应用Mean Shift和分块的抗遮挡跟踪

针对传统Mean Shift跟踪算法在目标发生遮挡时容易跟偏甚至跟丢的缺陷,提出了一种新的抗遮挡跟踪算法。首先,对跟踪窗口内的目标进行分块;然后,对外围子块分别实施Mean Shift跟踪算法并检测遮挡的发生,当遮挡发生后即对所有子块实施Mean Shift跟踪算法;最后,引入一种子块置信度机制并仅用置信度最高的子块来确定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。对不同的视频序列测试的结果显示,本算法能对发生遮挡的目标进行准确跟踪。当遮挡目标尺寸为70pixel×100pixel时,平均处理时间为38.6ms/frame。结果表明,改进算法能够满足目标跟踪系统稳定性和实时性的要求。     

尺度方向自适应Mean Shift跟踪方法

经典核窗口宽度固定的mean shift跟踪算法不能很好地对尺寸逐渐增大的目标进行有效地跟踪。一些改进的mean shift算法虽然在一定程度上解决目标缩放这个问题,但是对于目标旋转仍然无能为力。在分析尺度空间理论和mean shift 跟踪算法的基础上,提出了一种尺度方向自适应mean shift跟踪算法。实验表明,对于初始帧,本文算法可以较为准确地获得目标最佳描述椭圆;对于后续帧图像,本文的新跟踪算法可以较好地适应目标旋转缩放等复杂运动。     

采用PSR和客观相似性的高置信度跟踪

针对相关滤波类跟踪算法难以解决的过度形变和目标被遮挡问题,提出了一种融合改进均方峰值旁瓣和客观相似性度量的高置信度跟踪算法-HCF。基于核相关滤波跟踪算法,结合传统相关运算的峰值旁瓣比与感知哈希算法客观度量所跟目标,对遮挡和形变等复杂情况进行高置信度判断,进而自适应的选择模型更新率,克服模型漂移问题;另外,利用尺度池算法解决跟踪中的尺度估计问题,进一步提高了算法的稳健性。通过OTB-2015数据集测试表明:提出的HCF算法能精准判别出由于遮挡形变等情况导致的无效跟踪,相比于当前主流的鲁棒性跟踪算法,具有更优秀的性能和表现。本文的创新工作为跟踪领域中的目标准确度判别问题提供了新的思路。     

动态视角下自主目标识别与跟踪

针对动态视角下由于相机高频率晃动导致的常用目标识别及跟踪算法准确率较低的问题,提出了一种基于Canny和GrabCut的自适应窗口式目标跟踪算法。首先使用加速稳健特征（SURF）算法学习图片库并记忆图片特征,设计基于SURF算法的记忆库目标识别算法;然后,对上述目标区域采用GrabCut的自适应优化算法进行感兴趣区域分割,实现目标粗略跟踪;最后,设计基于Canny算法的窗口式算法进行目标精确追踪。实验结果表明,所设计的算法能快速地识别目标、精确地勾勒出其轮廓并且稳定跟踪目标,相比其他算法,算法在实时性和精确性方面有显著提高。     

基于压缩感知的多特征实时跟踪

针对基于压缩感知的目标跟踪算法中存在的特征单一,在目标纹理变化、光照变化较大时跟踪不稳定、易丢失目标的问题,提出了多特征联合的实时跟踪算法。该算法以多个矩阵作为压缩感知中的投影矩阵,将压缩后的数据作为特征来提取出跟踪所需的多种特征。在更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新方法,使得在目标环境变化时跟踪的鲁棒性仍然很高。对不同视频的测试结果表明,提出的方法在目标运动、旋转、纹理变化和光照变化的情况下跟踪准确,在目标大小为70 pixel×100 pixel时平均帧速为23 frame/s,满足实时跟踪的要求。与单一特征的压缩感知算法相比,本算法在目标纹理和光照变化很大的情况下仍能完成稳定的实时跟踪。     

基于粒子滤波的多自由度运动目标跟踪

为了在复杂背景下跟踪视频序列中的多自由度运动目标,基于粒子滤波理论提出了一种多自由度运动目标的稳健跟踪算法.首先,采用均值漂移算法目标模型与候选模型的相似度作为观测值的构造基础;然后,在核函数下颜色直方图的基础上,对目标的中心位置和表征目标形状的协方差矩阵进行更新,从而自适应地调整核函数带宽的大小,修正跟踪窗口的尺寸,...     

基于场景辅助特征的T-S目标跟踪

针对遮挡同时目标附近出现相似目标干扰所导致的错跟问题,本文提出利用场景中辅助特征提升目标跟踪抗遮挡以及抗相似目标干扰性能。首先检测场景强特征及目标附近相似干扰,定义二者为场景辅助特征;其次,建立能够较好描述场景强特征及目标运动规律的动态模型以及相似干扰约束;最后,将场景辅助特征及目标的动态模型以粒子滤波的形式表达,提出T-S跟踪算法。采用SPEVI及OTB100数据库中若干典型测试视频,与近年来6种先进跟踪算法进行对比实验,并采用两种评价体系考量。实验结果表明,本文T-S算法对SPEVI多人脸、红外车辆的跟踪误差分别为24 pixel和8 pixel;对OTB100数据库中8种视频跟踪测试时,在重叠率阈值为0.5时的跟踪成功率为0.51,优于其它对比算法。本文T-S跟踪算法能够较好应对遮挡及相似目标干扰。     

自适应搜索的快速分块跟踪

针对传统的分块跟踪算法计算量大,难以实时地对运动目标进行跟踪这一问题,提出了一种改进的分块跟踪算法.首先,为降低背景噪声对跟踪性能产生的不利影响,提出的算法对目标所在矩形窗口进行了更细致的划分;然后,根据目标运动信息确定搜索范围和搜索中心,采用分层次的自适应搜索算法,在每一层采用不同的搜索策略逐步逼近与目标模板最相似的...     

基于均值偏移快速算法的红外目标跟踪

在光电跟踪设备中,传统的嵌入式跟踪器一般采用形心、相关等算法,在复杂背景下或目标受到遮挡时会丢失目标。为了能够使目标跟踪器具有抗遮挡的能力,在嵌入式目标跟踪平台上引入了均值偏移算法。在硬件的设计上,利用FPGA并行运算效率高的特点,设计了基于FPGA的直方图统计计算模块,该模块实时的将每一帧的直方图计算结果存储在SDRAM上,然后利用DSP进行均值偏移的迭代运算,在算法上针对红外图像设计了融合图像位置和像素灰度特征的改进核函数直方图作为目标特征,并提出了改进的快速均值偏移算法使其满足DSP的运算速度要求。实验表明系统在背景复杂和目标受局部遮挡时可以连续跟踪目标。跟踪性能好于传统的以型心为算法的跟踪器。在目标区域大小为64×64像素大小时,平均计算速度为22 ms。该系统和所使用的算法可支持大部分红外相机对目标的实时稳定跟踪。     

基于双目标模型的时空上下文跟踪算法

传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性,故目标被长时间遮挡后,目标模型容易被错误更新且难以修正。因此,本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性,并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征,在目标被长时间遮挡后也能准确评估更新内容的有效性,并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明,改进算法在测试数据集上的跟踪成功率为82%,中心偏差为8pixels;在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升,实现了目标的可靠跟踪。     

基于改进亮度变化函数实现红外图像中行人跟踪

由于基于亮度变化函数(IVF)的跟踪算法能高效跟踪前视红外图像中刚性目标但无法满足行人跟踪鲁棒性要求,提出了一种新的基于多热点亮度变化函数的红外图像中行人跟踪算法。分析了分区域、多热点描述行人目标热信号的必要性,利用改进的亮度变化函数在帧间目标窗口内定位热点,建立目标窗口自适应更新机制解决尺度变化问题,最后基于热点的运动特征描述子剔除定位于背景的野值点。对复杂红外场景的跟踪实验结果表明,由于在原始算法的基础上省去了模板匹配步骤及缩小了搜索对象的矩阵维数,该算法获得了最优的实时性;且多热点机制使该算法的鲁棒性优于多种其他视觉跟踪算法,能够胜任存在遮挡、尺度变化、低对比度等干扰因素的前视红外图像中行人目标的跟踪。     

智能子弹对声目标CACEMD-VDAKF跟踪算法研究

为了研究智能反坦克子弹药(BAT)对声目标机动检测与跟踪的问题,推导了适合智能子弹药系统的MUSIC估计算法,并计算了声信号的空间方位谱及功率谱,提出了一种针对信号几何窗口的变量--当前平均改变能量(current average change energy,CACE),利用该变量推导了基于当前平均改变能量的机动检测算法,将此算法与机动目标跟踪变维自适应Kalman滤波模型相结合,得到了基于当前平均改变能量的机动检测与变维自适应Kalman滤波算法(CACEMD-VDAKF);通过半实物仿真实验,计算了目标在不同运动状态下的空间功率谱和方位谱,证实了该算法对声信号处理的可行性,MATLAB仿真结果验证了CACEMD-VDAKF算法对二维声目标跟踪的有效性及稳定性.     

基于双相关滤波器的多通道尺度自适应目标跟踪

针对目标跟踪中尺度变化和表观剧烈变化导致的目标跟踪不稳定问题,设计了多通道特征融合的尺度估计策略,提出了基于双相关滤波器的多通道尺度自适应目标跟踪算法。考虑到CN特征对姿态及尺度不敏感,以及HOG特征对光照变化和目标移动都有着较好稳定性,将CN、HOG以及灰度特征进行了特征融合,提升了对于目标表观变化的跟踪鲁棒性。在保证误差风险最小的前提下使用岭回归进行滤波器求解,同时建立了尺度滤波器实现了目标的多尺度判断,使得目标发生尺度变化时能保持稳定的跟踪。使用TB-100数据集在多场景下对算法进行性能测试,证明该算法在目标表观变化、尺度变换、背景干扰等情况下有良好的跟踪效果。     

利用视觉显著性和扰动模型的上下文感知跟踪

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显著性构建目标稀疏显著性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。     

用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。     

采用核相关滤波器的自适应尺度目标跟踪

由于现存的大多数基于检测的跟踪器都没有解决尺度变化问题,本文在传统的基于检测的目标跟踪框架下设计了一种尺度估计策略,并给出了基于核相关滤波器的自适应尺度目标跟踪算法。该算法利用核函数对正则化最小二乘分类器求解获得核相关滤波器,通过对核相关滤波器的在线学习完成目标位置和尺度的检测,并在线更新核相关滤波器。为了验证本文算法的有效性,选取了10组场景复杂的视频序列进行测试,并与其它5种优秀跟踪方法进行了对比。结果表明,本文提出的方法比上述5种优秀跟踪方法中的最优者的平均距离精度提高了6.9%,且在目标发生尺度变化、光照变化、部分遮挡、姿态变化、旋转、快速运动等复杂场景下有较强的鲁棒性。     

基于区域提案孪生网络的优化目标跟踪算法

为了更好地对目标的尺度进行实时估计,避免多尺度测试及提高目标跟踪的速度和精度,提出了一种新的优化目标跟踪算法。通过将跟踪效果比较好的区域提案网络引入普通的孪生网络,并在算法中引进条形池化模块和高效通道注意力模块,应对物体的尺度差异和跟踪过程中较为剧烈的形变。提出的算法在OTB100数据集上取得了0.833的准确度和0....