基于粒子滤波的双模图像融合自适应跟踪

针对视频跟踪中仅利用目标的单特征容易导致跟踪失败的问题,提出一种基于粒子滤波的可见光与红外序列图像相融合的自适应目标跟踪算法;该算法在粒子滤波跟踪算法框架下,根据单一信源运动目标序列图像的品质因子,利用自适应加权融合策略重构双模序列图像的特征选择机制,建立了基于自适应融合算法的系统观测概率模型和状态空间层次采样多特征融合跟踪算法,实现了对双模序列图像的融合以及对运动目标的稳健跟踪;跟踪试验结果表明,该算法可以有效实现对运动目标的稳健、准确跟踪。     

基于多特征融合的核相关滤波目标跟踪算法

为解决在复杂背景条件下的跟踪不稳定问题,提高目标跟踪的鲁棒性和准确性,研究一种在传统核相关滤波算法的基础上对多特征进行线性融合和多峰值检测更新机制结合的核相关滤波目标跟踪算法,使用多个专家进行评估,充分结合各特征的优势,训练出最优的相关滤波器.通过O T B-2013公开数据集全部视频序列对算法进行验证,该算法准确度能达到81.7％,成功率达到69.2％,验证了该算法能够在旋转、运动模糊、快速运动、形变、光照变化和超出视野等场景下取得较好的结果,是一种稳定的目标跟踪算法.     

Kalman滤波与模板更新结合的SiamRPN目标跟踪

针对SiamRPN跟踪算法在目标快速运动时跟踪目标易丢失以及模板不更新影响跟踪效果问题，提出一种Kalman滤波与模板更新相结合的SiamRPN目标跟踪方法。利用训练好的SiamRPN跟踪算法对目标进行跟踪，并将上一帧目标物体的中心点位置及速度输入卡尔曼滤波器，当RPN网络得到的跟踪框响应得分较低时，利用卡尔曼滤波器重新预测目标位置，搜索得到新的跟踪框。并根据上一帧目标的速度，自适应扩大搜索区域。重新设计并训练了模板更新网络，并在其中添加了通道注意力机制，在跟踪过程中对目标模板迭代更新。实验结果表明，该算法在OTB2015的成功率和精确率分别为67.2%和89.1%，在VOT2016的EAO提升24.3%，与其他算法相比在解决目标形变和运动模糊问题具有显著优势。     

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.     

彩色视频序列图像中的人脸跟踪方法

针对彩色视频序列图像的人脸检测，提出了一种基于肤色的人脸跟踪方法。该方法首先在Hsu提出的肤色模型基础上，采样一种自肤色分割算法来提取复杂背景下人脸的肤色特征，与传统的采用固定肤色模型的检测算法相比，该方法具有更好的检测效果；然后，在人脸跟踪过程中采用Condensation滤波跟踪算法，并对算法做了两点改进，即在跟踪过程中采用基于Metropolis算法的重采样方法以及自适应的动态模型，实现了复杂背景下的人脸自由运动的跟踪，并从各种影片中截取了彩色视频序列图像进行了测试实验。实验结果表明，该方法有效地解决了复杂背景下人脸自由运动、光照变化及部分遮挡的问题，且精度较高。     

基于混合注意力机制的目标跟踪算法

针对全卷积孪生网络目标跟踪算法(SiamFC)在目标形变、遮挡和快速运动等复杂场景中易导致跟踪失败的问题,提出一种利用混合注意力机制增强网络识别能力的算法(SiamMA)。首先,在训练阶段提出堆叠裁剪法构建自对抗训练样本对,以模拟实际跟踪时的复杂场景,使训练的网络模型具有更强的泛化性。其次提出混合注意力机制,在网络不同分支融合使用空间注意力和通道注意力网络模块,有效抑制了特征图中的背景干扰,提升算法的鲁棒性。采用GOT-10k、UAV123等4种数据集进行算法性能评测实验,结果表明本文算法的跟踪成功率、精度等主要性能指标较SiamFC和KCF等6种经典算法均有提升,平均速度达到60 fps。     

基于自适应多模型联合的目标跟踪算法

基于核相关滤波器的跟踪算法对于目标的空间结构具有较强的依赖性,无法有效应对遮挡、形变等干扰因素,且单一的特征模型在复杂的跟踪场景下无法准确表述目标信息。为此,提出一种基于自适应多模型联合的算法。通过自适应权重将相关滤波模型与颜色直方图模型进行联合,并将稀疏表示的思想引入相关滤波模型的训练过程中,以增强算法的鲁棒性。OTB视频序列数据集上的实验结果表明,该算法可有效缓解跟踪过程中的遮挡、形变等因素的干扰,与Staple算法、KCF算法相比,目标跟踪的精度显著提升。     

基于粒子滤波的多特征融合视频行人跟踪算法

针对车载视频行人跟踪问题,提出一种基于粒子滤波框架下的多特征融合跟踪算法。为克服车载视频中行人运动与摄像机运动产生的非线性和非高斯性,采用基于蒙特卡罗抽样的粒子滤波跟踪算法,使用一阶自回归动态模型预测目标状态,观测模型自适应加权融合的4种互补性特征。实验结果表明,与没有粒子滤波和多特征融合的跟踪算法相比,在相同精确率水平上,该算法的召回率提高20%以上。     

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。     

模糊聚类粒子滤波的点状交叉多目标跟踪算法

提出了一种新的低信噪比红外序列图像多目标检测跟踪算法,该算法有机地结合了TBD检测算法与模糊聚类粒子滤波跟踪算法。首先通过多帧TBD处理后,检测出运动目标的初始位置、运动速度,然后在跟踪阶段采用粒子滤波算法估计目标运动状态,并在估计位置开一个跟踪窗进行检测、模糊聚类概率融合。对真实红外图像序列进行实验仿真,仿真结果验证了该算法具有良好的实时性与很高的精确性。     

基于条件对抗生成孪生网络的目标跟踪

为解决被跟踪目标在快速剧烈运动时,因运动模糊和低分辨率使模型发生漂移,导致跟踪器跟踪效果 变差甚至跟踪失败的问题,对全卷积孪生网络跟踪算法(SiamFC)进行改进,提出一种基于条件对抗生成 孪生网络的目标跟踪算法(CGANSiamFC).首先,在SiamFC框架的基础上嵌入条件对抗生成网络模块,对输入 的低分辨率模糊视频帧去模糊化;然后,利用全卷积孪生网络对重建后的视频帧进行特征提取,使模型的表征能力 进一步提升;最后,采用分离训练和线上组合方式对改进后的跟踪算法进行训练和测试,并使用视觉跟踪基准 数据集OTB100对改进后的跟踪算法进行性能评估;同时,为了充分验证所提出算法的有效性,使用传统的Lucy-Richardson去模糊算法对SiamFC加以改进,并与CGANSiamFC进行对比分析.实验结果表明,所提出的CGANSiamFC综合精确率和成功率指标比原SiamFC分别提高9%和8%,对运动模糊和低分辨率运动目标具有良好的跟踪效果.     

基于改进DSST的行人遮挡跟踪算法

为解决判别尺度空间跟踪(DSST)算法在行人处于长期完全遮挡后又重新出现的情况下无法跟踪的问题, 提出了一种改进的跟踪算法(DDSST). 在DSST框架下,首先对行人目标跟踪, 然后, 引入高置信度指标计算策略作为跟踪准确可信度反馈机制, 在跟踪丢失时利用可变部件模型(DPM)对跟踪目标重新定位. 最后, 通过评估在线目标跟踪基准(OTB)数据集和实际环境拍摄的视频序列对DDSST算法准确性进行验证, 并与其他跟踪算法进行比较. 实验分析表明, 改进算法相较DSST的距离精度与成功率提高了4.1% 和6%, 相比其他算法性能更优, 且在形变、遮挡、平面外旋转、运动模糊和尺度变换等条件下跟踪更稳定.     

基于条件对抗网和层次特征融合的目标跟踪

为了解决目标跟踪过程中因运动模糊和低分辨率导致跟踪效果变差的问题,提出一种基于条件对抗网和层次特征融合的目标跟踪算法。使用条件对抗生成网络模型（DeblurGAN-v2）,对输入的低分辨率视频帧去模糊;使用改进型VGG-19网络提取目标候选区域的Conv2、Conv4、Conv6三层特征,将孪生网络提取到的低层结构特征、中层特征与高层语义特征进行融合,以提高特征的表征能力。在目标跟踪评估数据集OTB2015与VOT2018上的实验结果表明,与SiamFC、SiamDW等其他算法相比,该算法具有更高的准确性,能够适应目标遮挡运动模糊、外观变化及背景干扰等复杂情况。相比于SiamFC,改进算法在OTB2015数据集上成功率提升5.5个百分点,在VOT2018数据集上EAO提升16.4个百分点。     

基于时间一致性局部颜色特征的无纹理3D物体实时跟踪

针对无纹理3D物体跟踪算法在复杂背景和运动模糊的情况下容易跟踪失败、跟踪速度难以达到强实时等问题,提出一种基于时间一致性局部颜色特征的3D物体实时跟踪算法.首先在物体3D模型投影轮廓法向搜索线上计算像素颜色的加权均值作为局部颜色特征,增强颜色特征在复杂环境中的表征能力,并对局部颜色特征进行时间一致性更新,剔除前景背景颜色相似的局部颜色特征,以避免相似前景背景颜色导致的跟踪失败;然后定义基于局部颜色特征的能量函数,并推导该能量函数的解析导函数;最后改进了优化物体姿态的高斯牛顿法,通过添加阻尼参数防止姿态优化陷入局部极值,提高姿态估计精度和跟踪速度.实验使用7组测试视频验证文中算法,结果表明,该算法能更有效地克服复杂背景和运动模糊的干扰,在未使用并行计算的前提下可实现强实时跟踪.     

基于合作模式的目标跟踪方法

针对在视频序列中因移动模糊导致的对目标梯度信息的干扰以及目标的严重遮挡等问题,提出使用多任务反向稀疏表示（MTRSR）模型与AdaBoost分类器相结合的目标跟踪方法,同时为有效跟踪目标区域使用一个描述性的字典来估计每一个候选目标的权值。通过MTRSR模型得到模糊核[k]以此得到模糊目标模板,同时通过稀疏匹配计算重建误差得到目标的置信度,以目标模板的HOG特征组建描述性字典并通过重建误差计算候选目标权值,通过AdaBoost分类器计算所有目标的置信度,最后依据权值与二者置信度乘积的和得到最佳目标。实验数据表明该算法能够很好地应对复杂场景下目标的梯度变化、模糊效应以及遮挡,提高了目标跟踪精度与鲁棒性。     

融合颜色特征的核相关滤波器目标长期跟踪算法

为了解决基于相关滤波器的跟踪方法在长期遮挡或尺度变化情况下跟踪性能降低,对核相关滤波器目标跟踪方法提出了改进.首先将目标区域的方向梯度直方图、颜色名特征进行融合,对目标外观进行建模;然后对目标构建尺度金字塔,求取尺度的最大响应.最后,引入再检测机制,只有当目标的置信度小于阈值时,才利用在线随机蕨分类器重新扫描窗口,获取检测结果.实验结果表明,该文提出的改进算法在目标发生快速运动、遮挡和尺度变化等复杂场景下有较强的鲁棒性.     

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。     

联合YOLOV3和核相关滤波算法的红外视频目标检测及跟踪

红外热成像视频与可见光视频相比噪点较多,细节模糊,缺少颜色特征,传统算法常出现目标检测错误、目标跟踪丢失的情况。对此,将YOLOV3目标检测算法与核相关滤波算法相结合,进行红外视频目标的检测及跟踪任务。加载训练后的YOLOV3网络模型进行第一帧目标检测,完成目标跟踪的初始化目标选取,使用KCF算法对后续视频帧进行目标跟踪。在跟踪目标丢失时启动目标再检测,匹配丢失目标并调整跟踪器。实验结果表明,该方法能够克服目标跟踪丢失的情况,且在实验平台上计算速度可达到实时要求。     

基于深度特征与局部约束掩膜的相关滤波跟踪算法

为提升相关滤波算法在目标遮挡、快速运动以及背景杂乱等情况下跟踪结果的精确度和鲁棒性,提出了一种基于深度特征与局部约束掩膜(Local constrained mask, LCM)的相关滤波跟踪算法。在鉴别性相关滤波跟踪算法的基础上,利用学习得到的二值矩阵作为LCM对滤波器的能量分布进行裁剪,对模板边缘与测试图像之间产生的响应值进行抑制,实现扩大目标搜索区域的同时降低边界效应对跟踪结果的影响;将深度特征引入到特征提取过程中,通过对目标样本进行旋转、翻折和高斯模糊等处理,扩充训练样本数量,使模板学习到更为丰富的目标信息。与主流算法进行对比实验,验证了本文算法在处理目标遮挡、背景嘈杂以及光照变化等干扰时的鲁棒性。     

融合注意力机制的孪生网络目标跟踪算法研究

在全卷积孪生网络跟踪算法（SiamFC）的基础上,提出一种融合注意力机制的孪生网络目标跟踪算法。在网络模板分支,通过融合注意力机制,由神经网络学习模板图像的通道相关性和空间相关性,进而增大前景贡献,抑制背景特征,提升网络对正样本特征的辨别力;同时,使用VggNet-19网络提取模板图像的浅层特征和深层特征,两种特征自适应融合。在OTB2015和VOT2018数据集上得到的实验结果表明,与SiamFC相比,所提算法能够更好地应对运动模糊、目标漂移和背景多变等问题,取得了更高的准确率和成功率。