在线学习机制下的Snake轮廓跟踪

针对复杂环境下非刚体目标轮廓跟踪存在跟踪失败的问题,提出一种基于在线学习的Snake模型及其轮廓跟踪算法。利用跟踪-学习-检测( TLD)机制实现目标快速跟踪,通过跟踪结果在线更新Snake模型约束,进而提高目标轮廓跟踪的准确性。初始化阶段,在GrabCut算法的基础上,将待跟踪目标分成若干个子块,并在后续跟踪过程中,利用TLD实现各子目标的定位跟踪,形成目标的轮廓置信图。同时针对各子目标提取特征,产生正负样本,更新各子目标跟踪模型。应用置信图建立参数化Snake模型的约束条件,进而得到目标轮廓。实验结果表明,该算法能适应光暗变化与较为复杂坏境下的跟踪,并获得精确的轮廓。     

基于HOG与多实例在线学习的目标跟踪算法

为实现在局部遮挡、光线变化等复杂背景下的目标跟踪,提出一种基于梯度方向直方图(HOG)与多实例在线学习的目标跟踪算法.利用已标定目标图像的HOG特征空间,结合局部二值模式(LBP)描述方法获取特征向量,构建初始随机蕨检测算子,采用随机多尺度采样方法跟踪每一帧的目标位置和尺寸,并基于多实例在线学习框架,通过检测到的目标样本以及附近的背景样本在线更新检测算子.将该算法与OnlineB oostingTracker,MILTracker等在线学习目标跟踪算法在多个标准视频序列中进行比较,实验结果表明,该算法在局部遮挡和光照变化的环境下具有较好的跟踪稳定性,但在抗目标旋转方面有待优化.     

采用稀疏和平滑双约束的增量正交映射非负矩阵分解目标跟踪

针对目标跟踪在遮挡和尺度变化等复杂背景下跟踪性能下降问题,联合稀疏约束、时间平滑约束以及增量投影非负矩阵分解,提出一种在线目标跟踪算法.首先利用非负矩阵分解学习一个基于部分表示的子空间,在此基础上添加稀疏约束提高处理遮挡能力,添加时间平滑约束提高算法的稳定性;然后用增量方式完成子空间的在线更新,减少算法计算量、提高外观模型更新效率;最后在粒子滤波框架下,以重构误差为基础改进了观测似然函数,将具有最大后验概率的候选目标作为目标在当前帧的图像区域.实验结果表明,在各种含有遮挡和尺度变化的视频中,该算法可以更稳定地跟踪目标.     

基于特征在线选择的目标压缩跟踪算法

基于压缩感知理论的压缩跟踪算法能够有效地实现对目标的跟踪, 具有良好的实时性, 但该算法对目标特征没有进行在线选择导致跟踪鲁棒性不高. 本文提出一种基于特征在线选择的目标压缩跟踪算法. 首先, 在目标附近采样得到正负样本集合, 计算样本的多尺度矩形特征, 采用压缩感知中的随机投影矩阵对高维特征投影得到低维压缩域特征, 对压缩域特征进行在线选择提取最优特征, 剔除被污染的样本特征, 使用简单高效的朴素贝叶斯分类模型进行样本判断, 实现对目标的跟踪, 同时对跟踪中目标在摄像头中的尺度变化进行建模, 给出目标尺度变化的定量描述, 实现了适应目标尺度变化的多尺度跟踪. 实验结果表明本文算法具有更好的鲁棒性与更高的跟踪精度, 对目标跟踪中的遮挡、光线突变、尺度变化和非刚性形变等因素具有较好的抗干扰能力, 同时算法复杂度低, 可以满足实时性要求.     

核相关滤波跟踪算法的尺度自适应改进

针对基于检测的核相关滤波跟踪（CSK）算法难以适应目标尺度变化的问题,提出多尺度核相关滤波分类器以实现尺度自适应目标跟踪。首先,采用多尺度图像构建样本集,训练多尺度核相关滤波分类器,通过分类器对目标的尺度估计实现目标的最佳尺度检测;然后,在最佳尺度下采集样本在线学习更新分类器,实现尺度自适应的目标跟踪。对比实验与分析表明,本文算法在目标跟踪过程中能够正确适应目标的尺度变化,相比CSK算法,偏心距误差减少至其1/5~1/3,能满足复杂场景长时间跟踪的需求。     

基于质心迭代算法的安瓿药液杂质跟踪检测

针对基于旋转急停法的安瓿药液杂质跟踪检测效率和准确性低的问题,提出一种采用质心迭代算法实现运动目标的跟踪设计方法。利用交互方差系数估计背景提取运动目标,采用非核非参数的质心迭代算法对运动目标进行跟踪,并根据运动目标的轨迹排除气泡干扰,判断杂质的存在情况。对算法基于Matlab平台进行仿真,结果表明:此算法具有高效、高准确率、易实现等特点,适用于安瓿药液杂质的在线检测。     

基于随机局部均值Hash特征的在线学习目标跟踪

在局部遮挡,光线变化,以及复杂背景环境下进行有效稳定的目标跟踪一直是一个长期困扰研究者的复杂问题。提出一种基于随机局部均值Hash特征的在线学习目标跟踪算法,算法的创新点为基于泊松概率分布的目标模型建立及其在线更新。算法首先利用已标定实际位置的目标图像来初始化目标模型及构建初始分类器池,由此求出下一帧的检测算子,同时基于多实例在线学习方法,利用检测到的目标样本（正样本）以及附近的背景样本（负样本）在线更新目标模型,求出新的检测算子用于后续帧的目标检测及跟踪。提出的算法与现有基于检测学习的OnlineBoostingTracker,SemiTracker,BeyondSemiTracker,Context Tracker和MILTracker跟踪算法在给定的四个标准视频序列中进行了跟踪性能比较。实验结果表明,在各种复杂环境下,该算法具备良好的综合跟踪性能,尤其在抗局部遮挡方面尤为突出。在抗目标旋转方面,该算法仍有待优化。     

基于机器学习的目标跟踪算法研究综述

在视频目标跟踪研究中,基于机器学习的理论和算法成为了一个重要的发展方向。在线学习通过对样本持续的学习和更新从而适应背景环境以及目标的变化,能够获得更好的目标跟踪效果。根据算法的特点,将在线学习方法分为集成学习方法、判别式学习方法和核函数学习方法3类。重点对每类中具有代表性的几种方法进行详细描述,并分析其优缺点。最后还分析了机器学习方法在目标跟踪研究中面临的问题和未来的研究趋势。     

基于光流和压缩感知的目标跟踪

由于姿态变化,光照改变,遮挡以及运动模糊等因素,开发有效和实时的目标跟踪算法是一个有挑战性的任务。因此,在复杂的实际环境中使用单一的检测与跟踪算法已无法满足目标跟踪的实用性要求。本文基于光流法和压缩跟踪算法,提出一种融合跟踪、在线学习以及检测技术的目标跟踪方法。实验结果表明,该方法提高了跟踪精度,而且具有较强的鲁棒性。     

增量学习Rao-Blackwellized粒子滤波的跟踪算法

基于特征子空间的目标跟踪方法能适应目标状态的变化,并对光照等外部环境不敏感,但通常假定特征子空间的基向量固定,这样不仅需要离线训练,而且在目标姿态发生较大改变时,跟踪精度会降低。提出一种基于增量学习的Rao-Blackwellized粒子滤波算法,通过在线学习获得特征子空间的基向量,并用解析的方法对目标在子空间的投影参数进行在线更新。实验表明,新算法在目标有较大形变、姿态变化和光照等条件变化时,能保持较高跟踪精度,具有较强的鲁棒性。     

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD）目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入ViBe模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。     

检测识别跟踪分离的在线多样本视频目标跟踪

在视频目标跟踪中,经常出现“漂移”现象,且学习算法需要离线训练。为此,提出一种检测识别跟踪分离的在线多样本视频目标跟踪方法。利用多样本学习方法解决学习算法在更新过程中的内在不确定性,使用优于在线半监督的boosting方法解决“漂移”现象。实验结果表明,该方法鲁棒性较好,可以有效解决“漂移”现象,并能实时地完成在线跟踪。     

Efficient covering of target areas using a location prediction-based algorithm

Due to the rapid development of the high-speed wired and wireless Internet, image contents including objects with exposed personal information are being distributed freely, which is a social problem. In this paper, we introduce a method of robustly detecting a target object with facial region exposed from an image that is quickly entered using skin color and a deep learning algorithm and effectively covering the detected target object through prediction. The proposed method in this paper accurately detects the target object containing facial region exposed from the image entered by applying an image adaptive skin color model and a CNN-based deep learning algorithm. Subsequently, the location prediction algorithm is used to quickly track the detected object. A mosaic is overlapped over the target object area to effectively protect the object area where the facial region is exposed. The experimental results show that the proposed approach accurately detects the target object including the facial region exposed from the continuously entered video, and efficiently covers the detected object through mosaic processing while quickly tracking it using a prediction-based tracking algorithm. The tracking-based target covering method proposed in this study is expected to be useful in various practical applications related to pattern recognition and image security, such as content-based image retrieval, real-time surveillance, human–computer interaction, and face detection.

     

基于多尺度建议框的目标跟踪误差修正方法

随着深度学习技术引入视觉目标跟踪领域,目标跟踪算法的精度和鲁棒性有了很大的提高。但在低空无人机跟踪目标的实际场景中,情况比较复杂,如相机的抖动、大量的遮挡、视角和焦距的改变等,使得跟踪算法的准确性受到极大挑战。目前的算法大多建立在目标外观变化缓慢的前提假设下,在跟踪的过程中不具备检测和修复漂移（跟踪误差）的能力。针对该问题,提出了一种基于多尺度建议框的目标跟踪误差修正方法。离线阶段,利用大量的已标注的目标样本训练基于多尺度建议框的目标跟踪修正模型,获取不同类别目标的先验知识。在线阶段在核相关滤波跟踪的基础上,依据相关响应置信度自适应评价的结果,通过目标跟踪修正模型不定期重新初始化目标的位置,避免了因为误差累积而导致跟踪失败。算法在无人机航拍数据集上进行了测试,结果表明,该跟踪算法在目标发生较大形变的情况下能较好的修正跟踪漂移问题。相比于其他几种算法,目标跟踪的成功率和精度分别提高了14.3%和3.1%。     

基于3D目标跟踪算法的机器人手眼协调研究

为了适应环境的复杂性和多样性,增强机器人抓取任务的鲁棒性,本文从3D目标跟踪算法出发,提出了一种实现机器人手眼协调的新方法。该方法采用改进的基于区域的位姿追踪算法同时跟踪机械臂夹持器和目标物体的位姿,根据二者的相对位置关系引导机械臂运动。对基于区域的位姿跟踪算法,本文提出根据局部区域分割线构建分割模型并改进模型颜色似然的线性更新方式,使得算法能够准确跟踪机械臂夹持器与目标物体。基于ROS平台搭建了一套仿真实验环境,并分别在仿真环境和真实环境下验证了此手眼协调系统的有效性和鲁棒性。这种方式不仅不需要手眼标定,更接近于人类“Sensor-Actor”带反馈的闭环控制方式,同时赋予了机器人足够的灵活性来应对弹性的任务和多变的环境。     

一种有效的储备池在线稀疏学习算法

为克服传统储备池方法缺乏良好在线学习算法的问题, 同时考虑到储备池本身存在的不适定问题, 本文提出一种储备池在线稀疏学习算法, 对储备池目标函数施加L1正则化约束,并采用截断梯度算法在线近似求解.所提算法在对储备池输出权值进行在线调整的同时, 可对储备池输出权值的稀疏性进行有效控制, 有效保证了网络的泛化性能.理论分析和仿真实例证明所提算法的有效性.     

子空间描述的关节式目标跟踪

针对关节式目标变化对子空间描述造成的影响,本文提出了一种基于增量学习的关节式目标跟踪算法.该算法通过引入图像分割方法与快速傅里叶变换可有效消除背景像素对目标描述造成的影响以及目标区域前景目标位置对不准造成的误差,同时应用局部二值模式增加目标描述中像素点间的几何位置信息,应用基于增量学习的方法实现目标特征的在线更新,最终为跟踪算法提供较为精确的目标描述.实验结果表明,本文提出的关节式目标跟踪算法具有较好的目标跟踪效果.     

基于约束知识的IP-MCMC-PF目标跟踪方法研究

针对粒子滤波算法在有干扰的目标跟踪中可能出现的粒子多样性减少和精度下降等问题,研究并实现了一种新的基于约束知识的IP-MCMC-PF目标跟踪方法。该方法首先通过约束知识提高粒子预测的准确性,并通过多链并行的IP-MCMC方法提高粒子的多样性,有效地解决粒子退化问题;在此基础上通过PN学习算法在线更新抽样粒子的抽样分布和检测器的训练样本,实现目标跟踪算法的在线学习,有效提高了复杂背景下目标跟踪的准确度和自适应性。实验结果表明,该方法在遮挡、形变、光照变化等多种干扰的情形下都具有很好的跟踪效果。     

融合目标形状信息及图割窄带优化的目标跟踪算法

提出基于图割窄带优化算法及融合目标形状信息的目标跟踪方法,首先采用卡尔曼滤波方法对目标新的位置进行预测,进而基于目标当前位置及分割结果估计目标的形状的信息,然后在目标预测位置采用窄带的图割优化算法并集成目标的形状先验信息对目标的进行分割,从而确定目标新的位置并得到目标新的轮廓结果,完成目标的精确跟踪。实验结果表明提出的方法具有良好的性能,能够精确有效的跟踪复杂背景中的运动目标。由于采用窄带图割分割优化,使得算法也具有良好的实时性,能够在实际中得到应用。     

基于深度学习的多旋翼无人机单目视觉目标定位追踪方法

针对无人机对目标的识别定位与跟踪,本文提出了一种基于深度学习的多旋翼无人机单目视觉目标识别跟踪方法,解决了传统的基于双目摄像机成本过高以及在复杂环境下识别准确率较低的问题。该方法基于深度学习卷积神经网络的目标检测算法,使用该算法对目标进行模型训练,将训练好的模型加载到搭载ROS的机载电脑。机载电脑外接单目摄像机,单目摄像头检测目标后,自动检测出目标在图像中的位置,通过采用一种基于坐标求差的优化算法进行目标位置准确获取,然后将目标位置信息转化为控制无人机飞行的期望速度和高度发送给飞控板,飞控板接收到机载电脑发送的跟踪指令,实现对目标物体的跟踪。试验结果验证了该方法可以很好的进行目标识别并实现目标追踪