多特征重检测的相关滤波无人机视觉跟踪

无人机视觉跟踪是视觉跟踪未来应用的核心领域,其由于跟踪目标像幅较小、表 观不清且易受到无人机飞行姿态多变、飞行稳定性差等因素的影响而难以对目标进行鲁棒的跟 踪,特别是发生跟踪遮挡时,算法跟踪漂移后无法进行模型的更新。为提高无人机视频的跟踪 效果,提出一种多特征重检测跟踪方法。首先采用多特征融合的方式提高跟踪算法在无人机跟 踪特征的判别性。其次目标在出现遮挡时,扩大搜索区域,采用滑动窗口采样找到置信度最高 的目标区域并实现模型更新。通过一系列无人机视频实验结果表明,该算法在遇到遮挡问题时 具有较好的鲁棒性,能够提高无人机在目标跟踪过程中的准确性。     

基于多尺度建议框的目标跟踪误差修正方法

随着深度学习技术引入视觉目标跟踪领域,目标跟踪算法的精度和鲁棒性有了很大的提高。但在低空无人机跟踪目标的实际场景中,情况比较复杂,如相机的抖动、大量的遮挡、视角和焦距的改变等,使得跟踪算法的准确性受到极大挑战。目前的算法大多建立在目标外观变化缓慢的前提假设下,在跟踪的过程中不具备检测和修复漂移（跟踪误差）的能力。针对该问题,提出了一种基于多尺度建议框的目标跟踪误差修正方法。离线阶段,利用大量的已标注的目标样本训练基于多尺度建议框的目标跟踪修正模型,获取不同类别目标的先验知识。在线阶段在核相关滤波跟踪的基础上,依据相关响应置信度自适应评价的结果,通过目标跟踪修正模型不定期重新初始化目标的位置,避免了因为误差累积而导致跟踪失败。算法在无人机航拍数据集上进行了测试,结果表明,该跟踪算法在目标发生较大形变的情况下能较好的修正跟踪漂移问题。相比于其他几种算法,目标跟踪的成功率和精度分别提高了14.3%和3.1%。     

融合相似性检测的抗遮挡粒子滤波跟踪算法

在粒子滤波跟踪算法运行过程中,由于目标遮挡导致丢失目标,将严重地降低跟踪精度与鲁棒性。为了解决此问题,提出了目标丢失状态判定方法和基于改进序贯相似性检测的目标位置重建方法,当检测到目标丢失时,重启跟踪算法。改进序贯相似性检测使用Bhattacharyya距离代替像素累积误差,更好地适应检测目标发生旋转、形变、缩放等情况。使用OTB-100标准数据集,将该算法和传统粒子滤波跟踪算法、SCM等经典算法比较。实验结果表明,对于含遮挡特性视频序列,本文算法比传统粒子滤波跟踪算法和OTB-100抗遮挡最优算法跟踪成功率分别提高36.6%和3.2%,提升了跟踪过程的稳定性。此外,还将实验结果与最新粒子滤波跟踪研究成果作对比分析。     

跟踪遮挡目标的一种鲁棒算法

为了解决在跟踪目标过程中的遮挡问题,引入Kalman滤波器为Mean Shift跟踪算法选择初始点,在跟踪稳定的情况下进行模型更新以消除由于目标缓慢变化而产生的累积误差对跟踪结果的影响。根据Kalman滤波器残差的大小判定是否发生遮挡,遮拦检测算法对目标进行分块检测从而把遮挡分为部分遮挡和完全遮挡两种情况,并对两种情况进行区别讨论：对部分遮挡情况不做特殊处理;对完全遮挡情况,结合目标的运动方向提出6点搜索策略来找回目标。实验表明,该算法能很好地解决跟踪运动目标过程中目标的遮挡问题。     

基于马尔可夫链的动态多目标快速跟踪

针对目标跟踪过程中常见的碰撞遮挡问题,提出一种视频图像序列的多目标快速跟踪方法。该方法基于卡尔曼算法预测目标位置,采用颜色匹配算法进行前后帧目标的快速匹配,建立马尔可夫链模型并结合目标置信度,判断目标所处的状态,以消除碰撞遮挡现象产生的干扰,实现准确快速的目标跟踪。实验结果表明,该方法能在快速多目标跟踪过程中有效解决目标碰撞、遮挡等问题。     

自适应特征融合的核相关滤波跟踪算法

为解决单一特征目标跟踪算法因光照变化、目标遮挡导致的跟踪失败问题,提出一种自适应加权融合颜色属性特征和方向梯度直方图特征的核相关滤波目标跟踪算法.首先根据目标颜色属性特征和方向梯度直方图特征,采用核相关滤波方法获得2种特征下目标的预测位置;然后分别计算2个目标位置的核相关滤波响应值,据此响应值大小按比例分配目标位置权重,获得目标的最终预测位置,提高了目标定位的精度;最后采用相邻2帧图像的平均差来分析图像的变化率,按变化率分段调整分类器的学习速率,解决目标遮挡导致的跟踪失败问题.在9组标准测试视频集下验证文中算法,并与3种核相关滤波跟踪算法进行比较的结果表明,与其中最优算法相比,该算法跟踪目标的平均中心位置误差减少16.78个像素,平均距离精度提高11.01%,平均重叠精度提高14.87%;在目标严重遮挡情况下,该算法依然能够稳定地跟踪目标.     

融合图像感知哈希技术的运动目标跟踪

目的 为解决运动目标跟踪时因遮挡、尺度变换等产生的目标丢失以及传统匹配跟踪算法计算复杂度高等问题,提出一种融合图像感知哈希技术的运动目标跟踪算法.方法 本文算法利用感知哈希技术提取目标摘要进行模板图像识别匹配,采用匹配跟踪策略和搜索跟踪策略相配合来准确跟踪目标,并构建模板评价函数和模板更新准则实现目标模板的自适应更新,保证其在目标发生遮挡和尺度变换情况下的适应性.结果 该算法与基于NCC(normalized cross correlation)的模板匹配跟踪算法、Mean-shift跟踪算法以及压缩跟踪算法相比,在目标尺度变换和物体遮挡时,跟踪的连续性和稳定性更好,且具有较低的计算复杂度,能分别降低跟踪系统约6.2%、 6.3%、 9.3%的计算时间.结论 本文算法能有效实现视频场景中目标发生遮挡及尺度变换情况下的跟踪,跟踪的连续性和稳定性良好,且算法具有较低的计算复杂度,有利于实时性跟踪系统的构建.     

遮挡情况下的多目标跟踪算法*

在视频监控系统中,由于背景的复杂变化,运动目标经常会出现部分或全部被遮挡的情况。为了在遮挡条件下进行多目标跟踪,针对运动目标发生遮挡情况下的Mean Shift跟踪问题进行了研究,提出一种新的抗遮挡算法。利用卡尔曼滤波器来获得每帧Mean Shift算法的起始位置,再利用Mean Shift算法得到目标跟踪位置,通过目标遮挡判定机制和目标搜索机制来解决遮挡问题。实验表明,该算法较好地解决了运动目标的遮挡问题。     

基于模板匹配与运动预测的跟踪算法研究

本文所介绍的跟踪算法使用了基于MCD距离的相似性度量方法进行模板匹配,并采用了一种模板自适应更新策略,使得跟踪算法对环境的适应能力和稳定性得到了较大的提高.此外,还根据目标在运动过程中具有轨迹连续性的特点,加入了预测算法的使用.实验结果表明,该算法能较好地解决跟踪过程中目标受干扰和被遮挡等问题.     

基于特征点匹配的自适应目标跟踪算法

由于实际场景复杂多变,目标在运动过程中往往会出现形变、遮挡等问题,增加了跟踪的难度。为了解决上述问题,提出一种基于特征点匹配的自适应目标跟踪算法。算法初始化时在选定的目标区域内提取特征点,跟踪过程中通过对前后两帧的特征点进行匹配,计算出目标的位置、尺度和旋转变化,进而实现对目标的跟踪。同时通过对特征点的不断更新,可以使算法具有一定的抗遮挡能力。实验表明,该方法在实际应用中效果很好。     

改进的核相关滤波跟踪算法

主要针对核相关滤波（KCF）跟踪算法无法解决目标跟踪中尺度变化及目标丢失问题,提出了一种改进的核相关滤波目标跟踪算法。在训练位移滤波器的基础上增加了一个尺度滤波器来改进目标尺度变化问题。为解决目标丢失问题,结合了遮挡处理机制,当判断目标受到遮挡面积较小时使用支持向量机（SVM）对样本进行在线训练,当目标遮挡时使用再检测分类器进行检测。实验结果表明,该方法与其他优秀跟踪算法比较跟踪精度有明显提升。     

基于多模态数据的目标跟踪算法

为解决目标跟踪中目标遮挡、背景复杂等问题,提出一种基于多模态数据的目标跟踪算法。首先对各个模态数据进行像素级融合,以减少单模态数据中信息不足对跟踪结果的影响。然后对融合后的图像提取不同的特征进行滤波,接着将滤波得到的响应图进行决策级融合,以解决因单个模型漂移导致的模型跟踪失败问题。最后根据融合后的响应图的峰值得到跟踪结果。此外,在跟踪过程中加入遮挡检测模块,进一步增强模型鲁棒性。在普林斯顿跟踪基准上对算法进行评估,结果表明,与其他主流算法相比,基于多模态数据的目标跟踪算法在目标遮挡类视频上跟踪精度提升了8.4%,重合成功率提升了3.3%,具有较好的抗遮挡效果。     

基于改进DSST的行人遮挡跟踪算法

为解决判别尺度空间跟踪(DSST)算法在行人处于长期完全遮挡后又重新出现的情况下无法跟踪的问题, 提出了一种改进的跟踪算法(DDSST). 在DSST框架下,首先对行人目标跟踪, 然后, 引入高置信度指标计算策略作为跟踪准确可信度反馈机制, 在跟踪丢失时利用可变部件模型(DPM)对跟踪目标重新定位. 最后, 通过评估在线目标跟踪基准(OTB)数据集和实际环境拍摄的视频序列对DDSST算法准确性进行验证, 并与其他跟踪算法进行比较. 实验分析表明, 改进算法相较DSST的距离精度与成功率提高了4.1% 和6%, 相比其他算法性能更优, 且在形变、遮挡、平面外旋转、运动模糊和尺度变换等条件下跟踪更稳定.     

基于改进的核相关滤波器的目标跟踪算法

针对传统的KCF(核相关滤波器)目标跟踪算法在严重遮挡情况下出现目标跟踪漂移和丢失的问题,提出了一种改进的KCF目标跟踪算法.在传统的算法上增加了遮挡判断,如没有出现遮挡,则用KCF进行跟踪;若发生遮挡则用粒子滤波进行预测,然后把预测位置送给KCF算法.最后OTB-13的测试库选择David2、David3和Soccer视频遮挡序列进行跟踪测试,跟踪结果表明了改进方法的有效性;然后选择50组视频序列比较算法的有效性,相比传统的KCF算法,其跟踪精度和成功率分别提高了6.1％和2.9％.在目标发生严重遮挡时,该算法具有良好的鲁棒性.     

基于融合特征的多尺度快速相关滤波跟踪算法

针对复杂场景下目标遮挡和尺度变化所导致的跟踪效果不佳问题,提出一种基于融合特征的多尺度快速相关滤波跟踪算法。首先,对目标的3种特征降维融合构成特征矩阵;其次,采用主成分分析思想实时地提取显著特征,重构特征矩阵,在有效降维的同时训练位置相关滤波器;最后,利用融合特征矩阵训练尺度相关滤波器,从而准确预测目标位置和尺度。实验部分将改进算法与目前流行的相关滤波跟踪算法进行比较,结果表明,改进算法在目标遮挡和尺度变化场景下跟踪精度较高,平均跟踪速度达到52.5 frame/s。     

基于KCF的样本更新与目标重定位方法

为了解决核相关滤波（Kernelized Correlation Filter, KCF）算法由于测量误差的累积导致目标跟踪失败的问题,提出一种样本质量评价机制,筛选样本对分类器进行更新操作。为了解决目标遮挡后重定位的问题,使用Kalman滤波算法估计目标位置,然后评价其估计结果。为了解决目标位置难以预测的问题,使用ORB特征点匹配算法完成目标的重新定位。在TB数据集中选取部分序列进行测试。实验结果表明,目标出现短时间、长时间遮挡时,改进算法在精确度和成功率上都有一定程度的提高。     

引入特征重检的抗遮挡目标跟踪方法研究

针对视觉目标跟踪的遮挡问题,在TLD算法的基础上,引入特征重检环节,解决发生遮挡时因目标外观相似、背景聚类造成错判,提出了一种基于特征重检的抗遮挡目标跟踪研究方法(TLD-D),采用跟踪、检测、学习、再检测的策略。跟踪与检测相结合,对锁定的目标进行学习,获取目标最新的外观特征;当发生遮挡时,则启用特征重检环节,提取遮挡过程的"开始发生遮挡"和"遮挡结束"两个关键帧,然后在特征重检环节选用SIFT特征进行双向匹配标定目标,确保重新标定的目标为原被遮挡的跟踪目标,即"再检测"。OTB基准集上实验结果表明,与TLD算法、同类TLD改进算法以及其他经典跟踪算法相比较,TLD-D算法抗遮挡能力更强,鲁棒性更强,能够对目标长时间稳定跟踪。     

遮挡情况下的视觉目标跟踪方法研究

将目标整体相关匹配算法和目标各子块相关匹配作表决的算法相结合,有效解决了运动目标被遮挡的跟踪问题.目标被遮挡,表现为某些子块被遮挡且匹配错误.对被遮挡的子块使其不参与表决,也不参与整体相关匹配的计算,只利用目标剩余的能代表目标本身属性的未遮挡子块继续跟踪目标.实验结果表明,采用的两种算法互为补充,对解决遮挡情况下目标的视觉跟踪是有效的.     

无线传感器网络目标跟踪算法的研究

研究传感器网络目标跟踪精度问题,跟踪目标的运动轨迹具有时变性,是一种非线性、非高斯问题,传统跟踪算法解决非线性问题时具有局限性,导致目标跟踪精度不高。为提高目标跟踪精度,将不受非线性、非高斯问题限制的粒子滤波算法引入到无线传感器网络目标跟踪应用中,并对基本粒子滤波算法的缺陷进行改进。仿真结果表明,改进粒子滤波算法提高了粒子利用效率,不仅提高了目标跟踪的精度,跟踪性能更好,并适合于目标跟踪的精度和实时性要求,为设计网络系统提供了参考。