多尺度时空上下文目标跟踪

相关滤波器在视觉目标跟踪中得到了广泛应用,针对复杂场景下目标跟踪容易出现跟踪漂移的问题,以及现有多尺度跟踪算法计算量大的问题,本文提出一种实时的多尺度目标跟踪方法.首先由时空上下文模型输出目标位置置信图完成目标定位,再在尺度空间上训练相关滤波器完成目标尺度估计,最后基于目标位置和尺度提出了一种新的时空上下文模型更新机制,避免了模型更新错误.实验表明:该方法在尺度变化、局部遮挡、目标姿态变化等情况下均能完成鲁棒跟踪,跟踪正确率较原始时空上下文跟踪算法提高了38.4%.     

结合时空上下文信息的相关滤波目标跟踪方法

针对繁杂环境下目标跟踪稳定性差且易受到遮挡发生漂移的问题,提出一种结合时空上下文信息的相关滤波目标跟踪方法.该算法首先从目标和背景区域提取方向梯度直方图特征和颜色直方图特征,加权融合两种特征的相关滤波响应,建立相关滤波跟踪模型;然后利用目标的背景梯度直方图特征,基于贝叶斯框架通过最大化似然函数得到时空上下文辅助模型;最后自适应融合两种模型响应,得到目标估计位置并采用尺度估计方法解决目标尺度变化问题.在OTB-2013公开标准测试集上与基于相关滤波的运动目标跟踪方法进行了实验对比.结果表明,该算法的平均距离精度值和平均重叠精度值都优于其他算法,能够有效缓解跟踪目标由于遮挡、尺度变化、光照等因素造成的跟踪漂移状况的发生.     

卷积神经网络与时空上下文结合的目标跟踪算法

本文所提算法是一种卷积神经网络与时空上下文结合的目标跟踪算法.将卷积神经网络算法融入时空上下文算法框架下,使得跟踪系统整体的鲁棒性有显著提高.引入Kalman滤波来处理目标被严重遮挡时,跟踪框容易漂移的问题.此外,整个跟踪系统采取由粗到精的双重目标位置定位方式,由时空上下文算法实现目标初定位,由卷积神经网络进行目标位置的精确定位.经实验验证,算法不仅稳定性和鲁棒性较好,而且实时性的条件也基本满足.     

融合感知哈希特征的时空上下文目标跟踪算法

文中提出融合感知哈希特征的时空上下文快速目标跟踪算法,在光照剧烈变化和目标被遮挡情况下能准确地跟踪目标。通过感知哈希特征对目标的位置进行评估,避免时空上下文算法在光照剧烈变化的跟踪漂移问题,并通过更新目标哈希值和时空上下文信息来进行下一次迭代。实验结果表明结合目标时空上下文信息的感知哈希跟踪算法与目前主流跟踪算法相比表现出更快的跟踪速度,并且在复杂背景和被遮挡后表现出较好的鲁棒性。     

基于双模式遮挡检测机制的红外目标跟踪算法

由于运动目标存在不同程度的遮挡干扰,严重制约装备精确打击的能力.本文在空时上下文跟踪算法的基础上,提出了一种基于双模式遮挡检测机制的目标跟踪算法,该算法充分利用目标及其局部背景的上下文区域信息来预测遮挡状态,最大限度地提高遮挡预测的响应能力和重捕的精度.首先,利用双模式遮挡检测机制实现遮挡状态检测;一旦目标进入完全遮挡,对目标进行位置预测,并利用形态学操作提取疑似目标区域,降低匹配的复杂度;最后,采用基于直方图置信度策略对遮挡后的疑似目标区域进行重捕,实现整个遮挡过程的稳定跟踪.定性定量仿真实验结果表明,本文提出的目标跟踪算法在实时性,稳定性和定量指标上具有明显优势,适合工程应用.     

基于TLD框架的上下文目标跟踪算法

提出了一种基于TLD (Tracking-Learning-Detection)框架的上下文目标跟踪算法.在TLD框架中,融入时空上下文跟踪算法,提高跟踪器的鲁棒性和稳定性.引入Kalman滤波来处理目标被严重遮挡时跟踪失效的问题.此外,采用由粗到精的搜索策略进行目标检测,利用帧差法确定运动目标疑似区域,提高检测效率.实验结果表明所提出的算法具有较好的鲁棒性和实时性.     

上下文感知相关滤波的红外目标跟踪改进算法

针对在目标跟踪过程中由于红外目标遮挡、快速运动而导致的跟踪失败问题,提出了一种基于上下文感知的相关滤波跟踪算法,在引入目标背景信息的同时改进其算法的更新策略。在训练阶段引入上下文信息,使得相关滤波器具有更好的鉴别性,以应对跟踪过程中出现的快速运动、运动模糊以及遮挡等情况。在模型更新阶段引入一种高置信度模型更新策略,解决了在模型更新过程中由于目标严重遮挡造成的目标丢失或模型污染问题,提升了算法的性能。实验结果表明,与其他相关滤波类算法相比,所提出的算法在精确度和成功率方面分别提升了6.4 %和5.1 %,同时能以较快的速度运行,满足实时性的要求。     

基于相关滤波的红外目标跟踪抗遮挡处理

针对传统的相关滤波算法在红外目标跟踪过程中,目标被完全遮挡后跟踪失效的问题,提出一种结合了多尺度滤波跟踪器和基于深度学习检测器的目标实时跟踪抗遮挡算法.首先使用跟踪器跟踪目标,计算目标的峰值响应强度并比较峰值响应强度与经验阈值的大小以判断目标是否被遮挡或跟踪丢失.然后当目标被遮挡或跟踪丢失时,停止更新跟踪器,由于目标被...     

融合重检测机制的上下文感知目标跟踪算法

为了解决目标跟踪中常见的遮挡、旋转和背景杂乱等问题,提出了一种融合重检测机制的上下文感知目标跟踪算法.首先在相关滤波算法的基础上引入上下文信息供滤波器学习以丰富样本信息,构造上下文感知相关滤波器,提高滤波器的学习能力;然后引入重检测机制判断检测结果的可靠性,解决遮挡情况下模型被污染的问题.最后在公开数据集上对算法的性能...     

An improved target tracking algorithm based on spatio-temporal context under occlusions

Multidimensional Systems and Signal Processing - Target tracking is a popular but challenging problem in computer vision field. Due to many aggravating factors such as position transformation,...     

一种改进的Mean-Shift实时车辆跟踪算法

针对传统Mean-Shift算法存在无法有效的估计目标方向及变速运动目标这一缺陷,提出了一种改进的Mean-Shift自适应跟踪算法,在传统算法基础上增添了next帧目标预测功能,并应用于智能交通系统。该算法首先提取运动历史信息,并建立数学模型,据预测理论对next帧目标位置进行预测,使其作为Mean-Shift迭代初始,提高迭代效率。实验表明,本文跟踪算法具有良好的实时性和鲁棒性,受车辆方向和速度变化影响较小。     

移动机器人的动态目标实时检测与跟踪

通过移动机器人的视觉系统可以实现动态目标的 检测与跟踪。提出一种基于改进的高斯混合模型(GMM)的 实时动态目标检测算法,算法引入分块思想,在模型更新过程中动态调整GMM分布数目和学 习率,通过改进匹配准则来减小误检率(FPR)和漏检率(FNR) 。在目标检测的基础上,采用一种融合均值偏移(MS:Mean Shift)和粒子滤波(FP:Particl e Filter)的算法对 目标实时跟踪,在利用MS算法获得的最优候选区域周围散布采样粒子,根 据偏移向量的大小自适应调节粒子数目,不仅具有较快的收敛速度,且对遮挡具有较好的鲁 棒性。实验结 果表明,将两种改进后的算法应用于移动机器人的视觉系统中,能够对动态场景中的动态目 标实时检测与跟踪,较传统算法在实时性和精确性上均获得一定提高。     

结合帧差法与Mean Shift的抗遮挡跟踪算法

针对目标严重遮挡后,运动状态发生改变时,传统的基于运动预测的算法无法有效跟踪的问题,提出一种基于帧差法的改进算法。引入巴氏系数(Bhattacharyya)作为目标是否发生遮挡的判据;当发生遮挡时,帧差法检测目标,再次检测到目标时将此位置作为Mean Shift迭代的起始位置;最后正常跟踪时采用卡尔曼滤波预测目标位置,减少迭代次数。实验结果表明,当目标在严重遮挡后,运动状态改变时,基于运动预测的算法将无法跟踪目标,改进算法能够重新跟踪目标。     

Minimum barrier distance based tracking via spatio-temporal context learning

We propose an efficient and robust tracking method based on minimum barrier distance (MBD) and spatio-temporal context (STC) learning. It is robust to noise and blur, and can be evaluated approximately through a Dijkstra-like algorithm, leading to fast computation. We adopt the MBD transform to measure the weights of context pixels, and formulate the spatio-temporal relationship between the object and its surrounding region based on a Bayesian framework to estimate the most likely location of the target. A bounded scale update model is proposed to estimate the size of the object. The whole proposed method runs at nearly 160 frames per second (FPS) on an i5 machine. Extensive experimental results show it has comparable or better comprehensive performance than the original STC and some other leading methods.     

基于子空间的目标跟踪算法研究

末制导跟踪阶段,导弹的飞行姿态,弹体与目标的距离以及目标自身的运动姿态和形态均会发生较大的变化,采用单一固定模板无法实现稳定跟踪。本文提出一种新的基于子空间的运动目标跟踪算法,首先采用一组正交的稀疏子空间特征向量表示目标模型,然后采用增量方法不断更新子空间模型,以适应由于目标内在和外在因素所造成的在外观上的变化,从而提高跟踪精度;采用重要性采样算法以及最大似然估计,解决复杂的优化问题。实验结果表明,当摄像机与背景发生较大相对运动以及目标姿态发生剧烈变化时,仍然能够实现对目标的持续稳定跟踪,平均跟踪误差小于10个像素。基本满足末制导跟踪系统的稳定性和鲁棒性等要求。     

一种新的机动目标跟踪算法

针对UKF算法精度较高,但计算负担繁重的问题,基于对精度与实时性考虑,提出了UKF与径向基神经网络相结合的模型与机动目标跟踪算法。通过计算机模拟仿真,证明了该算法的可行性。     

一种改进的运动目标跟踪算法

为了进一步增加均值平移算法用于目标跟踪的准确性和鲁棒性,提出了加入目标位置的预测、对大目标间断采样、联合颜色信息与边缘信息建立直方图、采用多个候选目标优选与验证等4种改进方法,减小算法的计算量,提高算法的匹配速度,增强算法的适应性.使用Edinburgh大学提供的Workshop 1 front图像序列进行测试,分别得到了原算法与改进算法的Bhattacharyya距离,通过比较其平均值和标准偏差,说明了改进算法中最优匹配比原算法准确.使用自拍摄的复杂背景图像测试后,说明了改进算法的适应性.实验结果表明,改进后的均值平移算法对运动目标跟踪效果良好.     

对目标跟踪算法发展的相关思考

计算机视觉是一门研究如何让机器实现人眼功能的学科,它旨在让机器拥有同人类视觉系统相当的功能,从而使机器可以代替人类来观察和了解世界。其中,目标跟踪即为计算机视觉的一门分支学科,该研究方向也包含了模式识别、数字图像处理等多种应用于各种学科领域的重要核心思想理论。