基于结构支持向量机的目标检测跟踪同步算法

目标检测跟踪同步算法通过对视频帧的目标实时检测来达到跟踪的目的,该算法主要是为了维持一个能够在线训练的分类器,把从背景采样的样本作为负样本,从目标区域采样的样本作为正样本,然后通过分类器把二者区分开,以达到跟踪效果。然而当目标产生形变以及目标区域发生遮挡的时候,如何对样本采样和精确标记成为跟踪成败的关键。在结构支持向量机的框架下,提出一种基于结构支持向量机的目标检测跟踪同步算法。由于结构支持向量机的输出可以是复杂的数据结构,因此采用结构支持向量机,把目标位置估计作为结构支持向量机的输出,避免了对样本标记精确估计的需要,克服了当目标发生遮挡和大范围变形时导致的跟踪失败。仿真实验表明,该算法有良好稳定的跟踪效果。     

基于码本模型和压缩跟踪算法的遗留物检测

针对一般遗留物检测算法复杂度高和跟踪效果不理想的问题,提出了一种基于码本模型和压缩跟踪算法相结合的遗留物检测方法。首先通过码本模型建模和适时匹配背景更新算法来获取静止目标区域信息;然后利用稀疏测量矩阵对静止目标区域的多尺度特征进行降维,得到分类器的正负样本;最后用朴素贝叶斯分类器对提取的特征进行分类,当分类器响应最优时得到当前帧中跟踪到的目标位置,即使目标被部分遮挡,也能实现对遗留目标的准确跟踪。实验结果表明,该方法不仅简单高效、实时性好,而且可以消除由物体短暂停留而带来的干扰。     

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。     

基于卡尔曼滤波与Mean Shift的运动车辆跟踪

针对Mean Shift算法不能跟踪快速目标、跟踪过程中窗宽的大小保持不变的特点.首先,卡尔曼滤波器初步预测目标在本帧的可能位置;其次,Mean Shift算法在这点的邻城内寻找目标真实的位置;最后,在目标出现大比例遮挡情况时,利用卡尔曼残差来关闭和打开卡尔曼滤波器.实验表明该算法在目标尺度变化、遮挡等情况下对快速运动的目标能够取得较好的跟踪效果.     

遮挡情况下多尺度压缩感知跟踪

针对现有在线学习跟踪算法中目标在线模型更新错误导致跟踪漂移的问题,提出一种在线模型自适应更新的目标跟踪算法:首先利用压缩感知技术的高效性,对多尺度图像特征进行降维,并提取多尺度样本来实现目标尺度自适应更新,再由提取的正负样本低维图像特征训练朴素贝叶斯分类器,利用分类器输出置信度最大处目标样本完成目标跟踪,并依据当前目标置信度来自适应在线模型更新速率,减少了遮挡带来的目标错误更新。实验表明:该方法在尺度变化、局部和全局遮挡、光照变化等情况下均能完成鲁棒跟踪,平均跟踪成功率较原始压缩感知跟踪算法提高了20.3%。     

基于在线半监督boosting的协同训练目标跟踪算法

基于自训练的判别式目标跟踪算法使用分类器的预测结果更新分类器自身,容易累积分类错误,从而导致漂移问题。为了克服自训练跟踪算法的不足,该文提出一种基于在线半监督boosting的协同训练目标跟踪算法(简称Co-SemiBoost),其采用一种新的在线协同训练框架,利用未标记样本协同训练两个特征视图中的分类器,同时结合先验模型和在线分类器迭代预测未标记样本的类标记和权重。该算法能够有效提高分类器的判别能力,鲁棒地处理遮挡、光照变化等问题,从而较好地适应目标外观的变化。在若干个视频序列的实验结果表明,该算法具有良好的跟踪性能。     

基于局部二值模式的改进时空上下文跟踪算法

基于时空上下文(Spatial-Temporal Context,STC)的跟踪算法与大部分传统算法相比,在实时性方面具有明显的优势.通过实验发现,STC算法存在由变形和遮挡引起的跟踪精度下降问题.针对该问题,提出了一种改进方法,该方法在原STC算法的基础上引入局部二值模式(Local Binary Pattern,LBP)和遮挡检测机制,利用LBP特征来代替灰度特征,当跟踪器检测出目标发生遮挡时,停止分类器参数的更新.对于满足线性运动的目标,利用卡尔曼滤波器对其进行位置预测以解决目标发生遮挡后的定位问题.实验证明,所提出的改进算法能有效提升目标跟踪精度,针对遮挡情况下的目标也展现出较高的鲁棒性.     

基于Struck算法的遮挡目标跟踪

Struck算法是近年来综合性能较优的视觉目标跟踪算法,但对于较大比例遮挡或全部遮挡情形,算法性能下降明显.通过对Struck算法的分析发现,当遮挡出现时算法分类器会引入错误信息,从而导致跟踪失败或者跟踪漂移.在Struck算法框架的基础上加入遮挡判断机制,在检测到较大比例遮挡后停止分类器更新,并通过缩放搜索样本的尺寸解决目标尺寸快速变化导致的遮挡检测虚警;对于具有一定运动信息的目标,通过卡尔曼滤波器进行预测解决目标全遮挡后的持续跟踪.实验证明,提出的算法框架对遮挡情形下的目标跟踪具有较高的鲁棒性.     

基于压缩感知的鲁棒性目标跟踪

压缩感知算法能有效地实时跟踪视频目标,但由于无法对目标特征最优选取,且样本搜索中心由上一帧目标位置所确定,其鲁棒性不高.鉴于此,提出了一种基于压缩感知的改进算法.该算法将meanshift算法与压缩感知算法相结合,从meanshift算法中获得最佳候选区域中心作为压缩感知算法的样本搜索中心,跟踪过程中通过在线特征选择训练的分类器确定最终目标位置.实验表明,改进后的算法不仅在背景干扰大时跟踪精度更高,而且当目标受到遮挡后,也能稳定地跟踪目标.     

特征在线更新与加权的压缩跟踪算法

在目标跟踪中，针对目标外观改变使得目标丢失的问题，本文提出了特征在线更新与加权的压缩跟踪(compressive tracking, CT)算法。首先基于压缩感知理论提取目标的矩形特征，根据每个特征对当前帧目标的分类效果判定其可靠性，及时更新不可靠特征；其次，实时增加可靠特征在分类器中的权重，从而突出可靠特征的重要性；最后将加权候选样本特征输入贝叶斯分类器，得到下一帧的目标位置。选取八组视频序列测试改进算法的效果，结果表明与传统的压缩跟踪，局部敏感直方图跟踪( locality sensitive histograms tracking, LSHT)及在线自适应增强( online AdaBoost, OAB)算法相比，改进算法取得了更好的跟踪结果，并且在目标外观改变时依然跟踪准确，平均帧速为39fps，满足实时性要求。      

基于可变形模型的目标跟踪算法

近年来目标跟踪技术的研究已经有了很大的进展,但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先,利用可变形模型对跟踪目标进行表达,该模型将目标分为若干子块,目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来,给出了对目标的一个统一的相似度度量函数。然后,在线训练一个结构化输出支持向量机作为分类器,该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标,完成跟踪。通过实验比较,该算法的跟踪性能优于其他主流跟踪算法,尤其在目标发生遮挡和形变的时候仍能准确跟踪。     

较大尺度运动下的人体特征点跟踪算法研究

利用光流法可以对视频中运动目标进行特征点跟踪,当目标存在较大尺度运动时,光流法图像一致性假设难以满足,导致特征点跟踪丢失。针对此问题,提出了一种基于Lucas-Kanade(L-K)金字塔光流算法的运动人体特征点跟踪方法。首先,利用帧间差分法得到帧差图像序列,获取行人的运动区域;然后用尺度不变特征变换（SIFT）算法检测选定初始帧中的特征点;最后运用L-K金字塔光流算法跟踪这些特征点在后续帧中的位置。实验结果表明,该算法对较大尺度运动的特征点跟踪有很好的效果,提高了跟踪的准确性。      

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。     

基于序列蒙特卡罗滤波的车辆跟踪算法研究

针对非线性目标跟踪中模型或函数近似等最优估计缺陷问题,提出了基于帧间预测和特征匹配的序列蒙特卡罗滤波跟踪算法。算法中采用在HSV色彩下的空间加权直方图描述跟踪车辆的状态特征,通过简单的随机漂移模型实现估测样本的帧间传递,利用估测样本与期望目标间的相似度量完成样本权重赋值运算,最终利用加权样本值估计实现待测目标的后验状态。实验结果表明,基于序列蒙特卡罗滤波的车辆跟踪算法计算简单有效,能够在复杂环境下实时、准确跟踪道路上无规律、非线性运动的车辆,并能够有效适应车辆部分遮挡和短时丢失等情况。     

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。     

基于机载光电平台的目标跟踪与轨迹预测算法

针对利用机载光电平台进行"空对空"目标跟踪时,跟踪效果受环境影响较大且全遮挡情况下目标容易跟丢的问题,在传统Cam Shift算法的基础上,提出了一种动态的基于多特征融合与相对Kalman模型的目标跟踪与轨迹预测算法。采用融合颜色、纹理、梯度特征的方式构建目标模板,提高了模型的描述能力;跟踪过程中引入特征模板动态更新环节,保证了算法的长期稳定性;在全遮挡的情况下,利用背景中心点以及飞行目标与该中心点的差值分别构建Kalman模型,并采用二次遮挡判断方法,大大降低了误判和丢帧概率。实验结果表明,所提算法具有较高的准确性、实时性与稳定性。     

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.     

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.     

基于多模型的实时压缩跟踪算法

目标跟踪易受光照、遮挡、尺度、背景及快速运动等因素的影响,还要求较高的实时性。目标跟踪中基于压缩感知的跟踪算法实时性好,但目标外观变化较大时跟踪效果不理想。该文基于压缩感知的框架提出多模型的实时压缩跟踪算法(MMCT),采用压缩感知来降低跟踪过程产生的高维特征,保证实时性能;通过判断前两帧的分类器最大分类分数的差值来选择最合适的模型,提高了定位的准确性;提出新的模型更新策略,按照决策分类器的不同采用固定或动态的学习率,提高了分类精度。MMCT引入的多模型没有增加计算负担,表现出优异的实时性能。实验结果表明,MMCT算法能够很好地适应光照、遮挡、复杂背景及平面旋转的情况。     

基于特征融合的红外目标跟踪方法

为了能够对红外目标实现稳健跟踪,提出一种特征融合算法,将目标的LBP纹理特征和灰度特征空间融合,构造了由基于区域置信度及空间距离加权的LBP特征直方图,以及灰度加权直方图联合表示的目标模型。以均值偏移算法为跟踪框架,在当前帧中迭代搜索目标位置。实验证明该方法对于目标和背景灰度相似以及目标被部分遮挡时的跟踪是有效和稳健的。