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。     

特征融合的尺度自适应相关滤波跟踪算法

为提高相关滤波(CF)跟踪算法的稳健性,并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题,提出了一种基于融合颜色特征的尺度自适应相关滤波改进跟踪算法。首先,将目标搜索区域从3原色(RGB)颜色空间转换到Lab颜色空间,提取搜索区域的Lab 3通道颜色特征;然后,融合Lab颜色特征与方向梯度直方图(HOG)特征得到多通道特征,利用核相关滤波(KCF)计算输出响应图并寻找图中最大响应位置即目标位置;最后,基于Lab颜色特征建立尺度模型,从当前帧的目标位置处截取不同尺度图像块,通过将其与尺度模型比较得到目标尺度最优估计。实验选取35段公开彩色视频序列进行测试,并将所提算法与其他5种跟踪性能较好的跟踪方法进行对比。实验结果表明,所提方法对彩色视频序列中的目标遮挡、变形、尺度变化等现象具有良好的适应性,其平均性能优于对比方法,同时具有76frame·s~(-1)的实时跟踪速度。     

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。     

基于核相关的尺度自适应视觉跟踪

针对视觉跟踪中目标尺度变化对准确跟踪的不利影响,提出一种基于核相关的尺度自适应视觉跟踪算法。首先,通过建立核岭回归模型构建二维核相关定位滤波器,采用融合后的多通道特征对滤波器进行训练,提高目标定位的精度;然后,对目标区域进行多尺度采样,样本缩放后提取其特征,并构造为一维特征,以此构建一维核相关尺度滤波器,估计出目标的最佳尺度。在OTB2013平台上的实验结果表明,与8种当前主流的跟踪算法相比,本文算法的跟踪精度和成功率均有优势。在尺度变化条件下,本文算法在快速准确跟踪的同时,较好地实现了对目标尺度的自适应跟踪。     

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。     

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。     

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%。     

自适应特征选择的相关滤波跟踪算法

针对相关滤波方法对快速运动与快速变形的目标跟踪稳定性较差的问题,提出一种自适应特征选择的相关滤波跟踪算法。利用位置滤波器和颜色概率模型提取候选区域中的基础特征,对基础特征以不同的权重分配方式进行融合,得到多个融合特征。对融合特征进行可信度判定,选择可信度较高的融合特征作为当前帧的跟踪特征,估计出目标的候选位置。若最高可信度低于可信度阈值,启动检测器重新检测目标位置,否则候选位置即为目标最终位置。与此同时,对目标模型进行更新,确保模型对目标描述的准确性。在标准数据集OTB50和OTB100上进行大量实验,测试结果表明,所提出的跟踪方法在运动模糊、光照变化、快速运动等条件下具有较高的跟踪准确率和较好的稳健性。     

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。     

基于自适应粒子滤波的红外目标跟踪

为有效解决非线性环境中的红外目标跟踪问题,提出一种自适应粒子滤波目标跟踪算法.建立了目标加权概率模型.在滤波过程中,提出双过程粒子重抽样方法,形成对抽样粒子集的自适应调节,有效地解决了粒子退化问题.用实际红外图像序列做了实验.结果表明,在非线性环境下用该方法得到的红外目标跟踪结果优于用传统粒子滤波和扩展卡尔曼滤波算法获得的结果.     

基于引导滤波和核相关滤波的红外弱小目标跟踪

为了解决传统跟踪算法不能有效区分背景边缘和红外弱小目标的问题,基于图像引导滤波和核相关滤波,提出了一种改进型的红外弱小目标跟踪算法。将采用6组红外弱小目标图像序列得到的实验结果与采用经典跟踪算法得到的实验结果进行了比较。实验结果表明,所提算法在主观视觉和客观评价指标方面均优于传统算法,具有更高的目标跟踪精度与较好的实时性。     

基于自适应尺度的TLD目标跟踪算法

为提升TLD目标跟踪算法的每帧处理速度,以达到在更高分辨率视频中跟踪目标的实时性要求,在TLD算法框架的基础上,提出了一种基于自适应尺度检测学习的目标跟踪算法(AS-TLD)。当跟踪目标成功时,选取当前帧跟踪到的目标尺度及几个相邻的尺度作为下帧检测目标时滑动窗口尺度的选取范围;而当跟踪失败时,则选取在TLD算法初始化阶段,根据跟踪目标及视频图像大小选定的尺度来保障长时间跟踪目标,从而有效减少了平均每帧扫描的窗口数量。实验结果表明,该方法不仅有效地降低了检测模块的检测时间,显著提高了整体算法速度,而且通过动态选取尺度,在一定程度使得TLD各个模块更加协调,跟踪精确度得到提升。     

基于特征融合和尺度自适应的干扰感知目标跟踪

针对复杂场景下单一颜色特征稳健性差、存在类目标干扰及目标尺度变化的问题,提出了一种基于特征融合和尺度自适应的干扰感知目标跟踪方法。首先,综合目标、邻域背景、类似干扰区域的三原色(RGB)特征和改进的方向梯度直方图(HOG)特征计算得到干扰感知目标模型;在搜索区域内逐像素点计算目标概率图,然后进行密集采样得到候选目标,利用目标概率图的概率值与距离值进行加权,同时定位目标和类似干扰,并更新目标模型;采用RGB直方图建立尺度模型,从当前帧图像上截取不同尺度的图像块并计算其RGB直方图,通过与尺度模型比较,获得最优尺度估计并更新尺度模型。实验结果表明,提出的方法对复杂场景下的类目标干扰、局部遮挡、尺度变化等均具有很好的适应性,同时距离精度、重叠精度等指标优于对比算法。     

基于多尺度滤波和线检测算子的视网膜血管检测

视网膜血管分割在眼底图像分析中具有重要作用。结合多尺度Hessian矩阵滤波和线检测算子,提出了一种有效的血管检测方法。首先利用多尺度Hessian矩阵的特征值构建血管相似性函数,实现血管增强;然后采用改进的线检测算子,提取反映血管测度的特征;最后采用SVM实现血管检测。实验结果表明,该方法只需要较少的训练样本即可达到与其他方法相当的准确率,且在灵敏性上具有更好的性能。     

基于自适应Kalman滤波的机器人运动目标跟踪算法

针对足球机器人比赛时的模型变化及其环境噪声先验估计不准确的问题,提出一种基于自适应卡尔曼滤波的足球机器人视觉跟踪算法。该算法将一种基于减背景的运动目标识别的方法与自适应卡尔曼滤波跟踪模型进行结合,对背景进行实时更新,并通过形态学滤波去除残留的小区域,从而准确的识别运动目标,通过自适应的在线调整运动模型参数来保证模型预测值的准确性,进而提高了目标跟踪时的匹配效率,实现了目标的精准、迅速跟踪。通过实验证明,该算法是很有效的,具有推广价值。     

基于K-粒子滤波和边缘检测的图像目标跟踪研究

图像目标跟踪是根据图像序列探测和跟踪某个目标,在军事目标的探测与跟踪、安全保护监控、城市与高速公路的交通监测等许多领域有着重要的应用.首先基于背景减图像分割,提出了一种有效的图像边缘检测方法,检测感兴趣的运动图像目标;其次提出了改进的最近邻域数据关联方法和K-粒子运动图像目标估计方法;最后以一个多行人的图像目标为例,对上述方法进行了仿真研究.仿真结果表明了上述方法的有效性和较高的跟踪精度.     

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。     

融合上下文和重定位的加权相关滤波跟踪算法

为提升融合梯度直方图特征和颜色属性特征的有效卷积操作跟踪算法(ECO-HC)的跟踪精度和速度,提出一种融合上下文和重定位的加权相关滤波跟踪方法。根据梯度直方图和颜色属性的不同特性加权融合相关滤波响应值,采用自适应迭代方法预测目标位置;融合多尺度搜索区域,目标上下文特征和目标预测失败时重定位方法进一步提高跟踪精度。在标准数据集OTB-100上进行算法评估,实验结果表明,所提算法的平均距离精度为89.2%,平均重叠率精度为80.6%,比ECO-HC算法分别高3.6%和2.1%。中央处理器的跟踪速度达65.2 frame/s,优于实验中对比的其他跟踪算法。所提算法有效地提高了跟踪精度,在严重遮挡、光照变化等干扰下,仍能较好地跟踪目标。     

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。