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。

结合孪生网络重检的长期目标跟踪算法

针对传统长期相关滤波器使用特征单一、跟踪失败后无法再次捕捉到目标的缺点,提出一种结合深度学习的多特征融合长期目标跟踪算法.本算法在长期相关跟踪算法(long-term correlation tracking,LCT)的基础上,采用多特征融合的方式,将局部二值模式特征、改进的方向梯度直方图特征以及颜色特征相融合,来提高跟踪算法的鲁棒性.由于LCT算法选择随机蕨分类器进行目标重检,对检测范围有局限性且重检精度较低,故采用基于深度学习的孪生网络实例搜索(SINT)方法对全局图像进行目标重检.本文的实验在OTB100数据集上进行,结果表明:本文算法与LCT算法相比,距离精度和成功率分别提升了13%和10.3%.

基于相关滤波的长期跟踪算法

针对目标遮挡导致跟踪失败的问题,在核相关滤波器(KCF)的基础上,提出目标重检测的长期跟踪算法.将方向梯度直方图特征与亮度颜色空间(LAB)颜色信息融合,建立目标外观模型,并增加尺度估计对应目标尺度的改变.通过引入峰值比控制重检测模块的启动,提取Harris角点重新学习新的模型,对目标进行持续跟踪,并控制模型更新速率.在OTB数据集上的对比实验表明,文中算法跟踪精度较高,适用于遮挡情况下的目标长期跟踪.

基于特征融合的改进LCT跟踪算法

为解决LCT算法在目标形变与快速移动情况下跟踪效果差的问题,提出一种基于特征融合的跟踪算法。在梯度方向直方图特征相关滤波的基础上,提取目标与背景颜色直方图特征,得到颜色特征的目标预测位置。在此基础上,根据跟踪置信度确定特征融合权重,综合考虑梯度特征与颜色特征得到跟踪结果。实验结果证明,与LCT算法相比,该算法的距离精度和重叠精度分别提高了11.5 %和21.2 %,平均中心位置误差减少了15.3像素。