自适应时空正则化的相关滤波目标跟踪

针对相关滤波目标跟踪算法空间正则权重没有与目标建立联系和时间正则项不能自适应更新的问题,提出自适应时空正则化的相关滤波目标跟踪算法。首先,利用初始帧的显著感知参考权重,使自适应空间正则项能够在后续跟踪过程中获取与目标存在联系的空间正则权重。然后,利用相邻两帧响应得分的变化情况计算时间正则化参数的参考值,使自适应时间正则项可以通过变化的正则化参数不断更新。最后,采用交替方向乘子法(ADMM)优化算法,以较少的迭代次数分别求解出滤波器函数、空间正则权重和时间正则化参数。在OTB-2015数据集上进行实验,结果表明本文算法的跟踪性能优于其他对比算法,其中距离精度和成功率分别达到86.4%和65.6%,且本文算法在具有形变、旋转、遮挡和出视野等属性的复杂跟踪场景下更具鲁棒性。     

专注学习时空关系的相关滤波跟踪算法

传统相关滤波跟踪算法试图引入预定义的正则项,如抑制背景学习或限制相关滤波器的学习率来提高算法的鲁棒性,但在复杂场景下还是容易发生目标跟踪丢失,因为传统相关滤波跟踪算法没有关注相邻两帧之间的信息变化。针对以上问题,本文提出专注学习时空关系的相关滤波跟踪算法,引入相邻两帧的响应图变化作为空间正则项权值的参考权重,而当前帧的响应图的振荡程度确定时间正则项权值,最后本文通过交替方向乘子法(ADMM)迭代优化本文的损失函数。通过在OTB-50、OTB-100和OTB-2013三个基准数据集上进行了实验,验证了本文算法在复杂场景下更具有鲁棒性。      

自适应时间正则化相关滤波的无人机目标跟踪

基于相关滤波的跟踪算法因其高效性,受到了无人机领域的密切关注.现有的跟踪算法使用固定的超参数进行滤波器的学习,无法满足无人机在跟踪过程中对复杂环境的适应性.针对该问题,提出了一种自适应正则化参数学习的相关滤波算法,将滤波器与时间正则化参数的学习描述为一个统一的目标函数;同时,该算法可通过响应图的全局变化量感知目标的变化情况,自适应更新目标模型.无人机视频数据集上的结果验证了所提算法对复杂无人机跟踪场景的适应性以及对跟踪性能提升的有效性.     

时间驱动的异常学习相关滤波器的目标跟踪

为了解决传统的相关滤波跟踪算法在复杂环境中容易跟踪失败的问题,本文提出时间驱动的异常学习相关滤波器,旨在提高模型在复杂环境下的适应性,实现安全有效的目标跟踪.通过引入结合异常学习的时间正则项,该模型不仅可以结合滤波器响应相似度和时间域特征搜索到目标,达到抑制异常的效果,还可以提高外观模型在时域中的鲁棒性,缓解时间滤波器...     

基于样本质量估计的空间正则化自适应相关滤波视觉跟踪

相关滤波(CF)方法应用于视觉跟踪领域中效果显著,但是由于边界效应的影响,导致跟踪效果受到限制,针对这一问题,该文提出一种基于样本质量估计的正则化自适应的相关滤波视觉跟踪算法。首先,该算法在滤波器的训练过程中加入空间惩罚项,构建目标与背景的颜色及灰度直方图模板并计算样本质量系数,使得空间正则项根据样本质量系数自适应变化,不同质量的样本受到不同程度的惩罚,减小了边界效应对跟踪的影响;其次,通过对样本质量系数的判定,合理优化跟踪结果及模型更新,提高了跟踪的可靠性和准确性。在OTB2013和OTB2015数据平台上的实验数据表明,与近几年主流的跟踪算法相比,该文算法的成功率均为最高,且与空间正则化相关滤波(SRDCF)算法相比分别提高了9.3%和9.9%。     

基于l0正则化的增量低秩特征学习目标跟踪

为了提高生成型目标跟踪算法在遮挡、背景干扰 等复杂条件下的性能,在稀疏编码模型中引入l₀范数正 则化约束,以减少冗余编码信息并改善目标表观重构效果。同时提出一种新的基于非凸近端 加速梯度的快速迭代算法, 解决由此产生的非凸非光滑优化问题。设计了一种增量低秩学习策略,和传统方法需 要将目标观测数据作为 一个整体进行低秩学习不同,本文方法通过l₀正则化稀疏编码能够有效地对目标低秩特 征子空间进行在线学习和更 新。在多个视频序列上的实验表明:基于l₀正则化的增量低秩学习方法能有效提高目标 跟踪算法的准确率和鲁棒性; 和8种优秀的跟踪算法相比,本文算法在中心误差稳健性和重叠率稳健性两个指标上都取得 了最好结果。     

RGBT双模态加权相关滤波跟踪算法

与基于可见光的单模态跟踪算法相比,基于可见光/热红外(RGB-Thermal, RGBT)的双模态跟踪算法对光照变化具有更强的鲁棒性。但在实际应用场景中,双模态跟踪算法仍然会受到局部遮挡目标形变的影响。为了解决以上问题,本文提出了一种可见光/热红外RGBT双模态加权相关滤波跟踪算法。该算法首先利用可见光图像和热红外图像联合求解权重图,然后利用权重图引导相关滤波器求解过程,最后根据权重图推断前景目标是否被遮挡。该算法在公开数据集RGBT234上的结果表明,本文提出的RGBT双模态加权相关滤波跟踪算法能够有效处理目标局部遮挡和目标畸变等情况,实现复杂场景下鲁棒持续的目标跟踪。      

融合相关滤波和CNN的点状目标跟踪技术研究

在研究点状目标跟踪的基础上,该算法利用多层卷积特征和相关滤波技术进行目标跟踪.为解决目标因淹没在杂波中丢失的问题,该算法使用重检测机制实现目标的长期跟踪.首先,使用V GG模型提取红外点状目标的多层卷积特征,然后在每一层上经过相关滤波计算最大响应值,最后通过权重融合获得最终响应值,实现点状目标跟踪.当目标丢失时,利用重...     

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。     

结合注意力机制的核相关滤波目标跟踪

针对目标跟踪中的旋转、快速运动、遮挡等问题 。提出了结合注意力机制的核相关滤波跟踪方法。该方法利用卷积 神经网络提取卷积特征;利用两个样本的相似度矩阵计算注意力权值,并结合注意力权值和 核相关滤波器;使用两个分类 器分别检测目标和背景,并依据两个分类器的响应值实现模型的自适应更新。选取公开数据 集上具有复杂场景的视频序列 进行测试,并与多种跟踪算法在跟踪精确度和成功率上进行定量分析,该算法与原核相关滤 波算法相比,精确度和成功率 分别提高了18.9%、58.7%。实验结果表明,添 加了注意力机制和自适应更新的核相关滤波,较好的解决了遮挡、旋转等 问题,相比其他算法具有更好的鲁棒性和适应性。     

基于多特征相关滤波的红外目标跟踪

为实现在复杂背景和多干扰条件下红外目标的稳 定跟踪,提出一种基于多特征相关滤波的红外目标 跟踪算法。首先综合考虑生物视觉关注特性及目标运动特性,提取目标区域的空间特征和 运动特征,进而融合一种改进的卷积特征,生成多特征权值函数;然后在传统 相关滤波的基础上,引入多特 征权值函数用以表征不同候选区域的重要程度,形成权值相关滤波的红外目标跟踪框架;最 终得到能够表 征目标位置的置信图,从而完成红外目标的鲁棒跟踪。在6组不同条件下红外视频序列上的 实验结果表明, 和经典目标跟踪算法相比,本文方法在复杂背景下的平均跟踪成功率提升15%左右,能够有 效应对相似虚 假目标、遮挡、背景辐射强度变化和探测器晃动等不良因素的影响,适用于复杂背景条件下 的红外目标跟踪。     

基于概率假设密度滤波和动力学方程约束的空间群目标数量和位置分辨

空间目标具有射程远、速度快等特点,为了有效解决密集性高、可分性差的高速空间目标群饱和攻击问题,实现非合作空间群目标数量和位置的尽早分辨,该文基于随机有限集(RFS)理论和动力学方程约束研究了空间“团状”目标数量和位置分辨问题,提出目标监测早期解决大量距离靠近、运动特征差异不明显的高速空间群目标数量和位置估计的相关算法,该算法利用概率假设密度(PHD)滤波器能够解决未知时变环境下目标个数与状态估计的特点,将高斯混合PHD (GM-PHD)滤波和空间目标动力学方程相结合,在解决不可分辨空间群目标数量和位置估计问题的同时,充分利用空间目标动力学方程对群内目标状态进行实时调整,提高空间目标位置状态估计精度,解决不可分辨空间目标群边跟踪边分辨问题,相关算法可为空间群目标数量和群内特殊价值个体目标位置尽快分辨、连续稳定跟踪和可靠动向预报等提供数据基础。     

Multi-frame co-saliency spatio-temporal regularization correlation filters for object tracking

The spatial regularization weight of the correlation filter is not related to the object content and the model degradation in the tracking process. To solve this problem, a new multi-frame co-saliency spatio-temporal regularization correlation filters (MCSRCF) is proposed for visual object tracking. To the best our knowledge, this is the first application of co-saliency regularization to CF-based tracking. In MCSRCF, grayscale features, directional gradient histogram (HOG) features and CNN features are extracted to improve the tracking precision of the tracker. Secondly, the three-dimensional spatial saliency and semantic saliency are introduced to obtain the initial weight of the spatial regularization with object content information. Then, the heterogeneous saliency fusion method is exploited to add a co-saliency spatial regularization term to the objective function to make the spatial penalty weight learn the change of the object region. In additional, the temporal saliency regularization is introduced to learn the information between adjacent frames, which reduces the overfitting effect caused by inaccurate samples. A variety of evaluations are conducted on public benchmarks, and the experimental results show that the proposed tracker achieves good robustness against many state-of-the-art trackers in various complex scenarios.     

基于正则化观测矢量的H无穷粒子滤波红外目标跟踪方法

提出了一种新颖和鲁棒的红外图像序列中的目标跟踪方法。由于H无穷滤波器在系统噪声源不能确定或是未知的情况下具有较好的预测性能,所以以其估计得到的预测信息来分配粒子滤波算法的粒子。为解决粒子滤波的“采样枯竭”问题,正则化了H无穷粒子滤波器的观测矢量。同时,通过计算每个目标的亮度和局部标准差分布构成级联核的目标模型,以用于计算粒子集中各个粒子的加权值。对于目标的尺寸和表观信息变化的情况,以目标区域像素灰度值零阶矩的函数来调整跟踪窗口的大小,模型更新则通过更新目标模型的每个量化阶来实现。实验结果证明了所提出的红外图像目标跟踪方法是有效的,并且优于所比较的算法。     

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。     

基于机动检测的参数自适应跟踪算法

在机动目标跟踪中,传统当前统计模型卡尔曼滤波算法对弱/无机动目标跟踪精度不高,对突发机动跟踪精度显著下降,且跟踪性能受限于先验参数.针对上述问题,本文提出一种基于机动检测的参数自适应机动目标跟踪算法,算法利用新息的概率分布特性构建双阈值检测门限,依据检测结果进行参数自适应调整.首先,利用加速度预测误差方差信息,自适应调...     

基于阵列单通道的机动目标DOA跟踪方法

针对现有利用阵列单通道系统对机动目标跟踪精度不高,实时性差等不足,提出了一种新的基于改进粒子滤波算法的阵列单通道机动目标波达方向(direction of arrival, DOA)跟踪方法。该方法首先在利用接收机轮流采样建立数学模型的基础上,建立跟踪模型。然后,利用粒子群优化算法对马尔科夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)粒子滤波算法的重采样环节进行优化处理,给出了一种交互MCMC粒子滤波算法,该算法克服了传统粒子滤波算法粒子退化及样本贫化的固有缺陷。最后利用该算法求解跟踪方程,实现了实时DOA估计。理论分析与仿真结果表明,本文方法可实现基于阵列单通道的DOA跟踪与波束形成一体化,且能够处理相干信号,与标准粒子滤波和子空间类算法相比,收敛速度快,跟踪精度高。