基于变尺度全局搜索的运动目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出一种基于变尺度全局搜索的运动目标跟踪算法。首先对于没有发生严重遮挡运动目标,采用MS算法实现目标跟踪,然后当目标受到严重遮挡时,通过全局搜索策略缩小搜索窗尺度,逐渐逼近跟踪目标,实现对目标准确跟踪,最后采用多个实验对算法的性能仿真测试。仿真结果表明,相对其它的目标跟踪算法,本文算法不仅提高了运动目标的跟踪精度,而且加快运动目标跟踪速度,尤其对于严重遮挡目标跟踪问题,具有十分明显的优势,具有较强的鲁棒性。     

基于色彩局域搜索的彩色目标快速跟踪方法

提出了一种基于色彩局域搜索的彩色目标快速跟踪方法。该色彩搜索法是利用目标特征色在目标跟踪点附近搜索目标，而无需对整幅图像地行搜索。其图像处理速度不受图像尺度的影响，因而实时跟踪速度大大提高。实验结果得出：该方法的跟踪速度可达到18．45frames／s，跟踪效率为73．8％。     

基于截断正态概率密度模型的机动目标自适应跟踪算法

针对Singer模型算法中假设的不合理性,提出了基于截断正态概率密度模型的机动目标跟踪算法,给出了非零时间相关模型及目标加速度的截断正态概率密度模型,并结合Kalman滤波算法得出目标加速度的截断正态概率密度模型的自适应滤波系统流程图,最后针对实际目标机动情况对其进行仿真计算,结果验证了该算法的良好跟踪性能。     

一种基于均值移位的红外目标跟踪新方法

均值移位算法是一种搜索与样本点分布最相近模式的非参数统计方法．在彩色序列图像目标跟踪中,均值移位算法是一种有效的方法．但在红外目标跟踪中,由于单一灰度特征空间缺乏描述红外目标的信息,使得基于均值移位算法的红外目标跟踪不稳健．为了克服这个缺点,提出了构造级联灰度空间的红外目标跟踪新方案．同时,对于不同的红外图像序列使用不同的方法产生级联灰度空间．实验结果表明该方法对于红外小目标以及强杂波背景目标的跟踪是有效和稳健的．     

一种基于概率密度传播的目标跟踪算法

该文提出一种解决非线性、非高斯条件下目标跟踪问题的新方法,在贝叶斯框架下通过连续概率密度传播实现目标跟踪。采用高斯混合模型表征目标先验分布、后验分布及观察似然函数,利用无迹变换实现目标位置的非线性预测,通过拟合方法获得后验分布,同时,将后验分布各模式的加权质心作为目标的位置估计。仿真结果表明,该算法可以很好地解决大噪声环境下基于无线传感器网络的目标跟踪问题。     

基于自适应多特征融合的均值迁移红外目标跟踪

针对采用单一特征跟踪鲁棒性不高的问题,该文提出一种自适应多特征融合均值迁移红外目标跟踪算法。为了增强对目标的表征能力,对局部均值对比度算法进行改进,利用局部均值对比度和灰度特征表征目标。在特征融合中引入特征不确定度量方法,自适应调整不同特征对跟踪结果的贡献,有效地提高均值迁移算法的鲁棒性。为了进一步提高对尺度变化目标的跟踪性能,采取尺度算子更新跟踪窗的大小。实验结果表明,该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

一种融合Kalman预测和Mean-shift搜索的视频运动目标跟踪新方法

简要介绍Kalman滤波跟踪和Mean-shift跟踪并分析其优缺点,在此基础上提出一种融合Kalman预测和Mean-shift搜索的运动目标跟踪新方法.该方法利用Kalman滤波估计出运动目标在下一帧中最可能的出现位置,利用Mean-shift方法据此进行较小范围的搜索和目标匹配,从而可用较小的运算量获得较为可靠的跟踪效果,并适应较复杂的场景.实验结果证明了该算法的有效性.     

红外搜索跟踪系统对机动目标的跟踪算法研究

红外搜索跟踪系统(IRST)只能得到目标的角度,目标的精确三维运动方程难以建立,因此对机动目标进行跟踪尤为困难.提出了适合红外搜索跟踪系统的纯角度交互式多模型(IMM)定向跟踪算法,并和基于单一模型的卡尔曼滤波做了仿真对比,仿真结果表明了所提出的算法较卡尔曼滤波在性能上有很大提高,能够很好地跟踪机动目标.     

基于粒子滤波与局部搜索的视频目标跟踪

为了提高视频目标跟踪的鲁棒性和准确性,本文提出了基于局部搜索(Local Search)和粒子滤波(Particle Filter)相结合的视频目标跟踪方法——LSPF(Local Search Particle Filter)算法.利用粒子滤波得到样本的权值后,将局部搜索用于每一个粒子,使权值小的粒子收敛于邻近的权值较大的粒子处,有效克服了传统PF算法的粒子退化问题.实验结果表明,传统PF算法平均跟踪误差为10.89,而本文提出的LSPF算法平均跟踪误差仅为3.49,在跟踪性能上有了很大改善.尤其当目标受到干扰时,LSPF算法仍能实现对目标的准确跟踪,为稳定跟踪提供了有利保障.     

基于全局运动补偿的红外目标变换相关跟踪算法

提出了一种新的前视红外序列图像目标跟踪方法.利用基于区域分割和模板匹配的全局补偿算法进行运动估计,有效消除了运动平台中摄像机运动对跟踪性能带来的不利影响.同时,采用二元联合变换相关器进行红外目标的检测与跟踪.通过将振幅调制的功率谱转化为脉冲调制的功率谱,可以获得更清晰尖锐的相关峰,提高了算法的鲁棒性.实验结果表明,该方法是有效的和稳健的.     

一种红外和可见光双通道视频目标跟踪方法

室外场景下由于场景背景条件变化容易导致视频目标跟踪稳定性差。该文提出一种利用红外和可见光传感器的双通道视频目标跟踪方法。该算法利用可见光图像的目标颜色特征和红外图像的目标轮廓特征,结合均值漂移算法与水平集曲线演化实现目标定位,并给出了目标尺度和模板更新方法;对多目标跟踪的互相遮挡问题,通过判断目标合并与分离实现遮挡时多个目标的定位。实验结果表明,该文方法能够有效处理光照变化、阴影、遮挡等情况,实现目标的稳定跟踪。     

基于各向异性核函数的均值漂移跟踪算法

均值漂移算法是一种将迭代轨迹滑向局部邻域内均值的迭代算法,已应用于目标跟踪领域。传统的均值漂移算法通常采用各向同性核函数进行跟踪,但视频序列中的跟踪目标的结构随时间而变化,尤其当目标结构快速变化时,基于各向同性核函数的均值漂移跟踪算法常常会导致目标的丢失。该文采用各向异性核函数均值漂移算法实现目标跟踪,由于该核函数的形状、大小、方向能自适应于目标局部结构的变化,保证了跟踪效果的稳定性和鲁棒性。实验结果证明该算法是有效的。     

融合局部三值数量和色度信息的均值漂移跟踪

该文提出了局部三值数量(Local Ternary Number, LTN)这一新的局部显著性纹理算子,并将其与色度信息相结合得到一种新的目标跟踪方法。该方法充分利用目标像素与其八邻域像素灰度值的大小关系,将局部显著性算子 (Local Similarity Number, LSN)加以拓展,设计了局部三值数量这一新的局部显著性纹理算子,该算子能区分目标像素在同一局部显著度下的不同纹理结构;LTN掩膜提取边缘、线和角点上关键像素以提高纹理特征的区分能力,同时能够较完整地保留目标信息;在此基础上,将掩膜内目标像素的LTN特征与色度信息融合生成一种新的目标模型,并嵌入到均值漂移(Mean Shift, MS)框架完成目标的跟踪。实验结果表明,该文提出的目标跟踪方法在场景中存在相似颜色和光照变化干扰的情况下,仍能持续准确地实现目标的定位,提高了传统均值漂移跟踪算法的性能。     

引入全局上下文特征模块的DenseNet孪生网络目标跟踪

近年来,采用孪生网络提取深度特征的方法由于其较好的跟踪精度和速度,成为目标跟踪领域的研究热点之一,但传统的孪生网络并未提取目标较深层特征来保持泛化性能,并且大多数孪生网络只提取局部领域特征,这使得模型对于外观变化是非鲁棒和局部的。针对此,该文提出一种引入全局上下文特征模块的DenseNet孪生网络目标跟踪算法。该文创新性地将DenseNet网络作为孪生网络骨干,采用一种新的密集型特征重用连接网络设计方案,在构建更深层网络的同时减少了层之间的参数量,提高了算法的性能,此外,为应对目标跟踪过程中的外观变化,该文将全局上下文特征模块(GC-Model)嵌入孪生网络分支,提升算法跟踪精度。在VOT2017和OTB50数据集上的实验结果表明,与当前较为主流的算法相比,该文算法在跟踪精度和鲁棒性上有明显优势,在尺度变化、低分辨率、遮挡等情况下具有良好的跟踪效果,且达到实时跟踪要求。

     

一种对光照具有鲁棒性的人脸跟踪算法

在经典Mean Shift跟踪算法框架中,颜色是一种有效的视觉特征。但在实际跟踪过程中,光照、角度、摄像机位置等的变化会极大地削弱颜色特征的有效性,从而造成跟踪的不稳定。本文提出了一种对光照变化具有鲁棒性的Mean Shift人脸跟踪算法。首先,对光照对目标特征域的影响进行建模分析,然后根据分析结果将高斯截断核函数引入到目标概率密度函数中以减小光照变化对目标跟踪的影响,最后将新的目标概率密度函数纳入到Mean Shift跟踪算法框架中。实验仿真结果表明,本文算法在光照剧烈变化的情况下,对人脸的跟踪具有很好的鲁棒性。      

基于时间一致性约束的核互相关器目标跟踪

针对相关滤波器跟踪算法在目标快速运动、遮挡和表观变化时易发生跟踪漂移或者丢失的问题,提出一种基于时间一致性和核互相关器的目标跟踪算法。该算法通过引入对图像噪声和杂波更具鲁棒性的核互相关向量,能够更精确地预测目标的仿射变化。同时,在学习过程中引入时间一致性约束,以解决因核相关器时间退化导致的跟踪漂移问题。最后,采用主灰度分量逆映射来提升跟踪器应对目标部分遮挡的能力。在公开的OTB100标准目标跟踪数据集中与提供的基准算法和其他性能更加先进的相关滤波算法进行对比,该算法平均跟踪速度为41f/s,相对fDSST和SAMF算法,其跟踪精度分别提升15.6%和6.4%,跟踪成功率分别提升33.3%和6.1%。实验结果表明,该算法在目标快速运动、遮挡或表观变化时仍能精确地跟踪目标。     

基于背景建模和动态分块的目标跟踪

MeanShift算法在做目标跟踪时不能解决混乱背景和严重的局部遮挡的问题。因此,本文提出了一种新的目标跟踪算法来解决这两个问题。该算法首先利用最大化后验概率在MeanShift跟踪框架内融入背景信息,然后在跟踪过程中根据候选区域和模板区域的相似度结合空间金字塔技术对目标进行动态分块,使得目标能够克服背景的干扰并保留一定的几何结构信息。实验结果表明,相比于MeanShift算法,新提出的算法能够克服混乱背景和严重的局部遮挡,有效地跟踪目标。     

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%。     

利用结构模板对运动目标进行跟踪

该文提出了一种运动目标的两步跟踪算法。该算法首先利用形态学方法得到目标的结构模板,再利用结构模板完成对目标的跟踪。结构模板由目标图像中能够反映目标基本结构信息的稳定的边缘和交叉点构成。跟踪过程分为两步:第一步先把结构模板调整到要跟踪的目标附近;第二步作精细调整使结构模板发生形变,收敛到目标图像中的交叉点和边缘处。由于在跟踪过程中考虑了目标的整体结构信息,利用这种方法可以大大提高跟踪的稳定性。