局部模板更新逆向联合稀疏表示目标跟踪算法

逆向联合稀疏表示算法可充分利用跟踪过程中的时间相似性和空间连续性,但由于遮挡、光照变化等的影响,易出现跟踪漂移.为解决上述问题,提出一种基于局部模板更新逆向联合稀疏表示目标跟踪算法,其通过逆向局部重构目标模板集完成逆向联合稀疏表示.首先,在首帧初始化目标模板集,利用粒子滤波获取候选图像,并对其分块处理,构建逆向联合稀疏...     

融合层次特征和混合注意力的目标跟踪算法

目标跟踪任务中,全卷积孪生网络的目标跟踪（SiamFC）算法在目标遮挡、光照变化等场景时会表现出鲁棒性较差、丢失跟踪目标等问题,为此提出一种结合特征融合和注意力机制的目标跟踪算法。首先,采用ResNet50作为主干网络提取更充分的目标特征;其次,结合注意力机制对特征进行筛选,将筛选后的低层模板特征与高层模板特征分别同对应搜索特征做互相关操作后进行自适应加权融合,提升网络对正负样本的辨别力。在OTB100数据集上测试,所提算法的精度和成功率分别为81.25%和64.06%;在LaSOT数据集上测试,该算法的精度和成功率分别为49.4%和50.1%。实验结果表明,该算法目标跟踪性能优于全卷积孪生网络算法,且在处理复杂场景时有更好的鲁棒性。     

融合层次特征和混合注意力的目标跟踪算法

目标跟踪任务中,全卷积孪生网络的目标跟踪（SiamFC）算法在目标遮挡、光照变化等场景时会表现出鲁棒性较差、丢失跟踪目标等问题,为此提出一种结合特征融合和注意力机制的目标跟踪算法。首先,采用ResNet50作为主干网络提取更充分的目标特征;其次,结合注意力机制对特征进行筛选,将筛选后的低层模板特征与高层模板特征分别同对应搜索特征做互相关操作后进行自适应加权融合,提升网络对正负样本的辨别力。在OTB100数据集上测试,所提算法的精度和成功率分别为81.25%和64.06%;在LaSOT数据集上测试,该算法的精度和成功率分别为49.4%和50.1%。实验结果表明,该算法目标跟踪性能优于全卷积孪生网络算法,且在处理复杂场景时有更好的鲁棒性。     

基于稀疏表达的遮挡目标跟踪算法

针对视觉跟踪中的目标遮挡问题,提出一种基于稀疏表达的视觉跟踪算法。采用稀疏表达方法描述跟踪目标,构造基于Gabor特征的目标词典和遮挡词典,通过l1范数最优化求解稀疏表达系数。在粒子滤波框架下跟踪目标,根据稀疏表达系数判断遮挡,并利用重构残差更新遮挡情况下的粒子权重。在目标模板更新时,通过引入可靠性评价来抑制模板漂移。实验结果表明,该算法能够有效地跟踪处于遮挡状态下的运动目标,并对目标姿态变化以及光照变化具有较好的鲁棒性。     

利用增广拉格朗日乘子的鲁棒跟踪算子

针对视频目标鲁棒跟踪问题,提出了一种基于稀疏表示的生成式算法。首先提取特征构建目标和背景模板,并利用随机抽样获得足够多的候选目标状态;然后利用多任务反向稀疏表示算法得到稀疏系数矢量构造相似度测量图,这里引入了增广拉格朗日乘子(ALM)算法解决L₁-min难题;最后从相似度图中使用加性池运算提取判别信息选择与目标模板相似度最高并与背景模板相似度最小的候选目标状态作为跟踪结果,该算法是在贝叶斯滤波框架下实现的。为了适应跟踪过程中目标外观由于光照变化、遮挡、复杂背景以及运动模糊等场景引起的变化,制定了简单却有效的更新机制,对目标和背景模板进行更新。对仿真结果的定性和定量评估均表明与其他跟踪算法相比,所提算法的跟踪准确性和稳定性有了一定的提高,能有效地解决光照和尺度变化、遮挡、复杂背景等场景的跟踪难题。     

基于自适应模板更新的改进孪生卷积网络目标跟踪算法

现有的孪生网络目标跟踪算法采用边界框模板进行跟踪,在目标形变、遮挡等干扰下很容易导致跟踪漂移。在轮廓检测网络和孪生卷积网络(Siamese)跟踪网络的基础上,提出一种基于深度轮廓模板更新的改进孪生卷积网络目标跟踪算法。利用轮廓检测网络获取目标边缘轮廓,降低背景杂波干扰;利用改进的Siamese网络获得轮廓模板和搜索区域的深度特征;通过相似性匹配获得最优跟踪目标。仿真实验结果表明,所提出的改进模型能够提高目标形变、遮挡等干扰下目标跟踪性能,具有较高的工程应用价值。     

基于子区域匹配的稀疏表示跟踪算法

经典稀疏表示目标跟踪算法在处理复杂视频时不免出现跟踪不稳定情况且当目标发生遮挡时易发生漂移现象。针对这一问题,提出一种基于子区域匹配的稀疏表示跟踪算法。首先,将初始目标模板划分为若干子区域,利用LK图像配准算法建立观测模型预测下一帧目标运动状态。然后,对预测的目标模型区域进行同等划分,并在匹配过程中寻找最优子区域。最后,在模板更新过程中引入一种新的模板校正机制,能够有效克服漂移现象。将该算法与多种目标跟踪算法在不同视频序列下进行对比,实验结果表明在目标发生遮挡、运动、光照影响及复杂背景等情况下该算法具有较为理想的跟踪效果,并与经典稀疏表示跟踪算法相比具有较好的跟踪性能。     

自适应模板更新的鲁棒目标跟踪算法*

针对受复杂背景、光照以及目标尺度变化等因素的影响,目标模板更新精度不高,导致跟踪算法鲁棒性差的问题,提出了一种基于深度特征和模板更新的自适应粒子滤波目标跟踪方法。首先对跟踪目标进行仿射变换;然后构造一个12层的卷积神经网络来提取跟踪目标及其仿射变换的深度特征得到目标模板和候选模板,并以此构建候选模板库;其次采用粒子滤波算法跟踪目标,将预测结果与候选模板库中的模板进行匹配,确定新的目标模板并自适应更新候选模板库。实验结果表明,该算法在遮挡、光照、尺度变化、目标旋转和复杂背景的恶劣条件下仍能稳定地跟踪目标,与其他7种先进算法在18组测试视频中进行比较,具有更高的目标跟踪精度和更强的鲁棒性。     

基于子空间联合模型的视觉跟踪

目标跟踪是计算机视觉的重要组成部分,其鲁棒性一直受到目标遮挡,光照变化,目标姿态变化等因素的制约。针对这个问题,提出了基于子空间联合模型的视觉跟踪算法。算法为了克服遮挡对目标跟踪的影响,采用局部动态稀疏表示进行遮挡检测,根据遮挡检测结果来修正增量子空间误差。此外,在稀疏子空间基础上计算目标模板和候选模板的相似性。在粒子滤波框架下,联合候选目标增量误差和相似性实现目标跟踪。通过在多个具有挑战性的视频序列上进行实验,表明该算法具有较好的鲁棒性。     

基于Haar-like特征的实时L1-跟踪算法

稀疏表示技术已成功应用于视觉跟踪,但是仍然存在跟踪算法效率低的问题。提出一种基于Haar-like特征的视频跟踪算法,该算法是基于粒子滤波框架的L1-跟踪算法,其特点是运用Haar-like特征及特征块的思想对完备基进行重新构造。将正负小模板由单个像素改为像素块,降低稀疏表示中过完备基的维数,大幅减少稀疏矩阵的计算量;同时,在保证跟踪质量的前提下适当减少目标模板数量,减少稀疏计算的次数,并控制模板更新频率。实验结果表明,所提算法能大幅提高跟踪的实时性,同时很好地解决了跟踪问题中的短时间遮挡、目标物体的形变以及光照变化等问题。