基于自适应粒子滤波器的物体跟踪

利用分类概念及粒子滤波理论,提出了一种基于自适应粒子滤波器的物体跟踪算法。将Boosting算法引入粒子滤波器,构建了自适应粒子滤波器,该方法首先利用背景信息和目标信息建立特征分类器,将分类器的输出结果作为粒子滤波系统观测的重要信息,进行粒子权值的计算,并在跟踪过程中不断更新特征分类器,从而自适应地更新粒子的权值。实验结果表明,该算法可以根据背景信息的不同自适应地选择特征,对于存在遮挡、形变及背景干扰等情况,依然可以很好地对目标进行稳定跟踪。     

一种多特征选择的自适应跟踪

提出利用混合Boosting算法根据目标信息和背景信息选择特征,建立特征排序分类器,并在跟踪的过程中不断自适应更新。采用卡尔曼滤波对目标区域进行粗预测,然后利用排序分类器结合mean-shift算法完成目标的精确跟踪。实验结果表明,该算法可以根据不同的目标和背景信息,自适应地进行特征选择,对于场景中存在光照、干扰、遮挡等情况,依然可以对目标进行实时有效的跟踪。     

基于遗传粒子滤波器的运动目标实时跟踪

提出一种基于遗传粒子滤波器的运动目标跟踪算法,它将Boosting算法和遗传算法引入粒子滤波器,构建了遗传粒子滤波器．该方法首先利用背景信息和目标信息建立特征分类器,将分类器的输出结果作为粒子滤波系统观测的重要信息,进行粒子权值的计算;并在跟踪过程中不断更新特征分类器,从而自适应地更新粒子的权值．为了提高算法的实时性,将遗传算法引入到粒子滤波器,在保证粒子滤波器精度的前提下,减少粒子数目,从而降低算法的运算时间．实验结果表明,所提算法可以根据背景信息的不同自适应地选择特征,在遮挡、形变及背景干扰等情况下,依然可以很好地对目标进行稳定的实时跟踪．     

结合背景信息的自适应加权压缩跟踪算法

目的 为了提高目标跟踪的准确度,提出结合背景信息的自适应加权压缩跟踪算法。方法 针对目标边缘背景信息的干扰问题,提出对目标框架分块提取特征,根据区域分配权值,弱化特征提取过程中背景信息的干扰;利用正负样本特征概率分布的Bhattacharyya距离,自适应地选取区分度较大的特征进行分类器训练,提高分类器的鲁棒性;针对目标遮挡导致分类器分类不准确问题,提出设置目标遮挡检测机制,结合目标和局部背景信息对目标实现遮挡环境下的跟踪。结果 与目前较流行的5种算法在6个具有挑战性的序列中进行比较,本文提出的算法平均跟踪率达到90%,平均每帧耗时0.088 6 s。结论 本文算法在背景干扰,光线变换,目标旋转、形变、遮挡和复杂背景环境下的跟踪具有较高鲁棒性。     

自适应模型更新的多特征融合目标跟踪算法

针对目标在运动过程中存在遮挡、光照变化、背景因素等复杂情况下的跟踪问题,提出了一种多特征融合的跟踪算法;利用背景加权后的联合直方图来描述目标的灰度和纹理特征信息,提出一种多帧加权组合的模板更新策略,对模板特征分布进行自适应更新,基于当前粒子特征信息可信度加权设计了一种自适应特征融合观测模型,并结合到粒子滤波算法中,从而提高了跟踪算法的场景适应能力;实验结果表明;与基于单一特征的算法相比,该算法的适应性更强,能有效跟踪复杂场景下的运动目标.     

视频目标跟踪中的提升分类算法

针对目标跟踪过程中各类图像特征分离背景和目标能力的动态变化,提出一种基于协同训练框架的在线提升分类特征选择算法.该算法采用两组特征描述目标与背景区域各像素,并分别训练一在线提升分类器对特征组进行选择,然后综合分类结果,得到最优似然图像,基于该似然图像,采用粒子滤波对目标进行琅踪并通过图像处理方法获得最佳前景分割图.该方法的主要优点是仅需对首帧图像进行训练,并在跟踪过程中通过协同训练在线更新提升分类器.同时,实验表明该算法运算速度快,并能适应环境光照变化、遮挡等恶劣条件.     

显著度目标示性及背景自适应约束的目标跟踪算法*

针对目标受环境干扰和自身姿态变化引起的跟踪漂移和目标丢失等问题,提出显著度目标示性及背景自适应约束的目标跟踪算法.在粒子滤波跟踪框架中,首先根据贝叶斯显著度分别对目标区域和扩展目标区域内的像素特征加权,构建目标的示性模型.再根据背景区域的显著度,自适应地选择背景区域约束跟踪过程.最后根据目标当前的外观状态,利用目标与背景之间的关联性得到跟踪结果.文中算法的显著度目标示性模型降低目标匹配中的误差,自适应背景约束提高目标受到遮挡或姿态发生变化时的跟踪准确性.实验表明,文中算法具有较强的跟踪鲁棒性和较高的跟踪准确率.     

一种基于粒子群优化的目标跟踪特征选择算法

针对复杂背景下的运动目标跟踪特征选择问题,提出了一种基于粒子群优化的目标跟踪特征选择算法。假设具有目标与背景间最好可分离性的特征为最好的跟踪特征。通过构建目标与背景的图像特征分布方差的比值函数作为衡量目标与背景间的可分离性判据。使用粒子群优化算法优化不同的特征组合实时获取最优的目标跟踪特征。为验证该算法的有效性,将选择的最优特征与一种基于核的跟踪算法相结合进行跟踪实验。实验结果表明,算法能有效提高传统基于核的跟踪算法对于复杂场景下的运动目标跟踪的鲁棒性与准确性。     

自适应跟踪与多特征融合的目标跟踪算法

Staple算法采用固定权重与学习率的方式,导致其在物体模糊等场景下跟踪精度低.为此,提出一种自适应跟踪与多特征融合的目标跟踪算法(adp-Staple).特征融合与跟踪过程中引入两种不同置信因子提升跟踪精度,特征提取过程引入主成分分析降维技术提升跟踪速度.在OTB-50与OTB-100数据集上进行对比实验,其结果表明,adp-Staple算法较传统Staple算法有更好的跟踪效果,在运动模糊等场景中有更强的鲁棒性.     

运动目标的检测与跟踪的研究

提出了一个基于TMS320C6201的DSP系统下的运动目标检测方法,主要应用于反坦克导弹系统.首先进行滤波,然后根据自适应梯度算法(边缘检测)计算出运动目标的位置,利用相关跟踪算法和记忆外推跟踪算法相结合实现复杂背景中运动目标的实时跟踪.给出运动目标检测和跟踪的实验结果.     

基于自适应背景的多特征融合目标跟踪

针对基于单一特征的目标跟踪算法,在复杂情形下,很难准确跟踪目标的问题,提出一种基于自适应背景的多特征融合目标跟踪算法。该算法利用颜色和基于灰度共生矩阵纹理特征表征目标,在粒子滤波的框中,通过分析在不同特征下,粒子空间分布、权值分布,以及特征对背景的区分性,提出一种有效的融合系数计算方法; 根据在跟踪过程中目标外观的变化情况,自适应更新目标模板。在不同场景下的实验结果表明:该算法在不降低实时性的前提下,抗背景干扰能力大幅度提高; 在各种场景下,均具有良好的稳定性和鲁棒性。     

Multiple Object Tracking through Background Learning

This paper discusses about the new approach of multiple object tracking relative to background information. The concept of multiple object tracking through background learning is based upon the theory of relativity, that involves a frame of reference in spatial domain to localize and/or track any object. The field of multiple object tracking has seen a lot of research, but researchers have considered the background as redundant. However, in object tracking, the background plays a vital role and leads to definite improvement in the overall process of tracking. In the present work an algorithm is proposed for the multiple object tracking through background learning. The learning framework is based on graph embedding approach for localizing multiple objects. The graph utilizes the inherent capabilities of depth modelling that assist in prior to track occlusion avoidance among multiple objects. The proposed algorithm has been compared with the recent work available in literature on numerous performance evaluation measures. It is observed that our proposed algorithm gives better performance.     

级联特征融合孪生网络目标跟踪算法研究

在光照变化、遮挡、背景相似、变形等复杂情况下,目标跟踪过程中难以精确地提取丰富的特征信息,容易导致目标跟踪出现漂移或者跟踪丢失。由于多层神经网络的浅层特征具有高分辨率,适合于目标定位;深层特征具有丰富的语义信息,适合于目标分类。充分利用这一优势,提出了一种级联特征融合的孪生网络目标跟踪算法。对ResNet-50网络进行改进,在减少模型参数和计算量的同时提高跟踪速度;采用级联特征融合策略将ResNet-50最后一阶段的3层特征进行逐级级联融合,进行目标深层语义信息和浅层空间信息的有效提取,实现目标的多特征准确表示。针对目标跟踪过程中大多数算法仅利用第一帧作为目标模板导致跟踪过程中目标模板退化问题,引入模板更新机制,利用相似度阈值法进行模板的实时更新。在OBT2015、VOT2016和VOT2018标准数据集上进行对比实验,实验结果表明,该算法的跟踪精度较高,复杂场景下鲁棒性较强,相对于其他算法有较强的竞争优势。     

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。     

一种自适应色彩融合的Mean-Shift跟踪算法

针对现有的Mean-Shift算法使用单纯的颜色特征不能适应光线及背景的变化,易受颜色相近物体干扰的问题,提出了自适应色彩融合方法来提高跟踪性能。对背景以极坐标的形式进行不等间隔采样,以融合后的目标直方图与背景直方图具有最小相似性为原则搜索色调与饱和度的最佳线性融合系数;考虑背景与目标的渐变,跟踪过程中在最佳融合系数的自适应调整邻域内调整融合系数;能够有效处理相似物体和颜色相近的大背景带来的干扰。视频序列跟踪结果表明,提出的方法能够实时、稳定地进行跟踪。     

一种自适应色彩融合的Mean Shift跟踪算法*

针对现有的MeanShift算法使用单纯的颜色特征不能适应光线及背景的变化,易受颜色相近物体干扰的问题,提出了自适应色彩融合方法来提高跟踪性能。对背景以极坐标的形式进行不等间隔采样,以融合后的目标直方图与背景直方图具有最小相似性为原则搜索色调与饱和度的最佳线性融合系数;考虑背景与目标的渐变,跟踪过程中在最佳融合系数的自适应调整邻域内调整融合系数;能够有效处理相似物体和颜色相近的大背景带来的干扰。视频序列跟踪结果表明,提出的方法能够实时、稳定地进行跟踪。     

一种鲁棒的多特征融合目标跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种新的多特征融合目标跟踪算法,该算法将目标的颜色、纹理、边缘、运动特征统一使用直方图模型进行描述,以降低算法受目标形变和部分遮挡的影响,在Auxiliary粒子滤波框架内将所有特征观测进行概率融合,以突出状态后验分布中目标真实状态对应的峰值,从而有效避免了复杂背景的干扰,并给出了一种有效的融合系数计算方法,使融合结果更加准确可靠。实验结果表明,该算法能同时处理刚性与非刚性目标的跟踪,较单一特征的跟踪算法具有明显的优势,对复杂背景下的跟踪具有较高的鲁棒性。与现有多特征融合算法的比较也证明了本文算法的有效性。