L2范数正则化鲁棒编码视觉跟踪

针对基于稀疏表示的视觉跟踪计算效率低和易于产生模型漂移的不足,该文提出一种基于L2范数正则化鲁棒编码的视觉跟踪方法。该方法利用L2范数正则化鲁棒编码求解候选目标的编码系数,以粒子滤波为框架,利用候选目标的加权重建误差建立似然模型跟踪目标。为了适应目标的变化并克服模型漂移问题,利用L2范数正则化鲁棒编码估计当前目标的加权矩阵用于遮挡检测,根据遮挡检测结果实现模型更新。对提出的跟踪方法进行实验的结果表明:与现有跟踪方法相比,该方法具有较优的跟踪性能。     

基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪

L1跟踪对适度的遮挡具有鲁棒性,但是存在速度慢和易产生模型漂移的不足。为了解决上述两个问题,该文首先提出一种基于稀疏稠密结构的鲁棒表示模型。该模型对目标模板系数和小模板系数分别进行L2范数和L1范数正则化增强了对离群模板的鲁棒性。为了提高目标跟踪速度,基于块坐标优化原理,用岭回归和软阈值操作建立了该模型的快速算法。其次,为降低模型漂移的发生,该文提出一种在线鲁棒的字典学习算法用于模板更新。在粒子滤波框架下,用该表示模型和字典学习算法实现了鲁棒快速的跟踪方法。在多个具有挑战性的图像序列上的实验结果表明:与现有跟踪方法相比,所提跟踪方法具有较优的跟踪性能。     

光照变化下基于稀疏表示的视觉跟踪算法研究

为提高光照变化下目标跟踪算法的精度和鲁棒性,基于稀疏表示理论,提出一种光照补偿和多任务稀疏表示联合优化算法。该算法首先根据目标模板与候选目标的平均亮度差异对目标模板光照补偿,而后利用候选目标构建过完备字典以稀疏表示光照补偿后的目标模板,并将所得问题转化为一个多任务优化问题,然后利用所得稀疏编码矩阵快速剔除无关候选目标,最后基于重构误差对剩余候选目标进行局部结构化评估,进而实现目标的精确跟踪。实验结果表明,与现有主流算法相比,剧烈光照变化情况下,所提方法可显著改善目标跟踪精度及鲁棒性。     

光照变化下基于逆向稀疏表示的视觉跟踪方法

针对光照变化引起目标跟踪性能显著下降的问题,该文提出一种联合优化光照补偿和多任务逆向稀疏表示的视觉跟踪方法。首先基于模板与候选目标的平均亮度差异对模板实施光照补偿,并利用候选目标逆向稀疏表示光照补偿后的模板。而后将所得多个关于单模板的优化问题转化为一个关于多模板的多任务优化问题,并利用交替迭代方法求解此多任务优化问题以获得最优光照补偿系数矩阵以及稀疏编码矩阵。最后利用所得稀疏编码矩阵快速剔除无关候选目标,并采用局部结构化评估方法实现目标精确跟踪。仿真结果表明,与现有主流算法相比,剧烈光照变化情况下,所提方法可显著改善目标跟踪精度及稳健性。     

基于笛卡尔乘积字典的稀疏编码跟踪算法

为了提高基于稀疏编码的视频目标跟踪算法的鲁棒性,该文将原始稀疏编码问题分解为两个子稀疏编码问题,在大大增加字典原子个数的同时,降低了稀疏性求解过程的计算量。并且为了减少?1范数最小化的计算次数,利用基于岭回归的重构误差先对候选目标进行粗估计,而后选取重构误差较小的若干个粒子求解其在两个子字典下的稀疏表示,最后将目标的高维稀疏表示代入事先训练好的分类器,选取分类器响应最大的候选位置作为目标的跟踪位置。实验结果表明由于笛卡尔乘积字典的应用使得算法的鲁棒性得到一定程度的提高。     

基于稀疏度约束与动态组结构稀疏编码的鲁棒视觉跟踪

目标编码系数的稀疏性使得L1跟踪成为解决遮挡目标跟踪的有效方法之一,但是现有稀疏编码算法没有利用L1跟踪中编码系数的特殊稀疏结构.本文基于目标模板系数稀疏度约束要求和小模板系数的空间连续性结构,利用块坐标优化原理提出一种两阶段稀疏编码算法用于视觉跟踪.在第一阶段,该算法利用正交匹配追踪求解具有约束稀疏度的目标模板系数,在第二阶段,该算法利用动态组稀疏编码求解具有空间连续性的小模板系数.在粒子滤波框架下,利用提出的稀疏编码算法实现了鲁棒的视觉跟踪.实验结果表明本文提出的跟踪方法比现有跟踪方法具有更强的鲁棒性和较高的跟踪精度.     

在线鲁棒判别式字典学习视觉跟踪

传统子空间跟踪较好解决了目标表观变化和遮挡问题,但其仍存在对复杂背景下目标跟踪鲁棒性不足和模型漂移等问题.针对这两个问题,本文首先通过增大背景样本的重构误差和利用L1范数损失函数建立一种在线鲁棒判别式字典学习模型;其次,利用块坐标下降设计了该模型的在线学习算法用于视觉跟踪模板更新;最后,以粒子滤波为框架,结合提出的模板更新方法实现了鲁棒的视觉跟踪.实验结果表明:与IVT(Incremental Visual Tracking)、L1APG(L1-tracker using Accelerated Proximal Gradient)、ONNDL(Online Non-Negative Dictionary Learning)和PCOM(Probability Continuous Outlier Model)等典型跟踪方法相比,本文方法具有较强的鲁棒性和较高的跟踪精度.     

基于颜色和边缘特征的均值迁移目标跟踪算法

综合颜色特征对旋转、变形不敏感和边缘特征对光照、颜色不敏感的优点,提出了一种基于颜色和边缘特征的均值迁移目标跟踪算法,提高了跟踪算法的鲁棒性。利用加权求和的方法获得联合特征的Bhattacharyya系数,以此作为衡量目标模型与候选目标相似程度的依据。实验结果表明,在光照变化时,本文算法的跟踪误差大约是基于颜色特征的均...     

融合局部加权余弦与稀疏表示的目标跟踪算法

针对目标跟踪算法的鲁棒性难题,在粒子滤波框架下提出基于联合模型的目标跟踪算法。首先,由局部加权余弦相似对目标模板和候选目标进行匹配,其中的局部加权算法增加了未受遮挡、形变等影响的候选目标的权重;其次,通过对目标区域局部图像块稀疏编码来表示目标观测模型,其中字典不进行更新,重建误差的构建考虑了局部图像块之间的空间布局;最后,利用最大后验概率估计目标状态。联合模型将目标的当前状态和原始状态都考虑在内,提高了观测模型的可靠性。实验结果表明,该算法具有较强的鲁棒性。     

基于主分量寻踪的鲁棒视觉跟踪

传统子空间跟踪易受到模型漂移的影响而导致跟踪失败.针对此问题,本文提出一种基于主分量寻踪的鲁棒视觉跟踪方法.该方法以多个模板张成的子空间作为目标表观模型,利用主分量寻踪求解候选目标的误差分量,在粒子滤波框架下利用候选目标的误差分量估计最优状态参数.为了适应目标表观变化并克服模型漂移,本文提出一种模板更新方法.当跟踪结果与目标模板相似时,该方法利用跟踪结果更新目标模板,否则利用跟踪结果的低秩分量更新目标模板.在多个具有挑战性的图像序列上的实验结果表明:与现有跟踪方法相比,文中的跟踪方法具有较优的跟踪性能.     

Object tracking using discriminative sparse appearance model

Object tracking based on sparse representation formulates tracking as searching the candidate with minimal reconstruction error in target template subspace. The key problem lies in modeling the target robustly to vary appearances. The appearance model in most sparsity-based trackers has two main problems. The first is that global structural information and local features are insufficiently combined because the appearance is modeled separately by holistic and local sparse representations. The second problem is that the discriminative information between the target and the background is not fully utilized because the background is rarely considered in modeling. In this study, we develop a robust visual tracking algorithm by modeling the target as a model for discriminative sparse appearance. A discriminative dictionary is trained from the local target patches and the background. The patches display the local features while their position distribution implies the global structure of the target. Thus, the learned dictionary can fully represent the target. The incorporation of the background into dictionary learning also enhances its discriminative capability. Upon modeling the target as a sparse coding histogram based on this learned dictionary, our tracker is embedded into a Bayesian state inference framework to locate a target. We also present a model update scheme in which the update rate is adjusted automatically. In conjunction with the update strategy, the proposed tracker can handle occlusion and alleviate drifting. Comparative results on challenging benchmark image sequences show that the tracking method performs favorably against several state-of-the-art algorithms.     

Transferring visual prior for online object tracking

Visual prior from generic real-world images can be learned and transferred for representing objects in a scene. Motivated by this, we propose an algorithm that transfers visual prior learned offline for online object tracking. From a collection of real-world images, we learn an overcomplete dictionary to represent visual prior. The prior knowledge of objects is generic, and the training image set does not necessarily contain any observation of the target object. During the tracking process, the learned visual prior is transferred to construct an object representation by sparse coding and multiscale max pooling. With this representation, a linear classifier is learned online to distinguish the target from the background and to account for the target and background appearance variations over time. Tracking is then carried out within a Bayesian inference framework, in which the learned classifier is used to construct the observation model and a particle filter is used to estimate the tracking result sequentially. Experiments on a variety of challenging sequences with comparisons to several state-of-the-art methods demonstrate that more robust object tracking can be achieved by transferring visual prior.     

基于多层字典的自重构目标跟踪算法

针对视觉跟踪系统中常用的模板处理方法很难 适应目标外观和视频背景不断变化的不足,提出一种基于多层字典的自重构 目标跟踪算法。通过构建多层字典,分别从时间和 空间上增强目标描述能力,既可以刻画目标局部细节,又蕴含了目标整体信息;在跟踪过程 中,模板可以利 用多层字典根据前景和背景的复杂性自适应地分裂与分并,分裂出多个跟踪器从不同角度进 行跟踪,有效地 提高定位精度,也可以合并子模板以达到降低系统的计算负荷。定性和定量分析的实验结果 表明,本文算法具 有良好的跟踪精度和运行效率,可以较好地应对变化与遮挡。     

基于关键特征信息感知和在线自适应掩模的孪生网络目标跟踪

近年来,孪生网络在视觉目标跟踪的应用给跟踪器性能带来了极大的提升,可以同时兼顾准确率和实时性。然而,孪生网络跟踪器的准确率在很大程度上受到限制。为了解决上述问题,该文基于通道注意力机制,创新地提出了关键特征信息感知模块来增强网络模型的判别能力,使网络聚焦于目标的卷积特征变化;在此基础上,该文还提出了一种在线自适应掩模策略,根据在线学习到的互相关层输出状态,自适应掩模后续帧,以此来突出前景目标。在OTB100, GOT-10k数据集上进行实验验证,所提跟踪器在不影响实时性的前提下,准确率相较于基准有了显著提升,并且在遮挡、尺度变化以及背景杂乱等复杂场景下具有鲁棒的跟踪效果。     

在线学习多重检测的可视对象跟踪方法

为了研究无约束环境下长时间可视跟踪问题,提出了一种在线学习多重检测的对象跟踪方法.该方法以随机蕨作为基础检测器结构,通过在线学习的方式,将目标对象的整体和局部表观,以及由场景学习中发掘的同步对象同时作为检测学习的基础数据,该检测器因而具备了对这多种对象的独立检测能力.由于其各个检测部分发挥了各自不同的作用,本文从测量的角度将检测器对这三种对象检测的结果进行融合,通过计算检测关于目标的配置概率进而确定目标位置,实现对象跟踪任务.基于真实视频序列的实验结果验证了本文方法的有效性和稳定性,以及较现有的跟踪方法在跟踪性能上的提高.     

结合GLCM与三阶张量建模的在线目标跟踪

为提高目标跟踪算法对多种目标表观变化场景的自适应能力和跟踪精度,论文提出一种结合灰度共生(GLCM)与三阶张量建模的目标优化跟踪算法。该算法首先提取目标区域的灰度信息,通过GLCM的高区分度特征对目标进行二元超分描述,并结合三阶张量理论融合目标区域的多视图信息,建立起目标的三阶张量表观模型。然后利用线性空间理论对表观模型进行双线性展开,通过在线模型特征值描述与双线性空间的增量特征更新,明显降低模型更新时的运算量。跟踪环节,建立二级联合跟踪机制,结合当前时刻信息通过在线权重估计构建动态观测模型,以真实目标视图为基准建立静态观测模型对跟踪估计动态调整,以避免误差累积出现跟踪漂移,最终实现对目标的稳定跟踪。通过与典型算法进行多场景试验对比,表明该算法能够有效应对多种复杂场景下的运动目标跟踪,平均跟踪误差均小于9像素。     

在线时空关联的人体检测跟踪一体化方法

视觉人体检测跟踪一体化技术在很多领域都有着重要的应用价值,其关键技术有： 鲁棒的目标检测技术、稳定的路径关联技术。主流的路径关联技术只考虑了目标的时间相关性, 没有同时兼顾目标的时空关联属性,当相似目标距离太近时,容易导致错位跟踪。本文提出基于深度神经网络学习和结构化在线学习算法联合的目标检测跟踪一体化方法,通过构建结构化在线学习模型,建立目标时空关联关系。实验验证了所提方法可以有效抵制相似目标的干扰问题,并可提升对严重遮挡目标的跟踪能力。     

基于粒子滤波的系数编码车辆跟踪方法

传统基于生成式的车辆跟踪方法仅考虑了目标信息,忽略了车辆背景信息,降低了目标与背景的表征能力.针对复杂背景条件下视觉导航对车辆跟踪精度的需求,提出了一种基于粒子滤波的系数编码车辆跟踪方法.该方法首先对获取的帧图像进行仿射变换归一化处理,并采用深度去噪自编码器对变换后的图像进行完备特征字典的生成;接着,采用稀疏编码对完备特征字典进行降维处理,消除网络高层目标特征的冗余信息,保留网络底层的高效关联特征;最后,将提取的深度稀疏编码特征应用到粒子滤波的框架内实现车辆的有效跟踪,有效克服了判别式跟踪方法无法处理遮挡问题的缺陷.实验结果表明,在尺度变化、光照变化以及遮挡等复杂环境下,本文方法将跟踪精度提升了17％,每秒处理的帧图像速度提升了64％.