基于Struck的在线学习和相似度匹配的双重更新跟踪算法

针对Struck算法在遇到完全遮挡后难以恢复目标的跟踪问题,提出了利用双重更新策略对目标进行跟踪的算法。首先标定首帧中目标的所在位置,提取目标特征作为初始模板。其次,设计相似函数判别当前帧目标区域与初始模板的相似度,超过阈值的区域选为正样本加入到在线学习的过程。最后,当目标遇到完全遮挡时,通过遍历搜索的方式寻找与目标相似的图像块,选择超过阈值中相似度最高的图像块作为目标继续跟踪。实验结果表明,改进后的算法可以更好地解决因遮挡或背景相近等复杂条件引起的目标跟踪丢失的问题。     

基于帧差法与Mean-shift算法相结合的运动熔滴识别与跟踪方法

为了对焊接视频图像中的运动熔滴进行自动识别与跟踪,针对熔滴图像为灰度图像且背景单一的特点,提出了一种基于帧差法与Mean-shift算法相结合的方法.利用帧差法对视频图像的前2帧进行差分处理,获取目标窗口和中心位置并进行标定,以解决Mean-shift算法需要在起始帧手动框取目标的问题;结合基于灰度直方图的Mean-shift算法确定下1帧的目标模板位置,以实现对运动熔滴的自动识别与跟踪.结果表明,所提出的运动熔滴识别与跟踪方法能够对熔滴图像进行自动识别与跟踪,且具有良好的鲁棒性和实时性.     

基于深度特征的目标跟踪算法

针对跟踪过程中运动目标的鲁棒性问题,提出了一种基于深度特征的跟踪算法.首先,利用仿射变换对每一帧图像进行归一化处理.然后,利用深度去噪自编码器提取归一化图像的特征.由于提取的特征维数巨大,为了提高计算效率,提出了一种高效的基于稀疏表示的降维方法,通过投影矩阵将高维特征投影到低维空间,进而结合粒子滤波方法完成目标跟踪.最后,将初始帧的目标信息融入到目标表观更新过程中,降低了跟踪过程中目标发生漂移的风险.实验结果表明,所提出的视觉跟踪算法在6段视频序列上获得了较高的准确度,能够在遮挡、光照变化、尺度变化和目标快速运动的条件下稳定地跟踪目标.     

无人机视角下的特征匹配引导粒子滤波跟踪算法

粒子滤波(particle filter, PF)算法被广泛应用于视觉目标的跟踪,然而,在无人机视角下,摄像机与画面中的目标同时运动,导致了PF对目标运动状态的预测失效.针对此问题,提出一种面向无人机视角下的改进的粒子滤波跟踪算法——特征匹配引导的粒子滤波跟踪算法.首先,利用相邻两帧图像中目标物体尺度不变特征变换(scale invariant feature transform, SIFT)特征匹配的结果作为初次定位;然后,利用空间加权的HOG特征与PF相结合获取二次定位结果;最后,利用chamfer distance修正跟踪结果的SIFT特征点作为下一帧特征匹配的模板,从而循环产生准确的视频跟踪结果.比较试验表明,该算法有效地改善了传统PF跟踪算法在无人机视角下运动状态预测方程失效的问题,能够较准确地对运动目标进行跟踪.     

基于网格的运动目标检测与跟踪处理

为提高运动目标的检测与跟踪处理速度,设计了一个基于网格计算的解决方案,应用网格计算以分布并行方式来处理图像序列. 网格计算节点上执行的一个任务对应处理图像序列中的一个帧图像单元,一个帧图像单元包含了每次处理过程中所涉及的一帧或多帧图像,因而网格计算中的任务数即为图像序列中的帧图像单元数. 利用Condor系统搭建了一个网格计算试验台,开发了一个用户交互界面和若干中间件服务模块. 以基于相邻帧差法和模板匹配法的运动背景下的目标检测和跟踪算法为例进行了试验. 试验结果表明,该方案具有可行性,并能大幅度缩减计算时间,提高处理效率.      

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.     

基于多个相关滤波器的行人跟踪尺度算法

外观、尺度变化是行人跟踪的难点，解决行人多尺度跟踪问题是增强算法实用性的关键因素.在KCF(kernel correlation filter)算法的基础上，本文采用多个相关滤波器(如头部、臀部)辅助身体躯干滤波器的匹配跟踪.通过获得图像帧(除第一帧外)与初始帧的行人头部和臀部之间的距离变化率来缩放搜索面积，解决目标定位不准确和时间浪费的问题;通过调整目标框的尺寸，解决目标模板逐渐包括背景特征或者逐渐被局部特征取代的问题.在VOT2016的18个有明显尺度变化的行人场景视频序列上进行了测试，实验结果表明所提算法具有更高的跟踪准确率.     

多特征融合的长时间目标跟踪算法

针对长时间运动目标跟踪中因目标严重形变、短暂离开视线、遮挡而引起的跟踪漂移或丢失问题,提出一个多特征融合的长时间目标跟踪算法.首先,提取图像的方向梯度直方图和纹理特征后,训练两个独立的特征模板,线性加权融合得出滤波模型.其次,设计一个存放高置信度跟踪结果的标签库,记录跟踪结果的位置信息、置信度、使用次数.最后,在跟踪漂移或失败时,结合EdgeBox产生的目标候选框,并快速从标签库中获取重新跟踪的初始帧,在线训练更新滤波模型,从而使算法在长时间跟踪时保持较高的鲁棒性和高效性.在公开数据集上与流行算法进行对比测试,证明该算法在距离准确率、跟踪成功率和鲁棒性方面优于其他对比算法.研究结果表明,多特征融合方法能有效解决遮挡、颜色相近、形变等复杂场景下的长时间目标跟踪问题.     

基于模糊距离的红外图像小目标的精准匹配算法研究

提出了一种基于模糊距离的红外图像小目标的精准匹配算法.该算法从红外图像中获取特征点,以特征点为中心选取参考模板,利用特征模糊距离熵对小目标特征进行扩展,克服由于目标滑动造成的定位误差较大的弊端.实验结果表明,该算法很好的解决了红外图像特征目标跟踪技术中的跟踪点滑动和漂移问题,并满足实时性要求,鲁棒性稳定.     

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.     

基于增量学习的关节式目标跟踪算法

为实现对关节式目标的稳定跟踪,提出了基于增量学习的关节式目标跟踪算法.该算法应用图割法对目标矩形窗进行前景与背景分割,得到前景图像;然后对前景图像进行快速傅里叶变换,得到傅里叶系数矩阵,进而得到振幅图像,并将振幅图像作为跟踪目标的描述;最后将多个目标描述进行奇异值分解和主元分析,实现对跟踪目标的低维子空间描述.文中在粒子滤波框架下实现了整个跟踪算法.实验结果表明,该算法具有较稳定的关节式目标跟踪效果.     

基于局部分块和背景加权的视觉跟踪算法

针对视觉运动目标的鲁棒跟踪问题,提出了一种基于局部分块和背景加权的跟踪算法。首先对目标的前景和背景区域进行分块采样,然后利用基于积分直方图的局部快速穷搜索算法计算每一个分块在当前帧中的后验概率图,最后对后验概率图确定的对应分块的搜索结果赋予不同的权值,进而计算出目标在当前帧中的位置。实验结果表明:基于局部分块加权的跟踪算法比单纯的背景加权跟踪和分块跟踪具有更高的跟踪精度和成功率,且算法复杂度较低。     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

参数轮廓模型的目标跟踪

为了减少背景噪声和不相干边缘的影响,提出了一种基于方向能量的边缘选择方法,根据边缘检测的结果和由前一帧跟踪结果得到的预测轮廓构造能量函数,通过最小化能量函数进行轮廓跟踪,由于能量函数包含了预测轮廓和目标边缘信息,使得在跟踪目标轮廓变化的同时,又能保持目标形状的稳定性。实验表明:提出的跟踪方法可以在复杂背景下准确跟踪目标轮廓。     

基于压缩感知的在线多示例学习目标追踪

近年来提出的多示例学习算法在一定程度上能够克服模板漂移问题。然而,在线学习需要获取足够多的有用数据才能达到稳定的追踪效果,但是这却增加了算法的复杂度。为了解决这一问题,在压缩感知理论的基础上,运用随机观测的方法对多尺度图像特征进行降维,提取的这些低维特征中包含大量的有用信息。因此,我们提出的算法是先利用压缩感知理论提取目标特征之后,再使用在线多示例学习算法分类器对这些特征进行分类从而实现目标的稳定跟踪。通过对不同的图像序列进行实验,结果表明基于压缩感知的在线多示例学习算法对实时的目标追踪有很好的适应性。     

一种自适应颜色特征的目标识别与跟踪法

文中提出了一种自适应颜色特征的目标识别和跟踪方法,该方法结合图像颜色特征和形态特征对图像进行处理.首先依据颜色特征对帧图像进行初步处理,利用图像数学形态学的运算特点,对初步处理的结果进行修正补偿.在识别跟踪过程中,作为识别依据的颜色特征会根据目标颜色特征的改变自适应地进行更新.在类人足球机器人比赛中取得了比较理想的识别跟踪效果,应用证明该方法可以提高视觉子系统的实时性和精确性.     

基于图的流行排序的视觉跟踪

为了克服基于检测的目标跟踪中的模型漂移问题,在基于检测的目标跟踪框架下提出一种新的基于图的流行排序的目标跟踪方法。该方法能够抑制在跟踪过程中目标变形、尺度变化以及遮挡等带来的背景信息的影响。首先,把目标矩形框划分为不重叠的图像块,构造一个k-正则图,即以这些图像块为图结点,构造k-正则图,边权定义为结点之间的底层特征的相似性。其次,为每一个图像块分配一个权重,用于表示该图像块在目标表达中的重要性,以此抑制背景信息的干扰,并通过半监督的方式进行计算。特别初始化一些背景或目标图像块,设其权重为1,其他为0,通过流行排序算法计算所有图像块属于背景或目标的权重。此外,使用多尺度特征金字塔的方法处理跟踪过程中的目标尺度变化,同时提高了初始图像块的可靠性。最后,把所有图像块的底层特征进行加权,连接成一个向量,作为矩形框的特征表达,并使用结构化输出(Struck)算法进行跟踪。在几个公共视频序列上进行了实验,结果表明,研究方法的跟踪性能极大地超过了其他跟踪方法。     

基于视觉目标跟踪的侦察机器人导航方法

针对未知环境下侦察机器人的自主导航问题,提出了一种基于视觉目标跟踪的侦察机器人导航方法.首先利用二进制鲁棒独立元素特征(BRIEF)提取方法来检测和描述待跟踪视觉目标的局部不变特征点,在快速的特征匹配计算基础上提出由粗到精的目标定位两步法实现机器人导航过程中视觉目标的实时准确跟踪.其次对基于视觉目标跟踪的自主导航任务进行行为分解和实现,在行为中集成视觉目标跟踪算法.最后利用基于宏行为的机器人事务执行机制实现移向视觉目标的自主导航控制.实验结果表明,提出的方法能够使侦察机器人实时准确地跟踪视觉引导目标,在复杂障碍物环境下可靠地完成移向目标的自主导航任务.     

序列图像运动目标检测的一种快速算法

研究了序列视频图像中运动目标的检测与跟踪快速算法．研究基于Kalman滤波理论的渐消记忆最小二乘法，用该方法重建背景图像；采用图像差分算法提取运动目标；提出简化的等效灰度投影算法来计算目标的质心；采用记忆外推跟踪算法实现图像目标的跟踪，并且对全部算法做了仿真．仿真结果表明算法简单、有效、执行速度快、具有很强的适应性，能够用于单镜头序列图像中运动目标的检测与跟踪．