基于Mean-Shift优化的TLD视频长时间跟踪算法

针对TLD(tracking learning detection)算法同时包含了跟踪、检测和学习三个部分,具有较高计算量的缺点,提出了采用Mean-Shift算法替换原TLD跟踪器部分的光流跟踪算法。该优化方法利用具有计算量小的MeanShift算法替换计算量较大的光流法进行跟踪,以通过目标模型和候选目标模型之间的巴氏系数与阈值的比较来判定跟踪失败的自检测,并通过计算Mean-Shift跟踪返回的目标框和上一帧TLD返回的目标框之间的相似度来进一步得到跟踪的有效性,在发生跟踪失败时由检测器重新初始化跟踪。实验结果表明,该优化方法在视频长时间跟踪算法中具有较高的鲁棒性和准确性,并且与原TLD算法相比,该优化方法在跟踪速度上得到了提升。

基于KCF框架的长时间视频目标跟踪算法

针对视频目标跟踪中因遮挡产生的目标丢失后无法重新自动锁定目标的问题,提出了一种能够对视频目标进行长时间跟踪的算法。基于KCF(Kernelized Correlation Filters)算法的框架,增加筛选模块,通过三重分类器的筛选,对目标重新自动锁定。实验结果表明,提出的算法能够实现对目标的稳定跟踪,并且在目标跟丢后自动重新锁定并继续跟踪,实现对目标长时间跟踪的目的。

基于TLD和fDSST的长时间目标跟踪算法

为加强fDSST算法在目标快速运动、快速形变、目标消失情况下的跟踪精度,提出了一种基于TLD和fDSST的长时间目标跟踪算法。在fDSST算法的基础上,加入了检测器和学习器对跟踪结果进行修正和学习,并利用检测器和学习器的正负样本对跟踪结果进行置信度评估,从而解决了在跟踪失败情况下的错误参数学习问题。实验表明,基于TLD和fDSST的长时间目标跟踪算法,不但解决了fDSST算法由于目标快速运动、形变甚至消失而使跟踪失败,难以进行长时间持续跟踪的问题,且很大程度上增强了TLD算法的跟踪精度。

一种改进的长时间压缩感知跟踪算法

压缩感知跟踪(CT)算法具有简单、高效、实时的优点,但是却存在着跟踪窗口尺寸不能自适应变化,无法有效处理遮挡以及跟踪失败后的目标再发现等问题。为了解决上述问题,提出了一种改进的长时间压缩感知跟踪算法。所提出的算法采用多尺度的目标外观再匹配方法,使得跟踪窗口大小能够适应目标尺寸变化。此外,通过分析滑动窗口内跟踪窗口图像的整体特征变化来判定目标是否发生遮挡。为了解决跟踪器漂移问题,采用Haar特征在线生成检测器,实现目标的再发现。实验结果表明提出的算法相比原CT算法具有更好的鲁棒性和准确性。

NVST的长期跟踪误差分析及改正

由于1 m太阳望远镜主体、光电导行及终端仪器消旋平台等的结构特点,即使光电导行系统闭环后,望远镜长时间跟踪精度仍然较低。为了解决这一问题,首先根据望远镜的结构特点分析了跟踪误差随时间变化的原因,然后通过理论和实测分析了误差的变化特点,研究了如何通过相关算法检测望远镜折轴焦点F_3焦面的高分辨率成像观测系统中的图像移动量,并平滑高频分量,分离出低频分量以反馈给望远镜定位跟踪系统,进一步提高望远镜的长时间跟踪精度。最后进行了高分辨率成像观测系统中TiO通道闭环跟踪实验,实验表明,在4小时的闭环跟踪时间内,跟踪误差的均方根值为0.52″,表明通过折轴焦点F_3成像观测系统中的图像移动量对望远镜实行闭环跟踪能够提高望远镜的长时间跟踪精度。

尺度自适应的抗遮挡目标跟踪算法

针对目标跟踪过程中的尺度变化、易被遮挡及跟踪漂移等问题,提出一种跟踪检测一体化的算法,改进算法在最小输出均方误差和(MOSSE)的基础上增加尺度变化更新机制,通过相关计算推算目标的最新位置和最佳尺寸,并融合了判断遮挡、模板自适应更新机制.通过对Benchmark上51个测试视频集跟踪实验分析,结果表明本文算法在尺度自适应以及抗遮挡方面优于传统算法.

改进的KCF实时目标跟踪算法

提出了一种改进的核相关滤波(KCF)实时目标跟踪算法.增加初始化跟踪范围自适应的策略,同时在跟踪过程中采用动态学习率.利用初始化跟踪范围自适应方法对跟踪目标响应趋势进行快速判断,若响应值快速衰减,则扩大跟踪范围.动态学习率的设定也与目标响应强度密切相关,当目标响应强度较高时,目标学习率较高,增加模型的鲁棒性;当目标响应值低时,模型学习率降低,减少模型保护的噪声信息.最后介绍了DSP6455定点单核定点处理器上的算法移植工作,实测耗时为23 ms,满足实时性要求.