改进TLD算法在光电跟踪中的应用

为满足光电跟踪系统图像跟踪抗遮挡、实时性的要求,提出了一种改进检测器和目标模型更新策略的TLD算法。首先,通过帧差法获得差分图像序列,其次,利用动态Otsu阈值对差分图像进行二值化处理,滤除背景差分像素,获取移动物体边界框,最后,产生局部滑动窗口,进行随机厥分类和最近邻分类;并且优化了目标模型更新策略。实验表明,对于分辨率为320×240的视频,改进算法较原算法跟踪速度提升比平均为1.50,满足系统的实时性要求;改进算法抗遮挡性能及在低对比度环境中的跟踪性能优于Mean-Shift算法,满足系统的抗遮挡要求。

非连续学习自适应TLD算法

TLD算法是一种在线学习的目标追踪算法.在跟踪模块过程中,本文通过引入对跟踪目标一段时间内变化程度的评估,并利用该评估结果作为是否运行学习模块的标准,以此实现非连续学习自适应TLD算法.通过实验对比可知,此方法大大提高了TLD算法的效率.

基于TLD算法的加油锥套跟踪

针对自主空中加油对接阶段锥套跟踪问题,提出了一种基于tracking-learning-detection(TLD)的锥套跟踪算法。该算法将加油锥套的跟踪任务分解成跟踪、学习、检测3个部分。跟踪模块在LK光流法的基础上添加跟踪失败自检测,筛选出好的跟踪点,跟踪加油锥套;检测模块构建级联分类器,对滑动窗遍历得到的图像块进行分类并返回含有目标的图像块,融合跟踪模块的跟踪框,给出最终跟踪结果;学习模块引入P-N约束修正错误样本并学习更新检测模块。利用Creator/Vega Prime软件对空中加油进行视景仿真,在视景仿真视频上测试锥套跟踪算法。结果表明:TLD算法跟踪加油锥套成功率达95.5%,处理每帧平均耗时31.4ms,能够满足加油锥套跟踪鲁棒性、准确率、实时性的要求。

融合CamShift的TLD算法实现人脸跟踪

针对跟踪-学习-检测(Tracking-Learning-Detection,TLD)算法跟踪模块所用金字塔光流法计算量大,跟踪人脸实时性差的问题,提出融合连续自适应均值漂移(Continuously Adaptive Mean Shift,CamShift)的TLD算法提高人脸跟踪效率.改进的TLD算法框架中跟踪模块选用CamShift算法实现目标人脸跟踪,检测模块采用滑动窗法扫描搜索,再使用分类器判断目标是否存在,学习模块根据跟踪模块和检测模块的结果对比评估错误和误差,更新目标模型.将改进的TLD算法分别与CamShift算法和TLD算法进行对比试验,结果表明,融合CamShift的TLD算法实现人脸跟踪效率和准确率均高于原始两种算法,且满足实时性要求.

基于改进TLD算法的无人机自主精准降落

四旋翼无人机(Unmanned Aerial Vehicle,UAV)在航拍、测绘、环境监测、快递等航空领域的广泛应用,对四旋翼无人机的可用性和可靠性提出了更高的要求,而其实现自主精准降落的功能是必不可少的。对目标进行快速鲁棒性跟踪是实现降落的重要基础,TLD(Tracking Learning Detector)算法为这一问题提供了一种有效的解决办法,虽然许多学者对其进行了研究并对传统的TLD算法进行了改进,但算法的跟踪精度及速度仍然难以满足无人机的降落要求。提出了一种基于TLD框架的目标跟踪算法来实现无人机与特定降落目标之间的相对定位。该算法在TLD框架下,提出一种基于目标形状特征自主确定降落目标的算法,提高了降落流程的自主性;用核相关滤波器(Kernelized Correlation Filter,KCF)实现了TLD框架中的跟踪器,提高了算法的实时性、精准度及鲁棒性;同时在降落过程中采用一种基于方向梯度直方图特征(Histogram of Gradient,HOG)和支持向量机(Support Vector Machine,SVM)的目标识别方法,以实现目标检测自矫正,保证长时间准确跟踪目标。在七类模拟无人机进行降落的视频集下验证了该算法,与其他三种跟踪算法进行对比,并进行实际降落测试。测试结果表明,该算法的鲁棒性和精准度均优于其他算法,处理速度可达到31.47 f/s,故而在TLD框架下采用核相关滤波器作为跟踪器,对跟踪及检测结果进行有效融合并提高算法实时性的同时,增加的检测自矫正环节保证了长时间跟踪的准确度,从而有效地实现了无人机全自主精准降落。

基于改进TLD的运动目标跟踪算法研究

针对TLD目标跟踪算法在实际跟踪过程中会受到遮挡、旋转、运动模糊等问题的影响,提出了一种改进的TLD算法,在跟踪模块中引入改进FAST角点算法,并在检测模块中建立随机切块的数据增强方法下的正样本库,引入旋转不变LBP算法,设计了一个旋转不变性的分类器。跟踪模块的改进不仅保证了算法的准确度,还提升了算法的实时性。检测模块的改进使得TLD算法即使在运动目标部分被遮挡或发生形态改变的情况下依旧有很好的跟踪效果。对数据集OTB-2013进行实验验证发现,本文算法与其他5种算法相比,不仅跟踪精确度高、运行速度快,还能有效提高运动目标被遮挡时的跟踪效果。

基于TLD-KCF算法的运动视频目标跟踪技术研究

随着技术和经济高速发展,计算机视觉图像化技术被引入到各个领域。如何在愈发复杂的自然或者城市环境下保持视频目标追踪的准确性、实时性和稳定性是当下值得研究的问题。此次研究提出一种结合TLD算法和KCF算法的运动视频目标跟踪模型,该模型以KCF算法代替TLD算法跟踪模块中的中直光流算法,并在KCF算法添加采样窗口尺度变化模块,通过跟踪无人机在复杂环境下的变速运动验证性能,相较于主流的改进KCF算法和改进TLD算法,整体性能提高10%到20%左右,在面对遮挡、光暗变化、形变等问题均有良好表现。

基于关键特征点的改进TLD目标跟踪算法研究

TLD(Tracking-Learning-Detection)算法是一种新颖的单目标长时间视觉跟踪算法,在给定极少的先验知识的情况下,能够迅速地学习目标特征并进行有效的跟踪。TLD算法中跟踪器每次在跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点都能够被可靠地跟踪。针对这个问题,提出一种基于关键特征点检测的改进TLD算法,保证所选特征点都能够被正确可靠地跟踪,防止跟踪结果发生漂移,提高了跟踪器的跟踪精度。另一方面,在TLD检测器中引入了基于轨迹连续性的在线位置预测,在保证正确跟踪的前提下,缩小了检测器的检测范围,提高了运算速度。实验结果表明,该算法有较高的跟踪精度和速度。

检测区域动态调整的TLD目标跟踪算法

针对经典跟踪-学习-检测（TLD）目标跟踪算法由于检测区域过大而导致的检测时间过长及对相似目标跟踪处理效果不理想的问题,提出一种检测区域可动态自适应调整的方法——TLD-DO。该方法利用两次Kalman滤波加速度矫正预测的检测区域优化算法DKF,通过缩小TLD检测器检测范围,以达到在跟踪精度略有提升的情况下提高跟踪速度的目的;同时此方法可排除画面内相似目标的干扰,提高在含有相似目标的复杂背景下目标跟踪的准确性。实验结果表明：TLD-DO算法在处理不同视频与跟踪目标时,检测速度有1.31-3.19倍提升;对含有相似目标干扰情况下,跟踪效果明显优于原TLD算法;对目标抖动及失真情况有较高的鲁棒性。

一种基于TLD改进的视觉跟踪算法

视觉跟踪是当前计算机视觉的热点问题之一。TLD(Tracking Learning Detecting)算法是一种可以在线学习的新颖视觉跟踪算法。针对算法中跟踪器采用的LK光流法无法捕捉大幅度运动目标的问题,引入图像金字塔模型,提出一种采用金字塔光流法的TLD的改进算法,解决了长时间跟踪中出现运动尺度过大时产生孔径的问题。实验结果表明,算法在复杂场景和大运动条件下,可以长时间准确、快速地实现视觉跟踪,具有较强的适应性和有效性。

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.

一种改进的TLD目标跟踪算法

针对TLD目标跟踪算法在实际应用环境中其适应性和实时性较差的问题,提出一种基于ORB算法对TLD特征点跟踪模块改进算法。引入ORB特征点检测算法,使目标窗口中的特征点离散化,并在此基础上结合图像金字塔L-K光流法,减少光照对运动目标的影响,以此提高检测精度;在TLD的检测器中引入Kalman滤波器,对丢失或被遮挡的目标位置预测搜索,提高检测精度及速度。实验结果表明,改进算法在正确检测帧数小幅提高的情况下,检测帧率达到了每秒13帧左右,是原始算法跟踪速度的1.5倍左右,该方法可减少匹配特征点的数量,缩小检测区域,提高处理速度。

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD(Tracking-Learning-Detection)算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题,提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本,其背景作负样本,获取手势HOG特征并投入到卷积神经网络中加以训练,得到手势检测分类器,从而确定目标手势区域,实现手势的自动识别;再利用TLD算法对手势进行跟踪与学习,对正负样本进行估计检测并实时校正,同时运用SURF特征匹配更新跟踪器。实验结果验证,该算法对比TLD经典算法跟踪精度提高了4.24%,增强了运动手势的跟踪效果,相比经典跟踪算法拥有更高鲁棒性。

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD)目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入Vi Be模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。

基于粒子滤波的TLD目标跟踪算法

在复杂背景下运动目标速度快速变化、目标丢失、或大面积遮挡时,TLD算法跟踪的稳定性明显下降,跟踪效果差。针对这一问题,在TLD算法的跟踪模块中引入粒子滤波,使其在长期稳定跟踪的基础上,更好地完成复杂背景下快速运动目标的跟踪。实验以Open CV和VS2010为测试环境,结果表明,改进后的TLD算法较原始TLD算法能够更好地跟踪快速运动的目标,增强了跟踪的稳定性和鲁棒性。

一种结合Camshift和Kalman滤波的TLD目标跟踪算法

TLD(Tracking-Learning-Detection)跟踪最大的优点是对初始选择的目标进行不断的学习,来获取目标当前的外观特征信息。但其计算量大,当有相似目标出现、目标物被遮挡时,跟踪精确度低、效果差。Camshift算法是基于Meanshift算法形成的可连续自适应的一种算法。Camshift结合Kalman滤波可实现对目标位置的快速查找和对窗口大小的控制功能。将TLD跟踪方法的原始输出数据与改进算法的预测结果结合,再修正当前时刻的状态输出结果。对输出结果加权处理,得到目标的最终准确位置。改进算法既具有TLD算法原有的长期有效跟踪特点,又提高了对目标实时跟踪的准确性,同时对短时遮挡具有预测功能。

基于改进TLD跟踪算法的生猪视频跟踪

养猪场其本身容易受到大规模感染,大多设置在人烟稀少的地区,传统的人员监管体制存在工作量大、效率低等问题,为实现对生猪的无接触式监管,以猪舍监控视频作为数据来源,提出基于改进TLD跟踪算法的生猪视频跟踪方法。引入SSD网络训练模型对样本进行训练,改进跟踪算法的目标检测部分,将识别结果直接带入跟踪算法,使得检测模块的窗口数量大大降低,并且可以提高检测精度和运算速度。本文提出的改进模型在测试集上,对视频中的生猪进行躺卧、静止不动和正在活动三种行为进行识别,平均准确率分别达94.26%、95.67%、91.36%。相比于传统TLD算法识别成功率和精度分别提高10.7%和6.41%。改进TLD跟踪算法在提高识别精度的同时保证识别效率,可以应用于对全时间段的生猪活跃信息监测,将检测结果作为生猪健康养殖的参考之一。

基于TLD算法的无人机协同目标跟踪技术研究

TLD（Tracking—Learning—Detection）是近期受到广泛关注的一种有效的视频目标跟踪算法。基于经典的TLD算法，通过构建协同跟踪框架，将待跟踪目标的目标位置信息和特征信息加入到TLD算法的学习模型中，实现了利用多无人机协同跟踪同一或多个运动目标。利用TLD算法进行多无人机协同目标跟踪，算法的跟踪准确率最低为93．9％，最高可达到99．1％，且每帧的平均跟踪时间在41～47ms之间，跟踪性能较好，基本可以达到实时的性能；另外，跟踪算法的平均像素偏移数最大仅为5．013个像素，跟踪精度高。结果表明，利用TLD算法进行多无人机协同目标跟踪是可行的，且具有一定的应用和研究价值。

利用行人运动特性的TLD快速检测算法

针对TLD目标检测时需全局穷举搜索耗时较高的问题,提出一种基于行人运动特性的区域优化算法。该算法可有效预测行人在图像中的可能区域,从而减小检测计算复杂度,提高算法效率。经仿真分析表明,该算法在原有目标检测性能不变的情况下,检测耗时较原算法平均降低81.54%,跟踪速率平均提升4倍,跟踪实时性明显提高。

基于TLD与SVM相结合的视频行人跟踪算法

TLD是一种对视频中单个物体长时间跟踪的经典通用算法。为了更好地适应行人跟踪,在原TLD算法基础上,提出一种与SVM相结合的视频行人跟踪算法。在检测模块增加SVM分类器,实现对候选框HOG特征的检测,并对候选框进行二分类,使检测模块能够更好地检测出目标行人,增强其检测能力。实验结果表明,改进算法能够很好地解决目标行人转身、物体遮挡等因素的干扰,并且能够长时准确跟踪目标行人,具有较好的鲁棒性和实时性。