基于BRISK和CamShift的鲁棒目标跟踪研究

在CamShift目标跟踪的框架下,提出了基于BRISK特征匹配和CamShift的目标跟踪方法,该方法通过颜色特征和局部特征共同定位目标,从而实现目标准确跟踪。在保证跟踪实时性的前提下,该方法改善了CamShift算法在目标跟踪过程中对背景、尺度、旋转和遮挡变化的敏感性和目标跟踪的特征单一性。实验对比结果表明,该改进方法较单独基于特征匹配的目标跟踪方法,其快速性有很大提高,较CamShift跟踪方法在目标尺度变化、旋转变化、光照变化、背景变化和遮挡变化条件下的鲁棒性更强,同时增强了两种算法的跟踪准确性。     

基于HOG及在线多实例学习的目标跟踪算法

传统的基于色彩直方图或空间色彩直方图的跟踪算法在跟踪目标出现尺度变化的复杂条件下,因无法显著区分颜色相近的目标和背景,不能得到准确跟踪结果.提出基于HOG及在线多实例学习的目标跟踪算法.此算法采用HOG特征值提取方式,结合在线多实例学习技术,对目标远离场景、平移、旋转、遮挡等情况进行跟踪.实验结果表明,该算法能够对各种复杂情况下的动态目标进行有效跟踪,具有良好的鲁棒性和准确性.     

一种抗遮挡的全自动Mean-shift跟踪算法

传统均值漂移（Mean-shift）算法是一种半自动的跟踪方法,在目标被遮挡的情况下无法进行有效的跟踪。结合背景减除法提出了一种新的抗遮挡跟踪方法。利用背景减除法在初始帧确定目标的运动区域,得到Mean-shift的初始化参数;在跟踪过程中提出了一种目标遮挡因子作为目标被遮挡程度的判断依据,并根据目标被遮挡的程度提出相应的解决策略。实验结果表明该方法克服了传统Mean-shift算法需要人为定位的缺点,且在全遮挡的情况下仍可以正确地跟踪目标。     

一种改进的长时间压缩感知跟踪算法

压缩感知跟踪(CT)算法具有简单、高效、实时的优点,但是却存在着跟踪窗口尺寸不能自适应变化,无法有效处理遮挡以及跟踪失败后的目标再发现等问题.为了解决上述问题,提出了一种改进的长时间压缩感知跟踪算法.所提出的算法采用多尺度的目标外观再匹配方法,使得跟踪窗口大小能够适应目标尺寸变化.此外,通过分析滑动窗口内跟踪窗口图像的整体特征变化来判定目标是否发生遮挡.为了解决跟踪器漂移问题,采用Haar特征在线生成检测器,实现目标的再发现.实验结果表明提出的算法相比原CT算法具有更好的鲁棒性和准确性.     

一种基于拓扑约束的多核跟踪算法

针对视觉跟踪中常见的目标部分遮挡和尺度变化问题,提出了一种基于拓扑约束的多核跟踪算法.首先,提取满足空间分布的位于目标与背景所在边界的Harris角点作为多核跟踪器的中心,然后,采用拓扑约束对多个跟踪结果进行优化,选取跟踪性能好的核跟踪器,构造仿射变换模型,进而得到最终跟踪结果和目标尺度变化信息.实验结果表明,本文算法能对目标进行准确跟踪,并能有效地处理目标的部分遮挡和尺度变化问题.     

一种红外和可见光双通道视频目标跟踪方法

室外场景下由于场景背景条件变化容易导致视频目标跟踪稳定性差。该文提出一种利用红外和可见光传感器的双通道视频目标跟踪方法。该算法利用可见光图像的目标颜色特征和红外图像的目标轮廓特征,结合均值漂移算法与水平集曲线演化实现目标定位,并给出了目标尺度和模板更新方法;对多目标跟踪的互相遮挡问题,通过判断目标合并与分离实现遮挡时多个目标的定位。实验结果表明,该文方法能够有效处理光照变化、阴影、遮挡等情况,实现目标的稳定跟踪。     

一种复杂背景下红外目标稳定跟踪算法

针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题,提出了一种基于跟踪-学习-检测(Tracking-Learning-Detection,TLD)框架的红外目标稳定跟踪方法。该方法在压缩跟踪算法(Compressive Tracking,CT)的基础上替换广义的类Harr特征为HOG特征,引入互补随机测量矩阵,优化纹理和灰度特征信息的权重,同时引入卡尔曼滤波器记录空间上下文位置信息,以解决CT算法和TLD算法在目标被遮挡时的跟踪失效和全局检索问题。基于TLD算法框架和改进CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题,提升了算法的跟踪准确性和长期跟踪稳定性。实验结果表明,本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性。     

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

一种尺度自适应的粒子滤波跟踪算法

针对复杂背景下目标发生旋转、遮挡、尺度变化和摄像机运动时不能实时跟踪到目标的问题,将最佳核窗宽方法和信息量度量方法相结合,用于粒子滤波框架中.各个粒子通过均值偏移来搜索峰值,同时加入了相应的遮挡策略.实验结果表明,该算法在目标发生旋转、遮挡后仍能很好地跟踪到目标.同时跟踪窗能随目标尺度的大小变化作相应调整,大大提高了算法的实时性和稳健性.     

采用时空上下文的抗遮挡实时目标跟踪

针对目标跟踪算法在光照变化、背景干扰、目标形变及遮挡时出现的跟踪稳定性下降甚至失败的问题，提出了一种采用时空上下文的抗遮挡实时目标跟踪算法。首先，在时空上下文模型框架下采用自适应降维的颜色特征构建目标外观模型，提高算法在复杂场景中对目标的辨别能力；然后，联合置信图响应的峰值和峰值旁瓣比对目标跟踪的状态进行评估；接着，利用目标模板之间相关系数的变化进一步判断目标是否被严重遮挡；最后，当目标跟踪出现波动时，降低目标模型更新速度，并通过Kalman滤波修正目标位置，当目标被严重遮挡时，则根据Kalman滤波预测目标位置，同时停止更新目标模型，在脱离遮挡后重新捕获目标并进行跟踪。选取了36组具有多种挑战因素的彩色视频序列测试算法的跟踪性能，并与其他表现优异的目标跟踪算法进行了对比分析。实验结果表明，所提算法具有较强的抗遮挡能力，并且在光照变化、背景干扰和目标形变等不利因素影响下仍具有较好的跟踪鲁棒性，同时能够满足目标跟踪的实时性要求。     

上下文感知相关滤波的红外目标跟踪改进算法

针对在目标跟踪过程中由于红外目标遮挡、快速运动而导致的跟踪失败问题,提出了一种基于上下文感知的相关滤波跟踪算法,在引入目标背景信息的同时改进其算法的更新策略。在训练阶段引入上下文信息,使得相关滤波器具有更好的鉴别性,以应对跟踪过程中出现的快速运动、运动模糊以及遮挡等情况。在模型更新阶段引入一种高置信度模型更新策略,解决了在模型更新过程中由于目标严重遮挡造成的目标丢失或模型污染问题,提升了算法的性能。实验结果表明,与其他相关滤波类算法相比,所提出的算法在精确度和成功率方面分别提升了6.4 %和5.1 %,同时能以较快的速度运行,满足实时性的要求。     

An efficient real-time target tracking algorithm using adaptive feature fusion

Visual-based target tracking is easily influenced by multiple factors, such as background clutter, targets’ fast-moving, illumination variation, object shape change, occlusion, etc. These factors influence the tracking accuracy of a target tracking task. To address this issue, an efficient real-time target tracking method based on a low-dimension adaptive feature fusion is proposed to allow us the simultaneous implementation of the high-accuracy and real-time target tracking. First, the adaptive fusion of a histogram of oriented gradient (HOG) feature and color feature is utilized to improve the tracking accuracy. Second, a convolution dimension reduction method applies to the fusion between the HOG feature and color feature to reduce the over-fitting caused by their high-dimension fusions. Third, an average correlation energy estimation method is used to extract the relative confidence adaptive coefficients to ensure tracking accuracy. We experimentally confirm the proposed method on an OTB100 data set. Compared with nine popular target tracking algorithms, the proposed algorithm gains the highest tracking accuracy and success tracking rate. Compared with the traditional Sum of Template and Pixel-wise LEarners (STAPLE) algorithm, the proposed algorithm can obtain a higher success rate and accuracy, improving by 2.3% and 1.9%, respectively. The experimental results also demonstrate that the proposed algorithm can reach the real-time target tracking with 50+fps. The proposed method paves a more promising way for real-time target tracking tasks under a complex environment, such as appearance deformation, illumination change, motion blur, background, similarity, scale change, and occlusion.     

模板自适应的Mean Shift红外目标跟踪

为了解决Mean Shift跟踪算法中目标模板只能从单一图像建立且很难更新问题,提出了一种结合改进的Mean Shift与增量式支持向量机的红外目标跟踪算法。首先,根据目标区域的灰度直方图对目标进行描述,然后采用标准Mean Shift搜索目标,结合子图图像矩特征进行二次搜索,再计算下一帧搜索的窗口大小,以解决目标尺寸明显变化时造成目标丢失的问题。同时,针对目标遮挡易导致跟踪失败的问题,引入机器学习理论,采用增量式支持向量机自适应更新模板,则目标跟踪问题转换为目标和背景的分类问题。实验结果表明:提出的改进算法在目标尺寸、姿态发生变化或出现部分遮挡时,能有效跟踪目标。     

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)...     

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。     

一种解决遮挡问题的跟踪方法

针对图像跟踪领域中因遮挡产生的漂移问题,提出一种基于直方图比的背景加权的Mean Shift算法和Kalman预测滤波器融合的方法。本文方法通过改进目标模型来优化Bhattacharyya系数值,增大目标正常跟踪状态下和遮挡状态下Bhattacharyya系数的差值,提高遮挡判定的有效性,进而提高遮挡时的跟踪性能。通过实验证明,基于直方图比的背景加权的Mean Shift算法和Kalman预测滤波器融合的方法可有效解决遮挡跟踪问题。     

基于相似度优化的混合式视觉跟踪方法

针对复杂环境下视频目标跟踪问题,提出一种基于相似度优化的混合式视觉跟踪方法。首先,采用局部余弦相似性度量目标和候选模板的相似性,有效抑制因遮挡、光照突变等情况引起的脉冲噪声,提升模板匹配精确度;其次,基于目标函数的二次规划方法推导了局部目标的判别权重,有效提升了算法对目标和背景的判别能力;最后,在系统更新过程中引入模板的判别式更新,有效改善了模型漂移问题。实验结果表明,本文方法较好地改善了复杂挑战性背景下的跟踪鲁棒性和精确度。     

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。