基于快速傅里叶变换的局部分块视觉跟踪算法

针对视觉跟踪中目标表观变化、局部遮挡、背景干扰等问题,该文提出一种基于快速傅里叶变换的局部分块视觉跟踪算法。通过建立目标分块核岭回归模型并构建循环结构矩阵进行分块穷搜索来提高跟踪精度,利用快速傅里叶变换将时域运算变换到频域运算提高跟踪效率。首先,在包含目标的初始跟踪区域建立目标分块核岭回归模型;然后,提出通过构造循环结构矩阵进行分块穷搜索,并构建目标分块在相邻帧位置关系模型;最后,利用位置关系模型精确估计目标位置并进行分块模型更新。实验结果表明,该文算法不仅对目标表观变化、局部遮挡以及背景干扰等问题的适应能力有所增强,而且跟踪实时性较好。     

基于相关滤波器的视觉目标跟踪方法

为了解决视觉目标跟踪中的尺度预测的难题,本 文在核相关滤波器的目标跟踪的框架下给出了一种 尺度估计策略,并对传统的核相关跟踪方法中目标模型的在线更新方法进行了修改,提出了一 种多尺度视觉 目标跟踪算法。首先,通过对正则化最小二乘分类器(RLS)学习获得位置和尺度核相关滤波 器(KCF);然后,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,在线更新目 标模型。实验中,对 12组具有挑战性的标准视频序列进行测试。实验结果表明,相对于现 有的3种基于相关滤波器的跟 踪方法中的最优者,本文方法的平均中心位置误差(CLE)减 少了7.0pixels,平均成功率(SR)提 高了18.3%,平均距离(DP)精度提高了 5.6%;在目标发生尺度、光照、姿态变化、部 分遮挡、旋转及快速运 动等复杂情况下,本文方法均有较强的适应性,具有重要的理论和应用研究价值。     

颜色不变量空间下的行人跟踪算法研究

为了有效的克服遮挡问题准确跟踪行人,本文提出了一种通过不断学习新的外观模型来自适应跟踪行人的跟踪算法。该算法首先将颜色不变量特征平面作为根特征来表示初始特征空间;然后将跟踪问题转化为0或1的二进制问题,通过局部最小二乘法（PLS）来对目标外观特征和对应的类型标签进行建模得到前景和背景的模板。随着目标外观的变化,本文利用局部最小二乘法（PLS）在颜色不变量平面上分析多个外观特征的样本信息,不断的更新模板,从而达到对遮挡具有很好鲁棒性的行人跟踪效果。通过对通用数据集进行试验表明:该算法在颜色暗淡和颜色鲜明的视频图片中都能达到很好的跟踪效果。      

基于计算机视觉的智能监控系统教学平台

本文研究了基于计算机视觉技术的智能监控系统教学实验平台.文章介绍了该实验平台的硬件部分设计和构建,研究了基于该平台的运动目标检测方法和人与非人的识别方法、基于形心的运动目标跟踪方法,尤其研究得到了基于最小二乘法的预测跟踪算法和基于面积变化的预铡跟踪有遮挡运动目标新方法.实验结果表明该平台满足了计算机视觉课程的教学实践需要.     

基于Mean Shift算法的网球运动视频目标跟踪研究

传统Mean Shift算法在运动目标运动速度过快以及被遮挡的情况下,算法的跟踪效果较差。因此,提出基于改进Mean Shift算法的网球运动视频目标跟踪方法,分析Mean Shift算法进行网球运动视频目标跟踪的过程以及存在的弊端。采用最小二乘法对Mean Shift算法进行改进,利用最小二乘法预测网球运动视频目标位置,在该位置上实施迭代跟踪,再用Mean Shift算法得到目标最终跟踪位置,解决目标运动速度过快以及遮挡问题的干扰,减小各帧检索时矢量同收敛点的距离,提高跟踪效率。实验结果说明,所提方法具有较高的跟踪效果和跟踪效率。     

一种抗遮挡自适应粒子滤波目标跟踪方法

针对传统视觉跟踪算法在目标发生遮挡时容易发生偏离或失败的缺陷,提出了一种新的抗遮挡自适应粒子滤波(PF)目标跟踪方法。在粒子传播过程中,利用目标SSD(sum of squareddifference)残差所生成的高似然区域能自适应地调整状态空间中的粒子采样区域范围和采样粒子数量,使跟踪中粒子采样覆盖目标的各种状态可能性,全面提高状态空间质量。预测状态和粒子估计状态通过噪声协方差很好地融合起来,能够较有效地解决遮挡情况下的跟踪问题,使目标定位更加精确。粒子数量的自适应不仅能很好提高跟踪精度,而且在一定程度上降低了计算代价。实验结果表明,本文算法对跟踪目标遮挡具有较好的容错性和跟踪鲁棒性,能有效实现复杂场景下的目标跟踪。     

自适应上下文感知相关滤波目标跟踪

针对传统相关滤波目标跟踪算法在目标快速运动、遮挡、复杂背景等情况下跟踪精度低的问题,提出了一种自适应上下文感知的相关滤波目标跟踪算法。在相关滤波算法框架的基础上,重点针对循环移位带来的边界效应与固定学习率进行改进:首先,在分类器训练阶段提出一种基于响应图极值的自适应采样策略加入上下文信息;然后,采用了一种分段学习率调整策略使算法更好地适应目标变化;最后,在标准数据集上验证了算法的性能。实验结果表明,提出的算法提高了DCF与SAMF算法的跟踪精度,不仅在目标快速运动、遮挡、复杂背景等情况下鲁棒性较好,而且还能作为一种框架集成到大部分相关滤波类算法中。     

基于Struck算法的遮挡目标跟踪

Struck算法是近年来综合性能较优的视觉目标跟踪算法,但对于较大比例遮挡或全部遮挡情形,算法性能下降明显.通过对Struck算法的分析发现,当遮挡出现时算法分类器会引入错误信息,从而导致跟踪失败或者跟踪漂移.在Struck算法框架的基础上加入遮挡判断机制,在检测到较大比例遮挡后停止分类器更新,并通过缩放搜索样本的尺寸解决目标尺寸快速变化导致的遮挡检测虚警;对于具有一定运动信息的目标,通过卡尔曼滤波器进行预测解决目标全遮挡后的持续跟踪.实验证明,提出的算法框架对遮挡情形下的目标跟踪具有较高的鲁棒性.     

结合注意力机制的核相关滤波目标跟踪

针对目标跟踪中的旋转、快速运动、遮挡等问题 。提出了结合注意力机制的核相关滤波跟踪方法。该方法利用卷积 神经网络提取卷积特征;利用两个样本的相似度矩阵计算注意力权值,并结合注意力权值和 核相关滤波器;使用两个分类 器分别检测目标和背景,并依据两个分类器的响应值实现模型的自适应更新。选取公开数据 集上具有复杂场景的视频序列 进行测试,并与多种跟踪算法在跟踪精确度和成功率上进行定量分析,该算法与原核相关滤 波算法相比,精确度和成功率 分别提高了18.9%、58.7%。实验结果表明,添 加了注意力机制和自适应更新的核相关滤波,较好的解决了遮挡、旋转等 问题,相比其他算法具有更好的鲁棒性和适应性。     

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。     

Kernelized correlation tracking based on point trajectories

Visual tracking is one of the most important directions in computer vision.However,many state-of-the-art algorithms cannot track the interested object reliably due to occlusion during tracking process,which leads to deficiency of object information.In order to solve occlusion problem,a kernelized correlation tracking method based on point trajectories was proposed.Through analyzing long-term motion cues of the local information,point trajectories were labeled by spectral clustering.These labeled points were used to differentiate the foreground and background objects and thus detect whether the target was occluded or drifts.If drifting and occlusion occur,re-detection was used to detect the re-entering of the target.Experimental results show that the proposed algorithm can handle occlusion and drifting problems effectively.     

Extended Kernel Recursive Least Squares Algorithm

This paper presents a kernelized version of the extended recursive least squares (EX-KRLS) algorithm which implements for the first time a general linear state model in reproducing kernel Hilbert spaces (RKHS), or equivalently a general nonlinear state model in the input space. The center piece of this development is a reformulation of the well known extended recursive least squares (EX-RLS) algorithm in RKHS which only requires inner product operations between input vectors, thus enabling the application of the kernel property (commonly known as the kernel trick). The first part of the paper presents a set of theorems that shows the generality of the approach. The EX-KRLS is preferable to 1) a standard kernel recursive least squares (KRLS) in applications that require tracking the state-vector of general linear state-space models in the kernel space, or 2) an EX-RLS when the application requires a nonlinear observation and state models. The second part of the paper compares the EX-KRLS in nonlinear Rayleigh multipath channel tracking and in Lorenz system modeling problem. We show that the proposed algorithm is able to outperform the standard KRLS and EX-RLS in both simulations.     

基于相关滤波的长时目标跟踪算法

针对核相关滤波(KCF)在跟踪中由于目标出视野以及遮挡导致跟踪失败的问题,提出一种基于核相关滤波的长时目标跟踪算法。该算法融合梯度直方图特征和颜色提名特征来增强特征的表达能力;考虑到核相关滤波不能解决尺度变化的问题,通过定义尺度池、采集不同尺度的样本计算响应值,然后利用最大响应值得到最佳位置和尺度。最后,针对在长时间目标跟踪过程中,有时不可避免地会出现跟踪失败的情况,通过训练支持向量机对目标进行重新检测以达到长时跟踪的目的。在OTB数据集上对提出的算法和其他主流算法进行对比,实验结果验证了提出算法的有效性和优越性。     

Behavior of the partial correlation coefficients of a least squareslattice filter in the presence of a nonstationary chirp input

This paper studies the performance of the a posteriori recursive least squares lattice filter in the presence of a nonstationary chirp signal. The forward and backward partial correlation (PARCOR) coefficients for a Wiener-Hopf optimal filter are shown to be complex conjugates for the general case of a nonstationary input with constant power. Such an optimal filter is compared to a minimum mean square error based least squares lattice adaptive filter. Expressions are found for the behavior of the first stage of the adaptive filter based on the least squares algorithm. For the general nth stage, the PARCOR coefficients of the previous stages are assumed to have attained Wiener-Hopf optimal steady state. The PARCOR coefficients of such a least squares adaptive filter are compared with the optimal coefficients for such a nonstationary input. The optimal lattice fitter is seen to track a chirp input without any error, and the tracking lag in such an adaptive filter is due to the least squares update procedure. The expression for the least squares based PARCOR coefficients are found to contain two terms: a decaying convergence term due to the weighted estimation procedure and a tracking component that asymptotically approaches the optimal coefficient value. The rate of convergence is seen to depend inversely on the forgetting factor. The tracking lag of the filter is derived as a function of the rate of nonstationarity and the forgetting factor. It is shown that for a given chirp rate there is a threshold adaptation constant below which the total tracking error is negligible. For forgetting factors above this threshold, the error increases nonlinearly. Further, this threshold forgetting factor decreases with increasing chirp rate. Simulations are presented to validate the analysis     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。     

一种基于拟牛顿法的递归最小二乘方法

基于拟牛顿优化方法,提出了一种稳健的自适应FIR滤波算法。新算法用最小二乘误差(LSE)代替了均方误差(MSE)作为代价函数,它具有和常规递归最小二乘(CRLS)算法相近似的追踪能力,且不存在数值计算不稳定性的问题,在收敛速度以及稳态效果方面也要优于De Campos的拟牛顿(QN)算法。通过计算机仿真比较了有关算法的性能。     

反直升机雷群的机动目标跟踪

反直升机雷测距精度较低,而利用角度信息估计目标的距离和速度实质上是一个非线性状态估计问题,这种单站被动式跟踪可能构成一个不可观测系统,将导致跟踪滤波器的不稳定和发散。本文对由反直升机雷构成的雷群的目标定位和跟踪进行了研究,利用最小二乘法和基于“当前”统计模型的自适应滤波组合算法进行数据处理,最小二乘法的估计结果作为自适应滤波的观测值,结果表明算法简单而且有效,在目标机动和非机动时都能得到良好的估计结果。     

一种鲁棒的基于集成学习的核相关红外目标跟踪算法

在红外目标跟踪中,由于目标所处的背景信息复杂多变和目标外观的显著变化,单一的分类器不足以拟合多模态的数据。该文结合核相关滤波器(KCF)将多个核相关分类器通过集成学习整合到一个框架中。利用KCF分类器具有解析解的特点平衡跟踪鲁棒性与实时性之间的矛盾,从而解决单个分类器无法处理复杂背景与显著的外观变化问题,并显著提升目标跟踪的性能与稳定性。为了验证算法的有效性,该文利用两个核相关跟踪器联合学习出1个强分类器。大量的定性定量实验表明所提的算法的跟踪性能超过传统的KCF算法,且跟踪速度也超过大多数比较算法。