基于核相关滤波器的目标跟踪算法

针对目标跟踪过程中出现的目标形变、遮挡、出平面旋转等干扰问题,通过对传统核滤波相关(KCF)跟踪算法在特征提取方式和模型更新方案上的改进,提出一种基于颜色名称空间特征的核相关滤波算法。为了验证算法的有效性,在目标跟踪标准数据集中选取了38个彩色视频序列对跟踪算法进行实验验证,并同时与KCF、Struck、TLD、SCM等优秀目标跟踪算法进行对比。实验结果表明所提出的新算法不仅具有最好的跟踪效果,同时在目标形变、遮挡、出平面旋转等干扰条件下具有更好的适应性。     

基于HOG-SVM的改进跟踪-学习-检测算法目标跟踪方法

对于经典TLD(跟踪-学习-检测)跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化等问题时,会导致算法的跟踪精度和速度降低,计算的复杂度较高,实时性差。针对以上问题,本文提出了一种改进的TLD目标跟踪算法。首先针对检测模块中计算复杂度高的问题,将HOG-SVM结合替换原TLD算法中的2bitBP特征和集成分类器;再针对原算法中跟踪精度低的问题,将KCF跟踪算法替换中值光流法;在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进,解决原算法中实时性差的问题。实验表明,改进后的跟踪算法,在背景环境变化的情况下,跟踪精度和速度都有提高,实时性加强。     

基于HOG-SVM的改进跟踪-学习-检测算法的目标跟踪方法

对于经典跟踪-学习-检测(TLD)跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化等问题时,会导致算法的跟踪精度和速度降低,计算的复杂度较高,实时性差。针对以上问题,提出一种改进的TLD目标跟踪算法。首先针对检测模块中计算复杂度高的问题,将HOG-SVM结合替换原TLD算法中的2bit BP特征和集成分类器;再针对原算法中跟踪精度低的问题,将KCF跟踪算法替换中值光流法;在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进,解决原算法中实时性差的问题。实验表明,改进后的跟踪算法,在背景环境变化的情况下,跟踪精度和速度都有提高,实时性加强。     

自适应的免疫粒子滤波车辆跟踪算法

针对真实场景中的车辆跟踪问题, 提出一种改进的粒子滤波车辆跟踪算法. 通过免疫重采样框架减少粒子退化, 保证粒子滤波的有效性, 并参照人工免疫算法的思想建立记忆库, 使算法可较长时间地跟踪目标; 利用背景权重直方图和分块判别机制减少因遮挡导致的跟踪偏离, 同时在运动模型和抗体变异过程中加入自适应学习参数, 提高算法的鲁棒性. 实验结果表明, 在光照变化、 运动突变、 目标遮挡等不同条件下, 该算法具有稳定跟踪的能力, 验证了算法的有效性.     

采用图像感知哈希的TLD改进算法

为了提高长时间视觉目标跟踪的鲁棒性,提出了一种基于图像感知哈希的TLD改进算法。在改进算法中,跟踪模块使用尺度自适应的KCF跟踪器,检测模块对每个检测窗口提取感知哈希特征,并引入量子遗传算法作为搜索策略加快检测速度。对文中算法在OTB2013的50组视频序列上进行了测试,实验结果表明:其跟踪精度与成功率分别达到了0.784和0.568,较TLD算法分别提高了18.7%和14.2%。并且在处理光照变化、遮挡及目标分辨率低等问题时,文中算法在多数情况下取得了优于参考算法的跟踪性能,表现出良好的跟踪鲁棒性。     

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.     

视频序列中面向行人的多目标跟踪算法

为实现视频序列中多行人目标跟踪,基于多信息融合方法,考虑多目标间严重遮挡,建立面向行人的多目标跟踪算法.提出多信息融合算法融合目标颜色和运动信息,结合均值漂移算法思想,实现常态下目标跟踪.针对多行人目标参与的遮挡,通过理论分析遮挡过程中目标面积变化,提出遮挡因子判别遮挡发生、辨识遮挡者和被遮挡对象、确认被遮挡对象重新出现等.实验结果表明,该方法能够正确跟踪行人目标,判断并处理多目标间的严重遮挡.      

基于核相关滤波器的TLD目标跟踪算法

TLD(tracking-learning-detection)跟踪算法在目标作平面外旋转、快速移动和非刚性形变的情况下易跟踪失败,而核相关滤波器(kernelized correlation filters,KCF)跟踪算法可以有效应对上述跟踪情景但缺乏跟踪失败恢复机制,导致目标重新出现后无法继续跟踪。针对以上问题,通过有效结合这两种算法,提出一种基于TLD框架下的核相关滤波器跟踪检测算法。在跟踪模块中融入颜色特征,进一步增强算法的整体跟踪性能。通过在不同视频序列上进行对比实验,结果表明,与原算法相比,改进后的算法可以长时间准确地跟踪目标,并具有更高的成功率。     

融合运动状态信息的高速相关滤波跟踪算法

为解决相关滤波(Discriminative Correlation Filter,DCF)算法在快速运动、遮挡、尺度变化等复杂情景下的跟踪失败问题,提出一种融合运动状态信息的高速相关滤波目标跟踪算法.在传统DCF算法基础上做出以下改进:(1)在跟踪框架中融入卡尔曼(Kalman)滤波器,利用目标运动状态信息对预测运动轨迹进行修正,以解决目标复杂运动时易跟丢问题,提高跟踪精度;(2)训练一个独立的尺度相关滤波器进行目标尺度预测,并利用主成分分析法(Principal Component Analysis,PCA)进行特征降维处理,提高跟踪速度;(3)提出一种高置信度更新策略判断是否对位置滤波器进行模板更新,以及是否采用Kalman滤波器预测位置作为目标位置.最后在OTB-100数据集上进行算法测试,提出算法平均精度与成功率分别达到74.8%与69.8%,平均帧率为84.37帧/s.相较其他几种主流算法,本文算法有效提高跟踪性能,并保证了跟踪速度,满足实时性要求,在遮挡、背景模糊、运动模糊等复杂情况下能够保持良好的跟踪效果.     

一种抗遮挡的运动目标跟踪算法

针对当前目标跟踪算法受环境干扰大、抗遮挡能力差等不足,设计一种抗遮挡的运动目标跟踪算法.首先分析经典运动目标跟踪算法——均值漂移算法的局限性,然后从目标候选特征中选择对跟踪贡献最大的显著特征,并采用自适应的模板更新策略提高运动目标精度.仿真实验结果表明,该算法能对运动目标进行准确、实时跟踪,加快了运动目标跟踪速度,且对遮挡目标具有良好的鲁棒性,可获得更理想的运动目标跟踪结果.