改进Camshift算法的DSP硬件实现目标跟踪方法

针对Camshift算法只对前一帧预测而导致的目标像素脱靶现象,以及目标像素在帧间位移较大的问题,本文提出一种改进Camshift算法的目标跟踪方法.该算法将加权背景直方图和贪心算法融入Camshift算法,利用贪心算法对前两帧图像信息进行处理,预测出目标在当前帧图像中的位置,再根据目标颜色概率,用Camshift算法找到目标的真实位置,最后在TMS320DM642(数字媒体应用的定点DSP)上对该文算法进行硬件系统的实现,并使用EDMA(增强型直接内存访问)方式和Cache技术对系统进行优化.实验结果表明,与传统Camshift算法相比,该文方法在背景与目标相近的情况下跟踪效果更佳,具有很好的鲁棒性和稳定性,适用于复杂环境下的目标跟踪.在系统实现上,优化后的系统平均帧率提升在3帧/s以上,增强了算法的速度.     

结合自适应特征选择和蕨类分类器的相关滤波跟踪算法

为解决基于核相关滤波架构的跟踪算法所采用的线性插值模型更新策略无法应对目标外观突变的问题,提出一种结合自适应特征选择和蕨类分类器的目标跟踪算法(DRDCF)。首先对提取的多层目标特征层进行主成分分析降维以抽取有用的特征层;其次,采用每帧均对模板固定更新的进取型滤波器结合满足门限条件才进行更新的保守型滤波器定位目标,将进取型滤波器用于预测目标的下一帧位置,将保守型滤波器用于计算进取型滤波器以及检测器产生的预测位置的可靠性;当进取型滤波器预测位置不可靠时,检测器产生预测位置,最后通过对比两者预测位置的可靠性择优确定目标最佳预测位置。实验结果表明,DRDCF算法可以有效解决目标突变所造成的模型污染以及跟踪失败问题,在OTB2015数据集上精度及覆盖率两项指标相较于结合通道和空间约束的相关滤波算法分别提升了2.78%和4.26%,达到前沿算法的效果。     

无人机视角下的特征匹配引导粒子滤波跟踪算法

粒子滤波(particle filter, PF)算法被广泛应用于视觉目标的跟踪,然而,在无人机视角下,摄像机与画面中的目标同时运动,导致了PF对目标运动状态的预测失效.针对此问题,提出一种面向无人机视角下的改进的粒子滤波跟踪算法——特征匹配引导的粒子滤波跟踪算法.首先,利用相邻两帧图像中目标物体尺度不变特征变换(scale invariant feature transform, SIFT)特征匹配的结果作为初次定位;然后,利用空间加权的HOG特征与PF相结合获取二次定位结果;最后,利用chamfer distance修正跟踪结果的SIFT特征点作为下一帧特征匹配的模板,从而循环产生准确的视频跟踪结果.比较试验表明,该算法有效地改善了传统PF跟踪算法在无人机视角下运动状态预测方程失效的问题,能够较准确地对运动目标进行跟踪.     

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.     

基于深度学习的视觉目标跟踪算法

提出一种基于深度学习的视觉单目标跟踪方法.该方法在统一的网络框架下处理在线视觉单目标跟踪问题,在获取输入视频帧的基础上,通过结合贝叶斯损耗层的深度卷积神经网络来估计正负样本集的概率密度分布并计算出所有目标候选位置的得分,继而利用贝叶斯分类确认目标位置.针对正样本集个数有限的问题,该网络采用先对通用的目标特征进行预离线训练,然后通过多个步骤进行微调,在线微调主要是对每一帧中的图像外形特征进行学习.此外,该方法采用两级迭代算法自适应地更新网络参数并保持目标/非目标地区的概率密度.仿真实验表明了所提算法的有效性和可靠性.     

改进ViBe算法与Meanshift结合的目标跟踪方法

为解决视频监控系统中因光照变化、相似颜色干扰及快速动目标而导致的目标易丢失问题,提出一种改进ViBe算法与Meanshift结合的目标跟踪方法。首先采用三帧差分和ViBe算法结合进行前景目标提取和检测,以消除鬼影的干扰,利用色度特征和梯度特征相结合的方法来抑制阴影;同时通过将边缘特征融入到Meanshift算法中,引入运动矢量在当前帧中预测下一帧运动目标的位置,实现场面监视环境中运动目标的持续、准确跟踪。通过在监控视频中行人、车辆及飞行器等不同场面目标做实验,验证了本文方法不仅能够持续、准确地跟踪运动目标,并且可适用于场面雾天低能见度条件下的运动目标跟踪。     

基于Kalman滤波和改进的MeanShift算法的目标跟踪

MeanShift算法因为简单性和稳定性在目标跟踪中得到广泛应用,但是当目标和背景的颜色模型比较接近时,传统的MeanShift算法由于缺少空间信息,且经典的相似性度量函数不易区别,导致跟踪失败。为了克服上述缺点,采用基于空间颜色特征和新的相似性度量的MeanShift算法,并提出一种融合Kalman滤波器和改进的MeanShift算法的目标跟踪方法。首先,利用改进的MeanShift算法计算出当前帧中目标的准确位置,然后使用Kalman滤波器去预测下一个初始搜索位置,用于下一帧中MeanShift迭代,最后实现对目标的跟踪。实验结果表明,该算法可以准确地跟踪目标,并且跟踪的准确率优于传统的MeanShift算法或者Kalman和传统Meanshift的融合算法。     

基于卡尔曼滤波改进压缩感知算法的车辆目标跟踪

针对传统的基于压缩感知技术的目标跟踪算法存在的跟踪漂移问题，提出了一种采用改进压缩感知算法和卡尔曼滤波方法相结合的车辆目标跟踪算法. 首先，通过传统压缩感知目标跟踪算法识别出本帧目标存在概率最大的区域得到观测值； 其次，利用卡尔曼滤波预测本帧的跟踪轨迹得到预测值，通过卡尔曼滤波增益系数对预测值与观测值进行修正，获得最终目标跟踪结果； 最后，在修正后的目标区域周围进行正负样本采样以实现朴素贝叶斯分类器更新，进而实现目标跟踪轨迹的实时更新. 通过实验室试验以及野外实测验证了所提方法的可行性，相较于基于压缩感知技术的目标跟踪算法，本文所提方法的跟踪结果平均误差分别降低了48%和89%，跟踪轨迹更加趋近车辆真实运动轨迹.     

基于单类SVM 和加权多示例采样方法的目标跟踪算法

基于分类的跟踪算法成为当前目标跟踪的研究热点.首先把跟踪问题看成是一个目标和背景的二分类问题,根据每一帧的正负样本数据训练SVM分类器,通过分类器的分类概率值确定目标位置.然而,采集正负样本边界的那些样本很容易出现异常点,当把它们作为目标的下一帧位置时将会出现严重的跟踪漂移问题.本文在此基础上提出一种基于单类支持向量机(One-class support vector machine)的目标跟踪算法,基于One-class SVM分类能有效地排除其他类的干扰,有效地防止异常样本的出现.并结合加权多示例采样方法,使得每个采样样本会根据不同的权值对于分类器的贡献而不同.实验结果表明本文改进跟踪方法的鲁棒性.     

联合多颜色直方图的Camshift行人跟踪算法

针对目标容易受背景干扰或局部的、不完全遮挡时Camshift算法易产生局部最大值导致丢失目标的问题。通过人体姿态估计算法检测到行人边界框和关节点位置,依据的关节点位置提取行人的身体部分,进而得到局部颜色直方图;通过行人边界框,计算全局直方图均衡化;利用行人间局部直方图的相似性得分,预测下一帧中目标行人可能的位置,并以此确定Camshift算法的搜索区域。通过实验证明,改进后的算法可以更好地跟踪行人。     

基于相关滤波和卷积神经网络的目标跟踪算法

在目标跟踪系统中,获得目标的良好表征是确定目标跟踪性能的关键,因此提出一种基于相关滤波和卷积神经网络的目标跟踪算法;该算法首先在各视频场景内预先选定可清晰区分目标外观的参考区域块用以构造训练样本,并构建了两路不完全对称但权值共享的卷积神经网络;该卷积神经网络使得参考区域外目标的输出特征尽可能与参考区域内目标的输出特征相似,以便于获得参考区域内目标的良好表征,并在其中一路加入了相关滤波模块,实现了卷积网络与相关滤波的结合;实验结果验证了该算法的可行性。     

基于视觉的水面背景下目标检测与跟踪算法

为解决清漂船在复杂水面背景下对漂浮物体积较小或被遮挡的检测与跟踪问题,提出了一种基于视觉的水面背景下目标检测与跟踪算法,通过利用YOLO改进的多粒度特征融合方法使得模型在最终检测时所提取的特征向量考虑更多底层的特征,并引入K邻域搜索感兴趣区域模块,与长短期记忆神经网络(LSTM) 相结合,弥补了卷积神经网络的时序关联性差的缺陷,根据目标当前帧语义特征和运动特征预测下一帧中目标所在位置,能够更快的提取目标的特征,并且有效的去除复杂背景的干扰。实验结果表明：该算法的跟踪平均成功率、平均准确率和平均速度分别为57.1%、71.1%、45.4fps。较好解决因被检测目标过小的问题,提升在跟踪目标被遮挡的情况下的跟踪性能。     

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。     

基于模板更新的深层孪生网络跟踪算法

针对跟踪过程中因尺度变化、遮挡及运动模糊等造成的目标定位不准确问题,在SiamFC(fully-convolutional siamese network)的跟踪框架基础上提出了一种具有高置信度模板更新机制的深层孪生网络目标跟踪算法.首先,主干网络采用ResNet-50残差网络进行特征提取,并融合多层特征图进行目标预测;其次,为避免模板频繁更新带来的模板漂移问题,构建了高置信度的模板更新模块.在OTB100数据集上的实验结果表明,相比基准算法,文中算法的跟踪成功率和精确度分别提高了3.4%和2.6%;在多种挑战因素下的对比实验表明,文中算法可以较好地抵抗目标遮挡、尺度变化、运动模糊等多种复杂因素带来的影响,有很好的鲁棒性.     

选择性搜索和多深度学习模型融合的目标跟踪

提出一种基于深度学习的多模型(卷积神经网络和卷积深信度网络)融合目标跟踪算法.该算法在提取候选粒子方面,使用选择性搜索和粒子滤波的方法.CVPR2013跟踪评价指标(50个视频序列、30个跟踪算法)验证了:该算法在跟踪中能有效地缓解目标物体由于遮挡、光照变化和尺度变化等因素造成的跟踪丢失情况的发生.     

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.      

基于轻量卷积神经网络的目标跟踪改进算法

针对现有目标跟踪算法在跟踪过程中遇到目标形变、遮挡等干扰属性导致不能对目标进行有效跟踪的问题，提出一种基于轻量卷积神经网络（lightweight convolutional neural network,LWCN）的目标跟踪改进算法。首先利用改进的卷积神经网络对模板图片和跟踪图片进行特征提取，并将不同层次的特征图充分利用，解决了随着网络加深而导致部分特征丢失问题；其次融合CN特征和HOG特征作为相关滤波器中目标特征表达，增强在不同干扰属性下的目标描述能力；再次通过最大响应值对当前目标位置和目标尺度进行判断，并决定是否更新滤波器模板；最后将LWCN算法与其他算法在OTB50、OTB100、UAV123等数据集上进行性能对比实验。实验结果表明，LWCN算法具有较好的稳定性和实时性，并在遇到形变、遮挡、光线和背景变化时，跟踪结果优于大部分算法。     

利用卷积神经网络的显著性区域预测方法

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题,提出2种卷积神经网络,即从头开始训练的浅层卷积神经网络,以及前三层源自另一个网络的深层卷积神经网络。其中,浅层网络结构简单,可避免过拟合问题;深层网络可以充分利用最底层的模型参数,收敛更快,效果更好。所提卷积神经网络应用于回归问题,均没有直接训练特征图的线性模型,而是在迁移层上训练了一堆新的卷积层。从端到端的角度解决显著性预测,将学习过程演化为损失函数的最小化问题。测试和训练在SALICON,SUN和MIT300数据集上进行,实验结果验证了所提方法的有效性。其中,深层网络和浅层网络在SALICON和SUN数据上的结果相似,深层网络在MIT300上的结果更优,与其他方法相比,所提方法具有不错的表现,而且具有跨数据集的鲁棒性。     

基于深度学习的反无人机预警神经网络

为解决传统雷达探测设备面对"低小慢"无人机时产生的难检测与易突防问题,通过深度卷积神经网络对空中无人机进行实时识别,提取目标的类别与像空间位置信息;根据无人机像空间位置在时域下的变化趋势,绘制无人机飞行映射轨迹;利用长短期记忆网络对飞行映射轨迹进行预测,获取无人机在未来时域内的预测航迹方向,实现对无人机的预警跟踪、实时检测与轨迹推断。结果表明,所提出的算法中目标识别平均准确率可达到82%,轨迹预测平均准确率可达到80%计算速度可达到24帧/秒,可见能够在地基计算平台下对空中无人机进行实时精确预警,可以有效地防止识别领空内的非合作无人机渗透与突防。