鲁棒的自适应尺度和方向的目标跟踪方法

针对在视频序列图像目标跟踪中,跟踪目标尺寸和跟踪目标相对背景运动的方位角都在实时变化,常规目标跟踪算法会引起尺度和方向定位偏差,导致跟踪漂移,甚至跟踪失败问题,提出鲁棒的目标尺度和方向自适应的跟踪方法。在Kalman滤波框架下,通过将运动目标的最小外接矩形信息转化为Kalman滤波参数,对目标运动进行建模。采用基于最小外接矩形的两步块匹配搜索方式实现对目标的中心定位,然后采用增量式搜索匹配方法根据最优尺度和角度的判别条件修正目标尺度和方向角度。通过动态评估不同目标模型在不同跟踪场景中的置信度,对目标模型进行动态更新。使用公用视频图像序列测试,实验结果验证了该方法的有效性。     

自适应尺度目标跟踪算法

针对复杂情况下变尺度目标跟踪问题,提出一种基于粒子滤波的自适应尺度目标跟踪算法.根据参考目标的颜色分布,将参考目标分为多个区域,每个区域的颜色分布用高斯模型表示,区域的位置关系构成了对参考目标的空间约束;根据目标分割区域的颜色分布和空间约束关系构造目标外观模型,结合粒子滤波搜索目标位置并检测目标的尺度变化.目标外观模型同时包含了空间及颜色信息,提高了跟踪算法在复杂情况下检测目标尺度变化的可靠性和准确性.实验结果表明,该算法在目标具有明显尺度变化、姿态改变和部分遮挡的情况下,可以获得准确和鲁棒的跟踪结果.     

自适应尺度突变目标跟踪

目的 尺度突变是目标跟踪中一项极具挑战性的任务,短时间内目标的尺度发生突变会导致跟踪要素丢失,使得跟踪误差积累导致跟踪漂移,为了更好地解决这一问题,提出了一种先检测后跟踪的自适应尺度突变的跟踪算法（kernelized correlation filter_you only look once,KCF_YOLO）。方法 在跟踪的训练阶段使用相关滤波跟踪器实现快速跟踪,在检测阶段使用YOLO（you only look once）V3神经网络,并设计了自适应的模板更新策略,采用将检测到的物体的相似度与目标模板的颜色特征和图像指纹特征融合后的相似度进行对比的方法,判断目标是否发生遮挡,据此决定是否在当前帧更新目标模板。结果 为证明本文方法的有效性在OTB（object tracking benchmark）2015数据集中具有尺度突变代表性的11个视频序列上进行试验,试验视频序列目标尺度变化为0.19.2倍,结果表明本文方法平均跟踪精度为0.955,平均跟踪速度为36帧/s,与经典尺度自适应跟踪算法比较,精度平均提高31.74%。结论 本文使用相关滤波和神经网络在目标跟踪过程中先检测后跟踪的思想,提高了算法对目标跟踪过程中尺度突变情况的适应能力,实验结果验证了加入检测策略对后续目标尺度发生突变导致跟踪漂移的情况起到了很好的纠正作用,以及自适应模板更新策略的有效性。     

尺度方向自适应视觉目标跟踪方法综述

视觉目标跟踪过程中出现的目标尺度和方向变化问题一直是目标跟踪中的难点,如何有效处理目标尺度方向变化是保证目标跟踪算法鲁棒性的一项重要因素。介绍了视频目标跟踪发展状况,并对现有的目标尺度和方向跟踪算法进行了分类：增量式搜索、Meanshift迭代、角点匹配、区域二阶矩、粒子滤波、相关滤波器和深度学习跟踪算法。阐述了各种算法的基本思想及其尺度和方向处理方法,重点分析了利用深度学习技术处理目标尺度和方向变化的策略,分析了各种算法的优缺点,并指出了它们的适用场合。对目标尺度和方向跟踪未来发展趋势进行了展望,提出了主要挑战和难题,对相关人员的研究工作起到参考和借鉴作用。     

基于特征自适应选择的鲁棒跟踪算法

为了解决真实场景下视频目标的跟踪问题,提出一种基于特征自适应选择的鲁棒跟踪算法。首先,针对在线AdaBoost算法特征池特征鲁棒性差的问题,提出一种基于颜色与金字塔梯度方向直方图特征相结合的特征池构造方式;然后,针对分类器在更新过程中容易受到错误样本影响的问题,对每帧跟踪结果增加遮挡检测环节以避免漂移现象的发生。大量的对比实验表明,在真实场景下所提出的方法具有更好的效果。     

基于相关滤波的颜色及尺度自适应运动目标跟踪算法

针对相关滤波目标跟踪算法难以适应目标形变、遮挡等复杂场景变化的问题,提出一种颜色及尺度自适应的目标跟踪算法,将颜色空间和尺度自适应运用到跟踪框架中,对视频序列的颜色空间进行分析,然后选取最优跟踪算法通过尺度自适应的方式对目标进行跟踪。选取公开测试集中13段挑战性视频序列与多个前沿运动目标跟踪算法进行对比实验,结果表明:相对于次优的尺度空间跟踪(DSST)算法,平均跟踪精度提高8. 48%,平均重叠精度提高14. 46%,平均中心位置误差减少13. 31像素。在目标发生尺度变化和遮挡等情况下,该算法仍然能够高效地准确跟踪。     

分离窗口快速尺度自适应目标跟踪算法

针对核相关滤波器（KCF）跟踪算法在面对尺度变化时产生的目标漂移问题，提出一种分离窗口快速尺度自适应目标跟踪算法——FSACF。首先，通过直接对原始帧图像进行特征提取得到基于显著性颜色特征的全局梯度组合特征图，以减小后续的尺度计算对性能的影响；其次，对全局特征图采用分离窗口法，自适应地选取尺度大小并计算对应的最大响应值；最后，采用定义的置信度函数自适应地更新迭代模板函数，提高模型的鲁棒性。通过带有不同干扰属性的视频集上进行实验，发现FSACF算法与KCF算法相比，在精度上提升7.4个百分点，成功率提高12.8个百分点；与未采用全局特征和分离窗口的算法对比，处理速度上提升1.5倍。实验结果表明，FSACF算法在尺度变化发生时能有效避免目标漂移的产生，同时具有一定的效率，并在精度与成功率上均优于对比算法。     

核相关滤波跟踪算法的尺度自适应改进

针对基于检测的核相关滤波跟踪（CSK）算法难以适应目标尺度变化的问题,提出多尺度核相关滤波分类器以实现尺度自适应目标跟踪。首先,采用多尺度图像构建样本集,训练多尺度核相关滤波分类器,通过分类器对目标的尺度估计实现目标的最佳尺度检测;然后,在最佳尺度下采集样本在线学习更新分类器,实现尺度自适应的目标跟踪。对比实验与分析表明,本文算法在目标跟踪过程中能够正确适应目标的尺度变化,相比CSK算法,偏心距误差减少至其1/5~1/3,能满足复杂场景长时间跟踪的需求。     

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。     

基于Co-Training的协同目标跟踪

运动目标跟踪是计算机视觉的核心问题之一,广泛应用于诸多领域。该文提出一种基于Co—Training半监督学习框架的目标跟踪方法。该方法融合2种互相独立的特征信息来描述目标模型,采用Co—Training来协同更新模型,有效避免了现有方法的误差累积问胚。实验结果证明,该方法在复杂场景下仍能实现稳定有效的跟踪。     

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.     

结合尺度估计MST和粒子滤波的视频目标跟踪

在视频序列的实时目标跟踪中,针对经典均值漂移跟踪（MST）方法不能应对遮挡、尺度变化等问题,提出一种结合MST、自学习尺度探测器和粒子滤波的跟踪方法。采用MST算法在视频帧中跟踪目标,当目标收敛到局部最小值时重新初始化目标。提出一种基于在线学习的探测器,用来自适应更新MST的目标模型,使其能够自动调整目标尺度。另外,当出现完全遮挡时,启动粒子滤波器,通过概率计算来估计目标位置,使MST能够在目标离开遮挡时恢复跟踪。在通用数据集PETS视频序列上的实验结果表明,相比其他几种较新的MST方法,提出的方法具有更高的跟踪准确性,可以应用于实时检测和目标跟踪等应用中。     

视频目标跟踪中的提升分类算法

针对目标跟踪过程中各类图像特征分离背景和目标能力的动态变化,提出一种基于协同训练框架的在线提升分类特征选择算法.该算法采用两组特征描述目标与背景区域各像素,并分别训练一在线提升分类器对特征组进行选择,然后综合分类结果,得到最优似然图像,基于该似然图像,采用粒子滤波对目标进行琅踪并通过图像处理方法获得最佳前景分割图.该方法的主要优点是仅需对首帧图像进行训练,并在跟踪过程中通过协同训练在线更新提升分类器.同时,实验表明该算法运算速度快,并能适应环境光照变化、遮挡等恶劣条件.     

基于背景感知与快速尺寸判别的相关滤波跟踪算法

背景感知相关滤波(Background-aware correlation filters, BACF)算法有效地解决了相关滤波类跟踪算法中的边界效应问题,提升了训练样本集的质量和数量,能够精确估计目标的位置变化,从而提高了跟踪器的性能。然而为了检测尺度变化,BACF算法通过多次重复计算不同尺度的目标区域,严重影响了跟踪速度。本文在BACF算法的基础上,采用平移加尺度滤波的思想,设计独立的一维尺度滤波器,与BACF算法无缝结合。只需预测一次目标的位置变化,再利用尺度滤波器预测目标尺度变化。因为两个滤波器单独训练、局部优化,尺度滤波器计算量远小于BACF算法,所以本文算法在保证精准预测目标尺度变化的同时极大提升目标的跟踪速度。实验结果表明：与BACF算法相比,本文算法在不损失跟踪精度的基础上提高约75%的跟踪速度。     

结合PN约束在线半监督boosting目标跟踪算法

针对在现有的基于在线半监督boosting的目标跟踪算法中,当目标发生遮挡或快速移动导致分类器更新过程中有错误引入时,其自训练机制会造成分类器错误累积进而产生跟踪漂移甚至导致跟踪失败的问题,提出了一种基于结合正负样本约束的在线半监督boosting的目标跟踪算法（简称PN-SemiT）。该算法在原有的在线半监督boosting跟踪算法的基础上,通过增加正负样本约束条件来实时纠正分类器的错误,并且将目标的先验模型和在线分类器相结合,通过不断迭代更新分类器来预测未标记样本的类别标记和权重。实验结果表明,与传统的在线半监督boosting目标跟踪算法和其他跟踪算法相比,PN-SemiT具有更优异的跟踪性能,能够在复杂的跟踪环境下有效缓解目标跟踪漂移问题。     

一种鲁棒的多特征融合目标跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种新的多特征融合目标跟踪算法,该算法将目标的颜色、纹理、边缘、运动特征统一使用直方图模型进行描述,以降低算法受目标形变和部分遮挡的影响,在Auxiliary粒子滤波框架内将所有特征观测进行概率融合,以突出状态后验分布中目标真实状态对应的峰值,从而有效避免了复杂背景的干扰,并给出了一种有效的融合系数计算方法,使融合结果更加准确可靠。实验结果表明,该算法能同时处理刚性与非刚性目标的跟踪,较单一特征的跟踪算法具有明显的优势,对复杂背景下的跟踪具有较高的鲁棒性。与现有多特征融合算法的比较也证明了本文算法的有效性。     

基于外观模型学习的视频目标跟踪方法综述

视频跟踪是机器视觉领域中的热点研究问题,在过去的几十年内得到了广泛研究.为了获得鲁棒的跟踪效果,设计能够适应跟踪目标外观变化的外观模型成为算法研究中的一种重要内容.近年来,将机器学习理论引入外观模型设计中的思想大大推动了视频跟踪研究的发展.为了使读者能够快速了解其发展的趋势并且掌握基于外观模型学习跟踪算法研究的技术,在介绍外观模型学习跟踪算法原理和机制的基础上,重点综述了外观模型学习跟踪方法的研究进展,包括目标特征描述和3类主要目标外观建模方式及其各自研究过程中跟踪方法的对比与分析,进而总结了外观模型学习跟踪算法在理论及应用方面的研究现状,最后提出进一步研究的主要发展内容和趋势.