融合全局灰度模板的改进CT算法

针对压缩跟踪（CT）算法在构建判别表观模型过程中提取背景像素稀疏Haar-like特征导致目标跟踪漂移加重的问题,提出一种融合归一化灰度直方图全局特征模板的改进算法。与局部特征模板相比,全局特征模板更适于对目标和背景进行判别。改进算法基于压缩感知理论提取局部稀疏Haar-like特征构建表观模型M1得到跟踪目标的第一个估计参数H（v）,提取归一化全局灰度直方图特征构建表观模型M2得到跟踪目标的第二个估计参数HD,使用H（v）和HD的线性组合作为表观模型利用贝叶斯分类器进行目标跟踪。实验结果表明,改进的算法提升了算法的鲁棒性,减轻了漂移问题。     

基于自适应核窗宽的红外目标跟踪算法

针对传统均值漂移算法无法对对比度低、尺度变化的红外目标进行有效跟踪的问题,提出一种改进MeanShift算法.首先融合灰度和纹理两方面的信息,并分别定义背景灰度和纹理加权系数,实现了目标的准确定位;然后,提出一种基于背景和前景目标相似度的核窗宽选取算法,自动选取窗口缩放比例,得到与目标尺度一致的跟踪窗口.实验结果表明,所提出的算法能够实现对红外目标的跟踪,并且对尺度变化的目标具有较好的适应性.     

分离窗口快速尺度自适应目标跟踪算法

针对核相关滤波器（KCF）跟踪算法在面对尺度变化时产生的目标漂移问题，提出一种分离窗口快速尺度自适应目标跟踪算法——FSACF。首先，通过直接对原始帧图像进行特征提取得到基于显著性颜色特征的全局梯度组合特征图，以减小后续的尺度计算对性能的影响；其次，对全局特征图采用分离窗口法，自适应地选取尺度大小并计算对应的最大响应值；最后，采用定义的置信度函数自适应地更新迭代模板函数，提高模型的鲁棒性。通过带有不同干扰属性的视频集上进行实验，发现FSACF算法与KCF算法相比，在精度上提升7.4个百分点，成功率提高12.8个百分点；与未采用全局特征和分离窗口的算法对比，处理速度上提升1.5倍。实验结果表明，FSACF算法在尺度变化发生时能有效避免目标漂移的产生，同时具有一定的效率，并在精度与成功率上均优于对比算法。     

一种改进的基于颜色直方图的实时目标跟踪算法

基于颜色直方图的目标跟踪算法主要是利用彩色图像的颜色直方图信息,在获得颜色直方图水平投影和垂直投影的基础上,综合考虑运动预测和帧间的相似性,确定目标的位置,并结合模板更新的思想不断自适应地调整被跟踪目标的模板,从而实现对目标的跟踪,本文提出了的算法在原有的基于颜色直方图的目标跟踪算法的基础上,进行了两个方面的改进：（1）提出一种改进的直方图定义,使本算法能更好地实现小且目标物体的跟踪;（2）采用双模板更新与匹配的方法,使本算法对突变情况具有更强的鲁棒性。实验证明,本算法在保证跟踪准确度的同时,可以满足实时跟踪的要求。     

基于均值漂移与卡尔曼预测相结合的视频运动目标跟踪算法

传统的均值漂移算法是基于颜色直方图的迭代跟踪算法,在跟踪目标出现尺度变化的情况下,其跟踪结果往往出现偏差,甚至跟踪失败。鉴于此,提出了一种基于空间边缘方向直方图的均值漂移跟踪算法,使用空间分布和纹理信息作为匹配信息,将卡尔曼预测器融于均值漂移跟踪算法。实验表明,该方法能在尺度缩放等复杂背景下对目标进行准确有效的跟踪。     

改进STC和SURF特征联合优化的目标跟踪算法

针对传统时空上下文目标跟踪(STC)算法中目标窗口不能适应目标尺度变化,导致对目标针对性不强等问题,提出改进STC和SURF特征联合优化的目标跟踪算法(STC-SURF)。首先利用加速稳健(SURF)特征算法对相邻的2帧图像提取特征点并进行匹配,再通过随机抽样一致(RANSAC)算法消除误匹配,提高匹配精度。进而根据2帧图像中匹配特征点的变化对目标窗口进行调整。最终对STC算法中模型的更新方式进行优化以提高跟踪结果的准确性。实验结果表明,STC-SURF算法能够适应目标尺度变化,并且其目标跟踪成功率优于TLD算法和传统STC算法的。     

一种基于改进CAMshift的多特征跟踪算法

针对传统CAMshift跟踪算法在复杂环境中跟踪效果不理想的问题,论文提出融入基于纹理特征的SURF算法与改进CAMshift算法形成多特征融合跟踪算法。通过基于色调分量H和饱和度分量S联合生成目标直方图模板,利用完整的目标颜色信息特征增强算法对复杂环境的适应能力。为进一步提高算法的鲁棒性,利用SURF算法实现跟踪目标的重定位,克服了复杂环境下丢失目标后跟踪问题。实验证明,论文提出的多特征融合算法在保持理想的鲁棒性和准确性的同时,也提高了跟踪的实时性。     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

基于压缩感知的多特征加权目标跟踪算法

针对被跟踪目标运动、纹理或环境变化时, 采用基于压缩感知目标跟踪算法目标易漂移、丢失的问题, 提出了改进的压缩感知目标跟踪算法。通过压缩感知算法提取灰度和纹理特征, 计算特征对样本分类结果并更新特征的权值, 使用加权过的特征寻找目标在下一帧的位置。对不同视频的测试结果表明, 提出的算法在目标运动、纹理或环境变化的情况下跟踪准确, 在目标大小80×120像素时平均帧速为25 fps。与传统的压缩感知跟踪算法和其他跟踪算法相比, 所提出的算法在目标运动、纹理或环境变化时能快速准确地获取跟踪目标, 并具有更强的鲁棒性。     

自适应特征融合的核相关滤波跟踪算法

为解决单一特征目标跟踪算法因光照变化、目标遮挡导致的跟踪失败问题,提出一种自适应加权融合颜色属性特征和方向梯度直方图特征的核相关滤波目标跟踪算法.首先根据目标颜色属性特征和方向梯度直方图特征,采用核相关滤波方法获得2种特征下目标的预测位置;然后分别计算2个目标位置的核相关滤波响应值,据此响应值大小按比例分配目标位置权重,获得目标的最终预测位置,提高了目标定位的精度;最后采用相邻2帧图像的平均差来分析图像的变化率,按变化率分段调整分类器的学习速率,解决目标遮挡导致的跟踪失败问题.在9组标准测试视频集下验证文中算法,并与3种核相关滤波跟踪算法进行比较的结果表明,与其中最优算法相比,该算法跟踪目标的平均中心位置误差减少16.78个像素,平均距离精度提高11.01%,平均重叠精度提高14.87%;在目标严重遮挡情况下,该算法依然能够稳定地跟踪目标.     

核函数带宽自适应的Mean-Shift跟踪算法

为了实现Mean-Shift跟踪算法中的核函数带宽自适应更新,提出基于比较Bhattacharyya系数的新方法。首先用模板中心加权与目标边缘加权的直方图计算巴氏系数,跟踪时用候选目标边缘加权直方图与模板中心加权直方图计算新的巴氏系数,根据两个系数的大小对核带宽进行10%的缩放。实验表明,该方法有效克服了带宽只能缩小的问题,实现了跟踪窗对目标缩放的自适应性。     

深度信息辅助的均值漂移目标跟踪算法

参考目标模型中混入的背景噪声会弱化目标特征的描述,导致目标跟踪定位误差。为减少误差,依据目标与背景处于不同深度平面的特点,提出了基于深度信息辅助的和改进的背景加权直方图的MeanShift跟踪算法,能够有效削弱核窗口中的背景干扰信息,突出目标的颜色特征信息,并适时自适应更新核带宽,减少因目标尺寸变小时引入较多的背景干扰信息。实验结果表明该算法迭代次数更少,具有良好的跟踪定精度。     

特征融合和聚类核函数平滑采样优化的粒子滤波目标跟踪方法

针对复杂场景下的目标跟踪问题,提出了一种改进的粒子滤波目标跟踪方法。利用背景加权后的联合直方图描述目标灰度和梯度特征信息,在粒子滤波算法的框架下,设计了一种自适应特征融合观测模型来适应场景的不断变化;同时针对传统粒子滤波算法存在的粒子退化问题,提出了一种基于聚类核函数平滑采样的方法。理论仿真和实际场景的实验结果表明,该算法适应性更强,精度更高,能有效跟踪复杂场景下的运动目标。     

基于改进Mean Shift和SURF的目标跟踪

传统颜色直方图的Mean Shift（MS）算法只考虑了目标颜色的统计信息,不包含目标的空间信息,当目标颜色与背景颜色相近或目标对象发生光照变化时,容易导致不准确跟踪或跟踪丢失。针对该问题,提出了一种融合改进MS和SURF的跟踪算法。改进的MS算法根据目标对象的最新外接矩形尺寸,确定对象的分块方法,根据各块的Bhattacharyya系数值,确定各块的权重系数,获得初步的跟踪结果;采用SURF特征匹配和校正的方法对其初步跟踪结果进行调整;采用线性加权的方法融合改进的MS和SURF跟踪结果,得出最终的跟踪结果。实验表明,提出的融合改进MS和SURF的跟踪算法,比传统的MS算法和固定分块的MS算法都具有更好的跟踪性能。     

基于改进的颜色和SURF特征的粒子滤波目标跟踪

针对视频中运动目标的准确跟踪问题,提出了一种改进的颜色直方图特征和SURF特征的粒子滤波跟踪算法。采用SURF算法提取特征点,利用分层迭代的KLT算法对特征点进行稳定跟踪。将SURF特征与改进的视觉显著性颜色特征进行乘性融合,作为粒子滤波的观测概率。针对跟踪过程中SURF匹配数下降和不稳定的现象,设计了SURF特征模板集的更新策略。与传统特征的跟踪进行多组对比实验,其结果证明了该方法对光照和遮挡具有很好的鲁棒性,对目标跟踪的准确率更高。     

遮挡判定下多层次重定位跟踪算法

目的 目标遮挡一直是限制跟踪算法精确度和稳定性的问题之一,针对该问题,提出一种抗遮挡的多层次重定位目标跟踪算法。方法 通过平均峰值相关能量动态分配特征权重,将梯度特征与颜色直方图特征动态地结合起来进行目标跟踪。利用多峰值检测和峰值波动情况进行目标状态判定,若目标状态不理想,则停止模板更新,避免逐帧更新导致目标漂移,继续跟踪目标;若判定目标遮挡,则提取对应特征点,使用最邻近距离比进行特征匹配和筛选,丢弃负样本的最邻近样本作为二次筛选,利用广义霍夫变换进行第3次筛选并重定位目标,对目标继续跟踪。结果 在标准数据集OTB（object tracking benchmark）100和LaSOT（large-scale single object tracking）上的实验结果显示,本文算法的精确率分别为0.885和0.301,相较于Staple算法分别提升了13.5%和30.3%。结论 在目标发生遮挡的场景中,本文方法能够重定位目标并且继续跟踪,优化后的模板更新策略提高了算法速度。目标状态的判定有效估计了目标遮挡问题,可以及时采取应对策略,提高算法在复杂环境下的稳定性。     

一种自适应模板更新的判别式KCF跟踪方法

为了解决单目标跟踪算法中存在的目标旋转、遮挡和快速运动等挑战,提出了一种基于自适应更新策略的判别式核相关滤波器（kernelized correlation filter,KCF）目标跟踪新框架。构建了外观判别式模型,实现跟踪质量有效性的评估。构造了新的自适应模板更新策略,能够有效区分目标跟踪异常时当前目标是否发生了旋转。提出了一种结合目标检测的跟踪新构架,能够进一步有效判别快速运动和遮挡状态。同时,针对上述3种挑战,分别采用模板更新、目标运动位移最小化以及目标检测算法实现目标跟踪框的恢复,保证了跟踪的有效性和长期性。实验分别采用2种传统手动特征HOG和CN（color names）验证提出的框架鲁棒性,结果证明了提出的目标跟踪新方法在速度和精度方面的优越性能。     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

基于粒子滤波和多特征融合的目标跟踪算法

为了克服单纯基于颜色特征的跟踪方法在复杂环境下易导致跟踪失败的缺点,提出了将颜色和结构信息相结合的跟踪方法.利用基于HSV颜色空间的加权颜色直方图表示目标的颜色模型,利用目标的灰度图像建立结构模型,并将两者融合于粒子滤波的框架中,结合的纽带就是粒子权值的计算,同时自适应的调整颜色和结构信息的融合系数.实验表明,该算法的稳定性较高,同时提高了跟踪的精度.     

基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。