结合模糊特征检测的鲁棒核相关滤波跟踪法

针对跟踪领域内由于图像模糊而导致跟踪失败的问题,提出一种结合模糊特征检测的鲁棒核相关滤波(kernelized correlation filter,KCF)跟踪法。首先,将尺度不变特征变换(scale invariant feature transform,SIFT)描述子与局部二值模式(local binary pattern,LBP)算法结合,提取模糊图像中的特征点,并采用圆形邻域描述该特征点,以降低特征向量的维度,综合构建出模糊特征检测器。其次,设置图像清晰度阈值,若当前图像清晰度低于阈值,则启动模糊特征检测器,通过特征向量间的匹配,得出跟踪目标的位置;否则,通过传统的核相关滤波法预测目标位置。最后,在公开数据集OTB-2013和OTB-2015中的测试结果表明:与其他实验算法相比,该算法可对模糊图像中的目标进行有效跟踪且精度较高。

最佳伙伴相似性引导的核相关滤波跟踪算法

针对经典的核相关滤波(kernel correlation filter,KCF)算法在目标物体被遮挡、发生严重形变或旋转等复杂条件的跟踪失败问题,提出了一种利用最佳伙伴相似性引导的KCF算法。利用Edge boxes算法生成候选区域(region proposals,RP),并通过计算图像的尺寸、灰度和颜色相似度筛选RP。将筛选后的RP与模板图像进行最佳伙伴相似匹配,计算每个RP的最佳伙伴相似得分。融合最佳伙伴相似得分与KCF最大位置响应得分来预测目标可能位置。采用OTB100数据集评估算法性能,实验结果表明,与经典KCF算法和稀疏正则化判别式相关滤波算法相比,提出的算法可以在复杂条件下对目标有效跟踪,且精确度和成功率较高。

自适应尺度抗模糊核相关滤波跟踪法

针对图像模糊和目标尺度变化而导致跟踪失败的问题,提出一种自适应尺度抗模糊核相关滤波跟踪法。首先,构建一个抗模糊特征检测与匹配模型,该模型将待匹配图像进行掩膜处理,提取目标感兴趣区域,并利用加速稳健特征(SURF)和二进制尺度旋转不变鲁棒特征(BRISK)描述子对目标区域进行特征点检测与描述,通过特征点二次匹配,获取模糊图像中目标的位置。其次,判断当前图像清晰度,若图像清晰度高于一定水平,则利用传统的核相关滤波(KCF)算法预测目标位置,并通过比较不同尺度下的目标响应峰值,得出目标的最佳尺度﹔否则,利用抗模糊特征检测与匹配模型获取目标位置。最后,在OTB-2015数据集中测试算法性能,本文所提算法的精确度为85.2%,比传统的KCF算法提高17.4%;成功率为77.8%,比传统的KCF算法提高23%。实验结果表明,所提算法在跟踪过程中可自适应地改变跟踪框的大小,并且可对模糊图像中的目标进行有效跟踪。