基于颜色纹理特征的均值漂移目标跟踪算法

针对经典均值漂移跟踪算法采用单一的颜色特征对目标进行跟踪检测存在的不足,提出一种将纹理特征与颜色特征相结合的改进均值漂移目标跟踪算法.该算法首次提出特征联合相似度的概念,通过均值漂移算法联合相似度的最大化计算,正确快速地获取新一帧图像跟踪目标的位置.实验结果表明,该算法具有更高的可靠性,同时满足一般目标跟踪任务的实时性要求.     

融合YOLO检测的孪生网络目标跟踪

针对全卷积孪生神经网络(fully-convolutional Siamese network, SiamFC)在目标发生明显外观变化、目标快速运动等复杂场景下跟踪精确度不足,以及在跟踪目标丢失后由于采用局部搜索策略导致无法重新捕获追踪目标的问题,引入YOLO(you only look once)v3作为再检测网络对SiamFC进行改进。改进算法在SiamFC的跟踪点漂移后会启用目标检测网络进行全局搜索,同时在SiamFC跟踪响应图的峰值小于某一确定阈值时启用目标检测网络对跟踪目标位置进行重新检测与判定,从而可以重捕并更精确地判定复杂环境下的运动目标。在公共数据集OTB2013、OTB2015和UAV20L上进行了实验,实验结果表明,与SiamFC相比,改进算法在OTB2015数据集上的精确度提升了2.9%、成功率提升了1.7%,在UAV20L数据集上的精确度提升了1%、成功率提升了2.6%。此外,通过与目前主流的跟踪算法进行比较得出,改进算法达到了领先的性能。对数据集中不同属性的视频序列进行分析,实验表明改进算法在目标形变、尺度变化、严重遮挡、目标离开视野以及背景混淆5种干扰属性上...     

基于统计模型和活动轮廓的运动目标检测与跟踪

提出了一种静止背景视频序列中运动目标的检测与跟踪方法.对连续两帧图像序列作差分计算,对差分图像的灰度分布建立混和高斯模型(GMM),采用期望最大化(EM)算法估计模型参数,并引入基于GMM模型的边界检测算子,进而构造运动边界图像.改进静态图像轮廓提取算法GVF-Snake,利用运动边界图像修改GVF-Snake的能量项,使其能够提取视频序列中运动目标的轮廓.采用一种根据目标区域自动初始化轮廓的方法解决Snake初始轮廓需要手工设定的问题,采用一阶差分预测算法加快轮廓收敛速度.利用改进的GVF-Snake算法对运动目标进行检测与跟踪,结果表明,该算法对刚性和非刚性两类目标都具有较好的检测与跟踪效果.     

一种改进的视频运动目标检测算法

该文提出了一种改进的视频运动目标检测算法。该算法采用动态选取模型数的混合高斯的方法建立背景模型并实时更新,与当前帧比较进而提取出视频运动目标,通过扩展的区域生长法对运动目标进行定位。在背景差图像经过阈值化及形态学膨胀、腐蚀的基础上,定义扩展区域的大小,并设定区域内前景点个数的阈值,进行连通区域合并和前景区域定位。采用不同的视频测试序列,从检测效果及耗时上研究了改进的视频运动目标检测算法的性能。实验结果表明,该算法具有良好的检测效果和实时性能。     

遮挡环境下多示例学习分块目标跟踪

针对跟踪过程中遮挡导致错误累积而产生目标漂移甚至目标丢失的问题,提出多示例学习分块目标跟踪方法。该方法以随机蕨为基础检测器,通过多示例学习在线更新检测器,提高检测器对目标变化的适应能力及学习的准确性。将目标均匀分成多个子块,选取部分子块作为候选集合,每个候选块分配一个检测器,利用检测器完成每个候选块的跟踪,根据候选块的信息确定目标最终位置。实时检测候选块的有效性,替换无效的候选块,提高跟踪的鲁棒性。在目标被遮挡等复杂条件下,与目前主流跟踪算法进行了对比实验,结果表明该算法能够有效解决目标漂移甚至跟踪丢失问题,具有更高的跟踪精确度及更好的鲁棒性。     

仿射变换在压缩感知跟踪中的应用

针对跟踪中目标尺度变化和旋转问题,将仿射变换和应用到压缩感知跟踪中.首先,以上一帧的跟踪结果为均值,以一定的标准差按照高斯分布,随机生成不同尺度和旋转角度的候选框;然后,通过仿射变换将其转换至直角坐标系中,通过多尺度滤波得到目标在不同尺度下的高维特征向量,采用压缩矩阵将高维特征向量降维至低维空间;最后,将低维特征向量通过贝叶斯分类器选取具有最大响应的候选位置作为目标的跟踪位置.在此基础上分别提取正负样本来更新分类器参数,从而实现持续稳定的跟踪.实验结果表明,该算法能够较好地解决压缩感知跟踪中的目标旋转和尺度变化问题.     

彩色图像分割在视频跟踪系统中的应用研究

在视频跟踪系统中,图像分割是进行跟踪的前期处理。只有在视频序列图像中有效的分割出运动目标,才能实现后续对目标的准确跟踪。提出一种混合算法,将一种基于灰度直方图的阈值化分割算法应用到了HSI颜色空间上,利用H进行阈值化,在阈值化之前,先根据R、G、B值对像素进行了筛选;文章应用董立菊等人提出的-种基于RGB空间的K均值聚类算法、一种基于灰度直方图的阈值化算法和混合算法,以目标颜色为特征,对彩色图像进行了分割;针对特定的视频跟踪系统,对各结果进行了比较,得出了结论,找出了较优算法——混合算法效果较理想,能够较有效的分割目标,为后续跟踪工作做好了前期处理工作。     

基于均值背景与三帧差分的运动目标检测

为了实现对室外监控视频中人体运动目标的准确提取,针对传统的三帧差分法在运动目标检测过程中容易出现"空洞"现象,提出了一种基于均值背景与三帧差分的运动目标检测算法.该算法通过将经均值背景建模得到的视频当前帧的背景加入到三帧差分中与视频当前帧和视频当前帧的下一帧分别进行邻间差分,避免了背景像素点对前景检测带来的影响,解决了三帧差分法在运动目标检测过程中存在的"空洞"问题.仿真结果表明,该算法在完整性和准确性方面要优于传统的运动目标检测算法,可以在复杂背景环境中实现快速的运动目标提取.     

基于均值漂移的快速模板匹配算法

提出了一种基于均值漂移和模板匹配的目标跟踪算法。算法工作时分为预测、模板匹配与目标定位及模板更新3个阶段。在预测阶段,结合上一帧跟踪得到的目标位置,利用均值漂移方法对目标位置进行预测,并以预测位置为中心、以相应的大小为覆盖范围定义模板匹配的搜索波门;在模板匹配阶段,采用快速模板匹配算法,将目标模板与搜索波门进行由粗到精的快速匹配,并计算所得匹配结果与目标模板的匹配程度,如果该匹配度大于给定的阈值,则将快速模板匹配的结果作为当前帧图像的跟踪结果,否则,以均值漂移算法预测的目标位置作为当前帧图像的跟踪结果,最后由当前帧的跟踪结果控制模板更新过程以更新目标的模板,最终完成对目标的稳定跟踪。同时该算法结合颜色和边缘特征对旋转、变形不敏感的优点提高跟踪的鲁棒性。该方法运算速度快,准确度高,能够满足实时性要求。     

基于核相关滤波的TLD跟踪算法的研究

对TLD跟踪算法进行改进,以提高在跟踪目标发生尺度变化或被遮挡时的跟踪性能. 首先使用KCF跟踪器替代TLD算法中原有的中值光流跟踪器,并在特征提取时增加目标的Lab颜色特征,在寻找目标位置时引入尺度估计,在模型更新阶段引入跟踪状态判别机制,通过设定跟踪器中输出响应最大值阈值、APCE阈值及检测器中随机蕨分类器阈值来判断跟踪器跟踪结果的可靠性,改善跟踪器在尺度变化、出现遮挡、光照变化等情况下的跟踪效果. 针对TLD算法中的检测器,为了减少大量无意义的窗口,提升算法在存在遮挡时的精确性,在检测之前使用Kalman滤波预估出目标位置,在预估位置周围使用改进的级联分类器更精准地定位目标,改进的级联分类器的前两级仍采用方差分类器和随机蕨分类器,第三级则采用改进的KCF跟踪器. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够满足实时性.     

Multi-Object Tracking with Micro Aerial Vehicle

A simple yet efficient tracking framework is proposed for real-time multi-object tracking with micro aerial vehicles(MAVs). It''s basic missions for MAVs to detect specific targets and then track them automatically. In our method, candidate regions are generated using the salient detection in each frame and then classified by an eural network. A kernelized correlation filter(KCF) is employed to track each target until it disappears or the peak-sidelobe ratio is lower than a threshold. Besides, we define the birth and death of each tracker for the targets. The tracker is recycled if its target disappears and can be assigned to a new target. The algorithm is evaluated on the PAFISS and UAV123 datasets. The results show a good performance on both the tracking accuracy and speed.     

融合运动信息和跟踪评价的高效卷积算子

针对基于方向梯度直方图与颜色命名的高效卷积算子(ECO-HC)算法缺少跟踪质量评价和滤波模板更新监督机制的问题,提出融合运动信息和跟踪评价的高效卷积算子. 将卡尔曼滤波器加入ECO-HC跟踪定位框架对目标执行联合跟踪,设计高置信度判别指标评价ECO-HC对每帧图像的跟踪效果,使用原始跟踪结果和卡尔曼滤波预测值的加权融合值,修正不满足判别指标的跟踪结果. 在滤波模板隔帧更新策略的基础上,加入当前帧跟踪结果质量评价信息,当2个条件同时满足时执行模板更新. 依托公开数据集OTB-2015评估算法性能,结果显示改进算法整体跟踪精确度、成功率和跟踪速率均优于原算法,在运动模糊、低分辨率、离开视野场景中的精确度分别提高3.0%、3.5%和2.8%,成功率分别提高3.8%、2.1%和4.0%. 改进算法在保证实时性的同时,有效提升了复杂场景下的跟踪效果.     

聚类与跟踪相结合的人脸数据集生成方法研究

为提高人脸数据集生成的准确率和效率,提出了一种将人脸跟踪与人脸聚类相结合的人脸数据集生成方法.首先,对KCF算法进行改进,并将改进的KCF算法用于人脸跟踪,得到不同时间片段的人脸图像集; 其次,从每个人脸图像集中通过人脸图像优选算法选出高质量的人脸图像; 再次,将优选出来的人脸图像进行人脸聚类,以完成视频中每个人的人脸数据集的生成; 最后,通过实验对比基于人脸跟踪、基于人脸聚类和基于本文方法的人脸数据集生成效果.实验结果表明,本文方法与基于人脸跟踪的人脸数据集生成方法相比,纯度提升约15%; 与基于人脸聚类的人脸数据集生成方法相比,效率提升约50%.     

融合梯度特征的红外目标跟踪

Meanshift跟踪算法普遍采用单一的灰度空间进行红外目标跟踪,直方图所含信息量少,容易受目标和背景灰度变化的影响．文中提出一种融合梯度特征的红外图像Meanshift跟踪算法,该算法对边缘和结构特征的梯度值进行量化,建立梯度特征模型;利用Bhatta—charyya系数分别计算梯度特征和灰度特征的特征相似度;设置置信度系数,并利用置信度系数将梯度特征相似度和灰度特征相似度进行融合,得到综合相似度;针对综合相似度推导Meanshift迭代方程,通过迭代运算逐步逼近目标实现跟踪;利用灰度特征相似度和梯度特征相似度信息并结合置信度系数设计模型更新准则以提高跟踪鲁棒性．文中算法能够适应红外目标跟踪中目标与背景的变化,鲁棒性强且跟踪准确度高,仿真实验表明该算法较普通Meanshift算法性能有较大提高,跟踪精度也有所改善．     

一种基于目标状态关联的动态规划TBD算法

鉴于传统动态规划-检测前跟踪（DP-TBD）算法在低信噪比条件下易导致航迹跟踪误差大.为减小航迹关联时噪声的影响,提出了一种基于目标状态关联的DP-TBD算法.在当前第k帧观测值与（k-1）帧窗内某观测值累加的基础上,沿此方向再与（k-2）帧区域内的指标函数最大者进行累加,并记录累加后最优指标函数值所对应的前两帧的位置,用于回溯航迹.仿真结果表明,该算法有效减小了噪声的影响,相对于传统算法提高了跟踪性能,并且搜索窗越大,杂波点也越多,所提算法的优势越明显.     

基于视觉-磁引导的无人机动态跟踪与精准着陆

针对无人机通过视觉对地面动态目标跟踪过程中视角固定易丢失目标,以及在着陆过程中由于成像畸变严重、画面不稳定导致定位精度差的问题,提出随动视觉跟踪的跟踪控制策略和基于视觉联合磁引导的获取无人机高精度相对位姿的方法. 在跟踪过程中,设计新型信标图案供无人机进行视觉识别获取目标的方位,识别速度可以达到5 ms/帧,通过随动视觉跟踪完成实时跟踪. 在着陆过程中,在动态目标上设置磁源,利用无人机检测磁场特性并通过BP神经网络解算相对位置;在信标图案内设置平行线特征,用于近镜头时辅助视觉解算相对角度. 在获取无人机相对位姿后,进行相应的运动控制即可完成着陆. 实验结果表明,跟踪过程稳定可靠,抗干扰能力强;着陆精度高,着陆误差小于2 cm.     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.     

结合注意力与特征融合的目标跟踪

全卷积孪生网络通过相似性学习解决目标跟踪问题,其算法受到了越来越多的关注.为了提取更有判别力的目标特征,提升跟踪的精确度和鲁棒性,提出了一种结合注意力机制与特征融合的目标跟踪模型.首先,将第一帧和当前帧的前一帧结合作为目标模板,利用共享的特征提取网络提取目标模板和当前帧的多个卷积层的特征;然后,对于目标模板的多层卷积特征,结合通道注意力机制处理,提升模板特征的判别力;最后,目标模板的特征与当前帧的特征进行互相关计算,得到响应图,从而获取预测目标在当前帧中的位置和尺度.最终实验结果表明,与几个先进的跟踪模型相比,提出的目标跟踪模型获得了比较有竞争力的性能.