基于判别式序列表的均值漂移目标跟踪算法

针对目标周围的背景信息对目标跟踪算法的影响,基于判别式序列表提出了一种改进的均值漂移目标跟踪算法.利用目标外观特征来描述目标模型与候选目标,同时通过判别式序列表对目标外观建模并对目标周围的背景信息进行描述.基于均值漂移跟踪框架,把目标外观模型与判别式序列表目标外观模型相结合来改进传统的均值漂移跟踪算法.在几个图像序列上...     

基于压缩感知的在线多示例学习目标追踪

近年来提出的多示例学习算法在一定程度上能够克服模板漂移问题。然而,在线学习需要获取足够多的有用数据才能达到稳定的追踪效果,但是这却增加了算法的复杂度。为了解决这一问题,在压缩感知理论的基础上,运用随机观测的方法对多尺度图像特征进行降维,提取的这些低维特征中包含大量的有用信息。因此,我们提出的算法是先利用压缩感知理论提取目标特征之后,再使用在线多示例学习算法分类器对这些特征进行分类从而实现目标的稳定跟踪。通过对不同的图像序列进行实验,结果表明基于压缩感知的在线多示例学习算法对实时的目标追踪有很好的适应性。     

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.     

基于多特征概率分布的均值漂移行人跟踪算法

在目标尺寸和颜色发生变化时,传统均值漂移法因目标模型单一和核窗口大小方向固定而导致目标丢失.为此,文中提出一种基于多特征概率分布的均值漂移行人跟踪算法,首先利用目标的颜色、轮廓和运动特征构建目标模型,得到颜色、边缘和运动直方图分布;然后将颜色和边缘的直方图反向投影生成二维概率密度分布,利用运动信息修正颜色和边缘概率分布;并根据各特征所占权重,运用自适应融合法得到目标特征关联概率分布;最后利用关联概率密度的零阶矩值调整下一帧跟踪窗口尺寸,结合均值漂移跟踪框架,实现常态下目标跟踪.实验结果表明,该算法提取的目标特征具有较强的准确性,能实现复杂交通场景下的行人跟踪.     

基于特征显著性的均值漂移鲁棒目标跟踪

在均值漂移算法框架下,提出基于目标显著性的特征融合与在线模板更新策略,实现复杂动态环境下的鲁棒跟踪.通过目标区域与背景区域的特征对比定义了特征显著性测度.提出了基于特征显著性的色彩空间选择以及基于Gabor小波稀疏编码的纹理特征提取算法.通过特征显著性加权实现参考直方图模板的初始化,并在此基础上针对遮挡现象与目标自身形变的区别设计了在线模板更新策略.实验结果表明,本文方法与其他跟踪算法相比具有较强的鲁棒性和较高的准确性.
     

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.     

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

基于在线判别分析的鲁棒L1视觉跟踪算法

通过分析经典L1视觉跟踪算法在粒子滤波框架下的采样粒子分布与运动目标真实状态的差异,提出了一种基于在线判别分析的改进L1视觉跟踪算法.该跟踪算法利用基于在线逻辑回归模型的判别分析及其更新过程,自主获取运动目标的实时状态与变化,增强运动目标与背景信息之间的可判别性,以实现采样粒子的自适应重要性筛选.通过筛选,尽量排除与运动目标差异大的粒子,降低这些粒子造成的跟踪不稳定性,并减少L1优化求解的次数,从而提高跟踪的鲁棒性和整个算法的执行效率.与五种跟踪算法在四组公开视频上的实验结果表明:提出的算法能够长时间准确地对运动目标进行跟踪,同时相对经典L1跟踪算法而言,有效地降低了计算复杂度.     

基于稀疏表示和粒子滤波的在线目标跟踪算法

针对目标跟踪过程中由于外形变化或者遮挡所造成的跟踪效果下降或导致漂移的问题,提出一种粒子滤波框架下基于稀疏表示的在线目标跟踪算法.采用分层梯度方向直方图(PHOG)特征对目标模板进行描述,并且每一个候选模板都可以通过PHOG基向量和琐碎模板进行稀疏表示,进而利用L1范数最小化方法进行最优求解.为保证在遮挡的情况下目标跟踪的精度,对目标遮挡部分和非遮挡部分进行拆分建模,并利用PCA子空间增量学习的方式不断更新目标跟踪模型.通过对具有挑战性的跟踪视频进行定性和定量分析,实验证明该方法在跟踪精度上要优于传统的跟踪方法.      

多特征融合的无人船视觉目标跟踪

针对海面光照变化、水花遮挡、水面倒影等耦合作用引起的无人船视觉目标跟踪漂移问题，提出一种基于多特征融合的尺度自适应相关滤波跟踪算法。通过多特征融合，增强了水面目标特征表达，避免了目标跟踪漂移。为减少环境干扰对跟踪目标外观描述的影响，设计尺度自适应跟踪滤波器，提升目标跟踪鲁棒性能。采用本文算法对多个代表性海上视频数据集进行验证，并与典型目标跟踪算法进行比较。结果表明，相较基于单一CN特征的跟踪算法，本文算法的平均重叠率提升23.63%、平均中心误差减少53.79个像素点。本文算法适用于处理由于海面环境剧烈变化、目标尺度变化导致的跟踪漂移问题，可为无人船作业自主性提供重要智能感知技术支持。     

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.      

基于在线多示例学习的协同训练目标跟踪算法

为解决把多示例学习应用到目标跟踪算法而导致的误差积累问题, 结合协同训练方法, 提出一种新的目标跟踪算法。该算法利用协同训练克服分类器自训练带来的误差积累, 同时在线多示例学习提高了跟踪效果的鲁棒性。将跟踪结果中心与理想目标位置中心的误差作为评价标准, 在标准视频序列上将跟踪结果与半监督学习跟踪算法和传统多示例学习跟踪算法进行对比。实验结果表明, 该方法在背景光照变化、目标旋转等复杂条件下, 可很好地跟踪目标, 具有较好的鲁棒性。     

基于自适应特征融合的均值迁移目标跟踪

提出了一种基于自适应多特征融合的目标跟踪算法.分别利用RGB颜色和LBP纹理特征建立目标模型,通过线性加权将两类目标子特征模型代入目标相似性函数并用均值迁移算法进行目标位置优化计算.在跟踪过程中,引入S igmoid函数动态调整两类子特征权重,并利用子特征相关系数和可靠性指数对目标特征模型选择性自适应更新.实验结果表明,该算法能在跟踪场景和目标外观变化时自适应调整两种子特征权重,避免了特征失效导致的跟踪失败;特征模型选择性更新策略有效抑制了模型漂移.与单一特征和模型直接更新的跟踪方法相比,该算法在复杂跟踪环境更具有鲁棒性,能进行准确稳定的实时跟踪.     

基于模糊自组织神经网络的多目标跟踪算法

分析了多目标跟踪问题的数据关联算法复杂性,研究了基于模糊C均值聚类算法的模糊自组织神经网络的特性及其在多目标跟踪中的应用,提出了将FKCN算法、自组织神经网络与数据关联、滤波相结合的跟踪算法．仿真结果表明本算法能在多目标环境下取得较好的跟踪效果．     

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.     

基于类Haar纹理的非结构化道路消失点检测

在非结构化道路识别算法的研究中,因其在复杂道路环境下表现出较强的鲁棒性,基于纹理特征的道路消失点检测成为了学术研究的重点。因此,为了能够准确的检测出非结构化道路中的消失点,提出一种基于类Haar纹理的非结构化道路图像消失点的检测方法,即首先设计多尺度多方向的类Haar纹理的实部与虚部模板,利用积分图技术以及垂直投影法快速计算出图像像素的纹理主方向,再采用改进的局部软投票法选出分数最大的点作为初始消失点,最后通过现有两种不同的消失点检测方法与提出的算法进行对比实验。实验结果表明提出的算法可以显著提高非结构化道路消失点的检测性能。由此得出该方法具有良好的实时性、准确性和鲁棒性。     

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。     

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]     

构建新包空间的多示例学习方法

针对已有神经网络方法采用示例决定标记从而导致多示例学习(MIL)中包结构信息丢失的问题,提出了一种新的RK_BP多示例学习方法.在示例空间,首先采用粗糙集对其进行属性约简;然后进行K均值聚类,利用聚类点构造新包空间;在新空间中,利用误差反向传播神经网络算法进行分类.在多个测试数据集上对算法进行测试,结果表明该算法可有效解决已有神经网络方法包结构信息丢失问题,明显提高分类性能.