基于SVR的机动目标跟踪

本文研究了支持向量回归（SVR）在机动目标跟踪中的应用，并与传统回归方法最小二乘法（LS）进行了比较。实验结果表明，利用支持向量回归可以以很高的精度对机动目标进行跟踪，并且有着很强的适应能力，是一种有潜力的跟踪方法。     

基于PN学习的雷达目标鲁棒跟踪算法

传统雷达目标跟踪算法在强杂波环境下跟踪时会产生大量虚警估计的情况,单独跟踪或检测算法都不能对干扰杂波进行有效滤除.针对这个问题,在传统概率假设密度滤波器(PHD)算法的基础上,提出一种联合检测-跟踪-学习的目标鲁棒跟踪算法,即PN-PHD,引入属性检测器,将检测跟踪结果一起送入PN学习器,通过PN学习迭代更新检测器,并修正PHD算法的跟踪估计,以此实现在强杂波环境目标鲁棒跟踪的要求.仿真实验结果表明:PN-PHD滤波算法与传统跟踪算法相比,在强杂波环境下有效地提高了目标跟踪准确性和跟踪精度,同时也弥补了PHD算法在提供目标航迹信息方面的不足.     

基于特定目标提议框的自适应跟踪算法

目前多数跟踪算法采用尺度遍历穷搜索策略应对目标的尺度变化,其跟踪性能和效率不佳。针对此问题,基于特定目标提议框提出一种自适应跟踪算法。对目标提议框生成算法进行改进,融入跟踪目标的尺度和位置信息,得到特定目标提议框并获取其特征。为确保跟踪的连续性,将自适应支持向量机作为跟踪模型,对特定目标提议框进行评分,得到目标位置。对均匀采样样本和特定目标提议框正负样本分类,进行模型更新。在OTB100数据库上进行对比实验,结果表明,与CNN-SVM、DeepSRDCF等算法相比,该算法能较好地适应目标的尺度变化和形变,有效提高跟踪效率。     

基于排序支持向量机的多特征融合目标跟踪算法

针对计算机视觉领域的目标跟踪问题,提出一种基于排序支持向量机的多特征融合目标跟踪算法。利用排序支持向量机学习得到排序函数,提取2种不同的图像特征分别构造分类器,使2个排序支持向量机并行预测,分别计算2个分类器的错误率,从而得到分类器权重完成融合。实验结果表明,与目前主流的跟踪算法相比,该算法的跟踪结果更准确,在复杂视频环境下也能对目标进行稳定跟踪,具有较强的鲁棒性。     

多支持向量机在线联合的运动目标跟踪算法

依据二元分类的思想,提出了一种新的基于多支持向量机在线联合的运动目标跟踪算法。首先选择线性支持向量机作为分类器最大限度地将目标和背景区分开来,对线性支持向量机进行简单高效的在线更新,采用支持向量自动记录运动目标 “关键帧”的信息。然后通过Adaboost算法为每个线性支持向量机分别赋以不同的权重,进行在线联合获得强分类器。实验结果表明,该算法具有较强的鲁棒性,尤其在目标变化过于激烈的情况下能够实现较为稳定的跟踪。     

基于加速鲁棒特征和多示例学习的目标跟踪算法

针对照明变化、形状变化、外观变化和遮挡对目标跟踪的影响,提出一种基于加速鲁棒特征（SURF）和多示例学习（MIL）的目标跟踪算法。首先,提取目标及其周围图像的SURF特征;然后,将SURF描述子引入到MIL中作为正负包中的示例;其次,将提取到的所有SURF特征采用聚类算法实现聚类,建立视觉词汇表;再次,通过计算视觉字在多示例包的重要程度,建立“词-文档”矩阵,并且求出包的潜在语义特征通过潜在语义分析（LSA）;最后,通过包的潜在语义特征训练支持向量机（SVM）,使得MIL问题可以依照有监督学习问题进行解决,进而判断是否为感兴趣目标,最终实现视觉跟踪的目的。通过实验,明确了所提算法对于目标的尺度缩放以及短时局部遮挡的情况都有一定的鲁棒性。     

一种改进的TLD跟踪算法研究

在TLD(Tracking-Learning-Detection)跟踪算法的研究上,提出了一种基于SVM(Support Vector Machine)的TLD目标跟踪算法.改进的TLD跟踪算法采用支持向量机(SVM)分类器进行图像目标正负样本的分类学习,有效提高了算法的鲁棒性以及实时性.另外对算法的Haar-Like...     

基于联合支持向量机的目标跟踪算法

为得到包含目标与背景的区分度以及目标自身特性的外观模型,给出一种联合支持向量机。结合一类支持向量机和二类支持向量机的特点,设计优化的目标函数,利用拉格朗日乘子法给出其对偶形式,实现求解步骤,并基于此提出目标跟踪算法,以加强目标外观模型表达的鲁棒性,提高对目标和背景的鉴别能力。在公开的测试视频集上的实验结果表明,该算法能够准确地跟踪目标,并且具有较好的稳定性。     

加权间隔结构化支持向量机目标跟踪算法

目的 目标在跟踪过程中,各种因素的干扰使得跟踪结果存在不确定性。因此,将跟踪过程中所提取样本的可靠性融入跟踪模型中,有助于克服低可靠性样本对跟踪算法的影响。为此,基于最近的结构化支持向量机（SSVM）跟踪算法,提出一种包含样本置信度的加权间隔结构化支持向量机跟踪模型（WMSSVM）,以增强SSVM跟踪算法性能。方法 首先,基于打分和位置重合率估计样本可靠性;其次,建立WMSSVM模型处理具有不同置信度的跟踪样本训练问题,并采用对偶坐标下降优化算法求解跟踪模型。结果 在包含100个视频的OTB100跟踪数据集上进行测试,提出的WMSSVM跟踪器与基准跟踪器Scale-DLSSVM相比,在精准度和成功率两个指标上分别提高了1%和2%。与最近的跟踪算法相比,提出的方法也表现出更好的性能。结论 本文首次将样本的可靠性融入结构化支持向量机跟踪模型,并提出一种基于加权间隔的结构化支持向量机跟踪模型及其优化求解方法,在包含100个视频序列的跟踪数据集上验证了提出方法的有效性,本文提出的算法能够适应复杂场景下的跟踪任务,并在背景混杂、目标形变、遮挡、运动模糊、目标出界、快速位移等类别的视频中表现出优异的性能。     

基于SVM和AdaBoost的红外目标跟踪

为了提高目标跟踪的鲁棒性,提出了一种新的用于红外目标跟踪的DABSVT算法。该算法首先把目标跟踪转化为目标和背景的两类分类问题,然后将根据每一帧的正负样本训练的支持向量机(SVM)作为分量分类器,并通过恰当的参数调整策略,利用AdaBoost算法把这些分量分类器组合成一个总体分类器;接着利用该总体分类器来区分下一帧中的目标和背景,并得到置信图;最后通过均值漂移算法找到置信图的峰值,得到目标的新位置。该新位置不仅与目标和背景的变化相适应,而且分量分类器可以随时加入或丢掉。实验结果显示,该方法是鲁棒的。     

基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。     

基于三边测量的分簇目标跟踪算法

针对目标跟踪应用中目标移动的随机性和偶然性,以及跟踪节点的能量有限、通信半径小等问题,为了提高跟踪精度,并尽可能地减少节点能量消耗、延长网络寿命,提出了一种基于三边测量的分簇目标跟踪算法。所提方案采取三边测量技术进行移动目标的定位以提高定位精度,而且为了达到能效均衡,在建立唤醒簇阶段根据节点与目标之间距离、节点残余能量两个参数进行簇头及簇成员选举。仿真结果表明,所提方案与基于预测的能量节省(PES)方案、基于混合簇的目标跟踪(HCTT)协议相比,网络寿命更长,预测轨迹更精确,跟踪精度更高。     

一种基于运动估计的红外目标跟踪方法

为解决红外目标跟踪中目标的交错、遮挡等问题,提出了一种新的基于运动估计的目标跟踪方法。建立目标的方向梯度-灰度直方图特征模型,该模型能较准确地刻画目标特征。使用最大后验概率指标在搜索区域进行目标匹配,该指标能很好地突出目标、抑制背景,并容易得到全局最优解。提出一种新的运动估计方法,即轨迹预测算法,对目标的运动进行较准确的估计。实验结果证明,该方法不仅计算复杂度低,而且能够较好地解决目标交错、遮挡等问题。     

基于双特征的多模块目标跟踪算法

针对运动目标在受到严重遮挡时难以被精确跟踪的问题,提出一种融合颜色和LBP (local binary pattern)纹理特征的多模块跟踪算法.综合考虑目标与背景的特征显著性和相似性两个因素建立比值关系进行量化分析,选取了能够最大程度区分前景目标和背景的颜色空间特征,并结合LBP纹理特征建立概率分布直方图.利用卡尔曼滤波器预测均值漂移算法的初始迭代位置.引入相似度因子来定义新的遮挡判决准则,自适应采用多模块模型进行跟踪.仿真实验结果表明了该算法的有效性.     

基于邻域拓扑结构的目标协同跟踪算法

针对目标跟踪问题,提出一种新的节点协同跟踪方法,通过节点间邻域拓扑结构协同建立各节点的关联性,对目标进行协作监测与跟踪。算法根据节点信息共享时的传播差异,通过节点间的传播概率准确计算各节点捕捉增益,从而确定簇成员,增加了确定目标位置的精度。结合感知区域及最大移动定理界定目标最终移动区域,采用网格法算出区域质心。实验结果证明,与同类方法相比,该算法具有较高的跟踪精度,且跟踪稳定度较好。     

基于LBP的TLD目标跟踪改进算法

针对跟踪—学习—检测(TLD)对光照变化敏感、易受目标遮挡、快速运动导致目标模糊这些因素的影响,提出了基于局部二值模式(LBP)的TLD目标跟踪改进算法。首先,将LBP算法与最近邻分类器相结合,使得改进后的最近邻分类器可以获取与跟踪目标更接近的边界框,且当目标具有良好的纹理属性时,改进后的最近邻分类器具有更好的分类效果;其次,若TLD算法选取的跟踪目标在跟踪过程中受到遮挡,或者晃动,则使用Kalman滤波器预测目标所在区域,可以缩小跟踪器的检测范围,增强算法的效率。实验结果表明:改进后的跟踪算法与常规TLD相比,鲁棒性更好,精度更高,跟踪速度更快。     

基于自适应背景的目标跟踪算法研究

随着现在的社会发展以及经济进步,我国的科学技术方面发展迅速,特别是在技术监控方面更是突飞猛进。为了更好的对目标遮挡影响进行降低,我国在这方面主要依据自适应的技术发展背景下提出目标跟踪计算法,用来完善我国的监督控制技术。这种计算方式第一是根据对观察目标的基本外观形态进行的鉴定与跟踪,将其自身的运动量进行平均计算;其次是根据时空的运行方向与特征进行跟踪目标的计算,建立比较完善整体的运行模型,再根据这个运动模型以及整体的状态对监督目标进行检测与控制,这期间就会形成一种遮挡掩膜。对于掩膜是一种将程序数据等绘制成光刻板,在程序使用期间非常可靠,并且制造成本比较低,使用方便;最后是在不同的使用情况下将不同参数进行收集,自动的适应运动模型的运行。针对这种计算方式的实验主要是利用两种在国际上经常使用的CAVIAR、York数据进行测试,并且根据这两种数据对测试的精准度与多重目标跟踪等进行评定,检测跟踪的整体性能。通过多方面的研究表明这种方式的跟踪的性能非常好,并且还能很好的将跟踪目标的鲁棒性进行遮挡。     

基于背景分类的运动目标检测算法

针对光线暗、对比度和分辨率低的监控视频,提出了一种基于背景分类的运动目标检测算法。 首先用视频第一帧图像HSV空间的色度H和亮度V作为背景特征进行初始化,建立两种包含色度和亮度特征的背景模型类,即初始化得到的原始背景类和受光照或者其他因素影响得到的在原始背景周围波动的背景波动类,利用这两个背景模型进行前景检测和背景更新。为提高前景检测的准确率,背景模型的更正加入背景更正机制和权重机制,使得背景中样本的数量根据背景的实际情况处在一种动态的变化中,提高前景分割的效率。用不同场景下的监控视频进行算法对比实验,结果证明,该算法获得的前景完整清晰,视频处理的速度较快。提出的算法简单实用,对噪声干扰表现出良好的鲁棒性。     

基于时空显著性的双核KCF目标跟踪算法

传统的核相关滤波器跟踪算法(KCF)在模板更新上容易出现跟踪误差累计,从而导致目标跟踪过程中出现跟踪漂移问题。针对该问题,提出了一种时空显著性的双核KCF目标跟踪的方法。该算法引入了一种时空显著性方法来搜索目标区域的显著特征和姿态稳定的局部区域。利用该局部区域对跟踪过程中产生的累计误差有较低的敏感度特性,能够减少跟踪过程中的累计误差。然后再结合原目标和显著区域建立一个双核跟踪机制,在跟踪过程中不断对原目标跟踪结果进行微调,降低跟踪累计误差。此外,针对快速运动的目标相邻帧偏移量较大的问题,提出了一种锚点预测机制,使得跟踪锚点与目标位置更接近,能够更准确地跟踪到目标。在大型公共数据上测试的实验结果表明,提出的算法在光照、遮挡、变形、快速运动、旋转以及背景杂波等复杂情况下,均具有较强的适应性。     

基于VGG网络的鲁棒目标跟踪算法

针对传统目标跟踪算法中当目标被遮挡和受光照强度变化等多种因素干扰时,相关滤波器模板更新不准确,误差逐帧累积最终导致目标跟踪失败,提出了一种基于VGG网络的鲁棒目标跟踪算法。首先通过VGG网络对第1帧输入图像中的局部上下文区域提取平均特征图来建立相关滤波器模板;然后通过VGG网络对后续帧输入图像中的局部上下文区域提取平均特征图和仿射变换平均特征图;其次与核相关滤波跟踪算法相结合,自适应确定目标位置和最终目标位置;最后自适应更新最终平均特征图和最终相关滤波器模板。实验结果表明,本文算法在目标被遮挡和受光照强度变化等多种因素干扰时,仍具有较高的目标跟踪精度和较强的鲁棒性。