基于自适应特征分布更新的压缩跟踪算法

传统压缩跟踪算法使用固定学习率更新特征分布,导致跟踪易受遮挡影响且鲁棒性较低。为此,提出一种可自动调节特征分布学习率的压缩跟踪算法。利用压缩感知理论得到样本的压缩域特征并计算其在正负类中的特征分布,结合两帧之间特征分布重叠度和正类更新阈值自适应更新特征分布,通过样本分类实现目标跟踪。在此基础上,利用相邻两帧目标改进的SIFT特征求解目标尺度变化,使跟踪窗口随目标变化实时更新。实验结果表明,该算法可有效抵抗遮挡、光线、尺度等因素对跟踪的干扰,具有较高的准确性、鲁棒性以及实时性。     

基于特征加权的快速压缩感知跟踪

基于压缩感知的目标跟踪算法具有简单、实时、高效的特点。快速压缩感知目标跟踪算法FCT(Fast Compressive Tracking)生成目标高维特征未考虑不同尺度滤波器生成特征的有效性,目标与候选样本之间的相似性度量仅考虑简单叠加,在目标受到光照、遮挡等外界因素的影响下易使跟踪结果出现偏差。针对这些问题,提出一种基于特征加权的快速压缩感知跟踪算法。该算法根据滤波器尺度,自适应地分配权值,生成目标高维特征。算法将候选样本各维压缩特征分类为目标压缩特征的可能性与贝叶斯分类器输出相乘,作为目标与候选样本之间的相似性度量。实验结果表明,提出的方法在目标受到光照、遮挡等外界因素的影响下具有更强的鲁棒性。     

一种基于压缩域的实时跟踪改进算法

在基于压缩域的实时跟踪算法中,判别函数对目标外观考虑不足易造成跟踪精度较低。为此,提出一种改进的基于压缩域的实时跟踪算法。利用稀疏测量矩阵提取候选目标的低维多尺度特征,并根据在线更新的特征概率分布,采用朴素贝叶斯分类器判别目标与背景,实现粗跟踪。通过视频帧间候选目标内部区域所具有的相似性,在粗跟踪的基础上实施基于动态目标外观模型的二次跟踪,在线寻找目标的最佳跟踪位置。对多种跟踪视频库的测试结果表明,该算法在不过量增加计算负荷的情况下能有效提高跟踪精度。     

基于特征在线选择的目标压缩跟踪算法

基于压缩感知理论的压缩跟踪算法能够有效地实现对目标的跟踪, 具有良好的实时性, 但该算法对目标特征没有进行在线选择导致跟踪鲁棒性不高. 本文提出一种基于特征在线选择的目标压缩跟踪算法. 首先, 在目标附近采样得到正负样本集合, 计算样本的多尺度矩形特征, 采用压缩感知中的随机投影矩阵对高维特征投影得到低维压缩域特征, 对压缩域特征进行在线选择提取最优特征, 剔除被污染的样本特征, 使用简单高效的朴素贝叶斯分类模型进行样本判断, 实现对目标的跟踪, 同时对跟踪中目标在摄像头中的尺度变化进行建模, 给出目标尺度变化的定量描述, 实现了适应目标尺度变化的多尺度跟踪. 实验结果表明本文算法具有更好的鲁棒性与更高的跟踪精度, 对目标跟踪中的遮挡、光线突变、尺度变化和非刚性形变等因素具有较好的抗干扰能力, 同时算法复杂度低, 可以满足实时性要求.     

结合目标预测位置的压缩跟踪

目的：提出结合目标预测位置的压缩跟踪算法用于提高目标跟踪的准确度。方法：选择随机间距稀疏Toeplitz矩阵作为投影矩阵,对原始多尺度Haar-like特征进行压缩;然后,将样本与Mean Shift算法框架下的预测位置的距离权重输入Bayes分类器,形成分类背景与目标的判别函数;最后对参数的更新方式进行优化,提出了参数自适应的学习模式。结果：与目前较流行的6种目标跟踪算法在20个具有挑战性的序列中进行比较,实验结果表明本文提出的算法平均跟踪成功率比压缩跟踪算法将近高27%,平均运行时间为0.15秒/帧。结论：本文采用了结合预测位置的压缩跟踪算法,在参数更新阶段采用了非线性参数学习模式,实验表明结合目标预测位置的跟踪算法比一般的跟踪算法更具有鲁棒性,更能适应遮挡等情况,跟踪的效果也更加平滑。     

核相关滤波跟踪算法的尺度自适应改进

针对基于检测的核相关滤波跟踪（CSK）算法难以适应目标尺度变化的问题,提出多尺度核相关滤波分类器以实现尺度自适应目标跟踪。首先,采用多尺度图像构建样本集,训练多尺度核相关滤波分类器,通过分类器对目标的尺度估计实现目标的最佳尺度检测;然后,在最佳尺度下采集样本在线学习更新分类器,实现尺度自适应的目标跟踪。对比实验与分析表明,本文算法在目标跟踪过程中能够正确适应目标的尺度变化,相比CSK算法,偏心距误差减少至其1/5~1/3,能满足复杂场景长时间跟踪的需求。     

尺度自适应的压缩跟踪算法

针对原始压缩跟踪使用固定大小的跟踪框来跟踪目标,提出一种尺度自适应的压缩跟踪算法,在原始的压缩跟踪算法的基础上加入粒子滤波方法,利用分类器的响应产生粒子权重,根据粒子权重大小重新采样,从而避免了粒子退化,利用一个2阶的状态转换模型去估计目标的当前位置和尺度大小,使得跟踪算法能适应运动目标的尺度变化。实验结果表明,与原始的压缩跟踪算法相比,该算法在视频流中的跟踪性能得到提升。     

基于压缩感知的互补特征加权目标跟踪算法

针对基于压缩感知的目标跟踪算法中存在特征单一,在目标纹理或光照变化较大时跟踪不稳定的问题,提出了基于压缩感知的互补特征加权目标跟踪算法。该算法通过两个随机测量矩阵提取出两类互补的纹理特征和灰度均值特征,计算这两类特征对样本的分类结果并更新特征的权值,使用所选取的大权值特征寻找目标在下一帧的位置。在分类器更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新。对不同视频的实验结果表明,提出的算法跟踪准确,且满足实时性的要求。与相关算法相比,新算法在目标纹理或光照变化很大的情况下具有更强的鲁棒性。     

结合特征筛选与二次定位的快速压缩跟踪算法

针对压缩跟踪算法易受遮挡影响和模型更新比较盲目的问题,提出结合特征筛选与二次定位的快速压缩跟踪算法（Fast compressive tracking algorithm combining feature selection with secondary localization,FSSL-CT）.首先,对全局区域划分子区域,从中提取压缩特征,根据正、负样本估计出各个压缩特征在正、负类中的分布; 然后,使用自适应学习率结合正类更新阈值对分类器模型进行更新; 最后,将跟踪分为两个阶段,每个阶段在对应的搜索区域内采集候选样本,并从全部特征中筛选出部分优质特征加权构建分类器,通过分类候选样本最终完成目标跟踪.在8个公共测试序列和4个自制序列中与最近提出的两个代表性算法进行比较,本文算法在大多数测试序列中都具有最高的跟踪成功率和最低的平均中心误差,平均处理速度可以达到3.04毫秒/帧.实验结果表明,本文算法具有更好的抵抗短时遮挡的能力,更高的准确性和鲁棒性,以及良好的实时性.     

基于图像传感器的上下文快速压缩感知算法

针对快速压缩感知算法在目标被遮挡、光照变化较大时存在跟踪不稳定的问题,提出了基于图像传感器的上下文快速压缩感知跟踪（ FCT）算法。新算法首先在Haar-like特征中引入时空上下文特征,通过目标周围的空间信息和时间上的递推关系协助估计目标的位置。通过改进的随机测量矩阵同时提取目标的纹理特征和灰度特征,加强了特征的稳定性,提高跟踪的准确性。通过方差分类器预判定候选样本,减少判定的次数,并减少错误的候选样本。改进的FCT算法对光照、旋转、尺度缩放都有良好的不变性,且不易发生跟踪漂移。实验证明：改进的FCT算法优于压缩感知跟踪（ CT）算法和FCT算法。