基于YUV颜色空间特征的目标跟踪融合算法

针对遮挡、背景变化等对目标跟踪带来的困难,提出了一种基于YUV颜色空间特征的目标跟踪融合算法.该算法结合卡尔曼滤波和mean-shift算法的优点,并结合一种阈值函数,准确计算目标的最终位置,解决了遮挡、背景变化造成的目标跟丢现象,提高了目标跟踪算法的鲁棒性和准确性.通过实验验证了新方法的有效性和准确性.     

基于Mean Shift算法的实时运动目标跟踪

Mean shift算法是一种非参数密度估计算法,可以实现实时的最优匹配,为了把Mean shift算法应用到视频图像的运动目标跟踪中去,采用了以颜色直方图建立目标模型的策略,提出了在视频图像中以Mean shift为核心的目标跟踪算法。实验结果表明,该算法具有很好的鲁棒性、准确度等优点,在运动目标部分遮挡的情况下仍能实现稳定、实时的跟踪。     

决策主导的多模式目标跟踪算法融合方法

针对视频目标跟踪过程中出现目标被遮挡情况导致跟踪器性能下降的问题,提出一种决策主导的多模式目标跟踪算法融合方法。该算法选取跟踪学习检测(TLD)算法和核相关滤波(KCF)算法作为集成方式的主体跟踪算法用于跟踪所选择视频目标。首先,使用直方图算法感知目标在运动过程中场景是否被遮挡的情况。然后,运用马尔可夫决策过程(MDP)利用上下文信息做出决策。最后,根据决策结果在目标被遮挡与否时选择TLD算法或KCF算法用于跟踪目标。仿真结果表明,提出的多模式目标跟踪算法集成方式较传统目标跟踪算法在实时性和鲁棒性综合性能上有更好的表现。     

多步预测融合Mean-Shift的运动目标跟踪算法研究

对运动目标跟踪时,主流Mean-Shift(均值偏移)算法对环境的影响较为敏感.针对目标遮挡时准确跟踪这一问题,提出了多步预测融合Mean-Shift的优化运动目标跟踪算法.在目标跟踪的过程当中采取Bhattacharyya coefficient(巴氏系数)辨别目标是否出现了遮挡.当目标产生遮挡的情况,采取多步预测算法,根据目标前一帧的特征信息对下一帧中目标位置信息进行判断.当运动目标离开遮挡时,则继续采取Mean-Shift实施后续跟踪.通过对不同场景下的视频序列实行测试,其结果表明该算法可以对发生遮挡后的目标进行连续、稳健的跟踪.     

基于粒子滤波的红外目标跟踪

粒子滤波(Partic le F ilter)是一种处理非线性和非高斯动态系统状态估计的有效技术.提出了一种基于粒子滤波的红外目标稳健跟踪新方法.在粒子滤波理论框架下,红外目标的状态后验概率分布用加权随机样本集表示,通过这些随机样本的Bayesian迭代进化实现红外目标的跟踪.系统状态转移模型选择为简单的二阶自回归模型,并自适应地确定系统噪声方差.红外目标的描述利用目标区域的灰度分布,该灰度分布通过核概率密度估计建立.通过计算参考目标的灰度分布和目标样本的灰度分布之间的Bhattacharyya距离,建立系统观测概率模型.实验结果表明该方法是有效的和稳健的.     

基于颜色和边缘特征的均值迁移目标跟踪算法

综合颜色特征对旋转、变形不敏感和边缘特征对光照、颜色不敏感的优点,提出了一种基于颜色和边缘特征的均值迁移目标跟踪算法,提高了跟踪算法的鲁棒性。利用加权求和的方法获得联合特征的Bhattacharyya系数,以此作为衡量目标模型与候选目标相似程度的依据。实验结果表明,在光照变化时,本文算法的跟踪误差大约是基于颜色特征的均...     

一种Camshift优化的粒子滤波跟踪算法

针对传统粒子滤波目标跟踪算法中用先验转移概率作分布函数时计算量大、粒子退化严重且未考虑最新观察信息等缺点,提出了一种Camshift优化的粒子滤波跟踪算法.算法首先在粒子滤波框架下,利用Camshift算法使粒子向目标状态的最大后验核密度估计方向移动.然后针对目标所处环境的不同,提出了适时调整参与Camshift算法优化的粒子数的方法,既考虑了跟踪算法的效率又考虑了粒子的多样性.跟踪结果表明,该算法的跟踪性能明显优于传统的粒子滤波算法,具有很好的实时性和鲁棒性.     

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.     

融合灰度与显著性特征的空中红外目标跟踪

针对红外目标特征简单且信息量少导致跟踪精度不高,提出一种基于灰度和显著性特征融合的核相关滤波算法用于空中红外目标跟踪。首先,在保证目标足够特征信息量的前提下对较大的目标进行不同等级压缩。然后将提取的二维灰度特征与显著性特征按页方式进行拼接扩展成三维特征,再将融合的特征用于核相关滤波。实验表明所提算法能够适应多种环境下的空中红外目标跟踪,跟踪精度和成功率典型值分别达到84.8%和63.9%,较大部分算法有很大提高,平均跟踪速度高达125 f/s,体现出了良好的实时性。因此,本文提出的算法在保证实时性的同时提高了跟踪的可靠性,具有一定的实用意义。     

基于目标中心距离加权和图像特征识别的跟踪算法

本文提出了一种实时跟踪算法,以目标中心距离加权的灰度图像作为模板,采用mean-shift迭代方法实现目标的空间定位;同时建立二值图像模板,根据目标的图像特征,进行尺度定位.本算法改进了kernel-based算法对变尺度目标的跟踪.对于超过一定像素的较大目标,本算法进行"降采样",大大减小运算量,从而实现了对大尺度目标的实时跟踪.实时视频流的跟踪实验验证了该方法的有效性.     

Qualitative Multiscale Feature Hierarchies for Object Tracking

This paper shows how the performance of feature trackers can be improved by building a hierarchical view-based object representation consisting of qualitative relations between image structures at different scales. The idea is to track all image features individually and to use the qualitative feature relations for avoiding mismatches, for resolving ambiguous matches, and for introducing feature hypotheses whenever image features are lost. Compared to more traditional work on view-based object tracking, this methodology has the ability to handle semirigid objects and partial occlusions. Compared to trackers based on three-dimensional object models, this approach is much simpler and of a more generic nature. A hands-on example is presented showing how an integrated application system can be constructed from conceptually very simple operations.     

一种基于特征自动选取的跟踪算法

在复杂的环境下,基于单一特征的视觉跟踪算法,往往不能满足实际环境的需要,对此文中提出了一种基于特征自动选取的跟踪方法。考虑到不同特征在不同场景下对目标与背景的区分能力的不同,重新定义了适合跟踪的背景区域,并在此基础上提出了特征自动选取的策略。基于此策略,利用目标的颜色特征和纹理特征,具体实现了特征自动选取的跟踪算法。实验结果证明了该策略的可行性。     

结合SAMF和视觉显著性的目标跟踪算法

为提高SAMF算法在复杂场景下的跟踪性能,提出了一种结合SAMF和视觉显著性的目标跟踪算法.在SAMF相关滤波跟踪框架的基础上,通过设计置信度判别策略评价SAMF跟踪结果的可靠性,当认定跟踪结果为低置信度时启用显著性检测算法对其进行修正,从而实现目标的重定位以解决遮挡等因素导致的跟踪漂移问题.实验表明,所提出的改进算法...     

一种基于特征融合的运动目标跟踪算法

联合目标的灰度特征空间和梯度特征空间,构造了由目标的灰度加权直方图和梯度加权直方图联合表示的目标模型,利用均值平移算法在当前帧中迭代搜索目标位置.实验表明,该方法对于目标和背景灰度相似以及目标被部分遮挡时的跟踪是有效和稳健的.     

Object Tracking Using a Particle Filter with SURF Feature

In this paper, a novel object tracking based on a particle filter and speeded up robust feature(SURF) is proposed, which uses both color and SURF features. The SURF feature makes the tracking result more robust. On the other hand, the particle selection can lead to save time. In addition, we also consider the matched particle applicable to calculating the SURF weight. Owing to the color, spatial, and SURF features being adopted, this method is more robust than the traditional color-based appearance model. Experimental results demonstrate the robustness and accurate tracking results with challenging sequences.Besides, the proposed method outperforms other methods during the intersection of similar color and object’s partial occlusion.     

面向无人机影像的目标特征跟踪方法研究

提出了一种面向无人机视频影像的目标特征跟踪模型,首先根据目标检测结果在目标感兴趣区域中采用Shi-Tomasi算法进行角点检测,提取目标特征角点并在跟踪过程中对特征角点进行实时更新以保证角点数量满足跟踪条件,最后通过金字塔Lucas-Kanade算法对目标特征进行跟踪。实验结果表明,该模型鲁棒性强且易于实现,在获得良好跟踪效果的同时可满足实时处理要求。     

一种基于特征点匹配的目标跟踪方法

针对精确制导系统图像跟踪的特点,在研究图像特征点匹配的基础上提出了一种应用于地面固定目标跟踪的新方法.首先在高斯差分尺度空间提取特征点;然后用邻域梯度描述特征点,用最近邻与次近邻的比值作为特征点的匹配准则;接着建立仿射模型解算跟踪点;最后设计了一种有效的参考图更新方法.大量的仿真实验表明该方法对地面固定目标具有较好的跟踪性能,能有效抑制跟踪漂移现象,展示了很好的鲁棒性.     

引入全局上下文特征模块的DenseNet孪生网络目标跟踪

近年来,采用孪生网络提取深度特征的方法由于其较好的跟踪精度和速度,成为目标跟踪领域的研究热点之一,但传统的孪生网络并未提取目标较深层特征来保持泛化性能,并且大多数孪生网络只提取局部领域特征,这使得模型对于外观变化是非鲁棒和局部的。针对此,该文提出一种引入全局上下文特征模块的DenseNet孪生网络目标跟踪算法。该文创新性地将DenseNet网络作为孪生网络骨干,采用一种新的密集型特征重用连接网络设计方案,在构建更深层网络的同时减少了层之间的参数量,提高了算法的性能,此外,为应对目标跟踪过程中的外观变化,该文将全局上下文特征模块(GC-Model)嵌入孪生网络分支,提升算法跟踪精度。在VOT2017和OTB50数据集上的实验结果表明,与当前较为主流的算法相比,该文算法在跟踪精度和鲁棒性上有明显优势,在尺度变化、低分辨率、遮挡等情况下具有良好的跟踪效果,且达到实时跟踪要求。

     

引入全局上下文特征模块的DenseNet孪生网络目标跟踪

近年来,采用孪生网络提取深度特征的方法由于其较好的跟踪精度和速度,成为目标跟踪领域的研究热点之一,但传统的孪生网络并未提取目标较深层特征来保持泛化性能,并且大多数孪生网络只提取局部领域特征,这使得模型对于外观变化是非鲁棒和局部的.针对此,该文提出一种引入全局上下文特征模块的DenseNet孪生网络目标跟踪算法.该文创新性地将DenseNet网络作为孪生网络骨干,采用一种新的密集型特征重用连接网络设计方案,在构建更深层网络的同时减少了层之间的参数量,提高了算法的性能,此外,为应对目标跟踪过程中的外观变化,该文将全局上下文特征模块(GC-Model)嵌入孪生网络分支,提升算法跟踪精度.在VOT2017和OTB50数据集上的实验结果表明,与当前较为主流的算法相比,该文算法在跟踪精度和鲁棒性上有明显优势,在尺度变化、低分辨率、遮挡等情况下具有良好的跟踪效果,且达到实时跟踪要求.     

基于分块的多特征融合变尺度目标跟踪算法

为了增强彩色视频中目标外观描述能力和解决跟踪过程中目标尺度变化的问题,提出一种基于分块的多特征融合变尺度目标跟踪算法.设计了一个能处理不同挑战因素下对目标的精确跟踪算法,首先提取HSV分块的颜色直方图特征和PCA-HOG特征并采用多通道线性核函数对两种特征进行融合构建训练样本,然后求解线性岭回归函数获得位置核相关滤波器模型,并以线性核函数来计算候选区域在7个尺度空间上与跟踪目标的响应值,最后利用尺度自适应模板更新模型参数.实验结果表明,提出的算法在彩色视频中不仅能较好地自适应目标尺度的变化,在复杂场景下也具有较强的鲁棒性.