一种复杂场景下的运动目标跟踪算法

提出了一种基于跟踪窗口自适应和抗遮挡的目标跟踪算法。采用Mean Shift算法确定当前帧的目标位置,最优选取核函数带宽,使跟踪窗口能够根据目标尺寸大小作出自适应调整。利用Bhattacharyya系数作为遮挡的判断依据,当目标遮挡时引入卡尔曼滤波器估计目标的运动信息,进行后续状态预测。实验表明,该算法能有效跟踪复杂场景下的运动目标。     

均值漂移算法中的目标模型更新方法研究

均值漂移(Mean shift)是一种鲁棒的快速模式匹配算法, 但该算法框架下现有的整体模型更新策略不足以对场景中目标外观变化、遮挡等情况进行有效处理. 为此, 本文提出了一种Mean shift框架下的选择性子模型更新策略, 将特征模型中的每个分量作为单独个体, 基于每个分量的匹配贡献度, 分别选择当前帧中需要更新的子模型分量及其更新权值. 实验结果表明本文算法具有比整体模型更新策略更好的跟踪鲁棒性.     

模糊自适应运动目标跟踪算法

运动目标在跟踪过程中往往伴随着尺度、形状的变化,Mean shift跟踪算法由于采用固定的核窗宽度进行运动目标跟踪,因而它本身不能适应这种变化。针对Mean shift算法存在的缺点,提出一种基于模糊推理的自适应Mean shift跟踪算法,该算法利用卡尔曼滤波算法对目标当前位置进行预测;设计模糊判定准则在线调整目标尺度值,利用Mean shift迭代运算逐步逼近目标完成跟踪;利用相似度和置信度系数设计模型更新准则,以实现模板的自适应更新。实验结果证明,该算法能够适应目标尺度和背景的变化,较普通的Mean shift跟踪算法不仅跟踪精度提高,而且鲁棒性更强。     

基于Mean Shift算法和NMI特征的目标跟踪算法研究

针对传统Mean shift跟踪算法对空中运动目标跟踪效果不理想的问题, 提出了基于Mean shift算法和归一化转动惯量(Normalized moment of inertia, NMI)特征的目标跟踪算法. 算法中引入了目标NMI特征, 建立了基于虚警概率最小原则和相似度二级判决门限的跟踪策略, 对目标模型进行更新. 同时利用卡尔曼滤波, 在目标被遮挡后进行估计预测. 实验表明该算法在空中运动目标存在较大形变、被遮挡等情况下, 能够进行实时、稳定跟踪.     

复杂场景下灰度图像的运动目标跟踪

提出了一种对复杂场景下灰度图像序列中运动目标分割和跟踪的新方法:首先,利用光流法分割出运动目标;然后,以mean shift算法为核心跟踪感兴趣的目标.跟踪过程中以目标灰度直方图为特征进行帧与帧之间的目标匹配,其匹配的相似度以Bhattacharyya系数来测量.算法中利用Kalman滤波器对运动目标在图像中的位置进行预测,不仅可以有效解决目标的暂时遮挡问题,而且可以缩小模式匹配的搜索范围,提高处理速度.实验结果和对实验相关数据的分析验证了该跟踪算法的有效性和实时性.     

基于颜色-纹理特征的目标跟踪

针对传统的基于颜色特征目标跟踪算法在一些复杂场景中存在的跟踪不稳定性,提出一种基于颜色 纹理特征的目标跟踪算法;在传统的基于颜色Mean shift的目标跟踪算法中加入纹理特征,在提取目标颜色特征的同时提取目标的纹理特征,并且采取串接原则,在搜索目标新位置时仍然沿用传统的基于颜色的均值漂移跟踪算法,但在每一次迭代过程搜寻目标最佳的位置点即特征相似最大的区域时,利用纹理特征来实现,并且采用八邻域搜索法（候选区域周围扩大八个大小相等的区域）来解决部分遮挡的问题。通过对比实验表明,该算法在复杂场景中表现出的实时性和鲁棒性较好。关键词：     

基于梯度方向直方图特征的多核跟踪

提出了基于梯度方向直方图特征的多核跟踪算法, 对跟踪过程中的光线变化和部分遮挡具有较强的鲁棒性. 该算法将目标分块, 分别提取出每块的核函数加权的梯度方向直方图特征. 目标模型和候选目标模型的相似度用所有块直方图间的Bhattacharyya系数之和进行度量, 目标的跟踪通过Mean shift算法最大化两者的相似度实现. 对车辆、人体等多个目标的跟踪验证了本文提出算法的有效性.     

基于SIFT特征的Mean Shift目标标定算法

提出一种基于尺度恒定特征转换（SIFT）的偏移均值向量（Mean Shift）算法,用于视频监控场景中的目标标定。SIFT特征可以实现不同帧图像之间的匹配,Mean Shift算法可以通过色彩直方图进行相邻帧图像的相似度搜索。用期望最大化（EM）机制来评价这两种度量方法之间的概率分布,由此获得相似区域的最大可能性估计。即使这两种机制中的一种不稳定,那么这种相互支撑的跟踪机制也能使跟踪性能保持不变。实验表明本文提出的SIFT-Mean Shift策略改善了经典Mean Shift和SIFT跟踪方法在复杂场景下的性能。     

基于SAD与UKF-MeanShift的主动目标跟踪

针对复杂场景下动态目标难以准确分割以及目标难以准确定位的问题,提出将绝对差值和(SAD)方法、无迹卡尔曼滤波(UKF)和Mean shift算法相结合的混合自主跟踪动态目标的方法。首先,采用SAD方法获相邻两帧的视差信息,利用视差实现动态目标的检测,并依此建立目标的核直方图描述模型和状态空间模型,然后UKF算法对状态空间进行滤波估计,最后采用Mean shift 算法精确定位目标。实验结果表明该方法不仅能有效检测场景的动态目标,同时还能获得目标的运动信息。文中所提出的基于UKF-Mean shift的跟踪策略与相关算法相比,体现出较好的跟踪效果与时间性能。     

复杂背景下的快速机动目标跟踪算法

为了解决复杂背景及大视野场景下跟踪机动目标易丢失和跟踪精度低的难题,提出了一种复杂背景下的快速机动目标检测与跟踪算法.利用帧间差分算法提取图像中的机动目标,在初始帧建立机动目标的颜色直方图模型,将后续输入图像的像素值转化为直方图分布下的概率值;根据与目标模型的相似度,将每个候选区域的像素值作为密度;利用自适应均值漂移算法寻找机动目标的真实位置;利用卡尔曼滤波预测目标位置.实验结果表明:算法能够准确地在复杂背景和大视野场景下快速检测并跟踪机动目标.     

基于二阶非线性投票的多目标跟踪算法*

提出了基于二阶非线性投票的多目标跟踪算法。该算法通过目标匹配得到同一目标在不同帧中的位置,同时利用特征监测来处理目标的遮挡、分裂问题,并实现目标特征的实时更新。在目标匹配过程中,通过对目标前一帧与当前帧的特征相似性进行投票,得到匹配目标。利用视频图像进行实验,结果表明,该方法对噪声、阴影、遮挡、分裂等具有良好的鲁棒性,较好地实现了多目标的跟踪。     

A novel multi-object detection method in complex scene using synthetic aperture imaging

This paper proposes a novel multi-object detection method using multiple cameras. Unlike conventional multi-camera object detection methods, our method detects multiple objects using a linear camera array. The array can stream different views of the environment and can be easily reconfigured for a scene compared with the overhead surround configuration. Using the proposed method, the synthesized results can provide not only views of significantly occluded objects but also the ability of focusing on the target while blurring objects that are not of interest. Our method does not need to reconstruct the 3D structure of the scene, can accommodate dynamic background, is able to detect objects at any depth using a new synthetic aperture imaging method based on a simple shift transformation, and can see through occluders. The experimental results show that the proposed method has a good performance and can synthesize objects located within any designated depth interval with much better clarity than that using an existing method. To our best knowledge, it is the first time that such a method using synthetic aperture imaging has been proposed and developed for multi-object detection in a complex scene with a significant occlusion at different depths.     

融合HOG与ARMA模型的粒子滤波跟踪

传统的粒子滤波算法在跟踪目标受到相似背景干扰和遮挡或跟踪目标高速运动时,容易造成跟踪误差增大或跟踪失效的影响。针对室外运动目标跟踪的复杂性,提出一种对于干扰适应性较强的融合梯度方向直方图与自回归移动平均(ARMA)模型的粒子滤波跟踪方法。建立ARMA运动模型,用前两帧目标的位姿状态预测目标下一帧的状态,解决目标跟踪的角度变化与部分遮挡问题。实验结果表明,该模型能克服光照突变引发目标色彩突变的问题。     

A hybrid tracking method for scaled and oriented objects in crowded scenes

Traditional kernel based means shift assumes constancy of the object scale and orientation during the course of tracking and uses a symmetric/asymmetric kernel, such as a circle or an ellipse for target representation. In a tracking scenario, it is not uncommon to observe objects with complex shapes whose scale and orientation constantly change due to the camera and object motions. In this paper, we propose a multi object tracking method which tracks the complete object regions, adapts to changing scale and orientation, and assigns consistent labels to each object throughout real world video sequences. Our approach has five major components: (1) dynamic background subtraction, (2) level sets, (3) mean shift convergence, (4) object identification, and (5) occlusion handling. The experimental results show that the proposed method is superior to the traditional mean shift tracking in the following aspects: (1) it provides consistent multi objects tracking instead of single object throughout the video, (2) it is not affected by the scale and orientation changes of the tracked objects, (3) its computational complexity is much less than traditional mean shift due to using level set method instead of probability density.     

Probabilistic Modeling of Scene Dynamics for Applications in Visual Surveillance

We propose a novel method to model and learn the scene activity, observed by a static camera. The proposed model is very general and can be applied for solution of a variety of problems. The motion patterns of objects in the scene are modeled in the form of a multivariate nonparametric probability density function of spatiotemporal variables (object locations and transition times between them). Kernel Density Estimation is used to learn this model in a completely unsupervised fashion. Learning is accomplished by observing the trajectories of objects by a static camera over extended periods of time. It encodes the probabilistic nature of the behavior of moving objects in the scene and is useful for activity analysis applications, such as persistent tracking and anomalous motion detection. In addition, the model also captures salient scene features, such as the areas of occlusion and most likely paths. Once the model is learned, we use a unified Markov Chain Monte Carlo (MCMC)-based framework for generating the most likely paths in the scene, improving foreground detection, persistent labeling of objects during tracking, and deciding whether a given trajectory represents an anomaly to the observed motion patterns. Experiments with real-world videos are reported which validate the proposed approach.     

一种新的AdaBoost视频跟踪算法

针对复杂场景中运动目标较难定位的问题,提出一种结合纹理和颜色特征的AdaBoost目标跟踪算法.首先在线训练一个弱分类器的集合区分目标和背景;然后,通过AdaBoost将集合中的各弱分类器组合成一个强分类器,用于标定下一帧中各像素的类别属性,并生成置信图;最后,在置信图中用Mean Shift算法定位目标的中心.实验结果表明,该算法在光照变化、目标自身发生形变和遮挡的情况下,能准确地对目标进行跟踪.     

自适应在线判别外观学习的分层关联多目标跟踪

目的 复杂场景下目标频繁且长时间的遮挡、跟踪目标外观相似引起身份转换等问题给多目标跟踪带来许多挑战。针对多目标跟踪在复杂场景中因长时间遮挡引起身份转换和轨迹分段的问题,提出一种基于自适应在线判别外观学习的分层关联多目标跟踪算法。方法 利用轨迹置信度将多目标跟踪分为局部关联和全局关联两个层次。在局部关联中,置信度高的可靠轨迹利用外观、位置-大小相似度与当前帧检测点进行关联;在全局关联中,置信度低的不可靠轨迹引入运动模型和有效关联范围进一步关联分段的轨迹。在提取目标外观特征时引入增量线性可判别分析方法以解决身份转换问题,依据新增样本与目标样本均值的外观特征差异自适应地更新目标外观模型。结果 在公开数据集2D MOT2015中的PETS09-S2L1、TUD-Stadmitte、Town-Center 3个数据集中与当前10种多目标跟踪算法进行比较,该方法对各个数据集身份转换和轨迹分段都有减少,其中在Town-Center数据集中,身份转换减少了60个,轨迹分段减少了84个,跟踪准确度提高了5.2%以上。结论 本文多目标跟踪方法,能够在复杂场景中稳定有效地实现多目标跟踪,减少轨迹分段现象,其中引入的在线线性可判别外观学习对遮挡产生的身份转换具有良好的解决效果。     

基于视觉显著性的均值漂移跟踪算法

为解决突变运动下的目标跟踪问题,提出了一种基于视觉显著性的均值漂移跟踪算法,将视觉注意机制运用到均值漂移跟踪框架中,利用时空显著性算法对视频序列进行检测,生成视觉显著图,从视觉显著图对应的显著性区域中建立目标的颜色特征表示模型来实现运动目标跟踪.实验结果表明:该算法在摄像机摇晃等动态场景下可以较准确检测出时空均显著的目标,有效克服了在运动目标发生丢失和遮挡等情况下跟踪不稳定的问题,具有较强的鲁棒性,从而实现复杂场景下目标较准确的跟踪.