基于各向异性核函数的均值漂移跟踪算法

均值漂移算法是一种将迭代轨迹滑向局部邻域内均值的迭代算法,已应用于目标跟踪领域。传统的均值漂移算法通常采用各向同性核函数进行跟踪,但视频序列中的跟踪目标的结构随时间而变化,尤其当目标结构快速变化时,基于各向同性核函数的均值漂移跟踪算法常常会导致目标的丢失。该文采用各向异性核函数均值漂移算法实现目标跟踪,由于该核函数的形状、大小、方向能自适应于目标局部结构的变化,保证了跟踪效果的稳定性和鲁棒性。实验结果证明该算法是有效的。     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

基于深度学习的目标抗干扰跟踪算法

针对目标跟踪算法中相似背景的干扰及目标自身旋转导致跟踪框漂移的情况,提出一种融入SSD(Single Shot Multi Box Detecter)检测的方案,从而有效地避免了跟踪框的漂移。首先对要跟踪的特定种类的目标进行深度学习检测模型的预训练,然后利用本文所设计的融合判别尺度空间算法完成目标定位和跟踪。由判别尺度空间模型对目标实施初步定位,在候选区域进行特征检测,并设计了一种运动估计淘汰体制,以保证候选区域目标的唯一性,最终完成目标的精确定位。实验证明,该方法能有效避免相似背景干扰和遮挡时所造成的跟踪框漂移,同时在目标快速运动,尺度和形状变化时均能完成鲁棒性的跟踪。     

基于加权空间直方图的均值漂移目标跟踪

目标模型内的背景像素会造成目标跟踪定位偏差。为了减少背景像素对跟踪造成的定位偏差,首先通过目标区域像素和目标区域周围背景像素的颜色直方图定义了一个加权系数,然后将该加权系数引入到空间直方图的计算中,提出了一种基于加权空间直方图的均值漂移(MS)目标跟踪算法。在此基础上,给出了一种模型更新方法。仿真实验表明,该算法具有很好的跟踪精度,对遮挡具有更好的鲁棒性。     

一种红外和可见光双通道视频目标跟踪方法

室外场景下由于场景背景条件变化容易导致视频目标跟踪稳定性差。该文提出一种利用红外和可见光传感器的双通道视频目标跟踪方法。该算法利用可见光图像的目标颜色特征和红外图像的目标轮廓特征,结合均值漂移算法与水平集曲线演化实现目标定位,并给出了目标尺度和模板更新方法;对多目标跟踪的互相遮挡问题,通过判断目标合并与分离实现遮挡时多个目标的定位。实验结果表明,该文方法能够有效处理光照变化、阴影、遮挡等情况,实现目标的稳定跟踪。     

基于单目视觉的移动光斑跟踪定位方法

针对移动光斑跟踪定位中目标快速运动、严重遮挡导致光斑位置难以长时间跟踪的问题,提出了一种基于光斑跟踪模块、光斑中心定位模块和光斑轨迹预测模块三部分组成的单目视觉的移动光斑跟踪定位方法。其中,光斑跟踪模块是通过图像分割出目标光斑区域并以该区域初始化相关滤波器CN算法;光斑中心定位模块在跟踪框内通过灰度质心法求取光斑中心;光斑轨迹预测模块是通过自适应无迹卡尔曼滤波器(UKF)结合轨迹线性拟合来估计目标位置,在受干扰情况下校正CN跟踪器的搜索区域,提高系统抗干扰能力;利用实际移动光斑视频图像序列进行实验研究,对比试验结果表明所提方法的有效性。     

基于时间一致性约束的核互相关器目标跟踪

针对相关滤波器跟踪算法在目标快速运动、遮挡和表观变化时易发生跟踪漂移或者丢失的问题,提出一种基于时间一致性和核互相关器的目标跟踪算法。该算法通过引入对图像噪声和杂波更具鲁棒性的核互相关向量,能够更精确地预测目标的仿射变化。同时,在学习过程中引入时间一致性约束,以解决因核相关器时间退化导致的跟踪漂移问题。最后,采用主灰度分量逆映射来提升跟踪器应对目标部分遮挡的能力。在公开的OTB100标准目标跟踪数据集中与提供的基准算法和其他性能更加先进的相关滤波算法进行对比,该算法平均跟踪速度为41f/s,相对fDSST和SAMF算法,其跟踪精度分别提升15.6%和6.4%,跟踪成功率分别提升33.3%和6.1%。实验结果表明,该算法在目标快速运动、遮挡或表观变化时仍能精确地跟踪目标。     

融合L2范数最小化和压缩Haar-like特征匹配的快速目标跟踪

在贝叶斯推理框架下,基于PCA子空间和L2范数最小化的目标跟踪算法能较好地处理视频场景中多种复杂的外观变化,但在目标出现旋转或姿态变化时易发生跟踪漂移现象。针对这一问题,该文提出一种融合L2范数最小化和压缩Haar-like特征匹配的快速视觉跟踪方法。该方法通过去除规模庞大的方块模板集和简化观测似然度函数降低计算的复杂度;而压缩Haar-like特征匹配技术则增强了算法对目标姿态变化及旋转的鲁棒性。实验结果表明:与目前流行的跟踪方法相比,该方法对严重遮挡、光照突变、快速运动、姿态变化和旋转等干扰均具有较强的鲁棒性,且在多个测试视频上可以达到29帧/s的速度,能满足快速视频跟踪要求。     

基于模型互更新的多模图像融合跟踪算法

针对复杂环境下引起的目标失跟问题,提出了一种基于模型互更新的可见光与红外图像融合跟踪算法。基于把视觉跟踪问题视为"中心-周围"分类的思想,首先从可见光与红外图像中分别提取目标及周围像素点的特征,然后采用Boosting算法训练得到跟踪模型。基于分类结果计算像素点的置信度,采用决策级融合方法得到似然图像,通过均值漂移算法估计目标位置。最后在Co-Training框架下结合目标跟踪结果进行模型的互更新。实验结果表明,该算法提高了跟踪的鲁棒性,有效利用了多模图像的信息。     

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。      

Online Boosting tracking algorithm combined with occlusion sensing

Online Boosting tracking algorithm combined with occlusion sensing was presented.In this method,occlusion sensor was introduced to check the tracking results,and classifier updating strategy was adjusted depending on the occlusion checking results.By this way,the feature pool of the classifier can be kept pure,which will improve the tracking robustness under occlusion.Experimental results show that compared with traditional Boosting tracking algorithm,improved algorithm can solve the problem of occlusion very well.     

基于相似度优化的混合式视觉跟踪方法

针对复杂环境下视频目标跟踪问题,提出一种基于相似度优化的混合式视觉跟踪方法。首先,采用局部余弦相似性度量目标和候选模板的相似性,有效抑制因遮挡、光照突变等情况引起的脉冲噪声,提升模板匹配精确度;其次,基于目标函数的二次规划方法推导了局部目标的判别权重,有效提升了算法对目标和背景的判别能力;最后,在系统更新过程中引入模板的判别式更新,有效改善了模型漂移问题。实验结果表明,本文方法较好地改善了复杂挑战性背景下的跟踪鲁棒性和精确度。     

引入抗遮挡机制的SiamVGG网络目标跟踪算法

抗遮挡在视频目标跟踪中是一个极具挑战的研究问题。在目标跟踪过程中,目标在被部分遮挡或者完全遮挡的情况下,使得跟踪模型的漂移导致目标跟丢。为了解决这一问题,本文提出了引入抗遮挡机制的SiamVGG网络目标跟踪算法,通过对网络输出置信图的峰值和连通域的变化规律分析,设置不同的跟踪模式,分别是正常跟踪、部分遮挡、完全遮挡和遮挡丢失,然后根据不同的模式选择不同的跟踪策略。相比于其它的跟踪算法,本文算法采用了SiamVGG网络作为目标跟踪的框架并对遮挡问题进行了分析和校正,有效避免了在遮挡情况下目标跟丢。通过在OTB-50、OTB-100和OTB-2013三个基准数据集上进行了实验,验证了本文算法在抗遮挡问题的有效性和鲁棒性。      

基于视频序列的运动目标追踪算法

介绍了一种对视频序列中运动目标追踪的实现算法,该算法在运动目标检测的基础上,融合了卡尔曼滤波和Meanshift算法实现对快速移动目标的追踪。卡尔曼滤波对下一帧目标可能出现的位置做出估计,Meanshift迭代算子在估计出的区域对目标精确定位。经实际验证其有效地克服了传统Meanshift算法对于快速移动物体追踪可能出现的丢失目标的问题,目标追踪效果明显提高。     

基于多示例学习和随机蕨丛检测的在线目标跟踪

基于检测的目标跟踪方法目前在计算机视觉领域受到了广泛的关注,这类方法通过训练判别分类器将目标对象从背景中分离出来;分类器的训练是根据当前的跟踪状态从当前帧中提取正负样本来进行,但训练样本的不准确将导致分类器退化产生漂移。该文提出一种能够有效克服目标漂移的跟踪算法,采用检测器和跟踪器相结合的框架,利用中值流算法作为跟踪器,提高跟踪点的可靠性;级联若干个随机蕨弱分类器构成强分类器作为检测器;用在线多示例学习方法更新检测器,提高检测精度;最后将检测器、跟踪器的结果相融合得到最终的目标位置。实验结果表明,与其它方法相比,该方法对目标漂移有更强的鲁棒性。     

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.     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。     

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CamShift的压缩跟踪方法

针对压缩跟踪算法在目标旋转、尺度变化的情况下,容易出现跟踪漂移和跟踪失败的问题。本文采用改进的CamShift和压缩跟踪算法相结合的方法从不同角度对目标位置进行预测;然后,根据目标大小对跟踪窗口尺度进行自适应调整;最后,利用前后两帧图像的匹配程度自适应更新参数,提高算法的准确性。测试结果表明,本文算法不仅在目标外观变化的情况下具有较好的鲁棒性,而且在目标受到相似色干扰、遮挡和出现运动模糊时,仍能准确实时的跟踪目标。