基于Kalman滤波和模板匹配的目标跟踪技术研究

针对模板匹配算法计算量大,难以解决目标形变、光照变化、遮挡等情况下的跟踪问题,提出了一种结合Kalman滤波的模板匹配跟踪算法。通过Kalman滤波预测下一帧图像中目标的位置,缩小目标搜索范围,以减少模板匹配计算量,满足目标跟踪的实时要求。采取自适应模板更新策略,根据目标的变化情况更新模板。在目标被短暂遮挡时,采用Kalman滤波预测目标的状态,继续稳定跟踪。实验结果表明,算法明显优于单独使用模板匹配算法,当目标被遮挡时仍可以稳定、实时跟踪,具有良好的鲁棒性。     

基于简单线性迭代聚类超像素的meanshift跟踪

为了增强目标跟踪算法在被跟踪目标发生运动位移、遮挡、形变、相似物体干扰等情况下的鲁棒性,提出利用超像素构建目标外观模型,将外观模型与候选区域进行匹配,获取候选区域当中目标超像素,并用Meanshift算法确定目标中心点的跟踪算法。仿真实验选取Benchmark库当中在运动位移、遮挡、形变、相似物体干扰方面具有代表性的视频Girl和FaceOcc1。该算法在视频Girl中的跟踪成功率和跟踪精度为0.601、0.856,比对比实验的经典算法当中跟踪效果最好的KCF算法的成功率和精度分别高0.059和0.084;在视频FaceOcc1中跟踪成功率和精度仅次于KCF。表明该跟踪算法在受到相似物体干扰和目标遮挡时具有良好的鲁棒性。     

复杂红外地面环境下的稳定目标跟踪方法

针对红外目标相关滤波跟踪过程中由于背景杂波干扰、目标遮挡和目标形变等情况导致的鲁棒性差甚至跟踪目标丢失的问题,提出一种融合跟踪-学习-检测方法和相关滤波理论的红外目标跟踪算法.该算法在传统相关滤波框架基础上,融合目标的方向梯度直方图特征和亮度直方图特征,改善了目标轻微形变导致的模型漂移问题.针对背景杂波和遮挡导致的多峰值响应问题,对目标背景区域的相关响应进行惩罚,建立目标和背景响应的多模态检测机制,实现目标由粗到精的定位,并采用自适应的学习率优化跟踪模型的漂移问题;针对目标被严重遮挡或脱离视野的问题,通过全局目标再检测,实现目标的重捕.实验结果表明,在复杂红外地面环境下,该算法有效地解决了相似目标干扰和目标被严重遮挡导致的目标丢失问题.基于OTB-2015视频基准序列和红外视频序列测试,对比多个主流的相关滤波跟踪算法,该算法在跟踪精度和成功率方面较长时相关滤波跟踪算法分别提升了5.6%和4.1%;在目标遮挡指标测试中,该算法在跟踪精度和成功率方面相较长时相关滤波跟踪算法分别提升了4.6%和6.1%.     

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。     

基于侧窗滤波与时空正则化相关滤波的红外弱小目标跟踪

当目标远离红外系统,其在成像图像上的尺寸较小且信息量较少,使得小目标的持续精确定位成为一项有挑战性的问题。针对这一问题,在相关滤波跟踪框架上,引入能够区分红外弱小目标边缘信息与杂波噪声的侧窗图像滤波方法,提出了一种弱小目标跟踪算法。具体来说,首先利用时空正则化的相关滤波跟踪模型,对目标位置附近更大范围的背景进行考虑。然后,利用侧窗滤波对当前局部搜索区域进行侧窗滤波处理,达到了保留边缘效果的同时剔除了图像噪声。最后,通过原始图像与滤波后图像作差,降低了背景边缘对目标定位错误的影响,并实现小目标状态估计。为验证本文所提算法性能,采用六组红外真实弱小目标图像序列进行实验,并与核相关滤波、空间正则化的相关滤波,以及时空正则化的相关滤波等经典算法作比较。实验结果表明,所提算法在多组复杂背景的图像序列上,获得了较高的跟踪精度,验证了所提算法能有效应对红外弱小目标跟踪任务中的快速运动、低分辨率和强背景杂波等问题。     

多模跟踪技术在轮式侦察车图像处理器的应用

为解决目标旋转形变、遮挡、光照变化等目标跟踪的难题,对粒子滤波和尺度不变特征变换(SIFT)算法进行了改进,结合两种算法提出了决策主导模式的多模跟踪技术。该技术采用粒子滤波预测目标位置进行粗定位,SIFT特征匹配进行精定位的方法,在解决上述难题上有很好的鲁棒性。将该技术应用于轮式侦察车图像处理器,并进行了各种实验验证,结果证明了提出算法的有效性。     

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。     

融合扰动感知模型的孪生神经网络目标跟踪

针对全卷积孪生网络目标跟踪算法(Siamfc)在严重遮挡、旋转、光照变化、尺度变化等情况下容易出现跟踪失败的问题,提出了一种融合扰动感知模型的孪生神经网络目标跟踪算法。将孪生神经网络提取到的低层结构特征与高层语义特征进行有效融合,以提高特征的表征能力;利用模板自适应策略在线更新模板,以提高算法在遮挡和旋转等情况下跟踪的精确度。与此同时,将基于颜色直方图特征的扰动感知模型引入到算法中,通过加权融合的方式获得目标响应得分图,以此估计出目标的位置,并利用相邻帧尺度自适应策略估计出目标最佳尺度。为验证本文算法的效果,利用公开数据集测试所提算法性能,并与多种跟踪方法进行对比。实验结果表明:在2015目标跟踪标准测试数据集下本文所提算法总体跟踪精确度为0.945,总体成功率为0.929,相比Siamfc算法分别提高了2.9%和2.8%,在无人机航拍测试数据集中本文所提算法也具备较高的精确度与成功率,获得的跟踪效果良好。     

多模跟踪技术在轮式侦察车图像处理器的应用

为解决目标旋转形变、遮挡、光照变化等目标跟踪的难题,对粒子滤波和尺度不变特征变换（SIFT）算法进行了改进,结合两种算法提出了决策主导模式的多模跟踪技术。该技术采用粒子滤波预测目标位置进行粗定位,SIFT特征匹配进行精定位的方法,在解决上述难题上有很好的鲁棒性。将该技术应用于轮式侦察车图像处理器,并进行了各种实验验证,结果证明了提出算法的有效性。     

自适应窗口选取的Mean-Shift目标跟踪

当目标尺度发生变化时,传统Mean-Shift跟踪算法因跟踪窗口尺寸不变容易导致跟踪目标丢失,为解决此问题,本文提出一种带宽自适应算法对目标尺度变化进行检测,从而实现模板更新.该算法分别将模板图像与当前帧目标图像分割成等间隔半径的若干同心圆,通过计算模板图像与当前帧图像不同环层之间相似性度量,根据相应环层之间相似性度量关系确定当前帧模板带宽更新参量,最后利用kalman滤波完成模板尺度更新,从而实现目标稳定跟踪.实验证明,当目标尺度发生变化时,目标模板自动更新,能够实现目标稳定跟踪;相对传统Mean-Shift跟踪算法,目标跟踪可靠性能得到了提高.     

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。     

一种基于最佳相似点对的稳健模板匹配算法

为了解决原始最好兄弟相似性(BBS)算法在剧烈非刚体变形、部分遮挡以及非均匀光照等复杂环境下匹配失败的问题,提出了一种更加稳健的模板匹配算法。将曼哈顿距离替代欧氏距离作为两个图像块之间的相似性度量,在此基础上,滑动窗口逐像素匹配得到新的由BBS响应值构成的置信度图,对该置信度图进行阈值筛选,并对剔除较小值后的置信度图滤波处理后,将最亮连通区域的中心位置定位为匹配结果。实验与分析结果表明,该算法可以有效地解决在弹性变形、相似区域干扰、部分遮挡与剧烈光照变化等变换与干扰存在情况下的图像匹配定位问题。     

基于方向可靠性的互补跟踪算法

基于相关滤波的目标跟踪已成为当前的研究热点。传统相关滤波框架中经循环位移训练的跟踪模板对目标的像素排列较为敏感,难以适应目标形变,但其对光照变化和相似颜色干扰等颜色变化稳健性较好;基于空间可靠性的跟踪模板建立空间置信图作为相关滤波的随机场约束项,以适应形变问题,但其对颜色变化稳健性较差。为了充分发挥两种跟踪模板的优势,提出方向可靠性的概念,并制定了一套最优的判别方法,实现了两个模板在x轴和y轴两个方向的最优位移估计。实验结果表明,与当前优秀算法在OTB2013和OTB2015标准测试集上的对比实验验证了本文算法的有效性并能实时跟踪,且具有良好的准确性和稳健性。     

基于在线检测和尺度自适应的相关滤波跟踪

针对相关滤波跟踪在遮挡及目标尺度变化等情况下容易跟踪失败的问题,提出一种基于在线检测和尺度自适应的相关滤波跟踪算法。相关滤波跟踪器融合方向梯度直方图特征、颜色属性特征和光照不变特征进行目标定位;通过局部稀疏表示模型的重构残差进行遮挡判别,如果发生遮挡则进行在线支持向量机检测,实现目标重定位;进行由粗至精的尺度估计,通过尺度预估计和牛顿迭代法得到目标的精确尺度。采用均衡的模型更新策略,固定更新相关滤波器,保守更新稀疏表示模型和支持向量机。实验结果表明:与现有跟踪算法相比,所提算法能有效降低遮挡、目标尺度变化等复杂因素的干扰,并在50组测试序列上取得较高的距离精度和成功率,其整体性能优于其他对比算法。     

一种基于融合反馈的改进粒子滤波行人跟踪算法

针对一般粒子滤波算法容易受到相似背景干扰和遮挡影响的问题,提出一种新的融合反馈的改进粒子滤波跟踪算法。该算法将最近的观测信息融入建议分布函数,便于粒子搜索目标最可能的位置,根据相对位移的变化自适应调整跟踪窗口尺度的变化,降低了计算的复杂度,一定程度上保持了粒子的多样性。实验结果表明:该算法有效地解决了遮挡、相似背景混乱以及目标尺寸变化问题,整体跟踪性能优于粒子滤波算法。     

复杂背景下基于自适应模板更新的目标跟踪算法

为了提高复杂背景下目标跟踪的稳定性,在模板匹配失败时引入目标分割过程,根据新目标区域与模板的相似度分析得出导致匹配失败的具体原因,提出了一种新的自适应模板更新算法.根据模板图像各像素到模板中心的距离构造加权函数,对传统归一化相关算法进行改进,使新算法具有一定的抗遮挡能力.实验结果表明,该算法与固定模板跟踪算法和逐帧模板更新算法相比,在目标尺寸变化和被物体局部遮挡时,跟踪的连续性和稳定性更好.     

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。     

团块建模与粒子滤波相结合的行人目标视觉跟踪

针对粒子滤波算法在遮挡情况下导致视觉跟踪不稳定甚至丢失目标的问题,提出了一种基于团块建模与粒子滤波相结合的目标跟踪算法。首先通过图像分割的方法得到视频帧中的初始目标,并构建目标团块模型;然后基于多团块目标信息并结合粒子滤波算法进行分块跟踪;最后利用高斯加权的方式,得到最终的目标预测位置。实验结果表明,该算法具有较强的鲁棒性,尤其是在遮挡的情况下能够实现目标的稳定跟踪。     

一种基于Kalman滤波的环形模板匹配相关跟踪算法(英文)

为了解决在目标跟踪系统中,传统相关算法在目标发生目标局部遮挡或旋转等姿态变化较大的情况时容易跟踪丢失的问题,提出一种改进的基于卡尔曼预测器的环形模板匹配相关跟踪的算法.利用卡尔曼预测器来预测下一帧目标可能出现的区域,然后在较小的预测区域中进行环形相关匹配运算,找到最佳相关匹配点,使跟踪更具主动性。环形匹配还可以克服由于姿态变化而引起的横向匹配点丢失,从而可以跟踪各种姿态运动的机动目标.实验中,利用改进算法对出现局部遮挡情况的姿态变化大的运动目标进行跟踪,传统算法处理此类情况容易跑飞,而本文算法不受这两种跟踪局限性的干扰,始终稳定跟踪机动目标且耗时大幅减少.     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。