一种针对视频对象快速移动和遮挡的改进mean-shift跟踪算法

针对经典mean-shift算法在目标发生快速移动或受到局部遮挡时容易跟踪失败的问题,提出一种改进的mean-shift算法。首先以Bhattacharyya系数作为目标运动状态判断因子:当目标发生快速移动时,采用SSD(Sumof Square Difference)算法进行全局搜索,以此来指定当前帧mean-shift算法的初始跟踪位置;当目标受到局部遮挡时,采用背景相似度算法,对目标模板和候选模型区域中像素点进行加权,降低背景像素的干扰,然后由SSD算法进行局部匹配,对mean-shift算法的跟踪结果进行校正。经实验表明,改进算法对发生快速移动或受到局部遮挡的目标,能进行有效的跟踪。     

质心迭代图像跟踪算法

针对均值漂移跟踪算法对图像进行核函数加权处理的不合理性,且在图像跟踪中存在偏差的问题,提出了一种基于最大后验概率指标的质心迭代跟踪算法.首先分析了最大后验概率指标的计算特性,并指出该指标可以计算出每个像素对相似度的贡献值.以此为基础,提出了一种非参数非核的质心迭代图像跟踪算法,即将每个像素的相似度贡献作为密度,候选区域的相似度作为区域质量,通过计算初始候选区域的质心并经反复迭代,从而获得目标位置.理论分析和实验表明,所提算法无需核函数,迭代计算无需指数运算,降低了计算复杂度,同时利用了最大后验概率指标对背景的抑制作用,可大大提高跟踪的准确性.     

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。     

IPNet:帧间预测校验的多域卷积神经网络目标跟踪算法

针对现有卷积神经网络分类预测MDNet算法在线更新机制容易将错误样本引入网络模型,导致跟踪算法失效的问题,提出一种基于帧间预测校验的MDNet目标跟踪改进算法IPNet。该算法运用视频压缩领域的帧间预测方法和聚类算法,在前一帧目标跟踪位置的基础上,计算前后连续两帧中目标的相似度,估计出目标下一帧可能出现的候选区域,实现目标位置预测,达到校验跟踪结果的目的。IPNet算法能有效减少更新样本导致的跟踪失效问题,改善了在目标旋转、快速运动以及背景混杂等情况下的跟踪效果,提升了算法的跟踪性能。     

动态跟踪中背景补偿与目标运动估计

针对目标的观测位置信息中混入了背景运动的问题,提出一种特征点集与稀疏光流场相结合的背景补偿方法.通过Harris算子找出一组特征点,在相邻帧中通过计算每个特征点的局部最优匹配区域得到稀疏点集的光流向量.根据其光流方向概率分布,最终计算出背景的偏移量.通过背景补偿,得到目标的真实偏移量序列,带入Kalman滤波方程,对下一帧中目标的运动状态进行实时估计.实验表明,背景补偿后的预测精度在10个像素之内,每个均值迁移跟踪单元大约需要10ms,提高了跟踪的稳定性,有效减少了迭代次数.新的跟踪器能满足动态实时跟踪的要求.     

提高Mean-shift跟踪算法性能的方法

针对Mean-shift跟踪算法,在目标色彩特征不突出,或受到光照、阴影等影响,或有干扰物体靠近目标时,很容易发生跟踪错误等问题,采用色彩融合模版和位置预测来提高Mean-shift跟踪算法的性能.在对图像的RGB三色进行简单的线性融合的基础上,提出了根据前景和背景直方图的相似度函数去选取目标特征最突出的融合图像的算法,并据此建立3个目标模版.对目标的位置先进行卡尔曼预测,再用Mean-shift算法对3个模板分别进行跟踪,最后融合跟踪结果.实验结果证明,提出的方法能在复杂背景下跟踪目标,并能更好地应付阴影、光线等变化.此外,它能有效地避免相似物体靠近目标或者和目标交错引起的跟踪失败.     

联合时空特征的车辆跟踪

提出一种联合空间特征和时间特征的匹配准则,以实现对道路车辆的跟踪.计算目标区域与候选区域的加权累积灰度分布差异,结合运动的路径连续性特征来构造运动模式相关函数,以此作为目标匹配的判据.引入虚轨迹点补偿由于目标遮挡和检测失败等导致丢失的运动轨迹点,以实现对目标连续的、完整的跟踪.实验结果表明,算法能够实现多车辆的鲁棒跟踪,并且能够较好地解决目标相互遮挡下的跟踪问题.     

基于区域卷积神经网络的多目标跟踪算法

深度学习在目标识别、场景分割及图像内容理解上取得了不错的研究成果,但在目标跟踪的应用还较少。提出区域选择算法,先产生原始候选区域,再计算其中邻近区域对的颜色、纹理相似性,对原始候选区域进行过滤,在此基础上,将最终的候选区域作为基于区域的卷积神经网络的输入,通过深度学习的方法提取目标区域的特征,并将提取的特征通过线性支持向量机进行相似度判断,最终计算出跟踪目标的位置信息,同时,利用采样算法进行跟踪目标正负样本的采样,更新卷积神经网络和支持向量机。实验结果表明,基于区域的卷积神经网络算法在目标跟踪的准确率及算法的鲁棒性两方面均有不错的表现。     

三联神经网络与区域自适应策略融合的目标跟踪方法

为解决目标跟踪过程中快速运动模糊、背景相似干扰、目标状态变化等问题，基于孪生网络跟踪算法，提出三联区域候选神经网络（TripleRPN）算法与跟踪区域自适应策略（TAA）相融合的目标跟踪方法（TAA+TripleRPN）.三联区域候选神经网络根据当前跟踪结果实时更新网络匹配模板，提高了跟踪器对目标状态变化的敏感性.通过区域自适应策略，根据区域候选回归网络分类分支的得分在网络的两组输出间择优选择，提高算法长时跟踪的鲁棒性.针对背景相似干扰和目标状态变化的问题时，TAA+TripleRPN跟踪器能达到更好的跟踪性能.在OTB2015数据集上，算法的AUC达到66.31%，CLE达到88.28%.在实际场景中实现验证与应用，跟踪效果良好.      

边缘点颜色分布结合车牌自身结构的车牌检测

提出了一种基于边缘点颜色分布结合车牌自身结构的二次车牌定位方法。首先,根据牌照区域的纵向纹理特性,提取灰度图像的竖直边缘突出车牌特征,然后计算边缘点的颜色分布,滤除不满足车牌特定颜色搭配的背景边缘点,最后通过形态学运算、滤波、矩形区域覆盖等得到候选目标。在验证模块中,依据车牌的结构特征对候选区域进行验证分类,最终确定车牌位置。本文对实际收集的样本车牌图像进行试验,结果表明,算法对车牌目标定位具有较高的准确率。     

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。     

基于局部稀疏表示模型的海上红外目标跟踪方法

提出了一种基于局部稀疏表示模型的跟踪方法来有效解决跟踪过程中的目标遮挡问题.首先对目标进行分块,然后对每个块分别构造其稀疏字典,并通过衡量候选区域中每个块与目标模板对应块的相似度,获得每个块在目标图像中可能位置的置信图;再结合每个块置信图从而获得目标位置的最佳估计.实验结果表明,该方法与各种流行跟踪算法相比稳定可靠且具有良好的抗遮挡性,并对海上红外目标跟踪取得良好效果.实验结果验证了将稀疏表示应用在海上红外目标跟踪中的有效性及其良好的应用前景.     

融合深度特征与梯度特征的红外目标跟踪算法

由于红外序列图像目标与背景的对比度低,图像的边缘模糊并且灰度级动态范围小,采用何种特征描述目标成为跟踪的关键。深度特征和梯度特征是目前大部分跟踪算法采用的主要特征,然而深度特征提取的目标语义信息关注类间分类(Intra-Class),忽略类内差别,容易受到相似背景(Distractor)干扰;梯度特征作为局部区域特征不易受背景干扰,但不能适应目标的剧烈形变。基于这2种特征的互补性,提出一种融合深度特征和梯度特征的红外目标跟踪算法。深度特征与梯度特征被分别用来表征目标的语义信息与局部结构信息,增强了对任意目标的表征能力;利用不同特征建立的跟踪模型进一步提高了跟踪的鲁棒性。通过建立模型互助机制,利用深度特征跟踪模型与梯度特征跟踪模型的互补性,对目标实施了精准的定位。实验中,选取了最新的红外视频跟踪数据库(VOT-TIR2016)用来验证文中算法的有效性,结果表明：和当今主流跟踪算法相比,算法在精确度上获得了3.8％的提升,在成功率上获得了4.3％的提升,能够有效处理跟踪中相似背景与形变的影响。     

基于目标背景加权的核跟踪

在核跟踪(Mean Shift跟踪)算法中,目标的表示方法对跟踪性能有很重要的影响.传统的核跟踪算法只是通过计算目标模型和候选目标模型,对目标进行跟踪,没有消除背景的影响,特别是目标与背景相近的情况.对此,提出了一种目标背景加权的核跟踪算法,该算法是在跟踪过程中对目标模型进行背景加权,并且在目标的表示中采用颜色纹理联合直方图.为了验证跟踪的可靠性,利用跟踪位置与目标位置之间偏移量的均值和方差进行衡量.实验结果表明,与传统的跟踪算法相比,该算法在目标的表示和跟踪性能上有很大的提高.     

基于显著特征区域和概率图模型的目标跟踪

针对目标跟踪中的遮挡问题,提出一种基于局部显著特征区域和概率图模型的跟踪算法.提取目标的一组局部显著特征点,以局部显著特征点为依据,在目标区域中划分出多个感兴趣的显著特征区域;利用这组显著特征区域相互之间的空间位置关系,并结合各个显著特征区域自身的局部信息建立目标的马尔可夫随机场(MRF)模型;采用mean shift(MS)算法对各个显著特征区域分别进行跟踪,利用MRF模型对MS算法的跟踪结果进行概率推断,融合各个显著特征区域的权重,精确定位运动目标的最终位置.在多个视频序列上的实验结果表明,与改进的MS算法、粒子滤波算法以及分块跟踪方法相比,此算法具有较高的跟踪精度;尤其是当目标被遮挡时,该算法具有较好的跟踪鲁棒性.该算法充分利用了显著特征区域自身的局部特征和区域之间的空间结构信息,能够实现复杂情况下的运动目标的鲁棒跟踪.     

基于特征组合的视觉目标跟踪

针对大多目标跟踪算法仅关注目标特征的问题,提出同时采用目标特征及背景特征对目标进行跟踪.针对场景中灰度和梯度特征在跟踪过程中其分类性能动态变化,首先计算各特征似然度,然后根据各特征分类性能计算特征权重,求取加权似然图.根据该似然图,结合粒子滤波算法,进而确定待跟踪目标位置与尺寸.仿真结果表明,该方法对环境光照变化、目标尺寸变化、局部遮挡等均具有一定的鲁棒性.     

基于视觉显著性特征的自适应目标跟踪

为解决运动目标跟踪过程中候选目标信息描述单一的问题, 提出一种基于视觉显著性特征融合的自适应目标跟踪算法。提取目标颜色、颜色的变化、强度和运动信息构建目标四元数模型, 采用相位谱重建算法检测目标的显著图(Saliency Map), 并根据特征相似度大小自适应调整权值, 融合视觉显著性特征和颜色特征实现目标跟踪。实验结果表明, 该算法能有效克服部分遮挡和背景融合干扰, 从而实现复杂背景下目标的准确跟踪。     

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.     

基于多特征混合模型的视觉目标跟踪

用单一特征训练跟踪模型进行跟踪鲁棒性较差,为解决这一问题,提出一种多特征表示的混合模型跟踪方法,将生成跟踪模型与判别跟踪模型结合.在生成模型中,利用金字塔结构计算基于颜色的直方图特征表示并以此来计算目标和候选之间的匹配度;判别模型则采用由灰度特征,HOG特征和LBP特征融合训练得到的SVM分类器来判别候选是否为跟踪目标,接着将匹配度和分类结果结合产生对候选的评估,最终评估最高的候选作为跟踪结果同时也用来更新判别模型的训练集.在CVPR2013跟踪数据集上的实验结果表明,该方法能有效克服局部遮挡和背景干扰等问题,实现在复杂背景下的目标跟踪.     

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。