一种鲁棒的基于集成学习的核相关红外目标跟踪算法

在红外目标跟踪中,由于目标所处的背景信息复杂多变和目标外观的显著变化,单一的分类器不足以拟合多模态的数据。该文结合核相关滤波器(KCF)将多个核相关分类器通过集成学习整合到一个框架中。利用KCF分类器具有解析解的特点平衡跟踪鲁棒性与实时性之间的矛盾,从而解决单个分类器无法处理复杂背景与显著的外观变化问题,并显著提升目标跟踪的性能与稳定性。为了验证算法的有效性,该文利用两个核相关跟踪器联合学习出1个强分类器。大量的定性定量实验表明所提的算法的跟踪性能超过传统的KCF算法,且跟踪速度也超过大多数比较算法。     

基于码本模型和压缩跟踪算法的遗留物检测

针对一般遗留物检测算法复杂度高和跟踪效果不理想的问题,提出了一种基于码本模型和压缩跟踪算法相结合的遗留物检测方法。首先通过码本模型建模和适时匹配背景更新算法来获取静止目标区域信息;然后利用稀疏测量矩阵对静止目标区域的多尺度特征进行降维,得到分类器的正负样本;最后用朴素贝叶斯分类器对提取的特征进行分类,当分类器响应最优时得到当前帧中跟踪到的目标位置,即使目标被部分遮挡,也能实现对遗留目标的准确跟踪。实验结果表明,该方法不仅简单高效、实时性好,而且可以消除由物体短暂停留而带来的干扰。     

结合注意力机制的核相关滤波目标跟踪

针对目标跟踪中的旋转、快速运动、遮挡等问题 。提出了结合注意力机制的核相关滤波跟踪方法。该方法利用卷积 神经网络提取卷积特征;利用两个样本的相似度矩阵计算注意力权值,并结合注意力权值和 核相关滤波器;使用两个分类 器分别检测目标和背景,并依据两个分类器的响应值实现模型的自适应更新。选取公开数据 集上具有复杂场景的视频序列 进行测试,并与多种跟踪算法在跟踪精确度和成功率上进行定量分析,该算法与原核相关滤 波算法相比,精确度和成功率 分别提高了18.9%、58.7%。实验结果表明,添 加了注意力机制和自适应更新的核相关滤波,较好的解决了遮挡、旋转等 问题,相比其他算法具有更好的鲁棒性和适应性。     

采用在线多实例学习的超像素跟踪

采用矩形框表示目标会引入背景干扰,导致跟踪性能下降,故利用多实例学习的特点对背景干扰建模,提出了一种采用在线多实例学习的超像素跟踪算法。在训练阶段,以超像素作为实例,根据位置将这些超像素分为具有明确标签的多个实例包,进而将跟踪转换为多实例学习问题。然后,在所提算法中实现了在线多实例学习,通过求实例包的似然函数最大化,从弱分类器池中选择K个最优的弱分类器组合为强分类器,在下一帧的检测阶段,利用学习的强分类器生成目标置信图。最后,采用粒子滤波方法从置信图中估计目标状态,在2.6 GHz主频的笔记本电脑上,所提算法的跟踪速率可达15 frame/s。在多个视频序列上的对比实验表明,该算法对复杂背景、目标高速运动、遮挡等具有更好的鲁棒性和精度,且跟踪精度和成功率的典型值分别达到了91%和90%,比原始超像素跟踪算法分别高出了21%和26%。     

基于快速傅里叶变换的局部分块视觉跟踪算法

针对视觉跟踪中目标表观变化、局部遮挡、背景干扰等问题,该文提出一种基于快速傅里叶变换的局部分块视觉跟踪算法。通过建立目标分块核岭回归模型并构建循环结构矩阵进行分块穷搜索来提高跟踪精度,利用快速傅里叶变换将时域运算变换到频域运算提高跟踪效率。首先,在包含目标的初始跟踪区域建立目标分块核岭回归模型;然后,提出通过构造循环结构矩阵进行分块穷搜索,并构建目标分块在相邻帧位置关系模型;最后,利用位置关系模型精确估计目标位置并进行分块模型更新。实验结果表明,该文算法不仅对目标表观变化、局部遮挡以及背景干扰等问题的适应能力有所增强,而且跟踪实时性较好。     

复杂场景下的加权粒子滤波行人跟踪方法

针对粒子滤波跟踪算法在行人目标遮挡、光线干扰以及背景与行人相似等情形下,目标易发生漂移、跟踪精度不高的问题,本文提出一种加权粒子滤波行人跟踪方法。该方法联合遮挡模型和Online Boosting算法,利用在线学习实时更新强分类器,并结合跟踪时建立的遮挡模型,以及行人运动时与上一次目标位置的距离、相似度等影响因子,对粒子权重进行重新构造,实现了复杂变化场景下的行人自适应跟踪。通过对PETS-L2S1公共数据集和自有数据集分别进行实验,可以得到本文提出的方法能有效去除目标遮挡、相似背景以及光线突变的干扰,实现稳定、准确、实时的行人跟踪。      

一种用于无人机的目标颜色核相关跟踪算法研究

利用CSK算法从图像碎片中提取运动目标的一个最小二乘分类,引入多通道颜色特征标定运动目标,通过当前图片碎片中的核函数周期性假设循环结构,一定程度拟补CSK算法使用目标灰度特征描述能力的不足。采用PCA降低特征维度并去除特征冗余信息,提高分类器参数更新速度,解决了CSK算法分类器参数更新线性化、无法适应目标发生较大变化时的运动目标跟踪问题。利用benchmark测试平台的算法集与测试数据集进行了实验,目标颜色核相关跟踪算法（TCKCT）的实验结果表明,对光照变化、背景杂乱、目标形变、目标运动速度较快、目标运动幅度较大的情况下,算法都有较好的跟踪效果。无人机跟踪遥控小车的物理实验结果,进一步验证了TCKCT算法特性,良好的实时性能够满足无人机目标跟踪要求,具有良好的实际应用前景。     

基于改进背景加权的Mean-Shift目标跟踪算法

针对采用核加权直方图的方法计算目标模板与候选区域目标特征无法实现对运动目标的准确定位这一问题, 提出了一种利用改进背景加权增强直方图显著性的鲁棒Mean-Shift跟踪算法。在传统Mean-Shift的框架下, 通过计算目标和背景特征直方图bin值, 得到两者特征显著性大小, 将其代入传统相似性度量中, 定义新的背景加权系数, 进而更好地提高目标与背景的区分度, 减少背景信息对目标定位的干扰。通过算法改进前后的实验结果以及跟踪误差和正确跟踪率的比较发现,跟踪效果得到明显改善。     

具有自适应MB-LBP前置滤波的CAMShift人脸跟踪算法

基于颜色分布的连续自适应均值移动（CAMShift）人脸跟踪算法简单、易于实现,被广泛应用于实时跟踪。但因其采用肤色模型作为跟踪模式,所以当目标处于类肤色背景区域时,跟踪窗口极易错误收敛到背景区域从而导致跟踪失败。为此,本文提出一种具有自适应LBP前置滤波的CAMShift跟踪算法。首先训练一个能检测人脸基本特征的级联MB-LBP节点分类器。当跟踪窗口进入类肤色干扰区时,系统自适应地把该分类器接入作为CAMShift跟踪算法的前置滤波器,以排除背景中的类肤色干扰,提高算法的鲁棒性。实验结果表明,该算法既能有效排除背景中的类肤色干扰、显著提高CAMShift人脸跟踪算法的鲁棒性,又能保持人脸跟踪的实时性。      

基于簇相似的多分类器目标跟踪算法

由于跟踪过程中目标和背景的变化,传统的单分类器跟踪算法学习到大量的非目标信息而导致跟踪精度降低.针对该问题,本文提出使用树形结构保存历史分类器.在每一帧,根据树中路径距离选择分类器集对测试样本分类.提出了一种基于簇相似性比较的分类算法.通过建立以方差为尺度的特征空间,比较测试样本到簇中心的距离计算相似度,快速计算出目标样本.实验表明本算法能够在复杂条件下实现对目标的鲁棒跟踪.     

嵌入Kalman滤波的Camshift人体跟踪研究

针对复杂背景下Camshift算法跟踪运动人体容易丢失目标的情况,提出了一种Kalman滤波和Camshift算法相结合的改进算法。Camshift算法利用颜色直方图做反向投影得到色彩的概率分布图,利用初始化的搜索窗口和位置并结合上一帧跟踪结果自适应调整跟踪窗口从而跟踪人体。采用Kalman滤波可以对运动人体进行估计以克服复杂背景下色彩的干扰,同时对Camshift的迭代结果进行校正。实验表明,本文方法在复杂背景下能更好地跟踪运动人体目标。     

基于全局背景与特征降维的视觉跟踪算法

相关滤波算法容易受到形变、运动模糊、相似背景等因素的干扰,导致跟踪任务失败。为了克服以上问题,该文提出一种基于全局背景与特征降维的视觉跟踪算法。该算法首先提取紧邻目标的图像区域作为负样本供分类器学习,以抑制相似背景的干扰;然后提出一种基于主成分分析的更新策略,构建降维矩阵压缩HOG特征的维度,在更新分类器的同时减少其冗余度;最后加入颜色特征表征运动目标,并根据特征对系统状态的响应强度进行自适应融合。在标准数据集上将该文提出的算法与Staple, KCF等其他算法进行了仿真对比,结果表明该文算法具有更强的鲁棒性,在形变因素的影响下,所提出的算法与Staple和KCF算法相比距离精度分别提升8.3%和13.1%。     

视频跟踪算法在Davinci SoC上的实现与优化

本文提出了在最新的DavinciSoC DM6446上实现智能视频跟踪系统的方案。在模板匹配跟踪算法的基础上,多种改进算法来提高跟踪的精确性和鲁棒性。整个系统充分利用DavinciSoC上的ARM核和DSP核的强大处理能力。经过算法优化和编程优化,跟踪算法可以在DSP核上实时跟踪128×128像素的目标。同时,ARM核并行负责视频采集,显示,算法控制,网络传送等任务。测试结果表明,系统可以在目标形变、部分或全部遮挡、背景干扰等情况下也具有较好的性能。     

基于多模板匹配的双模型自适应相关滤波跟踪算法

为有效提升目标跟踪的精确度和实时性,设计了基于多模板匹配的双模型自适应相关滤波跟踪算法。对多模板匹配模型与核相关滤波跟踪模型参数进行初始化处理：多模板匹配模型选取得分函数作为模板与候选样本间匹配准则,通过候选样本得分获取最佳目标,更新多模板后,通过形变多样相似性实现多模板匹配;核相关滤波跟踪模型利用所采集目标样本数据建立循环矩阵,通过训练核化岭回归分类器获取核相关滤波器,并获取响应置信图,再利用响应置信图获取下一帧图像目标位置。通过自适应融合策略获取两个模型所估计目标位置,再采用金字塔尺度估计策略估计目标尺度变化,通过不断更新各模型参数实现目标精准跟踪。实验结果表明,在目标受遮挡或旋转、光照变化等复杂环境下,该算法的中心跟踪误差均低于15 dpi,平均跟踪精确度均高于98%,且目标定位时间低于100 ms,说明该算法在跟踪精确度和实时性上具有明显的应用优势。     

结合扩展卡尔曼滤波的CamShift移动目标跟踪算法

CamShift算法是一种利用颜色信息对移动目标进行跟踪的算法,当目标快速运动或者受到干扰时容易导致跟踪失败.因此提出了一种结合CamShift与扩展卡尔曼滤波的移动目标跟踪算法,使用扩展卡尔曼滤波对目标运动速度和空间位置进行预测,同时采用目标加权直方图改进CamShift算法.所研究的算法能有效地克服目标背景干扰,存...     

自适应位置融合的目标跟踪算法

为提高分层卷积特征目标跟踪算法的实时性和鲁棒性,文中提出了一种基于多个相关滤波器预测位置自适应融合的实时目标跟踪算法。该算法首先提取VGG-19网络的Pool4层卷积特征,通过特征均值比对多通道的特征图进行裁剪,提高算法速度。然后利用不同高斯样本分布训练多个相关滤波分类器,并对所有分类器预测的目标位置进行自适应融合,提高算法对目标姿态变化的鲁棒性;最后采用稀疏模型更新策略,进一步提高算法速度。在OTB100标准数据集上测试本文算法, 实验结果表明,该算法的平均距离精度为86.3%,比原分层卷积特征跟踪算法提高了2.6个百分点,在目标发生遮挡、形变、相似背景干扰等情况时具有很好的鲁棒性;平均跟踪速度为45.2帧/s,是原算法的4倍,实时性能良好。     

干扰条件下基于UPF的组网雷达目标跟踪

为解决压制性干扰对组网雷达跟踪滤波的影响,引入系统量测合成方法来解决测量信息不全的问题,采用UPF算法来解决非线性非高斯背景下的目标跟踪问题。仿真结果表明系统量测合成与UPF结合的方法,可以充分利用组网雷达"残留"信息,能够有效对目标进行跟踪,在跟踪精度和时效性上均优于标准PF算法。     

基于局部敏感核稀疏表示的视频跟踪

为了解决l1范数约束下的稀疏表示判别信息不足的问题,该文提出基于局部敏感核稀疏表示的视频目标跟踪算法。为了提高目标的线性可分性,首先将候选目标的SIFT特征通过高斯核函数映射到高维核空间,然后在高维核空间中求解局部敏感约束下的核稀疏表示,将核稀疏表示经过多尺度最大值池化得到候选目标的表示,最后将候选目标的表示代入在线的SVMs,选择分类器得分最大的候选目标作为目标的跟踪位置。实验结果表明,由于利用了核稀疏表示下数据的局部性信息,使得算法的鲁棒性得到一定程度的提高。     

一种遮挡检测的核最小二乘视觉跟踪算法

针对视觉跟踪中目标、背景的复杂变化问题,提出一种遮挡检测的核最小二乘视觉跟踪算法。首先,以带约束的核最小二乘方法建立视觉跟踪优化模型,训练阶段,循环移位基采样构造训练样本集,达到稠密采样目的,利用循环矩阵的优良特性,通过快速傅里叶变换高效计算核最小二乘问题;同时,提出了基于高阶累积量的遮挡、形变等复杂变化的检测方法,改进分类器的更新处理机制。实验结果表明,在各种具有挑战性的视频序列,与现有最好算法对比,在实时性和精度方面,本文所提算法都具有较优的性能。      

简易交互式视频目标跟踪技术研究

针对视频目标跟踪中背景干扰和跟踪持续性差的问题,提出了一种简易交互式视频目标跟踪的方法。依据用户提供的初始跟踪窗口,对目标范围进行自动优化,有效地避免了背景信息对跟踪的干扰。针对跟踪偏离目标的情况,结合用户对目标区域的粗定位,利用特征匹配方法快速获取精确的目标位置及范围。实验结果表明,提出的算法有效地剔除了背景信息的干扰,提高了跟踪的准确性,结合简易人工交互信息,实现了跟踪的连贯性和时效性。