基于多模板匹配的双模型自适应相关滤波跟踪算法

为有效提升目标跟踪的精确度和实时性,设计了基于多模板匹配的双模型自适应相关滤波跟踪算法。对多模板匹配模型与核相关滤波跟踪模型参数进行初始化处理：多模板匹配模型选取得分函数作为模板与候选样本间匹配准则,通过候选样本得分获取最佳目标,更新多模板后,通过形变多样相似性实现多模板匹配;核相关滤波跟踪模型利用所采集目标样本数据建立循环矩阵,通过训练核化岭回归分类器获取核相关滤波器,并获取响应置信图,再利用响应置信图获取下一帧图像目标位置。通过自适应融合策略获取两个模型所估计目标位置,再采用金字塔尺度估计策略估计目标尺度变化,通过不断更新各模型参数实现目标精准跟踪。实验结果表明,在目标受遮挡或旋转、光照变化等复杂环境下,该算法的中心跟踪误差均低于15 dpi,平均跟踪精确度均高于98%,且目标定位时间低于100 ms,说明该算法在跟踪精确度和实时性上具有明显的应用优势。     

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。     

结合时空上下文信息的相关滤波目标跟踪方法

针对繁杂环境下目标跟踪稳定性差且易受到遮挡发生漂移的问题,提出一种结合时空上下文信息的相关滤波目标跟踪方法。该算法首先从目标和背景区域提取方向梯度直方图特征和颜色直方图特征,加权融合两种特征的相关滤波响应,建立相关滤波跟踪模型;然后利用目标的背景梯度直方图特征,基于贝叶斯框架通过最大化似然函数得到时空上下文辅助模型;最后自适应融合两种模型响应,得到目标估计位置并采用尺度估计方法解决目标尺度变化问题。在OTB-2013公开标准测试集上与基于相关滤波的运动目标跟踪方法进行了实验对比。结果表明,该算法的平均距离精度值和平均重叠精度值都优于其他算法,能够有效缓解跟踪目标由于遮挡、尺度变化、光照等因素造成的跟踪漂移状况的发生。     

融合HOG类特征的尺度自适应压缩跟踪算法

针对压缩跟踪算法中存在的特征单一、对光照变化敏感、不能适应目标尺度变化的问题,提出了一种融合HOG类特征的尺度自适应压缩跟踪算法。该算法在Haar-like特征基础上采用固定比值方式融合了HOG类特征,降低了算法对光照的敏感度,HOG类特征仍采用积分图算法进行加速计算。另外,在尺度估计方面,采用相关滤波尺度估计方法,找到使尺度滤波器响应最大的尺度作为新的目标尺度,及时调整跟踪窗的大小并更新特征提取模板,解决了尺度变化问题。实验结果表明:改进后的算法可以适应较大光照变化与尺度变化、平面内旋转等情况,跟踪精度和鲁棒性有明显提高,并且满足准实时性的要求。     

基于卷积神经网络的响应自适应跟踪

针对目标跟踪中的遮挡、旋转、快速运动、形变等问题,本文提出基于卷积神经网络的响应自适应跟踪算法。首先,通过卷积神经网络提取目标的多层卷积特征,利用粒子滤波算法获取目标的多模板响应图,自适应学习目标的期望响应;然后通过构造目标函数的对偶形式解决多模板联合优化问题,计算多模板情况下每层卷积特征的最优滤波参数;最后通过相关滤波算法计算多层滤波响应,通过响应加权融合的方式计算最终响应图,以此估计目标位置。本文利用OTB-2013数据集中的方法测试我们提出的算法,实验表明该算法的整体成功率和精确度为0.884和0.915。本文算法在距离准确度、成功率和平均跟踪误差方面均优于传统的相关滤波跟踪算法,有一定研究价值。     

基于自适应多特征融合的均值迁移红外目标跟踪

针对采用单一特征跟踪鲁棒性不高的问题,该文提出一种自适应多特征融合均值迁移红外目标跟踪算法。为了增强对目标的表征能力,对局部均值对比度算法进行改进,利用局部均值对比度和灰度特征表征目标。在特征融合中引入特征不确定度量方法,自适应调整不同特征对跟踪结果的贡献,有效地提高均值迁移算法的鲁棒性。为了进一步提高对尺度变化目标的跟踪性能,采取尺度算子更新跟踪窗的大小。实验结果表明,该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

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。     

基于自适应响应融合的相关滤波红外目标跟踪

红外目标跟踪在军事和民用视频监控领域有重要的研究意义,但受热成像原理限制,红外目标分辨率低、对比度低、纹理信息缺失。针对红外目标特征信息量少导致跟踪性能较低的问题,提出一种基于自适应响应融合的相关滤波跟踪算法。该算法基于连续卷积运算的相关滤波跟踪框架,通过构造视觉显著性特征来增强目标外观描述,并结合对冲决策理论对由不同特征计算得到的多个滤波响应进行自适应融合,最终根据融合响应预测目标中心位置。此外,通过尺度滤波器来实现目标的尺度预测,得到完整的跟踪结果。在公开的红外视频数据集VOT-TIR2016进行测试,实验结果表明:与同类算法相比,该算法表现出更高的跟踪精确度和鲁棒性。     

一种改进的多特征融合目标跟踪算法

针对仅用单一颜色特征导致跟踪算法鲁棒性不高的问题,提出了一种改进的多特征融合目标跟踪算法。为了获得准确的目标颜色模型,提出了一种自适应选取目标颜色直方图的方法,同时利用LBP算子建立目标纹理特征模型,增强对目标的表征能力。在特征融合中引入特征不确定性度量方法,自适应调整不同特征对跟踪结果的贡献,有效地提高了传统粒子滤波算法的鲁棒性。实验结果表明,融合后的算法比传统的加性融合与乘性融合算法有更强的鲁棒性,能实现复杂场景下的目标跟踪,有效地描述目标。     

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。