基于相关滤波的目标重检测跟踪

近年来，相关滤波方法由于具备运算速度快，鲁棒性强的优势，在目标跟踪领域发展迅速。然而，面对复杂场景时，现有模型难以满足实际需求。针对背景感知相关滤波方法(BACF)在目标发生自身旋转、尺度变换、运动出视野等挑战下，相关滤波器最大响应值减弱，造成跟踪精度下降的问题，提出了一种基于相关滤波的目标重检测跟踪方法。在原有背景感知相关滤波方法的基础上，引入滤波器响应检测机制，当判定到相关滤波跟踪结果不可信时，利用粒子滤波采样策略生成大量粒子，感知目标状态，重新确定目标中心位置。在此基础上，利用自适应尺度估计机制重新计算目标尺度信息，从而实现对目标的重新跟踪。为了验证改进算法的有效性，实验选取了OTB2013、OTB2015、VOT2016共3个公开数据集进行测试，同时与相关滤波及深度学习方法进行对比，从视频属性、跟踪精确度、算法鲁棒性等角度展示所有算法的性能。实验结果表明:基于相关滤波的目标重检测跟踪方法在3个公开数据集中取得较好的实验结果，并在目标发生旋转，尺度变换及运动超出视野的情况下，有效提高了BACF的准确率和成功率。     

基于孪生卷积神经网络的目标跟踪算法研究

传统的目标跟踪算法采用人工特征描述物体特征,这类人工设计的特征不能全面地表达一个物体的特点,在跟踪过程中这些特征点容易受到外界因素的影响,导致跟踪效果不稳定.基于卷积神经网络的目标跟踪算法由于采用卷积神经网络提取物体的深层次特征,这类特征能够模仿人脑描述学习一个物体的深层特征,使得在跟踪中具有较高的稳定性,目标不容易丢...     

基于互信息的目标跟踪方法

目标跟踪是计算机视觉的一个重要分支,广泛应用于科学技术、国防建设、航空宇航、医药卫生以及国民经济的各个领域.介绍了一种基于互信息的跟踪算法,实验结果表明该算法在目标发生刚体旋转和光照变化时,仍然能够稳定的跟踪目标,具有较好的稳定性.     

基于候选区域检测的核相关目标跟踪算法

近年来,核相关滤波算法在目标跟踪领域应用广泛,表现出了非常优异的性能,但是核相关滤波类算法本质上属于模板匹配算法,并且缺乏跟踪失败恢复机制,在快速运动和快速形变情况下跟踪效果较差.针对以上问题,本文提出一种结合了核相关滤波跟踪算法和目标候选区域检测的跟踪算法,来改善核相关滤波跟踪算法的性能.算法主要设计了一种跟踪失败恢复机制,通过比较目标响应强度与经验阈值的大小,判断跟踪目标是否跟丢,当目标跟踪失败时,采用候选区域检测算法,在目标周围区域提取不同的检测图像块,确定目标在当前帧的最佳位置;然后,使用核相关滤波算法得到目标的精确位置,继续跟踪.此外,算法在跟踪模块中加入了颜色特征与梯度特征的自适应融合,进一步增强了算法的整体跟踪性能.实验结果证明,所提出算法在精确度和成功率上都表现出高效的性能,并且在快速运动和快速形变情况下跟踪性能要优于其余算法.     

基于Kalman滤波的机动目标跟踪方法研究

飞行器的机动性大,在运动过程中随时会出现转弯、跃升俯冲等现象。雷达跟踪系统能否对这种机动进行有效捕获,成为检验其可靠性的关键。在传统Kalman滤波方法基础上,对目标的运动状态进行检测,一旦检测到机动,滤波器就进行不同维数的转换,使跟踪结果快速收敛,从而实现对机动小目标的精确跟踪。仿真结果证明该方法正确有效,计算简便。     

静态背景下的目标跟踪方法研究

采用了适合静态背景下的Kalman滤波算法,以目标的位置和速度为状态参数建立跟踪模型,并通过仿真结果验证了此算法可以稳定地对目标进行跟踪。     

基于卷积神经网络的响应自适应跟踪

针对目标跟踪中的遮挡、旋转、快速运动、形变等问题,本文提出基于卷积神经网络的响应自适应跟踪算法。首先,通过卷积神经网络提取目标的多层卷积特征,利用粒子滤波算法获取目标的多模板响应图,自适应学习目标的期望响应;然后通过构造目标函数的对偶形式解决多模板联合优化问题,计算多模板情况下每层卷积特征的最优滤波参数;最后通过相关滤波算法计算多层滤波响应,通过响应加权融合的方式计算最终响应图,以此估计目标位置。本文利用OTB-2013数据集中的方法测试我们提出的算法,实验表明该算法的整体成功率和精确度为0.884和0.915。本文算法在距离准确度、成功率和平均跟踪误差方面均优于传统的相关滤波跟踪算法,有一定研究价值。     

基于KCF算法的空中目标跟踪模拟

机器学习可以从图像数据中学习到强大的特征表征。如果将目标检测跟踪技术与机器学习技术结合,能够在目标快速检测、准确识别和精准跟踪的性能上有显著提升,符合现实需求。本文将基于深度学习的YOLOv4目标检测算法应用于该场景的目标检测中;然后基于相关滤波的KCF目标跟踪算法,利用相关滤波方法将计算转化到频域,减少计算量,提高目标跟踪的实时性,通过深度学习得到的深度特征和深度学习训练的分类器,对比人工特征,目标跟踪的准确性会有大幅提升。相关滤波器通过多层网络进行训练,将相关滤波和深度学习相结合,以平衡目标跟踪的实时性和准确性,并应用到该场景的目标跟踪中。模拟实验结果表明,本文提出的空中目标检测跟踪技术的目标检测准确率达到95,跟踪精度达到99,能够实现对空中目标的实时跟踪。     

结合时空上下文信息的相关滤波目标跟踪方法

针对繁杂环境下目标跟踪稳定性差且易受到遮挡发生漂移的问题,提出一种结合时空上下文信息的相关滤波目标跟踪方法.该算法首先从目标和背景区域提取方向梯度直方图特征和颜色直方图特征,加权融合两种特征的相关滤波响应,建立相关滤波跟踪模型;然后利用目标的背景梯度直方图特征,基于贝叶斯框架通过最大化似然函数得到时空上下文辅助模型;最后自适应融合两种模型响应,得到目标估计位置并采用尺度估计方法解决目标尺度变化问题.在OTB-2013公开标准测试集上与基于相关滤波的运动目标跟踪方法进行了实验对比.结果表明,该算法的平均距离精度值和平均重叠精度值都优于其他算法,能够有效缓解跟踪目标由于遮挡、尺度变化、光照等因素造成的跟踪漂移状况的发生.     

基于孪生网络的目标跟踪算法

在计算机视觉应用中,基于孪生网络的跟踪算法相比于传统的目标跟踪算法在速度和精度上都有所提升,但是其受到遮挡、形变等干扰因素影响较大。基于此,本文对现有基于孪生网络的目标跟踪方法和技术所作的改进进行了总结分析,主要包括在孪生网络中引入全卷积孪生神经网络方法、引入回归方法和在线更新方法,对基于3种方法的目标跟踪算法的改进进行了综述,并详细介绍了近年来孪生网络在目标跟踪应用中的国内外研究进展和发展现状。同时,采用VOT2017和LaSOT数据集进行了实验对比,比较了多种基于孪生神经网络跟踪算法的性能。最后,对基于孪生网络的目标跟踪方法的发展趋势进行了展望。     

Exploring the potential of Siamese network for RGBT object tracking

Siamese tracking is one of the most promising object tracking methods today due to its balance of performance and speed. However, it still performs poorly when faced with some challenges such as low light or extreme weather. This is caused by the inherent limitations of visible images, and a common way to cope with it is to introduce infrared data as an aid to improve the robustness of tracking. However, most of the existing RGBT trackers are variants of MDNet (Hyeonseob Nam and Bohyung Han, Learning multi-domain convolutional neural networks for visual tracking, in: Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 4293–4302.), which have significant limitations in terms of operational efficiency. On the contrary, the potential of Siamese tracking in the field of RGBT tracking has not been effectively exploited due to the reliance on large-scale training data. To solve this dilemma, in this paper, we propose an end-to-end Siamese RGBT tracking framework that is based on cross-modal feature enhancement and self-attention (SiamFEA). We draw on the idea of migration learning and employ local fine-tuning to reduce the dependence on large-scale RGBT data and verify the feasibility of this approach, and then we propose a reliable fusion approach to efficiently fuse the features of different modalities. Specifically, we first propose a cross-modal feature enhancement module to exploit the complementary properties of dual-modality, followed by capturing non-local attention in channel and spatial dimensions for adaptive weighted fusion, respectively. Our network was trained end-to-end on the LasHeR (Chenglong Li, Wanlin Xue, Yaqing Jia, Zhichen Qu, Bin Luo, Jin Tang, LasHeR: A Large-scale High-diversity Benchmark for RGBT Tracking, CoRR abs/2104.13202, 2021) training set and reached new SOTAs on GTOT (C. Li, H. Cheng, S. Hu, X. Liu, J. Tang, L. Lin, Learning collaborative sparse representation for grayscale-thermal tracking, IEEE Trans. Image Process, 25 (12) (2016) 5743–5756.), RGBT234 (C. Li, X. Liang, Y. Lu, N. Zhao, and J. Tang, “Rgb-t object tracking: Benchmark and baseline,” Pattern Recognition, vol. 96, p. 106977, 2019.), and LasHeR (Chenglong Li, Wanlin Xue, Yaqing Jia, Zhichen Qu, Bin Luo, Jin Tang, LasHeR: A Large-scale High-diversity Benchmark for RGBT Tracking, CoRR abs/2104.13202, 2021) while running in real-time.     

A novel Siamese network object tracking algorithm based on tensor space mapping and memory-learning mechanism

The tracker is a core component of the tracking algorithm, but it is difficult to identify the object, which is a challenge to improve the tracking accuracy. This paper proposes a Siamese network-based tracking algorithm based on tensor space mapping and memory-learning mechanisms. Firstly, the source image is mapped to the tensor space to serialize the feature distributions. Then the gating mechanism is used to extract the association information about the adjacent state, which guides the update of the subsequent state, and the interactive information on the objects is used to locate the object. On this basis, a memory-learning module is built to traverse and extract the fine-grained features, which can filter the semantic information of the object learned by the tracker. As a result, the tracking accuracy is enhanced. The experiments show that the proposed algorithm has better performance than that of the comparison methods in the OTB100 data set and the VOT data set.     

基于区域候选孪生网络的红外目标跟踪算法

目标跟踪是光电设备的基本功能。为了应对跟踪任务中目标快速运动、复杂背景干扰以及遮挡的影响,不同于传统生成式方法与核相关滤波方法,本文提出一种使用深度学习的红外目标跟踪算法,使用双分支孪生特征提取网络对输入进行空间映射,经锚框划分图像区块后,分流为区域候选网络的“分类”与“回归”分支并进行特征模板匹配,对每个锚框进行分数评价后取“分类”分支中的最佳锚框,经“回归”分支进行预测边界回归后确定目标跟踪预测框,得到一种可以达到实时要求的红外单光宏观单目标跟踪算法。这种方法能够通过完全离线端到端训练整体系统参数获得,其制作过程简单,只要方法得当地进行参数精调,其性能有充分潜力可供挖掘。     

基于区域卷积神经网络和光流法的目标跟踪

为解决基于深度学习的在线目标跟踪算法速度慢的问题,设计并实现了一种基于区域卷积网络和光流法相结合的目标跟踪算法。该算法在T-1帧跟踪结果的基础上使用光流法计算跟踪目标的运动矢量计算出跟踪目标在T帧上的初选框,再将初选框区域作为区域卷积网络的输入,计算目标的精确跟踪结果。通过实验分析对比,算法对目标运动速度和形变具有很好的鲁棒性,并且跟踪速度可以达到50 frame/s。相较于在线跟踪算法,所提方法在满足较高的跟踪准确率的基础上大大提升了目标跟踪算法的速度。     

网络视频监控中运动目标跟踪方法改进

针对传统的基于Kalman滤波的MeanShift跟踪算法目标运动速度突然改变时跟踪丢失的问题,在Kalman滤波器中引入加速度项使跟踪保持稳定;为了提高Camshift跟踪算法的实时性,使用简化的Camshift算法自适应调整跟踪窗口尺寸。实验结果表明2种改进分别提高了速度突变时跟踪准确性和目标跟踪的实时性,适合网络视频监控场景。     

基于增强RPN的孪生网络目标跟踪算法

目前孪生网络跟踪器已经具有比较良好的表现,但是对于卷积神经网络所提取的特征仍没有较好地利用其特点,同时孪生网络通过相似性学习进行跟踪的特性使跟踪器的准确性和鲁棒性存在不足。提出了一种金字塔式特征融合的方法,根据骨干网络特征提取层不同深度具有不同侧重的特点提高网络对目标的表征能力,然后使用注意力机制对区域推荐网络（Region Proposal Network,RPN）进行增强,最终实现更精准更鲁棒的跟踪。在OTB100数据集的实验中,新提出的SiamERPN(Siamese Enhanced RPN)算法分别得到了0.668的成功率和0.876的精度,测试结果好于基线算法和其他对比算法。     

多层深度特征的目标跟踪算法研究

现有的目标跟踪算法大多采用传统的手工特征或神经网络的某一层特征描述目标的外观,不利于跟踪,文中提出一种基于多层深度特征的自适应更新目标跟踪算法。采用经过预训练的深层卷积神经网络分别提取低层和高层信息用以描述目标的空间特征和语义特征,通过对两层特征信息的学习得到两个滤波模板,对应求得两个滤波响应,这两个滤波响应以不同的权重决定最后的跟踪结果。算法中还设计了对目标外观模型和滤波模板的自适应更新方案,能更好地适应目标的外观变化以及遮挡问题。采用多层深度特征描述目标外观,并且利用提取的特征训练两个滤波模板,求滤波响应时采用核相关的方法,增强了跟踪结果的准确性并加快了跟踪的速度。实验结果表明,所提算法与现有跟踪算法相比,可以更好地应对多种挑战因素,跟踪速度也完全能满足实时跟踪任务的需求。     

基于正则化卷积神经网络的目标跟踪算法

为了提高目标物体的跟踪鲁棒性和稳定性,文中将L2正则化最小二乘法和卷积神经网络(CNN)相互结合,提出了一种基于正则化卷积神经网络的目标跟踪算法。通过L2跟踪器来评估目标无题被遮挡的程度,利用两层CNN对目标进行目标表示,去除了大部分无关样本,降低了算法的复杂度。实验结果表明,当目标物体发生姿态变化或旋转等剧烈的外观变化时,所提算法具有较强的鲁棒性和稳定性,并且比其他经典的跟踪算法具有更高的精度。