基于自适应特征融合的多尺度相关滤波跟踪

为了减小目标跟踪中目标变形、光照影响、运动模糊以及目标旋转对跟踪效果的影响,在相关滤波KCF基础上,提出了一种基于自适应特征融合的多尺度相关滤波跟踪算法。首先,提取VGG19网络中conv2-2、conv3-4、conv5-4层的特征以及CN特征,并在conv2-2层加入CN特征;然后,将这3个特征分别代替HOG特征进行滤波学习,得到3幅响应图;进而对3幅响应图进行加权融合预测目标位置。最后,在尺度方面引入多尺度相关滤波器进行尺度的确定。该算法比KCF跟踪算法精确度和成功率分别提高了13.6%和11.8%。与现有的其他优异跟踪算法相比,该算法在应对运动模糊、背景杂乱、目标变形、平面旋转方面更具有较好的跟踪效果。     

基于核滤波器实时运动目标的抗遮挡再跟踪

相关滤波算法是通过模板与检测目标的相似性来确定目标位置,自从将相关滤波概念用于目标跟踪起便一直受到广泛的关注,而核相关滤波算法的提出更是将这一理念推到了一个新的高度。核相关滤波算法以其高速度、高精度以及高鲁棒性的特点迅速成为研究热点,但核相关滤波算法在抗遮挡性能上有着严重的缺陷。本文针对核相关滤波在抗遮挡性能上的缺陷对此算法进行改进,提出了一种融合Sobel边缘二元模式算法的改进KCF算法,通过Sobel边缘二元模式算法加权融合目标特征,然后计算目标的峰值响应强度旁瓣值比检测目标是否丢失,最后将Kalman算法作为目标遮挡后搜索目标的策略。结果显示,本文方法不仅对抗遮挡有较好的鲁棒性,而且能够满足实时要求,准确地对目标进行再跟踪。     

基于YOLOv3检测和特征点匹配的多目标跟踪算法

针对传统多目标跟踪算法中行人检测速度慢、易受光照变化、行人快速移动及部分遮挡因素的影响造成行人目标跟踪性能差等问题, 提出一种根据经典的Tracking-by-Detection 模式,采用深度学习YOLOv3算法检测行人目标,然后利用FAST角点检测算法与BRISK特征点描述算法对相邻帧间的行人目标进行特征点匹配,实现多目标行人跟踪的算法。实验结果表明行人目标在背光、快速移动、部分遮挡等复杂环境下均获得了良好的连续跟踪效果,平均精度达到87.7%,速度达到35帧/s。     

基于全局和局部信息的目标跟踪算法

图像序列中的运动目标在跟踪过程中容易受到复杂环境以及严重遮挡所影响。针对该问题,提出一种基于全局信息和局部信息的混合粒子滤波算法。新算法在传统粒子滤波的基础上引入了多子块纹理直方图,它包含了目标的局部空间信息,使得跟踪算法的鲁棒性有所提高;根据目标受遮挡的程度自适应调节全局和局部信息对目标定位的贡献,在一定程度上提高了算法的抗遮挡能力和适应能力,实验结果表明该算法在目标处于部分遮挡和严重遮挡时能够达到比较理想的跟踪效果。     

融合SIFT特征的压缩跟踪算法

本文提出一种新的融合SIFT(尺度不变特征)和压缩特征的目标跟踪算法以解决姿态变换、光照变化、旋转和运动模糊下目标的稳定准确跟踪问题。算法使用压缩特征对目标和背景进行描述,通过在图像帧中采集到的正负样本在线训练和学习SVM(支持向量机)分类器,将跟踪任务构建为一个二类分类问题。使用该分类器对下一帧的目标和背景进行分类,从而获得精确的目标位置和区域。同时,算法使用前后两帧的SIFT特征点之间的对应匹配关系求解目标尺寸变化值,实现模板大小的自适应调整。将算法与其他算法在某些图像序列上的跟踪比较显示,该算法在有效性、正确性和鲁棒性上性能优越。     

ECO跟踪算法中CNN分层插值及加权策略改进

本文是在深度特征与相关滤波相结合的高效卷积运算符(ECO)目标跟踪算法基础上进行的改进。首先,为了提高跟踪速度,提出"浅层特征不插值,深层特征插值"的卷积神经网络(CNN)分层插值处理方法,对具有较高分辨率的浅层特征不插值,对分辨率低的深层特征进行插值计算来提高分辨率;其次,改进了样本空间分类策略,给CNN特征层分配不同的权重,突出不同特征层对样本间距离的影响,并且将所有样本信息都保留在训练样本集中;最后,应用判别尺度空间跟踪(DSST)算法提出的对目标尺度估计的方法,增加了目标尺度的候选数量,使尺度估计更加准确。实验结果验证了所设计算法的有效性。     

尺度优化的时空上下文目标跟踪

视觉目标跟踪在智能监控和人机交互等领域有着广泛的应用。该文针对时空上下文(STC)跟踪算法尺度适应性不强的问题进行研究,提出一种尺度优化的时空上下文目标跟踪算法。首先,提出一种新型加权滤波函数,滤除图像的高频信息,提升算法的精度;其次,定义两种判别标准,实现时空上下文模型的自适应更新;最后,通过相关性原理训练尺度滤波器,估计出目标的尺度大小,提高算法的尺度适应性。实验表明:提出的跟踪算法能有效改善STC跟踪算法的尺度更新缺陷问题,提高STC跟踪算法的跟踪精度,与近年来出现的基本跟踪算法相比,该算法有着良好的跟踪效果。该算法在AMD-A6处理器、2.7 GHz主频、4 GB内存的计算机硬件平台下,实现68 f/s的实时跟踪速度。     

基于卡尔曼滤波的多运动目标跟踪算法研究

针对多运动目标跟踪的实时性和鲁棒性问题,本文提出了一种基于卡尔曼滤波的多运动目标跟踪算法,该算法运用卡尔曼滤波预测目标的位置,并以目标的中心点坐标、面积和长宽比特征、一维HSV颜色直方图作为目标的特征对当前帧检测到的目标模板和预测区域内的目标进行匹配。实验证明,该算法可实时、稳定地跟踪复杂场景内的多运动目标,并能够解决目标遮挡问题。     

基于混沌粒子滤波的视频目标跟踪

针对复杂场景中目标受光照、自身形变、遮挡等影响,本文以混沌粒子滤波为框架,建立多特征似然模型,进行目标遮挡处理,提出了一种鲁棒性好且抗遮挡性强的混沌粒子滤波跟踪算法.本算法中利用混沌优化搜索优化粒子,很好的克服了退化现象,减少了计算量,在多特征似然模型建立中,对特征选择做了改进,使算法鲁棒性更好,并在算法中添加了遮挡处理.理论数据及实际场景的仿真结果表明,本文提出的算法鲁棒性好且具有较强的抗遮挡能力.     

一种结合背景运动估计的目标运动预测方法

在复杂背景下的目标跟踪过程中,通常会遇到目标被遮挡的情况,此时依靠单一的跟踪算法无法解决上述问题.在静止背景下,利用目标的历史运动轨迹,可以解决短时间遮挡的问题,但在运动平台上,由于相机运动和目标运动同时存在,目标的运动轨迹无法利用,因此本文创新地引入了KLT稀疏光流场算法,对两帧之间的大量特征点进行跟踪匹配,通过随机采样一致性算法鲁棒地估计出两幅图像之间的变换参数,对由相机移动引起的背景运动进行补偿,转换为静止背景下的运动目标估计.实验结果表明,该方法可以有效地解决目标遮挡问题,并成功应用到机载目标跟踪平台.     

基于目标特征提取的改进型压缩跟踪算法

本文在传统的尺度不变特征子(Scale Invariant Feature Transform,SIFT)算法的基础上,提出了一种新的基于改进的SIFT压缩感知跟踪算法.该方法一方面通过改进压缩跟踪算法中分类器的更新策略来提高算法的实时性;另一方面,通过改进SIFT向量邻域的选取方法来实现降低向量维度,从而减少计算复杂度.仿真实验表明,该方法不仅可以提高跟踪目标的实时性,而且能够在发生目标尺度变化、遮挡、漂移的情况下对运动目标进行准确跟踪.     

一种基于子空间学习的实时目标跟踪算法

针对当前目标跟踪算法鲁棒性低且运算慢的问题,本文提出了一种基于子空间学习的实时目标跟踪算法。该方法在粒子滤波跟踪框架下,采用增量式PCA子空间学习方法学习一个正交子空间,利用学习到的正交子空间对目标外观进行线性表示;针对目标在遮挡、运动模糊等复杂干扰状态下容易产生跟踪漂移的问题,本文建立了一个将遮挡等复杂因素考虑在内的观测模型和模板更新方案,解决了基于最小均方误差准则的传统观测模型在复杂场景下的跟踪漂移问题。实验结果表明,本文的跟踪方法能够达到很高的跟踪精度,同时也达到了接近实时的跟踪速度。     

融合颜色和轮廓的粒子滤波人脸跟踪

实际人脸跟踪过程中,光照和姿态的变化、背景颜色干扰等因素都会极大地削弱颜色特征的有效性,从而造成跟踪的不稳定.针对该问题,本文提出了一种以颜色和轮廓分布为线索的粒子滤波人脸跟踪算法.该算法主要有三个方面的特点:第一,在粒子滤波基本框架下,引入新的用直方图描述人脸轮廓的方法,有效解决了光照、人脸旋转、部分遮挡问题对跟踪的影响,并且能及时有效地重新捕获由于大面积遮挡等原因而丢失的目标.同时采用实时调整每帧图像特征点个数,有效提高了跟踪效率.第二,针对背景干扰问题,提出了一种抑制相似背景颜色干扰的方法.第三,本文还提出实时更新模板的方法来提高跟踪的准确性.实验证明本文算法对人脸跟踪具有很好的效果.     

基于Gabor和LIOP特征的多视角目标识别

针对被检测目标在视角变化和遮挡时较难识别的问题,提出联合利用Gabor特征和视角变换时共有的LIOP特征对目标进行多角度识别的新算法。首先,用4个方向、16个尺度的二维Gabor滤波器组对输入图像进行滤波,得到64组含有方向信息的Gabor特征响应图,进而对相邻尺度和相应位置计算局部响应最大值,得到具有尺度及平移不变的特征向量。其次,通过几何变换算法获得不同视角下的LIOP特征向量。然后,为了降低时间复杂度,通过主成分分析算法对联合特征降维。最后,把降维后的特征向量输入支持向量机(SVM)进行训练学习,得到检测器模型。为了定量评估算法精度和鲁棒性,在Caltech-101和UIUC car两个标准数据库进行测试,实验结果表明,本文在两个标准数据集上的平均识别率分别达到了92.1%和95.4%,能较好检测不同尺度、不同角度的目标。     

Gabor小波目标特征提取和跟踪方法的研究

为了解决目标在发生旋转、尺度及平移等几何变形时的自动跟踪问题,提出 Sobel 边缘检测与 L-M 优化结合的 Gabor 小波目标提取与跟踪方法。该方法自动寻找目标的小波特征点,在跟踪过程中不断优化特征模板的旋转、尺度以及平移等几何变形参数,使得小波特征向量值在最小平方和意义上与初始值相匹配,实现目标跟踪。实验结果表明,该算法能够有效地提取目标特征,在目标尺度变化达到 50%,角度变化 10o,旋转 90o等不利条件下实现了可靠跟踪。     

基于在线特征选择的粒子滤波跟踪算法

在复杂场景下,传统的粒子滤波跟踪算法较难定位目标.针对此问题,提出了一种基于在线特征选择的粒子滤波跟踪算法.该算法首先在线、自适应地通过Fisher判别准则,从16个不同的颜色特征空间中选择最能区分目标及其邻近背景的1个最佳特征空间,然后在这个最佳特征空间中用基于统计直方图的粒子滤波算法跟踪目标.试验结果表明,该算法鲁棒性和准确性较好,在光照变化.目标自身发生形变和遮挡情况下能够准确地对目标进行跟踪.     

改进特征和时间融合框架的区分式跟踪算法

文章基于多示例学习的跟踪框架,引入改进型的分布场特征并融合目标时间维度信息,提出了一种新的跟踪算法。新的特征能够更为有效地描述目标的空间结构信息,对于目标模糊、局部遮挡以及细微形变有良好的鲁棒性。加入的目标时间维度信息融合方法,包含了目标的历史信息,同时也能响应目标的外观变化,提高了跟踪器从跟踪异常中恢复的能力。通过对比新算法与其他先进算法在多组测试视频上的跟踪结果,可以发现本文提出的算法具有更为优异的性能,能够在各种复杂情况下对目标进行稳定的跟踪。     

Kalman滤波融合优化Mean Shift的目标跟踪算法

目标跟踪中,目标的背景变化、形状改变、遮挡,往往会导致跟踪失败,而跟踪的实时性和准确性是必须考虑的问题。本文首先对Mean Shift算法进行了介绍,接着对Mean Shift算法进行了优化:修正Mean Shift算法迭代权值,修正后主要信息贡献更加突出,次要信息受到抑制,避免了开方的繁琐运算,降低了运算量。提出了目标模板更新算法,解决了背景变化和目标形状改变时跟踪失败的问题。然后在水平位置和竖直位置建立Kalman滤波器,同时将优化Mean Shift算法与Kalman滤波融合,解决了目标完全遮挡后无法继续跟踪的问题。仿真实验表明,本文提出的目标跟踪算法在目标遮挡,目标形状改变,目标跟踪失败的情况下具有更高的跟踪精度,更高的实时性和鲁棒性。     

一种改进的运动目标跟踪方法

为解决障碍物在三维目标跟踪中产生的遮挡问题,使用基于光流法和立体视觉的目标跟踪系统,同时结合自适应滤波方法来预测跟踪目标三维速度的期望值。采用模糊控制系统解决不同速度的耦合问题,通过计算跟踪算法与预测算法的速度差值来判断运动目标是否受到遮挡。实验结果表明:在确保91.2%识别率的前提下,该算法识别运动目标平均每帧耗时15 ms。该跟踪算法具有较好的鲁棒性和实时性。     

多特征融合的非线性目标跟踪算法

为克服视频目标跟踪中仅利用单一特征易导致的跟踪失败,提出了一种基于多特征融合的非线性目标跟踪算法。通过灰度直方图来表征目标的总体分布,利用边缘特征来提取目标的高频细节,将两者融合于粒子滤波的概率模型框架中。并提出一种基于半峰宽和贡献度的特征可信度计算方法,动态调节粒子数目,使可信度高的特征拥有较多的粒子。最后,进行了目标跟踪仿真实验,结果表明,该算法具有较强的抗局部遮挡能力,与单特征跟踪算法相比,平均跟踪误差减小了0．5个像素。