基于核相关滤波器的颜色自适应目标跟踪算法

针对Staple算法中梯度直方图（HOG）特征和颜色直方图特征的融合无法自适应达到最优化的问题,本文提出了一种颜色自适应的核相关滤波目标跟踪改进算法,即Stronger-Staple算法（简称STR-Staple）。首先,本文用目标似然函数分别求出目标和背景所占比例的颜色直方图,并用巴氏系数实时测量目标与背景的颜色直方图的相似度,实现每一帧图像的跟踪监测;其次,提出一种自适应的融合系数,将相似度与融合系数相关联,对每一帧的特征匹配相应的权重,实现算法的最优融合。最后,本文算法在OTB-13和OTB-15两个数据集上与当前比较流行的5种跟踪算法进行比较。实验结果表明,该算法在光照变化、尺度变化、遮挡、变形、背景杂波等情况下均有较高的鲁棒性,且其跟踪精度、成功率在OTB-13数据集中分别为0.889、0.880。在OTB-15数据集中分别为0.741、0.644。均优于其它几种算法。      

基于三维直方图的改进Camshift目标跟踪算法

经典的连续自适应均值漂移算法Camshift通过HSV空间的色调Hue分量建立一维直方图,在有光照变化及有相似颜色目标或背景的干扰下,跟踪效果不好。提出一种融合HSV空间中色调、饱和度以及反应物体形状信息的边缘梯度的三维直方图特征,并基于背景模型自适应调整特征直方图三种分量的权重值,提高了算法的跟踪准确度。通过与传统Camshift跟踪实验比较,提出的改进算法在光照变化及相似颜色目标/背景干扰下具有更好的鲁棒性,同样也满足跟踪系统的实时性要求。     

基于样本质量估计的空间正则化自适应相关滤波视觉跟踪

相关滤波(CF)方法应用于视觉跟踪领域中效果显著,但是由于边界效应的影响,导致跟踪效果受到限制,针对这一问题,该文提出一种基于样本质量估计的正则化自适应的相关滤波视觉跟踪算法。首先,该算法在滤波器的训练过程中加入空间惩罚项,构建目标与背景的颜色及灰度直方图模板并计算样本质量系数,使得空间正则项根据样本质量系数自适应变化,不同质量的样本受到不同程度的惩罚,减小了边界效应对跟踪的影响;其次,通过对样本质量系数的判定,合理优化跟踪结果及模型更新,提高了跟踪的可靠性和准确性。在OTB2013和OTB2015数据平台上的实验数据表明,与近几年主流的跟踪算法相比,该文算法的成功率均为最高,且与空间正则化相关滤波(SRDCF)算法相比分别提高了9.3%和9.9%。     

位置-尺度异空间协调的多特征选择相关滤波目标跟踪算法

针对传统相关滤波跟踪算法在目标发生尺度变化和遮挡时容易导致跟踪失败的问题,本文提出位置-尺度异空间协调的多特征选择相关滤波目标跟踪算法。首先,提取目标区域的快速方向梯度直方图特征、颜色空间特征和灰度特征,特征间的不同组合方式构成特征池以加强滤波器的判别性能,将组合得到的特征分别进行相关滤波跟踪;其次,依据每种特征响应的鲁棒性得分,选择分数最高的响应图最大值预测目标位置;然后,转换坐标至对数极坐标中,使用相位相关滤波器进行目标尺度估计;最后,设计一种高置信度模型策略更新模板。在标准数据集TB-50和OTB-2015上的实验结果表明,本文提出的算法在目标发生尺度变化、遮挡、旋转、出视野和背景杂乱等情况下,仍具有较好的跟踪有效性。      

基于粒子滤波改进的行人跟踪算法

为了提高汽车安全辅助驾驶技术和减少道路交通事故,根据行人运动变化特点,对基于粒子滤波的跟踪算法进行改进,提出一种新的行人跟踪算法.通过将空间距离中心加权和相关信息相结合的颜色直方图的观测模型方法,实现行人目标跟踪.实验结果表明,与基于HSV空间颜色直方图的粒子滤波跟踪算法相比,该算法有效解决复杂背景下局部遮挡和全遮挡问题,并在鲁棒性方面明显地优于前一种算法.     

动态融合梯度信息的Camshift算法改进研究

将梯度信息引入到Camshift算法之中,定义Camshift算法的梯度模型。依据运动目标和背景图像直方图的Bhattacharyya距离来动态决定梯度模型在查找算法中的决定权重,减小加入梯度后对算法时效性的影响;在Camshift算法求运动目标色调分量的过程中,改进由RGB空间到HSV空间转换计算的方法,减少反余弦和开方运算。在色调分量Hue基础上定义一种Hue分量,提高颜色空间之间的转换效率;在对目标跟踪框内颜色直方图进行计算时,以选取框重心位置为中心,距离中心越远的像素在颜色直方图中的比重越小.减小在选取运动物体初始位置时引入的背景噪声,提高跟踪算法的稳定性。实验证明:经过上述的改进,使得传统的Camshift算法在背景颜色与运动目标和有相似颜色物体对运动目标造成干扰的情况下的跟踪鲁棒性得到提高。     

基于颜色属性直方图的尺度目标跟踪算法研究

利用目标颜色信息的跟踪算法,容易受到环境光照、尺度变化、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,该文提出一种基于颜色属性空间的鲁棒尺度目标跟踪算法。该算法首先将原始的RGB颜色空间映射到颜色属性(Color Names, CN)空间,减少目标颜色在跟踪过程中受环境变化影响。然后采用一种背景加权约束的颜色属性直方图,来抑制相似背景的干扰。最后,为了解决目标尺度变化带来的影响,先用梯度上升法粗略估计尺度,再用约束项精确求解尺度,并利用反向一致性检验,进一步提高尺度估计的准确性。该文选取了5段典型视频进行实验,并与相关算法进行比较。结果表明所提算法能够消除环境光照、阴影、相似背景和尺度变化等因素所带来的影响,在中心位置误差和跟踪成功率性能指标上,优于其它算法。     

基于HSV非均匀量化的CAMshift目标跟踪算法

针对经典CAMshift(Continuously Adaptive Meanshift,连续自适应均值偏移算法)算法易受色度相似背景像素干扰的问题,提出了基于HSV菲均匀量化的CAMshift目标跟踪算法,有效地解决了经典算法存在的缺陷.通过在经典CAMshift算法颜色直方图中引入亮度和饱和度分量,并对颜色空间进行非均匀量化,提高目标与背景的区分度,抑制背景像素对目标的干扰.在多个视频数据上的仿真实验结果表明,该算法有效地克服了经典CAMshift算法对背景像素敏感的问题,提高了与背景色调相近场景下目标跟踪的准确性.     

基于核相关滤波器的高可信度自适应融合目标跟踪算法研究

目前基于核相关滤波器的几种主流算法仍然存在目标漂移甚至跟丢的情况,本文算法在Staple: Complementary Learners for Real-Time Tracking（以下简称Staple）和Large Margin Object Tracking with Circulant Feature Maps（以下简称LMCF）两种算法基础上进行融合并改进。首先利用贝叶斯公式求解出当前帧的背景和前景的直方图,对前景直方图进行均衡化,以消除噪声;其次,利用巴氏系数计算出当前帧的背景和前景的直方图的相似度值,通过数据分析设定阈值,以此消减目标与背景过于相似的问题;再次,根据所设阈值将直方图的bin值进行自适应,以此提高跟踪的分辨率;然后利用LMCF算法求出当前帧的最大峰值和平均峰值相关能量（APCE）,并根据数据分析设定合适的阈值;最后将阈值范围内的最大值和APCE值与融合系数相结合,使算法达到自适应融合。本文算法（LMCF-Staple）在公开数据集平台OTB50和OTB100上进行测试,结果显示LMCF-Staple算法的跟踪稳定性大大提高,目标的漂移情况明显减少,并且其跟踪的精确度、成功率均优于目前主流的几种算法。      

结合时空上下文信息的相关滤波目标跟踪方法

针对繁杂环境下目标跟踪稳定性差且易受到遮挡发生漂移的问题,提出一种结合时空上下文信息的相关滤波目标跟踪方法。该算法首先从目标和背景区域提取方向梯度直方图特征和颜色直方图特征,加权融合两种特征的相关滤波响应,建立相关滤波跟踪模型;然后利用目标的背景梯度直方图特征,基于贝叶斯框架通过最大化似然函数得到时空上下文辅助模型;最后自适应融合两种模型响应,得到目标估计位置并采用尺度估计方法解决目标尺度变化问题。在OTB-2013公开标准测试集上与基于相关滤波的运动目标跟踪方法进行了实验对比。结果表明,该算法的平均距离精度值和平均重叠精度值都优于其他算法,能够有效缓解跟踪目标由于遮挡、尺度变化、光照等因素造成的跟踪漂移状况的发生。     

基于在线支持向量机的Mean Shift彩色图像跟踪

为了解决传统Mean Shift跟踪方法中目标模板只能从单一图像建立,且很难更新问题,提出了一种新的Mean Shift彩色图像跟踪方法。将RGB颜色空间投影到HSV颜色空间,建立了基于HSV颜色空间的统一直方图核函数模型。为了实现模板在线更新,引入在线支持向量机,推理了基于HSV空间的在线支持向量机的Mean Shift跟踪算法,从而适应目标因尺寸、姿态及光照造成的模型变化。为了验证算法的有效性,对两组国际通用的CAVIAR彩色图像序列进行了跟踪测试。实验结果表明,提出的改进算法在目标姿态、光照或背景发生较大变化时,能有效跟踪目标。当图像分辨率为384×288(目标尺寸约为20×80)时,最快处理速度达40f/s,且跟踪精度比传统Mean Shift提高32.1%。     

基于背景感知的相关滤波抗遮挡优化算法

针对相关滤波目标跟踪中由于目标遮挡、出视野引起的跟踪失败等问题,以背景感知相关滤波(background aware correlation filters, BACF)算法为基础,提出一种抗遮挡优化算法。首先特征提取部分融合方向梯度直方图(histogram of oriented gradient, HOG)特征与颜色名称(color name, CN)特征;其次提出层级遮挡优化算法,在目标跟踪过程中根据平均峰值相关能量(average peak to correlation energy,APCE)和最大响应峰值判断目标外观是否发生较大变化,并通过巴氏距离进一步计算目标相邻滤波器模板特征相似程度,以此判断造成目标外观变化的真正原因,进而决定是否更新模板;针对目标出视野问题,提出模板筛查策略,跟踪过程中每隔K帧对滤波器模板进行置信度考查,若目标丢失,则生成新的模板并对目标进行全局搜索重新抓取目标。通过在目标跟踪数据集OTB2015上测试,优化算法精确度与成功率分别为83.0%与78.8%,有效提高了算法性能。     

一种新的基于分块直方图的mean shift跟踪算法

在经典的Mean-Shift算法中使用颜色直方图来描述目标,而这种颜色直方图中却存在大量空的颜色直方图区间,且没有融入图像的空间信息,在遇到与跟踪目标颜色分布相近的背景或目标时会造成跟踪丢失。针对颜色直方图的不足提出一种分块颜色直方图构建方法以融入空间信息,对得到的分块直方图进行简化,去除空闲的直方图区间。实验中对颜色分布相似的物体发生遮挡进行跟踪试验,并与经典Mean-Shift算法跟踪结果进行对比。实验结果表明,这种新算法能更稳定、准确地跟踪目标。     

基于选择性颜色直方图的Meanshift跟踪算法

本文提出了一种将选择性颜色直方图与直方图分量级更新相结合的改进型Meanshift算法。首先分别建立传统的目标和背景颜色直方图;然后依据背景直方图,对目标直方图做选择性加权,增强目标与周围背景的颜色差异性;在跟踪过程中,对于目标直方图的各个分量,根据其前后帧变化情况,做动态部分更新。实验结果表明,基于改进后的Meanshift算法有效提高了跟踪的鲁棒性。     

改进的Camshift与Kalman融合的目标跟踪算法

Camshift算法主要利用物体的颜色信息进行跟踪,在复杂背景条件下容易造成目标的跟丢,且在目标被遮挡时,也容易造成跟踪失效。本文提出了一种改进的Camshift目标跟踪算法。首先将目标图像的HSV模型的三个分量进行加权建立一种新的目标颜色模型,然后由对整帧图像计算反向投影改为比搜索窗口稍大的区域计算反向投影,减少了相似背景的干扰。同时为了解决遮挡问题,结合了Kalman滤波器,有效地预测了目标的位置。实验表明,本算法能够避免背景颜色干扰和解决遮挡问题,实现了对运动目标准确跟踪。     

城市型迷彩的颜色确定方法研究

针对城市背景复杂的颜色特征,提出了一种基于HSV模型和量化直方图的迷彩颜色选取算法.利用HSV颜色空间描述背景颜色的特性,通过特殊最化方式对背景的颜色直方图进行量化,借助阈值方法在颜色空间选取背景主色作为迷彩颜色.考虑移动车辆在城市街道机动的情况,获取目标所处的路面以及路侧地物的光学图像,提取其主代表色作为城市型迷彩的颜色.这一方法准确快速.     

一种改进的粒子滤波和Mean Shift联合跟踪算法

为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法.针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力.实验结果表明了算法的有效性.     

专注学习时空关系的相关滤波跟踪算法

传统相关滤波跟踪算法试图引入预定义的正则项,如抑制背景学习或限制相关滤波器的学习率来提高算法的鲁棒性,但在复杂场景下还是容易发生目标跟踪丢失,因为传统相关滤波跟踪算法没有关注相邻两帧之间的信息变化。针对以上问题,本文提出专注学习时空关系的相关滤波跟踪算法,引入相邻两帧的响应图变化作为空间正则项权值的参考权重,而当前帧的响应图的振荡程度确定时间正则项权值,最后本文通过交替方向乘子法(ADMM)迭代优化本文的损失函数。通过在OTB-50、OTB-100和OTB-2013三个基准数据集上进行了实验,验证了本文算法在复杂场景下更具有鲁棒性。      

自适应时空正则化的相关滤波目标跟踪

针对相关滤波目标跟踪算法空间正则权重没有与目标建立联系和时间正则项不能自适应更新的问题,提出自适应时空正则化的相关滤波目标跟踪算法。首先,利用初始帧的显著感知参考权重,使自适应空间正则项能够在后续跟踪过程中获取与目标存在联系的空间正则权重。然后,利用相邻两帧响应得分的变化情况计算时间正则化参数的参考值,使自适应时间正则项可以通过变化的正则化参数不断更新。最后,采用交替方向乘子法(ADMM)优化算法,以较少的迭代次数分别求解出滤波器函数、空间正则权重和时间正则化参数。在OTB-2015数据集上进行实验,结果表明本文算法的跟踪性能优于其他对比算法,其中距离精度和成功率分别达到86.4%和65.6%,且本文算法在具有形变、旋转、遮挡和出视野等属性的复杂跟踪场景下更具鲁棒性。     

尺度估计和多特征融合的目标跟踪算法研究

针对核相关滤波器跟踪算法（Kernel Correlation Filter,KCF）在特征提取单一以及尺度估计不足而导致跟踪效果不佳的问题,本文提出了一种多特征融合的尺度自适应核相关滤波目标跟踪算法。首先,使用帧差法将相邻帧图像对应像素值相减得到差分图像;其次,对差分图像提取方向直方图特征,再与目标的均一局部二值纹理特征和颜色特征进行线性加权融合;最后,引入一种尺度估计策略,将尺度滤波器的估计值与分块算法的估计值融合计算得出目标的尺度和位置。实验数据表明,本方法能有效的改善核相关滤波器的跟踪性能,且与其他主流算法相比,在尺度变换下也有较好的跟踪效果。