上下文感知的改进Staple跟踪算法

为解决相关滤波算法受余弦窗和搜索区域限制,导致跟踪器无法学习更多背景信息的问题,结合Context-Aware和Staple跟踪算法提出一种自适应特征融合的抗遮挡目标跟踪算法。在跟踪器中嵌入遮挡判断模块,利用平均峰值相关能量及峰值信噪比(PSNR)等指标来判断目标的遮挡情况,决定是否更新模板。将该算法在OTB-2015测试集上与其它7个先进的算法进行比较,实验结果表明,该算法的精确度与成功率分别为0.818和0.731,相对于Staple算法分别提升了4.3%和4.6%,跟踪速度达到34.55帧/s,验证了其有效性。     

复杂场景下的改进核相关滤波跟踪算法

为解决视觉目标跟踪的遮挡、尺度变化及背景杂波问题,在核相关滤波算法基础上,引入平均峰值相关能量遮挡判据,提出一种自适应融合多特征的抗遮挡核相关滤波算法（AMFKCF）。初始化目标特征及尺度因子,将提取、融合的目标多个特征和尺度因子训练位置和尺度滤波器,得到目标的中心位置响应,根据遮挡判据,引入卡尔曼位置滤波器,对未遮和遮挡的目标中心位置进行补偿。AMFKCF算法与主流算法在CVPR 2013 Benchmark数据集中进行对比,结果表明,AMFKCF算法与主流算法相比精度提高了0.115,成功率提高了0.083,中心位置误差提高了14.67个像素,距离精度提高了9.75个百分点。能够较好地解决遮挡、尺度变化、背景杂波等问题,且兼具核相关滤波算法的优点。     

一种基于多特征融合的核相关滤波目标跟踪算法

针对核相关滤波算法(KCF)难以处理目标遮挡、旋转、快速移动等问题,本文在KCF的基础上提出了一种基于多特征融合的核相关滤波目标跟踪算法。首先,对密集采样后的样本建立多个特征模型,通过岭回归分类器对不同特征模型进行训练得到相应的滤波模板,然后,在频域中求其最大响应,分配各个特征模型权重系数。最后引入一个遮挡判断机制,实现抗遮挡处理,以获得更为精确的目标位置。实验结果表明:改进后的算法能较好的满足视频跟踪的实时性要求,具有良好的鲁棒性和精确性。     

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。     

响应置信度的多特征融合核相关滤波跟踪算法

摘要：针对传统核相关滤波（KCF）在跟踪彩色视频序列不能有效利用颜色特征,并且处理目标遮挡和形变能力低等问题,提出一种响应置信度的多特征融合核相关滤波跟踪算法。该算法首先提取目标图像的方向直方图特征和颜色直方图特征,通过计算高响应值点在响应图上层的占比,来判断目标的跟踪情况,进而调整学习率的大小;然后用两种特征的平均峰相关能量(APCE)和最大响应峰值的乘积来加权融合目标位置。实验对比表明,提出的跟踪算法在精度和成功率上相对于KCF算法分别提升了12.8%和22.6%, 在目标发生遮挡、快速移动、旋转等复杂情况下仍然具有较强的鲁棒性。     

基于特征融合及自适应模型更新的相关滤波目标跟踪算法

针对单一特征目标跟踪算法因背景干扰、目标遮挡造成的跟踪失败问题,以及跟踪过程中每帧进行模型更新容易造成错误更新和实时性差的问题,提出了一种基于特征融合及自适应模型更新策略的相关滤波目标跟踪算法-多特征自适应相关滤波目标跟踪算法。该算法在特征提取阶段将边缘特征及HOG特征加权融合作为目标特征,加强对边缘特征的学习;在模型更新阶段通过计算预测区域与真实区域的奇异值特征向量相似度,并结合设定的阈值判断是否需要进行模型更新,通过自适应更新的方式减少模型的更新次数。在标准测试视频集下验证所提算法,并与两种经典相关滤波算法进行比较,结果表明该算法能够较好地适应背景干扰及目标遮挡问题,跟踪目标的平均中心误差减少了9.05像素,平均距离精度提高12.2%,平均重叠率提高4.53%。     

基于融合特征的多尺度快速相关滤波跟踪算法

针对复杂场景下目标遮挡和尺度变化所导致的跟踪效果不佳问题,提出一种基于融合特征的多尺度快速相关滤波跟踪算法。首先,对目标的3种特征降维融合构成特征矩阵;其次,采用主成分分析思想实时地提取显著特征,重构特征矩阵,在有效降维的同时训练位置相关滤波器;最后,利用融合特征矩阵训练尺度相关滤波器,从而准确预测目标位置和尺度。实验部分将改进算法与目前流行的相关滤波跟踪算法进行比较,结果表明,改进算法在目标遮挡和尺度变化场景下跟踪精度较高,平均跟踪速度达到52.5 frame/s。     

基于上下文感知与自适应响应融合的相关滤波跟踪算法

针对当前相关滤波跟踪算法在抗背景干扰、响应融合方式以及模型更新策略上的不足,提出一种基于上下文感知与自适应响应融合的相关滤波跟踪算法.通过引入上下文感知技术,提高算法在背景杂波及遮挡等跟踪场景下的鲁棒性;通过研究HOG特征和颜色直方图特征二者响应图和响应值的特点,提出一种自适应响应融合方法,提升融合响应图的可靠性;在模型更新方面,采用了高置信度模型更新策略来减轻传统模型更新策略中模型污染及跟踪漂移的问题.实验结果表明,本文算法在OTB50数据集上达到了74.7%的跟踪精度,跟踪成功率为54.8%,均优于对比的主流相关滤波跟踪算法,并且在背景杂波、光照变化、遮挡、运动模糊等复杂跟踪场景中具有较好的跟踪精度与鲁棒性.     

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。     

自适应特征融合的多尺度相关滤波目标跟踪算法

针对单一特征目标跟踪算法不能较好地适应复杂场景的变化,容易受跟踪目标的尺度变化、形变、遮挡以及背景混杂等影响导致跟踪失败的问题,提出一种自适应特征融合的相关滤波目标跟踪算法.首先根据目标的HOG和CN特征,采用上下文感知相关滤波框架得到2种特征下滤波响应值,并且进行归一化处理;然后按照响应值占比分配权重并线性加权融合,将得到融合后响应值用于确定目标位置;再引入尺度相关滤波器,用于估计目标尺度变化,增强尺度应变能力;最后通过设定的预定义阈值来判断位置和尺度滤波模型的更新,提高模型的更新质量.采用OTB Benchmark数据集进行实验,分别与基于相关滤波和基于上下文感知框架等11种目标跟踪算法进行对比,结果表明,该算法在精确度和成功率上均取得较为理想效果,其中精确度为82.5%,成功率为54.2%;而且在尺度变化、形变、快速运动、遮挡等复杂场景挑战下具有较好的鲁棒性.     

基于多模态数据的目标跟踪算法

为解决目标跟踪中目标遮挡、背景复杂等问题,提出一种基于多模态数据的目标跟踪算法。首先对各个模态数据进行像素级融合,以减少单模态数据中信息不足对跟踪结果的影响。然后对融合后的图像提取不同的特征进行滤波,接着将滤波得到的响应图进行决策级融合,以解决因单个模型漂移导致的模型跟踪失败问题。最后根据融合后的响应图的峰值得到跟踪结果。此外,在跟踪过程中加入遮挡检测模块,进一步增强模型鲁棒性。在普林斯顿跟踪基准上对算法进行评估,结果表明,与其他主流算法相比,基于多模态数据的目标跟踪算法在目标遮挡类视频上跟踪精度提升了8.4%,重合成功率提升了3.3%,具有较好的抗遮挡效果。     

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。     

基于LCT+的自适应抗遮挡目标跟踪算法

在目标跟踪过程中,目标遮挡往往会造成跟踪器的性能下降,从而导致目标丢失。针对这一问题,提出一种基于LCT+核相关滤波的自适应抗遮挡目标跟踪算法。该算法在LCT+核相关滤波算法的基础上进行改进,利用双跟踪器自适应对目标进行跟踪,即根据两个跟踪器的输出响应值大小选择最优跟踪器跟踪目标;利用支持向量机自适应重新检测目标,即根据目标丢失帧的数量自适应调整检测框范围的大小;最后采用颜色直方图匹配的方法进一步验证预测的目标。相比原算法,所提算法采取双跟踪器自适应跟踪机制和支持向量机自适应重检测机制,有效避免了目标跟丢。在OTB50和OTB100两个大型基准数据集上对算法进行验证,结果表明该算法在距离精度和成功率的评估指标上都优于一些主流算法,并且在抗遮挡方面具有较高的精度和较强的鲁棒性。     

引入特征重检的抗遮挡目标跟踪方法研究

针对视觉目标跟踪的遮挡问题,在TLD算法的基础上,引入特征重检环节,解决发生遮挡时因目标外观相似、背景聚类造成错判,提出了一种基于特征重检的抗遮挡目标跟踪研究方法(TLD-D),采用跟踪、检测、学习、再检测的策略。跟踪与检测相结合,对锁定的目标进行学习,获取目标最新的外观特征;当发生遮挡时,则启用特征重检环节,提取遮挡过程的"开始发生遮挡"和"遮挡结束"两个关键帧,然后在特征重检环节选用SIFT特征进行双向匹配标定目标,确保重新标定的目标为原被遮挡的跟踪目标,即"再检测"。OTB基准集上实验结果表明,与TLD算法、同类TLD改进算法以及其他经典跟踪算法相比较,TLD-D算法抗遮挡能力更强,鲁棒性更强,能够对目标长时间稳定跟踪。     

时空上下文抗遮挡视觉跟踪

目的 传统的视觉跟踪方法只考虑了目标本身的特征信息提取,忽略了目标周围稠密的上下文信息。一旦目标本身特征信息提取存在困难,很容易导致跟踪失败。为解决上述问题,提出一种时空上下文抗遮挡视觉跟踪算法（STC-PF）。方法 首先,利用目标与局部区域的时空关系学习时空上下文模型;然后,通过上下文先验模型和学习到的时空上下文模型计算置信图;最后,对时空上下文区域进行分块遮挡判别,若遮挡概率小于设定阈值,计算置信图所得最大概率位置即为目标位置;若遮挡概率大于设定阈值,则目标发生遮挡,通过子块匹配和粒子滤波估计目标位置以及运动轨迹,实现不同程度的抗遮挡跟踪。结果 对测试数据集中的图像序列进行实验,结果表明,STC-PF方法的跟踪成功率提高至80%以上;中心误差小于原算法;同时STC-PF算法在提高抗遮挡能力的前提下,运行速度与原算法相当,高于当前流行算法。结论 STC-PF算法能够适用于光照变化、目标旋转、遮挡等复杂情况下的视觉目标跟踪,具有一定的实时性和高效性,尤其是在目标发生遮挡情况下具有很好的抗遮挡能力和较快的运行速度。     

抗遮挡与尺度自适应的改进KCF跟踪算法

核相关滤波(kernel correlation filter,KCF)目标跟踪算法在目标发生尺度变化或受长时间遮挡时无法实现准确跟踪.对此,提出一种融合窗口滤波的抗遮挡尺度自适应的目标跟踪算法.首先,利用快速尺度估计对跟踪目标进行尺度变换;然后,当检测到目标受到遮挡时停止对分类器模型的更新,融合加权窗口滤波器对目标位置进行预测,并利用预测信息修正目标跟踪区域;最后,将所提出算法移植到DJI Guidance视觉平台上并为其设计跟踪实验.实验结果表明,该算法能够有效解决目标尺度变化与目标受遮挡等跟踪问题.     

基于MATLAB的相关滤波跟踪算法仿真分析

摘要：基于相关滤波的目标跟踪算法是一种常见的视觉跟踪方法,它利用目标的特征信息进行跟踪;在跟踪过程中通过计算目标模板与当前帧图像中候选区域之间的相关性来判断目标的位置;通过介绍首个将相关滤波理念与目标跟踪技术相结合的MOSSE算法,引入了三种基于此算法的改进相关滤波跟踪算法：KCF算法、DSST算法以及BACF算法;并基于视频跟踪基准OTB100数据集在MATLAB平台进行仿真实验,一次性评估标准下,BACF算法的平均成功率与平均精确度分别为最高的64.5%与80.4%,空间鲁棒性评估标准下,BACF算法的平均成功率与平均精确度分别为最高的58.2%与78.6%,时间鲁棒性评估标准下,BACF算法的平均成功率与平均精确度分别为最高的65.8%与85.1%,因此BACF算法的跟踪性能最佳,而KCF算法实现了最高的154.36帧率的跟踪速度。