基于多模态背景模型和霍夫森林的红外目标跟踪

针对红外目标跟踪过程中目标和背景耦合性强和目标形变带来的表观特征变化的问题,提出了基于多模态背景模型和霍夫森林的红外目标跟踪算法,将目标和背景的特征信息整体融入跟踪框架,并引入霍夫森林对目标部件表征信息进行训练更新;通过特征描述和模式列表建立多模态背景模型,在观测序列中记录匹配的背景模式列表,根据匹配结果进行权重和模态参数更新;以背景建模获得的区域信息为采样基础,将前景区域和背景区域分别作为正负样本集代入决策树进行训练;根据叶节点存储的图像块信息对目标位置进行投票决策,从图像特征空间映射到霍夫参数空间,生成目标区域概率分布图,获取高置信度区作为目标跟踪区。在红外公开测试集上实验结果表明,在背景杂波和目标形变对跟踪造成干扰的情况下,所提算法仍能保持跟踪的稳定性。     

基于椭圆区域协方差描述子和卡尔曼粒子滤波的鲁棒视觉跟踪方法

针对传统的或概率性的协方差跟踪中采用的矩形区域协方差描述子不能精确反映目标的非刚性形变的问题,提出椭圆区域协方差描述子,将各种不同类型的特征融入统一的模型中,实现了基于多特征的目标跟踪,并将其与卡尔曼粒子滤波相结合,提出一种鲁棒的视觉目标跟踪方法.实验结果表明,该方法对光线变化、噪声干扰、部分和完全遮挡、目标的尺度和角度的变化以及目标的快速运动都具有较好的鲁棒性.     

基于卡尔曼滤波的多区域关联运动目标跟踪

针对视频目标跟踪中的遮挡及跟踪漂移问题,提出一种基于卡尔曼滤波的多区域关联运动目标跟踪算法。该算法将目标划分为多个区域并构建无向图,通过卡尔曼滤波预测出各区域中心,再结合灰度直方图匹配及相邻区域的位置关系,计算出各区域观测中心,最后应用卡尔曼滤波修正观测中心实现跟踪。对两区域人体目标跟踪的实验结果表明,与各区域单独采用Mean Shift跟踪算法相比,所提算法在目标遮挡、目标与背景特征相似的情况下,依然具有较好的鲁棒性和实时性。     

显著子区域在线选择的目标鲁棒跟踪

针对复杂环境下的视觉目标鲁棒跟踪问题,模拟人视觉选择注意显著区域的智能特性,提出一种在线选择目标显著子区域的跟踪方法。根据中心-周围差异和相对背景的差异提取具有区分性的子区域,通过跟踪误差分析子区域时序一致性,选择稳定的显著子区域,利用子区域局部与目标整体的空间关系估计目标位置。实验结果表明,通过动态选择显著的目标子区域,能够提高对部分遮挡和背景相似干扰影响的适应性。     

基于均值变换的Particle Filter实时跟踪算法

提出一种基于均值变换(Mean Shift)的Particle Filter图像跟踪算法.算法将目标的状态空间分解为位移子空间和形变子空间.使用均值变换算法跟踪位移子空间变化,获得目标的位置信息.在此基础上使用Particle Filter跟踪形变子空间变化和补偿均值变换的跟踪误差,由于均值变换算法跟踪的信息使Particle Filter跟踪的位移子空间大大缩小,减少Particle Filter所需要的样本数,使Particle Filter的实时性能提高,而Particle Filter获得的形状信息补偿了均值变换算法对于形状跟踪的误差.该算法比标准的Particle Filter算法具有更高的效率,并拥有均值变换算法所不具备的形状跟踪能力.实验结果证明算法的有效性和快速性.     

基于多子块联合估计的相关滤波跟踪

针对遮挡情况下相关滤波算法跟踪精度下降的问题,提出了一种基于多子块联合估计的核相关滤波跟踪方法。首先依据初始帧跟踪框的几何特征对目标自适应分块,并采用KCF方法对各子块独立跟踪得到联合置信图;然后以上帧目标的位置及尺度作为先验信息对搜索区域采样,同时将样本框中置信图的权值密度作为观测值,利用粒子滤波算法实现候选目标的最优估计;最后对置信度较低的子块反向投影至上帧图像进行遮挡检测,防止模板错误更新。定性和定量实验结果表明,该方法与原始KCF算法相比跟踪精度提升约10%,具有良好的抗遮挡性,并对目标尺度变化具有一定的估计能力。     

基于卡尔曼滤波与感知哈希技术的模板匹配跟踪算法

为解决传统模板匹配跟踪算法计算复杂度高且在目标形变、光照变化、遮挡等情况下容易发生跟踪漂移的问题,本文提出一种融合卡尔曼滤波、图像感知哈希与模板匹配的跟踪算法。本算法采用感知哈希技术提取目标的哈希值作为模板进行匹配,采用卡尔曼滤波预测下一帧中候选目标的搜索区域,然后,结合模板的哈希序值和目标位置变化信息设计新的匹配准则进行模板匹配,最后根据匹配结果,采用自适应模板更新策略和跟踪策略对目标进行跟踪。试验结果表明,本算法在目标形变、光照变化以及遮挡情况下具有一定的鲁棒性,且能满足实时跟踪的要求。     

尺度感知的分块协同式相关滤波跟踪算法

基于分块的相关滤波跟踪算法在处理目标尺度变化和遮挡问题时,对局部子块跟踪状态的评估及局部子块与尺度变化的关系刻画不够准确.针对此问题,文中提出尺度感知的分块协同式相关滤波跟踪算法.首先提出结合时序平滑约束的局部子块遮挡判别方法,改进现有算法的评分策略.设计子块协同运动策略,使被遮挡或形变的子块跟随未被遮挡的子块趋向正确的位置.同时发现跟踪过程中子块聚散变化的分布位置与目标尺度之间的比例关系,实现对目标尺度变化的感知和大小估计.实验表明,文中算法性能较优.     

基于DWT和Kalman滤波的多运动目标跟踪

为解决复杂道路交通场景中的误检问题,提高跟踪效率,提出了一种基于离散小波变换(DWT)和卡尔曼(Kalman)滤波的多运动目标跟踪算法。本文利用DWT对背景和序列图像进行三层分解,仅将低频子图进行背景差分提取了运动目标。在跟踪阶段,建立区域-目标模型,以检测信息作为观测值并利用Kalman滤波进行位置预测;通过匹配预测值和观测值,建立包含稳定目标、丢失目标和新出现目标的三层目标链,并对稳定目标进行Kalman最优估计。采用在线计算获取各运动目标的初始位置和速度,使预测值一开始就接近观测值。通过对实际视频序列进行检测跟踪实验和对比,分析了算法性能。实验结果表明,本文方法具有较高的抗噪声能力、跟踪实时性和准确性。     

基于粒子Mean Shift迁移的红外人体目标跟踪算法

提出了一种基于粒子Mean Shift迁移过程的红外人体跟踪方法.算法通过采样粒子迁移和聚类动态建立目标的状态模型和量测模型.在被跟踪区域随机布撒粒子,以各粒子对应像素的亮度作为特征值进行Mean Shift收敛性分析,使用收敛后的粒子集表达目标的当前状态;以状态粒子的坐标位置为特征值对其进行Mean Shift聚类,作为对目标的量测.连续跟踪时,下一帧的采样粒子基于上一帧的量测结果产生.与传统的基于序贯重要性采样的粒子滤波方法相比,算法不需要目标的相似性测度计算,仅用少数粒子即可实现对目标的可靠跟踪.     

机载雷达跟踪方法研究与仿真

研究机载雷达跟踪运动物体的准确性问题.针对当物体运动的速度较快时,在机载雷达跟踪过程中需要完成光机扫描、图像合成、图像处理、信息传输等一系列综合处理过程,产生时间滞后,一旦被跟踪的物体运动速度较大,两者速度不匹配,就会造成跟踪高速运动目标识别不准确的问题.为了解决上述问题,提出基于滞后时间补偿的机载雷达跟踪方法.通过建立被跟踪的目标的运动模型,估计出跟踪物体下一刻运动位置,提前消除时间滞后,克服传统方法的缺点.实验结果表明,运用改进方法可以很好的消除时间上的滞后延迟,完成机载雷达对高速运动物体的跟踪,大幅提高跟踪的准确性.     

目标跟踪研究综述

在监控系统中获取感兴趣的目标是目前极具挑战性的研究热点之一,在视频监控、人机交互和军事领域都具有巨大的应用前景。目标追踪问题主要的技术难点是实时、准确和稳定地将感兴趣的目标表现出来,但是由于目标运动方式、运动场景和目标外在特征的突然改变以及光照变化和拍摄时的抖动等问题都会导致监测追踪系统准确率和稳定性的下降。本文对国内外目标追踪问题的热点和难点进行了详细的分析论述,将目标跟踪归结为目标识别和追踪两个部分来详细讨论,同时考虑到场景对目标追踪的直接影响,将场景理解作为目标追踪的重要技术难点进行了探讨,指出了视觉跟踪模型的具体问题。     

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.     

一种快速的自适应目标跟踪方法

由于光照变化、视角差异、相机抖动和部分遮挡等因素的影响,鲁棒的目标跟踪仍然是计算机视觉领域极具挑战性的研究课题.受协同训练和粒子滤波算法的启发,提出一种快速的自适应目标跟踪方法.该方法采用HOG(histogram of oriented gradients)和LBP(local binary pattern)描述目标特征并建立分类器,通过协同训练实现分类器的在线更新,有效解决了误差累积问题.为缩小目标搜索的状态空间,利用ICONDENSATION的运动模型和重要采样提高粒子采样的准确性和效率,并引入校正因子抑制虚假目标的干扰,从而提升了跟踪算法的鲁棒性和分类器更新的准确性.在两组标准测试集和两组自建测试集上的对比实验结果验证了所提出跟踪算法的有效性.与基于全局搜索的跟踪方法相比,该算法在不降低跟踪性能的前提下将处理速度提高25倍以上.     

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。     

一种基于标记修正和样本更新的目标跟踪算法

针对半监督自训练框架下进行目标跟踪的误差累积问题,提出一种结合标记修正与区域置信度样本更新的自适应跟踪算法。该算法将视频序列中的目标跟踪视为两类模式即目标与背景的分类问题,在半监督自训练框架下,选择SVM分类器分类目标与背景,结合K近邻和最小距离分类进行标记修正,并基于区域置信度提取新的样本更新分类器。实验结果显示,该方法有效改善了由于误差累积导致的漂移问题和目标遮挡后的跟踪失败。     

目标跟踪中巴氏系数误差的分析及其消除方法

在meanshift的目标跟踪方法中,Taylor公式的近似展开会造成优化过程中Bhattacharyya系数值的误差,这种误差会给目标跟踪带来偏差,同时不适合快速运动目标的跟踪.针对Bhattacharyya系数的Taylor公式近似表示情形,研究了这种近似表示引起的系数误差和对目标跟踪的影响,在此基础上,将Bhattacharyya系数的优化问题转化为求解约束优化问题,从而提出一种改进的目标跟踪方法,以达到提高目标跟踪的精度,而且证明了该改进方法的收敛性.实验表明文中方法对于快速运动目标的跟踪具有更好的跟踪精度.     

马尔可夫随机场理论在目标跟踪中的应用

在目标跟踪问题中,被跟踪目标的尺度变化、旋转变化和遮挡都会造成跟踪精确度的降低或目标的丢失。针对这些问题,提出了一种基于马尔可夫随机场的目标跟踪方法,将运动目标跟踪问题看作是前景和背景的二值分类问题,建立前景背景分割的马尔可夫随机场模型,从而实现对前景背景的分类,以完成对运动目标的跟踪。试验证明,这种方法可以有效地克服前景目标的尺度变化和旋转变化以及遮挡给目标跟踪带来的困难。     

Object tracking based on particle filter with discriminative features

This paper presents a particle filter-based visual tracking method with online feature selection mechanism. In color-based particle filter algorithm the weights of particles do not always represent the importance correctly, this may cause that the object tracking based on particle filter converge to a local region of the object. In our proposed visual tracking method, the Bhattacharyya distance and the local discrimination between the object and background are used to define the weights of the particles, which can solve the existing local convergence problem. Experiments demonstrates that the proposed method can work well not only in single object tracking processes but also in multiple similar objects tracking processes.     

密集特征加权跟踪算法

目的 当前大多数基于Mean-shift的跟踪算法都忽视了目标中密集的特征信息,本文有效利用密集特征信息,来提高跟踪的准确性.方法 在目标模型中,常存在一些颜色特征相对聚集,形成一定大小的特征密集区,这些区域的面积或大或小,对人眼视觉跟踪异常重要.这些区域形成的空间结构信息,可以被利用到目标跟踪.提出一种高效的目标模型,通过计算密集特征区域面积,以及密集区质心到目标中心的距离,构建加权系数,通过该系数,来增加目标中分布相对集中的特征的权值,同时削弱离散特征的权值.同时使用零阶矩和目标模型与候选模型之间的相似度系数,估算目标的面积;再使用预测目标面积补偿法,对目标中因使用背景加权法而权重被削弱的特征区域,进行面积补偿;最后使用估算的目标区域面积以及二阶中心距,估算目标尺度和方向的改变.在跟踪过程中,背景如发生较大变化,则对目标模型进行更新.结果 本文算法具有很好的尺度适应性,跟踪平均准确率在94.6%以上,得到较当前一些先进方法更好的准确度和效率.结论 提出的算法能增加目标模型中不同特征权值间的差异,使得构建的目标模型具有较强区分目标和背景的能力,提高了定位目标的准确性;面积补偿法解决了目标因特征权重被削弱,而导致估算的目标面积小于实际面积的问题.