基于在线判别式字典学习的鲁棒视觉跟踪

现有子空间跟踪方法较好地解决了目标表观变化和遮挡问题,但是它对复杂背景下目标跟踪的鲁棒性较差。针对此问题,该文首先提出一种基于Fisher准则的在线判别式字典学习模型,利用块坐标下降和替换操作设计了该模型的在线学习算法用于视觉跟踪模板更新。其次,定义候选目标编码系数与目标样本编码系数均值之间的距离为系数误差,提出以候选目标的重构误差与系数误差的组合作为粒子滤波的观测似然跟踪目标。实验结果表明：与现有跟踪方法相比,该文跟踪方法具有较强的鲁棒性和较高的跟踪精度。     

基于局部分块学习的在线视觉跟踪

视觉跟踪中,如何构建一种能够适应目标表观特征变化的目标模型是增强算法跟踪精度和稳定性的关键之一。本文提出利用跟踪区域内像素的初始分类标记来构建目标的局部分块模型,并在贝叶斯理论框架下提出了基于局部分块学习的在线视觉跟踪算法。首先,利用标定的初始跟踪区域构建目标的局部分块模型;然后,在当前跟踪区域中通过局部分块学习和贝叶斯估计确定当前帧的跟踪结果;最后,利用特征聚类对局部分块模型进行更新。实验结果表明：所提算法对目标表观变化的适应性明显增强,跟踪精度和稳定性较近年来的同类算法均有一定提高。     

基于三维在线表观模型的粒子滤波目标跟踪算法

提出的基于三维在线表观模型的粒子滤波目 标跟踪算法,以目标的独立特征为基础,分别从空域和时域对目标进行描述,构建目 标的三维表观 模型,并通过多重线性空间理论表达目标表观随时间推移引起的变化,实现模型的在线增 量更新。采用 粒子滤波方法,对每个独立线索分别进行在线权重估计,通过多线索的融合实现动 目标的稳定跟踪。 三维在线表观模型和在线跟踪机制使跟踪模型对目标与背景的在线区分能力得到进一步增强 ,保证了算法 在目标表观变化时的跟踪稳定性。通过多种目标表观复杂变化的场景验证,均取得了良好 跟踪效果。     

特征在线更新与加权的压缩跟踪算法

在目标跟踪中，针对目标外观改变使得目标丢失的问题，本文提出了特征在线更新与加权的压缩跟踪(compressive tracking, CT)算法。首先基于压缩感知理论提取目标的矩形特征，根据每个特征对当前帧目标的分类效果判定其可靠性，及时更新不可靠特征；其次，实时增加可靠特征在分类器中的权重，从而突出可靠特征的重要性；最后将加权候选样本特征输入贝叶斯分类器，得到下一帧的目标位置。选取八组视频序列测试改进算法的效果，结果表明与传统的压缩跟踪，局部敏感直方图跟踪( locality sensitive histograms tracking, LSHT)及在线自适应增强( online AdaBoost, OAB)算法相比，改进算法取得了更好的跟踪结果，并且在目标外观改变时依然跟踪准确，平均帧速为39fps，满足实时性要求。      

基于深度学习物体检测的视觉跟踪方法

提出了一种基于深度学习物体检测的视觉跟踪方法。该方法利用深度学习在特征表达上的优势,采用基于回归的深度检测模型SSD （Single Shot Multibox Detector）提取候选目标,并结合颜色直方图特征和HOG （Histogram of Oriented Gradient）特征进行目标筛选,实现目标跟踪。为了提升深度检测模型的物体检测性能,文中构建了多尺度目标搜索图,可在一张图上实现不同尺度的目标检测。在标准跟踪测试库上选取八个具有代表性的跟踪视频序列,并选取六种具有代表性的跟踪方法进行了对比测试。结果表明,文中所提方法在跟踪效果上,整体优于参与对比的其他算法,且对于物体姿态变化、尺寸变化、旋转变化、光照变化、复杂背景杂波等影响因素具有较好的鲁棒性。     

基于局部分块和模型更新的视觉跟踪算法

针对目标跟踪过程中的目标表观变化、背景干扰及发生遮挡等问题,该文提出一种基于局部分块和模型更新的视觉跟踪算法。该文采用粗搜索与精搜索相结合的双层搜索方法来提高目标的定位精度。首先,在包含部分背景区域的初始跟踪区域内构建目标模型。然后,利用基于积分直方图的局部穷搜索算法初步确定目标的位置,接着在当前跟踪区域内通过分块学习来精确搜索目标的最终位置。最后,利用创建的模型更新域对目标模型进行更新。该文主要针对分块跟踪中的背景抑制、模型更新等方面进行了研究,实验结果表明该算法对目标表观变化、背景干扰及遮挡情况的处理能力都有所增强。     

多外观模型的鲁棒人脸跟踪

为了解决在真实场景中进行视觉人脸跟踪时不同挑战之间的外观匹配问题,提出了一种多外观模型的人脸跟踪算法。该算法利用多个具有长期和短期外观记忆的外观模型进行有效的人脸跟踪,对变形、旋转、尺度和光照变化表现出鲁棒性。同时利用先检测后跟踪算法的优点,通过使用人脸检测器来处理人脸的剧烈外观变化,检测器也有助于在漂移过程中重新初始化所提算法。最后提出了一种加权分数级融合策略,通过在可能的人脸位置生成的候选人脸来获得融合值最高的人脸跟踪输出。实验结果证明,该跟踪器在自启动时表现出色,性能优于许多先进的跟踪器。     

基于在线学习的压缩模版的目标跟踪算法

利用压缩感知(CS)矩阵建立压缩特征模版,通过在 线学习,实现一种更高效的目标跟踪算法。首先利用符 合有限等距性质的随机感知矩阵,取得跟踪目标表面特征的压缩模板;然后利用模板匹配 确定目标区域, 同时在跟踪过程中在线学习目标外观变化,并以此更新目标模板。采用了局部模板更新策略 ,使目标模板 更为准确,更能体现目标的变化状况。采用了模板匹配的确定性跟踪方法,大大减少了大量 正负样本的采 样,降低了算法复杂度。实验结果表明,与压缩跟踪(CT)算法相比,本文的基于在线学习的 压缩模版跟踪算法在时间性能 上有了明显提升,采用Kalman滤波器加速跟踪可提高6倍以上的时间性能,在多个标准测 试序列中的跟踪成功率也有了明显提高,有效地防止了跟踪中的漂移现象。     

基于空间可靠性约束的鲁棒视觉跟踪算法

针对复杂背景下目标容易发生漂移的问题,该文提出一种基于空间可靠性约束的目标跟踪算法。首先通过预训练卷积神经网络(CNN)模型提取目标的多层深度特征,并在各层上分别训练相关滤波器,然后对得到的响应图进行加权融合。接着通过高层特征图提取目标的可靠性区域信息,得到一个二值注意力矩阵,最后将得到的二值矩阵用于约束融合后响应图的搜索范围,范围内的最大响应值即为目标的中心位置。为了处理长时遮挡问题,该文提出一种基于首帧模板信息的随机选择更新策略。实验结果表明,该算法在应对相似背景干扰、遮挡、超出视野等多种场景均有良好的性能表现。     

基于模型互更新的多模图像融合跟踪算法

针对复杂环境下引起的目标失跟问题,提出了一种基于模型互更新的可见光与红外图像融合跟踪算法。基于把视觉跟踪问题视为“中心-周围”分类的思想,首先从可见光与红外图像中分别提取目标及周围像素点的特征,然后采用Boosting算法训练得到跟踪模型。基于分类结果计算像素点的置信度,采用决策级融合方法得到似然图像,通过均值漂移算法估计目标位置。最后在Co-Training框架下结合目标跟踪结果进行模型的互更新。实验结果表明,该算法提高了跟踪的鲁棒性,有效利用了多模图像的信息。     

视频目标跟踪典型算法比较与分析

视频目标跟踪由于场景和目标的外观变化等问题的存在,仍旧是计算机视觉领域研究的热点和挑战。本文阐述了视频目标跟踪技术的研究背景,介绍了视频目标跟踪系统组成原理、研究现状。文章重点分析了几种近来较为前沿的跟踪算法并进行分析比较。本文还对跟踪算法的评价指标以及典型的标准库进行介绍。最后归纳总结了视频目标跟踪的发展前景以及面临的问题挑战,为下一步研究奠定基础。     

基于主分量寻踪的鲁棒视觉跟踪

传统子空间跟踪易受到模型漂移的影响而导致跟踪失败.针对此问题,本文提出一种基于主分量寻踪的鲁棒视觉跟踪方法.该方法以多个模板张成的子空间作为目标表观模型,利用主分量寻踪求解候选目标的误差分量,在粒子滤波框架下利用候选目标的误差分量估计最优状态参数.为了适应目标表观变化并克服模型漂移,本文提出一种模板更新方法.当跟踪结果与目标模板相似时,该方法利用跟踪结果更新目标模板,否则利用跟踪结果的低秩分量更新目标模板.在多个具有挑战性的图像序列上的实验结果表明:与现有跟踪方法相比,文中的跟踪方法具有较优的跟踪性能.     

自适应位置切换相关滤波目标跟踪

为解决卷积特征目标跟踪算法精确度和速度相互制约的问题,文中提出了一种基于峰值旁瓣比的自适应位置切换的相关滤波目标跟踪算法。将Pool4和Conv5-3层作为特征提取层,通过特征能量均值比获取有效的卷积特征,提高算法的速度;然后利用不同样本分布训练多个相关滤波器,并根据峰值旁瓣比筛选出最适分类器进行位置预测,提高了跟踪器的泛化能力;最后利用稀疏模型更新策略更新滤波器模板,减小过拟合现象的同时进一步提高算法的速度。在OTB100标准数据集上测试该算法,实验结果表明,文中所提算法的精确度为88.8%,较原分层卷积跟踪算法提高了6.1%;跟踪速度为47.5帧/s,是原算法的5倍,显示了良好的实时性能。     

基于在线随机蕨分类器的实时视觉感知系统

本文针对不同成像条件下,目标姿态变化对系统检测性能的影响,提出一种具有自主学习能力的视觉感知系统.该系统能在执行检测任务的同时,通过快速的自主学习提高检测性能,并保持实时目标检测速度.系统包括了目标检测模块及在线学习样本自动获取、标注模块.针对目标检测模块为满足系统自主学习需求,提出随机蕨分类器的在线学习方法,使目标检测模块可持续自我更新,提高检测性能;针对样本自动获取、标注模块则提出最近邻分类器辅助的双层级联标注方法.此外,本文提出自主在线学习框架,整个学习过程不用准备初始训练样本集,通过人工选定一个待检测目标即可进行无需干预的自适应学习,逐渐提高检测性能.实验表明,该方法在多种监控场景中均有较强的自适应能力和较好的目标检测效果.     

基于关键区域特征匹配的视觉跟踪算法

针对视觉跟踪中目标表观的复杂变化问题,提出了一种基于关键区域特征匹配的鲁棒跟踪算法.首先对目标模板进行初始化并通过滤波预测得到目标候选;然后采用自适应标记分水岭算法对目标模板和目标候选进行分割以提取关键区域,并利用像素的空间和频率分布特性对关键区域进行多重特征描述;最后通过关键区域的特征匹配得到目标模板与目标候选的匹配关系,由此确定最终跟踪结果并进行模板更新.对目标发生尺度、遮挡、旋转、光照、姿态、复杂背景以及运动模糊等变化的视频序列进行了仿真测试.实验结果表明,所提算法能够有效处理目标表观的复杂变化问题,尤其对目标的部分遮挡、光照变化以及复杂背景等具有较强的鲁棒性.     

基于多表观特征子模型更新的鲁棒视觉跟踪

在视觉跟踪中,传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题.为改善该性能,提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先建立候选子模型库,然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息,最后将当前帧三种特征直方图信息与候选库中各子模型分别计算加权相似度,更新候选库后与阈值比较,判断是否更新当前子模型.实验结果表明：本文算法能够对特征相应子模型进行有效的选择性更新,与对比算法比较,在多种复杂变化的跟踪条件下,总体上能够具有更好的跟踪鲁棒性.     

自适应位置融合的目标跟踪算法

为提高分层卷积特征目标跟踪算法的实时性和鲁棒性,文中提出了一种基于多个相关滤波器预测位置自适应融合的实时目标跟踪算法。该算法首先提取VGG-19网络的Pool4层卷积特征,通过特征均值比对多通道的特征图进行裁剪,提高算法速度。然后利用不同高斯样本分布训练多个相关滤波分类器,并对所有分类器预测的目标位置进行自适应融合,提高算法对目标姿态变化的鲁棒性;最后采用稀疏模型更新策略,进一步提高算法速度。在OTB100标准数据集上测试本文算法, 实验结果表明,该算法的平均距离精度为86.3%,比原分层卷积特征跟踪算法提高了2.6个百分点,在目标发生遮挡、形变、相似背景干扰等情况时具有很好的鲁棒性;平均跟踪速度为45.2帧/s,是原算法的4倍,实时性能良好。