基于多特征自适应融合的核跟踪方法

提出了一种基于多特征自适应融合的核跟踪框架.利用目标特征的子模型集合构造了目标的多特征描述,通过线性加权方法将目标的多个特征集成在核跟踪方法中.根据各个特征子模型与当前目标及背景的相似性,提出了一种基于Fisher可分性度量的权值自适应更新机制;同时为了克服模型更新过程中的漂移,基于子模型的可分性提出了一种选择性更新策略,实现了在变化场景下的鲁棒跟踪.基于本文所提多特征跟踪框架,利用目标的颜色特征与LBP(Local binary pattern)纹理特征具体实现了多特征自适应融合的核跟踪方法,实验验证了本文方法的有效性.

基于梯度方向直方图特征的多核跟踪

提出了基于梯度方向直方图特征的多核跟踪算法,对跟踪过程中的光线变化和部分遮挡具有较强的鲁棒性.该算法将目标分块,分别提取出每块的核函数加权的梯度方向直方图特征.目标模型和候选目标模型的相似度用所有块直方图间的Bhattacharyya系数之和进行度量,目标的跟踪通过Mean shift算法最大化两者的相似度实现.对车辆、人体等多个日标的跟踪验证了本文提出算法的有效性.

一种基于拓扑约束的多核跟踪算法

针对视觉跟踪中常见的目标部分遮挡和尺度变化问题,提出了一种基于拓扑约束的多核跟踪算法.首先,提取满足空间分布的位于目标与背景所在边界的Harris角点作为多核跟踪器的中心,然后,采用拓扑约束对多个跟踪结果进行优化,选取跟踪性能好的核跟踪器,构造仿射变换模型,进而得到最终跟踪结果和目标尺度变化信息.实验结果表明,本文算法能对目标进行准确跟踪,并能有效地处理目标的部分遮挡和尺度变化问题.

鲁棒的前视红外目标多核跟踪算法

针对前视红外目标跟踪中常见的目标位置偏差和部分遮挡问题,在均值漂移算法的框架下,提出了一种基于投影直方图匹配和拓扑约束的多核跟踪算法。首先,对前后帧图像进行基于空间-灰度二维投影直方图匹配的目标位置预测;然后,充分利用目标的前景和背景信息构建多个独立的核跟踪器;最后,采用拓扑约束选取跟踪性能好的核跟踪器,组合得到最终的跟踪结果。实验结果表明:此算法能对目标进行准确跟踪,对目标位置偏差和部分遮挡具有较好的鲁棒性,在有遮挡的情况下,平均跟踪误差远小于传统的跟踪算法。因此,该算法在前视红外成像制导中具有较好的实用性和可行性。

基于目标背景加权的核跟踪

在核跟踪(Mean Shift跟踪)算法中,目标的表示方法对跟踪性能有很重要的影响。传统的核跟踪算法只是通过计算目标模型和候选目标模型,对目标进行跟踪,没有消除背景的影响,特别是目标与背景相近的情况。对此,提出了一种目标背景加权的核跟踪算法,该算法是在跟踪过程中对目标模型进行背景加权,并且在目标的表示中采用颜色纹理联合直方图。为了验证跟踪的可靠性,利用跟踪位置与目标位置之间偏移量的均值和方差进行衡量。实验结果表明,与传统的跟踪算法相比,该算法在目标的表示和跟踪性能上有很大的提高。

基于色度饱和度-角度梯度直方图特征的尺度自适应核相关滤波跟踪

针对核相关跟踪算法(KCF)对特征敏感及无法跟踪尺度的问题,本文从特征提取和尺度自适应两个方面对核相关滤波跟踪算法进行了研究。提出了一种基于色度饱和度-角度梯度直方图特征的自适应核相关跟踪算法来改善KCF算法的跟踪性能。首先,研究了HSI颜色空间的特点,基于颜色和梯度是互补的图像特征,提出了一种融合了梯度和颜色的HHS-OG特征来有效提高原始KCF算法对目标和背景的判别力。其次,针对KCF无法处理目标尺度变化的问题,在跟踪的检测阶段采用一组固定的尺度因子进行图像块采样,根据得到的滤波响应图估计目标的最优位置和尺度。将所提算法在大量视频序列上进行了跟踪实验,结果显示其平均跟踪速度为37.5frame/s,跟踪精度和成功率分别提升了5.4%和10.1%。实验表明HHS-OG特征具有良好的目标-背景判别能力,能够实现鲁棒跟踪,而尺度自适应策略能较大程度地提高跟踪精度。

基于核相关滤波算法的青鳉游泳跟踪研究

为获取鱼类游泳行为数据,采用增强的核相关滤波跟踪算法,对青鳉Oryzias latipes游泳轨迹进行跟踪研究,根据当前和之前帧信息训练出多核相关滤波器,然后与新输入帧进行相关性计算,得到的响应值就是预测的跟踪结果,响应值最大处即为跟踪目标位置,用该方法提取出3万帧图像中青鳉游泳位置,绘制青鳉游泳轨迹热力图,并分析不同规格青鳉的游泳领地。结果表明:增强的核相关滤波跟踪算法能够实时稳定地跟踪青鳉游泳行为,提取的青鳉游泳轨迹与实时记录轨迹高度吻合;试验过程中测试2万帧视频序列,806帧丢失,丢失率4.03%。本研究实现了对青鳉游泳位置定位跟踪,及时显示青鳉的游泳位置、速度和轨迹,对研究青鳉在特定环境下的生活习性提供了数据支持。

融合运动模型与联合置信度量的改进核相关跟踪算法

红外制导技术是武器制导领域研究的热点和主要方向。针对探测跟踪过程中核相关跟踪算法(Kernelized Correlation Filter,KCF)对快速运动和严重遮挡目标的跟踪精度下降问题,提出一种融合卡尔曼滤波和运动模型的改进核相关目标跟踪算法。该算法首先利用运动模型对目标的位置进行初始估计,提出一种自适应搜索区域选择的方法。针对测试样本的置信度响应图呈现多峰平坦的情况,本文提出了一种用于目标相似度量的组合置信度测量策略,采用相关峰的锐度和置信图的平滑度约束来进一步计算疑似区域的置信度,提升算法的抗干扰能力;同时,本文也提出了一种基于最优置信度的自适应参数更新,增强模型的泛化能力。大量的仿真实验结果表明本文所提的算法的跟踪性能超过传统的核相关跟踪算法,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。

CAMSHIFT与基于核的目标跟踪算法的比较与分析

CAMSHIFT和基于核的目标跟踪是两种经典的基于Mean Shift的目标跟踪算法,它们的实现过程有许多类似之处。为了说明在实际应用中如何选择合理的跟踪方案,从目标模型、候选模型、核函数、迭代过程等方面对二者进行了深入的比较和分析,指出了二者的特点和区别,对于正确理解和使用这两种方法将会有一定的帮助。

一种鲁棒的基于集成学习的核相关红外目标跟踪算法

在红外目标跟踪中,由于目标所处的背景信息复杂多变和目标外观的显著变化,单一的分类器不足以拟合多模态的数据。该文结合核相关滤波器(KCF)将多个核相关分类器通过集成学习整合到一个框架中。利用KCF分类器具有解析解的特点平衡跟踪鲁棒性与实时性之间的矛盾,从而解决单个分类器无法处理复杂背景与显著的外观变化问题,并显著提升目标跟踪的性能与稳定性。为了验证算法的有效性,该文利用两个核相关跟踪器联合学习出1个强分类器。大量的定性定量实验表明所提的算法的跟踪性能超过传统的KCF算法,且跟踪速度也超过大多数比较算法。

基于金字塔特征的核相关滤波跟踪算法

针对核相关滤波跟踪算法(Kernelized Correlation Filter tracking,KCF)对特征表达敏感的问题,提出了基于金字塔特征的KCF跟踪算法。该算法通过实验分析发现不同空间尺度上的HOG特征具有不同的目标-背景判别力和定位能力。基于该观测,融合多个尺度上的HOG特征提出了一种金字塔HOG特征,并将该金字塔特征应用于多通道的KCF跟踪框架。实验分析表明,该金字塔特征有效提高了KCF在多达50个视频序列上的跟踪性能。相比于原始KCF算法,所提算法在跟踪精度和成功率典型值上的性能提升分别为5%和4.6%。

鉴别式多核手跟踪

快速运动、背景混杂及手的特殊性为传统的核目标跟踪技术提出了挑战.文中提出一种鉴别式颜色子空间选择和多核校正机制的核跟踪方法.首先基于前景背景建模,通过鉴别函数选取最优鉴别式颜色子空间集,再基于训练的肤色模型保留高置信子空间表征目标.其次,为适应尺度变化和快速运动,基于多核快速估计相似度表面以校正初始核位置,迭代定位目标.实验表明,融合二者的跟踪器在有效性和速度上都实现了满意的性能,满足实时性需要.

视频监控领域基于自适应学习因子与积分通道特征的核相关目标跟踪算法

针对视频监控领域复杂场景下单一特征跟踪算法适应性不强的问题,提出一种基于自适应学习因子与积分通道特征的核相关目标跟踪算法;该算法利用积分通道特征丰富多样的特征信息与高效的计算效率,将不同通道的特征整合到核相关模型中,可以克服单一通道特征对目标区域描述不足的缺陷,增强模型的泛化能力;大量的定性定量实验表明所提的算法的跟踪性能超过传统的核相关跟踪算法,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。

基于线性核函数的高速核化相关跟踪算法

现有的视觉目标跟踪研究主要集中在跟踪性能的提升,计算量普遍过大,难以在计算资源有限的嵌入式计算平台上实时运行,严重影响了跟踪算法的实际应用.对现有的跟踪算法进行了分析,提出了一种改进的高速核化相关跟踪算法.一方面,采用线性核函数解决相关运算中核函数计算量大的问题,另一方面,对算法流程进行优化,将多个傅里叶变换计算放在算法初始化阶段,从而避免在跟踪过程中进行运算量较大的傅里叶变换计算.综合上述措施,将原来的每次跟踪主循环需要计算十次傅里叶变换(FFT)减少到三次FFT.并通过定量实验分析验证,在跟踪性能基本不变的情况下,将速度提升到原来的4-5倍.提出的方法大幅降低了高性能跟踪算法的计算量,在计算性能有限的嵌入式计算平台上有着良好的应用前景.

多摄像机下的目标图像跟踪关联算法研究

传统算法在进行目标图像跟踪时,对系统模型和后验分布的限制较为严格,只能处理线性、高斯、单模态的情况,而图像跟踪应用中的后验概率呈非线性、非高斯、多模态的形式,且由于传统算法的计算量巨大、采样效果非常低,因此无法满足实际跟踪场景复杂性的需要。提出一种多摄像机下的目标图像跟踪关联算法。提取在目标跟踪过程中图像的主要特征,组建图像特征集,通过计算目标图像特征的均布差值来划分目标与背景间的差别,将目标范围约束在对应核的空间中,并在进行目标图像识别时融合EM算法,依据组建目标图像投影熵特征的分布模型,获取目标图像中每个目标特征与其相对应的混合高斯函数的Mahalanobis间距,得到目标图像特征的所属类别,进而完成精确的目标图像跟踪。实验结果证明,多摄像机下的目标跟踪关联算法精确度高,效率高。

涡旋的提取和跟踪算法研究

提出了基于特征流场概念的平面时变流场多涡结构中涡旋的自动提取及跟踪算法研究。该算法是通过提取流场中的涡旋区域从而确定涡核范围。对涡核采用流线积分的方法来跟踪。精密跟踪三维特征流场内涡核以及在被积流线上记录其具体的演化路径,从而为流场中不同时段的演变过程能更直观的去观察奠定了基础。

一种基于粒子群优化的目标跟踪特征选择算法

针对复杂背景下的运动目标跟踪特征选择问题,提出了一种基于粒子群优化的目标跟踪特征选择算法。假设具有目标与背景间最好可分离性的特征为最好的跟踪特征。通过构建目标与背景的图像特征分布方差的比值函数作为衡量目标与背景间的可分离性判据。使用粒子群优化算法优化不同的特征组合实时获取最优的目标跟踪特征。为验证该算法的有效性,将选择的最优特征与一种基于核的跟踪算法相结合进行跟踪实验。实验结果表明,算法能有效提高传统基于核的跟踪算法对于复杂场景下的运动目标跟踪的鲁棒性与准确性。

单目标跟踪算法的研究与分析

运动目标跟踪是计算机视觉的一个中心研究问题,为视频内容的理解提供重要的信息。首先介绍了目标跟踪的国内外研究现状,重点归纳分析了运动目标跟踪方法的分类及其发展过程中的提出的各种算法,对其关键技术进行了剖析和比较。

基于深度学习辅助的动态人脸跟踪方法

动态人脸跟踪过程中,现有的跟踪算法存在快速运动、遮挡和频繁进出摄像机视野下无法及时判定跟踪漂移导致跟踪失败,而目标再出现时作为新的目标进行跟踪.针对以上难题,提出一种融合跟踪校验和深度学习识别辅助的动态人脸跟踪算法(Kernelized correlation filter with verification and recognition,KCFVR).跟踪算法核心是结合核相关滤波框架,通过跟踪校验算法判定人脸目标是否跟踪漂移导致跟踪失败;在目标重新出现时,结合深度学习网络识别辅助方法判定是否为新目标.实验结果表明:跟踪校验算法及时减少跟踪误差积累,识别辅助算法在跟踪成功率及识别精度上,都取得较优的实验结果,实现同一人脸目标的实时、持续跟踪.

一种面向目标跟踪性能的红外图像自适应增强方法

针对光照突变或强辐射源干扰条件下由于目标能量变化引起跟踪不稳定且易丢失的问题,提出了一种可适应目标能量突变的自适应红外图像增强预处理算法。首先通过最大极值稳定区域方法对目标进行检测,实时计算目标区域平均灰度,并通过最小二乘对下一帧目标均值进行预测,当检测到实时目标能量与预测均值能量突变超过一定阈值后,使用自适应增强方法重新预处理目标图像,使突变前后目标及其附近背景区域对比度保持稳定,然后通过核相关跟踪算法对目标能量变化前后的目标进行跟踪。实验结果证明,该增强算法能有效改善目标能量突变情况下目标跟踪的稳定性和准确性。