一种鲁棒的多特征融合目标跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种新的多特征融合目标跟踪算法,该算法将目标的颜色、纹理、边缘、运动特征统一使用直方图模型进行描述,以降低算法受目标形变和部分遮挡的影响,在Auxiliary粒子滤波框架内将所有特征观测进行概率融合,以突出状态后验分布中目标真实状态对应的峰值,从而有效避免了复杂背景的干扰,并给出了一种有效的融合系数计算方法,使融合结果更加准确可靠。实验结果表明,该算法能同时处理刚性与非刚性目标的跟踪,较单一特征的跟踪算法具有明显的优势,对复杂背景下的跟踪具有较高的鲁棒性。与现有多特征融合算法的比较也证明了本文算法的有效性。     

复杂背景下感兴趣运动目标的跟踪算法

针对由于复杂背景的干扰而导致不能准确跟踪感兴趣运动目标的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法。首先在HSV颜色空间中得到感兴趣运动目标的加权颜色分布模型,然后利用不变矩特征来消除背景中相似颜色物体和光照变化的干扰,两种特征通过自适应调整权重来更新粒子权值而融合于粒子滤波算法中,从而能够准确和稳定地跟踪运动目标。实验证明,该算法在运动目标平移、姿态变化、遮挡、光照变化及相似颜色干扰等复杂背景下都能够准确地进行跟踪,对背景干扰具有很强的鲁棒性。     

利用检测特征空间的目标实时跟踪

针对被跟踪目标尺度小、特征颜色与场景颜色相似的问题,提出一种基于实时检测结果的视频目标跟踪算法,即首先对背景进行高斯建模,利用背景减除法和帧间差分算法对前景区域进行有效提取,然后在提取的前景区域内进行基于均值移动算法的目标跟踪。基于像素级别的背景减除与帧间差分算法虽然精确和灵敏的优点,但是鲁棒性不强;而基于块级别的均值移动算法虽然鲁棒性强,但是弱化了特征颜色的空间信息,本文对两种机制进行了有效融合。通过该策略,跟踪系统在目标快速运动、有场景相似颜色干扰等情况下具有很好的跟踪性能,算法的计算量小,能够满足实时性要求。通过多组对比实验可以看出,新算法具有很强的抑制背景干扰、提高均值移动跟踪算法鲁棒性的能力。     

基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.     

无人机对船舶目标的改进CamShift跟踪算法研究

针对由于CamShift算法跟踪特征单一引起的对颜色相似目标或背景的干扰和对目标遮挡情况较敏感的问题,提出了一种基于改进CamShift融合局部特征匹配的无人机目标跟踪算法.首先,采用基于 H分量和LBP二维模板的改进CamShift目标跟踪算法以提高对相似目标干扰的鲁棒性;其次,在能保证目标跟踪的实时性要求的前提下,融合局部特征匹配算法中的BRISK匹配算法,可有效改善CamShift对颜色相似目标或背景的干扰的敏感性,同时增强对目标遮挡鲁棒性.实验结果表明,该改进算法通过颜色特征和局部特征的共同定位目标,实现了目标的准确跟踪.     

基于多信息融合自适应粒子滤波的目标跟踪算法

粒子滤波是一种可在非线性和非高斯情况下进行状态估计的有效方法,基于单特征粒子滤波跟踪算法在目标跟踪中的应用及存在的不足,针对颜色信息在光照变化和相似背景务件下存在的缺点,为了仍能对目标进行有效地跟踪,加入纹理信息来表示目标,并给出基于目标的颜色特征和纹理特征多信息融合的自适应粒子滤波算法,使用三种量测模型并给出具体的算法和实验结果,实验证明此方法与仅基于颜色粒子滤波跟踪方法相比,在计算量增加不多的情况下大大改善了跟踪的性能和鲁棒性.     

基于自适应多特征融合的mean shift目标跟踪

经典mean shift目标跟踪算法简单快速,具有较好的跟踪效果,但是它用单个特征描述目标,易受相似目标与背景的干扰,鲁棒性较差.针对此不足,推导出多特征融合mean shift目标定位公式;为了适应跟踪过程中目标与背景的变化,提出利用概率分布可分性判据动态评价特征对目标与背景的区分能力,并自适应地计算特征融合权重.在上述两个方面的基础上,对mean shift目标跟踪算法进行了改进,提出一种多特征融合mean shift目标跟踪算法.实验结果表明:提出的算法比经典mean shift目标跟踪算法具有更强的抗干扰性能和较高的跟踪精度.     

基于粒子滤波和在线训练支持向量机的目标跟踪新方法

序列图像中运动目标跟踪的有效性和鲁棒性是一个非常富有挑战性的课题。为提高在运动背景条件下视觉目标跟踪的性能,克服复杂环境对跟踪算法准确性的影响,提出了一种基于粒子滤波和在线训练支持向量机的目标跟踪新方法。从目标的特征描述和提取着手,引入了积分直方图快速提取特征的方法,加快粒子滤波器运行速度,满足一定的实时性要求。同时,分析了运动背景条件下具有代表性的跟踪算法的本质和特性,结合目标识别创新性地提出在线训练支持向量机的方法,通过在线识别信息和跟踪信息的融合保证算法具备较强的鲁棒性。实验结果表明,该算法能有效的解决动态背景条件下遮挡、光照变化和运动模糊等复杂情况下,对目标进行准确、有效、近乎实时的跟踪。     

基于多准则特征融合的自适应跟踪算法

针对现有基于多特征融合的跟踪算法在复杂环境下跟踪准确度不高,且大部分采用单一判定方式来实现多特征融合的问题,提出了一种综合判定的自适应多特征融合跟踪方法。首先引入局部背景信息加强对目标的描述,然后在多特征融合过程中利用多种判定准则计算特征权值,最后在均值漂移框架下完成对目标的跟踪。在各种场景下的实验结果比较表明:该融合算法比单种判定融合有更好的稳定性和鲁棒性,有效地提高了复杂环境下跟踪准确性。     

基于自适应特征融合的粒子滤波目标跟踪算法

提出了一种基于自适应特征融合的粒子滤波跟踪算法,用于解决传统的粒子滤波跟踪方法在复杂背景下容易跟踪失败的问题。该算法选取颜色特征和边缘特征来描述目标,并通过粒子滤波进行特征融合,根据可靠性因子调整各特征的权值系数;在跟踪过程中,随着目标自身形变,自适应更新目标模板。实验结果表明,在复杂背景下以及受到遮挡时,本算法能够准确稳健地跟踪目标。     

基于柔性特征优化的目标稳健跟踪

针对单一特征空间不足以对动态时变环境中跟踪目标进行准确表达的缺点,提出一种基于柔性加权特征的ParticleFilter目标跟踪算法。首先引入“陡峭因子”这一概念对不同特征的跟踪鉴别性能进行客观评估,然后参照当前不同特征的可跟踪性能以加权组合的方式自适应生成当前最优特征,最后将生成的最优特征嵌入到ParticleFilter跟踪构架中完成目标跟踪任务。该算法具备较高的柔性可对任意采用直方图表达的特征进行自适应融合。不同的视频序列实验表明该算法可动态地对异类特征进行有效融合,对复杂场景下的目标进行稳健跟踪。     

低秩重检测的多特征时空上下文的视觉跟踪

时空上下文跟踪算法充分的利用空间上下文中包含的结构信息能够有效的对目标进行跟踪,实时性优良。但是该算法仅仅利用单一的灰度信息,使得目标的表观表达缺乏判别性,而且该方法在由于遮挡等问题造成的跟踪漂移后无法进行初始化。针对时空上下文算法存在的弱点,本文提出了一个基于低秩重检测的多特征时空上下文跟踪方法。首先利用多特征对时空上下文进行多方面的提取,构建复合时空上下文信息,充分利用目标周围的特征信息,提高目标表观表达的有效性。其次利用简单有效的矩阵分解方式将跟踪到的历史跟踪信息进行低秩表达,将其引入有效的在线重检测器中来保持跟踪结构的一致稳定性,解决了跟踪方法在跟踪失败后的重定位问题,在一系列跟踪数据集上的实验结果表明本算法比原始算法及当前的主流算法相比有更好的跟踪精度与鲁棒性,且满足实时性要求。     

基于梯度特征与彩色特征相融合的mean shift跟踪方法

针对mean shift跟踪方法中存在的光照变化不稳定问题,提出了基于梯度特征与彩色特征相融合的mean shift跟踪方法。首先分别提取目标的梯度特征和彩色特征,利用多尺度的相似度计算方法进行特征的匹配,然后通过最大化相似度对目标进行跟踪。通过物体和人体等运动目标的跟踪,验证了改进的跟踪算法在光照变化情况下的鲁棒性优于原有的算法,显著降低了跟踪位置误差。     

基于复杂特征融合的改进mean shift目标跟踪

提出一种融合Gabor小波纹理特征与颜色特征的改进mean shift目标跟踪算法.首先,提取移动目标的颜色特征和纹理特征直方图;其次,基于mean shift算法定义融合相似度系数,对特征空间进行融合并得出目标中心位置;再次,通过定义特征自适应系数来融合基于颜色和纹理特征的目标位置;最后,对上述结果进行处理,得到目标最终位置.实验结果表明,该算法在跟踪目标存在变形、噪声、遮挡时能够得到比较理想的跟踪效果.     

基于自适应特征融合的压缩感知跟踪算法

针对运动目标外观或背景变化较大时,采用基于压缩感知的跟踪算法由于特征单一易导致漂移、跟踪不稳定甚至丢失目标等问题,提出了改进的基于自适应特征融合的压缩感知跟踪算法。该算法采用两种随机测量矩阵,分别投影V、H空间得到压缩后的纹理和颜色特征,利用在线计算的特征可靠性相对程度来自适应调整特征加权系数,充分利用两类特征的互补性来增强跟踪稳定性。对不同视频的测试结果表明,提出的方法在目标外观、背景环境变化时仍能准确跟踪目标,在目标大小为70像素×100像素时平均帧率为22帧/s,达到实时性。与提取单一特征的原压缩感知算法相比,改进后的方法在目标外观和背景变化时具有更强的鲁棒性。     

基于原型注意力的多域网络目标跟踪方法

为了解决预训练集和跟踪视频的域不一致性导致跟踪模型判别能力不足的问题,提出了一种基于原型注意力的多域网络目标跟踪方法。以实时多域网络目标跟踪方法为研究对象,在训练过程中引入原型网络提取注意力特征。基于支撑集正负样本得到目标与背景的域特定原型注意力,将其与待跟踪视频的特征图进行逐通道自适应融合,使得模型在大型数据集上得到判别力更强的目标表示,从而增强跟踪算法的性能。在OTB100和TrackingNet两个基准数据集上的实验结果表明,提出方法的精度和成功率优于现有的代表性跟踪方法。     

基于负样本挖掘与特征融合的高速跟踪算法

随着目标跟踪技术在多种视觉任务中的广泛应用,跟踪算法的实时性变得越来越重要.全卷积孪生网络跟踪算法(SiamFC)虽然在跟踪速度方面较为理想,但在复杂的跟踪环境下很容易出现跟踪漂移.为了能在提高算法精度的同时保证实时性,提出一种基于负样本挖掘与特征融合的高速跟踪算法.首先,为了学到更深层次特征,又不过多增加额外参数运算,使用增加了剪裁层的轻量级网络ShuffleNetV2进行特征提取,提升跟踪速度;其次,在离线训练阶段引入不同种类的负样本对,加强对语义信息的学习,从而提升模型的特征判别能力;最后,为了得到更高质量的响应图,提出一种多尺度特征融合策略,充分利用浅层与深层特征,提高跟踪精度.在OTB100和VOT2018两个数据集上与其他跟踪算法进行对比实验,结果表明:所提出算法较基准算法SiamFC在各项指标上有大幅度提升,在两个数据集下分别收获8.3%和7.9%的增益;同时在NIVIDA GTX l070下的速度可达114FPS.     

级联特征融合孪生网络目标跟踪算法研究

在光照变化、遮挡、背景相似、变形等复杂情况下,目标跟踪过程中难以精确地提取丰富的特征信息,容易导致目标跟踪出现漂移或者跟踪丢失。由于多层神经网络的浅层特征具有高分辨率,适合于目标定位;深层特征具有丰富的语义信息,适合于目标分类。充分利用这一优势,提出了一种级联特征融合的孪生网络目标跟踪算法。对ResNet-50网络进行改进,在减少模型参数和计算量的同时提高跟踪速度;采用级联特征融合策略将ResNet-50最后一阶段的3层特征进行逐级级联融合,进行目标深层语义信息和浅层空间信息的有效提取,实现目标的多特征准确表示。针对目标跟踪过程中大多数算法仅利用第一帧作为目标模板导致跟踪过程中目标模板退化问题,引入模板更新机制,利用相似度阈值法进行模板的实时更新。在OBT2015、VOT2016和VOT2018标准数据集上进行对比实验,实验结果表明,该算法的跟踪精度较高,复杂场景下鲁棒性较强,相对于其他算法有较强的竞争优势。