基于ELM和核相关滤波器的自适应目标跟踪算法

针对传统的核相关滤波器(KCF)跟踪算法在目标快速运动、尺度变化和遮挡情况下通常会导致跟踪失败的问题,在传统的KCF算法的基础上引入极限学习机(ELM),提出一种基于ELM和KCF的自适应目标跟踪方法。根据过去时刻的目标位置信息,利用ELM预测出当前帧目标的可能位置;在该位置上以目标区域为基础进行多尺度目标图像特征采样,通过KCF确定目标的最终位置和最佳尺度;通过计算目标位置响应图的振荡程度来自适应地改变模型的更新速率。在36组公开视频序列上对所提算法与6种当前主流的相关滤波跟踪算法进行了实验,所提算法取得了最好的跟踪精度和成功率,能够有效处理目标遮挡、快速运动和尺度变化等问题,具有较为重要的理论研究和应用价值。     

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。     

运动状态与尺度估计的核相关目标跟踪方法

视觉跟踪在视频智能监控和机器人等领域有着广泛应用。基于相关滤波分类器,提出了具有运动状态估计和目标尺度估计的视觉目标跟踪方法。该方法将粒子滤波与核相关滤波方法相结合,首先估算运动目标的位置,然后执行尺度相关滤波器来估算目标的尺度,以使算法对尺度变化的运动目标具有更强的适应能力。该方法在传统的KCF跟踪算法的基础上引入了一种基于概率的运动状态估计方法,可以获得更加稳定的目标信息,并减少背景干扰信息的引入,从而在复杂场景下具有更强的抗干扰性。使用benchmark数据集对所提方法进行了测试实验,并和其他已有的若干视觉跟踪方法进行了对比实验,结果验证了所提算法的高效性,且所提方法在目标尺度变化、光照变化、姿态变化、部分遮挡、旋转及快速运动等复杂情况下均有较强的适应性。     

自适应分块优化的目标跟踪算法

为解决复杂环境下光照、遮挡等问题对目标跟踪算法的影响,提出基于自适应分块与异步更新的目标跟踪算法。构建光照不敏感特征和超像素自适应分块,通过双约束对分场中具有高置信度的子块进行自适应提取并用于目标跟踪,提高跟踪的精确性,避免全局搜索对运算效率的影响;通过自适应检测和异步更新特征子块,进一步提高算法效率和对背景的抗干扰能力。实验结果表明,与KCF、DSST等已知文献中的算法相比,文中算法具有更优的跟踪准确率,以及对遮挡、光照变化等复杂场景干扰的鲁棒性,验证了算法的有效性。     

多模型协作的分块目标跟踪

为解决复杂场景下,基于整体表观模型的目标跟踪算法容易丢失目标的问题,提出一种多模型协作的分块目标跟踪算法.融合基于局部敏感直方图的产生式模型和基于超像素分割的判别式模型构建目标表观模型,提取局部敏感直方图的亮度不变特征来抵制光照变化的影响;引入目标模型的自适应分块划分策略以解决局部敏感直方图算法缺少有效遮挡处理机制的问题,提高目标的抗遮挡性;通过相对熵和均值聚类度量子块的局部差异置信度和目标背景置信度,建立双权值约束机制和子块异步更新策略,在粒子滤波框架下,选择置信度高的子块定位目标.实验结果表明,本文方法在复杂场景下具有良好的跟踪精度和稳定性.     

动态权重层次卷积特征自适应目标追踪算法

为改进追踪算法在目标快速运动或被遮挡等情况下的性能,对目标追踪中普遍采用的相关滤波算法框架进行了研究,基于核相关滤波器(KCF)提出一种层次化提取卷积神经网络特征并自适应赋予动态权重的目标追踪算法.通过提取不同层次卷积神经网络特征,分别经过相关滤波器学习得到不同的KCF模板,结合特征层次和各滤波器稳定度、准确度赋予动态权重,以融合3个模板确定最终目标位置.实验采用OTB标准数据库,测试了新算法在遮挡、运动模糊、快速运动等干扰项下的整体性能,结果表明所提算法在整体上提高了追踪的性能及精度,可以灵活适应不同特征的场景,并且相较于经典KCF平均精确度提高了35.4%,平均成功率提高了33.6%.     

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。     

基于时空特征的实时相关滤波目标跟踪

提出一种基于时空信息的相关滤波实时目标跟踪算法,以解决纹理改变、光照变化、旋转变形甚至遮挡情况下目标跟踪效率问题.此算法考虑到目标定位过程中,目标与其周围信息存在空域上的相关性,来构建目标空域滤波模型,并且该算法引入时间变量来在线更新得到时空域滤波模型,利用相邻帧信息相似性来降低遮挡对跟踪的影响.通过实验对比,验证了当目标受到非理想因素干扰时,所提算法具有健壮的鲁棒性和良好实时性.     

结合改进角点检测的优化核相关滤波方法

通常,核相关滤波（KCF）算法易受遮挡等实际检测情况的影响。为使跟踪结果更为准确,提出了结合改进角点检测的优化核相关滤波方法。由自适应Harris角点数量适宜且鲁棒性强的特点,解决了广义霍夫算法提取冗余边缘点速度慢,以及因光照变化导致的边缘点提取不完整的问题。同时,自适应阈值法的引入将噪声对角点提取的影响降为最低。将目标分块并对每一目标子块单独跟踪,由子块间相对位置解决KCF算法在尺度发生变化时目标易丢失的问题。此外,对学习率参数进行了自适应更新,降低了KCF算法的学习率,减少了在目标被遮挡时的模型更新误差。结合交并比与匈牙利算法关联多个目标,逐一取出对应坐标并由广义霍夫算法描绘的目标轮廓得出最终位置,抑制了目标快速运动时KCF算法的漂移现象。实验表明,所提方法有效提高了目标跟踪的可靠性。     

分块多特征目标描述子的移动机器人目标跟踪

为解决机器人目标跟踪过程中的遮挡和外观改变等问题, 提出一种分块多特征描述子的方法. 该方法将候选样本分块, 提取图像片的深度、颜色、纹理特征来表示目标构造检测器. 结合目标与机器人的运动构造运动卡尔曼滤波器(MEKF) 作为跟踪器. 跟踪过程中根据目标深度信息调整其尺寸, 结合深度特征及图像片外观相似度进行检测并处理遮挡. 实验结果表明, 该算法对目标的尺度变化、光照改变和遮挡现象具有较强的鲁棒性.

     

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。     

特征融合的尺度自适应核相关跟踪算法

针对KCF算法在跟踪过程中面对复杂场景、尺度变化等问题效果欠佳的问题,提出一个采用KCF跟踪器的特征融合的尺度自适应核相关跟踪算法.提出一种方向梯度直方图和颜色直方图特征的特征融合方法;采用一种含有7个固定尺度因子的尺度池,采用响应最大的尺度更新当下尺度;使用平均相关峰值能量作为模板更新的指标,控制响应更新.将改进算法...     

自适应多特征融合相关滤波目标跟踪

目的 针对现实场景中跟踪目标背景复杂、光照变化、快速运动、旋转等问题,提出自适应多特征融合的相关滤波跟踪算法。方法 提取目标的HOG（histogram of oriented gradients）特征和利用卷积神经网络提取高、低层卷积特征,借助一种自适应阈值分割方法评估每种特征的有效性,得到特征融合的权重比。根据权重系数融合每种特征的响应图,并据此得到目标的新估计位置,利用尺度相关滤波器计算目标尺度,得到目标尺度完成跟踪。结果 在OTB（object tracking benchmark）-2013公开数据集上进行实验,在对多特征融合进行分析的基础上,测试了本文算法在11种不同属性下的跟踪性能,并与当前流行的7种算法进行对比分析。结果表明,本文算法的成功率和精确度均排名第1,相较于基准算法DSST （discriminative scale space tracking）跟踪精确度提高了4%,成功率提高了6%。在复杂场景下比其他主流算法更具有鲁棒性。结论 本文算法以DSST相关滤波跟踪器为基准算法,借助自适应阈值分割方法评估每种特征的有效性,自适应融合两层卷积特征和HOG特征,使得判别性越强的单一特征融合权重越大,较好表达了目标的外观模型,在背景复杂、目标消失、光照变化、快速运动、旋转等场景下表现出较强的跟踪准确性。     

改进的KCF算法在车辆跟踪中的应用

针对核相关滤波算法(KCF)在复杂道路场景下难以应对因车辆尺度变化,遮挡及旋转而不能继续跟踪的问题,提出了一种新的跟踪方法来更好地实现复杂道路场景下的车辆跟踪。该方法借鉴快速分类尺度空间跟踪器(fDDST),采用一维尺度相关滤波器进行尺度估计。同时融合Kalman滤波器形成预测-跟踪-校准的跟踪机制。该机制结合遮挡处理能够保证系统在目标被严重遮挡时跟踪的准确性。在模型更新方面,在目标被遮挡时,自适应的调节学习率参数,及时纠正模型偏移、特征丢失等问题。实验结果表明,在复杂道路场景下车辆旋转 、遮挡及尺度变化时,均能有效地跟踪目标车辆,且具有良好的鲁棒性。     

尺度自适应的核相关滤波跟踪器

为了解决核相关滤波（KCF）跟踪器中目标尺度固定的问题,提出了一种尺度自适应的跟踪方法。首先利用Lucas-Kanade光流法跟踪相邻视频帧之间特征点的运动,引入前向后向跟踪方法保留可信特征点;其次将可信点用于尺度变化估计;然后将尺度估计应用到可调高斯窗上;最后运用前向后向跟踪算法来判断目标是否处于被遮挡状态,修改了模板更新策略。解决了核跟踪滤波器中目标尺度固定的限制,使得跟踪器更具鲁棒性与准确性。在目标跟踪视频集上测试算法效果。实验结果表明,所提算法在成功率图与精确度图排名上均优于原KCF、TLD、Struck算法。与原方法相比,改进后的方法能更好地适用于有尺度变化与遮挡的跟踪。     

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.

     

一种基于核相关滤波的视觉跟踪算法

视觉跟踪是计算机视觉的一个重要方向,而核相关滤波(KCF)跟踪是视觉跟踪领域中的一种比较新颖的方法,它不同于传统基于目标特征的方法,不仅具有较高的跟踪精度,而且具有较快的跟踪速度,在实际应用中效果显著。但当物体快速运动或存在较大尺度变化等时,该方法无法准确地跟踪目标。文中提出的基于核相关滤波器的改进算法有效地解决了上述问题,其通过随机更新多模板匹配,确定了核相关滤波的学习因子,从而实现了学习因子自适应更新模型。实验结果表明,该算法根据不同的场景能快速地调整学习因子,从而提高跟踪的成功度。通过自适应学习因子和多模板匹配,该算法对部分遮挡、光照和目标尺度变化具有较强的适应性。