一种基于多相关滤波器组合的目标跟踪方法

针对复杂跟踪环境条件下目标的跟踪失败问题,提出一种基于多相关滤波器组合的目标跟踪方法.首先2个分别采用颜色属性(Color Name,CN)特征和方向梯度直方图(Histogram of Oriented Gradient,HOG)特征的核相关滤波器(Kernelized Correlation Filter,KCF)通过自适应融合手段进行响应图信息融合,确定目标的预测位置;然后通过以目标区域为基础进行多尺度采样,提取CN-HOG拼接特征构建尺度相关滤波器,得到目标的最佳尺度;最后设计了模型的自适应更新策略,通过判断目标是否发生遮挡来决定是否在当前帧进行模型更新.在50组视频序列上对所提算法与6种当前主流的相关滤波跟踪算法进行了实验.实验结果表明,在复杂的跟踪环境条件下,所提算法取得了最好的跟踪精度和成功率,能够有效处理目标遮挡和尺度变化等问题,且具有较快的跟踪速度.     

基于深度特征与抗遮挡策略的运动目标跟踪

为了进一步提高复杂场景下的目标跟踪精度与鲁棒性,本文提出了基于深度特征与抗遮挡策略的运动目标跟踪算法,首先利用深层卷积神经网络提取出目标的深度卷积特征以代替传统的手工特征,然后将深度卷积特征融入传统的核相关滤波跟踪框架,充分利用深度特征描述能力强和相关滤波算法跟踪效率高的优势,同时采用高置信度抗遮挡更新策略来更新滤波器,利用融合特征训练尺度相关滤波器,以便更加精准预测目标的位置,提高算法抗遮挡能力.论文对数据集OTB-100视频序列中有遮挡问题的序列进行了测试,并与Deep STRCF、DSST、SRDCF、COT和ECO等算法进行比较,实验结果表明,本文所提算法在目标尺度变化、背景干扰和遮挡等复杂背景下具有更高的跟踪精度与成功率,跟踪效果最佳.     

抗遮挡的相关滤波目标跟踪算法

针对传统的核相关滤波目标跟踪算法遮挡判断失败的问题,提出一种抗遮挡的核相关滤波目标跟踪算法.首先,在核相关滤波器框架上根据最小二乘分类器获得目标位置.然后,引入一个多尺度滤波器,并通过计算滤波器的响应最大值进行尺度预测.最后,在目标模型更新方面,根据目标位置置信图峰值尖锐度的差异性,正确更新模型.实验结果表明:文中算法的平均位置误差为6.18px,在阈值为20px时,平均距离精度为97.68%,平均帧率为30.8帧·s~(-1);其能在复杂背景下有效地解决目标尺度变化、完全遮挡等问题,具有更高的鲁棒性和精确性.     

基于加权背景感知框架的相关滤波视觉跟踪算法

为了解决场景中可能发生的运动模糊、快速移动、尺度变化、光照变化、目标遮挡、复杂背景等场景变化问题,融入背景感知可以有效地提高视觉跟踪算法的鲁棒性.提出了基于加权背景感知框架的相关滤波(WBACF)视觉跟踪算法.根据背景中不同区域与跟踪目标运动相似度的大小,赋予背景区域不同的权值,计算权值矩阵,从而训练相关滤波器.通过在基准测试集OTB-50和OTB-100(部分)上进行实验,结果表明WBACF框架显著提高了相关滤波器的鲁棒性,其跟踪速度与BACF框架相当,跟踪精度和成功率较后者有所提高.     

改进的核相关自适应目标跟踪算法及其实验验证

为了解决目标跟踪中出现的快速运动、尺度变化、遮挡等问题,提出基于遮挡检测的核相关自适应目标跟踪。该方法首先利用核函数对正则化最小二乘分类器求解获得核相关滤波器;其次利用核相关滤波器计算特征响应图,同时学习一维尺度滤波器对尺度进行估计;最后,通过响应图的最大值和振荡程度来判断目标是否被遮挡;在未受到遮挡的情况下,更新学习目标的外观模型和尺度模型,实现自适应目标跟踪。在公开的标准数据集上的实验结果表明,相比原始核相关滤波算法,平均中心位置误差降低15%,平均重叠率提高10%;且在目标尺度发生变化、遮挡、光照变化、快速运动等复杂场景下有较强的鲁棒性、适应性。     

改进的核相关自适应目标跟踪

针对目标跟踪中出现的快速运动、尺度变化、遮挡等问题,提出基于遮挡检测的核相关自适应目标跟踪。该方法首先,利用核函数对正则化最小二乘分类器求解获得核相关滤波器,其次,利用核相关滤波器计算特征响应图,同时学习一维尺度滤波器对尺度进行估计,最后,通过响应图的最大值和振荡程度来判断目标是否被遮挡,在未受到遮挡的情况下,更新学习目标的外观模型和尺度模型,实现自适应目标跟踪。在公开的标准数据集上的实验结果表明,相比原始核相关滤波算法,平均中心位置误差降低15%,平均重叠率提高10%,且在目标尺度发生变化、遮挡、光照变化、快速运动等复杂场景下有较强的鲁棒性、适应性。     

预测滤波技术在电视跟踪系统的应用

为了解决电视跟踪系统中电视脱靶量的滞后以及跳变对控制系统的稳定性和跟踪精度的影响。根据跟踪系统实时性和精度要求，设计了卡尔曼滤波器，对跟踪目标运动参数(位置和速度)进行滤波预测，提出了极坐标下Kalman滤波算法。仿真结果表明，该滤波器能够根据传感器测量值对目标位置、速度进行估值，超调量减至18％，调整时间为0．6s。     

基于多特征和尺度估计的核相关滤波跟踪算法

针对传统核相关滤波器跟踪方法(KCF)在尺度估计不足和抗遮挡性低等问题上,本文提出了一种把梯度直方图和颜色直方图相结合,并利用尺度估计策略提升跟踪框适应性的核相关滤波跟踪算法.该方法首先通过建立核岭回归模型,使用二维核化相关位置滤波器,融合方向梯度直方图(HOG)特征和颜色直方图(CN)特征,采取根据响应大小的方式加权融合跟踪坐标,精确确定目标的中心位置;然后,利用滤波响应的峰值旁瓣比的高低来判定是否发生遮挡,当特征响应的旁瓣比低于设定的阈值时,暂停更新滤波模板;最后,利用光流法计算出视频帧间关键角点的位移来估计被跟踪目标的形变比例和尺寸,同时结合尺度集合进行跟踪框缩放.通过理论分析和在跟踪基准数据库OTB-2013中的50组视频序列进行仿真实验,对比了当下主流的相关滤波跟踪算法,在保证实时性的同时,较原核相关滤波算法跟踪的精度提升了14.5%,成功率提高了9.2%,并且在复杂场景下具备较强的抗遮挡性和鲁棒性.     

基于Cam-shift的预测跟踪方法分析与改进

为了在有遮挡等因素干扰的复杂背景下很好的完成移动目标的位置预测跟踪,研究了Kalman滤波与Cam-shift算法结合的方法.Kalman滤波可以较精准地完成移动目标的位置预测,与Cam-shift算法结合可以很好的完成跟踪.在此基础上,提出了一种线性预测与Cam-shift算法结合的目标预测跟踪方法,即将线性预测方法代替Kalman滤波完成预测估计,并将预测估计结果代入Cam-shift算法中进行跟踪.实验表明该方法既可以保证遮挡过程中追踪的准确性,又能减少迭代时间,能够更好地满足实时性的要求.     

一种抗遮挡尺度自适应核相关滤波器跟踪算法

针对传统的核相关滤波器(KCF)算法无法很好地解决目标跟踪过程中的尺度不变性和模型漂移问题,提出了一种改进的抗遮挡尺度自适应核相关滤波器算法。使用平均峰值相关能量(APCE)和相关滤波响应峰值作为跟踪置信度指标判断目标是否受到遮挡,在未遮挡的情况下,对目标进行尺度缩放,通过滤波器之后计算相应的响应值,比较不同尺度响应值的大小,最大值即为最佳的目标尺度值。采用OTB-2013评估标准,与传统KCF对比,新算法在目标受到遮挡时,跟踪成功率与精确度有明显提高,同时适应目标尺度变化,具有较强的鲁棒性。     

结合卡尔曼滤波和Mean Shift的抗遮挡跟踪算法

针对卡尔曼滤波和Mean Shift算法结合后对严重遮挡和遮挡后复出失效且实时性差的问题,提出一种基于卡尔曼滤波和Mean Shift动态结合的改进算法. 通过在算法中加入Bhattacharyya系数进行遮挡程度判断,并根据遮挡系数的阈值选择使用卡尔曼滤波或线性预测法更新Mean Shift迭代起点. 实验结果表明,该方法能成功实现大范围连续遮挡和目标复出情况下红外目标的跟踪,并且迭代次数和跟踪时间分别减少了9.68%和17.58%,提高了跟踪的鲁棒性和实时性.      

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

行人多目标跟踪算法

针对多目标跟踪中因目标遮挡而导致跟踪过程中身份交换频繁的问题, 提出一种行人多目标跟踪算法. 该算法首先使用YOLOv4作为检测器, 检测出目标并确定检测框坐标, 利用扩展Kalman滤波器对轨迹进行预测; 然后用匈牙利算法作为数据关联模块, 采用级联匹配方法将扩展Kalman滤波预测的检测框与目标检测的检测框进行匹配, 并将发生遮挡的目标加入轨迹异常修正算法; 最后在数据集MOT16的测试集上进行实验. 实验结果表明, 该算法取得了56.5%的跟踪准确度, 且对遮挡现象效果良好, 有效改进了对目标遮挡身份频繁切换以及遮挡引起的目标丢失的问题.     

基于AUV的航迹追踪自适应UKF算法

无迹卡尔曼滤波算法(UKF,unscented kalman filter)是一种常见的(AUV,autonomous underwater vehicle)加权统计线性回归航迹追踪算法,其算法冗余度低于(EKF,extended kalman filter)、(PF,particle filter)及(PSO,particle swarm optimization)等数值优化算法,且算法效率较高。然而,UKF控制算法中的系统采样时间间隔通常会被设置为常数,由此可能会产生预测值的误差累积,从而影响导航预测结果的精度。因此,笔者提出了基于AUV的航迹追踪自适应无迹卡尔曼滤波算法(AUKF,adaptive unscented kalamn filter algorithm),以期降低预测算法的累积误差。该预测方法依据标准UKF算法的原理,通过构造相应的约束、判断与反馈机制,调整系统状态方程中每一步的采样间隔t,从而提升算法的航迹追踪精度并减少过程噪声及传感器噪声对预测过程的影响。最后,通过仿真实验与结果对比,近一步验证了之前所提出的设想。     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

Maneuvering target tracking algorithm based on cubature Kalman filter with observation iterated update

Reasonable selection and optimization of a filter used in model estimation for a multiple model structure is the key to improve tracking accuracy of maneuvering target.Combining with the cubature Kalman filter with iterated observation update and the interacting multiple model method,a novel interacting multiple model algorithm based on the cubature Kalman filter with observation iterated update is proposed.Firstly,aiming to the structural features of cubature Kalman filter,the cubature Kalman filter with observation iterated update is constructed by the mechanism of iterated observation update.Secondly,the improved cubature Kalman filter is used as the model filter of interacting multiple model,and the stability and reliability of model identification and state estimation are effectively promoted by the optimization of model filtering step.In the simulations,compared with classic improved interacting multiple model algorithms,the theoretical analysis and experimental results show the feasibility and validity of the proposed algorithm.     

一种精确的前向散射雷达三维目标跟踪方法

针对一般测量精度下初始状态估计误差大,导致滤波易发散的问题,提出了一种基于解析推导和Leven-berg-Marquardt算法的初始状态估计方法,能够在目标参数测量精度不高的情况下获得比较精确的初始值;针对滤波过程计算量太大、收敛速度慢的问题,结合精确的初始状态估计值和扩展卡尔曼滤波(EKF)实现了前向散射雷达三维目标的精确跟踪.通过仿真和比较分析表明,EKF算法跟踪精度高,收敛速度快,且计算量小.     

GPS动态定位的强跟踪卡尔曼滤波研究

提出一种改进的强跟踪卡尔曼滤波算法，应用于ＧＰＳ动态定位滤中获得明显效果，首先采用描述机动载体运动的“当前”统计模型，建立了一咱新的ＧＰＳ动态定位扩展卡尔曼滤波模拟及其适应算法，然后，为了进一步提高滤波器的动态性能，改进了周东华等提出了的强跟踪滤波器，大大提高了ＧＰＳ动态定位位扩展卡尔曼滤器的跟踪能力。     

基于改进型Camshift和卡尔曼滤波器的车辆跟踪算法

针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,然后再利用改进型Camshift算法依据目标距离搜索中心的位置,对H分量创建的颜色直方图中的每个像素位进行高斯模型核函数的加权处理,并自适应计算得到最优的搜索窗口,从而改善了传统Camshift不能直接抵制噪声干扰的缺点,解决了因跟踪目标在同色背景噪声干扰下出现的丢失问题。最后通过仿真实验表明:改进型Camshift算法和卡尔曼滤波的结合有效地提高了车辆跟踪的准确性和连续性。     

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]