多模型协作的分块目标跟踪

为了解决复杂场景下,基于整体表观模型的目标跟踪算法容易丢失目标的问题,提出了一种多模型协作的分块目标跟踪算法.融合基于局部敏感直方图的产生式模型和基于超像素分割的判别式模型构建目标表观模型,提取局部敏感直方图的亮度不变特征来抵制光照变化的影响;引入目标模型的自适应分块划分策略以解决局部敏感直方图算法缺少有效遮挡处理机制的问题,提高目标的抗遮挡性;通过相对熵和均值聚类度量子块的局部差异置信度和目标背景置信度,建立双权值约束机制和子块异步更新策略,在粒子滤波框架下,选择置信度高的子块定位目标.实验结果表明,该方法在复杂场景下具有良好的跟踪精度和稳定性.     

基于局部直方图的多区域目标跟踪算法

为克服光照变化和目标遮挡对运动目标跟踪的影响,提出了一种基于改进的局部敏感直方图的多区域目标跟踪算法。改进了局部敏感直方图并设计了快速算法;将改进的局部敏感直方图作为多区域跟踪算法中的目标建模方式,提高目标建模的准确性且降低提取目标特征的计算复杂度;针对多区域跟踪算法中融合各个区域块的特征相似值的需要,采用基于统计排序和最小二乘估计的参数估计方法计算整个目标块与模板的相似度。实验结果表明该算法能有效应对目标跟踪过程中光照变化、目标形变与遮挡的干扰,实现实时鲁棒的目标跟踪。     

分块检测尺度自适应的圆形目标相关跟踪

为解决传统基于核相关滤波器（KCF）的目标跟踪方法中跟踪框尺度无法自适应及目标被遮挡导致的跟踪失败问题,以空中加油视觉导航中圆形锥套目标的跟踪为例,提出了一种分块检测尺度自适应的圆形目标相关跟踪方法。利用目标外部边缘特征点的提取与轮廓拟合方法解决了圆形目标跟踪所存在的目标尺度变换问题,通过分块检测将跟踪过程中目标遮挡情况与跟踪失败情况区分开来,消除了遮挡情况下跟踪积累误差,实现了部分遮挡情况下目标的跟踪。实验结果表明,提出的圆形目标尺度自适应相关跟踪方法具有较高实时性、可靠性与准确性,实现了空中加油对接过程中对于锥套的稳定、可靠跟踪。     

基于自适应分块的视频目标跟踪方法研究*

针对目标跟踪中的遮挡问题,提出了一种基于颜色特征的自适应跟踪算法。该算法利用模糊K均值聚类将目标自适应分块,采用单调递减的核函数对子块进行加权,目标模型的更新只需更新子块的颜色均值,计算量小。在跟踪过程采用目标整体匹配的方法,结合设计的自适应Kalman滤波器,有效地解决了跟踪过程中的目标遮挡问题。实验结果表明,新算法能够实现目标的准确跟踪。     

基于遮挡检测和多块位置信息融合的分块目标跟踪算法

目标跟踪无法有效判断目标何时被遮挡以及同时配合模板更新.针对这一问题,文中提出基于遮挡检测和多块位置信息融合的分块目标跟踪算法.首先,将目标区域分成4个子块,结合目标整体,利用遮挡具有从局部开始和方向性的特点,计算各分块间相关值的比值,判断目标是否遮挡及遮挡部位.再根据目标是否遮挡,采用不同的更新方式.最后,根据未被遮挡的各个分块位置信息确定最终目标的位置.在数据集上的实验表明,文中算法可以有效判定目标是否存在遮挡,并提升遮挡情况下的跟踪效果.     

基于特征自适应选择的鲁棒跟踪算法

为了解决真实场景下视频目标的跟踪问题,提出一种基于特征自适应选择的鲁棒跟踪算法。首先,针对在线AdaBoost算法特征池特征鲁棒性差的问题,提出一种基于颜色与金字塔梯度方向直方图特征相结合的特征池构造方式;然后,针对分类器在更新过程中容易受到错误样本影响的问题,对每帧跟踪结果增加遮挡检测环节以避免漂移现象的发生。大量的对比实验表明,在真实场景下所提出的方法具有更好的效果。     

监控场景下的目标自适应跟踪

目标跟踪是监控系统的关键技术之一.Mean-Shift作为高效的模式匹配算法,已经成功地应用在对实时性要求较高的目标跟踪系统中,但是传统的Mean-Shift跟踪算法未能有效地解决跟踪窗自适应和目标特征更新问题,无法实现对目标的长时间跟踪.论文提出了卡尔曼滤波、局部目标检测和Mean-Shift有机结合的目标自适应跟踪方法,能有效的解决跟踪窗自适应和跟踪目标的特征更新问题,并有较强的抗遮挡的能力,提高跟踪的稳健性.并通过跟踪实验对比验证了算法的有效性.     

基于分块的自适应多特征融合目标跟踪

基于RGB直方图的目标跟踪易受背景相似颜色的影响.针对该问题,提出一种分块的自适应多特征权值融合跟踪算法.采用K-S相似性度量准则对边缘方向直方图(EOH)和RGB直方图的特征权值进行融合,实现目标跟踪.实验结果表明,与单一的RGB或EOH特征跟踪算法相比,该算法的跟踪准确率较高,具有较强的抗遮挡能力.     

分块跟踪中的目标模板更新方法

在基于模式匹配的目标跟踪算法中,由于受遮挡、自身外观变化的影响,模板更新问题一直是目标跟踪的一个难题,因为遮挡和外观变化均表现为目标内灰度的变化,但由障碍物遮挡引起的灰度变化不能更新为模板;而由目标自身引起的灰度变化又要即时地更新为模板。为此,提出一种带有遮挡和外观变化判断的局部模板更新算法。算法使用分块模板并根据目标中变化的信息分别来自目标和背景的概率来区别外观变化和遮挡这两种情况。目标被部分遮挡时,通过不更新模板来防止障碍物信息混入模板;目标外观变化时,提出一种新的局部模板更新算法以适应目标的不断变化。实验结果表明,该算法既能较好地适应目标的外观变化,又具有较强的抗遮挡能力,比整体模板更新算法具有更好的鲁棒性。     

基于多线索自适应融合的抗遮挡目标跟踪算法

针对在复杂背景下,特别当目标与背景颜色相似、目标被遮挡时容易导致跟踪失败的问题,采用颜色与纹理两种互补特征融合的粒子滤波算法,同时提出一种融合策略自适应的抗遮挡跟踪方法,当遮挡发生时,适时切换融合策略,并在粒子滤波框架内嵌入mean-shift算法,克服了粒子退化现象。实验结果表明,该算法具有较强的抗遮挡能力,能够跟踪复杂背景下的目标。     

基于增量子空间自适应决策的目标跟踪

基于增量子空间的目标跟踪算法多数不加选择地将检测到的目标作为模板训练的样本, 并以固定频率更新模板, 这种无反馈闭环机制使得算法在目标外观模型发生变化、 光照变化等复杂条件下难以鲁棒跟踪目标, 一旦跟踪失败很难从错误中恢复. 为此, 我们提出一种反馈闭环跟踪算法, 在增量子空间粒子滤波跟踪框架下, 引入跟踪状态判决作为后续模板更新依据. 通过判决反馈信息选择合适的样本适时更新模板, 有效克服目标外观模型的变化, 持续跟踪目标. 实验结果表明, 由于引入跟踪状态判决, 在目标外观变化、光照变化等情况下, 本算法能够以与环境相适应的频率及时更新模板, 提高跟踪精度, 实验结果验证了本文算法的鲁棒性和有效性.     

基于色斑联合推举的被遮挡运动目标跟踪

针对非刚体运动目标被遮挡的跟踪问题,提出一种以目标色斑子块相关匹配联合推举的跟踪方法。利用目标色调特征的不变性对目标色斑进行自适应分块,通过子块的运动状态联合估计目标整体的运动状态,在遮挡发生时判断被遮挡子块,并将其排除到联合推举之外。实验结果表明,该方法可实现对非刚体目标遮挡下的有效跟踪。     

自适应HLBP纹理特征的Meanshift目标跟踪算法

结合Haar型特性局部二元模式(HLBP)的图像纹理特征提取方法,提出一种新的目标跟踪算法,并将其运用到Meanshift框架中。将Visual Studio 2010和opencv2.4.9作为实验平台,将所提算法的实验结果与传统Meanshift跟踪算法、基于局部二元模式(LBP)纹理特征的Meanshift跟踪算法进行对比分析。实验结果表明,所提算法在背景复杂或背景简单的情况下都表现出了稳健而准确的跟踪特性,且在部分遮挡的情况下仍可以正确地跟踪目标。     

改进的基于颜色的粒子滤波目标跟踪算法

提出了一种改进的粒子滤波算法,在遮挡情况下,能鲁棒地跟踪运动目标.该方法是把改进的颜色直方图结合到粒子滤波的观测模型中,并提出了一种判断目标遮挡的分块检测遮挡的方法.首先对传统的以核函数赋权值的方法进行改进,把目标中心附近的像素都赋予最大的权值,目标的边缘由于遮挡等原因采用指数分布赋权值;在遮挡检测时,提出了把跟踪窗分为左右两个子部分,分别计算相似性度量的方法,提高了遮挡检测的实时性和准确性;同时,该算法对旋转和尺寸的变化具有鲁棒性.实验结果表明,与基本的粒子滤波算法相比,提出的新算法能更好的处理目标跟踪中的遮挡问题.     

遮挡情况下目标局部特征在跟踪算法中的应用

为了解决视频目标跟踪中的遮挡问题,本文提出了一种新的目标局部形状特征——仿射不变三角形来对目标进行描述,所提取的仿射不变三角形特征具有平移、旋转和尺度不变的特性,在各种异常情况下仍然能够稳定地表征目标。本文采用仿射不变三角形特征量来进行有效的遮挡状态的判断,并将目标未被遮挡部分的局部形状特征量与运动预测结合起来进行基于模板的匹配跟踪,能够避免遮挡所导致的目标外观数据改变而引起的目标运动状态计算的错误,以解决目标在跟踪中的遮挡问题。实验结果证明,本文提出的局部形状特征能够比较准确地判断目标的遮挡状态,并且能够有效地提高跟踪算法的准确性和稳定性。     

自适应跟踪与多特征融合的目标跟踪算法

Staple算法采用固定权重与学习率的方式,导致其在物体模糊等场景下跟踪精度低.为此,提出一种自适应跟踪与多特征融合的目标跟踪算法(adp-Staple).特征融合与跟踪过程中引入两种不同置信因子提升跟踪精度,特征提取过程引入主成分分析降维技术提升跟踪速度.在OTB-50与OTB-100数据集上进行对比实验,其结果表明,adp-Staple算法较传统Staple算法有更好的跟踪效果,在运动模糊等场景中有更强的鲁棒性.     

特征融合自适应目标跟踪

经典视觉单目标跟踪方法通常以单特征描述被跟踪的目标。但在实际场景中,目 标因受外界因素如光照或自身变化如形变的影响而发生变化。为了更好地描述目标,首先引入 HOG 特征和 CN 特征,利用传统的特征提取方法,训练得到各自的相关滤波器;然后与各自特 征相关滤波得到各自的响应图;最后采用实际响应与期望响应的差值法求得各自响应图的权重, 将其与各响应图自适应融合得到目标的最终位置,并自适应更新各自的模型。实验选取公共数 据集 OTB2013 的 34 个彩色视频帧序列对不同算法进行定性和定量地分析和论证。相比效果最 好的 DSST 算法,平均中心误差减少了 7.8 像素,成功率提高了 1.2%,精度提高了 2.3%。实验 结果表明该算法具有较好的跟踪鲁棒性和准确性。     

分块多特征目标描述子的移动机器人目标跟踪

为解决机器人目标跟踪过程中的遮挡和外观改变等问题, 提出一种分块多特征描述子的方法. 该方法将候选样本分块, 提取图像片的深度、颜色、纹理特征来表示目标构造检测器. 结合目标与机器人的运动构造运动卡尔曼滤波器(MEKF) 作为跟踪器. 跟踪过程中根据目标深度信息调整其尺寸, 结合深度特征及图像片外观相似度进行检测并处理遮挡. 实验结果表明, 该算法对目标的尺度变化、光照改变和遮挡现象具有较强的鲁棒性.