利用背景加权和选择性子模型更新的视觉跟踪算法

目的 针对传统Mean Shift算法对受背景干扰的目标无法进行有效跟踪并缺少有效的模型更新策略的问题,提出一种将背景加权和选择性子模型更新相结合的跟踪算法。方法 首先,在Mean Shift框架下,为了减少背景信息对目标定位的干扰,利用目标区域周围像素的颜色直方图定义背景加权系数,并将该系数只引入到目标模型的颜色直方图中,从而建立一个新的目标模型。然后,根据目标模型中每个分量匹配贡献度的大小选取需要更新的模型分量及其更新公式。结果 实验结果表明,本文算法能够抑制背景干扰,同时能对模型进行有效的选择性更新,克服了整体更新策略严重的模型漂移问题。结论 本文从模型描述和更新策略两个方面对传统Mean Shift算法进行了改进,实验结果表明本文算法具有较好的有效性和鲁棒性。     

模糊自适应运动目标跟踪算法

运动目标在跟踪过程中往往伴随着尺度、形状的变化,Mean shift跟踪算法由于采用固定的核窗宽度进行运动目标跟踪,因而它本身不能适应这种变化。针对Mean shift算法存在的缺点,提出一种基于模糊推理的自适应Mean shift跟踪算法,该算法利用卡尔曼滤波算法对目标当前位置进行预测;设计模糊判定准则在线调整目标尺度值,利用Mean shift迭代运算逐步逼近目标完成跟踪;利用相似度和置信度系数设计模型更新准则,以实现模板的自适应更新。实验结果证明,该算法能够适应目标尺度和背景的变化,较普通的Mean shift跟踪算法不仅跟踪精度提高,而且鲁棒性更强。     

基于特征匹配滤波的自适应模板跟踪算法

针对头部目标跟踪的应用背景,在Mean Shift的框架下提出一种基于特征匹配滤波的自适应模板更新策略。该方法根据被跟踪目标在不同状态下所呈现出颜色的统计特征信息,采用颜色空间核密度估计匹配滤波的方法,对模板中局部区域像素的更新作出决策。实验结果表明,该算法有效解决了因头部旋转以及物体遮挡而导致模板不匹配的问题,实现了头部的连续跟踪,取得了很好的跟踪效果,提高了跟踪算法的整体稳定性和鲁棒性。     

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。     

基于Mean Shift算法和NMI特征的目标跟踪算法研究

针对传统Mean shift跟踪算法对空中运动目标跟踪效果不理想的问题, 提出了基于Mean shift算法和归一化转动惯量(Normalized moment of inertia, NMI)特征的目标跟踪算法. 算法中引入了目标NMI特征, 建立了基于虚警概率最小原则和相似度二级判决门限的跟踪策略, 对目标模型进行更新. 同时利用卡尔曼滤波, 在目标被遮挡后进行估计预测. 实验表明该算法在空中运动目标存在较大形变、被遮挡等情况下, 能够进行实时、稳定跟踪.     

基于Mean Shift的视觉目标跟踪算法综述

基于Mean Shift的视觉跟踪算法具有计算复杂度低、调节参数少、稳健性较好和易于工程实现等优点,是目前视觉跟踪领域的重要研究方向。首先介绍了经典的Mean Shift跟踪算法,分析了此跟踪框架存在的缺陷。然后从目标模型表达、模型更新、尺度与方向佑计、抗遮挡跟踪和快速目标跟踪等J个方面详细地综述了Mean Shift跟踪算法的发展与改进。针对上述每个方面,对典型方法与最近研究成果进行了介绍与评述。最后展望了Mean Shift跟踪今后的研究方向与发展趋势。     

抗遮挡的自适应运动目标跟踪方法

针对复杂场景中的目标遮挡问题,提出一种基于均值漂移(Mean shift)和轨迹校正的自适应目标跟踪方法.由于Mean shift迭代易陷入局部最优点,这里引入Kalman滤波器以预测和校正目标运动轨迹,并根据迭代轨迹误差校正协方差,使得跟踪器在多峰值非高斯分布的复杂环境下也能收敛到全局最优点.基于Bhattacharrya系数计算色彩x、y方向分量相似度,并根据邻帧分量相似度偏差自适应调整相似度融合权值.综合当前帧和前面帧作用更新目标运动状态、特征和尺度模型.实验结果表明提出的方法对于静态场景遮挡和目标间互遮挡、部分和全部遮挡下的目标跟踪均具有鲁棒的跟踪性能.     

均值漂移目标跟踪的两级窗宽更新算法

目标尺度发生较大变化时,固定窗宽的均值漂移(Mean shift)目标跟踪算法不能进行有效跟踪。为此,提出一种两级更新的自适应窗宽计算方法。采用Mean shift跟踪算法对目标中心进行初次定位,并确定窗宽的大小,设置感兴趣区域,结合已建立的背景模型,在感兴趣区域内利用背景减除技术二次确定目标的中心及窗宽大小,通过比较2次目标区域与目标模型之间的Bhattacharyya系数,选择系数较大的区域作为最终跟踪窗口。实验结果表明,该方法能够对尺度变化明显的运动目标自适应确定跟踪窗宽,并减小传统Mean shift跟踪方法背景目标颜色对目标特征提取的影响。     

结合粒子滤波与Mean shift的高速运动目标跟踪

Mean shift跟踪算法能够有效跟踪视频序列中的各种运动目标,但是该算法无法准确地跟踪视频中高速运动目标.通过分析mean shift算法的原理,指出mean shift对高速运动目标跟踪失效的原因,提出一种基于mean shift的粒子滤波跟踪的新算法.通过实验比较,该算法能改善了Mean shift算法对高速运动目标的效果,并且在存在干扰目标的情况下具备良好的跟踪效果.     

多模型协作的分块目标跟踪

为解决复杂场景下,基于整体表观模型的目标跟踪算法容易丢失目标的问题,提出一种多模型协作的分块目标跟踪算法.融合基于局部敏感直方图的产生式模型和基于超像素分割的判别式模型构建目标表观模型,提取局部敏感直方图的亮度不变特征来抵制光照变化的影响;引入目标模型的自适应分块划分策略以解决局部敏感直方图算法缺少有效遮挡处理机制的问题,提高目标的抗遮挡性;通过相对熵和均值聚类度量子块的局部差异置信度和目标背景置信度,建立双权值约束机制和子块异步更新策略,在粒子滤波框架下,选择置信度高的子块定位目标.实验结果表明,本文方法在复杂场景下具有良好的跟踪精度和稳定性.     

Robust mean shift tracking based on refined appearance model and online update

Multimedia Tools and Applications - In this paper, a robust mean shift tracking algorithm based on refined appearance model (RAM) and online update strategy is proposed. The main idea of the...     

基于改进的MOSSE相关滤波的目标跟踪

视频目标跟踪存在如遮挡、形变、漂移等诸多挑战。虽然研究者提出了大量的算法来解决这一问题, 但大多数不具备普适性和实时性。为了实现目标有效稳定的实时跟踪, 本文在MOSSE相关滤波算法基础上提出了一种多模式的视觉目标跟踪算法, 该算法不仅具有相关算法的实时性, 还适应跟踪目标外观大幅度变化情况。同时, 为了适应跟踪过程中目标外形的复杂变化, 提出了一个控制模式更新率的算法, 利用具有多模式的跟踪算法可以同时处理极小的运动与外形突变。对基准视频数据的仿真实验结果表明, 与对应的单模型跟踪算法相比, 本文提出的算法可以明显改善跟踪精度和稳定性。     

基于卡尔曼滤波器组的Mean Shift模板更新算法

针对Mean Shift算法缺乏必要的模板更新方法的缺陷,提出了一种基于卡尔曼滤波器组的Mean Shift模板更新算法。该算法首先将目标在特征空间中的特征值的概率作为模板信息;然后设计了一个滤波器组,其中每个滤波器用于估计特征子空间中一个子特征值概率的变化;最后将这些子特征值概率对应相乘就可以得到整个模板的更新值。由于滤波器的噪声参数是随着输入数据的变化随时动态确定的,因此,根据滤波器残差的变化就可以确定模板的更新策略。实验证明,该新算法不仅能够增强Mean Shift算法在目标姿态变化、光照变化下的跟踪效果,而且对阻挡时的鲁棒性也较好。     

利用巴氏系数判定模型更新的视觉跟踪算法

在视频跟踪时,传统的粒子滤波算法在目标区域出现遮挡、光照变化等情况下通常存在鲁棒性较差的问题,因此提出一种采用巴氏(Bhattacharyya)系数判断模型更新时机的鲁棒视觉跟踪算法。本算法以粒子滤波算法为框架,每隔一定帧数抽样检测目标变化,利用当前模型与候选模型之间的巴氏系数统计特征的相似性,从而判断更新时机。仅当目标逐渐姿态改变且无背景干扰时更新目标模型;在发生遮挡或光照改变较大时则不更新,保持当前模型继续跟踪。本算法判断是否出现影响目标匹配因素,从而适时采取模型更新策略。实验结果表明,本算法通过选择性更新模型,在未考虑尺度变化的情况下,能够更加有效抑制背景干扰和避免模型漂移,在诸多复杂场景中具有一定的鲁棒性。     

均值漂移跟踪的双模板更新算法*

针对均值漂移算法缺少必要的模板更新方法的缺点,提出了一种基于双模板判定的更新算法。该算法首先通过分析目标特征与背景特征的相对大小,设计了加权函数分别对前景和背景特征进行加权;然后在此基础上引入背景模板并构造双模板,通过对候选目标与双模板相似度系数的综合分析,可以准确判定跟踪状态及干扰产生的原因,以采取相应的模板更新策略。实验表明,该算法可以有效地增强均值漂移算法在目标姿态变化、前景遮挡等复杂条件下的跟踪效果,具有较好的跟踪稳健性。     

基于梯度方向直方图特征的多核跟踪

提出了基于梯度方向直方图特征的多核跟踪算法, 对跟踪过程中的光线变化和部分遮挡具有较强的鲁棒性. 该算法将目标分块, 分别提取出每块的核函数加权的梯度方向直方图特征. 目标模型和候选目标模型的相似度用所有块直方图间的Bhattacharyya系数之和进行度量, 目标的跟踪通过Mean shift算法最大化两者的相似度实现. 对车辆、人体等多个目标的跟踪验证了本文提出算法的有效性.     

Visual tracking and learning using speeded up robust features

A speeded up robust features (SURF) based optical flow algorithm is presented for visual tracking in real scenarios. SURF construct invariant features to correspond the blobs of interest across frames. Meanwhile, new feature-based optical flow algorithm is used to compute the warp matrix of a region centered on SURF key points. Furthermore, on-line visual learning for long-term tracking is performed using incremental object subspace method, which includes the correct update of the sample mean and appearance model. The proposed SURF based tracking and learning method contributes measurably to improving overall tracking performance. Experimental work demonstrates that the proposed strategy improves the performance of the classical optical flow algorithms in complicated real scenarios.     

融合多模板注意力深度网的自适应目标框跟踪算法

现有深度网络跟踪算法应对相似物体干扰、尺度变化、形变模糊、遮挡等问题存在挑战,为此提出一种融合多模板注意力机制的鲁棒深度网络算法.在SiamFc深度网络分支中构建通道和空间多模板注意力机制,以加强网络对目标特征的提取能力;融合浅层和深层卷积特征实现跟踪目标的精确聚焦,以克服相似物干扰问题;采用自适应回归网络学习目标采样点与目标边界之间的距离,实现目标区域的动态预测,有效应对目标尺度变化问题.另外,通过计算分类特征的APCE均值和最大值建立模板在线更新策略,实现网络自适应目标形变模糊与遮挡等问题.对OTB 100和VOT 2016等公开数据集的测试结果表明,与目前先进的SiamFc及改进方法相比,所提出算法在动态目标跟踪的准确率和成功率上均得到有效提升,具有强鲁棒性能.