基于均值漂移的视频目标跟踪改进算法

改进算法通过计算跟踪窗口颜色直方图的质心来自适应的调整跟踪窗口的尺寸,通过比较跟踪结果和目标的差值确定遮挡情况,并启用粒子滤波算法在整幅图像内搜索目标解决目标的遮挡问题,这种改进算法克服了均值滤波算法不能适应目标尺寸变化和不能解决遮挡问题的缺点.实验证明改进算法具有很强的鲁棒性.     

基于计算机视觉的艺术体操轨迹跟踪研究

为了解决传统基于卡尔曼滤波算法进行艺术体操轨迹跟踪时存在的跟踪漂移以及跟踪效率低等问题,研究基于计算机视觉的艺术体操轨迹跟踪方法,通过Vi Be运动目标检索算法对图像的颜色以及深度信息建模,基于图像颜色以及深度的波动检测出视频中的运动目标,采用KCF算法实现运动目标的初步跟踪,在该方法的基础上,通过改进KCF算法解决运动目标被遮挡出现的跟踪漂移问题,提高运动目标跟踪的精度和稳定性。通过Hermite插值运算运动目标质心,基于时刻t的运动模糊方向获取瞬时质心轨迹,得到最佳的运动目标质心轨迹,采用曲线拟合措施获取精确的运动目标质心轨迹。实验结果说明,所提方法可准确跟踪艺术体操运动轨迹,具有较高的跟踪效率和稳定性。     

目标遮挡情况下的压缩跟踪算法

针对经典压缩跟踪算法在目标被遮挡时容易导致目标丢失的问题,提出了一种基于目标遮挡情况下的压缩跟踪算法.该方法首先依据分类器的最大响应值判断目标是否被遮挡.若发生遮挡则利用基于颜色直方图特征的粒子滤波算法进行跟踪预测,即将遮挡前提取的目标颜色直方图与粒子的颜色直方图进行相似性比较.为确保目标再现时能及时准确地捕捉其位置,再利用Harris角点特征进一步验证,并将预测的位置作为目标位置继续压缩跟踪.仿真结果表明,该算法能够准确地判断遮挡的发生,平均跟踪成功率较经典的压缩跟踪算法提高了24%,有效提高了跟踪的鲁棒性.     

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.     

自适应红外目标跟踪算法

针对传统的红外目标跟踪算法对被跟踪目标出现形变、部分或全部遮挡后目标易发生丢失的问题,提出一种新的红外目标跟踪算法。该算法采用双边滤波处理方式并结合中值光流法,建立一种自适应红外目标模型,以达到准确、稳定跟踪目标的目的。实验结果表明,该算法能够有效跟踪变形或遮挡目标,且实时性强,准确率高,鲁棒性好。     

自适应红外目标跟踪算法

针对传统的红外目标跟踪算法对被跟踪目标出现形变、部分或全部遮挡后目标易发生丢失的问题, 提出一种新的红外目标跟踪算法。该算法采用双边滤波处理方式并结合中值光流法, 建立一种自适应红外目标模型, 以达到准确、稳定跟踪目标的目的。实验结果表明, 该算法能够有效跟踪变形或遮挡目标, 且实时性强, 准确率高, 鲁棒性好。     

基于相关滤波的红外目标跟踪抗遮挡处理

针对传统的相关滤波算法在红外目标跟踪过程中,目标被完全遮挡后跟踪失效的问题,提出一种结合了多尺度滤波跟踪器和基于深度学习检测器的目标实时跟踪抗遮挡算法.首先使用跟踪器跟踪目标,计算目标的峰值响应强度并比较峰值响应强度与经验阈值的大小以判断目标是否被遮挡或跟踪丢失.然后当目标被遮挡或跟踪丢失时,停止更新跟踪器,由于目标被...     

TLD目标跟踪算法研究

在TLD (Tracking Learning Detector)算法的基础上,提出了一种基于Online MIL(Online Multiple Instance Learning)的TLD目标跟踪算法.算法使用改进的MIL跟踪器进行目标跟踪,提高了目标在被遮挡情况下跟踪的鲁棒性.另外,在学习机制部分,目标位置的决策策略使用了跟踪结果优先的原则,使算法能适应出现类似目标时的跟踪.实验结果表明,该方法能够长时间准确地跟踪目标,并在出现类似目标时;跟踪效果较好.此外,改进后的算法在跟踪的稳定性和跟踪效率上较原算法提高了1倍.     

引入抗遮挡机制的SiamVGG网络目标跟踪算法

抗遮挡在视频目标跟踪中是一个极具挑战的研究问题。在目标跟踪过程中,目标在被部分遮挡或者完全遮挡的情况下,使得跟踪模型的漂移导致目标跟丢。为了解决这一问题,本文提出了引入抗遮挡机制的SiamVGG网络目标跟踪算法,通过对网络输出置信图的峰值和连通域的变化规律分析,设置不同的跟踪模式,分别是正常跟踪、部分遮挡、完全遮挡和遮挡丢失,然后根据不同的模式选择不同的跟踪策略。相比于其它的跟踪算法,本文算法采用了SiamVGG网络作为目标跟踪的框架并对遮挡问题进行了分析和校正,有效避免了在遮挡情况下目标跟丢。通过在OTB-50、OTB-100和OTB-2013三个基准数据集上进行了实验,验证了本文算法在抗遮挡问题的有效性和鲁棒性。      

一种改进的meanshift运动目标跟踪算法

为了有效地解决目标颜色与背景颜色区分度较低而引起的目标定位不准确的问题以及目标被大面积遮挡而引起目标丢失的问题,提出了一种改进的meanshift运动目标跟踪算法。该算法利用harris角点检测法快速地提取目标的角点特征,并将这些角点嵌入到meanshift算法的迭代条件中进行目标搜索,然后结合卡尔曼滤波原理预测目标在下一帧中的位置,最终实现目标跟踪。实验证明该算法能够有效地提高跟踪的准确性和实时性。     

激光雷达跟踪算法研究

形心跟踪算法因为简单、执行速度快而得到广泛采用。然而常规形心跟踪算法因激光雷达图像受到散斑噪声影响而变得不适合。改进算法结合了图像的滤波处理，提高了适用范围。但是这种基于图像灰度均值分割的形心跟踪算法对于小目标图像都会跟踪失败。分析了大目标图像和小目标图像的直方图，指出其均由一个背景的尖峰和目标的拖尾组成，理想的分割阈值点应为尖峰和拖尾的临界点。据此提出了基于累积直方图的形心跟踪算法。此算法以图像的累积直方图拐点为分割阈值，不受目标区面积大小的影响。处理结果表明,对于大目标图像和小目标图像均有较好的效果，并且保持了常规形心跟踪算法执行速度快的特点。     

基于SOPC的视频运动目标检测跟踪系统

文章是以Nios II处理器为中心的视频运动目标检测跟踪系统,通过CMOS图像传感器采集视频图像信息,采用帧间差分法检测运动目标,形心跟踪算法对目标进行跟踪,最后在VGA显示器上显示视频中运动物体。实验结果表明,该系统可达到运动目标检测跟踪的理想结果。     

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

对变形目标的跟踪研究

在目标跟踪过程中,目标在图像中的形状和大小常发生不同程度的变化,为了准确、有效地实现目标跟踪,采用多次迭代的连续自适应平均值移动算法。该算法是一种基于颜色跟踪的算法,根据多次迭代的计算结果,自适应调整图像序列中搜索窗口的大小和位置,从而得到当前图像中的目标中心,实现对运动目标的跟踪。最后分别在不同变形情况下和多个运动目标下进行实验。实验结果表明,当目标发生旋转、大小变化及存在多个目标的情况下,该算法仍能有效地对运动目标进行准确跟踪。     

Tracking with dynamic weighted compressive model

Fast compressive tracking utilizes a very sparse measurement matrix to capture the appearance model of targets. Such model performs well when the tracked targets are well defined. However, when the targets are low-grain, low-resolution, or small, a single fixed size sparse measurement matrix is not sufficient enough to preserve the image structure of the target. In this work, we propose a multi-sparse measurement matrices scheme along with a weight map to select the best measurement matrix that preserves the image structure of the targets during tracking. The weight map combines a contrast weight and a feature weight to efficiently characterize the target appearance and location. Moreover, a dispersion function is used for the online update of the target template, allowing tracking both the location and scale of the target. Extensive experimental results have demonstrated that the proposed DWCM tracking algorithm outperforms several state-of-the-art tracking algorithms as well as compressive tracker.     

基于位置敏感模型的深度跟踪算法研究

视觉目标跟踪旨在寻找与跟踪目标具有相同语义信息的样本,并在视频中精确定位样本的位置.最近,深度分类模型被用来提取跟踪目标的深度嵌入式特征,然而,由于深度分类模型给予相同类别的样本一样的标签,这样容易导致跟踪模糊,甚至失败.为了解决这个问题,本文将样本的空间位置信息加入深度分类模型中,提出位置敏感损失函数.本文所提出的损失函数不仅继承了分类损失函数的特性,并根据样本的空间位置信息对相同标签的样本进行了排序.也就是说,本文的损失函数可以同时实现类间可分和类内排序.相比于分类损失函数,本文的损失函数更适合目标跟踪任务.本文在OTB100^[1]和VOT2016^[2]上进行了测试,结果表明本文算法可以实现较好的跟踪性能.     

改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计（CS）模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器（STF）的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。     

Mean Shift跟踪的背景优化及动态分析

针对传统Mean Shift跟踪算法在进行目标跟踪时背景带来的定位偏差及由于缺乏相应的跟踪状态分析策略而易陷入局部最小值的缺陷,提出了两方面的改进措施。一是将跟踪窗口内的目标和背景区分开来,对背景像素定义新的特征模型以弱化背景像素对目标模型的影响。二是将跟踪窗口进行分块处理,综合考虑每个子块相似度的大小变化建立判断准则,对跟踪状态进行动态实时分析,以判断目标是否存在遮挡:如部分遮挡,则应用没有被遮挡的子块位置偏差对目标进行定位;如完全遮挡,则采取相应的二维线性预测方案根据先验信息对目标进行定位跟踪。将该方法应用于人物跟踪中进行实验,实验结果表明,该方法有效改善了Mean Shift跟踪算法的不足,对于复杂条件下的运动目标跟踪具有很好的鲁棒性。     

一种复杂背景下红外目标稳定跟踪算法

针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题,提出了一种基于跟踪-学习-检测(Tracking-Learning-Detection,TLD)框架的红外目标稳定跟踪方法。该方法在压缩跟踪算法(Compressive Tracking,CT)的基础上替换广义的类Harr特征为HOG特征,引入互补随机测量矩阵,优化纹理和灰度特征信息的权重,同时引入卡尔曼滤波器记录空间上下文位置信息,以解决CT算法和TLD算法在目标被遮挡时的跟踪失效和全局检索问题。基于TLD算法框架和改进CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题,提升了算法的跟踪准确性和长期跟踪稳定性。实验结果表明,本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性。