基于注意力与特征融合的双分支跟踪算法

针对全卷积孪生网络(SiamFC)特征表达不足导致在目标形变、复杂背景干扰条件下跟踪效果不佳等问题,提出了一种基于注意力与特征融合的双分支跟踪算法。通过引入通道注意力机制和小卷积核的思想,在增加网络深度的同时,动态调节模型权重,提高了网络的特征提取能力和辨别能力。在原有孪生网络的基础上,提出采用多层特征融合策略构建新的跟踪分支并用于辅助决策。通过不同视觉层级间目标特征的融合,进一步改善网络的精确定位与适应能力。在目标跟踪基准库OTB50、OTB100、VOT2017进行试验,试验结果表明:所提算法在保持实时性的情况下,性能指标优于多个基准算法,验证所提算法的有效性。

跟踪-学习-检测框架下改进加速梯度的目标跟踪

单目标持久跟踪的主要难点是由于目标姿态、相似背景及遮挡等因素而导致的漂移问题。基于此提出了一种改进L1APG(L1tracker using accelerated proximal gradient approach)的目标-学习-检测(TLD)目标跟踪算法。首先,在L1APG跟踪器中加入遮挡检测判断;其次,将遮挡程度转换为目标模板和背景模板系数的权重;最后,用改进的L1APG跟踪器取代传统TLD框架中的跟踪器,自适应地根据遮挡程度改变模板系数,从而有效地提高了跟踪效果。实验表明:本文算法与传统TLD跟踪框架相比,能更好地处理遮挡和漂移问题,具有较好的稳定性和鲁棒性。

一种快速的全局场景分类算法

传统的空间金字塔匹配算法是一种成功的场景分类方法,先利用SIFT特征和K均值聚类的思想,构建"视觉字典",再形成包括图像空间信息的"空间金字塔"。传统算法构建"视觉字典"时采用了128维SIFT描述子,存在特征描述符计算复杂、聚类时间长等问题。针对这些问题,提出一种基于改进SIFT的空间金字塔匹配方法,采用圆形局部区域和梯度、灰度特征将特征描述符压缩到只有18维。结合特征匹配和SVM训练器,通过与原空间金字塔匹配算法进行场景分类性能对比,结果表明:该方法在特征提取和聚类速度方面具有显著提升,同时在分类准确度上也略有提高。

一种基于前后向误差比较的检测跟踪遮挡方法

目标跟踪中准确的遮挡检测对于跟踪算法适应性的提高至关重要。针对传统的遮挡检测方法对局部遮挡等情况判断准确度低、适应性差的问题,提出一种基于前后向误差比较并辅以区域标准差比较的方法的跟踪遮挡检测方法。该方法对目标在时序上进行前向和后向跟踪,通过比较前向跟踪和后向跟踪的轨迹误差并结合最佳匹配区域标准差的进行特征性检验确定是否发生了跟踪遮挡。相对于传统的跟踪遮挡检测方法,其优越之处在于克服了相似性阈值选择不当引起的目标跟踪遮挡判断不准确及适应性不强的问题。实验证明,本文提出的方法能够实现对目标跟踪遮挡的有效检测。

基于孪生网络的轻量级高速跟踪算法

孪生网络跟踪算法将跟踪问题转换为相似性匹配问题引起广泛关注,然而,多数算法无法在移动端或算力不足的嵌入式设备上实现工程应用。为此,提出了一种基于孪生网络的轻量级高速跟踪算法。该算法以特征提取能力良好且参数量少的MobileNetV2作为主干网络,通过组卷积、Crop等操作进一步减少网络参数量,提高网络运行速率;通过在倒残差结构中加入注意力机制动态调节模型权重,突出目标重要信息;通过不同特征层之间的信息融合,提升网络模型对目标多尺度语义信息的表达。采用目标跟踪基准库OTB100和VOT2018进行实验,结果表明,与现有通用跟踪算法相比,所提算法在保持高精度的同时,运行速率高达170帧/s,具有良好的工程应用前景。

基于目标模板库的多任务目标持久跟踪

针对长时间跟踪造成的信息丢失问题,提出了一种借鉴人类视觉记忆机制构建目标模板库的算法,该方法能在跟踪中记忆有用目标信息,实现持久稳定的跟踪.首先采用多任务跟踪法把视频序列分成多个子任务进行多线程分块局部跟踪,然后采用模板匹配和特征融合下的粒子滤波先后进行粗略跟踪和精细跟踪;最后把跟踪结果纳入目标模板库中更新跟踪系统.实验表明,此算法具有较好的鲁棒性和稳定性.