基于颜色块重检的自适应抗遮挡目标跟踪算法

为了解决目标跟踪过程中目标遇到遮挡物容易跟丢的问题,提出了基于颜色块重检的自适应抗遮挡目标跟踪算法。通过计算获取初始帧目标的颜色块,当发生遮挡时基于该颜色块信息对丢失帧进行颜色分割、形态学处理得到候选颜色块,并对候选颜色块进行匹配和定位,最终定位到实际目标。相比于LCT+的支持向量机检测器,基于颜色块的自适应目标重检测实现了对全局图像的目标重检测,有效避免了目标丢失的情况。在OTB50和OTB100上对所提算法的跟踪性能进行了评估,结果表明相比于LCT+和其他的主流跟踪算法,所提算法具有较好的抗遮挡性能。     

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.     

遮挡情况下基于特征相关匹配的目标跟踪算法

特征相关匹配是重要的运动目标跟踪方法.目标特征有灰度特征和边缘特征两大类,在遮挡情况下,采用哪种特征进行匹配,要根据目标本身属性来确定.本文先对目标灰度性质做出判断,然后根据灰度单一或是丰富来合理选择边缘相关匹配或者是基于多子块的灰度相关匹配来解决遮挡情况下的刚性目标跟踪问题.其中边缘匹配算法是通过当前边缘与实时更新模板的最优匹配来确定目标的运动位移量.基于多子块的灰度相关匹配算法通过目标的各个具有较明显特征的子块准确判定遮挡区域,利用剩余的未被遮挡的子块参与灰度相关匹配继续跟踪目标.实验结果表明,这种算法是十分有效的.     

基于多线索自适应融合的抗遮挡目标跟踪算法

针对在复杂背景下,特别当目标与背景颜色相似、目标被遮挡时容易导致跟踪失败的问题,采用颜色与纹理两种互补特征融合的粒子滤波算法,同时提出一种融合策略自适应的抗遮挡跟踪方法,当遮挡发生时,适时切换融合策略,并在粒子滤波框架内嵌入mean-shift算法,克服了粒子退化现象。实验结果表明,该算法具有较强的抗遮挡能力,能够跟踪复杂背景下的目标。     

基于通道选择与目标重检的跟踪算法

为提高相关滤波类算法的性能,提出一种基于通道选择与目标重检的跟踪算法.通过计算每个卷积通道的特征均值和方差,选取符合条件的通道训练滤波器;根据滤波响应均值找出跟踪失败的帧,扩大搜索范围后使用最优模板再次检测丢失的目标位置;通过调整搜索框的比例来训练尺度滤波器,使用平均峰值相关能量约束模板更新.实验结果表明,所提算法的准...     

结合孪生网络重检的长期目标跟踪算法

针对传统长期相关滤波器使用特征单一、跟踪失败后无法再次捕捉到目标的缺点,提出一种结合深度学习的多特征融合长期目标跟踪算法.本算法在长期相关跟踪算法(long-term correlation tracking,LCT))的基础上,采用多特征融合的方式,将局部二值模式特征、改进的方向梯度直方图特征以及颜色特征相融合,来提...     

抗遮挡的自适应运动目标跟踪方法

针对复杂场景中的目标遮挡问题,提出一种基于均值漂移(Mean shift)和轨迹校正的自适应目标跟踪方法.由于Mean shift迭代易陷入局部最优点,这里引入Kalman滤波器以预测和校正目标运动轨迹,并根据迭代轨迹误差校正协方差,使得跟踪器在多峰值非高斯分布的复杂环境下也能收敛到全局最优点.基于Bhattacharrya系数计算色彩x、y方向分量相似度,并根据邻帧分量相似度偏差自适应调整相似度融合权值.综合当前帧和前面帧作用更新目标运动状态、特征和尺度模型.实验结果表明提出的方法对于静态场景遮挡和目标间互遮挡、部分和全部遮挡下的目标跟踪均具有鲁棒的跟踪性能.     

多特征融合且抗遮挡的长时目标跟踪算法

针对目标跟踪过程中的遮挡、形变以及长时跟踪等问题进行研究,提出一种多特征融合且抗遮挡的长时目标跟踪算法.以判别尺度空间(DSST)算法为框架,融合颜色空间特征,引入APCE指标,增强目标位置的预测和抗遮挡能力,提高算法的鲁棒性;增加随机蕨分类器检测机制,在跟踪失败时对目标进行重新检测定位;在模型更新阶段,利用帧差法调整...     

在线特征选择和遮挡处理的目标跟踪*

为了提高相似物体干扰、光照变化等复杂环境下目标跟踪的稳定性,提出利用Fisher准则的在线选择鉴别性特征,将在线特征选择嵌入到跟踪算法中。但是,在目标被严重遮挡时仍在线选择鉴别性特征,会使目标模板偏移,导致跟踪失败。为了在目标被严重遮挡的情况下仍能在线选择鉴别性目标特征,选择一个可靠的子区域来推测被遮挡目标的颜色特征,再选择鉴别性特征。实验结果表明该方法在相似物体干扰、被跟踪目标被遮挡等复杂环境下极大地改善了跟踪的稳定性。     

户外环境下抗遮挡的运动目标跟踪方法

针对户外环境光线和气候条件多变以及目标间相互遮挡对目标检测和跟踪的影响,提出了一种基于改进的高斯混合模型方法来检测运动目标,并消除噪声和阴影;同时采用基于Kalman滤波器的预测模型和最大后验概率目标匹配相结合的方法来实现目标的连续跟踪。实验表明,该方法能实现目标的稳定跟踪,且能够处理目标相互遮挡的情况,计算复杂度较低,基本满足实时应用的需求。     

基于无人机跟踪的目标反遮挡算法

随着计算机视觉和无人机的蓬勃发展,目标跟踪是当下研究热点之一;但对于该方向,目前存在大量问题,目标的遮挡就是其中之一;因此,为了解决该问题,在此提出了一种无人机抗遮挡目标跟踪算法;该算法基于均值漂移目标跟踪算法;采用动态参数选择策略和双预测机制相结合的方法来解决目标跟踪过程中的目标遮挡问题;为了避免目标丢失,算法中采用目标检测的方法;大量实验表明,在与现有的算法比较过程中,该算法展示出了对遮挡目标跟踪有较好的鲁棒性和实时性;与其他算法相比,其精度提高约了10%,平均目标符合率提高了约15%。     

基于LCT+的自适应抗遮挡目标跟踪算法

在目标跟踪过程中,目标遮挡往往会造成跟踪器的性能下降,从而导致目标丢失。针对这一问题,提出一种基于LCT+核相关滤波的自适应抗遮挡目标跟踪算法。该算法在LCT+核相关滤波算法的基础上进行改进,利用双跟踪器自适应对目标进行跟踪,即根据两个跟踪器的输出响应值大小选择最优跟踪器跟踪目标;利用支持向量机自适应重新检测目标,即根据目标丢失帧的数量自适应调整检测框范围的大小;最后采用颜色直方图匹配的方法进一步验证预测的目标。相比原算法,所提算法采取双跟踪器自适应跟踪机制和支持向量机自适应重检测机制,有效避免了目标跟丢。在OTB50和OTB100两个大型基准数据集上对算法进行验证,结果表明该算法在距离精度和成功率的评估指标上都优于一些主流算法,并且在抗遮挡方面具有较高的精度和较强的鲁棒性。     

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD（Tracking-Learning-Detection）算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题，提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本，其背景作负样本，获取手势HOG特征并投入到卷积神经网络中加以训练，得到手势检测分类器，从而确定目标手势区域，实现手势的自动识别；再利用TLD算法对手势进行跟踪与学习，对正负样本进行估计检测并实时校正，同时运用SURF特征匹配更新跟踪器。实验结果验证，该算法对比TLD经典算法跟踪精度提高了4.24%，增强了运动手势的跟踪效果，相比经典跟踪算法拥有更高鲁棒性。     

基于SIFT特征的抗遮挡目标跟踪算法

针对多目标跟踪过程中目标易丢失的问题,提出一种基于尺度不变特征变换(SIFT)特征的多目标跟踪算法。利用SIFT特征集,通过设置目标特征留存优先级,实时更新特征集,保存目标近几帧的稳定特征。对于半遮挡导致的物体丢失现象,提出一种根据匹配特征位置关系进行目标分离的方法,可有效标定遮挡发生时的各个目标。该算法无需目标的先验信息,通过留存优先级即可较稳定地跟踪多个目标。实验结果证明其对目标遮挡、尺度变化及形变具有较好的容错性和跟踪鲁棒性。     

基于特征自动选择的Mean Shift跟踪方法

扩展传统的Mean Shift跟踪算法,使其能够实现特征和量阶自动选择。引入比率 对数图及互信息方差实现特征的自动选取,同时提出一种新的量化方法,能够更显著地区分目标和背景。实验结果表明,该算法在多场景下具有较好的鲁棒性并能提高跟踪精度,可以适应光线变化、背景干扰、被部分遮挡或色彩质量较差的情况。     

TLD视频目标跟踪方法改进

TLD(Tracking-Learning-Detection)是Zdenek Kalal提出的一种新跟踪算法.该算法与传统跟踪算法的显著区别在于将传统跟踪算法与检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题.对TLD算法进行改进,在算法检测模块引入基于Meanshift与Kalman的当前帧目标所在区域预估,有效缩小检测模块的检测范围,提高算法实时性及准确性;对原算法方差分类器改进采用颜色特征分类器,提高算法对目标识别性能;对综合模块改进,提高算法目标跟踪成功率.通过实验对改进后的TLD及原TLD进行比较,实验结果表明,改进的TLD算法具有更高的跟踪准确性及更好的跟踪实时性.     

基于关键特征点的改进TLD目标跟踪算法研究

TLD（Tracking-Learning-Detection）算法是一种新颖的单目标长时间视觉跟踪算法,在给定极少的先验知识的情况下,能够迅速地学习目标特征并进行有效的跟踪。TLD算法中跟踪器每次在跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点都能够被可靠地跟踪。针对这个问题,提出一种基于关键特征点检测的改进TLD算法,保证所选特征点都能够被正确可靠地跟踪,防止跟踪结果发生漂移,提高了跟踪器的跟踪精度。另一方面,在TLD检测器中引入了基于轨迹连续性的在线位置预测,在保证正确跟踪的前提下,缩小了检测器的检测范围,提高了运算速度。实验结果表明,该算法有较高的跟踪精度和速度。     

基于自适应特征的地标跟踪算法

为实现无人直升机的地标跟踪,将在线特征选择过程嵌入粒子滤波算法,采用自适应的状态转移模型,在跟踪过程中利用R、G、B值的线性组合作为候选特征集,对特征的目标区域和背景区域的颜色直方图分布进行统计,根据获得的对数似然比,选择区分度最好的特征计算似然图像,并通过2种途径获得2组粒子,用于估计目标位置。实验结果表明,该算法跟踪精度较高,鲁棒性较强。     

低秩重检测的多特征时空上下文的视觉跟踪

时空上下文跟踪算法充分的利用空间上下文中包含的结构信息能够有效的对目标进行跟踪,实时性优良。但是该算法仅仅利用单一的灰度信息,使得目标的表观表达缺乏判别性,而且该方法在由于遮挡等问题造成的跟踪漂移后无法进行初始化。针对时空上下文算法存在的弱点,本文提出了一个基于低秩重检测的多特征时空上下文跟踪方法。首先利用多特征对时空上下文进行多方面的提取,构建复合时空上下文信息,充分利用目标周围的特征信息,提高目标表观表达的有效性。其次利用简单有效的矩阵分解方式将跟踪到的历史跟踪信息进行低秩表达,将其引入有效的在线重检测器中来保持跟踪结构的一致稳定性,解决了跟踪方法在跟踪失败后的重定位问题,在一系列跟踪数据集上的实验结果表明本算法比原始算法及当前的主流算法相比有更好的跟踪精度与鲁棒性,且满足实时性要求。