融合梯度特征的红外目标跟踪

Meanshift跟踪算法普遍采用单一的灰度空间进行红外目标跟踪,直方图所含信息量少,容易受目标和背景灰度变化的影响．文中提出一种融合梯度特征的红外图像Meanshift跟踪算法,该算法对边缘和结构特征的梯度值进行量化,建立梯度特征模型;利用Bhatta—charyya系数分别计算梯度特征和灰度特征的特征相似度;设置置信度系数,并利用置信度系数将梯度特征相似度和灰度特征相似度进行融合,得到综合相似度;针对综合相似度推导Meanshift迭代方程,通过迭代运算逐步逼近目标实现跟踪;利用灰度特征相似度和梯度特征相似度信息并结合置信度系数设计模型更新准则以提高跟踪鲁棒性．文中算法能够适应红外目标跟踪中目标与背景的变化,鲁棒性强且跟踪准确度高,仿真实验表明该算法较普通Meanshift算法性能有较大提高,跟踪精度也有所改善．     

基于自适应多特征表观模型的目标压缩跟踪

针对压缩跟踪算法中表观模型的视觉表达特征单一、统计模型缺乏柔性的问题,提出一种自适应的多特征表观建模方法.该方法引入了对梯度、边缘等图像细节描述能力更强的Surf特征,并通过构建两级观测矩阵解决多维特征的观测问题,与亮度特征进行融合,使视觉表达更加丰富、全面;通过计算正负样本特征所服从的概率分布曲线的Hellinger距离,分析特征对目标和背景的区分能力,自适应地调整统计模型中各特征之间的权重,使统计模型能更好地利用对目标跟踪有益的信息,根据目标和背景的变化及时进行更新.实验结果表明:该自适应多特征表观模型能更加准确地描述实际场景中目标和背景的复杂变化,在保持高效率的同时,极大地提高了跟踪算法的鲁棒性和准确性.     

一种基于多特征融合的视频目标跟踪方法

针对复杂场景下多特征跟踪算法适应性不强的问题,提出一种多特征有效融合和更新的目标跟踪方法.该方法首先在粒子滤波框架下采用加权融合的方式对目标进行多特征观测和相似性度量,通过分析粒子的空间集中度和权值分布建立一种有效的融合系数计算方法,使融合结果更加准确可靠.然后选取可信度高的特征检测遮挡,并动态调整目标模型的更新速度,以降低算法受目标变化和部分遮挡的影响.实验证明该方法对复杂的跟踪场景具有更强的鲁棒性,并适用于目标被遮挡时的跟踪.     

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明：所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的...     

基于粒子滤波的多区域辨识性建模跟踪算法

为使跟踪算法中的目标模型不被相同特征的背景像素所干扰,在粒子滤波的框架下引入多区域辨识性建模机制,提出1种新的鲁棒的目标跟踪算法。提出的算法侧重能够辨识前景与背景的最有效信息,把目标物体划分为多个子区域。通过统计子区域与背景类别的类内/类间特性选择出最具信息量的子区域。在选出的目标区域基础上,提出的算法以贝叶斯的方式同时考虑图像信息及空间信息,建立具有辨识性的目标表观模型,并在粒子滤波的更新阶段用以估量目标的所在区域。在一系列具有挑战性的视频序列上的实验结果证明了,在许多复杂场景下,提出的方法与传统的粒子滤波跟踪器相比的鲁棒性以及有效性。     

半监督Hough Forest跟踪算法

针对基于检测的目标跟踪算子存在着目标表观描述的准确性和对跟踪过程的目标表观变化的适应性之间的矛盾,提出一种较为柔性的半监督学习方法：以Hough Forests为基本学习框架,用离线学习的分类器作为先验跟踪算子,并引入基于跟踪过程中用检测得到的object-specific信息和空间一致性信息的随机标签分布,用来生成半监督学习所需要的在线数据样本,对跟踪算子进行修正|分类器的检测和跟踪环节与在线的Hough Forests分类器应用环节类似,但采用了类似粒子滤波的随机采样方式对检测和更新环节进行加速|用匀速运动模型对目标运动进行建模,使跟踪过程中的目标位置预测更加准确.算法在标准跟踪数据集合i-Lids和TUD-campus上与当前流行的目标跟踪算法在线Boosting算法、MILB和Hough Forests跟踪算法进行了比较实验.实验证明：监督Hough Forests分类器提供了解决分类器对目标表观表述的准确性和自适应性矛盾的一种有效机制|整个跟踪算法能够使目标跟踪过程更加快速、鲁棒与准确.     

基于概率图模型目标建模的视觉跟踪算法

提出了一种视觉跟踪任务中基于局部特征和概率图模型的目标建模方法,将目标表示为一组具有仿射不变性的区域特征,并通过概率图模型描述特征之间的空间约束关系。在目标跟踪过程中,首先在空域上利用信任传播算法,推断概率图模型中各个特征的状态,然后根据推断的结果设计改进的重要性采样函数,采用粒子滤波算法在时间域上对目标进行跟踪。为了适应目标在运动中的变化,模型根据特征的稳定程度自适应地进行更新。实验结果表明,该方法具有较强的鲁棒性,能够有效实现复杂场景下的目标跟踪。     

利用团块模型进行目标跟踪

提出了一种基于局部特征的目标跟踪算法．通过多尺度分析方法,根据颜色和空间上的相似性将目标分割为多个区域,每个区域由一个团块表示,团块包含了该区域所有像素的颜色均值、形状和位置．根据团块特征构造目标的外观模型,定义团块的匹配准则,通过团块匹配进行目标跟踪．由于目标模型是基于局部特征的,并且包含目标的全局空间结构,因此该算法在局部遮挡和目标尺度变化的情况下,依然能够进行准确地跟踪．实验表明该算法能够有效实现复杂场景下的目标跟踪,性能优于Mean-shift算法．     

采用粒子滤波和模糊聚类法的非线性多目标跟踪

提出一种新的非线性多目标跟踪方法,用模糊聚类算法实现数据关联,采用粒子滤波实现对各目标的独立跟踪．首先利用最大熵模糊聚类对目标和观测数据进行关联,采用模糊隶属度重建多目标滤波中的联合关联概率矩阵．然后利用粒子滤波适于处理非线性问题的特点,通过联合关联信息,采用粒子滤波独立对各目标进行滤波,实现对目标状态的更新．最后,将该算法应用于多传感器多目标纯方位角跟踪．仿真结果表明,相比于联合概率数据关联算法及MEF-JPDAF,新算法具有更高的跟踪精度．     

一种多特征融合的复杂场景动态目标跟踪算法

针对传统目标跟踪算法在目标形变、遮挡或光照变化等复杂场景下容易丢失目标的问题,提出了一种融合多特征的复杂场景动态目标长时间视觉跟踪算法,该算法基于跟踪学习检测(TLD)框架,首先,利用高斯二阶滤波器提取跟踪目标在不同方向的纹理信息,通过纹理信息采用Hessian矩阵计算图像曲面的主曲率,融合主曲率与RGB颜色信息建立目标特征概率直方图模型;然后,使用融合多特征的Mean Shift算法替代TLD框架中的光流法,降低跟踪模块的计算复杂度;最后,采用P-N学习策略构建快速级联检测器,实现跟踪失败时准确检测并重新初始化跟踪器快速修正跟踪结果.在OTB-50公开数据集和煤矿井下巷道视频上进行动态目标跟踪测试.结果表明:所提算法能够实现目标形变、遮挡或光照变化等复杂场景动态目标长时间跟踪,具有较高的鲁棒性和跟踪精度.