一种融合多特征与子快的抗遮挡算法

为解决复杂情况下运动目标的检测问题,本文提出一种基于多特征融合和新子块分割的算法。该算法通过综合目标的颜色和纹理特征加强对目标的跟踪,并通过新的子块分割完成对不同子块的权值赋予,对发生遮挡时不同区域进行差别处理。同时在发生完全遮挡时还采用kalman滤波模型对轨迹进行预测,获得运动目标信息并更新。实验结果表明:该算法能够较好的完成遮挡情况下的目标跟踪。     

基于色斑联合推举的被遮挡运动目标跟踪

针对非刚体运动目标被遮挡的跟踪问题,提出一种以目标色斑子块相关匹配联合推举的跟踪方法。利用目标色调特征的不变性对目标色斑进行自适应分块,通过子块的运动状态联合估计目标整体的运动状态,在遮挡发生时判断被遮挡子块,并将其排除到联合推举之外。实验结果表明,该方法可实现对非刚体目标遮挡下的有效跟踪。     

适用于遮挡问题的目标跟踪算法

提出一种基于网格模型的目标跟踪算法．该算法首先进行遮挡区域检测，然后进行网格结点的运动估计和网格更新过程完成目标的多帧跟踪．改进的遮挡区域检测算法有效地提高了检测准确度，从而确保遮挡区域的准确跟踪；网格结点的运动估计是通过特征窗口运动补偿匹配完成，可以有效地克服块效应．实验证明，该算法解决了二维运动估计时网格模型在遮挡区域存在的问题，并可以有效地进行目标准确跟踪．     

遮挡情况下基于特征相关匹配的目标跟踪算法

特征相关匹配是重要的运动目标跟踪方法.目标特征有灰度特征和边缘特征两大类,在遮挡情况下,采用哪种特征进行匹配,要根据目标本身属性来确定.本文先对目标灰度性质做出判断,然后根据灰度单一或是丰富来合理选择边缘相关匹配或者是基于多子块的灰度相关匹配来解决遮挡情况下的刚性目标跟踪问题.其中边缘匹配算法是通过当前边缘与实时更新模板的最优匹配来确定目标的运动位移量.基于多子块的灰度相关匹配算法通过目标的各个具有较明显特征的子块准确判定遮挡区域,利用剩余的未被遮挡的子块参与灰度相关匹配继续跟踪目标.实验结果表明,这种算法是十分有效的.     

分块核化相关滤波目标跟踪

针对核化相关滤波跟踪算法在目标尺度变化和遮挡情况下跟踪性能降低的问题,提出一种分块核化相关滤波跟踪算法.首先根据目标外观特性对目标进行子块划分;为了避免目标被遮挡时模型更新引入错误信息,只使用有效子块指导目标模型更新过程,单独跟踪每个目标子块;随着目标尺度的变化,在跟踪过程中各子块跟踪结果会相应地重叠和分离,最后根据有效子块的跟踪结果确定整体的位置信息.在30个标准视频上的实验结果表明,相比原始核化相关滤波算法,文中算法在尺度变化和遮挡情况下有更好的跟踪效果;此外,该算法的平均处理速度可达100帧/s.     

基于子区域匹配的稀疏表示跟踪算法

经典稀疏表示目标跟踪算法在处理复杂视频时不免出现跟踪不稳定情况且当目标发生遮挡时易发生漂移现象。针对这一问题,提出一种基于子区域匹配的稀疏表示跟踪算法。首先,将初始目标模板划分为若干子区域,利用LK图像配准算法建立观测模型预测下一帧目标运动状态。然后,对预测的目标模型区域进行同等划分,并在匹配过程中寻找最优子区域。最后,在模板更新过程中引入一种新的模板校正机制,能够有效克服漂移现象。将该算法与多种目标跟踪算法在不同视频序列下进行对比,实验结果表明在目标发生遮挡、运动、光照影响及复杂背景等情况下该算法具有较为理想的跟踪效果,并与经典稀疏表示跟踪算法相比具有较好的跟踪性能。     

基于相关匹配及双模式模板更新的跟踪方法

运动目标被遮挡表现为一部分子块区域与模板的失配,从而影响目标跟踪效果;为解决该问题,提出了一种改进的相关跟踪方法和双模式模板更新策略;通过自适应阈值调整和分块相关运算对MCD算法进行改进,在遮挡发生时判别被遮挡子块,及时调整模板更新策略,由Kalman滤波结果与匹配结果的线性加权和得出目标最终位置;实验结果表明:该方法能有效抑制目标局部像素变化引起的跟踪漂移,且对遮挡具有一定的鲁棒性。     

增强现实中基于自然特征的实时跟踪方法

在增强现实系统的复杂场景中,对目标的实时跟踪受到场景中诸多因素的制约,导致实时跟踪方法效率低且不准确,为此提出一种基于自然特征的实时跟踪方法。设计了一种螺旋分割模型,对捕获的图像进行螺旋分割,利用SURF算法在分割子块中提取特征点,并进行匹配。在对目标进行跟踪定位时,利用前一帧来预测当前帧目标出现的位置,以减少SURF算法的扫描区域,加速系统运算效率。实验中分别对场景光线强弱、视点和仿射变化以及目标被部分遮挡等不同情况进行测试,该方法均表现出较高的跟踪效率。     

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.     

基于改进的Mean Shift鲁棒跟踪算法

Mean Shift跟踪算法在目标尺度变化大和被遮挡时存在较大的缺陷。针对这一问题,提出了一种基于多级正方形匹配的自适应带宽选择和分块抗遮挡的目标跟踪算法。该算法采用目标中心点的离散程度和增量试探法计算出可能的变化尺度,然后采用多级正方形匹配法预测目标的运动趋势,将巴氏系数最大者的尺度作为Mean Shift核函数新的带宽。同时,对前景目标进行分块,根据子块的遮挡程度自适应改变子块权重并按一定准则融合有效子块的跟踪结果。实验结果表明,该算法具有很好的鲁棒性。     

多物体遮挡情况下的视觉跟踪算法

针对视频监控中多运动物体间的遮挡问题,提出一种结合全局特征匹配与局部特征匹配的目标跟踪算法.该算法采用基于直方图和基于分块的方法共同表达目标的灰度特征.遮挡发生前实时进行遮挡预判,遮挡时采用基于块分类的方法跟踪目标,遮挡结束后通过直方图匹配重新定位目标.实验结果表明了该方法的有效性和优越性.     

多物体遮挡情况下的视觉跟踪算法研究

针对视频监控中多运动物体间的遮挡问题,提出了一种新的结合全局特征和局部特征匹配的目标跟踪算法。该算法采用直方图的方法和基于分块的方法共同表达目标的灰度特征。遮挡发生前实时进行遮挡预判,遮挡时,利用基于块分类的方法跟踪目标,遮挡结束后,通过直方图匹配重新定位目标。实验结果证明了该方法的有效性和优越性。     

基于颜色块重检的自适应抗遮挡目标跟踪算法

为了解决目标跟踪过程中目标遇到遮挡物容易跟丢的问题,提出了基于颜色块重检的自适应抗遮挡目标跟踪算法。通过计算获取初始帧目标的颜色块,当发生遮挡时基于该颜色块信息对丢失帧进行颜色分割、形态学处理得到候选颜色块,并对候选颜色块进行匹配和定位,最终定位到实际目标。相比于LCT+的支持向量机检测器,基于颜色块的自适应目标重检测实现了对全局图像的目标重检测,有效避免了目标丢失的情况。在OTB50和OTB100上对所提算法的跟踪性能进行了评估,结果表明相比于LCT+和其他的主流跟踪算法,所提算法具有较好的抗遮挡性能。     

遮挡条件下多运动车辆跟踪研究

针对SURF算法能够提取到的图像特征点较少的问题,基于保持亮度特性的双直方图均衡算法,通过重构SURF尺度空间提取图像特征。将这种方法与卡尔曼滤波相结合进行目标跟踪,用特征点的中心作为跟踪点;通过卡尔曼滤波预测出运动目标的位置,判断遮挡是否发生;最后,应用该方法进行目标特征向量匹配。实验结果表明,该算法对发生旋转、缩放以及遮挡的多运动目标都可进行稳定跟踪,其跟踪速度比R-SURF算法提高20%;在跟踪速度相当的情况下,跟踪精度要高于卡尔曼滤波跟踪算法。     

团块与Mean-Shift结合的局部遮挡目标跟踪

传统的基于Mean-Shift的目标跟踪方法利用目标的全局特征进行跟踪,在局部遮挡情况下跟踪效果不佳。提出一种基于团块建模和Mean-Shift相结合的利用目标局部特征的运动目标跟踪方法,对目标进行团块建模,利用Mean-shift算法对各团块进行跟踪,在此基础上确定目标新位置。该方法能够在目标发生局部遮挡时,自动选取未被遮挡的团块的跟踪结果来确定目标的位置。为了提高方法对背景干扰的鲁棒性,采用背景加权的Mean-Shift算法。实验结果表明：该方法在局部遮挡的情况下可较好地进行目标跟踪,跟踪效果优于报导的基于Mean-Shift的方法。     

尺度感知的分块协同式相关滤波跟踪算法

基于分块的相关滤波跟踪算法在处理目标尺度变化和遮挡问题时,对局部子块跟踪状态的评估及局部子块与尺度变化的关系刻画不够准确.针对此问题,文中提出尺度感知的分块协同式相关滤波跟踪算法.首先提出结合时序平滑约束的局部子块遮挡判别方法,改进现有算法的评分策略.设计子块协同运动策略,使被遮挡或形变的子块跟随未被遮挡的子块趋向正确的位置.同时发现跟踪过程中子块聚散变化的分布位置与目标尺度之间的比例关系,实现对目标尺度变化的感知和大小估计.实验表明,文中算法性能较优.     

基于多子块联合估计的相关滤波跟踪

针对遮挡情况下相关滤波算法跟踪精度下降的问题,提出了一种基于多子块联合估计的核相关滤波跟踪方法。首先依据初始帧跟踪框的几何特征对目标自适应分块,并采用KCF方法对各子块独立跟踪得到联合置信图;然后以上帧目标的位置及尺度作为先验信息对搜索区域采样,同时将样本框中置信图的权值密度作为观测值,利用粒子滤波算法实现候选目标的最优估计;最后对置信度较低的子块反向投影至上帧图像进行遮挡检测,防止模板错误更新。定性和定量实验结果表明,该方法与原始KCF算法相比跟踪精度提升约10%,具有良好的抗遮挡性,并对目标尺度变化具有一定的估计能力。     

分块多特征自适应融合的多目标视觉跟踪

为提高多目标视觉跟踪算法的实时性和稳定性,提出了分块多特征融合的目标跟踪算法.该算法融合底层颜色、纹理和边缘特征信息,以降低单一目标特征算法容易受复杂环境和目标形变的影响.建立分块目标多特征融合直方图模型,引入目标和背景区分度抑制背景分量,并且结合Kalman滤波器进行预测,在发生遮挡时根据置信度最大子块位置获取遮挡目标位置,实现目标稳定可靠的跟踪.实验结果表明:该算法对每帧图像的平均处理时间为36.2 ms,达到实时性的目的,且算法鲁棒性较强.     

基于Mean Shift和自适应预测的非刚性目标跟踪算法

传统Ｍｅａｎ Ｓｈｉｆｔ跟踪算法在目标发生机动或存在遮挡的情况下跟踪效果不理想．对此,结合目标的形状特征和颜色的可区分度对传统的颜色直方图进行改进,给出了将Ｍｅａｎ Ｓｈｉｆｔ和卡尔曼滤波器或粒子滤波器相结合的目标运动自适应跟踪算法,并针对粒子滤波器计算量大的问题,给出了运用两种不同运动式粒子进行有效预测的方法．结果表明,该算法可实现快速的非刚性目标跟踪,对目标的不规则运动和严重遮挡具有很好的鲁棒性．     

一种基于目标先验信息的视觉跟踪算法

针对运动目标跟踪过程中出现的遮挡问题,提出了基于目标先验信息的视觉显著性遮挡目标跟踪算法。在粒子滤波框架下,利用目标先验信息生成视觉显著图,并根据粒子区域颜色特征与目标颜色特征模板之间的相似度来判断遮挡情况。当遮挡发生时,提高特征融合公式中显著性特征的融合权重,从而充分利用目标未被遮挡部分信息来完成跟踪。实验结果表明,利用目标先验信息的目标跟踪算法能显著提升跟踪遮挡目标的鲁棒性。