基于相关滤波的目标跟踪方法

精度和速度一直是跟踪领域的矛盾。相比而言,基于深度学习方法的模型精度更好,但基于相关滤波(可以用FFT加速)的模型速度快很多。算法KCF、DSST、Staple、SiamFC、ECO、CCOT等在VOT2016数据库上的跟踪性能对比结果显示,在跟踪准确率这方面,深度学习优于相关滤波跟踪算法,而在鲁棒性方面,相关滤波算法则占有优势,且其速度也一直领先。将深度卷积特征和相关滤波相结合,可以兼顾两者的优势,使相应算法表现出更好性能。未来应着重考虑发挥CNN在目标跟踪领域的作用,以其同时提高算法的实时性和训练的便捷性。跟踪和检测是分不开的,跟踪能够保证速度上的需要,而检测能够有效地修正跟踪的累计误差。不同的应用场合对跟踪的成功率、准确度和鲁棒性要求也不一样,达到实际的跟踪要求仍然需要更好的算法实现。     

自适应特征融合的核相关滤波目标跟踪算法研究

在核相关滤波目标跟踪算法中,为了克服采用单一特征导致的特征表达不足,以及采用线性插值模型更新策略造成模型漂移的问题,提出了一种自适应特征融合和模型更新的核相关滤波目标跟踪算法. 首先使用主成分分析法对方向梯度直方图特征和颜色名特征进行降维,以提高算法的运行速度; 其次计算两种特征的响应图,用所得响应图的峰值与平均峰值相关能量值的乘积来计算响应图权重,实现响应图的加权融合,从而获得目标位置; 最后根据两帧间颜色名特征的相似度调整模型更新速率. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够提高处理速度.     

基于改进核相关滤波算法的目标跟踪

针对核相关滤波算法仅使用一种特征表达进行目标追踪,使其在一些场景中跟踪效果不佳的问题,提出了一种多特征融合的核相关滤波跟踪方法。采用31维的方向梯度直方图特征、58维的局部二值模式特征和1维的灰度特征进行融合。该算法选择在特征层进行特征融合,先将方向梯度特征和局部二值模式特征并联融合,再将融合后的特征串联融合灰度特征,形成新的特征表达。在OTB(Object Tracking Benchmark)数据集上进行了测试,结果表明,该算法具有更好的跟踪效果。     

基于相关滤波的目标跟踪算法研究综述

基于相关滤波理论的判别式跟踪方法由于其高效性和鲁棒性,已经取得了一系列的进展,成为了目标跟踪领域的研究热门.为了使更多国内外学者对相关滤波目标跟踪理论及其发展进行进一步研究与探索,对该领域研究现状进行综述.首先,介绍了相关滤波理论及其用于实现目标跟踪任务时的一般框架,并重点描述了典型的核相关滤波跟踪方法.其次,讨论了目标跟踪技术应用于实际场景时面临的诸多难题,详细分析了特征表示和自适应尺度更新这2个主要难点.然后,从基本类相关滤波、部件类相关滤波、正则化类相关滤波和Siamese网络类相关滤波这4个类别对具有代表性的算法进行分析与讨论,并指出了未来可能的发展趋势.最后,在OTB2013和OTB100基准数据集上对32种相关滤波类跟踪算法就精确度、成功率和帧率进行了对比,在VOT2017数据集上对10种相关滤波类跟踪算法就平均重叠期望（expected average overlap,EAO）、Accuracy和Robustness三个性能指标进行了对比,体现了相关滤波跟踪器（correlation filter trackers,CFTs）的优越性.尽管相关滤波理论在目标跟踪领域具有广阔的应用前景,但是复杂场景和自身因素的影响导致其仍然是一个极具挑战性的研究方向,研究兼备准确性与鲁棒性的CFTs对于目标跟踪领域的发展具有重要意义.

     

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型．使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新．实验结果证明：相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型．使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性．     

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。     

基于核相关滤波的TLD跟踪算法的研究

对TLD跟踪算法进行改进,以提高在跟踪目标发生尺度变化或被遮挡时的跟踪性能. 首先使用KCF跟踪器替代TLD算法中原有的中值光流跟踪器,并在特征提取时增加目标的Lab颜色特征,在寻找目标位置时引入尺度估计,在模型更新阶段引入跟踪状态判别机制,通过设定跟踪器中输出响应最大值阈值、APCE阈值及检测器中随机蕨分类器阈值来判断跟踪器跟踪结果的可靠性,改善跟踪器在尺度变化、出现遮挡、光照变化等情况下的跟踪效果. 针对TLD算法中的检测器,为了减少大量无意义的窗口,提升算法在存在遮挡时的精确性,在检测之前使用Kalman滤波预估出目标位置,在预估位置周围使用改进的级联分类器更精准地定位目标,改进的级联分类器的前两级仍采用方差分类器和随机蕨分类器,第三级则采用改进的KCF跟踪器. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够满足实时性.     

融合ELM和相关滤波的鲁棒性目标跟踪算法

为解决目前主流相关滤波跟踪方法中跟踪结果容易陷入局部最优值以及因引入深度学习带来的特征提取过程过慢的问题,提出一种融合极限学习机和相关滤波器的鲁棒性目标跟踪算法。该算法在C-COT算法的基础上对其特征提取方式和置信图的寻优方法进行改善。首先,利用多层稀疏自编码极限学习机技术,设计新的特征提取模型,以代替原来的卷积神经网络,可快速且高效地提取图像特征;其次,在特征提取模型之后,添加在线序列极限学习机,构建目标粗糙位置估计模型,采用多峰检测方法初步求得目标的预测位置;第三,根据初步的目标预测位置确定置信图的搜索区域,避免跟踪结果陷入局部最优值;最后,在3个目标跟踪标准数据集上验证新算法的有效性。实验结果表明,新算法的跟踪速度是C-COT算法的12.9倍,且对遮挡、运动模糊以及相似目标等有较强的鲁棒性,可有效地提高跟踪精度和速度。     

一种基于粒子滤波的自适应相关跟踪算法

相关跟踪是最常见的一种目标跟踪方法,但传统相关跟踪采取的"峰值"跟踪方法抛弃了所有小于峰值点相关值的位置点的信息,不够稳健,受遮挡影响大,并且很难求解相关模板的仿射变形参数.提出了一种改进的非线性相关跟踪算法,以改进的灰度模板作为目标表示方式,粒子的权值与相关值成比例,目标状态的后验概率由粒子加权表示.模板更新时根据粒子权值进行自适应调节,对所有粒子所在位置的区域进行加权更新,权值大的粒子具有更高的更新系数,避免了仅利用单一峰值点处的模板进行更新可能造成的误差累计.该算法大大提高了跟踪与模板更新的鲁棒性,同时也是一种在仿射空间进行运动参数搜索的实用方法.     

基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

一种基于卡尔曼滤波器的彩色目标跟踪方法

提出了一种基于卡尔曼滤波器的彩色目标跟踪方法。该方法首先在YCbCr颜色空间使用高斯模型构建目标颜色模型,根据该颜色模型在图像中进行目标检测,获取目标中心,然后利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心建立搜索区域,在搜索区域内进行目标检测,计算目标中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

基于粒子滤波/Mean Shift的改进跟踪算法

针对单一特征所带来的跟踪不稳定问题,该文提出一种基于纹理特征粒子滤波/Mean Shift的改进目标跟踪算法。该算法中建立一种选择反馈机制,首先对目标同时进行基于纹理信息的粒子滤波和基于颜色信息的Mean Shift两种算法的跟踪,然后对两种算法的跟踪结果进行比较,选择结果较好的输出,并把结果反馈到粒子滤波与Mean Shift中作为下一帧处理的初始值。实验结果表明,该方法克服了单一特征所带来的跟踪不稳定问题且具有较强的鲁棒性。     

基于粒子滤波的目标主动轮廓跟踪算法

传统的粒子滤波方法采用若干维参数定义的简单几何图形给出跟踪结果,不能精确表示现实中具有复杂形状的目标物体。针对这一问题,该文提出基于粒子滤波的主动轮廓算法,用于计算复杂形状目标的轮廓跟踪任务。在目标状态后验分布的模拟样本基础上引入主动轮廓模型,并使用带权粒子定义其能量函数,使得模型的轮廓线向具有重要权重粒子的所在区域演化,并最终收敛到具有最大目标似然的图像区域,从而实现对目标物体的全局运动及局部形态演化的同时估计。精确的目标区域提高了目标模型的更新精度,避免了跟踪中漂移现象的发生。最后,结合真实机场监控验证了该方法在实际复杂场景下的有效性及鲁棒性。     

Particle Filter Object Tracking Algorithm Based on Sparse Representation and Nonlinear Resampling

Object tracking with abrupt motion is an important research topic and has attracted wide attention.To obtain accurate tracking results,an improved particle filter tracking algorithm based on sparse representation and nonlinear resampling is proposed in this paper.First,the sparse representation is used to compute particle weights by considering the fact that the weights are sparse when the object moves abruptly,so the potential object region can be predicted more precisely.Then,a nonlinear resampling process is proposed by utilizing the nonlinear sorting strategy,which can solve the problem of particle diversity impoverishment caused by traditional resampling methods.Experimental results based on videos containing objects with various abrupt motions have demonstrated the effectiveness of the proposed algorithm.     

基于卡尔曼滤波的摄像头目标跟踪

在应用摄像头进行目标跟踪的过程中,由于图像信号的采集、传输和处理时延的影响,使得目标不能处在摄像头的最佳观测位置,从而产生数据缺失,造成分析结果滞后,由此可能导致摄像头运动控制误差较大.本文提出基于卡尔曼滤波的摄像头预测跟踪模型,充分利用Kalman滤波方程递推预估计能力对运动目标位置进行跟踪,及时调整摄像头偏转角度,使得摄像头始终超前运动目标,解决了由于摄像头运动惯性产生的数据缺失现象,对后续的图像分析与识别提供了保证,最后仿真结果显示了该模型的正确性.     

融合颜色和梯度方向直方图的粒子滤波跟踪算法

针对基于单一颜色特征的粒子滤波跟踪算法在复杂环境下会导致跟踪失败的问题,提出了一种融合颜色直方图和梯度方向直方图,形成一种新的综合直方图特征的粒子滤波跟踪算法.颜色直方图是对目标在彩色图像中的全局描述,而梯度方向直方图包含了一定的结构信息,两者可以互为补充.实验结果表明,采用综合直方图特征能够在背景颜色干扰导致目标颜色特征鉴别能力丧失的情况下,仍能稳定可靠地跟踪目标,提高了跟踪精度,具有较强的鲁棒性.     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。