多层深度特征的目标跟踪算法研究

现有的目标跟踪算法大多采用传统的手工特征或神经网络的某一层特征描述目标的外观,不利于跟踪,文中提出一种基于多层深度特征的自适应更新目标跟踪算法。采用经过预训练的深层卷积神经网络分别提取低层和高层信息用以描述目标的空间特征和语义特征,通过对两层特征信息的学习得到两个滤波模板,对应求得两个滤波响应,这两个滤波响应以不同的权重决定最后的跟踪结果。算法中还设计了对目标外观模型和滤波模板的自适应更新方案,能更好地适应目标的外观变化以及遮挡问题。采用多层深度特征描述目标外观,并且利用提取的特征训练两个滤波模板,求滤波响应时采用核相关的方法,增强了跟踪结果的准确性并加快了跟踪的速度。实验结果表明,所提算法与现有跟踪算法相比,可以更好地应对多种挑战因素,跟踪速度也完全能满足实时跟踪任务的需求。     

结合多模板的多域卷积神经网络视觉跟踪算法

为了适应视觉跟踪过程中目标外观变化,提高视觉跟踪算法的鲁棒性,本文基于卷积神经网络(Convolutional Neural Network,CNN)并结合多域学习法与多模板管理,提出一种通过树形结构管理多模板的多域卷积神经网络(Multi-Domain CNNs with Multiple Models in a tree structure)视觉跟踪算法。首先使用大量已标记目标位置的视频数据预训练多域结构的CNN,使CNN卷积层可从图像中提取出适用于跟踪任务的特征。然后在跟踪时中对CNN全连接层进行微调以适应跟踪目标,并使用树形结构管理存储不同时间段的目标模板得到模板树。使用模板树综合评价待检测帧,估计目标位置。最后按照一定规则将新模板添加进模板树,完成模板的更新。实验表明,该算法对跟踪过程中目标外观的变化有着良好的适应性,同时多模板可抑制CNN在跟踪时产生的模板漂移问题。     

基于稀疏表示的目标跟踪中字典更新算法

传统基于稀疏表示的目标跟踪方法,在目标背景复杂和严重遮挡等一系列场景中的跟踪效果较差,针对这一问题,提出一种基于稀疏表示的、可实时进行更新的字典模板,既保存了目标的原始外观,又可以体现出目标当下的形态,提高目标跟踪算法的性能。通过与不同的主流算法进行测试对比,证明该算法具有更高的准确性。     

一种视觉跟踪中的模板更新策略

针对复杂场景中的目标外观和背景变化引起的模板 更新问题, 提出了一种新的视觉跟踪模板更新策略,用以提高目标模板正确性。算法利用特征信息在 时间和空间上的区别和变化,进行特征子量分类更新,避免了模型过更新,提高了目标模型 的容错能力,使更新带来的误差尽量小,以适应目标和背景信息的不断变化,在一定程度上 提高了跟踪算法的精准度和鲁棒性。实验结果表明,本文方法在视频跟踪系统中具有优越的 性 能,可以在目标运动、变化和遮挡情况下实现鲁棒跟踪。     

基于稀疏表示模型的红外目标跟踪算法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等问题,提出了一种基于稀疏表示模型的红外目标跟踪算法。在粒子滤波的理论框架基础之上,采用目标在超完备字典中的稀疏表示作为观测模型,对红外目标进行描述,从而利用了图像的稀疏表示本身对噪声和遮挡不敏感的特性,可以有效地减弱背景杂波和噪声对跟踪算法的不利影响。此外,采用了一种在线学习的方法来完成对超完备字典中目标子空间的更新,使其不断地适应背景杂波、光照等各类因素引起的目标外观变化。实验结果表明所提出的算法是稳健和有效的。     

基于自适应多模板匹配的目标跟踪

为了解决在模板匹配中精度和速度之间的矛盾,本文结合了DSP便于实现算法和FPGA高速并行运算的优点,提出了一种基于DSP和FPGA协同作用的快速目标跟踪系统,主要在DSP上完成跟踪算法流程控制,在FPGA上实现耗时模块MAD的计算工作,建立两方通信,使该跟踪系统正常工作。将传统的模板匹配算法扩展成为多级模板匹配,并在跟踪算法中加入了抗旋转模板。最后,在Blackfin561系列Visual DSP 和EP3C25系列FPGA组成的系统平台上实现了该算法,并进行了相关的性能测试。实验表明,该系统可以准确、实时地跟踪运动目标,并能够有效地抗目标旋转和尺度变化。     

基于在线判别式字典学习的鲁棒视觉跟踪

现有子空间跟踪方法较好地解决了目标表观变化和遮挡问题,但是它对复杂背景下目标跟踪的鲁棒性较差。针对此问题,该文首先提出一种基于Fisher准则的在线判别式字典学习模型,利用块坐标下降和替换操作设计了该模型的在线学习算法用于视觉跟踪模板更新。其次,定义候选目标编码系数与目标样本编码系数均值之间的距离为系数误差,提出以候选目标的重构误差与系数误差的组合作为粒子滤波的观测似然跟踪目标。实验结果表明:与现有跟踪方法相比,该文跟踪方法具有较强的鲁棒性和较高的跟踪精度。     

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。     

基于分层模板的目标实时跟踪算法

在数字图像处理领域里,相关匹配技术有着广泛的应用,尤其在目标搜索和跟踪应用中.相关匹配算法通过计算目标图像与模板图像的相关值来确定是否图像和模板相关,具有很高的跟踪准确性和稳定性,但当目标仅占模板一小部分时,普通相关匹配算法效果很差.分析了有关相关跟踪算法的特点,提出了分层模板匹配的算法,并应用在实际的工程应用系统中;通过实验证明,该算法能较好地改善对小目标的跟踪效果,并可以克服障碍物对目标的部分遮挡问题.     

复杂背景下抗遮挡的运动目标跟踪算法

通过对各种跟踪算法的研究,提出了一种适应性较好的目标运动预测与多模板匹配相结合的相关跟踪算法,并给出了模板匹配相关算法中的判断准则、模板更新准则和目标被遮挡判断。实验证明,该方法能够在复杂背景条件下运动目标发生遮挡时进行稳定跟踪。     

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.     

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。     

基于相似度优化的混合式视觉跟踪方法

针对复杂环境下视频目标跟踪问题,提出一种基于相似度优化的混合式视觉跟踪方法。首先,采用局部余弦相似性度量目标和候选模板的相似性,有效抑制因遮挡、光照突变等情况引起的脉冲噪声,提升模板匹配精确度;其次,基于目标函数的二次规划方法推导了局部目标的判别权重,有效提升了算法对目标和背景的判别能力;最后,在系统更新过程中引入模板的判别式更新,有效改善了模型漂移问题。实验结果表明,本文方法较好地改善了复杂挑战性背景下的跟踪鲁棒性和精确度。     

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。     

基于在线学习的压缩模版的目标跟踪算法

利用压缩感知(CS)矩阵建立压缩特征模版,通过在 线学习,实现一种更高效的目标跟踪算法。首先利用符 合有限等距性质的随机感知矩阵,取得跟踪目标表面特征的压缩模板;然后利用模板匹配 确定目标区域, 同时在跟踪过程中在线学习目标外观变化,并以此更新目标模板。采用了局部模板更新策略 ,使目标模板 更为准确,更能体现目标的变化状况。采用了模板匹配的确定性跟踪方法,大大减少了大量 正负样本的采 样,降低了算法复杂度。实验结果表明,与压缩跟踪(CT)算法相比,本文的基于在线学习的 压缩模版跟踪算法在时间性能 上有了明显提升,采用Kalman滤波器加速跟踪可提高6倍以上的时间性能,在多个标准测 试序列中的跟踪成功率也有了明显提高,有效地防止了跟踪中的漂移现象。     

基于kalman预测和自适应模板的目标相关跟踪研究

文中提出了一种基于kalman预测和自适应模板的目标相关跟踪算法。通过kalman预测下一帧图像中目标的状态,缩小整个图像上目标检测的搜索范围,满足目标跟踪的实时性。采取自适应模板更新策略．根据目标的变化情况自动调节参考模板,提高目标跟踪的稳定性。仿真实验结果表明,算法能够随着目标的形状、大小、位置的变化快速调整参考模板,进行稳定和实时的跟踪,当目标被物体遮挡时仍能有效地跟踪目标。     

基于SWAD算法的空间面目标高精度跟踪技术研究

针对空间面目标的高精度跟踪问题,提出一种面目标高精度跟踪方法,该方法利用SWAD模板匹配算法和亚像素拟合算法提取目标精确的位置信息,并在跟踪过程中对模板进行实时更新。对传统的无限冲击响应滤波模板更新方法进行了改进,提出一种变系数模板更新方法,该方法计算量小,不需要经过复杂的置信度判断,模板更新系数由当前模板图像和当前最佳匹配区域图像的灰度值决定;利用不同亮度的目标,以及对目标图像进行尺度变换模拟姿态变化的目标,比较了该模板更新算法和传统算法的匹配误差,结果表明:该算法能够更好地适应目标姿态的变化;最后通过平行光管和靶标板模拟远场非合作目标,搭建了室内演示试验,证明了利用模板匹配进行高精度目标跟踪的可行性。     

基于多特征自适应融合的抗遮挡目标跟踪算法

针对目前的目标跟踪算法在目标发生运动模糊或被遮挡等情况下跟踪效果较差,容易出现跟踪失败等情况,本文提出了一种多特征自适应融合的抗遮挡相关滤波跟踪算法。算法首先提取梯度方向直方图特征HOG和颜色直方图特征,以最大化跟踪质量为目标自适应融合两种特征的相关滤波响应;在跟踪的过程中根据响应图的质量存储高质量滤波模板,采用高质量模板和正常更新模板检测响应图的质量差值来检测目标的遮挡情况,当目标遮挡消失的时候,跟踪器的模板回溯到高质量模板来重新跟踪目标。根据在OTB100、UAV123的实验结果,本文算法相对于其他同类型的相关滤波在跟踪精度和成功率方面表现更好,在发生目标遮挡时仍能很好地跟踪。