基于多层卷积特征的自适应决策融合目标跟踪算法

针对目标快速运动、遮挡等复杂视频场景中目标跟踪鲁棒性差和跟踪精度低的问题,该文提出一种基于多层卷积特征的自适应决策融合目标跟踪算法(ASFTT)。首先提取卷积神经网络(CNN)中帧图像的多层卷积特征,避免网络单层特征表征目标信息不全面的缺陷,增强算法的泛化能力;使用多层特征计算帧图像相关性响应,提高算法的跟踪精度;最后该文使用自适应决策融合算法将所有响应中目标位置决策动态融合以定位目标,融合算法综合考虑生成响应的各跟踪器的历史决策信息和当前决策信息,以保证算法的鲁棒性。采用标准数据集OTB2013对该文算法和6种当前主流跟踪算法进行了仿真对比,结果表明该文算法具有更加优秀的跟踪性能。     

多特征融合与尺度估计相结合的目标跟踪算法

针对传统目标跟踪算法判别力及稳健性不足的问题,本文在对跟踪输出响应图可信度进行充分研究的基础上,结合目标尺度估计方法,提出多特征融合和自适应尺度估计相结合的目标跟踪算法.该方法通过计算不同特征模型下的输出响应图可信度,实现对两种互补的特征进行自适应加权融合,有效地提升了表观模型的鉴别力及泛化性能.尺度估计模块通过构建多分辨率特征金字塔、训练尺度滤波器及尺度特征降维,避免了在尺度空间内的穷举式搜索.实验表明文中算法有效地提升了跟踪过程中的准确率和成功率,能够适应遮挡、形变等复杂场景下的目标跟踪,并且具有非常高的效率.     

基于深度降噪自编码器的多特征目标融合跟踪算法

针对在目标遮挡、光线变化、目标模糊等情况下的目标跟踪算法抗干扰能力较差的问题,提出了一种基于深度降噪自动编码器的多特征目标融合跟踪算法。该方法首先引入稳像和图像去雾算法以改善训练集数据和测试集数据的质量;再构建多特征深度降噪自动编码网络,基于深度神经网络的强大学习能力提取目标的颜色特征和均匀模式纹理特征;将两种特征加权融合输入到逻辑回归分类器,获得置信分数,更有效地区分目标和背景。最后,采用粒子滤波算法对目标进行跟踪。实验结果表明,该方法能够更准确地对存在目标遮挡、光线变化、目标模糊等干扰问题的视频进行跟踪。与传统方法相比,该方法成功率在上述三个方面平均分别提升33.73%、9.73%和12.80%;与近年流行算法相比,该方法成功率平均达到90.16%,实时性平均达到49.37 fps。     

基于深度学习的目标跟踪算法研究现状及发展趋势

近十年来,深度学习由于其优越的性能,已经逐渐应用于各个领域.在目标跟踪领域,基于深度学习的方法也取得了巨大的成功.文章主要介绍基于深度学习的目标跟踪算法研究现状及发展趋势.首先,介绍了视觉目标跟踪传统算法.然后,对基于深度学习的目标跟踪算法进行分类,并进行问题分析.最后,对基于深度学习的目标跟踪算法的发展趋势进行预测.     

多特征自适应融合的相关滤波目标跟踪算法

本文针对单一特征目标相关滤波算法因光照变化、目标遮挡、低分辨率和运动模糊等导致目标跟踪的稳定性较差的问题,提出了一种将多种特征进行自适应融合的跟踪算法.本文算法在FDSST算法的基础上,自适应融合梯度直方图特征HOG(Histogram of Oriented Gradient)、颜色名特征CN(Color Name)...     

融合深度特征和尺度自适应的目标跟踪算法

针对传统核相关滤波器(Kernel Correlation Filter,KCF)目标跟踪算法在复杂应用场景下准确度和成功率降低的问题,提出了一种融合深度特征和尺度自适应的抗遮挡目标跟踪算法.将传统核相关滤波算法中HOG特征替换为深度特征来建立视觉外观模型增强算法对目标特征的表达能力.通过融合DSST算法中的尺度滤波器...     

一种目标响应自适应的通道可靠性跟踪算法

为解决基于时空正则项的目标跟踪算法(STRCF)在目标短时遮挡时定位精度低和目标旋转时尺度估计不准确的问题,该文提出了一种目标响应自适应的通道可靠性跟踪算法。该算法在目标模型训练时加入了目标响应正则项,通过在求解过程中更新理想目标响应函数,使得目标被短时遮挡后可重新跟踪目标;加入通道可靠性评价各特征通道的可靠性,提高了模型对目标的表达能力;将目标图像转换至对数极坐标系下训练尺度滤波器,提高在目标旋转时的尺度估计精度。实验结果表明,该文所提算法较STRCF在平均中心位置误差中降低了28.54个像素,在平均重叠率中提高了22.8%,在OTB2015数据集下成功率曲线下面积较STRCF提高了1.5%。

     

基于多层字典的自重构目标跟踪算法

针对视觉跟踪系统中常用的模板处理方法很难 适应目标外观和视频背景不断变化的不足,提出一种基于多层字典的自重构 目标跟踪算法。通过构建多层字典,分别从时间和 空间上增强目标描述能力,既可以刻画目标局部细节,又蕴含了目标整体信息;在跟踪过程 中,模板可以利 用多层字典根据前景和背景的复杂性自适应地分裂与分并,分裂出多个跟踪器从不同角度进 行跟踪,有效地 提高定位精度,也可以合并子模板以达到降低系统的计算负荷。定性和定量分析的实验结果 表明,本文算法具 有良好的跟踪精度和运行效率,可以较好地应对变化与遮挡。     

基于深度学习物体检测的视觉跟踪方法

提出了一种基于深度学习物体检测的视觉跟踪方法。该方法利用深度学习在特征表达上的优势,采用基于回归的深度检测模型SSD （Single Shot Multibox Detector）提取候选目标,并结合颜色直方图特征和HOG （Histogram of Oriented Gradient）特征进行目标筛选,实现目标跟踪。为了提升深度检测模型的物体检测性能,文中构建了多尺度目标搜索图,可在一张图上实现不同尺度的目标检测。在标准跟踪测试库上选取八个具有代表性的跟踪视频序列,并选取六种具有代表性的跟踪方法进行了对比测试。结果表明,文中所提方法在跟踪效果上,整体优于参与对比的其他算法,且对于物体姿态变化、尺寸变化、旋转变化、光照变化、复杂背景杂波等影响因素具有较好的鲁棒性。     

基于特征融合的粒子滤波目标跟踪新方法

针对传统粒子滤波(PF)算法采用单一颜色特征建模 跟踪目标性能差的缺陷,提出一种颜色特征与纹理特 征相融合的PF目标跟踪新算法。首先,采用一种具有抗噪声和保护纹理边缘的全局中值二值 模式 (GMBP)纹理算子,对模板图像进行局部差绝对值处理,得到幅 值序列模板,将幅值序列模板内的中值作为模板的阈值,与模板邻域比较获得新的纹理图像 ;然后,与 具有光照不变特性的局部二值模式(LBP)纹理算子结合,形成一种(GMLBP)新的纹理描述算子 。最后,分别计算GMLBP纹理特征粒子权值和HSV颜色特征粒子权 值,并依据权值大小确定融合系数,对纹理特征粒子权值和颜色特征粒子权值进行线 性融合,再对融合后粒子权值进行归一化处理,从而得到目标位置状态的最终估计值。对比 实验结果表明, 相对于单一颜色特征的目标跟踪算法,所提算法捕捉目标位置准确且具有更低的平均跟踪误 差,其平均误差降低了近2倍。     

多层次语义规则和表情特征下的微博情感研究

基于当前机器学习方法在中文微博文本情感分析处理过程中的复杂性、低准确率等问题,文中提出在统计情感词的基础上,结合情感影响因子和语义规则,并加入表情特征这一重要元素,优化文本情感加权计算方法,提高情感判断的准确率。通过对爬取到的原创微博数据集进行实验分析,验证了新情感分析算法的可行性。     

基于Halcon的运动目标追踪研究

为达到对运动磁环快速准确的追踪,实现机械手实时分拣抓取,分析了运动目标检测算法,基于磁环运动建立卡尔曼滤波状态估计模型,对于连续采集图像序列利用卡尔曼滤波背景估计检测算法来确定感兴趣区域,经Halcon图像处理,实现对运动目标的实时监测追踪。仿真对比验证了卡尔曼滤波能避免背景、光照扰动问题,准确地估计背景提取前景,不会对运动物体出现漏检情况,系统可靠性高、适用性强,为运动物体实时追踪提供了理论依据。     

基于光流方程和目标匹配的视频图像目标跟踪方法

提出一种利用图像差分、局部光流法和目标匹配,实现视频对象目标提取和跟踪的方法.首先,对预处理后的图像进行差分;在差分的基础上,运用局部光流场对目标进行运动估计;对估计结果依据相似度进行聚类分析,消除小的非目标区域;当目标未发生剧烈变化时,更新目标模板,否则,利用已有目标模板进行匹配跟踪.实验结果验证了该算法的有效性,并实现了目标变形和部分遮挡时的稳定跟踪.     

基于孪生神经网络的两阶段目标跟踪方法

深度学习技术使目标跟踪的精度和鲁棒性得到了很大提高,基于孪生网络的跟踪方法通过在大规模数据集上进行训练,使模型能应对目标的各种形变,缺点是无法排除相似目标的干扰。为此,提出了一种基于孪生网络的两阶段目标跟踪方法。首先,采用修改后的残差网络提取性能更优的深度特征。区域建议网络通过相关滤波调制自适应更新模板,结合时域信息过滤掉易区分的负样本;然后,通过感兴趣池化层提取候选区域固定尺度的特征,并馈送到验证网络进行更精细的分类与回归。为了提升网络对高难度样本的区分能力,采用正负样本对联合训练的方式提高特征匹配的性能。在OTB100、VOT标准测试集和UAV123无人机航拍数据集上进行了评测,实验结果表明:所提方法能明显改进基准算法的性能。     

基于相关滤波的目标重检测跟踪

近年来，相关滤波方法由于具备运算速度快，鲁棒性强的优势，在目标跟踪领域发展迅速。然而，面对复杂场景时，现有模型难以满足实际需求。针对背景感知相关滤波方法(BACF)在目标发生自身旋转、尺度变换、运动出视野等挑战下，相关滤波器最大响应值减弱，造成跟踪精度下降的问题，提出了一种基于相关滤波的目标重检测跟踪方法。在原有背景感知相关滤波方法的基础上，引入滤波器响应检测机制，当判定到相关滤波跟踪结果不可信时，利用粒子滤波采样策略生成大量粒子，感知目标状态，重新确定目标中心位置。在此基础上，利用自适应尺度估计机制重新计算目标尺度信息，从而实现对目标的重新跟踪。为了验证改进算法的有效性，实验选取了OTB2013、OTB2015、VOT2016共3个公开数据集进行测试，同时与相关滤波及深度学习方法进行对比，从视频属性、跟踪精确度、算法鲁棒性等角度展示所有算法的性能。实验结果表明:基于相关滤波的目标重检测跟踪方法在3个公开数据集中取得较好的实验结果，并在目标发生旋转，尺度变换及运动超出视野的情况下，有效提高了BACF的准确率和成功率。     

基于运动补偿的Snake视频对象跟踪算法

当对象移动幅度大时，Snake视频对象跟踪算法中的曲线迭代过程易陷入局部最小，为此，提出一种运动补偿预处理的解决方法。此方法预先估计对象的运动信息，然后对Snake曲线的初始轮廓位置进行运动补偿，最后进行Snake跟踪。实验表明，这种方法不仅跟踪效果好，而且能有效地减少Snake曲线演化的迭代次数。     

基于改进LK光流的目标跟踪算法研究

为了可以在复杂环境下对运动目标进行有效的跟踪,因此对LK(Lucas-Kanade)算法进行了研究并改进。改进的算法采用LK图像配准算法检测目标的状态,可以满足算法对实时性的要求;采用前向后向光流法作为LK框架,使得算法具有自评估能力,不易陷入局部极小值;将压缩感知理论引入LK算法进行目标跟踪,通过对校准误差的L1范数进行最小化来计算目标的状态参数,使得算法可以应对目标外观的变化;引入卡尔曼滤波器作为运动模型,先对物体的位置进行预测,然后再进行分类和检测,能有效地应对由于模板更新而产生的漂移问题。通过大量的实验对算法进行验证,该算法与现有算法相比处理目标在跟踪过程中的外观变化以及环境中的遮挡、光照变化等问题时,仍有较好的性能。