基于改进二阶段检测网络的长时跟踪重检测方法

为构建适用于长时跟踪的重检测模块,受改进二阶段检测网络的GlobalTrack方法的启发,提出了一种高效的对特定模板目标进行端到端重检测的深度网络：首先,为了在大尺度图像上更高效地融合模板特征,通过构造交叉信息增强模块改进深度互相关方法,利用交叉通道注意力信息编码搜索特征和模板特征;此外,采用动态实例交互模块替代传统二阶段网络的RPN(region proposal network)和RCNN(region-based convolutional neural networks)结构,根据模板信息指导检测网络的分类和回归阶段,构建了端到端的稀疏重检测结构。在LaSOT和OxUva长时跟踪数据集上进行对比实验,本文方法相较于原始方法性能提升3%,实时帧率提升173%。实验结果表明,改进后的方法可以在全图范围内更准确、快速地重新检测模板目标。     

一种基于光电经纬仪的数据预测跟踪技术

针对光电经纬仪上的跟踪器,提出了一种基于合成角数据的预测跟踪技术.利用目标的前几帧脱靶量和对应的经纬仪角度信息计算合成角,再以前几帧合成角数据为依据,利用线性动态模型推导出下一帧的合成角信息,计算出目标在图像中的位置,从而实现了对目标的预测跟踪.实验证明,该方法可以实现预测跟踪,减小处理区域,提高跟踪器的处理速度,有效地避免波门外虚假目标的干扰.     

基于多级跟踪队列的运动目标跟踪遮挡处理

针对多目标跟踪过程中存在的遮挡问题,提出了一种固定摄像机场景下的多目标实时跟踪算法.提出基于鬼影判别与背景模型选择更新的背景差法检测运动目标,建立一种融合色度与边缘特征的目标模型.通过定义稳定跟踪队列、临时跟踪队列、跟踪丢失队列以及候选跟踪队列等跟踪器队列,提出基于多级关联匹配的策略实现多目标跟踪遮挡处理,针对新目标、...     

基于全局感知孪生网络的红外目标跟踪

目前大多数热红外(TIR)目标跟踪算法都是基于相关滤波或者使用彩色跟踪器的模型进行特征提取。然而,两者都存在适用于彩色目标跟踪却对红外目标特征不敏感的缺陷,导致无法良好地应用到红外目标跟踪。为此,提出一种基于全局感知的孪生神经网络的红外目标跟踪器。将孪生神经网络的后三层特征进行融合优化,得到新的特征,同时加入了由空间转换网络和通道注意力组成的空间感知模块,以得到全局范围内的有效信息,通过引入自注意力机制,使算法更加专注于提取目标的判别信息,最后对结果进行响应融合得到最终的响应图。在PTB-TIR红外目标跟踪评估基准上的实验结果表明,本文算法能够适应多样的红外环境,同时能够保持良好的跟踪速度(20.2 frame/s),实现对红外目标有效且稳定的实时跟踪。     

时空上下文学习长时目标跟踪

针对在线学习跟踪算法中目标模型更新错误而导致跟踪漂移的问题,提出了一种简单但高效的解决方案。在目标区域均匀采样点跟踪器,基于纹理描述对前后两帧点跟踪器进行置信度评估并以此完成目标初步定位,由多维特征时空上下文模型输出目标位置置信图以完成目标精确定位,同时结合置信图决定模型更新速率并给出了一种多尺度更新机制。实验表明,该方法在背景干扰、快速运动、遮挡、光照变化及尺度变化下均能完成稳健跟踪,在320 pixel×240 pixel的视频序列中平均跟踪速度为55.1 frame/s,可以满足实时应用的需求。     

基于图像融合的动态轮廓线跟踪新方法

红外与可见光传感器是目标跟踪识别系统中常用的两种传感器,对这两种传感器图像进行融合能有效提高系统跟踪检测的准确性。将动态轮廓线模型与图像融合结合,在特征搜索过程中利用特征点准确地完成了图像配准,同时使用了一种新的特征级融合方法,将两种图像中目标轮廓的B样条曲线控制点进行实时微分耦合。这种耦合将Curwen提出的微分耦合机制作了改进,利用图像配准把刚性硬模板改变为实时的变换模板并推导了融合后动态轮廓线的新的动力学方程。这种融合利用了红外图像目标轮廓信息约束可见光图像中动态轮廓线的收敛形状,有效地提高了可见光图像目标跟踪的准确性。对运动人手序列图像的对比跟踪实验表明,这种融合使得可见光图像中动态轮廓线平均跟踪误差减小了60．25％。     

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。     

基于多特征的双模板自适应更新跟踪算法

针对均值漂移算法中采用单一颜色特征以及缺乏必要模板更新方法的缺陷,提出一种基于多特征的双模板自适应更新目标跟踪算法。引入像素点邻域灰度均值差和分层空间信息加强目标特征的鉴别性,再通过对目标与背景区域双模板相似度系数的综合分析,准确地判断跟踪干扰因素的来源,并以当前帧目标区域的相似度系数为权值对目标模板进行加权更新,使得模板更新速度与其目标特征变化相适应的同时抑制模板过更新,较好地解决了模板更新时机和更新速度等问题。仿真结果表明,所提算法在不同跟踪场景下均具有较强的鲁棒性。     

基于注意力融合的目标跟踪算法

针对基于孪生网络的目标跟踪算法存在抗干扰能力弱、鲁棒性差等问题,在SiamCAR基础上提出通道和空间注意力融合的目标跟踪算法。在特征提取子网络和分类回归子网络之间级联改进后的高效通道注意力和空间注意力模块,加强网络对互相关后响应图中重要通道特征和位置特征的关注,同时抑制不重要的特征信息。在OTB100上,所提算法在背景杂乱挑战下成功率和精度相比SiamCAR分别提高了3.1%和2.8%;在VOT2018上,所提算法的鲁棒性和期望平均重叠率相比SiamCAR分别提高了4.9%和2.2%。实验结果表明,所提算法增强了跟踪器的鲁棒性,提升了跟踪器在复杂场景下的跟踪效果。     

复杂背景下基于自适应模板更新的目标跟踪算法

为了提高复杂背景下目标跟踪的稳定性,在模板匹配失败时引入目标分割过程,根据新目标区域与模板的相似度分析得出导致匹配失败的具体原因,提出了一种新的自适应模板更新算法.根据模板图像各像素到模板中心的距离构造加权函数,对传统归一化相关算法进行改进,使新算法具有一定的抗遮挡能力.实验结果表明,该算法与固定模板跟踪算法和逐帧模板更新算法相比,在目标尺寸变化和被物体局部遮挡时,跟踪的连续性和稳定性更好.     

时空方向能量特征用于红外弱表观目标跟踪

在红外弱表观目标跟踪中,由于目标表观信息贫乏且受场景强噪声干扰,现有算法难以有效提取目标特征,实现对目标的准确跟踪.针对这一问题,本文提出一种基于时空方向能量的红外弱表观目标跟踪方法.该方法提取目标时空方向能量作为特征,建立方向能量直方图描述目标特征.在粒子滤波方法框架下,将粒子方向能量直方图与目标模板的相似度作为粒子滤波预测与更新阶段的观测输入.由于时空方向能量来源于目标的运动特征,因此本文方法具有较强的抗辐射突变性.实验结果证明,该方法能够稳定地跟踪弱表观目标,与传统基于灰度特征的跟踪方法相比,可靠性增强,且具有良好的适应性.     

自适应特征选择的分层卷积视觉跟踪

为提升分层卷积相关滤波跟踪算法的速度和精度,减少无效卷积通道特征对跟踪精度的影响,提出一种自适应特征选择的分层卷积相关滤波跟踪方法.该方法选取能表征目标的双层卷积特征,将相关滤波训练与预测合并,在视频序列的每一帧计算上一帧目标区域与非目标区域的卷积特征均值比,选取满足特征均值比要求的卷积通道特征训练相关滤波分类器,根据分类器与目标特征的最大响应值预测目标位置;最后根据预测结果稀疏更新目标初始帧特征,作为后续帧训练分类器的依据.在OTB-100标准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为91%,平均重叠率精度为64.4%,平均速度为21.7帧/秒,比原分层卷积相关滤波跟踪算法分别高出7.3、8.2个百分点和11.3帧/秒,该算法的平均距离精度比高精度的连续卷积跟踪算法(CCOT)高1.2个百分点,跟踪速度是CCOT的近20倍.本文算法可以有效提升分层卷积跟踪算法的速度和精度,在目标发生遮挡、快速运动等干扰时能稳定跟踪到目标.     

基于时空语义信息的视频运动目标交互行为识别方法

提出一种融合时间及目标之间空间语义信息的视频运动目标交互行为识别方法,即基于目标之间空间语义的变化规律识别其交互行为类别。不同于传统的语义事件建模方法,首先根据运动目标跟踪结果,基于其运动方向以及建立目标之间的空间关系(拓扑关系和方向关系)模型,提出一种提取人目标之间空间语义(前面、后面、背对、面对以及左右)的方法;然后基于空间语义的变化规律建立随机文法规则;最后采用随机文法器识别九种常见的两人交互行为。该方法无需训练样本,实验结果验证了方法的有效性及优越性。     

基于Kalman滤波和模板匹配的目标跟踪技术研究

针对模板匹配算法计算量大,难以解决目标形变、光照变化、遮挡等情况下的跟踪问题,提出了一种结合Kalman滤波的模板匹配跟踪算法。通过Kalman滤波预测下一帧图像中目标的位置,缩小目标搜索范围,以减少模板匹配计算量,满足目标跟踪的实时要求。采取自适应模板更新策略,根据目标的变化情况更新模板。在目标被短暂遮挡时,采用Kalman滤波预测目标的状态,继续稳定跟踪。实验结果表明,算法明显优于单独使用模板匹配算法,当目标被遮挡时仍可以稳定、实时跟踪,具有良好的鲁棒性。     

自适应窗口选取的Mean-Shift目标跟踪

当目标尺度发生变化时,传统Mean-Shift跟踪算法因跟踪窗口尺寸不变容易导致跟踪目标丢失,为解决此问题,本文提出一种带宽自适应算法对目标尺度变化进行检测,从而实现模板更新.该算法分别将模板图像与当前帧目标图像分割成等间隔半径的若干同心圆,通过计算模板图像与当前帧图像不同环层之间相似性度量,根据相应环层之间相似性度量关系确定当前帧模板带宽更新参量,最后利用kalman滤波完成模板尺度更新,从而实现目标稳定跟踪.实验证明,当目标尺度发生变化时,目标模板自动更新,能够实现目标稳定跟踪;相对传统Mean-Shift跟踪算法,目标跟踪可靠性能得到了提高.     

基于稀疏编码直方图的稳健红外目标跟踪

充分利用红外图像信息建立有效的观测模型是实现稳健红外目标跟踪的基础。影响红外目标跟踪结果的因素除可见光目标跟踪也会面临的干扰因素之外,还有诸如边缘和纹理信息缺失、信噪比低和背景噪声影响等特有因素。提出基于稀疏编码直方图(HSC)特征和扰动感知模型(DAM)的红外目标跟踪方法,使用K-奇异值分解算法得到过完备字典,利用该字典计算得到每个像素点的稀疏编码,并组成HSC对目标进行表达,同时通过引入DAM增强算法抗背景干扰能力。该方法充分利用了红外图像中运动目标的结构特性,能够有效去除背景干扰。与其他跟踪器相比,在VOT-TIR2015数据集上,该方法的精确度和成功率指标分别获得3.8%和4.4%的提升,具有较高的研究价值和实用价值。     

基于最大后验概率的人脸平移与旋转跟踪方法研究

针对目前大多数视觉跟踪算法只能够跟踪平移运动人脸目标,而不能跟踪旋转运动人脸目标这一问题,提出一种基于最大后验概率的人脸目标平移与旋转跟踪方法。在基于最大后验概率的视觉跟踪算法基础上,采用了自适应角度模板进行人脸目标旋转跟踪,与传统的视觉跟踪方法相比,当人脸发生倾斜时,该方法能更精确地得到人脸的位置和方向。实验结果表明,该方法能够有效地跟踪具有平移与旋转运动的人脸目标。     

结合纹理和形状特征的在线混合随机朴素贝叶斯视觉跟踪器EI北大核心CSCD

基于机器学习的思想并充分利用外观信息,提出一种在线选择纹理和形状特征的混合随机朴素贝叶斯视觉跟踪器。构造归一化空间金字塔,通过强度二值特征和金字塔梯度方向直方图二值特征,描述全局与局部区域的纹理和形状;并根据特征描述的二值性和多模性,设计并实现了在线混合朴素贝叶斯分类器。分类器预测类别后验概率生成信任图,跟踪器通过分析信任图实现目标跟踪,并利用极大似然估计和交叉验证实现外观学习和特征选择。选用基准测试集比较同类方法,从性能和复杂度两方面评估了跟踪器。实验结果表明跟踪器对光照变化,部分遮挡等情况具有一定的适应能力,且执行速度较快,存储空间较小。     

基于滑模变结构控制及预测跟踪的光电吊舱控制方法北大核心CSCD

光电吊舱在稳像和目标跟踪过程中存在摩擦力矩、不平衡力矩等干扰力矩,从而影响速度环响应精度;另一方面,吊舱视频跟踪器图像传输和处理造成的延迟也会造成跟踪滞后,因此必须进行延时补偿。提出基于预测跟踪的滑模变结构控制方法,采用微分预测跟踪器实现对视频跟踪器的延迟补偿,采用预测跟踪器估计出的目标运动角速率构成自适应补偿参数,以调整滑模变结构控制量,改进的滑模控制算法在补偿干扰力矩的同时抑制了抖振现象。仿真及实验结果表明:改进的控制方法能够有效补偿干扰力矩和跟踪器延迟造成的误差,相对于传统PID控制,其跟踪误差减小为原来的1/3,并且该算法已经在相关系统上得到应用。     

基于分类-验证模型的视觉跟踪算法研究

针对相似度目标跟踪算法主要考虑目标的类内相似,而忽略不同目标的类间差异的问题,提出基于分类-验证模型的视觉跟踪算法。该算法通过增加目标的属性(类别)信息,利用相似度信息与类别信息构建损失函数,在高维空间学习目标的类内相似和类间差异;将目标模板与候选目标输入网络模型,分别通过分类与验证模块实现网络参数更新;利用训练网络提取目标模板与候选目标的深度嵌入特征,实现目标跟踪。在OTB50和UAV123数据库上进行实验,结果表明,该算法可以大幅提高跟踪效果,对相似目标具有较强的稳健性。