基于局部分块学习的在线视觉跟踪

视觉跟踪中,如何构建一种能够适应目标表观特征变化的目标模型是增强算法跟踪精度和稳定性的关键之一。本文提出利用跟踪区域内像素的初始分类标记来构建目标的局部分块模型,并在贝叶斯理论框架下提出了基于局部分块学习的在线视觉跟踪算法。首先,利用标定的初始跟踪区域构建目标的局部分块模型;然后,在当前跟踪区域中通过局部分块学习和贝叶斯估计确定当前帧的跟踪结果;最后,利用特征聚类对局部分块模型进行更新。实验结果表明：所提算法对目标表观变化的适应性明显增强,跟踪精度和稳定性较近年来的同类算法均有一定提高。     

基于分块SURF特征提取的图像目标跟踪算法

由于基于特征的目标跟踪需要对前后两帧图像中的目标进行特征匹配,而传统的基于SURF(speeded up robust features)特征的匹配算法存在匹配时间较长,无法满足目标跟踪条件下实时性要求的情况。本文针对此缺点对SURF特征提取提出了具体的分块并行的解决方案,其中包括自适应地设置分块重叠区域,去除冗余特征点和距离门限法去除离散点的处理;同时通过模板的实时更新以及自适应的抗遮挡处理,保证了短时抗遮挡性能。并通过实验,将传统的基于SURF特征的跟踪算法与本文算法在相同条件下进行跟踪误差和运行时间对比;实验表明针对视频中的待跟踪目标,本文算法较基于传统SURF的图像跟踪算法在降低跟踪运行时间的同时保证了跟踪准确度。并通过遮挡实验,说明抗遮挡处理在本文算法中的实用性和必要性。     

基于视觉显著图在线更新的结构反稀疏目标跟踪算法

为提高稀疏跟踪器性能,提出一种在贝叶斯推论框架下的基于视觉显著图的结构反稀疏在线目标跟踪算法。首先将基于马尔可夫(Markov)模型的关联性视觉显著度检测算法用于当前帧并计算目标模板的显著图,其次提出全局与局部分块的结构外观模型表示候选目标,将显著图映射回每一个局部块并计算出对应的自适应权重,最后提出联合全局与局部稀疏解的度量准则度量候选目标与目标模板的相似度,从而确立在贝叶斯框架下对目标状态最佳估计。在跟踪过程中,采用反稀疏表达方式一次求解优化问题计算出所有粒子权重来提高算法效率。实验结果表明,本文算法具有良好的鲁棒性和实时性。      

光电跟踪系统高速运动目标快速跟踪算法

为了解决光电跟踪系统中高速运动目标快速识别、准确定位的问题,在深入研究相关跟踪算法的基础上,提出了一种基于分块模板相关跟踪与自适应波门相结合的快速跟踪算法,该算法利用分块矩阵与大模板矩阵之间的关系,得出了在四分块的情况下,计算量为原来的1/4,搜索范围为原来的4倍,大大提高了计算速度和搜索范围,且具有原始相关算法的高的跟踪精度,可以实时快速的跟踪上高速运动目标。     

基于分块的多特征融合变尺度目标跟踪算法

为了增强彩色视频中目标外观描述能力和解决跟踪过程中目标尺度变化的问题,提出一种基于分块的多特征融合变尺度目标跟踪算法.设计了一个能处理不同挑战因素下对目标的精确跟踪算法,首先提取HSV分块的颜色直方图特征和PCA-HOG特征并采用多通道线性核函数对两种特征进行融合构建训练样本,然后求解线性岭回归函数获得位置核相关滤波器模型,并以线性核函数来计算候选区域在7个尺度空间上与跟踪目标的响应值,最后利用尺度自适应模板更新模型参数.实验结果表明,提出的算法在彩色视频中不仅能较好地自适应目标尺度的变化,在复杂场景下也具有较强的鲁棒性.     

融合局部加权余弦与稀疏表示的目标跟踪算法

针对目标跟踪算法的鲁棒性难题,在粒子滤波框架下提出基于联合模型的目标跟踪算法。首先,由局部加权余弦相似对目标模板和候选目标进行匹配,其中的局部加权算法增加了未受遮挡、形变等影响的候选目标的权重;其次,通过对目标区域局部图像块稀疏编码来表示目标观测模型,其中字典不进行更新,重建误差的构建考虑了局部图像块之间的空间布局;最后,利用最大后验概率估计目标状态。联合模型将目标的当前状态和原始状态都考虑在内,提高了观测模型的可靠性。实验结果表明,该算法具有较强的鲁棒性。     

基于背景建模和动态分块的目标跟踪

MeanShift算法在做目标跟踪时不能解决混乱背景和严重的局部遮挡的问题。因此,本文提出了一种新的目标跟踪算法来解决这两个问题。该算法首先利用最大化后验概率在MeanShift跟踪框架内融入背景信息,然后在跟踪过程中根据候选区域和模板区域的相似度结合空间金字塔技术对目标进行动态分块,使得目标能够克服背景的干扰并保留一定的几何结构信息。实验结果表明,相比于MeanShift算法,新提出的算法能够克服混乱背景和严重的局部遮挡,有效地跟踪目标。     

基于快速傅里叶变换的局部分块视觉跟踪算法

针对视觉跟踪中目标表观变化、局部遮挡、背景干扰等问题,该文提出一种基于快速傅里叶变换的局部分块视觉跟踪算法。通过建立目标分块核岭回归模型并构建循环结构矩阵进行分块穷搜索来提高跟踪精度,利用快速傅里叶变换将时域运算变换到频域运算提高跟踪效率。首先,在包含目标的初始跟踪区域建立目标分块核岭回归模型;然后,提出通过构造循环结构矩阵进行分块穷搜索,并构建目标分块在相邻帧位置关系模型;最后,利用位置关系模型精确估计目标位置并进行分块模型更新。实验结果表明,该文算法不仅对目标表观变化、局部遮挡以及背景干扰等问题的适应能力有所增强,而且跟踪实时性较好。     

融合梯度和色度信息的分块均值漂移目标跟踪

针对在相似颜色干扰场景下传统均值漂移目标跟踪鲁棒性差的缺陷,提出Prewitt梯度和色度信息融合的分块均值漂移跟踪算法。首先,对跟踪框进行分块,并提取当前帧各子块特征;其次,利用Bhattacharyya距离计算参考目标区域与候选区域间各子块对应的相似程度,根据其相似程度分配各子块的权值,并通过融合规则对各子块相应特征进行融合构成新子块特征,在此基础上,将子块特征选择串接方式作为最终目标特征;最后,采用均值偏移原理迭代估计最终目标位置信息。实验结果表明,当场景中存在相似颜色干扰的情况下,相对于经典均值漂移算法,其准确度提高了84%左右。     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

尺度估计和多特征融合的目标跟踪算法研究

针对核相关滤波器跟踪算法（Kernel Correlation Filter,KCF）在特征提取单一以及尺度估计不足而导致跟踪效果不佳的问题,本文提出了一种多特征融合的尺度自适应核相关滤波目标跟踪算法。首先,使用帧差法将相邻帧图像对应像素值相减得到差分图像;其次,对差分图像提取方向直方图特征,再与目标的均一局部二值纹理特征和颜色特征进行线性加权融合;最后,引入一种尺度估计策略,将尺度滤波器的估计值与分块算法的估计值融合计算得出目标的尺度和位置。实验数据表明,本方法能有效的改善核相关滤波器的跟踪性能,且与其他主流算法相比,在尺度变换下也有较好的跟踪效果。      

基于改进纹理特征的红外目标跟踪算法

针对红外图像背景复杂、杂波干扰严重、相似目标混淆导致的目标跟踪丢失问题,本文提出了一种改进的低维度纹理特征OCS-LBP(Oriented Center Symmetric Local Binary Patterns,即方向中心对称的局部二值模式)。首先,利用此特征可以高效地获取目标图像中每个像素块的梯度方向和幅值信息,提高了跟踪过程的鲁棒性;其次,利用核相关滤波算法结合提取的OCS-LBP特征对目标图像区域进行模型训练;最后,根据训练好的模型检测下一帧图像中目标的具体位置。本文在10组红外视频序列上进行了测试,实验结果表明,本文算法的精确度和成功率相比于第二名算法分别获得了2.9%和9.9%的提升,同时在实验设备上算法的平均跟踪速度相比于第二名算法提升了14.15 frame/s。从实验结果可以看出本文提出的算法在红外目标跟踪上表现出较好的鲁棒性、准确性和实时性,具有一定的研究和实用价值。     

基于特征融合的粒子滤波目标跟踪新方法

针对传统粒子滤波(PF)算法采用单一颜色特征建模 跟踪目标性能差的缺陷,提出一种颜色特征与纹理特 征相融合的PF目标跟踪新算法。首先,采用一种具有抗噪声和保护纹理边缘的全局中值二值 模式 (GMBP)纹理算子,对模板图像进行局部差绝对值处理,得到幅 值序列模板,将幅值序列模板内的中值作为模板的阈值,与模板邻域比较获得新的纹理图像 ;然后,与 具有光照不变特性的局部二值模式(LBP)纹理算子结合,形成一种(GMLBP)新的纹理描述算子 。最后,分别计算GMLBP纹理特征粒子权值和HSV颜色特征粒子权 值,并依据权值大小确定融合系数,对纹理特征粒子权值和颜色特征粒子权值进行线 性融合,再对融合后粒子权值进行归一化处理,从而得到目标位置状态的最终估计值。对比 实验结果表明, 相对于单一颜色特征的目标跟踪算法,所提算法捕捉目标位置准确且具有更低的平均跟踪误 差,其平均误差降低了近2倍。     

基于粒子滤波的视频图像目标遮挡算法研究

基于粒子滤波的视频图像目标遮挡算法是当前的一个热门研究领域.在对于视频图像目标跟踪方面,综合运用了多种算法进行检测和跟踪,详细分析光流法、帧间差分法、背景差分法和视频图像目标特征的提取,并在最后对帧间差分的算法进行了改进.通过实验证明,采用基于粒子滤波的视频图像目标遮挡算法能够更加有效地解决对跟踪目标的准确判断.     

在线特征融合的均值移位红外目标跟踪

提出了一种改进的均值移位红外目标跟踪算法.首先,针对红外图像低信噪比的特点,采用局部灰度均值特征及局部标准差特征用于目标建模.其次,针对目标低对比度的特点,以目标与局部背景的特征似然比作为核直方图的权值,建立了新的特征表征模型,并将两种特征模型进行线性融合,得到最终的目标表征模型,其中的融合系数由特征似然图对比度自适应确定.最后,在均值移位框架下推导了该模型梯度匹配过程中移位向量的表达形式.同时,基于帧间综合对比度的变化建立了复杂背景条件下的模型更新判别准则.通过基于实测数据的红外目标跟踪实验验证了该算法的可行性.     

改进Hausdorff距离和量子遗传算法在激光制导中的应用

为了在激光成像制导中提高目标识别的精度和实时性,并在遮挡条件下进行有效识别,采用基于改进Hausdorff距离和量子遗传算法的激光图像匹配算法,选择图像的局部边缘特征为特征空间,针对传统Hausdorff算法及几种改进Hausdorff距离存在的问题,提出了一种新的改进Haussdorff距离作为相似性度量;在搜索策略上,选择量子遗传算法进行并行搜索,为防止种群过早收敛,提出了种群灾变策略,并应用动态的量子旋转角调节收敛的速度和方向。通过理论分析和实验验证,取得了不同参量条件下的目标识别对比数据。结果表明,该算法可以消除激光图像中局部遮挡、噪声以及出格点等因素影响,鲁棒性好、匹配精度高、计算速度快。     

引入显著特征空间的抗遮挡红外目标跟踪

针对红外目标跟踪过程中目标纹理信息缺乏,与背景灰度呈现强耦合性,特别是在遮挡情况下目标特征信息链断裂,特征信息无法延续的实际跟踪问题,提出了基于显著特征空间的抗遮挡跟踪算法。首先通过分析红外目标特性,利用多尺度显著性、对比度和信息熵等信息生成显著特征向量空间,结合超像素特征距离和空间距离对区域进行聚类融合,突出目标区域,生成显著图。然后融合显著区域和原图,生成多个目标候选区作为跟踪算法输入。最后通过目标的空间分布场矩阵对全局的候选区域进行匹配,同时建立遮挡检测机制,基于显著区连通区变化和特征相似度变化曲线对遮挡的起始进行判断,结合遮挡判定设置模型更新策略。在不同红外测试集上的实验结果表明:所提算法在遮挡情况下也能达到较好的跟踪效果,有效增强了跟踪算法的鲁棒性。     

光电目标图像自动跟踪技术研究

概括介绍了相关跟踪、特征跟踪和对比度跟踪等技术,根据各种复杂环境下的算法适应性的需要,提出了一种改进的相关跟踪算法,即对图像进行粗采样预处理,降低匹配图像的分辨率,再进行图像归一化分区域相关匹配算法.实验证明,此方法有效地提高了算法的适应性.     

应用GhostNet卷积特征的ECO目标跟踪算法改进

为了减少有效卷积算子(ECO)跟踪算法的特征提取网络参数量和计算量,采用了一种基于端侧神经网络(GhostNet)改进的ECO目标跟踪算法.首先,采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征,运用全局平均池化对卷积特征下采样增加特征对图像的表征能力;其次,将卷积特征与手工特征插值后,与当前滤...