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。     

基于前景优化和概率估计的显著性检测

为了对图像中的显著目标进行更精确的识别,提出一种基于前景优化和概率估计的区域显著性检测算法.所提出算法主要包括前景与背景线索选择、前景线索优化及基于概率估计的显著性区域检测3部分.首先,采用简单线性迭代聚类算法对图像进行初始分割;然后,分别检测图像的背景线索和前景线索,并利用背景线索对前景线索进行优化;最后,采用概率估计算法分别对基于背景线索和优化后前景线索进行显著性区域检测,并对两者结果进行融合.对比实验表明,所提出算法相比其他算法取得了较高的查准率,具有较好的检测性能.     

融合前景判别和圆形搜索的目标跟踪算法

针对运动目标在发生遮挡、形变、旋转和光照等变化时会导致跟踪误差大甚至丢失目标以及传统跟踪算法实时性差的问题,提出了一种融合前景判别和圆形搜索（CS）的目标跟踪算法。该算法采用了图像感知哈希技术来描述与匹配跟踪目标,跟踪过程使用了两种跟踪策略相结合的方法,能够有效地解决上述问题。首先,根据目标运动方向的不确定性和帧间目标运动的缓慢性,通过CS算法搜索当前帧局部（目标周围）最佳匹配位置;然后,采用前景判别PBAS算法搜索当前帧全局最优目标前景;最终,选取两者与目标模板相似度更高者为跟踪结果,并根据匹配阈值判断是否更新目标模板。实验结果表明,所提算法在精度、准确率和实时性上都比MeanShift算法更好,在目标非快速运动时有较好的跟踪优势。     

Target tracking algorithm based on occlusion prediction

Tracking failure caused by occlusion is one of the most challenging problems in visual tracking tasks. The current Siamese network-based object tracking algorithms use the maximum confidence strategy and center cropping mechanism, which may lead to partial or complete loss of target tracking. To address this problem, we propose an occlusion prediction-based tracking method, which uses an occlusion prediction branch to evaluate the occlusion degree of the target in four directions: up, down, left and right, and combines information fusion to predict the target position, and uses dynamic background suppression to reduce the interference of similar targets. First, we use dynamic background suppression to preprocess the input image, weaken the interference around the target, then use the target location information and regression information output by the Siamese network to obtain the candidate target position, and finally use the occlusion prediction information for information fusion to obtain the final target position. Although our method brings additional computational burden, it can still achieve real-time performance. Experiments show that our proposed method can effectively improve the robustness of Siamese tracking algorithms under different occlusion conditions. In the interference test based on OTB100, our method improves the tracking success rate by about 7% and the precision by about 10% for SiamBan and SiamGat algorithms respectively; in the interference test based on VOT2018, our method can effectively reduce the tracking loss frequency of Siamban and SiamGat algorithms, improving the EAO(Expected Average Overlap) by about 10%.     

基于二值随机森林的目标跟踪算法

针对压缩跟踪不能适应目标姿态变化导致跟踪失败的问题,提出了一种基于二值随机森林的目标跟踪算法。该算法对实时压缩跟踪算法的特征提取和分类这两个部分作了改进。首先,在梯度图像上进行多尺度滤波,获得目标的高维特征描述,利用一个稀疏矩阵进行压缩,获得表征目标的低维信息;然后,通过比较图像块对的大小,获得二值描述符,利用随机森林构造目标表示方法;最后,计算汉明匹配、寻找汉明距离最小的候选样本作为当前帧目标的状态估计,并在此基础上提取目标的特征来更新目标特征模板。与原算法相比,该算法对旋转、折叠、遮挡等姿态变化的目标跟踪性能更好。     

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD）目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入ViBe模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。     

基于可变形卷积的孪生网络目标跟踪算法

为解决多数基于孪生网络的跟踪算法存在骨干网络特征提取能力弱、模板不适应目标变化等问题,在SiamFC的基础上提出基于可变形卷积的孪生网络算法(DCSiam).首先,采用可变形卷积模块在不同方向上学习多层特征数据的自适应偏移量,增大卷积过程中的有效感受野;然后,通过多层可变形互相关融合得到最终响应图,以增强骨干网络的深层语义特征提取能力;最后,采用一种高置信度的模板在线更新策略,每隔固定帧计算响应图的峰值旁瓣比与最大值作为更新依据,使用加权的方式融合特征以更新模板.使用OTB2013、 OTB2015、VOT2016和VOT2017四个公共基准数据集对所提出算法进行跟踪性能评估,实验结果表明,在OTB2015数据集上, DCSiam算法整体精确率、成功率较基线分别提高9.5%和7.5%,很好地实现了复杂情况下的目标跟踪,验证了所提出算法的有效性.     

模糊直方图模型的运动目标跟踪

为改善跟踪系统对跟踪场景中目标色度和光照变化鲁棒性,提出基于模糊直方图的目标模型建立方法。首先,在色度论域内定义色度模糊等级,根据模糊隶属度函数建立目标区域模糊直方图,由此降低目标直方图模型对色度等级阈值的敏感性。然后,利用模糊直方图模型进行反向投影,建立跟踪场景的概率分布图。最后,利用Camshift方法实现目标的识别、定位与跟踪。仿真实验结果表明:与传统方法相比,采用模糊直方图模型的跟踪方法对色度漂移等干扰具有更好的适应性,目标在顺光、侧光以及逆光环境下移动时,该方法能够完成目标的准确定位与跟踪,单帧平均跟踪时间与基本Camshift方法相当,单帧最大跟踪时间小于40 ms,满足电视跟踪等系统实时性要求。     

基于空间直方图的粒子滤波目标跟踪算法

空间直方图融合了目标的颜色信息和颜色的空间分布信息,比传统的颜色直方图更具有目标鉴别能力。在基于粒子滤波算法的目标跟踪系统框架中,采用简单的随机漂移模型表示系统状态模型,通过空间直方图的相似度定义来建立系统观测概率模型,提出一种基于空间直方图的粒子滤波目标跟踪算法。实验结果表明,相比传统的基于颜色直方图的粒子滤波算法,提出的算法具有更好的鲁棒性。     

改进稀疏表示模型的目标跟踪

针对受到光照、遮挡及姿态变化等引起的目标外观发生变化时,目标跟踪的鲁棒性和准确性较差的问题,将稀疏表示引入到粒子滤波框架进行目标跟踪,提出一种稀疏协同模型。首先,在目标运动定位模型中,使用灰度强度值表示目标对象;其次,判别模型通过训练正负模板集获得最优分类特征,并在生成模型中对目标直方图加权以提高目标生成效率;然后,将分类判别模型和生成模型集成在协同模型中,利用重构误差确定目标;最后,通过各模块独立更新,减少目标外观变化对目标跟踪的影响。实验结果表明,所提方法的平均中心误差仅为7.5像素,且具备良好的抗噪性和实时性。     

二进制无线传感器网络目标定位跟踪算法

二进制无线传感器网络是一种新的和具有巨大潜在应用前景的目标定位跟踪平台,它具有通信负荷少,生存能力强等特点。提出一种基于网络时间的迭代算法,在目标通过一定数量的节点后,给出较为精确的目标运动参数,并在算法迭代的过程中,不断优化算法结果。最后,运用多Agent仿真思想,借助于RePAST仿真平台对算法进行了仿真验证。     

无线传感网多簇头协助的目标跟踪

在无线传感器网络中,目标的运动无规律可循,难以选取合理的数据对其进行预测,且在跟踪过程中易发生目标丢失的现象,不利于对目标的监测。通过分析目标运动趋势的变化特点,提出多级簇头结构和目标丢失的恢复策略,并改进线性拟合算法,选取某一阶段内的数据作为预测的数据源,以提高跟踪精度,降低目标丢失率。仿真结果表明,改进算法能够更充分地利用历史数据,在跟踪精度和目标丢失率方面具有良好的性能。     

基于无先验探测概率的改进PHD多目标跟踪算法

针对传统高斯混合-概率假设密度(GM-PHD)滤波器使用无先验检测概率和无效量测造成的性能下降问题,提出一种基于时变卡尔曼滤波(TV-KF)算法的多目标PHD滤波器.通过使用椭球门限对目标集合和量测集合进行预关联,将未知探测概率转化为目标的丢失与接收事件;将目标分为匹配存活目标,匹配新生目标和未匹配目标3类,对匹配目标,仅使用目标门限内的量测更新目标状态,对未匹配目标的权重进行衰减.仿真实验表明:所提出算法有效可行,综合性能优于传统GM-PHD算法.     

基于概率阈值通信感知的WSNs目标跟踪算法

针对移动Sink节点目标跟踪定位时间长,能耗大等问题,提出基于概率阈值通信感知的WSNs目标跟踪算法。采用离散数据传输方式,并定义目标信息传输概率阈值来确定是否将节点当前位置信息由传感器节点传输到Sink节点。若当前位置信息不传输到Sink节点中,则使用最近一次通报的目标位置信息进行目标定位。然后开启目标周围相关传感器节点来有效降低算法数据传输量,并保持足够的定位精度。仿真结果显示：该方法比预测跟踪算法降低数据传输量87%左右,比动态目标跟踪算法降低跟踪时间33.7%左右。     

改进权值计算的均值移动目标跟踪

针对基于Bhattacharyya相似度的均值移动跟踪算法精度较差的问题,提出一种基于直方图交集思想的新型颜色分量加权方法,该方法利用参考模板与候选模板归一化颜色概率密度对应颜色分量的比值作为均值移动算法的加权系数。新权值计算方法在目标快速运动,有场景相似颜色干扰等情况下具有很好的适用能力,从而提高目标的跟踪精度。另外处理跟踪过程中,因摄像机抖动、光照变化等因素导致跟踪线索变化的情况,利用基于辅助模板的目标更新机制,有效地解决了目标短暂遮挡以及更新过程中的累积误差问题。通过多组对比实验结果可以看出,算法具有更强地抑制背景干扰以及特征自适应的能力,从而提高了均值移动跟踪算法的鲁棒性。     

基于双准则自适应融合的目标跟踪算法

针对单一评判准则较难适应复杂环境下的目标跟踪问题,提出了一种基于双评判准则自适应融合的跟踪算法。在该算法中,空间直方图被用作目标表示模型,候选目标与目标模板之间的相似度、以及候选目标与其邻近背景区域之间的对比度被作为目标评判双准则,而目标函数(或似然函数)则由两个准则的加权融合而成。算法是在粒子滤波框架下实现的目标搜索,并采用了模糊逻辑对相似度和对比度的权值进行自适应调节。对人、动物等多个挑战性运动目标的跟踪结果表明,与增量学习跟踪、ι₁跟踪等最新跟踪器相比,所提算法在处理目标的遮挡、形变、旋转以及表观变化方面的综合性能更好,其成功率和平均重叠率指标分别在80%和0.76以上。     

基于网格的传感器网络目标追踪研究

分析了传感器网络在目标追踪过程中产生目标丢失的原因,在此基础上采用网格结构的设计思想,通过最小二乘法对追踪目标定位,并对目标下一时刻的位置做出预测,提出了目标丢失故障恢复新的算法和技术。实验证明,所提出的算法和技术在能量消耗和追踪精确度上,能够有效地解决跟踪目标发生丢失故障后快速恢复的问题。     

改进扩展卡尔曼滤波算法的目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出了一种基于改进扩展卡尔曼滤波的目标跟踪算法。构建时间差和信号到达方向的观测方程,利用几何和代数关系化简得到伪线性模型,通过改进卡尔曼滤波算法对目标运动轨迹进行跟踪,采用仿真实验对算法性能进行测试。结果表明,相对于传统扩展卡尔曼滤波算法,在相同条件下,该算法不仅提高了目标跟踪精度,而且使目标跟踪结果更加稳定。