分块核化相关滤波目标跟踪

针对核化相关滤波跟踪算法在目标尺度变化和遮挡情况下跟踪性能降低的问题,提出一种分块核化相关滤波跟踪算法.首先根据目标外观特性对目标进行子块划分;为了避免目标被遮挡时模型更新引入错误信息,只使用有效子块指导目标模型更新过程,单独跟踪每个目标子块;随着目标尺度的变化,在跟踪过程中各子块跟踪结果会相应地重叠和分离,最后根据有效子块的跟踪结果确定整体的位置信息.在30个标准视频上的实验结果表明,相比原始核化相关滤波算法,文中算法在尺度变化和遮挡情况下有更好的跟踪效果;此外,该算法的平均处理速度可达100帧/s.

采用核相关滤波器的自适应尺度目标跟踪

由于现存的大多数基于检测的跟踪器都没有解决尺度变化问题,本文在传统的基于检测的目标跟踪框架下设计了一种尺度估计策略,并给出了基于核相关滤波器的自适应尺度目标跟踪算法。该算法利用核函数对正则化最小二乘分类器求解获得核相关滤波器,通过对核相关滤波器的在线学习完成目标位置和尺度的检测,并在线更新核相关滤波器。为了验证本文算法的有效性,选取了10组场景复杂的视频序列进行测试,并与其它5种优秀跟踪方法进行了对比。结果表明,本文提出的方法比上述5种优秀跟踪方法中的最优者的平均距离精度提高了6.9%,且在目标发生尺度变化、光照变化、部分遮挡、姿态变化、旋转、快速运动等复杂场景下有较强的鲁棒性。

采用核相关滤波器的长期目标跟踪

针对核相关滤波器(KCF)跟踪算法在目标跟踪中存在尺度变化、严重遮挡、相似目标干扰和出视野情况下跟踪失败等问题,提出了一种基于KCF的长期目标跟踪算法。该算法在分类器学习中加入空间正则化,利用基于样本区域空间位置信息的空间权重函数调节分类器系数,使分类器学习到更多负样本和未破坏的正样本,从而增强学习模型的判别力。然后,在检测区域利用Newton方法完成迭代处理,求取分类器最大响应位置及其目标尺度信息。最后,对最大响应位置的目标进行置信度比较,训练在线支持向量机(SVM)分类器,以便在跟踪失败的情况下,重新检测到目标而实现长期跟踪。采用OTB-2013评估基准50组视频序列验证了本文算法的有效性,并与30种其他跟踪方法进行了对比。结果表明:本文提出的算法跟踪精度为0.813,成功率为0.629,排名第一,相比传统KCF算法分别提高了9.86%和22.3%。在目标发生显著尺度变化、严重遮挡、相似目标干扰和出视野等复杂情况下,本文方法均具有较强的鲁棒性。

融合多层深度特征的核相关滤波跟踪算法

针对核相关滤波算法(KCF)难以处理目标尺度变化、旋转、遮挡等问题,本文在KCF的框架下提出了一种融合多层深度特征的抗遮挡目标跟踪算法。首先,在频域中,利用岭回归分类器训练VGG-2048上的conv3和conv6两层深度特征,分别得出置信度,将两者特征加权相连,替代原KCF的方形梯度直方图(HOG)特征,同时引入第1帧目标的残留信息,获得更为出色的位置响应输出。然后,针对遮挡问题,提出一种响应峰值判断抗遮挡机制。最后,通过双线性插值建立深度特征尺度池,解决目标尺度问题。在测试集(OTB-100)上的实验结果表明,改进后的算法能解决复杂环境下的目标跟踪问题,算法具有鲁棒性。

基于改进空间正则化相关滤波器的运动目标跟踪研究

为降低光照、遮挡、尺寸变化等因素对目标跟踪过程的影响,提出在经典空间正则化核相关滤波基础上,增加遮挡检测及处理机制,并分别采用相似度计算与空间距离计算作为遮挡评判标准。在模型更新之前先判断遮挡是否存在,如有遮挡,则不更新模型;否则更新模型。提出搜索半径择优处理,分别以6种搜索半径进行目标跟踪,寻找最优搜索半径;进而提出特征择优处理,分别提取HOG特征、PHOG特征、Haar-like特征、LBP特征以及FHOG特征与改进算法结合,选取最佳特征。采用两组实验进行验证:分别采用经典KCF算法、Mean Shift算法、Fragment算法、DSST算法、经典SRDCF算法和改进SRDCF算法对Bolt2和Basketball两个视频中运动目标进行跟踪对比。实验结果表明:FHOG特征与改进空间正则化核相关滤波相结合,且在搜索半径为8个像素点时的跟踪性能最佳,优于其他经典跟踪算法,处理速度可达3. 7 fps。

基于核相关滤波器的无人机目标跟踪算法

多旋翼无人机已经广泛应用于各个领域,视觉目标跟踪算法对于无人机的应用具有十分重要的意义。无人机平台下的视觉目标跟踪对跟踪算法提出了很高的要求,要求在满足实时性的前提下能够在复杂场景下准确地检测跟踪目标。针对传统的核化相关滤波器跟踪算法缺乏尺度估计以及抗遮挡能力不强的问题,提出了一种改进的核化相关滤波器的目标跟踪算法。利用位置估计滤波器得到目标位置,然后采用基于颜色空间直方图的相似性度量算法得到尺度估计结果,构建小型样本库并采取自适应阈值的样本更新策略进行样本更新。提出的算法在公共数据集和无人机实拍数据集下的实验结果显示,该算法能够快速准确地跟踪目标,并且在显著遮挡和尺度变化等复杂情况下也具有较好的跟踪效果。

基于改进KCF算法的织物折皱回复检测研究

织物折皱回复性能是评价织物形态稳定性的关键指标。传统折皱回复角测试方法存在检测过程依赖人工操作、难以量化折皱动态演变等问题。为实现对折皱回复全过程的自动化监测,文章提出一种基于改进核相关滤波算法的动态折皱回复检测方法。该方法使用高速摄像机捕捉织物折皱形变回复过程,应用改进的核相关滤波算法检测追踪折皱顶点的运动角度变化。通过引入多特征融合提高检测鲁棒性,利用Canny边缘检测自适应调整目标区域,减小边界效应。在此基础上提取感兴趣区域骨架,计算折皱顶角度随时间变化信息。结果表明,不同织物折皱角度变化规律与织物组织结构高度相关。最后与标准测试结果建立线性模型,验证所提方法的有效性。文章实现了对织物折皱回复全过程的自动化检测与定量评估,提供了一种更为高效准确的折皱回复性能检测新思路,具有广阔应用前景。

核相关滤波融合稀疏表示的目标跟踪算法

为解决稀疏表示跟踪速度慢和核相关滤波算法难以处理遮挡、尺度变化的问题,提出一种核相关滤波结合稀疏表示的视频跟踪算法。用核相关滤波快速定位目标的最大可能位置,密集采样后采用基于局部图像块的稀疏表示和对齐池化构建外观模型,更好表征目标的局部特征以应对遮挡问题。为处理跟踪漂移,采取基于滤波和稀疏编码的探测策略实现模型更新。OTB100上的实验结果表明,该算法在处理遮挡、旋转和快速运动上与其它算法相比达到最好的跟踪效果。

基于多个相关滤波器的行人跟踪尺度算法

外观、尺度变化是行人跟踪的难点,解决行人多尺度跟踪问题是增强算法实用性的关键因素.在KCF(kernel correlation filter)算法的基础上,本文采用多个相关滤波器(如头部、臀部)辅助身体躯干滤波器的匹配跟踪.通过获得图像帧(除第一帧外)与初始帧的行人头部和臀部之间的距离变化率来缩放搜索面积,解决目标定位不准确和时间浪费的问题;通过调整目标框的尺寸,解决目标模板逐渐包括背景特征或者逐渐被局部特征取代的问题.在VOT2016的18个有明显尺度变化的行人场景视频序列上进行了测试,实验结果表明所提算法具有更高的跟踪准确率.

基于重检测和目标遮挡判定的相关滤波跟踪实现

核相关滤波(KCF)已广泛应用于目标跟踪,但如何调整KCF的正则项来提高跟踪精度一直是一个公开问题。本算法针对目标遮挡、尺度变化等复杂场景,提出了一种基于重检测和目标遮挡判定的相关滤波跟踪算法。首先在KCF的框架下融入了遮挡判定模块,实施遮挡判决;若无遮挡则正常跟踪,否则启动重检测模块。其次,通过在可信度大的几个位置设置锚点,设计了一种重检测模块,提高了目标的跟踪准确率,也避免了做全局搜索带来的计算资源浪费。最后,通过采用尺度估计模块来预测目标框的真实大小,减小了因目标形变带来的模型损耗。通过仿真测试和应用实例表明,当跟踪目标发生遮挡和尺度变化时,所提算法的精确度和鲁棒性均有一定的提升。

基于高置信度更新KCF的移动机器人行人跟随

针对移动机器人对行人目标的实时跟随过程中容易出现目标尺度变化、遮挡、形变等问题,提出了一种基于模型和尺度高置信度更新策略的核相关滤波算法(OURS算法)。采用一维快速判别尺度空间的方法解决了核相关滤波算法不能应对尺度变化的问题;提出了一种新的置信度判断方法,对OURS算法模型的检测结果进行判断,当目标发生完全遮挡时,切换为卡尔曼滤波算法预测目标的位置;对尺度检测的结果进行置信度判断,避免跟踪框发生错误的尺度更新。通过视频序列仿真实验和真实环境实验对OURS算法的目标跟踪效果进行验证,并与核相关滤波算法(KCF)和快速判别尺度空间相关滤波(fDSST)算法进行对比。结果表明:改进后OURS算法的整体精度和成功率分别为0.758和0.711,与KCF、fDSST算法相比有明显提升;在人物目标发生尺度变化、遮挡、形变等情况后,跟踪框依然可以准确框住目标;采用图像伺服控制策略的移动机器人行人跟随系统可根据行人的位置调整线速度和角速度,保持稳定的跟随。

基于自适应组合核的鲁棒视频目标跟踪算法

为了解决核化相关滤波器(KCF)在复杂场景下鲁棒性差的问题,提出了基于自适应组合核(SACK)的目标跟踪算法。跟踪任务分为位置跟踪和尺度跟踪两个独立部分。首先,以线性核和高斯核的自适应组合作为核跟踪滤波器,构造了SACK权重的风险目标函数。该函数根据核的响应值自适应调整线性核和高斯核权重,不仅考虑了不同核响应输出的经验风险泛函最小,而且考虑了极大响应值的风险泛函,同时具有局部核和全局核的优点。然后,根据该滤波器的输出响应得到目标精确位置,设计了基于目标极大响应值的自适应更新率,针对位置跟踪滤波器进行自适应更新。最后,利用尺度跟踪器对目标尺度进行估计。实验结果表明,所提算法的成功率和距离精度在OTB-50数据库表现最优,比KCF算法分别高6. 8个百分点和4. 1个百分点,比双向尺度估计跟踪(BSET)算法分别高2个百分点和3. 2个百分点。该算法对形变和遮挡等复杂场景具有很强的适应能力。

基于异常值检测的KCF目标丢失预警方法研究

当目标受尺度变化、严重遮挡、相似目标干扰、光照变化和出视野等因素影响时,核相关滤波器(KCF)跟踪算法会出现目标丢失现象。目标一旦丢失,KCF跟踪算法本身是不能察觉的,并且跟踪器会将背景信息作为目标继续进行跟踪,导致目标彻底丢失。针对这一问题,在KCF跟踪算法的基础上,提出了一种基于异常值检测方法的目标丢失预警机制。该方法利用一组固定维数动态峰值数据的均值和标准差对每帧的响应峰值进行检测,如若发现异常峰值,则判定目标丢失或即将丢失,解决了KCF跟踪器在跟踪过程中目标丢失不能察觉的问题。实验结果表明,所提出的方法在KCF算法跟踪过程中目标丢失时,能够正确预警,成功率达到100%,具有很高的可靠性,为目标丢失后何时载入目标重检测定位提供可靠的依据。

采用异常值检测及重定位改进的KCF跟踪算法

针对传统核相关滤波器(KCF)跟踪算法受光照变化、严重遮挡和出视野等因素影响,出现目标丢失现象时,跟踪器会将背景信息作为目标继续进行跟踪而不能重新定位目标的问题,在KCF的基础上,引入异常值检测方法作为目标丢失预警机制,同时,提出了目标丢失重检测定位机制。方法对每帧的峰值进行检测,发现异常峰值,则判定目标丢失或即将丢失,预警机制发出警告,停止目标模板更新,启动目标丢失重检测定位机制,在全帧搜索定位目标。实验结果表明,改进的算法精确度为0.751,成功率为0.579,较之传统KCF跟踪算法分别提高了5.77%和12.43%。解决KCF跟踪器在目标丢失后不能重新找回目标继续跟踪的问题,提升了跟踪算法的性能,实现了长期跟踪。

基于KCF的跑道侵入研究

针对目前机场跑道安全问题,在跑道运行过程当中,会出现其他航空器侵入跑道的现象,针对这种不安全因素,提出在跑道安全区及滑行道附近安装摄像头的方法,获取跑道航空器实时运行数据。采用核化相关滤波跟踪技术,对跑道内航空器进行检测,对非法进入跑道的航空器进行预警,以提高机场中跑道安全保障。通过对航空器数据集的测试,尺寸变化较小的情况下,准确度达到了85%以上,识别速度能够达到实时的需要,可以作为一种预防跑道侵入的新手段。

基于实例化相关滤波器的鲁棒人手跟踪

针对无约束环境下人手的跟踪问题,提出了一个基于实例化的鲁棒人手跟踪算法.该算法将多个基于相关滤波的跟踪器组合成跟踪器集合,每个跟踪器对应的相关滤波器由一个特定的跟踪结果训练而来,在后续的跟踪过程中不会更新.此外,为避免模型漂移,该算法结合基于颜色模型的分割对跟踪结果进行调整.对比实验表明:在复杂场景中提出的算法相较于单一的相关滤波跟踪或基于颜色模型的跟踪算法有明显的提升,相较于其他一些跟踪算法跟踪效果也更好.

高精度移动目标位姿测量方法

研究了微小型机器人运动中高精度位姿测量方法。针对核相关滤波(KCF)算法对快速移动目标跟踪中由于边界效应导致误差跳动与跟踪丢失的问题,提出了基于核相关滤波的自适应(AKCF)跟踪算法。该算法融合卡尔曼滤波器作为目标的位置预测器,通过核相关滤波检测实现目标加速度方差和频率自适应,完成对卡尔曼位置预测器的校准,建立预测-检测-校准的跟踪机制;对跟踪目标形态学处理、最小二乘法圆度拟合高精度的提取特征点;利用单目视觉标定原理构建运动坐标系与图像坐标系之间的映射关系,完成高精度位姿测量。跟踪算法仿真测试实验中,AKCF算法能够适应不同运动状态下目标的跟踪,解决KCF算法在跟踪过程中容易出现的目标漂移甚至丢失的问题;建立实验测试平台完成测量系统精度验证,在400 mm×300 mm视场内,对半径约为3 mm、帧间加速位移不超过5.6 mm的移动目标的位置检测的均方根误差达到0.0856 mm,姿态角度检测的均方根误差达到0.1246°。

无人机视频车辆跟踪算法研究

鉴于现有算法在复杂环境下易造成目标跟踪丢失的问题,为研究精准高效的车辆跟踪算法,实现无人机视频交通参数提取,将传统KCF(核相关滤波)算法中的固定尺度检测窗口替换为多尺度检测窗口,提出多尺度KCF优化算法;与CamShift算法和KCF算法的对比结果表明,在不同场景下多尺度KCF优化算法的跟踪效果均优于其他两种算法,在目标遮挡和存在阴影的情况下表现更优异,具有较强的鲁棒性和适用性。

基于在线学习机制的人脸持续跟踪方法

针对目标人脸短暂离开画面后不能继续跟踪的问题,提出将增量分层判别回归方法(IHDR)与改进的核相关滤波(KCF)跟踪算法相结合,以解决人脸持续跟踪问题。首先,提取人脸光照不变特征,增量构建人脸特征IHDR树。然后,检索IHDR树识别目标人脸,通过循环矩阵获取人脸正负样本,训练岭回归分类器对人脸进行跟踪。在人脸短暂离开画面时,重新识别目标人脸,使用识别结果重新初始化跟踪器,实现对人脸的持续跟踪。此外,针对KCF跟踪器的跟踪框尺度不能自适应的问题,对KCF跟踪器进行了改进,设置3个尺度不同的模板区域并计算响应,以响应最大的区域的尺度为跟踪框的尺度。最后,在不同光照下进行了动态人脸识别实验,识别率达到97.84%。与传统跟踪算法进行对比,所提方法能够在尺度上自适应跟踪目标人脸,并满足实时性要求。在人脸短暂离开画面的视频中,该方法亦能实现对目标持续跟踪。

基于人头检测与跟踪的人群行为异常检测

随着技术的进步与人们对社会公共安全重视程度的提高,视频监控系统在日常生活中发挥着越来越重要的作用。构建人群异常行为检测可以帮助监管人员及时做出决策,也大大节省人力资源。基于深度学习目标检测模型,提出一种基于人头检测与跟踪的人群行为异常检测方法,通过大量的样本训练一个单一人头目标检测的MobileNetSSD卷积神经网络模型,将一幅图像输入神经网络模型中识别出人头的位置,基于核化相关滤波算法的目标跟踪对检测到的人头进行跟踪,最后基于运动信息进行异常行为判断。大量室内场景实验测试证明此系统的实时性好、准确率高,具有较强的鲁棒性。