一种多特征和动态权重策略的目标跟踪算法

传统的单一特征很难准确描述目标的外观特征，无法对目标进行大范围的精确跟踪。针对这一问题，提取卷积特征和颜色直方图特征分别训练相关滤波模型，并提出了一种动态权重策略可自适应地融合两种特征响应图。在模型更新方面，引入目标周围的背景信息，共同训练相关滤波器。将该算法在OTB2013和OTB2015数据集上进行了测试。实验结果表明，该算法可以有效地提高跟踪的准确性和成功率。     

自适应特征融合的核相关滤波目标跟踪算法研究

在核相关滤波目标跟踪算法中,为了克服采用单一特征导致的特征表达不足,以及采用线性插值模型更新策略造成模型漂移的问题,提出了一种自适应特征融合和模型更新的核相关滤波目标跟踪算法. 首先使用主成分分析法对方向梯度直方图特征和颜色名特征进行降维,以提高算法的运行速度; 其次计算两种特征的响应图,用所得响应图的峰值与平均峰值相关能量值的乘积来计算响应图权重,实现响应图的加权融合,从而获得目标位置; 最后根据两帧间颜色名特征的相似度调整模型更新速率. 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,能够提高处理速度.     

迁移学习融合双HOG特征的目标跟踪

目标跟踪是计算机视觉的关键技术之一,应用于模式识别、自动控制等领域. 深度学习的跟踪算法具有良好的性能,但在快速运动情况下,低层HOG特征易受影响,跟踪性能较弱. 提出一种结合线下训练深度特征的鲁棒跟踪方法. 通过线下训练VGG模型,线上构造双HOG特征并进行最优选择,将线下训练提取的特征迁移到线上,与最优HOG特征响应融合. 首先,线下逐层训练VGG网络,卷积层负责提取卷积特征. 然后,在线提取当前帧目标区域的HOG特征,并分解为HOG1和HOG2,对其进行滤波处理,选择最优特征. 最后,融合卷积特征响应和HOG最优特征响应得到特征响应图,预测目标的新位置. 在OTB-2013、OTB-2015基准数据集上与其他6个算法对比. 结果表明,该方法在处理快速运动、背景混乱、形变等跟踪方面具有良好的性能.     

基于卷积神经网络的移动网络目标跟踪与控制

针对移动网络目标跟踪与控制过程中易出现遮挡、形变和模糊等问题,提出了基于卷积神经网络的移动网络目标跟踪与控制方法.利用卷积神经网络构建CNN模型,在原始移动网络目标图像金字塔内,提取多尺度特征,结合滤波算法获取的移动目标响应图,在多模板条件下求解各层卷积特征滤波最佳参数,通过最佳参数和滤波响应获取最终响应图,根据最终响应图中响应最大值实现移动网络目标的自适应跟踪与控制.实验结果表明,所提方法平均跟踪精确度为97.18%,平均跟踪成功率为95.93%,中心位置平均误差为4.38,误差幅值较小,具有良好的目标跟踪与控制能力.     

一种基于ResNet网络特征的视觉目标跟踪算法

针对复杂场景下目标容易丢失的问题,提出了一种基于深度残差网络（ResNet）特征的尺度自适应视觉目标跟踪算法.首先,通过ResNet提取图像感兴趣区域的多层深度特征,考虑到修正线性单元（ReLU）激活函数对目标特征的抑制作用,在ReLU函数之前选取用于提取目标特征的卷积层;然后,在提取的多层特征上分别构建基于核相关滤波的位置滤波器,并对得到的多个响应图进行加权融合,选取响应值最大的点即为目标中心位置.目标位置确定后,对目标进行多个尺度采样,分别提取不同尺度图像的方向梯度直方图（fHOG）特征,在此基础上构建尺度相关滤波器,从而实现对目标尺度的准确估计.在视频集OTB100中与其他6种相关算法进行了比较,实验结果表明,所提算法取得了较高的跟踪成功率和精确度,能够较好地适应目标的尺度变化、背景干扰等复杂场景.     

联合检测的自适应融合目标跟踪

由于各种因素的干扰,在现实复杂的情况下目标跟踪过程中可能出现模型漂移和跟踪失败等问题,针对目标跟踪的鲁棒性和准确性提出一种联合检测的自适应融合目标跟踪算法。根据深层和浅层卷积特征具有的不同优点,使它们单独作用于相关滤波器得到其各自的响应分数,通过最小化损失使不同卷积特征的响应分数自适应融合。结合本研究的位置检测方法判断预测位置的有效性和真实性,得到最优的目标跟踪结果。在OTB-2015和VOT-2017两个数据库中进行大量测试,试验结果表明,本研究所提方法与LSART算法相比鲁棒性提高了10%,准确性提高了3.9%,并且对目标遮挡和尺度变化具有出色的性能表现。     

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.     

融合ELM和相关滤波的鲁棒性目标跟踪算法

为解决目前主流相关滤波跟踪方法中跟踪结果容易陷入局部最优值以及因引入深度学习带来的特征提取过程过慢的问题,提出一种融合极限学习机和相关滤波器的鲁棒性目标跟踪算法。该算法在C-COT算法的基础上对其特征提取方式和置信图的寻优方法进行改善。首先,利用多层稀疏自编码极限学习机技术,设计新的特征提取模型,以代替原来的卷积神经网络,可快速且高效地提取图像特征;其次,在特征提取模型之后,添加在线序列极限学习机,构建目标粗糙位置估计模型,采用多峰检测方法初步求得目标的预测位置;第三,根据初步的目标预测位置确定置信图的搜索区域,避免跟踪结果陷入局部最优值;最后,在3个目标跟踪标准数据集上验证新算法的有效性。实验结果表明,新算法的跟踪速度是C-COT算法的12.9倍,且对遮挡、运动模糊以及相似目标等有较强的鲁棒性,可有效地提高跟踪精度和速度。     

基于多高斯相关滤波的实时跟踪算法

针对分层卷积特征目标跟踪算法实时性不足和单分类器对目标表观变化适应能力差的问题,提出多高斯相关滤波器融合的实时目标跟踪算法. 为了加快跟踪算法,提取VGG-19网络的Pool4和Conv5-3层的多通道卷积特征,通过稀疏采样减少卷积特征通道数;为了防止特征减少造成精确度下降,利用不同高斯分布样本训练多个相关滤波器,并对所有分类器预测的目标位置进行自适应加权融合,提高算法对目标姿态变化的鲁棒性;采用稀疏模型更新策略,进一步提高算法速度,使算法具有实时性. 在OTB100标准数据集上对算法进行测试,结果表明,该算法的平均距离精度为86.6%,比原分层卷积特征目标跟踪算法提高了3.5%,在目标发生遮挡、形变、相似背景干扰等复杂情况时具有较好的鲁棒性;平均跟踪速度为43.7帧/s,实时性更好.     

基于改进核相关滤波算法的目标跟踪

针对核相关滤波算法仅使用一种特征表达进行目标追踪,使其在一些场景中跟踪效果不佳的问题,提出了一种多特征融合的核相关滤波跟踪方法。采用31维的方向梯度直方图特征、58维的局部二值模式特征和1维的灰度特征进行融合。该算法选择在特征层进行特征融合,先将方向梯度特征和局部二值模式特征并联融合,再将融合后的特征串联融合灰度特征,形成新的特征表达。在OTB(Object Tracking Benchmark)数据集上进行了测试,结果表明,该算法具有更好的跟踪效果。     

在线判别式超像素跟踪算法

针对传统超像素跟踪方法中建模速度慢、目标遮挡易漂移的问题,提出一种新的目标跟踪算法．该算法利用超像素分割,获得大量目标前景和背景的超像素训练数据,通过训练超限学习机,并结合k-d树聚类快速构建目标前景和背景的判别式模型．在跟踪过程中,利用构建的模型和粒子滤波估计目标中心位置．最后结合相关滤波估计目标尺度,实现对目标的鲁棒性跟踪．实验结果表明,所提算法具有可靠的跟踪精确度和较快的跟踪速度．     

基于成像声呐的水下多目标跟踪研究

针对水下多目标跟踪问题,提出基于成像声呐的高效目标跟踪算法. 基于声呐的成像特点,针对声学图像中的每个像素点,建立基于信号强度的回波信号模型,提取图像中的个体目标. 采用基于序贯蒙特卡罗的概率密度假设(SMCPHD)滤波对各目标状态进行滤波,结合Auction航迹识别算法将滤波后的目标状态与已确定的航迹进行关联,实现多目标跟踪. 通过算法的仿真分析发现,该方法相对于基于数据关联型的多目标跟踪算法如联合概率数据关联(JPDA)算法、多假设跟踪(MHT)算法,大大提高了计算效率. 对采集的现场数据进行目标提取与跟踪,获得目标的跟踪轨迹.     

基于改进SSD模型和自适应滤波算法的水面漂浮物目标检测跟踪方法

水面漂浮物严重破坏河道景观和水生态环境,通过摄像头实施河湖可视化监管以改善河湖面貌,已成为积极落实“河湖长制”政策的重要技术手段。但由于河流环境复杂多样,存在水波扰动、动态光影和强光反射等诸多噪声问题,现有方法难以满足水面漂浮物实际管理需求。本文结合单帧检测与多帧滤波,提出了一种基于深度学习的水面漂浮物目标智能检测跟踪方法。在单帧检测中,删除5*5及以下低分辨率特征图,通过特征求和方式增强76*76高分辨率特征图以提升SSD检测算法在小尺度漂浮物目标的检测精度;在多帧滤波中,基于时空相关性和运动信息构建自适应滤波AF算法框架,计算视频帧中帧与帧之间的关联性,根据漂浮物目标的空间位置的变化幅度自适应删除偏离运动轨迹的漂浮物目标检测结果,以降低漂浮物跟踪漂移;在信息融合阶段,通过特征对比融合检测和滤波信息,实现检测信息和跟踪信息动态互补,并以不同检测跟踪场景数据集进行训练与验证。结果表明：在简单水面场景下中心位置误差为8个像素点时该方法的检测跟踪精度达到100%,成功率面积为0.94,平均速度达到17.27FPS,计算复杂度为7.18Billion;在复杂水面场景下中心位置误差为10个像素点时该方法的跟踪精度和成功率面积分别为93.24%和0.81,平均速度和计算复杂度分别为15.02FPS和8.76Billion,在复杂环境下兼顾了检测跟踪精度和效率。