基于核相关滤波器的无人机目标跟踪算法

多旋翼无人机已经广泛应用于各个领域,视觉目标跟踪算法对于无人机的应用具有十分重要的意义。无人机平台下的视觉目标跟踪对跟踪算法提出了很高的要求,要求在满足实时性的前提下能够在复杂场景下准确地检测跟踪目标。针对传统的核化相关滤波器跟踪算法缺乏尺度估计以及抗遮挡能力不强的问题,提出了一种改进的核化相关滤波器的目标跟踪算法。利用位置估计滤波器得到目标位置,然后采用基于颜色空间直方图的相似性度量算法得到尺度估计结果,构建小型样本库并采取自适应阈值的样本更新策略进行样本更新。提出的算法在公共数据集和无人机实拍数据集下的实验结果显示,该算法能够快速准确地跟踪目标,并且在显著遮挡和尺度变化等复杂情况下也具有较好的跟踪效果。     

基于空间正则化约束的支持向量相关滤波器目标跟踪方法

基于支持向量相关滤波器(Support Correlation Filters,SCF)的目标跟踪方法存在严重的样本边界不连续问题,因此模型判别能力受到严重限制。本文将空间正则化项引入到SCF中,提出了基于空间正则化约束的支持向量相关滤波器(Spatially Regularized SCF,SRSCF)模型。相比于SCF,SRSCF不仅可以借助更大的图像区域进行模型学习,同时也能缓解样本的边界不连续问题对模型学习的负面影响,由此得到判别能力更强的模型。此外,本文提出了一种ADMM(Alternating Direction Method of Multiplier)算法求解SRSCF模型,其中每个子问题具有解析解。实验结果表明,相较于SCF,SRSCF能够有效地提升跟踪精度,同时仅增加较少的计算开销。     

基于相关滤波和关键点的目标跟踪算法

跟踪过程中的复杂因素,如繁杂背景、遮挡、光照变化、形变等导致了很多相关滤波跟踪算法在跟踪时不能获得很好的精度.针对传统相关滤波的不足,提出了一种有效的跟踪框架,通过联合多角度判别相关滤波与关键点达到目标位置估计的目的,再利用多尺度相关滤波估算目标的尺度.实验结果表明,提出的跟踪算法能够很好地对目标进行跟踪.相比其他的跟踪算法,新算法在精度上有很大的提高.     

基于相关滤波的目标快速跟踪算法研究

在实现高精确度和快速的目标跟踪过程中,相关滤波是一个非常好的选择,但是目前所有的相关滤波跟踪方法仍然无法解决遮挡和光照变化等因素造成的干扰。因此,在传统核相关滤波器(KCF)的基础上,提出多特征图核相关滤波器(MKCF)的目标快速跟踪方法。首先,由初始化目标区域生成多个特征图,并通过对正则化最小二乘(RLS)分类器学习获得位置和尺度核相关滤波器(KCF);然后,随机选取一个特征图,寻找位置和尺度KCF输出响应的最大值,完成目标位置和尺度的检测;最后,随机选择需要在线更新的目标模型。经过试验测试,对比KCF,MKCF的平均中心位置误差(CLE)减少了5像素,平均成功率(SR)提高了10.9%,平均距离精度提高了6.7%;MKCF在目标发生尺度变化、光照变化、形态变化、目标遮挡、轻度旋转及快速运动等复杂情况下均有较强的适应性,具有重要的理论和应用研究价值。     

机动目标自适应跟踪滤波器设计

采用非零均值相关加速度模型建立火控系统中的Kalman滤波器。通过对残差滤波,建立了新的机动检測器,并由此对机动加速度方差进行调整,从而实现对机动目标的自适应跟踪。文中引入了瞄准线直角坐标系,使Kalman滤波器解耦以减小计算量。仿真的结果表明,所提出的滤波器对机动目标有良好的跟踪性能。     

高置信度的尺度自适应核相关跟踪方法

相关滤波器由于近年来在实时准确地跟踪视频信号方面展示出了优异的性能,为此引起了很多学者的关注.但在应对复杂场景外观变化较大的情况下,滤波器的跟踪效果易不稳定,估计尺度变化能力也有待改进,模型更新过程易引入不可信样本,不利于精确跟踪目标.为此,采用颜色直方图模型和相关滤波判别模型相结合的方式对跟踪目标进行精确定位,再从预...     

基于概率图模型目标建模的视觉跟踪算法

提出了一种视觉跟踪任务中基于局部特征和概率图模型的目标建模方法,将目标表示为一组具有仿射不变性的区域特征,并通过概率图模型描述特征之间的空间约束关系。在目标跟踪过程中,首先在空域上利用信任传播算法,推断概率图模型中各个特征的状态,然后根据推断的结果设计改进的重要性采样函数,采用粒子滤波算法在时间域上对目标进行跟踪。为了适应目标在运动中的变化,模型根据特征的稳定程度自适应地进行更新。实验结果表明,该方法具有较强的鲁棒性,能够有效实现复杂场景下的目标跟踪。     

一种改进的Camshift目标跟踪方法

为了解决单特征在目标跟踪中无法准确描述目标的问题,提出了一种多特征融合的实时目标跟踪方法。该方法将角点特征、轮廓特征融入传统的Camshift算法中,结合原有的颜色特征对目标进行描述。解决了传统算法易受同色物体干扰,抗遮挡性能差等问题。实验结果表明,该方法能够实现对目标的实时跟踪,当目标遮挡的时间较短时能够很好地识别目标,具有较高的鲁棒性。     

基于多层字典的自重构目标跟踪算法

针对视觉跟踪系统中常用的模板处理方法很难 适应目标外观和视频背景不断变化的不足,提出一种基于多层字典的自重构 目标跟踪算法。通过构建多层字典,分别从时间和 空间上增强目标描述能力,既可以刻画目标局部细节,又蕴含了目标整体信息;在跟踪过程 中,模板可以利 用多层字典根据前景和背景的复杂性自适应地分裂与分并,分裂出多个跟踪器从不同角度进 行跟踪,有效地 提高定位精度,也可以合并子模板以达到降低系统的计算负荷。定性和定量分析的实验结果 表明,本文算法具 有良好的跟踪精度和运行效率,可以较好地应对变化与遮挡。     

基于压缩感知的实时目标追踪算法

提出了一种高效的基于压缩感知的实时目标追踪算法,该算法将空域数据转换到小波域,然后利用变密度采样矩阵对小波域数据进行压缩,从而极大地降低了数据量。在稀疏重建上,将St-OMP算法代替OMP算法以提高稀疏重建的速度。在多种具有挑战性的视频序列上进行实验,结果表明该算法提高了追踪准确度和速度。     

基于角点增强改进的TLD目标跟踪算法

针对TLD算法的特征点无法有效表述目标问题,提出了一种基于角点增强改进的TLD目标跟踪算法。改进算法在跟踪模块加入了对目标表述能力更强,具有光照不敏感性和旋转不变性的Shi-Tomas角点作为跟踪特征点。跟踪器运行时,在角点经光流法跟踪和双向误差检测后,利用剩余的稳定角点定位目标窗口。对照结果表明,改进算法在面对目标抖动和形变时可以稳定跟踪;有效抑制因跟踪平滑点造成的漂移现象;提高了跟踪的稳定性。针对TLD算法跟踪过程中因在线模板积累造成的计算量持续增大、实时性持续降低的问题,提出了一种依据相似度中值的模板判断删除机制。该删除机制在模板积累到设定阈值时运行,根据模板与当前目标的相似度,删除不再具备代表性的模板;调整模板空间并更新模板数目。实验表明,该删除机制在应对模板更新快、持续时间长的跟踪情景时有效降低算法计算量,实时性可提高约20%。     

基于改进粒子滤波的鲁棒目标跟踪算法

为了克服样本贫化现象导致的滤波发散,本文对重采样后的粒子进行有方向性的变异操作,在增加样本集的多样性同时使粒子集更集中均匀的分布在目标的邻域.同时把Mean Shift算法引入粒子滤波(PF)框架中,对PF估计结果迭代得到最优的目标状态,并用迭代得到的状态值控制粒子变异的方向.仿真实验表明,本文提出的方法具有更高的估计...     

基于粒子滤波和稀疏表示的视频目标跟踪

文中将视频目标跟踪看成在粒子滤波框架下的稀疏表示问题,提出了具鲁棒性的视觉跟踪方法。在跟踪过程中,将目标的先验知识和目标状态及其观测结果联系起来构造贝叶斯概率模型,根据基本粒子滤波算法对目标位置进行估计。候选目标通过目标模板和琐碎模板稀疏表示,用l1范数稀疏正则化算法求解稀疏问题,选取具有最小残差的候选目标为跟踪结果。通过动态更新模板和非负性约束两种策略,使算法在目标遮挡、噪声、形变等各种干扰因素下,均达到了很好的跟踪性能。     

TRBACF: Learning temporal regularized correlation filters for high performance online visual object tracking

Correlation filter-based trackers (CFTs) have recently shown remarkable performance in the field of visual object tracking. The advantage of these trackers originates from their ability to convert time-domain calculations into frequency domain calculations. However, a significant problem of these CFTs is that the model is insufficiently robust when the tracking scenarios are too complicated, meaning that the ideal tracking performance cannot be acquired. Recent work has attempted to resolve this problem by reducing the boundary effects from modeling the foreground and background of the object target effectively (e.g., CFLB, BACF, and CACF). Although these methods have demonstrated reasonable performance, they are often affected by occlusion, deformation, scale variation, and other challenging scenes. In this study, considering the relationship between the current frame and the previous frame of a moving object target in a time series, we propose a temporal regularization strategy to improve the BACF tracker (denoted as TRBACF), a typical representative of the aforementioned trackers. The TRBACF tracker can efficiently adjust the model to adapt the change of the tracking scenes, thereby enhancing its robustness and accuracy. Moreover, the objective function of our TRBACF tracker can be solved by an improved alternating direction method of multipliers, which can speed up the calculation in the Fourier domain. Extensive experimental results demonstrate that the proposed TRBACF tracker achieves competitive tracking performance compared with state-of-the-art trackers.