一种基于TLD改进的视觉跟踪算法

视觉跟踪是当前计算机视觉的热点问题之一。TLD(Tracking Learning Detecting)算法是一种可以在线学习的新颖视觉跟踪算法。针对算法中跟踪器采用的LK光流法无法捕捉大幅度运动目标的问题,引入图像金字塔模型,提出一种采用金字塔光流法的TLD的改进算法,解决了长时间跟踪中出现运动尺度过大时产生孔径的问题。实验结果表明,算法在复杂场景和大运动条件下,可以长时间准确、快速地实现视觉跟踪,具有较强的适应性和有效性。

基于TLD的增强现实跟踪注册方法

提出了一种新的增强现实跟踪注册方法。采用跟踪-学习-检测TLD算法,将目标跟踪任务分成跟踪器、学习器和检测器,通过跟踪器和检测器并行对视频流中的图像帧进行跟踪、检测操作,并使用P-N学习算法进行学习和更新,综合这三部分从而确定稳定的目标位置;在所跟踪到目标位置的基础上,使用基于局部SURF算法对目标的特征点进行检测与匹配操作;根据所获得的特征点计算出三维注册参数,完成增强现实系统的跟踪注册。实验结果表明,所提出的方法有效地解决了传统跟踪算法目标跟踪不稳定、易丢失目标和目标检测算法耗时严重、准确度不高等问题,使增强现实系统更稳定、更具鲁棒性。

基于改进TLD的自动目标跟踪方法

视觉跟踪一直是机器视觉研究热点,TLD(tracking-learning-detection)算法是近年来出现的一种高效的视觉跟踪算法,针对TLD算法中Lucas-Kanade(LK)光流法无法有效跟踪物体快速移动和尺度变化的问题,采用金字塔光流法对TLD算法进行改进。并将所跟踪物体形心作为图像定位参考点,提取物体定位信息,通过定位信息运用比例-积分-微分(proportion-integral-derivative,PID)控制算法控制摄像头舵机云台转向,使摄像头快速、灵活、精确地自动跟踪指定物体。通过系统测试,与传统TLD算法对比,采用金字塔光流法改进的TLD目标跟踪算法在跟踪目标发生光照变化、尺度变化等情况时,具有更加优良的跟踪性能,准确将跟踪目标形心位置提供给控制部分,控制算法高效灵活,在获取信息后精确、快速地控制摄像头方位,使其正对跟踪目标。该系统对目标跟踪技术、安防技术、自动瞄准系统具有重大意义。

检测区域动态调整的TLD目标跟踪算法

针对经典跟踪-学习-检测（TLD）目标跟踪算法由于检测区域过大而导致的检测时间过长及对相似目标跟踪处理效果不理想的问题,提出一种检测区域可动态自适应调整的方法——TLD-DO。该方法利用两次Kalman滤波加速度矫正预测的检测区域优化算法DKF,通过缩小TLD检测器检测范围,以达到在跟踪精度略有提升的情况下提高跟踪速度的目的;同时此方法可排除画面内相似目标的干扰,提高在含有相似目标的复杂背景下目标跟踪的准确性。实验结果表明：TLD-DO算法在处理不同视频与跟踪目标时,检测速度有1.31-3.19倍提升;对含有相似目标干扰情况下,跟踪效果明显优于原TLD算法;对目标抖动及失真情况有较高的鲁棒性。

一种改进的TLD算法

针对跟踪算法目标遮挡后易出现跟踪漂移的问题,提出了一种跟踪学习检测(TLD)算法与Kalman滤波相结合的手势跟踪方法。在跟踪器跟踪成功后,加入识别窗的方法进行遮挡判定。产生遮挡后目标模型不再更新,学习器不再更新集合分类器。若是部分遮挡,则由TLD学习器处理;若是严重遮挡,则改由Kalman滤波算法预测目标的运动轨迹。该方法在保留TLD算法长期稳定跟踪、适应摄像机快速运动与复杂背景等优点的基础上,改善了目标遮挡后易出现跟踪漂移的问题。实验表明:提出的改进TLD算法比其他常见跟踪方法具有更加优异的性能。

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.

一种改进的TLD目标跟踪算法

针对TLD目标跟踪算法在实际应用环境中其适应性和实时性较差的问题,提出一种基于ORB算法对TLD特征点跟踪模块改进算法。引入ORB特征点检测算法,使目标窗口中的特征点离散化,并在此基础上结合图像金字塔L-K光流法,减少光照对运动目标的影响,以此提高检测精度;在TLD的检测器中引入Kalman滤波器,对丢失或被遮挡的目标位置预测搜索,提高检测精度及速度。实验结果表明,改进算法在正确检测帧数小幅提高的情况下,检测帧率达到了每秒13帧左右,是原始算法跟踪速度的1.5倍左右,该方法可减少匹配特征点的数量,缩小检测区域,提高处理速度。

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD)目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入Vi Be模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。

基于TLD模型的UAV三维实时平滑航迹规划

针对无人机三维实时航迹规划问题,提出了一种基于三层决策模型的平滑航迹规划方法,以提高其规划效率和可操作性。首先根据无人机三维飞行的特点,并结合自身性能、威胁和障碍以及地形等约束,设计三层决策目标函数和决策变量;其次为了避免不必要的迂回和路径,提高航迹的平滑性,提出了元胞化地图的变长探测方法和启发式优化策略;最后,利用所提出的认知行为优化算法对这一问题进行求解,以提高规划路径的搜索效率。不同场景地形的仿真及与现有经典方法的比较结果表明:该方法能有效实时规避威胁和地形障碍,且具有较高的可执行性,能够快速生成安全、平滑的飞行路径。

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD(Tracking-Learning-Detection)算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题,提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本,其背景作负样本,获取手势HOG特征并投入到卷积神经网络中加以训练,得到手势检测分类器,从而确定目标手势区域,实现手势的自动识别;再利用TLD算法对手势进行跟踪与学习,对正负样本进行估计检测并实时校正,同时运用SURF特征匹配更新跟踪器。实验结果验证,该算法对比TLD经典算法跟踪精度提高了4.24%,增强了运动手势的跟踪效果,相比经典跟踪算法拥有更高鲁棒性。

融合KCF和HOG的改进TLD目标跟踪算法

针对跟踪学习检测(TLD)算法跟踪速度慢,对光照变化鲁棒性差的问题,提出了一种融合核相关滤波(KCF)和方向梯度直方图(HOG)的改进TLD目标跟踪算法。该算法将TLD跟踪模块的中值流跟踪替换为KCF目标跟踪,通过循环矩阵将计算从时域转换到频域,大大降低了计算量,提高了算法的跟踪速度;再通过提取目标的HOG特征,代替TLD检测模块中随机森林检测器的灰度特征,通过对图像的归一化,降低光照强度对检测的影响,增加了检测器检测成功率,提高了算法的鲁棒性。实验表明,改进TLD算法的一次性通过评估(OPE)精确度达78.7%,成功率达74%;在光照变化下的OPE精确度和成功率也高出TLD算法15%以上;测试视频的跟踪速度达TLD算法的2倍,具有较好的实时目标跟踪能力。

基于改进TLD的运动目标跟踪算法研究

针对TLD目标跟踪算法在实际跟踪过程中会受到遮挡、旋转、运动模糊等问题的影响,提出了一种改进的TLD算法,在跟踪模块中引入改进FAST角点算法,并在检测模块中建立随机切块的数据增强方法下的正样本库,引入旋转不变LBP算法,设计了一个旋转不变性的分类器。跟踪模块的改进不仅保证了算法的准确度,还提升了算法的实时性。检测模块的改进使得TLD算法即使在运动目标部分被遮挡或发生形态改变的情况下依旧有很好的跟踪效果。对数据集OTB-2013进行实验验证发现,本文算法与其他5种算法相比,不仅跟踪精确度高、运行速度快,还能有效提高运动目标被遮挡时的跟踪效果。

非连续学习自适应TLD算法

TLD算法是一种在线学习的目标追踪算法.在跟踪模块过程中,本文通过引入对跟踪目标一段时间内变化程度的评估,并利用该评估结果作为是否运行学习模块的标准,以此实现非连续学习自适应TLD算法.通过实验对比可知,此方法大大提高了TLD算法的效率.

基于TLD的舰船目标跟踪方法研究

复杂背景下进行舰船目标的跟踪时,在某些帧可能会有目标丢失。为了克服这个问题,采用联合检测-学习-跟踪的TLD算法。其过程是通过训练一种在线可更新的随机蕨分类器对目标跟踪结果进行检测,并使用一种基于时空约束的PN学习策略对分类器进行学习和更新,最后融合跟踪得到的结果对目标进行判别和确定。试验结果表明,该跟踪算法可适用于目标外形改变和遮挡的情况,鲁棒性强,识别率高,误检率低,同时实时性也较好,可以满足一般的在线跟踪系统的要求。

基于改进TLD算法的激光视觉传感型焊缝跟踪

为了解决基于线激光视觉传感的焊缝中心位置定位精度不高的问题,采用了一种基于改进跟踪-学习-检测(TLD)算法的焊缝跟踪方法。由激光视觉传感器实时获取焊缝图像,采用将跟踪器与检测器结合的TLD算法实时跟踪焊缝特征点,同时通过在线学习机制更新分类器参量。在此基础上对激光条纹图像截取感兴趣区域,大幅减少检测器的搜索区域;根据激光条纹光强分布特性,结合纠偏方向选取跟踪器有效特征点,以此提高算法效率,对不锈钢板V型焊缝和搭接焊缝进行跟踪试验。结果表明,跟踪与检测可实现共同定位焊缝中心位置,其融合的焊缝跟踪方法能够准确地提取焊缝特征点,两种焊缝跟踪平均绝对误差分别为0.062mm和0.052mm。此方法为提高焊缝跟踪精度提供了依据。

基于粒子滤波的TLD目标跟踪算法

在复杂背景下运动目标速度快速变化、目标丢失、或大面积遮挡时,TLD算法跟踪的稳定性明显下降,跟踪效果差。针对这一问题,在TLD算法的跟踪模块中引入粒子滤波,使其在长期稳定跟踪的基础上,更好地完成复杂背景下快速运动目标的跟踪。实验以Open CV和VS2010为测试环境,结果表明,改进后的TLD算法较原始TLD算法能够更好地跟踪快速运动的目标,增强了跟踪的稳定性和鲁棒性。

改进TLD与ORB的AR系统长时跟踪注册方法

针对增强现实系统长时跟踪注册需求以及三维跟踪注册时待注册区域尺度变化、光照变化、内外旋转等复杂环境易导致注册失败问题,提出改进TLD跟踪及ORB特征检测的增强现实长时三维注册方法。通过采用TLD长时鲁棒跟踪算法对待注册区域跟踪,并利用待注册位置自适应动态检测策略对TLD算法跟踪-学习-检测的结构机制的实时性和精确度进行优化;利用ORB算法对待注册位置进行特征检测及三维注册矩阵计算;将虚拟信息叠加至待注册位置。选取长时视频序列进行跟踪、检测及注册仿真实验。实验结果表明,改进TLD长时跟踪算法相比TLD算法在OPE精确度方面提升约5%,对待注册位置的跟踪速率提升约2倍,使得AR系统在复杂环境下的长时跟踪注册具有更好的稳定性和鲁棒性。

基于TLD算法的加油锥套跟踪

针对自主空中加油对接阶段锥套跟踪问题,提出了一种基于tracking-learning-detection(TLD)的锥套跟踪算法。该算法将加油锥套的跟踪任务分解成跟踪、学习、检测3个部分。跟踪模块在LK光流法的基础上添加跟踪失败自检测,筛选出好的跟踪点,跟踪加油锥套;检测模块构建级联分类器,对滑动窗遍历得到的图像块进行分类并返回含有目标的图像块,融合跟踪模块的跟踪框,给出最终跟踪结果;学习模块引入P-N约束修正错误样本并学习更新检测模块。利用Creator/Vega Prime软件对空中加油进行视景仿真,在视景仿真视频上测试锥套跟踪算法。结果表明:TLD算法跟踪加油锥套成功率达95.5%,处理每帧平均耗时31.4ms,能够满足加油锥套跟踪鲁棒性、准确率、实时性的要求。

采用图像感知哈希的TLD改进算法

为了提高长时间视觉目标跟踪的鲁棒性,提出了一种基于图像感知哈希的TLD改进算法。在改进算法中,跟踪模块使用尺度自适应的KCF跟踪器,检测模块对每个检测窗口提取感知哈希特征,并引入量子遗传算法作为搜索策略加快检测速度。对文中算法在OTB2013的50组视频序列上进行了测试,实验结果表明:其跟踪精度与成功率分别达到了0.784和0.568,较TLD算法分别提高了18.7%和14.2%。并且在处理光照变化、遮挡及目标分辨率低等问题时,文中算法在多数情况下取得了优于参考算法的跟踪性能,表现出良好的跟踪鲁棒性。

引入样本删除机制的TLD粒子群目标跟踪

为提高TLD算法在广泛场景下跟踪鲁棒性和实时性的问题,本文从跟踪模块和学习模块两个方面对TLD算法进行了改进,提出引入样本删除机制的TLD粒子群目标跟踪算法。首先,用基于颜色特征的粒子群目标跟踪算法替代TLD算法中原来的跟踪模块,增强TLD算法在应对目标出现非刚性形变、尺度变化、旋转、遮挡等情况下的跟踪鲁棒性。接着,针对TLD算法的学习模块引入样本删除机制,在跟踪过程中为样本库中正负样本数量分别设定一个阈值,当正负样本数都达到各自阈值时,便会启动样本删除机制。然后,对待分类进入样本库的图像块进行等级评价,删除对正负样本表征能力都较弱图像块。最后,将样本库中的正负样本与当前目标进行相似度匹配,删除对当前目标表征能力低的样本。通过对OTB2013和OTB2015数据集中相关视频序列的实验结果证明,本文算法的OPE精确度达到0.687,算法的OPE成功率为0.488,算法运算效率平均提高了25.71%。基本满足广泛场景下目标跟踪的鲁棒性,并显著了提高算法运算效率。