基于主动特征选择的在线加权多实例目标跟踪

为了解决自适应运动目标跟踪中常见的漂移现象,提出一种基于主动特征选择(AFS)的在线权重多实例运动目标跟踪算法,在原有多实例学习的框架中引入一种新的包概率模型——加权和模型,然后使用主动特征选取法来提取更高效的特征,以降低建立分类器模型的不确定性,并通过优化Fisher信息判别准则进行在线boosting特征选取。实验结果表明,该方法鲁棒性较好,可以有效解决漂移问题,并能实时地完成在线跟踪。在此研究基础上将考虑更有效的光照不变特征。

基于局部敏感直方图的压缩跟踪

压缩跟踪在光照发生剧烈变化和目标姿势变化较大时容易出现漂移甚至跟丢现象。针对此缺陷,提出基于局部敏感直方图的压缩跟踪。通过计算局部敏感直方图,提取光照不变特征,联合压缩跟踪中使用的特征得到更优的特征。对不同视频序列的跟踪结果表明,与压缩跟踪和多示例学习跟踪算法相比,提出的算法在目标姿势发生较大变化和光照变化剧烈的情况下能够实现稳定的跟踪,并且满足实时性要求。

一种鲁棒的时空上下文快速跟踪算法

为解决时空上下文快速跟踪算法在目标处于复杂背景及被遮挡情况下容易产生漂移的问题,提出了一种鲁棒的时空上下文快速跟踪算法,通过引入Kalman滤波器,对当前帧中的目标在下一帧中的位置进行估计和预测,并将其作为下一帧时空上下文快速跟踪算法的迭代起点。对不同视频序列的跟踪结果表明,与时空上下文快速跟踪算法和多示例学习跟踪算法相比,提出的算法在目标被遮挡及复杂背景情况下能够更准确地跟踪到目标,并且满足实时性要求。

一种类三步搜索策略的快速压缩跟踪算法

为进一步提高压缩跟踪算法的实时性,提出一种改进的快速压缩跟踪算法.在跟踪过程的目标检测阶段采用类似于三步搜索的策略减少计算复杂度.在较大的搜索范围内,以较大的步长用滑动窗进行目标检测.得到目标位置后,在以此位置为中心的较小范围内,以较小步长用滑动窗进行目标检测,得到当前最佳位置.在前一步得到的位置上做步长最小的目标检测,由跟踪算法得到最终的目标位置.对不同视频序列的跟踪结果表明,提出的算法在对跟踪精度几乎没有影响的前提下,提升了算法的效率.相比传统的压缩跟踪算法和快速压缩跟踪算法,提出的算法更能满足实时性要求.