稀疏约束与时间一致的背景感知相关滤波目标跟踪

背景感知滤波算法通过循环移位采集真实负样本,有效解决了边界效应.但在复杂场景例如遮挡、快速移动、背景干扰等,其较大的采样区域导致过多背景在杂波干扰,从而影响跟踪效果.针对这一问题,本文首先提取灰度HOG特征与颜色CN特征来提高目标外观模型,在基准目标函数基础上引入L1稀疏正则约束形成弹性网络以自适应筛选关键特征,增强滤波器在复杂背景下的判别能力.同时针对BACF在跟踪过程中目标快速变化,本文引入时间正则项提高滤波器抑制畸变的能力.最后,本文提出了一种独立的尺度滤波器算法,准确提供目标尺度大小.实验仿真结果表明,在公开数据集OTB-2013和OTB-2015上,本文算法较基准算法有很大提升,能够较好应对不同复杂场景下的跟踪难题.

基于背景感知相关滤波跟踪器的目标快速跟踪方法

图像跟踪算法是弹载图像末制导及光电侦查装备的关键技术,其高效低延时的实时实现可以极大提高光电载荷跟踪的稳定性和精确性。为解决弹载环境受体积、功耗等因素约束下图像末制导跟踪算法的高效性,基于背景感知的相关跟踪算法,提出一种基于数据驱动的多任务分配策略,并针对相关滤波计算是影响算法实时性的关键路径,提出Cache优化的快速傅里叶变换高效实现方法。通过将跟踪算法映射到多核DSP处理器平台上并行实现,相对原处理方法多核处理实时性能整体提升约56.3%。经无人机挂载试验验证表明,该优化方法可以满足空间约束条件下目标跟踪实时性需求,为智能化弹药的工程化应用提供了有力的技术支撑。

基于背景感知相关滤波的深度提取跟踪算法研究

背景感知相关滤波算法将目标背景和前景一起建模[1],利用包含背景信息的负样本进行训练,得到高鲁棒性核相关滤波器,实现跟踪目标与背景的分离。这种单目实现的相关滤波跟踪算法能够做到实时跟踪,却以丢失深度为代价。本文提出了一种将双目立体视觉深度提取与基于单目的背景感知相关滤波相结合的算法,该算法在做到实时跟踪的同时,能够对视频序列中的若干帧利用改进的双目立体匹配SGM算法得到视差图,反馈出跟踪目标的深度信息。实验结果表明该算法具备实时性,且三维坐标定位准确。

一种改进的背景感知相关滤波跟踪算法

针对视觉目标跟踪复杂环境中的遮挡、运动模糊、形变以及背景干扰等问题,提出了一种改进的背景感知相关滤波跟踪算法,通过增加提取灰度特征(Histogram of Oriented Gradient,HOG)及颜色特征(Color Names,CN),提升了目标定位精度,并在此基础上采用多峰检测的模型更新策略抑制相似特征,解决了模型漂移问题,最后利用训练尺度滤波器进行尺度估计得到了目标估计大小。实验及仿真结果表明:所提算法在OTB-100所有数据集下,较背景感知相关滤波(Background-Aware Correlation Filters,BACF)算法在准确率和成功率上分别提高了1.3%和1.4%,中心位置误差平均降低67.23个像素点,重叠率提高16.1%,平均运算帧率可达到10.09帧/s,有效提升了算法性能,同时解决了跟踪中遮挡、运动模糊、形变以及背景干扰等问题,具有较高的理论价值和工程应用价值。

一种多特征融合的背景感知相关滤波跟踪算法

针对目标跟踪任务中出现的光照变化、尺度变化、形变、遮挡以及运动模糊等复杂场景,提出了一种多特征融合的背景感知相关滤波跟踪算法。在滤波器训练阶段引入背景感知框架,增加训练的负样本数量,解决以往多数相关滤波算法背景学习不充分的问题;将HOG特征和CN特征的响应图进行自适应加权融合,再以固定系数与颜色直方图特征响应图融合,利用最大响应值估计目标位置,解决仅使用单一特征跟踪鲁棒性差的问题;同时引入尺度相关滤波器估计目标尺度,以提高尺度应变能力。在OTB-2013数据集上与5种相关滤波目标跟踪算法进行对比分析,结果表明,该算法的跟踪精确度(0.835)和成功率(0.764)均优于其他算法,相比Staple算法分别提高6.51%和3.80%,兼具实时性和鲁棒性。

基于背景感知与自适应特征融合的相关滤波跟踪算法

背景感知相关滤波算法能有效利用背景信息,在解决边界效应问题的同时保持较高的跟踪速度.针对背景感知相关滤波算法在尺度变化、遮挡、目标形变时容易跟踪失败的问题,提出一种基于背景感知与自适应响应融合的相关滤波算法.本文算法以波动面积比为参考指标,在响应层实现自适应特征融合,提高特征表达能力,并利用主成分分析法分别对方向梯度直方图特征和颜色名特征进行降维,提升跟踪速度.引入尺度滤波器,提升跟踪速度的同时准确估计目标尺度变化.采用根据响应置信度动态调整学习率的模型更新策略,降低模型漂移风险.实验结果表明,本文算法在OTB100数据集上跟踪精确度为0.842,跟踪速度为46.81帧每秒,相较于背景感知相关滤波算法分别提高了2.9%和28.85%.

基于加权背景感知框架的相关滤波视觉跟踪算法

为了解决场景中可能发生的运动模糊、快速移动、尺度变化、光照变化、目标遮挡、复杂背景等场景变化问题,融入背景感知可以有效地提高视觉跟踪算法的鲁棒性.提出了基于加权背景感知框架的相关滤波(WBACF)视觉跟踪算法.根据背景中不同区域与跟踪目标运动相似度的大小,赋予背景区域不同的权值,计算权值矩阵,从而训练相关滤波器.通过在基准测试集OTB-50和OTB-100(部分)上进行实验,结果表明WBACF框架显著提高了相关滤波器的鲁棒性,其跟踪速度与BACF框架相当,跟踪精度和成功率较后者有所提高.

基于背景感知相关滤波的无人机目标跟踪算法

四旋翼无人机可广泛适用于各种地形中,完成目标物的实时捕捉、动态跟踪等任务,商用前景非常可观.本文针对无人机目标跟踪问题,设计了一种基于背景感知相关滤波的目标跟踪系统.背景感知相关滤波算法与现有文献中的目标跟踪算法相比,其优势在于提取深度特征与空间约束相结合,目标跟踪拥有更高的实时性与准确性.实验结果表明,本文设计的无人机目标跟踪算法能够有效地识别与跟踪预设目标,本系统具有一定的应用价值.

基于随机尺度高效响应的背景感知目标跟踪方法

当前的背景感知相关滤波跟踪方法通常采用固定的尺度步长与特征维度来估计目标的状态,导致跟踪精度和效率较低。针对该问题,本文提出基于随机尺度高效响应的背景感知目标跟踪方法。首先研究随机尺度步长估计,在视频每一帧随机生成多个不同尺度步长的目标搜索区域。然后探索多元特征高效响应,在单个目标搜索区域高效融合多个特征维度降低的响应图。最后实验结果表明,应用所提出的方法后,跟踪目标的精确度和成功率明显增加,运行速度提高约29.18%,具有良好的鲁棒性和实时性。

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。

车载视频下改进的核相关滤波跟踪算法

针对相关滤波跟踪算法在车载视频下由于环境复杂及目标尺度变化等情况下容易跟踪失败的问题,该文提出一种基于背景信息的尺度自适应相关滤波跟踪算法。首先利用背景感知相关滤波跟踪器融合方向梯度直方图特征预测目标下一帧位置,然后根据预测位置选取图像块进行检测,最后结合动态尺度比例金字塔模型对目标进行尺度估计。实验选取了KITTI数据库中23段车载视频和标注国内的4段车载视频进行测试,实验结果表明,该算法能有效降低车载环境的复杂背景、目标尺度变化等因素干扰,整体性能优于KCF,DSST,SAMF,SATPLE等主流相关滤波算法,对车载环境下复杂背景和尺度变化的目标跟踪具有鲁棒性。

基于尺度自适应的背景感知目标跟踪算法

针对目标跟踪过程中出现的尺度变化、光照变化、运动模糊及背景杂乱等现象,提出一种基于背景感知相关滤波跟踪器(BACF)的多特征融合与尺度自适应相结合的目标跟踪算法。提取目标和背景信息的多种特征信息,根据响应图对特征分配权重进行加权融合完成目标位置预测;利用方向梯度直方图(HOG)特征和颜色名称(CN)两种互补特征替换判别尺度空间跟踪算法中单一的HOG特征,对目标进行尺度估计;选用自适应变化的阈值更新滤波器模型。仿真对比结果表明所提方法具有较高成功率和精确度。

多帧监督的相关滤波无人机目标跟踪

目标跟踪是无人机的关键技术之一。无人机目标跟踪容易因相机运动、尺度变化等场景的影响,导致跟踪漂移或丢失。提出一种多帧监督的相关滤波无人机目标跟踪算法,加入多帧信息,根据视图的像差监督响应图变化率,有效地提高跟踪器的识别能力。采用裁剪矩阵引入真实负样本,并加入多个历史帧信息提高滤波器的鲁棒性。采用欧几里德范数定义响应图的像差,通过监督像差的变化防止跟踪漂移,得到目标的准确位置。根据相似度进行目标模型更新。在UAV123和VisDrone2019数据集上与其他算法对比实验。结果显示该算法在相机运动、尺度变化等场景具有良好的跟踪鲁棒性和精度。

联合判别式核相关滤波视觉跟随算法

目标跟踪算法是计算机视觉领域的热门技术之一,拥有广阔的发展前景。核相关滤波视觉跟踪算法由于循环矩阵构造正负训练样本,避免求逆的大量运算,显著提高计算速度而受到广泛关注。但是,核相关滤波算法存在一定局限性,无法应对现实环境存在的遮挡、目标尺度变化、背景模糊等复杂多变的干扰因素。因此提出一种改进型核相关滤波算法。该算法不仅融合多种颜色特征提高图像处理的准确度,而且通过构建自适应尺度变化策略来应对目标尺度变化的挑战。为了进一步区分目标和背景信息,提出联合判别式背景感知与干扰判别的策略,以充分利用目标上下文信息。相比于传统核相关滤波算法,改进算法的精度更高,鲁棒性更强。通过在视频数据集OTB-50上的实验可得,改进后的核相关滤波算法性能获得较大提升。

基于通道可靠性的多尺度背景感知相关滤波跟踪算法

针对现实场景中跟踪目标的光照变化、尺度变化、遮挡等问题,提出了一种基于通道可靠性的多尺度背景感知相关滤波跟踪算法。通过提取方向梯度直方图特征、灰度特征和颜色属性特征作为目标表观模型,提高了目标跟踪方法在复杂场景中的稳健性;独立训练每个通道的背景感知相关滤波器,采用通道可靠性系数衡量每个通道响应图的置信度;根据所有通道的响应图和可靠性系数,合成多通道背景感知相关滤波跟踪器的最终响应图,对目标进行精确定位;运用尺度池方法估计目标的最优位置和尺度。实验结果表明:与现有跟踪算法相比,所提算法可以有效地处理光照变化、尺度变化、遮挡等复杂因素的干扰,取得较高的跟踪精度和成功率,其整体性能优于其他算法。

背景与方向感知的相关滤波跟踪

目的针对相关滤波跟踪算法,目标与周围背景进行等值权重训练滤波器导致目标与背景信息相似时,易出现目标漂移问题,本文提出一种基于背景与方向感知的相关滤波跟踪算法。方法将目标周围的背景信息学习到滤波器中,利用卡尔曼滤波预测目标的运动状态和运动方向,提取目标运动方向上的背景信息,将目标运动方向上与非运动方向上的背景信息进行滤波器训练,保证分配给目标运动方向上背景信息的训练权重高于非运动方向上的权重,增加滤波器对目标和背景信息的分辨能力,采用线性插值法得到最大响应值,用于确定目标位置;构造辅助因子g,利用增广拉格朗日乘子法(augmented Lagrange method,ALM)将约束项放到优化函数里,采用交替求解算法(alternating direction method of multipliers,ADMM)将求解目标问题转化为求滤波器和辅助因子的最优解,降低计算复杂度;采用多分辨率搜索方法来估计目标变换的尺度。结果在数据集OTB50(object tracking benchmark)和OTB100上的平均精确率和平均成功率分别为0.804和0.748,相比BACF(background-aware correlation filters)算法分别提高了7%和16%;在数据集La SOT上本文算法精确率为0.329,相比BACF(0.239)的精确率得分,更能体现本文算法的鲁棒性。结论与其他主流算法相比,本文算法在运动模糊、背景杂乱和形变等复杂条件下跟踪效果更加鲁棒。

背景与时间感知的相关滤波实时视觉跟踪

目的传统的相关滤波跟踪算法采用对跟踪目标(唯一准确正样本)循环移位获取负样本,在整个学习过程中没有对真正的背景信息进行建模,因此当目标与背景信息极其相似时容易漂移。大多数跟踪算法为了提高跟踪性能,在时间序列上收集了大量的训练样本而导致计算复杂度的增加。采用模型在线更新策略,由于未考虑时间一致性,使得学习到的滤波器可能偏向背景而发生漂移。为了改善以上问题,本文在背景感知相关滤波(BACF)跟踪算法的基础上,加入时间感知,构建了一个带等式限制的相关滤波目标函数,称为背景与时间感知相关滤波(BTCF)视觉跟踪。该算法不但获取了真正的负样本作为训练集,而且仅用当前帧信息无需模型在线更新策略就能学习到具有较强判别力的相关滤波器。方法首先将带等式限制的相关滤波目标函数转化为无约束的增广拉格朗日乘子公式,然后采用交替方向乘子方法(ADMM)转化为两个具有闭式解的子问题迭代求最优解。结果采用OTB2015数据库中的OPE(one pass evaluation)评价准则,以成功率曲线图线下面积(AUC)和中心点位置误差为评判标准,在OTB2015公开数据库上与10个比较优秀的视觉跟踪算法进行对比实验。结果显示,100个视频序列和11个视频属性的成功率及对应的AUC和中心位置误差均明显优于其他基于相关滤波的视觉跟踪算法,说明本文算法具有良好的跟踪效果。本文的BTCF算法仅采用HOG纯手工特征,在OTB2015数据库上AUC较BACF算法提高了1. 3%;由于颜色与边缘特征具有互补特性,本文融合CN(color names)特征后,在OTB2015数据库上,AUC较BACF算法提高了4. 2%,采用纯手工特征跟踪性能AUC达到0. 663,跟踪速度达到25. 4帧/s。结论本文的BTCF算法能够适用于光照变化、目标旋转、遮挡等复杂情况下的视觉跟踪,具有良好的鲁棒性和一定的实时性。

基于时间正则化及背景感知的滤波器跟踪

针对相关滤波器(CF)的目标背景因没有根据时间建模而导致的性能不佳的问题,在方向梯度直方图(HOG)的基础上,提出一种基于时间正则化及背景感知的滤波器跟踪算法。从真实的背景中提取训练样本,通过增加训练样本来增强滤波器的分类能力;引入时间正则化,构建遮挡情况下目标重定位模块;采用交替方向乘子法(ADMM)优化求解目标,降低计算复杂度;采用线性插值策略来更新目标的位置和尺度。采用目标跟踪基准(OTB-2015)数据集中的100个视频序列与评价标准对本文所提出的算法进行性能测试。实验结果表明,基于时间正则化及背景感知的滤波器跟踪算法的精确度得分达到0.801,成功率得分为0.762,相比核相关滤波器(KCF)算法分别提高了20%和46.8%。本文算法能很好解决目标发生平面外旋转、目标被遮挡、背景嘈杂等情况下的视觉跟踪问题,具有良好的应用前景和较大的使用价值。

自适应上下文感知的目标追踪方法

针对相关滤波方法容易受到背景干扰导致跟踪漂移的问题,提出自适应上下文感知图像跟踪方法.为了减少背景干扰,选取离目标位置远的高响应区域为自适应上下文区域,赋予该区域自适应的低响应值.根据上下文区域与目标区域响应的相对差值,给上下文区域自适应的惩罚因子,使得该算法具有更好的鲁棒性.该算法在OTB2013、OTB2015及Temple-Color128标准数据集上都展现了优秀的跟踪性能,OTB2015的重叠率精度达到61.53%,超过大部分已有的优秀算法,特别是在背景混叠及部分遮挡的情况下有着更卓越的表现.该算法的平均跟踪速度为24.5帧/s,实时性较好.

面向车辆自主驾驶的行人跟踪算法

基于背景感知相关滤波框架和车辆前方行人运动的特点,建立了运动行人尺度快速估计和选择性更新的行人跟踪算法。首先,在线训练学习待跟踪行人的背景感知相关滤波器。其次,针对行人的尺度变化训练一个一维的尺度相关滤波器对尺度进行精细搜索,使算法更适应车载的快速尺度变化。再次,利用峰值旁瓣比评价行人状态,建立两相关滤波器的选择性更新机制。最后,基于吉林大学车载试验数据库JLU-PDS、德国奔驰Daimler、美国OTB共享国际测试库,与卡尔曼车载行人跟踪算法进行对比测试,试验结果表明本文算法具有较好的尺度适应和抗遮挡性能,更能满足车辆自主驾驶的需求。