多特征自适应融合的相关滤波目标跟踪算法

本文针对单一特征目标相关滤波算法因光照变化、目标遮挡、低分辨率和运动模糊等导致目标跟踪的稳定性较差的问题,提出了一种将多种特征进行自适应融合的跟踪算法.本文算法在FDSST算法的基础上,自适应融合梯度直方图特征HOG(Histogram of Oriented Gradient)、颜色名特征CN(Color Name)...     

基于自适应的核相关滤波的目标跟踪算法

针对核相关滤波器(KCF)跟踪算法在目标发生尺度变化和严重遮挡的情况下跟踪失败的问题,提出了一种基于自适应的核相关滤波的目标跟踪算法。该算法运用了尺度估计策略,使跟踪框自适应,用多项式核函数来减少计算量,采用了FHog目标特征代替原来的Hog特征,获取更多的目标特征信息。实验采用OTB-2013评估基准的50组视频序列进行测试,并与其他31种跟踪算法进行对比,测试所提算法的有效性。实验结果表明:所提算法成功率为0.549,精确度为0.736,排名第一,与KCF算法相比,分别提高了3.8%和1.0%。该算法在目标发生尺度变化、严重遮挡等复杂情况下,均具有较强的稳健性和鲁棒性。     

基于核相关滤波器的高可信度自适应融合目标跟踪算法研究

目前基于核相关滤波器的几种主流算法仍然存在目标漂移甚至跟丢的情况,本文算法在Staple: Complementary Learners for Real-Time Tracking（以下简称Staple）和Large Margin Object Tracking with Circulant Feature Maps（以下简称LMCF）两种算法基础上进行融合并改进。首先利用贝叶斯公式求解出当前帧的背景和前景的直方图,对前景直方图进行均衡化,以消除噪声;其次,利用巴氏系数计算出当前帧的背景和前景的直方图的相似度值,通过数据分析设定阈值,以此消减目标与背景过于相似的问题;再次,根据所设阈值将直方图的bin值进行自适应,以此提高跟踪的分辨率;然后利用LMCF算法求出当前帧的最大峰值和平均峰值相关能量（APCE）,并根据数据分析设定合适的阈值;最后将阈值范围内的最大值和APCE值与融合系数相结合,使算法达到自适应融合。本文算法（LMCF-Staple）在公开数据集平台OTB50和OTB100上进行测试,结果显示LMCF-Staple算法的跟踪稳定性大大提高,目标的漂移情况明显减少,并且其跟踪的精确度、成功率均优于目前主流的几种算法。      

一种基于自适应粒子滤波的目标跟踪方法

提出一种利用最近的目标轨迹信息自适应调整运动模型的粒子滤波方法,根据背景地形或道路信息建立若干目标轨迹模式,然后利用目标轨迹模式将最近的目标轨迹进行分类,通过与当前目标最近段轨迹匹配的目标轨迹类,获得当前目标在下一时刻状态后验概率分布对应的粒子.实验结果表明该方法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.     

混合模型的运动目标检测与跟踪算法

针对运动目标检测与跟踪算法计算准确率低、效果差的问题,结合Kalman滤波算法,提出一种基于高斯混合模型的运动目标检测与跟踪算法。对传统的权重更新机制进行改进,以保证背景的持续更新状态。建立高斯混合模型,对运动目标图像进行处理,对图像中的参数信息进行实时更新,在Kalman滤波器的性质影响下进行目标跟踪,将获取的运动目标位置作为信息输入,完成运行并跟踪。在更新的过程中,根据运动目标的状态确定矩阵,目标遮挡也不会影响追踪的效果。结果表明,利用Kalman滤波器对运动目标进行跟踪,可以取得良好的运动目标跟踪效果。     

基于候选区域检测的核相关目标跟踪算法

近年来,核相关滤波算法在目标跟踪领域应用广泛,表现出了非常优异的性能,但是核相关滤波类算法本质上属于模板匹配算法,并且缺乏跟踪失败恢复机制,在快速运动和快速形变情况下跟踪效果较差.针对以上问题,本文提出一种结合了核相关滤波跟踪算法和目标候选区域检测的跟踪算法,来改善核相关滤波跟踪算法的性能.算法主要设计了一种跟踪失败恢复机制,通过比较目标响应强度与经验阈值的大小,判断跟踪目标是否跟丢,当目标跟踪失败时,采用候选区域检测算法,在目标周围区域提取不同的检测图像块,确定目标在当前帧的最佳位置;然后,使用核相关滤波算法得到目标的精确位置,继续跟踪.此外,算法在跟踪模块中加入了颜色特征与梯度特征的自适应融合,进一步增强了算法的整体跟踪性能.实验结果证明,所提出算法在精确度和成功率上都表现出高效的性能,并且在快速运动和快速形变情况下跟踪性能要优于其余算法.     

采用自适应模糊优化的目标跟踪加速方案

目标跟踪作为计算机视觉的重要方向之一,在自动驾驶、安防监控等方面有着广泛的应用,但是目标跟踪算法还无法有效地运行在嵌入式设备上。针对目标跟踪算法计算量大、复杂度高,难以部署在资源受限的嵌入式设备的问题,提出了一种基于相关滤波目标跟踪的加速方案。首先采用自适应模糊算法优化了跟踪算法整体运算量,它可以根据目标跟踪框的尺寸判定是否降低图像质量。其次采用了跟踪响应结果的峰值旁瓣比与平均相关能量比判据来评估跟踪结果的可信度,从而实现跟踪模型的自适应更新以及目标位置的重搜索。最后基于FPGA并行实现相关运算和跟踪检测器训练阶段的矩阵相乘运算,以提升算法实时能效性。所提出的加速算法基于PYNQ-Z2进行硬件测试,并在OTB-2015跟踪数据集上进行验证,该算法的跟踪精度与跟踪实时性分别为65.8%,17.28 frame/s,相比于原始算法,跟踪精度、跟踪实时分别提高了9.12%、703.7%。     

自适应尺度抗模糊核相关滤波跟踪法

针对图像模糊和目标尺度变化而导致跟踪失败的问题 ,提出一种自适应尺度抗模糊核相关滤波跟踪法。首先,构建一个抗模糊特征检测与匹配模 型,该模型将待匹配图像进行掩膜处理,提取目标感兴趣区 域,并利用加速稳健特征(SURF)和二进制尺度旋转不变鲁棒特征(BRISK)描述子对目标区域 进行特征点检测 与描述,通过特征点二次匹配,获取模糊图像中目标的位置。其次,判断当前图像清晰度, 若图像清晰度 高于一定水平,则利用传统的核相关滤波(KCF)算法预测目标位置,并通过比较不同尺度下 的目标响应峰值, 得出目标的最佳尺度;否则,利用抗模糊特征检测与匹配模型获取目标位置。最后,在OTB -2015数据集 中测试算法性能,本文所提算法的精确度为85.2%,比传统的KCF算法 提高17.4%;成功率为77.8%,比 传统的KCF算法提高23%。实验结果表明,所提算法在跟踪过程中可自 适应地改变跟踪框的大小,并且可对模糊图像中的目标进行有效跟踪。     

自适应时间正则化相关滤波的无人机目标跟踪

基于相关滤波的跟踪算法因其高效性,受到了无人机领域的密切关注.现有的跟踪算法使用固定的超参数进行滤波器的学习,无法满足无人机在跟踪过程中对复杂环境的适应性.针对该问题,提出了一种自适应正则化参数学习的相关滤波算法,将滤波器与时间正则化参数的学习描述为一个统一的目标函数;同时,该算法可通过响应图的全局变化量感知目标的变化情况,自适应更新目标模型.无人机视频数据集上的结果验证了所提算法对复杂无人机跟踪场景的适应性以及对跟踪性能提升的有效性.     

基于改进的核相关滤波算法的红外目标跟踪

核相关滤波(KCF)算法在跟踪过程中由于目标受到遮挡或者目标本身的形变、大小变化等问题容易丢失目标.针对以上问题对原算法做出如下改进:一是加入检测模型响应值的方法作为判定目标是否丢失的依据,一旦判定目标丢失,模型就会暂停更新,增加采样窗口个数来扩大目标搜索范围,直至判定为重新定位目标;二是加入一种自适应的多尺度搜索策略...     

自适应变跟踪波门宽度目标跟踪方法

分析了跟踪雷达对目标跟踪中存在的问题,论述了自适应变跟踪波门宽度目标跟踪方法,在保证目标跟踪稳定的前提下,减小杂波、大目标副瓣对目标跟踪的影响,提高目标跟踪性能.     

基于LBP与核相关滤波器的运动目标跟踪算法

针对核相关滤波器在复杂光照条件下出现的跟踪不稳定的现象,提出一种基于LBP(local binary pattern)与核相关滤波器的运动目标跟踪算法.在传统算法上增加LBP处理方法,降低光照对特征提取的影响,进而提高核相关滤波器算法在跟踪过程中对目标信息的采集精准度.实验表明,与经典的核相关滤波器跟踪算法相比,基于LBP与核相关滤波器的运动目标跟踪算法在复杂光照的情况下的跟踪性能有明显提升,能较好应用于实时场景中去,是一种稳定的目标跟踪算法.     

初值自适应的磁性目标跟踪方法

针对在初始先验信息缺失时磁性目标滤波跟踪方法发散问题进行研究,本文提出了一种多初值模型的解决框架,并以平方根形式的中心差分卡尔曼滤波器（Square-Root Central Difference Kalman Filter,SRCDKF）为例,结合多初值模型得到了SRCDKF自适应磁性目标跟踪算法.文章首先根据远距离磁偶极子的磁场等效性,建立了多初值滤波跟踪模型,然后基于最大似然选择理论推导了如何从多模型中选择最佳结果,即多初值模型的选择方法,最后以SRCDKF滤波器为滤波单元,得到了基于SRCDKF的自适应磁性目标跟踪算法.经过仿真试验表明：（1）多初值模型建立和选择方法的有效性;（2）基于SRCDKF的自适应磁性目标跟踪算法,在初始位置信息缺失的情况下,能够有效完成对磁性目标的跟踪;（3）以不同滤波器为滤波单元的自适应跟踪算法跟踪试验结果表明,多初值模型的解决框架可解决初值先验未知下的跟踪问题.     

一种新的机动目标模型及其自适应跟踪算法

在当前统计模型的基础上,结合实时输入估计算法(Feng xinxi等,1996)的思想,提出了一种新的机动目标模型,并利用其方差调整关系建立了自适应跟踪算法。大量仿真结果表明该模型能够准确描述目标的各种机动情况,跟踪算法具有良好的跟踪性能,具有实际应用价值。     

基于全局运动补偿的红外目标变换相关跟踪算法

提出了一种新的前视红外序列图像目标跟踪方法.利用基于区域分割和模板匹配的全局补偿算法进行运动估计,有效消除了运动平台中摄像机运动对跟踪性能带来的不利影响.同时,采用二元联合变换相关器进行红外目标的检测与跟踪.通过将振幅调制的功率谱转化为脉冲调制的功率谱,可以获得更清晰尖锐的相关峰,提高了算法的鲁棒性.实验结果表明,该方法是有效的和稳健的.     

机动目标自适应高斯模型与跟踪算法

提出了一种描述机动目标运动状态的自适应高斯模型,在这种模型中,机动目标的加速度被认为是具有非零均值、时间相关的随机过程,并假定其概率密度函数服从高斯分布。指出了机动目标运动模型的均值和方差与目标机动加速度最佳当前估计值之间的关系,在此基础上,提出了相应的自适应卡尔曼滤波算法。仿真结果表明,该算法对机动目标在不同机动方式下的位置、速度和加速度均有良好的跟踪效果,且所需计算量小。     

人体快转向运动自适应卡尔曼跟踪算法

穿墙雷达对人体目标进行跟踪探测面临一系列技术难点,包括墙体反射产生的虚警、射频干扰、定位误差和目标丢失等。针对上述问题,文中基于多目标数据关联和自适应的卡尔曼滤波算法,提出一种适用于穿墙雷达探测的快转向运 动人体轨迹跟踪综合处理算法,重点解决快转向运动人体目标的跟踪及多运动人体目标的轨迹交叉等问题。实验结果验证了该算法具有虚警较少、轨迹平滑、计算量小、易于工程实现、定位误差可减小50% 等优点。对于反向运动的人体目标, 算法也可进行有效跟踪。