3D显示时人脸跟踪和人眼定位的精度高、实时性快、鲁棒性好的要求。     

采用时空上下文的抗遮挡实时目标跟踪

针对目标跟踪算法在光照变化、背景干扰、目标形变及遮挡时出现的跟踪稳定性下降甚至失败的问题，提出了一种采用时空上下文的抗遮挡实时目标跟踪算法。首先，在时空上下文模型框架下采用自适应降维的颜色特征构建目标外观模型，提高算法在复杂场景中对目标的辨别能力；然后，联合置信图响应的峰值和峰值旁瓣比对目标跟踪的状态进行评估；接着，利用目标模板之间相关系数的变化进一步判断目标是否被严重遮挡；最后，当目标跟踪出现波动时，降低目标模型更新速度，并通过Kalman滤波修正目标位置，当目标被严重遮挡时，则根据Kalman滤波预测目标位置，同时停止更新目标模型，在脱离遮挡后重新捕获目标并进行跟踪。选取了36组具有多种挑战因素的彩色视频序列测试算法的跟踪性能，并与其他表现优异的目标跟踪算法进行了对比分析。实验结果表明，所提算法具有较强的抗遮挡能力，并且在光照变化、背景干扰和目标形变等不利因素影响下仍具有较好的跟踪鲁棒性，同时能够满足目标跟踪的实时性要求。     

基于iOS设备的自主航拍巡检控制终端的设计

针对无人机航拍巡检操作繁琐、效率低下等问题,提出了一种基于iOS设备和图像跟踪算法的无人机自主航拍巡检控制终端.使用无人机控制软件开发包搭建了终端与无人机、航拍云台、无线图像传输设备、无人机控制器之间的通信链路.基于FFmpeg实现视频解码,提出了基于自适应尺度的时空上下文跟踪算法,引入尺度参数变化率以在线纠正更新尺度参数的过激变化,大幅增强了航拍云台在复杂背景下的跟踪稳定性,实现了无人机航拍系统对不同尺度目标的自主、稳定跟踪,提高了航拍巡检效率.     

Minimum barrier distance based tracking via spatio-temporal context learning

We propose an efficient and robust tracking method based on minimum barrier distance (MBD) and spatio-temporal context (STC) learning. It is robust to noise and blur, and can be evaluated approximately through a Dijkstra-like algorithm, leading to fast computation. We adopt the MBD transform to measure the weights of context pixels, and formulate the spatio-temporal relationship between the object and its surrounding region based on a Bayesian framework to estimate the most likely location of the target. A bounded scale update model is proposed to estimate the size of the object. The whole proposed method runs at nearly 160 frames per second (FPS) on an i5 machine. Extensive experimental results show it has comparable or better comprehensive performance than the original STC and some other leading methods.     

基于空时线索的TLD视频跟踪算法

视频跟踪是计算机视觉领域的研究热点之一,Tracking-Learning-Detection(TLD)是近年来提出的一种有效的视频跟踪框架。针对短时遮挡以及复杂可变背景环境下的目标跟踪问题,提出了一种基于空时线索的TLD视频跟踪算法。在该算法中,采用由局部图像块的多通道特征训练生成的霍夫森林进行检测,通过多个局部图像块引入目标相关的空间位置信息,提高了算法的区分能力;然后,根据图像块对光流跟踪初始位置进行随机化布置并利用空间位置信息对光流跟踪结果进行加权,改善光流跟踪的性能;最后,对光流跟踪输出置信度与霍夫森林检测输出置信度进行自适应空时融合,综合提高目标的跟踪精度。实验结果表明,与原始TLD算法相比,本文算法能够更有效地处理遮挡问题,实现复杂背景环境下的鲁棒目标跟踪。      

采用自适应模糊优化的目标跟踪加速方案

目标跟踪作为计算机视觉的重要方向之一,在自动驾驶、安防监控等方面有着广泛的应用,但是目标跟踪算法还无法有效地运行在嵌入式设备上。针对目标跟踪算法计算量大、复杂度高,难以部署在资源受限的嵌入式设备的问题,提出了一种基于相关滤波目标跟踪的加速方案。首先采用自适应模糊算法优化了跟踪算法整体运算量,它可以根据目标跟踪框的尺寸判定是否降低图像质量。其次采用了跟踪响应结果的峰值旁瓣比与平均相关能量比判据来评估跟踪结果的可信度,从而实现跟踪模型的自适应更新以及目标位置的重搜索。最后基于FPGA并行实现相关运算和跟踪检测器训练阶段的矩阵相乘运算,以提升算法实时能效性。所提出的加速算法基于PYNQ-Z2进行硬件测试,并在OTB-2015跟踪数据集上进行验证,该算法的跟踪精度与跟踪实时性分别为65.8%,17.28 frame/s,相比于原始算法,跟踪精度、跟踪实时分别提高了9.12%、703.7%。     

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。