基于簇相似的多分类器目标跟踪算法

由于跟踪过程中目标和背景的变化,传统的单分类器跟踪算法学习到大量的非目标信息而导致跟踪精度降低.针对该问题,本文提出使用树形结构保存历史分类器.在每一帧,根据树中路径距离选择分类器集对测试样本分类.提出了一种基于簇相似性比较的分类算法.通过建立以方差为尺度的特征空间,比较测试样本到簇中心的距离计算相似度,快速计算出目标样本.实验表明本算法能够在复杂条件下实现对目标的鲁棒跟踪.     

基于可变形模型的目标跟踪算法

近年来目标跟踪技术的研究已经有了很大的进展,但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先,利用可变形模型对跟踪目标进行表达,该模型将目标分为若干子块,目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来,给出了对目标的一个统一的相似度度量函数。然后,在线训练一个结构化输出支持向量机作为分类器,该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标,完成跟踪。通过实验比较,该算法的跟踪性能优于其他主流跟踪算法,尤其在目标发生遮挡和形变的时候仍能准确跟踪。     

基于多区域的随机蕨在线目标跟踪算法

原始的随机森林跟踪算法,是以像素点的灰度值作为检测特征,在目标发生遮挡和旋转时,容易产生跟踪漂移,为此本文提出了一种基于多区域融合的随机蕨在线目标跟踪算法.首先将目标候选区域划分为多个子区域,然后采用基于积分图的随机蕨分类器对每个子区域的候选图像块进行分类,在跟踪过程中自适应地融合子区域分类结果以剔除被遮挡子区域对目标跟踪结果的影响,同时更新随机蕨特征和子区域图像块的选择.结合对TLD算法部分模块的改进,通过对不同视频序列进行测试,实验结果显示本文算法在跟踪大小320 pixel×240 pixel的视频序列时,跟踪速度达到20~30 frame/s左右,目标中心位置误差在30 pixels时,算法准确率可达到80%以上.     

基于双核协同学习模型的红外目标跟踪算法

在红外目标跟踪中,如何鲁棒地跟踪上目标,对提升武器装备战斗力意义重大.本文在核相关目标跟踪算法(KCF)的基础上提出了一种有效的多特征协同学习核相关红外目标跟踪算法,该算法通过KCF模型将HOG(Histogram of Oriented Gradient)特征与Haar-like特征整合到一个框架中,解决了单一特征不足以表征目标外观变化,同时大大提升了红外目标跟踪的准确性与稳定性.同时,本文也提出了一种自适应学习因子策略,增强了模型的泛化能力.大量定性定量实验结果表明本文所提算法在重叠率准则(OR)和跟踪中心误差(CLE)准则上超过现有大多数算法,同时其跟踪速度也超过大多数算法.     

基于多域学习的红外空中目标跟踪算法

自深度学习技术被提出以来,迅速风靡各个学术领域,极大地推动了图像处理技术的发展.红外目标跟踪技术是红外导引领域的一项关键技术,但目前深度学习技术在图像处理中的应用主要集中在可见光领域,在红外领域鲜有应用.同时,由于红外场景的复杂性,红外空中目标跟踪的效果遭遇瓶颈.该文基于多域学习训练思想,设计开发了一种应用于红外领域的...     

基于在线半监督boosting的协同训练目标跟踪算法

基于自训练的判别式目标跟踪算法使用分类器的预测结果更新分类器自身,容易累积分类错误,从而导致漂移问题。为了克服自训练跟踪算法的不足,该文提出一种基于在线半监督boosting的协同训练目标跟踪算法(简称Co-SemiBoost),其采用一种新的在线协同训练框架,利用未标记样本协同训练两个特征视图中的分类器,同时结合先验模型和在线分类器迭代预测未标记样本的类标记和权重。该算法能够有效提高分类器的判别能力,鲁棒地处理遮挡、光照变化等问题,从而较好地适应目标外观的变化。在若干个视频序列的实验结果表明,该算法具有良好的跟踪性能。     

基于多示例学习和随机蕨丛检测的在线目标跟踪

基于检测的目标跟踪方法目前在计算机视觉领域受到了广泛的关注,这类方法通过训练判别分类器将目标对象从背景中分离出来;分类器的训练是根据当前的跟踪状态从当前帧中提取正负样本来进行,但训练样本的不准确将导致分类器退化产生漂移。该文提出一种能够有效克服目标漂移的跟踪算法,采用检测器和跟踪器相结合的框架,利用中值流算法作为跟踪器,提高跟踪点的可靠性;级联若干个随机蕨弱分类器构成强分类器作为检测器;用在线多示例学习方法更新检测器,提高检测精度;最后将检测器、跟踪器的结果相融合得到最终的目标位置。实验结果表明,与其它方法相比,该方法对目标漂移有更强的鲁棒性。     

一种鲁棒的基于集成学习的核相关红外目标跟踪算法

在红外目标跟踪中,由于目标所处的背景信息复杂多变和目标外观的显著变化,单一的分类器不足以拟合多模态的数据。该文结合核相关滤波器(KCF)将多个核相关分类器通过集成学习整合到一个框架中。利用KCF分类器具有解析解的特点平衡跟踪鲁棒性与实时性之间的矛盾,从而解决单个分类器无法处理复杂背景与显著的外观变化问题,并显著提升目标跟踪的性能与稳定性。为了验证算法的有效性,该文利用两个核相关跟踪器联合学习出1个强分类器。大量的定性定量实验表明所提的算法的跟踪性能超过传统的KCF算法,且跟踪速度也超过大多数比较算法。     

基于多实例回归模型的视觉跟踪算法研究

目前大部分基于检测的跟踪算法将跟踪任务看作是一个类别分类的任务,当目标发生形变或者遇到相似物体的干扰时,容易导致模型漂移。为此该文提出一种多实例回归跟踪算法。在该算法中,跟踪任务被认为建立在实例模型之上更为合适,为此该文利用一帧图像建立实例模型,并在时间序列上建立多实例模型集合表征目标的最近状态;为使跟踪算法能够适应目标的形变,利用逻辑回归将实例模型作为隐变量,由最近若干帧建立的正负样本集作为训练集,共同构建多实例回归跟踪模型。由于跟踪模型在整体上对多个实例模型建模,把它们紧密地联系在一起,故能有效应对目标的形变;由于模型漂移仅会影响当前帧的实例模型,各个实例模型之间互相独立,故跟踪算法能够有效减轻模型漂移对鲁棒跟踪的影响。实验中,OTB 2013数据库和UAV 123数据库被用来验证该文算法,DeepSRDCF, Siamese-fc等算法作为对比算法,实验结果表明,该文算法不仅充分发挥了基于多实例回归模型进行跟踪的优势,在形变等属性上具有很好的性能,而且在整体性能上优于各类先进算法3%~5%。     

融合粒子滤波和在线adaboost分类器的目标跟踪方法研究

传统的粒子滤波由于粒子数目有限,且模板会发生变化,模板更新时会出现漂移甚至导致跟踪失败。文章提出了融合粒子滤波和在线adaboost分类器的目标跟踪方法。将粒子滤波的跟踪结果作为正样本更新样本集,再通过样本集训练分类器检测到目标位置。然后将检测和跟踪中具有较高置信度的结果作为最终目标位置。实验证明,这种方式可以很好地解决目标重现和漂移问题。     

Visual object tracking via online sparse instance learning

Sparse representation has been attracting much more attention in visual tracking. However most sparse representation based trackers only focus on how to model the target appearance and do not consider the learning of sparse representation when the training samples are imprecise, and hence may drift or fail in the challenging scene. In this paper, we present a novel online tracking algorithm. The tracker integrates the online multiple instance learning into the recent sparse representation scheme. For tracking, the integrated sparse representation combining texture, intensity and local spatial information is proposed to model the target. This representation takes both occlusion and appearance change into account. Then, an efficient online learning approach is proposed to select the most distinguishable features to separate the target from the background samples. In addition, the sparse representation is dynamically updated online with respect to the current context. Both qualitative and quantitative evaluations on challenging benchmark video sequences demonstrate that the proposed tracking algorithm performs favorably against several state-of-the-art methods.     

Multiple instance deep learning for weakly-supervised visual object tracking

Intelligently tracking objects with varied shapes, color, lighting conditions, and backgrounds is an extremely useful application in many HCI applications, such as human body motion capture, hand gesture recognition, and virtual reality (VR) games. However, accurately tracking different objects under uncontrolled environments is a tough challenge due to the possibly dynamic object parts, varied lighting conditions, and sophisticated backgrounds. In this work, we propose a novel semantically-aware object tracking framework, wherein the key is weakly-supervised learning paradigm that optimally transfers the video-level semantic tags into various regions. More specifically, give a set of training video clips, each of which is associated with multiple video-level semantic tags, we first propose a weakly-supervised learning algorithm to transfer the semantic tags into various video regions. The key is a MIL (Zhong et al., 2020) [1]-based manifold embedding algorithm that maps the entire video regions into a semantic space, wherein the video-level semantic tags are well encoded. Afterward, for each video region, we use the semantic feature combined with the appearance feature as its representation. We designed a multi-view learning algorithm to optimally fuse the above two types of features. Based on the fused feature, we learn a probabilistic Gaussian mixture model to predict the target probability of each candidate window, where the window with the maximal probability is output as the tracking result. Comprehensive comparative results on a challenging pedestrian tracking task as well as the human hand gesture recognition have demonstrated the effectiveness of our method. Moreover, visualized tracking results have shown that non-rigid objects with moderate occlusions can be well localized by our method.     

一种基于多尺度实例学习的视频事件检测算法

现有的大多数视频事件检测方法首先从视频帧或视频快照中提取特征,然后对特征进行量化和汇集,进而为整个视频生成一个向量表示.最后的汇集步骤虽然简单高效,但是可能丢失时间局部信息,而这些信息对于确定长视频中事件发生的位置具有重要作用,从而削弱了事件检测的准确性.为此,本文首先将每个视频表示为多个“实例”,并将其定义为不同时间间隔的视频段.然后,针对每个视频的正实例比例已知和未知两种情况,提出基于多尺度实例学习的检测算法,在将实例标签看成隐藏潜在变量的同时推断出实例标签以及实例尺度的事件检测模型.最后,利用大规模视频事件数据集进行了全面的仿真实验,结果证明了本文算法具有显著的性能提升.此外,算法还可以确定视频中导致正检测的时间段的位置,进而对检测结果做出解释.     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。     

基于MKSVM的多示例学习算法及刑侦图像分类

针对刑侦图像分类问题,提出一种基于多核支持向量机的多示例学习(MIL)算法.首先,该方法采用金字塔网格划分法对刑侦图像进行分块,再将每幅图像作为一个多示例包,每个子块的底层视觉特征作为包中的示例,将刑侦图像分类问题转化为MIL问题;然后,采用K-means双重聚类方法对所有多示例包进行聚类生成聚类中心并定义为视觉字,再把视觉字的集合构造成视觉投影空间;最后,通过设计的非线性投影函数将每个包映射为视觉投影空间中的一个点,则MIL问题被转化为一个标准的有监督学习问题,并采用多核支持向量机(MKSVM)来训练刑侦图像分类器.基于真实刑侦图像库的对比实验表明,所提方法具有较好的鲁棒性,且分类精度高于其他方法.     

基于Canny检测算法实现的目标跟踪

为了设计一种实时高效、稳定可靠的图像目标跟踪系统平台,避免因图像边缘提取效果差而引起跟踪失败,采用自适应Canny边缘检测算法。该自适应算法能够很好的确定平滑参数以及高、低两个阈值,更好的获得图像边缘图。经Canny算法处理图像目标后,获得目标的单像素边缘图,根据边缘图计算得到目标质心。利用最小二乘法拟合出目标的运动轨迹,同时可根据时间间隔预测出目标质心的下一位置,控制伺服机构,实现目标跟踪。实验表明,采用Canny算法的目标跟踪系统,能够满足实时跟踪的需要。     

基于在线判别特征选取的粒子滤波跟踪

传统的粒子滤波视频跟踪算法,在复杂环境背景下跟踪精度不高。针对此问题提出了一种新的基于在线判别特征选取的粒子滤波跟踪。使用粒子滤波构建了算法的基本运动模型,并根据不同运动的剧烈程度,分解基本运动模型为不同构成的子模型。通过在线多实例学习分别采样正负样本集合,并在这些样本上使用在线特征选取来构建强分类器。判别特征的选取过程,直接把样本的重要性与分类器权值联系起来,并利用梯度增强法搜索目标。大量的实验结果表明,文中提出的算法在光照变化、遮挡、以及形变的变化下都能准确跟踪目标,并且具有很高的实时性。     

基于三维直方图的改进Camshift目标跟踪算法

经典的连续自适应均值漂移算法Camshift通过HSV空间的色调Hue分量建立一维直方图,在有光照变化及有相似颜色目标或背景的干扰下,跟踪效果不好。提出一种融合HSV空间中色调、饱和度以及反应物体形状信息的边缘梯度的三维直方图特征,并基于背景模型自适应调整特征直方图三种分量的权重值,提高了算法的跟踪准确度。通过与传统Camshift跟踪实验比较,提出的改进算法在光照变化及相似颜色目标/背景干扰下具有更好的鲁棒性,同样也满足跟踪系统的实时性要求。     

基于特征确定性的目标跟踪算法

利用粒子空间分布和粒子观测概率信息定义了一种目标特征的确定性度量方法,将该度量应用到传统的多特征融合跟踪算法中,实现了目标特征加权值的自适应调整,使得不同场景及外部干扰条件下各种目标特征信息对跟踪结果的贡献达到最优。试验表明,基于确定性度量的跟踪算法较传统的单一特征跟踪及固定加权值的多特征融合跟踪算法有着更好的鲁棒性。     

基于DPM和KCF的十字靶标检测与跟踪

为了实现对十字靶标的自动检测与跟踪,建立了十字靶标检测跟踪模型。针对目标检测中运算量大、实时性差、目标跟踪需要人工标定视频初始帧的问题,提出了一种基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法。首先,提取十字样本集的梯度方向直方图(HOG)特征,采用Latent SVM分类器训练特征集,生成十字靶标物体类的DPM模型。然后,通过滑动窗口搜索匹配方法遍历待检测图片。最后,将检测到的结果作为跟踪算法的起始跟踪帧,应用KCF算法快速跟踪目标。当跟踪目标丢失时,暂时停止跟踪,利用DPM模型重新检测定位目标再进行跟踪。实验结果表明:采用DPM模型检测的平均帧率为1 fps,结合DPM和KCF算法,实时检测跟踪的平均帧率为40 fps。采用基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法,实现了目标的自动检测与实时跟踪,且检测速度明显高于传统算法,并且在目标漂移或丢失后自动重新定位并继续跟踪,完成十字靶标的长时间跟踪。