基于多特征融合的尺度自适应KCF目标跟踪算法

首先,对核相关滤波(KCF)目标跟踪算法进行了详细推导;然后,针对KCF算法提取单一特征,不能很好地表达目标的外观模型,提出将多种特征融合的方法,增加外观模型的可区分性.同时针对KCF算法不能自适应尺度变化的问题,引入一种尺度自适应变化方法.还对于KCF算法的固定更新率在目标被遮挡的情况下会学习到错误信息的问题,提出一种在线模型更新因子的方法;最后,通过实验对比结果表明,本文提出的算法跟踪精度更高,且对目标尺度发生较大变化和遮挡情况下的跟踪具有较强的鲁棒性.     

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.     

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ICLBP的多特征自适应加权融合目标跟踪算法

针对Mean Shift跟踪算法中使用单一的特征对目标进行描述而导致跟踪算法鲁棒性不高的问题,提出了一种多特征融合的目标跟踪算法.该算法选取HSV颜色特征和ICLBP纹理特征,建立目标模型的概率密度.根据目标区域确定背景区域,计算不同特征对目标和背景的区分性度量值,并以此设定和更新特征融合权值.使用特征融合权值系数建立...     

基于特征学习与特征记忆模板更新机制的粒子滤波跟踪

目标运动的多样性以及背景环境的复杂性是影响目标跟踪鲁棒性的主要原因.受背景颜色、光照以及姿态尺度变化等因素的影响,目标模板更新精度不高、目标跟踪鲁棒性差.针对此类问题,提出了一种基于特征学习与特征记忆的模板更新机制,通过构建目标模板库,保存丰富的运动目标信息,采用粒子滤波跟踪算法,将候选模板与模板库中的目标信息进行匹配,确定目标状态实现跟踪.实验结果表明,该算法以更丰富的目标信息进行跟踪,比传统目标模板更新策略的粒子滤波算法具有更高的跟踪精度和更强的鲁棒性.     

采用互补特征的核相关滤波目标跟踪算法

为了改善跟踪算法的性能,提出一种自适应加权的融合颜色特征和方向梯度直方图(HOG)特征的多核多通道的相关滤波跟踪算法.针对核相关滤波算法特征单一的问题,采用互补特征核空间描述目标,并根据互补特征响应值的大小,自适应为互补特征核空间分配权重、更新模型,提高算法的鲁棒性.实验结果表明:所提出的算法不仅能在一定程度上处理目标外观变化问题,而且完全满足跟踪场景的实时需求.     

基于多特征自适应融合的鲁棒跟踪方法

针对复杂场景下用单一特征描述目标导致的目标漂移问题,基于均值漂移(Mean Shift)跟踪框架,构建了一种有效的自适应融合特征(Adaptive Fusion Feature,AFF)描述子,并提出一种自适应融合多特征的跟踪方法。该方法融合了颜色特征和尺度不变特征转换(Scale-Invariant Feature Transform,SIFT),并通过相邻帧间各特征的相似性来自适应动态调整特征的权值。实验结果表明,在复杂场景下多特征自适应融合方法(AFF)比单一特征跟踪方法和经典跟踪方法减少了目标漂移、目标跟踪更加精确鲁棒。     

特征融合和多峰检测的无人机目标跟踪

无人机的目标跟踪在计算机视觉领域中是一个备受关注的研究热点.无人机跟踪目标在遭遇遮挡、尺度变化、光照变化等挑战会产生漂移,从而跟踪算法不能及时对模型进行更新.针对上述问题,提出特征融合和多峰检测的无人机目标跟踪算法,在特征融合的基础上采用多峰检测方法,结合置信度自动更新的响应策略方式,实现目标跟踪的精确定位.首先,提取...     

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.     

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。     

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.     

一种尺度和旋转自适应的目标跟踪算法

为了解决目标跟踪中的尺度和旋转问题,提出一种基于尺度不变特征变换(SIFT)和均值漂移的目标跟踪算法.该算法首先检测模板区域和目标区域在尺度空间中的极值点,然后通过拟合三维二次函数精确定位特征点的位置和尺度,接着对目标区域和模板区域的特征点进行匹配,并根据相邻帧之间尺度和角度的连续性,去除误匹配,最后利用正确匹配的特征点中的尺度和角度信息,计算被跟踪目标的尺度和旋转角度.研究结果表明:当被跟踪目标的角度和尺度发生变化时,该算法皆具有较好的跟踪效果.     

基于多特征融合的改进UPF目标跟踪算法

针对单特征目标跟踪算法的鲁棒性较差以及不能充分利用最新的量测信息等问题,提出了一种基于多特征融合的改进UPF(Unscented Particle Filter)跟踪算法.基于比例最小偏度单形采样策略的UKF(Unscented Kalman Filter)算法和IKF(Iterated Kalman Filter)算法对粒子滤波算法进行改进,并在改进的算法框架下,采用不确定性度量方法融合目标的颜色和纹理特征,对目标进行跟踪.仿真实验表明,改进算法提高了跟踪精度,对复杂背景下的目标进行跟踪有较好的效果,并能有效跟踪被遮挡的目标.     

一种基于特征互补的新型长期跟踪算法

针对特征互补学习跟踪算法(Staple)在长期目标跟踪时出现目标丢失的问题,设计了一种基于特征匹配的重检测算法.该算法通过相关滤波模型和颜色特征模型的互补学习所得到的最大响应值来判断目标是否丢失,并融合基于网格运动统计的特征匹配算法(GMS)构建重检测机制,对目标进行重定位,从而保持稳定地长期跟踪.实验结果显示:该算法...     

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。     

多特征融合的视频目标深度跟踪

针对现有基于卷积神经网络跟踪中需要大量离线训练以及在线更新耗时的问题,提出了一种多特征融合的视频目标卷积跟踪算法。算法首先设计了一种浅层前向自学习卷积网络提取目标候选区域的局部卷积特征;然后计算融合了空间信息的颜色直方图特征;在此基础上,采用归一化加权方法在全连接层融合卷积特征和全局颜色特征形成目标的表观描述;最后基于粒子滤波算法,通过计算目标模板与候选目标之间的相似度,估计目标位置。采用OTB-2013公开测试集验证所提跟踪算法的性能,与8种主流目标跟踪算法进行了分析对比。实验结果表明,本文算法的目标跟踪精度和跟踪成功率在多种场景下取得了不错的性能,在保证跟踪精确率的前提下,跟踪鲁棒性优于其他算法。可见提出的多特征融合的卷积跟踪算法通过提取所跟踪视频的自身特征生成卷积器而无需进行大量离线训练,且与手动特征进行融合增强了目标的表达能力,这种策略具有一定的借鉴性。     

融合纹理特征的Mean-shift抗遮挡目标跟踪算法

针对传统Mean-shift算法仅利用颜色特征,当场景中合有目标颜色相近的物体时,易发生误跟踪,且在目标被遮挡的情况下,无法进行有效的跟踪,提出一种融合目标纹理特征的抗遮挡跟踪算法.同时实时更新模板,并通过Kalman滤波估计目标的状态,在目标被遮挡的情况下进行估计预测,提出一种遮挡因子作为目标遮挡的判据,严重遮挡时,...     

基于轻量卷积神经网络的目标跟踪改进算法

针对现有目标跟踪算法在跟踪过程中遇到目标形变、遮挡等干扰属性导致不能对目标进行有效跟踪的问题，提出一种基于轻量卷积神经网络（lightweight convolutional neural network,LWCN）的目标跟踪改进算法。首先利用改进的卷积神经网络对模板图片和跟踪图片进行特征提取，并将不同层次的特征图充分利用，解决了随着网络加深而导致部分特征丢失问题；其次融合CN特征和HOG特征作为相关滤波器中目标特征表达，增强在不同干扰属性下的目标描述能力；再次通过最大响应值对当前目标位置和目标尺度进行判断，并决定是否更新滤波器模板；最后将LWCN算法与其他算法在OTB50、OTB100、UAV123等数据集上进行性能对比实验。实验结果表明，LWCN算法具有较好的稳定性和实时性，并在遇到形变、遮挡、光线和背景变化时，跟踪结果优于大部分算法。     

尺度自适应的抗遮挡目标跟踪算法

针对目标跟踪过程中的尺度变化、易被遮挡及跟踪漂移等问题,提出一种跟踪检测一体化的算法,改进算法在最小输出均方误差和（MOSSE）的基础上增加尺度变化更新机制,通过相关计算推算目标的最新位置和最佳尺寸,并融合了判断遮挡、模板自适应更新机制.通过对Benchmark上51个测试视频集跟踪实验分析,结果表明本文算法在尺度自适应以及抗遮挡方面优于传统算法.      

尺度自适应的加权压缩跟踪算法

针对压缩跟踪算法中目标尺度不能自适应更新和分类器性能弱的问题,提出一种尺度自适应的加权压缩跟踪算法.首先,提取正负样本的压缩特征,根据两者的巴氏系数对分类器进行加权,分类能力越强的特征在分类器中的权值越大.然后,将候选样本输入贝叶斯分类器,通过分类得到目标位置.最后,根据目标位置求得不同尺度下的样本特征,组成尺度金字塔,将尺度金字塔作为相关滤波器响应的特征输入,将响应值最大的尺度作为当前估计的尺度值.选取6组视频序列测试改进算法,实验结果表明,与传统压缩跟踪算法等4种算法相比,此算法能够解决尺度变化和目标旋转问题,且满足实时性要求.