基于卷积特征的核相关自适应目标跟踪

目的 针对现实场景中跟踪目标的快速运动、旋转、尺度变化、遮挡等问题,提出了基于卷积特征的核相关自适应目标跟踪的方法。方法 利用卷积神经网络提取高、低层卷积特征并结合本文提出的核相关滤波算法计算并获得高底两层卷积特征响应图。采用Coarse-to-Fine方法对目标位置进行估计,在学习得到1维尺度核相关滤波器估计尺度的基础上实时更新高低两层核相关滤波器参数,以实现自适应的目标跟踪。结果 实验选取公开数据集中的典型视频序列进行跟踪,测试了算法在目标尺度发生变化、遮挡、旋转等复杂场景下的跟踪性能并与多种优秀的跟踪算法在平均中心误差、平均重叠率等指标上进行了定量比较,在Singer1、Car4、Jogging、Girl、Football以及MotorRolling视频图像序列上的中心误差分别为8.71、6.83、3.96、3.91、4.83、9.23,跟踪重叠率分别为0.969、1.00、0.967、0.994、0.967、0.512。实验结果表明,本文算法与原始核相关滤波算法相比,平均中心位置误差降低20%,平均重叠率提高12%。结论 采用卷积神经网络提取高低两层卷积特征,高层卷积特征用于判别目标和背景,低层卷积特征用于预测目标位置并通过Coarse-to-Fine方法对目标位置进行精确的定位,较好地解决了由于目标的旋转和尺度变化带来的跟踪误差大的问题,提高了跟踪性能并能够实时更新学习。在目标尺度发生变化、遮挡、光照条件改变、目标快速运动等复杂场景下仍表现出较强的鲁棒性和适应性。     

结合定向扰动和HOG特征的卷积神经网络目标跟踪

基于深度学习的目标跟踪中,针对当目标发生快速移动、摄像机偏移、目标丢失时会严重影响跟踪器的精度、稳定性和成功率的问题,提出定向扰动算法.利用卷积神经网络可以定位的特点.改变粒子滤波器的扰动中心;定向扰动采样;使得候选样本更加接近真实位置,加速目标找回,防止目标丢失,进而提升跟踪器的精度和成功率.在决策阶段,先得到定位热点图;再提取前后帧目标HOG特征;最后计算相似度找到最优解.在加入HOG特征后,跟踪器可以适应更多的复杂场景,提升了跟踪器的鲁棒性.在obt-13基准数据库上,与FCNT,MEEM等算法进行实验的结果表明,在资源占用量很小的情况下,文中算法能有效地提升跟踪的精度、成功率以及鲁棒性,可以更好地应用于实际场景,并可扩展到其他跟踪器中.     

基于自适应背景的多特征融合目标跟踪

针对基于单一特征的目标跟踪算法,在复杂情形下,很难准确跟踪目标的问题,提出一种基于自适应背景的多特征融合目标跟踪算法。该算法利用颜色和基于灰度共生矩阵纹理特征表征目标,在粒子滤波的框中,通过分析在不同特征下,粒子空间分布、权值分布,以及特征对背景的区分性,提出一种有效的融合系数计算方法; 根据在跟踪过程中目标外观的变化情况,自适应更新目标模板。在不同场景下的实验结果表明:该算法在不降低实时性的前提下,抗背景干扰能力大幅度提高; 在各种场景下,均具有良好的稳定性和鲁棒性。     

一种基于背景加权的多特征融合目标跟踪算法

针对均值漂移(MS)目标跟踪算法受背景环境变化干扰较大的问题,提出一种基于背景加权的多特征融合目标跟踪算法BWMMS。引入基于目标模型与目标周围背景模型差分的加权函数,细化各像素对准确描述目标的重要程度,从而提高目标模板的分辨能力。结合颜色与纹理特征进行目标跟踪,构建基于目标和目标背景区域的特征自适应融合机制,使BWMMS算法能够根据跟踪场景变化自适应调整颜色与纹理特征的权值。实验结果表明,与MS算法、HRBW算法相比,该算法对环境变化的适应性较好,能取得更鲁棒的跟踪结果,且跟踪成功率高达94.84%。     

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。     

基于卷积特征建模的目标检测方法

现有依赖CNN的目标检测算法常采用特征融合的建模方式来丰富特征表达,虽然该方法一定程度上能有效改善多尺度目标检测,但是在针对复杂场景进行检测时却没有显著的提升。这主要受限于三个问题的影响:长路径特征融合造成的特征间相关性损失;仅设计了单方向的融合连接,忽略了反方向的语义信息弥补;忽略了有效感受野(effective receptive field,ERF)在多尺度检测中的重要性。针对这三点分别设计了二次融合结构(double fusion structure,DFS)、多分支融合模块(multi branch fusion module,MBFM)和感受野增强模块(receptive field enhance module,RFEM)。该方法利用DFS缩短特征层级间的相对路径,然后通过MBFM来同时弥补上层和下层的语义信息缺失,并使用RFEM建模特征通道,增大ERF区域。最终模型在PASCAL VOC 2007测试数据集上达到了85.4%的平均精度均值(mean average precision,mAP),与依赖传统建模方式的检测算法相比,提出的方法提高了2.6%。     

基于卷积特征深度融合的海上目标跟踪算法

针对海上复杂环境下深度学习方法跟踪速度慢和尺度变化问题,以及现有跟踪算法仅使用单层深度特征或手动融合多层特征的问题,提出一种基于卷积神经网络特征深度融合的多尺度相关滤波海上目标跟踪算法。以VGG-NET-16深度模型为基础,加入多层特征融合结构,实现深度卷积融合网络,用于特征提取,通过相关滤波算法构建定位滤波器,确定目标的中心位置,通过多尺度采样构建尺度滤波器,实现对目标的判断。实验结果表明,该算法可对海上移动目标实现多尺度的有效跟踪。     

基于卷积特征融合的通用目标检测方法

针对现有目标检测算法在检测时易受到图像尺度变化、目标间遮挡或截断等因素影响的问题,对卷积神经网络（convolutional neural network,CNN）中不同层次的特征进行了研究,提出了一种融合深度网络卷积特征的目标检测算法。算法采用多阶段的特征复用和特征融合减少特征间相关性的损失,最终在PASCAL VOC 2007测试数据集上达到了84.21%的mAP （mean average precison,平均精度均值）值;与未使用特征融合方法以及使用传统特征融合的方法相比,提出的方法分别提高了4.41%和2.71%。     

基于相关滤波融合多特征的运动目标跟踪方法

针对复杂环境下仅使用单一图像特征跟踪精度和鲁棒性差的问题,提出一种多特征融合的相关滤波目标跟踪算法。该算法首先从目标和背景区域分别提取方向梯度直方图(Histogram of oriented gradient,HOG)特征、颜色直方图特征和卷积特征,采用固定权重方法融合HOG特征和颜色直方图特征的特征响应图,然后将该层融合结果与卷积特征响应图采用自适应权重融合策略进行融合,基于融合后的响应图估计出目标位置,并采用尺度估计方法解决目标尺度变化问题,最后采用稀疏模型更新策略进行模型更新。在OTB-2013公开标准测试集中验证本文算法性能,并与主流的目标跟踪算法进行了对比分析。实验结果表明,与其中最优算法相比,本文算法的平均距离精度值和平均重叠精度值都有所提高。本文算法由于有效地利用了HOG特征、颜色直方图特征和卷积特征,在复杂场景下目标跟踪的准确性和鲁棒性都优于其他算法。     

基于PYNQ框架的深度卷积特征异构跟踪系统

针对深度卷积特征目标跟踪算法中特征提取计算量大、速度慢、难以在嵌入式平台上应用的问题,提出了一种基于PYNQ框架的目标跟踪方案,并将其部署在Zynq异构平台.首先设计基于深度卷积特征的目标跟踪算法;根据算法的特点进行软硬件划分,完成片上系统的构建;然后针对深度卷积特征提取的计算过程进行并行优化,导出加速IP核;最后在P...     

基于粒子滤波后验概率分布的多特征融合跟踪

在光照和目标形变等外部条件变化的情况下,仅利用目标的单一特征难以鲁棒的跟踪目标。提出了一种基于粒子滤波后验概率分布的多特征融合跟踪算法,在粒子滤波跟踪框架下,用直方图模型表征目标的颜色和边缘特征,通过两种特征后验概率之间的"协作"与"学习"实现特征融合,各种场景的试验结果比较表明,新的融合跟踪算法比仅用单一特征跟踪、现有的多特征融合算法具有更好的稳定性和鲁棒性,特别是针对环境光照和目标背景变化较大的情况更具有优势。     

基于不确定性度量的多特征融合跟踪

提出了一种新的基于特征不确定性度量的多特征融合跟踪算法. 首先, 针对粒子滤波跟踪算法中特征鉴别能力较弱且粒子分布相对分散时容易造成目标丢失的事实, 本文定义了一种新的特征不确定度量方法, 该度量可以在线调整不同类型特征对跟踪结果的贡献. 同时, 针对乘性和加性特征融合跟踪算法方法中存在的缺陷, 提出了一种自适应的多特征融合方法, 融合的结果既突出了状态后验分布中目标真实状态对应的峰值, 又对噪声不敏感, 从而提高了目标跟踪的鲁棒性. 各种场景下的实验结果比较表明: 新的融合跟踪算法比单特征跟踪、 乘性融合跟踪和加性融合跟踪有着更好的稳定性和鲁棒性.     

基于通道权重融合特征的目标跟踪算法

目标跟踪是机器视觉领域的一个研究热点,如何提高复杂场景下的跟踪水平是一个挑战性的问题.以往的研究表明,如何有效使用特征是实现跟踪的关键.因此,提出一种基于通道融合特征的目标跟踪算法.该方法基于多通道相关滤波框架,引入特征通道权重,根据通道对响应值的贡献度调整权重,从而构建实时特征组合.该算法能够快速捕捉目标状态变化,有效跟踪目标.为了验证算法跟踪的有效性,我们在公开数据集OTB-2015上测试算法性能,并与多种跟踪算法进行比较.实验结果显示,该算法在跟踪精度、成功率上都取得较好的结果,整体性能优于对比算法.     

Robust Visual Tracking Based on Convolutional Features with Illumination and Occlusion Handing

视觉追踪是在计算机视觉的一个重要区域。怎么处理照明和吸藏问题是一个挑战性的问题。这份报纸论述一篇小说和有效追踪算法处理如此的问题。一方面,一起始的外观总是有的目标清除轮廓,它对照明变化光不变、柔韧。在另一方面,特征在追踪起一个重要作用,在哪个之中 convolutional 特征显示出有利性能。因此,我们采用卷的轮廓特征代表目标外观。一般来说,一阶的衍生物边坡度操作员在由卷检测轮廓是有效的他们与图象。特别, Prewitt 操作员对水平、垂直的边更敏感,当 Sobel 操作员对斜边更敏感时。内在地, Prewitt 和 Sobel 与对方一起是补足的。技术上说,这份报纸设计二组 Prewitt 和 Sobel 边察觉者提取一套完全的 convolutional 特征,它包括水平、垂直、斜的边特征。在第一个框架,轮廓特征从目标被提取构造起始的外观模型。在有这些轮廓特征的试验性的图象的分析以后,明亮的部分经常提供更有用的信息描述目标特征,这能被发现。因此,我们建议一个方法比较候选人样品和我们仅仅使用明亮的象素的训练模型的类似,它使我们的追踪者有能力处理部分吸藏问题。在得到新目标以后,变化以便改编外观,我们建议相应联机策略逐渐地更新我们的模型。convolutional 特征由井综合的 Prewitt 和 Sobel 边察觉者提取了的实验表演能是足够有效的学习柔韧的外观模型。九个挑战性的序列上的众多的试验性的结果证明我们的建议途径与最先进的追踪者比较很有效、柔韧。     

利用区域变形和背景更新实现运动对象跟踪

从时域统计的角度出发,提出了一种结合自适应混合背景更新模型的区域变形跟踪算法．该算法以模型更新得到的前景／背景二值分割掩膜作为区域特征,将跟踪问题抽象为一个水平集(Level Set)偏微分方程的数值求解问题,并分析了算法的自适应性．为了进一步提高算法的实现效率,引入了窄带跟踪方案．实验表明,该算法可以对视频序列中的指定运动对象进行快速精确的跟踪。     

基于排序支持向量机的多特征融合目标跟踪算法

针对计算机视觉领域的目标跟踪问题,提出一种基于排序支持向量机的多特征融合目标跟踪算法。利用排序支持向量机学习得到排序函数,提取2种不同的图像特征分别构造分类器,使2个排序支持向量机并行预测,分别计算2个分类器的错误率,从而得到分类器权重完成融合。实验结果表明,与目前主流的跟踪算法相比,该算法的跟踪结果更准确,在复杂视频环境下也能对目标进行稳定跟踪,具有较强的鲁棒性。     

响应置信度的多特征融合核相关滤波跟踪算法

摘要：针对传统核相关滤波（KCF）在跟踪彩色视频序列不能有效利用颜色特征,并且处理目标遮挡和形变能力低等问题,提出一种响应置信度的多特征融合核相关滤波跟踪算法。该算法首先提取目标图像的方向直方图特征和颜色直方图特征,通过计算高响应值点在响应图上层的占比,来判断目标的跟踪情况,进而调整学习率的大小;然后用两种特征的平均峰相关能量(APCE)和最大响应峰值的乘积来加权融合目标位置。实验对比表明,提出的跟踪算法在精度和成功率上相对于KCF算法分别提升了12.8%和22.6%, 在目标发生遮挡、快速移动、旋转等复杂情况下仍然具有较强的鲁棒性。     

具备重检测机制的融合特征视觉跟踪算法

结合图像梯度特征和颜色特征,在相关滤波器跟踪框架基础上,提出一种改进的 视觉跟踪算法。对颜色特征进行统计建模,结合由稠密目标后验概率积分得到的目标置信积分 和梯度特征相关滤波输出作目标跟踪。同时,还对目标跟踪的结果作质量评估,在跟踪质量非 可靠时启动目标重检测过程,采用基于稠密目标后验概率的置信积分来确定备选目标。对跟踪 质量不可靠且未重检测到可靠目标的视频帧,不进行跟踪模型的在线更新。实验表明,该算法 可以有效避免因遮掩等原因而引起的跟踪不可靠和模型漂移的问题,跟踪性能和几个主流的相 关滤波类跟踪器相比有明显改善。