一种改进的稀疏性算法在目标跟踪中的应用研究

在复杂场景下,目标物部分遮挡或光照变化会引起跟踪算法效率的降低,而全局模板在目标受到遮挡时不能较好地跟踪。本文结合粒子滤波与稀疏表达,提出一种改进的目标跟踪算法。通过提取目标特征集构造过完备模板集,对该模板集采用分块策略进行多尺度分块,从而提取目标的全局和局部特征直方图,对全局及局部特征直方图进行稀疏表达,并结合粒子滤波算法的粒子后验概率来描述当前目标状态,实现对目标的跟踪。仿真实验结果表明:和经典跟踪算法相比,该算法能够在遮挡环境下高鲁棒性对目标地进行跟踪。     

基于稀疏混合模型的粒子滤波目标跟踪算法

本文针对在视频追踪过程中出现的目标遮挡问题,提出了一种基于稀疏表达的混合模型的粒子滤波跟踪算法.这种混合模型采用了基于全局模板和基于局部的描述方式,在全局模板的描述方式中,将目标模板由目标候选表示出来,线性表示的系数满足稀疏性约束条件,其系数作为目标候选的权重.同时在局部描述模型中,构造SIFT特征的完备字典,将局部模型稀疏表示成直方图形式,然后对遮挡部分进行处理,设置目标被遮挡部分的直方图权重,得到最终的局部模型直方图表示.最后本文将两种模型合理的融合到一块,得到一种联合的新的模型应用于目标跟踪,实验证明该方法有效的完成了视频中的目标跟踪.     

结合运动矢量的分权快速压缩跟踪算法

针对跟踪过程中目标移动过快产生跟踪漂移问题,提出一种结合超像素运动矢量的候选目标位置搜寻策略;在跟踪框架内分块提取特征并根据区域分配置信权值,弱化跟踪框架内边缘背景对分类结果的干扰,提高分类器分类鲁棒性;针对当目标出现严重遮挡时,分类器仍对正负样本特征进行学习而导致的学习不准确问题,提出增加目标遮挡检测机制,避免错误分类,有效解决目标遮挡问题。实验结果表明:提出的算法与当前先进目标跟踪算法相比,效果较好,克服目标快速移动、目标形变、复杂背景干扰、目标遮挡、光线变化等一系列挑战性的跟踪难点,实现目标长时间有效跟踪的同时,跟踪效率满足实时性的要求。     

基于稀疏表示和粒子滤波的在线目标跟踪算法

针对目标跟踪过程中由于外形变化或者遮挡所造成的跟踪效果下降或导致漂移的问题,提出一种粒子滤波框架下基于稀疏表示的在线目标跟踪算法.采用分层梯度方向直方图(PHOG)特征对目标模板进行描述,并且每一个候选模板都可以通过PHOG基向量和琐碎模板进行稀疏表示,进而利用L1范数最小化方法进行最优求解.为保证在遮挡的情况下目标跟踪的精度,对目标遮挡部分和非遮挡部分进行拆分建模,并利用PCA子空间增量学习的方式不断更新目标跟踪模型.通过对具有挑战性的跟踪视频进行定性和定量分析,实验证明该方法在跟踪精度上要优于传统的跟踪方法.      

基于多DSP和FPGA的高速并行互相关图像跟踪技术

研究高速并行互相关图像跟踪处理设计技术 ,解决复杂背景下低对比度目标的跟踪问题 .采用多个高速 DSP TMS32 0 C30和 TMS32 0 C50并行处理 ,结合 FPGA实现实时智能化图像跟踪 ,提出了概率模板分步搜索快速互相关算法 .互相关图像跟踪器的跟踪精度可达± 1个像素 ,而平均帧处理时间仅为 15ms,实验结果证明跟踪效果良好 .互相关图像跟踪器可以解决现有图像跟踪器处理速度慢的问题     

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.      

一种融合深度信息的视频目标压缩跟踪算法

针对复杂环境下单一特征在跟踪过程中易造成准确率下降和鲁棒性差的问题,提出一种融合深度信息的视频目标压缩跟踪算法。利用压缩感知理论分别提取目标灰度图像和对应深度图像的正负样本压缩特征,通过特征训练弱分类器,利用马氏距离赋予弱分类器权值,加权组合为强分类器,实现目标的多特征融合,视目标跟踪为一个二分类问题,确定目标跟踪结果。使用由粗到细的搜索策略减小计算复杂度。实验结果表明,该算法跟踪目标平均中心位置误差为9. 95像素,平均成功帧率可达96%,算法保持实时性的同时对视频目标运动遭遇的部分遮挡、姿态变化、光照变化以及相似物干扰等情况下的跟踪均具有较好的效果。     

Mean Shift跟踪算法创新实验项目设计

视频跟踪算法是计算机视觉实践课程中比较受关注的实验项目。针对突变情况下传统Mean Shift跟踪算法无法实时准确跟踪的问题,设计了基于模板更新和线性预估的Mean Shift跟踪算法创新实验项目。在模板更新策略下,引入背景模板,通过将原目标模板和背景模板与设定的阈值进行比较来对干扰因素进行判定,当干扰因素判定目标受到遮挡时,引入线性预估方程进行目标位置预测,有效解决目标在遮挡情况下跟踪丢失的问题。通过对测试视频的跟踪效果和性能进行对比分析,验证了算法在突变情况下相较于传统算法具有更好的抗干扰能力。以算法创新设计为核心,通过开放性创新实验项目的选题、设计、答辩、反馈的闭环实验过程,有效提高了学生算法创新设计能力。     

基于非负稀疏协作模型的目标跟踪算法

目标跟踪是计算机视觉研究领域中一个最基本的问题.为解决在复杂场景下目标跟踪效果不佳的问题,作者搭建了一个基于非负稀疏的协作模型,该模型将非负稀疏表示的产生式模型与全局模板判别式模型相结合,并提出了基于非负稀疏协作模型的目标跟踪算法.首先对每一帧图像使用粒子滤波得到若干个候选框,然后再利用非负稀疏协作模型对每一个候选跟踪框进行评分,根据得分最高判为是跟踪目标的候选框.在多个视频序列上的实验结果表明,所提出的方法可以有效地提高目标跟踪的性能.     

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.     

基于特征显著性的均值漂移鲁棒目标跟踪

在均值漂移算法框架下,提出基于目标显著性的特征融合与在线模板更新策略,实现复杂动态环境下的鲁棒跟踪.通过目标区域与背景区域的特征对比定义了特征显著性测度.提出了基于特征显著性的色彩空间选择以及基于Gabor小波稀疏编码的纹理特征提取算法.通过特征显著性加权实现参考直方图模板的初始化,并在此基础上针对遮挡现象与目标自身形变的区别设计了在线模板更新策略.实验结果表明,本文方法与其他跟踪算法相比具有较强的鲁棒性和较高的准确性.
     

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.     

基于多方法集成的目标跟踪算法

在线运动目标跟踪是目前模式识别领域的一个难点问题,目标物体角度、姿态、远近距离变化以及遮挡等给鲁棒在线跟踪算法提出了苛刻的要求,单一算法很难有效处理所有问题.多方法集成是实现鲁棒在线跟踪的一种有效手段,为此提出了一个集成on-line boosting、基于归一化互相关的模板匹配法和粒子群优化算法的自适应目标跟踪算法框架.其中,on-line boosting是基本的跟踪算法;基于归一化互相关的模板匹配法有效避免了on-line boosting过多的错误更新;而基于粒子群优化算法的跟踪策略提高了系统对快速运动、外观变化的适应能力,同时也为模板的更新提供了保障,三种算法形成了有效互补,在稳定性和可塑性之间达到了一种平衡.在不同视频测试序列上的实验结果表明,该算法有效地缓解了自适应性和漂移之间的矛盾,能够实时地完成复杂的跟踪任务.     

一种基于超像素的局部判别式跟踪算法

针对目标在复杂环境下容易受到外界干扰而发生漂移的问题,提出了一种基于超像素的局部判别式跟踪方法.首先,对视频序列前10帧的目标区域进行分割,得到超像素,并利用kmeans方法对其进行聚类以构造初始字典;其次,通过训练样本集来训练线性分类器;然后,为了减少目标发生漂移的可能性,将初始训练的分类器与更新后的分类器线性加权之和定义为似然函数;最后,在粒子滤波的框架下,将似然函数值最大的粒子作为跟踪的结果,每运行U帧更新一次字典和分类器参数,以捕获目标表观的变化.仿真结果表明,所提算法在目标发生遮挡、光照变化的复杂环境下仍然能够跟踪目标.     

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.     

DSPCA在自适应视频跟踪算法中的应用

为了解决单一固定目标模型在复杂的场景中易产生跟踪漂移问题,提出一种基于DSPCA的自适应粒子滤波跟踪方法,通过稀疏主成分分解(DSPCA)在线获取互补图像集,同时将其按照新的相似度BRS进行自适应融合作为新目标模型。与经典的粒子滤波跟踪算法、视觉分解跟踪算法和多特征自适应融合跟踪算法,与有挑战性较高的场景视频相比,提出的算法在形态、运动快速及严重遮挡的运动场景中,都能鲁棒地跟踪到目标。     

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.     

基于前景概率函数的目标跟踪

针对不规则目标跟踪中初始窗口内包含背景像素导致特征模板不准确的问题,提出前景概率函数以及基于前景概率函数的目标跟踪算法.首先根据目标所在区域与背景区域的颜色分布建立前景概率函数,并以此计算目标区域中像素的前景概率,削弱背景像素的干扰,得到更准确的目标特征模板.将目标区域像素的前景概率引入均值迁移跟踪框架中,实现目标的迭代定位;在跟踪收敛后重新计算收敛区域中的前景概率分布,根据其反向投影图的尺度变化调整跟踪窗宽;最后利用Bhattacharyya相关系数对目标特征模板进行自适应更新.实验表明,该算法能够有效抑制背景像素的干扰,在目标尺度变化时能够准确调整跟踪窗宽,减少迭代次数,满足实时跟踪的需要.在复杂背景中跟踪性能也始终优于传统的均值迁移跟踪算法.     

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.     

基于稀疏模型和Gabor小波字典的跟踪算法

基于稀疏表示理论的目标跟踪方法可以通过激活少量神经元完成目标的动态跟踪,但是要求在当前图像背景中的遮挡或者目标物的姿态变化是可以进行稀疏表示的小面积范围.针对这一问题,基于Gabor函数和稀疏理论提出一种强鲁棒性的目标跟踪算法.该算法首先使用目标模板在初始帧中创建Gabor字典,其次使用该字典对候选目标完成稀疏表示,最后通过对Gabor字典的更新完成目标跟踪.实验结果表明了算法的有效性.