基于关键特征点的改进TLD目标跟踪算法研究

TLD(Tracking-Learning-Detection)算法是一种新颖的单目标长时间视觉跟踪算法,在给定极少的先验知识的情况下,能够迅速地学习目标特征并进行有效的跟踪。TLD算法中跟踪器每次在跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点都能够被可靠地跟踪。针对这个问题,提出一种基于关键特征点检测的改进TLD算法,保证所选特征点都能够被正确可靠地跟踪,防止跟踪结果发生漂移,提高了跟踪器的跟踪精度。另一方面,在TLD检测器中引入了基于轨迹连续性的在线位置预测,在保证正确跟踪的前提下,缩小了检测器的检测范围,提高了运算速度。实验结果表明,该算法有较高的跟踪精度和速度。

TLD框架下的内河船舶跟踪

闭路电视(closed circuit television,CCTV)系统是内河海事监管的重要手段.基于跟踪-学习-检测(tracking-learning-detection,TLD)框架研究并改进内河航道CCTV系统的船舶识别和跟踪.在TLD框架下提出特征值约束条件,可对像素的短期跟踪结果进行校验,不仅有效解决了像素对归一化相关系数值求解的繁琐问题,还很好地保留了图像中角点像素的跟踪结果,使船舶的短期跟踪足够可靠.用级联的目标检测器精确定位船舶时,在满足内河应用实时性前提下,提出通过对目标候选区域的模板匹配来保证算法准确性.实验结果表明,改进的算法在应用于内河CCTV系统的船舶识别与跟踪中保持了较高的实时性和鲁棒性,并提高了跟踪精度.

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。

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.

基于TLD框架的车距检测

为了实现运动车辆间车距的实时测量,提出了一种基于单目视觉的运动车辆车距检测方法。先以（Tracking-Learning-Detection,TLD）算法为框架对前车进行实时跟踪,结合车距检测实时性的要求,对TLD框架里跟踪器部分进行优化,把跟踪器中采用的光流法用Mean-Shift算法来替换,从而减少计算量,提高跟踪速度。然后,对跟踪到的车辆采用基于车道线消失点的车距测量方法进行车距检测。最后,测试该算法性能并对行驶车辆进行车距测量实验。实验结果表明,改进后的算法与原TLD算法相比在跟踪速度上有所提升,该车距检测系统可以实时得到车辆间的距离并且测量的相对误差小于6%,具备较高的检测精度。

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。

一种基于TLD的手势跟踪方法

针对手势跟踪的有效性和鲁棒性问题,提出了一种结合手势检测与TLD(Tracking Learning Detecting)跟踪的手势跟踪方法。首先利用Haar特征与Adaboost算法对静态手势进行快速检测,然后对手势区域进行定位,最后使用TLD算法对定位的手势区域进行跟踪以获取动态手势轨迹。实验结果表明,该方法可以实现对变形手势快速、准确的跟踪,对部分遮挡有很好的适应性,具有较高的鲁棒性和实时性。

基于自适应尺度的TLD目标跟踪算法

为提升TLD目标跟踪算法的每帧处理速度,以达到在更高分辨率视频中跟踪目标的实时性要求,在TLD算法框架的基础上,提出了一种基于自适应尺度检测学习的目标跟踪算法(AS-TLD)。当跟踪目标成功时,选取当前帧跟踪到的目标尺度及几个相邻的尺度作为下帧检测目标时滑动窗口尺度的选取范围;而当跟踪失败时,则选取在TLD算法初始化阶段,根据跟踪目标及视频图像大小选定的尺度来保障长时间跟踪目标,从而有效减少了平均每帧扫描的窗口数量。实验结果表明,该方法不仅有效地降低了检测模块的检测时间,显著提高了整体算法速度,而且通过动态选取尺度,在一定程度使得TLD各个模块更加协调,跟踪精确度得到提升。

基于多新息Kalman滤波的TLD改进算法

针对跟踪检测学习(tracking learning detection,TLD)跟踪算法中目标被遮挡后跟踪失败以及跟踪精度不高的问题,本文提出基于多新息Klaman滤波的TLD改进算法,在原始TLD跟踪算法的基础上加入了多新息Klaman滤波算法。改进算法对跟踪目标建模,将TLD跟踪算法的结果作为系统当前状态的观测值,结合多新息Kalman滤波算法的预测值,最优化检测结果,作为当前帧中目标的跟踪位置。通过实验对原始TLD和改进后的TLD算法进行比较,通过在标准测试序列的实验验证,加入多新息Kalman滤波的TLD改进算法与原始TLD算法相比,其跟踪误差更小,而且实现了对跟踪目标被遮挡后的位置预测。

基于动态目标检测与跟踪算法(TLD)的刨花板表面缺陷检测技术

采用动态目标检测与跟踪算法(TLD),在线检测刨花板表面缺陷。结果显示:基于TLD算法的在线检测装置,可以准确捕捉刨花板表面的大刨花缺陷目标,并可对其持续跟踪,最终通过计算得到表面缺陷的特征参数。作为刨花板表面在线缺陷检测方法,具有较高的准确性、实时性及稳定性。

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框架的快速目标跟踪方法

现实中目标在被长期跟踪时容易发生形变、遮挡、光照干扰以及其他问题,现有跟踪算法虽能解决该系列问题但算法计算量巨大,导致跟踪系统实时性能较差,很难应用于实际场合。因此,准确快速跟踪目标成为近年来非常有挑战的热点课题。以国外学者Kalal等人提出的TLD(tracking-learning-detection)框架为基础,提出了三点改进方法:a)根据目标所占整幅图像的面积大小动态调整被处理图像的分辨率,从总体上减少样本数量;b)在目标邻近区域扫描生成样本,缩小检测器的检测范围;c)更换检测部分中分类器模板匹配方法,实现快速匹配,提高算法运行速度。针对于不同的场景,实验表明上述问题在改进后的算法中得到了较大的改善,算法的计算量有效降低,系统运行速度得到了提高;并且对于实时摄像头监控,改进后算法在保证目标跟踪准确率的同时拥有较好的实时性。

基于TLD和DTW的动态手势跟踪识别

针对动态手势跟踪稳定性的不足和识别效率的问题,提出一种基于TLD和DTW的动态手势跟踪识别框架.首先利用基于Haar特征的静态手势分类器获得手势区域,然后使用TLD跟踪算法对获得的手势区域进行跟踪以获取手势轨迹,最后提取轨迹特征,使用改进的DTW算法进行识别.实验表明,该框架能够长时间稳定地跟踪手势区域,并能够在保证识别率的基础上显著提高识别效率.

基于改进TLD算法的无人机自主精准降落

四旋翼无人机(Unmanned Aerial Vehicle,UAV)在航拍、测绘、环境监测、快递等航空领域的广泛应用,对四旋翼无人机的可用性和可靠性提出了更高的要求,而其实现自主精准降落的功能是必不可少的。对目标进行快速鲁棒性跟踪是实现降落的重要基础,TLD(Tracking Learning Detector)算法为这一问题提供了一种有效的解决办法,虽然许多学者对其进行了研究并对传统的TLD算法进行了改进,但算法的跟踪精度及速度仍然难以满足无人机的降落要求。提出了一种基于TLD框架的目标跟踪算法来实现无人机与特定降落目标之间的相对定位。该算法在TLD框架下,提出一种基于目标形状特征自主确定降落目标的算法,提高了降落流程的自主性;用核相关滤波器(Kernelized Correlation Filter,KCF)实现了TLD框架中的跟踪器,提高了算法的实时性、精准度及鲁棒性;同时在降落过程中采用一种基于方向梯度直方图特征(Histogram of Gradient,HOG)和支持向量机(Support Vector Machine,SVM)的目标识别方法,以实现目标检测自矫正,保证长时间准确跟踪目标。在七类模拟无人机进行降落的视频集下验证了该算法,与其他三种跟踪算法进行对比,并进行实际降落测试。测试结果表明,该算法的鲁棒性和精准度均优于其他算法,处理速度可达到31.47 f/s,故而在TLD框架下采用核相关滤波器作为跟踪器,对跟踪及检测结果进行有效融合并提高算法实时性的同时,增加的检测自矫正环节保证了长时间跟踪的准确度,从而有效地实现了无人机全自主精准降落。

基于TLD的三维单目标跟踪算法

目标跟踪是计算机视觉领域研究的热门话题,在实践中有着广泛的应用。主要针对三维单目标跟踪问题进行研究,考虑到三维目标检测已有较好表现,将通过视锥点云网络得到的三维目标检测结果与TLD目标跟踪算法相结合,并改进TLD算法的检测模块,构造了基于TLD的三维单目标跟踪算法,输入RGB-D图像序列,输出目标的三维跟踪结果。在KITTI数据集中测试结果表明该算法在三维目标跟踪上的可行性。

基于LBP的TLD目标跟踪改进算法

针对跟踪—学习—检测(TLD)对光照变化敏感、易受目标遮挡、快速运动导致目标模糊这些因素的影响,提出了基于局部二值模式(LBP)的TLD目标跟踪改进算法。首先,将LBP算法与最近邻分类器相结合,使得改进后的最近邻分类器可以获取与跟踪目标更接近的边界框,且当目标具有良好的纹理属性时,改进后的最近邻分类器具有更好的分类效果;其次,若TLD算法选取的跟踪目标在跟踪过程中受到遮挡,或者晃动,则使用Kalman滤波器预测目标所在区域,可以缩小跟踪器的检测范围,增强算法的效率。实验结果表明:改进后的跟踪算法与常规TLD相比,鲁棒性更好,精度更高,跟踪速度更快。

基于水平集的TLD目标跟踪改进算法

TLD算法是一种新颖的长期目标跟踪算法,针对算法中检测器采用特征没有充分考虑跟踪过程中目标的表观、区域轮廓的变化及基于窗口扫描影响效率等问题,在TLD算法的基础上,加入演化机理,基于水平集对其进行改进。结合边缘和区域信息的多尺度水平集方法,引入目标轮廓信息,在有效克服灰度不均匀图像的同时,提高了目标跟踪的适应性及精度;根据轮廓检测结果,引入目标运动方向检测算子,对目标运动方向及其在当前帧中的位置进行估计,减少扫描窗口的同时提高目标辨识能力。通过实验对原始TLD算法及改进的算法进行了比较。实验结果表明,改进后的方法跟踪速度有提升,对目标跟踪的适应性更强,跟踪精度更高。

融合CamShift的TLD算法实现人脸跟踪

针对跟踪-学习-检测(Tracking-Learning-Detection,TLD)算法跟踪模块所用金字塔光流法计算量大,跟踪人脸实时性差的问题,提出融合连续自适应均值漂移(Continuously Adaptive Mean Shift,CamShift)的TLD算法提高人脸跟踪效率.改进的TLD算法框架中跟踪模块选用CamShift算法实现目标人脸跟踪,检测模块采用滑动窗法扫描搜索,再使用分类器判断目标是否存在,学习模块根据跟踪模块和检测模块的结果对比评估错误和误差,更新目标模型.将改进的TLD算法分别与CamShift算法和TLD算法进行对比试验,结果表明,融合CamShift的TLD算法实现人脸跟踪效率和准确率均高于原始两种算法,且满足实时性要求.