孪生网络框架下融合显著性和干扰在线学习的航拍目标跟踪算法

针对一般跟踪算法不能很好地解决航拍视频下目标分辨率低、视场大、视角变化多等特殊难点,该文提出一种融合目标显著性和在线学习干扰因子的无人机(UAV)跟踪算法。通用模型预训练的深层特征无法有效地识别航拍目标,该文跟踪算法能根据反向传播梯度识别每个卷积滤波器的重要性来更好地选择目标显著性特征,以此凸显航拍目标特性。另外充分利用连续视频丰富的上下文信息,通过引导目标外观模型与当前帧尽可能相似地来在线学习动态目标的干扰因子,从而实现可靠的自适应匹配跟踪。实验证明:该算法在跟踪难点更多的UAV123数据集上跟踪成功率和准确率分别比孪生网络基准算法高5.3%和3.6%,同时速度达到平均28.7帧/s,基本满足航拍目标跟踪准确性和实时性需求。     

基于多实例回归模型的视觉跟踪算法研究

目前大部分基于检测的跟踪算法将跟踪任务看作是一个类别分类的任务,当目标发生形变或者遇到相似物体的干扰时,容易导致模型漂移。为此该文提出一种多实例回归跟踪算法。在该算法中,跟踪任务被认为建立在实例模型之上更为合适,为此该文利用一帧图像建立实例模型,并在时间序列上建立多实例模型集合表征目标的最近状态;为使跟踪算法能够适应目标的形变,利用逻辑回归将实例模型作为隐变量,由最近若干帧建立的正负样本集作为训练集,共同构建多实例回归跟踪模型。由于跟踪模型在整体上对多个实例模型建模,把它们紧密地联系在一起,故能有效应对目标的形变;由于模型漂移仅会影响当前帧的实例模型,各个实例模型之间互相独立,故跟踪算法能够有效减轻模型漂移对鲁棒跟踪的影响。实验中,OTB 2013数据库和UAV 123数据库被用来验证该文算法,DeepSRDCF, Siamese-fc等算法作为对比算法,实验结果表明,该文算法不仅充分发挥了基于多实例回归模型进行跟踪的优势,在形变等属性上具有很好的性能,而且在整体性能上优于各类先进算法3%~5%。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

基于改进On-line Boosting算法的视频目标跟踪

针对目前基于在线学习的On-line Boosting 算法用于视频目标跟踪时对于快速移动的目标,容易引起跟踪漂移的问题,提出一种将Surf算法融合于On-line Boosting的Surf-Boosting视频目标跟踪算法。该算法在原先的On-line Boosting算法的基础上增加跟踪漂移判断,对已跟踪漂移的视频帧使用Surf算法进行目标定位,将Surf定位到的目标作为正样本放到后续On-line Boosting算法中继续跟踪学习。实验结果表明,该方法能够很好地抑制原有算法的跟踪漂移问题,在跟踪过程中的正确率达到98%,实现对快速移动目标的正确跟踪,并具有很好的鲁棒性。     

基于深度学习的目标跟踪方法研究现状与展望

目标跟踪是计算机视觉领域的重要研究方向之一,在精确制导、智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目标跟踪的基本问题是在一个视频或图像序列中选择感兴趣的目标,在接下来的连续帧中,找到该目标的准确位置并形成其运动轨迹。目标跟踪是一个颇具挑战性的问题,目标的非刚性变化往往改变了目标的表观模型,同时复杂的光照变化、目标与场景间的遮挡、背景中相似物体的干扰和摄像机的抖动等使目标跟踪任务变得更加困难。近年来,随着深度学习在目标检测和识别等领域中取得巨大的突破,许多学者开始将深度学习模型引入到目标跟踪中,并在一系列数据评测集上取得了优于传统方法的性能,逐渐开启了目标跟踪领域的新篇章。文中将首先阐述目标跟踪问题的难点和基本解决思路;然后根据利用深度学习算法解决目标跟踪问题的不同思路,对当前出现的此类主流算法进行分析,介绍这些算法各自的优缺点及未来的工作方向。     

基于卡曼滤波与均值偏移算法的目标跟踪

针对变化场景下的目标鲁棒跟踪,提出了一种结合均值漂移与Kalman滤波的跟踪算法.利用YCbCr特征空间进行目标描述,使用Kalman滤波对目标运动速度和空间位置进行预测.根据干扰的不同情况,使用不同的比例因子将两算法的跟踪结果线性加权得到目标的最终位置,并利用一种比较科学的模型更新策略,减轻了模型漂移的影响,视频序列跟踪结果表明,提出的方法能够稳定地进行跟踪.     

基于场景复杂度与不变特征的航拍视频实时配准算法

实时、鲁棒的图像配准是航拍视频电子稳像、全景图拼接和地面运动目标自动检测与跟踪的前提和关键技术.本文以航拍视频序列为处理对象,提出了一种新的基于场景复杂度与不变特征的实时配准算法,其主要特点包括：(1)在对航拍视频配准难点进行详细分析的基础上,有针对性的提出基于积分图的快速图像尺度空间构建、依据场景复杂度的检测特征点数量在线精确控制、基于描述子误差分布统计特性级的联分类器构造等新方法,使得算法配准性能不随场景的复杂度发生改变,能够在各种地貌条件下实时、稳定的进行图像配准;(2)将多尺度Harris角点和SIFT描述子相结合,并通过对帧间变换模型参数进行鲁棒估计,保证了算法具有良好的旋转、尺度、亮度不变性和配准精度.实验结果表明,算法可在场景变化、图像大幅度平移、尺度缩放和任意角度旋转等复杂条件下实时、精确的进行图像配准,对分辨率为320×240的航拍序列的平均处理速度达到20.7帧/秒.     

基于多层卷积特征的自适应决策融合目标跟踪算法

针对目标快速运动、遮挡等复杂视频场景中目标跟踪鲁棒性差和跟踪精度低的问题,该文提出一种基于多层卷积特征的自适应决策融合目标跟踪算法(ASFTT)。首先提取卷积神经网络(CNN)中帧图像的多层卷积特征,避免网络单层特征表征目标信息不全面的缺陷,增强算法的泛化能力;使用多层特征计算帧图像相关性响应,提高算法的跟踪精度;最后该文使用自适应决策融合算法将所有响应中目标位置决策动态融合以定位目标,融合算法综合考虑生成响应的各跟踪器的历史决策信息和当前决策信息,以保证算法的鲁棒性。采用标准数据集OTB2013对该文算法和6种当前主流跟踪算法进行了仿真对比,结果表明该文算法具有更加优秀的跟踪性能。     

基于元学习的红外弱小点状目标跟踪算法

为了在研究红外弱小点状目标的特征基础上有效解决训练数据不足的问题, 采用了基于改进的元学习红外点状目标跟踪算法。首先将元学习通过预训练跟踪模型运用到卷积神经网络中, 采用离线训练的方式在静态红外图像数据集上训练得到目标的通用表示, 再通过在线训练的方式利用初始帧的目标位置学习得到目标的特定表示; 通过卡尔曼滤波算法预测目标运动模型, 得到最优的搜索区域。此外, 为了解决遮挡造成的目标丢失问题, 研究了重检测机制, 并进行了理论分析和实验验证, 取得了较好的跟踪结果, 跟踪精度达到了90%。结果表明, 该方法在同一数据集下相对其它跟踪算法实现了更精确地跟踪红外弱小点状目标的效果。该研究为机器学习算法在红外弱小点状目标跟踪中的应用提供了参考。     

遮挡情况下多尺度压缩感知跟踪

针对现有在线学习跟踪算法中目标在线模型更新错误导致跟踪漂移的问题,提出一种在线模型自适应更新的目标跟踪算法:首先利用压缩感知技术的高效性,对多尺度图像特征进行降维,并提取多尺度样本来实现目标尺度自适应更新,再由提取的正负样本低维图像特征训练朴素贝叶斯分类器,利用分类器输出置信度最大处目标样本完成目标跟踪,并依据当前目标置信度来自适应在线模型更新速率,减少了遮挡带来的目标错误更新。实验表明:该方法在尺度变化、局部和全局遮挡、光照变化等情况下均能完成鲁棒跟踪,平均跟踪成功率较原始压缩感知跟踪算法提高了20.3%。     

自适应时空正则的无人机目标跟踪算法

针对无人机跟踪场景中目标分辨率较低且易受无人机(unmanned aerial vehicle,UAV)飞行姿态、速度变化等因素的影 响而难以对目标进行鲁棒跟踪的问题,提出了一种自适应时空正则的无人机目标跟踪算法以 有效解决上述问题。在时空正则相关滤波器(spatial temporal regularized correlation filter,STRCF)算法基础上引入AutoTrack中的空间正则性代价并利用峰值 旁瓣比和局部响应变化量,在线动态更新时空正则化参数以提升跟踪器的准确性,通过在跟踪 器中嵌入遮挡处理模块解决目标遭遮挡后跟踪漂移的问题。在多个无人机基准数据集上进行 了测试,实验结果表明,与基准算法AutoTrack相比,本文算法具有更高的精确度和更快的 处理速度。其中在DTB70数据集上跟踪精度和速度分别提升了1.5% 和74.4%;在UAVDT 数据集上9个属性的分类对比中,本文算法在尺度变化(scale variation,SV)、目标模糊(object blur,OB)等7个属 性上取得较高的性能,均排在第一位。由此可见本文算法可以更好地满足无人机应用需求。     

智能化无人机入侵检测与跟踪拦截系统设计与实现

近年来民用无人机领域发展迅猛,导致无人机“黑飞”事件频出,给国家安全及社会稳定带来了不小的挑战,迫切需要发展反无人机技术。对此,提出一种跟随式定向干扰方案,设计了一套基于视觉的无人机入侵检测与自动跟踪拦截系统。采用HOG+非线性SVM方案来识别无人机,加入ViBe运动目标检测算法来提高识别速度,并通过KCF算法实现无人机目标跟踪。设计制作无人机拦截系统的硬件设备主要包括跟踪伺服系统、底座和托盘等。实验表明,该系统的识别准确率达到90.54%,识别速度为20.56 fps,拦截平台能够在0.5 s内实现对目标无人机的瞄准,跟踪效果良好。在搭建的实物平台上进行系统测试,结果表明,该系统可实现对入侵无人机的运动检测、识别、跟踪与干扰,且识别准确率高,实时性好,能够对入侵的无人机进行自动拦截。     

融合灰度与显著性特征的空中红外目标跟踪

针对红外目标特征简单且信息量少导致跟踪精度不高,提出一种基于灰度和显著性特征融合的核相关滤波算法用于空中红外目标跟踪。首先,在保证目标足够特征信息量的前提下对较大的目标进行不同等级压缩。然后将提取的二维灰度特征与显著性特征按页方式进行拼接扩展成三维特征,再将融合的特征用于核相关滤波。实验表明所提算法能够适应多种环境下的空中红外目标跟踪,跟踪精度和成功率典型值分别达到84.8%和63.9%,较大部分算法有很大提高,平均跟踪速度高达125 f/s,体现出了良好的实时性。因此,本文提出的算法在保证实时性的同时提高了跟踪的可靠性,具有一定的实用意义。     

YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法

针对无人机平台下小目标检测性能差、目标尺度变化较大、复杂背景干扰等导致跟踪失败的问题,该文提出一种联合优化检测器YOLOv5(You Only Look Once)和Deep-SORT(Simple Online and Realtime Tracking with a Deep Association Metric)的无人机多目标跟踪算法。该算法使用改进的CSPDarknet53(Cross Stage Paritial Darknet53)骨干网络重新构建检测器中的特征提取模块,同时通过自顶向下和自底向上的双向融合网络设计小目标检测层,采用无人机航拍数据集训练更新优化后的目标检测网络模型,解决小目标检测性能差问题;在跟踪模块中,提出结合时空注意力模块的残差网络作为特征提取网络,加强网络感知微小外观特征及抗干扰的能力,最后采用三元组损失函数加强神经网络区分类内差异的能力。实验结果表明,优化后的目标检测的平均检测精度相比于原始YOLOv5提升了11%,在UAVDT数据集上相较于原始跟踪算法准确率与精度分别提高了13.288%、3.968%,有效减少目标身份切换频次。     

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。     

基于半监督协同训练的无人机对地目标跟踪

由于目标小、可区分性差,无人机对地目标跟踪较传统视频目标跟踪更容易丢失目标,提出一种基于l1图半监督协同训练的目标跟踪算法。算法首先提取样本的颜色和纹理特征构建两个充分冗余的视图,再以基于l1图的半监督学习算法取代传统协同训练中的监督学习方法构建单视图中的分类器,提高有限标记样本条件下的分类正确率,然后通过基于负类学习的协同训练算法协同更新两个视图的分类器,最后根据不同视图的相似度分布熵融合各分类器的分类结果实现目标跟踪。实验结果表明,该算法能够有效提高分类器的判别能力,具有良好的跟踪性能。     

多模型融合的孪生网络视觉跟踪

为提升孪生网络视觉跟踪算法的准确性,提出一种融合多任务差异化同质型模型的孪生网络视觉跟踪算法。首先在决策层对孪生网络视觉跟踪模型与目标分割模型进行融合,然后结合多尺度搜索区域、目标上下文特征、多学习率模型更新策略进行跟踪。在标准数据集VOT、OTB、LaSOT、UAV123上进行算法评估。实验结果表明,所提算法在遮挡、快速运动、光照变化等干扰下可以稳定跟踪目标。     

基于多尺度特征融合的红外小目标检测方法

红外小目标检测因其探测距离远、抗干扰能力强等特点,在空中目标探测与跟踪系统中得到了广泛的应用。针对目前红外小目标检测算法在复杂背景下检测准确率低、虚警率高等缺点。提出了一种基于多尺度特征融合的端到端红外小目标检测模型（multi-scale feature fusion single shot multibox detecto,MFSSD）。考虑到红外小目标的特点,通过细化和融合特征图的方法提出了一种特征融合模块,通过SP模块提高特征图不同通道的相关性,3种不同序列红外图像的实验结果表明,该算法在红外小目标检测中的平均检测精度高达87.8%。与传统的多尺度目标检测算法相比,准确率和召回率都有显著提高。     

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器（Sparse Auto-Encoder,SAE）实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络（CNN）算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。