基于自适应颜色特征学习的目标跟踪技术

在简要说明基于空时上下文（STC）和基于核函数循环结构（CSK）目标跟踪器的基础上,重点介绍基于颜色特征（CN）的跟踪器,并针对其在目标被遮挡、尺度变化和光照发生变化时易发生跟踪漂移的问题,提出自适应学习速率和自适应高斯核尺度因子两种方法,分别对训练模型的更新和标记进行改进,减少目标模型累积错误,提高跟踪过程准确性。实验中,选取10个视频集,采用3类评价参数对比算法改进前后跟踪效果。实验证明,改进后的算法对遮挡、光照变化和尺度变化等具有较好的鲁棒性,同时将该算法应用在无人机（UAV）视频行人跟踪上,取得了良好效果。     

采用RGB–D时空上下文模型的多目标遮挡跟踪算算法

为了提高实时RGB–D目标遮挡跟踪精确度,解决多目标遮挡跟踪容易发生模型漂移和跟踪丢失等问题,本文提出一种基于RGB–D时空上下文模型的多目标遮挡跟踪算法.首先获取多目标检测定位区域,再通过目标时空上下文特征提取,建立目标时间上下文模型、目标空间上下文模型构成目标RGB–D时空上下文模型;然后在跟踪器判别跟踪状态时通过计算时间一致性进行颜色和深度特征自适应融合确定目标在当前帧位置;最后,当跟踪器判别多目标遮挡时引入深度概率,利用深度概率信息特征进行约束,通过最大后验概率(MAP)关联模型有效解决目标遮挡跟踪问题.在公用数据集clothing store dataset和princeton tracking benchmark dataset上进行定性对比实验和定量结果分析表明,本文提出的算法具有良好的遮挡跟踪性能,能较好解决多目标遮挡跟踪问题,提高目标遮挡跟踪的精确性和鲁棒性.     

采用RGB–D时空上下文模型的多目标遮挡跟踪算法

为了提高实时RGB–D目标遮挡跟踪精确度, 解决多目标遮挡跟踪容易发生模型漂移和跟踪丢失等问题, 本 文提出一种基于RGB–D时空上下文模型的多目标遮挡跟踪算法. 首先获取多目标检测定位区域, 再通过目标时空 上下文特征提取, 建立目标时间上下文模型、目标空间上下文模型构成目标RGB–D时空上下文模型; 然后在跟踪器 判别跟踪状态时通过计算时间一致性进行颜色和深度特征自适应融合确定目标在当前帧位置; 最后, 当跟踪器判 别多目标遮挡时引入深度概率, 利用深度概率信息特征进行约束, 通过最大后验概率(MAP)关联模型有效解决目标 遮挡跟踪问题. 在公用数据集clothing store dataset和princeton tracking benchmark dataset上进行定性对比实验和定量 结果分析表明, 本文提出的算法具有良好的遮挡跟踪性能, 能较好解决多目标遮挡跟踪问题, 提高目标遮挡跟踪的 精确性和鲁棒性.     

视频监控领域基于自适应学习因子与积分通道特征的核相关目标跟踪算法

针对复杂场景下单一特征跟踪算法适应性不强的问题,提出一种基于积分通道特征的核相关目标跟踪算法,该算法利用积分通道特征丰富多样的特征信息与高效的计算效率,将不同通道的特征整合到核相关模型中,可以克服单一通道特征对目标区域描述不足的缺陷。同时,本文也提出了一种自适应学习因子策略,增强了模型的泛化能力。大量的定性定量实验表明本文所提的算法的跟踪性能超过传统的核相关跟踪算法,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。     

基于局部敏感直方图的时空上下文跟踪

针对当前目标跟踪算法在目标区域光照剧烈变化、长时间遮挡或者平面内旋转时会发生偏移甚至跟丢这一现象,提出了基于局部敏感直方图的时空上下文跟踪算法.该算法以贝叶斯框架为基础,利用生物视觉特性,结合底层灰度特征,基于局部敏感直方图提取光照不变特征,建立目标与背景的统计相关模型来实现跟踪,使跟踪时偏移较小且不会跟丢目标.在对不同视频序列的实验表明:基于局部敏感直方图的时空上下文算法和多示例学习算法相比,在光照变化、平面内旋转或者遮挡时都表现出比较好的跟踪效果且中心误差较小,具有较强鲁棒性.     

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VGG网络的鲁棒目标跟踪算法

针对传统目标跟踪算法中当目标被遮挡和受光照强度变化等多种因素干扰时,相关滤波器模板更新不准确,误差逐帧累积最终导致目标跟踪失败,提出了一种基于VGG网络的鲁棒目标跟踪算法。首先通过VGG网络对第1帧输入图像中的局部上下文区域提取平均特征图来建立相关滤波器模板;然后通过VGG网络对后续帧输入图像中的局部上下文区域提取平均特征图和仿射变换平均特征图;其次与核相关滤波跟踪算法相结合,自适应确定目标位置和最终目标位置;最后自适应更新最终平均特征图和最终相关滤波器模板。实验结果表明,本文算法在目标被遮挡和受光照强度变化等多种因素干扰时,仍具有较高的目标跟踪精度和较强的鲁棒性。     

基于上下文感知与自适应响应融合的相关滤波跟踪算法

针对当前相关滤波跟踪算法在抗背景干扰、响应融合方式以及模型更新策略上的不足,提出一种基于上下文感知与自适应响应融合的相关滤波跟踪算法.通过引入上下文感知技术,提高算法在背景杂波及遮挡等跟踪场景下的鲁棒性;通过研究HOG特征和颜色直方图特征二者响应图和响应值的特点,提出一种自适应响应融合方法,提升融合响应图的可靠性;在模型更新方面,采用了高置信度模型更新策略来减轻传统模型更新策略中模型污染及跟踪漂移的问题.实验结果表明,本文算法在OTB50数据集上达到了74.7%的跟踪精度,跟踪成功率为54.8%,均优于对比的主流相关滤波跟踪算法,并且在背景杂波、光照变化、遮挡、运动模糊等复杂跟踪场景中具有较好的跟踪精度与鲁棒性.     

基于自适应多模型联合的目标跟踪算法

基于核相关滤波器的跟踪算法对于目标的空间结构具有较强的依赖性,无法有效应对遮挡、形变等干扰因素,且单一的特征模型在复杂的跟踪场景下无法准确表述目标信息。为此,提出一种基于自适应多模型联合的算法。通过自适应权重将相关滤波模型与颜色直方图模型进行联合,并将稀疏表示的思想引入相关滤波模型的训练过程中,以增强算法的鲁棒性。OTB视频序列数据集上的实验结果表明,该算法可有效缓解跟踪过程中的遮挡、形变等因素的干扰,与Staple算法、KCF算法相比,目标跟踪的精度显著提升。     

压缩感知跟踪中的特征选择与目标模型更新

目的 为了增强压缩感知跟踪算法在复杂场景下的性能,本文提出了一种特征选择与目标模型更新的改进跟踪方法。方法 提出的方法包含两方面的改进,一是根据特征的正负类条件概率分布的距离选择能有效区分目标与背景的特征;二是根据当前目标与原始目标的差异自适应更新目标外观模型,使得目标遇到较大遮挡或者姿态频繁改变时目标外观模型不会被错误更新。结果 实验表明,对于十个复杂环境下的经典视频序列,本文提出的基于压缩感知的改进跟踪算法在中心误差、成功率和精确度三个指标上均优于最近三个代表性的跟踪算法。结论 提出的新的特征选择和目标模型更新方法,既增强了压缩感知跟踪算法的鲁棒性,又加快了跟踪速度。     

多特征融合的次峰抑制无人机目标跟踪

无人机目标跟踪是计算机视觉一个热门的研究方向。多特征融合后的响应通常含有噪声，为了解决这个问题，提出一种基于多特征融合的次峰响应抑制的无人机目标跟踪算法。提取HOG特征和二维颜色属性特征，并进行融合产生响应。对次峰响应进行抑制以去除噪声，将多个次峰聚合为一个中心主峰。引入自适应模型更新策略进一步增强算法的鲁棒性。在UAV123和VisDrone2019数据集上进行实验，结果显示该算法在无人机的快速运动、视角变化等挑战场景中表现出较好的跟踪精度和鲁棒性。     

尺度自适应的多特征融合相关滤波目标跟踪算法

目标跟踪一直以来都是计算机视觉领域中的关键问题,核相关滤波算法(KCF)可避免在时域中进行目标跟踪,通过傅里叶变换将时域的计算转换到频域中进行,可大量简化计算,不但提高了跟踪速度,而且在跟踪精度上也有很大的提升.针对复杂条件下的目标跟踪问题,在确保算法实时性的前提下,在KCF的基础上对其特征、尺度以及模型更新机制进行3...     

基于粒子滤波的双模图像融合自适应跟踪

针对视频跟踪中仅利用目标的单特征容易导致跟踪失败的问题,提出一种基于粒子滤波的可见光与红外序列图像相融合的自适应目标跟踪算法;该算法在粒子滤波跟踪算法框架下,根据单一信源运动目标序列图像的品质因子,利用自适应加权融合策略重构双模序列图像的特征选择机制,建立了基于自适应融合算法的系统观测概率模型和状态空间层次采样多特征融合跟踪算法,实现了对双模序列图像的融合以及对运动目标的稳健跟踪;跟踪试验结果表明,该算法可以有效实现对运动目标的稳健、准确跟踪。     

一种多特征自适应融合的球员跟踪算法

基于模型的跟踪方法难以处理足球视频中球员形态发生较大变化的情况。为此,提出一种改进的多特征自适应融合的球员跟踪算法。利用自适应高斯混合模型检测球场和球员区域,使用球员HUE颜色特征的Bhattacharyya距离度量法代替传统的模板匹配方法,辨别球队归属,自适应地融合目标模型的颜色、形状和时空特征信息,实现对球员的跟踪,采用三点估算预测方法解决球员完全遮挡现象。实验结果表明,该算法能较好地解决球员之间的遮挡问题,在球员形态变化较大时能实现稳定的跟踪。     

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.     

基于静态自适应外观模型纠正的目标跟踪算法

针对单目标跟踪过程中难以长期稳定跟踪的问题,提出一种基于静态-自适应外观模型纠正的跟踪算法。首先将跟踪过程中可能遇到的干扰因素分为来自环境和目标本身两类,分别提出静态外观模型和自适应外观模型,静态外观模型用于全局匹配,自适应外观模型用于局部跟踪,静态模型纠正自适应模型的跟踪漂移问题;使用单链接层次聚类算法去除两种模型融合后引入的噪声;针对运动目标消失再出现时难以捕获的问题,使用静态模型进行全局搜索,捕获目标。对于实验中的视频序列,视频序列中目标的中心位置准确率为0.9,计算机每秒能够处理26帧图像。实验结果表明,该跟踪算法框架可以实现长期稳定的跟踪,具有良好的鲁棒性和实时性。     

基于多特征融合的Camshift结合Kalman预测的实时性视觉跟踪算法研究

根据传统CamShift算法的研究,由于它仅采用颜色作为特征,容易产生错误跟踪,本文提出了一种基于多特征融合的camshift结合kalman预测的实时性视觉跟踪算法,采用颜色直方图与灰度梯度直方图,进行加权处理,有效解决背景干扰,实时性跟踪的问题,实验表明本文算法可以实时性跟踪并且在迭代次数上有所下降,提高了跟踪的准确性和效率.     

多特征融合的自适应性粒子滤波跟踪算法

为提高粒子滤波视觉目标跟踪算法的实时性与鲁棒性,提出了一种基于多特征融合的自适应性粒子滤波跟踪算法。该算法利用颜色和结构特征表示目标,将两者融合于粒子滤波的框架中,利用融合后的信息计算粒子的权值,以降低算法受目标形变及复杂环境的影响。同时,根据跟踪预测的准确程度动态计算跟踪所需的粒子数目,对采样粒子集进行自适应调整,以提高粒子质量,降低粒子数量,减少算法运算时间。实验结果表明,所提算法对于每帧图像的平均计算时间相对于传统混合跟踪算法缩短了将近一半,而且算法的鲁棒性较强。     

多空间分辨率自适应特征融合的相关滤波目标跟踪算法

相关滤波算法因无法充分利用深度特征和浅层特征的互补特性而限制跟踪性能.针对该问题,文中提出多空间分辨率自适应特征融合的相关滤波目标跟踪算法.首先,使用更深的ResNet-50网络提取深度特征,提高特征表示在跟踪过程中的鲁棒性和鉴别性.再针对不同特征具有不同空间分辨率的特点,从视频帧中分割不同尺度的图像块作为搜索区域,更好地平衡边界效应和样本数目.最后,引入自适应特征融合方法,以自适应的权重融合两类特征的响应图,充分利用其互补特性.在多个标准数据集上的实验证实文中算法的有效性和鲁棒性.