融合先验知识的自适应行人跟踪算法

在实际监控场合中,行人的运动有着诸多不确定性,这些会对现有的跟踪算法产生干扰,从而造成跟踪丢失.基于此,文中提出一种将行人检测的先验知识融入到跟踪模型自学习过程的行人跟踪算法.首先通过离线训练,得到具有较强区分能力的子分类器集,这些子分类器蕴含了对于行人的先验知识.在跟踪过程中,使用online boosting算法从离线训练的子分类器集中学习并更新强分类器,对被跟踪行人进行动态建模.实验结果表明,该算法有效缓解算法自适应性与"漂移"之间的矛盾,能够在真实监控场合下跟踪具有复杂运动的行人.     

基于可变形部件模型的粒子滤波快速行人检测与跟踪

针对视频中的行人检测和跟踪问题,提出一种基于可变形部件模型的快速行人检测、改进粒子滤波的行人跟踪算法。在行人检测阶段,为了改善非刚体行人的检测精度,采用了混合多尺度可变形部件模型;同时为了加速行人底层特征的计算,采用了基于预测算法的快速特征金字塔计算行人特征,代替传统的计算图像特征金字塔的每一个尺度特征。在行人跟踪阶段,采用时变的状态空间模型和基于颜色梯度直方图的观测模型对检测到的行人进行跟踪。实验证明,改进的行人检测算法可以在性能损失忽略不计的条件下,大大提高检测速度,并且相对于传统的行人跟踪,改进的粒子滤波算法对行人这一非刚性目标能实现较好的跟踪。     

基于三维模型的粒子滤波行人跟踪算法

针对传统行人跟踪算法得到运动轨迹与真实轨迹差异巨大的问题,提出一种基于三维模型的粒子滤波行人跟踪算法.该方法利用摄像机标定信息和图像帧信息建立行人的三维模型,解决图像中目标尺度的变化问题,并得到目标的真实运动轨迹.同时该方法利用双指数预测模型对粒子滤波算法进行优化,以解决短时遮挡问题,同时降低运算复杂度.实验表明,基于三维模型的粒子滤波行人跟踪算法能够较准确地建立行人三维模型,对比标准粒子滤波和KPF算法,能够对行人进行有效跟踪,对短时遮挡和尺度变化有较强的鲁棒性.     

基于GhostNet与注意力机制的行人检测跟踪算法

针对复杂场景下仅依靠传统的目标检测与跟踪算法进行跟踪时准确度低且速度慢的问题,提出一种基于GhostNet与注意力机制结合的行人检测与跟踪算法.首先,将YOLOv3的主干网络替换为GhostNet,保留多尺度预测部分,利用Ghost模块减少深度网络模型参数和计算量,在Ghost模块中融入注意力机制给予重要特征更高的权值...     

基于多粒度特征的行人跟踪检测结合算法

对于一些较为流行的应用,例如视频场景监控,对行人的长期有效跟踪是应用的基础.尽管对目标检测与跟踪的相关技术研究已经有了很长的历史,但是如何实时并较为准确地实现目标行人跟踪目前仍然是一个活跃的研究领域.基于多粒度的思想,提出了一种改进的行人跟踪算法,将卷积特征与底层颜色特征结合,对基于深度学习的跟踪算法GOTURN(generic object tracking using regression networks)得到的跟踪结果进行判断决策,结合目标检测对跟踪结果进行修正.实验结果表明：与单一的跟踪算法相比,多粒度决策的跟踪算法能够更加准确地对目标行人进行跟踪,可以显著提高跟踪精度.     

基于特征融合与分类器在线学习的目标跟踪算法

为了解决目标在复杂环境下表观变化引起的跟踪漂移问题,提出一种基于多特征融合与分类器在线学习的目标跟踪算法.该算法利用不同表观特征训练子分类器,通过构建损失函数求得各子分类器可信度,进而加权融合子预测结果,得到当前帧最佳目标状态估计;同时,依据最近-最远边界原则和协同训练理论粗更新训练样本集,并通过精选择准则得到更具代表性的训练样本集,实现子分类器自适应更新.实验结果表明,所提出的算法在多种典型测试场景中都能取得较鲁棒的跟踪效果.     

基于DSST的运动目标跟踪算法研究

针对传统MeanShift目标跟踪算法中运动目标有速度较快或者尺度变换时,而不能准确进行跟踪的问题,引入了DSST运动目标跟踪算法.该算法加入了多尺度估计,并且在样本提取时采用多维特征,可以较好的估计下一帧中运动目标的位置.本文分析了DSST算法的原理,并进行了实验仿真.实验结果表明,DSST的运动目标跟踪算法能较好的...     

基于改进KCF的移动机器人视觉行人跟踪系统

针对视觉跟踪机器人在跟踪目标被大面积遮挡和短暂丢失的场景下容易跟踪失败的问题,提出了一种基于改进核相关滤波(kernelized correlation filter, KCF)的移动机器人视觉行人跟踪系统。在传统KCF算法的基础上引入平均峰值相关能量(average peak correlation energy, APCE),结合APCE响应值和最大响应值判断目标丢失情况,并加入了两级重检测机制。在OTB2013数据集的目标丢失(out of view, OV)场景中,改进算法的成功率和精度分别达到0.626和0.592像素,比传统KCF算法分别提升了8.7%和10.9%,有效提高了算法在目标遮挡和短暂丢失场景下的跟踪鲁棒性。在有行人干扰的场景中进行跟踪实验,实验结果表明所提视觉行人跟踪系统能够稳定跟踪目标行人。     

基于局部图块匹配的行人跟踪算法

针对传统行人跟踪算法计算复杂度高的问题,提出一种基于局部图块匹配（local block-graphs matching , LBGM ）的行人跟踪算法。利用摄像机采集视频流帧画面中含有行人的多幅视频图像,按照行人所在的图像区域进行分割;对图块进行数据关联匹配,通过匹配结果完成对行人的检测过程,得到检测的行人集合;针对行人集合,利用损失最小化进行最小偏差的路径预测,实现行人的跟踪过程。选取多相机行人视频（multi-camera pedestrians video ）进行对比实验,实验结果表明,该算法可以有效地跟踪行人,较传统算法有更好的行人检测率和跟踪准确率。     

基于多外观模型的自适应加权目标跟踪算法*

偏最小二乘(PLS)跟踪算法忽略特征间及外观模型间的差异,容易受到光照、遮挡等因素的影响,降低目标的跟踪精度.针对上述问题,文中提出基于多外观模型的自适应加权目标跟踪算法(AWMA).首先使用PLS对目标区域逐步建立多个外观模型.然后根据各外观模型中特征的重要性及目标的显著度建立自适应权重的综合模型,融合多个外观模型完成目标与样本的误差分析.最后使用粒子滤波实现目标跟踪.实验表明,文中算法能更有效地过滤噪声数据,提高目标跟踪的鲁棒性和时间性能.     

基于人类记忆模型的粒子滤波鲁棒目标跟踪算法

当目标被场景中的物体或其它运动目标遮挡,或者目标姿态发生很大改变时,粒子滤波器就会失效。为解决这类问题,受人类记忆机制的启发,文中将人类记忆模型引入到粒子滤波器模板更新过程,提出一种基于记忆的粒子滤波器。每个模板都要经过瞬时记忆、短时记忆和长时记忆3个空间的传输和处理。该粒子滤波器能记住曾经出现的目标模板,从而能更快地适应目标姿态的变化。实验结果验证了该算法的有效性。     

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。     

融合分支定界的可变形部件模型的行人检测

针对可变形部件模型（DPM）算法在行人检测领域中的检测精度高,但由于在特征提取和行人定位两步中的计算量过大,导致检测速度过慢而不能应用于实时行人检测的问题,提出了一种融合分支定界算法和级联检测算法的可变形部件模型（BBCDPM）算法。首先,选取梯度方向直方图（HOG）特征作为描述人体目标的特征,从而生成特征金字塔;然后,进行可变形部件模型的建模,并使用隐变量支持向量机（LSVM）对模型进行训练;同时,为了提高行人检测的准确度,将传统可变形部件模型算法中的5个部件模型增加到了8个;最后,在利用了级联检测算法简化检测模型的基础上,结合了分支定界算法寻找最大值,排除大量不可能的对象假设,完成对行人目标的定位和检测。在INRIA数据集上进行了实验,结果表明,与传统DPM算法相比,该算法将准确率提高了12个百分点,且大幅提高了行人检测与识别的速度。     

改进的Camshift跟踪算法研究

Camshift是使用颜色直方图作为特征的一种跟踪算法。它利用目标的颜色直方图模型得到每帧图像的颜色投影图,初始化一个搜索窗的大小和位置,并根据上一帧得到的结果自适应调整搜索窗口的位置和大小,定位出当前图像中目标的中心位置。从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。实验结果表明,改进的Camshift有效地克服了Cam-shift算法自身的缺陷,即使在图像背景复杂且不规则的情形下,仍然能有效的跟踪到目标。     

基于改进的MOSSE相关滤波的目标跟踪

视频目标跟踪存在如遮挡、形变、漂移等诸多挑战。虽然研究者提出了大量的算法来解决这一问题, 但大多数不具备普适性和实时性。为了实现目标有效稳定的实时跟踪, 本文在MOSSE相关滤波算法基础上提出了一种多模式的视觉目标跟踪算法, 该算法不仅具有相关算法的实时性, 还适应跟踪目标外观大幅度变化情况。同时, 为了适应跟踪过程中目标外形的复杂变化, 提出了一个控制模式更新率的算法, 利用具有多模式的跟踪算法可以同时处理极小的运动与外形突变。对基准视频数据的仿真实验结果表明, 与对应的单模型跟踪算法相比, 本文提出的算法可以明显改善跟踪精度和稳定性。     

基于SAD与UKF-MeanShift的主动目标跟踪

针对复杂场景下动态目标难以准确分割以及目标难以准确定位的问题,提出将绝对差值和(SAD)方法、无迹卡尔曼滤波(UKF)和Mean shift算法相结合的混合自主跟踪动态目标的方法。首先,采用SAD方法获相邻两帧的视差信息,利用视差实现动态目标的检测,并依此建立目标的核直方图描述模型和状态空间模型,然后UKF算法对状态空间进行滤波估计,最后采用Mean shift 算法精确定位目标。实验结果表明该方法不仅能有效检测场景的动态目标,同时还能获得目标的运动信息。文中所提出的基于UKF-Mean shift的跟踪策略与相关算法相比,体现出较好的跟踪效果与时间性能。     

基于示例选择的目标跟踪改进算法

多示例学习是一种处理包分类问题的新型学习模式,传统基于多示例学习的目标跟踪算法在自适应获取正包时受到无益或有害示例的干扰,不能很好地提取目标的鉴别性特征.为此,设计基于核密度估计的示例选择方法,剔除训练集中的无益示例或有害示例,提高多示例学习算法的有效性,并在此基础上提出一种基于示例选择的目标跟踪改进算法,针对负示例占多数的情况建立核密度估计函数来精简正包中的示例,使用精简后的样本数据进行训练学习,最终实现对目标的实时跟踪.实验结果表明,该算法在光照变化、目标部分遮挡及形体变化等情形下都具有较好的稳健性.     

基于混合粒子滤波和稀疏表示的目标跟踪算法

针对图像序列中的运动目标在跟踪过程中易受到光照等复杂环境、外观变化及部分遮挡影响的问题,提出基于全局信息和局部信息的混合粒子滤波算法.将目标的局部二元模式纹理特征引入粒子滤波算法,通过稀疏编码目标子块,充分利用目标的局部空间信息,并结合全局信息以确定当前帧中目标的位置.在跟踪过程中实时更新模板,这在一定程度上提高算法的鲁棒性.实验表明在目标处于复杂环境中算法能达到较理想的跟踪效果.     

基于改进MDNet的视频目标跟踪算法

目标跟踪算法面对的突出问题之一是正负样本不均衡, 正样本极度相似. 针对跟踪更新过程中正样本不丰富的问题, 本文基于多域卷积神经网络(MDNet)算法, 提出了一种改进MDNet的视频目标跟踪算法, 首先改进原算法中候选框的选取策略, 提出了一种基于候选框置信度与坐标方差阈值判断相结合的模型更新方法, 其次将原算法的交叉熵损失函数改进为效果更好的focal loss损失函数. 实验结果表明在相同实验环境下本文算法相较于MDNet算法在跟踪准确率和成功率上均有明显提高.