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.     

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.     

基于快速判别尺度空间的TLD跟踪算法

针对目标跟踪过程中遇到的遮挡、离开视野、平面内旋转、运动模糊等问题,在传统的跟踪学习检测(TLD)算法基础上,提出了fDS-TLD算法.算法采用快速判别尺度空间方法对跟踪模块进行了改进,并在整体框架中加入了遮挡判别机制.跟踪模块的改进使得跟踪器可以更好地跟踪平面内旋转和运动模糊的目标,遮挡判别机制的加入使得目标在被遮挡和离开视野重新回来时具有更好的跟踪效果.采用TB-100测试集进行测试与验证,证明了本文算法与TLD等4种算法相比,对于跟踪过程中发生的遮挡、离开视野、平面内旋转、运动模糊等情况具有更好的跟踪精度和准确度.在现实场景中进行了跟踪实验,证明本文算法具有实时性和实用性.     

基于ECO-HC改进的运动目标跟踪方法研究

针对ECO(Efficient Convolution Operators)方法在背景变化及自身非刚性变换条件下容易跟踪失败的问题,提出一种改进的ECO跟踪方法 .首先通过高效卷积操作对输入图像进行特征提取和多特征融合;然后对融合后的特征矩阵进行相关性运算,获取跟踪目标;最后在滤波器更新部分嵌入一种置信度量的校验机制,评估当前帧的跟踪效果,根据校验结果来判断是否对滤波器的样本模型予以更新.在数据集OTB-50上的对比实验结果表明,相比于基线方法,该方法的精确度提升3. 4%,成功率提升3. 8%,有效降低了各种干扰对滤波器的影响.     

一种基于SIFT的遮挡目标跟踪算法

针对运动目标遮挡的难题,提出一种新的遮挡目标跟踪算法.采用三帧取均值进行背景建模,采用相邻帧差法和背景差分结合自动提取出运动目标,对单运动目标生成SIFI(scale invariant feature transform)向量.当运动目标处于遮挡状态时,将遮挡区域与单运动目标进行SIFT特征匹配,通过特征匹配点的坐标...     

运动图像跟踪过程中丢帧误差消除技术

为解决传统方法不能自动对跟踪窗口的大小进行调整,造成跟踪定位误差高,无法有效消除丢帧误差的问题,提出一种新的运动图像跟踪过程中丢帧误差消除方法。通过对帧间差分法进行优化,利用每帧获取的背景部分完成背景模型的更新处理,通过当前帧和背景模型的差分获取运动范围。利用优化的Mean-shift法对运动图像进行跟踪处理,采用改进的帧差法对目标边缘进行提取,完成Mean-shift搜索窗口的更新处理,自适应调整跟踪窗口大小。通过适于P帧幅度能量模型对此刻帧与上一帧图像信息的改变程度进行描述,以体现运动图像序列运动分布情况,对运动图像跟踪中的丢帧误差情况进行描述。在此基础上求得运动图像跟踪状态矩阵,完成对丢帧状态参数的处理,将丢帧误差消除,以增强运动图像跟踪质量。结果表明,所提方法误差消除效果好,运动图像跟踪精度高。可见该方法能够对丢帧误差进行有效消除。     

一种结合颜色纹理直方图的改进型Camshift目标跟踪算法

针对背景中存在颜色相近目标或目标被遮挡时Camshift算法跟踪失败的问题,提出了一种改进的Camshift目标跟踪算法。首先,改进算法模型直方图的计算选用颜色和纹理相融合的直方图概率分布,解决了Camshift算法只使用单一的颜色模型、很难适应物体大范围运动造成的背景变化或遮挡的不足;其次,图像权值采用目标模型与目标候选模型特征概率之比的平方根来计算,并用权值进一步估计目标的位置和方向,克服了原始Camshift算法中图像权值仅依靠目标模型计算的不足,大大减少了背景特征对跟踪的影响;最后,利用粒子滤波对运动目标状态进行估计,以克服目标运动引起的遮挡、交错或重叠,进而提高目标位置跟踪精度。实验结果表明,改进算法的平均每帧成功率达到50%以上,平均中心位置误差低于20%。改进算法能有效改善目标跟踪性能,从而实现目标跟踪的有效性、准确性。     

一种基于SIFT的遮挡目标跟踪算法

针对运动目标遮挡的难题,提出一种新的遮挡目标跟踪算法。采用三帧取均值进行背景建模,采用相邻帧差法和背景差分结合自动提取出运动目标,对单运动目标生成SIFT(scale invariant feature transform)向量。当运动目标处于遮挡状态时,将遮挡区域与单运动目标进行SIFT特征匹配,通过特征匹配点的坐标,找出单运动目标在遮挡区域中的位置,并对SIFT特征匹配运用RANSAC算法进行优化,实现遮挡情况下目标的有效跟踪。实验表明,该算法能准确地跟踪处于遮挡中的目标,实现运动目标跟踪的连续性和稳定性。     

基于视觉的水面背景下目标检测与跟踪算法

为解决清漂船在复杂水面背景下对漂浮物体积较小或被遮挡的检测与跟踪问题,提出了一种基于视觉的水面背景下目标检测与跟踪算法,通过利用YOLO改进的多粒度特征融合方法使得模型在最终检测时所提取的特征向量考虑更多底层的特征,并引入K邻域搜索感兴趣区域模块,与长短期记忆神经网络(LSTM) 相结合,弥补了卷积神经网络的时序关联性差的缺陷,根据目标当前帧语义特征和运动特征预测下一帧中目标所在位置,能够更快的提取目标的特征,并且有效的去除复杂背景的干扰。实验结果表明：该算法的跟踪平均成功率、平均准确率和平均速度分别为57.1%、71.1%、45.4fps。较好解决因被检测目标过小的问题,提升在跟踪目标被遮挡的情况下的跟踪性能。     

基于Mask R-CNN的多目标跟踪算法

针对目前多目标跟踪算法在面对目标频繁遮挡时跟踪效果较差的问题, 提出采用Mask R-CNN作为检测器, 根据检测结果利用Kalman滤波器预测下帧图像中跟踪目标的位置, 用改进匈牙利算法进行数据关联, 并利用轨迹修正方案应对轨迹中断问题. 将该算法在MOT16数据集的各测试集上进行实验, 实验结果表明, 该算法目标跟踪准确率为55.1%, 且针对目标被遮挡问题效果较好.     

自适应更新上下文相关滤波补充学习跟踪算法

为了使跟踪算法在遇到背景混乱、遮挡等问题时,能具有更好的鲁棒性,提出了一种自适应更新的上下文感知相关滤波补充学习跟踪算法(adaptive context-aware correlation tracking,ACCT)。首先,利用上下文感知相关滤波计算出响应图;接着,在更新阶段,加入了峰旁比(peak-to-sidelobe,PSR)置信度检测机制,自适应地更新相关滤波器模型;最后,与颜色直方图分类器进行线性融合,得到最终的响应值,响应值最大的位置即跟踪结果。实验上,将所提方法与先进的实时跟踪算法进行对比,结果表明,所提算法在跟踪标准测试集OTB50和TC128上,相比基准算法成功率有显著提高;并且能很好地解决背景混乱、目标被遮挡等问题。     

基于特征融合的改进粒子滤波目标跟踪算法

针对复杂背景下单一的颜色特征不能准确跟踪目标的问题,提出了一种改进的目标跟踪算法。该算法利用跟踪目标的颜色特征和运动边缘特征来表示目标。在粒子滤波的框架下融合特征信息从而进行目标跟踪,能够有效地避免单一颜色特征在跟踪过程中受到相似背景、遮挡等问题的干扰。通过与基于单一颜色特征跟踪实验误差数据的分析,实验结果表明该算法在复杂背景以及目标遮挡等情况下能达到较好的目标跟踪效果,实现目标的准确跟踪。     

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.     

一种基于运动目标检测的视觉车辆跟踪方法

针对复杂交通场景中动态光照变化、阴影和遮挡等因素带来的影响,提出了一种基于运动目标检测的高效、鲁棒的车辆跟踪方法. 采用自适应背景建模获取动态场景中的运动信息,通过阴影去除获得准确的运动区域,并针对场景中的遮挡问题提出了相应的遮挡检测与处理策略,最后通过区域匹配获得跟踪结果,同时使用Kalman滤波器建立车辆的运动模型,对跟踪结果进行了约束和优化. 实验结果表明,提出的视觉车辆跟踪方法可以在复杂多变的室外场景下有效地解决场景中的阴影和遮挡问题,得到鲁棒的车辆跟踪结果.      

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。     

一种长宽比自适应变化的目标尺度估计算法

针对视觉跟踪中由于尺度变化、遮挡等复杂场景造成的跟踪失败问题,提出一种尺度长宽比自适应变化的目标尺度估计算法.该算法采用35×35个尺度因子来实现对目标的长宽比估计,为了降低运算量,通过分层尺度估计对二维尺度采样因子进行选择,既确定了目标的最佳尺度,又提高了算法的运行速度;为了进一步提高跟踪算法的鲁棒性,使用相邻两帧之间响应向量的欧式距离作为评判模板是否更新的标准.将尺度估计和模板更新模块引入到目前3种性能出色的相关滤波算法DSST、HCF和OSA中,进行仿真验证.实验结果表明,与原始算法相比,引入模块的新算法在跟踪成功率和精度上均有显著提高,在OTB100数据集上,成功率与3种原始算法相比,分别提高了1.3％、1.4％ 和1.4％,精度分别提高了1.2％、1.3％ 和1.0％,尤其在尺度变化、目标遮挡等复杂场景下具有明显的优势.     

基于改进粒子滤波的视觉目标跟踪

针对目标跟踪算法在精度和鲁棒性上的要求,提出一种基于改进粒子滤波的视觉目标跟踪算法.首先,建立多种特征来描述目标外观模型,并对各特征分量的加权系数进行自适应调节;然后,利用分类重采样方法解决原始重采样方法中的粒子退化和匮乏问题;最后,提出一种新的模板更新机制,自适应选取运动模板或原始模板.实验结果表明,改进后的算法在具有挑战的跟踪视频序列上实验,具有良好的跟踪精度和鲁棒性,能够应对视频图像分辨率不高、目标转动变化、部分遮挡等复杂条件.     

基于生成对抗网络的多目标行人跟踪算法

多目标跟踪领域中,在背景复杂、目标遮挡、目标尺度和姿态变换等情况下,容易出现目标丢失、身份交换和跳变等问题.针对这些问题,提出了一种基于检测的多目标跟踪算法,使用改进的YOLO人体人脸关联算法,对当前帧待检目标进行分类和位置检测,使用生成对抗网络构建特征提取模型,学习目标的主要特征以及细微特征,再运用生成对抗网络生成多目标的运动轨迹,最终融和目标的运动信息和外观信息,得到跟踪目标的最优匹配.在MOT16数据集下的实验结果表明,提出的多目标跟踪算法具有较高的精确度和鲁棒性,对比目前身份交换和跳变最少的算法,跳变的次数少了65%,准确度提高了0.25%.