基于SURF和Camshift的目标跟踪算法研究

针对动态的目标跟踪算法Camshift在目标发生短时遮挡或者背景有相似颜色干扰时,可能造成目标跟踪失败的问题,提出了一种基于SURF和Camshift的目标跟踪解决方案。使用搜索窗口颜色概率直方图和目标模板的颜色概率直方图的Hellinger距离判定Camshift算法跟踪结果是否准确,当判定为跟踪失败时,利用SURF快速近似最近邻搜索算法进行特征匹配,解决了传统Camshift算法需要手动确定第一帧搜索窗口,背景颜色干扰及短时遮挡后目标定位的问题。实验结果表明,采用该算法能克服传统的Camshift算法的缺陷,有效地跟踪到目标,具有较好的鲁棒性。     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。     

结合稳健估计和Meanshift的视频目标跟踪算法

针对Meanshift目标跟踪算法对强噪声环境敏感的问题,提出了一种结合稳健估计和传统Meanshift的修正Meanshift算法.通过稳健估计修正传统Meanshift算法的核概率密度函数,提升Meanshift算法的鲁棒性.针对信噪比分别为60、30和0 db的仿真数据,将传统Meanshift算法和修正Meanshift算法的跟踪轨迹准确性和精度进行对比.结果表明,修正Meanshift算法能够实现目标准确跟踪,且跟踪位置的相对误差在1%以下.对于实际运动目标视频数据,所提算法也可以实现实时跟踪定位,克服了传统Meanshift算法目标跟踪丢失的问题.     

用于运动目标跟踪的改进Camshift算法的研究

Camshift是一种应用颜色特性来对目标实施跟踪的算法,所以当背景过于复杂、目标被遮挡或做加速运动时很容易发生目标跟丢的情况。针对以上缺点,提出首先采用帧间差分法自动的选取搜索窗口,然后引入加权颜色概率直方图排除相似背景颜色的干扰,最后采用Kalman滤波器预测和Camshift算法相结合的方法准确跟踪做加速运动的物体。实验表明,此方法能够准确定位做加速运动或被遮挡的目标。     

视频监控重点区域智能分析报警系统的设计与实现

针对传统的视频监控系统中运动目标跟踪的不足,提出了将Kalman滤波器引入Mean shift算法中的运动目标跟踪新方法,解决了Meanshift算法在大面积遮挡问题以及相似干扰物问题,并将多线程技术应用到软件设计方面。通过在实际智能分析报警系统中的应用,对运动目标跟踪实现方案的有效性、实时性等特性进行了验证。     

基于双注意力机制的多分支孪生网络目标跟踪

为了解决SiamRPN++单目标跟踪算法在目标被短时遮挡及外观剧烈变化时定位不准确的问题，提出基于双注意力机制的多分支孪生网络目标跟踪算法.采用具有轻量化主干网络的SiamRPN++为基础算法，结合轻量化的通道和空间注意力机制，提升跟踪过程中应对遮挡挑战时的抗干扰能力.新增上一帧模板分支，动态更新目标外观变化，利用三元组损失增强跟踪过程中前景与背景的判别能力.根据目标的移动速度进行局部扩大搜索，使目标被短时遮挡后仍可以及时、准确地跟踪到目标.实验结果表明，改进后的算法在OTB100数据集的成功率和精确度较原算法分别提高了2.4%和1.6%，平均中心位置误差降低了28.97个像素，平均重叠率提高了14.5%.     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.     

基于ELM与Mean Shift的抗遮挡目标跟踪算法

针对目标跟踪过程中发生遮挡时跟踪出现偏差的情况,在传统Mean Shift跟踪算法的基础上引入极限学习机(extreme learning machine,ELM),提出了基于ELM与Mean Shift的目标跟踪算法。该算法根据过去3个时刻的目标位置信息,利用ELM预测出目标当前可能位置,代替目标前一时刻位置作为Mean Shift迭代起始点,并在邻域范围内进行迭代,得到目标的真实位置.实验结果表明,与现有的改进算法相比,新算法减少了迭代次数和运算时间,同时在遮挡情况下能够准确定位目标位置并进行跟踪,提高了跟踪系统的实时性和鲁棒性.     

基于核相关滤波的TLD跟踪算法的研究

对TLD跟踪算法进行改进,以提高在跟踪目标发生尺度变化或被遮挡时的跟踪性能. 首先使用KCF跟踪器替代TLD算法中原有的中值光流跟踪器,并在特征提取时增加目标的Lab颜色特征,在寻找目标位置时引入尺度估计,在模型更新阶段引入跟踪状态判别机制,通过设定跟踪器中输出响应最大值阈值、APCE阈值及检测器中随机蕨分类器阈值来判断跟踪器跟踪结果的可靠性,改善跟踪器在尺度变化、出现遮挡、光照变化等情况下的跟踪效果. 针对TLD算法中的检测器,为了减少大量无意义的窗口,提升算法在存在遮挡时的精确性,在检测之前使用Kalman滤波预估出目标位置,在预估位置周围使用改进的级联分类器更精准地定位目标,改进的级联分类器的前两级仍采用方差分类器和随机蕨分类器,第三级则采用改进的KCF跟踪器. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够满足实时性.     

融合梯度特征的红外目标跟踪

Meanshift跟踪算法普遍采用单一的灰度空间进行红外目标跟踪,直方图所含信息量少,容易受目标和背景灰度变化的影响．文中提出一种融合梯度特征的红外图像Meanshift跟踪算法,该算法对边缘和结构特征的梯度值进行量化,建立梯度特征模型;利用Bhatta—charyya系数分别计算梯度特征和灰度特征的特征相似度;设置置信度系数,并利用置信度系数将梯度特征相似度和灰度特征相似度进行融合,得到综合相似度;针对综合相似度推导Meanshift迭代方程,通过迭代运算逐步逼近目标实现跟踪;利用灰度特征相似度和梯度特征相似度信息并结合置信度系数设计模型更新准则以提高跟踪鲁棒性．文中算法能够适应红外目标跟踪中目标与背景的变化,鲁棒性强且跟踪准确度高,仿真实验表明该算法较普通Meanshift算法性能有较大提高,跟踪精度也有所改善．     

基于Camshift/Kalman运动目标跟踪算法

将Kalman滤波与Camshift跟踪算法相结合,解决了运动目标被长时间遮挡以及相似颜色特征大面积干扰背景下目标丢失或跟踪精度下降问题。     

一种改进的CamShift运动目标跟踪算法

Cam Shift算法具有复杂度低,实时性和鲁棒性好等优点,被广泛地应用于目标跟踪领域。但是Cam Shift算法在运动目标接近与其颜色相近的固定遮挡物时,跟踪会出现明显的偏移。针对这一问题,提出了一种解决与运动目标颜色相近的固定遮挡物对目标跟踪的干扰的方法。首先,运用单高斯背景模型对运动目标进行背景建模;其次,通过背景模型与当前帧的运算,确定与运动目标颜色相近的固定遮挡物所在的位置;最后,利用H分量灰度图计算运动目标所在位置。实验结果显示,该方法在运动目标接近相似颜色固定遮挡物时,能很好地跟踪运动目标。     

一种改进的CAMSHIFT手势跟踪算法

在基于视觉的手势分析中 ,手势跟踪是一个关键环节 .从实时性的角度考虑 ,提出了一种改进的CAMSHIFT(ContinuouslyAdaptiveMeanShift)算法 ,实现了对动态手势的实时跟踪 .实验表明 ,该算法快速准确可靠 ,并且较好地处理了跟踪过程中大面积肤色干扰及手势被遮挡等问题 ,对复杂场景的检测与跟踪也取得了较好的效果 .同时 ,该算法还适用于其它具有特定颜色目标的跟踪 .     

复杂环境下运动摄像机稳定跟踪运动目标算法

在复杂环境中,运动摄像机跟踪运动目标是一项相当困难的工作。在基于目标颜色特征的Mean Shift跟踪算法中,引入感兴趣区域（ROI,Region of Interest）,减少背景干扰及降低计算消耗。提出基于目标强度和目标面积的目标危机判别函数,对强干扰、遮挡情况进行识别;采用直方图维数和量化等级数自适应选取策略解决强干扰,采用子区域搜索选优策略解决目标遮挡和重新捕获的问题。为使被跟踪目标锁定在摄像机视野中央区域,采用基于速度调节的闭环控制模型,驱动PTZ摄像机,跟踪运动目标。实验结果表明,算法对背景干扰和遮挡具有较强的适应性,摄像机可以平滑稳健地跟踪快速运动目标,而且系统计算代价小,完全达到了实时的运行速度。     

跟踪-学习-检测框架下改进加速梯度的目标跟踪

单目标持久跟踪的主要难点是由于目标姿态、相似背景及遮挡等因素而导致的漂移问题。基于此提出了一种改进L1APG(L1tracker using accelerated proximal gradient approach)的目标-学习-检测(TLD)目标跟踪算法。首先,在L1APG跟踪器中加入遮挡检测判断;其次,将遮挡程度转换为目标模板和背景模板系数的权重;最后,用改进的L1APG跟踪器取代传统TLD框架中的跟踪器,自适应地根据遮挡程度改变模板系数,从而有效地提高了跟踪效果。实验表明:本文算法与传统TLD跟踪框架相比,能更好地处理遮挡和漂移问题,具有较好的稳定性和鲁棒性。     

一种连续卷积与时空正则项的相关滤波目标跟踪算法

针对STRCF算法在目标被遮挡及快速旋转时定位不准确的问题,提出了一种连续卷积与时空正则项的相关滤波算法。该算法利用插值算子将响应函数在一定周期内转换为连续函数,提高了目标定位精度;加入时空正则项构建相关滤波模型,保证模型与上一帧模型相似,提高算法鲁棒性;采用快速多尺度滤波对尺度进行更新,提高运算效率。实验结果表明,所提算法的平均重叠率可达73%,中心位置误差低于8.2个像素,可以实现对目标实时和鲁棒性跟踪。     

基于Kalman预测器的多特征Camshift运动目标跟踪算法

基于色度特征的Camshift算法在运动目标颜色特征与背景颜色特征差别不大或目标附近有与目标色度相近的物体时,往往会失去跟踪目标或者跟踪目标不准确.据此,提出一种基于Kalman预测器的多特征融合的Camshift运动目标跟踪算法,将色度特征和梯度方向特征结合起来,利用综合直方图实现目标跟踪,并针对运动目标突然加速导致目标跟丢的情况,采用Kalman预测器预测运动目标在下一帧中可能出现的位置,再用Camshift算法搜索目标中心,提高搜索的实时性.实验表明,该改进算法有效地解决了原有算法存在的问题,提高了目标跟踪的速度与精度,满足了实时性要求.     

基于HOG特征的优化区域模板匹配检测

针对HOG算法滑动窗口检测效率低和目标特征描述不精确的问题,提出了一种基于HOG的改进算法,提高了滑动窗口的检测效率并减少了目标模板相似性对结果带来的影响.该算法利用HOG特征来描述目标的整体和各个部件,优先检测图像中目标出现概率较大的区域.对于检测评分比较接近阈值的区域使用可变形部件模型进行精确检测,从而可以避免具有轮廓相似性的模板检测结果的不准确.结果表明,该算法对于静态图片有较高的准确率,且对于很多相似度不高的分类具有较快的检测速度.     

基于改进CamShift算法的纱管跟踪方法研究

为了提高对纱管的实时精准跟踪,将Camshift算法应用于纱管分拣喂纱跟踪领域.传统MeanShift算法需要手动选择初始跟踪窗口,纱管分拣喂纱过程中单一颜色特征的跟踪算法很难满足实时跟踪要求.针对此问题,在CamShift跟踪算法基础上加入颜色识别,有效降低了误跟踪现象;加入卡尔曼预测机制,解决自动框选初始跟踪窗口的问题.通过3组对比实验可知:改进后的算法使目标的质心坐标偏差大约维持在4个像素点,验证了改进方法的实时性和精准性.     

基于多注意力融合的抗遮挡目标跟踪

针对基于孪生网络的目标跟踪算法在相似目标干扰和发生遮挡时容易丢失目标的问题,提出一种基于多注意力融合的抗遮挡目标跟踪算法(anti-occlusion target tracking based on multi-attention fusion, AOTMAF)。为更好地模拟遮挡图片,引入渐进式随机遮挡模块,由易到难地随机生成遮挡块对图像进行多区域遮挡,通过人工模拟被遮挡图像的方式扩充负样本数据集,提升模型在遮挡情况下对判别性特征的提取能力。从深度、高度与宽度三个维度挖掘特征图通道信息,并通过融合空间注意力,聚合特征图上每个位置的空间依赖性,增强特征表达能力,进一步提高跟踪的鲁棒性。实验结果表明,在OTB100、VOT2018、GOT-10K公开数据集上,本研究方法在复杂场景下能有效提升跟踪精度和鲁棒性。