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。      

一种基于纹理和颜色的粒子滤波目标跟踪方法

针对基于颜色的粒子滤波跟踪方法在复杂背景下会导致跟踪失败的问题,提出了一种基于局部二值模式纹理和颜色特征的粒子滤波目标跟踪方法。颜色直方图是对目标在彩色图像中的全局描述,而局部二值模式纹理包含了灰度图像中局部邻近区域的纹理信息,两者可以互为补充。因此同时用颜色直方图和局部二值模式纹理直方图描述目标,在粒子滤波框架下将目标颜色和局部二值模式纹理有机结合起来。实验结果表明,该算法不仅提高了跟踪精度,而且具有较强的稳健性。     

基于多特征融合的均值迁移粒子滤波跟踪算法

仅用单一的颜色特征进行跟踪是大多数跟踪算法鲁棒性不高的主要原因。针对此问题,该文提出一种多特征融合跟踪算法。该算法利用颜色和纹理特征表示目标,通过均值迁移和粒子滤波算法进行特征融合,有效地避免了单一颜色特征在光照变化和背景相似情况下的不稳定问题。将两种常用的融合策略结合,减轻了粒子的退化现象,提高了算法效率。实验结果表明该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

一种简单有效的特征融合粒子滤波跟踪算法

粒子滤波算法是解决非高斯非线性条件下目标跟踪的实用算法,其优点在于能够融合目标的多种特征信息.灰度分布特征和直方图分布特征是灰度图像的重要特征,其各自的优点突出但也都存在一定的应用局限,只采用其中的单一特征往往不能得到稳定的跟踪结果.因此,提出一种将两种特征相融合的粒子滤波跟踪算法,将特征匹配的相似度融合到粒子权值的计算中,在保持特征原有优点的同时,利用二者的互补性,提高跟踪过程的稳定性.实验结果表明,采用灰度分布与直方图分布特征相融合的粒子滤波算法能更有效地跟踪目标.     

一种改进的多特征融合目标跟踪算法

针对仅用单一颜色特征导致跟踪算法鲁棒性不高的问题,提出了一种改进的多特征融合目标跟踪算法。为了获得准确的目标颜色模型,提出了一种自适应选取目标颜色直方图的方法,同时利用LBP算子建立目标纹理特征模型,增强对目标的表征能力。在特征融合中引入特征不确定性度量方法,自适应调整不同特征对跟踪结果的贡献,有效地提高了传统粒子滤波算法的鲁棒性。实验结果表明,融合后的算法比传统的加性融合与乘性融合算法有更强的鲁棒性,能实现复杂场景下的目标跟踪,有效地描述目标。     

基于多特征自适应融合的均值迁移目标跟踪算法

针对复杂环境下,均值迁移算法只使用 颜色特征跟踪目标鲁棒性差的问题,提出一种多特征自适应融合的MS目标跟踪算法。算法在 跟踪场景的动态变化过程中,通过选择对目标和背景区分能 力强的特征描述目标,建立多特征 融合目标模型,并设置特征重要性权值。给出了多特征融合目标定位公式。通过 动态评估不同特征在不同跟踪场 景中的可靠性,对特征权值进行动态更新以及多特征自适应融合。依据不同特征的权值给出 一种选择性模板更新机制,以减 轻目标模型的漂移。实验结果表明,提出的算法在复杂场景下,具有更高的鲁棒性和跟踪效 率。     

基于复杂场景下特征融合与估计的目标跟踪算法

针对图像跟踪过程中的背景干扰、光照条件变化与目标特性漂移等问题,提出一种粒子滤波框架下灰度和纹理特征融合与估计的目标跟踪算法.首先建立基于灰度直方图和边缘梯度直方图的特征集合,以增加目标描述的信息量和稳定性;然后在跟踪过程中依据每个特征对目标与背景的区分度赋予其相应的权值,突出贡献较大的特征,并将该加权系数用于目标和候选目标的相似性度量;最后,为了克服复杂场景对单幅图像中特征可信度的影响,将跟踪的连续性引入权值的自适应调整过程,利用当前帧的特征区分度和前一帧的特征权值对当前帧的特征权值进行估计,从而实现特征权值的在线更新.实验结果表明,通过对特征的融合及其权值的在线估计,实现了复杂场景下的稳定目标跟踪.     

融合局部三值数量和色度信息的均值漂移跟踪

该文提出了局部三值数量(Local Ternary Number, LTN)这一新的局部显著性纹理算子,并将其与色度信息相结合得到一种新的目标跟踪方法。该方法充分利用目标像素与其八邻域像素灰度值的大小关系,将局部显著性算子 (Local Similarity Number, LSN)加以拓展,设计了局部三值数量这一新的局部显著性纹理算子,该算子能区分目标像素在同一局部显著度下的不同纹理结构;LTN掩膜提取边缘、线和角点上关键像素以提高纹理特征的区分能力,同时能够较完整地保留目标信息;在此基础上,将掩膜内目标像素的LTN特征与色度信息融合生成一种新的目标模型,并嵌入到均值漂移(Mean Shift, MS)框架完成目标的跟踪。实验结果表明,该文提出的目标跟踪方法在场景中存在相似颜色和光照变化干扰的情况下,仍能持续准确地实现目标的定位,提高了传统均值漂移跟踪算法的性能。     

基于多特征信息融合粒子滤波的红外目标跟踪

多特征信息有较好的检测性能和适应性,而粒子滤波则是一种处理目标跟踪模型的非线性和非高斯特点的有效方法,将两者优点结合并针对红外图像特点,提出一种基于多特征信息融合的跟踪算法,该方法按一定的权值系数利用目标颜色和纹理特征构建模型,并融合于粒子滤波框架中。实验表明该跟踪方法能准确地跟踪海上红外运动目标。     

特征融合的灰狼优化粒子滤波目标跟踪算法

针对传统粒子滤波算法在跟踪目标所处环境迁移,目标姿态变化和发生遮挡时容易出现跟踪框漂移现象,提出一种基于灰狼算法优化的粒子滤波跟踪方法(GWOPF)。首先,将全局特征HSV颜色特征和局部特征方向梯度直方图(HOG)特征加权融合建立观测模型;然后,用灰狼算法(GWO)优化粒子滤波算法结构,利用GWO位置更新机制改善粒子空间分布状况,在粒子重采样前进行权值自适应调节,解决原始粒子滤波方法采样时出现的粒子退化问题并优化滤波效果。实验结果表明,改进后的算法在具有挑战的Tiger和Girl视频序列中跟踪成功率分别达到了97.5%和95.0%,单帧处理时间缩短至24.6 ms和18.4 ms,具有较高的跟踪精度和良好的鲁棒性,能够应对跟踪目标发生旋转、部分遮挡等情况以及实时性要求。     

改进粒子滤波算法在深空红外小目标跟踪中的应用

非负矩阵分解具有较好的特征提取性能,广泛应用于数据融合领域,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.该文结合两种算法的优点,提出了一种基于改进粒子滤波的红外小目标跟踪算法.利用NMF融合当前与之前的粒子分布权重,减小经典粒子滤波退化发散带来的精度误差.避免了目标遮挡及暂时消失带来的跟踪错误.仿真实验证明本文算法相对于经典粒子滤波,具有更好的跟踪精度和稳定性.     

基于纹理特征的火箭目标跟踪方法

为解决姿态剧烈变化的火箭目标跟踪问题,提出了一种新的基于纹理特征的跟踪方法。相对于传统的模板匹配方法,这种方法能对助推器和子级分离的捆绑式运载火箭进行跟踪。在对火箭目标特性进行分析的基础上,采用局部二值化模式(LBP)纹理特征结合Hu不变矩特征描述进行跟踪。跟踪过程中特征匹配采用简单的相似性度量准则,实时模板更新算法为加权更新。测试结果表明,这种方法对发生位移、旋转和尺度变化的火箭目标同样具有比较好的跟踪效果。     

基于多特征Mean Shift的人脸跟踪算法

该文把局部三值模式(Local Ternary Patterns, LTP)纹理特征引入Mean Shift跟踪算法,提出了基于多特征的Mean Shift人脸跟踪算法以解决Mean shift跟踪算法的鲁棒性问题。通过对LTP纹理特征的分析、研究,提出了一个LTP关键纹理模型,既增强了目标的关键纹理信息,又简化了LTP纹理模型。在此基础上,提出一种基于LTP关键纹理特征和肤色特征的Mean Shift人脸跟踪算法,有效地解决了Mean Shift算法的鲁棒性问题。为进一步提高对快速运动目标的跟踪速度和跟踪性能,该文引入了卡尔曼滤波器对目标进行预测。实验结果表明,该文的算法在目标定位的准确性和跟踪性能上比Mean Shift算法均有明显的提高。     

基于区域协方差矩阵的目标跟踪方法

针对精确制导系统图像跟踪的特点,在计算机视觉研究领域最新成果区域协方差矩阵的基础上提出了一种目标跟踪的新方法.首先对图像进行空域滤波,然后提取目标区域的多种特征,生成区域协方差矩阵,接着用参考模板的区域协方差矩阵在实时图中进行相关匹配,生成相关矩阵;最后对相关矩阵进行一系列后处理,确定跟踪点;另外设计了一种简单实用的模板刷新方法.大量的仿真实验证明该方法对红外图像、可见光图像,运动目标、固定目标都能实现很好的跟踪,展示了很好的鲁棒性和精确性.     

基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

针对目前一些常用的运动目标跟踪算法存在跟踪精度不高、实时性低、对遮挡问题处理不佳等问题,提出一种粒子群算法与卡尔曼滤波相结合的新的运动目标跟踪方法。利用卡尔曼滤波预测目标中心在下一帧图像中的位置,从而极大减少了搜索范围,并以该位置为中心建立目标搜索区域。然后以目标的灰度统计特征对目标模板和候选区域进行匹配,确保跟踪准确性。为了有效减少搜索匹配次数、提高实时性,利用粒子群算法在搜索区域找到和目标模板最相似的区域,从而找到最优中心位置,并以该位置作为卡尔曼滤波的观测值,进行下一帧跟踪。仿真实验结果表明新算法显著提高了跟踪的实时性、精确性,并对部分遮挡能较好地处理。     

基于分块的多特征融合变尺度目标跟踪算法

为了增强彩色视频中目标外观描述能力和解决跟踪过程中目标尺度变化的问题,提出一种基于分块的多特征融合变尺度目标跟踪算法.设计了一个能处理不同挑战因素下对目标的精确跟踪算法,首先提取HSV分块的颜色直方图特征和PCA-HOG特征并采用多通道线性核函数对两种特征进行融合构建训练样本,然后求解线性岭回归函数获得位置核相关滤波器模型,并以线性核函数来计算候选区域在7个尺度空间上与跟踪目标的响应值,最后利用尺度自适应模板更新模型参数.实验结果表明,提出的算法在彩色视频中不仅能较好地自适应目标尺度的变化,在复杂场景下也具有较强的鲁棒性.     

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。