融合HOG特征的相关滤波视频跟踪

计算机视觉领域的目标跟踪已取得巨大进展,但在视频跟踪中,平面外旋转和形状变化的性能方面还有提升空间。本文提出一种基于方向梯度直方图HOG特征,结合图像灰度值把HOG特征加以融合和分解,以提升视频跟踪的变形和尺度变换的性能。首先提取目标区域的HOG的31维特征和灰度值;其次,将灰度值作为1维特征,与HOG特征融合成32维向量HOG32;进而将HOG32分解成2部分特征,分别为HOG1和HOG2;最后,通过对HOG1、HOG2和HOG32特征响应值的比较,选择最大值位置作为预测的下一帧的位置。实验在OTB-2013和OTB-2015这2个数据集上进行,与其他5个算法的比较结果表明,该方法在平面外旋转、变形、复杂背景等方面获得良好效果。     

相关滤波跟踪算法的改进预处理技术

随着人工智能科学技术的发展,计算机视觉目标跟踪愈来愈受到广泛关注,在生活上的应用方面也逐渐铺开,如人机交互、无人驾驶等.近年来,视觉目标跟踪的发展取得了重大进步,但是仍存在许多问题需要进一步完善.基于相关滤波技术的跟踪方法通常使用基于高斯分布的余弦窗口对目标进行预处理.这种方法的缺点在于当目标的状态变化较大时,算法以上...     

密度峰值聚类的全尺度相关滤波跟踪方法

针对背景感知相关滤波算法对目标进行尺度预测时采用图像金字塔,在跟踪过程中需要根据多尺度的目标样本训练出跟踪滤波器,导致跟踪过程中存在计算开销大、跟踪速度慢的问题,提出了一种基于密度峰值聚类的全尺度跟踪方法。分别提取搜索区域中目标和背景的特征信息,通过密度峰值聚类方法分别对目标和背景进行聚类;通过单尺度的滤波器对目标位置进行粗预测,并通过交替方向乘子法（ADMM）降低滤波器训练的时间复杂度;对搜索区域中的前景点和背景点进行分类,并根据尺度置信度得到目标的最终位置与尺度。该算法和目前一些主流的跟踪算法在公共数据集通过在OTB2013、OTB2015和DTB70上进行实验,在有效提高跟踪速度的前提下,面对旋转、遮挡等多种复杂情况时的跟踪效果较好、跟踪成功率较高,满足实时性要求。     

多特征重检测的相关滤波无人机视觉跟踪

无人机视觉跟踪是视觉跟踪未来应用的核心领域,其由于跟踪目标像幅较小、表 观不清且易受到无人机飞行姿态多变、飞行稳定性差等因素的影响而难以对目标进行鲁棒的跟 踪,特别是发生跟踪遮挡时,算法跟踪漂移后无法进行模型的更新。为提高无人机视频的跟踪 效果,提出一种多特征重检测跟踪方法。首先采用多特征融合的方式提高跟踪算法在无人机跟 踪特征的判别性。其次目标在出现遮挡时,扩大搜索区域,采用滑动窗口采样找到置信度最高 的目标区域并实现模型更新。通过一系列无人机视频实验结果表明,该算法在遇到遮挡问题时 具有较好的鲁棒性,能够提高无人机在目标跟踪过程中的准确性。     

多相关滤波自适应融合的鲁棒目标跟踪

目的 由于目标在复杂场景中可能会发生姿态变化、物体遮挡、背景干扰等情况,目标跟踪仍然是一个具有挑战性的课题。目前判别性相关滤波方法在目标跟踪问题上获得了成功而又广泛的应用。标准的相关滤波方法基于循环偏移得到大量训练样本,并利用快速傅里叶变换加速求解滤波器,使其具有很好的实时性和鲁棒性,但边界偏移带来的消极的训练样本降低了跟踪效果。空间正则化的相关滤波跟踪方法引入空间权重函数,增强目标区域的滤波器作用,在增大了目标搜索区域的同时,也增加了计算时间,而且对于目标形变不规则,背景相似的情景也会增强背景滤波器,从而导致跟踪失败。为此,基于以上问题,提出一种自适应融合多种相关滤波器的方法。方法 利用交替方向乘子法将无约束的相关滤波问题转化为有约束问题的两个子问题,在子问题中分别采用不同的相关滤波方法进行求解。首先用标准的相关滤波方法进行目标粗定位,进而用空间正则化的相关滤波跟踪方法进行再定位,实现了目标位置和滤波模板的微调,提高了跟踪效果。结果 本文算法和目前主流的一些跟踪方法在OTB-2015数据集中100个视频上,以中心坐标误差和目标框的重叠率为评判标准进行了对比实验,本文算法能较好地处理多尺度变化、姿态变化、背景干扰等问题,在CarScale、Freeman4、Girl等视频上都表现出了最好的跟踪结果;本文算法在100个视频上的平均中心坐标误差为28.55像素,平均目标框重叠率为61%,和使用人工特征的方法相比,均高于其他算法,与使用深度特征的相关滤波方法相比,平均中心坐标误差高了6像素,但平均目标框的重叠率高了4%。结论 大量的实验结果表明,在目标发生姿态变化、尺度变化等外观变化时,本文算法均具有较好的准确性和鲁棒性。     

视频目标跟踪综述

研究近年来主流的目标跟踪算法。通过文献阅读和归纳对比,分析了使用生成式模型和判别式模型的目标跟踪算法。结果显示,对于存在复杂干扰因素的场景,采用第二类模型的目标跟踪算法的跟踪效果更好。文章为视频跟踪领域的研究者们提供了一个关于目标跟踪算法的客观分析。     

自适应模型更新相关滤波目标跟踪方法

为了解决目标因遮挡、跟踪框发生漂移后相关滤波跟踪算法仍持续更新目标模型和滤波器模型,导致背景信息被更新到目标模型和滤波器模型中的情况,提出一种自适应模型更新策略。采用相关滤波方法得到新的目标位置;提取新目标位置的统计协方差特征并计算其与协方差模板的相似性;根据相似性判断是否更新目标模型和滤波器模型。实验结果表明:所提方法有效解决了因目标形变、遮挡等情况导致目标模型和滤波器模型的更新问题,提高了相关滤波目标跟踪的精度。     

多帧监督的相关滤波无人机目标跟踪

目标跟踪是无人机的关键技术之一。无人机目标跟踪容易因相机运动、尺度变化等场景的影响,导致跟踪漂移或丢失。提出一种多帧监督的相关滤波无人机目标跟踪算法,加入多帧信息,根据视图的像差监督响应图变化率,有效地提高跟踪器的识别能力。采用裁剪矩阵引入真实负样本,并加入多个历史帧信息提高滤波器的鲁棒性。采用欧几里德范数定义响应图的像差,通过监督像差的变化防止跟踪漂移,得到目标的准确位置。根据相似度进行目标模型更新。在UAV123和VisDrone2019数据集上与其他算法对比实验。结果显示该算法在相机运动、尺度变化等场景具有良好的跟踪鲁棒性和精度。     

多空间分辨率自适应特征融合的相关滤波目标跟踪算法

相关滤波算法因无法充分利用深度特征和浅层特征的互补特性而限制跟踪性能.针对该问题,文中提出多空间分辨率自适应特征融合的相关滤波目标跟踪算法.首先,使用更深的ResNet-50网络提取深度特征,提高特征表示在跟踪过程中的鲁棒性和鉴别性.再针对不同特征具有不同空间分辨率的特点,从视频帧中分割不同尺度的图像块作为搜索区域,更好地平衡边界效应和样本数目.最后,引入自适应特征融合方法,以自适应的权重融合两类特征的响应图,充分利用其互补特性.在多个标准数据集上的实验证实文中算法的有效性和鲁棒性.     

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。     

基于条件随机场的深度相关滤波目标跟踪算法

目标跟踪是计算机视觉领域众多应用中的重要组成部分之一.在实际环境中目标经常会因为形变、快速运动、背景杂波和遮挡而引起明显的表观变化,使得该问题具有一定的挑战性,因此如何对跟踪问题进行建模变得至关重要.基于深度卷积神经网络（convolutional neural network,简称CNN）的判别式相关滤波（discriminative correlation filter,简称DCF）跟踪方法自提出以来,就以兼顾准确率和速度的优势,吸引了大量研究者的关注,该方法通过相关滤波器获取目标候选区域的响应图,作为衡量目标位置的标准,理想响应图的最大值应该对应目标所在的位置.在此基础上,考虑到响应图中数值的连续性,对应的连续条件随机场（conditional random field,简称CRF）模型中极大似然对数存在闭式解,因此对响应值的求解可以定义为一个连续CRF的学习问题.基于以上研究,提出了一种基于条件随机场的鲁棒性深度相关滤波目标跟踪算法,将DCF与CRF结合,设计了一个端到端的深度卷积神经网络,嵌入了CRF中的一元状态函数与二元转移函数,用来获取图片的响应.通过结合一元状态函数中的初始响应和二元转移函数中的相似度矩阵,优化后的算法可以得到一个更平滑、更精确的响应图,从而提高跟踪的鲁棒性.最后,在OTB-2013和OTB-2015这两个数据集上进行了大量的测试,并且与近年来9种在国际上具有代表性的相关算法进行对比分析,结果显示,在OTB-2013中,所提出的算法比基准方法的跟踪成功率高3%,跟踪精度高6.1%;在OTB-2015中,所提出的算法比基准方法的跟踪成功率高3.5%,跟踪精度高4.8%.     

基于多区域联合粒子滤波的人体运动跟踪

针对视频人体运动跟踪中的遮挡问题, 提出了一种基于多区域联合粒子滤波器的跟踪方法. 算法把人体划分为多个关键区域, 通过基于多区域无向图的联合运动模型, 构造联合粒子滤波器, 并运用区域关联的观测评估策略对目标状态进行联合预测, 从而完成遮挡情况下目标的跟踪. 实验结果表明, 与基于单区域粒子滤波的跟踪方法相比, 本文提出的算法在具有较长时间部分和全部遮挡的跟踪问题上, 取得了较好的实验结果.     

尺度补偿的相关核滤波器跟踪

相关核滤波器跟踪是工程实际中非常实用的跟踪算法,它的算法简单,只需要在下一帧进行一个样本的密集采样就能对目标进行跟踪,但是对于有尺度变化的目标跟踪的适用性不足。采用了尺度补偿的相关核滤波器跟踪算法,对相关核滤波器跟踪进行了改进。首先使用了点跟踪补偿机制对相关核滤波器尺度和位移进行补偿;其次采用了压缩感知提取的特征建立模板对目标进行建模,在关键帧进行目标的重检测来防止尺度估计带来的跟踪误差。通过实验对提出的算法进行了标准视频库的测试,并在中心点误差和实际跟踪覆盖率两个指标上与原算法进行了对比分析。实验结果表明,提出的具有尺度补偿的跟踪算法提高了相关核滤波器跟踪在有尺度属性变化视频序列中的准确率和实用性。     

分块检测尺度自适应的圆形目标相关跟踪

为解决传统基于核相关滤波器（KCF）的目标跟踪方法中跟踪框尺度无法自适应及目标被遮挡导致的跟踪失败问题,以空中加油视觉导航中圆形锥套目标的跟踪为例,提出了一种分块检测尺度自适应的圆形目标相关跟踪方法。利用目标外部边缘特征点的提取与轮廓拟合方法解决了圆形目标跟踪所存在的目标尺度变换问题,通过分块检测将跟踪过程中目标遮挡情况与跟踪失败情况区分开来,消除了遮挡情况下跟踪积累误差,实现了部分遮挡情况下目标的跟踪。实验结果表明,提出的圆形目标尺度自适应相关跟踪方法具有较高实时性、可靠性与准确性,实现了空中加油对接过程中对于锥套的稳定、可靠跟踪。     

一种基于视频的多目标追踪与分割算法

基于视觉的多目标跟踪由于在智能监控、动作与行为分析、自动驾驶、虚拟现实和娱乐互动等领域都有重要的应用,近年来越来越多地成为计算机视觉领域的研究重点.并且在电力设施中对人员的活动需要实时追踪,有助于安全防护.对此,针对视频中的多目标检测与分割问题,在原有Mask-RCNN算法的基础上做了改进,引入光流分析法和视频关键帧提...     

基于跟踪异常与相关性检验的目标丢失判断

针对互补性实时跟踪算法（Staple）在目标丢失后不能察觉,提出了基于跟踪异常与相关性检验的目标丢失判断方法。在平均峰值相关能量的基础上通过对颜色直方图模型响应进行评估,提出了一种改进的跟踪置信度评估方法。根据跟踪置信度对跟踪状态进行评估,并在高置信度情况下使用目标区域构建目标相关性检验模板。当相关滤波模型响应置信度由低变高后,使用目标相关性检验模板与当前目标区域进行相关性检验得到相似度,根据相似度值大小判断目标是否丢失。在OTB-100标准数据集中选取22段视频进行验证,实验结果表明,所提出的方法在Staple算法跟踪过程中能够及时地检测出遮挡、出视野和光照变化等干扰因素导致的跟踪异常。能够正确地判断目标丢失,成功率达100%,为跟踪异常后是否进行目标重检测和实际工程应用中目标丢失判断提供可靠的依据。     

基于多信息融合的多目标跟踪方法研究

在线多目标跟踪作为计算机视觉和人工智能方面的一个研究热点,随着深度学习的发展取得了较大的进展。但是依然存在诸如复杂场景跟踪准确度低等亟待解决的问题。针对多目标跟踪研究中存在的行人特征信息较少、跟踪目标被遮挡等问题,提出了一种融合表观信息、轨迹历史信息和目标运动信息的多目标跟踪方法,通过专门设计的双分支网络结构和损失函数使模型在学习时将三种信息相互融合;改进相似性分数计算方法获得更多的特征信息,提取更为鲁棒的特征。多信息融合的多目标跟踪方法在计算方面开销较少,能够在测试时达到实时的效果。并且,通过相关实验验证,基于多信息融合的多目标跟踪方法能够在MOT16数据集上达到很好的性能,可以更好的处理目标遮挡、目标误检及目标丢失等情况。