基于多子块联合估计的相关滤波跟踪

针对遮挡情况下相关滤波算法跟踪精度下降的问题,提出了一种基于多子块联合估计的核相关滤波跟踪方法。首先依据初始帧跟踪框的几何特征对目标自适应分块,并采用KCF方法对各子块独立跟踪得到联合置信图;然后以上帧目标的位置及尺度作为先验信息对搜索区域采样,同时将样本框中置信图的权值密度作为观测值,利用粒子滤波算法实现候选目标的最优估计;最后对置信度较低的子块反向投影至上帧图像进行遮挡检测,防止模板错误更新。定性和定量实验结果表明,该方法与原始KCF算法相比跟踪精度提升约10%,具有良好的抗遮挡性,并对目标尺度变化具有一定的估计能力。     

抗遮挡与尺度自适应的改进KCF跟踪算法

核相关滤波(kernel correlation filter,KCF)目标跟踪算法在目标发生尺度变化或受长时间遮挡时无法实现准确跟踪.对此,提出一种融合窗口滤波的抗遮挡尺度自适应的目标跟踪算法.首先,利用快速尺度估计对跟踪目标进行尺度变换;然后,当检测到目标受到遮挡时停止对分类器模型的更新,融合加权窗口滤波器对目标位...     

基于ELM和核相关滤波器的自适应目标跟踪算法

针对传统的核相关滤波器(KCF)跟踪算法在目标快速运动、尺度变化和遮挡情况下通常会导致跟踪失败的问题,在传统的KCF算法的基础上引入极限学习机(ELM),提出一种基于ELM和KCF的自适应目标跟踪方法。根据过去时刻的目标位置信息,利用ELM预测出当前帧目标的可能位置;在该位置上以目标区域为基础进行多尺度目标图像特征采样,通过KCF确定目标的最终位置和最佳尺度;通过计算目标位置响应图的振荡程度来自适应地改变模型的更新速率。在36组公开视频序列上对所提算法与6种当前主流的相关滤波跟踪算法进行了实验,所提算法取得了最好的跟踪精度和成功率,能够有效处理目标遮挡、快速运动和尺度变化等问题,具有较为重要的理论研究和应用价值。     

自适应分块优化的目标跟踪算法

为解决复杂环境下光照、遮挡等问题对目标跟踪算法的影响,提出基于自适应分块与异步更新的目标跟踪算法。构建光照不敏感特征和超像素自适应分块,通过双约束对分场中具有高置信度的子块进行自适应提取并用于目标跟踪,提高跟踪的精确性,避免全局搜索对运算效率的影响;通过自适应检测和异步更新特征子块,进一步提高算法效率和对背景的抗干扰能力。实验结果表明,与KCF、DSST等已知文献中的算法相比,文中算法具有更优的跟踪准确率,以及对遮挡、光照变化等复杂场景干扰的鲁棒性,验证了算法的有效性。     

基于相关滤波器的自适应目标跟踪

针对传统核相关滤波器(KCF)跟踪算法在遮挡情况下通常会跟踪失败问题,提出一种目标边缘增强的自适应核相关滤波器算法。首先通过核相关滤波器找出目标位置,对目标位置区域进行边缘增强,使目标特征更突出,提高分类器性能,然后通过计算目标位置的响应强度自适应的改变模板的学习率参数,使检测模板适应外界环境的变化。实验选取15段公开视频序列进行测试,与现有几种相关滤波器进行比较,相对于结果最好的KCF算法的平均中心位置误差减少了9.6像素,平均成功率提高了7.55%,平均距离精度提高了21.62%。实验结果表明在目标被遮挡、旋转及快速运动等复杂情况下,该算法有较强的适应性,具有重要的研究和应用价值。     

基于改进的核相关滤波器的目标跟踪算法

针对传统的KCF(核相关滤波器)目标跟踪算法在严重遮挡情况下出现目标跟踪漂移和丢失的问题,提出了一种改进的KCF目标跟踪算法.在传统的算法上增加了遮挡判断,如没有出现遮挡,则用KCF进行跟踪;若发生遮挡则用粒子滤波进行预测,然后把预测位置送给KCF算法.最后OTB-13的测试库选择David2、David3和Soccer视频遮挡序列进行跟踪测试,跟踪结果表明了改进方法的有效性;然后选择50组视频序列比较算法的有效性,相比传统的KCF算法,其跟踪精度和成功率分别提高了6.1％和2.9％.在目标发生严重遮挡时,该算法具有良好的鲁棒性.     

响应置信度的多特征融合核相关滤波跟踪算法

摘要：针对传统核相关滤波（KCF）在跟踪彩色视频序列不能有效利用颜色特征,并且处理目标遮挡和形变能力低等问题,提出一种响应置信度的多特征融合核相关滤波跟踪算法。该算法首先提取目标图像的方向直方图特征和颜色直方图特征,通过计算高响应值点在响应图上层的占比,来判断目标的跟踪情况,进而调整学习率的大小;然后用两种特征的平均峰相关能量(APCE)和最大响应峰值的乘积来加权融合目标位置。实验对比表明,提出的跟踪算法在精度和成功率上相对于KCF算法分别提升了12.8%和22.6%, 在目标发生遮挡、快速移动、旋转等复杂情况下仍然具有较强的鲁棒性。     

基于自适应组合核的鲁棒视频目标跟踪算法

为了解决核化相关滤波器（KCF）在复杂场景下鲁棒性差的问题,提出了基于自适应组合核（SACK）的目标跟踪算法。跟踪任务分为位置跟踪和尺度跟踪两个独立部分。首先,以线性核和高斯核的自适应组合作为核跟踪滤波器,构造了SACK权重的风险目标函数。该函数根据核的响应值自适应调整线性核和高斯核权重,不仅考虑了不同核响应输出的经验风险泛函最小,而且考虑了极大响应值的风险泛函,同时具有局部核和全局核的优点。然后,根据该滤波器的输出响应得到目标精确位置,设计了基于目标极大响应值的自适应更新率,针对位置跟踪滤波器进行自适应更新。最后,利用尺度跟踪器对目标尺度进行估计。实验结果表明,所提算法的成功率和距离精度在OTB-50数据库表现最优,比KCF算法分别高6.8个百分点和4.1个百分点,比双向尺度估计跟踪（BSET）算法分别高2个百分点和3.2个百分点。该算法对形变和遮挡等复杂场景具有很强的适应能力。     

基于KCF的样本更新与目标重定位方法

为了解决核相关滤波（Kernelized Correlation Filter, KCF）算法由于测量误差的累积导致目标跟踪失败的问题,提出一种样本质量评价机制,筛选样本对分类器进行更新操作。为了解决目标遮挡后重定位的问题,使用Kalman滤波算法估计目标位置,然后评价其估计结果。为了解决目标位置难以预测的问题,使用ORB特征点匹配算法完成目标的重新定位。在TB数据集中选取部分序列进行测试。实验结果表明,目标出现短时间、长时间遮挡时,改进算法在精确度和成功率上都有一定程度的提高。     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

尺度自适应的核相关滤波跟踪器

为了解决核相关滤波（KCF）跟踪器中目标尺度固定的问题,提出了一种尺度自适应的跟踪方法。首先利用Lucas-Kanade光流法跟踪相邻视频帧之间特征点的运动,引入前向后向跟踪方法保留可信特征点;其次将可信点用于尺度变化估计;然后将尺度估计应用到可调高斯窗上;最后运用前向后向跟踪算法来判断目标是否处于被遮挡状态,修改了模板更新策略。解决了核跟踪滤波器中目标尺度固定的限制,使得跟踪器更具鲁棒性与准确性。在目标跟踪视频集上测试算法效果。实验结果表明,所提算法在成功率图与精确度图排名上均优于原KCF、TLD、Struck算法。与原方法相比,改进后的方法能更好地适用于有尺度变化与遮挡的跟踪。     

引入目标分块模型的核相关滤波目标追踪算法

为了降低目标追踪过程中光照变化、尺度变化、局部遮挡等因素的影响,提出一种引入目标分块模型的核相关滤波（KCF）目标追踪算法。首先,通过融合方向梯度直方图特征和色名属性特征来更好地表征目标;其次,通过构建尺度金字塔对目标进行尺度预测;最后,利用特征响应图的峰值旁瓣比值检测遮挡,并通过引入高置信度分块重定位模块和模型自适应动态更新来处理局部遮挡问题。在多个数据集上与当前多个主流算法进行对比实验,实验结果表明,所提算法具有最高精度和成功率,且比KCF算法分别提升了11.89%和15.24%,表明所提算法在应对光照变化、尺度变化、局部遮挡等因素时具有更强的鲁棒性。     

基于深度估计和特征融合的尺度自适应目标跟踪算法

针对核相关滤波目标跟踪算法(KCF)使用单特征来描述所跟踪的目标,在复杂环境下,目标尺 度发生较大变化时,无法准确跟踪目标的问题,提出基于深度估计和特征融合的尺度自适应目标跟踪算法。首 先利用深度神经网络估计视频序列中目标的深度,建立并训练深度-尺度估计模型;在跟踪过程中,融合目标 方向梯度直方图(HOG)特征和 CN (Color Name)特征训练相关滤波器,利用深度估计网络得到目标深度值,并 利用深度-尺度估计模型得到目标的尺度值,从而在目标尺度发生变化时,能够调整目标框大小,实现尺度自 适应的目标跟踪算法。实验结果表明,与经典的 KCF 算法相比,可获得更高的精度,与尺度自适应的判别型 尺度空间跟踪(DSST)算法相比,在尺度变化较大时,跟踪速度更快;在环境复杂、目标被遮挡时,鲁棒性更好。     

基于改进KCF的跟踪注册方法

针对三维注册易受环境以及目标跟踪检测算法耗时严重、精度低的影响,提出改进KCF(I KCF)的跟踪注册方法。该方法分为4步：（1)利用正则最小二乘分类器的样本训练来获取尺度核相关滤波器和位置信息;（2)搜索尺度核相关滤波器和位置输出响应最大值,完成尺度和目标位置的检测;（3)借鉴MOSSE跟踪器更新方法对模型更新;（4)采用ORB算法对目标位置特征检测并计算出注册矩阵。选取视觉跟踪基准数据集中的6组数据以及拍摄的视频序列仿真实验。仿真结果表明,当目标位置发生旋转、缩放、部分遮挡、光照和运动模糊时,I KCF在精确度、成功率以及效率上总体优于KCF、TLD、Struck和CT算法;且目标位置与OpenGL立方体注册融合度较高;基于I KCF的AR系统具有较好的实时性、稳定性和鲁棒性。     

采用异常值检测及重定位改进的KCF跟踪算法

针对传统核相关滤波器（KCF）跟踪算法受光照变化、严重遮挡和出视野等因素影响,出现目标丢失现象时,跟踪器会将背景信息作为目标继续进行跟踪而不能重新定位目标的问题,在KCF的基础上,引入异常值检测方法作为目标丢失预警机制,同时,提出了目标丢失重检测定位机制。方法对每帧的峰值进行检测,发现异常峰值,则判定目标丢失或即将丢失,预警机制发出警告,停止目标模板更新,启动目标丢失重检测定位机制,在全帧搜索定位目标。实验结果表明,改进的算法精确度为0.751,成功率为0.579,较之传统KCF跟踪算法分别提高了5.77%和12.43%。解决KCF跟踪器在目标丢失后不能重新找回目标继续跟踪的问题,提升了跟踪算法的性能,实现了长期跟踪。     

融合YOLOV5+DSST+KCF的目标检测跟踪算法在激光通信中的应用

在空间激光通信中,两通信设备实现激光通信需要经过粗瞄准与精瞄准的过程,而粗瞄准过程在大部分场景下需借助光学望远镜和信标激光等辅助实现,实施不易;针对在粗瞄准过程中如何快速、准确识别出激光通信设备,并辅助完成激光通信,提出将不同目标检测算法与长时跟踪KCF算法相结合;通过对比发现,YOLOV5+DSST+KCF(YDK)算法的平均帧率为12帧,在帧率满足系统要求情况下,YDK算法的响应峰值要比原KCF算法、HAAR+DSST+KCF(HDK)算法分别提高了43.5%、31.4%,且有效解决目标尺度变化问题。     

基于异常值检测的KCF目标丢失预警方法研究

当目标受尺度变化、严重遮挡、相似目标干扰、光照变化和出视野等因素影响时,核相关滤波器（KCF）跟踪算法会出现目标丢失现象。目标一旦丢失,KCF跟踪算法本身是不能察觉的,并且跟踪器会将背景信息作为目标继续进行跟踪,导致目标彻底丢失。针对这一问题,在KCF跟踪算法的基础上,提出了一种基于异常值检测方法的目标丢失预警机制。该方法利用一组固定维数动态峰值数据的均值和标准差对每帧的响应峰值进行检测,如若发现异常峰值,则判定目标丢失或即将丢失,解决了KCF跟踪器在跟踪过程中目标丢失不能察觉的问题。实验结果表明,所提出的方法在KCF算法跟踪过程中目标丢失时,能够正确预警,成功率达到100%,具有很高的可靠性,为目标丢失后何时载入目标重检测定位提供可靠的依据。     

An extended KCF tracking algorithm based on TLD structure in low frame rate videos

The KCF (Kernelized Correlation Filter) algorithm achieved a good performance on target tracking challenges. However, it still has some defects and problems of false tracking in low frame rate (LFR) scenarios, target scale variation, occlusion and out of view target, that exists in the correlation filter based methods. In this paper, we overcome the shortcomings of KCF tracking algorithm based on Tracking-Learning-Detection (TLD) framework. The proposed algorithm trained two classifiers simultaneously, based on semi supervised co-training learning algorithm. Then, we comparatively evaluate the proposed method on TB-100 datasets by other trackers. The experimental results demonstrate that the precision and robustness of the improved tracking algorithm is higher than traditional KCF, TLD and the other top state-of-the-art tracking algorithms in LFR videos.

     

基于时空信息的多运动目标跟踪算法

利用帧差法和基于Sampson距离的随机抽样一致性（RANSAC）匹配算法,实现基于时空信息的多运动目标跟踪。采用帧差法获知运动目标大概位置,运用Harris算法提取每帧视频图像中运动目标的角点,并对其进行归一化处理,利用RANSAC算法对角点进行匹配,使用闽值分割法确定运动目标位置。实验结果表明,该方法能准确跟踪相似目标,其实时性较高。