基于核相关滤波器算法的无人机目标识别研究

应用核相关滤波器算法,可以实现自主目标追踪的工程应用。由此,基于核相关滤波器算法,对无人机目标识别进行研究。将二次开发的核相关滤波器算法搭载至机载计算机上,通过机器人操作系统实现机载计算机与飞行控制的通信。进行了系统硬件设计、总体程序设计和机器人操作系统节点程序设计,并进行了识别追踪测试与数据分析。通过测试确认,应用核相关滤波器算法后,无人机可以快速识别和追踪目标,具有较高的实时性和鲁棒性,并且可以有效抵御目标遮挡和损失。

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。

基于核相关滤波器的TLD目标跟踪算法

TLD(tracking-learning-detection)跟踪算法在目标作平面外旋转、快速移动和非刚性形变的情况下易跟踪失败,而核相关滤波器(kernelized correlation filters,KCF)跟踪算法可以有效应对上述跟踪情景但缺乏跟踪失败恢复机制,导致目标重新出现后无法继续跟踪。针对以上问题,通过有效结合这两种算法,提出一种基于TLD框架下的核相关滤波器跟踪检测算法。在跟踪模块中融入颜色特征,进一步增强算法的整体跟踪性能。通过在不同视频序列上进行对比实验,结果表明,与原算法相比,改进后的算法可以长时间准确地跟踪目标,并具有更高的成功率。

改进的核相关滤波器的目标跟踪算法

为降低目标跟踪过程中受遮挡、光照、尺寸变化等因素的影响,提出改进核相关滤波跟踪算法。HOG融合HIS空间颜色信息的多特征信息,采用尺度池因子方法自适应目标区域尺寸变化,通过比较初始目标特征与候选目标特征的巴氏相似度值与阈值大小,判断遮挡是否存在,若遮挡存在,进行遮挡处理,即停止对模型的更新,否则更新模型。与经典mean shift算法、Fragment算法以及经典KCF算法进行对比,对比结果表明,该算法处理目标跟踪过程中受遮挡、光照、尺寸等影响时,跟踪效果最佳,处理速度可达48fps。

基于核相关滤波器的目标旋转跟踪算法

提出一种新的鲁棒的旋转估计算法,以核相关滤波器理论为基础,通过在目标中心等角度间隔来采样一个样本金字塔,单独训练一个一维的角度估计滤波器,从而将目标旋转角估计问题变为一个检测问题。提出的角度估计方法具有通用性,可以辅助其它没有角度估计功能的跟踪器。在实验中,单独训练一个位移跟踪滤波器和一个尺度估计滤波器,结合本文提出的角度估计滤波器形成一个由三层滤波器组成的跟踪器。和经典的算法在不同测试数据上的对比实验表明,该算法能达到较高的跟踪精度。

基于TMS320C6678核相关滤波器跟踪算法实现及改进

目前,目标跟踪已成为计算机视觉领域的一个重要分支。近年来,基于核相关滤波器(Kernel Correlation Filter,KCF)跟踪算法在频域使用循环矩阵性质进行元素的点积运算,与以往的跟踪算法相比,在性能和速度上具有很大的优势。但是当目标尺寸发生变化以及目标受到严重遮挡时,KCF算法不能准确跟踪。因此,在KCF算法基础上做了改进,提出了一种尺度更新算法以及目标跟踪丢失后由粗到精的重定位算法,最后算法在8核DSP处理器TMS320C6678上成功实现了移植。通过多核并行处理,达到30帧/s的实时跟踪帧率。

基于改进核相关滤波器的目标跟踪算法

在跟踪场景中,目标自身和背景会发生不可预测的变化,给目标跟踪带来较大困难。针对该问题,建立一种基于核相关滤波器(KCF)处理遮挡的跟踪算法。根据前向分类器响应最大值的分布特征建立遮挡处理模型,采用阈值方法进行遮挡检测,在目标受到遮挡之后通过块区域螺旋搜索方法进行目标搜索,在目标搜索过程中计算滑动框的响应判定是否为目标。在OTB测试序列集的测试结果表明,与Staple、DSST、KCF、SST算法相比,该算法在跟踪准确度上比次优方法提高6. 1%,在跟踪成功率上比次优方法提高1. 5%。

基于点轨迹的核相关滤波器跟踪算法

视频跟踪是计算机视觉领域的重要研究方向之一。然而,目标跟踪过程中的遮挡问题会导致视频中目标信息的缺失,因此许多算法无法稳定地跟踪目标。针对遮挡问题,提出一种基于点轨迹的核相关滤波器跟踪算法。通过对目标及其周围物体长期运动轨迹的估计,使用谱聚类对点轨迹进行标记,以区分目标区域与背景区域,从而判断目标是否发生遮挡或漂移,决定是否启用重检测机制对目标进行检测。实验证明,该方法对遮挡和漂移问题具有较强的顽健性。

结合尺度预测的核相关滤波器目标跟踪方法

视觉目标跟踪问题中,被跟踪目标的尺度变化普遍存在。为解决这一难题,本文在核相关滤波器目标跟踪方法的基础上提出了一种能结合尺度预测的目标跟踪方法,简称为KCFSE。该方法使用两种更新策略不同的岭回归模型。在实际跟踪过程中,先采用可塑性强的模型跟踪目标的位置偏移。然后,以此位置为中心,构建图像金字塔,利用稳定相强的模型预测目标的尺度变化。对10组视频序列进行的实验测试表明,该方法在处理尺度变化的被跟踪目标时性能明显优于其他目标跟踪算法。

基于核相关滤波器的多尺度目标跟踪

目标尺度估计是视觉目标跟踪领域一个非常有挑战性的问题,现实场景中目标经常会发生不同的尺度变化,而目标的多尺度处理又极大增加了现有目标跟踪算法的耗时。近年来核相关滤波器因其高效性在目标跟踪领域引起了广泛关注,提出了一种实时的尺度自适应目标跟踪方法。首先由核相关滤波器对目标完成初步定位,再在尺度空间上训练一个独立的核相关滤波器,给出目标的精确尺度估计。此外,还提出了一种目标模型自适应更新机制,有效抑制了模型错误更新。实验表明,该方法在尺度变化、光照变化等各种目标外观变化情况下都有较好的跟踪性能,平均跟踪速度为101 f/s,可以满足实时应用的需求。

一种抗遮挡尺度自适应核相关滤波器跟踪算法

针对传统的核相关滤波器(KCF)算法无法很好地解决目标跟踪过程中的尺度不变性和模型漂移问题,提出了一种改进的抗遮挡尺度自适应核相关滤波器算法。使用平均峰值相关能量(APCE)和相关滤波响应峰值作为跟踪置信度指标判断目标是否受到遮挡,在未遮挡的情况下,对目标进行尺度缩放,通过滤波器之后计算相应的响应值,比较不同尺度响应值的大小,最大值即为最佳的目标尺度值。采用OTB-2013评估标准,与传统KCF对比,新算法在目标受到遮挡时,跟踪成功率与精确度有明显提高,同时适应目标尺度变化,具有较强的鲁棒性。

基于核相关滤波器的目标跟踪算法

针对目标跟踪过程中出现的目标形变、遮挡、出平面旋转等干扰问题,通过对传统核滤波相关(KCF)跟踪算法在特征提取方式和模型更新方案上的改进,提出一种基于颜色名称空间特征的核相关滤波算法。为了验证算法的有效性,在目标跟踪标准数据集中选取了38个彩色视频序列对跟踪算法进行实验验证,并同时与KCF、Struck、TLD、SCM等优秀目标跟踪算法进行对比。实验结果表明所提出的新算法不仅具有最好的跟踪效果,同时在目标形变、遮挡、出平面旋转等干扰条件下具有更好的适应性。

基于LBP与核相关滤波器的运动目标跟踪算法

针对核相关滤波器在复杂光照条件下出现的跟踪不稳定的现象,提出一种基于LBP(local binary pattern)与核相关滤波器的运动目标跟踪算法。在传统算法上增加LBP处理方法,降低光照对特征提取的影响,进而提高核相关滤波器算法在跟踪过程中对目标信息的采集精准度。实验表明,与经典的核相关滤波器跟踪算法相比,基于LBP与核相关滤波器的运动目标跟踪算法在复杂光照的情况下的跟踪性能有明显提升,能较好应用于实时场景中去,是一种稳定的目标跟踪算法。

基于核相关滤波器无标识AR的目标跟踪仿真

针对目前无标识增强现实(AR)中识别跟踪实时性不足的问题,设计了一种基于核相关滤波器(KCF)目标跟踪的AR系统。借助KCF对要检测的目标进行识别跟踪,导入摄像机位姿的相关参数,计算虚拟物体从真实世界到屏幕图像的映射,调用openGL图形程序接口,将预制物体加载到目标上。用visualstudio对KCF进行目标跟踪仿真,结果证明基于KCF方法的AR应用系统能够有效改善目标跟踪的实时性,渲染每秒帧数(FPS)能够达到40,可有效满足AR系统中对分辨帧数的要求。

改进的核相关滤波器目标跟踪算法

针对核相关滤波器(KCF)目标跟踪算法在遮挡因素影响下存在目标跟踪失败的问题,在原算法KCF的基础上进行了改进。首先在KCF算法上添加遮挡判定,若没有出现遮挡,则用原KCF算法进行跟踪;若发生遮挡则用基于URTS的EM算法进行目标预测。其次将预测的目标位置反馈给原KCF算法。最后采用OTB测试库的数据对视频遮挡序列进行跟踪测试。测试结果表明:相比原算法KCF在跟踪精度和成功率上有所提高。

基于核相关滤波器和分层卷积特征的长时间目标跟踪

针对长时间目标跟踪中出现的目标形变、尺度变化、目标遮挡以及离开视野等问题,提出一种基于核相关滤波器和分层卷积特征的长时目标跟踪算法。首先,利用预训练的卷积神经网络模型提取分层卷积特征来训练核相关滤波器,进行位置估计。其次,构建目标尺度金字塔,进行尺度估计。最后,为了应对目标遮挡以及离开视野导致跟踪失败的情况,训练一个在线支持向量机进行目标再检测,从而实现长时间目标跟踪。在长时间目标跟踪数据集上的测试结果表明:所提算法的精度分别比其他几种主流跟踪算法HCF,LCT,DSST,KCF和TLD高出7%,15%,17%,21%和50%。

人体结构化特征与核相关滤波器算法融合的目标跟踪方法

针对视频图像行人跟踪过程中因遮挡、大尺度姿态变化而导致的目标丢失问题,提出了人体结构化特征(依据人体结构划分的局部区域特征)与核相关滤波器(KCF)算法融合的跟踪方法。首先,基于人体骨架关键点的图像位置,提取目标肩部、胸部、腿部等局部区域的图像特征,形成与人体姿态相关联的结构化特征模板;然后,建立平均峰相关能量(APCE)和KCF响应函数峰值结合的目标丢失判据,目标丢失后,利用行人骨架关键点判断待匹配人体姿态异常和局部区域遮挡情况,矫正异常姿态人体局部图像,提取待匹配行人有效的区域结构化特征;最后,通过人体结构化特征匹配算法,计算待匹配人体与跟踪目标的相似度,重新定位目标,重定位后恢复KCF对目标的跟踪。实验结果表明,在遮挡、大尺度姿态变化时算法能够快速重新定位目标,精度和成功率可达到79.3%和68.2%,与典型跟踪算法KCF、Struck、TLD、DLT相比性能更好,具有更强的鲁棒性。

基于改进的核相关滤波器的长期目标跟踪算法

针对核相关滤波器跟踪算法在视觉目标跟踪中因遮挡产生的目标丢失后,无法重新准确地跟踪目标问题,提出一种基于GM(1,1)灰色预测模型和间隔性模板匹配的改进的核相关滤波器跟踪算法。实验结果表明,在复杂环境下,所提出的改进算法与传统的核相关滤波器目标跟踪算法相比,综合性能有很大的提高,与其他跟踪算法相比也有一定的优势。

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。