多特征融合的视频目标深度跟踪

针对现有基于卷积神经网络跟踪中需要大量离线训练以及在线更新耗时的问题,提出了一种多特征融合的视频目标卷积跟踪算法。算法首先设计了一种浅层前向自学习卷积网络提取目标候选区域的局部卷积特征;然后计算融合了空间信息的颜色直方图特征;在此基础上,采用归一化加权方法在全连接层融合卷积特征和全局颜色特征形成目标的表观描述;最后基于粒子滤波算法,通过计算目标模板与候选目标之间的相似度,估计目标位置。采用OTB-2013公开测试集验证所提跟踪算法的性能,与8种主流目标跟踪算法进行了分析对比。实验结果表明,本文算法的目标跟踪精度和跟踪成功率在多种场景下取得了不错的性能,在保证跟踪精确率的前提下,跟踪鲁棒性优于其他算法。可见提出的多特征融合的卷积跟踪算法通过提取所跟踪视频的自身特征生成卷积器而无需进行大量离线训练,且与手动特征进行融合增强了目标的表达能力,这种策略具有一定的借鉴性。     

一种基于多特征融合的粒子滤波目标跟踪算法

针对采用单一图像特征进行目标跟踪时鲁棒性不高的问题,提出一种基于多特征融合的目标跟踪算法.该方法利用颜色特征和纹理特征描述目标,并将二者融合于粒子滤波框架中,提高了目标跟踪的稳定性,同时也在一定程度上克服了目标跟踪中光照变化时跟踪效果较差等缺点.实验结果表明,该文算法不仅提高了目标跟踪精度,而且具有较强的鲁棒性.     

基于多特征融合的目标跟踪算法

针对单一特征的目标跟踪算法鲁棒性较差的情况,利用目标的多种观测信息通过D-S证据理论进行融合跟踪.在粒子滤波的总体框架下,嵌入Mean-Shift算法产生更加逼近真实后验分布的粒子,同时采用颜色和运动边缘特征作为观测模型,有效地避免了单一颜色特征在光照突变、姿态变化以及背景相似情况下的跟踪稳定性较差的问题.实验表明,该...     

基于ICLBP的多特征自适应加权融合目标跟踪算法

针对Mean Shift跟踪算法中使用单一的特征对目标进行描述而导致跟踪算法鲁棒性不高的问题,提出了一种多特征融合的目标跟踪算法.该算法选取HSV颜色特征和ICLBP纹理特征,建立目标模型的概率密度.根据目标区域确定背景区域,计算不同特征对目标和背景的区分性度量值,并以此设定和更新特征融合权值.使用特征融合权值系数建立...     

基于目标背景加权的核跟踪

在核跟踪(Mean Shift跟踪)算法中,目标的表示方法对跟踪性能有很重要的影响.传统的核跟踪算法只是通过计算目标模型和候选目标模型,对目标进行跟踪,没有消除背景的影响,特别是目标与背景相近的情况.对此,提出了一种目标背景加权的核跟踪算法,该算法是在跟踪过程中对目标模型进行背景加权,并且在目标的表示中采用颜色纹理联合直方图.为了验证跟踪的可靠性,利用跟踪位置与目标位置之间偏移量的均值和方差进行衡量.实验结果表明,与传统的跟踪算法相比,该算法在目标的表示和跟踪性能上有很大的提高.     

基于特征融合的改进粒子滤波目标跟踪算法

针对复杂背景下单一的颜色特征不能准确跟踪目标的问题,提出了一种改进的目标跟踪算法。该算法利用跟踪目标的颜色特征和运动边缘特征来表示目标。在粒子滤波的框架下融合特征信息从而进行目标跟踪,能够有效地避免单一颜色特征在跟踪过程中受到相似背景、遮挡等问题的干扰。通过与基于单一颜色特征跟踪实验误差数据的分析,实验结果表明该算法在复杂背景以及目标遮挡等情况下能达到较好的目标跟踪效果,实现目标的准确跟踪。     

基于多特征融合的尺度自适应KCF目标跟踪算法

首先,对核相关滤波(KCF)目标跟踪算法进行了详细推导;然后,针对KCF算法提取单一特征,不能很好地表达目标的外观模型,提出将多种特征融合的方法,增加外观模型的可区分性.同时针对KCF算法不能自适应尺度变化的问题,引入一种尺度自适应变化方法.还对于KCF算法的固定更新率在目标被遮挡的情况下会学习到错误信息的问题,提出一种在线模型更新因子的方法;最后,通过实验对比结果表明,本文提出的算法跟踪精度更高,且对目标尺度发生较大变化和遮挡情况下的跟踪具有较强的鲁棒性.     

多特征融合的无人船视觉目标跟踪

针对海面光照变化、水花遮挡、水面倒影等耦合作用引起的无人船视觉目标跟踪漂移问题,提出一种基于多特征融合的尺度自适应相关滤波跟踪算法。通过多特征融合,增强了水面目标特征表达,避免了目标跟踪漂移。为减少环境干扰对跟踪目标外观描述的影响,设计尺度自适应跟踪滤波器,提升目标跟踪鲁棒性能。采用本文算法对多个代表性海上视频数据集进行验证,并与典型目标跟踪算法进行比较。结果表明,相较基于单一CN特征的跟踪算法,本文算法的平均重叠率提升23.63%、平均中心误差减少53.79个像素点。本文算法适用于处理由于海面环境剧烈变化、目标尺度变化导致的跟踪漂移问题,可为无人船作业自主性提供重要智能感知技术支持。     

融合背景信息的改进粒子滤波跟踪算法

为消除传统粒子滤波算法在跟踪目标受到相似背景干扰和遮挡时,容易造成跟踪误差增大或跟踪失效的影响,提出融合背景信息的改进粒子滤波跟踪算法.利用对数似然函数将背景信息融入目标模型,并将目标分为多个子区域增强目标模型的可靠性,有效克服了相似背景对目标的干扰;然后存储一定时间的历史轨迹信息,通过最小二乘法进行拟合并预测下一帧目标出现的位置,有效克服了遮挡对跟踪的影响.实验结果表明,该算法比传统的粒子滤波算法具有更强的抗背景干扰能力,在遮挡情况下也有更好的跟踪精度.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度,同时减小了计算量.     

基于多特征融合的改进UPF目标跟踪算法

针对单特征目标跟踪算法的鲁棒性较差以及不能充分利用最新的量测信息等问题,提出了一种基于多特征融合的改进UPF(Unscented Particle Filter)跟踪算法.基于比例最小偏度单形采样策略的UKF(Unscented Kalman Filter)算法和IKF(Iterated Kalman Filter)算法对粒子滤波算法进行改进,并在改进的算法框架下,采用不确定性度量方法融合目标的颜色和纹理特征,对目标进行跟踪.仿真实验表明,改进算法提高了跟踪精度,对复杂背景下的目标进行跟踪有较好的效果,并能有效跟踪被遮挡的目标.     

基于局部分块和背景加权的视觉跟踪算法

针对视觉运动目标的鲁棒跟踪问题,提出了一种基于局部分块和背景加权的跟踪算法。首先对目标的前景和背景区域进行分块采样,然后利用基于积分直方图的局部快速穷搜索算法计算每一个分块在当前帧中的后验概率图,最后对后验概率图确定的对应分块的搜索结果赋予不同的权值,进而计算出目标在当前帧中的位置。实验结果表明:基于局部分块加权的跟踪算法比单纯的背景加权跟踪和分块跟踪具有更高的跟踪精度和成功率,且算法复杂度较低。     

基于CNN的粒子滤波目标跟踪算法研究

针对复杂场景下目标跟踪算法存在的跟踪目标丢失漂移等问题,提出一种粒子滤波框架下基于卷积神经网络（convolutional neural network,CNN）的目标跟踪算法.该算法采用CNN提取跟踪目标的高层语义特征,并引入离线训练方式,提高训练效率以及特征提取的泛化能力;利用粒子滤波算法框架,实现目标运动状态的有效估计;同时采用长时与短时两种更新策略,并引入困难样本挖掘的在线训练方式,以适应目标外观变化与背景干扰等复杂情况.仿真实验结果表明本文算法能有效适应遮挡、光照、剧烈运动等场景.与多个当前的跟踪算法在公开测试样本下进行了结果比较和分析,验证了本算法在解决跟踪目标丢失漂移等问题上的有效性.      

自适应融合的长期目标跟踪算法

为了完成复杂场景中的长期视觉跟踪任务,解决尺度变化、外观变化和跟踪失败等问题,提出了一种双模型融合的长期跟踪算法.首先,将稀疏核相关滤波模型和颜色模型得到的跟踪响应进行自适应融合,构成更具鲁棒性的跟踪结果;然后,利用响应最大值来判断目标跟踪是否成功,并通过随机抽样学习用于在跟踪失败情况下重新检测目标的CUR滤波器,实现长期跟踪.在大规模基准数据集上的实验结果表明,算法在效率、准确性和鲁棒性方面优于现有相关跟踪算法.     

一种具有目标匹配约束的加权多示例学习视频目标跟踪算法

以多示例学习(Multiple Instance Learning,MIL)目标跟踪方法为代表,基于自适应辨别模型的视频目标跟踪算法近年来得到广泛重视,这些算法用分类器对图像进行处理,将使分类器置信最大的采样样本作为当前帧的跟踪结果.在此基础上,基于加权多示例学习(Weighted Multiple Instance Learning,WMIL)的目标跟踪算法提出在分类器学习阶段对正样本进行重要性采样,加大正包内正样本的贡献,达到更好的跟踪效果.然而,当前一帧输出结果不准确时,会使得分类器学习性能下降,从而引起目标漂移或跟踪失败.本文基于WMIL算法,提出用目标匹配约束预判断当前帧是否存在目标漂移,从而对下一帧采样中心位置进行矫正,达到抑制目标漂移以及避免跟踪失败的效果.仿真结果表明,本算法在标准视频测试集上都取得了较优的结果.