应用Mean Shift和分块的抗遮挡跟踪

针对传统Mean Shift跟踪算法在目标发生遮挡时容易跟偏甚至跟丢的缺陷,提出了一种新的抗遮挡跟踪算法。首先,对跟踪窗口内的目标进行分块;然后,对外围子块分别实施Mean Shift跟踪算法并检测遮挡的发生,当遮挡发生后即对所有子块实施Mean Shift跟踪算法;最后,引入一种子块置信度机制并仅用置信度最高的子块来确定目标的最终位置,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。对不同的视频序列测试的结果显示,本算法能对发生遮挡的目标进行准确跟踪。当遮挡目标尺寸为70pixel×100pixel时,平均处理时间为38.6ms/frame。结果表明,改进算法能够满足目标跟踪系统稳定性和实时性的要求。     

采用核相关滤波器的长期目标跟踪

针对核相关滤波器(KCF)跟踪算法在目标跟踪中存在尺度变化、严重遮挡、相似目标干扰和出视野情况下跟踪失败等问题,提出了一种基于KCF的长期目标跟踪算法。该算法在分类器学习中加入空间正则化,利用基于样本区域空间位置信息的空间权重函数调节分类器系数,使分类器学习到更多负样本和未破坏的正样本,从而增强学习模型的判别力。然后,在检测区域利用Newton方法完成迭代处理,求取分类器最大响应位置及其目标尺度信息。最后,对最大响应位置的目标进行置信度比较,训练在线支持向量机(SVM)分类器,以便在跟踪失败的情况下,重新检测到目标而实现长期跟踪。采用OTB-2013评估基准50组视频序列验证了本文算法的有效性,并与30种其他跟踪方法进行了对比。结果表明:本文提出的算法跟踪精度为0.813,成功率为0.629,排名第一,相比传统KCF算法分别提高了9.86%和22.3%。在目标发生显著尺度变化、严重遮挡、相似目标干扰和出视野等复杂情况下,本文方法均具有较强的鲁棒性。     

遮挡环境下基于路侧异源雷达融合的多交通目标鲁棒跟踪方法

多目标跟踪是保障自动驾驶行驶安全与效率的基础,其获取的数据广泛应用于自动驾驶运动规划、驾驶决策等上层应用。传统多目标跟踪方法在遮挡环境下往往存在目标丢失、错位的现象,针对这一问题,本文提出了基于异源雷达融合与遮挡预测模型的鲁棒跟踪方法。首先,基于激光雷达与毫米波雷达的局部观测一致性方程,提出了一种基于多目标运动约束与全局最大匹配的多传感动态自标定算法。其次,针对完全遮挡环境下因观测数据缺失导致的跟踪中断问题,提出了一种基于异构雷达融合无迹卡尔曼滤波与长短期时序神经网络的混合监督目标位置预测方法。通过实验表明,本文提出的方法在完全遮挡环境下可有效补全至少81%断开的多车辆目标轨迹,且相比于最先进的方法,能够实现更为可靠的多交通目标跟踪。     

一种抗遮挡的运动目标跟踪算法

提出了一种基于彩色特征的抗遮挡目标跟踪算法。利用mean shift递推寻找当前帧目标的位置,并通过Kalman滤波估计目标状态。选用对目标部分遮挡具有鲁棒性的加权量化彩色直方图作为目标特征的概率分布,用Bhattacharyya系数作为特征相似性度量。提出一种目标遮挡因子,作为目标被遮挡程度的判断根据。当目标严重遮挡后,观测位置不再满足Kalman滤波的条件,采用目标状态量外推取代Kalman状态更新来预测目标当前的位置。实验结果表明,此方法对于部分遮挡以及全遮挡有较好的鲁棒性。     

在线加权多示例学习实时目标跟踪

由于原始多示例学习（MIL）跟踪的分类效果和实时性较差,提出了一种加权在线多示例学习跟踪算法。首先,根据所选定目标位置分别采集目标和背景样本集,通过对所采集样本集特征的在线学习生成弱分类器集;然后,用计算样本集对数似然函数的最大值的方法从弱分类器集中选择K个最优的弱分类器,给每个弱分类器赋不同的权值,生成一个强分类器;最后,在新的一帧中抽取目标和背景样本,用生成的强分类器对待分类的目标和背景进行分类;分类结果映射成概率值,概率最大样本的位置就是所要跟踪目标的位置。对不同视频序列的测试结果表明,该跟踪算法的跟踪正确率达93%,目标大小为43 pixel×36 pixel时处理帧率约为25 frame/s。与原始多示例学习跟踪算法相比,本算法的实时性提高了67%。     

采用PSR和客观相似性的高置信度跟踪

针对相关滤波类跟踪算法难以解决的过度形变和目标被遮挡问题,提出了一种融合改进均方峰值旁瓣和客观相似性度量的高置信度跟踪算法-HCF。基于核相关滤波跟踪算法,结合传统相关运算的峰值旁瓣比与感知哈希算法客观度量所跟目标,对遮挡和形变等复杂情况进行高置信度判断,进而自适应的选择模型更新率,克服模型漂移问题;另外,利用尺度池算法解决跟踪中的尺度估计问题,进一步提高了算法的稳健性。通过OTB-2015数据集测试表明:提出的HCF算法能精准判别出由于遮挡形变等情况导致的无效跟踪,相比于当前主流的鲁棒性跟踪算法,具有更优秀的性能和表现。本文的创新工作为跟踪领域中的目标准确度判别问题提供了新的思路。     

采用核相关滤波器的自适应尺度目标跟踪

由于现存的大多数基于检测的跟踪器都没有解决尺度变化问题,本文在传统的基于检测的目标跟踪框架下设计了一种尺度估计策略,并给出了基于核相关滤波器的自适应尺度目标跟踪算法。该算法利用核函数对正则化最小二乘分类器求解获得核相关滤波器,通过对核相关滤波器的在线学习完成目标位置和尺度的检测,并在线更新核相关滤波器。为了验证本文算法的有效性,选取了10组场景复杂的视频序列进行测试,并与其它5种优秀跟踪方法进行了对比。结果表明,本文提出的方法比上述5种优秀跟踪方法中的最优者的平均距离精度提高了6.9%,且在目标发生尺度变化、光照变化、部分遮挡、姿态变化、旋转、快速运动等复杂场景下有较强的鲁棒性。     

基于双目标模型的时空上下文跟踪算法

传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性,故目标被长时间遮挡后,目标模型容易被错误更新且难以修正。因此,本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性,并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征,在目标被长时间遮挡后也能准确评估更新内容的有效性,并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明,改进算法在测试数据集上的跟踪成功率为82%,中心偏差为8pixels;在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升,实现了目标的可靠跟踪。     

一种鲁棒的基于改进Mean-shift的目标跟踪算法

为了克服传统Mean-shift算法在跟踪运动目标时由于背景像素造成的定位偏差和由于遮挡造成的跟踪失效,提出了两点改进措施。第一,根据初始帧目标和背景在颜色分布上的差异,建立对数似然图(log-likelihood image),筛选出目标中与背景可区分性好的颜色特征建立目标模型,并以同样的方法在后续帧建立候选模型。第二,将候选区域划分为若干重叠的子块,分别利用Mean-shift算法对各个子块进行迭代,以与目标区域相应子块最为匹配的子块的所在位置对整个目标重新定位,该方法很好地实现了目标部分遮挡情况下的稳定跟踪;严重遮挡时,采用简单的线性预测,估计下一帧目标可能出现的位置。实验结果表明：改进算法可以准确的进行目标跟踪,对部分遮挡和严重遮挡都有较强的鲁棒性。     

改进的均值移位红外目标跟踪

提出了一种改进的均值移位红外目标跟踪算法,该算法融合了基于均值移位的梯度匹配搜索策略与基于特征分类的跟踪算法。以目标与局部背景灰度特征的似然比作为目标区域核直方图的权值,建立了改进的目标表征模型。以Bhattacharyya系数作为相似性度量,在均值移位框架下推导了应用该目标模型下移位向量的表达形式。同时,提出了基于跟踪复杂度估计的目标遮挡情况下的模型更新判别准则。实验结果表明,该算法能够提高目标像素灰度的移位权重,抑制背景干扰,对于低对比度红外目标的跟踪具有稳健的性能,在正确跟踪情况下平均Bhattacharyya系数保持在0.97以上。     

基于快速运动场景下的目标跟踪改进算法

为解决目标快速运动时跟踪算法出现目标丢失和跟踪精度大幅度下降等问题,在现有的Autotrack算法基础上对其进行改进,提出了一种基于快速运动场景下的目标跟踪算法。引入空间正则权重项w对距离目标中心比较远的样本进行相应的惩罚,调整原本的全局响应变化量并将其作为时间正则项。将空间正则项和时间正则项相结合,并引入目标函数中进...     

基于多尺度Fourier-Mellin变换的末制导目标跟踪

针对光电成像末制导阶段目标尺寸迅速增大且可能伴有旋转的稳定跟踪问题,采用了一种基于多尺度Fourier-Mellin变换的目标跟踪方法.根据高斯尺度空间理论和Fourier-Mellin变换,构造了基于多尺度Fourier-Mellin的图像变换参数估计策略.利用平均绝对差分匹配准则对模板和待匹配图像进行图像匹配,当匹配误差过大时,基于多尺度Fourier-Mellin变换进行模板参数估计,求出模板与当前目标之间的尺度和旋转变换参数,并利用双线性内插调整模板,求得目标匹配位置,对模板进行刷新.仿真结果表明,该算法能够适应末制导阶段目标尺寸的急剧变化,实现对目标的稳定跟踪,其跟踪精度和稳定性优于传统方法.     

一种改进的均值移位红外目标跟踪算法

为了增强复杂背景条件下红外目标跟踪的稳健性,提出了一种改进的均值移位目标跟踪算法。该算法融合了均值移位的梯度匹配搜索策略的优势与基于特征分类跟踪算法强鲁棒性的优点,建立了灰度似然比加权的核直方图目标表征模型。模型中加入了目标与局部背景灰度特征的似然比作为原始核直方图的权值,应用该模型的均值移位算法能够进一步提高目标像素灰度的移位权重,有效抑制背景干扰,进而提高低对比度目标跟踪的稳健性。同时,基于跟踪复杂度估计提出了目标遮挡情况下的模型更新判别准则,提高了算法的自适应性能。实测红外目标跟踪实验表明了该算法简单、有效。     

基于改进 Mean－shift算法的铲斗目标跟踪

针对挖掘机器人铲斗目标实时跟踪问题,提出了Kalman＋Mean－shift算法的铲斗目标跟踪算法。与Mean－shift算法以及Camshift 算法相比,该算法通过Kalman滤波器对目标位置的预测,解决了跟踪过程中出现干扰时无法跟踪目标的问题。运用OpenCV进行跟踪程序设计,对挖掘机模型的铲斗目标进行跟踪实验,对算法的可行性进行验证。实验结果显示,结合Kalman滤波器的Mean－shift算法能够准确地实施对铲斗目标的跟踪。     

动态视角下自主目标识别与跟踪

针对动态视角下由于相机高频率晃动导致的常用目标识别及跟踪算法准确率较低的问题,提出了一种基于Canny和GrabCut的自适应窗口式目标跟踪算法。首先使用加速稳健特征（SURF）算法学习图片库并记忆图片特征,设计基于SURF算法的记忆库目标识别算法;然后,对上述目标区域采用GrabCut的自适应优化算法进行感兴趣区域分割,实现目标粗略跟踪;最后,设计基于Canny算法的窗口式算法进行目标精确追踪。实验结果表明,所设计的算法能快速地识别目标、精确地勾勒出其轮廓并且稳定跟踪目标,相比其他算法,算法在实时性和精确性方面有显著提高。     

用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。     

采用改进辅助粒子滤波的红外多目标跟踪

结合改进的辅助粒子滤波与马尔科夫随机场,提出一种多目标跟踪算法来跟踪红外场景中的多个目标.依据目标区域的灰度直方图描述目标,使用标准辅助粒子滤波对各目标的采样粒子集进行粗略优化,同时在辅助粒子采样过程中引入Mean-shift算法来提高粒子采样效率,解决多目标跟踪时粒子数量呈指数级增长的问题,并进一步提高算法的实时性.针对多目标跟踪常出现的目标遮挡导致跟踪失败的问题,引入图模型理论,利用马尔科夫随机场来表示多目标跟踪模型,将多目标的跟踪问题转换为图模型的推理问题.实验结果表明,该跟踪算法使用较少粒子便能实现跟踪,跟踪正确率达84％,且能有效解决多目标跟踪时的相互遮挡问题.     

多ADSP-TS201红外弱小目标实时检测跟踪系统的硬件设计

介绍了红外弱小目标实时检测跟踪系统的硬件设计。重点介绍了系统中信号处理模块部分的设计,该部分采用Analog Device公司的600 MHz高性能数字信号处理器ADSP-TS201,四片ADSP-TS201以松耦方式互联,构成并行信号处理模块。该模块定点运算的峰值速度可达到19.2 GMAC(16Bit),浮点运算的峰值速度可达到14.4 GFLOPS。为完成对序列红外图像中弱小目标的实时检测跟踪处理提供了硬件平台。