判别相关滤波融合深度信息的目标跟踪算法

基于相关滤波的目标跟踪算法已经取得了较好的性能并引起关注.在RGB图像序列的跟踪中,遮挡、背景与前景相似纹理的情况下会出现跟踪失败.本文提出了一种在判别相关滤波框架中融合深度信息的跟踪算法.由深度图分割获得空间可靠性图,根据可靠性图计算约束滤波器,避免传统判别相关滤波的边界效应.在跟踪阶段,通过对通道响应进行可靠性加权求和获得目标位置.通过目标的深度信息估计尺度,根据目标区域的深度分布和相关滤波器的响应来检测遮挡.在遮挡期间不更新模型,减少漂移问题.最后,在Princeton RGBD跟踪数据集中进行实验,结果表明,加入深度图分割与基准算法相比效果有提升.文中方法在遮挡以及尺度变化情况下能够有效地跟踪目标.

利用最佳伙伴相似性的改进空间正则化判别相关滤波目标跟踪

针对空间正则化判别相关滤波跟踪算法(SRDCF)在目标发生遮挡、尺度变化和形变情况下的跟踪失败问题,提出利用最佳伙伴相似性的改进SRDCF目标跟踪算法。首先,以SRDCF算法为基础,利用双层搜索策略解决目标跟踪中的目标定位问题和尺度估计问题;然后,利用一种新颖的鲁棒模板匹配技术,通过融合空间权重、相关滤波得分和最佳伙伴相似性得分来估计候选目标位置,解决遮挡情况下的目标重定位问题;最后,采用自适应模板更新策略解决遮挡情况下模板漂移问题。本文采用OTB-2013数据集评估本文算法的性能,同时与34种流行算法进行比较,结果表明本文算法的精确度得分和成功率得分分别为0.853和0.648,相比传统的SRDCF算法分别提高1.79%和3.51%。本文算法能很好地解决目标遮挡、尺度变化和形变情况下的目标跟踪问题,具有一定研究价值。

通过交替方向乘子法改进空间正则化判别相关滤波器目标跟踪

为了提高空间正则化判别相关滤波器(SRDCF)跟踪算法速度并且同时保持算法优良的跟踪性能,提出了一种SRDCF 的改进算法。首先,针对高斯 - 赛德尔迭代算法复杂度高,破坏了自相关矩阵对角结构以及需预分配内存等缺点,提出用交替方向乘子法(ADMM)代替高斯 - 赛德尔迭代算法对优化函数进行求解。通过引入辅助量,增加约束条件,将总的优化问题分解成 3 个易于处理的子问题,然后分别对每个子问题进行迭代求解。其次,使用更加简明的二值化形式的惩罚函数代替二次函数形式的惩罚函数,并比较二者对于跟踪效果的影响。最后,在 OTB2013 数据集上对提出的算法进行评估,并和其他相关滤波跟踪算法进行比较。实验结果表明:相对于传统的 SRDCF, 提出的算法跟踪速度由 4fps 提升至 13fps 左右,同时,该算法的平均重叠率由 78.1% 提升至 79.6%。并且在大多数属性的视频序列上排名前二。这表明提出的算法在明显提升 SRDCF 跟踪速度的基础上,跟踪的准确性也有一定的提高。

判别式相关滤波器的目标跟踪综述

目标跟踪是计算机视觉领域的重要研究方向,单目标跟踪主要分为深度学习、判别式相关滤波器和传统方法.得益于频域计算的高效性,本文选择以判别式相关滤波器为切入点.首先介绍了判别式相关滤波器进行目标跟踪的原理,然后围绕着基础框架进行横向展开,解决边界效应成为判别式相关滤波器发展的分水岭.伴随着卷积神经网络的发展,描述了基于预训练模型的特征提取和深度学习与相关滤波器框架相结合的两个方向,最后总结了关于判别式相关滤波器的发展脉络图.对比于特征插值与置信图融合的方向,在模型中构建合理的约束项进行模型创新成为一个重要方向.实验部分呈现了跟踪器在OTB-2015与VOT-2018数据集下的对比结果与排名,并进行简短的分析.

基于深度学习的视频序列运动目标自适应跟踪

针对视频序列中外观变化、背景杂波和严重遮挡等因素导致的目标跟踪精确度低的问题,提出一种新型的双阶段自适应跟踪模型。该模型包含目标检测和边界框估计2个阶段:在目标检测阶段,模型对目标进行粗略定位;在边界框估计阶段,精确确定目标位置。为应对视频场景复杂性及小目标跟踪的挑战,采用了多特征融合技术构建丰富的目标表示。实验结果表明,与在线和实时跟踪(SORT)、Tracktor++、FairMOT、Transformer等模型相比,本模型表现出最优的综合性能,有效平衡了计算速度与跟踪精确度之间的关系,展现出良好的应用潜力。

基于孪生网络的深度学习目标跟踪算法

随着深度学习在目标跟踪领域的广泛应用,对目标跟踪算法的要求也越来越高,深度网络越来越复杂,导致过拟合等一系列严重的风险。为实现在标注数据不足且事先未知跟踪目标情况下的跟踪,利用深度卷积网络的表达能力,引入迁移学习的算法思想,提出基于判别式相关滤波器的孪生网络深度学习算法(DCFSNN)。实验结果表明,轻量级的网络可以在高帧率的情况下实现精准跟踪,DCFSNN算法做到了速度与精度的平衡。

基于距离加权重叠度估计与椭圆拟合优化的精确目标跟踪算法

为解决判别式相关滤波(DCF)跟踪算法在跟踪目标旋转或非刚性形变时的模型漂移、尺度粗糙、跟踪失败问题,提出一种基于距离加权重叠度估计与椭圆拟合优化的精确目标跟踪算法(DWOP-EFO)。首先,同时采用矩形框之间的重叠度和中心距离作为动态锚框质量评价的依据,能够缩小预测结果与目标区域之间的空间距离,缓解模型漂移问题;其次,为了进一步提高跟踪精度,采用轻量化的目标分割网络将目标从背景中分割出来,再利用椭圆拟合算法对分割轮廓进行优化并输出稳定的旋转矩形框,实现对目标尺度的精确估计;最后,通过尺度置信度优化策略对置信度高的尺度结果实现门控输出。所提算法能缓解模型漂移问题,同时有利于增强跟踪器的鲁棒性和提升跟踪精度。在两个最为流行的评测数据集VOT2018和OTB100上进行了实验,结果表明:在VOT2018数据集上,所提算法的期望平均重叠率(EAO)指标比基于重叠度最大化准确跟踪算法(ATOM)提高2.2个百分点,相较于基于可学习的判别模型跟踪器(DiMP)提高1.9个百分点;同时,所提算法在OTB100评测数据集上的成功率指标比ATOM高出1.3个百分点,特别是在非刚性形变属性上效果显著。所提算法在评测数据集上的平均运行速率均超过25 frame/s实现了实时跟踪。

自适应模型的视觉跟踪算法

基于判别相关的滤波算法在计算机视觉跟踪领域的优势引起了极大的关注,高精度和鲁棒性是视觉目标跟踪的主要指标。目标对象通常会遇到复杂的情况,如快速运动和遮挡。将生成错误的跟踪信息,并将其传递到下一帧进行更新,信息将严重恶化整体跟踪模型。针对上述问题,论文提出了一种基于判别相关滤波器框架的精确模型自适应更新方法。利用判别相关滤波器生成的响应图的峰值作为动态阈值,与其PSR(峰值旁瓣比)得分进行比较,实现跟踪方法,然后将比较结果作为更新平移滤波器和尺度滤波器模型的判别条件。多个传统特征,如HOG、CN和HOI等特征自适应地融合在一起,以实现全面的特征表示,从而进一步改进跟踪性能。论文在OTB基准数据集上的跟踪器的性能。实验结果表明,该跟踪器在最先进的判别相关滤波器跟踪器上表现良好,以及更新验证了模型的自适应。

基于视觉的移动机器人目标跟踪方法

为实现对行人目标进行快速稳定地跟踪并简化机器人系统,提出一种快速判别尺度空间相关滤波目标跟踪算法(fDSST)与卡尔曼滤波结合的跟踪方法,解决了跟踪过程中因遮挡造成的目标坐标信息丢失问题。根据相关滤波响应图的震荡剧烈程度设置遮挡判断标准,利用遮挡判断标准实现fDSST跟踪算法与卡尔曼滤波算法的切换,持续输出目标的位置坐标信息,提升了算法的鲁棒性。移动机器人根据视觉跟踪算法提供的图像坐标,利用基于图像的伺服控制策略完成对目标的跟随任务,简化了移动机器人系统结构。最后将该方法在OTB2013测试集上和移动机器人中进行实验,实验结果表明,该方法对于目标遮挡及尺度变化具有较强的鲁棒性和准确性,同时满足实时性要求。

类孪生网络目标跟踪算法综述

目前,在视觉目标跟踪任务中的主流方法是基于模版匹配的跟踪器,这些方法在目标的分类和边界框的回归上具有很强的鲁棒性,主要可以分为判别相关滤波跟踪器和孪生网络跟踪器,这两种方法都有一个类孪生网络的框架。以孪生网络跟踪器为例,该方法通过模版和搜索区域之间的相关操作确定目标的位置,取得了顶尖的性能表现。近年来,Transformer在计算机视觉领域的发展十分迅速,结合了Transformer的类孪生网络跟踪器在速度和精度方面都远超传统的跟踪方法。文章简要概括了判别相关滤波跟踪器、孪生网络跟踪器的发展,以及Transformer在目标跟踪任务中的应用。

基于深度学习的RGB-T目标跟踪技术综述

RGB-热红外(RGB-Thermal,RGB-T)模态目标跟踪旨在利用RGB和热红外数据的互补性实现目标的稳健跟踪.目前基于深度学习的RGB-T目标跟踪前沿成果较多,但缺少系统且全面的综述性文献.因此,文中首先阐述RGB-T目标跟踪面临的挑战,分析总结目前主流的基于深度学习的RGB-T目标跟踪算法.具体来说,根据采用的基线(Baseline)方法不同,将已有方法划分为基于多域网络(Multi-domain Network,MDNet)的目标跟踪算法,基于孪生网络(Siamese Network)的目标跟踪算法和基于判别式相关滤波(Discriminative Correlation Filter,DCF)的目标跟踪算法.然后,介绍RGB-T目标跟踪任务中常用的数据集和评价指标,并在常用数据集上对比已有算法.最后,指出RGB-T目标跟踪领域未来可能的发展方向.