基于稀疏表示的相关滤波目标跟踪算法

针对相关滤波跟踪算法在目标形变、背景干扰等复杂场景下，易受干扰特征影响导致跟踪失败的问题，提出了基于稀疏表示的相关滤波目标跟踪算法。该算法将稀疏表示与相关滤波相结合，在目标函数中引入L1范数惩罚项，使训练出的相关滤波器只含有目标的关键特征，同时根据相关滤波系数的空间位置为其分配不同的惩罚参数，并采用交替方向乘子法（alternating direction method of multipliers,ADMM）求解相关滤波器。实验结果表明：该算法在三个常用数据集上，与五种相关滤波跟踪算法相比，具有最高的精确度和成功率，且对复杂场景中的干扰特征具有良好的鲁棒性，同时能够满足目标跟踪实时性的要求。     

背景与时间感知的相关滤波实时视觉跟踪

目的 传统的相关滤波跟踪算法采用对跟踪目标（唯一准确正样本）循环移位获取负样本,在整个学习过程中没有对真正的背景信息进行建模,因此当目标与背景信息极其相似时容易漂移。大多数跟踪算法为了提高跟踪性能,在时间序列上收集了大量的训练样本而导致计算复杂度的增加。采用模型在线更新策略,由于未考虑时间一致性,使得学习到的滤波器可能偏向背景而发生漂移。为了改善以上问题,本文在背景感知相关滤波（BACF）跟踪算法的基础上,加入时间感知,构建了一个带等式限制的相关滤波目标函数,称为背景与时间感知相关滤波（BTCF）视觉跟踪。该算法不但获取了真正的负样本作为训练集,而且仅用当前帧信息无需模型在线更新策略就能学习到具有较强判别力的相关滤波器。方法 首先将带等式限制的相关滤波目标函数转化为无约束的增广拉格朗日乘子公式,然后采用交替方向乘子方法（ADMM）转化为两个具有闭式解的子问题迭代求最优解。结果 采用OTB2015数据库中的OPE（one pass evaluation）评价准则,以成功率曲线图线下面积（AUC）和中心点位置误差为评判标准,在OTB2015公开数据库上与10个比较优秀的视觉跟踪算法进行对比实验。结果显示,100个视频序列和11个视频属性的成功率及对应的AUC和中心位置误差均明显优于其他基于相关滤波的视觉跟踪算法,说明本文算法具有良好的跟踪效果。本文的BTCF算法仅采用HOG纯手工特征,在OTB2015数据库上AUC较BACF算法提高了1.3%;由于颜色与边缘特征具有互补特性,本文融合CN（color names）特征后,在OTB2015数据库上,AUC较BACF算法提高了4.2%,采用纯手工特征跟踪性能AUC达到0.663,跟踪速度达到25.4帧/s。结论 本文的BTCF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跟踪,具有良好的鲁棒性和一定的实时性。     

流形背景感知的相关滤波目标跟踪

针对相关滤波跟踪算法在相似背景、遮挡、快速运动、运动模糊等复杂场景下目标易丢失的问题,提出一种新的基于流形背景感知的相关滤波目标跟踪方法。首先,选取目标区域,提取目标的外观特征,建立目标模型;然后,以目标所在位置为原点,采用双指数分布构建流形搜索区域,并根据目标的运动速度和运动方向动态调整流形搜索区域的搜索范围和搜索角度,提取流形搜索区域内的背景信息,将背景信息与目标特征模型进行滤波器训练,得到滤波器模板;最后,以滤波器模板来确定目标位置,进行目标跟踪。提出的流形背景感知算法,根据目标运动的速度和方向,采用动态搜索机制进行搜索,涵盖了目标随机运动的大概率空间范围,在复杂场景下能够有效搜索目标,并控制了计算量,提升了目标跟踪算法的精度和速度。该方法在标准数据集OTB100上进行了大量的实验,实验结果表明,相较于其他主流算法,该算法对相似背景、遮挡、快速运动、运动模糊等复杂条件下的目标跟踪具有很好的准确率、实时性和鲁棒性。     

具有空间调整和稀疏约束的相关滤波跟踪算法

因频繁遮挡、尺度变化、边界效应等因素的影响,进行目标跟踪时,时常难以达到较好的预期 效果。再有,采用传统特征提取策略也会影响目标跟踪的鲁棒性。针对上述问题,提出一种具有空间调整和稀 疏约束的相关跟踪算法。利用传统特征与深度特征的有效融合,适应目标表观变化;基于峰值旁瓣比判别目标 在跟踪过程中是否被遮挡,若发生遮挡,则对滤波器进行稀疏正则化约束,提高模型对遮挡问题的鲁棒性;若 未发生遮挡,则通过高斯空间调整惩罚滤波器系数,抑制边界效应的影响。实验利用 OTB 数据集中 5 组涵盖 了严重遮挡和尺度变化等挑战因素的标准视频序列进行测试,定性和定量对比了算法与 4 种热点算法的跟踪效 果。定性分析中基于视频序列的主要挑战因素进行比较,定量分析通过中心点位置误差和重叠率比较跟踪算法 的性能。实验结果表明,算法对上述挑战因素更具鲁棒性。     

多特征重检测的相关滤波无人机视觉跟踪

无人机视觉跟踪是视觉跟踪未来应用的核心领域,其由于跟踪目标像幅较小、表 观不清且易受到无人机飞行姿态多变、飞行稳定性差等因素的影响而难以对目标进行鲁棒的跟 踪,特别是发生跟踪遮挡时,算法跟踪漂移后无法进行模型的更新。为提高无人机视频的跟踪 效果,提出一种多特征重检测跟踪方法。首先采用多特征融合的方式提高跟踪算法在无人机跟 踪特征的判别性。其次目标在出现遮挡时,扩大搜索区域,采用滑动窗口采样找到置信度最高 的目标区域并实现模型更新。通过一系列无人机视频实验结果表明,该算法在遇到遮挡问题时 具有较好的鲁棒性,能够提高无人机在目标跟踪过程中的准确性。     

基于加速自适应时空背景感知相关滤波的目标追踪算法

基于相关滤波设计鲁棒的追踪算法是目标追踪领域的一个重要研究方向.背景、空间信息和时间信息对提高算法的追踪性能具有重要意义.在背景感知追踪算法的基础上,融合空间信息和时间信息,考虑空间权值矩阵的自适应性,文中提出基于加速自适应时空背景感知相关滤波的目标追踪算法.运用加速的交替方向乘子法求解空间权值矩阵和滤波器,实现目标自...     

高斯感知约束空间异常的相关滤波目标跟踪

针对目标在复杂场景运动过程中容易出现跟踪丢失问题,提出一种高斯感知约束空间异常的目标跟踪算法。以高斯均匀分布为分布规律建立目标特征采样点,采用卷积结构提取目标的外观模型以及权重模型;为了约束空间异常,在目标函数中构建空间正则项,同时更新目标权重模型,减小空间过拟合的产生,增强跟踪器的空间异常适应性;应用加权最小二乘法思想,获得权重响应模型中心,确定目标中心,更新跟踪位置,增强跟踪器鲁棒性。使用OTB2015和UAV20L数据集,与其他主流相关滤波算法相比,该算法在目标运动导致低分辨率、遮挡等复杂条件下,跟踪成功率以及跟踪精度较高。     

全天实时跟踪无人机目标的多正则化相关滤波算法

相关滤波算法(Correlation filter, CF)已广泛应用于无人机目标跟踪. 然而, 受无人机 (Unmanned aerial vehicle, UAV) 平台本身计算性能的制约, 现有的无人机相关滤波跟踪算法大都仅采用手工特征来描述目标的外观, 难以获得目标的全面语义信息. 并且这些跟踪算法仅能较好地进行光照条件良好场景下的跟踪, 而在跟踪夜间场景下的目标时性能严重下降. 此外, 相关滤波跟踪器采用余弦窗口来抑制循环移位产生的边界效应, 缩小了样本提取区域, 产生了训练样本污染的问题, 这不可避免地降低了跟踪器的性能. 针对以上问题, 提出全天实时多正则化相关滤波算法(All-day and real-time multi-regularized correlation filter, AMRCF)跟踪无人机目标. 首先, 引入一个自适应图像增强模块, 在不影响图像各通道颜色比例的前提下, 对获得的图像进行增强, 以提高夜间目标跟踪性能. 其次, 引入一个轻量型的深度网络来提取目标的深度特征, 并与手工特征一起来表示目标的语义信息. 此外, 在算法框架中嵌入高斯形状掩膜, 在抑制边界效应的同时, 有效避免训练样本污染. 最后, 在5个公开的无人机基准数据集上进行充分的实验. 实验结果表明, 所提出的算法与多个先进的相关滤波跟踪器相比, 取得了有竞争力的结果, 且算法的实时速度约为25 fps, 能够胜任无人机的目标跟踪任务.     

融合稀疏重构图像显著性的相关滤波跟踪

针对相关滤波跟踪中目标在剧烈形变时会发生滤波模板漂移,以及在复杂场景中目标跟踪鲁棒性较差的问题,提出一种融合稀疏重构图像显著性的相关滤波跟踪算法。在跟踪过程中,通过超像素分割提取背景模板来稀疏重构目标颜色相关,构建目标颜色模型得到跟踪检测分数,将该检测分数与相关滤波检测分数进行融合,根据融合响应,利用峰值旁瓣比调整模板更新速度来解决遮挡下的更新策略问题,同时利用中心先验图对存在误差的稀疏重构图进行修正,使得该目标跟踪框架能适应形变、光照等复杂变化。实验表明,该算法在准确性和鲁棒性方面要优于其他算法。     

背景与方向感知的相关滤波跟踪

目的 针对相关滤波跟踪算法,目标与周围背景进行等值权重训练滤波器导致目标与背景信息相似时,易出现目标漂移问题,本文提出一种基于背景与方向感知的相关滤波跟踪算法。方法 将目标周围的背景信息学习到滤波器中,利用卡尔曼滤波预测目标的运动状态和运动方向,提取目标运动方向上的背景信息,将目标运动方向上与非运动方向上的背景信息进行滤波器训练,保证分配给目标运动方向上背景信息的训练权重高于非运动方向上的权重,增加滤波器对目标和背景信息的分辨能力,采用线性插值法得到最大响应值,用于确定目标位置;构造辅助因子g,利用增广拉格朗日乘子法（augmented Lagrange method,ALM）将约束项放到优化函数里,采用交替求解算法（alternating direction method of multipliers,ADMM）将求解目标问题转化为求滤波器和辅助因子的最优解,降低计算复杂度;采用多分辨率搜索方法来估计目标变换的尺度。结果 在数据集OTB50（object tracking benchmark）和OTB100上的平均精确率和平均成功率分别为0.804和0.748,相比BACF （background-aware correlation filters）算法分别提高了7%和16%;在数据集LaSOT上本文算法精确率为0.329,相比BACF （0.239）的精确率得分,更能体现本文算法的鲁棒性。结论 与其他主流算法相比,本文算法在运动模糊、背景杂乱和形变等复杂条件下跟踪效果更加鲁棒。     

融合残差Unscented粒子滤波和区别性稀疏表示的鲁棒目标跟踪

（目的）提出一种鲁棒的目标跟踪算法,将区别性稀疏表示模型应用于残差Unscented粒子滤波(RUPF)跟踪框架,从而实现对目标高效准确的跟踪。（方法）利用Unscented卡尔曼(UKF)滤波技术将目标的量测信息引入提议分布,并使用马尔科夫蒙特卡洛(MCMC)移动改进采样结果,提高了滤波的精度,同时有效防止了粒子的退化和贫化。基于稀疏表示建立区别性的目标观测模型,引入的背景成分可以增强算法分辨目标与背景的能力。采用可变方向乘子法(ADMM)解决稀疏表示中的L1优化问题,有效的提升了算法的执行效率。（结果）通过和其它跟踪算法一起对标准测试视频进行的大量定性与定量的实验表明,本文提出的跟踪算法的跟踪精度高于一些常见的跟踪算法,同时其时间复杂度低于传统的几种基于稀疏的跟踪算法。（结论）随着硬件技术的不断发展,UKF滤波技术的速度不断提升,保证了本文算法可以在较高准确率下有更快的执行速度。     

引入高斯掩膜的相关滤波目标跟踪算法

目的 由于相关滤波（correlation filter,CF）跟踪算法使用循环移位操作增加训练样本,不可避免会引起边界效应问题。研究者大多采用余弦窗来抑制边界效应,但余弦窗的引入会导致样本污染,降低了算法的性能。为解决该问题,提出了嵌入高斯形状掩膜的相关滤波跟踪算法。方法 在空间正则化相关滤波跟踪框架中嵌入高斯形状掩膜,对靠近目标中心和搜索区域边缘的样本重新分配权重,提高中心样本的重要性,同时降低远离中心的边缘样本的重要性,增加中心样本的响应,从而降低样本污染的影响,增强滤波器的判别能力。建立了高斯掩膜相关滤波跟踪算法的目标公式,然后使用交替方向乘子法（alternating direction of multiplier method,ADMM）求解滤波器及空间权重的闭合解。结果 为评估所提算法的跟踪性能,在OTB2013 （online tracking benchmark）、TC128 （temple color）、UAV123 （unmmaned aerial vehicle）及Got-10k （general object tracking）等多个基准数据集上进行了大量实验,并与多个先进的相关滤波跟踪算法对比。结果表明,在OTB2013数据集上精度和成功率分别为90.2%和65.2%,其中精度比基准算法提高0.5%;在TC128数据集上精度和成功率分别为77.9%和57.7%,其中成功率提高0.4%;UAV123数据集上的两个指标数据分别为74.1%和50.8%,精度提高0.3%;在Got-10k数据集上成功率提高了0.2%。结论 与其他相关滤波跟踪算法相比,本文算法在各数据集上的精度和成功率表现出较强的竞争力,显著提高了基准算法的跟踪性能。     

基于无迹卡尔曼滤波的无人机毫米波波束跟踪算法

针对无人机收发端相对运动导致毫米波窄波束无法实时匹配这一问题,提出一种基于无迹卡尔曼滤波的三维波束跟踪方法。该方法首先将波束的俯仰角和方位角作为系统状态向量,对其进行无迹变换,获得采样点集。而后,根据采样点集计算出状态预测值和测量预测值,并以此为基础,根据计算出的卡尔曼增益更新状态向量,获得状态向量的最优估计值。仿真结果表明,此方法满足了无人机实时波束跟踪需求,有效地提高了三维环境下毫米波窄波束的跟踪精度。     

基于循环寻优RRT算法的无人机航迹规划

针对快速扩展随机树（RRT）算法在无人机在线自主航迹规划中的寻优性问题,提出基于循环寻优RRT算法。将航迹长度代价约束作为启发条件引入RRT算法,可以有效地剪除搜索空间的无用节点,获得较优航迹。通过引入已规划可行航迹的航迹长度代价约束作为下一次算法运行的启发条件,采用循环迭代策略有效地剪除搜索空间的无用节点,使得算法每次运行后的航迹长度代价减小,多次运行后最终得到的航迹接近最优航迹,充分利用航迹长度代价的启发性,克服了RRT算法的缺点,同时获得了一系列不同航迹代价的可行备选航迹,在协同任务中可以根据协同到达时间进行快速选择。仿真结果表明该算法能够快速生成安全并且满足无人机动力学约束的较优航迹。     

一种自适应鲁棒最小体积高光谱解混算法

对高光谱图像解混的目的在于从低空间分辨率的高光谱图像中找到端元与对应的丰度.本文根据解混算法中的最小体积准则,提出了一种自适应鲁棒最小体积高光谱解混算法（Robust minimum volume based algorithm with automatically estimating regularization parameters for hyperspectral unmixing,RMVHU）.本算法通过引入负数惩罚正则项,替换了同类算法中的丰度非负性约束（Non-negativity constraint,ANC）,使算法对图像中的噪声与异常值具有更强的鲁棒性;采用循环最小化方法,将非凸优化问题分解为凸优化子问题,然后应用交替方向乘子法解决随着像素点个数增大带来的求解困难问题;对于正则项系数,本算法提出了一种自适应调整策略,提高了算法的收敛性,并且通过定性分析,说明了该调整方法的合理性.将算法应用于合成数据与实际数据,实验结果表明,与同类算法相比,本文提出的算法能够取得更为优秀的效果.     

高光谱图像非负稀疏分量分解建模与鲁棒性解混方法

目的 高光谱解混是高光谱遥感数据分析中的热点问题,其难点在于信息不充分导致的问题病态性。基于光谱库的稀疏性解混方法是目前的代表性方法,但是在实际情况中,高光谱数据通常包含高斯、脉冲和死线等噪声,且各波段噪声的强度往往不同,因此常用的稀疏解混方法鲁棒性不够,解混精度有待提高。针对该问题,本文对高光谱图像进行非负稀疏分量分解建模,提出了一种基于非负稀疏分量分析的鲁棒解混方法。方法 首先综合考虑真实高光谱数据的混合噪声及其各波段噪声强度不同的统计特性,在最大后验概率框架下建立非负矩阵稀疏分量分解模型,然后采用l_1,1范数刻画噪声的稀疏性,l_2,0范数刻画丰度的全局行稀疏性,全变分(total variation,TV)正则项刻画像元的局部同质性和分段平滑性,建立基于非负稀疏分量分析的高光谱鲁棒解混优化模型,最后采用交替方向乘子法(alternating direction method of multipliers,ADMM)设计高效迭代算法。结果 在2组模拟数据集上的实验结果表明,相比于5种对比方法,提出方法在信号与重建误差比(signal to...     

Splitting augmented Lagrangian method for optimization problems with a cardinality constraint and semicontinuous variables

We propose a new splitting augmented Lagrangian method (SALM) for solving a class of optimization problems with both cardinality constraint and semicontinuous variables constraint. The proposed approach, inspired by the penalty decomposition method in [Z.S. Lu and Y. Zhang, Sparse approximation via penalty decomposition methods, SIAM J. Optim. 23(4) (2013), pp. 2448–2478], splits the problem into two subproblems using auxiliary variables. SALM solves two subproblems alternatively. Furthermore, we prove the convergence of SALM, under certain assumptions. Finally, SALM is implemented on the portfolio selection problem and the compressed sensing problem, respectively. Numerical results show that SALM outperforms the well-known tailored approach in CPLEX 12.6 and the penalty decomposition method, respectively.