自适应卷积特征选择的实时跟踪算法

目的 针对深度卷积特征相关滤波跟踪算法因特征维度多造成的跟踪速度慢及其在目标发生形变、遮挡等情况时存在跟踪失败的问题,提出了一种自适应卷积特征选择的实时跟踪算法。方法 该算法先分析结合深度卷积特征的相关滤波跟踪算法定位目标的特性,然后提出使用目标区域和搜索区域的特征均值比来评估卷积操作,选取满足均值比大于阈值的特征通道数最多的卷积层,减少卷积特征的层数及维度,并提取该卷积层的有效卷积特征来训练相关滤波分类器,最后采用稀疏的模型更新策略提高跟踪速度。结果 在OTB-100标准数据集上进行算法测试,本文算法的平均距离精度值达86.4%,平均跟踪速度达29.9帧/s,比分层卷积相关滤波跟踪算法平均距离精度值提高了2.7个百分点,速度快将近3倍。实验结果表明,本文自适应特征选择的方式在保证跟踪精度的同时有效地提升了跟踪的速度,且优于当前使用主成分分析降维的方式;与现有前沿跟踪算法对比,本文算法的整体性能优于实验中对比的9种算法。结论 该算法采用自适应卷积通道和卷积层选择的方式有效地减少了卷积层数和特征维度,降低了模型的复杂度,提升了跟踪速度,利用稀疏模型更新策略进一步提升了跟踪的速度,减少了模型漂移现象,当目标发生快速运动、遇到遮挡、光照变化等复杂场景时,仍可实时跟踪到目标,具有较强的鲁棒性和适应性。     

基于卷积特征的核相关自适应目标跟踪

目的 针对现实场景中跟踪目标的快速运动、旋转、尺度变化、遮挡等问题,提出了基于卷积特征的核相关自适应目标跟踪的方法。方法 利用卷积神经网络提取高、低层卷积特征并结合本文提出的核相关滤波算法计算并获得高底两层卷积特征响应图。采用Coarse-to-Fine方法对目标位置进行估计,在学习得到1维尺度核相关滤波器估计尺度的基础上实时更新高低两层核相关滤波器参数,以实现自适应的目标跟踪。结果 实验选取公开数据集中的典型视频序列进行跟踪,测试了算法在目标尺度发生变化、遮挡、旋转等复杂场景下的跟踪性能并与多种优秀的跟踪算法在平均中心误差、平均重叠率等指标上进行了定量比较,在Singer1、Car4、Jogging、Girl、Football以及MotorRolling视频图像序列上的中心误差分别为8.71、6.83、3.96、3.91、4.83、9.23,跟踪重叠率分别为0.969、1.00、0.967、0.994、0.967、0.512。实验结果表明,本文算法与原始核相关滤波算法相比,平均中心位置误差降低20%,平均重叠率提高12%。结论 采用卷积神经网络提取高低两层卷积特征,高层卷积特征用于判别目标和背景,低层卷积特征用于预测目标位置并通过Coarse-to-Fine方法对目标位置进行精确的定位,较好地解决了由于目标的旋转和尺度变化带来的跟踪误差大的问题,提高了跟踪性能并能够实时更新学习。在目标尺度发生变化、遮挡、光照条件改变、目标快速运动等复杂场景下仍表现出较强的鲁棒性和适应性。     

多特征分层融合的相关滤波鲁棒跟踪

目的 为提高目标跟踪的鲁棒性,针对相关滤波跟踪中的多特征融合问题,提出了一种多特征分层融合的相关滤波鲁棒跟踪算法。方法 采用多通道相关滤波跟踪算法进行目标跟踪时,从目标和周围背景区域分别提取HOG（histogram of oriented gradient）、CN（color names）和颜色直方图3种特征。提出的分层融合算法首先采用自适应加权融合策略进行HOG和CN特征的特征响应图融合,通过计算特征响应图的平滑约束性和峰值旁瓣比两个指标得到融合权重。将该层融合结果与基于颜色直方图特征获得的特征响应图进行第2层融合时,采用固定系数融合策略进行特征响应图的融合。最后基于融合后的响应图估计目标的位置,并采用尺度估计算法估计得到目标更准确的包围盒。结果 采用OTB-2013（object tracking benchmark 2013）和VOT-2014（visual object tracking 2014）公开测试集验证所提跟踪算法的性能,在对多特征分层融合参数进行分析的基础上,与5种主流基于相关滤波的目标跟踪算法进行了对比分析。实验结果表明,本文算法的目标跟踪精度有所提高,其跟踪精度典型值比Staple算法提高了5.9%（0.840 vs 0.781）,同时由于有效地融合了3种特征,在多种场景下目标跟踪的鲁棒性优于其他算法。结论 提出的多特征分层融合跟踪算法在保证跟踪准确率的前提下,跟踪鲁棒性优于其他算法。当相关滤波跟踪算法采用了多个不同类型特征时,本文提出的分层融合策略具有一定的借鉴性。     

基于相关滤波融合多特征的运动目标跟踪方法

针对复杂环境下仅使用单一图像特征跟踪精度和鲁棒性差的问题,提出一种多特征融合的相关滤波目标跟踪算法。该算法首先从目标和背景区域分别提取方向梯度直方图(Histogram of oriented gradient,HOG)特征、颜色直方图特征和卷积特征,采用固定权重方法融合HOG特征和颜色直方图特征的特征响应图,然后将该层融合结果与卷积特征响应图采用自适应权重融合策略进行融合,基于融合后的响应图估计出目标位置,并采用尺度估计方法解决目标尺度变化问题,最后采用稀疏模型更新策略进行模型更新。在OTB-2013公开标准测试集中验证本文算法性能,并与主流的目标跟踪算法进行了对比分析。实验结果表明,与其中最优算法相比,本文算法的平均距离精度值和平均重叠精度值都有所提高。本文算法由于有效地利用了HOG特征、颜色直方图特征和卷积特征,在复杂场景下目标跟踪的准确性和鲁棒性都优于其他算法。     

融合卷积神经网络的核相关滤波视觉目标跟随算法研究

近几年,目标跟随技术逐渐成为研究的热点。核相关滤波跟踪算法通过循环矩阵构造训练样本,将时域的卷积转换到频域的点乘完成滤波器的训练,降低计算复杂度,跟踪速度较快。卷积神经网络模型深度特征表征能力较强,可以充分利用图像信息,跟踪精度较高。将两种算法优势互补,构造一种卷积神经网络与核相关滤波算法融合型改进算法。即在线下阶段训练模型,分层提取孪生网络的深度特征,然后通过相关滤波器快速计算出最大响应图,预测目标所在位置。因此,改进后的算法在保持核相关滤波跟踪算法实时性的同时,可以大幅提高跟踪精度。     

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。     

基于卷积特征深度融合的海上目标跟踪算法

针对海上复杂环境下深度学习方法跟踪速度慢和尺度变化问题,以及现有跟踪算法仅使用单层深度特征或手动融合多层特征的问题,提出一种基于卷积神经网络特征深度融合的多尺度相关滤波海上目标跟踪算法。以VGG-NET-16深度模型为基础,加入多层特征融合结构,实现深度卷积融合网络,用于特征提取,通过相关滤波算法构建定位滤波器,确定目标的中心位置,通过多尺度采样构建尺度滤波器,实现对目标的判断。实验结果表明,该算法可对海上移动目标实现多尺度的有效跟踪。     

基于通道选择与目标重检的跟踪算法

为提高相关滤波类算法的性能,提出一种基于通道选择与目标重检的跟踪算法.通过计算每个卷积通道的特征均值和方差,选取符合条件的通道训练滤波器;根据滤波响应均值找出跟踪失败的帧,扩大搜索范围后使用最优模板再次检测丢失的目标位置;通过调整搜索框的比例来训练尺度滤波器,使用平均峰值相关能量约束模板更新.实验结果表明,所提算法的准确率相较于其它算法有明显提高,有效解决了跟踪过程中的形变、遮挡和尺度变化等问题.     

基于稀疏表示的相关滤波目标跟踪算法

针对相关滤波跟踪算法在目标形变、背景干扰等复杂场景下，易受干扰特征影响导致跟踪失败的问题，提出了基于稀疏表示的相关滤波目标跟踪算法。该算法将稀疏表示与相关滤波相结合，在目标函数中引入L1范数惩罚项，使训练出的相关滤波器只含有目标的关键特征，同时根据相关滤波系数的空间位置为其分配不同的惩罚参数，并采用交替方向乘子法（alternating direction method of multipliers,ADMM）求解相关滤波器。实验结果表明：该算法在三个常用数据集上，与五种相关滤波跟踪算法相比，具有最高的精确度和成功率，且对复杂场景中的干扰特征具有良好的鲁棒性，同时能够满足目标跟踪实时性的要求。     

结合连续卷积算子的自适应加权目标跟踪算法

目的 在视觉跟踪领域中,特征的高效表达是鲁棒跟踪的关键,观察到在相关滤波跟踪中,不同卷积层表达了目标的不同方面特征,提出了一种结合连续卷积算子的自适应加权目标跟踪算法。方法 针对目标定位不准确的问题,提出连续卷积算子方法,将离散的位置估计转换成连续位置估计,使得位置定位更加准确;利用不同卷积层的特征表达,提高跟踪效果。首先利用深度卷积网络结构提取多层卷积特征,通过计算相关卷积响应大小,决定在下一帧特征融合时各层特征所占的权重,凸显优势特征,然后使用从不同层训练得到的相关滤波器与提取得到的特征进行相关运算,得到最终的响应图,响应图中最大值所在的位置便是目标所在的位置和尺度。结果 与目前较流行的3种目标跟踪算法在目标跟踪基准数据库（OTB-2013）中的50组视频序列进行测试,本文算法平均跟踪成功率达到85.4%。结论 本文算法在光照变化、尺度变化、背景杂波、目标旋转、遮挡和复杂环境下的跟踪具有较高的鲁棒性。     

基于FasterMDNet的视频目标跟踪算法

多域卷积神经网络（MDNet）算法在卷积层采用选择性搜索的方式来提取候选框，因此它没有共享完整图像特征，从而导致在线视频目标跟踪速度慢。针对这个问题，提出一种快速多域卷积神经网络（FasterMDNet）视频目标跟踪算法。FasterMDNet是建立在MDNet基础上的一种模型，在卷积层后面引入RPN（Region Proposal Network）网络，优化了损失函数，共享完整图像卷积特征，加快候选区域建议框（ROI）更高效的生成；为了更好地获得目标和背景信息表示，在RPN网络后加入ROIAlign层，对提取的候选区域建议框特征图用双线性插值方法来提高感受野的分辨率。该算法对目标跟踪基准数据集OTB2013、OTB2015、VOT2016进行了评估，并与前沿的跟踪算法做对比，实验结果证明，该算法跟踪准确率优于其他对比方法，并且对比相同实验环境下MDNet算法，在线跟踪速度提高了近12倍。     

双特征模型核相关滤波目标跟踪算法

目的 基于深度学习的目标跟踪算法,利用卷积深层作为特征,虽然精度高但无法做到实时跟踪;基于相关滤波的跟踪算法,利用HOG（histogram of oriented gridients）、CN（color name）和颜色直方图作为特征,速度快但精度较差。为兼顾目标跟踪算法的实时性与准确性,提出了一种基于双模型核相关滤波算法。方法 提出了自适应的双特征模型选择机制,主特征模型采用浅层纹理特征HOG,辅助特征模型采用包含深层语意信息的CNN（convolutional neural networks）特征,二者协同作用,产生更加稳定的相关滤波器。为了提高算法的速度,采用主成分分析（PCA）技术对高维的CNN特征进行降维,并通过尺度优化、最优解求解方式优化等方法提高跟踪算法的准确性。结果 在公开数据集OTB-2013上,本文算法与目前先进且速度能达到实时的SiamFC（fully-convolutional Siamese networks）、MEEM（multiple experts using entropy minimization）、SAMF（scale adaptive multiple features）、DSST（discriminative scale space tracking）等跟踪算法进行比较,一次成功率（OPE）结果显示,本文算法在距离精准度指标中综合排名第一,与KCF（kernel correlation filter）算法相比,本文算法的距离精准度提高了25.2%,重叠成功率提高了25.6%,平均速度达到38帧/s。结论 本文提出的双模型自适应机制,针对主特征模型的置信响应自适应调用最优模型策略,并且实时更新模型,在综合考虑跟踪准确性和跟踪实时性的情况下,本文提出的目标跟踪算法的性能优于目前的跟踪算法。     

基于混合注意力的Transformer视觉目标跟踪算法

基于Transformer的视觉目标跟踪算法能够很好地捕获目标的全局信息,但是,在对目标特征的表述上还有进一步提升的空间.为了更好地提升对目标特征的表达能力,提出一种基于混合注意力的Transformer视觉目标跟踪算法.首先,引入混合注意力模块捕捉目标在空间和通道维度中的特征,实现对目标特征上下文依赖关系的建模;然后,通过多个不同空洞率的平行空洞卷积对特征图进行采样,以获得图像的多尺度特征,增强局部特征表达能力;最后,在Transformer编码器中加入所构建的卷积位置编码层,为跟踪器提供精确且长度自适应的位置编码,提升跟踪定位的精度.在OTB100、VOT2018和LaSOT等数据集上进行大量实验,实验结果表明,通过基于混合注意力的Transformer网络学习特征间的关系,能够更好地表示目标特征.与其他主流目标跟踪算法相比,所提出算法具有更好的跟踪性能,且能够达到26帧/s的实时跟踪速度.     

动态权重层次卷积特征自适应目标追踪算法

为改进追踪算法在目标快速运动或被遮挡等情况下的性能,对目标追踪中普遍采用的相关滤波算法框架进行了研究,基于核相关滤波器(KCF)提出一种层次化提取卷积神经网络特征并自适应赋予动态权重的目标追踪算法.通过提取不同层次卷积神经网络特征,分别经过相关滤波器学习得到不同的KCF模板,结合特征层次和各滤波器稳定度、准确度赋予动态权重,以融合3个模板确定最终目标位置.实验采用OTB标准数据库,测试了新算法在遮挡、运动模糊、快速运动等干扰项下的整体性能,结果表明所提算法在整体上提高了追踪的性能及精度,可以灵活适应不同特征的场景,并且相较于经典KCF平均精确度提高了35.4%,平均成功率提高了33.6%.     

孪生网络跟踪算法并行计算结构研究

基于嵌入式平台的复杂背景目标跟踪技术在智能视频监控设备、无人机跟踪等领域有重要作用.卷积神经网络在跟踪问题上有准确率高、鲁棒性强的优点,但基于卷积特征的算法计算复杂度高,受嵌入式平台面积和功耗的限制,实时性难以满足嵌入式平台应用场景的需求.针对基于卷积特征的跟踪算法计算复杂度高、存储参数量大的难题,率先提出一种利用FPGA实现基于卷积神经网络的复杂背景目标跟踪硬件加速架构.该方法通过利用KL相对熵对目标跟踪算法Siamese-FC进行定点量化,设计了基于通道并行的卷积层加速架构.实验结果表明,定点量化后跟踪算法相比于原算法的平均精度损失不超过4.57％,FPGA部署后前向推理耗时仅为CPU的16.15％,功耗仅为CPU的13.7％.     

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。     

基于卷积神经网络的实时跟踪算法

利用卷积神经网络(CNN)强大的特征学习能力,提出了一种基于卷积神经网络的实时跟踪算法.通过对双通道卷积神经网络进行离线训练,学习相邻两帧之间的差异,得到跟踪目标的表观特征与运动之间的普遍规律.在不需要对网络模型在线更新的情况下,直接通过网络回归得到对目标的位置和对应置信度的预测.在VOT2014数据集中进行实验,结果表明:提出的跟踪算法的性能达到了当前领先水平.同时,跟踪算法的运行速度可以达到90帧/s,表现出非常不错的实时性.