基于卷积神经网络与一致性预测器的稳健视觉跟踪

针对视频序列的稳健性目标跟踪问题,提出一种基于卷积神经网络(CNN)与一致性预测器(CP)的视觉跟踪算法。该算法通过构建一个双路输入CNN模型,同步提取帧采样区域和目标模板的高层特征,利用逻辑回归方法区分目标与背景区域;将CNN嵌入至CP框架,利用算法随机性检验评估分类结果的可靠性,在指定风险水平下,以域的形式输出分类结果;选择高可信度区域作为候选目标区域,优化时空域全局能量函数获得目标轨迹。实验结果表明,该算法能够适应目标遮挡、外观变化以及背景干扰等复杂情况,与当前多种跟踪算法相比具有更强的稳健性和准确性。     

基于分类-验证模型的视觉跟踪算法研究

针对相似度目标跟踪算法主要考虑目标的类内相似,而忽略不同目标的类间差异的问题,提出基于分类-验证模型的视觉跟踪算法。该算法通过增加目标的属性(类别)信息,利用相似度信息与类别信息构建损失函数,在高维空间学习目标的类内相似和类间差异;将目标模板与候选目标输入网络模型,分别通过分类与验证模块实现网络参数更新;利用训练网络提取目标模板与候选目标的深度嵌入特征,实现目标跟踪。在OTB50和UAV123数据库上进行实验,结果表明,该算法可以大幅提高跟踪效果,对相似目标具有较强的稳健性。     

融合相关滤波与关键点匹配的跟踪算法

提出一种融合相关滤波与关键点匹配的跟踪算法。利用多个基于支持向量机的相关滤波器,分别对目标进行跟踪和验证,同时建立并实时更新一个目标和背景关键点数据库。在验证跟踪失败后,利用关键点匹配的方法对全局关键点进行分类,根据分类结果对目标关键点进行分析,从而得到重检测结果。实验结果表明,在运动模糊、变形、目标遮挡、消失等复杂跟踪场景下,所提算法比现有算法具有更好的准确性和稳健性。     

基于超像素信息反馈的视觉背景提取算法

针对经典视觉背景提取算法长时间存在鬼影、动态背景导致的高频噪声以及背景模型误更新等问题,提出一种改进的视觉背景提取算法。该算法将原始图像分割为若干个超像素区域,在超像素分割区域,对视觉背景提取算法检测结果进行像素点再分类,在目标检测的初始阶段实现鬼影信息的准确检测,并更新鬼影区域像素点的背景模型,从根本上解决了全局范围内鬼影检测的难题。根据运动目标的超像素对前景目标内的空洞进行快速纠正,实现前景目标的小范围填补,同时完成对背景超像素内高频噪声的检测和滤波,并增强检测结果的稳健性。利用数据集进行的测试实验结果表明,与传统算法相比较,该算法的精确率和识别率等指标均显著提高。     

一种复杂海空背景下的红外小目标检测跟踪算法

复杂海空背景下红外小目标检测和跟踪算法决定了光电跟踪设备的探测性能。为了解决复杂海空背景下的红外小目标检测跟踪难题,提出了一种复杂海空背景下的红外小目标抗干扰检测跟踪算法。在检测阶段,为了抑制不同区域中各类杂波,该算法利用不同的分类器分别区分不同区域的杂波和小目标;在跟踪阶段,为了进一步剔除孤立噪声和杂波干扰,采用高斯混合概率假设密度滤波器进行目标航迹维持。在仿真视频上进行的目标检测跟踪实验表明,所提算法相比以往的跟踪算法,正确跟踪率提升了约10%,平均跟踪精度提升了约50%。该算法具有较好的工程可行性。     

基于多域卷积神经网络与自回归模型的空中小目标自适应跟踪方法

针对星空背景下卫星跟踪中运动小目标与伪目标交会造成的跟踪漂移问题,提出一种基于多域卷积神经网络(MDNet)与自回归(AR)模型的空中小目标自适应跟踪方法。对用MDNet采集到的图像序列第1帧的正样本进行bounding-box回归模型训练;再训练用最小信息准则和最小二乘法确定阶数和参数的AR模型,估计目标运动轨迹并预测目标位置;最后,将该目标位置作为MDNet的采样中心,约束采样候选区域,用bounding-box回归模型调整目标位置。实验用8种跟踪方法测试了8组场景复杂的视频序列,结果表明,本文方法的成功率及平均覆盖率均显著高于其他7种典型算法,具有较高的精确性和稳健性。     

基于自适应多特征整合的红外目标跟踪

建立有效的观测模型去区分目标与背景是实现稳健跟踪的核心。提出了一种基于多特征观测的红外目标跟踪算法。灰度特征、局部标准差特征和梯度特征均以直方图的形式描述目标外观;目标观测模型的构建则根据环境自适应权衡了以上三个特征,相应的各特征权值的动态选择通过最大化目标与其他图像区域的差异完成。在粒子滤波框架下,实现目标运动状态的估计与多特征权值的选择。真实场景实验结果表明,该算法在目标外观高动态、背景强杂波的红外目标跟踪中具有更强的稳健性。     

基于定位-分类-匹配模型的目标跟踪方法

近年来卷积神经网络框架被成功地应用到目标跟踪领域,并取得了较为稳健的跟踪结果。基于此思想,提出一种基于定位-分类-匹配模型的目标跟踪方法。首先,在定位模型中,利用前一帧的位置信息预测当前帧中的候选目标区域。然后,采用已训练的深度特征对候选区域进行类间筛选,选出N个次优目标区域。最后,利用常规颜色特征对次优目标区域进行类内寻优匹配,从而确定最终的跟踪目标。与此同时,分别对定位、分类中的网络进行更新,并对建立的匹配模型进行在线实时更新,使得其对目标的描述更加准确。在OTB50和OTB100标准数据库上进行实验测试,结果表明,提出的跟踪方法在快速运动、相似物体干扰、复杂背景等条件下具有较好的跟踪稳健性。     

复杂天空背景下的红外弱小目标跟踪

为解决传统跟踪算法不能有效区分复杂天空云层背景边缘和红外弱小目标,从而在跟踪过程中产生“偏移”的问题。在时空上下文原理基础上分析跟踪“偏移”的原因,引入高斯曲率滤波,提出一种改进的时空上下文红外弱小目标跟踪算法。该算法首先采用高斯曲率滤波对上下文区域进行预处理,在保留上下文区域背景边缘的同时剔除高频的红外弱小目标和噪声,从而获得准确的红外弱小目标置信图,利用红外弱小目标置信图估计出红外弱小目标位置。采用四组复杂天空背景下的红外弱小目标图像序列进行实验,并与经典的模板匹配算法、基于粒子滤波的均值漂移算法和快速压缩跟踪算法三种跟踪算法作比较。实验结果表明,算法在主观视觉和客观评价指标方面均优于其他三种算法,具有更高的目标跟踪精度与较好的实时性,可以实现对复杂天空背景下红外弱小目标的有效跟踪。     

复杂场景下基于条件随机场的视觉目标跟踪

目标模型更新中存在的模型漂移问题,是影响视频跟踪结果的一个重要因素。针对这一难题,提出了一种新的基于前景分割的目标跟踪算法。算法通过引入条件随机场(CRF)模型对跟踪区域和非跟踪区域的时空关系进行建模,实现对图像序列中像素点的标记,标记为跟踪目标或背景,并使用在线学习方法,根据场景的变化调整CRF模型的参数。跟踪过程中,通过对CRF模型的求解,得到最优的标记场和目标像素的置信图像;利用置信图像,结合目标模型的相似性度量定位整个目标;根据目标区域内的标记结果,使用一种选择性采样的方式更新目标模型,从而解决更新中的漂移问题。通过在多个典型的复杂场景中进行实验,验证了该算法的有效性。     

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。     

特征融合的尺度自适应相关滤波跟踪算法

为提高相关滤波(CF)跟踪算法的稳健性,并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题,提出了一种基于融合颜色特征的尺度自适应相关滤波改进跟踪算法。首先,将目标搜索区域从3原色(RGB)颜色空间转换到Lab颜色空间,提取搜索区域的Lab 3通道颜色特征;然后,融合Lab颜色特征与方向梯度直方图(HOG)特征得到多通道特征,利用核相关滤波(KCF)计算输出响应图并寻找图中最大响应位置即目标位置;最后,基于Lab颜色特征建立尺度模型,从当前帧的目标位置处截取不同尺度图像块,通过将其与尺度模型比较得到目标尺度最优估计。实验选取35段公开彩色视频序列进行测试,并将所提算法与其他5种跟踪性能较好的跟踪方法进行对比。实验结果表明,所提方法对彩色视频序列中的目标遮挡、变形、尺度变化等现象具有良好的适应性,其平均性能优于对比方法,同时具有76frame·s~(-1)的实时跟踪速度。     

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。     

基于阈值判断的CamShift目标跟踪算法

针对CamShift算法只利用目标的颜色信息,在跟踪过程中,易受目标相似物、遮挡以及光照等复杂背景影响导致目标搜索窗口发散,跟踪稳定性能降低,提出了一种基于阈值判断的目标跟踪方法。该方法将OTSU法和Snake模型结合,利用OTSU法以最佳阈值对图像进行分割,分离前景区域和背景区域,初步提取目标轮廓作为Snake模型的初始轮廓,经收敛得到目标的精准轮廓,利用轮廓外接最小矩形框内的像素计算目标质心,判断与CamShift算法中目标搜索窗口质心之间的欧式距离,如果未超出阈值,则直接使用CamShift算法跟踪目标,反之,则将计算出的目标质心作为CamShift算法中当前帧目标搜索窗口的质心跟踪目标。实验结果表明,该算法跟踪目标具有较好的实时性,跟踪性能稳定、可靠。     

一种基于纹理特征的红外成像目标跟踪方法

提出了一种基于LBP（Local Binary Pattern)纹理特征的红外成像目标跟踪方法,将LBP纹理特征集成到了核跟踪方法中.根据目标各区域对背景的区分能力不同,提出了目标各区域置信度的评价方法,用基于区域置信度及空间距离核加权的LBP特征概率密度函数,构造了目标及候选目标的特征模型.通过相似性度量,利用均值漂移方法实现了基于纹理特征的红外成像目标跟踪.实验结果验证了该算法在红外成像目标跟踪中较基于灰度的均值漂移跟踪算法更为鲁棒.     

基于目标感知特征筛选的孪生网络跟踪算法

孪生网络跟踪算法是利用离线训练好的网络提取目标特征并进行匹配,从而实现跟踪。而离线训练深度特征在表征任意形式目标时将目标从背景中分离开的性能较差。为此,提出一种基于目标感知特征筛选的孪生网络跟踪算法。将经过裁剪处理后的模板帧和检测帧送入到ResNet50的特征提取网络分别提取目标和搜索区域的浅层、中层、深层特征;在目标感知模块中,通过设计一个回归损失函数来学习对目标敏感的特征,根据反向传播的梯度来确定每个卷积核的重要性程度,并以此来激活相对重要的卷积核筛选较重要的目标感知特征;将筛选得到的特征送入到SiamRPN模块,进行目标、背景的二分类判别和边界框的坐标回归,从而得到一个精确的目标边界框。在OTB2015和VOT2018两个标准数据集上进行测试实验,结果表明该算法可以实现对目标的稳健性跟踪。     

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。     

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。     

支持向量学习并行区域增长结合活动轮廓模型的图像分割算法

为克服经典区域增长算法门限设置困难和图像分割精度不高的问题,提出了基于支持向量机学习的区域增长与活动轮廓模型结合的高精度图像分割算法。首先交互式选择属于目标区域的子块和背景区域的子块形成支持向量机的训练样本;并利用这些已知的训练样本训练支持向量分类器。在目标与背景的并行竞争增长过程中,利用训练好的支持向量分类器(SVC)进行分类判决,得到目标对象的初始轮廓。为提高分割对象的精度,采用活动轮廓模型获得准确的边缘。仿真实验获得了较好的分割效果,表明该提出的算法是合理可行的。     

利用跟踪轨迹特征和SVDD-SVM联合分类器的水下慢速小目标分类方法

针对蛙人、无人水下航行器(UUV)等慢速小目标分类识别所面临的小样本、类不平衡问题,提出了利用轨迹特征、支持向量数据描述(SVDD)与支持向量机(SVM)的联合分类方法。该方法将水下慢速小目标类型简化为蛙人、UUV、其他3类,利用跟踪轨迹特征设计多维特征量,构建SVDD-SVM联合分类器获得分类结果。具体为,针对小样本问题,采用参数维度小、训练数据量要求低的SVDD、SVM作为分类器的基本单元。针对类不平衡问题,使用2个并联的单分类SVDD和1个与两者串联的二分类SVM设计联合分类器,同时为联合分类器的输出设计投票机制保证分类结果的稳健性。实测数据处理结果表明,所提SVDD-SVM联合分类器对蛙人目标的平均召回率可达86%,平均精确率可达87%;对UUV目标的平均召回率可达85%,平均精确率可达86%。所提方法在小样本、类不平衡条件下具有优于传统方法的分类准确性和稳健性。