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.     

一种融合深度信息的视频目标压缩跟踪算法

针对复杂环境下单一特征在跟踪过程中易造成准确率下降和鲁棒性差的问题,提出一种融合深度信息的视频目标压缩跟踪算法。利用压缩感知理论分别提取目标灰度图像和对应深度图像的正负样本压缩特征,通过特征训练弱分类器,利用马氏距离赋予弱分类器权值,加权组合为强分类器,实现目标的多特征融合,视目标跟踪为一个二分类问题,确定目标跟踪结果。使用由粗到细的搜索策略减小计算复杂度。实验结果表明,该算法跟踪目标平均中心位置误差为9. 95像素,平均成功帧率可达96%,算法保持实时性的同时对视频目标运动遭遇的部分遮挡、姿态变化、光照变化以及相似物干扰等情况下的跟踪均具有较好的效果。     

一种采用排名机制的分块在线压缩跟踪算法

基于分类学习的目标跟踪在面对环境中光照变化、目标姿态变化以及遮挡等复杂环境下容易出现漂移问题,为此提出一种基于分类器融合的压缩感知目标跟踪算法。使用压缩感知理论分块提取目标压缩特征,根据贝叶斯后验概率对特征进行筛选以构建目标模型,并提出一种二阶段样本搜索方法,通过粗搜索缩小样本的搜索范围,利用基于分类器排名的细搜索方法精确地找到目标的位置。实验表明,该算法与当前主要的算法相比具有较高的跟踪精度,以及良好的鲁棒性和实时性。     

基于改进的TLD算法的手势跟踪算法

该文在分析表征手势特征基础上,分别根据金字塔LK原理、FERN分类原理和P-N学习原理及手运动轨迹的连续性规律来研究适用于手势识别的关键技术,即手势目标跟踪技术、P-N学习的样本增长和修剪技术的算法。针对目前在手的局部区域跟踪过程中,手势目标跟踪失败后难以恢复和容易受到脸部、肤色和手臂的干扰等问题,该文在TLD单目标跟踪算法的基础上,提出了一种改进的多目标手势局部区域跟踪TLD算法,针对算法的检测模块,在FERN分类器的基础上,采用颜色特征相交系数的方法,改进FERN分类器的第一级方差分类器;还提出一种自适应坐标系的方法,缩小了检测模块扫描窗口的滑动区域。通过仿真实验证明,相对于原算法,这一改进算法在客观评价指标和主观视觉效果上都有明显提高。     

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.     

结合运动矢量的分权快速压缩跟踪算法

针对跟踪过程中目标移动过快产生跟踪漂移问题,提出一种结合超像素运动矢量的候选目标位置搜寻策略;在跟踪框架内分块提取特征并根据区域分配置信权值,弱化跟踪框架内边缘背景对分类结果的干扰,提高分类器分类鲁棒性;针对当目标出现严重遮挡时,分类器仍对正负样本特征进行学习而导致的学习不准确问题,提出增加目标遮挡检测机制,避免错误分类,有效解决目标遮挡问题。实验结果表明:提出的算法与当前先进目标跟踪算法相比,效果较好,克服目标快速移动、目标形变、复杂背景干扰、目标遮挡、光线变化等一系列挑战性的跟踪难点,实现目标长时间有效跟踪的同时,跟踪效率满足实时性的要求。     

基于压缩感知的实时在线目标追踪

在正负样本区域随机抽取了不同尺度下图像的局部二值模式(LBP)特征,将高维的特征信息投射到低秩的压缩域,并据此建立了表观模型.使用一个随机稀疏测量矩阵来压缩前景和背景目标.将追踪问题转化成为了一个使用朴素贝叶斯分类器的二元分类问题.所提方法可以较快速、实时地在线追踪目标,同时解决了目标尺度变化、遮挡问题.     

改进的自适应核相关滤波目标跟踪

利用核相关滤波器跟踪框架,提出一种改进的自适应颜色属性的目标跟踪方法.首先,构建循环样本矩阵,引进颜色属性作为特征描述目标;然后,采用流行学习局部线性嵌入(LLE)算法自适应地对特征向量进行降维,得到低维特征空间;最后,根据正则化最小二乘分类器获得目标位置.实验结果表明:文中算法的平均中心位置误差减少了21.29 px;在阈值为20 px时,平均距离精度提高了27.9%,平均跟踪速度为38 帧·s^-1;与传统核相关滤波(KCF)算法相比,文中算法具有良好的光照不敏感性及更高的跟踪精度和鲁棒性.     

基于自适应压缩跟踪算法的视觉目标跟踪

针对压缩跟踪算法在目标发生遮挡、快速移动、有相似目标情况存在跟踪漂移的问题,提出了基于卡尔曼滤波的自适应学习压缩跟踪算法.该算法首先利用压缩跟踪算法对目标进行定位,然后根据跟踪结果的置信图对分类器参数自适应更新,当判定目标严重遮挡时,利用卡尔曼滤波进行预测估计.实验结果表明,该算法相比目前先进的算法有更好的跟踪精度和鲁棒性,且算法平均跟踪速度39帧/s,能够满足实时性的要求.     

人脸识别视频压缩感知跟踪算法

针对视频监控中移动的人脸图像光照强度不同、遮挡、快速变化等问题,本文提出一种人脸识别视频压缩感知跟踪算法.利用图像尖锐化处理突出目标图像边缘纹理,再利用矩形滤波器对人脸图像归一化处理并获取特征向量.通过压缩感知算法对目标样本和背景样本的Haar-like特征压缩,建立目标模型,训练Adaboost算法的贝叶斯级联分类器.最后根据人脸特征区分目标和背景图像,实现目标人脸图像的动态跟踪.实验结果表明,该算法能够实现视频中人脸图像移动、遮挡及光照强度不均匀、快速变化等情况下的有效跟踪.     

结合PSO的改进压缩跟踪方法

针对基于在线检测的跟踪方法中目标在多尺度空间中的搜索和匹配问题,结合粒子群优化算法(PSO)和压缩感知思想,提出一种鲁棒的多尺度目标跟踪算法.首先,通过粒子群在多尺度空间中采集样本;然后,经过压缩感知提取特征;最后,通过粒子的迭代计算,搜索出当前目标的最佳匹配位置.实验结果表明:提出的算法能较好地适应目标的多尺度变化,在快速性和鲁棒性上具有更好的性能.     

一种自适应融合颜色和梯度方向特征的粒子滤波跟踪算法

针对传统的粒子滤波通常采用单一的特征信息,会导致跟踪精度低、鲁棒性差等问题,提出一种自适应融合颜色特征和梯度方向特征的粒子滤波跟踪算法.首先提取出能够描述目标的颜色和梯度方向特征,并分别采用空间核函数加权颜色直方图和梯度方向直方图对特征进行描述,然后在跟踪过程采用民主融合策略,根据两个特征在跟踪时的可靠性,自适应的调节各自权重,最后采用融合后特征来对目标进行建模和跟踪.实验结果表明,算法能够很好地处理目标尺度缩放、旋转、光照变化等复杂环境下的跟踪问题.     

一种基于局部分类精度的概念漂移数据流分类算法

概念漂移数据流分类是一个极具挑战性的问题。当新概念出现时,该概念下的学习样本过少,无法对分类器进行及时调整,进而导致分类精度不高。为了解决该问题,本文提出一种基于局部分类精度的概念漂移数据流分类算法——LA-MS-CDC。第一,LA-MS-CDC将k-means聚类和局部分类精度算法结合,从分类器池中挑选出最优源领域分类器;第二,将最优源领域分类器与目标领域分类器加权集成,进而对样本分类;第三,根据分类样本的真实标签分别计算各分类器的损失,并对目标领域和源领域的分类器权重进行更新;第四,再利用该分类样本对目标领域分类器、最优源领域分类器进行更新;最后,完成分类器池的更新。在公开数据集上的实验结果表明,LA-MS-CDC能够有效地将源领域知识迁移到目标领域,与现有方法相比,其分类效果具有显著性提升。算法代码可在https://gitee.com/ymw12345/LAMSCDC上获取。     

基于特征金字塔模型的高分辨率遥感图像船舶目标检测

以舰船为研究对象,研究高分辨遥感图像的多尺度多目标检测中的关键技术,主要解决多尺度多目标识别和细粒度分类准确率低等问题.在目标定位方面,利用特征金字塔深度网络定位多目标区域,创建一个在所有尺度上均具有语义信息的特征金字塔,有效解决多尺度多目标数据定位准确率低这一关键问题;在目标识别方面,利用共享CNN网络重建输入图像、优化多任务损失函数提取细粒度分类目标结构特征,提高细分目标识别准确率.与GoogLeNet、Faster R-CNN和Yolo三种目标检测算法对比实验表明,利用特征金字塔和重建输入图像可有效检测多目标多尺度的细粒度船舶对象,漏检率为1.5%,细粒度分类识别平均准确率为92.67%.     

融合深度特征和FHOG特征的尺度自适应相关滤波跟踪算法

为了解决核相关滤波跟踪算法在复杂场景下跟踪效果差的问题,提出了一种融合深度特征和尺度自适应的相关滤波目标跟踪算法。首先,通过深度残差网络（ResNet）提取图像中被跟踪区域的深度特征,再提取目标区域方向梯度直方图（FHOG）特征,通过核相关滤波器学习,分别得到多个响应图,并对响应图进行加权融合,得到跟踪目标位置。其次,通过方向梯度直方图（FHOG）特征,训练一个PCA降维的尺度滤波器,实现对目标尺度的估计,使算法对目标尺度发生变化有很好的自适应能力。最后,根据响应图的峰值波动情况改进模型更新策略,引入重新检测机制,降低模型发生漂移概率,提高算法抗遮挡能力,在标准数据集OTB100中与其他7种目标跟踪算法进行比较。结果表明,相比原始KCF算法,改进后的KCF算法精准度提升了29.4%,成功率提升了25.9%。所提算法实现了对跟踪目标位置的精准估计,提高了尺度自适应能力和算法速度,增强了算法抗遮挡能力。[JP]     

一种基于聚类和AdaBoost的自适应集成算法

为同时保证基分类器的准确性和差异性, 提出一种基于聚类和AdaBoost的自适应集成算法. 首先利用聚类算法将训练样本分成多个类簇; 然后分别在每个类簇上进行AdaBoost训练并得到一组分类器; 最后按加权投票策略进行分类器的集成. 每个分类器的权重是自适应的, 且为基于测试样本与每个类簇的相似性及分类器对此测试样本的分类置信度计算得到. 实验结果表明, 与AdaBoost,Bagging(bootstrap aggregating)和随机森林等代表性集成算法相比, 该算法可取得更高的分类精度.     

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.     

一种基于稀疏表示的判别式目标跟踪算法

目标跟踪是计算机视觉领域中具有挑战性的问题.提出了一种基于稀疏表示的判别式目标跟踪算法,用于在复杂场景中对运动目标进行鲁棒跟踪.该算法首先对目标进行滑动窗口稠密采样,构建目标的稀疏表示字典,然后将目标表示为该字典的稀疏编码,从而构造具有判别力的目标特征表示.在跟踪过程中,将目标跟踪问题看作是背景与目标的判别性问题,使用目标和背景的特征表示在线训练朴素贝叶斯分类器,根据分类结果得到目标的跟踪结果.为了适应场景及目标外观变化,设计动态更新机制对字典与分类器进行在线更新.和传统基于稀疏表示的跟踪方法相比,该算法将稀疏表示与判别式分类器结合,利用稀疏表示获得具有判别力的目标特征表示,而在线的朴素贝叶斯分类器则确保了目标跟踪的快速有效.与流行的多种跟踪算法比较结果表明,本算法能够在复杂条件下实现目标的鲁棒跟踪.     

基于Online AdaBoost的偏振图像目标跟踪

根据偏振图像的特点,文章提出一种基于在线AdaBoost的目标跟踪方法.该方法以最小二乘回归作为弱分类器,以强度、偏振度和边缘方向特征组成的向量为其输入;通过AdaBoost算法将多个弱分类器集成为强分类器,并在跟踪过程中利用AdaBoost算法对强分类器进行在线更新,以适应目标与背景的变化;利用强分类器生成当前置信图...     

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.