基于时间上下文跟踪-学习-检测的指尖跟踪方法

针对在基于视频的空中签名认证系统中,现有方法无法满足指尖跟踪的准确性、实时性和鲁棒性要求的问题,在对比研究目前常用的多种跟踪方法的基础上,提出一种基于时间上下文的跟踪-学习-检测(TLD)方法。在原始TLD算法的基础上引入时间上下文信息,即相邻两帧间指尖运动具有连续性的先验知识,自适应地缩小检测和跟踪的搜索范围,以提高跟踪的速度。对12组公开的1组自录的视频序列的实验结果表明,改进后的TLD算法能够准确地跟踪指尖,并且跟踪速度达到43帧/秒;与原始TLD跟踪算法相比,准确率提高了15%,跟踪速度至少提高1倍,达到了指尖跟踪的准确性、实时性和鲁棒性要求。

用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。

基于增强群跟踪器和深度学习的目标跟踪

为解决基于外观模型和传统机器学习目标跟踪易出现目标漂移甚至跟踪失败的问题,该文提出以跟踪-学习-检测(TLD)算法为框架,基于增强群跟踪器(Fo T)和深度学习的目标跟踪算法。Fo T实现目标的预测与跟踪,增添基于时空上下文级联预测器提高预测局部跟踪器的成功率,快速随机采样一致性算法评估全局运动模型,提高目标跟踪的精确度。深度去噪自编码器和支持向量机分类器构建深度检测器,结合全局多尺度扫描窗口搜索策略检测可能的目标。加权P-N学习对样本加权处理,提高分类器的分类精确度。与其它跟踪算法相比较,在复杂环境下,不同图片序列实验结果表明,该算法在遮挡、相似背景等条件下具有更高的准确度和鲁棒性。

基于在线学习的雷达目标跟踪技术研究

传统的单纯依赖跟踪算法的雷达目标跟踪在目标长时间跟踪任务中容易受到杂波和目标本身属性波动的影响,导致跟踪失败。提出一种基于在线学习机制的长时间雷达目标跟踪方法——基于多模型优化的在线学习雷达目标跟踪算法。在跟踪-学习-检测架构上,采用多模型跟踪结果作为训练检测器的部分样本,由学习器约束跟踪器和检测器,并优化跟踪器,以达到长时间稳定跟踪的目的。仿真实验表明,本文算法能够有效降低长时间跟踪过程中跟踪失败现象,具有一定的工程研究价值。

在线学习机制下的Snake轮廓跟踪

针对复杂环境下非刚体目标轮廓跟踪存在跟踪失败的问题,提出一种基于在线学习的Snake模型及其轮廓跟踪算法。利用跟踪-学习-检测(TLD)机制实现目标快速跟踪,通过跟踪结果在线更新Snake模型约束,进而提高目标轮廓跟踪的准确性。初始化阶段,在Grab Cut算法的基础上,将待跟踪目标分成若干个子块,并在后续跟踪过程中,利用TLD实现各子目标的定位跟踪,形成目标的轮廓置信图。同时针对各子目标提取特征,产生正负样本,更新各子目标跟踪模型。应用置信图建立参数化Snake模型的约束条件,进而得到目标轮廓。实验结果表明,该算法能适应光暗变化与较为复杂坏境下的跟踪,并获得精确的轮廓。

TLD框架下的内河船舶跟踪

闭路电视(closed circuit television,CCTV)系统是内河海事监管的重要手段.基于跟踪-学习-检测(tracking-learning-detection,TLD)框架研究并改进内河航道CCTV系统的船舶识别和跟踪.在TLD框架下提出特征值约束条件,可对像素的短期跟踪结果进行校验,不仅有效解决了像素对归一化相关系数值求解的繁琐问题,还很好地保留了图像中角点像素的跟踪结果,使船舶的短期跟踪足够可靠.用级联的目标检测器精确定位船舶时,在满足内河应用实时性前提下,提出通过对目标候选区域的模板匹配来保证算法准确性.实验结果表明,改进的算法在应用于内河CCTV系统的船舶识别与跟踪中保持了较高的实时性和鲁棒性,并提高了跟踪精度.

采用帧差法和相关滤波改进的TLD跟踪算法

针对TLD(tracking-learning-detection)算法实时性和鲁棒性差的问题,提出一种改进的FD-CFTLD(foreground detection-correlation filter TLD)目标跟踪算法。以TLD算法为基本框架,在检测模块采用帧差法进行前景检测,减小检测区域,提高检测速度;在跟踪模块采用核相关滤波(kernelized correlation filter,KCF)算法,并采用新的更新策略,使用检测模块修正后的跟踪结果更新跟踪器中的滤波器模型,提高跟踪的鲁棒性和精确度。实验结果表明,FD-CFTLD算法的成功率和精确度优于TLD算法,在应对光照变化、尺度变化和遮挡等场景时表现出良好的鲁棒性和实时性。

基于改进TLD算法的激光视觉传感型焊缝跟踪

为了解决基于线激光视觉传感的焊缝中心位置定位精度不高的问题,采用了一种基于改进跟踪-学习-检测(TLD)算法的焊缝跟踪方法。由激光视觉传感器实时获取焊缝图像,采用将跟踪器与检测器结合的TLD算法实时跟踪焊缝特征点,同时通过在线学习机制更新分类器参量。在此基础上对激光条纹图像截取感兴趣区域,大幅减少检测器的搜索区域;根据激光条纹光强分布特性,结合纠偏方向选取跟踪器有效特征点,以此提高算法效率,对不锈钢板V型焊缝和搭接焊缝进行跟踪试验。结果表明,跟踪与检测可实现共同定位焊缝中心位置,其融合的焊缝跟踪方法能够准确地提取焊缝特征点,两种焊缝跟踪平均绝对误差分别为0.062mm和0.052mm。此方法为提高焊缝跟踪精度提供了依据。

低空目标的雷达/可见光协同监视跟踪方法研究

近年来,随着通用航空和旋翼无人机的飞速发展,对相关空域的安全性监视与管理提出了迫切要求。由于雷达在低空空域存在探测盲区,极易受到杂波干扰,无法准确获取目标信息,而ADS-B系统大规模布设存在局限性,低空空域的有效监视与管理成为研究的热点。研究了一种低空目标的雷达/可见光协同监视跟踪方法,该方法基于跟踪-学习-检测(TLD)架构,将雷达作为主跟踪器,可见光传感器作为检测器,通过交互多模型算法和学习器实现量测模型切换和数据在线更新,从而获取更准确的目标状态信息,实现低空空域更精确的监视和目标跟踪,数据仿真说明了该方法的有效性。

基于LBP的TLD目标跟踪改进算法

针对跟踪—学习—检测(TLD)对光照变化敏感、易受目标遮挡、快速运动导致目标模糊这些因素的影响,提出了基于局部二值模式(LBP)的TLD目标跟踪改进算法。首先,将LBP算法与最近邻分类器相结合,使得改进后的最近邻分类器可以获取与跟踪目标更接近的边界框,且当目标具有良好的纹理属性时,改进后的最近邻分类器具有更好的分类效果;其次,若TLD算法选取的跟踪目标在跟踪过程中受到遮挡,或者晃动,则使用Kalman滤波器预测目标所在区域,可以缩小跟踪器的检测范围,增强算法的效率。实验结果表明:改进后的跟踪算法与常规TLD相比,鲁棒性更好,精度更高,跟踪速度更快。

一种基于旋转不变特征的在线目标跟踪方法

提出了一种新的基于局部二进制模式(LBP)特征的旋转不变特征,该特征与2bit BP特征相比,具有一定的旋转不变性。改进了跟踪-学习-检测(TLD)框架中的目标检测模块,提出了一个新的跟踪-学习-检测-验证(TLDV)框架,并将其应用到在线目标跟踪领域。该框架首先提取运动目标的SIFT特征点,然后利用SIFT点的对应关系计算目标的旋转的放射变换,从而进一步确定目标旋转角度,进行跟踪框的旋转更新,实现了旋转不变的目标跟踪算法,在一些视频的测试结果验证了算法的有效性。

运动背景下的抗遮挡TLD改进算法

针对跟踪学习检测(Tracking Learning Detection,TLD)算法在目标受到遮挡、尺度变换和形变时跟踪精确度下降的问题,提出了运动背景下的抗遮挡TLD改进算法。在TLD算法内置的跟踪模块中引入面向加速分段测试特征和旋转二进制鲁棒独立基本特征(Oriented FAST and Rotated BRIEF,ORB)与均匀分布特征点相结合的特征点提取方法;在检测模块中采用自适应切换局部搜索与全局搜索的策略;采用警戒区域的方法进行遮挡判定,采用Kalman滤波与特征点匹配相结合的方法预测目标位置。实验结果表明,改进算法中跟踪模块中的特征点能够准确地反映目标的信息,同时减少了目标检测的扫描区域,提高了对运动背景下被遮挡目标的判定及预测能力。与同类目标跟踪算法相比,该算法跟踪速度、精度都较高;与经典TLD算法相比,改进算法在面对运动遮挡场景时表现更好。

A robust object tracking framework based on a reliable point assignment algorithm

视觉跟踪是近年来计算视觉最活跃的研究课题之一,已被广泛应用于许多视觉领域。然而,视觉跟踪技术仍然存在挑战,如目标发生光照变化、遮挡、外观形变等。为克服这些技术困难,本文提出基于小波变换的可靠特征点分配(Reliable point assignment,RPA)算法。通过搜索局部最大小波系数(Local maximal wavelet coefficients,LMWC)的位置,获得可靠特征点。在图像中,具有局部最大小波系数之处,表明该处图像信号发生了较大变化,因此,可靠特征点对图像噪声、光照变化和外观形变等情况都具有鲁棒性。此外,在检测中应用卡尔曼滤波器,以提高处理速度并减少误检率。最后,将所提出的RPA与卡尔曼滤波器集成到跟踪–学习–检测(Tracking–learning–detection,TLD)算法框架中,提高了跟踪精度,且降低了误检率。实验结果表明,新框架在精度、f值(f-measure)和平均重叠率(%)等方面均优于TLD和核化相关滤波器(KCF)这两个跟踪算法。