采用RGB–D时空上下文模型的多目标遮挡跟踪算算法

为了提高实时RGB–D目标遮挡跟踪精确度,解决多目标遮挡跟踪容易发生模型漂移和跟踪丢失等问题,本文提出一种基于RGB–D时空上下文模型的多目标遮挡跟踪算法.首先获取多目标检测定位区域,再通过目标时空上下文特征提取,建立目标时间上下文模型、目标空间上下文模型构成目标RGB–D时空上下文模型;然后在跟踪器判别跟踪状态时通过计算时间一致性进行颜色和深度特征自适应融合确定目标在当前帧位置;最后,当跟踪器判别多目标遮挡时引入深度概率,利用深度概率信息特征进行约束,通过最大后验概率(MAP)关联模型有效解决目标遮挡跟踪问题.在公用数据集clothing store dataset和princeton tracking benchmark dataset上进行定性对比实验和定量结果分析表明,本文提出的算法具有良好的遮挡跟踪性能,能较好解决多目标遮挡跟踪问题,提高目标遮挡跟踪的精确性和鲁棒性.     

基于遮挡检测和时空上下文信息的目标跟踪算法*

基于时空上下文信息的目标跟踪算法利用目标与背景之间的时空关系,在一定程度上解决静态遮挡问题,但当目标出现较大遮挡或快速运动目标被背景中物体遮挡(动态遮挡)时,仍然会出现跟踪不准确或跟丢的情况.基于此种情况,文中提出基于遮挡检测和时空上下文信息的目标跟踪算法.首先利用首帧图像中压缩后的光照不变颜色特征构造并初始化时空上下文模型.然后利用双向轨迹误差对输入的视频帧进行遮挡情况判断.如果相邻帧间目标区域特征点的双向匹配误差小于给定阈值,说明目标未出现严重遮挡或动态遮挡,可以利用时空上下文模型进行准确跟踪.否则利用文中提出的组合分类器对后续帧进行目标检测,直至重新检测到目标,同时对上下文模型和分类器进行在线更新.在多个视频帧序列上的测试表明,文中算法可以较好地解决复杂场景下较严重的静态遮挡和动态遮挡问题.     

时空上下文抗遮挡视觉跟踪

目的 传统的视觉跟踪方法只考虑了目标本身的特征信息提取,忽略了目标周围稠密的上下文信息。一旦目标本身特征信息提取存在困难,很容易导致跟踪失败。为解决上述问题,提出一种时空上下文抗遮挡视觉跟踪算法（STC-PF）。方法 首先,利用目标与局部区域的时空关系学习时空上下文模型;然后,通过上下文先验模型和学习到的时空上下文模型计算置信图;最后,对时空上下文区域进行分块遮挡判别,若遮挡概率小于设定阈值,计算置信图所得最大概率位置即为目标位置;若遮挡概率大于设定阈值,则目标发生遮挡,通过子块匹配和粒子滤波估计目标位置以及运动轨迹,实现不同程度的抗遮挡跟踪。结果 对测试数据集中的图像序列进行实验,结果表明,STC-PF方法的跟踪成功率提高至80%以上;中心误差小于原算法;同时STC-PF算法在提高抗遮挡能力的前提下,运行速度与原算法相当,高于当前流行算法。结论 STC-PF算法能够适用于光照变化、目标旋转、遮挡等复杂情况下的视觉目标跟踪,具有一定的实时性和高效性,尤其是在目标发生遮挡情况下具有很好的抗遮挡能力和较快的运行速度。     

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.     

一种鲁棒的时空上下文快速跟踪算法

为解决时空上下文快速跟踪算法在目标处于复杂背景及被遮挡情况下容易产生漂移的问题,提出了一种鲁棒的时空上下文快速跟踪算法,通过引入Kalman滤波器,对当前帧中的目标在下一帧中的位置进行估计和预测,并将其作为下一帧时空上下文快速跟踪算法的迭代起点。对不同视频序列的跟踪结果表明,与时空上下文快速跟踪算法和多示例学习跟踪算法相比,提出的算法在目标被遮挡及复杂背景情况下能够更准确地跟踪到目标,并且满足实时性要求。     

基于RGB-D的在线多示例学习目标跟踪算法

基于2D特征的目标跟踪算法缺少3维信息,因此在目标尺度、姿态变化和平面旋转时会引起跟踪不稳定易丢失目标的问题,为此提出一种基于RGB‐D的在线多示例学习目标跟踪算法。利用深度数据的特性在深度图中和RGB图中构建多尺度空间,提取多尺度的 Haar‐D特征和 Haar特征;利用多实例学习策略将多尺度的 Haar‐D特征和 Haar特征融合。实验结果表明,该算法能很好得处理室内或室外环境下目标姿态变化、平面旋转和部分遮挡的问题。     

基于尺度自适应均值偏移优化的TLD跟踪算法

为解决目标在形变、遮挡和快速运动时所导致的跟踪失败,在经典TLD算法的框架下,使用尺度自适应均值偏移算法重新设计跟踪器,提出了MS-TLD算法.通过引入颜色直方图特征和尺度自适应,跟踪器能准确跟踪形变和快速运动的目标.设计跟踪-检测反馈机制,通过跟踪器和检测器相互校正,使新算法在目标被遮挡时具有很好的跟踪鲁棒性.采用TB-50标准测试集进行了实验验证与评测,结果表明所提出算法有效克服了由于目标形变、遮挡和快速运动以及背景干扰所导致的跟踪失败,比TLD等4种经典算法具有更好的跟踪准确性和鲁棒性.     

基于局部敏感直方图的时空上下文跟踪

针对当前目标跟踪算法在目标区域光照剧烈变化、长时间遮挡或者平面内旋转时会发生偏移甚至跟丢这一现象,提出了基于局部敏感直方图的时空上下文跟踪算法.该算法以贝叶斯框架为基础,利用生物视觉特性,结合底层灰度特征,基于局部敏感直方图提取光照不变特征,建立目标与背景的统计相关模型来实现跟踪,使跟踪时偏移较小且不会跟丢目标.在对不同视频序列的实验表明:基于局部敏感直方图的时空上下文算法和多示例学习算法相比,在光照变化、平面内旋转或者遮挡时都表现出比较好的跟踪效果且中心误差较小,具有较强鲁棒性.     

改进的交互式多模型跟踪算法

针对传统交互式多模型算法实行正则滤波的单一化缺点,提出一种改进的跟踪算法。利用卡尔曼滤波匹配系统线性部分,粒子滤波匹配非线性部分,根据匹配深度判断目标遮挡程度,当目标被严重遮挡时,采用迭代的多级粒子滤波方法进行重采样,并结合卡尔曼滤波更新模型概率。实验结果表明,该算法实时性强,能提高模型滤波速度和目标状态的估计精度,缩短计算时间,解决跟踪过程中的遮挡问题。     

低秩重检测的多特征时空上下文的视觉跟踪

时空上下文跟踪算法充分的利用空间上下文中包含的结构信息能够有效的对目标进行跟踪,实时性优良。但是该算法仅仅利用单一的灰度信息,使得目标的表观表达缺乏判别性,而且该方法在由于遮挡等问题造成的跟踪漂移后无法进行初始化。针对时空上下文算法存在的弱点,本文提出了一个基于低秩重检测的多特征时空上下文跟踪方法。首先利用多特征对时空上下文进行多方面的提取,构建复合时空上下文信息,充分利用目标周围的特征信息,提高目标表观表达的有效性。其次利用简单有效的矩阵分解方式将跟踪到的历史跟踪信息进行低秩表达,将其引入有效的在线重检测器中来保持跟踪结构的一致稳定性,解决了跟踪方法在跟踪失败后的重定位问题,在一系列跟踪数据集上的实验结果表明本算法比原始算法及当前的主流算法相比有更好的跟踪精度与鲁棒性,且满足实时性要求。     

基于均值漂移算法和时空上下文算法的目标跟踪

在严重遮挡时,时空上下文STC(Spatio-Temporal Context)算法对目标位置的判断是正确的,而均值漂移MS(Mean Shift)算法对目标位置的判断会发生很大幅度的抖动,甚至跟踪错误目标。在遮挡结束后,时空上下文算法很难重新跟踪到正确目标,而均值漂移算法可以重新检测到跟踪目标。结合二者的优缺点,提出基于均值漂移算法和时空上下文算法的目标跟踪算法MSandSTC。该算法主要解决目标被严重遮挡的问题。在许多具有挑战性的数据集上的实验表明所提算法具有较好的实时性和鲁棒性。     

分块多特征目标描述子的移动机器人目标跟踪

为解决机器人目标跟踪过程中的遮挡和外观改变等问题, 提出一种分块多特征描述子的方法. 该方法将候选样本分块, 提取图像片的深度、颜色、纹理特征来表示目标构造检测器. 结合目标与机器人的运动构造运动卡尔曼滤波器(MEKF) 作为跟踪器. 跟踪过程中根据目标深度信息调整其尺寸, 结合深度特征及图像片外观相似度进行检测并处理遮挡. 实验结果表明, 该算法对目标的尺度变化、光照改变和遮挡现象具有较强的鲁棒性.

     

自适应目标变化的时空上下文抗遮挡跟踪算法

在传统时空上下文目标跟踪过程中,为了自适应目标尺度变化,以及解决目标跟踪失败的跟踪无法恢复问题,提出了一种自适应目标变化的时空上下文抗遮挡跟踪算法 STC ALD。首先,在初始框采取TLD中值流算法初始化跟踪点,并利用F B误差算法预测下一帧跟踪点位置。其次利用STC算法计算得到目标框并计算其保守相似度, 当超过设定阈值即跟踪有效,将跟踪点与目标框进行运动相似度计算以便进行窗口调整。相反,利用检测器进行检测,对单一聚类框直接输出,而对多个检测聚类框学习其时空上下文模型,利用当前空间模型逐个计算其置信度,输出置信值最大者。最后,进行在线学习更新分类器的相关参数。对不同的测试视频序列进行实验,结果表明,STC ALD算法能够适用于目标尺度变化、遮挡等复杂情景下的跟踪,具有一定的鲁棒性。     

基于自适应颜色特征学习的目标跟踪技术

在简要说明基于空时上下文（STC）和基于核函数循环结构（CSK）目标跟踪器的基础上,重点介绍基于颜色特征（CN）的跟踪器,并针对其在目标被遮挡、尺度变化和光照发生变化时易发生跟踪漂移的问题,提出自适应学习速率和自适应高斯核尺度因子两种方法,分别对训练模型的更新和标记进行改进,减少目标模型累积错误,提高跟踪过程准确性。实验中,选取10个视频集,采用3类评价参数对比算法改进前后跟踪效果。实验证明,改进后的算法对遮挡、光照变化和尺度变化等具有较好的鲁棒性,同时将该算法应用在无人机（UAV）视频行人跟踪上,取得了良好效果。     

上下文感知的改进Staple跟踪算法

为解决相关滤波算法受余弦窗和搜索区域限制,导致跟踪器无法学习更多背景信息的问题,结合Context-Aware和Staple跟踪算法提出一种自适应特征融合的抗遮挡目标跟踪算法.在跟踪器中嵌入遮挡判断模块,利用平均峰值相关能量及峰值信噪比(PSNR)等指标来判断目标的遮挡情况,决定是否更新模板.将该算法在OTB-2015...     

足球视频球员感知跟踪算法

目的 足球比赛视频中的球员跟踪算法为足球赛事分析提供基础的数据支持。但足球比赛中球员跟踪存在极大的挑战：球员进攻、防守和争夺球权时,目标球员可能产生快速移动、严重遮挡和周围出现若干名干扰球员的情况,目前仍没有一种能够完美解决足球比赛中球员跟踪问题的算法。因此如何解决足球场景中的困难,提升球员跟踪的准确度,成为当前研究的热点问题。方法 本文在分析足球比赛视频中球员目标特点的基础上,通过融合干扰项感知的颜色模型和目标感知的深度模型,提出并设计了一种球员感知的跟踪算法。干扰项感知的颜色模型分别提取目标、背景和干扰项的颜色直方图,利用贝叶斯公式得到搜索区域中每个像素点属于目标的似然概率。目标感知的深度模型利用孪生网络计算搜索区域与目标的相似度。针对跟踪漂移问题,使用全局跟踪器和局部跟踪器分别跟踪目标整体和目标上半身,并且在两个跟踪器的跟踪结果出现较大差异的时候分析跟踪器有效性并进行定位修正。结果 在公共的足球数据集上将本文算法与10个其他跟踪算法进行对比实验,同时对于文本算法进行了局部跟踪器的消融实验。实验结果表明,球员感知跟踪算法的平均有效重叠率达到了0.560 3,在存在同队球员和异队球员干扰的情况下,本文算法比排名第2的算法的有效重叠率分别高出3.7%和6.6%,明显优于其他算法,但是由于引入了干扰项感知的颜色模型、目标感知的深度模型以及局部跟踪器等模块增加了算法的时间复杂度,导致本文算法跟踪速度较慢。结论 本文总结了跟踪算法的整体流程并分析了实验结果,认为干扰项感知、目标感知和局部跟踪这3个策略在足球场景中的球员跟踪问题中起到了重要的作用,为未来在足球球员跟踪领域研究的继续深入提供了参考依据。     

结合重检测机制的多卷积层特征响应跟踪算法

针对基于深度特征的目标跟踪算法在目标快速运动、长时间遮挡容易导致跟踪漂移的问题,提出了一种结合重检测机制的多卷积层特征响应跟踪算法。首先基于图像分块的混合高斯模型检测出目标区域,其次多卷积层根据加权梯度的类激活映射提取目标深度特征图,并训练出相互独立的相关滤波器,然后融合底层空间特征和高层语义特征的卷积层滤波器得到目标响应位置,再由重检测机制约束项平滑输出响应值,从而构建出强跟踪器,最后自适应地更新模型参数和权重系数,避免模型中参数过拟合,达到实时跟踪效果。实验结果表明,该算法在目标严重形变、快速运动、长时期遮挡等复杂情景下,跟踪结果具有很高的精确度和成功率。     

自适应尺度特征融合与模型更新的跟踪算法

在核相关滤波器跟踪算法中,为了减少背景相似物等杂波对跟踪器的干扰,以及解决不同跟踪结果置信度下的模型更新问题,提出了自适应尺度特征融合与模型更新的跟踪算法。通过多特征融合和尺度变化策略改进了多特征的尺度核相关滤波器,使用多峰检测对响应图的整体振荡程度进行判断,再对峰值进行跟踪结果置信度评估;在遮挡、形变等跟踪结果置信度低的情况下及时停止模型更新,在高置信度模型更新时,引入初始模型进行对齐操作,减少模型的更新误差,抑制模型漂移。比较核相关滤波器算法,本算法准确度较高,且在目标尺度变化、遮挡和形变时稳定性更好。在OTB-50数据集上的实验结果表明,该算法在精度和成功率上都比核相关滤波器算法表现更优。     

基于BRISK特征点改进的跟踪学习检测方法

为提高长时目标跟踪的鲁棒性和准确性,提出一种改进的跟踪学习检测(TLD)方法。利用少量具有尺度不变特性的BRISK特征点和均匀分布点组成跟踪点集合代替TLD中的均匀分布跟踪点。这样不仅可以减少跟踪部分的计算量,而且可以提高跟踪的鲁棒性。当跟踪器利用前后项误差检测到遮挡时,通过使用目标的空间上下文信息扩大跟踪范围再次跟踪,进而解决遮挡的问题。实验结果表明,改进的TLD方法在多个测试序列上都有较好的跟踪性能,与传统的TLD相比,鲁棒性更好,准确率更高。     

基于均值移动与贪婪算法的多人脸跟踪

提出一个基于均值移动(Mean Shift)和贪婪算法的多人脸跟踪器.首先建立多个均值移动目标跟踪器以进行多人脸跟踪.结合卡尔曼滤波逐个检测目标并从视频帧中清除已跟踪到的人脸,以解决当多个目标相邻或相互遮挡时相应的跟踪窗口会收敛于最大目标、导致其他目标丢失的难题.引入辅助窗口并根据其纹理信息确定粘连目标的对应.实验结果表明,该多人脸跟踪算法可实现稳健的实时多人脸跟踪.