一种改进的TLD动态手势跟踪算法

针对目前动态手势跟踪算法TLD(跟踪-学习-检测)算法在手势目标遮挡后易出现跟踪漂移的不足,提出了一种改进的TLD动态手势跟踪算法.在跟踪器跟踪成功后,引入遮挡窗的方法进行手势目标遮挡的判定.若出现部分遮挡,则由TLD学习器处理;若出现严重遮挡,则在TLD的跟踪器中加入卡尔曼滤波器来预测估计当前帧中手势可能存在的区域,缩小跟踪器的搜索范围,提高跟踪器的处理速度;并在TLD检测器中加入基于马尔可夫模型的方向预测器,缩小检测器的检测范围,增强检测器对相似手势轨迹的判别能力.实验结果证明,改进后的TLD算法在不同的实验环境下均有较强的鲁棒性,能够快速准确地进行动态手势运动轨迹的跟踪,并且改善了手势目标遮挡后易出现跟踪漂移的问题.     

基于多新息Kalman滤波的TLD改进算法

针对跟踪检测学习(tracking learning detection,TLD)跟 踪算法中目标被遮挡后跟踪失败以及跟踪精度不高的问题,本文提出基于多新息Klaman滤波的TLD改进算法,在原始TLD跟踪算法的基础上加入了多新息Klaman滤波算法。改进算法对跟踪目标建模,将TLD跟踪算法 的结果作为系统当前状态的观测值,结合多新息Kalman滤波算法的预测值,最优化检测结果 ,作为当前帧中目标的跟踪位置。通过实验对原始TLD和改进后的TLD算法进行比较,通过在标准测试序列的实验验证,加入多新息Kalman滤波的TLD改进算法与原始TLD算法相比,其跟踪误差更小,而且实现了对跟踪目标被遮挡后 的位置预测。     

基于TLD的稀疏原型目标跟踪算法

跟踪-学习-检测(TLD)目标跟踪算法能够实现长时间的在线目标跟踪,但当目标平面旋转发生形变以及目标被严重遮挡时,TLD算法在跟踪过程中会产生跟踪漂移。针对上述问题,在TLD算法的跟踪模块上使用稀疏原型进行跟踪,提出一种稀疏原型(SP)-TLD目标跟踪算法。当出现由于平面旋转引起的目标形变时,通过仿射变换变化坐标位置,能够准确跟踪目标避免产生跟踪漂移。在目标被严重遮挡时,根据目标的主成分分析基向量和琐碎模板判断目标未被遮挡及被遮挡部分,从而识别出被遮挡的目标。实验结果表明,与TLD算法相比,SP-TLD算法具有更高跟踪准确率和更强鲁棒性。     

一种结合Camshift和Kalman滤波的TLD目标跟踪算法

TLD(Tracking-Learning-Detection)跟踪最大的优点是对初始选择的目标进行不断的学习,来获取目标当前的外观特征信息。但其计算量大,当有相似目标出现、目标物被遮挡时,跟踪精确度低、效果差。Camshift算法是基于Meanshift算法形成的可连续自适应的一种算法。Camshift结合Kalman滤波可实现对目标位置的快速查找和对窗口大小的控制功能。将TLD跟踪方法的原始输出数据与改进算法的预测结果结合,再修正当前时刻的状态输出结果。对输出结果加权处理,得到目标的最终准确位置。改进算法既具有TLD算法原有的长期有效跟踪特点,又提高了对目标实时跟踪的准确性,同时对短时遮挡具有预测功能。     

一种检测区域动态更新的目标跟踪算法

TLD(Tracking-Learning-Detection)是针对视频中未知物体的长时间跟踪算法.当目标跟踪受到光照、遮挡和旋转等因素干扰时,TLD算法无法实现视频目标准确跟踪.针对TLD存在的问题,提出了一种改进的TLD动态更新检测区域的目标跟踪算法.采用压缩跟踪作为跟踪模块,并且增加了对压缩跟踪模块和检测模块运行效果的评估,根据评估结果来调整压缩跟踪模块和检测模块所占的权重,更准确预测目标的位置.在每次检测之前根据前一帧目标的位置和目标的历史运动速度选定一个动态更新的检测区域,缩短了检测模块和学习模块的运行时间.通过实验对原始TLD和改进后的TLD进行了对比测试,结果表明,改进后的TLD算法较原始TLD算法具备更高的跟踪成功率和更快的处理速度.     

基于LBP的TLD目标跟踪改进算法

针对跟踪—学习—检测(TLD)对光照变化敏感、易受目标遮挡、快速运动导致目标模糊这些因素的影响,提出了基于局部二值模式(LBP)的TLD目标跟踪改进算法。首先,将LBP算法与最近邻分类器相结合,使得改进后的最近邻分类器可以获取与跟踪目标更接近的边界框,且当目标具有良好的纹理属性时,改进后的最近邻分类器具有更好的分类效果;其次,若TLD算法选取的跟踪目标在跟踪过程中受到遮挡,或者晃动,则使用Kalman滤波器预测目标所在区域,可以缩小跟踪器的检测范围,增强算法的效率。实验结果表明:改进后的跟踪算法与常规TLD相比,鲁棒性更好,精度更高,跟踪速度更快。     

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD）目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入ViBe模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。     

一种检测区域动态更新的目标跟踪算法

TLD(Tracking-Learning-Detection)是针对视频中未知物体的长时间跟踪算法.当目标跟踪受到光照、遮挡和旋转等因素干扰时,TLD算法无法实现视频目标准确跟踪.针对TLD存在的问题,提出了一种改进的TLD动态更新检测区域的目标跟踪算法.采用压缩跟踪作为跟踪模块,并且增加了对压缩跟踪模块和检测模块运行效果的评估,根据评估结果来调整压缩跟踪模块和检测模块所占的权重,更准确预测目标的位置.在每次检测之前根据前一帧目标的位置和目标的历史运动速度选定一个动态更新的检测区域,缩短了检测模块和学习模块的运行时间.通过实验对原始TLD和改进后的TLD进行了对比测试,结果表明,改进后的TLD算法较原始TLD算法具备更高的跟踪成功率和更快的处理速度.     

基于均值漂移算法和粒子滤波算法的目标跟踪

将均值漂移算法和粒子滤波算法分别做出改进后进行有效结合.在非遮挡和不严重遮挡情况下,采用改进的均值漂移算法,在严重遮挡情况下,采用改进的粒子滤波算法,并在遮挡结束后验证正确的跟踪是否得到恢复.提出有效的分块检测遮挡算法,遮挡期间颜色模板不更新.实验结果表明该算法具有较好的实时性和鲁棒性,能有效实现复杂场景下的目标跟踪.     

一种基于TLD的顾客进店实时检测算法

结合人脸检测算法和跟踪学习检测算法(Tracking Learning Detection,TLD)完成多个人脸的检测跟踪,用来实现对汽车4S店顾客的实时进店检测。由于采集图像序列帧率低,导致帧间人脸姿态变化大,容易出现目标丢失现象。本文采用Kalman滤波和最邻近数据关联方法,提出一种改进的基于TLD的顾客进店实时检测算法,有效改善了目标短暂丢失现象,增强了算法的鲁棒性。实验证明,该算法具有抵抗光线变化、小范围形变和短暂遮挡的优点,能够解决复杂环境中的实际问题。     

检测区域动态调整的TLD目标跟踪算法

针对经典跟踪-学习-检测(TLD)目标跟踪算法由于检测区域过大而导致的检测时间过长及对相似目标跟踪处理效果不理想的问题,提出一种检测区域可动态自适应调整的方法——TLD-DO。该方法利用两次Kalman滤波加速度矫正预测的检测区域优化算法DKF,通过缩小TLD检测器检测范围,以达到在跟踪精度略有提升的情况下提高跟踪速度的目的;同时此方法可排除画面内相似目标的干扰,提高在含有相似目标的复杂背景下目标跟踪的准确性。实验结果表明:TLD-DO算法在处理不同视频与跟踪目标时,检测速度有1.31~3.19倍提升;对含有相似目标干扰情况下,跟踪效果明显优于原TLD算法;对目标抖动及失真情况有较高的鲁棒性。     

基于卡尔曼滤波与感知哈希技术的模板匹配跟踪算法

为解决传统模板匹配跟踪算法计算复杂度高且在目标形变、光照变化、遮挡等情况下容易发生跟踪漂移的问题,本文提出一种融合卡尔曼滤波、图像感知哈希与模板匹配的跟踪算法。本算法采用感知哈希技术提取目标的哈希值作为模板进行匹配,采用卡尔曼滤波预测下一帧中候选目标的搜索区域,然后,结合模板的哈希序值和目标位置变化信息设计新的匹配准则进行模板匹配,最后根据匹配结果,采用自适应模板更新策略和跟踪策略对目标进行跟踪。试验结果表明,本算法在目标形变、光照变化以及遮挡情况下具有一定的鲁棒性,且能满足实时跟踪的要求。     

改进扩展卡尔曼滤波算法的目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出了一种基于改进扩展卡尔曼滤波的目标跟踪算法。构建时间差和信号到达方向的观测方程,利用几何和代数关系化简得到伪线性模型,通过改进卡尔曼滤波算法对目标运动轨迹进行跟踪,采用仿真实验对算法性能进行测试。结果表明,相对于传统扩展卡尔曼滤波算法,在相同条件下,该算法不仅提高了目标跟踪精度,而且使目标跟踪结果更加稳定。     

融合CamShift的TLD算法实现人脸跟踪

针对跟踪-学习-检测(Tracking-Learning-Detection,TLD)算法跟踪模块所用金字塔光流法计算量大,跟踪人脸实时性差的问题,提出融合连续自适应均值漂移(Continuously Adaptive Mean Shift,CamShift)的TLD算法提高人脸跟踪效率.改进的TLD算法框架中跟踪模块选用CamShift算法实现目标人脸跟踪,检测模块采用滑动窗法扫描搜索,再使用分类器判断目标是否存在,学习模块根据跟踪模块和检测模块的结果对比评估错误和误差,更新目标模型.将改进的TLD算法分别与CamShift算法和TLD算法进行对比试验,结果表明,融合CamShift的TLD算法实现人脸跟踪效率和准确率均高于原始两种算法,且满足实时性要求.     

鲁棒的自适应尺度和方向的目标跟踪方法

针对在视频序列图像目标跟踪中,跟踪目标尺寸和跟踪目标相对背景运动的方位角都在实时变化,常规目标跟踪算法会引起尺度和方向定位偏差,导致跟踪漂移,甚至跟踪失败问题,提出鲁棒的目标尺度和方向自适应的跟踪方法。在Kalman滤波框架下,通过将运动目标的最小外接矩形信息转化为Kalman滤波参数,对目标运动进行建模。采用基于最小外接矩形的两步块匹配搜索方式实现对目标的中心定位,然后采用增量式搜索匹配方法根据最优尺度和角度的判别条件修正目标尺度和方向角度。通过动态评估不同目标模型在不同跟踪场景中的置信度,对目标模型进行动态更新。使用公用视频图像序列测试,实验结果验证了该方法的有效性。     

基于均值漂移与卡尔曼滤波的目标跟踪算法

均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,在目标受到干扰时容易跟踪失败,而Kalman滤波能够较为准确地预测目标的速度和位置。因此,提出了一种结合均值漂移与Kalman滤波的跟踪算法,使用Kalman滤波对目标运动速度和空间位置进行预测。根据干扰的不同情况,使用不同的比例因子将两算法的跟踪结果线性加权得到目标的最终位置。实验结果表明该算法是可行有效的。     

一种高效的适用于复杂环境下物体跟踪的级联分类器

传统跟踪算法在复杂环境下容易发生漂移（drift）现象,本文改进了TLD跟踪技术算法提出了基于Sliding-window的局部搜索和全局搜索策略、积分直方图过滤器和随机Haar-like块特征过滤器。首先,采用积分直方图过滤器可以有效地过滤大量非目标子窗口块,从而减少后续过滤器特征匹配数;其次,利用随机Haar-like块特征过滤器能够解决跟踪算法在复杂环境（多物体、部分或较大区域遮挡、快速运动等）跟踪过程易发生漂移而导致跟踪精度的不足。本文结合TLD原始过滤器与新提出的两个过滤器组合而成的级联分类器,通过与主流的跟踪算法实验进行对比表明,级联分类器在稳定的背景或复杂环境的跟踪鲁棒性强、跟踪精度高,并且采用了局部和全局搜索策略提高了计算速度。     

偏移校正的核空间直方图目标跟踪

针对传统均值漂移算法中核函数直方图对目标特征描述较弱、 跟踪窗不能动态调整容易导致目标跟偏或跟丢的缺点, 提出了一种改进的均值漂移跟踪算法.为提高目标特征描述的可靠性, 采用二阶空间直方图建立目标模型,以Bhattacharyya系数作为相似性度量; 通过偏移校正更新目标区域参数建立新的目标模型; 结合边缘与角点检测选取特征点建立仿射模型实现跟踪窗的调整; 根据卡尔曼残差判断目标是否被遮挡,从而选择卡尔曼滤波或是线性预测来确定目标位置. 实验结果表明,该算法可以准确地跟踪目标,对相似背景干扰、目标大小与方向的变化以及短时遮挡具有鲁棒性.     

闪烁噪声下轨道机动目标自适应鲁棒跟踪算法

针对闪烁噪声下存在未知机动的空间目标跟踪问题,将自适应鲁棒滤波技术嵌入到无迹卡尔曼滤波,设计自适应鲁棒无迹卡尔曼滤波(ARUKF),再利用ARUKF产生粒子滤波的重要性密度函数,从而得到一种自适应鲁棒无迹粒子滤波(ARUPF)算法。将ARUPF与瞬态跟踪模型相结合,对空间机动目标进行自主跟踪。实验结果表明,该算法在跟踪精度和鲁棒性方面优于传统的跟踪算法。     

一种具有在线参数调整功能的Kalman滤波及其应用

本文提出了一种具有在线调整噪声参数功能的卡尔曼自适应滤波算法及其在船舶导航目标跟踪中的应用。实际中系统噪声和量测噪声的统计特性是动态变化的,但在传统卡尔曼滤波中一般认为系统噪声模型是先验已知的,噪声均值和协方差都是定值,这必然造成滤波效果不理想、目标跟踪精度低甚至出现目标跟踪丢失的问题。针对这种情况,通过在线自适应调整噪声均值和协方差,动态跟踪噪声统计特性的变化,从而提高对目标的跟踪精度。在线实现可以有效地利用系统的部分数据进行更新迭代,减小计算量并且易于工程实现。最后通过船舶目标仿真实验的结果验证了本算法的有效性。