目标丢失判别机制的视觉跟踪算法及应用研究

当跟踪对象被严重遮挡或者离开相机视野范围时,机器人的跟踪目标往往会丢失。为了实现准确跟踪,提出了目标丢失判别跟踪YOLO-RTM算法。该方法通过YOLOv3检测视频第一帧中的目标。利用实时多域卷积神经网络(Real-Time MDNet,RT-MDNet)跟踪算法预测目标边界框的变化。计算重叠度,根据重叠度与预设阈值的比较结果决定模型更新方式,当重叠度高于阈值时,采用RT-MDNet更新外观模型,当重叠度低于阈值时,采用YOLOv3重新搜索目标并更新外观模型。在Turtlebot2机器人上的实验结果表明,提出的算法能满足移动机器人跟踪的可靠性,且有效提高跟踪算法的实用性。

基于视觉字典的在线多示例目标跟踪

在线多示例目标跟踪算法无法判别目标丢失以及无法适应目标尺度的变化。提出了一种基于视觉字典的在线多示例目标跟踪算法。算法将视觉字典和多示例跟踪分别作为检测器和跟踪器,利用互反馈技术提高跟踪性能。跟踪器完成目标的跟踪并为视觉字典的构建和更新提供训练样本;检测器则对跟踪器的结果(候选样本)进行判定,目标丢失时,暂停跟踪并重新检测目标,目标未丢失时,利用Ransac算法获得目标的尺度变换系数并在新尺度下更新跟踪器。为了提高目标丢失判别的准确性,提出了一种局部随机抽样的直方图相似性度量技术,采用局部划分思想和Noisy-NR模型计算候选样本与训练样本特征直方图的相似性,减少了传统直方图匹配由于受目标局部遮挡影响造成的误判。实验结果表明,该算法能够适应目标的尺度变化,检测目标的丢失,提高了跟踪稳定性。