一种结合空间信息和稀疏字典优化的目标跟踪算法

针对复杂场景中目标表观变化引起的跟踪漂移问题, 提出一种新的基于稀疏表示的目标跟踪算法. 该算法通过稀疏性和空间相关性正则约束得到一种优化的目标代价函数, 利用拉格朗日对偶理论和加速近端梯度方法完成字典优化, 并利用最大池化理论和空间金字塔方法得到降维的且包含更多空间信息的目标模板系数和候选样本系数. 实验结果表明, 所提出的算法在背景干扰、光照变化、形变、运动模糊、严重遮挡等多种复杂场景中都能取得较为鲁棒的跟踪效果.     

改进型稀疏分类鲁棒目标跟踪算法

针对当前基于稀疏分类的目标跟踪算法跟踪精度较低等问题,结合判别分析思想,提出改进型稀疏跟踪算法。采用基于在线学习的标准对冲算法估算目标的位置以及面积,并详细介绍了标准对冲算法原理。对于在跟踪过程中目标外形改变的问题,提出了基于时序循环的模板更新方法。对目标暂时消失或被完全遮挡时会产生跟踪失败的问题,创造性地提出了基于稀疏分类器网格SCG的合作跟踪框架。进行了两类实验,第一类实验验证了该算法的有效性。第二类实验在大量公共图像序列的基础上对该算法及其他图像跟踪算法进行测试比较。实验结果证明,该算法适用于复杂背景下的跟踪任务,在跟踪失败后能自动恢复跟踪,在目标被部分遮挡、长期遮挡或目标与背景有相似特征模式的情况下都能保持较高的跟踪精度。     

基于TLD的稀疏原型目标跟踪算法

跟踪-学习-检测(TLD)目标跟踪算法能够实现长时间的在线目标跟踪,但当目标平面旋转发生形变以及目标被严重遮挡时,TLD算法在跟踪过程中会产生跟踪漂移。针对上述问题,在TLD算法的跟踪模块上使用稀疏原型进行跟踪,提出一种稀疏原型(SP)-TLD目标跟踪算法。当出现由于平面旋转引起的目标形变时,通过仿射变换变化坐标位置,能够准确跟踪目标避免产生跟踪漂移。在目标被严重遮挡时,根据目标的主成分分析基向量和琐碎模板判断目标未被遮挡及被遮挡部分,从而识别出被遮挡的目标。实验结果表明,与TLD算法相比,SP-TLD算法具有更高跟踪准确率和更强鲁棒性。     

判别稀疏表示与在线字典学习的运动目标跟踪

针对传统稀疏表示不能有效区分目标和背景的缺点,提出一种判别稀疏表示算法,这种算法在传统稀疏表示目标函数中加入一个判别函数,大大降低干扰因素对目标跟踪的影响。基于判别稀疏表示和[?1]约束,提出一种在线字典学习算法升级目标模板,有效降低背景信息对目标模板的影响。提取目标梯度方向的直方图（HOG）特征,利用其对光照和形变等复杂环境具有较强鲁棒性的优点,实现对目标更稳定的跟踪。实验结果表明,与现有跟踪方法相比,该算法的跟踪效果更好。     

结构稀疏表示分类目标跟踪算法

为提高目标跟踪算法在复杂条件下的鲁棒性和准确性,研究了一种基于贝叶斯分类的结构稀疏表示目标跟踪算法。首先通过首帧图像获得含有目标与背景模板的稀疏字典和正负样本;然后采用结构稀疏表示的思想对样本进行线性重构,获得其稀疏系数;进而设计一款贝叶斯分类器,分类器通过正负样本的稀疏系数进行训练,并对每个候选目标进行分类,获得其相似度信息;最后采用稀疏表示与增量学习结合的方法对稀疏字典进行更新。将该算法与其他4种先进算法在6组测试视频中进行比较,实验证明了该算法具有更好的性能。     

面向视频目标的快速稀疏编码跟踪算法

关于稀疏编码的研究在最近几年成为许多研究领域的焦点,已有学者将其引入视频目标跟踪问题中。在贝叶斯推理框架下,基于l1-跟踪子能较好地处理目标物在视频场景中的各种复杂变化,达到较为鲁棒的跟踪效果,但算法复杂度高,很难进行实时跟踪。对原始l1-跟踪子在稀疏编码的过完备基构造,对目标物出现各种复杂变化的处理方式以及目标物模板的更新这三个方面进行了改进,设计了无需更新目标模板的高速跟踪方法;并通过大量比较实验,验证了该方法的跟踪精度与原始l1-跟踪子相似,但跟踪效率远高于l1-跟踪子,达到了实时跟踪的效果。     

稀疏编码目标跟踪方法研究

针对稀疏表示用于目标跟踪时存在重构误差表示不够精确、目标模板更新错误等问题,提出一种改进的稀疏编码模型。该模型无需重构误差满足特定的先验概率分布,且加入对编码系数的自适应约束,可以取得更优的编码向量,使得跟踪结果更为准确。在此基础上,将这种改进的编码模型与粒子滤波目标跟踪算法相结合,研究并实现一种新的基于鲁棒稀疏编码模型的目标跟踪方法。该方法对每个粒子的采样区域进行编码,用所得的稀疏编码向量作为当前粒子的观测量,并采用目标模板分级更新策略,使得目标模板更加准确。实验结果表明,方法可以较好地解决目标部分遮挡和光照变化等干扰下的目标跟踪问题。     

帧间连续结构稀疏表示的目标跟踪算法

目标跟踪技术在日常生活和生产中有着广泛的应用,但是设计一种具有鲁棒性、准确性和实时性的跟踪算法仍具有很大的难度。为了提高跟踪算法的性能,设计了一种帧间连续结构稀疏表示目标跟踪算法。该算法在粒子滤波框架下进行,采用结构稀疏表示的原理重构候选目标。首先采用目标和背景样本构建稀疏字典, 以提高算法对目标和背景的区分能力。然后,构建含有帧间连续约束项的结构稀疏表示目标方程,该目标方程可以有效利用目标状态的连续性来确定目标状态。进而,根据重构残差设计了一种相似度描述方法,与传统方法相比,该方法对相似目标不敏感。最后,通过6组对比实验证明该算法具有较高的鲁棒性和准确性。     

基于稀疏表示的相关滤波目标跟踪算法

针对相关滤波跟踪算法在目标形变、背景干扰等复杂场景下,易受干扰特征影响导致跟踪失败的问题,提出了基于稀疏表示的相关滤波目标跟踪算法。该算法将稀疏表示与相关滤波相结合,在目标函数中引入L1范数惩罚项,使训练出的相关滤波器只含有目标的关键特征,同时根据相关滤波系数的空间位置为其分配不同的惩罚参数,并采用交替方向乘子法（alternating direction method of multipliers,ADMM）求解相关滤波器。实验结果表明：该算法在三个常用数据集上,与五种相关滤波跟踪算法相比,具有最高的精确度和成功率,且对复杂场景中的干扰特征具有良好的鲁棒性,同时能够满足目标跟踪实时性的要求。     

基于全局与局部结构反稀疏外观模型的目标跟踪算法*

为了提高稀疏表示跟踪模型性能,提出基于全局与局部结构反稀疏外观模型的目标跟踪算法(GLIS).首先采用反稀疏表达方式一次求解优化问题,计算所有粒子权重以提升算法实时性.然后,提出基于联合判别相似度图(JDS map)排名机制以提升算法鲁棒性,将候选目标分块并分别计算加权稀疏解,联结不同权重的局部块为整体并计算其稀疏解.最后采用联合机制将2种稀疏解合并为JDS map.在跟踪过程中,采用双重模板更新机制更新目标模板及权重模板.实验表明,在复杂环境下,文中算法仍然可以准确跟踪目标.     

基于稀疏表达的遮挡目标跟踪算法

针对视觉跟踪中的目标遮挡问题,提出一种基于稀疏表达的视觉跟踪算法。采用稀疏表达方法描述跟踪目标,构造基于Gabor特征的目标词典和遮挡词典,通过l1范数最优化求解稀疏表达系数。在粒子滤波框架下跟踪目标,根据稀疏表达系数判断遮挡,并利用重构残差更新遮挡情况下的粒子权重。在目标模板更新时,通过引入可靠性评价来抑制模板漂移。实验结果表明,该算法能够有效地跟踪处于遮挡状态下的运动目标,并对目标姿态变化以及光照变化具有较好的鲁棒性。     

局部模板更新逆向联合稀疏表示目标跟踪算法

逆向联合稀疏表示算法可充分利用跟踪过程中的时间相似性和空间连续性,但由于遮挡、光照变化等的影响,易出现跟踪漂移.为解决上述问题,提出一种基于局部模板更新逆向联合稀疏表示目标跟踪算法,其通过逆向局部重构目标模板集完成逆向联合稀疏表示.首先,在首帧初始化目标模板集,利用粒子滤波获取候选图像,并对其分块处理,构建逆向联合稀疏...     

基于联合模板稀疏表示的目标跟踪方法

针对传统基于稀疏表示的目标跟踪方法中, 当场景中含有与目标相似的背景时容易出现跟踪漂移的问题, 提出一种新的目标跟踪方法. 该方法基于目标的局部二元模式特征, 将目标外观模型同时用原始目标模板与当前帧部分粒子构成的联合模板稀疏表示, 构建一个联合目标函数, 将跟踪问题通过迭代转化为求解最优化问题. 实验结果表明, 所提出跟踪方法在解决遮挡、光照等问题的同时, 对场景中含有与目标相似背景的序列具有较好的跟踪效果.

     

联合模板先验概率和稀疏表示的目标跟踪

目的 虽然基于稀疏表示的目标跟踪方法表现出了良好的跟踪效果,但仍然无法彻底解决噪声、旋转、遮挡、运动模糊、光照和姿态变化等复杂背景下的目标跟踪问题。针对遮挡、旋转、姿态变化和运动模糊问题,提出一种在粒子滤波框架内,基于稀疏表示和先验概率相结合的目标跟踪方法。方法 通过先验概率衡量目标模板的重要性,并将其引入到正则化模型中,作为模板更新的主要依据,从而获得一种新的候选目标稀疏表示模型。结果 在多个测试视频序列上,与多种流行算法相比,该算法可以达到更好的跟踪性能。在5个经典测试视频下的平均中心误差为6.77像素,平均跟踪成功率为97%,均优于其他算法。结论 实验结果表明,在各种含有遮挡、旋转、姿态变化和运动模糊的视频中,该算法可以稳定可靠地跟踪目标,适用于视频监控复杂场景下的目标跟踪。     

基于超像素和判别稀疏的运动目标跟踪算法

针对目标遮挡、非刚性变换、光照变换等因素干扰产生的漂移问题,提出基于超像素和判别稀疏的运动目标跟踪算法。算法首先利用SLIC方法对运动目标的观测区域进行超像素分割,然后通过K-Means算法构建包含目标和背景的超像素字典,再基于判别稀疏表示和[?1]范数最小化框架求解候选目标的稀疏系数,同时结合粒子滤波框架和在线字典更新策略完成目标跟踪。实验结果表明,该算法在多种因素干扰的环境中具有较强的鲁棒性,能够准确稳定地进行在线目标跟踪。     

基于时空约束和稀疏表示分类的目标跟踪算法

针对经典稀疏分类目标跟踪算法中目标模板和目标基的建模及更新方式效率低,跟踪性能不可靠等问题,提出一种新的目标跟踪算法,解释了时空约束原理,目标基、背景基、时序特征池的创建方法以及选择与抛弃两种基更新机制;该算法采用时序循环更新方式解决模板更新问题,结合稀疏表示分类和标准对冲实时计算目标坐标。相比其他几种经典目标跟踪算法,有效提高了在复杂背景下的目标跟踪性能。     

余弦权重逆稀疏框架视频目标跟踪算法

针对目标跟踪的遮挡与局部形变,提出局部余弦相似度训练权重的逆稀疏视觉目标跟踪策略。借鉴参数空间的粒子滤波的核心思想,以逆稀疏表示为理论框架,用候选目标重构模板获得候选目标的稀疏表示系数,依据表示系数分布特征筛选出最佳候选目标。为克服遮挡影响,引入新的目标函数构建模板的局部块判别能力：计算正负样本与模板之间的局部余弦相似度差值,利用二次优化,更新具有判别能力的权重。依据权重信息综合进行有选择的模板更新,避免模板更新的无效性。多组实验结果表明,该算法在部分遮挡等复杂环境下,仍然可以准确地跟踪目标,相比已有算法具有自己的优势。     

基于稀疏表示的目标跟踪方法

提出了一个新的基于稀疏表示的目标跟踪方法.在粒子滤波框架下,将目标模板线性表示为所有目标候选的线性组合.当假设目标候选中存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,可以通过(L)1范式最小化求解.每一个目标候选在线性表示中的系数反映了该候选与目标模板的相似程度,因此可以将系数作为目标候选的权重.目标跟踪的结果为权重最大的候选.实验结果表明本文提出的算法比文献中现有的基于(L)1范式最小化的跟踪方法性能更稳定、计算效率更高.     

核相关滤波融合稀疏表示的目标跟踪算法

为解决稀疏表示跟踪速度慢和核相关滤波算法难以处理遮挡、尺度变化的问题,提出一种核相关滤波结合稀疏表示的视频跟踪算法。用核相关滤波快速定位目标的最大可能位置,密集采样后采用基于局部图像块的稀疏表示和对齐池化构建外观模型,更好表征目标的局部特征以应对遮挡问题。为处理跟踪漂移,采取基于滤波和稀疏编码的探测策略实现模型更新。OTB100上的实验结果表明,该算法在处理遮挡、旋转和快速运动上与其它算法相比达到最好的跟踪效果。     

基于卷积网络特征的逆向稀疏建模的目标跟踪

针对目标跟踪过程中目标受到光照变化、遮挡等因素的影响而导致目标丢失的现象,提出基于卷积网络特征的逆向稀疏建模的目标跟踪算法。将共享权重的卷积神经网络与目标跟踪相结合,利用卷积网络提取出更抽象、更具表达能力的特征,对目标进行重建,改善目标表示的抗变性。为了减少计算量,在粒子滤波跟踪框架下,加入逆向稀疏思想,即只需要对一个正目标模板进行稀疏求解。在模板更新阶段,选择重建残差满足一定阈值的对应特征进行替换。在实验过程中,分别与基于haar、直方图、梯度等传统特征的跟踪算法进行分析对比,结果表明该方法在光照、遮挡、形变方面有较好的性能。