纵横比自适应的时空正则化相关滤波算法

在目标跟踪中,传统相关滤波算法无法感知运动目标尺度纵横比变化,且易受复杂环境影响导致跟踪失败。为此,提出了纵横比自适应的时空正则化相关滤波算法。首先,参考平均峰值相关能量(Average peak-to-correlation energy,APCE)和响应峰值对每个特征的响应图进行加权融合,以实现对目标的精确跟踪。其次,结合近正交性和空间正则化提出一种新的一维边界滤波器,通过定位目标包围框的四个边界位置实现对目标尺度和纵横比变化的自适应检测,有效抑制了边界效应带来的负面影响。最后,根据响应输出的峰值旁瓣比(Peak-to-sidelobe ratio,PSR)独立地调节各边界滤波器的学习率,防止模型退化。在OTB数据集上进行了测试,该算法表现出理想的跟踪效果,在各个挑战属性上相较于其他优秀算法均取得了更优结果。

基于改进空间正则化相关滤波器的运动目标跟踪研究

为降低光照、遮挡、尺寸变化等因素对目标跟踪过程的影响,提出在经典空间正则化核相关滤波基础上,增加遮挡检测及处理机制,并分别采用相似度计算与空间距离计算作为遮挡评判标准。在模型更新之前先判断遮挡是否存在,如有遮挡,则不更新模型;否则更新模型。提出搜索半径择优处理,分别以6种搜索半径进行目标跟踪,寻找最优搜索半径;进而提出特征择优处理,分别提取HOG特征、PHOG特征、Haar-like特征、LBP特征以及FHOG特征与改进算法结合,选取最佳特征。采用两组实验进行验证:分别采用经典KCF算法、Mean Shift算法、Fragment算法、DSST算法、经典SRDCF算法和改进SRDCF算法对Bolt2和Basketball两个视频中运动目标进行跟踪对比。实验结果表明:FHOG特征与改进空间正则化核相关滤波相结合,且在搜索半径为8个像素点时的跟踪性能最佳,优于其他经典跟踪算法,处理速度可达3. 7 fps。

空间正则化支持相关滤波算法

支持相关滤波跟踪方法利用循环采样将计算转换到频域进行,解决了支持向量机采样少与计算量大的问题。但是当前方法在跟踪过程中对目标周围进行循环采样,产生大量移位样本,不能很好地利用背景信息。针对该问题,提出空间正则化支持相关滤波算法。该算法在训练过程中引入空间正则化分量,根据滤波器的空间位置对其进行惩罚。该算法能够在更大的区域进行采样,使用更多的真实样本进行训练,同时,进一步使用ADMM优化策略提高了跟踪速度。在OTB100数据库上的实验表明,相对于尺度核化支持相关滤波算法(SKSCF),所提算法在精确度和成功率上分别提高了4.3%和11.2%。

基于空间正则化约束的支持向量相关滤波器目标跟踪方法

基于支持向量相关滤波器(Support Correlation Filters,SCF)的目标跟踪方法存在严重的样本边界不连续问题,因此模型判别能力受到严重限制。本文将空间正则化项引入到SCF中,提出了基于空间正则化约束的支持向量相关滤波器(Spatially Regularized SCF,SRSCF)模型。相比于SCF,SRSCF不仅可以借助更大的图像区域进行模型学习,同时也能缓解样本的边界不连续问题对模型学习的负面影响,由此得到判别能力更强的模型。此外,本文提出了一种ADMM(Alternating Direction Method of Multiplier)算法求解SRSCF模型,其中每个子问题具有解析解。实验结果表明,相较于SCF,SRSCF能够有效地提升跟踪精度,同时仅增加较少的计算开销。

联合Gabor滤波器和核池化特征学习的单样本人脸识别与验证

针对深度网络模型的结构复杂问题,受构建Gabor滤波器无需任何学习过程且与训练数据无关,以及径向基(radial basis function, RBF)核池化能够提取非线性二阶特征的启发,提出一种联合Gabor滤波器和RBF核池化的轻量卷积网络方法。首先对人脸图像进行Gabor卷积得到特征图;然后采用双曲正切函数tanh激励特征图以提高特征的表达能力;最后利用多尺度金字塔策略将特征图划分为多个区域,在每个区域上做RBF核池化,所有区域的核池化特征串联得到人脸特征表示。探讨了多个参数对识别性能的影响,对比了协方差池化和核池化的区别和性能。在三个单样本人脸识别和一个视频人脸验证数据集上进行大量实验,结果表明本文方法学习的人脸特征具有优秀的判别能力,对光照、遮挡、年龄等因素具有强鲁棒性。

利用最佳伙伴相似性的改进空间正则化判别相关滤波目标跟踪

针对空间正则化判别相关滤波跟踪算法(SRDCF)在目标发生遮挡、尺度变化和形变情况下的跟踪失败问题,提出利用最佳伙伴相似性的改进SRDCF目标跟踪算法。首先,以SRDCF算法为基础,利用双层搜索策略解决目标跟踪中的目标定位问题和尺度估计问题;然后,利用一种新颖的鲁棒模板匹配技术,通过融合空间权重、相关滤波得分和最佳伙伴相似性得分来估计候选目标位置,解决遮挡情况下的目标重定位问题;最后,采用自适应模板更新策略解决遮挡情况下模板漂移问题。本文采用OTB-2013数据集评估本文算法的性能,同时与34种流行算法进行比较,结果表明本文算法的精确度得分和成功率得分分别为0.853和0.648,相比传统的SRDCF算法分别提高1.79%和3.51%。本文算法能很好地解决目标遮挡、尺度变化和形变情况下的目标跟踪问题,具有一定研究价值。

基于样本可靠性的时空正则化自适应相关滤波目标跟踪

针对基于时空正则化相关滤波的目标跟踪算法,在解决边界效应时引入的空间权重矩阵无法自适应目标变化和时间正则项超参数固定无法自适应更新,容易引入背景噪声导致模型漂移等问题,提出了一种基于样本可靠性的时空正则化自适应相关滤波目标跟踪算法.首先,该算法通过图像的空间可靠性自适应调节空间权重参考矩阵,自适应空间正则项结合空间权重参考矩阵在一定程度上降低了边界效应的影响.然后,使用前后两帧响应图的变化程度确定时间正则项的超参数参考值,避免模型发生突变造成跟踪漂移问题.最后本文通过交替方向乘子法(ADMM)迭代求解目标函数,保证算法的运行效率.本文算法在OTB2013与OTB2015公开数据上进行了相关实验,大量实验表明:本文算法能够较好的处理复杂环境下的目标跟踪问题,其距离精度和跟踪成功率优于其他对比算法.

基于深度空间正则化的相关滤波跟踪算法

近年来,结合深度特征的相关滤波算法由于较高的跟踪精度在视觉跟踪领域受到了广泛的关注.对训练样本的周期性假设一方面提高了计算效率,但是也引入了边界效应,限制了算法性能的进一步提升.通过对深度特征表达能力的深入挖掘,本文提出了一种新的跟踪框架.由于深层特征具有良好的语义信息,选取VGG网络第五层卷积特征提取目标的空间可靠区域,将该区域信息用于对样本进行裁剪并引入目标函数,建立空间约束模型,接着采用ADMM算法进行迭代求解.为了进一步提高算法的长时跟踪能力,提出一种简单有效的遮挡判断方法.实验结果表明,所提出的算法在跟踪精度和成功率上优于大多数先进的算法.

动态时空异常感知的相关滤波目标跟踪算法

针对背景感知算法未与目标的时空域特性建立联系,以及无法准确处理遮挡、形变等异常跟踪情况的问题,提出了能够动态感知时空异常的目标跟踪算法。在相关滤波器训练过程中引入动态空间正则项,使其与样本的时空域特性建立联系;结合响应图的峰值唯一性和锐利信息,提出异常感知方法;利用历史滤波器具有不同置信度的特点以及目标在时域中的连续性,通过异常感知方法自适应选择高置信度的历史滤波器作为时间正则化的参考模板,降低滤波器退化的风险。在OTB50、OTB100和TC128测试基准上进行仿真实验,该算法能够适应外观变化、画面杂乱等复杂条件下的跟踪任务,具有较强的鲁棒性和实用性。

核空间与二次相关滤波器融合的红外目标检测

针对二次相关滤波器(QCF)与核空间特征相结合在红外目标检测中的应用,提出KSSQSDF核直接映射法与MPKPCASSQSDF核特征提取融合法。前者对低维空间下的QCF直接进行高维映射,使其转化为核空间下的非线性相关滤波器;后者采用核空间进行特征提取,对提取后的特征向量使用低维空间的相关滤波器,用于红外目标检测。通过实验分析2种算法间的相互联系,在目标检测结果及计算复杂性等方面的差异,结果表明,2种算法的检测精度大致相同,均明显优于低维空间的QCF检测,但MPKPCA-SSQSDF核特征提取融合法不受QCF种类限制,检测时间短,具有广泛性,在某种程度上可以代替KSSQSDF核直接映射法。

基于自适应空间正则化和畸变抑制的相关滤波跟踪

针对背景感知相关滤波器的空间正则化权重固定,不适应目标变化和增大搜索区域,易引入背景噪声导致滤波器判别力下降等问题,本文提出一种基于自适应空间正则化和畸变抑制的相关滤波跟踪算法。首先提取FHOG特征、CN特征和灰度特征以增强算法模型对目标的表达能力;其次,在目标函数中加入畸变抑制项来约束当前帧的响应图,增强滤波器的判别能力,以缓解滤波器模型退化问题;最后,在目标函数中加入自适应空间正则化项使空间正则化权重能够随着目标的变化而更新,使得滤波器能充分利用目标的多样性信息。本文在公开数据集OTB-2013、OTB-2015和VOT2016上进行实验,以对所提算法进行评估。实验结果表明:本文算法速度为20 f/s,距离精度和成功率等评估指标均优于对比算法,在遮挡、背景干扰、旋转变化等多种复杂场景下都有良好的鲁棒性。

自动全局上下文感知相关滤波器跟踪算法

在相关滤波器跟踪算法中引入正则化后可以有效提高跟踪效率,但需要花费大量精力调整预定义参数,此外还有目标响应发生在非目标区域会导致跟踪漂移等问题,因此提出一种自动全局上下文感知相关滤波器(Automatic Global Context Awareness Correlation Filter,AGCACF)跟踪算法.首先,在跟踪过程中利用目标局部响应变化实现自动空间正则化,将自动空间正则化模块加入目标函数,使滤波器专注于目标对象的学习;其次,跟踪器利用目标全局上下文信息,结合自动空间正则化,使滤波器能及时学习到更多与目标有关的信息,减少背景对跟踪性能的影响;接着,在滤波器中加入时间正则化项,来充分学习目标在相邻帧之间的变化,从而获得更准确的模型样本.实验结果表明,与其他跟踪算法相比,AGCACF跟踪算法在距离精度和成功率方面具备更好的跟踪效果.

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。

基于空间和解剖结构信息的多切片核应用于阿尔茨海默症分类

目的 探索早期准确诊断阿尔茨海默症的快速高效算法。方法 利用脑组织的空间和解剖结构信息构造多切片核,并应用于阿尔茨海默症的分类和判别。结果 Cuingnet提出了一个框架,应用于阿尔茨海默症判别的经典单核支持向量机分类器,并将空间和解剖结构信息包含进来,生成了具有更高分类性能的可解释特征图。然而,在此框架中,为了方便使用单核模型,空间正则化参数被限制与解剖正则化参数相等。此外,高阶张量图像的矢量化破坏了固有结构,也不可避免地被迫使用一个超大规模的矩阵来定义每对体素之间的邻接关系,从而导致高额的计算复杂度。本文设计了2种新型的多切片核来改进Cuingnet框架,其中通过构造每个切片的空间和解剖拉普拉斯矩阵来保留邻接关系,并采用流行的顺序最小优化算法来估计多核学习模型参数,这样就避免了原Cuingnet框架中的超大规模矩阵计算问题。结论 实验结果表明,该改进方法将计算速度提升了数百倍,同时保持了较高的分类精度。

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。

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。

基于互评的空间正则化背景感知滤波跟踪算法

为了解决基于相关滤波器的视觉跟踪算法在面对各种复杂场景时精度低、鲁棒性差的问题,提出一种互评架构下的空间正则化背景感知相关滤波算法。基于背景感知的方法,在滤波器训练过程中引入空间正则化以减少边界效应的影响,并基于特征表征能力的不同,提出一种互评架构,实现多特征的自适应融合。通过在多个类型数据集上的实验结果表明,所提出的跟踪器可以在面对背景杂波、目标变形和遮挡等挑战时能够保持稳定跟踪,并且在整体性能方面优于现有跟踪器。

基于自适应空间正则化的视觉目标跟踪算法

为解决相关滤波类视觉跟踪算法中的边界效应问题,提出一种基于自适应空间正则化的视觉跟踪算法.在经典滤波模型中引入自适应空间正则化项,通过建立正则权重在相邻帧之间的关联,自适应调整当前帧的模型正则化权重,减小边界效应的影响.采用自适应宽高比的尺度估计策略,以及基于颜色直方图相似度的模型更新策略,抑制模型漂移,提高跟踪准确性.实验显示,该算法在UAV123,OTB2013,OTB2015这3个数据集上的跟踪成功率和精确度均高于所有对比的算法,且即使在复杂场景中也能保持良好的跟踪效果.特别是在出现运动模糊和目标在平面内旋转2种情况时,该算法的跟踪成功率较排名第2的算法分别提升了9.72个百分点和9.03个百分点,说明所提出的算法具有较好的适应性.

基于核机器的加速失效时间模型及其应用

加速失效时间模型是一种应用广泛的生存分析模型。本文借助LASSO惩罚剔除冗余预测变量,构建基于核机器的加速失效时间模型,用以刻画预测变量与生存期间的复杂关系。此外,提出一种新的正则化Garrotized核机器估计方法,可以较好地刻画预测变量与生存期潜在的非线性关系,实现非参数分量中预测变量间交互作用的自动建模,提升模型预测精度。模拟研究表明,与已有的代表性方法相比,本文提出的方法对生存期的预测精度更高,特别是在复杂关系情形下优势更为显著。最后,将该方法应用于胃癌数据分析,利用临床信息和基因表达预测生存期和风险评分。实证结果显示,该方法能为病例基于风险分层的临床精准诊疗方案设计提供有益的参考。