基于稀疏表示的视频目标跟踪研究综述

视频目标跟踪在计算机视觉领域有着广泛应用,由于目标自身和外界环境变化的复杂性和难以预知性,使得复杂场景下鲁棒实时目标跟踪成为一项亟待解决的关键问题.由于视觉信息可以用少量神经元进行稀疏表示,因此稀疏表示已经广泛应用于人脸识别、目标检测和目标跟踪等计算机视觉领域.本文旨在对基于稀疏表示的视频目标跟踪算法进行综述.首先,介绍了基于稀疏表示的视频目标跟踪算法中的字典组成;其次,介绍了稀疏模型的构建及求解算法和模型更新,并对算法复杂度进行了简要分析;然后,对现有公开代码的稀疏表示跟踪算法在测试数据上进行了实验分析,结合算法模型和实验结果对其进行了分析;最后,对基于稀疏表示的视频跟踪算法存在问题进行了讨论,并对未来的研究趋势进行了展望.     

基于改进提升模型的视频目标跟踪算法

为了减少视频目标跟踪中的累积误差,提出一种基于改进提升模型的视频目标跟踪算法。该算法结合样本有标签数据和无标签数据信息,基于半监督学习的思想,对有标签数据和无标签数据分别设计基于改进提升学习模型的分类器;将两个分类器进行加权组合,形成一个强分类器;将样本采集融合于目标跟踪的分类器学习中,有效解决了跟踪中随目标外观变化而造成的误差累积问题,提高了目标跟踪的鲁棒性。     

基于外观模型的目标跟踪算法研究进展

基于视觉的目标跟踪是模式识别、计算机视觉、机器学习等多个学科的交叉研究课题,在视频监控、视频压缩编码、视频检索、智能交通等领域有着十分广泛的应用。为了使国内外同行对基于外观模型的目标跟踪方法有一个较为全面的了解,对其进行了系统总结。在介绍跟踪算法原理的基础上,重点阐述了两大类基于外观模型的目标跟踪方法:产生式方法和判别式方法,深入讨论了其中的典型算法和研究成果,并对这些算法在公开数据集上的测试结果进行了分析比较,最后展望了该领域未来的发展方向。     

视频中遮挡情况下目标的跟踪*

提出了一种基于概率外观模型和Condensation的跟踪方法.该方法通过分析目标前景MBB重叠关系检测遮挡的产生和解除,在目标未遮挡时建立并更新目标的概率外观模型.当遮挡发生后,利用目标共面条件确定目标前后关系,通过合并目标模型计算系统观测似然度概率.算法统一在Condensation框架下进行有遮挡和无遮挡的跟踪.实验证明了该方法的有效性.     

目标跟踪综述

随着深度学习与人工智能技术的不断发展,视频目标跟踪已经成为了计算机视觉的重要研究内容,在公安布控、人机交互、交通管制、军事等各个领域起到越来越重要的作用。尽管现在国内外学者提出了多种目标跟踪算法,也搭建了较为完善的目标跟踪系统,但是算法的鲁棒性依然是一个比较大的挑战。本文对运动目标跟踪系统结构进行了简要介绍,并从特征提取及融合、外观模型、目标搜索等方面详细阐述了目前主流运动目标跟踪算法。然后对目标跟踪算法在深度学习大环境下的新发展进行了分析,从基于深度学习的目标跟踪及目标检测算法角度分析了深度学习在提高目标检测算法鲁棒性方面的有效性,最后概述了深度学习在视频目标检测算法中的具体应用并对其未来发展进行了展望。     

基于静态自适应外观模型纠正的目标跟踪算法

针对单目标跟踪过程中难以长期稳定跟踪的问题,提出一种基于静态-自适应外观模型纠正的跟踪算法。首先将跟踪过程中可能遇到的干扰因素分为来自环境和目标本身两类,分别提出静态外观模型和自适应外观模型,静态外观模型用于全局匹配,自适应外观模型用于局部跟踪,静态模型纠正自适应模型的跟踪漂移问题;使用单链接层次聚类算法去除两种模型融合后引入的噪声;针对运动目标消失再出现时难以捕获的问题,使用静态模型进行全局搜索,捕获目标。对于实验中的视频序列,视频序列中目标的中心位置准确率为0.9,计算机每秒能够处理26帧图像。实验结果表明,该跟踪算法框架可以实现长期稳定的跟踪,具有良好的鲁棒性和实时性。     

基于半监督假设的半监督稀疏度量学习

传统的有监督度量学习算法没有利用大量存在的无标记样本,且得到的度量矩阵复杂,难以了解不同原始特征的重要程度。针对这些情况,提出基于半监督假设的半监督稀疏度量学习算法。根据三样本组约束建立间隔损失函数;基于平滑假设、聚类假设、流形假设这三个半监督假设建立半监督正则项,并利用L_1范数建立稀疏正则项;利用梯度下降法求解目标函数。实验结果表明,该算法学习得到的度量能有效地使不同类别的样本间距离增大,度量矩阵具有稀疏性,分界面穿过低密度区域,该算法在UCI的样本数据集上具有良好的分类准确性。     

基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。     

基于合作模式的目标跟踪方法

针对在视频序列中因移动模糊导致的对目标梯度信息的干扰以及目标的严重遮挡等问题,提出使用多任务反向稀疏表示（MTRSR）模型与AdaBoost分类器相结合的目标跟踪方法,同时为有效跟踪目标区域使用一个描述性的字典来估计每一个候选目标的权值。通过MTRSR模型得到模糊核[k]以此得到模糊目标模板,同时通过稀疏匹配计算重建误差得到目标的置信度,以目标模板的HOG特征组建描述性字典并通过重建误差计算候选目标权值,通过AdaBoost分类器计算所有目标的置信度,最后依据权值与二者置信度乘积的和得到最佳目标。实验数据表明该算法能够很好地应对复杂场景下目标的梯度变化、模糊效应以及遮挡,提高了目标跟踪精度与鲁棒性。     

基于稀疏表示的目标跟踪方法

提出了一个新的基于稀疏表示的目标跟踪方法.在粒子滤波框架下,将目标模板线性表示为所有目标候选的线性组合.当假设目标候选中存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,可以通过(L)1范式最小化求解.每一个目标候选在线性表示中的系数反映了该候选与目标模板的相似程度,因此可以将系数作为目标候选的权重.目标跟踪的结果为权重最大的候选.实验结果表明本文提出的算法比文献中现有的基于(L)1范式最小化的跟踪方法性能更稳定、计算效率更高.     

部件级表观模型的目标跟踪方法

因受遮挡、运动模糊、剧烈形变等因素的影响,稳定且准确的目标跟踪是当前计算机视觉研究领域重要挑战之一.首先采用中层视觉线索的超像素描述目标/背景的部件,以部件颜色直方图作为其特征,并通过聚类部件库的特征集构建初始表观模型,部件表达的局部性和灵活性使该模型能够准确描述目标/背景;然后,利用贝叶斯滤波模型计算目标框的初始状态,并提出相似物体干扰的检测和处理算法以避免跟踪漂移,得到更健壮的结果;最后,为了减弱形变、遮挡、模糊对表观模型的影响以更好地保持目标特征,提出一种基于部件库的特征补集的在线表观模型更新算法,根据部件变化实时反映目标/背景的变化情况.在多个具有跟踪挑战的视频序列上的实验结果表明(共12个视频序列):与现有跟踪方法相比,该算法跟踪结果的中心误差更小,成功帧数更多,能够更准确并稳定、有效地跟踪目标物体.     

深度学习在视频目标跟踪中的应用进展与展望

视频目标跟踪是计算机视觉的重要研究课题, 在视频监控、机器人、人机交互等方面具有广泛应用. 大数据时代的到来及深度学习方法的出现, 为视频目标跟踪的研究提供了新的契机. 本文首先阐述了视频目标跟踪的基本研究框架. 对新时期视频目标跟踪研究的特点与趋势进行了分析, 介绍了国际上新兴的数据平台、评测方法. 重点介绍了目前发展迅猛的深度学习方法, 包括堆叠自编码器、卷积神经网络等在视频目标跟踪中的最新具体应用情况并进行了深入分析与总结. 最后对深度学习方法在视频目标跟踪中的未来应用与发展方向进行了展望.     

基于判别性局部联合稀疏模型的多任务跟踪

目标表观建模是基于稀疏表示的跟踪方法的研究重点, 针对这一问题, 提出一种基于判别性局部联合稀疏表示的目标表观模型, 并在粒子滤波框架下提出一种基于该模型的多任务跟踪方法(Discriminative local joint sparse appearance model based multitask tracking method, DLJSM).该模型为目标区域内的局部图像分别构建具有判别性的字典, 从而将判别信息引入到局部稀疏模型中, 并对所有局部图像进行联合稀疏编码以增强结构性.在跟踪过程中, 首先对目标表观建立上述模型; 其次根据目标表观变化的连续性对采样粒子进行初始筛选以提高算法的效率; 然后求解剩余候选目标状态的联合稀疏编码, 并定义相似性函数衡量候选状态与目标模型之间的相似性; 最后根据最大后验概率估计目标当前的状态.此外, 为了避免模型频繁更新而引入累积误差, 本文采用每5帧判断一次的方法, 并在更新时保留首帧信息以减少模型漂移.实验测试结果表明DLJSM方法在目标表观发生巨大变化的情况下仍然能够稳定准确地跟踪目标, 与当前最流行的13种跟踪方法的对比结果验证了DLJSM方法的高效性.     

基于Co-Training的协同目标跟踪

运动目标跟踪是计算机视觉的核心问题之一,广泛应用于诸多领域。该文提出一种基于Co—Training半监督学习框架的目标跟踪方法。该方法融合2种互相独立的特征信息来描述目标模型,采用Co—Training来协同更新模型,有效避免了现有方法的误差累积问胚。实验结果证明,该方法在复杂场景下仍能实现稳定有效的跟踪。     

基于深度学习的目标视频跟踪算法综述

深度学习理论在计算机视觉中的应用日趋广泛,在目标分类、检测领域取得了令人瞩目的成果,但是深度学习理论在目标跟踪领域的早期应用中,由于存在跟踪时只有目标为正样本,缺乏数据支持,对位置信息依赖程度高等问题,因而应用效果并不理想,传统方法仍占据主流地位.近年来,随着技术的不断发展,深度学习在目标跟踪方向取得了长足的进步.本文首先介绍了目标跟踪技术的基本概念和主要方法,然后针对深度学习在目标跟踪领域的发展现状,从基于深度特征的目标跟踪和基于深度网络的目标跟踪两方面重点阐述了深度学习在该领域的应用方法,并对近期较为流行的基于孪生网络的目标跟踪进行了详细介绍.最后对近年来深度学习在目标跟踪领域取得的成果,以及未来的发展方向作了总结和展望.     

Probabilistic Models of Appearance for 3-D Object Recognition

We describe how to model the appearance of a 3-D object using multiple views, learn such a model from training images, and use the model for object recognition. The model uses probability distributions to describe the range of possible variation in the object's appearance. These distributions are organized on two levels. Large variations are handled by partitioning training images into clusters corresponding to distinctly different views of the object. Within each cluster, smaller variations are represented by distributions characterizing uncertainty in the presence, position, and measurements of various discrete features of appearance. Many types of features are used, ranging in abstraction from edge segments to perceptual groupings and regions. A matching procedure uses the feature uncertainty information to guide the search for a match between model and image. Hypothesized feature pairings are used to estimate a viewpoint transformation taking account of feature uncertainty. These methods have been implemented in an object recognition system, OLIVER. Experiments show that OLIVER is capable of learning to recognize complex objects in cluttered images, while acquiring models that represent those objects using relatively few views.     

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.     

基于深度学习的多目标跟踪关联模型设计

近年来, 深度学习在计算机视觉领域的应用取得了突破性进展, 但基于深度学习的视频多目标跟踪(Multiple object tracking, MOT)研究却相对甚少, 而鲁棒的关联模型设计是基于检测的多目标跟踪方法的核心.本文提出一种基于深度神经网络和度量学习的关联模型:采用行人再识别(Person re-identification, Re-ID)领域中广泛使用的度量学习技术和卷积神经网络(Convolutional neural networks, CNNs)设计目标外观模型, 即利用三元组损失函数设计一个三通道卷积神经网络, 提取更具判别性的外观特征构建目标外观相似度; 再结合运动模型计算轨迹片间的关联概率.在关联策略上, 采用匈牙利算法, 首先以逐帧关联方式得到短小可靠的轨迹片集合, 再通过自适应时间滑动窗机制多级关联, 输出各目标最终轨迹.在2DMOT2015、MOT16公开数据集上的实验结果证明了所提方法的有效性, 与当前一些主流算法相比较, 本文方法取得了相当或者领先的跟踪效果.     

基于结构化的加权联合特征表观模型的目标跟踪方法

为了解决单目标跟踪中的光照变化、部分遮挡问题,提出了一种结构化的加权联合特征表观模型.该模型将被跟踪的目标图像划分成若干图像块,在每个图像块内计算其颜色特征和纹理特征,将这些特征加权形成特征向量作为目标的表观模型.以该模型为基础,利用贝叶斯理论,提出一种跟踪方法.实验结果表明了该方法的有效性.     

面向视频目标的快速稀疏编码跟踪算法

关于稀疏编码的研究在最近几年成为许多研究领域的焦点,已有学者将其引入视频目标跟踪问题中。在贝叶斯推理框架下,基于l1-跟踪子能较好地处理目标物在视频场景中的各种复杂变化,达到较为鲁棒的跟踪效果,但算法复杂度高,很难进行实时跟踪。对原始l1-跟踪子在稀疏编码的过完备基构造,对目标物出现各种复杂变化的处理方式以及目标物模板的更新这三个方面进行了改进,设计了无需更新目标模板的高速跟踪方法;并通过大量比较实验,验证了该方法的跟踪精度与原始l1-跟踪子相似,但跟踪效率远高于l1-跟踪子,达到了实时跟踪的效果。