基于定位-分类-匹配模型的目标跟踪方法

近年来卷积神经网络框架被成功地应用到目标跟踪领域,并取得了较为稳健的跟踪结果。基于此思想,提出一种基于定位-分类-匹配模型的目标跟踪方法。首先,在定位模型中,利用前一帧的位置信息预测当前帧中的候选目标区域。然后,采用已训练的深度特征对候选区域进行类间筛选,选出N个次优目标区域。最后,利用常规颜色特征对次优目标区域进行类内寻优匹配,从而确定最终的跟踪目标。与此同时,分别对定位、分类中的网络进行更新,并对建立的匹配模型进行在线实时更新,使得其对目标的描述更加准确。在OTB50和OTB100标准数据库上进行实验测试,结果表明,提出的跟踪方法在快速运动、相似物体干扰、复杂背景等条件下具有较好的跟踪稳健性。     

基于卷积神经网络与一致性预测器的稳健视觉跟踪

针对视频序列的稳健性目标跟踪问题,提出一种基于卷积神经网络(CNN)与一致性预测器(CP)的视觉跟踪算法。该算法通过构建一个双路输入CNN模型,同步提取帧采样区域和目标模板的高层特征,利用逻辑回归方法区分目标与背景区域;将CNN嵌入至CP框架,利用算法随机性检验评估分类结果的可靠性,在指定风险水平下,以域的形式输出分类结果;选择高可信度区域作为候选目标区域,优化时空域全局能量函数获得目标轨迹。实验结果表明,该算法能够适应目标遮挡、外观变化以及背景干扰等复杂情况,与当前多种跟踪算法相比具有更强的稳健性和准确性。     

基于卷积神经网络与一致性预测器的稳健视觉跟踪EI北大核心CSCD

针对视频序列的稳健性目标跟踪问题,提出一种基于卷积神经网络(CNN)与一致性预测器(CP)的视觉跟踪算法。该算法通过构建一个双路输入CNN模型,同步提取帧采样区域和目标模板的高层特征,利用逻辑回归方法区分目标与背景区域;将CNN嵌入至CP框架,利用算法随机性检验评估分类结果的可靠性,在指定风险水平下,以域的形式输出分类结果;选择高可信度区域作为候选目标区域,优化时空域全局能量函数获得目标轨迹。实验结果表明,该算法能够适应目标遮挡、外观变化以及背景干扰等复杂情况,与当前多种跟踪算法相比具有更强的稳健性和准确性。     

基于残差矩阵估计的稀疏表示目标跟踪算法

基于稀疏表示的目标跟踪算法多数利用稀疏系数计算目标位置信息,而忽略了稀疏表示过程中的残差所包含的信息.因此,本文设计了一种基于残差矩阵估计的跟踪模型.该模型在粒子滤波的框架下利用L_1范数分别约束稀疏表示系数与残差矩阵,并且利用L_2范数建立残差矩阵与观测模型之间的联系.本文给出了相应求解模型的表示系数与残差矩阵的迭代算法,并利用残差矩阵更新模板字典.相比应用稀疏系数的跟踪算法,本文算法考虑了残差矩阵对跟踪结果的影响,使得算法对于候选目标的评估更加精确,同时在模板更新部分引入残差矩阵,使得字典能够更好地描述目标的变化.实验数据表明,本文算法优于现今主流算法.     

基于双向稀疏表示的鲁棒目标跟踪算法

目前,基于稀疏表示的目标跟踪通常为在目标模板集上重构候选样本的正向模型或者在候选样本集上描述目标模板的反向模型.两个模型的共同点是均需计算候选样本与模板集合之间的稀疏相关系数矩阵.基于此,建立了一个双向联合稀疏表示的跟踪模型,该模型通过L2范数约束正反向稀疏相关系数矩阵达到一致收敛.与之前的单向稀疏表示模型相比,双向稀疏表示跟踪模型在正反向联合求解框架下可以更加充分地挖掘所有候选样本与模板集之间的稀疏映射关系,并将稀疏映射表上对正负模板区分度最好的候选样本作为目标.基于加速逼近梯度(accelerated proximal gradient)快速算法,以矩阵形式推导了双向稀疏表示模型的求解框架,使得候选样本集和目标模板集均以矩阵方式并行求解,在一定程度上提高了计算效率.实验数据表明所提出的算法优于传统的单向稀疏表示目标跟踪算法.     

基于简单线性迭代聚类超像素的meanshift跟踪

为了增强目标跟踪算法在被跟踪目标发生运动位移、遮挡、形变、相似物体干扰等情况下的鲁棒性,提出利用超像素构建目标外观模型,将外观模型与候选区域进行匹配,获取候选区域当中目标超像素,并用Meanshift算法确定目标中心点的跟踪算法。仿真实验选取Benchmark库当中在运动位移、遮挡、形变、相似物体干扰方面具有代表性的视频Girl和FaceOcc1。该算法在视频Girl中的跟踪成功率和跟踪精度为0.601、0.856,比对比实验的经典算法当中跟踪效果最好的KCF算法的成功率和精度分别高0.059和0.084;在视频FaceOcc1中跟踪成功率和精度仅次于KCF。表明该跟踪算法在受到相似物体干扰和目标遮挡时具有良好的鲁棒性。     

激光波门干扰下的电视跟踪算法研究

针对低能激光对电视制导跟踪波门实施视场内干扰时,传统的电视跟踪算法无法跟踪目标的问题,提出了一种基于结构相似度的粒子滤波相关跟踪算法。首先在粒子候选区域内进行直方图均衡化,提取出目标空间直方图,然后计算波门背景区域与目标的结构相似度,从图像质量上判断粒子滤波器的跟踪状态,建立抗干扰跟踪模式,跟踪目标。实验表明：该算法克...     

基于背景抑制和分类校正的小样本目标检测方法

为进一步提升小样本条件下对空中来袭目标的检测识别成功率,提出一种基于背景抑制和分类校正的小样本目标检测方法。首先,针对空中来袭目标背景前景易混淆问题,在区域候选网络前端引入背景抑制模块,通过抑制背景特征和增强前景特征来减轻目标背景对检测的影响;其次,在背景抑制模块后插入特征聚合模块,聚焦目标特征,通过缓解小样本条件导致目标特征难提取、不明显的问题,校正网络模型的分类参数;最后,在检测头网络中引入对比分支,增强了类别内相似性和类别间独特性,缓解来袭目标“类间相似性高,类内差异性大”的问题,实现了对网络分类的进一步校正。实验结果表明,所提出的算法在1、2、3、5、10 shot实验中均表现最佳,平均精度分别达到28.3%、32.8%、39.9%、42.9%和56.2%,提升了小样本空中来袭目标的检测性能。     

利用黑洞原理改进稀疏外观模型跟踪算法

为了解决跟踪漂移问题,提出了一种利用黑洞原理改进的稀疏外观模型目标跟踪算法,用来提高目标跟踪的鲁棒性。利用黑洞原理从目标模板中搜索聚类中心来降低目标模板数量。通过学习分类器用于构造目标特征;用黑洞原理获取模板字典表示目标;采用高斯分布运动模型获取目标样本,在贝叶斯框架下根据观测模型获取最优目标位置实现跟踪。不同视频序列被用于改进的稀疏外观模型跟踪算法和其他先进目标跟踪算法进行仿真实验。实验结果表明,实现了目标跟踪的目的,有效地降低了目标局部遮挡问题的影响,提高了目标跟踪精度。     

改进的K均值聚类红外目标检测方法

利用图像方差能很好地反映目标边缘信息的特点,提出一种基于方差的K均值聚类红外目标检测算法。利用形态学方法对红外图像进行预处理,运用相应的模板计算得到红外图像的方差图像,利用K均值聚类算法对方差图像进行聚类,从而分离出目标类别和背景类别。实验表明,该算法提取的红外图像中目标信息的兰德指数最高,说明该算法能有效地提取红外图像中目标信息,从而达到目标检测的目的。     

基于两阶段稀疏表示的稳健快速视觉跟踪

L1跟踪对局部遮挡具有较好的稳健性,但存在对模板中的离群信息比较敏感和计算速度慢的问题。针对这两个问题,提出了两阶段稀疏表示模型,并基于块坐标优化原理设计了相应的快速求解算法。在第一阶段,该算法利用局部约束线性编码,求解目标模板表示系数,在第二阶段,该算法利用软阈值操作,求解小模板表示系数。以粒子滤波为跟踪方法,结合提出的模型和算法实现了稳健快速的视觉跟踪。利用标准图像序列对提出的方法进行了验证,实验结果表明,提出的跟踪方法在稳健性和跟踪速度方面均优于现有跟踪方法。     

基于谱聚类与类间可分性因子的高光谱波段选择

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难。高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率。因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题。针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵。再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类。该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段。通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明：两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度。     

一种新的红外成像末制导目标跟踪方法

为了稳定跟踪导弹末制导阶段的红外目标,提出了一种基于尺度不变特征变换的红外目标跟踪算法.尺度不变性特征变换所提取的图像纹理特征具有尺度和旋转不变性,跟踪算法分别提取目标模板和待跟踪图像的尺度不变特征变换特征.根据最小欧氏距离准则提取目标模板与待跟踪图像间相匹配的尺度不变特征变换特征点对,利用该特征点对拟合反映两图像间映射关系的仿射模型,并据此估计目标中心位置及调整目标模板尺寸.仿真结果表明,跟踪算法能够较好地实现在导弹末制导阶段对红外地面杂波背景下目标的稳定跟踪,其跟踪准确度和稳定度优于传统方法.
关键词:末制导跟踪|尺度不变性特征变换|特征匹配|仿射模型     

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。     

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.     

一种改进相似度量的红外目标跟踪算法

针对红外目标成像特点,提出了一种简单易行、鲁棒性强的目标跟踪算法.在对原始算法中的核心部分相似度量函数进行理论分析的基础上,新算法给出了两点改进:一是利用动态聚类思想对相似度量函数中匹配样本增加动态权值,提高了模型图像和目标图像样本间匹配准确度,二是增加了模型图像和目标图像像素点邻域信息,进一步增强跟踪算法鲁棒性.实验仿真表明,新建算法能对复杂场景下的红外目标进行较好跟踪,证实了跟踪算法的可行性和有效性.     

融合扰动感知模型的孪生神经网络目标跟踪

针对全卷积孪生网络目标跟踪算法(Siamfc)在严重遮挡、旋转、光照变化、尺度变化等情况下容易出现跟踪失败的问题,提出了一种融合扰动感知模型的孪生神经网络目标跟踪算法。将孪生神经网络提取到的低层结构特征与高层语义特征进行有效融合,以提高特征的表征能力;利用模板自适应策略在线更新模板,以提高算法在遮挡和旋转等情况下跟踪的精确度。与此同时,将基于颜色直方图特征的扰动感知模型引入到算法中,通过加权融合的方式获得目标响应得分图,以此估计出目标的位置,并利用相邻帧尺度自适应策略估计出目标最佳尺度。为验证本文算法的效果,利用公开数据集测试所提算法性能,并与多种跟踪方法进行对比。实验结果表明:在2015目标跟踪标准测试数据集下本文所提算法总体跟踪精确度为0.945,总体成功率为0.929,相比Siamfc算法分别提高了2.9%和2.8%,在无人机航拍测试数据集中本文所提算法也具备较高的精确度与成功率,获得的跟踪效果良好。     

基于改进巴氏指标和模型更新的视觉跟踪算法

传统的Mean Shift算法采用巴氏系数度量模型与候选模型之间的统计特征相似性,但是由于背景特征的影响,有时应用巴氏指标进行匹配得到最优解的位置并不一定是目标的实际位置,在跟踪过程中可能导致目标定位出现偏差。该文提出一种改进的巴氏系数相似度指标,指标由于引入了前景/背景置信值,能够有效抑制待匹配区域中背景特征的影响,突出目标特征的权重,与原始的巴氏指标相比,明显提高了目标匹配的准确性。基于改进的巴氏指标,对目标与背景区域双模型相似度系数进行综合分析,合理地判断干扰目标匹配的原因,从而采取相应的模型更新策略。采用4段具有挑战性的视频序列对5种跟踪算法进行了测试,通过定量实验分析可知,文中算法处理1帧视频所需的平均时间为75.76 ms,实时性仅次于原始的Mean Shift跟踪算法,同时跟踪误差在5种跟踪算法中取得了最优结果。实验结果表明,该算法能够有效抑制背景干扰和避免模型漂移,在不同的复杂场景下都具有一定的鲁棒性。     

基于特征自适应选择的金字塔均值漂移跟踪方法

针对均值漂移跟踪算法框架不足以对目标帧间运动过大及快速尺度变化进行有效地处理,且单个图像特征对环境适应性较差.提出了一种特征自适应选择方法,通过分析目标与背景的特征区分度来选择出最有效的特征.将金字塔自适应分解和均值漂移跟踪结合,提出了金字塔均值漂移跟踪方法.采用背景加权直方图描述目标模板模型,核函数加权直方图描述候选...     

基于BIRCH聚类加速的彩色图像增强算法

针对现存的大多图像增强算法增强的图像可见性丢失问题,提出了一种基于BIRCH聚类加速的彩色图像增强算法;首先,通过BIRCH聚类加速确定数据库中与输入图像直方图相似度最高的图像来提取图像特征;然后,选择最小欧氏距离的特征值进行图像融合以获取目标图像;最后,增强图像通过目标图像直方图规范化和后期处理获得;大量图像融合实验结果验证了算法的有效性,该算法扩展了图像增强的类别,解决了增强过程中可能出现的可见性丢失问题,使图像增强的适应性更强;另外,EM、CII和SSIM评估指标的结果表明该算法明显改善了增强效果。