鲁棒的基于均值漂移的自适应卡尔曼滤波目标跟踪

提出了一种鲁棒的基于均值漂移的自适应卡尔曼滤波目标跟踪算法。首先建立卡尔曼滤波的系统模型,用卡尔曼滤波预测目标在当前帧的位置,并将该预测值作为初始值,用均值漂移算法搜索目标位置。然后将搜索结果作为观测值来修正预测值,并根据目标模型与由均值漂移算法搜索得到的候选目标模型及相应背景模型的Bhattacharyya系数自适应调整卡尔曼滤波的参数,从而提出了一种鲁棒的自适应卡尔曼滤波目标跟踪算法。仿真实验表明,该算法具有较好的跟踪精度,对遮挡具有较强的鲁棒性。     

基于多表观模型的鲁棒跟踪算法

针对传统的均值漂移算法中目标表观模型单一且缺乏必要的更新策略的问题,提出了一种基于多表观模型的多尺度均值漂移跟踪算法.该算法通过对模板集进行稀疏主成分分析获得多个表观模型,并分别在每个模型下以多个尺度并行运行均值漂移算法得到多个收敛点.利用前面求得的多个收敛点求取加权中心,并以此为依据寻找当前时刻的目标状态.实验结果表明,与其他跟踪算法相比,本文提出的算法在应对目标姿态变化、背景干扰及遮挡等复杂情况时具有更好的稳定性和鲁棒性.     

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.     

基于自适应搜索区域的相关滤波目标跟踪

基于相关滤波的目标跟踪算法通常只利用目标的自身特征,未能充分利用目标周围的背景特征,容易将目标特征误判为背景,从而导致漂移现象的发生.提出一个自适应搜索窗口的相关滤波模型(RIACF),自动调整搜索窗口并有效地利用目标周围的背景信息,显著减少误判情况的发生.为验证算法的有效性,与传统相关滤波算法KCF,CSK及其他优秀的目标跟踪算法Staple,DSST,Struck,TLD,CT进行对比.实验表明:该模型可以显著地提高跟踪器的跟踪效果,虽然该模型引入的背景信息对算法的运行速度有所影响,但该算法仍能保证足够快的运行速度,不影响目标跟踪的实时性.     

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.     

基于特征融合的均值偏移目标跟踪算法

均值偏移目标跟踪方法采用颜色直方图对所选择的目标区域进行建模,由于颜色直方图是一种对目标特征比较弱的描述,当有遮挡等干扰因素时,算法效果欠佳,为了有效解决均值偏移目标跟踪算法不足而导致目标定位不准的问题,提出了将颜色特征中融入像素点空间位置特征的算法来实现目标跟踪.实验表明该算法能较好地适应复杂背景视频序列,改进了传统均值偏移算法的不足,提高了算法的鲁棒性和准确性.     

基于均值漂移的自适应跟踪算法

提出一种基于均值漂移的自适应跟踪窗口算法.在初始时应用边缘加权概率密度的方法判断目标的变化,目标变大时采用形心定位和特征点仿射模型对跟踪窗口进行更新,目标减小或不变时通过Bhattacharyya系数来决定目标缩小的比例.实验表明该算法能够有效地跟踪尺度变化的目标,同时具有很好的实时性、稳定性.     

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。     

单目标跟踪算法综述

目标跟踪是计算机视觉领域的一个基本问题,具有广泛的研究与应用价值。该文根据算法理论的不同,将目标跟踪算法分成目标表观建模和跟踪策略两部分,又将目标表观建模分成生成式跟踪和判别式跟踪分别进行介绍;从基于均值漂移和滤波理论两方面介绍跟踪策略;并重点介绍了基于深度学习的相关算法,总结了深度学习算法的优缺点。     

核窗口尺寸和目标模型自适应的均值漂移跟踪

在目标大小、方向和颜色发生变化时,传统的均值漂移算法会因为核窗口大小和方向不能动态改变、目标模型不能及时更新而导致目标跟踪偏移甚至丢失.为此,文中提出了一种新的核窗口大小和方向可自适应调整的均值漂移跟踪算法,并构建了目标模型更新机制.首先利用计算得到的目标凸包拟合椭圆并结合卡尔曼滤波模型得到目标大小和方向的最优估计;然后利用目标大小和方向的估计值调整算法核窗口的大小和方向,修正核权重分布;最后联合目标形状和颜色信息构建一种目标更新机制,及时更新目标模型以适应目标的变化.不同场景下人体、非机动车等非刚体目标的视频序列实验结果表明,文中方法可以对大小、方向和颜色变化明显的目标进行准确、稳定的跟踪.