Long-Term Tracking Based on Spatio-Temporal Context

Aiming at the problem that the fast tracking algorithm using spatio-temporal context (STC) will inevitably lead to drift and even lose the target in long-term tracking, a new algorithm based on spatio-temporal context that integrates long-term tracking with detecting is proposed in this paper. We track the target by the fast tracking algorithm, and the cascaded search strategy is introduced to the detecting part to relocate the target if the fast tracking fails. To a large extent, the proposed algorithm effectively improves the accuracy and stability of long-term tracking. Extensive experimental results on benchmark datasets show that the proposed algorithm can accurately track and relocate the target though the target is partially or completely occluded or reappears after being out of the scene. © 2017, Shanghai Jiaotong University and Springer-Verlag GmbH Germany.

一种基于加权时空上下文的鲁棒视觉跟踪算法

由于光照及外观变化、复杂背景、目标旋转与遮挡等因素的影响,给实现鲁棒的视觉跟踪带来困难.有效利用上下文(Context)中包含的有用信息有助于提升上述条件下视觉跟踪的鲁棒性.时空上下文(Spatio-temporal context,STC)算法是新近提出的一种基于时空上下文的目标跟踪算法,它利用目标周围的稠密上下文信息,取得了良好的跟踪效果.STC的不足是其同等对待整个上下文区域,没有对上下文做进一步的区分,减弱了上下文的作用.本文采用动态分区处理思想,根据上下文中不同区域与跟踪目标运动相似度大小,赋予不同权值,提出了基于加权时空上下文(Weighted spatio-temporal context,WSTC)的鲁棒视觉跟踪算法.最后在公共数据集上进行的对比实验表明,本文所提出的算法具有更好的跟踪效果和鲁棒性.

基于WiFi的远程目标跟踪系统设计

提出了远程目标跟踪系统的概念并实现一种远程目标跟踪系统。系统主要分为移动机器人端和远程服务器端,主要功能是移动机器人通过USB摄像头采集到实时现场视频,将实时采集到的现场视频从YUV格式硬编码为H.264格式,再通过WiFi传出给远程服务器,服务器将接收到的视频流解码并对指定目标进行跟踪算法处理后控制移动机器人追踪目标。实验结果表明:该系统可以有效实现远程的目标跟踪,验证了该设计的可行性。

低秩重检测的多特征时空上下文的视觉跟踪

时空上下文跟踪算法充分地利用空间上下文中包含的结构信息能够有效地对目标进行跟踪,实时性优良.但该算法仅利用单一的灰度信息,使得目标的表观表达缺乏判别性,而且该方法在由于遮挡等问题造成的跟踪漂移后无法进行初始化.针对时空上下文算法存在的弱点,提出了一种基于低秩重检测的多特征时空上下文跟踪方法.首先,利用多特征对时空上下文进行多方面的提取,构建复合时空上下文信息,充分利用目标周围的特征信息,提高目标表观表达的有效性.其次,利用简单、有效的矩阵分解方式将跟踪到的历史跟踪信息进行低秩表达,将其引入有效的在线重检测器中来保持跟踪结构的一致稳定性,解决了跟踪方法在跟踪失败后的重定位问题,在一系列跟踪数据集上的实验结果表明,该算法与原始算法及当前的主流算法相比有更好的跟踪精度与鲁棒性,且满足实时性要求.

基于双目标模型的时空上下文跟踪算法

传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性,故目标被长时间遮挡后,目标模型容易被错误更新且难以修正。因此,本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性,并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征,在目标被长时间遮挡后也能准确评估更新内容的有效性,并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明,改进算法在测试数据集上的跟踪成功率为82%,中心偏差为8pixels;在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升,实现了目标的可靠跟踪。

自适应学习的时空上下文目标跟踪算法

传统时空上下文目标跟踪(STC)算法在目标发生尺度变化时,跟踪窗口长期不变导致学习的上下文空间模型不具有针对性。为此,提出一种能够进行自适应学习的时空上下文目标跟踪(STC-AL)算法。在前后输出窗口提取尺度不变特征并消除误匹配,对匹配点集进行综合分析后调整输出窗口,并对传统空间模型的学习与更新进行改进。实验结果表明,STC-AL算法能够适应目标尺度变化,与STC算法、CT算法和KCF算法相比,跟踪结果更准确。

时空上下文与CamShift相结合的目标跟踪算法

针对传统的时空上下文(STC)目标跟踪算法在完全遮挡或者遮挡面积过大时易导致跟踪失败的问题,提出了一种将STC与Cam Shift相结合的目标跟踪算法。通过设定一个阈值,来判断时空上下文算法何时进入目标遮挡。当进入遮挡时,利用Cam Shift算法得到的跟踪中心修正时空上下文模型计算出的跟踪中心,并用修正后的中心更新局部上下文区域。实验结果表明:提出的算法较原有的算法更加适合复杂的场景变化,具有更好的鲁棒性和稳定性。

联合协方差特征矩的时空上下文鲁棒视觉跟踪算法

时空上下文(Spatio-temporal context,STC)算法利用上下文中包含的有用信息提升目标跟踪的鲁棒性,取得了良好的跟踪效果。本文联合协方差特征矩的算法增强目标跟踪的鲁棒性,以STC算法跟踪结果置信值(RC)作为算法选择条件,根据RC判断是否用协方差特征矩的算法进行跟踪校正,自适应目标尺度大小,用Meanshift算法确定目标中心位置。最后在公共数据集上进行的对比实验表明,所提出的算法具有更好的跟踪效果和鲁棒性。

基于置信图特性的改进时空上下文目标跟踪

针对时空上下文目标跟踪算法在目标处于遮挡情况下容易产生漂移的问题,基于置信图特性,提出一种改进的时空上下文目标跟踪算法。利用3种子块的特征组合表达目标外观,将置信图中多个峰值点的对应区域作为候选区域,从而提取候选区域的目标特征并找到与目标模板最相似的区域。通过连续蒙特卡洛采样得到最优目标区域,并根据子块遮挡比例自适应调节时空上下文学习率以降低遮挡的影响。仿真实验结果表明,与时空上下文目标跟踪算法和压缩跟踪算法相比,在目标快速移动或发生遮挡时,改进算法仍能较准确地跟踪目标。

基于时空上下文模型的RGB-D序列目标跟踪方法

为了实现更为精确的视频目标跟踪,提出一种以时空上下文模型为基础的RGB-D序列目标跟踪算法.通过引入更新模板的深度信息,该模型精准地区分了输入序列的目标区域与背景区域,实现了深度权值和颜色权值的融合;基于目标序列的深度及目标动量计算,该模型有效地实现了尺度更新与遮挡处理.通过在RGB-D图像序列数据集上的详细实验评估,该时空上下文模型相对于其他先进的同类方法表现出更好的性能.因此,该方法实现了更为精确可靠的视频目标跟踪.

融合颜色直方图响应的时空上下文跟踪算法

时空上下文(STC)跟踪算法在特征表达、尺度自适应策略等方面存在缺陷,当出现目标突然形变、局部遮挡或尺度变化等情况时,跟踪器的性能会严重退化。通过对STC算法进行改进,提出了一种融合颜色直方图响应的时空上下文跟踪算法。基于颜色统计的模型对运动模糊和目标形变等影响因素不敏感,和时空上下文模型具有良好的互补性质,在响应层融合后能够提升算法的鲁棒性。此外,采用基于多尺度金字塔模型的尺度搜索策略替换STC算法中原有的尺度估计策略,进行更精准的自适应尺度估计。在大规模公开数据集上的测试结果表明,本文算法在不同影响因素的复杂环境下展现了更为良好的跟踪性能和适应性,并且平均跟踪速度达到134.2帧/秒。