一种复杂背景下红外目标稳定跟踪算法

针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题,提出了一种基于跟踪-学习-检测(Tracking-Learning-Detection,TLD)框架的红外目标稳定跟踪方法。该方法在压缩跟踪算法(Compressive Tracking,CT)的基础上替换广义的类Harr特征为HOG特征,引入互补随机测量矩阵,优化纹理和灰度特征信息的权重,同时引入卡尔曼滤波器记录空间上下文位置信息,以解决CT算法和TLD算法在目标被遮挡时的跟踪失效和全局检索问题。基于TLD算法框架和改进CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题,提升了算法的跟踪准确性和长期跟踪稳定性。实验结果表明,本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性。     

融合重检测机制的上下文感知目标跟踪算法

为了解决目标跟踪中常见的遮挡、旋转和背景杂乱等问题,提出了一种融合重检测机制的上下文感知目标跟踪算法.首先在相关滤波算法的基础上引入上下文信息供滤波器学习以丰富样本信息,构造上下文感知相关滤波器,提高滤波器的学习能力;然后引入重检测机制判断检测结果的可靠性,解决遮挡情况下模型被污染的问题.最后在公开数据集上对算法的性能进行了测试,并与DSST、Staple、SRDCF、TLD和BACF这5种算法进行对比.实验结果表明,算法在遮挡、旋转和背景杂乱等复杂场景下具有较好的跟踪鲁棒性,跟踪精度和成功率分别达到了 0.748和0.836,均优于其余5种跟踪算法.     

基于增强群跟踪器和深度学习的目标跟踪

为解决基于外观模型和传统机器学习目标跟踪易出现目标漂移甚至跟踪失败的问题,该文提出以跟踪-学习-检测(TLD)算法为框架,基于增强群跟踪器(FoT)和深度学习的目标跟踪算法。FoT实现目标的预测与跟踪,增添基于时空上下文级联预测器提高预测局部跟踪器的成功率,快速随机采样一致性算法评估全局运动模型,提高目标跟踪的精确度。深度去噪自编码器和支持向量机分类器构建深度检测器,结合全局多尺度扫描窗口搜索策略检测可能的目标。加权P-N学习对样本加权处理,提高分类器的分类精确度。与其它跟踪算法相比较,在复杂环境下,不同图片序列实验结果表明,该算法在遮挡、相似背景等条件下具有更高的准确度和鲁棒性。     

决策主导的多模式目标跟踪算法融合方法

针对视频目标跟踪过程中出现目标被遮挡情况导致跟踪器性能下降的问题,提出一种决策主导的多模式目标跟踪算法融合方法。该算法选取跟踪学习检测(TLD)算法和核相关滤波(KCF)算法作为集成方式的主体跟踪算法用于跟踪所选择视频目标。首先,使用直方图算法感知目标在运动过程中场景是否被遮挡的情况。然后,运用马尔可夫决策过程(MDP)利用上下文信息做出决策。最后,根据决策结果在目标被遮挡与否时选择TLD算法或KCF算法用于跟踪目标。仿真结果表明,提出的多模式目标跟踪算法集成方式较传统目标跟踪算法在实时性和鲁棒性综合性能上有更好的表现。     

TLD目标跟踪算法综述

TLD目标跟踪算法将检测和跟踪同时加入跟踪框架,并引入半监督机器学习算法对锁定目标不断学习以捕获其最新外观,使目标无处可逃,从而实现对未知目标的长时跟踪.简要介绍了TLD算法的理论背景和系统框架,并指出其存在的主要缺陷.然后对各个缺陷所提出的改进方法进行详细地综述,并给出自己的评述.最后总结全文并展望TLD目标跟踪算法在未来几年的发展趋势.     

复杂场景中战斗机的鲁棒跟踪算法研究

为进一步适应复杂环境及战斗机自身状态的变化,提高目标跟踪算法的跟踪性能,在TLD算法框架下对其进行改进.首先,将改进了的SIFT特征匹配算法与TLD算法中的光流法相结合,根据战斗机的不同状态及周围环境自适应地选择相应算法,提高算法的鲁棒性和对复杂环境的自适应能力;其次,引入粒子滤波进行优化,实时预测战斗机状态并缩小检测范围,在降低计算难度的同时提高跟踪速度和持续性;最后,设置置信度检测以有效解决误判问题,提高跟踪精度.实验结果表明,当战斗机处于复杂场景或自身状态变化较大时,改进算法取得了优于参考算法的跟踪性能,可以满足长时间鲁棒跟踪的要求.     

TLD目标跟踪算法研究

在TLD (Tracking Learning Detector)算法的基础上,提出了一种基于Online MIL(Online Multiple Instance Learning)的TLD目标跟踪算法.算法使用改进的MIL跟踪器进行目标跟踪,提高了目标在被遮挡情况下跟踪的鲁棒性.另外,在学习机制部分,目标位置的决策策略使用了跟踪结果优先的原则,使算法能适应出现类似目标时的跟踪.实验结果表明,该方法能够长时间准确地跟踪目标,并在出现类似目标时;跟踪效果较好.此外,改进后的算法在跟踪的稳定性和跟踪效率上较原算法提高了1倍.     

卷积神经网络与时空上下文结合的目标跟踪算法

本文所提算法是一种卷积神经网络与时空上下文结合的目标跟踪算法。将卷积神经网络算法融入时空上下文算法框架下,使得跟踪系统整体的鲁棒性有显著提高。引入Kalman滤波来处理目标被严重遮挡时,跟踪框容易漂移的问题。此外,整个跟踪系统采取由粗到精的双重目标位置定位方式,由时空上下文算法实现目标初定位,由卷积神经网络进行目标位置的精确定位。经实验验证,算法不仅稳定性和鲁棒性较好,而且实时性的条件也基本满足。     

基于Vibe和时空上下文的运动手势跟踪算法

针对时空上下文算法易发生漂移以及在目标跟踪丢失后不能重新找回目标的问题,提出了一种融合Vibe前景检测和时空上下文的运动手势跟踪算法。首先使用时空上下文算法对手势预估计并进行干扰检测,当检测到干扰发生时,使用Vibe算法对时空上下文算法的预估计结果进行校准,并更新目标模型。该方法的优势在于,采用无参数模型的Vibe算法校准手势跟踪全过程。实验采用重叠度成功率和中心偏差作为评价体系,实验结果表明,改进算法比原算法跟踪成功率提高60%。该方法增强了运动手势跟踪效果,提高了时空上下文算法的鲁棒性。     

基于人工鱼群粒子滤波的TLD改进算法

在面对光照变化、部分遮挡、背景杂乱和平面内外旋转等跟踪难点时,跟踪学习检测算法(Tracking-Learning-Detection,TLD)容易产生漂移导致跟踪失败,其跟踪性能还有待提高。在传统TLD算法的基础上,提出一种基于人工鱼群粒子滤波的TLD改进算法。首先使用人工鱼群粒子滤波跟踪器代替金字塔光流跟踪器,将颜色直方图特征和方向梯度直方图特征进行融合,建立目标表观模型,引入图像金字塔多尺度思想进行尺度匹配,提高目标跟踪的稳健性。然后通过粒子滤波过程预测目标区域,将TLD算法检测模块的全局扫描改进为局部扫描,剔除大量非目标区域,提高检测模块的检测效率。实验结果表明:基于人工鱼群粒子滤波的TLD改进算法具有良好的跟踪性能,与传统TLD算法相比,其平均成功率和精准度分别提高了19.04%和28.00%,平均跟踪速度可达33.87FPS,提高了38.78%。     

基于时空上下文和随机森林的人眼跟踪定位算法研究

为了得到人眼跟踪过程中更好的鲁棒性和实时性以及跟踪精度,提出一种基于自适应增强分类算法(AdaBoost)、随机森林(RF)和时空上下文(STC)的重定位跟踪算法。该算法结构分为3层,分别为AdaBoost人脸检测、STC人脸跟踪和RF人眼定位。首先,利用AdaBoost在第一帧识别出人脸,从而提取出人脸窗口。接着,使用时空上下文跟踪算法进行人脸跟踪。然后,联合定向梯度直方图(HOG)算法进行相似度判断,以达到目标丢失后继续跟踪的目的。最后,采用随机森林算法进行人眼定位。实验结果表明,与传统的随机森林人眼跟踪算法相比,该算法在跟踪速度达到原方法的2倍左右,并在跟踪精度和鲁棒性上和原算法相同。基本满足在裸眼3D显示时人脸跟踪和人眼定位的精度高、实时性快、鲁棒性好的要求。     

基于空时线索的TLD视频跟踪算法

视频跟踪是计算机视觉领域的研究热点之一,Tracking-Learning-Detection(TLD)是近年来提出的一种有效的视频跟踪框架。针对短时遮挡以及复杂可变背景环境下的目标跟踪问题,提出了一种基于空时线索的TLD视频跟踪算法。在该算法中,采用由局部图像块的多通道特征训练生成的霍夫森林进行检测,通过多个局部图像块引入目标相关的空间位置信息,提高了算法的区分能力;然后,根据图像块对光流跟踪初始位置进行随机化布置并利用空间位置信息对光流跟踪结果进行加权,改善光流跟踪的性能;最后,对光流跟踪输出置信度与霍夫森林检测输出置信度进行自适应空时融合,综合提高目标的跟踪精度。实验结果表明,与原始TLD算法相比,本文算法能够更有效地处理遮挡问题,实现复杂背景环境下的鲁棒目标跟踪。      

基于嵌入式平台的低时间复杂度目标跟踪算法

针对嵌入式平台往往算力受限的应用背景,提出了一种低时间复杂度的、适用于复杂场景的目标跟踪算法CTSTC算法。算法由自适应更新的时空上下文目标跟踪环节和自适应更新的压缩感知目标辅助定位环节两部分构成,当时空上下文跟踪结果不可靠时,启动压缩感知目标辅助定位环节,如果辅助定位后的结果可靠,则采用辅助定位结果校正时空上下文跟踪环节。算法运行速度与时空上下文算法（STC）接近,I5CPU下测试可达每秒1 577帧,远高于其他常用算法,是一种运算速度极高的目标跟踪算法,但算法在复杂环境下的鲁棒性却有所提升。使用OTB2013数据集进行测试,较STC算法,CTSTC精度提升12.8%,成功率提升27.5%。算法在以DM6437为核心的小型目标跟踪系统上进行测试,可以实现实时稳定跟踪。     

Minimum barrier distance based tracking via spatio-temporal context learning

We propose an efficient and robust tracking method based on minimum barrier distance (MBD) and spatio-temporal context (STC) learning. It is robust to noise and blur, and can be evaluated approximately through a Dijkstra-like algorithm, leading to fast computation. We adopt the MBD transform to measure the weights of context pixels, and formulate the spatio-temporal relationship between the object and its surrounding region based on a Bayesian framework to estimate the most likely location of the target. A bounded scale update model is proposed to estimate the size of the object. The whole proposed method runs at nearly 160 frames per second (FPS) on an i5 machine. Extensive experimental results show it has comparable or better comprehensive performance than the original STC and some other leading methods.     

一种引入预测机制的时空上下文跟踪算法

针对时空上下文(STC)算法在抗遮挡目标跟踪中的不足,提出使用上下文模型相似度作为判别遮挡的条件和改进上下文模型更新方程的修正系数,同时采用预测算法修正搜索区域,构建了一种基于时空上下文跟踪的抗遮挡目标跟踪算法,并通过标准目标跟踪视频库对原算法和改进后算法的跟踪性能进行仿真和对比。实验证明,在原算法的基础上提高了抗遮挡跟踪的鲁棒性,在一些图像序列中跟踪成功率的提高最高可达30%。     

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.     

一种改进的核相关滤波目标跟踪方法研究

针对目标跟踪领域视频图像序列经常出现遮挡、光照变化和快速移动等难点,提出了一种融合目标上下文信息和超像素级特征的核相关滤波跟踪方法,目标与其周围的信息存在相关性,利用中层视觉特征(超像素)构建目标的上下文滤波模型,在相关滤波框架下,实现对目标的快速训练和定位。实验结果表明,和其他相关滤波类算法相比,所提出的算法在处理以上跟踪难点时,精确度更高,且鲁棒性更强,同时能以较快的速度运行,满足实时性的要求。     

Feature-based detection and correction of occlusions and split of video objects

This paper proposes a novel algorithm for the real-time detection and correction of occlusion and split in object tracking for surveillance applications. The paper assumes a feature-based model for tracking and is based on the identification of sudden variations of spatio-temporal features of objects to detect occlusions and splits. The detection is followed by a validation stage that uses past tracking information to prevent false detection of occlusion or split. Special care is taken in case of heavy occlusion, when there is a large superposition of objects. For the detection of splits, in addition to the analysis of spatio-temporal changes in objects’ features, our algorithm analyzes the temporal behavior of split objects to discriminate between errors in segmentation and real separation of objects, such as in a deposit event. Both objective and subjective experimental results show the ability of the proposed algorithm to detect and correct, both, split and occlusion of objects. The proposed algorithm is suitable in video surveillance applications due to its good performance in multiple, heavy, and total occlusions, its ability to differentiate between real object separation and faulty object split, its handling of simultaneous occlusion and split events, and its low computational complexity. The algorithm was integrated into an on-line video surveillance system and tested under several conditions with promising results. This work was partially supported by the National Science and Engineering Research Council of Canada (NSERC).     

基于局部特征和Mean Shift的目标跟踪算法研究

利用均值漂移进行目标跟踪的算法,在被跟踪目标出现旋转、尺度变化、噪声干扰等情况下,无法得到准确的跟踪结果。文中提出了基于当前流行目标跟踪算法和局部特征相结合的算法,基于局部特征-形状上下文(Shape Context)特征的Mean Shift目标跟踪算法。该算法首先提取目标的轮廓信息和特征,根据采样点之间位置和距离关系建立Shape Context直方图,最后所有点的Shape Context直方图构成了图像的Shape Context特征,最后根据Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。     

Object detection using multi-resolution mosaic in image sequences

Object detection in image sequences has a very important role in many applications such as surveillance systems, tracking and recognition systems, coding systems and so on. This paper proposes a unified framework for background subtraction, which is very popular algorithm for object detection in image sequences. And we propose an algorithm using spatio-temporal thresholding and truncated variable adaptation rate (TVAR) for object detection and background adaptation, respectively. Especially when the camera moves and zooms in on something to track the target, we generate multi-resolution mosaic which is made up of many background mosaics with different resolution, and use it for object detection. Some experimental results in various environments show that the averaged performance of the proposed algorithm is good.