时空上下文 (STC)跟踪算法在特征表达、尺度自适应策略等方面存在缺陷,当出现目标突然形变、局部遮挡或尺度变化等情况时,跟踪器的性能会严重退化。通过对 STC算法进行改进,提出了一种融合颜色直方图响应的时空上下文跟踪算法。基于颜色统计的模型对运动模糊和目标形变等影响因素不敏感,和时空上下文模型具有良好的互补性质,在响应层融合后能够提升算法的鲁棒性。此外,采用基于多尺度金字塔模型的尺度搜索策略替换 STC算法中原有的尺度估计策略,进行更精准的自适应尺度估计。在大规模公开数据集上的测试结果表明,本文算法在不同影响因素的复杂环境下展现了更为良好的跟踪性能和适应性,并且平均跟踪速度达到 134.2帧/秒。
机器视觉 视觉跟踪 时空上下文 颜色直方图响应 尺度自适应 machine vision visual tracking Spatio-Temporal Context(STC) color histogram response scale adaptation 太赫兹科学与电子信息学报
2020, 18(3): 509
1 天津大学 精密测试技术及仪器国家重点实验室, 天津 300072
2 天津大学 微光机电系统技术教育部重点实验室, 天津 300072
为了满足某些算力受到限制的应用场景的长时跟踪需求, 如以C64x+ DSP为核心的嵌入式系统, 提出了一种由连续跟踪环节与目标检测环节两部分构成的低时间复杂度长时跟踪算法, 连续跟踪环节基于自适应更新的时空上下文算法(STC), 目标检测环节使用归一化互相关匹配算法。在没有目标出视场、目标快速移动等特殊跟踪场景时, 连续跟踪环节输出跟踪结果, 在跟踪失败后, 目标检测环节对全幅图像进行处理, 只要目标出现在图像中, 便可以重新锁定目标。经实验验证, 目标检测环节可以在目标出现后准确检测到目标, 满足了长时跟踪的要求。同时, 目标检测环节在跟踪不可靠时的辅助定位也提升了连续跟踪环节的鲁棒性, 使用OTB2013数据集测试, 本算法的精确度较STC算法提升了4.95%。
长时跟踪 算力限制 时空上下文算法 模板匹配 long-term tracking computational constraints STC algorithm template matching 红外与激光工程
2020, 49(1): 0126003
STC目标跟踪算法是一种基于贝叶斯框架、使用跟踪目标与目标周围区域的时空关系达到跟踪目的的跟踪算法, 但是当目标快速移动或者受到剧烈干扰时容易丢失跟踪的目标。将时空上下文目标跟踪算法与Kalman滤波相结合, 使用Kalman滤波对目标的位置进行预测, 并使用STC目标跟踪算法对预测结果进行校正。结合Kalman滤波和STC的目标跟踪算法能在目标被遮挡或存在干扰目标情况下实现有效跟踪。实验结果表明, 将STC目标跟踪算法与Kalman滤波结合后在目标跟踪中比单纯的STC目标跟踪算法具有更好的准确性和鲁棒性。
目标跟踪 时空上下文 Kalman滤波 置信图 target tracking STC Kalman filter confidence chart
1 中国科学院光电技术研究所, 成都 610209
2 中国科学院大学, 北京 100049
3 中国华阴兵器实验中心, 陕西 华阴 714200
基于时空上下文(SpatialTemporal Context, STC)的跟踪算法与大部分传统算法相比, 在实时性方面具有明显的优势。通过实验发现, STC算法存在由变形和遮挡引起的跟踪精度下降问题。针对该问题, 提出了一种改进方法, 该方法在原STC算法的基础上引入局部二值模式(Local Binary Pattern, LBP)和遮挡检测机制, 利用LBP特征来代替灰度特征, 当跟踪器检测出目标发生遮挡时, 停止分类器参数的更新。对于满足线性运动的目标, 利用卡尔曼滤波器对其进行位置预测以解决目标发生遮挡后的定位问题。实验证明, 所提出的改进算法能有效提升目标跟踪精度, 针对遮挡情况下的目标也展现出较高的鲁棒性。
STC算法 LBP特征 遮挡检测 卡尔曼滤波器 STC LBP feature occlusion detection Kalman filter
中国民航大学 电子信息与自动化学院, 天津 300300
传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性, 故目标被长时间遮挡后, 目标模型容易被错误更新且难以修正。因此, 本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性, 并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征, 在目标被长时间遮挡后也能准确评估更新内容的有效性, 并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明, 改进算法在测试数据集上的跟踪成功率为82%, 中心偏差为8 pixels; 在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升, 实现了目标的可靠跟踪。
目标跟踪 时空上下文跟踪算法 双目标模型 级联分类器 object tracking Spatio-temporal Context (STC) tracking algorithm dual-object model cascade classifier
为有效地处理目标跟踪中的目标尺度变化、光照变化和局部被遮挡问题,采用分块跟踪策略,跟踪目标上的多个跟踪点,通过前后两帧图像间多对对应跟踪点之间的距离变化量确定目标尺度的变化量和位移量。在目标被遮挡的情况下,利用未受遮挡影响的跟踪点的位置信息和时空上下文信息计算目标跟踪点位置。采用高效而精确的STC(Spatial Temporal Context)跟踪算法跟踪单个跟踪点,保证算法的实时性和跟踪点定位的准确性。实验结果表明,提出的分块跟踪算法不但实时性较好,跟踪精度较高,具有抗光照变化和抗局部遮挡能力,而且算法原理简单,能够适应多种跟踪环境。
目标跟踪 尺度变化 抗遮挡 光照变化 分块跟踪 object tracking scale change anti-occlusion illumination variation spatial temporal content STC block tracking method