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.     

稳健的双模型自适应切换实时跟踪算法

为提升卷积特征目标跟踪算法的实时性和稳健性,利用不同卷积层特征对不同目标表征能力不同的特性,提出双模型自适应切换的实时跟踪方法。该方法对选取的两个卷积层特征使用目标区域和跟踪搜索区域卷积特征的能量均值比来评估卷积特征,选择能量均值比大于给定阈值的卷积通道特征来训练两个相关滤波分类器,然后利用目标相关滤波响应图的峰旁比自适应切换两个相关滤波分类器来预测目标位置,最后采用稀疏模型更新策略来更新分类器。在标准数据集上进行算法测试,实验结果表明,本文算法平均距离精度为89.3%,接近连续卷积跟踪算法,平均跟踪速度为25.8frams/s,是连续卷积跟踪算法的25倍,整体性能优于实验中的对比跟踪算法。     

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。     

结合目标检测的多尺度相关滤波视觉跟踪算法

为满足视觉跟踪算法对跟踪精度与跟踪速度的要求,提出一种结合目标检测的多尺度相关滤波视觉跟踪算法。所提算法基于深度学习的目标检测算法找出图像中目标的位置和尺寸,利用相关滤波算法对所给出的目标特征进行视觉跟踪,并在多个尺度中搜索最优响应;当检测到相关滤波响应值异常时,停止对模型更新;当连续数帧响应值异常时,则在全图范围内搜索目标位置和尺寸。所提算法通过对跟踪状态进行评估和模型更新率自适应调整,解决了传统相关滤波类算法跟踪误差随时间积累的问题,且具有较大的跟踪速度和较高的精度。结果表明:在Matlab平台下,所提算法的平均定位精度为0.593,平均交叠率精度为0.784,帧率为65.3 frame/s。     

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。     

自适应特征融合和模型更新的相关滤波跟踪

针对复杂场景下单个特征的稳健性差,以及目标存在背景干扰和目标遮挡时跟踪失败的问题,提出一种基于自适应特征融合和模型更新的相关滤波跟踪算法。该算法在核相关滤波的基础上,通过对不同特征的响应图采用平均峰值-相关能量的方法进行加权求和,实现了响应图层面的自适应特征融合。根据响应图的峰值特性计算自适应权重,以其作为置信度确定模型的更新率,进而设计自适应模型更新方法。实验结果表明,该算法能够很好地适应背景干扰、目标遮挡、旋转运动等复杂场景,与近年来优秀的相关滤波跟踪算法相比,所提算法的平均距离精度比其中最优的算法提高了2.64%,平均重叠精度提高了1.54%。     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

基于通道可靠性的多尺度背景感知相关滤波跟踪算法

针对现实场景中跟踪目标的光照变化、尺度变化、遮挡等问题,提出了一种基于通道可靠性的多尺度背景感知相关滤波跟踪算法。通过提取方向梯度直方图特征、灰度特征和颜色属性特征作为目标表观模型,提高了目标跟踪方法在复杂场景中的稳健性;独立训练每个通道的背景感知相关滤波器,采用通道可靠性系数衡量每个通道响应图的置信度;根据所有通道的响应图和可靠性系数,合成多通道背景感知相关滤波跟踪器的最终响应图,对目标进行精确定位;运用尺度池方法估计目标的最优位置和尺度。实验结果表明:与现有跟踪算法相比,所提算法可以有效地处理光照变化、尺度变化、遮挡等复杂因素的干扰,取得较高的跟踪精度和成功率,其整体性能优于其他算法。     

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。     

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。     

基于模型更新与快速重检测的长时目标跟踪

在目标遮挡、光线变化等复杂的跟踪环境下,现有相关滤波跟踪算法无法对目标进行长时间实时稳定跟踪。提出一种基于模型更新与快速重检测的长时跟踪算法。首先,在现有的目标定位与尺度变化的相关滤波跟踪算法基础上搭建长时目标跟踪的框架,提出加入模型监测更新机制,根据最大响应和平均峰响应相关能量值判别进入更新或重检测环节;然后,基于提取描述子特征的重检测方法,将提取特征的比特维数统一降到512进行优化,加快重检测速率。所提算法选取OTB-100中20个有代表性的序列进行测试,成功率评估均值为0.706,精确度评估均值为0.805,平均速度为48.5 frame/s;在自采集的数据集上平均准确率能达到87.65%,能够在尺度变化、遮挡等复杂情况下满足长时跟踪的准确性和实时性要求。     

基于高置信度更新策略的高速相关滤波跟踪算法

为了满足在线目标跟踪算法的实时性需求并提高算法的稳健性,提出一种基于高置信度更新策略的相关滤波跟踪算法。在目标区域提取、融合多特征,以构建稳健的外观表达,并利用投影矩阵对特征进行降维,以提高算法的运行效率;通过相关滤波器寻找最大响应值,从而快速定位目标;利用最大响应值和平均峰值相关能量指标,设计了一种高置信度更新策略。结果表明:所提算法在大规模公开数据集上取得了较高的跟踪精度和成功率,平均跟踪速度达到122.3 frame/s。     

基于轻量化卷积神经网络的光伏电池片缺陷检测方法研究

光伏电池片中的缺陷会影响整个光伏系统使用寿命及发电效率。针对现有电池片自动检测中尺寸弱小缺陷漏检率高的问题,建立了一种特征增强型轻量化卷积神经网络模型。针对性地设计了特征增强提取模块,提高了弱边界的提取能力,同时根据多尺度识别原理,增加了小目标预测层,实现了多尺度特征预测。在实验测试中,该模型平均精度均值（mAP）达到87.55%,比传统模型提高了6.78个百分点,同时检测速度达到40帧/s,满足精准性与实时性的检测要求。     

基于卷积特征选择的红外目标跟踪

对红外图像中的目标跟踪时,复杂的背景信息以及目标像素数较少等因素增加了红外目标跟踪难度,目标区域的图像块缺乏特征信息使得普通跟踪算法较易产生跟踪偏移问题。为解决此问题,提出了一种基于粒子滤波框架下的卷积特征选择的红外目标跟踪算法。首先,在初始目标块上提取少量图像块作为滤波器,进而获得表征能力更强的卷积特征。然后,采用在线提升算法对该特征进行选择,增加跟踪算法的精度和执行效率。最后,将贝叶斯分类器的响应作为粒子权值估计出目标状态。实验结果验证了所提算法的跟踪性能优于其他几种传统算法。     

基于自适应特征选择的多尺度相关滤波跟踪

近年来,基于相关滤波的目标跟踪算法因其具有很好的跟踪精度和明显的速度优势,引起了研究人员的极大关注。提出一种基于自适应特征选择的多尺度相关滤波跟踪算法。首先,提取三种互补特征,通过相关滤波响应图评估各特征的跟踪性能,自适应选择最优特征进行位置跟踪;其次,预设响应图阈值作为位置相关滤波模型更新的判断条件,优化模型更新方式;最后,引入尺度相关滤波跟踪器,进一步提高了算法的尺度适应性和跟踪精度。实验部分将该算法和近年来流行的相关滤波及非相关滤波类跟踪算法进行了对比,结果表明,该算法在精度上优于其他算法,同时具有53.12frame/s的实时跟踪速度。     

基于时间感知和自适应空间正则化的相关滤波跟踪算法

针对相关滤波器的空间正则化权重与目标内容无关和跟踪过程中模型退化等问题,提出一种基于时间感知和自适应空间正则化的相关滤波跟踪算法。首先,提取灰度特征、CN(color name)特征和方向梯度直方图(HOG)特征来提升算法模型对目标的表达能力;其次,通过图像显著性检测算法获得带有目标内容信息的空间正则化初始权重;然后,在目标函数中加入自适应空间正则化项来缓解边界效应对相关滤波器的影响;最后,加入时间感知项使相关滤波器学习到相邻帧之间的信息,降低算法模型在处理不准确样本时发生过拟合的风险。在OTB-2013和OTB-2015公开数据集上对所提算法进行性能评估实验,结果表明,所提算法在多种复杂场景下都有良好的稳健性,在跟踪成功率和距离精度上优于其他对比算法,且速度达到24.2 frame/s,能满足实时性要求。     

基于多层卷积特征融合的目标尺度自适应稳健跟踪

针对复杂跟踪条件下目标的稳健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稳健跟踪算法。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,提取其梯度方向直方图特征构建一维尺度相关滤波器,确定目标的最佳尺度。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。     

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。     

基于加权多实例学习的压缩感知目标跟踪

为了处理运动目标跟踪中的遮挡、光照变化以及背景杂乱等问题,提出了一种基于加权多实例学习的压缩感知目标跟踪方法。在提取图像块类Haar特征的基础上,采用随机投影方法对高维特征进行压缩,结合加权多实例学习策略,在boosting学习框架下训练分类器,根据分类器最大响应值得到跟踪目标图像块。使用矩形框手动标定第一帧图像的目标,对后续帧采样的正负实例的类哈尔特征进行压缩,通过这些样本特征训练分类器,得到跟踪结果。实验结果表明,所提算法具有较高的跟踪精度、实时性和鲁棒性,对所选的四个具有挑战性的视频序列,跟踪成功率都能超过89%,帧率也超过26f/s。     

场景自适应的跟踪特征选择机制研究

视频目标跟踪是当前计算机视觉领域中的一个关键问题。基于场景分类提出了一种视频目标特征的实时在线选择方法。离线时首先采用改进型的"空间金字塔匹配"算法完成先验视频场景的分类;然后采用不同的描述算法实现对目标和背景的特征描述,通过对数形式的方差比计算出目标和背景的特征距离;最后融合均值和熵值对特征距离进行统计分析,建立场景相关的描述子显著性排序。在此基础上,在线时利用初始帧完成测试视频的场景判定,结合当前场景下的描述子排序,实时选择最优特征,应用于粒子滤波跟踪系统,在公开视频库上进行跟踪测试,验证排序的正确性和选择机制的必要性。