基于图像签名算法的视觉目标跟踪算法北大核心CSCD

针对视觉目标跟踪算法中存在的快速运动、尺度变化、形变和遮挡问题,提出基于图像签名算法的视觉目标跟踪算法。该算法以相关滤波算法为基础,通过多种特征构建目标的外观模型,提高了算法的跟踪精确度和稳健性;为了解决严重遮挡情况下的目标重定位问题,利用图像签名算法计算图像的稀疏显著性区域,获取候选目标的位置,通过分类器对候选目标进行重排名,实现目标重定位;采用尺度池策略和自适应模板更新策略,解决跟踪中的尺度变化问题和跟踪漂移问题。利用标准数据集测试所提算法的性能,结果表明,所提算法在跟踪成功率和精确度上均优于传统的相关滤波算法,能较好地解决快速运动、尺度变化、形变和遮挡情况下的目标跟踪问题。     

运动模型引导的自适应核相关目标跟踪方法

针对小型移动机器人对人体目标快速运动或遮挡导致的跟踪准确率降低甚至跟踪失败问题,通过建立足部运动模型预测双脚位置信息,获得核相关滤波(KCF,Kernel Correlation Filter)目标检测区域,再结合输出响应峰值邻域相关检测,提出了运动模型引导的自适应核相关滤波算法.对实际拍摄的七组不同情况下的视频进行了足部目标跟踪实验,结果表明运动模型引导的自适应响应KCF算法平均跟踪准确率最高,且在短时间遮挡情况下的算法跟踪准确率也达到86％,明显高于自适应响应KCF、BACF(Background Aware Correlation Filters)以及SAMF(Scale Adaptive kernel cor-relation filters with Multiple Features)三种跟踪算法.最后在ROS(Robot Operating System)下将所提算法应用于Turtlebot机器人目标跟踪测试,成功克服了遮挡情况对足部跟踪带来的影响,验证了所提算法具有较强的鲁棒性和实时性.     

基于重检测机制的核相关滤波跟踪算法

传统的核相关滤波跟踪(KCF)算法不能很好地处理目标快速移动和大面积遮挡,容易导致目标丢失.在KCF算法的基础上,提出了目标丢失检测、第一帧重检测、扩展区域重检测3种机制来解决以上问题.利用最大响应分数和平均峰值相关能量(APCE)来判别目标是否丢失;在目标即将丢失时,采用扩展区域重检测机制;在目标图像与第一帧目标图像相似时,采用第一帧重检测机制.为了能体现出所提算法的跟踪性能,从VOT2016和OTB100数据集中选取了14组视频序列作为测试集,其中7组视频序列含有目标遮挡和快速运动情况.经过定量实验对比,所提算法相比传统KCF算法平均中心位置误差(CPE)减少了20像素,平均重叠率(OR)提高了16.1％.     

改进的Meanshift运动目标跟踪算法

Meanshift算法在对快速运动的目标进行跟踪时容易丢失目标,并且在目标被遮挡时,也容易造成跟踪失败,跟踪的过程中跟踪框不能随着运动目标的大小变化而变化.提出一种基于Meanshift运动目标跟踪算法的改进算法.该算法基本思想是采用改进的三帧差分法对运动目标区域进行提取,求得跟踪框轮廓,同时用Meanshift算法对运动目标进行跟踪,获得目标最大概率区域,将该区域中心作为跟踪框的中心.跟踪过程中通过巴氏系数判断是否目标被遮挡,若被遮挡则调用Kalman滤波进行预测跟踪.实验结果表明,该算法能够快速、准确地跟踪目标.     

基于多模板匹配的双模型自适应相关滤波跟踪算法

为有效提升目标跟踪的精确度和实时性,设计了基于多模板匹配的双模型自适应相关滤波跟踪算法。对多模板匹配模型与核相关滤波跟踪模型参数进行初始化处理：多模板匹配模型选取得分函数作为模板与候选样本间匹配准则,通过候选样本得分获取最佳目标,更新多模板后,通过形变多样相似性实现多模板匹配;核相关滤波跟踪模型利用所采集目标样本数据建立循环矩阵,通过训练核化岭回归分类器获取核相关滤波器,并获取响应置信图,再利用响应置信图获取下一帧图像目标位置。通过自适应融合策略获取两个模型所估计目标位置,再采用金字塔尺度估计策略估计目标尺度变化,通过不断更新各模型参数实现目标精准跟踪。实验结果表明,在目标受遮挡或旋转、光照变化等复杂环境下,该算法的中心跟踪误差均低于15 dpi,平均跟踪精确度均高于98%,且目标定位时间低于100 ms,说明该算法在跟踪精确度和实时性上具有明显的应用优势。     

基于TLD和fDSST的长时间目标跟踪算法

为加强fDSST算法在目标快速运动、快速形变、目标消失情况下的跟踪精度,提出了一种基于TLD和fDSST的长时间目标跟踪算法。在fDSST算法的基础上,加入了检测器和学习器对跟踪结果进行修正和学习,并利用检测器和学习器的正负样本对跟踪结果进行置信度评估,从而解决了在跟踪失败情况下的错误参数学习问题。实验表明,基于TLD和fDSST的长时间目标跟踪算法,不但解决了fDSST算法由于目标快速运动、形变甚至消失而使跟踪失败,难以进行长时间持续跟踪的问题,且很大程度上增强了TLD算法的跟踪精度。     

改进的核相关滤波跟踪算法

针对核相关滤波算法在目标跟踪过程中尺度特定和遮挡判断失败的问题,文中提出一种利用自适应特征融合的位置滤波器来判断目标是否被遮挡的方法。该方法检测到峰值旁瓣比异常时,停止模型自适应更新,启动在线重检测;并结合尺度金字塔中的尺度滤波器来确定目标尺寸,从而得出精准的目标位置。实验通过复杂背景下的10组运动视频来评估改进算法的性能。与基础核相关滤波算法相比,改进算法的平均中心位置误差降低了36.683 pixel;在像素阈值设为20 pixel时,平均距离精度提升了44.632%;在边界框重叠阈值设为0.5时,重叠精度提升了46.453%。     

结合粒子滤波的判别尺度空间目标跟踪算法

为了解决目前跟踪算法在运动目标被遮挡和尺度变换时跟踪效果不佳的问题,提出了一种结合粒子滤波的判别尺度空间跟踪算法。提取相邻两帧的目标区域,计算目标区域的结构相似性并与更新阈值进行比较,从而判断目标是否发生遮挡;其次,若发生遮挡,启用基于颜色分布的粒子滤波算法跟踪目标,反之,用判别尺度空间跟踪算法(DSST)中的位置滤波器确定目标位置;最后,利用尺度滤波器确定目标尺度并根据目标尺度更新粒子滤波的目标模型。经过在OTB2015测试集上进行实验,与判别尺度空间跟踪算法(DSST)、核相关滤波算法(KCF)等主流算法相比该算法的精确度和成功率均有所提高,尤其在发生遮挡后的跟踪效果表现最优。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

基于相关滤波的长时目标跟踪算法

针对核相关滤波(KCF)在跟踪中由于目标出视野以及遮挡导致跟踪失败的问题,提出一种基于核相关滤波的长时目标跟踪算法。该算法融合梯度直方图特征和颜色提名特征来增强特征的表达能力;考虑到核相关滤波不能解决尺度变化的问题,通过定义尺度池、采集不同尺度的样本计算响应值,然后利用最大响应值得到最佳位置和尺度。最后,针对在长时间目标跟踪过程中,有时不可避免地会出现跟踪失败的情况,通过训练支持向量机对目标进行重新检测以达到长时跟踪的目的。在OTB数据集上对提出的算法和其他主流算法进行对比,实验结果验证了提出算法的有效性和优越性。