基于二值特征和结构化输出支持向量机的目标快速跟踪算法

复杂场景下基于判别式分类器的目标跟踪通常采用复杂的外观表示模型以提高跟踪精度,但影响了算法的实时性。为此,提出一种基于半色调的二值特征来描述目标的外观,在此基础上对结构化输出支持向量机(SVM)的核函数进行改进,实现了判别模型的快速更新和判别;同时提出一种基于分块匹配的判别模型更新策略,保证了跟踪过程中样本的可靠性。在Benchmark数据集上进行的测试实验中,与压缩跟踪(CT)算法、跟踪学习检测(TLD)算法和核化的结构化输出跟踪(Struck)算法相比,在跟踪速度上,该算法分别提高了0.2倍、4.6倍、5.7倍;在跟踪精度上,当重叠率阈值取0.6时,该算法的成功率达到0.62,而其他三种算法的成功率均在0.4以下,当位置误差阈值取10时,该算法的精度为0.72,而其他三种算法精度均小于0.5。实验结果表明该算法在发生光照变化、尺度变化、严重遮挡和突变运动等复杂情况下均具有很好的鲁棒性和实时性。     

视频中遮挡情况下目标的跟踪*

提出了一种基于概率外观模型和Condensation的跟踪方法.该方法通过分析目标前景MBB重叠关系检测遮挡的产生和解除,在目标未遮挡时建立并更新目标的概率外观模型.当遮挡发生后,利用目标共面条件确定目标前后关系,通过合并目标模型计算系统观测似然度概率.算法统一在Condensation框架下进行有遮挡和无遮挡的跟踪.实验证明了该方法的有效性.     

基于改进压缩感知的运动目标跟踪

针对运动目标在被遮挡和目标纹理变化大时会导致跟踪丢失以及跟踪误差大等问题,提出了一种改进的压缩感知（ CS）算法。算法采用设置Sigmoid函数响应阈值,判定是否存在遮挡,以决定是否更新分类器参数,使得目标在遇到较大遮挡时目标模型不会被错误更新;针对特征单一导致跟踪不稳定问题,提出根据设定融合规则进行灰度特征和纹理特征融合的方法,使得两种特征指导跟踪。实验证明：改进后的算法比传统算法跟踪成功率提高了17.84%,平均误差率降低11.59%。     

基于特征融合及自适应模型更新的相关滤波目标跟踪算法

针对单一特征目标跟踪算法因背景干扰、目标遮挡造成的跟踪失败问题,以及跟踪过程中每帧进行模型更新容易造成错误更新和实时性差的问题,提出了一种基于特征融合及自适应模型更新策略的相关滤波目标跟踪算法-多特征自适应相关滤波目标跟踪算法。该算法在特征提取阶段将边缘特征及HOG特征加权融合作为目标特征,加强对边缘特征的学习;在模型更新阶段通过计算预测区域与真实区域的奇异值特征向量相似度,并结合设定的阈值判断是否需要进行模型更新,通过自适应更新的方式减少模型的更新次数。在标准测试视频集下验证所提算法,并与两种经典相关滤波算法进行比较,结果表明该算法能够较好地适应背景干扰及目标遮挡问题,跟踪目标的平均中心误差减少了9.05像素,平均距离精度提高12.2%,平均重叠率提高4.53%。     

交通监控场景中的车辆检测与跟踪算法研究

考虑多目标跟踪过程中存在的实时性和身份跳变问题,提出一种基于检测的多车辆跟踪算法。首先利用Mobilenetv2替换YOLOv3检测算法的主干网络,构建目标检测模块YOLOv3-Mobilenetv2,减少检测算法模型参数,提高检测模块的运行速度;在Mobilenetv2中引入Bottom-up连接,增强多尺度特征图间的信息融合;然后构建基于LSTM的运动模型,解决卡尔曼滤波在非线性系统中产生的预测误差,基于Deepsort跟踪算法,引入LSTM运动模型,形成L-Deepsort跟踪算法;改进L-Deepsort跟踪算法外观匹配策略,提升目标间的关联性;最后融合轻量级目标检测算法YOLOv3-Mobilenetv2与多目标跟踪算法L-Deepsort,形成MYL-Deepsort多车辆跟踪算法,实现多车辆的实时准确跟踪。实验结果表明,该方法在跟踪性能提升的情况下,速度较YOLOv3-Deepsort提高21 frame/s,在TX2平台达到13 frame/s。     

前景约束下的抗干扰匹配目标跟踪方法

传统模型匹配跟踪方法没有充分考虑目标与所处图像的关系,尤其在复杂背景下,发生遮挡时易丢失目标.针对上述问题,提出一种前景约束下的抗干扰匹配（Anti-interference matching under foreground constraint,AMFC）目标跟踪方法.该方法首先选取图像帧序列前m帧进行跟踪训练,将每帧图像基于颜色特征分割成若干超像素块,利用均值聚类组建簇集合,并通过该集合建立判别外观模型;然后,采用EM（Expectation maximization）模型建立约束性前景区域,通过基于LK（Lucas-Kanade）光流法框架下的模型匹配寻找最佳匹配块.为了避免前景区域中相似物体的干扰,提出一种抗干扰匹配的决策判定算法提高匹配的准确率;最后,为了对目标的描述更加准确,提出一种新的在线模型更新算法,当目标发生严重遮挡时,在特征集中加入适当特征补偿,使得更新的外观模型更为准确.实验结果表明,该算法克服了目标形变、目标旋转移动、光照变化、部分遮挡、复杂环境的影响,具有跟踪准确和适应性强的特点.     

基于梯度方向直方图特征和粒子滤波算法融合的目标跟踪

基于梯度方向直方图特征的运动目标跟踪算法在遇到目标遮挡或运动过快时容易丢失目标,基于粒子滤波跟踪算法虽有较强的抗遮挡能力,但存在着计算量大、实时性差等问题.针对这些情况,提出一种融合的跟踪方法:正常情况下基于目标梯度方向直方图特征跟踪目标,当候选目标相似度小于设定阈值时,自动切换到粒子滤波跟踪算法.实验结果显示本算法有效地解决了目标遮挡或运动过快时的丢失问题,同时减轻了粒子的退化现象,提高了算法的实时性,并在图像对比度较低情况下能较好的跟踪目标.     

基于YOLOv3与分层数据关联的多目标跟踪算法

为了缓解多目标跟踪算法中实时性的问题以及在跟踪过程中目标由于外观相似度太高和误检数量过多而造成的跟踪困难问题,提出了一种多目标跟踪算法,该算法基于改进YOLOv3与分层数据关联.由于轻量级网络MobileNet使用了深度可分离卷积对原有网络进行压缩,达到了减少网络参数的目的,因此文中在保留YOLOv3网络多尺度预测部分的情况下,利用MobileNet替换YOLOv3网络的主体结构,实现降低网络的复杂度,使算法达到实时的要求.与其他多目标跟踪算法中使用的检测网络相比,该算法提出的检测网络模型的大小为91 M,而单张检测时间可以达到3.12 s.同时,该算法引入基于目标外观特征和运动特征的分层数据关联方法.与仅使用外观特征进行关联的方法相比,分层数据关联方法使得算法的评价指标MO-TA提升6.5％,MOTP提升1.7％.在MOT16数据集上跟踪精度可以达到77.2％,同时具备良好的抗干扰能力与实时性.     

基于五帧差分和改进的Meanshift算法的运动目标跟踪

针对传统的帧差法检测运动目标时易出现空洞及Meanshift算法在复杂环境下易丢失跟踪目标甚至导致跟踪失败的缺点,提出了采用动态阈值五帧差分与跟踪目标实时模板更新的改进Meanshift的运动目标检测与跟踪算法,以提高系统的实时性和鲁棒性。结果表明该方法是可行的,能准确检测出运动目标,以提高目标跟踪的可靠性。     

基于簇相似度的实时多尺度目标跟踪算法*

针对目标跟踪中跟踪实时性和适应目标尺度变化的问题,提出在粒子滤波框架内基于簇相似度测量的实时目标跟踪算法,算法的外观模型使用改进的均值类哈尔特征表示.首先,根据采样半径采集目标簇和背景簇.然后,定义粒子与簇之间的相似度.当新帧到来时计算每个粒子与目标簇和背景簇的相似度,并将相似度最高的粒子作为目标在该帧的位置.在每帧跟踪结束时,更新目标簇和背景簇的统计特征,并对粒子进行重采样防止退化.与当前通用的跟踪算法对比体现文中算法的优越性.     

基于多表观模型竞争的视觉跟踪算法

在视觉跟踪中,如何适时地更新目标模型是影响跟踪算法跟踪精度和鲁棒性的关键性因素,也是当前研究中面临的重点和难点问题。对此,提出了一种基于多表观模型竞争的模型更新策略,通过多表观模型中各子模型的贡献度大小确定竞争优势排序,当最优子模型的贡献度满足多表观模型更新阈值时,对各子模型及其对应的系数进行更新,否则,仅对部分子模型进行更新。在此基础上,以粒子滤波算法为跟踪框架,提出了基于多表观模型竞争的视觉跟踪算法。实验结果表明,所提算法能够较好地处理视觉跟踪中的模型更新问题,跟踪性能较无模型更新策略的粒子滤波算法有明显提高。     

特征响应权重自适应的IoU网络跟踪算法改进

基于IoU网络提出一种IT-AWCR(IoU network tracking with adaptive weighted characteristic responses)目标跟踪算法.首先,根据目标运动速度设计目标搜索区域确定策略,通过理论分析使用ResNet50的block 3、block 4卷积块的输出分别作为目标的浅层和深层特征表示;然后,以目标定位准确度和滤波模型抗干扰能力为评价指标,通过优化算法自适应计算目标深、浅特征响应加权权重,从加权融合响应中获取目标粗略位置和边界框,经扰动操作获取多个候选边界框输入IoU调制-预测网络预测IoU值,取最大IoU对应边界框为最终预测目标边界框;最后,根据训练样本的相关学习权重和样本间相似度更新生成样本集,基于样本集采用稀疏优化策略实现滤波模型更新. OTB2015和VOT2018数据集上的实验结果验证了所提出算法的有效性.     

融合深度信息的移动机器人跟踪方法研究

在复杂场景及目标外观剧烈变化条件下，核相关滤波器方法跟踪模型易受干扰，造成跟踪窗不能自适应及目标丢失问题，提出一种融合深度信息的移动机器人跟踪系统。通过边缘交叉搜索法进行目标尺度框估计，通过轴向相对动能波动法进行跟踪失败检查，利用尺度池和搜索策略实现目标丢失找回。实验结果表明，结合核相关滤波器和场景深度信息的方法可以有效实现目标跟踪窗口自适应、目标丢失后找回，在移动机器人上具有较稳定的应用效果。     

多通道特征和择优并行更新的核相关滤波跟踪

针对传统核跟踪算法单一特征的局限性、目标模板和特征外观模板更新的不足,提出了一种多通道特征和择优并行更新的核相关滤波跟踪算法。采用多通道特征提取方式：上支路采用卷积神经网络提取深度特征,下支路则将HOG特征和CN特征相结合用于训练与跟踪。采用新的目标模板和特征外观模板更新方式：择优并行更新,取不同支路当前帧的最大响应值作为最佳目标位置,下一帧中两个支路的模板更新采用前一帧最优位置的参数同时进行更新,直到跟踪结束,多支路的择优并行更新弥补了单一支路更新的不足。实验表明该算法能在不同挑战因子下实现更加鲁棒的跟踪过程。     

基于改进的MOSSE相关滤波的目标跟踪

视频目标跟踪存在如遮挡、形变、漂移等诸多挑战。虽然研究者提出了大量的算法来解决这一问题, 但大多数不具备普适性和实时性。为了实现目标有效稳定的实时跟踪, 本文在MOSSE相关滤波算法基础上提出了一种多模式的视觉目标跟踪算法, 该算法不仅具有相关算法的实时性, 还适应跟踪目标外观大幅度变化情况。同时, 为了适应跟踪过程中目标外形的复杂变化, 提出了一个控制模式更新率的算法, 利用具有多模式的跟踪算法可以同时处理极小的运动与外形突变。对基准视频数据的仿真实验结果表明, 与对应的单模型跟踪算法相比, 本文提出的算法可以明显改善跟踪精度和稳定性。     

交互式多模型算法在机器人目标跟踪中的应用

将交互式多模型(IMM)算法应用于视觉伺服机器人对机动目标的跟踪。使用匀速运动(CV)和匀加速运动(CA)模型表示目标的两种运动状态,利用马尔可夫链进行模型切换,根据目标前一时刻的状态和当前的观测值,预测目标当前的状态。在Matlab上对IMM滤波算法和Kalman滤波算法进行了仿真实验研究,结果表明,不管目标处于何种运动状态,IMM算法估计量的误差均值都比Kalman滤波算法的误差均值小,尤以目标作机动运动时更为突出,证明了应用IMM算法可以提高跟踪机动目标的精度。     

六足机器人动态目标检测与跟踪系统研究

动态目标检测与目标跟踪是图像领域的热点研究问题,为研究其在移动机器人领域的应用价值,设计了六足机器人动态目标检测与跟踪系统。针对非刚体运动目标容易被检测为多个分散区域的问题提出区域合并算法,并通过对称匹配、自适应外点滤除对运动背景进行精确补偿,最终基于背景补偿法实现对运动目标的精确检测。研究了基于KCF（Kernel Correlation Filter）的目标跟踪算法在六足机器人平台上的应用,设计了自适应跟踪算法实现六足机器人对运动目标的角度跟踪。将运动目标检测及跟踪算法应用于六足机器人系统。实验表明,在六足机器人移动过程中,系统可对运动目标进行精确检测与跟踪。     

基于阈值判断的CamShift目标跟踪算法

针对CamShift算法只利用目标的颜色信息,在跟踪过程中,易受目标相似物、遮挡以及光照等复杂背景影响导致目标搜索窗口发散,跟踪稳定性能降低,提出了一种基于阈值判断的目标跟踪方法。该方法将OTSU法和Snake模型结合,利用OTSU法以最佳阈值对图像进行分割,分离前景区域和背景区域,初步提取目标轮廓作为Snake模型的初始轮廓,经收敛得到目标的精准轮廓,利用轮廓外接最小矩形框内的像素计算目标质心,判断与CamShift算法中目标搜索窗口质心之间的欧式距离,如果未超出阈值,则直接使用CamShift算法跟踪目标,反之,则将计算出的目标质心作为CamShift算法中当前帧目标搜索窗口的质心跟踪目标。实验结果表明,该算法跟踪目标具有较好的实时性,跟踪性能稳定、可靠。     

基于判别性局部联合稀疏模型的多任务跟踪

目标表观建模是基于稀疏表示的跟踪方法的研究重点, 针对这一问题, 提出一种基于判别性局部联合稀疏表示的目标表观模型, 并在粒子滤波框架下提出一种基于该模型的多任务跟踪方法(Discriminative local joint sparse appearance model based multitask tracking method, DLJSM).该模型为目标区域内的局部图像分别构建具有判别性的字典, 从而将判别信息引入到局部稀疏模型中, 并对所有局部图像进行联合稀疏编码以增强结构性.在跟踪过程中, 首先对目标表观建立上述模型; 其次根据目标表观变化的连续性对采样粒子进行初始筛选以提高算法的效率; 然后求解剩余候选目标状态的联合稀疏编码, 并定义相似性函数衡量候选状态与目标模型之间的相似性; 最后根据最大后验概率估计目标当前的状态.此外, 为了避免模型频繁更新而引入累积误差, 本文采用每5帧判断一次的方法, 并在更新时保留首帧信息以减少模型漂移.实验测试结果表明DLJSM方法在目标表观发生巨大变化的情况下仍然能够稳定准确地跟踪目标, 与当前最流行的13种跟踪方法的对比结果验证了DLJSM方法的高效性.     

时空上下文与CamShift相结合的目标跟踪算法

针对传统的时空上下文(STC)目标跟踪算法在完全遮挡或者遮挡面积过大时易导致跟踪失败的问题,提出了一种将STC与CamShift相结合的目标跟踪算法.通过设定一个阈值,来判断时空上下文算法何时进入目标遮挡.当进入遮挡时,利用CamShift算法得到的跟踪中心修正时空上下文模型计算出的跟踪中心,并用修正后的中心更新局部上下文区域.实验结果表明:提出的算法较原有的算法更加适合复杂的场景变化,具有更好的鲁棒性和稳定性.