多特征融合匹配的多目标跟踪

针对复杂背景的视频图像多目标跟踪遮挡问题,提出了一种多特征融合匹配的多目标跟踪方法。基于自适应高斯混合背景模型重构和更新背景策略,实现当前帧背景减除和多目标检测;采用目标的颜色特征、质心位置、运动速度等特征进行融合匹配跟踪;最后,通过区域辅助判定策略将场景下的目标状态分为目标进入场景、目标退出场景、目标暂消、目标重现、目标融合和分裂5种状态,用质心预测方法和遮挡因子辅助匹配来提高匹配正确率。仿真实验结果表明：采用该方法跟踪同一目标和不同目标的相似度平均值分别为0.949 71和0.505 73,优于单一颜色特征信息匹配;目标遮挡结束后重新匹配相似度为0.972 83,实现了复杂背景下具有表面相似性的多目标实时跟踪。     

复杂红外地面环境下的稳定目标跟踪方法

针对红外目标相关滤波跟踪过程中由于背景杂波干扰、目标遮挡和目标形变等情况导致的鲁棒性差甚至跟踪目标丢失的问题,提出一种融合跟踪-学习-检测方法和相关滤波理论的红外目标跟踪算法.该算法在传统相关滤波框架基础上,融合目标的方向梯度直方图特征和亮度直方图特征,改善了目标轻微形变导致的模型漂移问题.针对背景杂波和遮挡导致的多峰值响应问题,对目标背景区域的相关响应进行惩罚,建立目标和背景响应的多模态检测机制,实现目标由粗到精的定位,并采用自适应的学习率优化跟踪模型的漂移问题;针对目标被严重遮挡或脱离视野的问题,通过全局目标再检测,实现目标的重捕.实验结果表明,在复杂红外地面环境下,该算法有效地解决了相似目标干扰和目标被严重遮挡导致的目标丢失问题.基于OTB-2015视频基准序列和红外视频序列测试,对比多个主流的相关滤波跟踪算法,该算法在跟踪精度和成功率方面较长时相关滤波跟踪算法分别提升了5.6%和4.1%;在目标遮挡指标测试中,该算法在跟踪精度和成功率方面相较长时相关滤波跟踪算法分别提升了4.6%和6.1%.     

基于改进高斯混合模型的运动目标检测与跟踪算法

针对传统高斯模型存在的不足,为了搞高运动目标跟踪精度,提出一种基于改进高斯混合模型的目标检测与跟踪算法。首先提取目标特征建立目标分类器,并将目标从前景是标记出来;然后通过多目标跟踪将目标为多种运动模式;最后采用高斯混合模型对跟踪与分类的结果进行融合,获得最终目标的位置。结果表明,本文方法不仅提高了目标检测与跟踪精度,而且可高斯模型以较好的满足目标跟踪的实时性要求。     

自适应上下文感知相关滤波跟踪

针对上下文感知相关滤波目标跟踪算法中,上下文背景样本等值权重训练,对背景信息滤波过于平滑的问题,提出了一种自适应上下文感知相关滤波算法,同时为了解决目标遮挡的问题,引入一种新的遮挡判定指标。首先,提取目标上下左右4个方向的背景样本学习到滤波器中,利用卡尔曼滤波对目标运动状态进行估计,预测目标的运动方向。在滤波器训练时,对目标运动方向上的背景样本训练时赋予较多的权重;接着,在模型更新时引入一个新的遮挡判定指标APCE,只有当响应峰值和APCE数值分别一定比例大于各自的历史均值时,才对目标模型进行更新;最后将本文算法与当前一些主流的跟踪算法在CVPR 2013 Benchmark进行对比实验。仿真实验结果表明,本文算法的精准率和成功率分别为0. 810和0. 701,均优于其他算法,充分体现出了本文提出算法的鲁棒性。     

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。     

自适应特征融合和模型更新的相关滤波跟踪

针对复杂场景下单个特征的稳健性差,以及目标存在背景干扰和目标遮挡时跟踪失败的问题,提出一种基于自适应特征融合和模型更新的相关滤波跟踪算法。该算法在核相关滤波的基础上,通过对不同特征的响应图采用平均峰值-相关能量的方法进行加权求和,实现了响应图层面的自适应特征融合。根据响应图的峰值特性计算自适应权重,以其作为置信度确定模型的更新率,进而设计自适应模型更新方法。实验结果表明,该算法能够很好地适应背景干扰、目标遮挡、旋转运动等复杂场景,与近年来优秀的相关滤波跟踪算法相比,所提算法的平均距离精度比其中最优的算法提高了2.64%,平均重叠精度提高了1.54%。     

团块建模与粒子滤波相结合的行人目标视觉跟踪

针对粒子滤波算法在遮挡情况下导致视觉跟踪不稳定甚至丢失目标的问题,提出了一种基于团块建模与粒子滤波相结合的目标跟踪算法。首先通过图像分割的方法得到视频帧中的初始目标,并构建目标团块模型;然后基于多团块目标信息并结合粒子滤波算法进行分块跟踪;最后利用高斯加权的方式,得到最终的目标预测位置。实验结果表明,该算法具有较强的鲁棒性,尤其是在遮挡的情况下能够实现目标的稳定跟踪。     

一种鲁棒的目标跟踪方法

针对传统特征光流场跟踪方法中由于误差积累和错误匹配而导致的特征点丢失问题,基于一种新的Harris-SIFT特征点表示方法,提出基于预测帧与关键帧的算法框架,实现了光流场运动估计与局部特征识别相结合的目标跟踪方法.预测帧利用塔式分解和递归算法计算特征点的光流场运动矢量,使用运动矢量直方图获取目标的运动矢量,并剔除误匹配点;当特征点数量小于5个时,关键帧使用Harris-SIFT特征点进行局部特征匹配,利用仿射模型对目标精确定位及姿态修正.实验结果表明,本方法对视频序列中的纹理特征目标跟踪的鲁棒性较好,在背景复杂、目标遮挡或暂时丢失情况下,仍可以继续完成目标的可靠跟踪.     

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。     

一种鲁棒的目标跟踪方法

针对传统特征光流场跟踪方法中由于误差积累和错误匹配而导致的特征点丢失问题,基于一种新的Harris-SIFT特征点表示方法,提出基于预测帧与关键帧的算法框架,实现了光流场运动估计与局部特征识别相结合的目标跟踪方法.预测帧利用塔式分解和递归算法计算特征点的光流场运动矢量,使用运动矢量直方图获取目标的运动矢量,并剔除误匹配点;当特征点数量小于5个时,关键帧使用Harris-SIFT特征点进行局部特征匹配,利用仿射模型对目标精确定位及姿态修正.实验结果表明,本方法对视频序列中的纹理特征目标跟踪的鲁棒性较好,在背景复杂、目标遮挡或暂时丢失情况下,仍可以继续完成目标的可靠跟踪.     

基于阈值判断的CamShift目标跟踪算法

针对CamShift算法只利用目标的颜色信息,在跟踪过程中,易受目标相似物、遮挡以及光照等复杂背景影响导致目标搜索窗口发散,跟踪稳定性能降低,提出了一种基于阈值判断的目标跟踪方法。该方法将OTSU法和Snake模型结合,利用OTSU法以最佳阈值对图像进行分割,分离前景区域和背景区域,初步提取目标轮廓作为Snake模型的初始轮廓,经收敛得到目标的精准轮廓,利用轮廓外接最小矩形框内的像素计算目标质心,判断与CamShift算法中目标搜索窗口质心之间的欧式距离,如果未超出阈值,则直接使用CamShift算法跟踪目标,反之,则将计算出的目标质心作为CamShift算法中当前帧目标搜索窗口的质心跟踪目标。实验结果表明,该算法跟踪目标具有较好的实时性,跟踪性能稳定、可靠。     

Multiple small objects tracking based on dynamic Bayesian networks with spatial prior

This paper proposes an end-to-end algorithm for multiple small objects tracking in noisy video using a combination of Gaussian mixture based background segmentation along with a Dynamic Bayesian Networks (DBNs) based tracking. Background segmentation is based on an adaptive backgrounding method that models each pixel as a mixture of Gaussians with spatial prior and uses an online approximation to update the model, the spatial prior is constructed for small objects. Furthermore, we create observation model with hidden variable based on multi-cue statistical object model and employ Kalman filter as inference algorithm. Finally, we use linear assignment problem (LAP) algorithm to perform the models matching. The experimental results show the proposed method outperforms competing method, and demonstrate the effectiveness of the proposed method.     

基于自适应非参数统计模型的彩色目标跟踪算法研究

针对复杂环境条件下的视觉跟踪问题,提出一种基于自适应非参数统计模型的彩色目标跟踪算法。利用目标和背景之间的强度差别,基于自适应核密度估计模型对运动目标进行了非参数统计建模。为了实现具有较大范围运动目标的跟踪,在充分考虑目标和背景之间的相关性前提下,采用目标特征统计的背景加权直方图对搜索区域进行了扩大。为了提高对环境变化的适应能力,根据目标和环境的变化自适应更新目标特征分布模型。通过对实际图像序列的实验,结果表明该算法能够有效跟踪运动目标,并且平均迭代次数比传统方法减少了37.28%。     

An improved long-term correlation tracking method with occlusion handling

By improving the long-term correlation tracking(LCT) algorithm, an effective object tracking method, improved LCT(ILCT), is proposed to address the issue of occlusion. If the object is judged being occluded by the designed criterion, which is based on the characteristic of response value curve, an added re-detector will perform re-detection, and the tracker is ordered to stop. Besides, a filtering and adoption strategy of re-detection results is given to choose the most reliable one for the re-initialization of the tracker. Extensive experiments are carried out under the conditions of occlusion, and the results demonstrate that ILCT outperforms some state-of-the-art methods in terms of accuracy and robustness.     

Background subtraction based on time-series clustering and statistical modeling

This paper proposes a robust method to detect and extract silhouettes of foreground objects from a video sequence of a static camera based on the improved background subtraction technique. The proposed method analyses statistically the pixel history as time series observations. The proposed method presents a robust technique to detect motions based on kernel density estimation. Two consecutive stages of the k-means clustering algorithm are utilized to identify the most reliable background regions and decrease the detection of false positives. Pixel and object based updating mechanism for the background model is presented to cope with challenges like gradual and sudden illumination changes, ghost appearance, non-stationary background objects, and moving objects that remain stable for more than the half of the training period. Experimental results show the efficiency and the robustness of the proposed method to detect and extract the silhouettes of moving objects in outdoor and indoor environments compared with conventional methods.     

基于稀疏活动轮廓模型的感兴趣目标检测定位算法

传统的基于形状信息目标定位的算法,对目标观测角度发生形变情况下的定位存在不少困难,针对该问题,提出了一种基于稀疏活动轮廓模型的感兴趣目标(OOI)检测算法.首先通过共同勾画算法学习到感兴趣目标的稀疏活动轮廓模型,它能够清晰地定义感兴趣目标模式;同时构成该模型的Gabor轮廓基元可以通过扰动进行局部的调整以适配图像,在一...     

基于逆透视变换的车辆排队长度检测方法

交通路口的车辆排队长度检测是智能交通系统的重要组成部分,传统的检测方法易受背景噪声、摄像机透视效果等因素的干扰造成检测失败,而且其实现都是基于串行结构的处理器,不能用于实时处理的场合。本文设计了一种充分利用平直道路几何特征并适合FPGA实现的排队长度自动检测算法,该算法利用逆透视变换消除图像几何失真,引入公路的结构性约束有效检测了车道线;接着采用Sobel边缘算子检测出各车道的车辆轮廓,通过一种基于信息量的度量方法提取排队的队尾,从而确定了车辆排队长度,并且通过硬件化设计使得整个检测过程达到实时的处理速度。