基于组合型表面模型的运动目标跟踪

运动目标跟踪是计算机视觉领域研究的难点课题,提出了一种基于组合型表面模型的视频运动目标跟踪算法。研究了目标的颜色特征空间和梯度特征空间,通过梯度特征和颜色特征的组合,以直方图的形式来建立目标表面模型,之后使用CamShift算法来完成一帧一帧的跟踪。实验结果表明,在图像背景复杂且目标出现遮挡的情况下,该方法仍能有效的跟踪目标。     

标签一致K-SVD稀疏编码视频跟踪算法

稀疏编码视频目标跟踪算法对目标遮挡问题有一定的适应性,但当目标受背景杂波、光照变化等干扰时,跟踪结果将会出现漂移现象.为此,提出一种基于字典学习和模板更新的视频目标跟踪算法.该算法在构造字典时加入背景模板集,利用标签一致K-SVD方法进行字典学习,同时训练出低维字典和目标背景分类器;在稀疏编码过程中,借助粒子滤波技术,采用分类器分类结果和候选目标直方图构建整体似然模型;最后通过字典学习更新字典、分类器及目标直方图.采用标准数据库中具有挑战性的视频数据进行算法测试实验,结果表明,对于存在遮挡、背景杂波、光照变化、目标旋转和尺度变化等复杂跟踪环境下的目标跟踪,文中算法都能有效地降低跟踪结果存在的漂移现象,且具有较好的稳定性.     

字典学习联合粒子滤波鲁棒跟踪

针对运动目标鲁棒跟踪问题,提出一种基于离线字典学习的视频目标跟踪鲁棒算法。采用字典编码方式提取目标的局部区域描述符,随后通过训练分类器将跟踪问题转化为背景和前景分类问题,最终通过粒子滤波对物体位置进行估计实现跟踪。该算法能够有效解决由于光照变化、背景复杂、快速运动、遮挡产生的跟踪困难。经过不同图像序列的实验对比表明,与现有方法相比,本文算法的鲁棒性较高。     

稀疏表示的Lucas-Kanade目标跟踪

提出一种新的目标跟踪算法,将稀疏表示应用于LK(Lucas-Kanade)图像配准框架.通过最小化校准误差的L1范数来求解目标的状态参数,从而实现对目标的准确跟踪.对目标同时建立两个外观模型:动态字典和静态模板,其中动态模型由动态字典的稀疏表示来描述目标外观.为了解决由于动态字典不断更新造成的跟踪漂移问题,一个两阶段迭代机制被采用.两个阶段所采用的目标模型分别为动态字典和静态模板.大量的实验结果表明,本文算法能有效应对外观变化、局部遮挡、光照变化等挑战,同时具有较好的实时性.     

基于KCF跟踪算法的目标轨迹记录系统

为了确保跟踪算法能够实时跟踪上高速移动的目标并且记录目标的三维坐标.本系统使用了一种基于KCF（Kernelized Correlation Filters）的高速跟踪算法来保证系统能够跟踪到移动速度较快的目标.首先,使用KCF跟踪算法来跟踪目标;然后,利用ORB特征点检测来计算目标特征点从而找到多摄像机中对应的点,找到对应点之后利用多摄像机的三维重建原理计算出每一帧中目标物体的三维坐标点;最后,用多项式对每一帧运动轨迹的离散点进行拟合得到最终的运行轨迹.实验结果证明该算法能够有效跟踪目标,整个系统能够满足实际的需求.     

一种基于改进型PN学习的在线长时目标跟踪算法

文中主要讨论针对未知目标的长时跟踪问题。在一帧图像中,目标是由其位置和外观表征的;在连续的视频帧中,需要确定出每一帧中目标的位置和外观特征或者在某一帧中标识出目标是不可见的。因此对PN半监督机器学习算法进行改进,并在此基础上整合模板匹配技术、背景抽离技术和主成分分析技术,提出一种基于检测的在线长时目标跟踪算法。针对该跟踪算法详细阐述了其跟踪架构和算法执行流程,并精心筛选出5个测试视频流。实验结果表明,该跟踪算法具有较强的适应能力和跟踪能力。     

一种基于粒子群优化的目标跟踪特征选择算法

针对复杂背景下的运动目标跟踪特征选择问题,提出了一种基于粒子群优化的目标跟踪特征选择算法。假设具有目标与背景间最好可分离性的特征为最好的跟踪特征。通过构建目标与背景的图像特征分布方差的比值函数作为衡量目标与背景间的可分离性判据。使用粒子群优化算法优化不同的特征组合实时获取最优的目标跟踪特征。为验证该算法的有效性,将选择的最优特征与一种基于核的跟踪算法相结合进行跟踪实验。实验结果表明,算法能有效提高传统基于核的跟踪算法对于复杂场景下的运动目标跟踪的鲁棒性与准确性。     

一种基于背景加权的多特征融合目标跟踪算法

针对均值漂移(MS)目标跟踪算法受背景环境变化干扰较大的问题,提出一种基于背景加权的多特征融合目标跟踪算法BWMMS。引入基于目标模型与目标周围背景模型差分的加权函数,细化各像素对准确描述目标的重要程度,从而提高目标模板的分辨能力。结合颜色与纹理特征进行目标跟踪,构建基于目标和目标背景区域的特征自适应融合机制,使BWMMS算法能够根据跟踪场景变化自适应调整颜色与纹理特征的权值。实验结果表明,与MS算法、HRBW算法相比,该算法对环境变化的适应性较好,能取得更鲁棒的跟踪结果,且跟踪成功率高达94.84%。     

均值漂移跟踪的双模板更新算法*

针对均值漂移算法缺少必要的模板更新方法的缺点,提出了一种基于双模板判定的更新算法。该算法首先通过分析目标特征与背景特征的相对大小,设计了加权函数分别对前景和背景特征进行加权;然后在此基础上引入背景模板并构造双模板,通过对候选目标与双模板相似度系数的综合分析,可以准确判定跟踪状态及干扰产生的原因,以采取相应的模板更新策略。实验表明,该算法可以有效地增强均值漂移算法在目标姿态变化、前景遮挡等复杂条件下的跟踪效果,具有较好的跟踪稳健性。     

利用增广拉格朗日乘子的鲁棒跟踪算子

针对视频目标鲁棒跟踪问题,提出了一种基于稀疏表示的生成式算法。首先提取特征构建目标和背景模板,并利用随机抽样获得足够多的候选目标状态;然后利用多任务反向稀疏表示算法得到稀疏系数矢量构造相似度测量图,这里引入了增广拉格朗日乘子(ALM)算法解决L₁-min难题;最后从相似度图中使用加性池运算提取判别信息选择与目标模板相似度最高并与背景模板相似度最小的候选目标状态作为跟踪结果,该算法是在贝叶斯滤波框架下实现的。为了适应跟踪过程中目标外观由于光照变化、遮挡、复杂背景以及运动模糊等场景引起的变化,制定了简单却有效的更新机制,对目标和背景模板进行更新。对仿真结果的定性和定量评估均表明与其他跟踪算法相比,所提算法的跟踪准确性和稳定性有了一定的提高,能有效地解决光照和尺度变化、遮挡、复杂背景等场景的跟踪难题。     

加权局部特征结合判别式字典的目标跟踪

目的 当前大多数基于稀疏表示的跟踪方法只考虑全局特征或局部特征的最小重构误差,没有充分利用稀疏编码系数,或者忽略了字典判别性的作用,尤其当目标被相似物遮挡时,往往会导致跟踪目标丢失。针对上述问题,提出一种新的基于判别式字典和加权局部特征的稀疏外观模型(SPAM-DDWF)跟踪算法。方法 首先利用Fisher准则学习判别式字典,对提取的局部特征进行结构性分析来区分目标和背景,其次,提出一种新的基于加权的相似性度量方法来处理遮挡问题,从而提高跟踪的精确度。此外,基于重构系数的权重更新策略,使算法能更好地适应跟踪目标的外观变化,并降低了遮挡发生时跟踪漂移的概率。结果 在多个基准图像序列上,与多种流行方法对比,本文算法在光照变化、复杂背景、遮挡等场景中保持较高的跟踪成功率与较低的漂移误差。平均成功率和漂移误差分别为76.8%和3.7。结论 实验结果表明,本文算法具有较好的有效性和鲁棒性,尤其在目标被相似物遮挡的情况下,也能较准确地跟踪到目标。     

Discriminative multi-task objects tracking with active feature selection and drift correction

In this paper, we propose a discriminative multi-task objects tracking method with active feature selection and drift correction. The developed method formulates object tracking in a particle filter framework as multi-Task discriminative tracking. As opposed to generative methods that handle particles separately, the proposed method learns the representation of all the particles jointly and the corresponding coefficients are similar. The tracking algorithm starts from the active feature selection scheme, which adaptively chooses suitable number of discriminative features from the tracked target and background in the dynamic environment. Based on the selected feature space, the discriminative dictionary is constructed and updated dynamically. Only a few of them are used to represent all the particles at each frame. In other words, all the particles share the same dictionary templates and their representations are obtained jointly by discriminative multi-task learning. The particle that has the highest similarity with the dictionary templates is selected as the next tracked target state. This jointly sparsity and discriminative learning can exploit the relationship between particles and improve tracking performance. To alleviate the visual drift problem encountered in object tracking, a two-stage particle filtering algorithm is proposed to complete drift correction and exploit both the ground truth information of the first frame and observations obtained online from the current frame. Experimental evaluations on challenging sequences demonstrate the effectiveness, accuracy and robustness of the proposed tracker in comparison with state-of-the-art algorithms.     

部件级表观模型的目标跟踪方法

因受遮挡、运动模糊、剧烈形变等因素的影响,稳定且准确的目标跟踪是当前计算机视觉研究领域重要挑战之一.首先采用中层视觉线索的超像素描述目标/背景的部件,以部件颜色直方图作为其特征,并通过聚类部件库的特征集构建初始表观模型,部件表达的局部性和灵活性使该模型能够准确描述目标/背景;然后,利用贝叶斯滤波模型计算目标框的初始状态,并提出相似物体干扰的检测和处理算法以避免跟踪漂移,得到更健壮的结果;最后,为了减弱形变、遮挡、模糊对表观模型的影响以更好地保持目标特征,提出一种基于部件库的特征补集的在线表观模型更新算法,根据部件变化实时反映目标/背景的变化情况.在多个具有跟踪挑战的视频序列上的实验结果表明(共12个视频序列):与现有跟踪方法相比,该算法跟踪结果的中心误差更小,成功帧数更多,能够更准确并稳定、有效地跟踪目标物体.     

基于二值掩码图像的粒子滤波目标跟踪快速算法

粒子滤波算法是进行运动目标跟踪的一种重要方法。针对传统粒子滤波算法在进行目标跟踪时存在的计算量大、实时性不足的问题,提出一种基于二值掩码图像的粒子滤波目标跟踪快速算法。该算法在传统粒子滤波算法的每个帧处理阶段产生二值掩码图像,再结合权重选择方法移除背景中权重较小的粒子,保留权重较大的重要粒子。提出的算法可以有效减少参与计算的粒子数目,节约算法的计算成本,从而提高目标跟踪的实时性。与传统粒子滤波算法进行比较,实验结果表明,提出的算法不仅能够有效地提高跟踪速度,而且跟踪结果的准确性和鲁棒性也有所增强。     

具备重检测机制的融合特征视觉跟踪算法

结合图像梯度特征和颜色特征,在相关滤波器跟踪框架基础上,提出一种改进的 视觉跟踪算法。对颜色特征进行统计建模,结合由稠密目标后验概率积分得到的目标置信积分 和梯度特征相关滤波输出作目标跟踪。同时,还对目标跟踪的结果作质量评估,在跟踪质量非 可靠时启动目标重检测过程,采用基于稠密目标后验概率的置信积分来确定备选目标。对跟踪 质量不可靠且未重检测到可靠目标的视频帧,不进行跟踪模型的在线更新。实验表明,该算法 可以有效避免因遮掩等原因而引起的跟踪不可靠和模型漂移的问题,跟踪性能和几个主流的相 关滤波类跟踪器相比有明显改善。     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

结合背景空间信息的相关滤波目标跟踪算法研究

目标检测跟踪算法在智能监控和人机交互中有着广泛的应用,而复杂场景下的跟踪技术研究在计算机视觉领域中具有重要的理论意义和商业价值。为解决复杂场景(光照变化、尺度变化、遮挡等)中由于主客观因素变化所导致的目标漂移问题,采集目标区域相邻的背景图像块来获得更多的背景特征,并将背景图像块添加到目标函数中来实现对目标图像块的限制。将结合了背景空间信息的方法集成到相关滤波器框架上,在现有公开数据集上进行实验。实验结果表明,在一些复杂场景下的跟踪效果得到了改善和提高,能够在不影响帧率的情况下,有效提高目标跟踪的成功率和准确性,优于其他相关滤波跟踪器。     

一种结合空间信息和稀疏字典优化的目标跟踪算法

针对复杂场景中目标表观变化引起的跟踪漂移问题, 提出一种新的基于稀疏表示的目标跟踪算法. 该算法通过稀疏性和空间相关性正则约束得到一种优化的目标代价函数, 利用拉格朗日对偶理论和加速近端梯度方法完成字典优化, 并利用最大池化理论和空间金字塔方法得到降维的且包含更多空间信息的目标模板系数和候选样本系数. 实验结果表明, 所提出的算法在背景干扰、光照变化、形变、运动模糊、严重遮挡等多种复杂场景中都能取得较为鲁棒的跟踪效果.