改进的KCF红外空中目标跟踪方法

针对红外空中目标跟踪中遮挡导致的跟丢问题,结合核相关滤波跟踪算法(KCF)无法跟踪尺度的缺点,提出一种基于KCF的红外空中目标跟踪方法。该方法借助KCF估计的目标位置,增加Sobel算子提取目标扩展区域的边缘信息,从而获取目标尺度并进行二次定位。然后,判断目标是否受遮挡或跟丢,采用帧差法重新检测目标,确保目标的持续跟踪。在7个视频序列上对所提的算法进行了实验,结果显示,所提算法能够有效计算尺度,验证了多种环境下跟踪的有效性。平均跟踪速度达到44 f/s,能够满足实时性要求。因此,本文提出的方法对于红外空中目标的跟踪具有一定的实用意义。     

运动模型引导的自适应核相关目标跟踪方法

针对小型移动机器人对人体目标快速运动或遮挡导致的跟踪准确率降低甚至跟踪失败问题,通过建立足部运动模型预测双脚位置信息,获得核相关滤波(KCF,Kernel Correlation Filter)目标检测区域,再结合输出响应峰值邻域相关检测,提出了运动模型引导的自适应核相关滤波算法.对实际拍摄的七组不同情况下的视频进行了足部目标跟踪实验,结果表明运动模型引导的自适应响应KCF算法平均跟踪准确率最高,且在短时间遮挡情况下的算法跟踪准确率也达到86％,明显高于自适应响应KCF、BACF(Background Aware Correlation Filters)以及SAMF(Scale Adaptive kernel cor-relation filters with Multiple Features)三种跟踪算法.最后在ROS(Robot Operating System)下将所提算法应用于Turtlebot机器人目标跟踪测试,成功克服了遮挡情况对足部跟踪带来的影响,验证了所提算法具有较强的鲁棒性和实时性.     

基于DPM和KCF的十字靶标检测与跟踪

为了实现对十字靶标的自动检测与跟踪,建立了十字靶标检测跟踪模型。针对目标检测中运算量大、实时性差、目标跟踪需要人工标定视频初始帧的问题,提出了一种基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法。首先,提取十字样本集的梯度方向直方图(HOG)特征,采用Latent SVM分类器训练特征集,生成十字靶标物体类的DPM模型。然后,通过滑动窗口搜索匹配方法遍历待检测图片。最后,将检测到的结果作为跟踪算法的起始跟踪帧,应用KCF算法快速跟踪目标。当跟踪目标丢失时,暂时停止跟踪,利用DPM模型重新检测定位目标再进行跟踪。实验结果表明:采用DPM模型检测的平均帧率为1 fps,结合DPM和KCF算法,实时检测跟踪的平均帧率为40 fps。采用基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法,实现了目标的自动检测与实时跟踪,且检测速度明显高于传统算法,并且在目标漂移或丢失后自动重新定位并继续跟踪,完成十字靶标的长时间跟踪。     

基于自适应的核相关滤波的目标跟踪算法

针对核相关滤波器(KCF)跟踪算法在目标发生尺度变化和严重遮挡的情况下跟踪失败的问题,提出了一种基于自适应的核相关滤波的目标跟踪算法。该算法运用了尺度估计策略,使跟踪框自适应,用多项式核函数来减少计算量,采用了FHog目标特征代替原来的Hog特征,获取更多的目标特征信息。实验采用OTB-2013评估基准的50组视频序列进行测试,并与其他31种跟踪算法进行对比,测试所提算法的有效性。实验结果表明:所提算法成功率为0.549,精确度为0.736,排名第一,与KCF算法相比,分别提高了3.8%和1.0%。该算法在目标发生尺度变化、严重遮挡等复杂情况下,均具有较强的稳健性和鲁棒性。     

基于改进的核相关滤波算法的红外目标跟踪

核相关滤波(KCF)算法在跟踪过程中由于目标受到遮挡或者目标本身的形变、大小变化等问题容易丢失目标.针对以上问题对原算法做出如下改进:一是加入检测模型响应值的方法作为判定目标是否丢失的依据,一旦判定目标丢失,模型就会暂停更新,增加采样窗口个数来扩大目标搜索范围,直至判定为重新定位目标;二是加入一种自适应的多尺度搜索策略;三是将原算法采用的方向梯度直方图(HOG)特征与图像灰度特征矢量融合作为新的样本特征.将原算法和改进算法用于实验采集的红外视频序列,定性地比较和分析跟踪效果,同时根据在OTB-2013中测试的跟踪精度做定量的评估.实验结果表明,改进算法的综合性能及应对目标受到遮挡、形变、大小变化等问题上的鲁棒性能均有提高.     

决策主导的多模式目标跟踪算法融合方法

针对视频目标跟踪过程中出现目标被遮挡情况导致跟踪器性能下降的问题,提出一种决策主导的多模式目标跟踪算法融合方法。该算法选取跟踪学习检测(TLD)算法和核相关滤波(KCF)算法作为集成方式的主体跟踪算法用于跟踪所选择视频目标。首先,使用直方图算法感知目标在运动过程中场景是否被遮挡的情况。然后,运用马尔可夫决策过程(MDP)利用上下文信息做出决策。最后,根据决策结果在目标被遮挡与否时选择TLD算法或KCF算法用于跟踪目标。仿真结果表明,提出的多模式目标跟踪算法集成方式较传统目标跟踪算法在实时性和鲁棒性综合性能上有更好的表现。     

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.     

光流向量补偿模型的运动目标检测

基金项目：黑龙江省教育厅科学研究项目（No.11541057）资助。摘要：针对计算机视觉中的运动目标跟踪与检测问题,特别是运动目标被遮挡丢失和大幅度机动现象,提出了一种基于Lucas-Kanade光流向量补偿算法的运动目标检测方法。该方法利用Lucas-Kanade光流算法计算帧间的光流向量,并选用丢失目标的图像附近若干帧序列图像之间的光流关系,对丢失的光斑目标位置进行估计,以此对序列图像进行补全。实验表明该算法相对于其他传统光流法,提高了光流估算的精确性和可靠性,能更好地检测出运动目标。     

基于相关滤波器的视觉目标跟踪方法

为了解决视觉目标跟踪中的尺度预测的难题,本 文在核相关滤波器的目标跟踪的框架下给出了一种 尺度估计策略,并对传统的核相关跟踪方法中目标模型的在线更新方法进行了修改,提出了一 种多尺度视觉 目标跟踪算法。首先,通过对正则化最小二乘分类器(RLS)学习获得位置和尺度核相关滤波 器(KCF);然后,寻找位 置和尺度KCF输出响应的最大值,完成目标位置和尺度的检测;最后,在线更新目 标模型。实验中,对 12组具有挑战性的标准视频序列进行测试。实验结果表明,相对于现 有的3种基于相关滤波器的跟 踪方法中的最优者,本文方法的平均中心位置误差(CLE)减 少了7.0pixels,平均成功率(SR)提 高了18.3%,平均距离(DP)精度提高了 5.6%;在目标发生尺度、光照、姿态变化、部 分遮挡、旋转及快速运 动等复杂情况下,本文方法均有较强的适应性,具有重要的理论和应用研究价值。     

基于KCF框架的长时间视频目标跟踪算法

针对视频目标跟踪中因遮挡产生的目标丢失后无法重新自动锁定目标的问题,提出了一种能够对视频目标进行长时间跟踪的算法。基于KCF(Kernelized Correlation Filters)算法的框架,增加筛选模块,通过三重分类器的筛选,对目标重新自动锁定。实验结果表明,提出的算法能够实现对目标的稳定跟踪,并且在目标跟丢后自动重新锁定并继续跟踪,实现对目标长时间跟踪的目的。