针对核相关滤波(KCF)目标跟踪算法在目标发生尺度变化和受到遮挡时无法保证对目标长时间跟踪的问题，提出了一种尺度自适应抗遮挡的长时间目标跟踪算法。首先，将方向梯度直方图(HOG)特征和颜色(CN)特征进行融合并增加一个尺度滤波器用于估计目标的尺度;然后，引入平均峰值相关能量指标(APCE)进行遮挡判断，采用SVM分类器重新检测目标被遮挡后的位置; 最后，根据平均峰值相关能量和位置滤波器最大相关响应值选择模型更新策略。选取OTB100和UAV123两个数据集进行实验，结果表明，改进算法能有效地解决目标尺度变化和遮挡等问题，实现对目标的长时间稳定跟踪。
目标跟踪 尺度自适应 抗遮挡 SVM分类器 重新检测 target tracking scale adaptation anti-occlusion SVM classifier recheck
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
华北理工大学电气工程学院, 河北 唐山 063210
针对核相关滤波算法中单一特征不能很好地适应跟踪过程中出现的复杂场景,以及算法无法解决目标尺度变化的问题,提出一种多特征融合的尺度自适应相关滤波跟踪算法。首先,在相关滤波算法的框架下,按照特征响应图的可信度来对快速方向梯度直方图 (FHOG)特征和局部二值模式(LBP)特征进行自适应加权融合,实现对目标的定位;其次,在尺度估计环节,利用尺度金字塔来估计目标的尺度大小,使算法对尺度发生变化的目标有很好的适应能力;最后,在OTB-50数据集上进行测试,将本文算法与其他5种跟踪方法进行对比,其精确率和成功率均有所提高,且具有较好的鲁棒性和稳定的跟踪性能。
机器视觉 相关滤波算法 特征融合 尺度自适应 尺度金字塔 激光与光电子学进展
2020, 57(4): 041512
1 长沙师范学院 信息科学与工程学院, 湖南 长沙 410100
2 湖南师范大学 信息科学与工程学院, 湖南 长沙 410081
3 中南大学 物理与电子学院, 湖南 长沙 410083
针对传统相关滤波跟踪算法在遮挡、出视野、形变、背景杂乱等挑战场景中容易出现跟踪失败的问题, 本文提出快速尺度支持相关滤波跟踪算法。首先, 利用循环样本构造支持相关滤波器, 并将跟踪问题视为支持相关滤波器的学习问题; 然后, 利用离散傅里叶变换与迭代优化策略解决了支持相关滤波器的学习问题, 极大地降低了算法复杂度; 同时, 利用对数极坐标变换将目标尺度估计问题转换为对数极坐标下的位移变化, 实现了目标尺度的自适应; 最后, 采用自适应模板更新策略, 解决了遮挡情况的模板漂移问题。利用标准数据集测试对本文算法性能进行评估, 结果表明: 所提算法精确度为0.964, 成功率为0.892, 均优于传统的相关滤波跟踪算法, 可以较好地解决形变、遮挡、出视野、背景杂乱等情况下的目标跟踪问题。
目标跟踪 支持相关滤波 对数极坐标变换 尺度自适应 target tracking support correlation filter log polar transformation scale adaptation
江南大学物联网工程学院, 江苏 无锡 214122
提出了一种特征权值与尺度自适应的核相关跟踪算法。提取目标搜索区域的方向梯度直方图(HOG)特征和颜色名(CN)特征进行自适应权值融合,通过融合特征的相关滤波响应图的峰值找到目标位置;利用权值较大特征的相关滤波响应图的峰值和峰值旁瓣比的乘积作为尺度评估依据,对目标尺度进行粗略估计和精确估计,从而得到目标的最佳尺度。通过在目标跟踪标准(OTB-2013)数据集上的仿真实验,结果表明相比核相关滤波跟踪算法以及其他5种跟踪算法,所提算法在跟踪精度和成功率方面都有明显提高,跟踪精度为0.799,成功率为0.723,能较好地适应目标尺度的变化。
机器视觉 目标跟踪 核相关滤波 特征融合 尺度自适应 激光与光电子学进展
2019, 56(10): 101501
1 太原科技大学 电子信息工程学院, 山西 太原030024
2 中国矿业大学 计算机科学与技术学院, 江苏 徐州221116
为了解决尺度变化对目标跟踪的影响, 本文在颜色特征跟踪算法的基础下提出了一种多尺度目标跟踪算法。该算法通过训练位置和尺度两个相关滤波器以实现自适应尺度跟踪。首先通过最小二乘分类器学习获得位置相关滤波器, 采用主成分分析法对颜色特征进行降维, 计算响应的最大值作为下一帧目标中心位置; 接着根据设定的尺度因子在中心位置周围形成多个大小不一的矩形区域, 并计算每个区域的颜色特征; 学习每个区域的颜色特征, 获得尺度相关滤波器, 并采用正交三角分解对尺度相关滤波器进行降维; 然后根据响应的最大值确定跟踪目标的尺寸; 最后对目标的位置和尺寸进行更新。通过对13组挑战性的视频序列进行测试, 结果表明, 本算法不仅对目标尺度变化具有一定的适应性, 而且对光照变化、快速运动、运动模糊等复杂情况下, 均具有鲁棒性, 多项性能指标均优于目前跟踪性能先进的算法。
目标跟踪 颜色属性 主成分分析 尺度自适应 target tracking color feature principal component analysis scale adaptation
针对多目标跟踪技术中常出现的目标尺度变化、形变和遮挡问题，提出了一种具有良好鲁棒性的新算法。本算法采用改进的SVM分类器进行在线学习，将跟踪问题看作是一种最大间隔的结构化学习问题并对其更新方式进行改进，来寻找最优权重。同时对在线更新分类器的机制进行了调整，一定程度上减少了误差积累，使在线学习能够更好地发挥其长处。此外，算法采用相关滤波器自适应调整跟踪框大小，并提出遮挡处理和数据关联机制，使被遮挡后重新出现的多个目标编号不发生交换。经过实验验证，本算法提高了跟踪精度，在复杂的背景环境中能够较好地完成多目标跟踪任务。
多目标跟踪 在线学习 尺度自适应 multi-target tracking online learning scale adaptation
