基于多特征融合和尺度自适应的核相关滤波算法

为了提高在复杂背景下进行跟踪的精度,在KCF(Kernel Correlation Filter)算法的基础上提出了一种改进方案。首先,提取HOG(Histogram of Gradient)、CN(Color-Naming)和LBP(Local Binary Pattern)三种特征进行融合,获得充分的目标特征信息;其次,引入尺度滤波机制用于估计目标最佳尺度大小,得出最合适的跟踪框;最后,提出了一个峰值更新策略,确保模型更新不受错误信息干扰。实验表明,改进后的算法比KCF算法在精确度和成功率上分别提升了6.5%和4.8%,并且在处理尺度变化、变形、旋转等方面也有很好的鲁棒性。     

尺度自适应的多特征融合相关滤波目标跟踪算法

目标跟踪一直以来都是计算机视觉领域中的关键问题,核相关滤波算法(KCF)可避免在时域中进行目标跟踪,通过傅里叶变换将时域的计算转换到频域中进行,可大量简化计算,不但提高了跟踪速度,而且在跟踪精度上也有很大的提升.针对复杂条件下的目标跟踪问题,在确保算法实时性的前提下,在KCF的基础上对其特征、尺度以及模型更新机制进行3...     

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%.     

特征融合的尺度估计颜色名跟踪算法

针对颜色名跟踪器在跟踪过程中运动目标在遮挡、尺寸变化等干扰下不能有效跟踪的问题,提出一个在颜色名(color name,CN)跟踪器框架下融入LBP纹理特征的快速尺度估计算法。运用自适应融合CN颜色特征和LBP纹理特征,利用特征融合后的最高输出响应作为预测目标位置信息;利用尺度滤波器对预测到的目标信息做出尺度估计;结合响应图的峰值旁瓣比,对目标模型做出更新调整。将改进算法在OTB-2013视频集中和近年来流行的跟踪算法做对比实验,实验结果表明,改进算法在尺度适应性和遮挡方面优于大部分算法。     

基于特征鉴别性分析的变尺度核相关滤波跟踪算法

针对核相关滤波跟踪算法对场景依赖及无法适应目标尺寸变化问题,提出了一种特征鉴别性选择分析的变尺度核相关滤波跟踪算法。在核相关滤波跟踪框架内,提取目标的颜色、纹理、梯度特征,建立样本集合,以最小均方损失函数设定各特征样本权重,鉴别性地选择出最优和次优的两种特征进行自适应融合。在此基础上,利用高斯金字塔构建一维尺度相关响应滤波器,对目标的尺度变化进行估计;通过主旁瓣均值比对融合后的跟踪结果进行评判,实现模板的差异化更新。理论分析和实验表明:所提算法在遮挡及光照变化场景具有较高的跟踪精度并对目标的尺度变化具有一定的估计能力。     

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。     

基于多特征融合的核相关滤波目标跟踪算法

为解决在复杂背景条件下的跟踪不稳定问题,提高目标跟踪的鲁棒性和准确性,研究一种在传统核相关滤波算法的基础上对多特征进行线性融合和多峰值检测更新机制结合的核相关滤波目标跟踪算法,使用多个专家进行评估,充分结合各特征的优势,训练出最优的相关滤波器.通过O T B-2013公开数据集全部视频序列对算法进行验证,该算法准确度能达到81.7％,成功率达到69.2％,验证了该算法能够在旋转、运动模糊、快速运动、形变、光照变化和超出视野等场景下取得较好的结果,是一种稳定的目标跟踪算法.     

分离窗口快速尺度自适应目标跟踪算法

针对核相关滤波器（KCF）跟踪算法在面对尺度变化时产生的目标漂移问题，提出一种分离窗口快速尺度自适应目标跟踪算法——FSACF。首先，通过直接对原始帧图像进行特征提取得到基于显著性颜色特征的全局梯度组合特征图，以减小后续的尺度计算对性能的影响；其次，对全局特征图采用分离窗口法，自适应地选取尺度大小并计算对应的最大响应值；最后，采用定义的置信度函数自适应地更新迭代模板函数，提高模型的鲁棒性。通过带有不同干扰属性的视频集上进行实验，发现FSACF算法与KCF算法相比，在精度上提升7.4个百分点，成功率提高12.8个百分点；与未采用全局特征和分离窗口的算法对比，处理速度上提升1.5倍。实验结果表明，FSACF算法在尺度变化发生时能有效避免目标漂移的产生，同时具有一定的效率，并在精度与成功率上均优于对比算法。     

引入目标分块模型的核相关滤波目标追踪算法

为了降低目标追踪过程中光照变化、尺度变化、局部遮挡等因素的影响,提出一种引入目标分块模型的核相关滤波（KCF）目标追踪算法。首先,通过融合方向梯度直方图特征和色名属性特征来更好地表征目标;其次,通过构建尺度金字塔对目标进行尺度预测;最后,利用特征响应图的峰值旁瓣比值检测遮挡,并通过引入高置信度分块重定位模块和模型自适应动态更新来处理局部遮挡问题。在多个数据集上与当前多个主流算法进行对比实验,实验结果表明,所提算法具有最高精度和成功率,且比KCF算法分别提升了11.89%和15.24%,表明所提算法在应对光照变化、尺度变化、局部遮挡等因素时具有更强的鲁棒性。     

基于快速判别式尺度估计的核相关滤波方法

针对核相关滤波（KCF）算法无法对视频序列中目标尺度变化作出响应的问题，提出一种基于快速判别式多尺度估计的核相关滤波跟踪算法。首先，使用核相关滤波器来估计目标位置；然后，通过使用一组不同尺度的目标样本来在线学习快速判别式尺度滤波器；最后，在目标位置应用学习的尺度滤波器来获得目标尺寸的准确估计。选取Visual Tracker Benchmark视频序列集进行实验，并与基于判别式尺度空间跟踪（DSST）的KCF算法和传统KCF算法进行对比，结果表明，在目标尺度发生变化时，所提算法在跟踪精度上提高了2.2%至10.8%；并且在平均帧率上，所提算法比DSST的KCF算法提高了19.1%至68.5%，表明该算法对目标尺度变化有很强的适应能力和较高的实时性。     

快速尺度估计的增强型多核相关滤波算法

针对核相关滤波（KCF）跟踪算法在复杂环境下其定位性能和稳定性差的问题,提出了一种快速尺度估计的增强型多核相关滤波跟踪算法。该算法针对核相关滤波算法无法适应跟踪过程中目标尺度变化,将快速判别式尺度估计移植至核相关滤波跟踪框架,解决了跟踪过程的目标尺度问题。对于单个特征的单核相关滤波器在复杂环境中跟踪适应性差的问题,提出了一种多特征互补的多核相关滤波器。该滤波器利用KCF多通道特性以及不同特征可以描述不同信息,采用多个相同内核的线性组合,每个内核对应一个特征,并结合快速尺度估计,在保证算法实时性的同时进一步提高跟踪性能。通过在OTB2013目标跟踪数据集上进行实验,该算法与近年来性能优异的算法进行对比,结果表明,与传统的使用HOG特征的KCF算法相比精度上提高了10.9%,成功率提高了16.2%;与使用CN特征的CN2算法相比,精度上提高了20.6%,成功率提高了19.6%。实验结果表明,所提算法在目标尺度变化以及复杂环境下的跟踪效果均优于其余相关滤波算法,证明了该算法的有效性以及鲁棒性。     

基于背景感知与快速尺寸判别的相关滤波跟踪算法

背景感知相关滤波(Background-aware correlation filters, BACF)算法有效地解决了相关滤波类跟踪算法中的边界效应问题,提升了训练样本集的质量和数量,能够精确估计目标的位置变化,从而提高了跟踪器的性能。然而为了检测尺度变化,BACF算法通过多次重复计算不同尺度的目标区域,严重影响了跟踪速度。本文在BACF算法的基础上,采用平移加尺度滤波的思想,设计独立的一维尺度滤波器,与BACF算法无缝结合。只需预测一次目标的位置变化,再利用尺度滤波器预测目标尺度变化。因为两个滤波器单独训练、局部优化,尺度滤波器计算量远小于BACF算法,所以本文算法在保证精准预测目标尺度变化的同时极大提升目标的跟踪速度。实验结果表明：与BACF算法相比,本文算法在不损失跟踪精度的基础上提高约75%的跟踪速度。     

基于排序支持向量机的多特征融合目标跟踪算法

针对计算机视觉领域的目标跟踪问题,提出一种基于排序支持向量机的多特征融合目标跟踪算法。利用排序支持向量机学习得到排序函数,提取2种不同的图像特征分别构造分类器,使2个排序支持向量机并行预测,分别计算2个分类器的错误率,从而得到分类器权重完成融合。实验结果表明,与目前主流的跟踪算法相比,该算法的跟踪结果更准确,在复杂视频环境下也能对目标进行稳定跟踪,具有较强的鲁棒性。     

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。     

基于相关滤波融合多特征的运动目标跟踪方法

针对复杂环境下仅使用单一图像特征跟踪精度和鲁棒性差的问题,提出一种多特征融合的相关滤波目标跟踪算法。该算法首先从目标和背景区域分别提取方向梯度直方图(Histogram of oriented gradient,HOG)特征、颜色直方图特征和卷积特征,采用固定权重方法融合HOG特征和颜色直方图特征的特征响应图,然后将该层融合结果与卷积特征响应图采用自适应权重融合策略进行融合,基于融合后的响应图估计出目标位置,并采用尺度估计方法解决目标尺度变化问题,最后采用稀疏模型更新策略进行模型更新。在OTB-2013公开标准测试集中验证本文算法性能,并与主流的目标跟踪算法进行了对比分析。实验结果表明,与其中最优算法相比,本文算法的平均距离精度值和平均重叠精度值都有所提高。本文算法由于有效地利用了HOG特征、颜色直方图特征和卷积特征,在复杂场景下目标跟踪的准确性和鲁棒性都优于其他算法。     

协同运动状态估计的多目标跟踪算法

多目标跟踪在视频分析场景中有着广泛的应用,如人机交互、虚拟现实、自动驾驶、视频监控和机器人导航等。多目标跟踪问题可以表示为在已有的检测数据上进行目标轨迹关联,检测算法的准确性对跟踪性能起着关键性的作用。在基于检测的目标跟踪框架中,提出了一种协同运动状态估计的跟踪算法,该算法主要关注相邻帧之间的数据关联,从目标检测、目标运动状态估计和数据关联这3个方面来直接解决多目标跟踪面临的挑战。首先,对于目标检测,采用Multi Scale Convolutional Neural Network(MS-CNN)算法作为检测器,这是因为深度学习在检测的效益上优于传统的机器学习方法;其次,为了更好地预测目标的运动状态和处理目标间的遮挡,针对不同状态的目标采取不同的运动估计方法: 采用核相关滤波来评估处于跟踪状态的目标的运动状态,当目标处于遮挡状态时,采用卡尔曼滤波做运动估计;最后,采用Kuhn-Munkres算法对检测目标和跟踪轨迹做数据关联。通过大量的实验证实了算法的有效性,且实验结果表明算法的准确性很高。     

基于多颜色融合及投影特征的跟踪算法

提出一种基于多颜色空间信息融合和投影向量的目标跟踪算法,用以解决传统camshift不能描述目标的空间信息等缺陷。该算法利用Y、U、V、H等多种颜色分量的统计直方图进行信息融合来描述目标颜色特征,通过水平和垂直投影直方图描述目标的空间位置信息。该算法可以反映跟踪目标的部分空间信息,并具备一定的形变适应性。实验表明,该算法能够较好地改进运动目标的跟踪效果。