融合颜色直方图响应的时空上下文跟踪算法

时空上下文(STC)跟踪算法在特征表达、尺度自适应策略等方面存在缺陷,当出现目标突然形变、局部遮挡或尺度变化等情况时,跟踪器的性能会严重退化。通过对STC算法进行改进,提出了一种融合颜色直方图响应的时空上下文跟踪算法。基于颜色统计的模型对运动模糊和目标形变等影响因素不敏感,和时空上下文模型具有良好的互补性质,在响应层融合后能够提升算法的鲁棒性。此外,采用基于多尺度金字塔模型的尺度搜索策略替换STC算法中原有的尺度估计策略,进行更精准的自适应尺度估计。在大规模公开数据集上的测试结果表明,本文算法在不同影响因素的复杂环境下展现了更为良好的跟踪性能和适应性,并且平均跟踪速度达到134.2帧/秒。     

位置-尺度异空间协调的多特征选择相关滤波目标跟踪算法

针对传统相关滤波跟踪算法在目标发生尺度变化和遮挡时容易导致跟踪失败的问题,本文提出位置-尺度异空间协调的多特征选择相关滤波目标跟踪算法。首先,提取目标区域的快速方向梯度直方图特征、颜色空间特征和灰度特征,特征间的不同组合方式构成特征池以加强滤波器的判别性能,将组合得到的特征分别进行相关滤波跟踪;其次,依据每种特征响应的鲁棒性得分,选择分数最高的响应图最大值预测目标位置;然后,转换坐标至对数极坐标中,使用相位相关滤波器进行目标尺度估计;最后,设计一种高置信度模型策略更新模板。在标准数据集TB-50和OTB-2015上的实验结果表明,本文提出的算法在目标发生尺度变化、遮挡、旋转、出视野和背景杂乱等情况下,仍具有较好的跟踪有效性。      

抗遮挡与尺度自适应的长时间目标跟踪算法

针对核相关滤波(KCF)目标跟踪算法在目标发生尺度变化和受到遮挡时无法保证对目标长时间跟踪的问题,提出了一种尺度自适应抗遮挡的长时间目标跟踪算法.首先,将方向梯度直方图(HOG)特征和颜色(CN)特征进行融合并增加一个尺度滤波器用于估计目标的尺度;然后,引入平均峰值相关能量指标(APCE)进行遮挡判断,采用SVM分类器重新检测目标被遮挡后的位置;最后,根据平均峰值相关能量和位置滤波器最大相关响应值选择模型更新策略.选取OTB100和UAV123两个数据集进行实验,结果表明,改进算法能有效地解决目标尺度变化和遮挡等问题,实现对目标的长时间稳定跟踪.     

多尺度时空上下文目标跟踪

相关滤波器在视觉目标跟踪中得到了广泛应用,针对复杂场景下目标跟踪容易出现跟踪漂移的问题,以及现有多尺度跟踪算法计算量大的问题,本文提出一种实时的多尺度目标跟踪方法。首先由时空上下文模型输出目标位置置信图完成目标定位,再在尺度空间上训练相关滤波器完成目标尺度估计,最后基于目标位置和尺度提出了一种新的时空上下文模型更新机制,避免了模型更新错误。实验表明:该方法在尺度变化、局部遮挡、目标姿态变化等情况下均能完成鲁棒跟踪,跟踪正确率较原始时空上下文跟踪算法提高了38.4%。     

复杂场景下的自适应相关滤波跟踪算法

针对目标跟踪算法应对遮挡、模糊、尺度变换等挑战时,容易导致漂移和跟踪失败的情况,提出一种复杂场景下的自适应相关滤波跟踪算法。首先,采用所提的多特征互补策略,利用特征训练相应滤波器,根据每个滤波器的响应值动态调整特征的融合权重,完成对目标的位置估计;然后,以估计位置中心构建尺度滤波器,完成目标最优尺度的估计;最后,融合多尺度搜索区域策略,并根据跟踪置信度对跟踪模型选择性进行更新,进一步提升了跟踪器的性能和抗遮挡能力。在OTB2015的74组彩色数据集上进行测试,并对所提算法与近年来先进的相关滤波算法进行对比。所提算法的平均距离精度为0.801,平均重叠精度为0.715,实时跟踪速度为39.24 frame/s。实验结果表明,跟踪器在复杂环境下的表现良好,整体性能优越。     

基于多特征自适应融合的抗遮挡目标跟踪算法

针对目前的目标跟踪算法在目标发生运动模糊或被遮挡等情况下跟踪效果较差,容易出现跟踪失败等情况,本文提出了一种多特征自适应融合的抗遮挡相关滤波跟踪算法。算法首先提取梯度方向直方图特征HOG和颜色直方图特征,以最大化跟踪质量为目标自适应融合两种特征的相关滤波响应;在跟踪的过程中根据响应图的质量存储高质量滤波模板,采用高质量模板和正常更新模板检测响应图的质量差值来检测目标的遮挡情况,当目标遮挡消失的时候,跟踪器的模板回溯到高质量模板来重新跟踪目标。根据在OTB100、UAV123的实验结果,本文算法相对于其他同类型的相关滤波在跟踪精度和成功率方面表现更好,在发生目标遮挡时仍能很好地跟踪。     

融合感知哈希特征的时空上下文目标跟踪算法

文中提出融合感知哈希特征的时空上下文快速目标跟踪算法,在光照剧烈变化和目标被遮挡情况下能准确地跟踪目标。通过感知哈希特征对目标的位置进行评估,避免时空上下文算法在光照剧烈变化的跟踪漂移问题,并通过更新目标哈希值和时空上下文信息来进行下一次迭代。实验结果表明结合目标时空上下文信息的感知哈希跟踪算法与目前主流跟踪算法相比表现出更快的跟踪速度,并且在复杂背景和被遮挡后表现出较好的鲁棒性。     

基于人工鱼群粒子滤波的TLD改进算法

在面对光照变化、部分遮挡、背景杂乱和平面内外旋转等跟踪难点时,跟踪学习检测算法(Tracking-Learning-Detection,TLD)容易产生漂移导致跟踪失败,其跟踪性能还有待提高。在传统TLD算法的基础上,提出一种基于人工鱼群粒子滤波的TLD改进算法。首先使用人工鱼群粒子滤波跟踪器代替金字塔光流跟踪器,将颜色直方图特征和方向梯度直方图特征进行融合,建立目标表观模型,引入图像金字塔多尺度思想进行尺度匹配,提高目标跟踪的稳健性。然后通过粒子滤波过程预测目标区域,将TLD算法检测模块的全局扫描改进为局部扫描,剔除大量非目标区域,提高检测模块的检测效率。实验结果表明:基于人工鱼群粒子滤波的TLD改进算法具有良好的跟踪性能,与传统TLD算法相比,其平均成功率和精准度分别提高了19.04%和28.00%,平均跟踪速度可达33.87FPS,提高了38.78%。     

一种多特征融合的目标跟踪算法

针对目标发生形变、遮挡以及尺度变化导致跟踪失败的情况,本文提出了一种改进的多特征融合的目标跟踪算法。首先,通过计算方向梯度直方图(Histogram of Oriented Gridients,HOG)和颜色命名(Color Names,CN)特征响应相邻两帧峰值旁瓣比(Peak-to-Sidelobe Ratio,PSR)的差值得到这两种特征的融合权重,用得到的权重对HOG和CN特征响应进行自适应融合,将第一次融合后的响应与颜色直方图特征获得的响应以固定权重进行二次融合,并根据融合结果确定目标中心位置。其次,结合最终目标响应值的PSR与其均值的差值变化,对位置相关滤波器和尺度相关滤波器的学习速率进行动态调整。最后,在OTB50标准数据集上进行实验验证,并和其他跟踪算法进行对比。实验结果表明:本文算法在多项性能指标上均优于其他算法,其中精度为81.9%,成功率为61.1%,能有效适应形变、遮挡以及尺度变化场景下的目标跟踪。     

复杂场景下基于自适应特征融合的目标跟踪算法

为提升复杂场景下目标跟踪的鲁棒性,优化模型运行效率,提出一种基于自适应特征融合的相关滤波跟踪算法。该算法采用方向梯度直方图特征和卷积神经网络来对目标进行信息构建,利用特征响应的峰值旁瓣比和旁瓣值占比自适应地确定融合系数,根据融合响应来预测目标位置。为适应场景的变化,降低光照、背景和目标形变等对跟踪的影响,引入平均峰值相关能量来设计滤波器学习率调整机制,动态地进行模型更新。通过对深度特征提取网络进行轻量化设计,降低特征网络参数,提高跟踪速度。在OTB100通用数据集上进行测试,实验结果表明:文中所提算法有效降低了干扰对目标跟踪的影响,且跟踪精度、成功率和速度整体优于对比算法。