复杂情况下的多目标跟踪统计技术

根据基于视频监控客流量统计的应用要求,得到了一种改进的背景检测和跟踪计数方法,实现了多人准确跟踪计数.传统的高斯背景建模是对一帧图像的每个像素点进行更新且分配固定的高斯分布个数,使得资源消耗量增大;这里通过先判断待更新区域,然后对更新区域采用动态调节高斯分布的方法对像素点进行更新,同时考虑到均值与方差的特点,分别设置了各自的更新速率.跟踪部分利用连通域分析创建人体结点并得到目标的形心,采用向前优先搜索像素点的原则搜索下一帧图像的所有像素点,通过搜索到的像素点来确定目标的新中心位置,再根据目标中心与计数线的关系进行计数.实验证明该算法简单可行,实现了多目标的准确跟踪,统计数据具有较高的正确率.     

基于CamShift的目标跟踪算法

CamShift是一种应用颜色信息的跟踪算法,在跟踪过程中,CamShift利用目标的颜色直方图模型得到每帧图像的颜色投影图,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,从而得到当前图像中目标的尺寸和中心位置.在CamShift算法基础上对搜索窗口进行简单运动预测,并增加二次搜索方法,提高跟踪的稳定性.实验结果表明,在图像背景复杂且目标不规则运动的情形下,仍能有效地跟踪到目标.     

基于环形像素点匹配的快速图像跟踪算法

相关跟踪法能有效地跟踪目标,但非常费时。序贯相似检测法结合了粗-精搜索策略,在跟踪性能和时间上都有很大改进,但在处理时间上还有进一步提高的可能。基于特征点的跟踪方法在跟踪时运算量小,但提取目标的特征时需要大量运算,且特征点的提取往往不理想。针对以上不足,论文提出了基于环形像素点匹配的快速图像跟踪算法,该算法采用环形像素点为特征点,在借鉴序贯相似检测法的基础上,对匹配区域先进行粗搜索以确定待匹配窗口,再进行精搜索以确定正确的匹配窗口,最后利用相关跟踪法中的归一化相关系数确定模板的更新策略。实验结果表明,该算法不仅能稳定地跟踪目标,与相关跟踪法和序贯相似检测法相比,在处理时间上具有明显的优越性。     

基于高斯混合模型联合CamShift的运动图像检测跟踪方法

CamShift算法是典型的运动图像跟踪方法,但是单纯CamShift准确率低,容易丢失目标。为提高准确略,本文提出将高斯混合模型运用到CamShift算法中进行目标跟踪操作。首先采用高斯混合模型标示出目标局部区域,并将其作为CamShift的初始搜索窗,提高效率;随后对目标进行跟踪时将CamShift算法的窗中心同差分法计算出的目标区域中心作对比,确定后续帧搜索窗,避免目标跟踪丢失。最后,实验证明了该方法可以对目标进行有效跟踪,且在目标颜色同背景色差异小的情况下依然具有非常高的准确率。     

鲁棒的自适应尺度和方向的目标跟踪方法

针对在视频序列图像目标跟踪中,跟踪目标尺寸和跟踪目标相对背景运动的方位角都在实时变化,常规目标跟踪算法会引起尺度和方向定位偏差,导致跟踪漂移,甚至跟踪失败问题,提出鲁棒的目标尺度和方向自适应的跟踪方法。在Kalman滤波框架下,通过将运动目标的最小外接矩形信息转化为Kalman滤波参数,对目标运动进行建模。采用基于最小外接矩形的两步块匹配搜索方式实现对目标的中心定位,然后采用增量式搜索匹配方法根据最优尺度和角度的判别条件修正目标尺度和方向角度。通过动态评估不同目标模型在不同跟踪场景中的置信度,对目标模型进行动态更新。使用公用视频图像序列测试,实验结果验证了该方法的有效性。     

基于Camshift算法的运动目标检测

CamShift算法是一种实时的跟踪算法,它是利用目标的颜色直方图模型得到每帧图像的颜色投影图,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,从而得到当前图像中目标的尺寸和中心位置。本系统主要是基于CamShift的算法设计一个对运动目标跟踪检测系统,本系统既可以对室内环境的运动目标进行跟踪,也可以对视频流中的运动目标进行跟踪。     

基于实时图像序列的行人跟踪计数方法

动态图像多目标识别与计数,在交通监视、客流量统计等领域有着非常重要的实用价值和广阔的发展前景。利用图像处理和模式识别技术对运动多目标进行跟踪计数是一种先进的计数手段。该文提出了一种基于特征的多目标跟踪算法。根据目标在相邻帧间运动具有连续性,并且包围窗口、灰度变化不大的特点,本算法改进了一种代价函数。在跟踪的匹配过程中,启动了卡尔曼滤波,预测目标匹配搜索区域。同时,使用目标链记录了目标最新的运动状态和特征值,保证了运动跟踪的连续性和行人计数的有效性。     

改进的Camshift跟踪算法研究

Camshift是使用颜色直方图作为特征的一种跟踪算法。它利用目标的颜色直方图模型得到每帧图像的颜色投影图,初始化一个搜索窗的大小和位置,并根据上一帧得到的结果自适应调整搜索窗口的位置和大小,定位出当前图像中目标的中心位置。从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。实验结果表明,改进的Camshift有效地克服了Cam-shift算法自身的缺陷,即使在图像背景复杂且不规则的情形下,仍然能有效的跟踪到目标。     

一种基于改进的ASM的人脸特征点定位方法

主动形状模型(ASM)在对目标点的搜索过程中,只采用了训练图像中标定点两侧法线方向的profile邻域内像素点的灰度信息,且对这些点等同视之;搜索时也只限于目标图像标定点两侧法线方向上的若干个像素,范围过于简单。考虑到彩色人脸图像的普及及其携带的丰富的信息,首先在RGB空间分三通道分别进行处理,其次对profile邻域内像素点赋予不同的权重,建立加权的局部灰度模型,最后把搜索空间拓展到包括传统法线和与之相互平行的相邻的两条法线上的像素点集上。仿真实验表明,以上3方面的改进大大提高了ASM方法对人脸特征点的定位精度,精度提高16.5%,是一种可行的改进方法。     

基于Mean Shift算法和灰度模板匹配的运动目标主动跟踪

该文提出了一种综合Mean Shift算法和灰度模板匹配的主动跟踪算法。该算法利用灰度模板匹配与运动目标在图像的位置无关的特点,在视角和焦距发生变化后用灰度模板进行穷尽搜索,再用匹配结果更新Mean Shift搜索窗口,解决了Mean Shift算法要已知目标区域才能正确跟踪的问题。该算法能在视角和焦距发生变化的情况下能正确的跟踪运动目标并能使被跟踪的运动目标始终保持在图像的中心区域。实验表明,该算法具有较好的可行性。     

基于视觉传达的后继帧视频图像目标跟踪仿真

现阶段所采用的跟踪方法对后继帧视频图像目标跟踪存在跟踪效果不理想、跟踪效率较低等问题。提出基于视觉传达的后继帧视频图像目标跟踪方法。利用图像差分方法获取视频图像运动目标可能出现的区域,并对这个区域视频图像目标进行运动估计,采用形态学方法来降低聚类区域的数量,得到后继帧视频图像目标区域;采用均值漂移法估计后继帧视图像核概率密度,对后继帧视频图像进行分割处理,找出后继帧视频图像目标区域最显著的特征,通过迭代运算找到目标位置,实现目标跟踪。实验结果表明,所提算法具有较好的后继帧视频图像跟踪效果、并且跟踪效率较高,具有一定的应用价值。     

Robust visual tracking and vehicle classification via sparse representation

In this paper, we propose a robust visual tracking method by casting tracking as a sparse approximation problem in a particle filter framework. In this framework, occlusion, noise, and other challenging issues are addressed seamlessly through a set of trivial templates. Specifically, to find the tracking target in a new frame, each target candidate is sparsely represented in the space spanned by target templates and trivial templates. The sparsity is achieved by solving an l1-regularized least-squares problem. Then, the candidate with the smallest projection error is taken as the tracking target. After that, tracking is continued using a Bayesian state inference framework. Two strategies are used to further improve the tracking performance. First, target templates are dynamically updated to capture appearance changes. Second, nonnegativity constraints are enforced to filter out clutter which negatively resembles tracking targets. We test the proposed approach on numerous sequences involving different types of challenges, including occlusion and variations in illumination, scale, and pose. The proposed approach demonstrates excellent performance in comparison with previously proposed trackers. We also extend the method for simultaneous tracking and recognition by introducing a static template set which stores target images from different classes. The recognition result at each frame is propagated to produce the final result for the whole video. The approach is validated on a vehicle tracking and classification task using outdoor infrared video sequences.     

融合检测与跟踪的半自动视频目标标注

针对视频图像连续帧间的目标具有冗余性,采用手动标注方式耗时耗力的问题,提出一种融合检测和跟踪算法的视频目标半自动标注框架。利用手动标注的样本离线训练改进YOLO v3模型,并将该检测模型作为在线标注的检测器。在线标注时在初始帧手动确定目标位置和标签,在后续帧根据检测框与跟踪框的IOU（Intersection-Over-Union）值自动确定目标的位置,并利用跟踪器的响应输出判断目标消失,从而自动停止当前目标标注。采用一种基于目标显著性的关键帧提取算法选择关键帧。采用自建舰船目标数据集进行了改进YOLO v3检测性能对比实验,并采用舰船视频序列验证了提出的视频目标半自动标注方法的有效性。实验结果表明,该方法可以显著提高标注效率,能够快速生成标注数据,适用于海上舰船等场景的视频目标标注任务。     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

基于相关滤波器和最小二乘估计的目标跟踪方案

针对复杂背景下基于视觉图像的目标跟踪问题,提出一种结合相关滤波和最小二乘估计(LSE)的目标跟踪方案。首先,对已有视频帧进行初始化处理,并构建目标的几何失真图像模板,以此设计一个相关滤波器。然后,当采集到新视频帧时,根据之前的目标位置序列,利用LSE预测出该帧中的目标位置。接着,提取目标图像,并计算其与目标模板之间的相关性。最后,通过阈值来判断是否检测到真正的目标,并进行反馈用来更新目标模板。在GPU上实现该方案,并在几个视频序列上的实验结果表明,该方案能够准确跟踪目标,且对噪声和光照等环境因素具有很好的鲁棒性。     

结合尺度估计MST和粒子滤波的视频目标跟踪

在视频序列的实时目标跟踪中,针对经典均值漂移跟踪（MST）方法不能应对遮挡、尺度变化等问题,提出一种结合MST、自学习尺度探测器和粒子滤波的跟踪方法。采用MST算法在视频帧中跟踪目标,当目标收敛到局部最小值时重新初始化目标。提出一种基于在线学习的探测器,用来自适应更新MST的目标模型,使其能够自动调整目标尺度。另外,当出现完全遮挡时,启动粒子滤波器,通过概率计算来估计目标位置,使MST能够在目标离开遮挡时恢复跟踪。在通用数据集PETS视频序列上的实验结果表明,相比其他几种较新的MST方法,提出的方法具有更高的跟踪准确性,可以应用于实时检测和目标跟踪等应用中。     

融合图像显著性与特征点匹配的形变目标跟踪

目的 针对目标在跟踪过程中出现剧烈形变,特别是剧烈尺度变化的而导致跟踪失败情况,提出融合图像显著性与特征点匹配的目标跟踪算法。方法 首先利用改进的BRISK（binary robust invariant scalable keypoints）特征点检测算法,对视频序列中的初始帧提取特征点,确定跟踪算法中的目标模板和目标模板特征点集合;接着对当前帧进行特征点检测,并与目标模板特征点集合利用FLANN（fast approximate nearest neighbor search library）方法进行匹配得到匹配特征点子集;然后融合匹配特征点和光流特征点确定可靠特征点集;再后基于可靠特征点集和目标模板特征点集计算单应性变换矩阵粗确定目标跟踪框,继而基于LC（local contrast）图像显著性精确定目标跟踪框;最后融合图像显著性和可靠特征点自适应确定目标跟踪框。当连续三帧目标发生剧烈形变时,更新目标模板和目标模板特征点集。结果 为了验证算法性能,在OTB2013数据集中挑选出具有形变特性的8个视频序列,共2214帧图像作为实验数据集。在重合度实验中,本文算法能够达到0.567 1的平均重合度,优于当前先进的跟踪算法;在重合度成功率实验中,本文算法也比当前先进的跟踪算法具有更好的跟踪效果。最后利用Vega Prime仿真了无人机快速抵近飞行下目标出现剧烈形变的航拍视频序列,序列中目标的最大形变量超过14,帧间最大形变量达到1.72,实验表明本文算法在该视频序列上具有更好的跟踪效果。本文算法具有较好的实时性,平均帧率48.6帧/s。结论 本文算法能够实时准确的跟踪剧烈形变的目标,特别是剧烈尺度变化的目标。     

面向多目标跟踪系统的专用循环目标检测器

多目标跟踪技术在视频分析、信号处理等领域有着广泛的应用。在现代多目标跟踪系统通常遵循的“按检测跟踪”模式中,目标检测器的性能决定了多目标跟踪任务的跟踪精度和速度。为提高多目标跟踪系统跟踪性能,提出了面向多目标跟踪系统的专用循环目标检测器,它利用视频帧序列间高度相似性的特点,依据先前帧的目标位置信息和当前帧相对于先前帧的变化得分图来选取候选框,解决了传统二阶段目标检测器中使用候选框推荐网络带来的参数量和计算量大的问题,同时融合了目标外观特征提取分支,进一步减少了多目标跟踪系统整体运行时间。实验表明,专用循环目标检测器及其他最先进的检测器分别应用于多目标跟踪系统,采用专用循环目标检测器时能够在保证多目标跟踪系统跟踪精度的情况下提升跟踪速度。     

PTZ自主跟踪中的全景视频生成

提出了一种在单PTZ摄像机自主跟踪过程中生成全景视频的方法。该方法在自主跟踪目标的同时,生成目标在大场景上运动的全景视频,可应用于PTZ摄像机监控场所。该方 法将全景视频看作全景背景图像和当前目标图像的叠加：首先利用Mean Shift跟踪方法逐帧获取目标区域图像并保存;然后利用相邻两帧视频图像的竖直方向投影匹配和Harris角 点匹配结果合成全景背景,与传统的配准方法相比,大大降低了匹配运算的复杂度,使全景背景的生成能够实时进行,并记录每帧图像到背景图像的变换参数;最后逐帧将目标区 域图像变换到背景图像上得到全景视频。本文方法与传统的全景视频生成方法相比,无需人工控制摄像机的转动,也无需手工对齐视频帧,整个过程全部自动完成。     

联合YOLO和Camshift的目标跟踪算法研究

为了解决传统目标跟踪算法在有遮挡后无法准确跟踪的问题,提出了将YOLO和Camshift算法相联合的目标跟踪算法.基于YOLO网络结构来构建目标检测的模型,在模型构建之前,采用图像增强的方法对视频帧进行预处理,在保留视频帧中足够图像信息的同时,提高图像质量,降低YOLO算法的时间复杂度.用YOLO算法确定出目标,完成对目标跟踪的初始化.根据目标的位置信息使用Camshift算法对后续的视频帧进行处理,并对每一帧的目标进行更新,从而可以保证不断调整跟踪窗口位置,适应目标的移动.实验结果表明,所提的方法能够有效地克服目标被遮挡后跟踪丢失的问题,具有很好的鲁棒性.