Efficient multi-feature PSO for fast gray level object-tracking

Robust and real-time moving object tracking is a tricky job in computer vision systems. The development of an efficient yet robust object tracker faces several obstacles, namely: dynamic appearance of deformable or articulated targets, dynamic backgrounds, variation in image intensity, and camera (ego) motion. In this paper, a novel tracking algorithm based on particle swarm optimization (PSO) method is proposed. PSO is a population-based stochastic optimization algorithm modeled after the simulation of the social behavior of bird flocks and animal hordes. In this algorithm, a multi-feature model is proposed for object detection to enhance the tracking accuracy and efficiency. The object's model is based on the gray level intensity. This model combines the effects of different object cases including zooming, scaling, rotating, etc. into a single cost function. The proposed algorithm is independent of object type and shape and can be used for many object tracking applications. Over 30 video sequences and having over 20,000 frames are used to test the developed PSO-based object tracking algorithm and compare it to classical object tracking algorithms as well as previously published PSO-based tracking algorithms. Our results demonstrate the efficiency and robustness of our developed algorithm relative to all other tested algorithms.     

基于改进TLD算法的无人机自主精准降落

四旋翼无人机（Unmanned Aerial Vehicle,UAV）在航拍、测绘、环境监测、快递等航空领域的广泛应用,对四旋翼无人机的可用性和可靠性提出了更高的要求,而其实现自主精准降落的功能是必不可少的。对目标进行快速鲁棒性跟踪是实现降落的重要基础,TLD（Tracking Learning Detector）算法为这一问题提供了一种有效的解决办法,虽然许多学者对其进行了研究并对传统的TLD算法进行了改进,但算法的跟踪精度及速度仍然难以满足无人机的降落要求。提出了一种基于TLD框架的目标跟踪算法来实现无人机与特定降落目标之间的相对定位。该算法在TLD框架下,提出一种基于目标形状特征自主确定降落目标的算法,提高了降落流程的自主性;用核相关滤波器（Kernelized Correlation Filter,KCF） 实现了TLD框架中的跟踪器,提高了算法的实时性、精准度及鲁棒性;同时在降落过程中采用一种基于方向梯度直方图特征（Histogram of Gradient,HOG）和支持向量机（Support Vector Machine,SVM） 的目标识别方法,以实现目标检测自矫正,保证长时间准确跟踪目标。在七类模拟无人机进行降落的视频集下验证了该算法,与其他三种跟踪算法进行对比,并进行实际降落测试。测试结果表明,该算法的鲁棒性和精准度均优于其他算法,处理速度可达到31.47?f/s,故而在TLD框架下采用核相关滤波器作为跟踪器,对跟踪及检测结果进行有效融合并提高算法实时性的同时,增加的检测自矫正环节保证了长时间跟踪的准确度,从而有效地实现了无人机全自主精准降落。     

基于1-norm SVM权值学习的多示例目标跟踪

针对复杂场景下目标跟踪存在鲁棒性低,容易发生跟踪漂移的问题,提出一种改进的多示例目标跟踪算法。该算法针对多示例跟踪算法在包概率计算过程中忽略样本间的差异,对所有样本赋予相同权值,造成分类器性能下降及弱分类器选择存在复杂度高的问题,通过1-norm SVM计算各样本对包概率的重要程度,并在弱分类器选择过程采用内积的方法计算包概率的似然函数,从而减小算法的复杂度和计算时间。实验结果表明,该算法在目标发生遮挡、姿势变化、场景光照发生较大变化以及出现相似目标等较强干扰的情况下仍能较好地跟踪目标,具有较强的鲁棒性和抗干扰能力。     

面向视频监控的TLD改进目标跟踪算法研究

目前智能视频监控对视频目标跟踪算法的实时性、准确性和鲁棒性都提出了很高的要求,而已有算法无法完全满足应用需求。在TLD（Tracking Learning Detector）框架下,提出一种基于视觉背景提取（Visual Background extractor,ViBe）的前景分类算法,提高了TLD算法检测目标的速度;用核相关滤波器（Kernelized Correlation Filters,KCF）实现了TLD框架中的跟踪器,提高了算法的精度及鲁棒性。采用OTB-2013评估基准中针对视频监控的视频序列进行测试,并与其他4种具有代表性跟踪算法进行了对比。测试结果表明：该算法的鲁棒性和准确性均优于对比算法,处理速度可达到40帧/s;相比于标准TLD算法,跟踪距离精度提高了1.52倍,成功率提高了1.2倍;相比于KCF算法,虽然跟踪速度有所下降,但跟踪距离精度提高了2.7倍,成功率提高了2.04倍。     

依赖模板匹配纠错的混合跟踪算法*

经典均值漂移跟踪器(MST)和模板匹配跟踪器(TMT)在性能的许多方面具有强互补性。为利用这种互补性提高跟踪的可靠性,提出了一种混合跟踪算法(HTA)。HTA维持了颜色直方图和亮度模板两种目标模型,并分别以TMT和MST为主、辅跟踪器。当目标被遮挡或周围出现相似颜色模式的干扰物而造成主跟踪器错跟时,算法自动切换到辅跟踪器进行纠错;干扰消失或目标被重新捕获时,可自动切换到主跟踪器。实验结果表明,HTA对复杂跟踪环境适应性强且计算量不大。     

通道加权和自适应模型更新的实时目标跟踪

针对单一特征不能有效建模目标及特征通道直接叠加影响跟踪质量的问题,基于判别式尺度空间跟踪（DSST）提出了自适应模型更新与响应加权的实时相关滤波跟踪算法。首先,融合多维特征,并对每一响应通道自适应加权;其次,在尺度估计中融入多项式拟合策略;最后,根据响应图峰值波动情况进行样本可靠性判定,并提出模型更新策略。在OTB50和OTB100上进行实验,所提算法相较基准跟踪器,成功率分别提升6.4%和6.7%。与最近的跟踪器相比,其展现了优秀的性能,每一模块都对结果产生了有效的提升,且速度高达85 fps,是基准跟踪器DSST的三倍,超过大部分实时性跟踪算法。     

判别稀疏表示鲁棒快速视觉跟踪

目的 L1跟踪对局部遮挡具有良好的鲁棒性,但存在易产生模型漂移和计算速度慢的问题。针对这两个问题,该文提出了一种基于判别稀疏表示的视觉跟踪方法。方法 考虑到背景和遮挡信息的干扰,提出了一种判别稀疏表示模型,并基于块坐标优化原理,采用学习迭代收缩阈值算法和软阈值操作设计出了表示模型的快速求解算法。结果 在8组图像序列中,该文方法与现有的4种经典跟踪方法分别在鲁棒性和稀疏表示的计算时间方面进行了比较。在鲁棒性的定性和定量比较实验中,该文方法不仅表现出了对跟踪过程中的多种干扰因素具有良好的适应能力,而且在位置误差阈值从0~50像素的变化过程中,其精度曲线均优于实验中的其他方法;在稀疏表示的计算时间方面,在采用大小为16×16和32×32的模板进行跟踪时,该文算法的时间消耗分别为0.152 s和0.257 s,其时效性明显优于实验中的其他方法。结论 与经典的跟踪方法相比,该文方法能够在克服遮挡、背景干扰和外观改变等诸多不良因素的同时,实现快速目标跟踪。由于该文方法不仅具有较优的稀疏表示计算速度,而且能够克服多种影响跟踪鲁棒性的干扰因素,因此可以将其应用于视频监控和体育竞技等实际场合。     

基于相关滤波器的长时视觉目标跟踪方法

为解决相关滤波器（CF）在跟踪快速运动目标时存在跟踪失败的问题,提出一种结合了核相关滤波（KCF）跟踪器和基于光流法的检测器的长时核相关滤波（LKCF）跟踪算法。首先,使用跟踪器跟踪目标,并计算所得跟踪目标的峰值响应强度（PSR）;然后,通过比较峰值响应强度（PSR）与经验阈值大小判断目标是否跟踪丢失,当目标跟踪丢失时,在上一帧所得目标附近运用光流法检测运动目标,得到目标在当前帧中的粗略位置;最后,在此粗略位置处再次运用跟踪器得到精确位置。与核相关滤波（KCF）、跟踪-学习-检测（TLD）、压缩跟踪（CT）、时空上下文（STC）等4种跟踪算法进行对比实验,实验结果表明,所提算法在距离精确度和成功率上都表现最优,且分别比核相关滤波（KCF）跟踪算法高6.2个百分点和5.1个百分点,表明所提算法对跟踪快速运动目标有很强的适应能力。     

基于尺度自适应均值偏移优化的TLD跟踪算法

为解决目标在形变、遮挡和快速运动时所导致的跟踪失败,在经典TLD算法的框架下,使用尺度自适应均值偏移算法重新设计跟踪器,提出了MS-TLD算法.通过引入颜色直方图特征和尺度自适应,跟踪器能准确跟踪形变和快速运动的目标.设计跟踪-检测反馈机制,通过跟踪器和检测器相互校正,使新算法在目标被遮挡时具有很好的跟踪鲁棒性.采用TB-50标准测试集进行了实验验证与评测,结果表明所提出算法有效克服了由于目标形变、遮挡和快速运动以及背景干扰所导致的跟踪失败,比TLD等4种经典算法具有更好的跟踪准确性和鲁棒性.     

Hybrid tracking based on color histogram for intelligent space

The vision sensor network is expected to achieve a contact-free wide-area location system without any additional burden on users in intelligent environments. In this article, a tracking algorithm for a location system in an intelligent environment is described. A modified color tracker based on a Kalman filter and a mean shift procedure is proposed in order to improve the robustness for occlusion and rapid movement. To handle the sudden change in object movement, we propose a hybrid tracking algorithm, including an adaptive feedback loop, based on the statistics of color histogram models after the mean-shift process. Experimental results showed that the proposed method achieves more robust tracking of multiple objects than the conventional method.     

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD（Tracking-Learning-Detection）算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题，提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本，其背景作负样本，获取手势HOG特征并投入到卷积神经网络中加以训练，得到手势检测分类器，从而确定目标手势区域，实现手势的自动识别；再利用TLD算法对手势进行跟踪与学习，对正负样本进行估计检测并实时校正，同时运用SURF特征匹配更新跟踪器。实验结果验证，该算法对比TLD经典算法跟踪精度提高了4.24%，增强了运动手势的跟踪效果，相比经典跟踪算法拥有更高鲁棒性。     

Real-time manifold regularized context-aware correlation tracking

Despite the demonstrated success of numerous correlation filter(CF)based tracking approaches,their assumption of circulant structure of samples introduces significant redundancy to learn an effective classifier.In this paper,we develop a fast manifold regularized context-aware correlation tracking algorithm that mines the local manifold structure information of different types of samples.First,different from the traditional CF based tracking that only uses one base sample,we employ a set of contextual samples near to the base sample,and impose a manifold structure assumption on them.Afterwards,to take into account the manifold structure among these samples,we introduce a linear graph Laplacian regularized term into the objective of CF learning.Fortunately,the optimization can be efficiently solved in a closed form with fast Fourier transforms(FFTs),which contributes to a highly efficient implementation.Extensive evaluations on the OTB100 and VOT2016 datasets demonstrate that the proposed tracker performs favorably against several state-of-the-art algorithms in terms of accuracy and robustness.Especially,our tracker is able to run in real-time with 28 fps on a single CPU.     

使用PSR重检测改进的核相关目标跟踪方法

针对传统的基于核相关滤波器的跟踪方法（KCF）缺少跟踪失败检测的问题,提出了一种改进的KCF目标跟踪方法。改进的KCF跟踪器采用高斯窗口方法在目标位置上截取训练样本,这种采样方法可以获得更有效的目标信噪比并同时减少背景干扰信息的引入,从而使跟踪器可以在复杂场景下具有更强的适应性。在目标跟踪的过程中,通过相关运算的峰值旁瓣比检测目标跟踪是否失败,并在相关匹配值较高的位置学习目标检测器。一旦检测到跟踪失败,便对跟踪器进行纠正,恢复目标跟踪。通过实验验证了改进算法的鲁棒性,相比传统的KCF跟踪器的总体性能提高了13.2%。     

特征融合的尺度自适应核相关跟踪算法

针对KCF算法在跟踪过程中面对复杂场景、尺度变化等问题效果欠佳的问题,提出一个采用KCF跟踪器的特征融合的尺度自适应核相关跟踪算法.提出一种方向梯度直方图和颜色直方图特征的特征融合方法;采用一种含有7个固定尺度因子的尺度池,采用响应最大的尺度更新当下尺度;使用平均相关峰值能量作为模板更新的指标,控制响应更新.将改进算法...     

矩阵低秩表示的目标跟踪算法

目的 目标跟踪中,遮挡、强烈光照及运动模糊等干扰对跟踪精度的影响较大,其为目标外观的观测建模精度带来一定的困难。此外,很多现有算法在观测建模中都以向量形式表示样本数据,使得样本数据原有结构及其各像素的潜在关系被有意改变,从而导致观测模型数据维度及计算复杂度的提高。方法 本文通过深入研究跟踪框架的观测建模问题,提出一种新颖的基于矩阵低秩表示的观测建模方法及其相应的似然度测度函数,使得跟踪算法能够充分挖掘样本数据的潜在特征结构,从而更加精确探测目标在遮挡或强烈光照等各种复杂干扰下的外观变化。同时,以矩阵形式表述样本信号的数据格式,使得其视觉特征的空间分布保留完好,并有效降低数据维度和计算复杂度。结果 本文跟踪算法在富有挑战性干扰因素的跟踪环境中体现出更为鲁棒的跟踪性能,能够较好地解决跟踪中遮挡或强烈光照所引起的模型退化和漂移等问题。在10个经典测试视频中,本文跟踪算法的平均中心点误差为5.29像素,平均跟踪重叠率为78%,平均跟踪成功率为98.28%,均优于其他同类算法。结论 本文以2维矩阵数据原型为载体,提出了一种新的多任务观测建模框架和最大似然度估计模型。实验数据的定性与定量分析结果表明,本文算法与一些优秀的同类算法相比,其跟踪建模精度达到相同甚至更高的水平。     

尺度自适应的核相关滤波跟踪器

为了解决核相关滤波（KCF）跟踪器中目标尺度固定的问题,提出了一种尺度自适应的跟踪方法。首先利用Lucas-Kanade光流法跟踪相邻视频帧之间特征点的运动,引入前向后向跟踪方法保留可信特征点;其次将可信点用于尺度变化估计;然后将尺度估计应用到可调高斯窗上;最后运用前向后向跟踪算法来判断目标是否处于被遮挡状态,修改了模板更新策略。解决了核跟踪滤波器中目标尺度固定的限制,使得跟踪器更具鲁棒性与准确性。在目标跟踪视频集上测试算法效果。实验结果表明,所提算法在成功率图与精确度图排名上均优于原KCF、TLD、Struck算法。与原方法相比,改进后的方法能更好地适用于有尺度变化与遮挡的跟踪。     

采用核相关滤波的快速TLD视觉目标跟踪

目的 如何对目标进行快速鲁棒的跟踪一直是计算机视觉的重要研究方向之一,TLD（tracking-learning-detection）算法为这一问题提供了一种有效的解决方法,为了进一步提高TLD算法的跟踪性能,从两个方面对其进行了改进。方法 首先在跟踪模块采用尺度自适应的核相关滤波器（KCF）作为跟踪器,考虑到跟踪模块与检测模块相互独立,本文算法使用检测模块对跟踪模块结果的准确性进行判断,并根据判断结果对KCF滤波器模板进行有选择地更新;然后在检测模块,运用光流法对目标位置进行初步预测,依据预测结果动态调整目标检测区域后,再使用分类器对目标进行精确定位。结果 为了验证本文算法的优越性,对其进行了两组实验,实验1在OTB2013和Temple Color128这两个平台上对本文算法进行了跟踪性能的测试,其结果表明本文算法在OTB2013上的跟踪精度和成功率分别为0.761和0.559,在Temple Color128上的跟踪精度和成功率分别为0.678和0.481,且在所有测试视频上的平均跟踪速度达到了27.92帧/s;实验2将本文算法与其他3种改进算法在随机选取的8组视频上进行了跟踪测试与对比分析,实验结果表明,本文算法具有最小的中心位置误差14.01、最大的重叠率72.2%以及最快的跟踪速度26.23帧/s,展现出良好的跟踪性能。结论 本文算法使用KCF跟踪器,提高了算法对遮挡、光照变化和运动模糊等场景的适应能力,使用光流法缩小检测区域,提高了算法的跟踪速度。实验结果表明,本文算法在多数情况下均取得优于参考算法的跟踪性能,在对目标进行长时间跟踪时表现出良好的跟踪鲁棒性。     

基于双模态输入的孪生网络目标跟踪算法

主流的目标跟踪算法只使用可见光(RGB)图像进行跟踪任务,当跟踪场景的光照条件较差时,表征颜色和纹理特征的可见光图像会严重限制跟踪器的跟踪性能.针对单一模态目标信息存在缺失的问题,在Siam-FC网络模型以及红外—可见光图像融合思想的基础上提出了双模态权值自更新孪生网络目标跟踪方法.根据红外图像可以采集运动目标热信息的特点,有效利用了红外和可见光图像在目标跟踪领域的互补优势;使用较浅的特征提取网络AlexNet即可提取到运动目标具有鲁棒性的特征,在保证跟踪精度的同时提高了跟踪模型的跟踪速度.在公开数据集OTB2015和红外—可见光数据集RGB-T210进行实验,结果表明提出的目标跟踪算法在各种跟踪场景下都取得了较好的跟踪效果.     

上下文感知的改进Staple跟踪算法

为解决相关滤波算法受余弦窗和搜索区域限制,导致跟踪器无法学习更多背景信息的问题,结合Context-Aware和Staple跟踪算法提出一种自适应特征融合的抗遮挡目标跟踪算法.在跟踪器中嵌入遮挡判断模块,利用平均峰值相关能量及峰值信噪比(PSNR)等指标来判断目标的遮挡情况,决定是否更新模板.将该算法在OTB-2015...     

基于LCT+的自适应抗遮挡目标跟踪算法

在目标跟踪过程中,目标遮挡往往会造成跟踪器的性能下降,从而导致目标丢失。针对这一问题,提出一种基于LCT+核相关滤波的自适应抗遮挡目标跟踪算法。该算法在LCT+核相关滤波算法的基础上进行改进,利用双跟踪器自适应对目标进行跟踪,即根据两个跟踪器的输出响应值大小选择最优跟踪器跟踪目标;利用支持向量机自适应重新检测目标,即根据目标丢失帧的数量自适应调整检测框范围的大小;最后采用颜色直方图匹配的方法进一步验证预测的目标。相比原算法,所提算法采取双跟踪器自适应跟踪机制和支持向量机自适应重检测机制,有效避免了目标跟丢。在OTB50和OTB100两个大型基准数据集上对算法进行验证,结果表明该算法在距离精度和成功率的评估指标上都优于一些主流算法,并且在抗遮挡方面具有较高的精度和较强的鲁棒性。