尺度和旋转自适应的均值平移目标跟踪算法

针对不规则目标和背景区分度低的目标在跟踪过程中尺度和旋转自适应的问题,提出了基于前景概率密度函数和椭圆拟合的均值平移目标跟踪算法。首先依据初始化的目标窗口及其周围的背景区域建立前景概率密度函数,抑制跟踪窗口内的背景像素,建立可靠的目标模板;然后将前景概率密度函数引入均值平移的迭代过程,实现跟踪窗口的快速定位;最后计算跟踪窗口内各点的前景概率密度函数,反向投影为前景概率分布图,通过对该图的边缘提取和椭圆拟合,获得当前目标的位置、尺度和旋转信息,并将其用于对下一帧跟踪窗口的初始化。实验结果表明,该方法克服了背景干扰对跟踪窗初始定位和目标信息更新的影响,能够实现对目标尺度和旋转的自适应,具有跟踪稳定和实时性高的特点。

具有尺度和旋转适应性的长时间目标跟踪

目标发生尺度和旋转变化会给长时间目标跟踪带来很大的挑战,针对该问题,本文提出了具有尺度和旋转适应性的鲁棒目标跟踪算法.首先针对跟踪过程中目标存在的尺度变化和旋转运动,提出一种基于傅里叶-梅林变换和核相关滤波的目标尺度和旋转参数估计方法.该方法能够实现连续空间的目标尺度和旋转参数估计,采用核相关滤波提高了估计的鲁棒性和准确性.然后针对长时间目标跟踪过程中,有时不可避免地会出现跟踪失败的情况(例如由于长时间半遮挡或全遮挡等),提出一种基于直方图和方差加权的目标搜索方法.当目标丢失时,通过提出的搜索方法能够快速从图像中确定目标可能存在的区域,使得跟踪算法具有从失败中恢复的能力.本文还训练了两个核相关滤波器用于估计跟踪结果的置信度和目标平移,通过专门的核相关滤波器能够使得估计的跟踪结果置信度更加准确和鲁棒,置信度的估计结果可用于激活基于直方图和方差加权的目标搜索模块,并判断搜索窗口中是否包含目标.本文在目标跟踪标准数据集(Online object tracking benchmark, OTB)上对提出的算法和目前主流的目标跟踪算法进行对比实验,验证了本文提出算法的有效性和优越性.