基于时空显著性的双核KCF目标跟踪算法

传统的核相关滤波器跟踪算法(KCF)在模板更新上容易出现跟踪误差累计,从而导致目标跟踪过程中出现跟踪漂移问题。针对该问题,提出了一种时空显著性的双核KCF目标跟踪的方法。该算法引入了一种时空显著性方法来搜索目标区域的显著特征和姿态稳定的局部区域。利用该局部区域对跟踪过程中产生的累计误差有较低的敏感度特性,能够减少跟踪过程中的累计误差。然后再结合原目标和显著区域建立一个双核跟踪机制,在跟踪过程中不断对原目标跟踪结果进行微调,降低跟踪累计误差。此外,针对快速运动的目标相邻帧偏移量较大的问题,提出了一种锚点预测机制,使得跟踪锚点与目标位置更接近,能够更准确地跟踪到目标。在大型公共数据上测试的实验结果表明,提出的算法在光照、遮挡、变形、快速运动、旋转以及背景杂波等复杂情况下,均具有较强的适应性。     

利用视觉显著性和粒子滤波的运动目标跟踪

针对运动目标跟踪问题,提出一种利用视觉显著性和粒子滤波的目标跟踪算法.借鉴人类视觉注意机制的研究成果,根据目标的颜色、亮度和运动等特征形成目标的视觉显著性特征,与目标的颜色分布模型一起作为目标的特征表示模型,利用粒子滤波进行目标跟踪.该算法能够克服利用单一颜色特征所带来的跟踪不稳定问题,并能有效解决由于目标形变、光照变化以及目标和背景颜色分布相似而产生的跟踪困难问题,具有较强的鲁棒性.在多个视频序列中进行实验,并给出相应的实验结果和分析.实验结果表明,该算法用于实现运动目标跟踪是正确有效的.     

融合显著性与运动信息的相关滤波跟踪算法

主流的目标跟踪算法以矩形模板的形式建立被跟踪物体的视觉表征, 无法有效区分目标与背景像素, 在背景复杂、目标非刚体形变、复杂运动等挑战性因素影响下容易出现模型偏移的问题, 导致跟踪失败. 与此同时, 像素级的显著性信息与运动先验信息作为人类视觉系统有效区分目标与背景、识别运动物体的重要信号, 并没有在主流目标跟踪算法中得到有效的集成利用. 针对上述问题, 提出目标的像素级概率性表征模型, 并且建立与之对应的像素级目标概率推断方法, 能够有效利用像素级的显著性与运动观测信息, 实现与主流的相关滤波跟踪算法的融合; 提出基于显著性的观测模型, 通过背景先验与提出的背景距离模型, 能够在背景复杂的情况下得到高辨识度的像素级图像观测; 利用目标与相机运动的连续性来计算目标和背景的运动模式, 并以此为基础建立基于运动估计的图像观测模型. 实验结果表明, 提出的目标表征模型与融合方法能够有效集成上述像素级图像观测信息, 提出的跟踪方法总体跟踪精度优于多种当下最先进的跟踪器, 对跟踪场景中的背景复杂、目标形变、平面内旋转等挑战性因素具有更好的鲁棒性.     

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.     

采用时空条件信息的动态场景运动目标检测

为了将动态场景中运动目标与扰动背景线性不可分的问题转换为线性可分问题,提出了负对数非线性核变换方法.该方法通过引入视觉注意机制构建视觉显著性时空域模型,以像素邻域加权条件信息作为分类特征,增强目标与背景的线性可分性,提高动态场景运动目标检测精度.最后结合图像分块建模策略,实现了动态场景中运动目标的高效、实时检测.     

基于视觉显著性的两阶段采样突变目标跟踪算法

针对运动突变目标视觉跟踪问题,提出一种基于视觉显著性的两阶段采样跟踪算法.首先,将视觉显著性信息引入到Wang-Landau蒙特卡罗（Wang-Landau Monte Carlo,WLMC）跟踪算法中,设计了结合显著性先验的接受函数,利用子区域的显著性值来引导马尔可夫链的构造,通过增大目标出现区粒子的接受概率,提高采样效率;其次,针对运动序列中平滑与突变运动共存的特点,建立两阶段采样模型.其中第一阶段对目标当前运动类型进行判定,第二阶段则根据判定结果采用相应算法.突变运动采用基于视觉显著性的WLMC算法,平滑运动采用双链马尔可夫链蒙特卡罗（Marko chain Monte Carlo,MCMC）算法,以此完成目标跟踪,提高算法的鲁棒性.该算法既避免了目标在平滑运动时全局采样导致精度下降的缺点,又能在目标发生运动突变时有效捕获目标.实验结果表明,该算法不仅能有效处理运动突变目标的跟踪问题,在典型图像序列上也具有良好的鲁棒性.     

视频序列中人体运动目标的检测与跟踪研究

提出一种视频序列中人体运动目标的精确检测、提取以硬跟踪算法。该算法采用帧间差闽值法（简称TIFD）实现快速精确地检测和提取目标,使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域,缩小了目标跟踪时的搜索范围。充分利用运行目标检测的结果,提高了目标的匹配效率及跟踪速度。同时给出了相应的实验结果,结果表明方法是比较实用的,能满足人体运动分析的基本要求。     

基于运动显著性的移动镜头下的运动目标检测

针对移动镜头下的运动目标检测中的背景建模复杂、计算量大等问题,提出一种基于运动显著性的移动镜头下的运动目标检测方法,在避免复杂的背景建模的同时实现准确的运动目标检测。该方法通过模拟人类视觉系统的注意机制,分析相机平动时场景中背景和前景的运动特点,计算视频场景的显著性,实现动态场景中运动目标检测。首先,采用光流法提取目标的运动特征,用二维高斯卷积方法抑制背景的运动纹理;然后采用直方图统计衡量运动特征的全局显著性,根据得到的运动显著图提取前景与背景的颜色信息;最后,结合贝叶斯方法对运动显著图进行处理,得到显著运动目标。通用数据库视频上的实验结果表明,所提方法能够在抑制背景运动噪声的同时,突出并准确地检测出场景中的运动目标。     

基于强跟踪滤波器的目标运动参数估计方法研究

针对船舶动力定位系统中目标跟踪控制需求,提出了一种基于强跟踪滤波器的目标运动参数估计方法,建立了两种目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了引入渐消因子的强跟踪滤波器进行目标运动状态和参数估计。通过与扩展卡尔曼滤波器的参数估计对比仿真试验,验证了基于强跟踪滤波器的目标运动参数估计方法具有较好的跟踪性能。     

运动目标检测与跟踪算法的研究进展

运动目标检测与跟踪技术有着广泛的应用,但由于检测和跟踪过程容易受外界环境的干扰而造成失败,因此改进运动目标检测和跟踪算法具有重要意义。本文分类介绍了运动目标检测与跟踪算法的研究现状以及常用算法,比较了各种算法的优缺点,阐述了该课题许多尚未完全解决的问题,并对该领域未来的发展趋势进行展望。     

一种改进的粒子滤波目标跟踪算法*

传统的Condensation跟踪算法使用状态转移分布作为采样粒子的建议分布函数,没有考虑当前的观测值,大量的粒子运算浪费在了那些具有小似然性的区域。针对该问题,提出一种基于Mean Shift以改进建议分布函数的粒子滤波跟踪方法。实验表明,由于有效地利用了当前观测值,改进的算法具有较强的鲁棒性和实时性。     

运动显著性概率图提取及目标检测

目的 动态场景图像中所存在的静态目标、背景纹理等静态噪声,以及背景运动、相机抖动等动态噪声,极易导致运动目标检测误检或漏检。针对这一问题,本文提出了一种基于运动显著性概率图的目标检测方法。方法 该方法首先在时间尺度上构建包含短期运动信息和长期运动信息的构建时间序列组;然后利用TFT（temporal Fourier transform）方法计算显著性值。基于此,得到条件运动显著性概率图。接着在全概率公式指导下得到运动显著性概率图,确定前景候选像素,突出运动目标的显著性,而对背景的显著性进行抑制;最后以此为基础,对像素的空间信息进行建模,进而检测运动目标。结果 对提出的方法在3种典型的动态场景中与9种运动目标检测方法进行了性能评价。3种典型的动态场景包括静态噪声场景、动态噪声场景及动静态噪声场景。实验结果表明,在静态噪声场景中,F_score提高到92.91%,准确率提高到96.47%,假正率低至0.02%。在动态噪声场景中,F_score提高至95.52%,准确率提高到95.15%,假正率低至0.002%。而在这两种场景中,召回率指标没有取得最好的性能的原因是,本文所提方法在较好的包络目标区域的同时,在部分情况下易将部分目标区域误判为背景区域的,尤其当目标区域较小时,这种误判的比率更为明显。但是,误判的比率一直维持在较低的水平,且召回率的指标也保持在较高的值,完全能够满足于实际应用的需要,不能抵消整体性能的显著提高。另外,在动静态噪声场景中,4种指标均取得了最优的性能。因此,本文方法能有效地消除静态目标干扰,抑制背景运动和相机抖动等动态噪声,准确地检测出视频序列中的运动目标。结论 本文方法可以更好地抑制静态背景噪声和由背景变化（水波荡漾、相机抖动等）引起的动态噪声,在复杂的噪声背景下准确地检测出运动目标,提高了运动目标检测的鲁棒性和普适性。     

融合图像显著性与特征点匹配的形变目标跟踪

目的 针对目标在跟踪过程中出现剧烈形变,特别是剧烈尺度变化的而导致跟踪失败情况,提出融合图像显著性与特征点匹配的目标跟踪算法。方法 首先利用改进的BRISK（binary robust invariant scalable keypoints）特征点检测算法,对视频序列中的初始帧提取特征点,确定跟踪算法中的目标模板和目标模板特征点集合;接着对当前帧进行特征点检测,并与目标模板特征点集合利用FLANN（fast approximate nearest neighbor search library）方法进行匹配得到匹配特征点子集;然后融合匹配特征点和光流特征点确定可靠特征点集;再后基于可靠特征点集和目标模板特征点集计算单应性变换矩阵粗确定目标跟踪框,继而基于LC（local contrast）图像显著性精确定目标跟踪框;最后融合图像显著性和可靠特征点自适应确定目标跟踪框。当连续三帧目标发生剧烈形变时,更新目标模板和目标模板特征点集。结果 为了验证算法性能,在OTB2013数据集中挑选出具有形变特性的8个视频序列,共2214帧图像作为实验数据集。在重合度实验中,本文算法能够达到0.567 1的平均重合度,优于当前先进的跟踪算法;在重合度成功率实验中,本文算法也比当前先进的跟踪算法具有更好的跟踪效果。最后利用Vega Prime仿真了无人机快速抵近飞行下目标出现剧烈形变的航拍视频序列,序列中目标的最大形变量超过14,帧间最大形变量达到1.72,实验表明本文算法在该视频序列上具有更好的跟踪效果。本文算法具有较好的实时性,平均帧率48.6帧/s。结论 本文算法能够实时准确的跟踪剧烈形变的目标,特别是剧烈尺度变化的目标。     

基于运动分析的运动目标实时跟踪系统

机器人的视觉伺服是机器人领域重要的研究方向.着力于提高机器人视觉反馈系统的实时性,提出了基于运动分析的的运动目标实时跟踪方法.该方法采用形态学方法标记连通域,并基于最小二乘法拟合运动轨迹曲线,预测下一时刻位置,设定连通域搜索范围,从而提高搜索速度.仿真结果表明:该方法处理效果良好,能满足后续系统实时性要求.     

随机场中运动一致性的多线索目标跟踪

目的 通过建立各线索间的关联,提高多线索目标跟踪方法的鲁棒性,利用简单而有效的模型使多线索目标跟踪方法的表达和实现变得容易.方法 在不同线索描述下的目标对象间引入运动一致性约束,利用链状结构随机场模型表达不同线索描述下的目标对象及其约束关系,将多线索目标跟踪问题转化为随机场目标函数的简单优化求解.实验中结合亮度直方图、方向梯度直方图和局部二进制模式描述目标对象.结果 15组公测视频序列上的实验结果表明,所提方法相对于多种优秀的目标跟踪方法,在目标受到遮挡、运动模糊、光照变化、背景杂乱等因素干扰时,获得了较低中心位置误差和较高的精度值,反映了所提方法的有效性.结论 运动一致性约束能够较好地增强各线索间的关联,通过链状结构的随机场模型表达该约束关系和各线索描述下的目标对象,在提高跟踪鲁棒性的同时,使跟踪方法的实现变得简单.