稀疏约束与时间一致的背景感知相关滤波目标跟踪

背景感知滤波算法通过循环移位采集真实负样本,有效解决了边界效应.但在复杂场景例如遮挡、快速移动、背景干扰等,其较大的采样区域导致过多背景在杂波干扰,从而影响跟踪效果.针对这一问题,本文首先提取灰度HOG特征与颜色CN特征来提高目标外观模型,在基准目标函数基础上引入L1稀疏正则约束形成弹性网络以自适应筛选关键特征,增强滤波器在复杂背景下的判别能力.同时针对BACF在跟踪过程中目标快速变化,本文引入时间正则项提高滤波器抑制畸变的能力.最后,本文提出了一种独立的尺度滤波器算法,准确提供目标尺度大小.实验仿真结果表明,在公开数据集OTB-2013和OTB-2015上,本文算法较基准算法有很大提升,能够较好应对不同复杂场景下的跟踪难题.

高斯感知约束空间异常的相关滤波目标跟踪

针对目标在复杂场景运动过程中容易出现跟踪丢失问题,提出一种高斯感知约束空间异常的目标跟踪算法。以高斯均匀分布为分布规律建立目标特征采样点,采用卷积结构提取目标的外观模型以及权重模型;为了约束空间异常,在目标函数中构建空间正则项,同时更新目标权重模型,减小空间过拟合的产生,增强跟踪器的空间异常适应性;应用加权最小二乘法思想,获得权重响应模型中心,确定目标中心,更新跟踪位置,增强跟踪器鲁棒性。使用OTB2015和UAV20L数据集,与其他主流相关滤波算法相比,该算法在目标运动导致低分辨率、遮挡等复杂条件下,跟踪成功率以及跟踪精度较高。

非线性时间一致性的相关滤波目标跟踪

针对现有目标跟踪算法主要采用线性约束机制LADCF(Learning Adaptive Discriminative Correlation Filters)跟踪模型容易漂移的问题,提出非线性时间一致性的相关滤波目标跟踪算法。首先,结合史蒂文斯定律,提出贴近人类视觉感知特性的非线性时间一致项,使模型相对平滑地跟踪目标,从而保证跟踪连续性,避免跟踪模型漂移;其次,采用交替方向乘子法(ADMM)求解最优函数值,保证算法的跟踪实时性;最后,利用史蒂文斯定律非线性更新滤波器,使滤波器更新因子可以根据目标的变化增强和抑制滤波器,以适应目标变化,防止滤波器退化。在4个标准数据集上与主流相关滤波和深度学习算法对比实验,相较于基线算法LADCF,所提算法的跟踪精确度和成功率在OTB100数据集上分别提升了2.4和3.8个百分点;在UAV123上分别提升了1.5和2.5个百分点。实验结果表明,所提算法能有效避免跟踪模型漂移,降低滤波器退化概率,跟踪精确度和成功率较高,面对遮挡、光照变化等复杂场景时具有较强的鲁棒性。

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰问题。

基于改进的相关滤波卫星视频抗遮挡跟踪方法

卫星视频中的目标存在背景复杂、尺寸较小、容易受遮挡等问题,这将影响跟踪的准确性,甚至导致跟踪失败。提出了用改进的核相关滤波算法来解决卫星视频中目标遮挡问题,并对目标进行有效跟踪。该算法通过提取目标的HOG特征、LBP特征和SIFT特征共同描述目标,并以融合特征减少背景变化的影响。提出自适应卡尔曼滤波算法解决跟踪过程中目标被遮挡的问题,通过ITCI值判断目标是否被遮挡,并对被遮挡的目标进行位置预测,选用核相关滤波算法以满足跟踪的实时性和准确性。实验结果表明,改进的核相关滤波算法解决了目标遮挡问题,对目标背景变化有较好表现,同时跟踪的精度和成功率也有很大提高。

动态时空异常感知的相关滤波目标跟踪算法

针对背景感知算法未与目标的时空域特性建立联系,以及无法准确处理遮挡、形变等异常跟踪情况的问题,提出了能够动态感知时空异常的目标跟踪算法。在相关滤波器训练过程中引入动态空间正则项,使其与样本的时空域特性建立联系;结合响应图的峰值唯一性和锐利信息,提出异常感知方法;利用历史滤波器具有不同置信度的特点以及目标在时域中的连续性,通过异常感知方法自适应选择高置信度的历史滤波器作为时间正则化的参考模板,降低滤波器退化的风险。在OTB50、OTB100和TC128测试基准上进行仿真实验,该算法能够适应外观变化、画面杂乱等复杂条件下的跟踪任务,具有较强的鲁棒性和实用性。

FBG反射谱数据滑动相关滤波算法设计与实现

针对光纤光栅解调系统中现有滤波算法计算速度与滤波效果难以兼顾的问题,提出了一种基于滑动相关滤波的光纤布拉格光栅(Fiber Bragg Grating,FBG)反射谱滤波方法并在现场可编程门阵列(Field Programmable Gate Array,FPGA)上实现算法加速设计。该算法根据FBG半峰全宽确定高斯函数二阶导数的标准差,用函数的负数作为滤波模板权重,通过滑动数据窗口进行反射谱数据与滤波模板的相关计算,从而实现滤波操作。使用该算法处理含高斯噪声、坏点和基线的仿真数据,验证了该方法对多种异常反射谱数据处理的有效性,并与其他下位机滤波算法进行对比分析,该算法能较好地保留原始数据特征,有较好的鲁棒性,信噪比最高提升28.23dB,中心波长平均偏差和偏差标准差最小,分别为1.712 pm和2.996pm。同时在FPGA片上平台实现了该算法,采用循环队列策略设计存储器,提高了存储器使用率,降低了资源消耗。实验表明,该算法可以有效校正多种异常FBG反射谱,在100MHz系统时钟下处理一个反射谱数据所需时间仅5.09μs,易于实现工程化应用,克服了下位机现有滤波算法对FBG反射谱中坏点、基线抑制作用较差和滤波后信号变形的问题,实现了FBG反射谱滑动相关滤波算法的加速设计。

一种用于视觉跟踪的低秩上下文感知的相关滤波器

基于DCF的目标跟踪方法在保持实时运行时,由于在精度和鲁棒性之间实现了很好的权衡而备受关注。但是,当出现遮挡、移出视野、平面外旋转等干扰时,现有跟踪器仍面临着模型漂移甚至跟踪失败的情况。为此,提出了一种基于低秩上下文感知的相关滤波器LR_CACF。具体来说,在滤波器学习阶段,直接将目标及其上下文信息集成到DCF框架中,以更好地将目标从背景中鉴别出来;同时,对跨帧视频施加低秩约束以强调时序平滑性,使得学习的滤波器处于一个低维的鉴别流行上,进一步提高了跟踪性能;然后,利用ADMM实现滤波模型的高效优化;此外,针对模型失真的问题,启动多模态检测机制来识别响应图的可靠性,当反馈不可靠时,滤波器停止训练,同时扩大搜索区域,并采用区域重叠的方法重新捕获目标。在OTB-50,OTB-100和DTB70数据集上进行了大量实验,实验结果表明,相对于基线SAMF_CA,在DP方面,LR_CACF分别获得了6.9%,4.0%和7.1%的增益,AUC分别提高了3.6%,2.7%和5.4%。基于属性分析的结果表明,LR_CACF尤其擅长处理遮挡、移出视野、平面外旋转、低分辨率和快速运动等场景。

基于纵横比自适应的相关滤波跟踪算法

由于跟踪过程目标不规则形变的影响,采用固定纵横比的尺度模型无法精确地估计目标的尺度.为解决该问题,本文提出基于纵横比自适应的相关滤波跟踪算法.基于fDSST(fast Discriminative Scale Space Tracking)算法,训练学习纵横比模型,更新目标的纵横比,获取更精确的目标尺度.在此基础上,本文设计了平滑修正方案以及学习率自适应机制,可以有效地缓解因目标出现遮挡导致的模型漂移问题.在OTB100、VOT2016和VOT2018数据集上与其他跟踪算法进行对比实验,结果表明本文算法改善了基准算法的性能,特别是在OTB100上的总体准确率和成功率比fDSST提高了9.6%和6.2%.

自相关滤波法提取弱异常方法在油气勘查中的应用

在论述自相关滤波法理论的基础上,通过对各种理论模型进行实验,由实验效果分析方法的优势,并以我国某区域重力资料为例,对该区域内重力资料进行了自相关滤波计算,计算结果压制了区域场的影响,提取出油气藏相关的局部弱异常,并与布格重力异常、垂向导数以及剩余异常等资料相互验证,取得了很好的应用效果。基于该地区的计算结果,证明自相关滤波法可应用于油气勘查中,可为其他油气勘查区圈定油气藏的有利局部构造提供可靠并且准确的研究方法,从而达到辅助油气勘查的效果。

低照度宽视场视频中微小目标相关滤波跟踪方法

此前的相关滤波目标跟踪算法,关于低照度宽视场小目标跟踪的研究工作未见报道。针对此,提出一种将图像差异检测框架与基于相关滤波器(CF)的跟踪框架相结合的算法,并引入双重滤波器对抗环境带来的不利因素。提出用l2范数的稀疏响应正则化项来抑制CF框架产生的异常波峰。在响应阶段,根据双重滤波器加权融合,预测小目标的位置。结果表明,提出算法在低照度宽视场中对小目标的快速移动、形变、运动模糊有优异的跟踪性能,并且满足实时性能。采集了全新的具有41条由鹰眼摄像头拍摄的夜晚监控序列数据集作为基准。实验结果表明本算法在DP提升了8.8%,AUC提升了7.4%,并在单个CPU上实现30.6帧每秒的实时运行。

基于改进核相关滤波的桥吊负载摆角实时检测方法

在基于视觉的桥吊负载摆角检测过程中,负载快速运动使相机采集的图像产生运动模糊,进而导致摆角检测精度降低。为了准确、实时获取负载摆角信息,提出一种基于改进核相关滤波的摆角检测方法。将轨迹预测引入负载跟踪中,避免负载由于快速运动而逃离搜索窗口;设计尺度自适应策略,进一步提高跟踪性能;结合负载运动速度和响应峰值梯度更新自适应学习率,及时适应目标的特征变化。对兴趣区内的图像进行灰度增强处理,降低运动模糊对检测精度的影响,根据三角形外接圆定理获取标识物的圆心及半径,并结合起重机工作空间建立负载摆角测量模型。实验结果表明,所提出方法在检测准确性和实时性上均优于其他方法,检测误差不高于3像素,处理速度不低于35帧/s。

纵横比自适应的时空正则化相关滤波算法

在目标跟踪中,传统相关滤波算法无法感知运动目标尺度纵横比变化,且易受复杂环境影响导致跟踪失败。为此,提出了纵横比自适应的时空正则化相关滤波算法。首先,参考平均峰值相关能量(Average peak-to-correlation energy,APCE)和响应峰值对每个特征的响应图进行加权融合,以实现对目标的精确跟踪。其次,结合近正交性和空间正则化提出一种新的一维边界滤波器,通过定位目标包围框的四个边界位置实现对目标尺度和纵横比变化的自适应检测,有效抑制了边界效应带来的负面影响。最后,根据响应输出的峰值旁瓣比(Peak-to-sidelobe ratio,PSR)独立地调节各边界滤波器的学习率,防止模型退化。在OTB数据集上进行了测试,该算法表现出理想的跟踪效果,在各个挑战属性上相较于其他优秀算法均取得了更优结果。

深度特征目标感知交替方向乘子法优化多指标更新相关滤波跟踪算法

空间正则化相关滤波算法跟踪过程中仅采用手工特征表征目标,高斯-赛德尔方法训练滤波器的复杂度高,跟踪结果不可靠时仍逐帧更新模型,导致跟踪效果不佳。针对空间正则化相关滤波算法存在的问题,提出深度特征目标感知交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)优化多指标更新相关滤波跟踪算法。该算法融入预训练网络提取的深度特征,并依回归损失的梯度信息进行通道选择,增强了对目标的表征能力;采用交替方向乘子法训练相关滤波器,降低算法复杂度,提升跟踪速度;根据多指标更新方法判断是否进行模型更新,不但提升了算法运行效率,而且避免了因学习到错误信息而导致的模型腐败。实验结果表明,所提算法的成功率、精确度在数据集OTB2015上均优于其它8种对比算法,且在复杂场景下具有更强的跟踪鲁棒性。

基于相关滤波的铁路异物侵限跟踪方法研究

针对铁路异物侵限频繁发生导致的列车运行安全问题,提出一种基于背景感知相关滤波器的铁路异物侵限跟踪方法。利用方向梯度直方图(HOG,Histogram of Oriented Gradient)特征提取铁路侵限异物自身特征,结合剪裁矩阵,以增加视频帧中实际背景的负样本;使用交替方向乘子法(ADMM,Alternating Direction Method of Multipliers)训练背景感知相关滤波器,减少计算复杂度,在保证跟踪速度的前提下,提升跟踪侵限异物的准确性,从而适应铁路沿线环境中由于侵限异物的形变、快速移动或天气等原因造成的目标丢失及跟踪框漂移等情况。实验结果表明,该方法对铁路侵限异物的跟踪精确度和AUC(Area Under Curve)值分别达到93%和71.9%,均高于SRDCF、KCF、ASLA和CSK等算法,具有更好的准确性。

基于边缘检测的抗遮挡相关滤波跟踪算法

无人机跟踪目标因其便利性得到越来越多的关注。基于相关滤波算法利用边缘检测优化样本质量,并在边缘检测打分环节加入平滑约束项,增加了候选框包含目标的准确度,达到降低计算复杂度、提高跟踪鲁棒性的效果。利用自适应多特征融合增强特征表达能力,提高目标跟踪精准度。引入遮挡判断机制和自适应更新学习率,减少遮挡对滤波模板的影响,提高目标跟踪成功率。通过在OTB-2015和UAV123数据集上的实验进行定性定量的评估,论证了所研究算法相较于其他跟踪算法具有一定的优越性。

基于背景感知相关滤波跟踪器的目标快速跟踪方法

图像跟踪算法是弹载图像末制导及光电侦查装备的关键技术,其高效低延时的实时实现可以极大提高光电载荷跟踪的稳定性和精确性。为解决弹载环境受体积、功耗等因素约束下图像末制导跟踪算法的高效性,基于背景感知的相关跟踪算法,提出一种基于数据驱动的多任务分配策略,并针对相关滤波计算是影响算法实时性的关键路径,提出Cache优化的快速傅里叶变换高效实现方法。通过将跟踪算法映射到多核DSP处理器平台上并行实现,相对原处理方法多核处理实时性能整体提升约56.3%。经无人机挂载试验验证表明,该优化方法可以满足空间约束条件下目标跟踪实时性需求,为智能化弹药的工程化应用提供了有力的技术支撑。

基于多特征融合和尺度自适应的核相关滤波算法

为了提高在复杂背景下进行跟踪的精度,在KCF(Kernel Correlation Filter)算法的基础上提出了一种改进方案。首先,提取HOG(Histogram of Gradient)、CN(Color-Naming)和LBP(Local Binary Pattern)三种特征进行融合,获得充分的目标特征信息;其次,引入尺度滤波机制用于估计目标最佳尺度大小,得出最合适的跟踪框;最后,提出了一个峰值更新策略,确保模型更新不受错误信息干扰。实验表明,改进后的算法比KCF算法在精确度和成功率上分别提升了6.5%和4.8%,并且在处理尺度变化、变形、旋转等方面也有很好的鲁棒性。

Deep Snake协助相关滤波目标跟踪

针对在相关滤波目标跟踪中,对目标尺度观测不准会造成匹配模板更新错误,从而降低目标跟踪的精度的问题,提出一种Deep Snake协助相关滤波的目标跟踪方法。该方法首先利用相关滤波估计目标的初始状态;然后利用Deep Snake得到目标的轮廓,进而优化目标的尺度。在OTB-2015(成功率70%)和VOT-2019(期望平均覆盖率28.6%)数据集上的实验结果表明:与现有的目标跟踪方法相比,提出的跟踪方法具有较优的跟踪性能。

基于相关滤波的目标跟踪技术仿真分析

聚焦于计算机视觉领域中目标跟踪的应用热点问题,开展基于循环结构核算法(CSK)、核相关滤波算法(KCF)、颜色空间算法(CN)、自适应尺度多特征优化算法(SAMF)等典型算法的目标跟踪仿真验证。通过技术原理解析、指标评估体系构建、样本数据集构建与分析等具体实验环节实施,对算法的功能和性能进行对比,验证了各种算法的优缺点,为相关滤波算法在工程上的应用提供了依据。