特征点辅助的时空上下文目标跟踪与定位

针对动态目标跟踪中快速运动和目标遮挡而跟踪失败问题,提出了一种特征点辅助的时空上下文跟踪算法。首先提取目标特征点,通过特征点匹配和光流跟踪方法进行目标追踪,获得目标预估位置;其次,建立特征点变化率和时空上下文模型更新率关系模型,实时调控更新率,防止引入错误信息;最后,在预估位置区域内,构建局部上下文外观模型,计算与时空上下文模型的相关性获取置信图,进一步精确定位目标。算法在一组测试视频集中进行验证,相比目前4种主流算法(平均跟踪成功率最高为60%,平均跟踪误差最小为26.14 pixel),本算法综合性能达到最优,平均跟踪成功率为90%,平均跟踪误差为7.47 pixel,平均跟踪速率25.31 f/s。在双目视觉移动机器人平台上对随机运动目标进行跟踪实验,在背景干扰、遮挡、目标旋转和快速运动等组合情况下,跟踪成功率97.4%,跟踪距离平均相对误差为4.05%。     

自适应模板更新和目标重定位的相关滤波器跟踪

针对核相关滤波器在跟踪中因目标快速运动导致的目标易丢失和部分遮挡问题,本文在多特征尺度自适应核相关滤波器(Scale Adaptive with Multiple Features tracker,SAMF)基础上,提出一种融合自适应模板更新和预测目标位置重定位的核相关跟踪算法。采用联合目标移动速度和特征变化的模板更新机制增大对目标快速运动适应性,根据长时滤波器和短时滤波器协作跟踪提出目标位置修正和重定位模型提升跟踪器应对目标部分遮挡的能力。在OTB-2015视频序列集100组序列中与序列集提供的算法进行对比,本算法跟踪精度相比SAMF提升2%。在目标发生快速移动时本文算法具有更好的追踪目标能力,目标重定位也很好地解决了目标部分遮挡问题。     

利用视觉显著性和扰动模型的上下文感知跟踪

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显著性构建目标稀疏显著性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。     

室内移动机器人自主导航系统设计与方法

针对移动机器人室内自主导航中环境检测、动态目标定位跟踪和路径规划,设计了"双目+单目"多信息融合的视觉系统。提出一种自适应环境、融合色彩饱和度信息的单尺度Retinex室内阴影消除算法,以有效提取障碍物信息及可行路面区域。研究了一种特征点辅助的时空上下文目标跟踪算法,运用目标特征点进行目标粗定位;引入特征点变化率信息,自动调节时空上下文模型更新,以有效提高复杂环境下动态目标定位的准确性。改进了传统速度向量场吸引速度、排斥速度和切向速度函数,解决了路径规划中机器人轨迹抖动、目标点附近震荡和目标处于障碍物排斥场不可到达等问题。移动机器人室内环境下自主导航实验实现了障碍物、机器人和目标特征提取及其实时定位,移动机器人以最短的避碰路径完成动态目标的有效跟踪。     

基于fDSST的长时间目标鲁棒跟踪算法

在跟踪目标过程中，当目标遭遇强遮挡、移出视野、快速运动等时，快速判别尺度空间跟踪(fDSST)算法会丢失目标且无法再找回。为了解决这一问题，提出了一种基于fDSST的长时间目标鲁棒跟踪算法。在经典fDSST算法基础上增加了基于关键点匹配的检测模块和输出自适应决策模块，在判定目标丢失或不可见后可重新匹配目标并重新初始化跟踪器；跟踪时可自适应地选择置信度更高的结果作为最终输出结果；在以Raspberry Pi 4B为主控单元的嵌入式平台上进行算法移植，在OTB-100数据集和嵌入式平台上进行跟踪测试。结果表明：该算法相比其他主流算法具有更高的鲁棒性和准确性，改进算法宜在有嵌入式平台移植需求的应用场景下部署。     

采用PSR和客观相似性的高置信度跟踪

针对相关滤波类跟踪算法难以解决的过度形变和目标被遮挡问题,提出了一种融合改进均方峰值旁瓣和客观相似性度量的高置信度跟踪算法-HCF。基于核相关滤波跟踪算法,结合传统相关运算的峰值旁瓣比与感知哈希算法客观度量所跟目标,对遮挡和形变等复杂情况进行高置信度判断,进而自适应的选择模型更新率,克服模型漂移问题;另外,利用尺度池算法解决跟踪中的尺度估计问题,进一步提高了算法的稳健性。通过OTB-2015数据集测试表明:提出的HCF算法能精准判别出由于遮挡形变等情况导致的无效跟踪,相比于当前主流的鲁棒性跟踪算法,具有更优秀的性能和表现。本文的创新工作为跟踪领域中的目标准确度判别问题提供了新的思路。     

特征融合和模型自适应更新相结合的相关滤波目标跟踪

提出了一种基于自适应特征融合和自适应模型更新的相关滤波跟踪算法(CFT)。该算法在跟踪的训练阶段利用损失函数计算特征的自适应权重,在检测阶段对不同特征的响应图进行加权求和,从而实现了响应图层面的自适应特征融合。设计了自适应的模型更新策略,采用响应图的峰值旁瓣比判断是否发生遮挡或错误跟踪,据此决定是否在当前帧更新目标模型。在11个视频序列上对所提算法进行了实验,验证了所采用的自适应特征融合策略和自适应模型更新策略的有效性。与多个传统的采用单特征的相关滤波跟踪算法进行了比较,结果显示,所提算法的跟踪精度和成功率典型值分别提升了18.2%和11.5%。实验结果验证了特征融合和自适应模型更新对跟踪算法的改进具有指导意义。     

高分遥感视频改进型时空上下文目标跟踪

针对时空上下文(STC)目标跟踪算法在高分辨率视频卫星影像中目标经过复杂背景时跟踪准确度过低的问题,提出适用于视频卫星影像数据的改进型时空上下文目标跟踪算法。算法结合感知哈希算法对STC目标跟踪算法中置信图模型加以改进以提升跟踪算法的目标定位精度,使用帧间学习率自适应更新方法以提升跟踪算法准确度。另外,对系列视频卫星影像进行了仿真实验,结果表明,所提算法在保证实时跟踪速度的同时克服了视频卫星影像中复杂背景对目标跟踪算法的干扰,实现了针对高分辨率视频卫星影像的精准目标跟踪。     

采用改进辅助粒子滤波的红外多目标跟踪

结合改进的辅助粒子滤波与马尔科夫随机场,提出一种多目标跟踪算法来跟踪红外场景中的多个目标.依据目标区域的灰度直方图描述目标,使用标准辅助粒子滤波对各目标的采样粒子集进行粗略优化,同时在辅助粒子采样过程中引入Mean-shift算法来提高粒子采样效率,解决多目标跟踪时粒子数量呈指数级增长的问题,并进一步提高算法的实时性.针对多目标跟踪常出现的目标遮挡导致跟踪失败的问题,引入图模型理论,利用马尔科夫随机场来表示多目标跟踪模型,将多目标的跟踪问题转换为图模型的推理问题.实验结果表明,该跟踪算法使用较少粒子便能实现跟踪,跟踪正确率达84％,且能有效解决多目标跟踪时的相互遮挡问题.     

基于双模型的相关滤波跟踪

为解决因边界效应导致相关滤波跟踪算法不够稳健及其不能适应尺度变化的问题,提出了一种基于双模型的相关滤波跟踪算法。将目标跟踪分为位置预测和尺度预测两部分,在位置滤波器模型进行位置预测阶段,先通过对待测样本进行样本增强处理,使得到的样本更符合实际场景。再通过交替方向乘子法进行位置滤波器的迭代求解,最后得到估计的目标位置。在尺度滤波器模型进行尺度预测阶段,通过在估计的目标位置处构建多尺度金字塔来训练尺度滤波器,再求解得到目标的尺度,将双模型得到的结果作为最终的跟踪结果。最后通过引入一个遮挡判据来判断是否更新模型以提高算法的鲁棒性。实验表明,改进算法和经典的相关滤波跟踪算法相比,在跟踪成功率上提高了18%,在跟踪精度上提高了11%。在目标被遮挡、自身尺度变化时,改进算法仍能稳定跟踪。     

遮挡环境下采用在线Boosting的目标跟踪

针对被跟踪目标在发生严重遮挡时采用基于自学习方法的在线Boosting算法易导致错误累积而产生“漂移”甚至目标丢失的问题,提出了一种基于子区域分类器的在线Boosting算法.首先,将特征池划分为多个子区域分类器对应的子区域特征池;然后,在跟踪过程中自适应地选取子区域分类器来组成强分类器以剔除被遮挡子区域对目标定位的影响;最后,采用对子区域特征池进行部分更新的方法有效解决了特征在线更新时的错误累积问题.对不同视频序列测试的结果表明,当目标大面积被遮挡时本算法能准确定位目标,目标大小为36 pixel×40 pixel时的处理帧率为15 frame/s.与传统在线Boosting算法相比,本算法对发生严重遮挡的目标仍能进行准确跟踪.     

基于场景辅助特征的T-S目标跟踪

针对遮挡同时目标附近出现相似目标干扰所导致的错跟问题,本文提出利用场景中辅助特征提升目标跟踪抗遮挡以及抗相似目标干扰性能。首先检测场景强特征及目标附近相似干扰,定义二者为场景辅助特征;其次,建立能够较好描述场景强特征及目标运动规律的动态模型以及相似干扰约束;最后,将场景辅助特征及目标的动态模型以粒子滤波的形式表达,提出T-S跟踪算法。采用SPEVI及OTB100数据库中若干典型测试视频,与近年来6种先进跟踪算法进行对比实验,并采用两种评价体系考量。实验结果表明,本文T-S算法对SPEVI多人脸、红外车辆的跟踪误差分别为24 pixel和8 pixel;对OTB100数据库中8种视频跟踪测试时,在重叠率阈值为0.5时的跟踪成功率为0.51,优于其它对比算法。本文T-S跟踪算法能够较好应对遮挡及相似目标干扰。     

Applying mean shift, motion information and Kalman filtering approaches to object tracking

Contemporary research is developing techniques to tracking objects in videos using color features, and the mean shift (MS) algorithm is one of the best. This known algorithm is employed to find the location of an object, in image sequence, by using a coefficient called the Bhattacharyya coefficient. This coefficient is calculated through an object tracking algorithm to present the similarity in appearance between an object and its candidate model, where the best representation of an object is acquired, once this is could be maximized. However, the MS algorithm performance is confounded by color clutter in background, various illuminations, occlusion types and other related limitations. Because of such effects, the algorithm necessarily decreases the value of the Bhattacharyya coefficient, indicating reduced certainty in the object tracking. In the present research, an improved convex kernel function is proposed to overcome the partial occlusion. Afterwards, in order to improve the MS algorithm against the low saturation and also sudden light, changes are made from motion information of the desired sequence. By using both the color feature and the motion information simultaneously, the capability of the MS algorithm is correspondingly increased, in the present approach. Moreover, by assuming a constant speed for the object, a robust estimator, i.e., the Kalman filter, is realized to solve the full occlusion problem. At the end, experimental results on various videos verify that the proposed method has an optimum performance in real-time object tracking, while the result of the original MS algorithm may be unsatisfied.     

Centroid weighted Kalman filter for visual object tracking

In the visual object tracking, the Kalman filter presents commonly the state model and observation model uncertainty in the actual performance of Gaussian noise, so it makes the estimation of certain parameters produce errors in the model, and results in decreasing estimation precision. In order to enhance the stability of the Kalman filter, an algorithm based on centroid weighted Kalman filter (CWKF) for object tracking is proposed in this paper. The algorithm firstly uses background subtraction method to detect moving target region, and then uses the Kalman filter to predict target position, combining centroid weighted method to optimize the predictive state value, finally updates observation data according to the corrected state value. Tracking experiments show that the algorithm can detect effectively moving objects and at the same time it can quickly and accurately track moving objects with good robustness.     

单对立色流运动下的抠图跟踪

当目标与周围背景相似性较高,且目标运动形式复杂时,很难精确跟踪目标。针对传统目标跟踪方法因目标外观的不精确建模致使模型退化而产生漂移的问题,提出了一种单对立色流特征下的抠图跟踪方法。首先,根据彩色视频帧包含的丰富颜色信息,将单对立色颜色编码方式与Lo G兴趣点检测器结合,获取颜色兴趣点作为目标表示集合;其次,在目标运动预测阶段,通过估计相邻帧兴趣点的流匹配关系,获得预测帧的前景目标兴趣点估计;最后,利用获得的前景兴趣点估计进行抠图,重新划分当前帧的前背景标记,并对模型进行更新。该算法在Segtrack视频跟踪数据集上进行验证,定性定量分析了跟踪目标快速运动,目标形变和光照干扰下的跟踪效果。实验结果表明该算法可有效提高形变目标跟踪的准确性,优于当前目标跟踪的先进算法。     

L1-L2范数联合约束的鲁棒目标跟踪

针对稀疏原型跟踪方法中未考虑正交模板系数的密集性的问题,本文提出一种L1-L2范数联合约束的鲁棒目标跟踪。首先,该方法建立基于L1-L2范数联合约束的目标表示模型,对PCA基模板系数和琐碎模板系数分别进行L2范数和L1范数正则化约束,不仅提高了跟踪的准确性,而且保证了对目标遮挡的鲁棒性;其次,针对目标表示模型的优化问题,运用岭回归和软阈值收缩方法快速迭代求解PCA基模板系数和琐碎模板系数;最后以粒子滤波为框架,利用目标未被遮挡部分的重构误差和稀疏噪声项建立观测模型,并结合提出的L1-L2范数联合约束的算法实现目标跟踪。实验结果表明,与5个现有的跟踪算法相比,本文的跟踪算法具有更好的准确性和鲁棒性。     

海上无人机对运动船舶的长期检测跟踪算法

针对无人机在海上对船舶进行长时跟踪时,由于船身被遮挡及船舶离开视野导致目标跟踪失败的问题,提出了基于 YOLOv5 和 ECO_HC 相结合的海上目标长时检测跟踪算法。 首先,利用感知哈希与峰值比例综合评估跟踪过程的可靠性,目标 丢失时利用 YOLOv5 检测器重新定位目标位置,并初始化跟踪器模型,消除累计错误信息。 其次针对目标在跟踪过程中存在的 旋转变化,利用傅里叶-梅林变换进行旋转参数估计,减少了目标旋转造成的跟踪器性能下降问题。 本文算法在 OTB-100 数据 集上的平均精确度和成功率为 83. 9% 和 76. 7% ;在无人机平台上进行实际海上场景船舶跟踪实验,在完全遮挡及离开视野两种 情况下精确度和成功率分别为为 80. 9% ,60. 4% 和 90. 2% ,48. 3% ,实验表明本文算法可以有效抑制常见海面干扰因素的影响。     

尺度方向自适应Mean Shift跟踪方法

经典核窗口宽度固定的mean shift跟踪算法不能很好地对尺寸逐渐增大的目标进行有效地跟踪。一些改进的mean shift算法虽然在一定程度上解决目标缩放这个问题,但是对于目标旋转仍然无能为力。在分析尺度空间理论和mean shift 跟踪算法的基础上,提出了一种尺度方向自适应mean shift跟踪算法。实验表明,对于初始帧,本文算法可以较为准确地获得目标最佳描述椭圆;对于后续帧图像,本文的新跟踪算法可以较好地适应目标旋转缩放等复杂运动。     

Attitude measurement based on imaging ray tracking model and orthographic projection with iteration algorithm

In the field of vision-based attitude estimation, camera model and attitude solving algorithm are the key technologies, which determine the measurement accuracy, effectiveness and applicability. Aiming at this issue, in this paper we probe into the generic imaging model and then develop a corresponding generic camera calibration method using two auxiliary calibration planes. The camera model is named as imaging ray tracking model. Based on the imaging ray tracking camera model and with the knowledge of the calibration parameters, an advanced attitude solving algorithm, imaging ray tracking model and attitude from orthographic projection with iterations algorithm, is deeply investigated, which is inspired by the classical POSIT algorithm. The initial attitude value is provided by the orthographic projection of the object on the two calibration planes and then refined by iteration to approximate the true object attitude. Experimental platform is setup to conduct the imaging ray tracking camera calibration procedure and further evaluate our attitude estimation algorithm. We show the effectiveness and superiority of our proposed attitude estimation algorithm by thorough testing on real-data and by comparison with the POSIT algorithm.