基于图像处理和轨迹预测的目标跟踪

为克服目标被短时间遮挡的跟踪问题,在基于图像信息的跟踪算法中增加轨迹约束条件,构成基于图像处理和轨迹预测的目标跟踪算法。首先分别介绍基于图像信息的目标跟踪算法和常见的轨迹预测方法,然后介绍基于图像处理和轨迹预测的目标跟踪算法。实验结果表明,基于图像处理和轨迹预测的目标跟踪算法能够有效地克服目标被遮挡时的跟踪问题。     

基于三维视觉系统的多运动目标跟踪方法综述

多运动目标跟踪是智能视觉监控系统中的关键性的亟待解决的问题,采用二维视觉特征跟踪会在目标相互遮挡时丢失目标特征造成跟踪困难,近年来三维视觉跟踪系统越来越成为热点,利用三维特征能在多目标相互遮挡时更好地识别、跟踪目标,实现多目标遮挡时的精确跟踪,从而全面提高智能视觉监控系统的精确性。总结了近年来基于三维视觉系统的多运动目标跟踪方法,根据采用的不同三维视觉系统分为三类,将每类中具有代表性的方法进行了论述,分析了各典型方法的优缺点,最后提出了进一步研究的主要发展内容和趋势。     

多特征重检测的相关滤波无人机视觉跟踪

无人机视觉跟踪是视觉跟踪未来应用的核心领域,其由于跟踪目标像幅较小、表 观不清且易受到无人机飞行姿态多变、飞行稳定性差等因素的影响而难以对目标进行鲁棒的跟 踪,特别是发生跟踪遮挡时,算法跟踪漂移后无法进行模型的更新。为提高无人机视频的跟踪 效果,提出一种多特征重检测跟踪方法。首先采用多特征融合的方式提高跟踪算法在无人机跟 踪特征的判别性。其次目标在出现遮挡时,扩大搜索区域,采用滑动窗口采样找到置信度最高 的目标区域并实现模型更新。通过一系列无人机视频实验结果表明,该算法在遇到遮挡问题时 具有较好的鲁棒性,能够提高无人机在目标跟踪过程中的准确性。     

基于mean-shift算法的人脸实时跟踪方法*

复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围。提出了一种人脸检测、mean-shift算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法。实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性。     

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。     

Visual object tracking via sample-based Adaptive Sparse Representation (AdaSR)

When appearance variation of object and its background, partial occlusion or deterioration in object images occurs, most existing visual tracking methods tend to fail in tracking the target. To address this problem, this paper proposes a new approach for visual object tracking based on Sample-Based Adaptive Sparse Representation (AdaSR), which ensures that the tracked object is adaptively and compactly expressed with predefined samples. First, the Sample-Based Sparse Representation, which selects a subset of samples as a basis for object representation by exploiting L1-norm minimization, improves the representation adaptation to partial occlusion for tracking. Second, to keep the temporal consistency and adaptation to appearance variation and deterioration in object images during the tracking process, the object's Sample-Based Sparse Representation is adaptively evaluated based on a Kalman filter, obtaining the AdaSR. Finally, the candidate holding the most similar Sample-Based Sparse Representation to the AdaSR of the tracked object will be regarded as the instantaneous tracking result. In addition, we can easily extend the AdaSR for multi-object tracking by integrating the sample set of each tracked object (named Common Sample-Based Adaptive Sparse Representation Analysis (AdaSRA)). AdaSRA fully analyses Adaptive Sparse Representation similarity for object classification. Our experiments on public datasets show state-of-the-art results, which are better than those of several representative tracking methods.     

时空上下文抗遮挡视觉跟踪

目的 传统的视觉跟踪方法只考虑了目标本身的特征信息提取,忽略了目标周围稠密的上下文信息。一旦目标本身特征信息提取存在困难,很容易导致跟踪失败。为解决上述问题,提出一种时空上下文抗遮挡视觉跟踪算法（STC-PF）。方法 首先,利用目标与局部区域的时空关系学习时空上下文模型;然后,通过上下文先验模型和学习到的时空上下文模型计算置信图;最后,对时空上下文区域进行分块遮挡判别,若遮挡概率小于设定阈值,计算置信图所得最大概率位置即为目标位置;若遮挡概率大于设定阈值,则目标发生遮挡,通过子块匹配和粒子滤波估计目标位置以及运动轨迹,实现不同程度的抗遮挡跟踪。结果 对测试数据集中的图像序列进行实验,结果表明,STC-PF方法的跟踪成功率提高至80%以上;中心误差小于原算法;同时STC-PF算法在提高抗遮挡能力的前提下,运行速度与原算法相当,高于当前流行算法。结论 STC-PF算法能够适用于光照变化、目标旋转、遮挡等复杂情况下的视觉目标跟踪,具有一定的实时性和高效性,尤其是在目标发生遮挡情况下具有很好的抗遮挡能力和较快的运行速度。     

基于深度学习的视觉跟踪算法研究综述

视觉跟踪是计算机视觉的重要研究领域之一。传统的视觉跟踪算法难以很好地解决复杂背景中的跟踪问题,如光线变化、目标发生较大的尺寸和姿态变化或目标被遮挡等。而深度学习的引入为视觉跟踪研究开辟了新的途径。但目前国内外基于深度学习的视觉跟踪研究文献相对较少,为 吸引更多视觉跟踪领域研究者对深度学习进行探索和讨论,并推动视觉跟踪算法的研究,简要介绍了视觉跟踪和深度学习的研究现状,重点分析了基于深度学习的视觉跟踪算法的相关文献,讨论了各算法的优缺点,最后提出了进一步研究的方向以及对基于深度学习的视觉跟踪算法的展望。     

引入特征重检的抗遮挡目标跟踪方法研究

针对视觉目标跟踪的遮挡问题,在TLD算法的基础上,引入特征重检环节,解决发生遮挡时因目标外观相似、背景聚类造成错判,提出了一种基于特征重检的抗遮挡目标跟踪研究方法(TLD-D),采用跟踪、检测、学习、再检测的策略。跟踪与检测相结合,对锁定的目标进行学习,获取目标最新的外观特征;当发生遮挡时,则启用特征重检环节,提取遮挡过程的"开始发生遮挡"和"遮挡结束"两个关键帧,然后在特征重检环节选用SIFT特征进行双向匹配标定目标,确保重新标定的目标为原被遮挡的跟踪目标,即"再检测"。OTB基准集上实验结果表明,与TLD算法、同类TLD改进算法以及其他经典跟踪算法相比较,TLD-D算法抗遮挡能力更强,鲁棒性更强,能够对目标长时间稳定跟踪。     

一种利用时空约束轨迹片段关联的目标跟踪方法*

目标跟踪是智能监控系统中的一个重要的研究领域。由于检测不准确,目标部分或者整体遮挡会造成检测失败。针对以上问题提出一种利用时空约束的轨迹片段关联方法实现对目标的跟踪。首先通过减背景方法检测到移动目标,然后生成轨迹片断,最后通过计算轨迹片段的时空连续性关联轨迹片段,找到最符合时空连续性的轨迹片段关联。通过实验证明方法可以有效解决遮挡,误检测以及目标合并分离问题。     

基于视觉显著性的均值漂移跟踪算法

为解决突变运动下的目标跟踪问题,提出了一种基于视觉显著性的均值漂移跟踪算法,将视觉注意机制运用到均值漂移跟踪框架中,利用时空显著性算法对视频序列进行检测,生成视觉显著图,从视觉显著图对应的显著性区域中建立目标的颜色特征表示模型来实现运动目标跟踪.实验结果表明:该算法在摄像机摇晃等动态场景下可以较准确检测出时空均显著的目标,有效克服了在运动目标发生丢失和遮挡等情况下跟踪不稳定的问题,具有较强的鲁棒性,从而实现复杂场景下目标较准确的跟踪.     

基于mean-shift算法的人脸实时跟踪方法*

复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围。提出了一种人脸检测、mean-shift算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法。实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性。     

遮挡判别下的多尺度相关滤波跟踪算法

目的 复杂环境下,运动目标在跟踪过程中受尺度变换以及遮挡因素的影响,跟踪准确率较低。针对这一问题,提出一种遮挡判别下的多尺度相关滤波跟踪方法。方法 首先选取第1帧图像的前景区域,训练目标的位置、尺度滤波器和GMS（grid-based motion statistics）检测器。然后,通过位置滤波器估计目标位置,尺度滤波器计算目标尺度,得到初选目标区域。最后,利用相关滤波响应情况对初选目标区域进行评估,通过相关滤波响应值的峰值和峰值波动情况判断是否满足遮挡和更新条件。若遮挡,启动检测器检测目标位置,检测到目标位置后,更新目标模型;若更新,则更新位置、尺度滤波器和GMS检测器,完成跟踪。结果 本文使用多尺度相关滤波方法作为算法的基本框架,对尺度变化目标跟踪具有较好的适应性。同时,利用目标模型更新机制和GMS检测器检索目标,有效地解决了遮挡情况下的目标丢失问题。在公开数据集上的测试结果表明,本文算法平均中心误差为5.58,平均跟踪准确率为94.2%,跟踪速度平均可达27.5 帧/s,与当前先进的跟踪算法相比,本文算法兼顾了跟踪速度和准确率,表现出更好的跟踪效果。结论 本文提出一种新的遮挡判别下的多尺度相关滤波跟踪算法。实验结果表明,本文算法在不同的尺度变换及遮挡条件下能够快速准确跟踪目标,具有较好的跟踪准确率和鲁棒性。     

非连续轨迹下的公路车辆智能跟踪技术研究

针对运动车辆轨迹跟踪控制中的遮挡问题,研究创新地提出以SVM分类检测器优化STAPLE跟踪算法,以保证在目标退出遮挡时可以重新搜索并定位目标;同时对颜色特征直方图、HOG算法进行了改进,以提高算法特征提取效率;最后选择VOT2016国际标准序列集对优化后的STAPLE跟踪算法进行验证;研究结果显示,改进STAPLE算法能在目标退出遮挡后更为快速地重新捕捉目标位置;改进算法对目标中心的跟踪精度达到了0.81,对目标框的跟踪精度达到了0.89;在目标进入遮挡状态时,改进算法的跟踪精度最高;这次研究提出的STAPLE优化算法表现出较好的跟踪效果,其面对长时遮挡的跟踪能力具有较高的应用价值。     

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。     

利用巴氏系数判定模型更新的视觉跟踪算法

在视频跟踪时,传统的粒子滤波算法在目标区域出现遮挡、光照变化等情况下通常存在鲁棒性较差的问题,因此提出一种采用巴氏(Bhattacharyya)系数判断模型更新时机的鲁棒视觉跟踪算法。本算法以粒子滤波算法为框架,每隔一定帧数抽样检测目标变化,利用当前模型与候选模型之间的巴氏系数统计特征的相似性,从而判断更新时机。仅当目标逐渐姿态改变且无背景干扰时更新目标模型;在发生遮挡或光照改变较大时则不更新,保持当前模型继续跟踪。本算法判断是否出现影响目标匹配因素,从而适时采取模型更新策略。实验结果表明,本算法通过选择性更新模型,在未考虑尺度变化的情况下,能够更加有效抑制背景干扰和避免模型漂移,在诸多复杂场景中具有一定的鲁棒性。     

一种基于核相关滤波的视觉跟踪算法

视觉跟踪是计算机视觉的一个重要方向,而核相关滤波(KCF)跟踪是视觉跟踪领域中的一种比较新颖的方法,它不同于传统基于目标特征的方法,不仅具有较高的跟踪精度,而且具有较快的跟踪速度,在实际应用中效果显著。但当物体快速运动或存在较大尺度变化等时,该方法无法准确地跟踪目标。文中提出的基于核相关滤波器的改进算法有效地解决了上述问题,其通过随机更新多模板匹配,确定了核相关滤波的学习因子,从而实现了学习因子自适应更新模型。实验结果表明,该算法根据不同的场景能快速地调整学习因子,从而提高跟踪的成功度。通过自适应学习因子和多模板匹配,该算法对部分遮挡、光照和目标尺度变化具有较强的适应性。     

自适应目标变化的时空上下文抗遮挡跟踪算法

在传统时空上下文目标跟踪过程中,为了自适应目标尺度变化,以及解决目标跟踪失败的跟踪无法恢复问题,提出了一种自适应目标变化的时空上下文抗遮挡跟踪算法 STC ALD。首先,在初始框采取TLD中值流算法初始化跟踪点,并利用F B误差算法预测下一帧跟踪点位置。其次利用STC算法计算得到目标框并计算其保守相似度, 当超过设定阈值即跟踪有效,将跟踪点与目标框进行运动相似度计算以便进行窗口调整。相反,利用检测器进行检测,对单一聚类框直接输出,而对多个检测聚类框学习其时空上下文模型,利用当前空间模型逐个计算其置信度,输出置信值最大者。最后,进行在线学习更新分类器的相关参数。对不同的测试视频序列进行实验,结果表明,STC ALD算法能够适用于目标尺度变化、遮挡等复杂情景下的跟踪,具有一定的鲁棒性。     

基于黎曼流型度量的人工鱼群算法视觉跟踪

针对经典的基于协方差算子的跟踪方法不能适应目标的遮挡及其全局搜索造成的过多计算消耗问题,提出了一种在黎曼流型度量上的人工鱼群算法的视觉跟踪方法。该方法将融合了目标的位置、颜色、梯度等特征区域的协方差算子作为目标的表观模型,以提高它对姿态变化以及亮度变化的适应性。利用人工鱼群算法搜寻目标与候选目标之间最优的匹配,其并行运算机制提高了跟踪算法的效率,其全局搜索的能力则提高了算法对遮挡问题的鲁棒性。实验结果表明,该算法在复杂背景情况下具有目标跟踪的鲁棒性。