基于双目视觉的水下海参尺寸自动测量方法

水下捕捞机器人在进行海参捕捞作业时,需要对海参进行精选分级。然而光视觉系统在水中的折射现象严重影响了海参尺寸的精确测量。因此,利用水下双目标定方法,求解水下相机模型参数,消除水下光线折射造成的图像失真,并在此基础上,提出了一种水下海参自动检测与尺寸测量方法。在左目矫正图像上,利用预先训练的YOLOv3海参检测模型,进行海参自动检测和感兴趣区域定位,并利用双目矫正图像构建当前水下场景深度信息。利用融合颜色和场景深度信息的高斯模型,构建新颖的GrabCut-RGBD图像分割方法,在感兴趣区域上分割二维海参目标。利用凸包与旋转卡壳算法,在海参目标图像上寻找最佳尺寸测量点,通过三角测量获取最佳测量点三维坐标,实现海参尺寸的自动测量。实验结果表明,所提方法在0.5～1.5 m范围内平均误差为1.65%,能较好地实现海参尺寸的水下测量。     

一种基于多通道孪生网络的鲁棒目标跟踪算法

针对复杂场景下的视觉目标跟踪问题,论文提出了一种基于三通道孪生网络的鲁棒目标跟踪算法.该算法使用三个并行的VGG-16网络进行特征提取.然后,通过卷积操作得到当前帧相对于真实目标和上一帧输出目标的相似度分数图,再根据融合分数图定位当前帧中跟踪对象的位置.文中的实验证实,在复杂场景下,论文提出的算法相对于Sia-mese-fc等其他实时目标跟踪算法,在跟踪鲁棒性方面有着较大的优势.实验结果同时表明论文算法具有较好的实时性.     

基于超像素的点追踪方法

目的由于当前大多数的追踪算法都是使用目标外观模型和特征进行目标的匹配,在长时间的目标追踪过程中,目标的尺度和形状均会发生变化,再加上计算机视觉误差,都会导致追踪的失误。提出一种高效的目标模型用于提高追踪的效率和成功率。方法采用分割后提取的目标特征来进行建模表示外观结构,利用图像分割的方法,将被追踪的目标区域分割成多个超像素块,结合SIFT特征,形成词汇本,并计算每个词在词汇本中的权值,作为目标的外观模型。利用外观模型确定目标对象的关键点位置后,通过使用金字塔Lucas-Kanade追踪器预测关键点在下一帧图像中的位置,并移动追踪窗口位置。结果结合点位移的加权计算有效地克服目标尺度和形状变化产生的问题。结论实验结果表明在目标发生形变或光照变化的情况下,算法也能准确地、实时地追踪到目标。     

一种高效的大监控区域移动目标追踪算法

针对目前无线传感器网络中利用位置指纹进行移动节点室内追踪时,为提高追踪精度引入的训练及匹配计算量大的问题,提出了一种兼顾定位精度和计算效率的算法。该算法适合锚节点稀疏分布的大监控区域,通过锚节点和参考位置点的局部匹配降低指纹匹配的复杂度,利用加权K-近邻算法获得粗定位,再通过融合目标节点加速度信息的卡尔曼滤波进一步减少追踪误差。仿真实验表明,本文算法具有良好的定位一致性和较高的定位精度,在指纹间隔10 m,接收信号强度指示值的测量方差高达16时,追踪过程中平均定位误差为1.4 m,适合室内移动目标的实时追踪。     

分块核化相关滤波目标跟踪

针对核化相关滤波跟踪算法在目标尺度变化和遮挡情况下跟踪性能降低的问题,提出一种分块核化相关滤波跟踪算法.首先根据目标外观特性对目标进行子块划分;为了避免目标被遮挡时模型更新引入错误信息,只使用有效子块指导目标模型更新过程,单独跟踪每个目标子块;随着目标尺度的变化,在跟踪过程中各子块跟踪结果会相应地重叠和分离,最后根据有效子块的跟踪结果确定整体的位置信息.在30个标准视频上的实验结果表明,相比原始核化相关滤波算法,文中算法在尺度变化和遮挡情况下有更好的跟踪效果;此外,该算法的平均处理速度可达100帧/s.     

一种基于超像素的点追踪方法

摘要：目的：由于当前大多数的追踪算法都是使用目标外观模型和特征进行目标的匹配,在长时间的目标追踪过程中,目标的尺度和形状均会发生变化,再加上计算机视觉误差,都会导致追踪的失误。提出一种高效的目标模型用于提高追踪的效率和成功率。方法：采用分割后提取的目标特征来进行建模表示外观结构,利用图像分割的方法,将被追踪的目标区域分割成多个超像素块,结合SIFT特征,形成词汇本,并计算每个词在词汇本中的权值,作为目标的外观模型。利用外观模型确定目标对象的关键点位置后,通过使用金字塔 Lucas-Kanade 追踪器预测关键点在下一帧图像中的位置,并移动追踪窗口位置。结果：结合点位移的加权计算有效的克服目标尺度和形状变化产生的问题。结论：实验结果表明在目标发生形变或光照变化的情况下,算法也能准确的、实时的追踪到目标。     

基于镜像MeanShift的遮挡目标跟踪算法

针对当目标跟踪过程中目标被全遮挡时易导致目标跟踪不精确、甚至丢失目标的问题,提出一种基于镜像Mean Shift的遮挡目标跟踪算法.当前后帧Bhattacharyya系数匹配度大于等于80%时,表示目标没有被遮挡,采用颜色特征和轮廓特征定位目标,利用分块沙包窗核函数实现尺寸自适应;当前后帧Bhattacharyya系数匹配度小于80%时,表示目标进入遮挡区域,则利用先验训练分类器和镜像原理对遮挡区域目标的位置和尺寸大小进行预测;当前后帧Bhattacharyya系数匹配度再次大于等于80%时,表示目标离开遮挡区域,则转换为Mean Shift跟踪.实验结果表明:所提算法与子区域分类器的在线Boosting算法和多视角多目标协同追踪算法相比,在目标全遮挡的情况下能更好地跟踪目标,提高了跟踪精度和鲁棒性,且满足实时性要求.     

时空关联自适应追踪目标特征学习

目标追踪是近年来视觉领域的一个研究难题,其核心任务是在视频序列中持续定位目标并使用边界框标注其位置.已有的追踪方法大多采用目标检测的思路,将视频序列按帧分开对目标进行单独检测.这种策略尽管充分利用了当前帧信息,却忽略了帧与帧之间的时空关联信息,而这些信息是适应目标外观变化并完整检测目标的关键.为解决这一问题,提出了时空...     

基于孪生检测网络的实时视频追踪算法

目前,在视频追踪领域中,大部分基于孪生网络的追踪算法只能对物体的中心点进行定位,而在定位快速形变的物体时会出现定位不准确的问题。为此,提出基于孪生检测网络的实时视频追踪算法——SiamRFC。SiamRFC算法可直接预测被追踪物体位置,来应对快速形变的问题。首先,通过判断相似性来得到被追踪物体的中心点位置;然后,运用目标检测的思路,通过选取一系列的预选框来回归最优的位置。实验结果表明,所提SiamRFC算法在VOT2015|16|17的测试集上均有很好的表现。     

MPEG-2恒定码率位率控制研究

在传统CBR MPEG－2位率控制模型中存在两个局限性，一是在分配目标位数据量时没有充分考虑图像的相对复杂度，二是没有能够对场景转换进行很好处理，针对以上两点不足进行了改进，提出了已编码帧图像平均复杂度的计算方法，通过比较当前帧图像复杂度与所有已编码帧图像平均复杂度，合理调整当前帧目标位数据量；提出了场景转换帧检测算法，动态调整场景转换帧目标位数据量，实验结果表明，提出的位率控制算法优于TM5中的算法。     

An extended KCF tracking algorithm based on TLD structure in low frame rate videos

The KCF (Kernelized Correlation Filter) algorithm achieved a good performance on target tracking challenges. However, it still has some defects and problems of false tracking in low frame rate (LFR) scenarios, target scale variation, occlusion and out of view target, that exists in the correlation filter based methods. In this paper, we overcome the shortcomings of KCF tracking algorithm based on Tracking-Learning-Detection (TLD) framework. The proposed algorithm trained two classifiers simultaneously, based on semi supervised co-training learning algorithm. Then, we comparatively evaluate the proposed method on TB-100 datasets by other trackers. The experimental results demonstrate that the precision and robustness of the improved tracking algorithm is higher than traditional KCF, TLD and the other top state-of-the-art tracking algorithms in LFR videos.

     

结合模糊特征检测的鲁棒核相关滤波跟踪法

针对跟踪领域内由于图像模糊而导致跟踪失败的问题,提出一种结合模糊特征检测的鲁棒核相关滤波(kernelized correlation filter, KCF)跟踪法。首先,将尺度不变特征变换(scale invariant feature transform, SIFT)描述子与局部二值模式(local binary pattern, LBP)算法结合,提取模糊图像中的特征点,并采用圆形邻域描述该特征点,以降低特征向量的维度,综合构建出模糊特征检测器。其次,设置图像清晰度阈值,若当前图像清晰度低于阈值,则启动模糊特征检测器,通过特征向量间的匹配,得出跟踪目标的位置;否则,通过传统的核相关滤波法预测目标位置。最后,在公开数据集OTB-2013和OTB-2015中的测试结果表明:与其他实验算法相比,该算法可对模糊图像中的目标进行有效跟踪且精度较高。     

基于快速判别式尺度估计的核相关滤波方法

针对核相关滤波（KCF）算法无法对视频序列中目标尺度变化作出响应的问题，提出一种基于快速判别式多尺度估计的核相关滤波跟踪算法。首先，使用核相关滤波器来估计目标位置；然后，通过使用一组不同尺度的目标样本来在线学习快速判别式尺度滤波器；最后，在目标位置应用学习的尺度滤波器来获得目标尺寸的准确估计。选取Visual Tracker Benchmark视频序列集进行实验，并与基于判别式尺度空间跟踪（DSST）的KCF算法和传统KCF算法进行对比，结果表明，在目标尺度发生变化时，所提算法在跟踪精度上提高了2.2%至10.8%；并且在平均帧率上，所提算法比DSST的KCF算法提高了19.1%至68.5%，表明该算法对目标尺度变化有很强的适应能力和较高的实时性。     

基于异常值检测的KCF目标丢失预警方法研究

当目标受尺度变化、严重遮挡、相似目标干扰、光照变化和出视野等因素影响时,核相关滤波器（KCF）跟踪算法会出现目标丢失现象。目标一旦丢失,KCF跟踪算法本身是不能察觉的,并且跟踪器会将背景信息作为目标继续进行跟踪,导致目标彻底丢失。针对这一问题,在KCF跟踪算法的基础上,提出了一种基于异常值检测方法的目标丢失预警机制。该方法利用一组固定维数动态峰值数据的均值和标准差对每帧的响应峰值进行检测,如若发现异常峰值,则判定目标丢失或即将丢失,解决了KCF跟踪器在跟踪过程中目标丢失不能察觉的问题。实验结果表明,所提出的方法在KCF算法跟踪过程中目标丢失时,能够正确预警,成功率达到100%,具有很高的可靠性,为目标丢失后何时载入目标重检测定位提供可靠的依据。     

基于KCF跟踪算法的目标轨迹记录系统

为了确保跟踪算法能够实时跟踪上高速移动的目标并且记录目标的三维坐标.本系统使用了一种基于KCF（Kernelized Correlation Filters）的高速跟踪算法来保证系统能够跟踪到移动速度较快的目标.首先,使用KCF跟踪算法来跟踪目标;然后,利用ORB特征点检测来计算目标特征点从而找到多摄像机中对应的点,找到对应点之后利用多摄像机的三维重建原理计算出每一帧中目标物体的三维坐标点;最后,用多项式对每一帧运动轨迹的离散点进行拟合得到最终的运行轨迹.实验结果证明该算法能够有效跟踪目标,整个系统能够满足实际的需求.     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

多模糊核融合的单目标跟踪算法

针对当前目标跟踪领域中如何准确迅速地对目标进行定位的问题,大部分流行跟踪器的核心内容是结合核方法去训练一个判别分类器来区分目标和周围环境。例如核相关滤波器算法(KCF)将傅里叶变换与核化判别分类器相结合来提升跟踪速度,以及引入TSK模糊逻辑系统(TSK-FLS)的模糊核相关滤波器(FKCF)算法来提高跟踪精度。一些基于KCF的改进算法对部分跟踪难题提出了解决方案,但这些算法在精度方面仍有一定的提升空间。针对此,在FKCF的基础上,从多核融合的角度推导出了一种新的多模糊核相关滤波器(MFKCF)。MFKCF继承了KCF高速的以及FKCF高精度的特性,将多项式核与高斯核进行模糊化,并且融合模糊化后的核函数作为新的目标核函数。由于上述两项改进,使所提算法在跟踪精度方面比KCF与FKCF更好。将KCF算法、FKCF算法与MFKCF算法在OTB50等4个数据集上的30个随机选取的视频进行了实验,实验结果表明MFKCF算法总体表现良好,10项常见属性上的精度均有提升。     

抗遮挡与尺度自适应的改进KCF跟踪算法

核相关滤波(kernel correlation filter,KCF)目标跟踪算法在目标发生尺度变化或受长时间遮挡时无法实现准确跟踪.对此,提出一种融合窗口滤波的抗遮挡尺度自适应的目标跟踪算法.首先,利用快速尺度估计对跟踪目标进行尺度变换;然后,当检测到目标受到遮挡时停止对分类器模型的更新,融合加权窗口滤波器对目标位...     

改进的核相关滤波器目标跟踪算法

针对传统单目标的核相关滤波器(KCF)跟踪算法在目标尺度变化的跟踪中存在的问题,提出了一种基于相关滤波器(CF)和尺度金字塔的多尺度核相关滤波器(SKCF)跟踪算法。首先通过传统KCF跟踪算法中分类器的响应计算当前目标是否受到遮挡,在未受到遮挡的情况下,对当前目标建立尺度金字塔;然后通过相关滤波器求取尺度金字塔的最大响应得到当前目标尺度信息;最后使用新目标图像为训练样本更新目标的外观模型和尺度模型。与核化的结构化输出(Struck)算法、KCF算法、跟踪-学习-检测(TLD)算法和多示例学习(MIL)算法进行对比,实验结果表明,所提出的多尺度核相关滤波器(SKCF)跟踪算法在五种算法中精确度和重合度都取到最高值。所提算法能够广泛应用于目标跟踪领域,对目标进行准确的跟踪。     

采用核相关滤波的快速TLD视觉目标跟踪

目的 如何对目标进行快速鲁棒的跟踪一直是计算机视觉的重要研究方向之一,TLD（tracking-learning-detection）算法为这一问题提供了一种有效的解决方法,为了进一步提高TLD算法的跟踪性能,从两个方面对其进行了改进。方法 首先在跟踪模块采用尺度自适应的核相关滤波器（KCF）作为跟踪器,考虑到跟踪模块与检测模块相互独立,本文算法使用检测模块对跟踪模块结果的准确性进行判断,并根据判断结果对KCF滤波器模板进行有选择地更新;然后在检测模块,运用光流法对目标位置进行初步预测,依据预测结果动态调整目标检测区域后,再使用分类器对目标进行精确定位。结果 为了验证本文算法的优越性,对其进行了两组实验,实验1在OTB2013和Temple Color128这两个平台上对本文算法进行了跟踪性能的测试,其结果表明本文算法在OTB2013上的跟踪精度和成功率分别为0.761和0.559,在Temple Color128上的跟踪精度和成功率分别为0.678和0.481,且在所有测试视频上的平均跟踪速度达到了27.92帧/s;实验2将本文算法与其他3种改进算法在随机选取的8组视频上进行了跟踪测试与对比分析,实验结果表明,本文算法具有最小的中心位置误差14.01、最大的重叠率72.2%以及最快的跟踪速度26.23帧/s,展现出良好的跟踪性能。结论 本文算法使用KCF跟踪器,提高了算法对遮挡、光照变化和运动模糊等场景的适应能力,使用光流法缩小检测区域,提高了算法的跟踪速度。实验结果表明,本文算法在多数情况下均取得优于参考算法的跟踪性能,在对目标进行长时间跟踪时表现出良好的跟踪鲁棒性。