自适应模板更新和目标重定位的相关滤波器跟踪

针对核相关滤波器在跟踪中因目标快速运动导致的目标易丢失和部分遮挡问题,本文在多特征尺度自适应核相关滤波器(Scale Adaptive with Multiple Features tracker,SAMF)基础上,提出一种融合自适应模板更新和预测目标位置重定位的核相关跟踪算法。采用联合目标移动速度和特征变化的模板更新机制增大对目标快速运动适应性,根据长时滤波器和短时滤波器协作跟踪提出目标位置修正和重定位模型提升跟踪器应对目标部分遮挡的能力。在OTB-2015视频序列集100组序列中与序列集提供的算法进行对比,本算法跟踪精度相比SAMF提升2%。在目标发生快速移动时本文算法具有更好的追踪目标能力,目标重定位也很好地解决了目标部分遮挡问题。

在线目标分类及自适应模板更新的孪生网络跟踪算法

针对孪生网络跟踪算法在离线训练阶段学习被跟踪目标和其他对象的嵌入式特征,而这些特征缺少特定于目标的上下文信息,使跟踪算法的稳健性较差的问题,以SiamRPN++作为基准算法,提出了在线目标分类及自适应模板更新的孪生网络跟踪算法。首先,在离线训练阶段设计了互相关特征图监督模块,以学习更具判别力的嵌入式特征;其次,在线跟踪阶段设计了包含注意力机制的在线目标分类模块,在该模块中使用在线滤波器更新策略滤除背景噪声干扰;最后,设计了一种自适应模板更新模块,使用UpdateNet更新目标模板信息。在VOT2018、VOT2019这2个标准数据集上的实验结果验证了所提算法的有效性,相比基准算法SiamRPN++分别带来13.5%和18.2%(EAO)的性能提升。

基于自适应模板更新的改进孪生卷积网络目标跟踪算法

现有的孪生网络目标跟踪算法采用边界框模板进行跟踪,在目标形变、遮挡等干扰下很容易导致跟踪漂移。在轮廓检测网络和孪生卷积网络(Siamese)跟踪网络的基础上,提出一种基于深度轮廓模板更新的改进孪生卷积网络目标跟踪算法。利用轮廓检测网络获取目标边缘轮廓,降低背景杂波干扰;利用改进的Siamese网络获得轮廓模板和搜索区域的深度特征;通过相似性匹配获得最优跟踪目标。仿真实验结果表明,所提出的改进模型能够提高目标形变、遮挡等干扰下目标跟踪性能,具有较高的工程应用价值。

一种基于主动轮廓模型的自适应模板更新算法

在目标相关跟踪过程中,由于目标的姿态、大小发生变化,所以合理地更新模板极为重要。而已有的模板更新方法都不能适应目标的姿态和大小变化。提出了一种模板更新的新方法,该方法以颜色直方图的Bhattacharyya系数为基础,来进行模板更新时机的判断。并利用主动轮廓模型算法得到目标的边缘,自适应调整模板的大小和内容,从而实现对目标在发生姿态和大小等变化下的可靠跟踪。

自适应模板更新的粒子滤波实时跟踪算法

提出一种自适应模板更新的粒子滤波实时跟踪算法。在粒子滤波的跟踪框架下,目标模板的自适应观测模型采用含有三个分量的混合高斯模型来建模并用增量EM算法在线更新,很好地解决了模板更新问题。实验结果表明:该跟踪算法在光照变化条件下的红外目标、外观姿态快速变化、局部遮挡等情况下的目标跟踪实验均能长时间稳定地跟踪目标,且无需普通粒子滤波算法的重采样策略,计算简单,易于硬件并行实现。

基于奇异值分解的自适应模板更新研究

研究了基于奇异值分解的图像匹配和目标跟踪问题。由于图像的奇异值特征具有良好的稳定性,可以将奇异值当作一种有效的代数特征来描述并表征图像。根据所定义的奇异值缩放不变量提出了一种基于奇异值分解的模板更新算法。在算法中,根据奇异值向量的缩放不变特征来度量当前模板内的目标信息,然后根据所定义的置信度自动计算更新后所需的模板大小,从而使更新后的模板更有效地包含目标。试验表明:提出的模板更新算法在序列图像的目标跟踪中具有较好的实用性。

融合注意力机制与自适应模板更新的目标跟踪算法

针对基于孪生网络的跟踪算法在目标快速移动、发生较大形变、处于复杂背景等情况下容易出现跟踪性能下降的问题,提出一种融合注意力机制与自适应模板更新的目标跟踪算法。跟踪算法以SiamRPN为基础,通过在特征提取网络融合通道注意力机制与空间注意力机制,抑制图像中的干扰信息,补充目标特征在通道空间中的信息,更好地对目标进行定位。将对象在不同时刻的模板,包括初始模板、累积模板和预测模板作为帧残差模块的输入,采用残差学习策略,充分利用初始模板语义信息,自适应更新当前帧所需的模板,减少了跟踪飘移的现象。在OTB100数据集上的实验结果表明,本文跟踪算法与其他跟踪算法相比取得了更高的跟踪成功率和准确率。

基于自适应模板更新和局部-全局策略的无人机场景下目标跟踪算法

基于孪生网络框架的跟踪算法在平衡精度和速度方面具有巨大的优势。然而在复杂无人机场景下的目标外观发生变化时,基于孪生网络的跟踪算法缺乏有效的更新机制来获取有效模板信息而导致目标漂移甚至目标丢失。此外,当目标丢失时,跟踪算法缺乏有效的搜索策略来提高在线更新的效率。针对以上问题,在SiamRPN的基础上,提出一种基于自适应模板更新和局部-全局策略的无人机场景下的跟踪算法,简称SiamATU。SiamATU采用自适应的在线策略,根据历史帧和当前帧累积的模板信息,可以准确预测后续帧中目标的位置。局部-全局策略可以有效地提高搜索目标的效率,以实现准确、高效的目标跟踪。

融合自适应模板更新机制的孪生网络目标跟踪

目标跟踪是计算机视觉领域的作用是举足轻重的,它在生活的各个领域中都有极其重要的研究价值。然而,大多数目标跟踪算法由于其只使用离线训练的方法,一定程度上存在着局限性。故本文将提出一种基于Siam RPN与自适应模板更新的目标跟踪方法,以Siam RPN算法为基础进行目标的特征提取,通过利用目标物体在初始模板、累积模板及预测模板的信息以及Update Net,并采用了相应的残差策略,从而得到需要的更新模板,以此来提升算法的鲁棒性。

基于分层匹配的自适应跟踪算法

提出了1种基于相关的区域分层匹配和模板自适应更新的目标跟踪方法,该方法能在序列图像中自适应地寻找最佳的动态阈值与更新模板,同时区域分层快速搜索能较大地提高匹配速度。算法在MATLAB软件环境下进行了仿真实验。实验结果表明该方法匹配精度高、匹配速度快,在背景亮度、对比度发生变化以及存在水面杂波干扰的情况下,表现出良好的稳定性,具有较强的实用价值。

基于粒子滤波算法的自适应人脸跟踪

当人脸旋转和尺寸变化时,传统的粒子滤波算法不能准确跟踪到人脸.针对这一问题,本文提出了在粒子滤波框架下自适应调整目标跟踪窗口和自适应更新模板的方法.该方法通过计算运动目标区域内粒子到目标中心点的平均距离来自适应调整目标跟踪窗口;且对目标特征模板进行自适应更新.实验结果表明,本算法在人脸旋转和尺寸变化的情况下能够提升跟踪的准确度和精度.

复杂背景下基于自适应模板更新的目标跟踪算法

为了提高复杂背景下目标跟踪的稳定性,在模板匹配失败时引入目标分割过程,根据新目标区域与模板的相似度分析得出导致匹配失败的具体原因,提出了一种新的自适应模板更新算法。根据模板图像各像素到模板中心的距离构造加权函数,对传统归一化相关算法进行改进,使新算法具有一定的抗遮挡能力。实验结果表明,该算法与固定模板跟踪算法和逐帧模板更新算法相比,在目标尺寸变化和被物体局部遮挡时,跟踪的连续性和稳定性更好。

一种基于相关的分层匹配与目标跟踪方法

提出了一种基于相关的自适应阈值区域匹配、匹配区域分层加权和模板自适应更新的目标跟踪方法,该方法能在序列图像中自适应地寻找最佳的动态阈值与更新模板;采用区域分层加权后经相关图形分析及实验验证,能使相关的目标最佳匹配区域更小,匹配中心更加突出且易于匹配,从而缩小了匹配范围,提高了匹配精度。同时提出了一种区域分层快速搜索算法,该算法能较大地提高匹配速度。实验结果表明该方法匹配精度高、匹配速度快、能克服不同光强背景及噪声干扰等影响,具有较强的实用价值。

电视制导炸弹偏导相关跟踪器仿真研究

针对电视制导炸弹的特点,提出一种基于偏导相关函数的电视图像跟踪算法和模板自适应更新算法,在此基础上设计出偏导相关跟踪器并对一组灰度图像进行仿真试验。

一种基于偏导相关的电视图像跟踪算法

文中首先针对电视制导炸弹的特点,提出了一种基于偏导相关函数的电视图像跟踪算法和模板自适应更新算法,然后在此基础之上设计出偏导相关跟踪器并做了仿真试验。

基于改进归一化积相关算法的目标跟踪方法研究

针对归一化积相关算法(Normalizad Product Correlation,NProd)对光照敏感且计算复杂度高的特点,提出一种基于改进归一化积相关的实时目标跟踪方法.通过对NProd算法进行去均值改进,去除图像直流分量,抑制了图像灰度变化对相关峰的影响,提高了算法对光照变化的鲁棒性;通过应用先粗后精的分层搜索算法提高了算法实时性能;最后通过自适应模板更新改善了跟踪算法的稳定性.运动目标跟踪实验表明,该方法保留了NProd算法的高匹配精度,在亮度变化达到25%时可以保证跟踪稳定,且满足实时性要求.

结合深度轮廓特征的改进孪生网络跟踪算法

针对现有的孪生网络目标跟踪算法存在跟踪漂移的问题,提出了一种结合深度轮廓生成网络的改进孪生网络跟踪模型,以实现复杂背景下对任何目标的稳定检测与跟踪。首先,轮廓检测网络自动获取目标的封闭轮廓信息,并利用泛洪聚类算法获得轮廓模板;然后将轮廓模板与搜索区域输入到改进的孪生网络,获得最优跟踪评分值,并自适应地更新轮廓模板。若目标被遮挡或跟踪丢失,则采用检测网络全视场搜索目标,实现全过程稳定跟踪。大量定性及定量仿真试验结果表明,这种改进模型不仅能够提高复杂背景下目标的跟踪性能,还能提升机载系统的反应时间,适合于工程应用。

适用于遮挡和目标尺度变化的改进Camshift算法

目前,复杂场景下的目标跟踪仍然是智能视频监控领域的一个难点问题,论文针对遮挡和目标尺度变化这两种复杂场景,提出了一种改进的Camshift算法,该算法采用分块跟踪来处理遮挡问题,同时,考虑到遮挡时不应更新模板,目标尺度变化时应该更新模板,采用自适应模板更新机制来局部更新模板,避免错误的模板更新,最后,引入了对目标尺寸变化具有鲁棒性的几何关系直方图来辅助描述运动目标。实验结果表明,该算法既能很好地适应目标的尺度变化,又具有较好的抗遮挡能力,能够保持良好的跟踪效果。

融合图像感知哈希技术的运动目标跟踪

目的为解决运动目标跟踪时因遮挡、尺度变换等产生的目标丢失以及传统匹配跟踪算法计算复杂度高等问题,提出一种融合图像感知哈希技术的运动目标跟踪算法。方法本文算法利用感知哈希技术提取目标摘要进行模板图像识别匹配,采用匹配跟踪策略和搜索跟踪策略相配合来准确跟踪目标,并构建模板评价函数和模板更新准则实现目标模板的自适应更新,保证其在目标发生遮挡和尺度变换情况下的适应性。结果该算法与基于NCC(normalized cross correlation)的模板匹配跟踪算法、Mean-shift跟踪算法以及压缩跟踪算法相比,在目标尺度变换和物体遮挡时,跟踪的连续性和稳定性更好,且具有较低的计算复杂度,能分别降低跟踪系统约6.2%、6.3%、9.3%的计算时间。结论本文算法能有效实现视频场景中目标发生遮挡及尺度变换情况下的跟踪,跟踪的连续性和稳定性良好,且算法具有较低的计算复杂度,有利于实时性跟踪系统的构建。

基于尺度搜索的车辆跟踪算法

为解决视觉车辆跟踪过程中尺度变化导致的模型漂移问题,在核相关滤波算法的基础上,提出一种车辆目标的尺度搜索算法。通过比较目标区域上三个特定尺度相关滤波响应的平均峰值相关能量,推断出目标尺度的变化方向,进而在变化方向上迭代搜索当前目标的最佳尺度。此外,为确保相关滤波模板能够适应运动过程中的车辆外观变化,在最佳尺度估计的情形下,对模板进行自适应加权更新,进一步提高模板准确性。大量的实验表明,本文算法可以有效解决车辆跟踪过程中尺度变化导致的模型漂移问题,且相比于其他相关滤波类算法具有更加优秀的跟踪性能。