基于多层卷积特征融合的目标尺度自适应鲁棒跟踪

针对复杂跟踪条件下目标的鲁棒跟踪和精确尺度估计问题,提出了一种基于多层卷积特征融合的目标尺度自适应鲁棒跟踪算法。算法首先利用VGG-Net-19深层卷积网络架构提取目标候选区域的多层卷积特征,通过相关滤波算法构建二维定位滤波器,得到多层卷积特征并进行加权融合,从而确定目标的中心位置;然后通过对目标区域进行多尺度采样,提取其HOG特征构建一维尺度相关滤波器,确定目标的最佳尺度。在复杂跟踪条件下的实验结果表明,与6种当前主流跟踪算法相比,该算法取得了最好的跟踪成功率与精度,同时在跟踪过程中较好地实现了对目标快速尺度变化的自适应跟踪,且具有较快的跟踪速率。     

基于多层卷积特征融合的目标尺度自适应稳健跟踪

针对复杂跟踪条件下目标的稳健跟踪和精确尺度估计问题,提出了一种基于多层卷积特征融合的目标尺度自适应稳健跟踪算法。算法首先利用VGG-Net-19深层卷积网络架构提取目标候选区域的多层卷积特征,通过相关滤波算法构建二维定位滤波器,得到多层卷积特征并进行加权融合,从而确定目标的中心位置;然后通过对目标区域进行多尺度采样,提取其梯度方向直方图特征构建一维尺度相关滤波器,确定目标的最佳尺度。实验结果表明,与6种当前主流跟踪算法相比,该算法取得了最好的跟踪成功率与精度,同时在跟踪过程中较好地实现了对目标快速尺度变化的自适应跟踪,且具有较快的跟踪速率。     

自适应特征融合的多尺度核相关滤波目标跟踪

为了提高复杂场景中目标跟踪的稳健性,解决由光照变化、目标形变、尺度变化和遮挡等导致的目标跟踪失败问题,提出一种自适应特征融合的多尺度核相关滤波目标跟踪算法。该算法首先通过2种不同的特征分别训练2个核相关滤波器,利用这2个滤波器响应的峰值旁瓣比和相邻两帧的响应一致性获得融合权重,同时采用自适应加权的融合策略将这2个滤波器的响应结果进行融合,完成目标的位置估计;然后以此为中心进行多尺度采样,构建尺度金字塔,并通过贝叶斯估计的方法确定目标的最优尺度;最后依据目标跟踪的置信度进行跟踪模型更新,以避免模型退化。选取51组视频序列进行测试,并与近年来性能优异的目标跟踪算法进行对比。实验结果表明,所提算法能有效降低光照变化、目标形变、尺度变化和遮挡等因素影响,对测试视频序列取得了较高的跟踪精度和成功率,整体性能优于对比算法。     

基于核循环结构的自适应特征融合目标跟踪

视频跟踪中,使用单一特征对目标进行描述难以适应复杂场景的变化,目标的尺度变化、形变、遮挡等因素易导致跟踪失败。为提高跟踪的稳健性,基于核循环结构,提出一种自适应特征融合和模型更新的跟踪方法,并引入尺度更新机制。首先利用目标的灰度特征和局部二值模式特征分别计算滤波响应图,依据响应图的峰值旁瓣比(PSR)自适应地分配权值并加权融合,从而估计目标的最佳位置。然后根据融合后响应图的PSR来判断跟踪质量,据此决定是否更新模型。最后在目标位置周围提取方向梯度直方图特征构建尺度金字塔,训练尺度相关滤波器,用来估计目标的最佳尺度。实验选取标准测试数据集中具有光照变化,遮挡和尺度变化的视频序列进行实验,结果表明,该算法能够实现对目标的稳定跟踪,并且在距离精度和成功率上均优于对比算法。     

基于核循环结构的自适应特征融合目标跟踪EI北大核心CSCD

视频跟踪中,使用单一特征对目标进行描述难以适应复杂场景的变化,目标的尺度变化、形变、遮挡等因素易导致跟踪失败。为提高跟踪的稳健性,基于核循环结构,提出一种自适应特征融合和模型更新的跟踪方法,并引入尺度更新机制。首先利用目标的灰度特征和局部二值模式特征分别计算滤波响应图,依据响应图的峰值旁瓣比(PSR)自适应地分配权值并加权融合,从而估计目标的最佳位置。然后根据融合后响应图的PSR来判断跟踪质量,据此决定是否更新模型。最后在目标位置周围提取方向梯度直方图特征构建尺度金字塔,训练尺度相关滤波器,用来估计目标的最佳尺度。实验选取标准测试数据集中具有光照变化,遮挡和尺度变化的视频序列进行实验,结果表明,该算法能够实现对目标的稳定跟踪,并且在距离精度和成功率上均优于对比算法。     

基于在线检测和尺度自适应的相关滤波跟踪

针对相关滤波跟踪在遮挡及目标尺度变化等情况下容易跟踪失败的问题,提出一种基于在线检测和尺度自适应的相关滤波跟踪算法。相关滤波跟踪器融合方向梯度直方图特征、颜色属性特征和光照不变特征进行目标定位;通过局部稀疏表示模型的重构残差进行遮挡判别,如果发生遮挡则进行在线支持向量机检测,实现目标重定位;进行由粗至精的尺度估计,通过尺度预估计和牛顿迭代法得到目标的精确尺度。采用均衡的模型更新策略,固定更新相关滤波器,保守更新稀疏表示模型和支持向量机。实验结果表明:与现有跟踪算法相比,所提算法能有效降低遮挡、目标尺度变化等复杂因素的干扰,并在50组测试序列上取得较高的距离精度和成功率,其整体性能优于其他对比算法。     

基于特征融合的长时目标跟踪算法

针对长时目标跟踪中目标遮挡、目标出视野等因素导致的目标失跟问题,提出一种基于特征融合的长时目标跟踪算法,提高目标跟踪的速度和稳健性。首先,融合目标方向梯度直方图特征、颜色空间特征和局部敏感直方图特征,来增强算法在复杂情况下的特征判别力,提高目标跟踪的稳健性,并对融合特征进行降维来提高目标跟踪的速度;然后,通过额外的一维尺度相关滤波器来获得目标最优的尺度估计,并通过正交三角分解来无损降低计算复杂度;最后,自适应确定目标检测阈值,在目标遮挡或出视野导致目标失跟时,通过EdgeBoxes方法提取目标候选区域,利用结构化支持向量机重新检测目标位置达到长时跟踪的目的。在标准跟踪数据集OTB2015和UAV123上进行实验。结果表明,本文算法较对比算法中最优算法目标跟踪平均精度提升5.0%,目标跟踪平均成功率提升2.6%,目标跟踪平均速度为28.2 frame/s,可满足跟踪的实时性要求。在目标受到遮挡、出视野等情况下,该算法仍能够对目标进行持续准确的跟踪。     

结合目标检测的多尺度相关滤波视觉跟踪算法

为满足视觉跟踪算法对跟踪精度与跟踪速度的要求,提出一种结合目标检测的多尺度相关滤波视觉跟踪算法。所提算法基于深度学习的目标检测算法找出图像中目标的位置和尺寸,利用相关滤波算法对所给出的目标特征进行视觉跟踪,并在多个尺度中搜索最优响应;当检测到相关滤波响应值异常时,停止对模型更新;当连续数帧响应值异常时,则在全图范围内搜索目标位置和尺寸。所提算法通过对跟踪状态进行评估和模型更新率自适应调整,解决了传统相关滤波类算法跟踪误差随时间积累的问题,且具有较大的跟踪速度和较高的精度。结果表明:在Matlab平台下,所提算法的平均定位精度为0.593,平均交叠率精度为0.784,帧率为65.3 frame/s。     

Mean Shift跟踪算法中核函数参数的评估与分析

Mean Shift是一种基于特征的对目标实现快速跟踪的算法,传统的Mean Shift算法由于跟踪中物体的尺度变化会使跟踪偏离目标乃至跟踪失败,并且原有的自适应地对跟踪窗宽的调整,是基于对核窗宽的改变来得到的。在＂固定跟踪窗宽—改变核窗宽＂的基础上对目标进行跟踪,对目标空间定位精度进行了评估与分析,通过实验结果表明改变核函数参数能改善目标跟踪的精度。     

基于变分辨率的自适应窗口目标跟踪方法研究

针对视觉跟踪中运动目标的大小也随之改变这一问题,提出一种基于变分辨率的自适应窗口目标跟踪方法。在最大后验概率视觉跟踪算法基础上,分析了运动目标窗口内外框上的后验概率贡献指标,建立了自适应窗口调整目标尺度的数学模型。当运动目标尺寸变化时,其分辨率也相应变化,为了保证跟踪的实时性和效率,采用变分辨率的特征统计采样方法。在对运动目标实现自适应窗口的跟踪时,特征统计的分辨率也随之改变,对尺寸越大的运动目标尺度赋予更低的分辨率,从而实现基于变分辨率的自适应窗口目标跟踪。     

基于自适应特征选择的多尺度相关滤波跟踪

近年来,基于相关滤波的目标跟踪算法因其具有很好的跟踪精度和明显的速度优势,引起了研究人员的极大关注。提出一种基于自适应特征选择的多尺度相关滤波跟踪算法。首先,提取三种互补特征,通过相关滤波响应图评估各特征的跟踪性能,自适应选择最优特征进行位置跟踪;其次,预设响应图阈值作为位置相关滤波模型更新的判断条件,优化模型更新方式;最后,引入尺度相关滤波跟踪器,进一步提高了算法的尺度适应性和跟踪精度。实验部分将该算法和近年来流行的相关滤波及非相关滤波类跟踪算法进行了对比,结果表明,该算法在精度上优于其他算法,同时具有53.12frame/s的实时跟踪速度。     

基于通道可靠性的多尺度背景感知相关滤波跟踪算法

针对现实场景中跟踪目标的光照变化、尺度变化、遮挡等问题,提出了一种基于通道可靠性的多尺度背景感知相关滤波跟踪算法。通过提取方向梯度直方图特征、灰度特征和颜色属性特征作为目标表观模型,提高了目标跟踪方法在复杂场景中的稳健性;独立训练每个通道的背景感知相关滤波器,采用通道可靠性系数衡量每个通道响应图的置信度;根据所有通道的响应图和可靠性系数,合成多通道背景感知相关滤波跟踪器的最终响应图,对目标进行精确定位;运用尺度池方法估计目标的最优位置和尺度。实验结果表明:与现有跟踪算法相比,所提算法可以有效地处理光照变化、尺度变化、遮挡等复杂因素的干扰,取得较高的跟踪精度和成功率,其整体性能优于其他算法。     

融合检测机制的鲁棒相关滤波视觉跟踪算法

为了解决相关滤波视觉跟踪算法在复杂场景中产生的跟踪漂移问题, 提出一种融合检测机制的相关滤波跟踪框架。利用时空正则化滤波器作为跟踪器, 同时使用线性核相关滤波器作为检测器。当跟踪器与目标进行相关计算得到的响应图为多个峰值时, 激活检测器, 对多个峰值进行相关匹配, 获得重检测结果; 同时, 使用平均峰值相关能量的滤波器模型更新策略得到更加可靠的检测器, 以达到提高跟踪精度和算法鲁棒性的目的。在OTB2015、Temple color 128和VOT2016数据平台上的实验结果表明, 与近年提出的性能较出色的跟踪算法相比, 本文算法在目标运动模糊、相似背景干扰和光照变化等复杂场景中具有更好的鲁棒性和准确性, 且跟踪精度和成功率上均有提高。     

基于多层深度卷积特征的抗遮挡实时跟踪算法

为提高复杂场景中目标跟踪算法的准确性与实时性,提出一种基于多层深度卷积特征的抗遮挡实时目标跟踪算法。针对目标跟踪任务,先对深度卷积网络VGG-Net-19进行微调,再提取目标区域的多层深度卷积特征。根据相关滤波框架构建位置相关滤波器,确定目标中心位置。设计尺度相关滤波器对目标区域进行不同尺度采样,确定目标尺度。目标遮挡时,采用阶段性评估策略进行模型更新与恢复,解决模型误差积累问题。选取目标跟踪评估数据集OTB-2015(100组视频序列)与UAV123(123组视频序列)进行测试。实验结果表明,本文算法具有更高的准确性,能够适应目标遮挡、外观变化及背景干扰等复杂情况,平均速度为29.6 frame/s,满足目标跟踪任务的实时性要求。     

融合峰旁比和帧差均值自适应模型更新的视觉跟踪

为了让相关滤波模型更加适应目标外观的变化,提高相关滤波跟踪算法的鲁棒性和实时性,根据相关滤波响应值、帧差均值和目标运动位移之间的关系,提出了一种单层卷积相关滤波实时跟踪模型的自适应学习率调整跟踪方法.该方法首先选取单个卷积层卷积特征,减少了卷积特征维度,然后使用单层卷积特征训练相关滤波分类器预测目标位置,用快速尺度预测方法估计跟踪目标的尺度,并采用稀疏的模型更新策略,提高跟踪的速度;最后利用相关滤波预测响应图的峰旁比估计预测位置的可信度,结合图像帧差均值和目标的运动位移量来评估目标的表观变化,并根据目标预测的可信度和表观变化情况自适应调整相关滤波模型更新的学习率,使模型快速学习目标的变化特征,提高了目标跟踪的精度.在OTB100数据集上对算法进行测试,实验结果表明,本文算法的平均距离精度达90.1%,优于实验中对比的9种主流算法,平均成功率值为79.2%,仅次于9种算法中的连续卷积跟踪算法,平均速度为31.8帧/秒,是连续卷积相关滤波算法的近30倍.     

基于光谱匹配降维和特征融合的高光谱目标跟踪

针对现有高光谱视频目标跟踪算法在目标尺度发生变化时容易出现跟踪精度下降的问题,提出一种基于光谱匹配降维和特征融合的高光谱目标跟踪算法。首先,利用目标局部光谱和阈值来估计目标光谱,并利用目标光谱与高光谱图像进行朴素相关,实现高光谱图像降维,从而提取目标的深度特征。然后,利用局部方差判断目标区域,提取目标的3D方向梯度直方图（HOG）特征。为保留高光谱图像的光谱信息以及深度特征的语义信息,利用通道卷积融合的方法,得到更具辨别力的融合特征。最后,将融合特征送入相关滤波器,通过尺度池思想提高算法在目标尺度变化挑战下的跟踪鲁棒性。实验结果表明,所提跟踪算法在目标尺度变化挑战下具有更好的性能。     

对数似然图像分割的快速主动轮廓跟踪算法

针对跟踪目标尺度变化问题,提出了基于灰度对数似然图像分割的快速主动轮廓跟踪算法。改进的主动轮廓跟踪算法将根据以目标与背景的颜色差异而建立的对数似然图对图像进行阈值分割和数学形态学处理,再将Kalman滤波器结合到主动轮廓跟踪算法进行目标跟踪。改进的主动轮廓跟踪算法对目标分割准确,轮廓特征显著,跟踪效果稳定,算法能很好地适应跟踪目标尺度变化。通过Kalman滤波器对目标位置点的预测减少了主动轮廓跟踪算法收敛的迭代次数,使算法的运算效率提高了33%左右。     

基于高置信度更新策略的高速相关滤波跟踪算法

为了满足在线目标跟踪算法的实时性需求并提高算法的稳健性,提出一种基于高置信度更新策略的相关滤波跟踪算法。在目标区域提取、融合多特征,以构建稳健的外观表达,并利用投影矩阵对特征进行降维,以提高算法的运行效率;通过相关滤波器寻找最大响应值,从而快速定位目标;利用最大响应值和平均峰值相关能量指标,设计了一种高置信度更新策略。结果表明:所提算法在大规模公开数据集上取得了较高的跟踪精度和成功率,平均跟踪速度达到122.3 frame/s。     

基于时间感知和自适应空间正则化的相关滤波跟踪算法

针对相关滤波器的空间正则化权重与目标内容无关和跟踪过程中模型退化等问题,提出一种基于时间感知和自适应空间正则化的相关滤波跟踪算法。首先,提取灰度特征、CN(color name)特征和方向梯度直方图(HOG)特征来提升算法模型对目标的表达能力;其次,通过图像显著性检测算法获得带有目标内容信息的空间正则化初始权重;然后,在目标函数中加入自适应空间正则化项来缓解边界效应对相关滤波器的影响;最后,加入时间感知项使相关滤波器学习到相邻帧之间的信息,降低算法模型在处理不准确样本时发生过拟合的风险。在OTB-2013和OTB-2015公开数据集上对所提算法进行性能评估实验,结果表明,所提算法在多种复杂场景下都有良好的稳健性,在跟踪成功率和距离精度上优于其他对比算法,且速度达到24.2 frame/s,能满足实时性要求。     

基于自适应卷积特征的目标跟踪算法

针对空间正则化相关滤波(SRDCF)跟踪算法在目标跟踪中旋转变化、超出视野和严重遮挡情况下存在跟踪失败的问题,提出了一种基于自适应卷积特征的目标跟踪算法。对VGG-Net模型中conv3-4层卷积特征进行主成分分析,利用自适应降维技术将conv3-4层特征维数由256维降至130维。在检测区域求取分类器最大响应位置及其目标尺度信息,并对最大响应位置的目标进行置信度比较,训练在线支持向量机(SVM)分类器,以便在跟踪失败的情况下,重新检测到目标而实现长期跟踪。计算跟踪位置的峰旁比,选取可靠跟踪结果,更新模型。采用OTB-2015评估基准的100组视频序列进行测试,并与38种跟踪方法进行对比,验证了本文算法的有效性。实验结果表明:本文算法跟踪精度为0.804,成功率为0.607,排名第一,与SRDCF算法相比,两者分别提高了1.9%和1.5%。针对目标发生旋转变化、超出视野和严重遮挡等复杂情况,本文算法均具有较强的稳健性。