基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

Mean Shift跟踪的背景优化及动态分析

针对传统Mean Shift跟踪算法在进行目标跟踪时背景带来的定位偏差及由于缺乏相应的跟踪状态分析策略而易陷入局部最小值的缺陷,提出了两方面的改进措施。一是将跟踪窗口内的目标和背景区分开来,对背景像素定义新的特征模型以弱化背景像素对目标模型的影响。二是将跟踪窗口进行分块处理,综合考虑每个子块相似度的大小变化建立判断准则,对跟踪状态进行动态实时分析,以判断目标是否存在遮挡:如部分遮挡,则应用没有被遮挡的子块位置偏差对目标进行定位;如完全遮挡,则采取相应的二维线性预测方案根据先验信息对目标进行定位跟踪。将该方法应用于人物跟踪中进行实验,实验结果表明,该方法有效改善了Mean Shift跟踪算法的不足,对于复杂条件下的运动目标跟踪具有很好的鲁棒性。     

基于改进纹理特征的红外目标跟踪算法

针对红外图像背景复杂、杂波干扰严重、相似目标混淆导致的目标跟踪丢失问题,本文提出了一种改进的低维度纹理特征OCS-LBP(Oriented Center Symmetric Local Binary Patterns,即方向中心对称的局部二值模式)。首先,利用此特征可以高效地获取目标图像中每个像素块的梯度方向和幅值信息,提高了跟踪过程的鲁棒性;其次,利用核相关滤波算法结合提取的OCS-LBP特征对目标图像区域进行模型训练;最后,根据训练好的模型检测下一帧图像中目标的具体位置。本文在10组红外视频序列上进行了测试,实验结果表明,本文算法的精确度和成功率相比于第二名算法分别获得了2.9%和9.9%的提升,同时在实验设备上算法的平均跟踪速度相比于第二名算法提升了14.15 frame/s。从实验结果可以看出本文提出的算法在红外目标跟踪上表现出较好的鲁棒性、准确性和实时性,具有一定的研究和实用价值。     

Pixel feature-weighted scale-adaptive object tracking algorithm

An effective object tracking method using weighted pixel features was proposed to deal with all kinds of complicated tracking situations,such as target movement,rotation,background interference and scaling and so on.First,the color feature and location information of the pixels in the target area were used to build the object model.Then the average weight image was used to estimate the scale variation coefficient.The aim was to adapt to the scale changes of the target.Finally,an update model was proposed,which was able to renew the object model and background model.The experimental results show that the proposed algorithm could make full use of the differences between pixels in the target area,so it can track more quickly and more effectively with strong robustness.     

基于局部特征和Mean Shift的目标跟踪算法研究

利用均值漂移进行目标跟踪的算法,在被跟踪目标出现旋转、尺度变化、噪声干扰等情况下,无法得到准确的跟踪结果。文中提出了基于当前流行目标跟踪算法和局部特征相结合的算法,基于局部特征-形状上下文(Shape Context)特征的Mean Shift目标跟踪算法。该算法首先提取目标的轮廓信息和特征,根据采样点之间位置和距离关系建立Shape Context直方图,最后所有点的Shape Context直方图构成了图像的Shape Context特征,最后根据Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。     

基于块的Mean-shift跟踪算法

针对传统Mean-shift跟踪算法在目标发生遮挡和形态变化时跟踪性能下降的缺点,提出了一种基于块的Mean-shift跟踪算法,该算法主要特点有：(1)将跟踪目标平均分块,每小块独立进行传统Mean-shift跟踪,利用小块跟踪未被遮挡的目标部分;(2)跟踪检测器检测目标小块跟踪的有效性,筛选出无效跟踪的目标小块,解决了目标分块造成跟踪性能下降的问题;(3)归一化互相关检测器和邻域一致检测增加了对目标空间信息的检测,弥补了Mean-shift算法的局限性,增加了跟踪的鲁棒性。实验表明,该算法在目标发生遮挡和形态变化时仍然可以有效的实现跟踪。     

一种快速多人脸跟踪算法

提出一个基于肤色的快速多人脸跟踪算法.利用多个CAMShift跟踪器实现多人脸跟踪,提出最优排序法和目标消除法解决多人脸跟踪过程中目标发生粘连重叠的问题;引入多辅助信息和表决制解决了相邻两帧中人脸的对应问题.为进一步提高整个算法的跟踪速度和鲁棒性,引入卡尔曼滤波器对目标进行预测.实验结果表明,该算法可实时稳健地实现多人脸跟踪.     

对变形目标的跟踪研究

在目标跟踪过程中,目标在图像中的形状和大小常发生不同程度的变化,为了准确、有效地实现目标跟踪,采用多次迭代的连续自适应平均值移动算法。该算法是一种基于颜色跟踪的算法,根据多次迭代的计算结果,自适应调整图像序列中搜索窗口的大小和位置,从而得到当前图像中的目标中心,实现对运动目标的跟踪。最后分别在不同变形情况下和多个运动目标下进行实验。实验结果表明,当目标发生旋转、大小变化及存在多个目标的情况下,该算法仍能有效地对运动目标进行准确跟踪。     

Adaptive model updating for robust object tracking

In this paper, we exploit features extracted from convolutional neural network (CNN) to be better utilized for visual tracking. It is observed that CNN features in higher levels provide semantic information which is robust to appearance variations. Thus we integrate the hierarchical features in different layers of a deep model to correlation filter tracking framework. More specifically, correlation filters are learned on each layer to encode the object appearance. The peak-to-sidelobe ratio (PSR) is employed to measure the differences between image patches. To leverage the robustness of our model, we develop an adaptive model updating scheme to train the correlation filters according to different response maps. Extensive experimental results on three large scale benchmark datasets show that the proposed algorithm performs favorably against state-of-the-art methods.     

基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪

L1跟踪对适度的遮挡具有鲁棒性,但是存在速度慢和易产生模型漂移的不足。为了解决上述两个问题,该文首先提出一种基于稀疏稠密结构的鲁棒表示模型。该模型对目标模板系数和小模板系数分别进行L2范数和L1范数正则化增强了对离群模板的鲁棒性。为了提高目标跟踪速度,基于块坐标优化原理,用岭回归和软阈值操作建立了该模型的快速算法。其次,为降低模型漂移的发生,该文提出一种在线鲁棒的字典学习算法用于模板更新。在粒子滤波框架下,用该表示模型和字典学习算法实现了鲁棒快速的跟踪方法。在多个具有挑战性的图像序列上的实验结果表明:与现有跟踪方法相比,所提跟踪方法具有较优的跟踪性能。     

一种基于均值移位的红外目标跟踪新方法

均值移位算法是一种搜索与样本点分布最相近模式的非参数统计方法．在彩色序列图像目标跟踪中,均值移位算法是一种有效的方法．但在红外目标跟踪中,由于单一灰度特征空间缺乏描述红外目标的信息,使得基于均值移位算法的红外目标跟踪不稳健．为了克服这个缺点,提出了构造级联灰度空间的红外目标跟踪新方案．同时,对于不同的红外图像序列使用不同的方法产生级联灰度空间．实验结果表明该方法对于红外小目标以及强杂波背景目标的跟踪是有效和稳健的．     

基于ICA分布模型的粒子滤波跟踪算法

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出了一种改进的粒子滤波跟踪算法。该算法针对颜色信息在目标表述中存在的不足,首先对观测模型进行改进,提出了一种基于ICA特征分布的目标模型,将基于核函数的目标特征描述转换到ICA特征空间,由于光照变化引起灰度变化经ICA后仍是同一分量,因此能有效的适应光照变化,不仅考虑并充分利用了空间信息。有效的解决了光照变化及背景颜色相近造成的目标丢失现象,提高了目标跟踪算法的鲁棒性。同时,考虑到粒子的退化现象,将均值平移算法嵌入到粒子滤波的跟踪框架中,待各粒子经过系统传播后,利用均值平移算法使粒子向其领域局部极大值处移动,使得粒子集中在测量模型的局部区域内,只需少量的粒子就覆盖了尽可能的目标分布,很好地克服了粒子滤波器的退化现象并有效缩短了计算时间,提高了目标跟踪算法的准确性和系统的实时性。实验表明,该算法不仅能在复杂背景下准确的跟踪目标,而且在光线变化和部分遮挡情况下也能保证不丢失目标。      

Robust tracking based on local structural cell graph

Structure information has been increasingly incorporated into computer vision, however most trackers have ignored the inner spatial structure of the object. In this paper, we develop a simple yet robust tracking algorithm based on local structural cell graph (LSCG). This approach exploits both partial and spatial information of the target via representing the object with local structural cells (LSCs) and constructing a graph to model the spatial structure between the inner parts of the object. The tracking is formulated as matching LSCG, whose nodes are target parts and edges are the interaction between two parts. Within the Bayesian framework, we achieve object tracking by matching graphs between the reference and candidates. Eventually, the candidate with the highest similarity is the target. In addition, an updating strategy is adopted to help our tracker adapt to the fast time-varying object appearance. Experimental results demonstrate that the proposed method outperforms several state-of-the-art trackers.     

Robust object tracking based on adaptive templates matching via the fusion of multiple features

Moving object tracking under complex scenes remains to be a challenging problem because the appearance of a target object can be drastically changed due to several factors, such as occlusions, illumination, pose, scale change and deformation. This study proposes an adaptive multi–feature fusion strategy, in which the target appearance is modeled based on timed motion history image with HSV color histogram features and edge orientation histogram features. The variances based on the similarities between the candidate patches and the target templates are used for adaptively adjusting the weight of each feature. Double templates matching, including online and offline template matching, is adopted to locate the target object in the next frame. Experimental evaluations on challenging sequences demonstrate the accuracy and robustness of the proposed algorithm in comparison with several state-of-the-art algorithms.     

基于Contourlet直方图的目标跟踪算法

提出一种基于Contourlet直方图的目标跟踪算法。对图像先进行Contourlet变换,并利用变换后的Contourlet系数建立Contourlet直方图,将其作为meanshift算法的迭代参数来实现目标跟踪。实验结果表明,本算法具有较好的鲁棒性,能够在遮挡、小目标等情况下实现快速准确的跟踪。     

基于自适应多特征融合的均值迁移红外目标跟踪

针对采用单一特征跟踪鲁棒性不高的问题,该文提出一种自适应多特征融合均值迁移红外目标跟踪算法。为了增强对目标的表征能力,对局部均值对比度算法进行改进,利用局部均值对比度和灰度特征表征目标。在特征融合中引入特征不确定度量方法,自适应调整不同特征对跟踪结果的贡献,有效地提高均值迁移算法的鲁棒性。为了进一步提高对尺度变化目标的跟踪性能,采取尺度算子更新跟踪窗的大小。实验结果表明,该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

基于多特征自适应融合的分类采样跟踪算法

针对目标跟踪中的场景易变和目标模板不稳定等问 题,提出了一种基于多特征自适应 融合的分类采样跟踪算法。算法利用密集特征信息将目标模板用多个重叠子区域划分,每 个子区域对应一个多特征采样窗口。利用多特征自适应融合构造强可区分性的目标模型,最 大程度地提高各子区域之间的互补性,以增强目标模板的区分能力。在粒子滤波(PF)框架下 , 多特征自适应融合策略提高了目标观测质量,保证跟踪的持续稳定。实验结果表明,本文所 提算法具 有良好的目标跟踪性能,并对动态场景、目标形变及遮挡情况具有较好的跟踪准确性和鲁棒 性。     

改进的Camshift与Kalman融合的目标跟踪算法

Camshift算法主要利用物体的颜色信息进行跟踪,在复杂背景条件下容易造成目标的跟丢,且在目标被遮挡时,也容易造成跟踪失效。本文提出了一种改进的Camshift目标跟踪算法。首先将目标图像的HSV模型的三个分量进行加权建立一种新的目标颜色模型,然后由对整帧图像计算反向投影改为比搜索窗口稍大的区域计算反向投影,减少了相似背景的干扰。同时为了解决遮挡问题,结合了Kalman滤波器,有效地预测了目标的位置。实验表明,本算法能够避免背景颜色干扰和解决遮挡问题,实现了对运动目标准确跟踪。     

融合局部加权余弦与稀疏表示的目标跟踪算法

针对目标跟踪算法的鲁棒性难题,在粒子滤波框架下提出基于联合模型的目标跟踪算法。首先,由局部加权余弦相似对目标模板和候选目标进行匹配,其中的局部加权算法增加了未受遮挡、形变等影响的候选目标的权重;其次,通过对目标区域局部图像块稀疏编码来表示目标观测模型,其中字典不进行更新,重建误差的构建考虑了局部图像块之间的空间布局;最后,利用最大后验概率估计目标状态。联合模型将目标的当前状态和原始状态都考虑在内,提高了观测模型的可靠性。实验结果表明,该算法具有较强的鲁棒性。