基于Kalman滤波和模板匹配的目标跟踪技术研究

针对模板匹配算法计算量大,难以解决目标形变、光照变化、遮挡等情况下的跟踪问题,提出了一种结合Kalman滤波的模板匹配跟踪算法。通过Kalman滤波预测下一帧图像中目标的位置,缩小目标搜索范围,以减少模板匹配计算量,满足目标跟踪的实时要求。采取自适应模板更新策略,根据目标的变化情况更新模板。在目标被短暂遮挡时,采用Kalman滤波预测目标的状态,继续稳定跟踪。实验结果表明,算法明显优于单独使用模板匹配算法,当目标被遮挡时仍可以稳定、实时跟踪,具有良好的鲁棒性。     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。     

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%.     

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。     

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。     

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。     

改进的CS-UKF加速度方差自适应跟踪算法

针对基于当前统计模型的状态噪声协方差阵中的加速度方差调整方法对一般机动目标、非机动目标跟踪精度差的问题,研究其改进方法;在建立机动目标当前统计模型离散状态方程和雷达导引头离散观测方程的基础上;利用雷达导引头测量信息和位置预测值之间的扰动对加速度方差进行调整,提出了改进的加速度方差自适应调整无迹卡尔曼滤波跟踪算法;数字仿真验证了该算法对非机动目标、一般机动目标以及高机动目标均具有良好的跟踪效果。     

自适应特征选择的分层卷积视觉跟踪

为提升分层卷积相关滤波跟踪算法的速度和精度,减少无效卷积通道特征对跟踪精度的影响,提出一种自适应特征选择的分层卷积相关滤波跟踪方法.该方法选取能表征目标的双层卷积特征,将相关滤波训练与预测合并,在视频序列的每一帧计算上一帧目标区域与非目标区域的卷积特征均值比,选取满足特征均值比要求的卷积通道特征训练相关滤波分类器,根据分类器与目标特征的最大响应值预测目标位置;最后根据预测结果稀疏更新目标初始帧特征,作为后续帧训练分类器的依据.在OTB-100标准数据集上对算法进行测试,实验结果表明本文算法的平均距离精度为91%,平均重叠率精度为64.4%,平均速度为21.7帧/秒,比原分层卷积相关滤波跟踪算法分别高出7.3、8.2个百分点和11.3帧/秒,该算法的平均距离精度比高精度的连续卷积跟踪算法(CCOT)高1.2个百分点,跟踪速度是CCOT的近20倍.本文算法可以有效提升分层卷积跟踪算法的速度和精度,在目标发生遮挡、快速运动等干扰时能稳定跟踪到目标.     

基于自适应卷积特征的目标跟踪算法

针对空间正则化相关滤波(SRDCF)跟踪算法在目标跟踪中旋转变化、超出视野和严重遮挡情况下存在跟踪失败的问题,提出了一种基于自适应卷积特征的目标跟踪算法。对VGG-Net模型中conv3-4层卷积特征进行主成分分析,利用自适应降维技术将conv3-4层特征维数由256维降至130维。在检测区域求取分类器最大响应位置及其目标尺度信息,并对最大响应位置的目标进行置信度比较,训练在线支持向量机(SVM)分类器,以便在跟踪失败的情况下,重新检测到目标而实现长期跟踪。计算跟踪位置的峰旁比,选取可靠跟踪结果,更新模型。采用OTB-2015评估基准的100组视频序列进行测试,并与38种跟踪方法进行对比,验证了本文算法的有效性。实验结果表明:本文算法跟踪精度为0.804,成功率为0.607,排名第一,与SRDCF算法相比,两者分别提高了1.9%和1.5%。针对目标发生旋转变化、超出视野和严重遮挡等复杂情况,本文算法均具有较强的稳健性。     

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。     

融合峰旁比和帧差均值自适应模型更新的视觉跟踪

为了让相关滤波模型更加适应目标外观的变化,提高相关滤波跟踪算法的鲁棒性和实时性,根据相关滤波响应值、帧差均值和目标运动位移之间的关系,提出了一种单层卷积相关滤波实时跟踪模型的自适应学习率调整跟踪方法.该方法首先选取单个卷积层卷积特征,减少了卷积特征维度,然后使用单层卷积特征训练相关滤波分类器预测目标位置,用快速尺度预测方法估计跟踪目标的尺度,并采用稀疏的模型更新策略,提高跟踪的速度;最后利用相关滤波预测响应图的峰旁比估计预测位置的可信度,结合图像帧差均值和目标的运动位移量来评估目标的表观变化,并根据目标预测的可信度和表观变化情况自适应调整相关滤波模型更新的学习率,使模型快速学习目标的变化特征,提高了目标跟踪的精度.在OTB100数据集上对算法进行测试,实验结果表明,本文算法的平均距离精度达90.1%,优于实验中对比的9种主流算法,平均成功率值为79.2%,仅次于9种算法中的连续卷积跟踪算法,平均速度为31.8帧/秒,是连续卷积相关滤波算法的近30倍.     

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.     

基于特征融合的长时目标跟踪算法

针对长时目标跟踪中目标遮挡、目标出视野等因素导致的目标失跟问题,提出一种基于特征融合的长时目标跟踪算法,提高目标跟踪的速度和稳健性。首先,融合目标方向梯度直方图特征、颜色空间特征和局部敏感直方图特征,来增强算法在复杂情况下的特征判别力,提高目标跟踪的稳健性,并对融合特征进行降维来提高目标跟踪的速度;然后,通过额外的一维尺度相关滤波器来获得目标最优的尺度估计,并通过正交三角分解来无损降低计算复杂度;最后,自适应确定目标检测阈值,在目标遮挡或出视野导致目标失跟时,通过EdgeBoxes方法提取目标候选区域,利用结构化支持向量机重新检测目标位置达到长时跟踪的目的。在标准跟踪数据集OTB2015和UAV123上进行实验。结果表明,本文算法较对比算法中最优算法目标跟踪平均精度提升5.0%,目标跟踪平均成功率提升2.6%,目标跟踪平均速度为28.2 frame/s,可满足跟踪的实时性要求。在目标受到遮挡、出视野等情况下,该算法仍能够对目标进行持续准确的跟踪。     

基于自适应多层卷积特征决策融合的目标跟踪

针对在复杂环境中目标尺度变化、形状变化以及场景光照变化、背景干扰等因素导致的目标跟踪稳定性下降问题,提出一种基于自适应多层卷积特征决策融合的目标跟踪算法。首先,通过卷积神经网络VGG-Net-19提取目标候选区域的多层卷积特征;其次,在相关滤波模型框架下,利用这些卷积特征构建多个弱跟踪器;接着,根据每个弱跟踪器的决策损失变化自适应地调节它们的决策权重,完成基于多层卷积特征的目标位置估计;然后,根据尺度相关滤波模型在目标中心区域进行多尺度采样,并利用相邻帧的尺度变化先验分布完成对目标尺度的预测。选取51组具有多种挑战因素的视频序列对所提算法的跟踪性能进行测试。实验结果表明,与当前主流的目标跟踪算法相比,所提算法取得了更高的跟踪精度和成功率,同时可以较好地适应目标的尺度变化,并且在目标发生形变、场景出现光照变化及背景干扰等复杂条件下仍具有较好的跟踪鲁棒性。     

一种基于融合反馈的改进粒子滤波行人跟踪算法

针对一般粒子滤波算法容易受到相似背景干扰和遮挡影响的问题,提出一种新的融合反馈的改进粒子滤波跟踪算法。该算法将最近的观测信息融入建议分布函数,便于粒子搜索目标最可能的位置,根据相对位移的变化自适应调整跟踪窗口尺度的变化,降低了计算的复杂度,一定程度上保持了粒子的多样性。实验结果表明:该算法有效地解决了遮挡、相似背景混乱以及目标尺寸变化问题,整体跟踪性能优于粒子滤波算法。     

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。     

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。     

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。     

基于多层卷积特征融合的目标尺度自适应鲁棒跟踪

针对复杂跟踪条件下目标的鲁棒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鲁棒跟踪算法。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HOG特征构建一维尺度相关滤波器,确定目标的最佳尺度。在复杂跟踪条件下的实验结果表明,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。     

角闪烁噪声测量条件下的剩余飞行时间估计

针对雷达导引头角闪烁噪声测量条件下的机动目标,研究剩余飞行时间计算方法。建立了闪烁噪声计算模型;在粒子滤波算法和扩展卡尔曼滤波算法的基础上,推导了扩展卡尔曼粒子滤波算法的实现过程;根据估计结果建立了剩余飞行时间计算模型,在剩余飞行时间表达式中考虑了目标机动加速度的影响。仿真结果表明,基于机动目标当前统计模型的扩展卡尔曼粒子滤波算法对闪烁噪声测量条件下的机动目标具有良好的跟踪性能,对剩余飞行时间具有较高的估计精度。