核相关滤波跟踪算法的尺度自适应改进

针对基于检测的核相关滤波跟踪（CSK）算法难以适应目标尺度变化的问题,提出多尺度核相关滤波分类器以实现尺度自适应目标跟踪。首先,采用多尺度图像构建样本集,训练多尺度核相关滤波分类器,通过分类器对目标的尺度估计实现目标的最佳尺度检测;然后,在最佳尺度下采集样本在线学习更新分类器,实现尺度自适应的目标跟踪。对比实验与分析表明,本文算法在目标跟踪过程中能够正确适应目标的尺度变化,相比CSK算法,偏心距误差减少至其1/5~1/3,能满足复杂场景长时间跟踪的需求。     

自适应尺度的快速相关滤波跟踪算法

针对常规的相关滤波跟踪算法不能很好地适应目标尺度变化,而基于尺度金字塔的相关滤波跟踪算法虽然取得较高的跟踪精度,却在跟踪速度上大打折扣的问题,提出一种简单快速的自适应目标尺度的相关滤波跟踪算法.首先对目标模板进行对数极坐标变换,把目标的尺度变化转化为位移信号;然后对目标模板变换前后分别提取HOG特征,并建立位移与尺度的滤波模型;最后在相关滤波框架下同步跟踪目标的位移与尺度因子,并将二者融合得到目标跟踪框.实验结果表明,该算法的跟踪精度略低于基于尺度金字塔的相关跟踪算法,而跟踪速度却达到后者的2倍以上.     

多尺度特征提取的双目视觉匹配

提出一种基于多尺度特征提取的双目视觉匹配算法,旨在提高传统算法的实时性和鲁棒性。该算法通过设计出一种基于尺度因子变化的高斯核模板尺寸自适应调整以及双目视图的双向配准的办法,以改善特征点匹配效率和精度。实验证明,多尺度特征提取算法能够有效而快速地完成双目视图的特征点匹配。     

自适应模板更新的鲁棒目标跟踪算法*

针对受复杂背景、光照以及目标尺度变化等因素的影响,目标模板更新精度不高,导致跟踪算法鲁棒性差的问题,提出了一种基于深度特征和模板更新的自适应粒子滤波目标跟踪方法。首先对跟踪目标进行仿射变换;然后构造一个12层的卷积神经网络来提取跟踪目标及其仿射变换的深度特征得到目标模板和候选模板,并以此构建候选模板库;其次采用粒子滤波算法跟踪目标,将预测结果与候选模板库中的模板进行匹配,确定新的目标模板并自适应更新候选模板库。实验结果表明,该算法在遮挡、光照、尺度变化、目标旋转和复杂背景的恶劣条件下仍能稳定地跟踪目标,与其他7种先进算法在18组测试视频中进行比较,具有更高的目标跟踪精度和更强的鲁棒性。     

基于模板更新的自适应Mean-shift跟踪算法

提出了一种利用Mcan-shift算法处理目标跟踪定位,并以SIFT特征点匹配结果的最小二乘模型来求解缩放系数和更新目标模型的自适应跟踪方法。该方法实现了目标的快速跟踪,解决了模板更新和目标的尺度缩放问题。实验结果表明,该算法在处理目标尺度变化较大的情况下具有很强的鲁棒性。     

多特征融合和尺度适应的相关滤波跟踪算法

针对核相关滤波的算法在复杂背景下的不足之处,提出一种多特征融合和尺度适应的相关滤波跟踪算法。分别使用HOG、CN2、HSV特征训练获得多个滤波器,在检测环节对多个响应图的结果自适应加权预测出目标位置,提高视觉跟踪算法在复杂背景下的适应能力;采用图像感知哈希算法快速匹配合适的目标尺度,针对模型更新环节,依据响应图的震荡程度优化模型更新策略,有效降低模型漂移发生的概率,减少模型更新的次数。通过OTB数据集与多种流行算法对比的实验结果表明了该算法的优越性。     

运动状态与尺度估计的核相关目标跟踪方法

视觉跟踪在视频智能监控和机器人等领域有着广泛应用。基于相关滤波分类器,提出了具有运动状态估计和目标尺度估计的视觉目标跟踪方法。该方法将粒子滤波与核相关滤波方法相结合,首先估算运动目标的位置,然后执行尺度相关滤波器来估算目标的尺度,以使算法对尺度变化的运动目标具有更强的适应能力。该方法在传统的KCF跟踪算法的基础上引入了一种基于概率的运动状态估计方法,可以获得更加稳定的目标信息,并减少背景干扰信息的引入,从而在复杂场景下具有更强的抗干扰性。使用benchmark数据集对所提方法进行了测试实验,并和其他已有的若干视觉跟踪方法进行了对比实验,结果验证了所提算法的高效性,且所提方法在目标尺度变化、光照变化、姿态变化、部分遮挡、旋转及快速运动等复杂情况下均有较强的适应性。     

融合相关粒子滤波目标跟踪算法

相关滤波算法因其优越的高效性和鲁棒性被广泛应用于目标跟踪领域,但是该算法无法很好地处理目标遮挡和尺度变化等问题。针对该现象,提出了一种融合相关粒子滤波目标跟踪算法,该算法采用多个相关滤波器,学习到更多目标信息和背景信息,提高了目标与背景辨识度,并且引进了粒子滤波随机采样策略,在目标离开遮挡物时能够快速捕捉到目标。在尺度估计中引入了多尺度因子,对定位到的目标进行多尺度缩放,选用与滤波器响应值最大区域对应的尺度因子作为缩放比例,从而对目标进行尺度更新;粒子滤波算法随着粒子数目的增加,其计算量也随着增加,针对该问题,提出了基于粒子繁衍的重采样算法,在跟踪效率上做了提升。对提出的算法进行了三部分对比实验,实验结果验证了提出算法在处理目标遮挡和尺度变化问题上的有效性。     

融入深度特征的多模板相关滤波跟踪算法

针对现实场景中跟踪算法因背景杂乱、遮挡、尺度变化、目标形变等情况易导致跟踪失败的问题,提出融入深度特征的多模板相关滤波跟踪算法.首先对图像或图像区域分别提取深度特征和Color Name特征,经过核相关滤波器学习得到不同的模板;然后采用核相关滤波跟踪算法获得2个特征下的响应集合,并对所得到的集合进行加权融合得到最终的目标位置;最后使用贝叶斯统计通过最大化后验的方式估计最佳目标尺度,同时更新核相关滤波器参数,以实现自适应尺度的目标跟踪.在OTB2013和OTB2015这2个基准数据库上进行实验,并与当前6种优秀的算法进行比较,结果表明该算法性能最优,在2个数据集上的成功率OP(AUE)较KCF算法分别提升10.7%和12.4%.     

基于多特征和尺度估计的KCF_MTSA算法

多模板尺度自适应核相关滤波器(KCF_MTSA)跟踪算法在目标移动模糊、旋转和尺度变化时跟踪距离精度与成功率较低.针对该问题,提出一种结合多特征和尺度估计的改进KCF_MTSA目标跟踪算法.采用方向梯度直方图和颜色名两种特征对目标进行表征,在训练阶段分别使用多模板核相关滤波器对上述特征进行训练,同时在检测阶段将两个滤波...     

基于改进的核相关滤波器的长期目标跟踪算法

针对核相关滤波器跟踪算法在视觉目标跟踪中因遮挡产生的目标丢失后，无法重新准确地跟踪目标问题，提出一种基于GM(1,1)灰色预测模型和间隔性模板匹配的改进的核相关滤波器跟踪算法。实验结果表明，在复杂环境下，所提出的改进算法与传统的核相关滤波器目标跟踪算法相比，综合性能有很大的提高，与其他跟踪算法相比也有一定的优势。     

复杂场景下的改进核相关滤波跟踪算法

为解决视觉目标跟踪的遮挡、尺度变化及背景杂波问题,在核相关滤波算法基础上,引入平均峰值相关能量遮挡判据,提出一种自适应融合多特征的抗遮挡核相关滤波算法（AMFKCF）。初始化目标特征及尺度因子,将提取、融合的目标多个特征和尺度因子训练位置和尺度滤波器,得到目标的中心位置响应,根据遮挡判据,引入卡尔曼位置滤波器,对未遮和遮挡的目标中心位置进行补偿。AMFKCF算法与主流算法在CVPR 2013 Benchmark数据集中进行对比,结果表明,AMFKCF算法与主流算法相比精度提高了0.115,成功率提高了0.083,中心位置误差提高了14.67个像素,距离精度提高了9.75个百分点。能够较好地解决遮挡、尺度变化、背景杂波等问题,且兼具核相关滤波算法的优点。     

一种基于SVM的核相关跟踪算法

基于相关滤波器的跟踪方法在准确度和鲁棒性上取得了突出优势,但仍需要提高整体的跟踪性能.针对传统单目标的核相关滤波器跟踪算法在目标尺度变化和产生遮挡的跟踪中存在的问题,提出了一种结合支持向量机(SVM)检测器的多尺度相关滤波器算法.通过在核矩阵中引入尺度因子来提高相关滤波器处理尺度变换的性能,训练了一个在线SVM检测器,当目标发生遮挡时,能够重新获取目标,同时自适应调整模型学习率.通过与其他5种优秀跟踪算法进行实验比较,结果表明:方法能够广泛应用于目标跟踪领域,对目标进行准确地估计并有效处理目标的遮挡问题.     

具有尺度和旋转适应性的长时间目标跟踪

目标发生尺度和旋转变化会给长时间目标跟踪带来很大的挑战,针对该问题,本文提出了具有尺度和旋转适应性的鲁棒目标跟踪算法.首先针对跟踪过程中目标存在的尺度变化和旋转运动,提出一种基于傅里叶-梅林变换和核相关滤波的目标尺度和旋转参数估计方法.该方法能够实现连续空间的目标尺度和旋转参数估计,采用核相关滤波提高了估计的鲁棒性和准确性.然后针对长时间目标跟踪过程中,有时不可避免地会出现跟踪失败的情况（例如由于长时间半遮挡或全遮挡等）,提出一种基于直方图和方差加权的目标搜索方法.当目标丢失时,通过提出的搜索方法能够快速从图像中确定目标可能存在的区域,使得跟踪算法具有从失败中恢复的能力.本文还训练了两个核相关滤波器用于估计跟踪结果的置信度和目标平移,通过专门的核相关滤波器能够使得估计的跟踪结果置信度更加准确和鲁棒,置信度的估计结果可用于激活基于直方图和方差加权的目标搜索模块,并判断搜索窗口中是否包含目标.本文在目标跟踪标准数据集（Online object tracking benchmark,OTB）上对提出的算法和目前主流的目标跟踪算法进行对比实验,验证了本文提出算法的有效性和优越性.     

旋转自适应的多特征融合多模板学习视觉跟踪算法

目标发生旋转及遇到外界干扰时会给目标跟踪带来巨大挑战,针对该问题,文中提出旋转自适应的多特征融合多模板学习跟踪算法.首先,构建具有互补特性的多模板学习模型,全局滤波器模板用于跟踪目标,当判定滤波器模板确定全局滤波器模板被污染时,使用修正滤波器模板对全局滤波器模板进行修正.然后,将颜色直方图作为视觉补充信息和VGGNet-19特征图进行自适应融合,提升全局滤波器模板对目标外观的判别能力.最后,提出旋转自适应策略,采用改进的跟踪置信度,估计跟踪框最佳旋转角度,减轻目标旋转带来的全局滤波器模板性能衰退.在OTB-2013、OTB-2015数据集上的实验表明,文中算法的成功率和精确率较高.     

基于深度估计和特征融合的尺度自适应目标跟踪算法

针对核相关滤波目标跟踪算法(KCF)使用单特征来描述所跟踪的目标,在复杂环境下,目标尺 度发生较大变化时,无法准确跟踪目标的问题,提出基于深度估计和特征融合的尺度自适应目标跟踪算法。首 先利用深度神经网络估计视频序列中目标的深度,建立并训练深度-尺度估计模型;在跟踪过程中,融合目标 方向梯度直方图(HOG)特征和 CN (Color Name)特征训练相关滤波器,利用深度估计网络得到目标深度值,并 利用深度-尺度估计模型得到目标的尺度值,从而在目标尺度发生变化时,能够调整目标框大小,实现尺度自 适应的目标跟踪算法。实验结果表明,与经典的 KCF 算法相比,可获得更高的精度,与尺度自适应的判别型 尺度空间跟踪(DSST)算法相比,在尺度变化较大时,跟踪速度更快;在环境复杂、目标被遮挡时,鲁棒性更好。     

基于卷积特征的核相关自适应目标跟踪

目的 针对现实场景中跟踪目标的快速运动、旋转、尺度变化、遮挡等问题,提出了基于卷积特征的核相关自适应目标跟踪的方法。方法 利用卷积神经网络提取高、低层卷积特征并结合本文提出的核相关滤波算法计算并获得高底两层卷积特征响应图。采用Coarse-to-Fine方法对目标位置进行估计,在学习得到1维尺度核相关滤波器估计尺度的基础上实时更新高低两层核相关滤波器参数,以实现自适应的目标跟踪。结果 实验选取公开数据集中的典型视频序列进行跟踪,测试了算法在目标尺度发生变化、遮挡、旋转等复杂场景下的跟踪性能并与多种优秀的跟踪算法在平均中心误差、平均重叠率等指标上进行了定量比较,在Singer1、Car4、Jogging、Girl、Football以及MotorRolling视频图像序列上的中心误差分别为8.71、6.83、3.96、3.91、4.83、9.23,跟踪重叠率分别为0.969、1.00、0.967、0.994、0.967、0.512。实验结果表明,本文算法与原始核相关滤波算法相比,平均中心位置误差降低20%,平均重叠率提高12%。结论 采用卷积神经网络提取高低两层卷积特征,高层卷积特征用于判别目标和背景,低层卷积特征用于预测目标位置并通过Coarse-to-Fine方法对目标位置进行精确的定位,较好地解决了由于目标的旋转和尺度变化带来的跟踪误差大的问题,提高了跟踪性能并能够实时更新学习。在目标尺度发生变化、遮挡、光照条件改变、目标快速运动等复杂场景下仍表现出较强的鲁棒性和适应性。     

视频监控领域基于自适应学习因子与积分通道特征的核相关目标跟踪算法

针对复杂场景下单一特征跟踪算法适应性不强的问题,提出一种基于积分通道特征的核相关目标跟踪算法,该算法利用积分通道特征丰富多样的特征信息与高效的计算效率,将不同通道的特征整合到核相关模型中,可以克服单一通道特征对目标区域描述不足的缺陷。同时,本文也提出了一种自适应学习因子策略,增强了模型的泛化能力。大量的定性定量实验表明本文所提的算法的跟踪性能超过传统的核相关跟踪算法,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。     

融合颜色特征的核相关滤波器目标长期跟踪算法

为了解决基于相关滤波器的跟踪方法在长期遮挡或尺度变化情况下跟踪性能降低,对核相关滤波器目标跟踪方法提出了改进.首先将目标区域的方向梯度直方图、颜色名特征进行融合,对目标外观进行建模;然后对目标构建尺度金字塔,求取尺度的最大响应.最后,引入再检测机制,只有当目标的置信度小于阈值时,才利用在线随机蕨分类器重新扫描窗口,获取检测结果.实验结果表明,该文提出的改进算法在目标发生快速运动、遮挡和尺度变化等复杂场景下有较强的鲁棒性.     

基于核相关滤波器的目标旋转跟踪算法

提出一种新的鲁棒的旋转估计算法,以核相关滤波器理论为基础,通过在目标中心等角度间隔来采样一个样本金字塔,单独训练一个一维的角度估计滤波器,从而将目标旋转角估计问题变为一个检测问题.提出的角度估计方法具有通用性,可以辅助其它没有角度估计功能的跟踪器.在实验中,单独训练一个位移跟踪滤波器和一个尺度估计滤波器,结合本文提出的角度估计滤波器形成一个由三层滤波器组成的跟踪器.和经典的算法在不同测试数据上的对比实验表明,该算法能达到较高的跟踪精度.