基于改进SIFT算法的粒子滤波目标跟踪

为解决传统尺度不变特征变换(SIFT)算法在光照变化和遮挡的情况下,不能快速准确跟踪目标的问题,提出一种采用粒子滤波和SIFT建立目标模型的方法,利用粒子滤波预测目标在当前帧中可能的位置。计算目标可能存在的区域SIFT特征点,构建特征描述向量,进行目标匹配。根据目标模型和目标候选区域中SIFT特征点的匹配情况,在跟踪过程中更新特征描述向量,实现目标跟踪。实验结果证明,该算法可提高目标检测和跟踪的速度以及准确性。     

YOLO-K模型多目标检测算法研究

针对图像中目标过多、相似以及有遮挡的情况,提出了一种改进传统YOLO v3算法的新算法。首先,为了使改进的算法可以更准确的检测小尺度目标,在原算法的网络中增加浅层特征提取层,然后,为了提高大尺度目标的检测精度,在大尺度特征提取层上增加输出层,得到改进的YOLO-K模型,并通过数据集进行测试验证。实验结果表明,YOLO-K模型在检测有遮挡、多目标、光线较暗图像的目标时,相较于YOLO v3算法,检测精度有明显的提高。     

基于SIFT 特征和粒子滤波的目标跟踪方法

现有的基于外观的目标跟踪算法,在光照变化和遮挡的情况下,不能准确跟踪目标．针对这个问题,考 虑到尺度不变特征（SIFT 特征）对于光照变换、尺度变换以及仿射变换的不变性,提出了一种利用SIFT 特征建立 目标模型,结合粒子滤波实现目标跟踪的新方法．在跟踪过程中,根据目标模型和候选目标中SIFT 特征点在时间 窗内的匹配情况,自适应更新目标模型的特征点,使模型能够适应目标外观变化．仿真结果证明了方法在不同环境 下的健壮性．     

结合尺度不变特征变换和Kalman滤波的Mean Shift视频运动目标跟踪

为解决目标跟踪中运动目标存在较大尺度变化、旋转、快速运动或遮挡时跟踪效果欠佳的问题,提出了一种将尺度不变特征变换(SIFT)特征匹配和Kalman滤波与Mean Shift结合的运动目标跟踪方法。首先,利用Kalman滤波估计目标运动状态,将其估计值作为Mean Shift跟踪的初始位置;然后,当候选目标模型和初始目标模型的相似性测度系数小于某一阈值时,启用SIFT特征匹配寻找目标可能位置,并在该位置处建立新的候选目标模型,同时进行相似性测度;最后,比较两者所得匹配系数,取其中较大者对应的位置作为目标的最终位置。实验结果表明,该算法的跟踪平均误差较单独将Kalman滤波或SIFT特征与Mean Shift结合的跟踪算法减小了约20%。     

基于尺度不变特征变换的Mean-Shift目标跟踪

均值漂移(Mean-Shift)目标跟踪算法由于具有快速模板匹配和无参数密度估计等特点,但也存在其固有的缺陷.为了提高该算法的鲁棒性,把目标分成多个区域,对每个区域利用Mean-Shift进行跟踪,迭代次数大于8的放弃迭代.然后利用尺度不变特征变换(SIFT)剔除那些匹配的关键点数目少的子区域.最后,利用匹配关键点数目多的区域得到目标的位置.实验结果表明该方法在目标受遮挡、尺度变化、旋转、环境场景等变化等具有很强的鲁棒性.     

利用增广拉格朗日乘子的鲁棒跟踪算子

针对视频目标鲁棒跟踪问题,提出了一种基于稀疏表示的生成式算法。首先提取特征构建目标和背景模板,并利用随机抽样获得足够多的候选目标状态;然后利用多任务反向稀疏表示算法得到稀疏系数矢量构造相似度测量图,这里引入了增广拉格朗日乘子(ALM)算法解决L₁-min难题;最后从相似度图中使用加性池运算提取判别信息选择与目标模板相似度最高并与背景模板相似度最小的候选目标状态作为跟踪结果,该算法是在贝叶斯滤波框架下实现的。为了适应跟踪过程中目标外观由于光照变化、遮挡、复杂背景以及运动模糊等场景引起的变化,制定了简单却有效的更新机制,对目标和背景模板进行更新。对仿真结果的定性和定量评估均表明与其他跟踪算法相比,所提算法的跟踪准确性和稳定性有了一定的提高,能有效地解决光照和尺度变化、遮挡、复杂背景等场景的跟踪难题。     

一种结合空间信息和稀疏字典优化的目标跟踪算法

针对复杂场景中目标表观变化引起的跟踪漂移问题, 提出一种新的基于稀疏表示的目标跟踪算法. 该算法通过稀疏性和空间相关性正则约束得到一种优化的目标代价函数, 利用拉格朗日对偶理论和加速近端梯度方法完成字典优化, 并利用最大池化理论和空间金字塔方法得到降维的且包含更多空间信息的目标模板系数和候选样本系数. 实验结果表明, 所提出的算法在背景干扰、光照变化、形变、运动模糊、严重遮挡等多种复杂场景中都能取得较为鲁棒的跟踪效果.     

室内单目机器人视觉目标发现与跟随

本文研究了室内单目机器人上的视觉目标人发现与跟随问题,分为场景变化检测,目标人检测,目标人视觉追踪和目标人主动跟随几个部分,主要研究了场景变化检测算法和目标人视觉追踪算法. 高速的场景变化检测算法通过对场景建模来分析该场景是否变化,为目标检测部分提供潜在变化帧和潜在变化区域. 实验结果表明能够提高系统运行速度,减少机器人运行时的卡顿. 视觉目标追踪算法结合表观模型和SLAM过程得到的地图点信息,估计目标区域内属于背景的部分,减少由于遮挡和目标尺度变化对于追踪算法的表观模型的影响,实验结果相比于对比算法取得较大效果提升. 本文尝试使用近年来效果较好的深度神经网络来进行目标检测. 使用小型深度网络并加强对于室内场景下人的学习,在运行速度和检测效果方面取得较好的平衡. 在视觉目标人的发现和跟踪的基础上,我们实现了机器人的跟随. 由于单目视觉仅能够提供目标的方向信息,所以机器人主动跟随的目标是保持目标人在成像平面的水平居中位置. 在目标无遮挡和部分遮挡的情况下,机器人能够成功的跟随人.     

基于L2范数最小化的实时目标跟踪

在贝叶斯推理框架下,基于稀疏表示的跟踪算法能够较好地处理目标在视频场景中的各种复杂的外观变化,取得较为鲁棒的跟踪效果,但算法的计算复杂度很高,很难满足实时性要求。针对稀疏跟踪算法的这一问题,提出了一种基于l2范数最小化的实时目标跟踪算法。将PCA子空间目标表示与l2范数最小化进行结合,去除稀疏跟踪算法中常用的琐碎模板集,建立了基于l2范数最小化的目标表示模型以及将遮挡等因素考虑在内的观测似然度函数。在大量的实验测试集上的对比实验结果显示,该算法和多个非常优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,而且在多个测试集上可以达到每秒20帧的速度。该算法可以很好地应对视频监控场景中遮挡、光线突变、尺度变化和非刚性形变等干扰,同时算法复杂度低,满足了实时要求。     

改进YOLO v3算法及其在安全帽检测中的应用

YOLO v3目标检测算法由于其速度快、精度较高,在工业中获得了广泛应用,但存在目标函数与评价指标不统一的问题,针对此问题提出了改进YOLO v3目标检测算法。该算法改进GIoU计算方法,并与YOLO v3算法目标函数相结合,设计了一个新的目标函数,实现了目标函数局部最优为IoU局部最优。公共数据集VOC2007和安全帽佩戴数据集测试结果表明,相比于YOLO v3算法,改进YOLO v3的mAP-50分别提高了2.07%和2.05%。     

融合YOLO检测的多目标跟踪算法

针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。     

基于卡尔曼滤波与感知哈希技术的模板匹配跟踪算法

为解决传统模板匹配跟踪算法计算复杂度高且在目标形变、光照变化、遮挡等情况下容易发生跟踪漂移的问题,本文提出一种融合卡尔曼滤波、图像感知哈希与模板匹配的跟踪算法。本算法采用感知哈希技术提取目标的哈希值作为模板进行匹配,采用卡尔曼滤波预测下一帧中候选目标的搜索区域,然后,结合模板的哈希序值和目标位置变化信息设计新的匹配准则进行模板匹配,最后根据匹配结果,采用自适应模板更新策略和跟踪策略对目标进行跟踪。试验结果表明,本算法在目标形变、光照变化以及遮挡情况下具有一定的鲁棒性,且能满足实时跟踪的要求。     

Target tracking algorithm based on occlusion prediction

Tracking failure caused by occlusion is one of the most challenging problems in visual tracking tasks. The current Siamese network-based object tracking algorithms use the maximum confidence strategy and center cropping mechanism, which may lead to partial or complete loss of target tracking. To address this problem, we propose an occlusion prediction-based tracking method, which uses an occlusion prediction branch to evaluate the occlusion degree of the target in four directions: up, down, left and right, and combines information fusion to predict the target position, and uses dynamic background suppression to reduce the interference of similar targets. First, we use dynamic background suppression to preprocess the input image, weaken the interference around the target, then use the target location information and regression information output by the Siamese network to obtain the candidate target position, and finally use the occlusion prediction information for information fusion to obtain the final target position. Although our method brings additional computational burden, it can still achieve real-time performance. Experiments show that our proposed method can effectively improve the robustness of Siamese tracking algorithms under different occlusion conditions. In the interference test based on OTB100, our method improves the tracking success rate by about 7% and the precision by about 10% for SiamBan and SiamGat algorithms respectively; in the interference test based on VOT2018, our method can effectively reduce the tracking loss frequency of Siamban and SiamGat algorithms, improving the EAO(Expected Average Overlap) by about 10%.     

基于视野分界线的多摄像机运动目标跟踪算法

提出了一种改进的基于视野分界线的多摄像机运动目标跟踪算法。该算法通过采用SIFT算法来自动获取特征点,生成视野分界线。当目标穿过分界线后,将待确定目标颜色直方图与目标颜色直方图相匹配,匹配度最好的赋予标识,即完成目标的交接,用Mean Shift算法完成后续目标的跟踪。在搭建的实验平台上进行了实时跟踪,实验结果表明该算法能有效实现多摄机间的目标连续跟踪。     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

联合YOLO和Camshift的目标跟踪算法研究

为了解决传统目标跟踪算法在有遮挡后无法准确跟踪的问题,提出了将YOLO和Camshift算法相联合的目标跟踪算法.基于YOLO网络结构来构建目标检测的模型,在模型构建之前,采用图像增强的方法对视频帧进行预处理,在保留视频帧中足够图像信息的同时,提高图像质量,降低YOLO算法的时间复杂度.用YOLO算法确定出目标,完成对目标跟踪的初始化.根据目标的位置信息使用Camshift算法对后续的视频帧进行处理,并对每一帧的目标进行更新,从而可以保证不断调整跟踪窗口位置,适应目标的移动.实验结果表明,所提的方法能够有效地克服目标被遮挡后跟踪丢失的问题,具有很好的鲁棒性.     

基于改进CAMShift的运动目标跟踪算法

针对视频序列图像目标跟踪中Mean Shift算法提取目标颜色特征易受背景影响的问题,首先选取非线性核密度估计方法用来进行运动目标的检测,然后采用CAMShift方法对检测到的目标进行跟踪,并结合非线性核密度估计的检测结果对目标直方图进行自适应更新。还针对目标的遮挡问题给出解决方法。实验结果表明,引入背景减法与CAMShift相结合的策略,能够实现运动目标的自动跟踪,并实现目标直方图的自适应更新。该算法的可靠性能满足实时检测的要求,较好地解决了光照变化、阴影及遮挡等造成的影响。     

引入特征重检的抗遮挡目标跟踪方法研究

针对视觉目标跟踪的遮挡问题,在TLD算法的基础上,引入特征重检环节,解决发生遮挡时因目标外观相似、背景聚类造成错判,提出了一种基于特征重检的抗遮挡目标跟踪研究方法(TLD-D),采用跟踪、检测、学习、再检测的策略。跟踪与检测相结合,对锁定的目标进行学习,获取目标最新的外观特征;当发生遮挡时,则启用特征重检环节,提取遮挡过程的"开始发生遮挡"和"遮挡结束"两个关键帧,然后在特征重检环节选用SIFT特征进行双向匹配标定目标,确保重新标定的目标为原被遮挡的跟踪目标,即"再检测"。OTB基准集上实验结果表明,与TLD算法、同类TLD改进算法以及其他经典跟踪算法相比较,TLD-D算法抗遮挡能力更强,鲁棒性更强,能够对目标长时间稳定跟踪。     

一种基于压缩域的实时跟踪改进算法

在基于压缩域的实时跟踪算法中,判别函数对目标外观考虑不足易造成跟踪精度较低。为此,提出一种改进的基于压缩域的实时跟踪算法。利用稀疏测量矩阵提取候选目标的低维多尺度特征,并根据在线更新的特征概率分布,采用朴素贝叶斯分类器判别目标与背景,实现粗跟踪。通过视频帧间候选目标内部区域所具有的相似性,在粗跟踪的基础上实施基于动态目标外观模型的二次跟踪,在线寻找目标的最佳跟踪位置。对多种跟踪视频库的测试结果表明,该算法在不过量增加计算负荷的情况下能有效提高跟踪精度。     

基于注意力机制子网络的时空跌倒检测算法

近年来行人跌倒检测变得越来越重要,因为准确及时的跌倒检测可以帮助跌倒者获得紧急救援。针对复杂场景中由于光照变化、遮挡和尺度变化等导致检测性能下降的问题,提出一种实时、鲁棒的跌倒检测算法。首先采用YOLO v3目标检测模块完成行人检测;然后在跟踪模块中对每个跟踪的边界框提取深层特征后,运用数据增强和重检测技术提高光照变化下的检测精度,并引入注意力机制子网络应对被遮挡目标的检测;最后跌倒判断模块对行人姿态进行判断,完成实时跌倒检测和报警。在Cityperson数据集、Montreal fall数据集和自建数据集上的实验结果表明,行人检测算法的检测精度达到87.05%,跌倒算法的检测精度达到98.55%,时延在120 ms以内,且在光照变化和遮挡影响下依然能获得良好的性能。