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.     

目标跟踪器性能评估方法研究进展

规范的评估方法可以在客观公正的基础上,准确反馈算法性能,比较不同算法,推动跟踪算法发展,指导工程应用。本文从目标跟踪算法的评估测量方法、常用的数据集和现有的评估项目3个方面,总结性能评估方法的研究进展。简要说明评估方法类型和单目标与多目标评估的差异,详细分析常用评估测量指标及其特点,介绍代表性的数据集和评估项目,最后对评估方法的发展进行探究。     

轻量化Transformer目标跟踪数据标注算法

目的 基于深度模型的跟踪算法往往需要大规模的高质量标注训练数据集,而人工逐帧标注视频数据会耗费大量的人力及时间成本。本文提出一个基于Transformer模型的轻量化视频标注算法（Transformer-based label network,TLNet）,实现对大规模稀疏标注视频数据集的高效逐帧标注。方法 该算法通过Transformer模型来处理时序的目标外观和运动信息,并融合前反向的跟踪结果。其中质量评估子网络用于筛选跟踪失败帧,进行人工标注;回归子网络则对剩余帧的初始标注进行优化,输出更精确的目标框标注。该算法具有强泛化性,能够与具体跟踪算法解耦,应用现有的任意轻量化跟踪算法,实现高效的视频自动标注。结果 在2个大规模跟踪数据集上生成标注。对于LaSOT （large-scale single object tracking）数据集,自动标注过程仅需约43 h,与真实标注的平均重叠率（mean intersection over union,mIoU）由0.824提升至0.871。对于TrackingNet数据集,本文使用自动标注重新训练3种跟踪算法,并在3个数据集上测试跟踪性能,使用本文标注训练的模型在跟踪性能上超过使用TrackingNet原始标注训练的模型。结论 本文算法TLNet能够挖掘时序的目标外观和运动信息,对前反向跟踪结果进行帧级的质量评估并进一步优化目标框。该方法与具体跟踪算法解耦,具有强泛化性,并能节省超过90%的人工标注成本,高效地生成高质量的视频标注。     

基于深度学习的分层关联多行人跟踪

由于连续帧之间数据关联的不确定性和所提取外观特征的鉴别力不足,多目标跟踪容易受目标外观变化、运动状态变化、相似目标以及目标消失再出现等干扰因素的影响,出现轨迹ID变换的问题,从而限制基于轨迹分析的行为检测、姿态识别等研究的性能。为了提高数据关联的可靠性从而减少轨迹ID变换,提出了一种基于轨迹置信度的分层数据关联方式。同时,为了提高用于数据关联的外观特征的鉴别力,提出融合了过程层的特征提取网络。在公开的MOT16测试数据集上验证表明,该算法在保证跟踪准确度和精确度的同时,有效降低了轨迹ID变换的次数,提高了跟踪性能。     

2DPCA与稀疏表示模型的运动目标跟踪法

为了提高目标跟踪的准确性,针对当前目标跟踪算法的光照、遮挡以及姿态变化鲁棒性差等问题,提出了一种二维主成分分析和稀疏表示的目标跟踪算法。采用二维主成分分析和稀疏表示降低数据维数,减少计算复杂度,采用粒子滤波算法跟踪序列图像中的运动目标,采用仿真实验测试算法的性能。仿真结果表明,相对于其他运动目标跟踪算法,该算法可以更准确跟踪视频图像中的运动目标,并对光照和姿态变化具有良好的鲁棒性,对于严重遮挡目标跟踪问题,具有明显的优势。     

学习畸变抑制滤波器的多特征决策目标跟踪

为解决传统判别式相关滤波算法在跟踪过程中由于出现响应图畸变和外观模型描述不准确而导致的跟踪漂移问题,提出一种基于学习抑制畸变相关滤波器和选择最优特征组合的目标跟踪算法.通过引入裁剪矩阵和正则化项的方法,使在扩大目标搜索区域的同时有效抑制响应图畸变问题的发生;采用以多特征组合为基础的多特征决策方案选择出最优特征组合用于目标跟踪,提高目标外观表征能力.通过在公开测试集上与多种算法性能进行对比分析,验证了所提算法的准确性和有效性.     

目标跟踪算法综述

目标跟踪一直以来都是计算机视觉领域的关键问题,最近随着人工智能技术的飞速发展,运动目标跟踪问题得到了越来越多的关注.本文对主流目标跟踪算法进行了综述,首先,介绍了目标跟踪中常见的问题,并由时间顺序对目标跟踪算法进行了分类:早期的经典跟踪算法、基于核相关滤波的跟踪算法以及基于深度学习的跟踪算法.接下来,对每一类中经典的跟踪算法的原始版本和各种改进版本做了介绍、分析以及比较.最后,使用OTB-2013数据集对目标跟踪算法进行测试,并对结果进行分析,得出了以下结论:1）相比于光流法、Kalman、Meanshift等传统算法,相关滤波类算法跟踪速度更快,深度学习类方法精度高.2）具有多特征融合以及深度特征的追踪器在跟踪精度方面的效果更好.3）使用强大的分类器是实现良好跟踪的基础.4）尺度的自适应以及模型的更新机制也影响着跟踪的精度.     

基于孪生网络的单目标跟踪算法综述

单目标跟踪是计算机视觉领域的一个重要研究方向，在视频监控、自动驾驶等领域应用广泛。对于单目标跟踪算法，尽管已有大量总结研究，但大多基于相关滤波或深度学习。近年来，基于孪生网络的跟踪算法因在精度和速度之间取得的平衡受到研究者们的广泛关注，然而目前对该类型算法的总结分析相对较少，并且对这些算法的架构层面缺少系统分析。为深入了解基于孪生网络的单目标跟踪算法，对大量相关文献进行了总结与分析。首先阐述孪生网络的结构和应用，并根据孪生跟踪算法架构组成的分类介绍了各跟踪算法；然后列举单目标跟踪领域常用的数据集和评价指标，对25个主流跟踪算法在OTB2015数据集上分别进行整体和各属性的性能比较与分析，并列出23个孪生跟踪算法在LaSOT和GOT-10K测试集上的性能以及推理时的速度；最后对基于孪生网络的目标跟踪算法的研究进行总结，并对未来的发展方向进行展望。     

一种基于Mean Shift的快速跟踪算法

针对Mean Shift算法难以跟踪快速运动目标、算法迭代次数多以及耗费时间长的问题,提出了一种基于Mean Shift的快速运动目标检测方法,该方法结合帧差法并融合背景信息来快速检测运动目标;同时提出一种新的相似性度量方法进行初步检测,排除干扰并快速选出符合标准的目标以进行Mean Shift匹配,找出最佳目标。该方法不仅减少了传统方法的迭代次数,缩短了算法所需时间,而且在跟踪实验中取得了较好的跟踪效果,提升了算法的鲁棒性。     

一种快速的自适应目标跟踪方法

由于光照变化、视角差异、相机抖动和部分遮挡等因素的影响,鲁棒的目标跟踪仍然是计算机视觉领域极具挑战性的研究课题.受协同训练和粒子滤波算法的启发,提出一种快速的自适应目标跟踪方法.该方法采用HOG(histogram of oriented gradients)和LBP(local binary pattern)描述目标特征并建立分类器,通过协同训练实现分类器的在线更新,有效解决了误差累积问题.为缩小目标搜索的状态空间,利用ICONDENSATION的运动模型和重要采样提高粒子采样的准确性和效率,并引入校正因子抑制虚假目标的干扰,从而提升了跟踪算法的鲁棒性和分类器更新的准确性.在两组标准测试集和两组自建测试集上的对比实验结果验证了所提出跟踪算法的有效性.与基于全局搜索的跟踪方法相比,该算法在不降低跟踪性能的前提下将处理速度提高25倍以上.     

A Pyramid Approach to Motion Tracking

This paper presents a multiresolution approach to visual motion tracking. In the approach, the foveation mechanism of the human visual system is used to model the multiresolution information perception algorithms of a Transputer-based pyramid visual tracking system. The video images of a moving target are transformed into pyramidal data structures, each of those images consists of multiple image layers with different resolutions by a Gaussian pyramid generation algorithm. The tracking of a moving target over an image sequence is accomplished by performing a foveal search that is based on an iterative intensity pattern correlation along the multiple resolution levels of the Gaussian pyramids of two successive images. Analyses are given as to the efficiency and accuracy of our tracking algorithm, showing that the algorithm is over 160 times faster than conventional mono-resolution tracking methods, with the tracking error within one pixel. To demonstrate the superiority of the multiresolution tracking algorithm in the connection to parallel computation, a scheme for mapping the tracking algorithm into a Transputer-based pyramidal parallel computing structure is proposed in the paper. Experimental results demonstrate good performance of the proposed approach.     

面向小运动目标的压缩域跟踪方法

压缩域跟踪是直接从压缩码流中提取运动矢量和块编码模式来实现目标对象的跟踪.针对现有压缩域跟踪方法对小运动目标跟踪性能较差的问题,本文提出了一种面向小运动目标的压缩域跟踪算法.在分析现有算法不足原因的基础上,本文从起始帧掩模的获取、离群值边界的设置和预测跟踪小目标的边缘控制三个方面提升小目标跟踪的性能,并通过数据驱动的方法寻找到块编码感知的系统参数优化.所提算法在三个小目标视频序列上进行了测试,实验结果表明,与其它压缩域跟踪算法相比,本文算法可以有效地提高小运动目标跟踪的准确率和F度量.     

遮挡情况下的视觉目标跟踪方法研究

将目标整体相关匹配算法和目标各子块相关匹配作表决的算法相结合,有效解决了运动目标被遮挡的跟踪问题.目标被遮挡,表现为某些子块被遮挡且匹配错误.对被遮挡的子块使其不参与表决,也不参与整体相关匹配的计算,只利用目标剩余的能代表目标本身属性的未遮挡子块继续跟踪目标.实验结果表明,采用的两种算法互为补充,对解决遮挡情况下目标的视觉跟踪是有效的.     

多目标跟踪系统数据融合算法的性能评估

通过构建一个多传感器信息融合算法的仿真测试系统,模拟了多种实际战场环境,对不同信息融合算法的测试结果的统计与分析;综合性能评估领域已有的研究成果,建立了完整的多目标跟踪数据融合算法性能评估的通用的指标体系;针对基于声传感器布阵的多目标跟踪系统,提出了系统时间延迟的统计方法;最后,通过蒙特卡罗仿真实验的多次测试,验证了该指标体系能够很好地反映多目标跟踪系统数据融合算法的基本性能.     

Moving people tracking with detection by latent semantic analysis for visual surveillance applications

The latent semantic analysis (LSA) has been widely used in the fields of computer vision and pattern recognition. Most of the existing works based on LSA focus on behavior recognition and motion classification. In the applications of visual surveillance, accurate tracking of the moving people in surveillance scenes, is regarded as one of the preliminary requirement for other tasks such as object recognition or segmentation. However, accurate tracking is extremely hard under challenging surveillance scenes where similarity among multiple objects or occlusion among multiple objects occurs. Usual temporal Markov chain based tracking algorithms suffer from the ‘tracking error accumulation problem’. The accumulated errors can finally make the tracking to drift from the target. To handle the problem of tracking drift, some authors have proposed the idea of using detection along with tracking as an effective solution. However, many of the critical issues still remain unsettled in these detection based tracking algorithms. In this paper, we propose a novel moving people tracking with detection based on (probabilistic) LSA. By employing a novel ‘twin-pipeline’ training framework to find the latent semantic topics of ‘moving people’, the proposed detection can effectively detect the interest points on moving people in different indoor and outdoor environments with camera motion. Since the detected interest points on different body parts can be used to locate the position of moving people more accurately, by combining the detection with incremental subspace learning based tracking, the proposed algorithms resolves the problem of tracking drift during each target appearance update process. In addition, due to the time independent processing mechanism of detection, the proposed method is also able to handle the error accumulation problem. The detection can calibrate the tracking errors during updating of each state of the tracking algorithm. Extensive, experiments on various surveillance environments using different benchmark datasets have proved the accuracy and robustness of the proposed tracking algorithm. Further, the experimental comparison results clearly show that the proposed tracking algorithm outperforms the well known tracking algorithms such as ISL, AMS and WSL algorithms. Furthermore, the speed performance of the proposed method is also satisfactory for realistic surveillance applications.     

一种基于SIFT特征光流的运动目标跟踪算法

针对传统光流跟踪算法计算复杂度高、受噪声影响大的问题,提出了一种基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)和卡尔曼滤波器的特征点光流跟踪算法。首先,利用SIFT算法提取图像中的特征点;然后,根据最小绝对值误差准则对运动目标的特征点进行匹配,建立卡尔曼滤波器方程来计算特征点光流;最后,通过光流特征聚类实现运动目标的识别与跟踪。实验结果表明,算法对自然场景中的运动目标具有良好的跟踪特性,稳定性好,计算量小,易于实现。     

随机边缘特征匹配在运动车辆跟踪算法中的应用

目标跟踪算法中往往需要有效的特征对目标进行跟踪识别。本文提出了随机边缘特征的概念,对其物理意义及匹配算法进行了阐述,并将其应用到运动车辆跟踪算法中。实验结果表明,该算法能够对序列图像中的多个运动车辆进行跟踪识别,对车辆的尺度、视角、光线及运动状态的变化等不利因素有较好的适应性。     

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。     

基于MATLAB的相关滤波跟踪算法仿真分析

摘要：基于相关滤波的目标跟踪算法是一种常见的视觉跟踪方法,它利用目标的特征信息进行跟踪;在跟踪过程中通过计算目标模板与当前帧图像中候选区域之间的相关性来判断目标的位置;通过介绍首个将相关滤波理念与目标跟踪技术相结合的MOSSE算法,引入了三种基于此算法的改进相关滤波跟踪算法：KCF算法、DSST算法以及BACF算法;并基于视频跟踪基准OTB100数据集在MATLAB平台进行仿真实验,一次性评估标准下,BACF算法的平均成功率与平均精确度分别为最高的64.5%与80.4%,空间鲁棒性评估标准下,BACF算法的平均成功率与平均精确度分别为最高的58.2%与78.6%,时间鲁棒性评估标准下,BACF算法的平均成功率与平均精确度分别为最高的65.8%与85.1%,因此BACF算法的跟踪性能最佳,而KCF算法实现了最高的154.36帧率的跟踪速度。     

基于双模态输入的孪生网络目标跟踪算法

主流的目标跟踪算法只使用可见光(RGB)图像进行跟踪任务,当跟踪场景的光照条件较差时,表征颜色和纹理特征的可见光图像会严重限制跟踪器的跟踪性能.针对单一模态目标信息存在缺失的问题,在Siam-FC网络模型以及红外—可见光图像融合思想的基础上提出了双模态权值自更新孪生网络目标跟踪方法.根据红外图像可以采集运动目标热信息的特点,有效利用了红外和可见光图像在目标跟踪领域的互补优势;使用较浅的特征提取网络AlexNet即可提取到运动目标具有鲁棒性的特征,在保证跟踪精度的同时提高了跟踪模型的跟踪速度.在公开数据集OTB2015和红外—可见光数据集RGB-T210进行实验,结果表明提出的目标跟踪算法在各种跟踪场景下都取得了较好的跟踪效果.