多特征自适应融合的相关滤波目标跟踪算法

本文针对单一特征目标相关滤波算法因光照变化、目标遮挡、低分辨率和运动模糊等导致目标跟踪的稳定性较差的问题,提出了一种将多种特征进行自适应融合的跟踪算法.本文算法在FDSST算法的基础上,自适应融合梯度直方图特征HOG(Histogram of Oriented Gradient)、颜色名特征CN(Color Name)...     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

自适应位置切换相关滤波目标跟踪

为解决卷积特征目标跟踪算法精确度和速度相互制约的问题,文中提出了一种基于峰值旁瓣比的自适应位置切换的相关滤波目标跟踪算法。将Pool4和Conv5-3层作为特征提取层,通过特征能量均值比获取有效的卷积特征,提高算法的速度;然后利用不同样本分布训练多个相关滤波器,并根据峰值旁瓣比筛选出最适分类器进行位置预测,提高了跟踪器的泛化能力;最后利用稀疏模型更新策略更新滤波器模板,减小过拟合现象的同时进一步提高算法的速度。在OTB100标准数据集上测试该算法,实验结果表明,文中所提算法的精确度为88.8%,较原分层卷积跟踪算法提高了6.1%;跟踪速度为47.5帧/s,是原算法的5倍,显示了良好的实时性能。     

位置-尺度异空间协调的多特征选择相关滤波目标跟踪算法

针对传统相关滤波跟踪算法在目标发生尺度变化和遮挡时容易导致跟踪失败的问题,本文提出位置-尺度异空间协调的多特征选择相关滤波目标跟踪算法。首先,提取目标区域的快速方向梯度直方图特征、颜色空间特征和灰度特征,特征间的不同组合方式构成特征池以加强滤波器的判别性能,将组合得到的特征分别进行相关滤波跟踪;其次,依据每种特征响应的鲁棒性得分,选择分数最高的响应图最大值预测目标位置;然后,转换坐标至对数极坐标中,使用相位相关滤波器进行目标尺度估计;最后,设计一种高置信度模型策略更新模板。在标准数据集TB-50和OTB-2015上的实验结果表明,本文提出的算法在目标发生尺度变化、遮挡、旋转、出视野和背景杂乱等情况下,仍具有较好的跟踪有效性。      

多特征融合与尺度估计相结合的目标跟踪算法

针对传统目标跟踪算法判别力及稳健性不足的问题,本文在对跟踪输出响应图可信度进行充分研究的基础上,结合目标尺度估计方法,提出多特征融合和自适应尺度估计相结合的目标跟踪算法.该方法通过计算不同特征模型下的输出响应图可信度,实现对两种互补的特征进行自适应加权融合,有效地提升了表观模型的鉴别力及泛化性能.尺度估计模块通过构建多分辨率特征金字塔、训练尺度滤波器及尺度特征降维,避免了在尺度空间内的穷举式搜索.实验表明文中算法有效地提升了跟踪过程中的准确率和成功率,能够适应遮挡、形变等复杂场景下的目标跟踪,并且具有非常高的效率.     

基于自适应响应融合的相关滤波红外目标跟踪

红外目标跟踪在军事和民用视频监控领域有重要的研究意义,但受热成像原理限制,红外目标分辨率低、对比度低、纹理信息缺失。针对红外目标特征信息量少导致跟踪性能较低的问题,提出一种基于自适应响应融合的相关滤波跟踪算法。该算法基于连续卷积运算的相关滤波跟踪框架,通过构造视觉显著性特征来增强目标外观描述,并结合对冲决策理论对由不同特征计算得到的多个滤波响应进行自适应融合,最终根据融合响应预测目标中心位置。此外,通过尺度滤波器来实现目标的尺度预测,得到完整的跟踪结果。在公开的红外视频数据集VOT-TIR2016进行测试,实验结果表明:与同类算法相比,该算法表现出更高的跟踪精确度和鲁棒性。     

基于多特征自适应融合的均值迁移目标跟踪算法

针对复杂环境下,均值迁移算法只使用 颜色特征跟踪目标鲁棒性差的问题,提出一种多特征自适应融合的MS目标跟踪算法。算法在 跟踪场景的动态变化过程中,通过选择对目标和背景区分能 力强的特征描述目标,建立多特征 融合目标模型,并设置特征重要性权值。给出了多特征融合目标定位公式。通过 动态评估不同特征在不同跟踪场 景中的可靠性,对特征权值进行动态更新以及多特征自适应融合。依据不同特征的权值给出 一种选择性模板更新机制,以减 轻目标模型的漂移。实验结果表明,提出的算法在复杂场景下,具有更高的鲁棒性和跟踪效 率。     

基于特征融合的粒子滤波红外目标跟踪算法

复杂环境中稳健的红外目标跟踪在自主导航、无人机探测、预警等方面具有重要研究意义.就经典粒子滤波红外目标跟踪算法中单一的灰度特征缺乏鲁棒性引起跟踪失效的问题,提出了一种基于特征融合的粒子滤波红外目标跟踪算法.结果表明,该算法能够从跟踪鲁棒性、准确性和实时性3个方面实现稳健的红外目标跟踪.     

基于多表观特征子模型更新的鲁棒视觉跟踪

在视觉跟踪中,传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题.为改善该性能,提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先建立候选子模型库,然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息,最后将当前帧三种特征直方图信息与候选库中各子模型分别计算加权相似度,更新候选库后与阈值比较,判断是否更新当前子模型.实验结果表明：本文算法能够对特征相应子模型进行有效的选择性更新,与对比算法比较,在多种复杂变化的跟踪条件下,总体上能够具有更好的跟踪鲁棒性.     

基于自适应模型更新的实时跟踪算法

为提高分层卷积特征目标跟踪算法的速度和精度,文中提出了一种基于自适应模型更新的单层卷积特征目标跟踪算法。首先提取Pool4层的多通道的卷积特征对训练样本的类标函数进行调整,在确保跟踪精确度的同时提高了算法的速度。该算法引入了平均峰值能量比,通过比值变化情况反馈目标跟踪的结果,与稀疏模型更新策略相结合,对跟踪器进行自适应更新,提高了算法对遮挡和相似物干扰的鲁棒性。对于目标快速尺度变化问题,文中采用尺度金字塔对尺度进行评估,提高了跟踪器的泛化能力。在OTB2013和OTB2015上测试新算法,实验结果表明,该算法的平均距离精度分别为91.0%和86.8%,平均速度约43 帧/s,局域良好的鲁棒性和实时性。     

基于局部分块学习的在线视觉跟踪

视觉跟踪中,如何构建一种能够适应目标表观特征变化的目标模型是增强算法跟踪精度和稳定性的关键之一。本文提出利用跟踪区域内像素的初始分类标记来构建目标的局部分块模型,并在贝叶斯理论框架下提出了基于局部分块学习的在线视觉跟踪算法。首先,利用标定的初始跟踪区域构建目标的局部分块模型;然后,在当前跟踪区域中通过局部分块学习和贝叶斯估计确定当前帧的跟踪结果;最后,利用特征聚类对局部分块模型进行更新。实验结果表明：所提算法对目标表观变化的适应性明显增强,跟踪精度和稳定性较近年来的同类算法均有一定提高。     

基于深度空间正则化的相关滤波跟踪算法

近年来,结合深度特征的相关滤波算法由于较高的跟踪精度在视觉跟踪领域受到了广泛的关注.对训练样本的周期性假设一方面提高了计算效率,但是也引入了边界效应,限制了算法性能的进一步提升.通过对深度特征表达能力的深入挖掘,本文提出了一种新的跟踪框架.由于深层特征具有良好的语义信息,选取VGG网络第五层卷积特征提取目标的空间可靠区域,将该区域信息用于对样本进行裁剪并引入目标函数,建立空间约束模型,接着采用ADMM算法进行迭代求解.为了进一步提高算法的长时跟踪能力,提出一种简单有效的遮挡判断方法.实验结果表明,所提出的算法在跟踪精度和成功率上优于大多数先进的算法.     

基于主分量寻踪的鲁棒视觉跟踪

传统子空间跟踪易受到模型漂移的影响而导致跟踪失败.针对此问题,本文提出一种基于主分量寻踪的鲁棒视觉跟踪方法.该方法以多个模板张成的子空间作为目标表观模型,利用主分量寻踪求解候选目标的误差分量,在粒子滤波框架下利用候选目标的误差分量估计最优状态参数.为了适应目标表观变化并克服模型漂移,本文提出一种模板更新方法.当跟踪结果与目标模板相似时,该方法利用跟踪结果更新目标模板,否则利用跟踪结果的低秩分量更新目标模板.在多个具有挑战性的图像序列上的实验结果表明:与现有跟踪方法相比,文中的跟踪方法具有较优的跟踪性能.     

视频目标跟踪典型算法比较与分析

视频目标跟踪由于场景和目标的外观变化等问题的存在,仍旧是计算机视觉领域研究的热点和挑战。本文阐述了视频目标跟踪技术的研究背景,介绍了视频目标跟踪系统组成原理、研究现状。文章重点分析了几种近来较为前沿的跟踪算法并进行分析比较。本文还对跟踪算法的评价指标以及典型的标准库进行介绍。最后归纳总结了视频目标跟踪的发展前景以及面临的问题挑战,为下一步研究奠定基础。     

基于改进协作目标外观模型的在线视觉跟踪

在不受限制的复杂环境中在线跟踪任意类型的感兴趣目标仍是一项极具挑战的难题.本文在无模型跟踪框架基础上提出一种基于改进协作目标外观模型的在线视觉跟踪方法,解决了大多数协作模型类跟踪算法在学习阶段无法有效选择正、负样本的问题.该方法根据人类视觉感知准则将目标边缘信息视为最具区分度的目标特征,提出边缘判别模型并结合动态模型和检测模块建立二级似然匹配空间,为生成模型的似然匹配去除了背景干扰;采用分块策略建立目标生成模型,为模型引入空间结构信息;利用Mean-Shift计算各子块的最终位置和匹配系数,并根据子块匹配系数为遮挡处理和模型更新提供依据.在公开视频序列上同几种流行视觉跟踪算法的对比实验结果证明了本文算法的有效性和优越性.     

基于注意力学习的正则化相关滤波跟踪算法

边界效应是制约相关滤波跟踪性能的一个重要因素.目前大多数方法只是简单地采用先验知识,如逆高斯分布,预设掩模等,或者分割前景目标作为正则化项,进行约束求解,并没有考虑目标的空时域特性.针对这一问题,本文提出一种基于注意力学习的正则化相关滤波跟踪算法.该方法考虑目标在空间中的分布特性,利用注意力机制学习目标的特定空间权重,适应目标在空域中的变化;同时利用目标在时域中的连续性,通过对注意力权重矩阵的约束来间接调整滤波器;最后通过交替方向乘子（ADMM）算法迭代优化模型.我们在标准的数据库上进行大量实验,结果表明本文算法能实时跟踪目标,并且在精确度和成功率上都有了一定的提升.     

基于二阶池化网络的鲁棒视觉跟踪算法

针对低分辨率、遮挡以及相似物体干扰等复杂场景下目标易丢失的问题,本文提出了基于二阶池化网络的视觉跟踪算法.已有的方法大多采用一阶池化网络,使得对低分辨目标和相似目标间的区分性不足.对此,本文首先在VGG16网络结构的基础上,将网络最后的一阶池化层替换为二阶协方差池化层,接着在ImageNet和CUB200-2011数据集上对网络进行重新训练.在跟踪阶段,为了减少运算负担,仅提取预训练网络的第四层卷积特征作为目标的外观表征.最后将提取的特征与已有的相关滤波算法进行结合.实验结果表明,本文算法在跟踪精度和成功率上均取得了优异的性能表现.