融合运动模型与联合置信度量的改进核相关跟踪算法

红外制导技术是武器制导领域研究的热点和主要方向.针对探测跟踪过程中核相关跟踪算法(Kemelized Correlation Filter,KCF)对快速运动和严重遮挡目标的跟踪精度下降问题,提出一种融合卡尔曼滤波和运动模型的改进核相关目标跟踪算法.该算法首先利用运动模型对目标的位置进行初始估计,提出一种自适应搜索区域选择的方法.针对测试样本的置信度响应图呈现多峰平坦的情况,本文提出了一种用于目标相似度量的组合置信度测量策略,采用相关峰的锐度和置信图的平滑度约束来进一步计算疑似区域的置信度,提升算法的抗干扰能力;同时,本文也提出了一种基于最优置信度的自适应参数更新,增强模型的泛化能力.大量的仿真实验结果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.     

复杂场景下基于多特征融合的视频跟踪

为了解决常见视频跟踪方法在复杂场景中难以有效跟踪运动物体的难题,研究了在粒子滤波框架下基于多特征融合的判别式视频跟踪算法.首先分析了特征提取和跟踪算法的鲁棒性和准确性的关系,指出融合多种特征能有效地提升算法在复杂场景中的跟踪效果,然后选择提取HSV颜色特征和HOG特征描述目标表观,并在线训练逻辑斯特回归分类器构造判别式目标表观模型.在公开的复杂场景视频进行测试,比较了使用单一特征和多种特征的实验效果,并且将所提算法和经典跟踪算法进行了比较,实验结果表明融合多种特征的视频跟踪更具鲁棒性和准确性.     

基于Mean Shift的目标跟踪算法性能比较研究

针对目前尚未有对基于Mean Shift的各类目标跟踪算法在同一数据集下进行性能比较这一问题,选取了七种具有代表性的基于Mean Shift的目标跟踪算法,分别从算法时效性、跟踪成功率和跟踪精确度三个方面对算法在25段包括多种复杂场景的图像序列上的性能进行了仿真实验比较。实验结果给出了算法在不同评价指标以及不同图像场景下的性能表现。由实验得出的结论可以为基于Mean Shift的目标跟踪算法的进一步优化改进提供参考。     

结合全局光流的孪生区域提名网络目标跟踪算法

基于孪生网络的跟踪器受限于孪生网络跟踪框架固有的跟踪机制和搜索区域选择机制,当目标处在被遮挡、快速运动和出视野等困难场景下时,如何稳定、鲁棒地进行目标跟踪始终是孪生网络跟踪器亟需解决的问题。为此,文章提出一种结合光流的孪生区域提名网络目标跟踪算法(GOF-SiamRPN)。通过全局光流对目标的运动趋势信息进行补充,该方法可以有效地解决在这些困难场景下的跟踪问题。在VOT2019和UAV123上的实验结果表明,相比基准方法,该算法分别取得了2.0%和1.8%的性能提升。与其他先进的跟踪器相比,该算法也取得了有竞争力的跟踪效果。     

复杂环境下基于自适应粒子滤波器的目标跟踪

提出一种基于目标颜色特征的自适应粒子滤波算法,在非遮挡情况下,根据运动预测的准确程度自适应选择粒子数量和运动模型中高斯噪声的方差,保证跟踪的实时性和粒子的有效性;遮挡情况下改变目标的运动模型,使粒子只做布朗运动,并且各粒子经均值漂移算法的一步迭代进行优化,从而可以减少粒子数量以及更快恢复正确的跟踪.实验结果表明该算法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于多特征自适应融合的均值迁移目标跟踪算法

针对复杂环境下,均值迁移算法只使用 颜色特征跟踪目标鲁棒性差的问题,提出一种多特征自适应融合的MS目标跟踪算法。算法在 跟踪场景的动态变化过程中,通过选择对目标和背景区分能 力强的特征描述目标,建立多特征 融合目标模型,并设置特征重要性权值。给出了多特征融合目标定位公式。通过 动态评估不同特征在不同跟踪场 景中的可靠性,对特征权值进行动态更新以及多特征自适应融合。依据不同特征的权值给出 一种选择性模板更新机制,以减 轻目标模型的漂移。实验结果表明,提出的算法在复杂场景下,具有更高的鲁棒性和跟踪效 率。     

融合GMS检测和置信度判别的TLD目标跟踪

针对目标在遮挡、尺度变化等复杂场景下易产生模型漂移问题,基于跟踪学习检测(TLD)框架提出一种结合基于网格的运动统计(GMS)检测和置信度判别的长时目标跟踪算法.首先在跟踪模块中采用快速判别尺度空间的相关滤波器(fDSST)作为跟踪器,利用位置滤波器和尺度滤波器对上一帧目标进行位置与尺度的判别,并依据TLD算法中跟踪模...     

一种鲁棒的自适应更新策略的弹载计算机红外目标跟踪算法

针对目前弹载红外目标跟踪算法对快速机动目标适应性较差的问题,本文在现有模板跟踪算法的基础上提出了一种鲁棒普适的自适应更新策略.该策略利用多个不同学习因子的更新模型,通过对不同模型下的跟踪置信度进行分析,自适应地对模型进行更新,有效地解决跟踪过程中目标剧烈外观变化或微弱位移变化.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现有的大多数算法,在现有弹载红外目标跟踪板硬件余量有限的情况下也能实现稳定跟踪复杂背景下的目标.同时,本文算法已经在挂飞测试中获得较理想的效果,适合军事装备的应用.     

多尺度时空上下文目标跟踪

相关滤波器在视觉目标跟踪中得到了广泛应用,针对复杂场景下目标跟踪容易出现跟踪漂移的问题,以及现有多尺度跟踪算法计算量大的问题,本文提出一种实时的多尺度目标跟踪方法.首先由时空上下文模型输出目标位置置信图完成目标定位,再在尺度空间上训练相关滤波器完成目标尺度估计,最后基于目标位置和尺度提出了一种新的时空上下文模型更新机制,避免了模型更新错误.实验表明:该方法在尺度变化、局部遮挡、目标姿态变化等情况下均能完成鲁棒跟踪,跟踪正确率较原始时空上下文跟踪算法提高了38.4%.     

基于特征融合的Mean-shift算法在目标跟踪中的研究

针对仅采用颜色特征的Mean-shift跟踪算法,在目标跟踪过程中,运动目标受光线变化的影响时,易发生跟踪错误等问题,提出一种基于特征融合的Mean-shift算法.新算法结合了颜色特征和边缘方向角特征,并对各特征模型进行加权处理,有效解决了Mean-shift算法在光线突变场景中跟踪失效的问题.实验表明,该算法能够有效提高跟踪的稳健性,达到快速、实时的跟踪效果.     

基于卷积神经网络的鲁棒高精度目标跟踪算法

目标跟踪是计算机视觉中重要的研究领域之一.为了跟踪复杂场景中外观变化剧烈的目标,本文提出了一种基于卷积神经网络的目标跟踪算法.算法中的网络模型结构包括预训练的特征提取层和自适应更新的分类器层.在开始跟踪前,首先训练全连接层和分类器层的参数,以及目标的特征与位置之间的线性关系.其次,定义了评估跟踪结果可信度的标准.如果得到的跟踪结果的可信度较高,则根据跟踪结果的特征调整位置,提高跟踪结果的精确度.最后,在训练网络时,每次迭代都选择分类器得分的最高的负样本参与训练.该策略可以提高模型的分辨能力.在OTB50测试集中的实验结果表明,我们的算法取得了良好的跟踪结果.     

动态图像跟踪优化算法的研究与仿真

传统图像跟踪算法中,跟踪的图像搜索过程需要历遍所有特质,在图像场景较为复杂的情况下,在"无用"匹配点上耗费大量计算时间,跟踪过程误差较大。提出一种适用于复杂场景下动态图像跟踪优化算法,选择在复杂场景下鲁棒性较强的参数,以增加复杂场景下目标描述的信息量和稳定性;引入一种MAD(平均绝对差)匹配算法:在进行动态图像跟踪过程中采用MAD算法和鲁棒性参数相结合,通过动态帧图像和静态帧对比量即MCD(最多临近点),设定跟踪阈值,通过选取后的图像实现动态图像的运动目标跟踪。仿真实验结果表明,提出方法的跟踪精度对比传统方法有明显提高。     

自适应时间正则化相关滤波的无人机目标跟踪

基于相关滤波的跟踪算法因其高效性,受到了无人机领域的密切关注.现有的跟踪算法使用固定的超参数进行滤波器的学习,无法满足无人机在跟踪过程中对复杂环境的适应性.针对该问题,提出了一种自适应正则化参数学习的相关滤波算法,将滤波器与时间正则化参数的学习描述为一个统一的目标函数;同时,该算法可通过响应图的全局变化量感知目标的变化情况,自适应更新目标模型.无人机视频数据集上的结果验证了所提算法对复杂无人机跟踪场景的适应性以及对跟踪性能提升的有效性.     

结合SAMF和视觉显著性的目标跟踪算法

为提高SAMF算法在复杂场景下的跟踪性能,提出了一种结合SAMF和视觉显著性的目标跟踪算法.在SAMF相关滤波跟踪框架的基础上,通过设计置信度判别策略评价SAMF跟踪结果的可靠性,当认定跟踪结果为低置信度时启用显著性检测算法对其进行修正,从而实现目标的重定位以解决遮挡等因素导致的跟踪漂移问题.实验表明,所提出的改进算法...     

基于HOG特征的粒子滤波视频跟踪算法研究

在视频分析处理领域中,特别是在视频监控领域,目标跟踪正在受到越来越多的关注。由于在实际应用中,利用运动摄像机拍摄的视频中,会造成背景的运动和目标尺寸的变化,即使是在固定摄像机拍摄的视频中,也会由于背景环境的复杂,造成目标的丢失和干扰。针对这一问题,为了改善在复杂场景下的目标跟踪效果,提出了结合梯度方向直方图(HOG)和粒子滤波的目标跟踪算法。此方法是通过在传统粒子滤波算法的算法框架下,增加目标跟踪的特征,提高了跟踪的鲁棒性,并根据检测结果确定目标。实验仿真表明,与传统单一特征的粒子滤波算法相比,文中的算法更能准确有效地跟踪复杂背景下的动态目标。     

基于深度学习的目标跟踪方法研究现状与展望

目标跟踪是计算机视觉领域的重要研究方向之一,在精确制导、智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目标跟踪的基本问题是在一个视频或图像序列中选择感兴趣的目标,在接下来的连续帧中,找到该目标的准确位置并形成其运动轨迹。目标跟踪是一个颇具挑战性的问题,目标的非刚性变化往往改变了目标的表观模型,同时复杂的光照变化、目标与场景间的遮挡、背景中相似物体的干扰和摄像机的抖动等使目标跟踪任务变得更加困难。近年来,随着深度学习在目标检测和识别等领域中取得巨大的突破,许多学者开始将深度学习模型引入到目标跟踪中,并在一系列数据评测集上取得了优于传统方法的性能,逐渐开启了目标跟踪领域的新篇章。文中将首先阐述目标跟踪问题的难点和基本解决思路;然后根据利用深度学习算法解决目标跟踪问题的不同思路,对当前出现的此类主流算法进行分析,介绍这些算法各自的优缺点及未来的工作方向。     

基于多层卷积特征的自适应决策融合目标跟踪算法

针对目标快速运动、遮挡等复杂视频场景中目标跟踪鲁棒性差和跟踪精度低的问题,该文提出一种基于多层卷积特征的自适应决策融合目标跟踪算法(ASFTT)。首先提取卷积神经网络(CNN)中帧图像的多层卷积特征,避免网络单层特征表征目标信息不全面的缺陷,增强算法的泛化能力;使用多层特征计算帧图像相关性响应,提高算法的跟踪精度;最后该文使用自适应决策融合算法将所有响应中目标位置决策动态融合以定位目标,融合算法综合考虑生成响应的各跟踪器的历史决策信息和当前决策信息,以保证算法的鲁棒性。采用标准数据集OTB2013对该文算法和6种当前主流跟踪算法进行了仿真对比,结果表明该文算法具有更加优秀的跟踪性能。     

基于二阶池化网络的鲁棒视觉跟踪算法

针对低分辨率、遮挡以及相似物体干扰等复杂场景下目标易丢失的问题,本文提出了基于二阶池化网络的视觉跟踪算法.已有的方法大多采用一阶池化网络,使得对低分辨目标和相似目标间的区分性不足.对此,本文首先在VGG16网络结构的基础上,将网络最后的一阶池化层替换为二阶协方差池化层,接着在ImageNet和CUB200-2011数据集上对网络进行重新训练.在跟踪阶段,为了减少运算负担,仅提取预训练网络的第四层卷积特征作为目标的外观表征.最后将提取的特征与已有的相关滤波算法进行结合.实验结果表明,本文算法在跟踪精度和成功率上均取得了优异的性能表现.     

融合深度特征和尺度自适应的目标跟踪算法

针对传统核相关滤波器(Kernel Correlation Filter,KCF)目标跟踪算法在复杂应用场景下准确度和成功率降低的问题,提出了一种融合深度特征和尺度自适应的抗遮挡目标跟踪算法.将传统核相关滤波算法中HOG特征替换为深度特征来建立视觉外观模型增强算法对目标特征的表达能力.通过融合DSST算法中的尺度滤波器...     

机载平台下基于深度检测网络的目标跟踪重捕算法

目标检测与跟踪是机载光电设备至关重要的功能模块,其检测跟踪的性能直接关系到目标感知的精度.近年来基于Siamese网络的改进跟踪算法在各种挑战性的数据集上取得了优异的效果,但大多数改进算法采用局部搜索策略,无法更新模板,且模板会引入背景干扰,最终因跟踪点漂移导致跟踪失败.为了解决这些问题,本文提出了一种结合目标边缘检测的改进全连接Siamese跟踪算法,该算法利用目标的轮廓模板代替边界框模板,减少了背景杂波的干扰;同时,在Siamese网络的基础上增加了一路改进tiny-YOLOv3目标检测网络,利用K均值聚类找到最合适的锚框(anchor box),引入了扩张模块层来扩展感受野,增加了系统的抗遮挡能力,提高机载光电设备的目标捕获概率.在基准测试数据集以及挂飞数据集基础上的仿真测试性能表明本文提出的改进模型特别适合机载光电设备在跟踪与重捕复杂环境下的运动目标,在长期跟踪中能够更好地适应目标的变形和遮挡,提升系统响应时间与适应性.