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.     

在线增量正交投影非负矩阵分解的目标跟踪算法

为了避免传统的跟踪算法对视频中遮挡、尺度变化、光照变化等现象的跟踪性能下降,提出一种基于L1范数约束和在线增量正交投影非负矩阵分解的目标跟踪算法.首先将L1范数引入IOPNMF子空间重构,使得学习到的新的基于部分的目标表示能够容忍不同的噪声干扰;同时,对正交投影系数进行L1范数约束,并采用循环操作求解IOPNMF子空间向量,保证算法能够处理动态的视频流以获得鲁棒的目标跟踪;最后,将跟踪目标表示为IOPNMF基向量的线性组合,并在观测模型中引入部分遮挡因素,有选择地对IOPNMF子空间进行更新.采用MATLAB实现本算法,并在8种具有遮挡、光照变化、尺度变化、运动模糊、背景杂乱等影响跟踪性能因素的视频上与其他6种算法进行对比试验.试验结果表明,新算法具有最低的平均中心点误差4.3像素,最高的平均覆盖率0.84,能够实现鲁棒稳定的跟踪.     

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.     

基于加权背景感知框架的相关滤波视觉跟踪算法

为了解决场景中可能发生的运动模糊、快速移动、尺度变化、光照变化、目标遮挡、复杂背景等场景变化问题,融入背景感知可以有效地提高视觉跟踪算法的鲁棒性.提出了基于加权背景感知框架的相关滤波(WBACF)视觉跟踪算法.根据背景中不同区域与跟踪目标运动相似度的大小,赋予背景区域不同的权值,计算权值矩阵,从而训练相关滤波器.通过在...     

选择性搜索和多深度学习模型融合的目标跟踪

提出一种基于深度学习的多模型(卷积神经网络和卷积深信度网络)融合目标跟踪算法.该算法在提取候选粒子方面,使用选择性搜索和粒子滤波的方法.CVPR2013跟踪评价指标(50个视频序列、30个跟踪算法)验证了:该算法在跟踪中能有效地缓解目标物体由于遮挡、光照变化和尺度变化等因素造成的跟踪丢失情况的发生.     

基于前景策略和场景信息的目标跟踪系统

为解决目标跟踪算法中的某些难点问题,提出以Mean-shift算法为基础,基于高斯混合模型(GMM)前景分割和场景信息的MGSI方法.该方法基于运动预测和前景分割为目标跟踪提供感兴趣区域(ROI),解决了跟踪目标与背景相似情况下目标识别中的误报问题.同时,通过场景信息的预先设定来获取某些先验知识,如屏蔽区域的划分、区域中目标模板更新的频率、遮挡类型的预判等,并根据先验知识来调整跟踪策略,一定程度上解决了遮挡问题.实验证明,基于MGSI方法的目标跟踪系统在一定程度上解决了光照变化、背景干扰、模板更新、遮挡等传统跟踪系统中存在的问题,有效提高了跟踪的准确率.     

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.     

自适应的免疫粒子滤波车辆跟踪算法

针对真实场景中的车辆跟踪问题, 提出一种改进的粒子滤波车辆跟踪算法. 通过免疫重采样框架减少粒子退化, 保证粒子滤波的有效性, 并参照人工免疫算法的思想建立记忆库, 使算法可较长时间地跟踪目标; 利用背景权重直方图和分块判别机制减少因遮挡导致的跟踪偏离, 同时在运动模型和抗体变异过程中加入自适应学习参数, 提高算法的鲁棒性. 实验结果表明, 在光照变化、 运动突变、 目标遮挡等不同条件下, 该算法具有稳定跟踪的能力, 验证了算法的有效性.     

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ICT算法的复杂状态目标实时跟踪

针对压缩跟踪(CT)算法不能解决跟踪目标形变、被遮挡、光照变化等问题,提出改进的压缩跟踪(ICT)算法.采用卡尔曼预测下一帧中的目标状态,从而减小搜索域,并在目标被遮挡时估计运动轨迹;采用定向二进制特征(ORB)匹配算法,跟踪形变目标和判断目标是否被遮挡;采用ORB匹配跟踪、CT检测和贝叶斯学习相结合的方法,融合ORB匹配跟踪和CT检测,输出最优结果,减弱光照变化的影响,提高跟踪帧率的同时增强鲁棒性.实验结果表明:ICT算法能准确地跟踪形变及被遮挡目标,跟踪效果在多种数据集上表现出更高的鲁棒性和精确性,平均帧率达到74.137Hz,具有良好的实时性.     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出了一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

一种抗遮挡的运动目标跟踪算法

针对当前目标跟踪算法受环境干扰大、抗遮挡能力差等不足,设计一种抗遮挡的运动目标跟踪算法.首先分析经典运动目标跟踪算法——均值漂移算法的局限性,然后从目标候选特征中选择对跟踪贡献最大的显著特征,并采用自适应的模板更新策略提高运动目标精度.仿真实验结果表明,该算法能对运动目标进行准确、实时跟踪,加快了运动目标跟踪速度,且对遮挡目标具有良好的鲁棒性,可获得更理想的运动目标跟踪结果.     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

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.     

改进理解诊断跟踪系统的目标跟踪方法

针对目标跟踪过程中出现的遮挡、光照变化、背景复杂等问题,使用了理解诊断视觉跟踪系统,即把跟踪器分成5个组成部分的跟踪系统,这5个部分分别是运动模型、特征提取器、观察模型、模型更新器以及总体处理器。结合Haar矩形特征的原理,提出了3种Haar-Like特征,用在特征提取器模块。为了提高跟踪的精准性,引入一个简单且快速的鲁棒性算法来改进系统中的运动模型,该方法利用了视觉跟踪中的上下文关系,建立基于贝叶斯框架的目标以及其周围环境的时空关系,在检测方面使用了快速傅里叶变换方法,提高了算法的鲁棒性,使跟踪更加精准,并且在处理遮挡、光照变化、背景复杂等问题上有着较好的效果。     

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。     

基于运动模型和数据关联的多目标跟踪

在多目标跟踪的拥挤场景中,目标之间的相互遮挡以及目标外观变化,给多目标跟踪中的目标位置预测和数据关联带来了很大的挑战.利用卡尔曼滤波算法建模目标运动模型对目标轨迹进行预测,能够有效缓解目标外观变化的影响.数据关联是多目标跟踪中的重要组成部分,为此,设计了一种相关性网络来处理多目标跟踪中的数据关联.实验结果证明：利用运动模型在跟踪速度上可以实现实时的跟踪效果,设计的相关性网络有效提升了跟踪器的跟踪精度.     

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.     

基于稀疏表示的目标跟踪算法

文中针对目标跟踪领域中有严重遮挡、光照变化、背景复杂等挑战性问题,提出一种基于稀疏表示联合外观模型的目标跟踪算法。在生成模型中,将得到的块结构的稀疏编码系数进行对齐汇集操作,并将汇集后的稀疏系数进行联合加权处理,这样保留目标的空间结构和局部信息来提高目标定位的精度与跟踪的鲁棒性,获得一个更加具有鲁棒性的外观模型。采用大量的测试视频和不同的主流算法进行对比,实验证明,文中提出的算法具有更高的准确性和鲁棒性。