基于自适应特征融合的压缩感知跟踪算法

针对运动目标外观或背景变化较大时,采用基于压缩感知的跟踪算法由于特征单一易导致漂移、跟踪不稳定甚至丢失目标等问题,提出了改进的基于自适应特征融合的压缩感知跟踪算法。该算法采用两种随机测量矩阵,分别投影V、H空间得到压缩后的纹理和颜色特征,利用在线计算的特征可靠性相对程度来自适应调整特征加权系数,充分利用两类特征的互补性来增强跟踪稳定性。对不同视频的测试结果表明,提出的方法在目标外观、背景环境变化时仍能准确跟踪目标,在目标大小为70像素×100像素时平均帧率为22帧/s,达到实时性。与提取单一特征的原压缩感知算法相比,改进后的方法在目标外观和背景变化时具有更强的鲁棒性。     

基于改进压缩感知的运动目标跟踪

针对运动目标在被遮挡和目标纹理变化大时会导致跟踪丢失以及跟踪误差大等问题,提出了一种改进的压缩感知（ CS）算法。算法采用设置Sigmoid函数响应阈值,判定是否存在遮挡,以决定是否更新分类器参数,使得目标在遇到较大遮挡时目标模型不会被错误更新;针对特征单一导致跟踪不稳定问题,提出根据设定融合规则进行灰度特征和纹理特征融合的方法,使得两种特征指导跟踪。实验证明：改进后的算法比传统算法跟踪成功率提高了17.84%,平均误差率降低11.59%。     

基于自适应压缩特征选择的实时目标跟踪算法?

针对压缩感知算法中的低维特征对目标重构效果较差的问题,提出基于自适应压缩特征选择的目标跟踪算法。该算法首先提取满足目标重构要求的高维压缩特征,再通过所提出的特征选择方法选择区分度高的低维特征作为目标的外观模型,从而降低计算复杂度。为自适应选择特征,采用一种差分方法控制特征维数,满足实时性要求。实验表明,与其他算法相比,文中算法具有更强的鲁棒性和实时性。     

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。     

基于压缩感知的多特征加权目标跟踪算法

针对被跟踪目标运动、纹理或环境变化时, 采用基于压缩感知目标跟踪算法目标易漂移、丢失的问题, 提出了改进的压缩感知目标跟踪算法。通过压缩感知算法提取灰度和纹理特征, 计算特征对样本分类结果并更新特征的权值, 使用加权过的特征寻找目标在下一帧的位置。对不同视频的测试结果表明, 提出的算法在目标运动、纹理或环境变化的情况下跟踪准确, 在目标大小80×120像素时平均帧速为25 fps。与传统的压缩感知跟踪算法和其他跟踪算法相比, 所提出的算法在目标运动、纹理或环境变化时能快速准确地获取跟踪目标, 并具有更强的鲁棒性。     

基于特征加权的快速压缩感知跟踪

基于压缩感知的目标跟踪算法具有简单、实时、高效的特点。快速压缩感知目标跟踪算法FCT(Fast Compressive Tracking)生成目标高维特征未考虑不同尺度滤波器生成特征的有效性,目标与候选样本之间的相似性度量仅考虑简单叠加,在目标受到光照、遮挡等外界因素的影响下易使跟踪结果出现偏差。针对这些问题,提出一种基于特征加权的快速压缩感知跟踪算法。该算法根据滤波器尺度,自适应地分配权值,生成目标高维特征。算法将候选样本各维压缩特征分类为目标压缩特征的可能性与贝叶斯分类器输出相乘,作为目标与候选样本之间的相似性度量。实验结果表明,提出的方法在目标受到光照、遮挡等外界因素的影响下具有更强的鲁棒性。     

基于压缩传感的多样本目标跟踪算法

针对实时目标跟踪会产生跟踪不稳定、易漂移、被遮挡就丢失的问题,提出改进的多样本跟踪算法。在压缩传感实时跟踪中,通过增加随机测量矩阵产生新的压缩感知特征,融合多个正负样本。结合boosting学习方法更新特征权值并改进置信图估计,解决目标漂移和丢失问题。实验结果表明,该方法在目标运动、纹理和环境显著变化以及被部分遮挡的情况下,跟踪的鲁棒性依旧很高,能达到稳定、实时的目标跟踪。     

基于增量子空间自适应决策的目标跟踪

基于增量子空间的目标跟踪算法多数不加选择地将检测到的目标作为模板训练的样本, 并以固定频率更新模板, 这种无反馈闭环机制使得算法在目标外观模型发生变化、 光照变化等复杂条件下难以鲁棒跟踪目标, 一旦跟踪失败很难从错误中恢复. 为此, 我们提出一种反馈闭环跟踪算法, 在增量子空间粒子滤波跟踪框架下, 引入跟踪状态判决作为后续模板更新依据. 通过判决反馈信息选择合适的样本适时更新模板, 有效克服目标外观模型的变化, 持续跟踪目标. 实验结果表明, 由于引入跟踪状态判决, 在目标外观变化、光照变化等情况下, 本算法能够以与环境相适应的频率及时更新模板, 提高跟踪精度, 实验结果验证了本文算法的鲁棒性和有效性.     

基于SURF的压缩跟踪算法研究

目标跟踪技术作为机器视觉领域中的基础,有着广泛的应用,但其仍然存在许多问题。为了解决目标在光照变化和快速移动场景下跟踪漂移的问题,提出了基于SURF的压缩跟踪算法。首先选择跟踪目标并提取SURF特征,其次采用压缩感知理论对SURF高维特征降维,来减少特征描述的维数和计算时间,最后筛选压缩后的样本特征并训练分类器,来实现对多种复杂场景下目标实时准确跟踪。通过实验与传统的SURF算法和Compressive Tracking(CT)算法的对比,证明该算法不仅大大减少了目标在跟踪的过程中的计算量,其跟踪的实时性和准确性相较于CT算法和SURF算法都有所提高。     

基于特征在线选择的目标压缩跟踪算法

基于压缩感知理论的压缩跟踪算法能够有效地实现对目标的跟踪, 具有良好的实时性, 但该算法对目标特征没有进行在线选择导致跟踪鲁棒性不高. 本文提出一种基于特征在线选择的目标压缩跟踪算法. 首先, 在目标附近采样得到正负样本集合, 计算样本的多尺度矩形特征, 采用压缩感知中的随机投影矩阵对高维特征投影得到低维压缩域特征, 对压缩域特征进行在线选择提取最优特征, 剔除被污染的样本特征, 使用简单高效的朴素贝叶斯分类模型进行样本判断, 实现对目标的跟踪, 同时对跟踪中目标在摄像头中的尺度变化进行建模, 给出目标尺度变化的定量描述, 实现了适应目标尺度变化的多尺度跟踪. 实验结果表明本文算法具有更好的鲁棒性与更高的跟踪精度, 对目标跟踪中的遮挡、光线突变、尺度变化和非刚性形变等因素具有较好的抗干扰能力, 同时算法复杂度低, 可以满足实时性要求.     

粒子群优化的压缩跟踪算法

目的 针对基于压缩感知理论的跟踪算法跟踪效率不高和难以抗遮挡的问题,提出一种结合压缩感知和粒子群优化的跟踪算法。方法 将粒子群优化算法结合到压缩跟踪算法中,提出了采用粒子群优化的搜索方法替代在确定候选目标时,采用每隔一个像素选取一个候选目标的搜索策略;在目标发生遮挡时,采用粒子群优化的方法进行整幅图全局搜索。结果 20个视频序列数据库的目标跟踪结果表明,本文算法极大地提高了跟踪效率,并有很强的抗目标遮挡和形变的能力从而提高了跟踪的成功率。20个视频数据库进行了定量的分析,平均成功率达到了65.2%,平均中心位置偏差为33.4,平均每秒运行155.5帧。结论 提出的跟踪算法优化了搜索目标的计算次数,提高了算法的运行效率,当在目标发生遮挡时,采用粒子群优化进行全局搜索直到目标重新出现,从而提高了跟踪算法的跟踪成功率,本文算法能适用于不同场景,能够提高智能视频监控系统的智能监控性能。     

结合目标预测位置的压缩跟踪

目的：提出结合目标预测位置的压缩跟踪算法用于提高目标跟踪的准确度。方法：选择随机间距稀疏Toeplitz矩阵作为投影矩阵,对原始多尺度Haar-like特征进行压缩;然后,将样本与Mean Shift算法框架下的预测位置的距离权重输入Bayes分类器,形成分类背景与目标的判别函数;最后对参数的更新方式进行优化,提出了参数自适应的学习模式。结果：与目前较流行的6种目标跟踪算法在20个具有挑战性的序列中进行比较,实验结果表明本文提出的算法平均跟踪成功率比压缩跟踪算法将近高27%,平均运行时间为0.15秒/帧。结论：本文采用了结合预测位置的压缩跟踪算法,在参数更新阶段采用了非线性参数学习模式,实验表明结合目标预测位置的跟踪算法比一般的跟踪算法更具有鲁棒性,更能适应遮挡等情况,跟踪的效果也更加平滑。     

基于压缩感知的互补特征加权目标跟踪算法

针对基于压缩感知的目标跟踪算法中存在特征单一,在目标纹理或光照变化较大时跟踪不稳定的问题,提出了基于压缩感知的互补特征加权目标跟踪算法。该算法通过两个随机测量矩阵提取出两类互补的纹理特征和灰度均值特征,计算这两类特征对样本的分类结果并更新特征的权值,使用所选取的大权值特征寻找目标在下一帧的位置。在分类器更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新。对不同视频的实验结果表明,提出的算法跟踪准确,且满足实时性的要求。与相关算法相比,新算法在目标纹理或光照变化很大的情况下具有更强的鲁棒性。     

基于深度信息的压缩感知人脸检测跟踪

传统的压缩感知跟踪是基于彩色视频图像序列中的目标跟踪, 但在跟踪过程中可能会受到光照变化和旋转遮挡因素的影响, 从而导致复杂环境下跟踪结果的鲁棒性不足. 为了获得稳定的跟踪结果, 提出了一种基于深度信息的压缩感知人脸检测跟踪算法. 首先, 根据改进的质心分割算法确定首帧深度图中人脸的跟踪位置. 其次, 根据深度信息计算出深度图中每一点对应的平均曲率并形成平均曲率图. 然后, 基于平均曲率图随机提取压缩特征; 最后, 通过压缩降维, 目标邻域搜索, 迭代更新特征模板, 计算出平均曲率图中下一帧人脸的最优跟踪位置, 实现人脸跟踪. 实验结果表明, 将人脸的深度信息和压缩感知特征相结合在光照变化和旋转遮挡情况下具有很好的鲁棒性, 能更好的实现复杂背景下对多姿态人脸的跟踪.     

利用选择性模型不定时更新的视觉跟踪算法

目的 在目标跟踪中,基本粒子滤波算法和传统模型更新策略在遮挡、光照变化以及自身旋转等情况下通常存在鲁棒性较差的问题。为解决该问题,提出一种基于选择性模型不定时更新的粒子滤波视觉跟踪算法。方法 本文算法在粒子滤波框架下,定时检测目标变化,采用最速梯度下降法判断更新时机。仅当目标本身逐渐姿态改变而不受背景干扰时更新目标模型;在发生遮挡或光照改变较大时则不更新,保持当前模型继续跟踪。结果 通过对示例视频的计算机视觉跟踪,在跟踪目标中心位置误差、覆盖率、精度及成功率比较上,本文算法均能表现出较优的实验结果,这表明:本文算法能够对目标模型进行选择性更新,与对比算法比较,总体能够更加有效解决视频中遮挡、光照变化以及自身旋转等情况下的鲁棒跟踪问题。结论 由于本文算法未考虑尺度,在尺度不变的多种复杂变化条件下,本文算法均具有较好的鲁棒性。     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

前景判别的局部模型匹配目标跟踪

目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。     

基于特征可分性和稳定性度量的多特征融合目标跟踪算法

针对单一特征目标跟踪算法鲁棒性较差的问题, 提出一种基于特征可分性和稳定性度量的多特征融合目标跟踪算法. 在粒子滤波框架下, 通过计算不同特征对目标和背景的可区分性和稳定性, 设置重要性权值并自适应选择区分能力强、稳定性好的特征描述目标, 建立多特征融合目标模型. 在状态转移过程中, 给出一种基于特征稳定性度量的选择性模板更新策略, 并进行遮挡处理. 实验结果表明, 所提出的算法能够在复杂场景下鲁棒地跟踪目标.

     

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。