基于相关滤波的目标跟踪方法

精度和速度一直是跟踪领域的矛盾。相比而言,基于深度学习方法的模型精度更好,但基于相关滤波(可以用FFT加速)的模型速度快很多。算法KCF、DSST、Staple、SiamFC、ECO、CCOT等在VOT2016数据库上的跟踪性能对比结果显示,在跟踪准确率这方面,深度学习优于相关滤波跟踪算法,而在鲁棒性方面,相关滤波算法则占有优势,且其速度也一直领先。将深度卷积特征和相关滤波相结合,可以兼顾两者的优势,使相应算法表现出更好性能。未来应着重考虑发挥CNN在目标跟踪领域的作用,以其同时提高算法的实时性和训练的便捷性。跟踪和检测是分不开的,跟踪能够保证速度上的需要,而检测能够有效地修正跟踪的累计误差。不同的应用场合对跟踪的成功率、准确度和鲁棒性要求也不一样,达到实际的跟踪要求仍然需要更好的算法实现。     

深度残差特征与熵能量优化运动目标跟踪算法

针对模型更新的运动目标跟踪算法准确率、实时性和鲁棒性较低的问题,提出一种基于深度残差特征与熵能量优化的运动目标跟踪算法。通过深度残差网络从视频序列中提取深度残差特征,计算深度残差特征的熵能量,并通过二维核变换计算深度频率。由微分方程从深度频率中计算出深度平衡,通过极大似然估计出目标位置和速度等状态信息,完成对运动目标的跟踪。为了验证算法的可行性与有效性,在目标跟踪基准数据集(object tracking basis, OTB)上进行算法对比试验,验证各个算法在运动目标跟踪上的准确性和鲁棒性。试验结果表明,该研究提出的算法比当前最佳算法在运动目标跟踪的速度和位置准确性上都有显著的提升,通过深度残差特征的熵能量优化,使运动目标跟踪算法具有更好的灵活性和鲁棒性。     

深度残差特征与熵能量优化运动目标跟踪算法

针对模型更新的运动目标跟踪算法准确率、实时性和鲁棒性较低的问题,提出一种基于深度残差特征与熵能量优化的运动目标跟踪算法。通过深度残差网络从视频序列中提取深度残差特征,计算深度残差特征的熵能量,并通过二维核变换计算深度频率。由微分方程从深度频率中计算出深度平衡,通过极大似然估计出目标位置和速度等状态信息,完成对运动目标的跟踪。为了验证算法的可行性与有效性,在目标跟踪基准数据集(object tracking basis, OTB)上进行算法对比试验,验证各个算法在运动目标跟踪上的准确性和鲁棒性。试验结果表明,该研究提出的算法比当前最佳算法在运动目标跟踪的速度和位置准确性上都有显著的提升,通过深度残差特征的熵能量优化,使运动目标跟踪算法具有更好的灵活性和鲁棒性。     

基于相关滤波的目标跟踪算法研究综述

基于相关滤波理论的判别式跟踪方法由于其高效性和鲁棒性,已经取得了一系列的进展,成为了目标跟踪领域的研究热门.为了使更多国内外学者对相关滤波目标跟踪理论及其发展进行进一步研究与探索,对该领域研究现状进行综述.首先,介绍了相关滤波理论及其用于实现目标跟踪任务时的一般框架,并重点描述了典型的核相关滤波跟踪方法.其次,讨论了目标跟踪技术应用于实际场景时面临的诸多难题,详细分析了特征表示和自适应尺度更新这2个主要难点.然后,从基本类相关滤波、部件类相关滤波、正则化类相关滤波和Siamese网络类相关滤波这4个类别对具有代表性的算法进行分析与讨论,并指出了未来可能的发展趋势.最后,在OTB2013和OTB100基准数据集上对32种相关滤波类跟踪算法就精确度、成功率和帧率进行了对比,在VOT2017数据集上对10种相关滤波类跟踪算法就平均重叠期望（expected average overlap,EAO）、Accuracy和Robustness三个性能指标进行了对比,体现了相关滤波跟踪器（correlation filter trackers,CFTs）的优越性.尽管相关滤波理论在目标跟踪领域具有广阔的应用前景,但是复杂场景和自身因素的影响导致其仍然是一个极具挑战性的研究方向,研究兼备准确性与鲁棒性的CFTs对于目标跟踪领域的发展具有重要意义.

     

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。     

一种基于改进RT-MDNet的全景视频目标跟踪算法

为了解决全景视频目标跟踪过程中,由于光照条件变化、相似背景干扰、目标运动时产生的形变和尺度变化等因素的影响,在跟踪中会出现目标漂移、目标丢失等情况,进而导致目标跟踪算法成功率低,鲁棒性差等问题,提出一种基于长短期记忆网络和改进Real-Time MDNet网络的全景视频目标跟踪方法.算法首先采用浅层卷积神经网络提取特征,并利用自适应的RoIAlign减少特征提取过程中的像素损耗,而后运用目标特征在线更新最后一个全连接层的权重,在全连接层中实现前景背景分离并提取出目标区域,然后通过长短期记忆网络自适应地选取目标框的尺度,最终输出目标位置信息.实验结果表明:单目算法应用在全景数据集时,难以适应全景中的尺度变化和背景变化,改进算法利用3层长短期记忆网络构建的尺度预测模块,可以有效地应对全景数据存在的尺度变化和目标形变问题,在保持较好的跟踪精度的同时,可以有效地应对目标跟踪中出现的小目标、目标遮挡、多目标交叉运动的情况,获得更好的视觉效果和更高的重叠率得分.     

自适应特征融合的核相关滤波目标跟踪算法研究

在核相关滤波目标跟踪算法中,为了克服采用单一特征导致的特征表达不足,以及采用线性插值模型更新策略造成模型漂移的问题,提出了一种自适应特征融合和模型更新的核相关滤波目标跟踪算法. 首先使用主成分分析法对方向梯度直方图特征和颜色名特征进行降维,以提高算法的运行速度; 其次计算两种特征的响应图,用所得响应图的峰值与平均峰值相关能量值的乘积来计算响应图权重,实现响应图的加权融合,从而获得目标位置; 最后根据两帧间颜色名特征的相似度调整模型更新速率. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够提高处理速度.     

融合图像深度的抗遮挡目标跟踪算法

由于视频信息的局限性,在遮挡情况下的目标跟踪依然是一个很难解决的问题.针对目标跟踪过程中的遮挡问题,提出将图像深度引入单目标跟踪算法.首先应用单目图像深度估计算法对图像进行深度估计,获取图像的深度信息;其次,将基于孪生区域推荐网络的目标跟踪算法与图像深度相结合,构建遮挡判别模块,利用目标深度信息的变化判断遮挡情况;最后...     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

基于核相关滤波的TLD跟踪算法的研究

对TLD跟踪算法进行改进,以提高在跟踪目标发生尺度变化或被遮挡时的跟踪性能. 首先使用KCF跟踪器替代TLD算法中原有的中值光流跟踪器,并在特征提取时增加目标的Lab颜色特征,在寻找目标位置时引入尺度估计,在模型更新阶段引入跟踪状态判别机制,通过设定跟踪器中输出响应最大值阈值、APCE阈值及检测器中随机蕨分类器阈值来判断跟踪器跟踪结果的可靠性,改善跟踪器在尺度变化、出现遮挡、光照变化等情况下的跟踪效果. 针对TLD算法中的检测器,为了减少大量无意义的窗口,提升算法在存在遮挡时的精确性,在检测之前使用Kalman滤波预估出目标位置,在预估位置周围使用改进的级联分类器更精准地定位目标,改进的级联分类器的前两级仍采用方差分类器和随机蕨分类器,第三级则采用改进的KCF跟踪器. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够满足实时性.     

Robust Visual Tracking with Hierarchical Deep Features Weighted Fusion

To solve the problem of low robustness of trackers under significant appearance changes in complex background, a novel moving target tracking method based on hierarchical deep features weighted fusion and correlation filter is proposed. Firstly, multi-layer features are extracted by a deep model pre-trained on massive object recognition datasets. The linearly separable features of Relu3-1, Relu4-1 and Relu5-4 layers from VGG-Net-19 are especially suitable for target tracking. Then, correlation filters over hierarchical convolutional features are learned to generate their correlation response maps. Finally, a novel approach of weight adjustment is presented to fuse response maps. The maximum value of the final response map is just the location of the target. Extensive experiments on the object tracking benchmark datasets demonstrate the high robustness and recognition precision compared with several state-of-the-art trackers under the different conditions.     

基于混合特征的运动目标跟踪方法

为了应对运动目标跟踪任务中目标的尺度、光照变化和形变等情况,提出了一种基于混合特征的运动目标跟踪方法--SoH-DLT,综合考虑了运动目标的轮廓特征和细节特征.在粒子滤波跟踪过程中引入方向直方图描述目标轮廓特征,保证与目标最相似的粒子在尺度、光照变化和形变的情况下仍能获得较高的置信度,并作为跟踪结果输出.结合深度学习获得的高层特征和具有尺度不变性的加速鲁棒特征计算粒子权重,提高了复杂运动场景下目标跟踪的准确度,强化了SoH-DLT方法对尺度变化运动目标跟踪的鲁棒性.实验结果表明,SoH-DLT与其他方法相比获得了更好的跟踪效果.     

基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

基于记忆模型的相关滤波目标跟踪

针对目标跟踪中存在的跟踪错误恢复问题,参照ASMM记忆模型,提出了基于记忆模型的模板更新策略及相应的核化相关滤波目标跟踪算法。实验结果表明,对于遮挡或其他外观变化引起的跟踪失败,基于记忆模型的核化相关滤波目标跟踪算法有恢复跟踪的作用。     

基于粒子滤波/Mean Shift的改进跟踪算法

针对单一特征所带来的跟踪不稳定问题,该文提出一种基于纹理特征粒子滤波/Mean Shift的改进目标跟踪算法。该算法中建立一种选择反馈机制,首先对目标同时进行基于纹理信息的粒子滤波和基于颜色信息的Mean Shift两种算法的跟踪,然后对两种算法的跟踪结果进行比较,选择结果较好的输出,并把结果反馈到粒子滤波与Mean Shift中作为下一帧处理的初始值。实验结果表明,该方法克服了单一特征所带来的跟踪不稳定问题且具有较强的鲁棒性。     

基于深度特征的单目视觉惯导里程计

视觉里程计是SLAM (Simultaneous Localization and Mapping)领域中的基石,单目视觉里程计因其成本低廉和仅需较少的相机标定工作而占据着重要的地位,但它存在着尺度不确定、尺度漂移、鲁棒性差等缺点。本文在ORB＿SLAM3的基础上,提出了一种基于深度特征的单目视觉惯导里程计,简称DF-VIO(Visual Inertial Odometry Based on Deep Features),它采用深度学习网络提取的深度特征替代传统的人工点特征,并融合了人工线特征,强化了系统在现实复杂场景下的鲁棒性;另外,系统提供了多种位姿跟踪方式,除了基于恒速模型和跟踪参考关键帧的方式外,还提供了一种基于深度学习网络的可重复性图的位姿跟踪方法,进一步提高了系统位姿跟踪的精度。在公开数据集Eu Ro C上进行对比实验,在纯视觉模式下,平均轨迹误差下降了25.9%,在视觉惯导模式下,平均轨迹误差下降了8.6%,证明了本文提出的系统在复杂的场景下能够具有更高的鲁棒性。     

基于视觉特性的物体边界跟踪法

本文提出了一个物体边界跟踪的新方法,它在一般的四方向跟踪法的基础上,引进了人眼的视觉特性概念,以期使计算机检测的边界结果与人工目检结果相一致。实验表明,该方法取得了良好的效果,并且有一定的实用价值。