在线学习机制下的Snake轮廓跟踪

针对复杂环境下非刚体目标轮廓跟踪存在跟踪失败的问题,提出一种基于在线学习的Snake模型及其轮廓跟踪算法。利用跟踪-学习-检测(TLD)机制实现目标快速跟踪,通过跟踪结果在线更新Snake模型约束,进而提高目标轮廓跟踪的准确性。初始化阶段,在Grab Cut算法的基础上,将待跟踪目标分成若干个子块,并在后续跟踪过程中,利用TLD实现各子目标的定位跟踪,形成目标的轮廓置信图。同时针对各子目标提取特征,产生正负样本,更新各子目标跟踪模型。应用置信图建立参数化Snake模型的约束条件,进而得到目标轮廓。实验结果表明,该算法能适应光暗变化与较为复杂坏境下的跟踪,并获得精确的轮廓。

基于在线回归学习的轮廓跟踪算法

针对目标快速运动以及严重形变导致跟踪失败的问题,基于在线回归学习提出一种轮廓跟踪算法。以当前跟踪区域为中心,通过循环矩阵对其进行循环平移形成训练样本,进行基于核的相关性回归训练。检测帧根据上一帧回归模型计算待测区域与目标区域的相关频域。将相关矩阵返回空域,形成目标定位特征图,将其与待测区灰度图进行融合形成轮廓置信图。利用置信图作为辅助信息,通过水平集模型提取目标轮廓。设计轮廓评价方案判断轮廓质量,当发生畸变时进行轮廓修正。将轮廓所在位置反馈至核相关滤波跟踪器并更新跟踪模板,从而准确得到下一帧特征图。实验结果证明,该方法能快速准确地跟踪目标及其轮廓,并且具有较好的鲁棒性。

在线学习机制下几何模糊特征目标检测及跟踪

针对目标跟踪中目标框发生偏移、消失等问题,于在线学习机制下提出一种基于几何模糊的跟踪检测学习的目标跟踪方法。以跟踪-检测-学习为框架,利用Lucas-Kanade算法,获得目标的初步跟踪结果。运用几何模糊的匹配思想代替传统检测手法,有效校正跟踪偏移,避免误差累计。整合器比较跟踪、检测结果与上一帧结果的相似度,通过计算正负样本与检测子区域的归一化相关系数比求得置信度,得到目标的精准定位。其结果通过学习器进行在线学习,从而进行下一帧的跟踪。实验结果表明,将该检测思想应用于快速移动目标跟踪时,在背景相似度较高的条件下,表现出了良好的性能,与其他新的方法比较也有较高的定位精度。