基于空间直方图的多目标粒子滤波跟踪

针对复杂场景中多目标跟踪问题,本文给出了目标的出现与消失、遮挡等模型描述,将其统一到粒子滤波的框架下,提出了一种可以处理目标数可变的多目标跟踪算法.对场景中的目标数建立马尔科夫模型,采用转移概率矩阵描述跟踪过程中目标出现,消失的情况;在状态表示中增加辅助变量,明确目标之间可能的遮挡;采用目标空间直方图建立基于唯一性原则的观测似然函数,通过后验概率分布估计目标数及目标状态.实验结果表明,本文算法能有效地处理跟踪过程中的目标数变化、目标遮挡等问题,实现多目标的正确跟踪.     

基于双层粒子滤波和半监督Hough Forests 的多目标跟踪

本文针对单目摄像头、复杂可变背景环境下的多目标跟踪问题,将 tracking-by- detection 方法与粒子滤波相结合,从不稳定的信息源中提取高置信度模型作为观测,在半监督学习框架中实现了动态视频场景中的多个目标跟踪,并设计了一个多目标的维护机制以应对遮挡、背景变化、目标进出场景等可能引起目标混淆的情况.实验证明,本文提出的算法能够稳定跟踪复杂场景中的多个目标,有效区分不同目标,对目标的遮挡、背景干扰等均有良好的处理效果.     

基于稀疏子空间的卷积神经网络目标跟踪

针对粒子滤波目标跟踪过程中初始化和权值退化的数据处理情况,在粒子滤波框架下提出一种基于稀疏子空间的卷积神经网络目标跟踪算法。以仿生学为基础,在目标跟踪过程中引入稀疏子空间和卷积神经网络。首先,利用稀疏子空间模型筛选出与目标状态相似度较高的候选区域进行后续跟踪处理,减少冗余计算并降低跟踪的复杂性;然后,将稀疏子空间输出用作卷积神经网络的输入,并利用卷积神经网络模型对图像数据处理的优点进行目标跟踪的数据处理;最后,通过对目标数据的不断更新来减少目标表观变化的影响。实验表明,该算法能够更好地处理目标跟踪中的目标遮挡、运动模糊、光流与尺度变化,提高算法的准确性和数据处理能力。     

多区域采样目标跟踪算法

针对传统粒子滤波算法中容易发生的退化现象和粒子贫化问题,提出多区域采样目标跟踪方法。该算法将目标模板用多个重叠子区域划分,每个子区域对应一个采样窗口,根据采样子区域置信度能有效估计出跟踪目标的真实状态,子区域的互补性和阶段唯一性能很好地保证采样粒子有效性和状态空间质量,从而提高目标跟踪的精确度。实验结果表明,本文所提出算法能有效缓解目标跟踪中的粒子退化和贫化问题,提高粒子利用率,并且对目标形变、光照变化和部分遮挡等复杂情况具有较好的跟踪性能。     

基于子空间约束的面部特征点跟踪算法

为克服纹理不丰富和非刚性形变等因素引起的面部特征点跟踪困难,提出了一种基于子空间约束的面部特征点跟踪算法。针对人脸运动特点,将面部特征点分为具有复杂运动模式和简单运动模式的特征点集。用通过样例学习得到的特定描述模型准确刻画了具有复杂运动模式的特征点集的变化,保证了子空间约束的有效性。对运动模式简单的特征点集的跟踪则采用基于光流的算法,以提高算法的效率,也为基于特定描述模型的跟踪算法提供了更准确的起始搜索位置。对跟踪结果进一步应用子空间约束解决跟踪中的开孔问题和消除跟踪误差。实验结果表明,在存在较大验部变形和部分特征点纹理不丰富的情况下,该方法可以有效地跟踪较密集的面部特征点。     

复杂背景及遮挡条件下的运动目标跟踪

CamShift算法应用于复杂背景及遮挡条件下视频跟踪时,极易出现跟踪失效和目标丢失。本文提出基于颜色、纹理及目标运动信息的综合特征用于改进CamShift算法,结合Kalman滤波器对目标运动状态进行预测提高了复杂背景下运动目标的跟踪稳定性和跟踪精度。在目标发生遮挡时,通过目标遮挡前的先验信息进行最小二乘拟合及目标运动轨迹外推,预测目标运动位置信息,有利于遮挡结束时对运动目标的重新捕获。多组实验结果及性能分析表明,该算法在复杂背景及目标被短时遮挡情况下,可以实现目标的持续、稳定跟踪,并具有较好的实时性。     

一种灰度成像扩展目标跟踪方法

灰度图像色彩信息贫乏会导致易陷于局部相似,使跟踪点发生漂移。针对此问题,提出了基于目标成像空间域与特征域分布的改进直方图模式扩展目标跟踪算法。以基于像素位置和像素灰度值的直方图模式作为目标模式;相似度测量采用基于Bhattacharyya系数定义的距离;用均值偏移迭代进行匹配区域搜索;通过建立卡尔曼预测跟踪策略解决目标被遮挡时的跟踪问题。试验结果表明,采用该算法,跟踪点漂移由原来十几个像素的波动减少到仅偶有1个像素的抖动。     

融合空间掩膜预测与点云投影的多目标跟踪

针对自动驾驶目标跟踪领域中,目标遮挡引起特征点损失,从而导致丢失跟踪目标的问题,本文提出了一种融合空间掩膜预测与点云投影的多目标跟踪算法,以减少遮挡产生的不利影响。首先,通过实例分割掩膜提取模型处理时序图像数据,获得基掩膜数据。其次,将获取掩膜数据输入跟踪器,通过预测模型获取后续序列图像掩膜输出,并利用验证器进行对比分析,以获得准确的目标跟踪输出。最后,将获取的二维目标跟踪数据投影到对应的点云图像中,获得最终的三维目标跟踪点云图像。本文在多个数据集上进行仿真实验,实验结果表明本文算法的跟踪效果优于其他同类算法。此外,在实际道路上进行测试,对于车辆的检测精度达到81.63%,验证了本文算法也可以满足实际路况下目标跟踪的实时性需求。     

基于卡尔曼滤波的多运动目标跟踪算法研究

针对多运动目标跟踪的实时性和鲁棒性问题,本文提出了一种基于卡尔曼滤波的多运动目标跟踪算法,该算法运用卡尔曼滤波预测目标的位置,并以目标的中心点坐标、面积和长宽比特征、一维HSV颜色直方图作为目标的特征对当前帧检测到的目标模板和预测区域内的目标进行匹配。实验证明,该算法可实时、稳定地跟踪复杂场景内的多运动目标,并能够解决目标遮挡问题。     

一种基于自适应特征选择的目标实时跟踪算法

针对传统的均值漂移算法,加入了自适应特征选择,提高了均值漂移算法在复杂场景中目标跟踪的鲁棒性.传统的均值漂移算法往往选择固定的一个或两个特征(比如颜色)对目标进行跟踪,当跟踪场景发生变化,容易跟踪失败.本文通过分析被跟踪目标特征与变化背景的区分度来确定最显著特征与次显著特征,从而选择出最有效的目标特征,实现复杂变化场景下的目标跟踪.一系列不同场景下的运动目标跟踪实验,证实了该算法的可靠性.     

保持稀疏重构的半监督字典学习在扶梯场景下的应用

基于目标检测、场景识别的行人安全检测手段已经成为扶梯安全监测领域的新思路,经过优化的图像识别算法可以在高速GPU平台上对视频进行实时分析。针对复杂的扶梯场景,通过增量张量子空间的背景模型分割前景获得目标的运动区域后,需要快速、准确地判断该运动区域是否为人体。该文研究了基于保持稀疏重构的思想,迫使跟踪结果中确实是目标本身的数据共享少量字典模板,排除目标运动区域像素被噪声污染或被其他物体遮挡的可能性,进而采用半监督字典学习的方法,剔除跟踪结果中的非目标样本,同时也为下一步鲁棒的人体跟踪提供了可靠的模板。     

基于在线学习的自适应粒子滤波视频目标跟踪

传统的粒子滤波视觉跟踪算法采用固定模型和大量粒子表征目标后验概率,不能满足复杂条件下的视频目标实时跟踪.为了提高跟踪的鲁棒性和稳定性及计算效率,本文提出将自适应状态演化方程和在线增量学习观测似然模型嵌入到粒子滤波算法;并采用在线自动调整粒子数目的策略,提高粒子滤波视觉跟踪的计算效率.室内外实验结果表明,文中提出的视觉跟踪算法不仅能准确、高效地跟踪序列图像中的运动目标,而且对光照、姿态变化引起的目标表观变化具有良好的鲁棒性.     

基于全局和局部信息的目标跟踪算法

图像序列中的运动目标在跟踪过程中容易受到复杂环境以及严重遮挡所影响。针对该问题,提出一种基于全局信息和局部信息的混合粒子滤波算法。新算法在传统粒子滤波的基础上引入了多子块纹理直方图,它包含了目标的局部空间信息,使得跟踪算法的鲁棒性有所提高;根据目标受遮挡的程度自适应调节全局和局部信息对目标定位的贡献,在一定程度上提高了算法的抗遮挡能力和适应能力,实验结果表明该算法在目标处于部分遮挡和严重遮挡时能够达到比较理想的跟踪效果。     

基于在线特征选择的粒子滤波跟踪算法

在复杂场景下,传统的粒子滤波跟踪算法较难定位目标.针对此问题,提出了一种基于在线特征选择的粒子滤波跟踪算法.该算法首先在线、自适应地通过Fisher判别准则,从16个不同的颜色特征空间中选择最能区分目标及其邻近背景的1个最佳特征空间,然后在这个最佳特征空间中用基于统计直方图的粒子滤波算法跟踪目标.试验结果表明,该算法鲁棒性和准确性较好,在光照变化.目标自身发生形变和遮挡情况下能够准确地对目标进行跟踪.     

基于局部特征组合的目标跟踪算法

为了克服目前大多数观测模型在小样本空间中鲁棒性不高的弱点,文中在粒子滤波框架下提出基于局部特征组合的粒子滤波视频跟踪算法。局部特征能更有效描述目标模板细节信息,可降低特征匹配中目标形变、光照变化和部分遮挡的影响。该方法借鉴混合高斯模型思想,采用多模式描述有效局部观测信息,这种融合策略更加准确可靠,能够较好地通过最新观测减轻了粒子退化现象,从而提高目标跟踪效率。小样本空间一定程度上降低了粒子数量和计算代价。实验结果表明该算法相比单一特征或一般多特征融合跟踪算法具有优越性,并能实现复杂场景下的目标跟踪。     

基于目标特征提取的改进型压缩跟踪算法

本文在传统的尺度不变特征子(Scale Invariant Feature Transform,SIFT)算法的基础上,提出了一种新的基于改进的SIFT压缩感知跟踪算法.该方法一方面通过改进压缩跟踪算法中分类器的更新策略来提高算法的实时性;另一方面,通过改进SIFT向量邻域的选取方法来实现降低向量维度,从而减少计算复杂度.仿真实验表明,该方法不仅可以提高跟踪目标的实时性,而且能够在发生目标尺度变化、遮挡、漂移的情况下对运动目标进行准确跟踪.     

基于R-FCN框架的多候选关联在线多目标跟踪

在线多目标跟踪是实时视频序列分析的重要前提。针对在线多目标跟踪中目标检测可靠性低、跟踪丢失较多、轨迹不平滑等问题,提出了基于R-FCN网络框架的多候选关联的在线多目标跟踪模型。首先,通过基于R-FCN网络从KF预测结果和检测结果中获取更可靠的候选框,然后利用Siamese网络进行基于外观特征的相似性度量,实现候选与轨迹之间的数据关联,最后通过RANSAC算法优化跟踪轨迹。在人流密集和目标被部分遮挡的复杂场景中,提出的算法具有较高的目标识别和跟踪能力,大幅减少漏检和误检现象,跟踪轨迹更加连续平滑。实验结果表明,在同等条件下,与当前已有的方法对比,本文提出在目标跟踪准确度(MOTA)、丢失轨迹数(ML)和误报次数(FN)等多个性能指标均有较大提升。     

利用帧间差探测函数模型的运动目标跟踪算法

针对基于模板匹配的目标跟踪算法中,匹配环节在算法中耗费大量的处理时间,使实时性较差的问题,提出了一种基于帧间差探测函数模型的运动目标跟踪算法.算法将"虚拟边缘"引入目标运动事件中,建立了帧间差探测函数模型,设计了几种新的模块用于解决目标跟踪中的方向纠错和实时性问题.实验结果表明,不仅可以有效地对在复杂背景下运动的小目标进行跟踪,而且能够获得相比于块匹配法更好的实时性能.     

一种基于卡尔曼预测的动态目标跟踪算法研究

针对视频序列中目标的跟踪,均值漂移算法和卡尔曼滤波器相结合的目标跟踪算法已经被提出,而在移动机器人上实现对机动目标的实时跟随时,机器人自身的运动引起目标在像平面的偏移不能被忽略,在详述了两者的关系的基础上,建立起以机器人一个周期内的运动作为输入量的状态方程,以卡尔曼滤波器的估计值作为均值漂移算法的启动点,均值漂移算法的最终收敛点作为每帧的跟踪结果,并以此收敛点替代滤波器的估计值,两种算法交替使用,互为补充.实验表明所提算法可以实现在室外环境下对动态目标的实时跟踪.     

融合颜色和轮廓的粒子滤波人脸跟踪

实际人脸跟踪过程中,光照和姿态的变化、背景颜色干扰等因素都会极大地削弱颜色特征的有效性,从而造成跟踪的不稳定.针对该问题,本文提出了一种以颜色和轮廓分布为线索的粒子滤波人脸跟踪算法.该算法主要有三个方面的特点:第一,在粒子滤波基本框架下,引入新的用直方图描述人脸轮廓的方法,有效解决了光照、人脸旋转、部分遮挡问题对跟踪的影响,并且能及时有效地重新捕获由于大面积遮挡等原因而丢失的目标.同时采用实时调整每帧图像特征点个数,有效提高了跟踪效率.第二,针对背景干扰问题,提出了一种抑制相似背景颜色干扰的方法.第三,本文还提出实时更新模板的方法来提高跟踪的准确性.实验证明本文算法对人脸跟踪具有很好的效果.