基于多特征和尺度估计的KCF_MTSA算法

多模板尺度自适应核相关滤波器（KCF_MTSA）跟踪算法在目标移动模糊、旋转和尺度变化时跟踪距离精度与成功率较低。针对该问题,提出一种结合多特征和尺度估计的改进KCF_MTSA目标跟踪算法。采用方向梯度直方图和颜色名两种特征对目标进行表征,在训练阶段分别使用多模板核相关滤波器对上述特征进行训练,同时在检测阶段将两个滤波器的响应以权重形式进行自适应融合获取响应图实现目标定位,并使用一维相关滤波器进行目标尺度估计。实验结果表明,该算法的跟踪距离精度和准确率较改进前KCF_MTSA算法有明显提升,其距离精度和准确率分别提高15.8%和28.5%。     

结合改进角点检测的优化核相关滤波方法

通常,核相关滤波（KCF）算法易受遮挡等实际检测情况的影响。为使跟踪结果更为准确,提出了结合改进角点检测的优化核相关滤波方法。由自适应Harris角点数量适宜且鲁棒性强的特点,解决了广义霍夫算法提取冗余边缘点速度慢,以及因光照变化导致的边缘点提取不完整的问题。同时,自适应阈值法的引入将噪声对角点提取的影响降为最低。将目标分块并对每一目标子块单独跟踪,由子块间相对位置解决KCF算法在尺度发生变化时目标易丢失的问题。此外,对学习率参数进行了自适应更新,降低了KCF算法的学习率,减少了在目标被遮挡时的模型更新误差。结合交并比与匈牙利算法关联多个目标,逐一取出对应坐标并由广义霍夫算法描绘的目标轮廓得出最终位置,抑制了目标快速运动时KCF算法的漂移现象。实验表明,所提方法有效提高了目标跟踪的可靠性。     

融合YOLOV5+DSST+KCF的目标检测跟踪算法在激光通信中的应用

在空间激光通信中,两通信设备实现激光通信需要经过粗瞄准与精瞄准的过程,而粗瞄准过程在大部分场景下需借助光学望远镜和信标激光等辅助实现,实施不易;针对在粗瞄准过程中如何快速、准确识别出激光通信设备,并辅助完成激光通信,提出将不同目标检测算法与长时跟踪KCF算法相结合;通过对比发现,YOLOV5+DSST+KCF(YDK)算法的平均帧率为12帧,在帧率满足系统要求情况下,YDK算法的响应峰值要比原KCF算法、HAAR+DSST+KCF(HDK)算法分别提高了43.5%、31.4%,且有效解决目标尺度变化问题。     

基于DSP6678的KCF算法实现及优化系统设计

核相关滤波算法在目标旋转、部分遮挡等情况下具有很强的鲁棒性,但是其在实际工程上无法满足实时性跟踪的要求。借助DSP嵌入式平台,提出一种实时目标跟踪系统实现方案。首先,基于TMS32C6678处理器的硬件平台,对二维快速傅里叶变换(FFT2D)进行算法优化;其次,对KCF算法进行C语言级代码优化,包括循环展开、使用内联函数、使用关键字const等。实测结果表明,对640×480像素的图像,跟踪目标为32×64像素时,波门大小为64×128。在满足跟踪效果的同时,其跟踪速度最高达到25 ms/帧,符合实时性要求。     

基于ROS的移动机器人视觉跟随系统设计

视觉跟随是机器人领域中一个比较重要的部分,可以应用在仓储搬运、安防、军事等多种领域。由于传统算法存在当背景比较复杂的情况下无法有效跟踪目标、对跟踪目标和外部环境的分辨率要求高所以只能进行辅助跟踪、计算量大无法满足实时性要求等问题。本文采用KCF算法设计,设计了基于ROS的移动机器人视觉跟随系统,利用循环矩阵在傅里叶空间可对角化的性质,从而使得矩阵运算被转化成元素的点乘,减少了计算量从而提高了运算速度,满足了算法的实时性要求。经过实验和数据分析,本移动机器人可以实时有效的跟随指定目标实现视觉跟随功能。     

基于KCF跟踪算法的目标轨迹记录系统

为了确保跟踪算法能够实时跟踪上高速移动的目标并且记录目标的三维坐标.本系统使用了一种基于KCF（Kernelized Correlation Filters）的高速跟踪算法来保证系统能够跟踪到移动速度较快的目标.首先,使用KCF跟踪算法来跟踪目标;然后,利用ORB特征点检测来计算目标特征点从而找到多摄像机中对应的点,找到对应点之后利用多摄像机的三维重建原理计算出每一帧中目标物体的三维坐标点;最后,用多项式对每一帧运动轨迹的离散点进行拟合得到最终的运行轨迹.实验结果证明该算法能够有效跟踪目标,整个系统能够满足实际的需求.     

融合深度信息的移动机器人跟踪方法研究

在复杂场景及目标外观剧烈变化条件下，核相关滤波器方法跟踪模型易受干扰，造成跟踪窗不能自适应及目标丢失问题，提出一种融合深度信息的移动机器人跟踪系统。通过边缘交叉搜索法进行目标尺度框估计，通过轴向相对动能波动法进行跟踪失败检查，利用尺度池和搜索策略实现目标丢失找回。实验结果表明，结合核相关滤波器和场景深度信息的方法可以有效实现目标跟踪窗口自适应、目标丢失后找回，在移动机器人上具有较稳定的应用效果。     

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MS-KCF模型的图像序列中人脸快速稳定检测

为快速稳定地检测图像序列中角度变化较大、遮挡较为严重的人脸，结合快速精确的目标检测模型MobileNet-SSD （MS）和快速跟踪模型核相关滤波（KCF），提出一种新的自动检测-跟踪-检测（DTD）模式，即MS-KCF人脸检测模型。首先，利用MS模型快速精确地对人脸进行检测，并且更新跟踪模型；其次，将检测到的人脸坐标信息输入到KCF跟踪模型中进行稳定的跟踪，并加快整体的检测速度；最后，为了防止跟踪丢失，跟踪数帧后再次更新检测模型，重新对人脸进行检测。实验显示，在FDDB人脸检测基准中，MS-KCF模型的召回率为93.60%；在WIDER FACE人脸检测基准的Easy、Medium和Hard数据集中，MS-KCF模型的召回率分别为93.11%、92.18%和82.97%，平均速度为193帧/s。实验结果表明，MS-KCF模型具有稳定性和快速性，在图像序列中对严重遮挡和角度变化大的人脸具有很好的检测效果。     

基于多尺度核特征卷积神经网络的实时人脸表情识别

针对人脸表情识别的泛化能力不足、稳定性差以及速度慢难以满足实时性要求的问题,提出了一种基于多尺度核特征卷积神经网络的实时人脸表情识别方法。首先,提出改进的MobileNet结合单发多盒检测器（MSSD）轻量化人脸检测网络,并利用核相关滤波（KCF）模型对检测到的人脸坐标信息进行跟踪来提高检测速度和稳定性;然后,使用三种不同尺度卷积核的线性瓶颈层构成三条支路,用通道合并的特征融合方式形成多尺度核卷积单元,利用其多样性特征来提高表情识别的精度;最后,为了提升模型泛化能力和防止过拟合,采用不同的线性变换方式进行数据增强来扩充数据集,并将FER-2013人脸表情数据集上训练得到的模型迁移到小样本CK+数据集上进行再训练。实验结果表明,所提方法在FER-2013数据集上的识别率达到73.0%,较Kaggle表情识别挑战赛冠军提高了1.8%,在CK+数据集上的识别率高达99.5%。对于640×480的视频,人脸检测速度达到每秒158帧,是主流人脸检测网络多任务级联卷积神经网络（MTCNN）的6.3倍,同时人脸检测和表情识别整体速度达到每秒78帧。因此所提方法能够实现快速精确的人脸表情识别。