基于低通滤波时空上下文的鲁棒视觉跟踪算法

基于峰值特性判定模型更新的鲁棒视觉跟踪算法
范舜奕;倪磊;刘斌斌;平宗伟;贾航川
【期刊名称】《空天预警研究学报》
【年(卷),期】2024(38)1
【摘要】为解决传统的模型更新算法在视觉跟踪中出现遮挡、光照变化以及自身旋转等情况下存在的鲁棒性较差问题,提出一种利用峰值特性对模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先通过粒子滤波跟踪确定目标位置,接着利用当前模型在当前帧跟踪的结果位置附近进行局部穷搜索,然后通过检测到的峰值分布确定目标置信度的数值矩阵,最后采用峰值旁瓣比阈值判断法确定是否更新当前模型.仿真结果表明:所提算法能够对目标模型进行有效更新,与对比算法比较,在应对视觉跟踪中常见的遮挡、光照变化以及自身旋转等情况时,总体上能够达到更好的跟踪效果.
【总页数】7页(P50-56)
【作者】范舜奕;倪磊;刘斌斌;平宗伟;贾航川
【作者单位】94028部队;空军预警学院
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于多表观特征子模型更新的鲁棒视觉跟踪
2.基于多特征在线模板更新的鲁棒目标跟踪算法
3.利用巴氏系数判定模型更新的视觉跟踪算法
4.基于二阶池化网络的鲁棒视觉跟踪算法
5.基于鲁棒PCA的视觉跟踪算法
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于加权时空上下文的鲁棒视觉跟踪算法徐建强;陆耀【期刊名称】《自动化学报》【年(卷),期】2015(041)011【摘要】由于光照及外观变化、复杂背景、目标旋转与遮挡等因素的影响, 给实现鲁棒的视觉跟踪带来困难. 有效利用上下文(Context) 中包含的有用信息有助于提升上述条件下视觉跟踪的鲁棒性. 时空上下文(Spatio-temporal context, STC) 算法是新近提出的一种基于时空上下文的目标跟踪算法,它利用目标周围的稠密上下文信息,取得了良好的跟踪效果. STC的不足是其同等对待整个上下文区域, 没有对上下文做进一步的区分, 减弱了上下文的作用. 本文采用动态分区处理思想, 根据上下文中不同区域与跟踪目标运动相似度大小, 赋予不同权值, 提出了基于加权时空上下文(Weighted spatio-temporal context, WSTC)的鲁棒视觉跟踪算法. 最后在公共数据集上进行的对比实验表明,本文所提出的算法具有更好的跟踪效果和鲁棒性.%Implementing a robust visual tracker is a challenging task due to many disturbing factors such as illumination changes, appearance changes, rotation, partial or full occlusion, etc. The local context surrounding of the target could provide much effective information in getting a robust tracker. The spatio-temporal context (STC) learning algorithm proposed recently considers the information of the dense context around the target and has achieved a better performance. However, STC treats the whole region of the context equally, which weakens the effectiveness of the context information. In this paper, we propose a novel weighted spatio-temporalcontext (WSTC) learning algorithm. Our algorithm considers the surrounding context discriminatively and incorporates a weighted matrix by evaluating the motion consistencies of different regions with the tracking target. Extensive experimental results on public benchmark databases show that our algorithm outperforms the original STC algorithm and other state-of-the-art algorithms.【总页数】12页(P1901-1912)【作者】徐建强;陆耀【作者单位】北京理工大学计算机学院北京 100081;智能信息技术北京市重点实验室北京 100081;北京理工大学计算机学院北京 100081;智能信息技术北京市重点实验室北京 100081【正文语种】中文【相关文献】1.基于低通滤波时空上下文的鲁棒视觉跟踪算法 [J], 郭春梅;陈恳;李萌;吉培培;李斐2.一种鲁棒的时空上下文快速跟踪算法 [J], 钱凯;陈秀宏;孙百伟3.基于加权时空上下文学习的多特征视觉跟踪 [J], 尹明锋;朱建良;朱凯;薄煜明;赵高鹏;吴盘龙4.基于鲁棒PCA的视觉跟踪算法 [J], 岳晨晨;侯志强;余旺盛;蒲磊;马素刚5.基于视频时空上下文的单目标视觉跟踪算法 [J], 李润泽;姚红英;李保平;李超因版权原因，仅展示原文概要，查看原文内容请购买。

基于递推估计和上下文更新的鲁棒单目标跟踪方法
杨建辉;吴聪;余梅生
【期刊名称】《重庆邮电大学学报（自然科学版）》
【年(卷),期】2017(029)001
【摘要】针对杂乱背景和光照变化等容易使目标跟踪产生漂移的问题,提出一种基于递推估计和上下文更新的鲁棒目标跟踪方法,该方法是颜色粒子滤波目标跟踪的有效扩展.通过建立颜色粒子滤波跟踪的通用框架,利用上下文信息分配目标外观变化的置信度,在重采样阶段,采用递推估计从其外观相似度分数计算的权重选择粒子,并初始化异常粒子.形变和光照变化的视频测试表明,该方法可以克服光照变化和背景的影响,递推估计可以处理偏离整体估计的异常粒子.相比于标准颜色粒子滤波、粒子随机搜索法等方法,该方法在跟踪框中心误差和平均重叠方面均优于其他方法,在鲁棒性和准确性方面具有明显优势.
【总页数】7页(P106-112)
【作者】杨建辉;吴聪;余梅生
【作者单位】周口师范学院数学与统计学院,河南周口466001;周口师范学院计算机科学与技术学院,河南周口466001;燕山大学信息科学与工程学院,河北秦皇岛066004
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于多模板的鲁棒运动目标跟踪方法 [J], 陆惟见;尚振宏;刘辉;李润鑫;钱谦
2.基于H分量检测的模板更新鲁棒分块跟踪方法 [J], 王晓华;滕炯华;赵春晖
3.复杂环境下一种基于改进核相关滤波的视觉鲁棒目标跟踪方法 [J], 何容;赖际舟;吕品;刘国辉;王博
4.优化分类模块和估计模块的快速鲁棒目标跟踪方法 [J], 熊丽婷;张绍彪;娄莉
5.基于自适应正交单纯形CKF的鲁棒目标跟踪方法 [J], 郝思冲;陈树新;吴昊;汪家宝;何仁珂
因版权原因，仅展示原文概要，查看原文内容请购买。

结合Kalman滤波的时空上下文目标跟踪算法
张新堃;黄山
【期刊名称】《电光与控制》
【年(卷),期】2018(025)011
【摘要】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.
【总页数】5页(P102-105,119)
【作者】张新堃;黄山
【作者单位】四川大学,成都 610065;四川大学,成都 610065
【正文语种】中文
【中图分类】TP391
【相关文献】
1.卷积神经网络与时空上下文结合的目标跟踪算法 [J], 闵召阳;赵文杰
2.时空上下文与CamShift相结合的目标跟踪算法 [J], 丁承君;闫彬
3.基于时空上下文与Kalman滤波的视频目标跟踪 [J], 亢洁;孙阳;李晓静;李思禹;
李长仁
4.基于时空上下文与Kalman滤波的视频目标跟踪 [J], 亢洁;孙阳;李晓静;李思禹;李长仁;
5.基于时空上下文信息增强的目标跟踪算法 [J], 温静;李强
因版权原因，仅展示原文概要，查看原文内容请购买。

一种鲁棒的目标跟踪方法
贾伟;孙伟;李大健
【期刊名称】《光子学报》
【年(卷),期】2012()10
【摘要】针对传统特征光流场跟踪方法中由于误差积累和错误匹配而导致的特征点丢失问题,基于一种新的Harris-SIFT特征点表示方法,提出基于预测帧与关键帧的算法框架,实现了光流场运动估计与局部特征识别相结合的目标跟踪方法.预测帧利用塔式分解和递归算法计算特征点的光流场运动矢量,使用运动矢量直方图获取目标的运动矢量,并剔除误匹配点;当特征点数量小于5个时,关键帧使用Harris-SIFT特征点进行局部特征匹配,利用仿射模型对目标精确定位及姿态修正.实验结果表明,本方法对视频序列中的纹理特征目标跟踪的鲁棒性较好,在背景复杂、目标遮挡或暂时丢失情况下,仍可以继续完成目标的可靠跟踪.
【总页数】6页(P1230-1235)
【关键词】图像处理;目标跟踪;鲁棒性;光流场;特征检测
【作者】贾伟;孙伟;李大健
【作者单位】西北工业大学第365研究所;西安电子科技大学机电工程学院智能控制与图像工程研究所
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种受人脑三阶段记忆机制启发的鲁棒运动目标跟踪方法 [J], 王延江;李蕙;齐玉娟
2.一种基于mean shift的鲁棒性目标跟踪方法 [J], 文志强;蔡自兴
3.复杂环境下一种基于改进核相关滤波的视觉鲁棒目标跟踪方法 [J], 何容;赖际舟;吕品;刘国辉;王博
4.一种基于多通道孪生网络的鲁棒目标跟踪算法 [J], 邹鹏;范都耀
5.一种新的快速鲁棒多摄像头目标跟踪方法 [J], 范晶晶;林青;胡波
因版权原因，仅展示原文概要，查看原文内容请购买。

低分辨率条件下基于TLD的鲁棒车辆跟踪算法刘阔;宁毅;湛永松【期刊名称】《计算机应用与软件》【年(卷),期】2016(033)012【摘要】TLD (Tracking-Learning-Detection)is a widely adopted algorithm in the research topics of vehicle tracking.However,the tradi-tional TLD is easily to lose targets and locate the wrong targets in a low-resolution video,and that is why the traditional TLD algorithm should be improved.As the pyramid optical flow tracker in traditional TLD fails to work well in poor illumination scenes,a novel vehicle tracking algo-rithm by applying the CT(Compressive Tracking)into the traditional TLD algorithm is proposed to obtain the vehicle location fast when the targets are lost.Besides,with the multi-features fusion of the 2bitBP-HOG feature descriptor,which is composed of shape and texture informa-tion in tracking phase,the improved algorithm obtains higher-performance tracking results than those of traditional TLD in low-resolution con-dition,not only tracking precision but also time complexity.Experiment results validate the improvement of the proposed algorithm,both on ro-bustness and tracking rates.%TLD（Tracking-Learning-Detection）算法是一种广泛应用的车辆跟踪算法，但其在低分辨率视频下易出现跟踪漂移或者丢失等问题，为此，对传统的TLD 算法进行改进。

空时上下文模型下基于多种特征融合的监控目标跟踪杨洋【摘要】With the development of video processing and network technology,video surveillance applications gradually penetrated into every aspect of people's daily activities.How to design a object tracking technique with high precision and robustness is still a hotspot and difficulty in current research,an improved spatio-temporal context tracking algorithm based on multi-feature fusion and adaptive model updating is proposed.Based on the spatio-tempora context tracking algorithm,our proposed algorithm integrates multi-feature informations into the spatio-tempora context model.Since the complementary characteristics of multiple features,it is possible to overcome the disadvantages of the single feature and improve the anti-jamming ability.In addition,this paper also proposes an adaptive learning factor strategy to enhance the generalization ability of the model.The selected feature set isrobust,including color,gradient,direction,point feature,and so on.There are 19 features in t otal,where the size of the sub block is 11 × 11,the Gauss kernel variance is 2,the parameter of loss term is 0.005,and the other parameters are consistent with the STC.A large number of simulation results show that the tracking performance of our proposed algorithm outperforms the existing KCF,MFC and STC tracking algorithm,and has stronger robustness and anti-jamming capability for complex scenes.%随着视频处理技术和网络技术的发展,视频监控应用逐渐渗透到了人们日常活动中的方方面面,如何设计实现精度高、鲁棒性好的目标跟踪技术仍然是当今研究的热点及难点;在工程应用实践的基础上,提出一多特征融合与自适应模型更新的空时上下文目标跟踪算法,通过将丰富多样的多特征信息整合到空时上下文模型中;由于多特征具有互补特性,可以克服单一特征对目标区域描述不足的缺陷,提升算法的抗干扰能力;同时,也提出了一种自适应学习因子策略,增强了模型的泛化能力;选取的特征集是鲁棒的,包括了颜色、梯度、方向、点特征等总共19个特征,其中子块大小是11×11,高斯核方差为2,损失项正则参数为0.005,其余参数设置与STC保持一致;大量的仿真实验结果表明所提出的改进算法在跟踪中心误差指标上比现有的KCF,MFC和STC跟踪算法分别提高了5.4％,2.1％和3.6％,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力.【期刊名称】《计算机测量与控制》【年(卷),期】2018(026)006【总页数】4页(P192-195)【关键词】目标跟踪;多特征融合;自适应;空时模型;泛化能力;互补特性【作者】杨洋【作者单位】华南理工大学土木与交通学院,广州 510640【正文语种】中文【中图分类】TP3910 引言伴随着信号处理技术和数字技术的成熟，视频监控系统在数字化、网络化、智能化和集成化方向飞速发展，整个视频监控行业已经快速进入了智能监控的时代。