自适应权值卷积特征的鲁棒目标跟踪算法

针对传统基于固定权值卷积特征的深度学习跟踪算法在部分视频跟踪失败的问题,提出一种新颖的基于响应图和熵函数的评估各卷积神经网络层跟踪性能的方法. 该方法能根据评估结果自动调整各层的权值系数;同时引入边界框检测机制,当跟踪响应最大值小于给定阈值时,采用滑动窗口采样一定数量的边界框,并对边界框进行评估,生成初始建议边界框;最后在初始建议边界框的基础上进行相关滤波跟踪,并给出模型更新策略。 将文中算法与其他9种算法在OTB-2013视频数据库上进行跟踪仿真,实验结果表明,所提算法具有较高的中心点距离准确率和跟踪成功覆盖率。     

一种基于特征的动态目标检测与跟踪算法

为解决图像处理特征目标物易受环境影响的问题,采用图像处理和颜色匹配的方法,提出一种基于特征的动态目标的检测和跟踪算法．首先对图像进行灰度化处理并获取图像梯度,确定目标物的弱可疑区。利用非完全特征匹配确定强可疑区,再进行完全特征检测确定目标物的位置,并根据运动物体两次移动位置计算出跟踪摄像器件的旋转方向和角度,最终实现对动态目标物的检测与跟踪．实验证明,该算法能够较好地完成动态目标物的检测与跟踪．     

红外单站目标跟踪算法

为了解决单红外观测站对目标进行跟踪时存在的非线性估计问题,提出了基于直角坐标系的多假设高斯-厄密特滤波算法.为了减小距离不可观测性对于非线性滤波的影响,在假设的多段距离间隔中采用并行的高斯-厄密特滤波,并加权获得目标的状态估计.首先将初始时刻红外观测站的观测距离区间划分为若干个子区间,每个子区间表示关于目标真实距离的一种假设;在每个子区间内用共同的量测进行独立的高斯-厄密特滤波,并将每个子区间对应的概率根据贝叶斯规则进行递归计算;最后将各子区间的状态估计和协方差进行加权求和得到最终估计.仿真实验结果表明,由于使用高斯-厄密特滤波从而避免求解雅克比矩阵,且距离多假设降低了不确定性,故该算法的滤波精度高于高斯-厄密特滤波和扩展卡尔曼滤波.     

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。     

多特征融合的相关滤波红外单目标跟踪算法

针对红外单目标跟踪问题,提出一种多特征的相关滤波目标跟踪算法。该算法融合了图像的卷积特征和差分特征,使用卷积特征和差分特征分别训练相关滤波模型。在跟踪阶段,对两种特征的相关滤波模型得到的响应图动态融合,利用动态融合的响应图来确定目标的最终位置,使用得到的目标位置分别更新相关滤波模型。在林雪平热红外数据集上进行了实验验证,与一些经典的跟踪算法进行了对比,表明该算法拥有更高的跟踪准确率。     

一种基于多样性正实例的单目标跟踪算法

单目标跟踪是计算机视觉领域中最具有挑战性的应用场景之一. 针对跟踪过程中目标物体被遮挡以及运动过程中形变、画面模糊等问题,本文提出一种基于多样性正样本实例的单目标跟踪算法,同时缓解了训练样本不足以及样本缺乏多样性的问题. 在离线阶段,本文算法首先使用变分自编码器（Variational Autoencoder,VAE）对原始训练样本进行编码映射到隐空间,然后通过隐空间采样重构生成包含多样性的困难正样本数据,提高训练数据的多元性,并结合原始训练样本构建训练数据集;其次,对于训练序列的目标模板、正负样本,使用概率三元组损失函数训练跟踪网络,深入挖掘正负样本间关联,提高跟踪网络的判别性;在线测试阶段,使用训练的孪生神经网络（Siamese Neural Network,SNN）对目标进行跟踪定位,通过对目标模板和搜索区域执行互相关操作,确定目标在当前时刻的位置. 对比实验结果表明,本文算法提高了SNN跟踪网络在背景相似物干扰、目标物体运动过程中形态变化、快速运动、旋转、模糊以及被遮挡情况下的鲁棒性和定位准确性,并保持了实时的跟踪表现.     

基于FAST特征点改进的TLD目标跟踪算法

TLD是近年来出现的一种较为新颖的长时间目标跟踪算法,它与传统的跟踪算法区别在于将传统的检测算法和跟踪算法结合起来,通过学习模块来学习目标的特征,从而进行有效跟踪.笔者针对算法跟踪器无法可靠跟踪均匀选取的特征点的问题,提出一种基于FAST特征点改进的TLD目标跟踪算法,保证所选特征点能够被正确可靠跟踪,提高跟踪器的精度.针对跟踪过程中学习模块的模板累积效应明显,实时性降低的问题,采用一种动态模板管理机制.在模板数量达到阈值时,通过比较模板与当前目标的相似度,删除特定模板,保持模板数量恒定.实验表明,改进后的算法具有更高的跟踪精度和实时性.     

基于颜色纹理特征的均值漂移目标跟踪算法

针对经典均值漂移跟踪算法采用单一的颜色特征对目标进行跟踪检测存在的不足,提出一种将纹理特征与颜色特征相结合的改进均值漂移目标跟踪算法.该算法首次提出特征联合相似度的概念,通过均值漂移算法联合相似度的最大化计算,正确快速地获取新一帧图像跟踪目标的位置.实验结果表明,该算法具有更高的可靠性,同时满足一般目标跟踪任务的实时性要求.     

基于多特征融合的鲁棒目标跟踪算法

为了准确地跟踪视频监控系统中嫌疑人的活动轨迹,提出一种多特征融合目标跟踪算法。该算法首先提出一种改进的纹理描述算子并与局部反差算子相结合,以弱化噪声的影响,并可以同时描述图像纹理的结构和强度信息;其次,引入特征不确定性度量,自适应地调整不同特征对跟踪结果的贡献;最后,在跟踪过程中,通过判断目标是否发生遮挡,从而采用不同的更新策略对目标模板进行更新。实验结果表明,与粒子滤波、颜色跟踪、核循环结构、多目标跟踪等跟踪算法相比,改进算法可以对多种不同序列进行长时间稳定跟踪,当位置误差阈值为20个像素、重叠率阈值为0.5时,距离精度为0.747,成功率为0.668。所提出的改进算法可以对光照变化、颜色相近、遮挡等复杂场景中的目标嫌疑人进行有效地跟踪。     

基于SURF和Camshift的目标跟踪算法研究

针对动态的目标跟踪算法Camshift在目标发生短时遮挡或者背景有相似颜色干扰时,可能造成目标跟踪失败的问题,提出了一种基于SURF和Camshift的目标跟踪解决方案。使用搜索窗口颜色概率直方图和目标模板的颜色概率直方图的Hellinger距离判定Camshift算法跟踪结果是否准确,当判定为跟踪失败时,利用SURF快速近似最近邻搜索算法进行特征匹配,解决了传统Camshift算法需要手动确定第一帧搜索窗口,背景颜色干扰及短时遮挡后目标定位的问题。实验结果表明,采用该算法能克服传统的Camshift算法的缺陷,有效地跟踪到目标,具有较好的鲁棒性。     

一种多特征融合的复杂场景动态目标跟踪算法

针对传统目标跟踪算法在目标形变、遮挡或光照变化等复杂场景下容易丢失目标的问题,提出了一种融合多特征的复杂场景动态目标长时间视觉跟踪算法,该算法基于跟踪学习检测(TLD)框架,首先,利用高斯二阶滤波器提取跟踪目标在不同方向的纹理信息,通过纹理信息采用Hessian矩阵计算图像曲面的主曲率,融合主曲率与RGB颜色信息建立目标特征概率直方图模型;然后,使用融合多特征的Mean Shift算法替代TLD框架中的光流法,降低跟踪模块的计算复杂度;最后,采用P-N学习策略构建快速级联检测器,实现跟踪失败时准确检测并重新初始化跟踪器快速修正跟踪结果.在OTB-50公开数据集和煤矿井下巷道视频上进行动态目标跟踪测试.结果表明:所提算法能够实现目标形变、遮挡或光照变化等复杂场景动态目标长时间跟踪,具有较高的鲁棒性和跟踪精度.     

基于动态规划的多目标复合检测与跟踪算法

基于动态规划的多目标检测跟踪算法涉及计算量爆炸和邻近目标难分辨的问题．针对实际应用中目标个数未知和环境中强弱目标并存限制的情况,提出一种基于动态规划的多目标复合检测与跟踪算法．首先利用传统恒虚警率(CFAR)算法进行一次检测,实现对强目标的检测和剔除;然后采用基于动态规划检测前跟踪算法对一次检测后的数据进行分区动态规划,实现对微弱目标的检测与跟踪,从而实现复杂环境下密集目标的有效探测．通过仿真和实测数据对本文算法性能进行了验证,结果表明该算法的高效性和稳健性．     

基于SURF目标跟踪算法研究

SIFT算法是特征图像特征提取中一种最具鲁棒性的算法,但是其在特征提取匹配上速度较慢,很难满足实时目标跟踪的要求。使用SURF特征提取方法既保持了SIFT算法的高精度的优点,又克服了速度慢的缺陷。提出使用SURF提取并且匹配目标的特征点,用重心算法计算目标的脱靶量,通过小区域跟踪方法和高速硬件平台实现目标的实时跟踪。实验证明,算法对目标的轻微旋转、部分遮挡、亮度变化具有很强的鲁棒性,跟踪速度比SIFT算法也极大提高。     

基于有效特征筛选的Mean shift运动目标跟踪算法

针对现有Mean shift跟踪算法在目标被遮挡、跟踪场景变化时,跟踪误差变大甚至丢失目标的问题,提出了一种基于有效特征筛选的Mean shift运动目标跟踪算法。首先通过对目标特征的优化筛选,改善了现有Mean shift算法因目标特征多而造成计算时间较长,在目标发生较大变化时跟踪精度降低的情况。更能有效地表征目标特征,减少跟踪误差,增强特征集对目标的描述能力。同时给出目标模板更新的方法,在目标发生明显变化时,能自适应地更新特征集,进一步提高跟踪精度。仿真结果表明:文中方法具有更好的跟踪精度,计算时间较小,对遮挡、场景变化有更好的鲁棒性。     

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.     

基于多特征融合的粒子滤波自适应目标跟踪算法

为解决用单一特征无法保持在复杂环境下跟踪的鲁棒性以及粒子数量增多导致的算法效率低下的问题,选择多个特征融合的策略来保证跟踪的持续稳定,并自适应地调整每个特征的权值来适应环境的变化;为提高算法的实时性,采用自适应的粒子数量。实验结果表明:本文算法有效地解决了目标旋转、目标遮挡以及背景混淆等诸多问题,具有较高的鲁棒性。     

基于空洞卷积金字塔的目标检测算法

作为目标检测领域最突出的问题,遮挡和多尺度严重影响了算法的召回率和准确率。针对以上问题,该文从感受野入手,提出了一种基于空洞卷积金字塔网络(ACFPN)的目标检测算法。首先,将不同尺寸的空洞卷积层引入特征金字塔网络(FPN)中,构建混合感受野模块(HRFM),旨在控制参数量的条件下,通过增大感受野获取更多全局特征信息,解决目标的遮挡问题;其次,改进FPN的结构,设计低层嵌入特征金字塔模块(LEFPM),将浅层特征细节信息和高层特征语义信息相融合,提高特征图的丰富度和表征能力,增强模型的尺度适应性;特别地,针对漏检问题,引入FCOS算法中的无锚框(AF)机制,减少了候选框的冗余,进一步提高了定位精度。最后在公开数据集上进行测试,该算法在检测精度上大幅提升。     

基于Kalman预测器的多特征Camshift运动目标跟踪算法

基于色度特征的Camshift算法在运动目标颜色特征与背景颜色特征差别不大或目标附近有与目标色度相近的物体时,往往会失去跟踪目标或者跟踪目标不准确.据此,提出一种基于Kalman预测器的多特征融合的Camshift运动目标跟踪算法,将色度特征和梯度方向特征结合起来,利用综合直方图实现目标跟踪,并针对运动目标突然加速导致目标跟丢的情况,采用Kalman预测器预测运动目标在下一帧中可能出现的位置,再用Camshift算法搜索目标中心,提高搜索的实时性.实验表明,该改进算法有效地解决了原有算法存在的问题,提高了目标跟踪的速度与精度,满足了实时性要求.     

交互多模型单目标跟踪算法应用分析

给出了交互多模型算法的数学描述，分析研究了IMM算法的性能及其在单目标跟踪中的具体应用．通过理论分析和计算模拟，证明相互作用多模型目标跟踪算法和单模型目标跟踪算法相比，能较好地跟踪机动目标，并能改善非稳态目标的全局跟踪性能．