实时超像素跟踪算法

建立有效的目标表观模型是视觉跟踪算法的关键。该文采用中层次视觉线索(超像素)对目标表观进行建模,提出一种实时超像素跟踪(RSPT)算法。算法采用K近邻(KNN)方法从超像素特征集合中学习目标的判别式表观模型;在后续帧中,根据学习到的表观模型计算目标-背景置信图,然后巧妙地采用积分图方法估计目标状态,实现了高速的全局最优估计;最后设计了目标表观模型的在线更新策略,引入遮挡因子对遮挡进行判断。在配置i5处理器的电脑中,所提RSPT算法使用未经优化的Matlab代码以19帧/s的速度实时运行。对若干序列的对比实验表明,所提算法能够在多种复杂环境下稳定跟踪目标,具有良好的鲁棒性。     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

基于多示例学习和随机蕨丛检测的在线目标跟踪

基于检测的目标跟踪方法目前在计算机视觉领域受到了广泛的关注,这类方法通过训练判别分类器将目标对象从背景中分离出来;分类器的训练是根据当前的跟踪状态从当前帧中提取正负样本来进行,但训练样本的不准确将导致分类器退化产生漂移。该文提出一种能够有效克服目标漂移的跟踪算法,采用检测器和跟踪器相结合的框架,利用中值流算法作为跟踪器,提高跟踪点的可靠性;级联若干个随机蕨弱分类器构成强分类器作为检测器;用在线多示例学习方法更新检测器,提高检测精度;最后将检测器、跟踪器的结果相融合得到最终的目标位置。实验结果表明,与其它方法相比,该方法对目标漂移有更强的鲁棒性。     

跟踪状态自适应的判别式行人单目标跟踪算法研究北大核心CSCD

本文针对在行人跟踪过程中遇到的背景相似物干扰、行人之间的相互遮挡和背景杂乱等导致跟踪状态不稳定的问题,基于DIMP(learning discriminative model prediction for tracking)跟踪算法,提出了一种跟踪状态自适应的判别式单目标行人跟踪算法。跟踪过程中由分类滤波器和搜索区域进行卷积操作得到响应图,通过响应图判断跟踪状态,跟踪状态分为弱响应状态、多峰强响应状态、单峰强响应状态。针对多峰强响应状态下的干扰物影响,提出在线更新策略,利用激励和抑制损失更新分类滤波器,提高分类滤波器的判别能力。针对多峰强响应和弱响应状态下目标预测不准确的问题,通过偏移量和增添候选框修正目标位置,提高跟踪精度。实验验证提出的算法在行人视频序列上跟踪结果,精度达到了0.978,成功率达到了0.740,在NVIDIA GTX 1650显卡下有30 fps的实时速度。     

基于超像素分割和混合权值AdaBoost运动检测算法

针对长时间目标跟踪检测不准确问题,提出一种结合运动场景的超像素分割与混合权值的Ada Boost多目标检测(ABSP)算法。首先在动态模型中,计算Ada Boost算法的混合权值,检测运动目标,确定搜索区域,提高多目标跟踪检测能力;在训练阶段,采用SLIC分割与Mean-Shift聚类形成超像素图块,构建目标外观模型;在跟踪阶段,结合超像素特征池生成模板直方图与置信图,构建观测模型与运动模型,采用粒子滤波与贝叶斯模型,计算最大后验估计,实现遮挡运动目标检测。结果表明:能够有效处理数目变化多目标检测与遮挡问题,提高了检测的实时性。     

一种鲁棒的基于集成学习的核相关红外目标跟踪算法

在红外目标跟踪中,由于目标所处的背景信息复杂多变和目标外观的显著变化,单一的分类器不足以拟合多模态的数据。该文结合核相关滤波器(KCF)将多个核相关分类器通过集成学习整合到一个框架中。利用KCF分类器具有解析解的特点平衡跟踪鲁棒性与实时性之间的矛盾,从而解决单个分类器无法处理复杂背景与显著的外观变化问题,并显著提升目标跟踪的性能与稳定性。为了验证算法的有效性,该文利用两个核相关跟踪器联合学习出1个强分类器。大量的定性定量实验表明所提的算法的跟踪性能超过传统的KCF算法,且跟踪速度也超过大多数比较算法。     

自适应位置融合的目标跟踪算法

为提高分层卷积特征目标跟踪算法的实时性和鲁棒性,文中提出了一种基于多个相关滤波器预测位置自适应融合的实时目标跟踪算法。该算法首先提取VGG-19网络的Pool4层卷积特征,通过特征均值比对多通道的特征图进行裁剪,提高算法速度。然后利用不同高斯样本分布训练多个相关滤波分类器,并对所有分类器预测的目标位置进行自适应融合,提高算法对目标姿态变化的鲁棒性;最后采用稀疏模型更新策略,进一步提高算法速度。在OTB100标准数据集上测试本文算法, 实验结果表明,该算法的平均距离精度为86.3%,比原分层卷积特征跟踪算法提高了2.6个百分点,在目标发生遮挡、形变、相似背景干扰等情况时具有很好的鲁棒性;平均跟踪速度为45.2帧/s,是原算法的4倍,实时性能良好。     

基于在线判别特征选取的粒子滤波跟踪

传统的粒子滤波视频跟踪算法,在复杂环境背景下跟踪精度不高。针对此问题提出了一种新的基于在线判别特征选取的粒子滤波跟踪。使用粒子滤波构建了算法的基本运动模型,并根据不同运动的剧烈程度,分解基本运动模型为不同构成的子模型。通过在线多实例学习分别采样正负样本集合,并在这些样本上使用在线特征选取来构建强分类器。判别特征的选取过程,直接把样本的重要性与分类器权值联系起来,并利用梯度增强法搜索目标。大量的实验结果表明,文中提出的算法在光照变化、遮挡、以及形变的变化下都能准确跟踪目标,并且具有很高的实时性。     

基于超像素与BoF的运动目标跟踪算法

针对由遮挡、光照、形变等干扰产生的漂移问题,提出基于超像素和BoF的运动目标跟踪算法。此算法首先利用SLIC方法对运动目标的观测区域进行超像素分割,然后基于超像素构造中层视觉线索的超像素字典以及低层像素特征的BoF字典,实现对运动目标表观模型的混合建模,最后引入粒子滤波框架和在线字典更新,以适应目标和背景的变化。实验结果表明,该算法能够很好地应对严重遮挡、非刚性变换、复杂背景等干扰因素的影响,具有很好的稳定性和鲁棒性。     

结合在线学习的尺度自适应多目标跟踪算法

针对多目标跟踪技术中常出现的目标尺度变化、形变和遮挡问题,提出了一种具有良好鲁棒性的新算法。本算法采用改进的SVM分类器进行在线学习,将跟踪问题看作是一种最大间隔的结构化学习问题并对其更新方式进行改进,来寻找最优权重。同时对在线更新分类器的机制进行了调整,一定程度上减少了误差积累,使在线学习能够更好地发挥其长处。此外,算法采用相关滤波器自适应调整跟踪框大小,并提出遮挡处理和数据关联机制,使被遮挡后重新出现的多个目标编号不发生交换。经过实验验证,本算法提高了跟踪精度,在复杂的背景环境中能够较好地完成多目标跟踪任务。     

基于SIFT的压缩跟踪算法

为了克服基于灰度特征信息的跟踪算法在复杂的环境下无法区分目标和背景的缺陷,提出基于SIFT的压缩跟踪算法。该算法采用改进的SIFT特征提取方式,结合压缩感知理论对特征进行有效的降维,以在线多实例学习算法训练分类器,实现在出现目标偏移、姿态变化和光暗变化等情况下对目标实时准确的跟踪。实验结果表明,该算法能够在复杂环境下实现目标的准确实时跟踪。     

基于深度降噪自编码器的多特征目标融合跟踪算法

针对在目标遮挡、光线变化、目标模糊等情况下的目标跟踪算法抗干扰能力较差的问题,提出了一种基于深度降噪自动编码器的多特征目标融合跟踪算法。该方法首先引入稳像和图像去雾算法以改善训练集数据和测试集数据的质量;再构建多特征深度降噪自动编码网络,基于深度神经网络的强大学习能力提取目标的颜色特征和均匀模式纹理特征;将两种特征加权融合输入到逻辑回归分类器,获得置信分数,更有效地区分目标和背景。最后,采用粒子滤波算法对目标进行跟踪。实验结果表明,该方法能够更准确地对存在目标遮挡、光线变化、目标模糊等干扰问题的视频进行跟踪。与传统方法相比,该方法成功率在上述三个方面平均分别提升33.73%、9.73%和12.80%;与近年流行算法相比,该方法成功率平均达到90.16%,实时性平均达到49.37 fps。     

多示例深度学习目标跟踪

为解决多示例跟踪算法中外观模型和运动模型不足导致跟踪精度不高的问题,该文提出多示例深度学习目标跟踪算法。针对原始多示例跟踪算法中采用Haar-like特征不能有效表达图像信息的缺点,利用深度去噪自编码器提取示例图像的有效特征,实现图像信息的本质表达,易于分类器正确分类,提高跟踪精度。针对多示例学习跟踪算法中选取弱特征向量不能更换,难以反映目标自身和外界条件变化的缺点,在选择弱分类器过程中,实时替换判别力最弱的特征以适应目标外观的变化。针对原始多示例跟踪算法中运动模型中仅假设帧间物体运动不会超过某个范围,不能有效反映目标的运动状态的缺点,引入粒子滤波算法对目标进行预测,提高跟踪的准确性。在复杂环境下不同图片序列实验结果表明,与多示例跟踪算法及其他跟踪算法相比,该文算法具有更高跟踪精确度和更好的鲁棒性。     

基于TLD的舰船目标跟踪方法研究

复杂背景下进行舰船目标的跟踪时,在某些帧可能会有目标丢失。为了克服这个问题,采用联合检测-学习-跟踪的TLD算法。其过程是通过训练一种在线可更新的随机蕨分类器对目标跟踪结果进行检测,并使用一种基于时空约束的PN学习策略对分类器进行学习和更新,最后融合跟踪得到的结果对目标进行判别和确定。试验结果表明,该跟踪算法可适用于目标外形改变和遮挡的情况,鲁棒性强,识别率高,误检率低,同时实时性也较好,可以满足一般的在线跟踪系统的要求。     

复杂场景下的加权粒子滤波行人跟踪方法

针对粒子滤波跟踪算法在行人目标遮挡、光线干扰以及背景与行人相似等情形下,目标易发生漂移、跟踪精度不高的问题,本文提出一种加权粒子滤波行人跟踪方法。该方法联合遮挡模型和Online Boosting算法,利用在线学习实时更新强分类器,并结合跟踪时建立的遮挡模型,以及行人运动时与上一次目标位置的距离、相似度等影响因子,对粒子权重进行重新构造,实现了复杂变化场景下的行人自适应跟踪。通过对PETS-L2S1公共数据集和自有数据集分别进行实验,可以得到本文提出的方法能有效去除目标遮挡、相似背景以及光线突变的干扰,实现稳定、准确、实时的行人跟踪。      

基于噪声方差估计的红外弱小目标检测与跟踪方法

针对红外弱小多目标图像背景杂波干扰严重、弱 小目标检测率低和目标跟踪困难的问题,提出一种 基于噪声方差估计的红外弱小目标快速检测与目标跟踪算法。首先采用改进的形态学 滤波抑制背景噪声, 对处理后的多帧图像进行方差估计初步突出目标像素;然后对其进行信噪比(SNR)估计得到整个图像序列像素得 分,图像中像素SNR高的被标记为目标像素;再对标记过的图像进行分块分析 ,准确提取出连续图 像序列中的目标像素;将检测出的目标像素作为Hough变换的目标跟踪算法的输入,设置双 阈值实现目标 的有效跟踪。实验结果表明,在复杂背景下的红外弱小目标提取中,基于噪声方差估计的目 标检测拥有较 高的检测概率和较低的虚警概率,将其获得的目标像素作为Hough变换的输入,不仅可以有 效跟踪目标, 而且简化了算法的复杂度,实现目标的快速提取和跟踪,具有很高的应用价值。     

自适应上下文感知相关滤波目标跟踪

针对传统相关滤波目标跟踪算法在目标快速运动、遮挡、复杂背景等情况下跟踪精度低的问题,提出了一种自适应上下文感知的相关滤波目标跟踪算法。在相关滤波算法框架的基础上,重点针对循环移位带来的边界效应与固定学习率进行改进:首先,在分类器训练阶段提出一种基于响应图极值的自适应采样策略加入上下文信息;然后,采用了一种分段学习率调整策略使算法更好地适应目标变化;最后,在标准数据集上验证了算法的性能。实验结果表明,提出的算法提高了DCF与SAMF算法的跟踪精度,不仅在目标快速运动、遮挡、复杂背景等情况下鲁棒性较好,而且还能作为一种框架集成到大部分相关滤波类算法中。     

基于全局背景与特征降维的视觉跟踪算法

相关滤波算法容易受到形变、运动模糊、相似背景等因素的干扰,导致跟踪任务失败。为了克服以上问题,该文提出一种基于全局背景与特征降维的视觉跟踪算法。该算法首先提取紧邻目标的图像区域作为负样本供分类器学习,以抑制相似背景的干扰;然后提出一种基于主成分分析的更新策略,构建降维矩阵压缩HOG特征的维度,在更新分类器的同时减少其冗余度;最后加入颜色特征表征运动目标,并根据特征对系统状态的响应强度进行自适应融合。在标准数据集上将该文提出的算法与Staple, KCF等其他算法进行了仿真对比,结果表明该文算法具有更强的鲁棒性,在形变因素的影响下,所提出的算法与Staple和KCF算法相比距离精度分别提升8.3%和13.1%。     

基于超像素时空显著性的运动目标检测算法

针对复杂背景下运动目标检测存在的背景干扰、目标分割不完整等问题,利用目标静态灰度特征和运动特征,结合目标运动连续特性,提出了一种基于超像素时空显著图的运动目标检测算法。首先对图像基于简单线性迭代聚类算法(SLIC)进行超像素分割,以初始超像素为节点、以运动特征差异性为边建立图结构对超像素区域进行合并,得到最终超像素图像,可以有效解决传统超像素分割方法过分割而导致目标被分为多个部分的问题;然后分别利用目标静态特征对比度和运动特征对比度,得到静态显著性图和运动显著性图,并融合得到最终的时空显著性图;最后利用恒虚警处理技术,结合运动连续特性实现目标的检测,可以有效减少虚警目标。实验结果表明,该算法针对复杂背景具有良好的鲁棒性,并且可以比较完整的保留目标的信息。     

基于HOG及在线多实例学习的目标跟踪算法

传统的基于色彩直方图或空间色彩直方图的跟踪算法在跟踪目标出现尺度变化的复杂条件下,因无法显著区分颜色相近的目标和背景,不能得到准确跟踪结果.提出基于HOG及在线多实例学习的目标跟踪算法.此算法采用HOG特征值提取方式,结合在线多实例学习技术,对目标远离场景、平移、旋转、遮挡等情况进行跟踪.实验结果表明,该算法能够对各种复杂情况下的动态目标进行有效跟踪,具有良好的鲁棒性和准确性.