一种基于卡尔曼滤波的压缩跟踪算法研究

根据道路交通监控视频的特点,采用压缩跟踪(CT)算法进行运动车辆的检测与跟踪。在摄像头变化较大、运动车辆尺度变化和背景变化等情况下,CT算法均具有很强的鲁棒性。但是当车辆被遮挡时,跟踪算法容易失效。为了解决这一问题,提出使用卡尔曼滤波对遮挡的车辆进行轨迹预测。卡尔曼滤波能根据CT算法跟踪目标的轨迹,有效地预测目标遮挡时的轨迹。实验结果表明,本算法不但可以较好地处理跟踪车辆尺寸变化的问题,在车辆丢失或被部分遮挡时,能准确而稳定地跟踪车辆,而且具有很好的实时性,满足了工程应用的需求。     

基于ORB特征点匹配的多目标跟踪算法

视频中的多目标跟踪是计算机视觉领域的一个重要问题.针对多目标跟踪过程中由于目标缩放、旋转、扭曲以及遮挡等问题的存在导致目标易丢失的问题,提出了一种基于ORB特征点的多目标跟踪算法.首先利用"运动边缘生长"算法得到目标块,再利用目标块的ORB特征与特征模板的匹配来实现目标的关联.通过匹配过程,目标模板能够得到实时更新,即去除由噪声带来的过时的特征信息并添加进新的特征信息,保证特征模板的实时有效性,进而提高跟踪过程中匹配的可靠性.实验结果表明,本算法能够实时有效地处理目标由于形变以及局部遮挡而导致跟踪性能下降甚至跟踪目标丢失的问题,具有较好的鲁棒性.     

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。     

基于density-ORB特征的图像特征点匹配算法

针对ORB(Oriented FAST and Rotated BRIEF)算法中的Steer BRIEF描述子只通过比较两个像素点的灰度信息来决定0/1编码,容易产生特征点误匹配现象,本文提出基于像素密度(pixel density)的ORB特征描述子算法,利用两幅图像中相同区域的某一特征点邻域空间内像素密度的相似性原理,通过比较两个像素点的密度信息来决定0/1编码,计算误匹配率,验证了density-ORB算法在图像模糊、压缩、光照变化、视角变化等条件下的鲁棒性.实验结果表明,该算法减少了特征点的误匹配个数,特征点误匹配率比ORB算法降低了2.80%.     

融合SURF特征的压缩追踪算法

针对压缩追踪(Compressive Tracking,CT)算法在目标追踪中易受遮挡和扭曲变形干扰问题,结合该算法简单容易执行的追踪机制,提出一种融合SURF(Speeded-up robust features)和压缩特征的鲁棒性目标追踪算法。新算法有两方面的改进:一是在自适应更新目标外观模型的基础上,增加防止误更新外观模型机制,解决追踪过程中严重遮挡和扭曲变形问题;二是通过SURF特征点在前后两帧中的匹配关系,求解追踪目标尺寸变化,自适应调整目标模板大小。通过仿真实验表明:改进后的算法在公开的某些图像序列上的追踪效果良好,与CT算法及改进的CT算法相比正确性和鲁棒性上性能更优越。     

基于模板匹配与线性预测的目标跟踪算法

为解决复杂场景中目标遮挡、算法鲁棒性差的问题, 提出基于模板匹配与线性预测的算法。该算法分为模板匹配和线性预测两部分。场景中无遮挡物时, 执行模板匹配算法, 获取目标跟踪信息; 否则, 通过预测算法估计目标的状态, 进而实现目标跟踪。实验结果表明, 在目标有遮挡干扰的情况下, 采用该算法能稳定、准确地实现目标跟踪, 与传统的模板匹配算法相比具有较强的鲁棒性。     

结合PSO的改进压缩跟踪方法

针对基于在线检测的跟踪方法中目标在多尺度空间中的搜索和匹配问题,结合粒子群优化算法(PSO)和压缩感知思想,提出一种鲁棒的多尺度目标跟踪算法.首先,通过粒子群在多尺度空间中采集样本;然后,经过压缩感知提取特征;最后,通过粒子的迭代计算,搜索出当前目标的最佳匹配位置.实验结果表明:提出的算法能较好地适应目标的多尺度变化,在快速性和鲁棒性上具有更好的性能.     

一种改进的颜色粒子滤波目标跟踪算法

为实现运动目标精确跟踪,克服跟踪过程中目标的非线性运动以及由目标形变、遮挡和光照等因素带来的影响,本文提出了一种改进的颜色粒子滤波方法. 算法从提高目标模型描述能力入手,首先对直方图加权函数进行了改进,使模型对区域特征描述更加合理;然后针对颜色直方图特征对光照明敏感、易受环境干扰等缺点,将目标由颜色特征空间映射到对光照稳定、抗几何失真能力强的局部熵特征空间,构建了颜色局部熵观测模型;同时设计了目标模板的自适应更新策略,当目标受到严重干扰的时候动态调节粒子数目. 实验结果表明相比传统的颜色粒子滤波算法,本文算法具有更好的鲁棒性,能够在存在遮挡、光照变化、非线性运动等情况下实现稳定跟踪.      

基于随机蕨丛的长期目标跟踪算法

为了从根本上解决运动目标遮挡、环境光照变化、目标外观变化、目标运动速度过快等复杂情况下的目标跟踪问题,采用了将目标检测与标准的目标跟踪算法相结合的目标跟踪框架,提出了基于双向一致性误差评估的标准跟踪算法,提高了跟踪点的可靠性;采用随机蕨丛算法作为目标检测的主体,很好地解决了目标遮挡、消失等情况导致跟踪失败后无法重新初始化的问题.通过实验验证了所提出的目标跟踪算法能实现目标的长期跟踪,且具有很强的适用性.     

因式分解卷积运算的多尺度目标跟踪算法

针对因受到尺度变化、光照变化、形状变化以及相似目标等因素的干扰,目标跟踪过程出现漂移或算法过拟合现象等问题,提出了一种基于因式分解卷积运算的多尺度卷积运算.采用含有类似anchors机制的深度检测模型SSD,提取不同宽高比尺寸的特征减少漂移情况的出现,利用紧凑的样本集生成模型和优秀的更新策略等优点有效地解决了过拟合问题.结合ECO算法中的因式分解法提高在光照变化、尺度变化、遮挡以及背景杂波等方面跟踪效果.实验结果表明:该目标跟踪算法具有较强的鲁棒性和较高的跟踪成功率.研究结论可以提高目标跟踪算法的精确性、实时性.     

基于色彩分割与局部模型匹配的非刚性目标跟踪

针对固定监控场景提出了一种基于色彩分割与局部模型匹配的目标跟踪方案.利用自适应混合高斯背景模型提取前景运动目标,通过基于区域生长的色彩分割算法建立目标局部模型并实时更新,结合区域约束条件和模型特征匹配实现目标跟踪.实验结果证明,本算法能有效地实现多运动目标的跟踪,对跟踪过程目标部分遮挡与形变问题具有良好的适应性和鲁棒性.     

基于改进FAST检测的ORB特征匹配算法

针对ORB(oriented FAST and rotated BRIEF)特征匹配算法在实时性要求较高领域效果不佳以及在复杂光照环境下匹配精确率较低的问题,提出了一种基于改进FAST(features from accelerated segment test)检测的ORB算法。首先,对待处理的灰度图像进行分类,剔除掉部分灰度变化率较低的区域,然后提取FAST特征点并计算描述子,最后采用汉明距离完成匹配。此外,在提取FAST特征点时,设计了一种自适应半径,利用图像对比度自适应调整检测半径,当图像对比度突变时依然能够保证期望的特征点数量。实验结果表明,改进后的ORB算法匹配时间缩短了16. 47%,大幅提高了在复杂光照环境下的匹配精确率,具有较强的鲁棒性和实时性。     

强照度鲁棒的SLAM算法

ORB-SLAM算法通过ORB(oriented FAST and rotated BRIEF)描述子匹配特征点,其光照强度鲁棒性不足,难以在光照条件较差时应用。对此,利用HSV空间中色调(Hue)光照强度鲁棒性较强的特点,提出通过高斯混合模型于前端匹配时将色调加入ORB特征匹配的方法,以解决特征匹配时光照强度鲁棒性不足的问题。通过光束平差法(bundle adjustment)进行位姿优化后,基于贝叶斯滤波模型,根据当前场景构建视觉字典以完成回环检测,提高SLAM算法精度。实验结果表明,相比ORB-SLAM算法,在保证实时性不变的情况下,本文算法精度与光照强度鲁棒性有明显提升。     

基于自适应压缩跟踪算法的视觉目标跟踪

针对压缩跟踪算法在目标发生遮挡、快速移动、有相似目标情况存在跟踪漂移的问题,提出了基于卡尔曼滤波的自适应学习压缩跟踪算法.该算法首先利用压缩跟踪算法对目标进行定位,然后根据跟踪结果的置信图对分类器参数自适应更新,当判定目标严重遮挡时,利用卡尔曼滤波进行预测估计.实验结果表明,该算法相比目前先进的算法有更好的跟踪精度和鲁棒性,且算法平均跟踪速度39帧/s,能够满足实时性的要求.     

一种采用排名机制的分块在线压缩跟踪算法

基于分类学习的目标跟踪在面对环境中光照变化、目标姿态变化以及遮挡等复杂环境下容易出现漂移问题,为此提出一种基于分类器融合的压缩感知目标跟踪算法。使用压缩感知理论分块提取目标压缩特征,根据贝叶斯后验概率对特征进行筛选以构建目标模型,并提出一种二阶段样本搜索方法,通过粗搜索缩小样本的搜索范围,利用基于分类器排名的细搜索方法精确地找到目标的位置。实验表明,该算法与当前主要的算法相比具有较高的跟踪精度,以及良好的鲁棒性和实时性。     

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。     

基于证据理论和多核函数融合的目标跟踪

针对目标长时间大面积被物体遮挡所导致的跟踪位置偏差或丢失,提出一种基于证据理论和多核函数融合的目标跟踪方法.首先,采用Mean-Shift方法分别计算边缘方向直方图模型和颜色直方图模型;其次,使用特征融合的方法将2种特征模型进行融合;再采用多核函数计算出多个相对应的目标位置估计;运用基于证据理论的方法对已获得的不同目标位置估计进行判断取舍和计算,计算出最理想的目标区域作为最终的目标位置.经过这样的处理和计算可以保证在遮挡的情况下能够实时准确地跟踪上原始目标.实验结果表明,所提算法在处理目标大面积遮挡、光照变化等问题时具有更好的性能和鲁棒性.     

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。     

改进的几何活动轮廓演化及其在目标跟踪中的应用

为提高几何活动轮廓分割算法的分割效率和准确性,设计了新的边缘检测与跟踪算法.首先采用矢量图像计算图像的梯度值,并设计能够自适应调整阈值的边缘指示函数,进而提出改进的变分水平集演化模型;然后设计基于该改进模型的边缘检测算法,并在无迹卡尔曼滤波器框架下设计了运动目标的跟踪算法.实验结果表明,文中算法不但显著地提高了轮廓演化模型的灵活性和收敛速度,而且对阴影、遮挡、目标形变和背景干扰等具有较好的鲁棒性.     

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.