自适应位置融合的目标跟踪算法

为提高分层卷积特征目标跟踪算法的实时性和鲁棒性,文中提出了一种基于多个相关滤波器预测位置自适应融合的实时目标跟踪算法。该算法首先提取VGG-19网络的Pool4层卷积特征,通过特征均值比对多通道的特征图进行裁剪,提高算法速度。然后利用不同高斯样本分布训练多个相关滤波分类器,并对所有分类器预测的目标位置进行自适应融合,提高算法对目标姿态变化的鲁棒性;最后采用稀疏模型更新策略,进一步提高算法速度。在OTB100标准数据集上测试本文算法, 实验结果表明,该算法的平均距离精度为86.3%,比原分层卷积特征跟踪算法提高了2.6个百分点,在目标发生遮挡、形变、相似背景干扰等情况时具有很好的鲁棒性;平均跟踪速度为45.2帧/s,是原算法的4倍,实时性能良好。     

复杂场景下基于自适应特征融合的目标跟踪算法

为提升复杂场景下目标跟踪的鲁棒性,优化模型运行效率,提出一种基于自适应特征融合的相关滤波跟踪算法。该算法采用方向梯度直方图特征和卷积神经网络来对目标进行信息构建,利用特征响应的峰值旁瓣比和旁瓣值占比自适应地确定融合系数,根据融合响应来预测目标位置。为适应场景的变化,降低光照、背景和目标形变等对跟踪的影响,引入平均峰值相关能量来设计滤波器学习率调整机制,动态地进行模型更新。通过对深度特征提取网络进行轻量化设计,降低特征网络参数,提高跟踪速度。在OTB100通用数据集上进行测试,实验结果表明:文中所提算法有效降低了干扰对目标跟踪的影响,且跟踪精度、成功率和速度整体优于对比算法。     

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。     

改进的核相关滤波跟踪算法

针对核相关滤波算法在目标跟踪过程中尺度特定和遮挡判断失败的问题,文中提出一种利用自适应特征融合的位置滤波器来判断目标是否被遮挡的方法。该方法检测到峰值旁瓣比异常时,停止模型自适应更新,启动在线重检测;并结合尺度金字塔中的尺度滤波器来确定目标尺寸,从而得出精准的目标位置。实验通过复杂背景下的10组运动视频来评估改进算法的性能。与基础核相关滤波算法相比,改进算法的平均中心位置误差降低了36.683 pixel;在像素阈值设为20 pixel时,平均距离精度提升了44.632%;在边界框重叠阈值设为0.5时,重叠精度提升了46.453%。     

基于卷积神经网络的响应自适应跟踪

针对目标跟踪中的遮挡、旋转、快速运动、形变等问题,本文提出基于卷积神经网络的响应自适应跟踪算法。首先,通过卷积神经网络提取目标的多层卷积特征,利用粒子滤波算法获取目标的多模板响应图,自适应学习目标的期望响应;然后通过构造目标函数的对偶形式解决多模板联合优化问题,计算多模板情况下每层卷积特征的最优滤波参数;最后通过相关滤波算法计算多层滤波响应,通过响应加权融合的方式计算最终响应图,以此估计目标位置。本文利用OTB-2013数据集中的方法测试我们提出的算法,实验表明该算法的整体成功率和精确度为0.884和0.915。本文算法在距离准确度、成功率和平均跟踪误差方面均优于传统的相关滤波跟踪算法,有一定研究价值。     

结合注意力机制的核相关滤波目标跟踪

针对目标跟踪中的旋转、快速运动、遮挡等问题 。提出了结合注意力机制的核相关滤波跟踪方法。该方法利用卷积 神经网络提取卷积特征;利用两个样本的相似度矩阵计算注意力权值,并结合注意力权值和 核相关滤波器;使用两个分类 器分别检测目标和背景,并依据两个分类器的响应值实现模型的自适应更新。选取公开数据 集上具有复杂场景的视频序列 进行测试,并与多种跟踪算法在跟踪精确度和成功率上进行定量分析,该算法与原核相关滤 波算法相比,精确度和成功率 分别提高了18.9%、58.7%。实验结果表明,添 加了注意力机制和自适应更新的核相关滤波,较好的解决了遮挡、旋转等 问题,相比其他算法具有更好的鲁棒性和适应性。     

融合判别性与细粒度特征的抗遮挡红外目标跟踪算法

针对现有热红外目标跟踪算法难以处理相似物干扰和目标遮挡的问题,引入MMNet（Multi-task Matching Network）算法中的多任务框架获取热红外目标特定的判别性特征和细粒度特征,并将这两种特征相互融合,用于在类间和类内识别热红外对象。此外,利用峰值旁瓣比动态设置模型更新参数以更高效地获取目标变化信息并对跟踪结果进行评估。对于不可靠跟踪结果利用卡尔曼滤波对目标位置进行预测。在LSOTB-TIR（Large-Scale Thermal Infrared Object Tracking Benchmark）红外数据集上的实验结果表明,提出的改进算法性能较好,相比MMNet跟踪精确度和成功率分别提高了5.7%和4.2%,且能有效应对遮挡、变形等挑战,可以应用于红外目标跟踪领域。     

多特征融合和尺度估计的战斗机跟踪算法研究

为提高场景中战斗机在光照变化、尺度变化、遮挡和形变等因素下的跟踪精度,提出一种基于多种特征融合的核相关滤波算法.将颜色特征、纹理特征和卷积特征进行融合,融合后输出的最大响应值即为检测到的战斗机位置;同时,采用尺度滤波器对战斗机进行尺度估计;模板更新时,引入旁瓣比的概念对战斗机遮挡情况进行判断.实验结果表明,算法的准确度...     

自适应尺度抗模糊核相关滤波跟踪法

针对图像模糊和目标尺度变化而导致跟踪失败的问题 ,提出一种自适应尺度抗模糊核相关滤波跟踪法。首先,构建一个抗模糊特征检测与匹配模 型,该模型将待匹配图像进行掩膜处理,提取目标感兴趣区 域,并利用加速稳健特征(SURF)和二进制尺度旋转不变鲁棒特征(BRISK)描述子对目标区域 进行特征点检测 与描述,通过特征点二次匹配,获取模糊图像中目标的位置。其次,判断当前图像清晰度, 若图像清晰度 高于一定水平,则利用传统的核相关滤波(KCF)算法预测目标位置,并通过比较不同尺度下 的目标响应峰值, 得出目标的最佳尺度;否则,利用抗模糊特征检测与匹配模型获取目标位置。最后,在OTB -2015数据集 中测试算法性能,本文所提算法的精确度为85.2%,比传统的KCF算法 提高17.4%;成功率为77.8%,比 传统的KCF算法提高23%。实验结果表明,所提算法在跟踪过程中可自 适应地改变跟踪框的大小,并且可对模糊图像中的目标进行有效跟踪。     

一种多特征融合的目标跟踪算法

针对目标发生形变、遮挡以及尺度变化导致跟踪失败的情况,本文提出了一种改进的多特征融合的目标跟踪算法。首先,通过计算方向梯度直方图(Histogram of Oriented Gridients,HOG)和颜色命名(Color Names,CN)特征响应相邻两帧峰值旁瓣比(Peak-to-Sidelobe Ratio,PSR)的差值得到这两种特征的融合权重,用得到的权重对HOG和CN特征响应进行自适应融合,将第一次融合后的响应与颜色直方图特征获得的响应以固定权重进行二次融合,并根据融合结果确定目标中心位置。其次,结合最终目标响应值的PSR与其均值的差值变化,对位置相关滤波器和尺度相关滤波器的学习速率进行动态调整。最后,在OTB50标准数据集上进行实验验证,并和其他跟踪算法进行对比。实验结果表明:本文算法在多项性能指标上均优于其他算法,其中精度为81.9%,成功率为61.1%,能有效适应形变、遮挡以及尺度变化场景下的目标跟踪。     

Adaptive model updating for robust object tracking

In this paper, we exploit features extracted from convolutional neural network (CNN) to be better utilized for visual tracking. It is observed that CNN features in higher levels provide semantic information which is robust to appearance variations. Thus we integrate the hierarchical features in different layers of a deep model to correlation filter tracking framework. More specifically, correlation filters are learned on each layer to encode the object appearance. The peak-to-sidelobe ratio (PSR) is employed to measure the differences between image patches. To leverage the robustness of our model, we develop an adaptive model updating scheme to train the correlation filters according to different response maps. Extensive experimental results on three large scale benchmark datasets show that the proposed algorithm performs favorably against state-of-the-art methods.     

基于多层卷积特征的自适应决策融合目标跟踪算法

针对目标快速运动、遮挡等复杂视频场景中目标跟踪鲁棒性差和跟踪精度低的问题,该文提出一种基于多层卷积特征的自适应决策融合目标跟踪算法(ASFTT)。首先提取卷积神经网络(CNN)中帧图像的多层卷积特征,避免网络单层特征表征目标信息不全面的缺陷,增强算法的泛化能力;使用多层特征计算帧图像相关性响应,提高算法的跟踪精度;最后该文使用自适应决策融合算法将所有响应中目标位置决策动态融合以定位目标,融合算法综合考虑生成响应的各跟踪器的历史决策信息和当前决策信息,以保证算法的鲁棒性。采用标准数据集OTB2013对该文算法和6种当前主流跟踪算法进行了仿真对比,结果表明该文算法具有更加优秀的跟踪性能。     

基于相关滤波器的视觉目标跟踪方法

为了解决视觉目标跟踪中的尺度预测的难题,本 文在核相关滤波器的目标跟踪的框架下给出了一种 尺度估计策略,并对传统的核相关跟踪方法中目标模型的在线更新方法进行了修改,提出了一 种多尺度视觉 目标跟踪算法。首先,通过对正则化最小二乘分类器(RLS)学习获得位置和尺度核相关滤波 器(KCF);然后,寻找位 置和尺度KCF输出响应的最大值,完成目标位置和尺度的检测;最后,在线更新目 标模型。实验中,对 12组具有挑战性的标准视频序列进行测试。实验结果表明,相对于现 有的3种基于相关滤波器的跟 踪方法中的最优者,本文方法的平均中心位置误差(CLE)减 少了7.0pixels,平均成功率(SR)提 高了18.3%,平均距离(DP)精度提高了 5.6%;在目标发生尺度、光照、姿态变化、部 分遮挡、旋转及快速运 动等复杂情况下,本文方法均有较强的适应性,具有重要的理论和应用研究价值。     

Design and verification of on-chip debug circuit based on JTAG

An on-chip debug circuit based on Joint Test Action Group (JTAG) interface for L-digital signal processor (L- DSP) is proposed, which has debug functions such as storage resource access, central processing unit (CPU) pipeline control, hardware breakpoint/ observation point, and parameter statistics. Compared with traditional debug mode, the proposed debug circuit completes direct transmission of data between peripherals and memory by adding data test-direct memory access (DT-DMA) module, which improves debug efficiency greatly. The proposed circuit was designed in a 0-18 μm complementary metal-oxide-semiconductor ( CMOS) process with an area of 167 234.76 μm² and a power consumption of 8.89 mW. And the proposed debug circuit and L-DSP were verified under a field programmable gate array (FPGA). Experimental results show that the proposed circuit has complete     

Real-time hand tracking based on YOLOv4 model and Kalman filter

Aiming at the shortcomings of current gesture tracking methods in accuracy and speed, based on deep learning You Only Look Once version 4 (YOLOv4) model, a new YOLOv4 model combined with Kalman filter rea-time hand tracking method was proposed. The new algorithm can address some problems existing in hand tracking technology such as detection speed, accuracy and stability. The convolutional neural network (CNN) model YOLOv4 is used to detect the target of current frame tracking and Kalman filter is applied to predict the next position and bounding box size of the target according to its current position. The detected target is tracked by comparing the estimated result with the detected target in the next frame and, finally, the real-time hand movement track is displayed. The experimental results validate the proposed algorithm with the overall success rate of 99.43%     

WSN中视觉辅助方案结合TI CC2431 ZPS平台的跟踪定位方法

针对无线传感器网络中,位置跟踪定位方法在短时间内速度的急剧变化可能导致角效应并降低定位精度以及单个方案难以提高定位精度的问题,提出一种在TI CC2431 ZPS 平台上,利用卡尔曼滤波(KF)和视觉辅助的跟踪定位方法。在归一化互相关的基础上使用视觉辅助校准技术,根据视觉辅助方法提取参考节点的位置作为地标,然后使用KF方法校准位置估算。提出的方法有效避免了实际动态环境中系统错误导致的不确定性,降低位置估算系统中的角效应,提高了定位精度。实验结果表明：TI ZPS方法和基于KF的方法都有超过56%的估计位置误差距离分别小于2.3 m和1.9 m;而提出的跟踪定位方法有超过56%的估计位置误差距离小于1.5m。     

基于相关滤波的红外目标跟踪抗遮挡处理

针对传统的相关滤波算法在红外目标跟踪过程中,目标被完全遮挡后跟踪失效的问题,提出一种结合了多尺度滤波跟踪器和基于深度学习检测器的目标实时跟踪抗遮挡算法.首先使用跟踪器跟踪目标,计算目标的峰值响应强度并比较峰值响应强度与经验阈值的大小以判断目标是否被遮挡或跟踪丢失.然后当目标被遮挡或跟踪丢失时,停止更新跟踪器,由于目标被...