针对机器视觉中目标跟踪出现的遮挡问题,在原有的DAT(Distractor-Aware Tracking)算法框架上引入遮挡检测机制,提出了DDAT(Detection-DAT)算法。该机制首先提取目标的颜色特征,通过颜色特征计算目标帧间的相似度,利用相似度的变化趋势及帧间差值阈值,判断目标在跟踪中是否出现遮挡;然后利用朴素贝叶斯分类器和最邻近分类器,得到后续帧中的目标框;最后再次通过相似度检测两个分类器得到的目标框是否为正确的目标框。为了验证算法的有效性,在具有遮挡属性的标准数据集视频序列上,与DAT算法以及其他的跟踪算法进行定性和定量的比较。

针对传统跟踪方法在严重遮挡情况下出现目标跟踪漂移和丢失的问题,在核相关滤波跟踪框架下提出一种长时间稳健的目标跟踪算法。在跟踪过程中引入包含遮挡信息的组合置信度测量方法,用于稳健更新。如果核相关滤波算法中置信度的结果表明目标被遮挡,则引入块均值漂移算法来跟踪目标。利用局部信息获取目标的最终位置。用OTB-13测试库中的8组视频序列测试算法的性能,相比传统的核相关滤波算法,精确度提高了0.7%,成功率提高了5.7%。测试结果表明在目标发生严重遮挡时,该算法仍具有较好的跟踪效果,能实现目标长时间稳定的跟踪。

针对大多数跟踪算法无法解决尺度变化问题和现有尺度解决方案存在冗余、固定的问题,提出一种基于核相关滤波框架的由粗到细快速和新颖地解决尺度估计的方法,考虑到仅利用响应图峰值进行比较存在不稳定性,以检测响应图与期望输出图的欧氏距离作为峰值的可靠程度,以两者的乘积作为最终比较结果;该方法首先使用3个尺度因子确定目标尺度变化方向,然后在尺度变化方向求解最优尺度;在OTB-100的26个带有尺度变化属性的基准序列上进行实验,并与现有其他先进跟踪算法进行定量和定性比较。结果表明:提出的方法能够很好地解决尺度变化问题;与核相关滤波相比,所提出算法的平均距离精度提高了18.8%,曲线下面积提高了19.6%,跟踪速度是稳健视觉跟踪的精确尺度估计的2.5倍,是特征整合尺度自适应核相关滤波跟踪算法的6倍。

针对传统跟踪方法难以实时准确适应目标尺度变化这一问题,基于核相关滤波跟踪框并采用尺度估计方法,提出一种自适应尺度的目标跟踪算法。对正则化最小二乘分类器进行求解,获得滤波模板,并对候选样本进行检测,估计出目标的位置;利用尺度估计方法,在已确定目标位置处根据前一帧目标的大小对当前帧目标尺度进行检测,由最大的响应值确定当前帧目标的尺度;根据遮挡检测机制,在线更新目标和尺度模型参数。实验结果表明,所提出的算法与其他跟踪算法中的最优者相比,距离精度提高了17.12%,成功率提高了10.77%;在目标发生背景干扰、严重遮挡以及在光照、姿态和尺度变化等复杂场景下,该算法仍具有较好的跟踪效果。

基于时空上下文(SpatialTemporal 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。

Struck算法是近年来综合性能较优的视觉目标跟踪算法, 但对于较大比例遮挡或全部遮挡情形, 算法性能下降明显。通过对Struck算法的分析发现, 当遮挡出现时算法分类器会引入错误信息, 从而导致跟踪失败或者跟踪漂移。在Struck算法框架的基础上加入遮挡判断机制, 在检测到较大比例遮挡后停止分类器更新, 并通过缩放搜索样本的尺寸解决目标尺寸快速变化导致的遮挡检测虚警; 对于具有一定运动信息的目标, 通过卡尔曼滤波器进行预测解决目标全遮挡后的持续跟踪。实验证明, 提出的算法框架对遮挡情形下的目标跟踪具有较高的鲁棒性。

提出了一种新颖的利用随机森林检测深度图像中遮挡现象的方法。该方法从一幅深度图像中提取每个像素点的遮挡相关特征，利用随机森林分类器检测每个像素点是否为遮挡边界点，得到图像中的遮挡边界。主要贡献在于：提出了一种新的遮挡相关特征深度值离散度特征，同时引入高斯曲率特征，并将它们与现有特征相结合来检测遮挡边界；以特征重要性和特征提取时间为衡量标准，对深度图像中的各遮挡相关特征进行了分析评估，在此基础上，选取平均深度差、最大深度差、平均曲率、高斯曲率和深度值离散度5种特征用于设计遮挡检测分类器；一种新的遮挡检测方法，利用随机森林解决深度图像的遮挡检测问题。实验结果表明，同已有方法相比，所提方法具有较高的准确性和较好的通用性。