具有融合罚约束的低秩结构化稀疏表示目标跟踪算法

现有的低秩稀疏表示目标跟踪算法在目标突然运动和严重遮挡等情况下,经常出现跟踪漂移现象.为此,提出一种具有融合罚约束的低秩结构化稀疏表示目标跟踪算法.首先,利用混合${L_{1,2     

梯度导向的通道选择目标跟踪算法

通常在目标跟踪任务中需要跟踪的目标物体具有任意性,同时目标周围可能有相似的干扰物体,这常常导致预训练网络提取的目标特征并不完全适用于当前需要跟踪的目标物体.针对以上问题,在Siamese孪生网络目标跟踪框架下,提出一种新型的基于梯度导向的通道选择目标跟踪算法.首先从预训练网络提取待跟踪目标特征,利用提出的开关-惩罚损失...     

人员图像跟踪过程中多人交叉区域防丢失方法

研究运动目标的图像准确跟踪问题.在随机图像跟踪过程中,画面中出现的图像人物是不定的,图像中目标与随机目标经常同时交叉出现,多目标区域的相似性会造成跟踪帧画面出现多目标特征区域干扰.传统的图像目标跟踪方法以图像关键兴趣区域里的目标特征为基础,一旦图像中出现多目标区,跟踪模型会陷入重复选择,跟踪丢失.提出采用尺度动态变换的运动目标跟踪方法.根据衰减相关理论,提取运动目标关键帧图像,为运动中的交叉多目标跟踪提供依据.利用尺度动态变换方法,对人物交叉画面中运动目标关键帧多目标区进行背景分离处理,实现运动目标的分离跟踪,防止跟踪丢失.实验结果表明,利用改进算法进行运动目标跟踪,能够有效提高运动目标跟踪的准确性,抗击由于画面突变对跟踪结果造成的干扰.     

一种自适应特征选择的运动目标实时跟踪算法

提出自适应特征选择算法,利用背景信息及目标信息建立特征分类器,并在跟踪过程中不断更新特征分类器;提出采用光流算法对运动区域进行粗预测,然后利用特征分类器及meansh ift算法对目标进行跟踪.实验结果表明,该算法可以根据不同的背景信息自适应的选择特征 ,对于跟踪过程中存在形变、遮挡以及背景出现干扰或光照变化等情况,依然可以对目标进行稳定的实时跟踪.     

基于图正则平滑低秩表示的基因表达谱特征选择

针对传统低秩表示不能准确描述数据结构的问题,提出一种图正则平滑低秩表示的特征选择算法。在构造目标函数时,利用对数行列式函数代替核范数来平滑估计秩函数,引入流形正则项;利用非精确交替方向法进行求解,并且采用后处理方式构造数据的图结构。该算法能够准确地描述数据全局子空间结构和局部线性结构。在基因表达谱数据集上进行聚类实验,同其他特征选择算法相比较,实验结果证明了该算法的有效性。     

低秩重检测的多特征时空上下文的视觉跟踪

时空上下文跟踪算法充分的利用空间上下文中包含的结构信息能够有效的对目标进行跟踪,实时性优良。但是该算法仅仅利用单一的灰度信息,使得目标的表观表达缺乏判别性,而且该方法在由于遮挡等问题造成的跟踪漂移后无法进行初始化。针对时空上下文算法存在的弱点,本文提出了一个基于低秩重检测的多特征时空上下文跟踪方法。首先利用多特征对时空上下文进行多方面的提取,构建复合时空上下文信息,充分利用目标周围的特征信息,提高目标表观表达的有效性。其次利用简单有效的矩阵分解方式将跟踪到的历史跟踪信息进行低秩表达,将其引入有效的在线重检测器中来保持跟踪结构的一致稳定性,解决了跟踪方法在跟踪失败后的重定位问题,在一系列跟踪数据集上的实验结果表明本算法比原始算法及当前的主流算法相比有更好的跟踪精度与鲁棒性,且满足实时性要求。     

基于自适应图学习的多目标特征选择算法

针对多目标回归中的特征选择问题,提出一种基于自适应图学习的多目标特征选择算法,在单个框架中同时考虑3种关系结构:输入特征与目标输出、不同目标输出以及样本间的相关结构,并基于上述结构信息进行特征选择.首先,在传统稀疏回归模型中对系数矩阵施加低秩约束,利用低秩学习对特征间相关性以及目标间的依赖关系进行解耦学习;然后,构建基于样本局部结构信息的自适应图学习项,充分利用样本间的相似结构进行特征选择;进一步地,引入基于输出相关性的结构矩阵优化项,使模型能够更加充分地考虑目标间的相关性;最后,提出一种交替优化算法求解目标函数,并从理论上证明算法的收敛性.在公开数据集上的实验表明,所提方法相较于现有主流的多目标特征选择方法具有更好的性能和适用性.     

一种快速多尺度特征点匹配算法

为了快速稳定地进行特征点的跟踪,提出了一种快速多尺度特征点的提取算法.该算法首先利用快速局部窗口极值搜索算法提取出不同尺度空间特征点的局部极值,减少了局部极值搜索的冗余性,然后再利用最近邻算法对特征点进行匹配.实验结果表明,该算法的计算速度快于SIFT算法和MOPS算法,稳定性强于传统的Harris算法,可以用于实时图像配准及目标跟踪.     

基于通道权重融合特征的目标跟踪算法

目标跟踪是机器视觉领域的一个研究热点,如何提高复杂场景下的跟踪水平是一个挑战性的问题.以往的研究表明,如何有效使用特征是实现跟踪的关键.因此,提出一种基于通道融合特征的目标跟踪算法.该方法基于多通道相关滤波框架,引入特征通道权重,根据通道对响应值的贡献度调整权重,从而构建实时特征组合.该算法能够快速捕捉目标状态变化,有效跟踪目标.为了验证算法跟踪的有效性,我们在公开数据集OTB-2015上测试算法性能,并与多种跟踪算法进行比较.实验结果显示,该算法在跟踪精度、成功率上都取得较好的结果,整体性能优于对比算法.     

无人机对船舶目标的改进CamShift跟踪算法研究

针对由于CamShift算法跟踪特征单一引起的对颜色相似目标或背景的干扰和对目标遮挡情况较敏感的问题,提出了一种基于改进CamShift融合局部特征匹配的无人机目标跟踪算法.首先,采用基于 H分量和LBP二维模板的改进CamShift目标跟踪算法以提高对相似目标干扰的鲁棒性;其次,在能保证目标跟踪的实时性要求的前提下,融合局部特征匹配算法中的BRISK匹配算法,可有效改善CamShift对颜色相似目标或背景的干扰的敏感性,同时增强对目标遮挡鲁棒性.实验结果表明,该改进算法通过颜色特征和局部特征的共同定位目标,实现了目标的准确跟踪.     

视频监控领域基于自适应学习因子与积分通道特征的核相关目标跟踪算法

针对复杂场景下单一特征跟踪算法适应性不强的问题,提出一种基于积分通道特征的核相关目标跟踪算法,该算法利用积分通道特征丰富多样的特征信息与高效的计算效率,将不同通道的特征整合到核相关模型中,可以克服单一通道特征对目标区域描述不足的缺陷。同时,本文也提出了一种自适应学习因子策略,增强了模型的泛化能力。大量的定性定量实验表明本文所提的算法的跟踪性能超过传统的核相关跟踪算法,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。     

团块与Mean-Shift结合的局部遮挡目标跟踪

传统的基于Mean-Shift的目标跟踪方法利用目标的全局特征进行跟踪,在局部遮挡情况下跟踪效果不佳。提出一种基于团块建模和Mean-Shift相结合的利用目标局部特征的运动目标跟踪方法,对目标进行团块建模,利用Mean-shift算法对各团块进行跟踪,在此基础上确定目标新位置。该方法能够在目标发生局部遮挡时,自动选取未被遮挡的团块的跟踪结果来确定目标的位置。为了提高方法对背景干扰的鲁棒性,采用背景加权的Mean-Shift算法。实验结果表明：该方法在局部遮挡的情况下可较好地进行目标跟踪,跟踪效果优于报导的基于Mean-Shift的方法。     

基于混合注意力的Transformer视觉目标跟踪算法

基于Transformer的视觉目标跟踪算法能够很好地捕获目标的全局信息,但是,在对目标特征的表述上还有进一步提升的空间.为了更好地提升对目标特征的表达能力,提出一种基于混合注意力的Transformer视觉目标跟踪算法.首先,引入混合注意力模块捕捉目标在空间和通道维度中的特征,实现对目标特征上下文依赖关系的建模;然后,通过多个不同空洞率的平行空洞卷积对特征图进行采样,以获得图像的多尺度特征,增强局部特征表达能力;最后,在Transformer编码器中加入所构建的卷积位置编码层,为跟踪器提供精确且长度自适应的位置编码,提升跟踪定位的精度.在OTB100、VOT2018和LaSOT等数据集上进行大量实验,实验结果表明,通过基于混合注意力的Transformer网络学习特征间的关系,能够更好地表示目标特征.与其他主流目标跟踪算法相比,所提出算法具有更好的跟踪性能,且能够达到26帧/s的实时跟踪速度.     

基于N-LBP纹理与色度信息的Camshift跟踪算法

基于颜色特征的运动目标跟踪算法容易受到光照非均匀变化或阴影的影响,如何利用多种特征联合构造目标模型以提升跟踪性能是一个关键问题.提出了一种新的特征融合运动目标跟踪算法,该算法基于局部二值模式(Local Binary Pattern,LBP)纹理特征,引入光照自适应的局部标准差构造二值模式门槛值,采用统一模式下的N-LBP纹理描述子构造特征直方图,并结合色度信息建立联合直方图,在Camshift算法框架内进行目标跟踪.实验证明,与传统Camshift算法相比,该算法在保证跟踪算法实时性能的同时,可以更好地克服阴影遮挡等导致的非均匀光照变化带来的影响,具有良好的跟踪效果.     

面向复杂场景的局部分布场跟踪算法

为了增强基于分布场跟踪算法在复杂场景下的性能,提出了一种基于局部分布场的目标跟踪算法.首先将整体目标分布场模型随机分成多个局部分布场;然后基于前景分布场与背景分布场的L1范式距离越大,越能将前景从背景中区分出来的原则,选择若干个具有较好判别性能的局部分布场;最后基于所选择的局部分布场,利用梯度下降法搜索目标.实验结果表明,在复杂场景下,该算法比当前流行的分布场跟踪算法和多示例学习跟踪算法更加鲁棒.     

基于多级纹理特征和Mean-Shift的灰度目标跟踪

由于灰度图像的信息单一,缺乏描述目标的信息,且易受到光照变化的影响,导致灰度图像中的目标跟踪难度较大。为此,提出了一种结合Gabor小波变换特征与旋转不变一致局部二值模式(LBP)纹理描述算子来建立目标的多级纹理特征模型,并采用Mean-Shift来实现目标跟踪的新方法。该算法首先利用Gabor变换提取多尺度、多方向的目标图像特征以扩充特征提取范围,然后应用旋转不变一致LBP算子对这些特征进行编码以增强所提取特征的有效性,最后采用纹理模式联合概率直方图建立目标的多级Gabor-LBP纹理特征模型,并通过Mean-Shift算法来实现目标的跟踪。实验结果表明,该算法可以有效地克服光照变化、混乱及目标旋转的影响。     

利用稀疏协同模型的目标跟踪算法

针对增强视频目标跟踪鲁棒性难题,提出一种利用稀疏协同判别模型和生成模型的跟踪算法.在判别模型中,利用先验视觉知识训练一个基于SIFT特征的过完备字典,用于构建目标外观模型和训练分类器实现目标与背景的分离;在生成模型中,提取目标的局部特征以及计算目标的遮挡信息来构建目标模板,通过计算候选目标与目标模板的相似度实现对目标的跟踪;最终利用乘性策略融合2种模型的跟踪结果.定性和定量的实验结果表明,与经典跟踪算法相比,该算法具有较好的鲁棒性.     

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CamShift融合局部特征匹配的无人机目标跟踪研究

针对由于CamShift算法跟踪特征单一引起的对颜色相似目标或背景的干扰和对目标遮挡情况较敏感的问题,提出了一种CamShift融合局部特征匹配的无人机目标跟踪算法。实验表明,局部特征匹配算法中BRISK匹配算法在特征检测和特征描述阶段都表现出了较好的性能,融合CamShift算法和BRISK算法的目标跟踪算法在能保证目标跟踪的实时性要求的前提下,改善了CamShift对颜色相似目标或背景的干扰的敏感性,同时增强了对目标遮挡鲁棒性。该方法通过颜色特征和局部特征的共同定位目标,实现了目标的准确跟踪。     

基于Gabor变换的快速跟踪算法

为了增强目标跟踪的速度和精度,提出了一种基于Gabor变换的快速跟踪算法。根据Gabor变换对人类视觉感受野良好的模拟能力,用多尺度多方向的Gabor滤波器对目标图像进行特征抽取,以此建立目标的表观模型,而后利用图像匹配的方法得到相邻帧目标位置的后验概率分布从而实现跟踪。其中在特征抽取级利用线性多通道模型将不同尺度和方向的Gabor特征融合起来,在输出级利用时频的卷积特性以FFT实现相邻帧目标位置后验概率的快速计算,充分考虑了跟踪的速度和精度。实验结果表明,该算法选用的Gabor特征对目标有准确的描述能力,以此建立的表观模型鲁棒性强;同时跟踪过程简单快速,在精度和速度上与其他前沿的跟踪算法相较有优越性。