通道加权和自适应模型更新的实时目标跟踪

针对单一特征不能有效建模目标及特征通道直接叠加影响跟踪质量的问题,基于判别式尺度空间跟踪（DSST）提出了自适应模型更新与响应加权的实时相关滤波跟踪算法。首先,融合多维特征,并对每一响应通道自适应加权;其次,在尺度估计中融入多项式拟合策略;最后,根据响应图峰值波动情况进行样本可靠性判定,并提出模型更新策略。在OTB50和OTB100上进行实验,所提算法相较基准跟踪器,成功率分别提升6.4%和6.7%。与最近的跟踪器相比,其展现了优秀的性能,每一模块都对结果产生了有效的提升,且速度高达85 fps,是基准跟踪器DSST的三倍,超过大部分实时性跟踪算法。     

基于时空上下文信息增强的目标跟踪算法

充分利用视频中的时空上下文信息能明显提高目标跟踪性能,但目前大多数基于深度学习的目标跟踪算法仅利用当前帧的特征信息来定位目标,没有利用同一目标在视频前后帧的时空上下文特征信息,导致跟踪目标易受到邻近相似目标的干扰,从而在跟踪定位时会引入一个潜在的累计误差。为了保留时空上下文信息,在SiamMask算法的基础上引入一个短期记忆存储池来存储历史帧特征;同时,提出了外观显著性增强模块（ASBM）,一方面增强跟踪目标的显著性特征,另一方面抑制周围相似目标对目标的干扰。基于此,提出一种基于时空上下文信息增强的目标跟踪算法。在VOT2016、VOT2018、DAVIS-2016和DAVIS-2017等四个数据集上进行实验与分析,结果表明所提出的算法相较于SiamMask算法在VOT2016上的准确率和平均重叠率（EAO）分别提升了4个百分点和2个百分点;在VOT2018上的准确率、鲁棒性和EAO分别提升了3.7个百分点、2.8个百分点和1个百分点;在DAVIS-2016上的区域相似度、轮廓精度指标中的下降率均分别降低了0.2个百分点;在DAVIS-2017上的区域相似度、轮廓精度指标中的下降率分别降低了1.3和0.9个百分点。     

压缩感知跟踪中的特征选择与目标模型更新

目的 为了增强压缩感知跟踪算法在复杂场景下的性能,本文提出了一种特征选择与目标模型更新的改进跟踪方法。方法 提出的方法包含两方面的改进,一是根据特征的正负类条件概率分布的距离选择能有效区分目标与背景的特征;二是根据当前目标与原始目标的差异自适应更新目标外观模型,使得目标遇到较大遮挡或者姿态频繁改变时目标外观模型不会被错误更新。结果 实验表明,对于十个复杂环境下的经典视频序列,本文提出的基于压缩感知的改进跟踪算法在中心误差、成功率和精确度三个指标上均优于最近三个代表性的跟踪算法。结论 提出的新的特征选择和目标模型更新方法,既增强了压缩感知跟踪算法的鲁棒性,又加快了跟踪速度。     

Mean-Shift跟踪算法中目标模型的自适应更新

针对Mean—shift跟踪算法中的模型更新问题,提出利用目标历史模型和当前匹配位置处得到的观测模型,对目标核函数直方图进行Kalman滤波,从而对目标模型进行及时更新。在滤波过程中,通过分析滤波残差动态,调整滤波方程中的各种参数。Bhattacharyya系数被用作模型更新的准则。该系统能够有效地处理遮挡、光照变化等干扰,避免了模型的过更新。大量视频序列测试的结果表明,在场景遮挡、光照变化等因素的影响下,算法能够对目标外观以及尺度的变化进行稳健、实时和有效的跟踪。     

特征融合自适应目标跟踪

经典视觉单目标跟踪方法通常以单特征描述被跟踪的目标。但在实际场景中,目 标因受外界因素如光照或自身变化如形变的影响而发生变化。为了更好地描述目标,首先引入 HOG 特征和 CN 特征,利用传统的特征提取方法,训练得到各自的相关滤波器;然后与各自特 征相关滤波得到各自的响应图;最后采用实际响应与期望响应的差值法求得各自响应图的权重, 将其与各响应图自适应融合得到目标的最终位置,并自适应更新各自的模型。实验选取公共数 据集 OTB2013 的 34 个彩色视频帧序列对不同算法进行定性和定量地分析和论证。相比效果最 好的 DSST 算法,平均中心误差减少了 7.8 像素,成功率提高了 1.2%,精度提高了 2.3%。实验 结果表明该算法具有较好的跟踪鲁棒性和准确性。     

监控场景下的目标自适应跟踪

目标跟踪是监控系统的关键技术之一.Mean-Shift作为高效的模式匹配算法,已经成功地应用在对实时性要求较高的目标跟踪系统中,但是传统的Mean-Shift跟踪算法未能有效地解决跟踪窗自适应和目标特征更新问题,无法实现对目标的长时间跟踪.论文提出了卡尔曼滤波、局部目标检测和Mean-Shift有机结合的目标自适应跟踪方法,能有效的解决跟踪窗自适应和跟踪目标的特征更新问题,并有较强的抗遮挡的能力,提高跟踪的稳健性.并通过跟踪实验对比验证了算法的有效性.     

一种自适应的机动目标融合跟踪算法

该文主要研究了分布式传感网络中的机动目标跟踪问题。为了在降低传感器节点的通信负债的同时,提高系统的跟踪精度,该文提出了一种新的自适应多传感器机动目标跟踪算法。该算法与交互式多模型算法相结合,将远端传感器获得的局部状态估计与本地传感器的累计量测信息进行融合,并通过信息去相关算法消除了传感器间的相关性。从而实现了对机动目标的状态估计与量测信息的融合。提出的算法能够充分利用本地传感器量测的有效信息,以提高目标跟踪精度。仿真实验验证了该算法的有效性。     

自适应模板更新的人体目标跟踪算法

针对人体目标所具有非刚性、非对称性、多态性的特点,提出了自适应模板更新的人体目标跟踪算法.基于Kalman滤波器,根据人体形态变化自适应调整目标像素的权值,从而获得更柔性、更合理的模板.将该方法与mean shift跟踪算法相结合应用于人体目标跟踪,通过实验证明具有很好的鲁棒性和稳定性.     

自适应模板更新的鲁棒目标跟踪算法*

针对受复杂背景、光照以及目标尺度变化等因素的影响,目标模板更新精度不高,导致跟踪算法鲁棒性差的问题,提出了一种基于深度特征和模板更新的自适应粒子滤波目标跟踪方法。首先对跟踪目标进行仿射变换;然后构造一个12层的卷积神经网络来提取跟踪目标及其仿射变换的深度特征得到目标模板和候选模板,并以此构建候选模板库;其次采用粒子滤波算法跟踪目标,将预测结果与候选模板库中的模板进行匹配,确定新的目标模板并自适应更新候选模板库。实验结果表明,该算法在遮挡、光照、尺度变化、目标旋转和复杂背景的恶劣条件下仍能稳定地跟踪目标,与其他7种先进算法在18组测试视频中进行比较,具有更高的目标跟踪精度和更强的鲁棒性。     

基于自适应变结构信息滤波的目标跟踪算法

目前目标跟踪算法采用的交互多模型,大多是通过固定模型之间的切换来完成目标跟踪,这容易出现模型集与目标真实运动不匹配问题,降低目标跟踪的精度。同时,现在大部分观测平台都能提供多传感器量测,这要求跟踪算法能对不同量测信息进行高效数据融合。针对上述问题,提出一种基于自适应变结构多模型和信息滤波的跟踪算法,它由少量模型构成模型集,通过在线更新模型集参数以自适应目标真实运动,采用无迹卡尔曼信息滤波融合多传感器量测信息,实现对目标的跟踪。仿真结果表明,该算法可以有效融合多传感器量测信息,自适应匹配目标真实运动,实现对目标稳定的高精度跟踪。     

利用空间结构信息的相关滤波目标跟踪算法

为解决在典型相关滤波框架模型中样本信息判别性低引起的跟踪漂移问题，提出一种利用空间结构信息的相关滤波目标跟踪算法。首先，引入空间上下文结构约束进行模型构建的优化，同时利用正则化最小二乘与矩阵分解思想实现闭式求解；然后，采用互补特征用于目标表观描述，并利用尺度因子池处理目标尺度变化情况；最后，借助目标运动连续性进行目标受遮挡影响情况的判定，设计相应的模型更新策略。实验结果表明，在多种典型测试场景中所提算法的准确率较传统算法提高了17.63%，成功率提高了24.93%，可以取得较为鲁棒的跟踪效果。     

基于自适应模板的图像跟踪算法

本文对传统的模板匹配跟踪方法进行了改进。在跟踪过程中采用了变模板匹配方法。弥补了固定模板跟踪的不足，提高了跟踪的稳定性。最后。本文给出了使用变模板匹配方法跟踪的试验结果。     

目标跟踪综述

随着深度学习与人工智能技术的不断发展,视频目标跟踪已经成为了计算机视觉的重要研究内容,在公安布控、人机交互、交通管制、军事等各个领域起到越来越重要的作用。尽管现在国内外学者提出了多种目标跟踪算法,也搭建了较为完善的目标跟踪系统,但是算法的鲁棒性依然是一个比较大的挑战。本文对运动目标跟踪系统结构进行了简要介绍,并从特征提取及融合、外观模型、目标搜索等方面详细阐述了目前主流运动目标跟踪算法。然后对目标跟踪算法在深度学习大环境下的新发展进行了分析,从基于深度学习的目标跟踪及目标检测算法角度分析了深度学习在提高目标检测算法鲁棒性方面的有效性,最后概述了深度学习在视频目标检测算法中的具体应用并对其未来发展进行了展望。     

基于模板匹配及区域信息融合提取的快速目标跟踪算法

提出了一种基于融合的快速目标跟踪算法。该方法将目标预测模型、目标模板匹配以及目标空间信息融合到统一框架内。该方法通过预测模型,预测下一帧中目标候选区域,从而降低模板匹配方法的搜索区域。然后在预测模型预测的搜索范围内进行目标的模板匹配,同时,提取目标的区域信息来辅助目标的模板跟踪方法。最终跟踪结果由目标模板跟踪以及目标的空间信息共同决定。本方法由于采用了目标的预测模型,从而能够减少目标的搜索范围,降低因目标的全图搜索造成的时间开销。并且由于减少了搜索区域,剔除了部分相似的匹配窗口,从而提高了跟踪时匹配的精度。本算法结合了目标模板跟踪和目标区域信息的优点,能够增强目标跟踪过程准确度。由于加入了目标的区域信息,对目标跟踪中出现的漂移现象更加鲁棒。实验结果表明,本方法在进行目标跟踪过程中对出现的漂移、遮挡等问题更加鲁棒、稳定。     

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。     

尺度自适应的多特征融合相关滤波目标跟踪算法

目标跟踪一直以来都是计算机视觉领域中的关键问题,核相关滤波算法(KCF)可避免在时域中进行目标跟踪,通过傅里叶变换将时域的计算转换到频域中进行,可大量简化计算,不但提高了跟踪速度,而且在跟踪精度上也有很大的提升.针对复杂条件下的目标跟踪问题,在确保算法实时性的前提下,在KCF的基础上对其特征、尺度以及模型更新机制进行3...     

基于多线索自适应融合的抗遮挡目标跟踪算法

针对在复杂背景下,特别当目标与背景颜色相似、目标被遮挡时容易导致跟踪失败的问题,采用颜色与纹理两种互补特征融合的粒子滤波算法,同时提出一种融合策略自适应的抗遮挡跟踪方法,当遮挡发生时,适时切换融合策略,并在粒子滤波框架内嵌入mean-shift算法,克服了粒子退化现象。实验结果表明,该算法具有较强的抗遮挡能力,能够跟踪复杂背景下的目标。     

结合背景信息的自适应加权压缩跟踪算法

目的 为了提高目标跟踪的准确度,提出结合背景信息的自适应加权压缩跟踪算法。方法 针对目标边缘背景信息的干扰问题,提出对目标框架分块提取特征,根据区域分配权值,弱化特征提取过程中背景信息的干扰;利用正负样本特征概率分布的Bhattacharyya距离,自适应地选取区分度较大的特征进行分类器训练,提高分类器的鲁棒性;针对目标遮挡导致分类器分类不准确问题,提出设置目标遮挡检测机制,结合目标和局部背景信息对目标实现遮挡环境下的跟踪。结果 与目前较流行的5种算法在6个具有挑战性的序列中进行比较,本文提出的算法平均跟踪率达到90%,平均每帧耗时0.088 6 s。结论 本文算法在背景干扰,光线变换,目标旋转、形变、遮挡和复杂背景环境下的跟踪具有较高鲁棒性。