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.     

基于颜色特征与SIFT特征自适应融合的粒子滤波跟踪算法

针对序列图像中的运动目标在跟踪过程中发生运动模糊以及部分遮挡的问题进行了研究, 提出一种将改进的颜色直方图特征模型与尺度不变特征（SIFT）模型相融合的粒子滤波跟踪算法。采用基于模糊逻辑的方法, 根据当前跟踪环境自适应调节两种特征信息的权重, 从而实现特征信息间的融合, 提高描述目标观测的可靠性。实验结果证明, 该算法优于传统的单特征或采用固定权值的多特征目标跟踪算法。     

基于粒子滤波和压缩感知的目标跟踪算法

为了解决目标跟踪过程中出现的目标遮挡和光照变化问题,提出一种基于粒子滤波和压缩感知的目标跟踪算法。算法融合颜色特征和纹理特征来描述目标,增强算法在光照变化和复杂环境下的鲁棒性;利用压缩感知理论对特征进行降维,提高算法实时性;最后,根据粒子滤波原理估计目标状态,得到目标位置。实验结果表明,本算法在有效减少算法运行时间的前提下,能够准确跟踪遮挡和光照变化情况下的目标。     

多特征提取的双目机器人目标跟踪

为了解决复杂环境下双目机器人的目标跟踪问题,提出多特征提取的方法。在机器人静止-目标运动模式下根据改进的步态光流图和视角识别目标并构造颜色直方图模板;在机器人运动-目标运动模式下利用扩展卡尔曼滤波器、基于自适应核函数的CamShift算法、基于Hu矩的头肩模型匹配算法提取目标的运动特征、颜色特征和头肩特征以实现目标跟踪。实验分析表明,所提出方法能够避免启动时手动框选目标,可以实现遮挡和背景与目标相似度高等复杂环境下的目标跟踪。     

基于特征匹配预估的Mean Shift运动检测与跟踪

针对传统Mean Shift跟踪算法在目标存在背景干扰或遇到遮挡时,目标跟踪不准确的问题,提出了一种基于特征匹配运动检测预估的Mean Shift跟踪方法.采用Harris算法提取跟踪目标特征点进行运动定位检测,通过Kalman滤波器估计每一帧中目标迭代的起始位置,由Mean Shift算法从预估位置开始迭代搜索,最终实现目标跟踪.实验证明:提出的算法能够在遮挡的情况下对目标进行精准的定位检测,有效改善了复杂条件下的跟踪效果,具有较好的鲁棒性.     

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。     

基于自适应分块的视频目标跟踪方法研究*

针对目标跟踪中的遮挡问题,提出了一种基于颜色特征的自适应跟踪算法。该算法利用模糊K均值聚类将目标自适应分块,采用单调递减的核函数对子块进行加权,目标模型的更新只需更新子块的颜色均值,计算量小。在跟踪过程采用目标整体匹配的方法,结合设计的自适应Kalman滤波器,有效地解决了跟踪过程中的目标遮挡问题。实验结果表明,新算法能够实现目标的准确跟踪。     

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。     

自适应特征融合的核相关滤波跟踪算法

为解决单一特征目标跟踪算法因光照变化、目标遮挡导致的跟踪失败问题,提出一种自适应加权融合颜色属性特征和方向梯度直方图特征的核相关滤波目标跟踪算法.首先根据目标颜色属性特征和方向梯度直方图特征,采用核相关滤波方法获得2种特征下目标的预测位置;然后分别计算2个目标位置的核相关滤波响应值,据此响应值大小按比例分配目标位置权重,获得目标的最终预测位置,提高了目标定位的精度;最后采用相邻2帧图像的平均差来分析图像的变化率,按变化率分段调整分类器的学习速率,解决目标遮挡导致的跟踪失败问题.在9组标准测试视频集下验证文中算法,并与3种核相关滤波跟踪算法进行比较的结果表明,与其中最优算法相比,该算法跟踪目标的平均中心位置误差减少16.78个像素,平均距离精度提高11.01%,平均重叠精度提高14.87%;在目标严重遮挡情况下,该算法依然能够稳定地跟踪目标.     

基于梯度特征和颜色特征的运动目标跟踪算法

由于在复杂背景下仅针对目标的颜色或梯度特征进行跟踪存在不足,提出一种基于梯度特征和颜色特征相融合的CG_CamShift跟踪算法。该算法充分利用颜色直方图对目标全局的描述及方向梯度图对结构信息的描述,并结合Kalman滤波对运动目标位置进行预测,解决了复杂背景下光照、遮挡等引起的目标跟踪丢失等问题。实验结果表明,该方法在保障跟踪实时性的前提下提高了跟踪精度,并具有较强的鲁棒性。     

基于位置修正机制和模型更新策略的跟踪算法

为了实现目标跟踪算法在无人机应用中的高实时性和高成功率,针对目标遮挡和目标形变量大导致的跟踪丢失问题,提出了一种基于相关滤波的改进算法,算法包含自适应位置修正机制和模型更新策略.该算法提取目标区域的方向梯度直方图特征(HOG)训练滤波器,预测下一帧的目标位置.当预测位置不满足高置信度条件时,融合颜色命名特征(CN)对位置进行修正.为了提高算法的运行效率,对融合后的特征进行主成分分析(PCA)降维处理.利用平均峰值相关能量、多峰检测及最大响应值进行模型更新.实验中将改进算法与近年来的优秀算法进行对比.结果表明,所提算法在目标被遮挡和形变量大的场景中,跟踪精度更高.     

融合颜色纹理特征的自适应粒子滤波跟踪算法

针对复杂背景下,尤其是当光照条件发生变化以及目标发生遮挡时容易导致跟踪失败的问题,提出了一种基于自适应多特征融合的粒子滤波目标跟踪算法;该算法将RGB颜色直方图和LBP纹理直方图融合起来建立目标参考模型,并且引入Sigmoid函数动态调整两类子特征粒子的权重;仿真结果表明,该算法能在复杂背景下自适应调整两种子特征权重,以克服其中一种特征失效导致的跟踪失败,而且有效地避免了使用单一特征建模的缺点,能够实现更加准确的跟踪。     

方位角预测目标跟踪系统的研究

为了实现目标被遮挡条件下的自动预测跟踪,研究了跟踪机动目标过程中的自适应卡尔曼预测算法,建立了目标遮挡预测跟踪测试系统;首先,根据算法推导了导引头方位角位置预测方法,接着,测试对比了自适应预测算法采样周期对预测精度的影响,最后,设计多种不同的目标运动形式,并通过转台实现,测试自适应算法在典型测试条件下的有效性和准确程度;实验结果表明:目标被遮挡时,预测角增量指令相比图像角增量跟踪指令降低67%;仅需要导引头框架的角位置数据,无须脱靶量数据和弹目距离,满足遮挡条件下目标预测跟踪的功能要求。     

基于分割的复杂运动跟踪的研究

对于不同的运动物体,不规则的运动轨迹,可能出现的目标形状改变以及遮挡等复杂问题,引入位置、速度、加速度和颜色等特征向量,建立起跟踪所需的特征模型;对于不规则运动,将其运动轨迹划分为多段简单且规则的分段运动,然后利用Kalman滤波对运动目标参数进行定义;而对于遮挡,利用反馈Kalman滤波器预测下一状态,以实现目标的跟踪.实验结果表明,采用这种灵活的分割研究方法,可以对不同运动目标及其不规则运动行为进行良好的跟踪,算法具有较强的鲁棒性.     

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。     

基于SIFT特征和模板更新的粒子滤波目标跟踪算法

传统的粒子滤波算法利用目标的颜色特征对粒子权值进行更新,当背景与目标的颜色分布相似或者目标被遮挡时,易发生误跟踪。尺度不变特征具有较高的独特性,但是仅使用SIFT特征不足以对小目标进行描述。针对这两种情况,提出一种利用SIFT特征和颜色特征建立目标模型,结合粒子滤波实现目标跟踪的新方法。为了防止目标模板的误更新,根据当前帧跟踪结果与SIFT目标模板中特征点的匹配数目决定是否对颜色目标模板进行更新。实验结果表明,当目标被遮挡或者位于有相似颜色的杂乱背景时,提出的方法能有效提高跟踪的精确度。     

HLBP纹理特征Mean Shift目标跟踪算法

经典Mean Shift目标跟踪算法采用单一颜色特征建立目标模型,在目标颜色与背景颜色相近或遮挡的情况下,目标跟踪鲁棒性差,为此,提出另一种Mean Shift目标跟踪算法。采用Haar型局部二值模式(Haar local binary pattern,HLBP)算子提取HLBP纹理特征,利用HLBP纹理特征具有较强辨识度、对光照变化不敏感等特点,代替原始视频图像序列,建立HLBP纹理特征的空间概率密度分布模型来表征目标特征;在此基础上,在Mean Shift框架下获取目标位置估计值,实现目标的跟踪。对比实验结果表明,该算法具有较高的目标跟踪精度和鲁棒性。     

多特征融合且抗遮挡的长时目标跟踪算法

针对目标跟踪过程中的遮挡、形变以及长时跟踪等问题进行研究,提出一种多特征融合且抗遮挡的长时目标跟踪算法。以判别尺度空间(DSST)算法为框架,融合颜色空间特征,引入APCE指标,增强目标位置的预测和抗遮挡能力,提高算法的鲁棒性;增加随机蕨分类器检测机制,在跟踪失败时对目标进行重新检测定位;在模型更新阶段,利用帧差法调整模型的更新率。实验结果表明,改进算法在目标遮挡、形变以及长时跟踪等复杂情况下的跟踪性能均优于其它经典算法。     

改进的抗遮挡MeanShift目标跟踪算法

传统MeanShift目标跟踪算法通过bin-bin颜色直方图表示目标特征,直方图中往往会混入背景颜色信息,造成跟踪不准确;同时由于MeanShift算法具有局部最优性,当目标受到严重遮挡丢失后,不能对目标重新定位跟踪。为了解决上述问题,在颜色直方图和抗遮挡能力方面进行了改进。利用交叉bin颜色直方图代替传统的bin-bin颜色直方图表示目标特征,减少背景颜色的干扰,提高MeanShift算法跟踪精度;当目标受到严重遮挡丢失后,通过一种尺度变化调整机制,在全局范围内搜索目标位置,提高MeanShift算法抗遮挡能力。实验显示,改进后的算法不仅在背景干扰大时对目标的跟踪精度更高,而且当目标受到严重遮挡丢失后,也能够对目标重新定位跟踪。     

基于局部模型匹配的几何活动轮廓跟踪

目的 在复杂背景下,传统轮廓跟踪方法只考虑了目标的整体特征或显著性特征,没有充分利用目标的局部特征信息,尤其是目标发生遮挡时,容易发生跟踪漂移,甚至丢失目标.针对上述问题,提出一种基于局部模型匹配的几何活动轮廓(LM-GAC)跟踪算法.方法 首先,利用超像素技术将图像中的颜色特征相似的像素点归为一类,形成由一些像素点组成的超像素,从而把目标分割成若干个超像素块,再结合EMD(earth mover's distance)相似性度量构建局部特征模型.然后,进行局部模型匹配,引入噪声模型来估算局部模型参数θ,这样可以增强特征模型的自适应性,提高局部模型匹配的准确性.最后,结合粒子滤波的水平集分割方法提取目标轮廓,实现目标轮廓精确跟踪.结果 本文算法与多种目标轮廓跟踪算法进行对比,在部分遮挡、目标形变、光照变化、复杂背景等条件的基准图像序列均具有较高的跟踪成功率,平均成功率为79.6%.结论 实验结果表明,根据不同的图像序列,可以自适应地实时改变噪声模型参数和粒子的权重,使得本文算法具有较高的准确性和鲁棒性.特别是在复杂的背景下,算法能较准确地进行目标轮廓跟踪.