基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD）目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入ViBe模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。     

基于LBP的TLD目标跟踪改进算法

针对跟踪—学习—检测(TLD)对光照变化敏感、易受目标遮挡、快速运动导致目标模糊这些因素的影响,提出了基于局部二值模式(LBP)的TLD目标跟踪改进算法。首先,将LBP算法与最近邻分类器相结合,使得改进后的最近邻分类器可以获取与跟踪目标更接近的边界框,且当目标具有良好的纹理属性时,改进后的最近邻分类器具有更好的分类效果;其次,若TLD算法选取的跟踪目标在跟踪过程中受到遮挡,或者晃动,则使用Kalman滤波器预测目标所在区域,可以缩小跟踪器的检测范围,增强算法的效率。实验结果表明:改进后的跟踪算法与常规TLD相比,鲁棒性更好,精度更高,跟踪速度更快。     

TLD视频目标跟踪方法改进

TLD(Tracking-Learning-Detection)是Zdenek Kalal提出的一种新跟踪算法.该算法与传统跟踪算法的显著区别在于将传统跟踪算法与检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题.对TLD算法进行改进,在算法检测模块引入基于Meanshift与Kalman的当前帧目标所在区域预估,有效缩小检测模块的检测范围,提高算法实时性及准确性;对原算法方差分类器改进采用颜色特征分类器,提高算法对目标识别性能;对综合模块改进,提高算法目标跟踪成功率.通过实验对改进后的TLD及原TLD进行比较,实验结果表明,改进的TLD算法具有更高的跟踪准确性及更好的跟踪实时性.     

基于水平集的TLD目标跟踪改进算法

TLD算法是一种新颖的长期目标跟踪算法,针对算法中检测器采用特征没有充分考虑跟踪过程中目标的表观、区域轮廓的变化及基于窗口扫描影响效率等问题,在TLD算法的基础上,加入演化机理,基于水平集对其进行改进。结合边缘和区域信息的多尺度水平集方法,引入目标轮廓信息,在有效克服灰度不均匀图像的同时,提高了目标跟踪的适应性及精度;根据轮廓检测结果,引入目标运动方向检测算子,对目标运动方向及其在当前帧中的位置进行估计,减少扫描窗口的同时提高目标辨识能力。通过实验对原始TLD算法及改进的算法进行了比较。实验结果表明,改进后的方法跟踪速度有提升,对目标跟踪的适应性更强,跟踪精度更高。     

基于TLD改进框架的视频目标跟踪算法

研究了传统跟踪—学习—检测(Tracking-Learning-Detecting)目标跟踪算法的结构和特点,提出改进思路;虽然TLD算法采用P-N学习机制,在应对长时间跟踪方面有很好的鲁棒性,但是当目标发生严重遮挡、形变,或者场景发生较大的光照、旋转变化时,也会导致跟踪的失败。基于对以上问题的研究,提出TLD改进跟踪算法。改进算法在跟踪模块运用SIFT特征匹配算法来代替原算法中LK光流法,减少了计算的复杂度,提高了算法的环境适应能力。     

基于Mean-Shift优化的TLD视频长时间跟踪算法

针对TLD(tracking learning detection)算法同时包含了跟踪、检测和学习三个部分,具有较高计算量的缺点,提出了采用Mean-Shift算法替换原TLD跟踪器部分的光流跟踪算法.该优化方法利用具有计算量小的Mean-Shift算法替换计算量较大的光流法进行跟踪,以通过目标模型和候选目标模型之间的巴氏系数与阈值的比较来判定跟踪失败的自检测,并通过计算Mean-Shift跟踪返回的目标框和上一帧TLD返回的目标框之间的相似度来进一步得到跟踪的有效性,在发生跟踪失败时由检测器重新初始化跟踪.实验结果表明,该优化方法在视频长时间跟踪算法中具有较高的鲁棒性和准确性,并且与原TLD算法相比,该优化方法在跟踪速度上得到了提升.     

基于关键特征点的改进TLD目标跟踪算法研究

TLD（Tracking-Learning-Detection）算法是一种新颖的单目标长时间视觉跟踪算法,在给定极少的先验知识的情况下,能够迅速地学习目标特征并进行有效的跟踪。TLD算法中跟踪器每次在跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点都能够被可靠地跟踪。针对这个问题,提出一种基于关键特征点检测的改进TLD算法,保证所选特征点都能够被正确可靠地跟踪,防止跟踪结果发生漂移,提高了跟踪器的跟踪精度。另一方面,在TLD检测器中引入了基于轨迹连续性的在线位置预测,在保证正确跟踪的前提下,缩小了检测器的检测范围,提高了运算速度。实验结果表明,该算法有较高的跟踪精度和速度。     

检测区域动态调整的TLD目标跟踪算法

针对经典跟踪-学习-检测(TLD)目标跟踪算法由于检测区域过大而导致的检测时间过长及对相似目标跟踪处理效果不理想的问题,提出一种检测区域可动态自适应调整的方法——TLD-DO。该方法利用两次Kalman滤波加速度矫正预测的检测区域优化算法DKF,通过缩小TLD检测器检测范围,以达到在跟踪精度略有提升的情况下提高跟踪速度的目的;同时此方法可排除画面内相似目标的干扰,提高在含有相似目标的复杂背景下目标跟踪的准确性。实验结果表明:TLD-DO算法在处理不同视频与跟踪目标时,检测速度有1.31~3.19倍提升;对含有相似目标干扰情况下,跟踪效果明显优于原TLD算法;对目标抖动及失真情况有较高的鲁棒性。     

基于随机蕨丛的改进型TLD跟踪算法

TLD(Tracking-Learning-Detection)是近年来提出的一种高性能单目标长时间跟踪算法。为了进一步提高TLD算法的跟踪准确率,引入随机蕨丛分类器(Random fern)对其进行改进。在公开的TLD数据库上进行实验,结果证明该算法较原始算法准确度得到提升。     

融合CN跟踪算法改进的TLD实时目标跟踪算法

针对TLD算法跟踪框在目标非刚性形变、旋转、背景杂乱等情景中容易导致跟踪漂移的问题,提出了一种融合CN跟踪算法改进的TLD实时目标跟踪算法(TLD-CN)。首先对跟踪框内区域计算图像显著性得到BRISK算法采样特征点的阈值,获得合适的特征点以建立旋转和尺度归一化的描述子,再融合颜色特征和纹理特征对前后帧跟踪框内描述子进行最优相似性匹配,得到匹配的特征点集合,对集合内特征点进行判别式字典的稀疏编码后,分别与CN跟踪框和TLD跟踪框的中心像素点进行相似度的度量,得到输出框调整的权重系数。实验结果表明,TLD-CN跟踪算法通过特征点度量出2种算法融合的权重值调整输出框,在目标形变、旋转、背景杂乱、快速运动等复杂跟踪情景中,具有很高的精度和成功率。权重系数自适应更新也避免了模型过拟合,达到实时跟踪效果。     

基于改进TLD算法的无人机自主精准降落

四旋翼无人机（Unmanned Aerial Vehicle,UAV）在航拍、测绘、环境监测、快递等航空领域的广泛应用,对四旋翼无人机的可用性和可靠性提出了更高的要求,而其实现自主精准降落的功能是必不可少的。对目标进行快速鲁棒性跟踪是实现降落的重要基础,TLD（Tracking Learning Detector）算法为这一问题提供了一种有效的解决办法,虽然许多学者对其进行了研究并对传统的TLD算法进行了改进,但算法的跟踪精度及速度仍然难以满足无人机的降落要求。提出了一种基于TLD框架的目标跟踪算法来实现无人机与特定降落目标之间的相对定位。该算法在TLD框架下,提出一种基于目标形状特征自主确定降落目标的算法,提高了降落流程的自主性;用核相关滤波器（Kernelized Correlation Filter,KCF） 实现了TLD框架中的跟踪器,提高了算法的实时性、精准度及鲁棒性;同时在降落过程中采用一种基于方向梯度直方图特征（Histogram of Gradient,HOG）和支持向量机（Support Vector Machine,SVM） 的目标识别方法,以实现目标检测自矫正,保证长时间准确跟踪目标。在七类模拟无人机进行降落的视频集下验证了该算法,与其他三种跟踪算法进行对比,并进行实际降落测试。测试结果表明,该算法的鲁棒性和精准度均优于其他算法,处理速度可达到31.47?f/s,故而在TLD框架下采用核相关滤波器作为跟踪器,对跟踪及检测结果进行有效融合并提高算法实时性的同时,增加的检测自矫正环节保证了长时间跟踪的准确度,从而有效地实现了无人机全自主精准降落。     

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD（Tracking-Learning-Detection）算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题，提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本，其背景作负样本，获取手势HOG特征并投入到卷积神经网络中加以训练，得到手势检测分类器，从而确定目标手势区域，实现手势的自动识别；再利用TLD算法对手势进行跟踪与学习，对正负样本进行估计检测并实时校正，同时运用SURF特征匹配更新跟踪器。实验结果验证，该算法对比TLD经典算法跟踪精度提高了4.24%，增强了运动手势的跟踪效果，相比经典跟踪算法拥有更高鲁棒性。     

混合包围盒碰撞检测算法研究

为提高碰撞检测的实时性,提出一种混合包围盒碰撞检测算法。将物体的包围盒二叉树设计为2层结构,顶层使用AABB包围盒排除不相交的物体,下层利用k-DOPs包围盒检测物体之间的碰撞情况。采用任务树的方法对2棵混合包围盒二叉树进行同步遍历,实现物体之间的碰撞检测。与其他碰撞检测算法进行对比分析,实验结果表明,该算法能提高碰撞检测的实时性和精确性。     

融合CamShift的TLD算法实现人脸跟踪

针对跟踪-学习-检测(Tracking-Learning-Detection,TLD)算法跟踪模块所用金字塔光流法计算量大,跟踪人脸实时性差的问题,提出融合连续自适应均值漂移(Continuously Adaptive Mean Shift,CamShift)的TLD算法提高人脸跟踪效率.改进的TLD算法框架中跟踪模块选用CamShift算法实现目标人脸跟踪,检测模块采用滑动窗法扫描搜索,再使用分类器判断目标是否存在,学习模块根据跟踪模块和检测模块的结果对比评估错误和误差,更新目标模型.将改进的TLD算法分别与CamShift算法和TLD算法进行对比试验,结果表明,融合CamShift的TLD算法实现人脸跟踪效率和准确率均高于原始两种算法,且满足实时性要求.     

基于滑动扫描框的高速物体的图像实时跟踪算法

TLD(Tracking-Learning-Detection)算法是近期广受关注的单目标长期跟踪算法。该算法由跟踪器、检测器、学习器协同工作,解决了目前大部分跟踪算法在目标丢失后不能重新识别目标的问题。但是由于检测器的计算量很大,该算法的实时性较差。针对这个问题,提出了一种动态生成检测扫描框的方法。输入的图片先采用跟踪器的前后向金字塔光流法加以计算,估计出目标的大概位置。然后在该位置区域生成滑动扫描框来检测。该方法可以有效缩小检测区域,减少检测器的计算量。将改进后的算法与原始算法以及Camshift、CT(Compress Tracking)算法进行了比较实验。结果表明,对于实时摄像头监控,改进的算法比原始算法具备更快的跟踪速度和更高的跟踪准确率。对于固定的图像序列,改进的算法的精度和速度都超过Camshift、CT算法。     

基于包围盒的碰撞检测算法研究

基于包围盒的碰撞检测算法是一类重要的碰撞检测算法。文章比较了几种常用的包围盒碰撞检测算法;给出了OBB包围盒的计算算法及其改进和修正算法;包围盒树的建立算法;包围盒的重叠测试和基于包围盒的碰撞检测算法;最后以OBB验证了该类算法的有效性,正确性和鲁棒性。