结合帧差法的尺度自适应核相关滤波跟踪

为处理复杂应用场景下核相关滤波器跟踪效果不理想的问题,提出了一种结合帧差法的尺度自适应核相关滤波跟踪算法。在训练得到相关滤波器后,借助帧差法来处理下一帧图像,获得目标的预测位置,扩充算法的检测区域;然后通过尺度池构建多尺度待检测图像块集,通过相关滤波器来求得最大响应,估计出目标的最佳位置和最佳尺度;最后利用平均峰值相关能量(average peak-to correlation energy,APCE)作为跟踪置信度指标,引入高置信度更新机制,在目标被遮挡时,停止更新模型,防止误差被积累,提高正确率。在OTB100数据集上与若干视觉跟踪算法进行了对比实验,改进算法的成功率和距离精度均表现最优,比KCF算法高出21.7个百分点和12.0个百分点。该算法在目标快速运动、尺度变化、遮挡等复杂场景下,均具有较强的精确性和鲁棒性。     

基于多尺度建议框的目标跟踪误差修正方法

随着深度学习技术引入视觉目标跟踪领域,目标跟踪算法的精度和鲁棒性有了很大的提高。但在低空无人机跟踪目标的实际场景中,情况比较复杂,如相机的抖动、大量的遮挡、视角和焦距的改变等,使得跟踪算法的准确性受到极大挑战。目前的算法大多建立在目标外观变化缓慢的前提假设下,在跟踪的过程中不具备检测和修复漂移（跟踪误差）的能力。针对该问题,提出了一种基于多尺度建议框的目标跟踪误差修正方法。离线阶段,利用大量的已标注的目标样本训练基于多尺度建议框的目标跟踪修正模型,获取不同类别目标的先验知识。在线阶段在核相关滤波跟踪的基础上,依据相关响应置信度自适应评价的结果,通过目标跟踪修正模型不定期重新初始化目标的位置,避免了因为误差累积而导致跟踪失败。算法在无人机航拍数据集上进行了测试,结果表明,该跟踪算法在目标发生较大形变的情况下能较好的修正跟踪漂移问题。相比于其他几种算法,目标跟踪的成功率和精度分别提高了14.3%和3.1%。     

基于OpenCV的运动目标检测与跟踪

基于OpenCV开源平台开发了一种多运动目标检测和跟踪的自动化智能方案.针对多个运动目标在复杂场景中的情况,无法根据背景差和帧间差的方法来确定目标是否首次出现,根据新目标期望出现的位置范围和轮廓面积大小采用筛选法来判断目标的性质.利用CAMShift跟踪算法提取每个目标的颜色特征信息,实现对多个运动目标的跟踪,最后将运动目标的轮廓和运动轨迹描述出来.实验结果表明,在目标颜色特征明显的情况下文中方法具有很好的鲁棒性和精确性.     

面向人体运动视觉跟踪的多线索融合算法

为了跟踪人体的运动轨迹,结合人体运动图像的颜色特征、预测目标位置特征和运动连续性特征,提出一种面向视觉跟踪的多线索融合算法.该算法采用连续自适应均值漂移技术,其中,颜色特征采用色调和饱和度特征、红色信道特征、绿色信道特征以及蓝色信道特征,对于遮挡和位姿的改变实现了较好的鲁棒性;预测目标位置特征利用帧差技术实现;运动连续性特征根据帧间连续性完成.实验结果表明,文中算法比单一线索的算法更加鲁棒,取得了比协作均值漂移跟踪算法更好的跟踪效果,并可以处理目标被部分遮挡、目标环境的颜色饱和度较低等情况.     

残差深度特征和漂移检测的核相关滤波跟踪

传统特征的片面性,传统跟踪模型对于模型漂移问题检测手段和补救措施的缺乏,限制着传统跟踪算法的性能.因此,本文提出了一种残差深度特征和漂移检测的核相关滤波跟踪算法.通过卷积神经网络提取分层特征,在卷积神经网络加入残差结构,连接不同的网络层,实现浅层和深层特征的融合.不需要人为设计特征融合方式,网络结构能够自动实现特征融合的功能.用深度特征区分目标和背景,比传统特征更具有分辨力,跟踪结果更精确;在预测当前帧的目标位置时,设计了一个响应强度下降计数器.计数器根据相邻连续帧响应强度的变化计数.每一帧根据计数器的数值判断是否出现模型漂移,并采取相对应的模型更新方案作为补救措施.响应强度下降计数器检测模型漂移的策略能够处理不同场景下跟踪目标的任务,实现鲁棒跟踪.在与当下的几种跟踪算法比较中,本文提出的跟踪算法在跟踪精度和鲁棒性都优于所对比的算法.     

自适应尺度的上下文感知相关滤波跟踪算法

为了解决目标跟踪中常见的尺度变换、相似目标、背景嘈杂等问题,提出了自适应尺度的上下文感知相关滤波跟踪算法。针对以上问题,在相关滤波跟踪算法的基础上将目标周围的上下文信息作为硬负样本引入分类器中学习,强化分类器的判别能力;通过尺度池在线学习判别式尺度滤波器,在目标位置估计最佳目标尺寸;通过图像帧差均值来评估目标状态并自适应调整模型更新的学习率。实验结果表明提出的算法在快速运动、目标形变等场景下鲁棒性较好。     

多特征融合的次峰抑制无人机目标跟踪

无人机目标跟踪是计算机视觉一个热门的研究方向。多特征融合后的响应通常含有噪声，为了解决这个问题，提出一种基于多特征融合的次峰响应抑制的无人机目标跟踪算法。提取HOG特征和二维颜色属性特征，并进行融合产生响应。对次峰响应进行抑制以去除噪声，将多个次峰聚合为一个中心主峰。引入自适应模型更新策略进一步增强算法的鲁棒性。在UAV123和VisDrone2019数据集上进行实验，结果显示该算法在无人机的快速运动、视角变化等挑战场景中表现出较好的跟踪精度和鲁棒性。     

基于双直方图自适应选择的目标跟踪算法*

针对传统的均值漂移算法,加入了梯度方向直方图及其与颜色直方图的自适应选择,提高了均值漂移算法在复杂场景中目标跟踪的鲁棒性。传统的均值漂移算法往往选择固定的一个颜色直方图对目标进行跟踪,当目标自身或者跟踪场景发生变化时,容易跟踪失败。通过分析被跟踪目标在当前场景中与目标模板在颜色以及梯度方向上的相似性并设定阈值,从而选择并使用当前有效的目标特征,实现复杂变化场景下的目标跟踪。一系列不同场景下的运动目标跟踪实验,证实了该算法的可靠性。     

无人机场景下尺度自适应的车辆跟踪算法

为解决传统相关滤波算法对无人机(UAV)拍摄视频中的车辆进行跟踪时,因目标车辆尺度变化而产生模型漂移的问题,提出了一种改进的尺度自适应的车辆跟踪算法.该算法基于核相关滤波,通过构建区分尺度的空间跟踪器,即利用两个滤波器分别对目标车辆的位置进行定位,对目标车辆的尺度进行估计,以此来快速确定目标相关信息,实现对目标车辆尺度的自适应.此外为解决目标车辆因快速形变而导致跟踪效果不佳的问题,还加入了对形变不太敏感的颜色特征,增加滤波器的鲁棒性,采用统计颜色特征方法,不受模板类特征限制.该改进算法在经过OTB和UAV数据集中28段车辆相关的视频序列测试后,平均距离精度为80.8％,平均成功率为82.7％,FPS达到了58.24.实验表明该算法可以提高在无人机场景下对车辆的检测跟踪效果,能够有效解决目标车辆因尺度变化和快速形变产生的问题,相比于其他核相关滤波算法有着更优秀的跟踪精度和实时性.     

基于相关滤波融合多特征的运动目标跟踪方法

针对复杂环境下仅使用单一图像特征跟踪精度和鲁棒性差的问题,提出一种多特征融合的相关滤波目标跟踪算法。该算法首先从目标和背景区域分别提取方向梯度直方图(Histogram of oriented gradient,HOG)特征、颜色直方图特征和卷积特征,采用固定权重方法融合HOG特征和颜色直方图特征的特征响应图,然后将该层融合结果与卷积特征响应图采用自适应权重融合策略进行融合,基于融合后的响应图估计出目标位置,并采用尺度估计方法解决目标尺度变化问题,最后采用稀疏模型更新策略进行模型更新。在OTB-2013公开标准测试集中验证本文算法性能,并与主流的目标跟踪算法进行了对比分析。实验结果表明,与其中最优算法相比,本文算法的平均距离精度值和平均重叠精度值都有所提高。本文算法由于有效地利用了HOG特征、颜色直方图特征和卷积特征,在复杂场景下目标跟踪的准确性和鲁棒性都优于其他算法。     

融合相关粒子滤波目标跟踪算法

相关滤波算法因其优越的高效性和鲁棒性被广泛应用于目标跟踪领域,但是该算法无法很好地处理目标遮挡和尺度变化等问题。针对该现象,提出了一种融合相关粒子滤波目标跟踪算法,该算法采用多个相关滤波器,学习到更多目标信息和背景信息,提高了目标与背景辨识度,并且引进了粒子滤波随机采样策略,在目标离开遮挡物时能够快速捕捉到目标。在尺度估计中引入了多尺度因子,对定位到的目标进行多尺度缩放,选用与滤波器响应值最大区域对应的尺度因子作为缩放比例,从而对目标进行尺度更新;粒子滤波算法随着粒子数目的增加,其计算量也随着增加,针对该问题,提出了基于粒子繁衍的重采样算法,在跟踪效率上做了提升。对提出的算法进行了三部分对比实验,实验结果验证了提出算法在处理目标遮挡和尺度变化问题上的有效性。     

遮挡判别下的多尺度相关滤波跟踪算法

目的 复杂环境下,运动目标在跟踪过程中受尺度变换以及遮挡因素的影响,跟踪准确率较低。针对这一问题,提出一种遮挡判别下的多尺度相关滤波跟踪方法。方法 首先选取第1帧图像的前景区域,训练目标的位置、尺度滤波器和GMS（grid-based motion statistics）检测器。然后,通过位置滤波器估计目标位置,尺度滤波器计算目标尺度,得到初选目标区域。最后,利用相关滤波响应情况对初选目标区域进行评估,通过相关滤波响应值的峰值和峰值波动情况判断是否满足遮挡和更新条件。若遮挡,启动检测器检测目标位置,检测到目标位置后,更新目标模型;若更新,则更新位置、尺度滤波器和GMS检测器,完成跟踪。结果 本文使用多尺度相关滤波方法作为算法的基本框架,对尺度变化目标跟踪具有较好的适应性。同时,利用目标模型更新机制和GMS检测器检索目标,有效地解决了遮挡情况下的目标丢失问题。在公开数据集上的测试结果表明,本文算法平均中心误差为5.58,平均跟踪准确率为94.2%,跟踪速度平均可达27.5 帧/s,与当前先进的跟踪算法相比,本文算法兼顾了跟踪速度和准确率,表现出更好的跟踪效果。结论 本文提出一种新的遮挡判别下的多尺度相关滤波跟踪算法。实验结果表明,本文算法在不同的尺度变换及遮挡条件下能够快速准确跟踪目标,具有较好的跟踪准确率和鲁棒性。     

基于像素分类的多尺度无人机航拍目标旋转跟踪算法

针对无人机（UAV）跟踪过程中垂直跟踪框在处理尺度变化、相似物体和纵横比变化时限制了跟踪精度提升的问题,提出一种基于像素分类的多尺度UAV航拍目标旋转跟踪算法。首先,设计MS-ResNet以提取目标多尺度特征;然后,在具有正交特性的多通道响应图上设计像素二分类模块,从而进一步精确细化分类和回归分支的结果;同时,为了提高像素分类精度,使用并行通道空间注意力（scSE）模块在空间域和通道域上筛选目标特征;最后,在像素分类基础上生成贴合目标实际大小的旋转跟踪框,从而避免正样本受到污染。实验结果表明：所提算法在无人机跟踪数据集UAV123上的成功率和准确率分别为60.7%和79.5%、与孪生区域建议跟踪网络（SiamRPN）相比,成功率与准确率分别提升了5个百分点、2.7个百分点,同时速度为67.5 FPS,满足实时要求。所提算法具有良好的尺度适应能力、辨别能力和鲁棒性,能有效应对UAV跟踪任务。     

自适应多特征融合相关滤波目标跟踪

目的 针对现实场景中跟踪目标背景复杂、光照变化、快速运动、旋转等问题,提出自适应多特征融合的相关滤波跟踪算法。方法 提取目标的HOG（histogram of oriented gradients）特征和利用卷积神经网络提取高、低层卷积特征,借助一种自适应阈值分割方法评估每种特征的有效性,得到特征融合的权重比。根据权重系数融合每种特征的响应图,并据此得到目标的新估计位置,利用尺度相关滤波器计算目标尺度,得到目标尺度完成跟踪。结果 在OTB（object tracking benchmark）-2013公开数据集上进行实验,在对多特征融合进行分析的基础上,测试了本文算法在11种不同属性下的跟踪性能,并与当前流行的7种算法进行对比分析。结果表明,本文算法的成功率和精确度均排名第1,相较于基准算法DSST （discriminative scale space tracking）跟踪精确度提高了4%,成功率提高了6%。在复杂场景下比其他主流算法更具有鲁棒性。结论 本文算法以DSST相关滤波跟踪器为基准算法,借助自适应阈值分割方法评估每种特征的有效性,自适应融合两层卷积特征和HOG特征,使得判别性越强的单一特征融合权重越大,较好表达了目标的外观模型,在背景复杂、目标消失、光照变化、快速运动、旋转等场景下表现出较强的跟踪准确性。     

Robust tracking with adaptive appearance learning and occlusion detection

It is still challenging to design a robust and efficient tracking algorithm in complex scenes. We propose a new object tracking algorithm with adaptive appearance learning and occlusion detection in an efficient self-tuning particle filter framework. The appearance of an object is modeled with a set of weighted and ordered submanifolds, which can guarantee the adaptability when there is fast illumination or pose change. To overcome the occlusion problem, we use the reconstruction error data of the appearance model to extract occlusion region by graph cuts. And the tracking result is improved with feedback of occlusion detection. The motion model is also integrated with adaptability to overcome the abrupt motion problem. To improve the efficiency of particle filter, the number of samples is tuned with respect to the scene conditions. Experimental results demonstrate that our algorithm can achieve great robustness, high accuracy and good efficiency in challenging scenes.     

鲁棒的自适应尺度和方向的目标跟踪方法

针对在视频序列图像目标跟踪中,跟踪目标尺寸和跟踪目标相对背景运动的方位角都在实时变化,常规目标跟踪算法会引起尺度和方向定位偏差,导致跟踪漂移,甚至跟踪失败问题,提出鲁棒的目标尺度和方向自适应的跟踪方法。在Kalman滤波框架下,通过将运动目标的最小外接矩形信息转化为Kalman滤波参数,对目标运动进行建模。采用基于最小外接矩形的两步块匹配搜索方式实现对目标的中心定位,然后采用增量式搜索匹配方法根据最优尺度和角度的判别条件修正目标尺度和方向角度。通过动态评估不同目标模型在不同跟踪场景中的置信度,对目标模型进行动态更新。使用公用视频图像序列测试,实验结果验证了该方法的有效性。     

一种自适应尺度与学习速率调整的背景感知相关滤波跟踪算法

针对跟踪过程中遮挡因素以及目标尺度变化因素导致的目标跟踪漂移问题,文中提出了一种自适应尺度与学习速率调整的背景感知相关滤波跟踪算法。该算法首先通过背景感知相关滤波器获得目标的初步位置信息;其次在背景感知相关滤波器的基础框架下训练尺度相关滤波器,以有效估计目标尺度变化,从而准确调整搜索区域的大小;然后根据响应图波动情况进行遮挡判定,利用平均峰值能量指标与最大响应值判定目标遮挡情况,自适应调整模型学习速率大小;最后,设计相应的模型更新策略,来提高模型性能。在OTB100 Benchmark数据集上进行测试,实验结果表明,该算法与背景感知相关滤波器相比,其成功率提高了6.2%,精度提高了10.1%,因此该算法能有效地处理遮挡、尺度变化等问题,提高了跟踪模型的成功率与准确率,同时具有实时的跟踪速度。     

基于孪生区域候选网络的无人机指定目标跟踪

基于孪生网络的目标跟踪目前取得了阶段性进展,即克服了孪生网络的空间不变性在深度网络中的限制,然而其仍存在外观变化、尺度变化、遮挡等因素影响跟踪性能。针对无人机（UAV）指定目标跟踪中的目标尺度变化大、目标运动模糊及目标尺度小等问题,提出了基于孪生区域候选注意力机制网络的跟踪算法Attention-SiamRPN+。首先,采用改进的深度残差网络ResNet-50作为特征提取器来提取特征;接着,使用通道注意力机制模块筛选残差网络提取出的不同通道特征图的语义属性,并重新为不同通道特征分配相应权值;然后,两个区域候选网络（RPN）进行分层融合,而RPN模块包括特征图的逐通道深度互相关、正负样本分类和边界框回归;最后框选出目标位置。在VOT2018平台上进行测试,所提算法的准确率和预期平均重叠率（EAO）分别为59.4%和39.5%;在OTB2015平台上采用一次通过评估模式进行实验,该算法的成功率和精度分别为68.7%和89.4%。实验结果表明所提算法的评估结果优于近年优秀的三种相关滤波跟踪算法和孪生网络跟踪算法,且该算法应用于UAV指定目标的跟踪上时具有良好的鲁棒性和实时处理速度。     

基于混合观测模型的粒子滤波跟踪算法

为了提高目标外观迅速变化时视觉跟踪算法的鲁棒性,提出了一种基于混合观测模型的粒子滤波跟踪算法。在粒子滤波构架下,使用加权核直方图模型结合mean shift算法对粒子进行初定位,通过正交子空间模型作为精确的观测模型,估计目标的最终状态。这样既能迅速地学习到目标外观变化的趋势,又避免了使用正交子空间而产生的跟踪漂移。实验结果表明,该算法在光照变化、姿态变化、遮挡的情况下,均具有较强的鲁棒性。