一种多特征融合的复杂场景动态目标跟踪算法

针对传统目标跟踪算法在目标形变、遮挡或光照变化等复杂场景下容易丢失目标的问题,提出了一种融合多特征的复杂场景动态目标长时间视觉跟踪算法,该算法基于跟踪学习检测(TLD)框架,首先,利用高斯二阶滤波器提取跟踪目标在不同方向的纹理信息,通过纹理信息采用Hessian矩阵计算图像曲面的主曲率,融合主曲率与RGB颜色信息建立目标特征概率直方图模型;然后,使用融合多特征的Mean Shift算法替代TLD框架中的光流法,降低跟踪模块的计算复杂度;最后,采用P-N学习策略构建快速级联检测器,实现跟踪失败时准确检测并重新初始化跟踪器快速修正跟踪结果.在OTB-50公开数据集和煤矿井下巷道视频上进行动态目标跟踪测试.结果表明:所提算法能够实现目标形变、遮挡或光照变化等复杂场景动态目标长时间跟踪,具有较高的鲁棒性和跟踪精度.     

基于多特征在线模板更新的鲁棒目标跟踪算法

在Mean-shift算法框架下提出一种基于多特征在线模板更新策略的鲁棒目标跟踪算法．首先,针对目标与背景色彩相似引发的跟踪漂移现象,提取照度不变性色彩特征与旋转不变性LBP纹理特征提取算法,并通过引入BWH算法实现多特征融合;其次,在传统的Mean-shift算法收敛条件上增加了直方图相似度校验,以避免陷入局部最优解．此外,还提出了基于直方图差异空间分布图的遮挡现象检测算法,从而提升了模板在线更新算法的准确性．实验结果表明,本文方法对于复杂动态场景、遮挡现象以及目标自身形变具有较强的鲁棒性和较高的准确性．     

核粒子滤波目标跟踪算法

针对粒子滤波的退化问题以及使用单一特征跟踪鲁棒性不高的缺点,提出了一种基于多特征融合的核粒子滤波目标跟踪方法.首先在核粒子滤波中提出新的权值更新方法,然后将颜色和纹理特征在核粒子滤波方法框架下进行融合实现鲁棒跟踪.对颜色和纹理特征的计算分别采用空间直方图和积分直方图的计算方法,这2种计算方法有效地克服了2种特征自身存在的缺点.该算法提高了采样效率,解决了粒子滤波的计算量大和粒子退化问题.最后应用本文算法在复杂背景和严重遮挡等情况下的目标序列上进行了测试,实验表明该算法不仅能准确地跟踪目标,而且能很好地处理目标遮挡等问题.     

一种无人机航拍目标的长期跟踪算法

针对无人机在航拍目标跟踪的复杂场景过程中,运动目标可能会被遮挡或不确定跟踪,导致视觉模型出现逐渐损坏、漂移和不可逆转失败等问题,提出了一种无人机航拍目标的长期跟踪算法.首先,进行互补分类器多特征自适应融合设计,在贝叶斯分类器中采用颜色直方图特征,在相关滤波器中采用方向梯度直方图、灰度以及颜色名特征;结合多种特征的优点,...     

融合颜色和梯度方向直方图的粒子滤波跟踪算法

针对基于单一颜色特征的粒子滤波跟踪算法在复杂环境下会导致跟踪失败的问题,提出了一种融合颜色直方图和梯度方向直方图,形成一种新的综合直方图特征的粒子滤波跟踪算法.颜色直方图是对目标在彩色图像中的全局描述,而梯度方向直方图包含了一定的结构信息,两者可以互为补充.实验结果表明,采用综合直方图特征能够在背景颜色干扰导致目标颜色特征鉴别能力丧失的情况下,仍能稳定可靠地跟踪目标,提高了跟踪精度,具有较强的鲁棒性.     

基于轨迹掩膜的在线多目标跟踪方法

针对现有多目标跟踪方法易受到遮挡、运动模糊等问题干扰的情况,提出基于轨迹掩膜的在线多目标跟踪方法(online multi-object tracking method based on trajectory mask, OMTMTM)。提出轨迹掩膜生成算法,利用前一帧跟踪轨迹结果生成轨迹掩膜,设计轨迹掩膜网络对轨迹掩膜提取多维度特征,包含目标可见区域的估计值、大致位置及形状等信息;将该特征与基础骨干网络提取的原始图像特征融合后进行多目标检测跟踪。OMTMTM的目标跟踪器具备先验判断能力,可实现遮挡情况下的准确跟踪;OMTMTM利用目标跟踪轨迹的时空信息,恢复出部分漏检或低置信待检目标,使轨迹掩膜更加合理,有利于后续跟踪。对OMTMTM的性能进行多维度评估,并结合基线模型进行对比分析。试验结果表明,OMTMTM具有先进的多目标跟踪性能。     

利用超像素混合投票的在线目标跟踪算法

针对复杂场景下目标跟踪中目标出现的外观特征变化和遮挡问题,提出一种结合超像素和广义霍夫变换的在线实时目标跟踪算法.该算法从上下文中提取局部特征作为支持因子,构建一个混合的判别产生式对象模型.利用该模型,通过霍夫投票预测目标的中心位置,再通过判别式投票对目标和背景进行概率估计.对图像进行超像素分割,将之前的投票结果映射到对应的超像素,生成基于超像素的概率分布图像.采用贝叶斯跟踪框架,根据后验概率最大化,在概率分布图像基础上确定目标的位置.实验表明,该算法在复杂环境下目标跟踪的过程中对目标发生的形变和遮挡现象有很强的鲁棒性,能够实现准确稳定的在线目标跟踪.     

基于多特征融合的鲁棒目标跟踪算法

为了准确地跟踪视频监控系统中嫌疑人的活动轨迹,提出一种多特征融合目标跟踪算法。该算法首先提出一种改进的纹理描述算子并与局部反差算子相结合,以弱化噪声的影响,并可以同时描述图像纹理的结构和强度信息;其次,引入特征不确定性度量,自适应地调整不同特征对跟踪结果的贡献;最后,在跟踪过程中,通过判断目标是否发生遮挡,从而采用不同的更新策略对目标模板进行更新。实验结果表明,与粒子滤波、颜色跟踪、核循环结构、多目标跟踪等跟踪算法相比,改进算法可以对多种不同序列进行长时间稳定跟踪,当位置误差阈值为20个像素、重叠率阈值为0.5时,距离精度为0.747,成功率为0.668。所提出的改进算法可以对光照变化、颜色相近、遮挡等复杂场景中的目标嫌疑人进行有效地跟踪。     

基于SURF和Camshift的目标跟踪算法研究

针对动态的目标跟踪算法Camshift在目标发生短时遮挡或者背景有相似颜色干扰时,可能造成目标跟踪失败的问题,提出了一种基于SURF和Camshift的目标跟踪解决方案。使用搜索窗口颜色概率直方图和目标模板的颜色概率直方图的Hellinger距离判定Camshift算法跟踪结果是否准确,当判定为跟踪失败时,利用SURF快速近似最近邻搜索算法进行特征匹配,解决了传统Camshift算法需要手动确定第一帧搜索窗口,背景颜色干扰及短时遮挡后目标定位的问题。实验结果表明,采用该算法能克服传统的Camshift算法的缺陷,有效地跟踪到目标,具有较好的鲁棒性。     

利用团块模型进行目标跟踪

提出了一种基于局部特征的目标跟踪算法．通过多尺度分析方法,根据颜色和空间上的相似性将目标分割为多个区域,每个区域由一个团块表示,团块包含了该区域所有像素的颜色均值、形状和位置．根据团块特征构造目标的外观模型,定义团块的匹配准则,通过团块匹配进行目标跟踪．由于目标模型是基于局部特征的,并且包含目标的全局空间结构,因此该算法在局部遮挡和目标尺度变化的情况下,依然能够进行准确地跟踪．实验表明该算法能够有效实现复杂场景下的目标跟踪,性能优于Mean-shift算法．     

Multi-target tracking method based on the adaptive fragment and multi-feature fusion

In order to solve the problems of occlusion, appearance change and similar targets in multi-target tracking, this paper proposes a multi-target tracking method with the particle filter based on the adaptive fragment and multi-feature fusion. First, we divide each target into a few fragments adaptively according to its gray projection and describe each fragment with the color histogram and histogram of oriented gradient(HOG) feature, of which similarity can be obtained by adopting the weighted Bhattacharyya Coefficient. Then, we obtain particle sets of each target by FCM clustering. The optimal state estimation of each target is calculated through particles state in the subgroup. Finally, the weighting factor of each fragment is updated according to the reliability which is calculated by considering particles space information. Experimental results show that the proposed method can track the targets in many complex circumstances accurately and robustly.     

基于改进核相关滤波算法的目标跟踪

针对核相关滤波算法仅使用一种特征表达进行目标追踪,使其在一些场景中跟踪效果不佳的问题,提出了一种多特征融合的核相关滤波跟踪方法。采用31维的方向梯度直方图特征、58维的局部二值模式特征和1维的灰度特征进行融合。该算法选择在特征层进行特征融合,先将方向梯度特征和局部二值模式特征并联融合,再将融合后的特征串联融合灰度特征,形成新的特征表达。在OTB(Object Tracking Benchmark)数据集上进行了测试,结果表明,该算法具有更好的跟踪效果。     

基于粒子滤波的移动物体视觉跟踪方法

基于颜色特征的粒子滤波算法已成为移动物体跟踪的热点.提出一种基于加权颜色直方图的粒子滤波跟踪算法,利用Bhattacharyya距离来描述粒子与目标区域颜色模型的相似性.实验结果表明:该方法具有较好的实时性与鲁棒性,可应用在视频监控、小车寻迹等场合.     

对光照变化鲁棒的多特征动态提取跟踪算法

针对视觉跟踪算法光照自适应能力差的问题,提出了一种对光照变化鲁棒的多特征动态提取跟踪算法。该算法采用高效克服光照影响的特征提取方法,颜色子模型采用模糊直方图方法获取,在同态滤波基础上建立边缘子模型,运动子模型采用改进的三帧差分法提取。该算法还定义了一个新的特征融合模型,把多种互补的观测子模型动态融合,增强了观测模型的准确性,合理量化特征的可靠性使跟踪更稳定。同时采用改进的粒子重采样方法提高了跟踪准确度。实验结果表明,该算法能有效地避免光照变化对跟踪的影响,具有较好的鲁棒性。     

改进的梯度与肤色融合均值移动粒子滤波人脸跟踪

针对单一肤色特征的跟踪算法鲁棒性不高的问题,提出一种多特征融合的均值移动粒子滤波(MSPF)跟踪算法.该算法用肤色特征与梯度特征表示候选目标,通过粒子滤波与均值移动算法进行特征融合.实验结果表明,该算法能够较好地提高跟踪效率,并对光照、人脸遮挡和人脸旋转等有一定的适应性.     

结合双注意力与特征融合的孪生网络目标跟踪

基于孪生网络视觉跟踪的进化和深层网络目标跟踪算法在目标被遮挡和外观形变时的跟踪成功率不高,鲁棒性不强,对此,提出了一种结合双注意力与特征融合的孪生网络目标跟踪算法。首先,采用通道和空间注意力模块增强目标信息,抑制图像中的干扰信息,提高模型的准确度;然后,对注意力层输出的浅层和深层特征信息进行多层特征融合,得到表现力更好的目标特征,提高跟踪成功率;最后,引入在线模板更新机制,减少了跟踪漂移,提高了跟踪鲁棒性。使用OTB100测试集进行实验,实验结果表明,改进后算法的跟踪成功率比改进前算法的跟踪成功率提高了1.3%;在具有遮挡和形变属性的4个测试序列下,改进后算法的平均重叠率提高了3%,中心位置的平均误差降低了0.37个像素点,针对遮挡和外观形变时的鲁棒性更好。     

视频监控系统中的多摄像头跟踪优化设计

针对分布式广域视频监控系统,提出了一种基于多摄像头融合的跟踪优化方法.该跟踪优化算法根据目标优先级和目标在各个摄像头中的遮挡状态及其分割图像大小进行数据加权融合,优先分配高优先级目标给具有最佳权值的摄像头进行跟踪,并动态平衡各个摄像头的跟踪负载,将跟踪负载过重的摄像头中的低优先级目标分配给其他摄像头进行跟踪.为了有效地建立重叠摄像头之间目标的对应关系,对于摄像头远离监控地平面和目标的场景,通过摄像头监视背景图像之间的SIFT特征匹配自动生成对应点,利用这些对应的关键点确定重叠摄像头之间的单应性变换矩阵参数,再根据目标质心坐标之间的单应性变换进行一致性匹配;对于摄像头近邻监控地平面和目标的场景,通过目标分割图像之间的SIFT特征进行一致性匹配.实验结果表明:该方法能有效地实现广域监控场景中多摄像头的协同跟踪,达到了较高的跟踪性能.