引入特征重检的抗遮挡目标跟踪方法研究

针对视觉目标跟踪的遮挡问题,在TLD算法的基础上,引入特征重检环节,解决发生遮挡时因目标外观相似、背景聚类造成错判,提出了一种基于特征重检的抗遮挡目标跟踪研究方法(TLD-D),采用跟踪、检测、学习、再检测的策略。跟踪与检测相结合,对锁定的目标进行学习,获取目标最新的外观特征;当发生遮挡时,则启用特征重检环节,提取遮挡过程的"开始发生遮挡"和"遮挡结束"两个关键帧,然后在特征重检环节选用SIFT特征进行双向匹配标定目标,确保重新标定的目标为原被遮挡的跟踪目标,即"再检测"。OTB基准集上实验结果表明,与TLD算法、同类TLD改进算法以及其他经典跟踪算法相比较,TLD-D算法抗遮挡能力更强,鲁棒性更强,能够对目标长时间稳定跟踪。     

抗遮挡与尺度自适应的改进KCF跟踪算法

核相关滤波(kernel correlation filter,KCF)目标跟踪算法在目标发生尺度变化或受长时间遮挡时无法实现准确跟踪.对此,提出一种融合窗口滤波的抗遮挡尺度自适应的目标跟踪算法.首先,利用快速尺度估计对跟踪目标进行尺度变换;然后,当检测到目标受到遮挡时停止对分类器模型的更新,融合加权窗口滤波器对目标位置进行预测,并利用预测信息修正目标跟踪区域;最后,将所提出算法移植到DJI Guidance视觉平台上并为其设计跟踪实验.实验结果表明,该算法能够有效解决目标尺度变化与目标受遮挡等跟踪问题.     

基于多线索自适应融合的抗遮挡目标跟踪算法

针对在复杂背景下,特别当目标与背景颜色相似、目标被遮挡时容易导致跟踪失败的问题,采用颜色与纹理两种互补特征融合的粒子滤波算法,同时提出一种融合策略自适应的抗遮挡跟踪方法,当遮挡发生时,适时切换融合策略,并在粒子滤波框架内嵌入mean-shift算法,克服了粒子退化现象。实验结果表明,该算法具有较强的抗遮挡能力,能够跟踪复杂背景下的目标。     

精子多目标跟踪的抗遮挡算法的研究与实现

为解决计算机辅助精液分析(CASA)系统中原版精子多目标跟踪算法在精子被白细胞或其它精子遮挡时,会产生检测失败和跟踪错误等问题,提出一种改进的抗遮挡算法。根据精子目标的面积和形态特征,判定遮挡的类型和发生期间,利用Kalman滤波对白细胞遮挡的精子进行虚拟定位跟踪,对精子互相遮挡的目标保持特征信息跟踪,在遮挡结束时重新匹配找回目标。实验结果表明,改进的算法能够成功跟踪到遮挡情况下的精子目标运动轨迹,提高了精子多目标跟踪算法的准确性和鲁棒性。     

基于多模态数据的目标跟踪算法

为解决目标跟踪中目标遮挡、背景复杂等问题,提出一种基于多模态数据的目标跟踪算法。首先对各个模态数据进行像素级融合,以减少单模态数据中信息不足对跟踪结果的影响。然后对融合后的图像提取不同的特征进行滤波,接着将滤波得到的响应图进行决策级融合,以解决因单个模型漂移导致的模型跟踪失败问题。最后根据融合后的响应图的峰值得到跟踪结果。此外,在跟踪过程中加入遮挡检测模块,进一步增强模型鲁棒性。在普林斯顿跟踪基准上对算法进行评估,结果表明,与其他主流算法相比,基于多模态数据的目标跟踪算法在目标遮挡类视频上跟踪精度提升了8.4%,重合成功率提升了3.3%,具有较好的抗遮挡效果。     

非连续轨迹下的公路车辆智能跟踪技术研究

针对运动车辆轨迹跟踪控制中的遮挡问题,研究创新地提出以SVM分类检测器优化STAPLE跟踪算法,以保证在目标退出遮挡时可以重新搜索并定位目标;同时对颜色特征直方图、HOG算法进行了改进,以提高算法特征提取效率;最后选择VOT2016国际标准序列集对优化后的STAPLE跟踪算法进行验证;研究结果显示,改进STAPLE算法能在目标退出遮挡后更为快速地重新捕捉目标位置;改进算法对目标中心的跟踪精度达到了0.81,对目标框的跟踪精度达到了0.89;在目标进入遮挡状态时,改进算法的跟踪精度最高;这次研究提出的STAPLE优化算法表现出较好的跟踪效果,其面对长时遮挡的跟踪能力具有较高的应用价值。     

采用RGB–D时空上下文模型的多目标遮挡跟踪算法

为了提高实时RGB–D目标遮挡跟踪精确度, 解决多目标遮挡跟踪容易发生模型漂移和跟踪丢失等问题, 本 文提出一种基于RGB–D时空上下文模型的多目标遮挡跟踪算法. 首先获取多目标检测定位区域, 再通过目标时空 上下文特征提取, 建立目标时间上下文模型、目标空间上下文模型构成目标RGB–D时空上下文模型; 然后在跟踪器 判别跟踪状态时通过计算时间一致性进行颜色和深度特征自适应融合确定目标在当前帧位置; 最后, 当跟踪器判 别多目标遮挡时引入深度概率, 利用深度概率信息特征进行约束, 通过最大后验概率(MAP)关联模型有效解决目标 遮挡跟踪问题. 在公用数据集clothing store dataset和princeton tracking benchmark dataset上进行定性对比实验和定量 结果分析表明, 本文提出的算法具有良好的遮挡跟踪性能, 能较好解决多目标遮挡跟踪问题, 提高目标遮挡跟踪的 精确性和鲁棒性.     

采用RGB–D时空上下文模型的多目标遮挡跟踪算算法

为了提高实时RGB–D目标遮挡跟踪精确度,解决多目标遮挡跟踪容易发生模型漂移和跟踪丢失等问题,本文提出一种基于RGB–D时空上下文模型的多目标遮挡跟踪算法.首先获取多目标检测定位区域,再通过目标时空上下文特征提取,建立目标时间上下文模型、目标空间上下文模型构成目标RGB–D时空上下文模型;然后在跟踪器判别跟踪状态时通过计算时间一致性进行颜色和深度特征自适应融合确定目标在当前帧位置;最后,当跟踪器判别多目标遮挡时引入深度概率,利用深度概率信息特征进行约束,通过最大后验概率(MAP)关联模型有效解决目标遮挡跟踪问题.在公用数据集clothing store dataset和princeton tracking benchmark dataset上进行定性对比实验和定量结果分析表明,本文提出的算法具有良好的遮挡跟踪性能,能较好解决多目标遮挡跟踪问题,提高目标遮挡跟踪的精确性和鲁棒性.     

改进的抗遮挡MeanShift目标跟踪算法

传统MeanShift目标跟踪算法通过bin-bin颜色直方图表示目标特征,直方图中往往会混入背景颜色信息,造成跟踪不准确;同时由于MeanShift算法具有局部最优性,当目标受到严重遮挡丢失后,不能对目标重新定位跟踪。为了解决上述问题,在颜色直方图和抗遮挡能力方面进行了改进。利用交叉bin颜色直方图代替传统的bin-bin颜色直方图表示目标特征,减少背景颜色的干扰,提高MeanShift算法跟踪精度;当目标受到严重遮挡丢失后,通过一种尺度变化调整机制,在全局范围内搜索目标位置,提高MeanShift算法抗遮挡能力。实验显示,改进后的算法不仅在背景干扰大时对目标的跟踪精度更高,而且当目标受到严重遮挡丢失后,也能够对目标重新定位跟踪。     

一种基于目标先验信息的视觉跟踪算法

针对运动目标跟踪过程中出现的遮挡问题,提出了基于目标先验信息的视觉显著性遮挡目标跟踪算法。在粒子滤波框架下,利用目标先验信息生成视觉显著图,并根据粒子区域颜色特征与目标颜色特征模板之间的相似度来判断遮挡情况。当遮挡发生时,提高特征融合公式中显著性特征的融合权重,从而充分利用目标未被遮挡部分信息来完成跟踪。实验结果表明,利用目标先验信息的目标跟踪算法能显著提升跟踪遮挡目标的鲁棒性。     

抗遮挡目标跟踪的模型学习综述

视觉目标跟踪任务中的遮挡问题是最具挑战的场景属性之一,研究有效的抗遮挡模型学习方案,对构建适应复杂场景的长期鲁棒跟踪模型具有重要意义.剖析了遮挡影响跟踪性能的本质原因,以抗遮挡性能较好的先进跟踪算法为研究对象,系统分析了模型学习中有效抗遮挡机制,并对其改善长短期遮挡问题的有效性进行比较分析,包括以硬负样本挖掘、有效样本...     

时空上下文抗遮挡视觉跟踪

目的 传统的视觉跟踪方法只考虑了目标本身的特征信息提取,忽略了目标周围稠密的上下文信息。一旦目标本身特征信息提取存在困难,很容易导致跟踪失败。为解决上述问题,提出一种时空上下文抗遮挡视觉跟踪算法（STC-PF）。方法 首先,利用目标与局部区域的时空关系学习时空上下文模型;然后,通过上下文先验模型和学习到的时空上下文模型计算置信图;最后,对时空上下文区域进行分块遮挡判别,若遮挡概率小于设定阈值,计算置信图所得最大概率位置即为目标位置;若遮挡概率大于设定阈值,则目标发生遮挡,通过子块匹配和粒子滤波估计目标位置以及运动轨迹,实现不同程度的抗遮挡跟踪。结果 对测试数据集中的图像序列进行实验,结果表明,STC-PF方法的跟踪成功率提高至80%以上;中心误差小于原算法;同时STC-PF算法在提高抗遮挡能力的前提下,运行速度与原算法相当,高于当前流行算法。结论 STC-PF算法能够适用于光照变化、目标旋转、遮挡等复杂情况下的视觉目标跟踪,具有一定的实时性和高效性,尤其是在目标发生遮挡情况下具有很好的抗遮挡能力和较快的运行速度。     

复杂场景下的改进核相关滤波跟踪算法

为解决视觉目标跟踪的遮挡、尺度变化及背景杂波问题,在核相关滤波算法基础上,引入平均峰值相关能量遮挡判据,提出一种自适应融合多特征的抗遮挡核相关滤波算法（AMFKCF）。初始化目标特征及尺度因子,将提取、融合的目标多个特征和尺度因子训练位置和尺度滤波器,得到目标的中心位置响应,根据遮挡判据,引入卡尔曼位置滤波器,对未遮和遮挡的目标中心位置进行补偿。AMFKCF算法与主流算法在CVPR 2013 Benchmark数据集中进行对比,结果表明,AMFKCF算法与主流算法相比精度提高了0.115,成功率提高了0.083,中心位置误差提高了14.67个像素,距离精度提高了9.75个百分点。能够较好地解决遮挡、尺度变化、背景杂波等问题,且兼具核相关滤波算法的优点。     

融合相似性检测的抗遮挡粒子滤波跟踪算法

在粒子滤波跟踪算法运行过程中,由于目标遮挡导致丢失目标,将严重地降低跟踪精度与鲁棒性。为了解决此问题,提出了目标丢失状态判定方法和基于改进序贯相似性检测的目标位置重建方法,当检测到目标丢失时,重启跟踪算法。改进序贯相似性检测使用Bhattacharyya距离代替像素累积误差,更好地适应检测目标发生旋转、形变、缩放等情况。使用OTB-100标准数据集,将该算法和传统粒子滤波跟踪算法、SCM等经典算法比较。实验结果表明,对于含遮挡特性视频序列,本文算法比传统粒子滤波跟踪算法和OTB-100抗遮挡最优算法跟踪成功率分别提高36.6%和3.2%,提升了跟踪过程的稳定性。此外,还将实验结果与最新粒子滤波跟踪研究成果作对比分析。     

基于局部直方图的多区域目标跟踪算法

为克服光照变化和目标遮挡对运动目标跟踪的影响,提出了一种基于改进的局部敏感直方图的多区域目标跟踪算法。改进了局部敏感直方图并设计了快速算法;将改进的局部敏感直方图作为多区域跟踪算法中的目标建模方式,提高目标建模的准确性且降低提取目标特征的计算复杂度;针对多区域跟踪算法中融合各个区域块的特征相似值的需要,采用基于统计排序和最小二乘估计的参数估计方法计算整个目标块与模板的相似度。实验结果表明该算法能有效应对目标跟踪过程中光照变化、目标形变与遮挡的干扰,实现实时鲁棒的目标跟踪。     

基于无人机跟踪的目标反遮挡算法

随着计算机视觉和无人机的蓬勃发展,目标跟踪是当下研究热点之一;但对于该方向,目前存在大量问题,目标的遮挡就是其中之一;因此,为了解决该问题,在此提出了一种无人机抗遮挡目标跟踪算法;该算法基于均值漂移目标跟踪算法;采用动态参数选择策略和双预测机制相结合的方法来解决目标跟踪过程中的目标遮挡问题;为了避免目标丢失,算法中采用目标检测的方法;大量实验表明,在与现有的算法比较过程中,该算法展示出了对遮挡目标跟踪有较好的鲁棒性和实时性;与其他算法相比,其精度提高约了10%,平均目标符合率提高了约15%。     

上下文感知的改进Staple跟踪算法

为解决相关滤波算法受余弦窗和搜索区域限制,导致跟踪器无法学习更多背景信息的问题,结合Context-Aware和Staple跟踪算法提出一种自适应特征融合的抗遮挡目标跟踪算法.在跟踪器中嵌入遮挡判断模块,利用平均峰值相关能量及峰值信噪比(PSNR)等指标来判断目标的遮挡情况,决定是否更新模板.将该算法在OTB-2015...