基于特征融合的改进LCT跟踪算法

为解决LCT算法在目标形变与快速移动情况下跟踪效果差的问题,提出一种基于特征融合的跟踪算法。在梯度方向直方图特征相关滤波的基础上,提取目标与背景颜色直方图特征,得到颜色特征的目标预测位置。在此基础上,根据跟踪置信度确定特征融合权重,综合考虑梯度特征与颜色特征得到跟踪结果。实验结果证明,与LCT算法相比,该算法的距离精度和重叠精度分别提高了11.5%和21.2%,平均中心位置误差减少了15.3像素。     

目标跟踪算法综述

目标跟踪一直以来都是计算机视觉领域的关键问题,最近随着人工智能技术的飞速发展,运动目标跟踪问题得到了越来越多的关注.本文对主流目标跟踪算法进行了综述,首先,介绍了目标跟踪中常见的问题,并由时间顺序对目标跟踪算法进行了分类:早期的经典跟踪算法、基于核相关滤波的跟踪算法以及基于深度学习的跟踪算法.接下来,对每一类中经典的跟踪算法的原始版本和各种改进版本做了介绍、分析以及比较.最后,使用OTB-2013数据集对目标跟踪算法进行测试,并对结果进行分析,得出了以下结论:1）相比于光流法、Kalman、Meanshift等传统算法,相关滤波类算法跟踪速度更快,深度学习类方法精度高.2）具有多特征融合以及深度特征的追踪器在跟踪精度方面的效果更好.3）使用强大的分类器是实现良好跟踪的基础.4）尺度的自适应以及模型的更新机制也影响着跟踪的精度.     

多特征分层融合的相关滤波鲁棒跟踪

目的 为提高目标跟踪的鲁棒性,针对相关滤波跟踪中的多特征融合问题,提出了一种多特征分层融合的相关滤波鲁棒跟踪算法。方法 采用多通道相关滤波跟踪算法进行目标跟踪时,从目标和周围背景区域分别提取HOG（histogram of oriented gradient）、CN（color names）和颜色直方图3种特征。提出的分层融合算法首先采用自适应加权融合策略进行HOG和CN特征的特征响应图融合,通过计算特征响应图的平滑约束性和峰值旁瓣比两个指标得到融合权重。将该层融合结果与基于颜色直方图特征获得的特征响应图进行第2层融合时,采用固定系数融合策略进行特征响应图的融合。最后基于融合后的响应图估计目标的位置,并采用尺度估计算法估计得到目标更准确的包围盒。结果 采用OTB-2013（object tracking benchmark 2013）和VOT-2014（visual object tracking 2014）公开测试集验证所提跟踪算法的性能,在对多特征分层融合参数进行分析的基础上,与5种主流基于相关滤波的目标跟踪算法进行了对比分析。实验结果表明,本文算法的目标跟踪精度有所提高,其跟踪精度典型值比Staple算法提高了5.9%（0.840 vs 0.781）,同时由于有效地融合了3种特征,在多种场景下目标跟踪的鲁棒性优于其他算法。结论 提出的多特征分层融合跟踪算法在保证跟踪准确率的前提下,跟踪鲁棒性优于其他算法。当相关滤波跟踪算法采用了多个不同类型特征时,本文提出的分层融合策略具有一定的借鉴性。     

融入深度特征的多模板相关滤波跟踪算法

针对现实场景中跟踪算法因背景杂乱、遮挡、尺度变化、目标形变等情况易导致跟踪失败的问题,提出融入深度特征的多模板相关滤波跟踪算法.首先对图像或图像区域分别提取深度特征和Color Name特征,经过核相关滤波器学习得到不同的模板;然后采用核相关滤波跟踪算法获得2个特征下的响应集合,并对所得到的集合进行加权融合得到最终的目标位置;最后使用贝叶斯统计通过最大化后验的方式估计最佳目标尺度,同时更新核相关滤波器参数,以实现自适应尺度的目标跟踪.在OTB2013和OTB2015这2个基准数据库上进行实验,并与当前6种优秀的算法进行比较,结果表明该算法性能最优,在2个数据集上的成功率OP(AUE)较KCF算法分别提升10.7%和12.4%.     

融入时序和速度信息的自适应更新目标跟踪

目的 针对目标跟踪算法在现实场景的遮挡、光照变化和尺度变化等问题,提出一种融入时序信息和速度信息的多特征融合自适应模型更新目标跟踪算法。方法 通过提取目标的分级深度特征和手工设计方向梯度直方图（histogram of oriented gradients,HOG）特征,以全深度特征组合和深层深度特征与手工设计特征组合的方式构造两个融合特征器,提高在复杂场景下跟踪的稳健性;对融合特征进行可信度计算,选择最可靠融合特征对当前帧目标进行跟踪;在跟踪质量不可靠时,对目标表征模型进行更新,加入时间上下文信息和当前鲁棒表征信息,通过多峰值判定和运动速度判定选择最优目标预测位置作为最终结果。结果 在OTB（object tracking benchmark）2013和OTB2015数据库上进行大量测试,与其他7个算法相比,本文算法总体效果取得最优,且在不同复杂环境下也取得了优秀的跟踪效果,在OTB13和OTB15数据库中,跟踪精度分别为89.3%和83.3%,成功率分别为87%和78.3%。结论 本文算法利用深度特征与手工设计特征进行融合,对跟踪结果进行多峰值分析和运动速度判定,跟踪结果不佳时自适应更新特征进行重跟踪。实验结果表明,本文算法可以有效处理光照变化、背景杂波和遮挡等复杂因素的干扰,有效提升了跟踪质量。     

基于相关滤波的长期跟踪算法

针对目标遮挡导致跟踪失败的问题,在核相关滤波器(KCF)的基础上,提出目标重检测的长期跟踪算法.将方向梯度直方图特征与亮度颜色空间(LAB)颜色信息融合,建立目标外观模型,并增加尺度估计对应目标尺度的改变.通过引入峰值比控制重检测模块的启动,提取Harris角点重新学习新的模型,对目标进行持续跟踪,并控制模型更新速率.在OTB数据集上的对比实验表明,文中算法跟踪精度较高,适用于遮挡情况下的目标长期跟踪.     

基于卷积特征深度融合的海上目标跟踪算法

针对海上复杂环境下深度学习方法跟踪速度慢和尺度变化问题,以及现有跟踪算法仅使用单层深度特征或手动融合多层特征的问题,提出一种基于卷积神经网络特征深度融合的多尺度相关滤波海上目标跟踪算法。以VGG-NET-16深度模型为基础,加入多层特征融合结构,实现深度卷积融合网络,用于特征提取,通过相关滤波算法构建定位滤波器,确定目标的中心位置,通过多尺度采样构建尺度滤波器,实现对目标的判断。实验结果表明,该算法可对海上移动目标实现多尺度的有效跟踪。     

基于相关滤波融合多特征的运动目标跟踪方法

针对复杂环境下仅使用单一图像特征跟踪精度和鲁棒性差的问题,提出一种多特征融合的相关滤波目标跟踪算法。该算法首先从目标和背景区域分别提取方向梯度直方图(Histogram of oriented gradient,HOG)特征、颜色直方图特征和卷积特征,采用固定权重方法融合HOG特征和颜色直方图特征的特征响应图,然后将该层融合结果与卷积特征响应图采用自适应权重融合策略进行融合,基于融合后的响应图估计出目标位置,并采用尺度估计方法解决目标尺度变化问题,最后采用稀疏模型更新策略进行模型更新。在OTB-2013公开标准测试集中验证本文算法性能,并与主流的目标跟踪算法进行了对比分析。实验结果表明,与其中最优算法相比,本文算法的平均距离精度值和平均重叠精度值都有所提高。本文算法由于有效地利用了HOG特征、颜色直方图特征和卷积特征,在复杂场景下目标跟踪的准确性和鲁棒性都优于其他算法。     

基于深度学习的单目标跟踪算法综述

单目标跟踪是计算机视觉领域中的研究热点.传统算法如相关滤波的跟踪速度较快,但由于提取到的颜色、灰度等手工特征较为粗糙,跟踪精度往往不高.近年来随着深度学习理论的发展,使用深度特征的跟踪方法能够在跟踪的精度和速度方面达到很好的平衡.本文首先介绍单目标跟踪的相关背景,接着从相关滤波单目标跟踪、深度学习单目标跟踪两个阶段对单...     

基于多特征和尺度估计的KCF_MTSA算法

多模板尺度自适应核相关滤波器（KCF_MTSA）跟踪算法在目标移动模糊、旋转和尺度变化时跟踪距离精度与成功率较低。针对该问题,提出一种结合多特征和尺度估计的改进KCF_MTSA目标跟踪算法。采用方向梯度直方图和颜色名两种特征对目标进行表征,在训练阶段分别使用多模板核相关滤波器对上述特征进行训练,同时在检测阶段将两个滤波器的响应以权重形式进行自适应融合获取响应图实现目标定位,并使用一维相关滤波器进行目标尺度估计。实验结果表明,该算法的跟踪距离精度和准确率较改进前KCF_MTSA算法有明显提升,其距离精度和准确率分别提高15.8%和28.5%。     

基于粒子滤波的双模图像融合自适应跟踪

针对视频跟踪中仅利用目标的单特征容易导致跟踪失败的问题,提出一种基于粒子滤波的可见光与红外序列图像相融合的自适应目标跟踪算法;该算法在粒子滤波跟踪算法框架下,根据单一信源运动目标序列图像的品质因子,利用自适应加权融合策略重构双模序列图像的特征选择机制,建立了基于自适应融合算法的系统观测概率模型和状态空间层次采样多特征融合跟踪算法,实现了对双模序列图像的融合以及对运动目标的稳健跟踪;跟踪试验结果表明,该算法可以有效实现对运动目标的稳健、准确跟踪。     

尺度自适应的多特征融合相关滤波目标跟踪算法

目标跟踪一直以来都是计算机视觉领域中的关键问题,核相关滤波算法(KCF)可避免在时域中进行目标跟踪,通过傅里叶变换将时域的计算转换到频域中进行,可大量简化计算,不但提高了跟踪速度,而且在跟踪精度上也有很大的提升.针对复杂条件下的目标跟踪问题,在确保算法实时性的前提下,在KCF的基础上对其特征、尺度以及模型更新机制进行3处改进:提出一种多特征融合算法,针对每种特征在不同环境下的优势,将其进行融合;提出一种分类树形尺度自适应的算法,通过树形搜索方式对目标尺度的大小进行判断,找到最佳响应位置;提出一种自适应模型更新策略的算法.实验结果表明,在公开数据集OTB-2013中算法整体的跟踪精确度达到87.4%,成功率也达到67.1%,可很好地实现复杂条件的目标跟踪,综合性能在已公开发表的跟踪算法中排名第2.尤其是在尺度变化、目标遮挡和图像模糊情况下,所提出算法的跟踪精确度和成功率排名第1.     

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。     

一种多特征自适应融合的球员跟踪算法

基于模型的跟踪方法难以处理足球视频中球员形态发生较大变化的情况。为此,提出一种改进的多特征自适应融合的球员跟踪算法。利用自适应高斯混合模型检测球场和球员区域,使用球员HUE颜色特征的Bhattacharyya距离度量法代替传统的模板匹配方法,辨别球队归属,自适应地融合目标模型的颜色、形状和时空特征信息,实现对球员的跟踪,采用三点估算预测方法解决球员完全遮挡现象。实验结果表明,该算法能较好地解决球员之间的遮挡问题,在球员形态变化较大时能实现稳定的跟踪。     

基于置信度的加权特征融合相关滤波跟踪

目前机器视觉应用广泛，视频目标跟踪的过程中会遇到各种挑战。为解决单一特征鲁棒性差，模型和尺度更新机制不健全的问题，提出了一种将自适应加权特征融合方法与置信度模型及尺度更新机制相结合的相关滤波目标跟踪算法。算法将互补的梯度和颜色特征进行融合，通过计算各特征滤波响应来决定下一帧在融合特征中各自所占的权重，凸显优势特征，使目标与背景更具区分度。同时引入置信度更新机制，防止模型更新引入遮挡物、相似干扰，提高正确率。最后提出一种新的尺度更新策略，简化冗余代码，使跟踪更精确的同时降低时间代价。实验结果证明，该算法在精度和正确率上都比几种现有相关滤波算法更优，应对相似目标干扰和遮挡情况具有更高鲁棒性。对相关滤波算法进行了改进，加入了特征融合和更新机制，使算法提高了跟踪效果，具有一定的应用价值。     

特征融合与重定位卷积算子跟踪算法研究

针对卷积操作目标跟踪算法(ECO-HC)在遮挡、背景等干扰问题导致跟踪精度下降的问题,提出了一种自适应特征融合的卷积相关滤波算法,将CN与HOG特征进行加权融合,通过计算各自的响应来确定各自特征在下一帧的权重,将特征各自的优势充分发挥出来.此外,针对目标跟踪失败问题,提出利用形变相似多样性原理,构建目标重定位模块,当出现遮挡、快速移动等复杂情况造成跟踪的可靠性降低时,综合考虑目标响应得分、空间权重得分和形变相似多样性得分来确定目标的最终位置,实现重定位.实验证明,改进后算法与ECO-HC相比,针对目标遮挡、背景干扰等复杂情况,有效地提高了跟踪精度,鲁棒性更强.     

多特征融合的自适应相关滤波跟踪算法

针对图像目标跟踪问题,为提高跟踪精度,提出了一种多特征融合的自适应相关滤波跟踪算法。算法首先选取HOG和CN两种互补特征,分别训练两个相关滤波跟踪器跟踪图像目标,然后利用提出的响应图置信度计算公式计算两个跟踪器的响应图权重并进行自适应融合做出决策。滤波器更新阶段,算法结合两个特征的响应图置信度与两帧之间的变化率动态调整滤波器学习速率。仿真实验采用跟踪基准数据库（OTB-2013）中的36组彩色视频序列进行实验,对比了流行的相关滤波跟踪算法,结果表明,该算法在平均跟踪精度上优于其他算法,具有一定的应用价值。     

免锚检测的行人多目标跟踪算法

针对复杂环境下行人目标因检测器漏检和频繁遮挡而导致的数据关联不正确、跟踪实时性差的问题,提出了一种基于免锚检测的多目标跟踪算法。算法采用预测目标中心点热力图的方法实现目标检测定位,改善了因锚点框回归歧义所导致的漏检问题。同时在检测模型中嵌入深度表观特征提取分支,构建联合检测与跟踪的多任务网络用于提升实时性。为解决跟踪阶段行人因遮挡而引起的数据关联错误和轨迹丢失问题,提出加权多特征融合的相似性度量算法,综合多种关键特征评估检测与轨迹的匹配程度,显著提升数据关联正确性;提出基于存活期的跟踪状态更新方法,有效找回丢失轨迹,提升跟踪鲁棒性。在MOT数据集上对跟踪性能进行测试,实验结果表明,算法能够有效应对遮挡,并实现长时间稳定跟踪,兼顾了实时性与准确性。     

多特征融合的Camshift算法及其进一步改进

基于颜色核的Camshift算法可以有效实现简单场景下的目标跟踪,但在光线变化明显或目标与背景颜色相近的场景下易受干扰。为此,采用颜色、边缘梯度、纹理等多个特征自适应融合的方式改进算法,提高算法应对光线变化的能力;并通过修正特征直方图、设置合理搜索范围对算法进行进一步改进,解决相似背景的干扰问题。实验结果显示,在光照变化明显或目标与背景特征相近的场景中,改进的算法与传统算法相比具有更高的跟踪精度。