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。     

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。     

结合重检测机制的多卷积层特征响应跟踪算法

针对基于深度特征的目标跟踪算法在目标快速运动、长时间遮挡容易导致跟踪漂移的问题,提出了一种结合重检测机制的多卷积层特征响应跟踪算法。首先基于图像分块的混合高斯模型检测出目标区域,其次多卷积层根据加权梯度的类激活映射提取目标深度特征图,并训练出相互独立的相关滤波器,然后融合底层空间特征和高层语义特征的卷积层滤波器得到目标响应位置,再由重检测机制约束项平滑输出响应值,从而构建出强跟踪器,最后自适应地更新模型参数和权重系数,避免模型中参数过拟合,达到实时跟踪效果。实验结果表明,该算法在目标严重形变、快速运动、长时期遮挡等复杂情景下,跟踪结果具有很高的精确度和成功率。     

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。     

基于CamShift融合局部特征匹配的无人机目标跟踪研究

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CamShift融合局部特征匹配的无人机目标跟踪算法。实验表明,局部特征匹配算法中BRISK匹配算法在特征检测和特征描述阶段都表现出了较好的性能,融合CamShift算法和BRISK算法的目标跟踪算法在能保证目标跟踪的实时性要求的前提下,改善了CamShift对颜色相似目标或背景的干扰的敏感性,同时增强了对目标遮挡鲁棒性。该方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。     

基于双模型融合的自适应目标跟踪算法

针对目标跟踪过程中的光照变化、背景混乱和目标形变等问题,提出一种背景抑制的HS直方图和核相关滤波双模型融合的自适应跟踪算法。首先引入非线性核相关滤波跟踪模型;其次提出背景抑制的HS颜色直方图跟踪模型,通过分离亮度分量以减小光照干扰,并采用背景加权突出目标信息;然后提出一种自适应融合策略,根据目标与背景的HS特征相似度来动态调整两个模型融合权重,以降低背景混乱和目标姿态变化的影响;最后针对目标尺度变化问题,采用尺度金字塔估计策略进行解决。实验表明,与现有算法相比,提出的算法能更好降低光照、背景混乱等复杂因素干扰,鲁棒性更强。     

基于自适应粒子滤波的无人机目标跟踪算法研究

随着人工智能技术的发展以及数字图像处理技术的应用日渐普及,目标跟踪成为国内外学者的研究热点,该文针对无人机目标跟踪易受遮挡、形变、等复杂背景的干扰导致跟踪失败等问题提出一种基于自适应的粒子滤波的无人机目标跟踪算法。实验结果表明,该算法能有效地减少因复杂因素干扰导致的目标跟踪精度下降的问题,具有良好的鲁棒性。     

高斯感知约束空间异常的相关滤波目标跟踪

针对目标在复杂场景运动过程中容易出现跟踪丢失问题,提出一种高斯感知约束空间异常的目标跟踪算法。以高斯均匀分布为分布规律建立目标特征采样点,采用卷积结构提取目标的外观模型以及权重模型;为了约束空间异常,在目标函数中构建空间正则项,同时更新目标权重模型,减小空间过拟合的产生,增强跟踪器的空间异常适应性;应用加权最小二乘法思想,获得权重响应模型中心,确定目标中心,更新跟踪位置,增强跟踪器鲁棒性。使用OTB2015和UAV20L数据集,与其他主流相关滤波算法相比,该算法在目标运动导致低分辨率、遮挡等复杂条件下,跟踪成功率以及跟踪精度较高。     

基于多线索自适应融合的抗遮挡目标跟踪算法

针对在复杂背景下,特别当目标与背景颜色相似、目标被遮挡时容易导致跟踪失败的问题,采用颜色与纹理两种互补特征融合的粒子滤波算法,同时提出一种融合策略自适应的抗遮挡跟踪方法,当遮挡发生时,适时切换融合策略,并在粒子滤波框架内嵌入mean-shift算法,克服了粒子退化现象。实验结果表明,该算法具有较强的抗遮挡能力,能够跟踪复杂背景下的目标。     

基于注意力特征融合的无人机多目标跟踪算法

随着无人机技术的不断发展,无人机多目标跟踪已成为无人机应用的关键技术之一.针对无人机视频中的复杂背景干扰、遮挡、视点高度和角度多变等问题,提出一种基于注意力特征融合的无人机多目标跟踪算法.首先,将改进的卷积注意力模块引入残差网络,建立三元组注意力特征提取网络;其次,在特征金字塔网络的结构上加入新的特征融合通道,设计多尺度特征融合模块,增强模型对多尺度目标的特征表达能力;最后,根据目标的重识别特征匹配与检测框匹配得到目标轨迹.仿真实验结果表明,该算法可有效提升无人机多目标跟踪的精度,具有较好的鲁棒性.     

遮挡判定下多层次重定位跟踪算法

目的 目标遮挡一直是限制跟踪算法精确度和稳定性的问题之一,针对该问题,提出一种抗遮挡的多层次重定位目标跟踪算法。方法 通过平均峰值相关能量动态分配特征权重,将梯度特征与颜色直方图特征动态地结合起来进行目标跟踪。利用多峰值检测和峰值波动情况进行目标状态判定,若目标状态不理想,则停止模板更新,避免逐帧更新导致目标漂移,继续跟踪目标;若判定目标遮挡,则提取对应特征点,使用最邻近距离比进行特征匹配和筛选,丢弃负样本的最邻近样本作为二次筛选,利用广义霍夫变换进行第3次筛选并重定位目标,对目标继续跟踪。结果 在标准数据集OTB（object tracking benchmark）100和LaSOT（large-scale single object tracking）上的实验结果显示,本文算法的精确率分别为0.885和0.301,相较于Staple算法分别提升了13.5%和30.3%。结论 在目标发生遮挡的场景中,本文方法能够重定位目标并且继续跟踪,优化后的模板更新策略提高了算法速度。目标状态的判定有效估计了目标遮挡问题,可以及时采取应对策略,提高算法在复杂环境下的稳定性。     

自适应尺度特征融合与模型更新的跟踪算法

在核相关滤波器跟踪算法中,为了减少背景相似物等杂波对跟踪器的干扰,以及解决不同跟踪结果置信度下的模型更新问题,提出了自适应尺度特征融合与模型更新的跟踪算法。通过多特征融合和尺度变化策略改进了多特征的尺度核相关滤波器,使用多峰检测对响应图的整体振荡程度进行判断,再对峰值进行跟踪结果置信度评估;在遮挡、形变等跟踪结果置信度低的情况下及时停止模型更新,在高置信度模型更新时,引入初始模型进行对齐操作,减少模型的更新误差,抑制模型漂移。比较核相关滤波器算法,本算法准确度较高,且在目标尺度变化、遮挡和形变时稳定性更好。在OTB-50数据集上的实验结果表明,该算法在精度和成功率上都比核相关滤波器算法表现更优。     

前景约束下的抗干扰匹配目标跟踪方法

传统模型匹配跟踪方法没有充分考虑目标与所处图像的关系,尤其在复杂背景下,发生遮挡时易丢失目标.针对上述问题,提出一种前景约束下的抗干扰匹配（Anti-interference matching under foreground constraint,AMFC）目标跟踪方法.该方法首先选取图像帧序列前m帧进行跟踪训练,将每帧图像基于颜色特征分割成若干超像素块,利用均值聚类组建簇集合,并通过该集合建立判别外观模型;然后,采用EM（Expectation maximization）模型建立约束性前景区域,通过基于LK（Lucas-Kanade）光流法框架下的模型匹配寻找最佳匹配块.为了避免前景区域中相似物体的干扰,提出一种抗干扰匹配的决策判定算法提高匹配的准确率;最后,为了对目标的描述更加准确,提出一种新的在线模型更新算法,当目标发生严重遮挡时,在特征集中加入适当特征补偿,使得更新的外观模型更为准确.实验结果表明,该算法克服了目标形变、目标旋转移动、光照变化、部分遮挡、复杂环境的影响,具有跟踪准确和适应性强的特点.     

多特征融合的Camshift运动目标跟踪算法

传统的Camshift算法以颜色直方图为特征对目标进行跟踪,对刚性目标的跟踪具有较强的鲁棒性。当目标受到颜色相近的干扰物干扰或者部分遮挡时,其跟踪效果和准确度不太理想。为此,提出一种多特征融合的Camshift目标跟踪算法。首先,对目标的颜色特征、边缘特征和空间信息进行提取和处理,得到颜色空间直方图和空间边缘方向直方图;然后,分别在Camshift算法框架下得到目标匹配中心位置,采用每一帧图像的相似度向量得到权值系数,通过自适应加权融合的方法得到最优中心位置。实验结果表明,相较于传统的Camshift目标跟踪算法和改进的复杂特征融合的Meanshift算法,所提方法能够更有效地克服颜色干扰、目标重叠遮挡对跟踪效果的影响,避免了 目标 在跟踪过程中丢失的问题,突破了传统方法的局限性。     

抗遮挡目标跟踪的模型学习综述

视觉目标跟踪任务中的遮挡问题是最具挑战的场景属性之一,研究有效的抗遮挡模型学习方案,对构建适应复杂场景的长期鲁棒跟踪模型具有重要意义。剖析了遮挡影响跟踪性能的本质原因,以抗遮挡性能较好的先进跟踪算法为研究对象,系统分析了模型学习中有效抗遮挡机制,并对其改善长短期遮挡问题的有效性进行比较分析,包括以硬负样本挖掘、有效样本管理、类遮挡硬正样本生成的训练样本提质策略,提供模型充足判别信息;以时间一致性学习、自适应外观学习的被动稳定学习方式和基于多域属性、目标感知、干扰感知、特征融合等适用跟踪任务的主动学习策略,构建可抵抗场景干扰、目标形变等因素可适用跟踪的鲁棒模型;以手工置信度评估、自适应决策、时序记忆库、自适应估计模板的更新策略,平衡模型在线跟踪状态变化目标的适应性与稳定性。通过对代表跟踪算法在遮挡及背景杂乱、出视野、平面内外旋转、形变场景下的性能比较,详尽分析了各策略抗遮挡有效性,指出相比更新策略,数据处理、学习策略设计更有利于提高抗遮挡性能;同时分析了各策略对长期遮挡、背景杂乱、出视野等属性的适用性及适用多类复杂场景的策略。总结了有效抗遮挡策略,提出骨干网替换及迁移场景理解、运动规律等先验信息至跟踪任务的研究方向。     

深度特征的核相关滤波视觉跟踪

针对核相关滤波目标跟踪算法中传统手工特征的不足,以核相关滤波方法的目标跟踪技术作为研究对象,利用深度卷积神经网络自动提取待跟踪目标的深度卷积特征,来代替传统的手工特征,利用从不同卷积层提取到的深度卷积特征分别经过核相关滤波器学习来得到不同的特征图,然后对多个特征图进行加权融合来确定待跟踪目标在视频序列中的位置,以此来提高跟踪算法在复杂干扰背景下的鲁棒性。     

结合连续卷积算子的自适应加权目标跟踪算法

目的 在视觉跟踪领域中,特征的高效表达是鲁棒跟踪的关键,观察到在相关滤波跟踪中,不同卷积层表达了目标的不同方面特征,提出了一种结合连续卷积算子的自适应加权目标跟踪算法。方法 针对目标定位不准确的问题,提出连续卷积算子方法,将离散的位置估计转换成连续位置估计,使得位置定位更加准确;利用不同卷积层的特征表达,提高跟踪效果。首先利用深度卷积网络结构提取多层卷积特征,通过计算相关卷积响应大小,决定在下一帧特征融合时各层特征所占的权重,凸显优势特征,然后使用从不同层训练得到的相关滤波器与提取得到的特征进行相关运算,得到最终的响应图,响应图中最大值所在的位置便是目标所在的位置和尺度。结果 与目前较流行的3种目标跟踪算法在目标跟踪基准数据库（OTB-2013）中的50组视频序列进行测试,本文算法平均跟踪成功率达到85.4%。结论 本文算法在光照变化、尺度变化、背景杂波、目标旋转、遮挡和复杂环境下的跟踪具有较高的鲁棒性。