基于Meanshift和粒子滤波的行人目标跟踪方法

针对粒子滤波跟踪算法计算代价大以及Meanshift跟踪算法容易陷入局部极值等问题,提出一种嵌入均值优化的粒子滤波跟踪算法。该算法根据粒子滤波的运动模型估计目标区域位置,利用Bhattacharyya距离度量粒子区域和目标模型的相似性,并根据相似性来更新粒子权值,使用Meanshift优化算法改善粒子的估计位置,使得这些粒子的候选区域能更加接近目标模板,极大提高了粒子的使用效率。实验结果表明,该算法能够有效进行人的跟踪,处理人的短暂遮挡问题,性能优于粒子滤波算法,有较好的实用性。

深浅特征融合的实时单目标行人跟踪

单目标行人跟踪是计算机视觉目标跟踪领域最基础、也是研究最广泛的任务之一,而目前大多数使用的相关滤波类算法和深度学习类算法则分别在跟踪精度和跟踪实时性上存在不足.针对上述问题,本文提出一种将目标图像的深浅特征融合的实时单目标行人跟踪方法.算法利用卡尔曼滤波器预测目标位置,通过计算四分颜色直方图提取目标的浅层颜色特征,并获得预测相似性以判定预测的可靠性.使用YOLOv4模型作为检测器,提取目标深度特征并分别计算运动信息和外观信息的距离度量,同时提取浅层颜色特征计算得到相似距离度量,通过特征距离度量的加权融合对检测目标进行匹配与更新.最后,利用提出的轨迹更新策略协调预测和检测的调用关系,达到准确性与实时性的平衡.算法在OTB100和LaSOT数据集上进行了测试实验,结果表明:所提算法的跟踪准确率分别达到0.581和0.453,在GPU上分别能达到33.64 FPS和35.32 FPS的跟踪速度,满足实时跟踪的要求.

人体结构化特征与核相关滤波器算法融合的目标跟踪方法

针对视频图像行人跟踪过程中因遮挡、大尺度姿态变化而导致的目标丢失问题,提出了人体结构化特征(依据人体结构划分的局部区域特征)与核相关滤波器(KCF)算法融合的跟踪方法。首先,基于人体骨架关键点的图像位置,提取目标肩部、胸部、腿部等局部区域的图像特征,形成与人体姿态相关联的结构化特征模板;然后,建立平均峰相关能量(APCE)和KCF响应函数峰值结合的目标丢失判据,目标丢失后,利用行人骨架关键点判断待匹配人体姿态异常和局部区域遮挡情况,矫正异常姿态人体局部图像,提取待匹配行人有效的区域结构化特征;最后,通过人体结构化特征匹配算法,计算待匹配人体与跟踪目标的相似度,重新定位目标,重定位后恢复KCF对目标的跟踪。实验结果表明,在遮挡、大尺度姿态变化时算法能够快速重新定位目标,精度和成功率可达到79.3%和68.2%,与典型跟踪算法KCF、Struck、TLD、DLT相比性能更好,具有更强的鲁棒性。

跟踪状态自适应的判别式行人单目标跟踪算法研究

本文针对在行人跟踪过程中遇到的背景相似物干扰、行人之间的相互遮挡和背景杂乱等导致跟踪状态不稳定的问题,基于DIMP(learning discriminative model prediction for tracking)跟踪算法,提出了一种跟踪状态自适应的判别式单目标行人跟踪算法。跟踪过程中由分类滤波器和搜索区域进行卷积操作得到响应图,通过响应图判断跟踪状态,跟踪状态分为弱响应状态、多峰强响应状态、单峰强响应状态。针对多峰强响应状态下的干扰物影响,提出在线更新策略,利用激励和抑制损失更新分类滤波器,提高分类滤波器的判别能力。针对多峰强响应和弱响应状态下目标预测不准确的问题,通过偏移量和增添候选框修正目标位置,提高跟踪精度。实验验证提出的算法在行人视频序列上跟踪结果,精度达到了0.978,成功率达到了0.740,在NVIDIA GTX 1650显卡下有30 fps的实时速度。