结合尺度不变特征变换和Kalman滤波的Mean Shift视频运动目标跟踪

为解决目标跟踪中运动目标存在较大尺度变化、旋转、快速运动或遮挡时跟踪效果欠佳的问题,提出了一种将尺度不变特征变换(SIFT)特征匹配和Kalman滤波与Mean Shift结合的运动目标跟踪方法。首先,利用Kalman滤波估计目标运动状态,将其估计值作为Mean Shift跟踪的初始位置;然后,当候选目标模型和初始目标模型的相似性测度系数小于某一阈值时,启用SIFT特征匹配寻找目标可能位置,并在该位置处建立新的候选目标模型,同时进行相似性测度;最后,比较两者所得匹配系数,取其中较大者对应的位置作为目标的最终位置。实验结果表明,该算法的跟踪平均误差较单独将Kalman滤波或SIFT特征与Mean Shift结合的跟踪算法减小了约20%。     

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为Mean Shift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高、实时性好、抗遮挡能力强的优点.     

基于双特征的多模块目标跟踪算法

针对运动目标在受到严重遮挡时难以被精确跟踪的问题,提出一种融合颜色和LBP (local binary pattern)纹理特征的多模块跟踪算法.综合考虑目标与背景的特征显著性和相似性两个因素建立比值关系进行量化分析,选取了能够最大程度区分前景目标和背景的颜色空间特征,并结合LBP纹理特征建立概率分布直方图.利用卡尔曼滤波器预测均值漂移算法的初始迭代位置.引入相似度因子来定义新的遮挡判决准则,自适应采用多模块模型进行跟踪.仿真实验结果表明了该算法的有效性.     

融合帧间差分与碰撞算法的快速跟踪预测算法

传统的运动目标跟踪预测算法难以保证机器人对高速运动目标的快速捕捉和提前预测,尤其是运动目标在滑行过程中发生碰撞改变了原有的运动方向,针对这一问题提出了基于帧间差分与碰撞算法相结合的运动目标跟踪预测算法.通过帧间差分法快速识别出平面内运动物体的具体位置和运动速度,根据其运动速度方向判别运动目标是否发生碰撞.当运动目标在运动过程中发生碰撞,采用LS-DYNA显示动力分析软件建立碰撞仿真模型,并用MATLAB拟合仿真数据得到碰撞算法,结合碰撞算法对运动目标的运动轨迹进行预测.结果表明以帧间差分和碰撞算法相结合的运动目标检测跟踪算法对于在平面内运动目标的跟踪预测方面速度更快,完全能够满足机器人对算法快速性的要求.     

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为Mean Shift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高,实时性好,抗遮挡能力强的优点.

     

基于灰色系统理论和粒子滤波器的目标跟踪算法

提出一种基于灰色系统理论和粒子滤波的目标跟踪算法,自适应调整搜索范围,并采用交叉熵理论来度量目标模型与粒子确定区域特征模型之间的相似度。先用粒子滤波算法对运动目标状态进行估计,确定目标中心位置,利用历史目标位置状态序列,通过灰色系统理论对下一帧目标状态进行预测;然后对重采样后的粒子的位置和粒子的搜索范围进行修正,采用交叉熵理论来衡量目标与粒子确定区域的特征模型之间的相似度。仿真结果表明,相比传统的粒子滤波算法,新算法具有更好的鲁棒性和跟踪精度。     

改进的高效Camshift跟踪算法

Camshift是一种应用颜色信息的跟踪算法,它对做加速度的运动物体跟踪效果不够稳定和强壮,从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。该算法使用运动目标加速度运动位移方程预测下一时刻目标可能出现的位置,使用预测位置误差方程估计运动目标搜索范围,并使用IIR滤波器对目标运动速度、加速度等参数自适应地修正。实验证明,改进的Camshift有效地克服了Camshift算法自身的缺陷,即使运动目标做加速运动时,也可准确地预测运动目标的位置,缩小目标搜索范围,进而提高目标跟踪速度。     

自适应目标变化的时空上下文抗遮挡跟踪算法

在传统时空上下文目标跟踪过程中,为了自适应目标尺度变化,以及解决目标跟踪失败的跟踪无法恢复问题,提出了一种自适应目标变化的时空上下文抗遮挡跟踪算法 STC ALD。首先,在初始框采取TLD中值流算法初始化跟踪点,并利用F B误差算法预测下一帧跟踪点位置。其次利用STC算法计算得到目标框并计算其保守相似度, 当超过设定阈值即跟踪有效,将跟踪点与目标框进行运动相似度计算以便进行窗口调整。相反,利用检测器进行检测,对单一聚类框直接输出,而对多个检测聚类框学习其时空上下文模型,利用当前空间模型逐个计算其置信度,输出置信值最大者。最后,进行在线学习更新分类器的相关参数。对不同的测试视频序列进行实验,结果表明,STC ALD算法能够适用于目标尺度变化、遮挡等复杂情景下的跟踪,具有一定的鲁棒性。     

基于帧间差分和背景差分结合的Camshift目标跟踪算法

Camshift算法需要手动标定目标区域,且具有无法适应目标的高速运动、相似颜色背景和遮挡等情况的局限性。针对这些情况提出结合帧间差分法和背景差分相结合的方法对Camshift算法进行改进。首先利于帧间差分和背景差分相结合检测出运动目标区域。然后用该区域初始化跟踪目标窗口。当有相似颜色背景干扰或遮挡情况发生时,利用检测出的运动目标区域对搜索窗口进行限制。同时,使用Kalman滤波对下一帧的搜索窗口进行预测,从而使该算法适合高速运动目标的跟踪。实验表明该算法能够准确对目标窗口进行初始化,且在目标高速运动、遮挡、和相似颜色背景干扰情况下,仍能进行适时实时有效跟踪。     

交互式多模型算法的MT-R机器人视觉跟踪

针对机器人的视觉跟踪问题,提出了一种基于交互式多模型算法的视觉跟踪方法。该方法采用HSV颜色模型,通过交互式多模型算法进行滤波估计,获得目标的运动属性。利用交互式多模型算法对目标的位置进行一步或者N步预测,在获得下一帧的观测值后,在预测位置的区域进行目标搜索,可减少搜索区域,节省搜索时间,增加了跟踪的实时性。使用该方法对机器人足球比赛中的红色球进行搜索跟踪。实验结果表明,应用该方法可获得目标的运动属性,能快速搜索到运动目标,并能进行准确跟踪。     

一种基于贪心搜索的实时多目标遮挡处理算法

提出了一种固定摄像机遮挡条件下的多目标跟踪算法,包括基于区域相关的运动前景分割、基于合并--分裂检测的数据关联和基于贪心搜索的遮挡目标定位三部分. 该算法的主要特点表现在: 1)将遮挡条件下的目标跟踪问题转化为一个已知目标数量和特征的图像分类问题; 2)用贪心搜索和积分图算法快速定位遮挡中的目标,保证了算法的实时性; 3)对目标数量无约束,能够处理多目标相互遮挡下的跟踪问题(发生遮挡的目标数量大于等于2), 且对目标的遮挡程度和目标运动模式无约束,具有良好的可扩展性. 采用手工标定的IBM多人遮挡数据库的测试结果证明了算法的有效性.     

基于角特征和Mean-shift的车辆跟踪方法

提出一种基于角特征点和Mean-shift的车辆跟踪方法,对不断改变尺寸的车辆目标进行有效跟踪,利用角特征点把模板目标构造成若干个同尺寸的子窗口,每个子窗口单独地按Mean-shift算法进行跟踪,并寻找其相应的中心位置,通过关联过程确定车辆目标在整个视场中的运行轨迹。实验结果表明,该方法简单、可靠,可以稳定地跟踪车辆目标。     

基于自适应背景的多特征融合目标跟踪

针对基于单一特征的目标跟踪算法,在复杂情形下,很难准确跟踪目标的问题,提出一种基于自适应背景的多特征融合目标跟踪算法。该算法利用颜色和基于灰度共生矩阵纹理特征表征目标,在粒子滤波的框中,通过分析在不同特征下,粒子空间分布、权值分布,以及特征对背景的区分性,提出一种有效的融合系数计算方法; 根据在跟踪过程中目标外观的变化情况,自适应更新目标模板。在不同场景下的实验结果表明:该算法在不降低实时性的前提下,抗背景干扰能力大幅度提高; 在各种场景下,均具有良好的稳定性和鲁棒性。     

Efficient edge-based object tracking

Object tracking has been widely applied to video surveillance, robot localization and human-computer interaction. In this paper, an edge-based tracking algorithm is proposed. We extract the feature points by efficiently utilizing the image edges in the object region. Then the parameter vector of the object's motion model is estimated based on minimizing the sum-of-squared differences between the reference feature points in the reference frame and the observed feature points in the tracking sequence frame. The experiments show that the edge-based tracking algorithm proposed by us can track object efficiently under uniform and varying illumination conditions.     

部件级表观模型的目标跟踪方法

因受遮挡、运动模糊、剧烈形变等因素的影响,稳定且准确的目标跟踪是当前计算机视觉研究领域重要挑战之一.首先采用中层视觉线索的超像素描述目标/背景的部件,以部件颜色直方图作为其特征,并通过聚类部件库的特征集构建初始表观模型,部件表达的局部性和灵活性使该模型能够准确描述目标/背景;然后,利用贝叶斯滤波模型计算目标框的初始状态,并提出相似物体干扰的检测和处理算法以避免跟踪漂移,得到更健壮的结果;最后,为了减弱形变、遮挡、模糊对表观模型的影响以更好地保持目标特征,提出一种基于部件库的特征补集的在线表观模型更新算法,根据部件变化实时反映目标/背景的变化情况.在多个具有跟踪挑战的视频序列上的实验结果表明(共12个视频序列):与现有跟踪方法相比,该算法跟踪结果的中心误差更小,成功帧数更多,能够更准确并稳定、有效地跟踪目标物体.     

Adaptive visual tracking using the prioritized Q-learning algorithm: MDP-based parameter learning approach

This paper introduces an adaptive visual tracking method that combines the adaptive appearance model and the optimization capability of the Markov decision process. Most tracking algorithms are limited due to variations in object appearance from changes in illumination, viewing angle, object scale, and object shape. This paper is motivated by the fact that tracking performance degradation is caused not only by changes in object appearance but also by the inflexible controls of tracker parameters. To the best of our knowledge, optimization of tracker parameters has not been thoroughly investigated, even though it critically influences tracking performance. The challenge is to equip an adaptive tracking algorithm with an optimization capability for a more flexible and robust appearance model. In this paper, the Markov decision process, which has been applied successfully in many dynamic systems, is employed to optimize an adaptive appearance model-based tracking algorithm. The adaptive visual tracking is formulated as a Markov decision process based dynamic parameter optimization problem with uncertain and incomplete information. The high computation requirements of the Markov decision process formulation are solved by the proposed prioritized Q-learning approach. We carried out extensive experiments using realistic video sets, and achieved very encouraging and competitive results.     

基于Meanshift和粒子滤波的行人目标跟踪方法

针对粒子滤波跟踪算法计算代价大以及Meanshift跟踪算法容易陷入局部极值等问题,提出一种嵌入均值优化的粒子滤波跟踪算法。该算法根据粒子滤波的运动模型估计目标区域位置,利用Bhattacharyya距离度量粒子区域和目标模型的相似性,并根据相似性来更新粒子权值,使用Meanshift优化算法改善粒子的估计位置,使得这些粒子的候选区域能更加接近目标模板,极大提高了粒子的使用效率。实验结果表明,该算法能够有效进行人的跟踪,处理人的短暂遮挡问题,性能优于粒子滤波算法,有较好的实用性。     

Real-time model-based tracking combining spatial and temporal features

This paper describes a method for tracking moving image features by combining spatial and temporal edge information with model-based feature information. The algorithm updates the two-dimensional position of object features by correlating predicted model features with current image data. The results of the correlation process are used to compute an updated model. The algorithm makes use of a high temporal sampling rate with respect to spatial changes of the image features and operates in a real-time multi-processing environment. Preliminary results demonstrate successful tracking for image feature velocities between 1.1 and 4.5 pixels every image frame.     

Efficient multi-feature PSO for fast gray level object-tracking

Robust and real-time moving object tracking is a tricky job in computer vision systems. The development of an efficient yet robust object tracker faces several obstacles, namely: dynamic appearance of deformable or articulated targets, dynamic backgrounds, variation in image intensity, and camera (ego) motion. In this paper, a novel tracking algorithm based on particle swarm optimization (PSO) method is proposed. PSO is a population-based stochastic optimization algorithm modeled after the simulation of the social behavior of bird flocks and animal hordes. In this algorithm, a multi-feature model is proposed for object detection to enhance the tracking accuracy and efficiency. The object's model is based on the gray level intensity. This model combines the effects of different object cases including zooming, scaling, rotating, etc. into a single cost function. The proposed algorithm is independent of object type and shape and can be used for many object tracking applications. Over 30 video sequences and having over 20,000 frames are used to test the developed PSO-based object tracking algorithm and compare it to classical object tracking algorithms as well as previously published PSO-based tracking algorithms. Our results demonstrate the efficiency and robustness of our developed algorithm relative to all other tested algorithms.     

基于深度学习的多目标跟踪关联模型设计

近年来, 深度学习在计算机视觉领域的应用取得了突破性进展, 但基于深度学习的视频多目标跟踪(Multiple object tracking, MOT)研究却相对甚少, 而鲁棒的关联模型设计是基于检测的多目标跟踪方法的核心.本文提出一种基于深度神经网络和度量学习的关联模型:采用行人再识别(Person re-identification, Re-ID)领域中广泛使用的度量学习技术和卷积神经网络(Convolutional neural networks, CNNs)设计目标外观模型, 即利用三元组损失函数设计一个三通道卷积神经网络, 提取更具判别性的外观特征构建目标外观相似度; 再结合运动模型计算轨迹片间的关联概率.在关联策略上, 采用匈牙利算法, 首先以逐帧关联方式得到短小可靠的轨迹片集合, 再通过自适应时间滑动窗机制多级关联, 输出各目标最终轨迹.在2DMOT2015、MOT16公开数据集上的实验结果证明了所提方法的有效性, 与当前一些主流算法相比较, 本文方法取得了相当或者领先的跟踪效果.