尺度自适应的核相关滤波跟踪器
自适应GM-PHD滤波器在多目标追踪的应用
自适应GM-PHD滤波器在多目标追踪的应用
苍岩;陈迪;毕晓君
【期刊名称】《哈尔滨工程大学学报》
【年(卷),期】2015(036)011
【摘要】针对PHD滤波器中先验概率初始化时,新生目标出现的位置不确定,且目标强度计算区域必须为整个监测区域,造成算法低效率等问题,将原始算法通过PHD 滤波的扩展项在预测步骤与更新步骤对新生目标与存活目标进行区分,再通过每一次扫描得到的量测自适应更新得到目标新生强度,依据量测的驱动来避免对先验概率初始化假设的问题.利用OSPA函数作为算法性能监测标准,利用仿真数据和实测数据对改进的算法进行了验证.结果显示,利用量测来驱动新生目标强度函数,对新生目标与存活目标先进性判断,目标数目估计正确率达到97％,OSPA距离较GM-PHD算法下降50％.
【总页数】6页(P1526-1531)
【作者】苍岩;陈迪;毕晓君
【作者单位】哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.基于背景差分检测和改进GM-PHD滤波器的多目标跟踪 [J], 谌湘倩;马绍惠;须文波
2.融合局部自适应追踪的多目标牵制蜂拥算法 [J], 王海;罗琦;徐腾飞
3.基于核相关滤波器的尺度自适应追踪算法 [J], 时鹏飞;高清维;卢一相;孙冬
4.一种多扫描平滑的多目标GM-PHD滤波器的技术研究 [J], 王颖
5.一种多扫描平滑的多目标GM-PHD滤波器的技术研究 [J], 王颖
因版权原因，仅展示原文概要，查看原文内容请购买。
基于相关滤波器的目标跟踪方法综述
基于相关滤波器的⽬标跟踪⽅法综述0引⾔视觉跟踪是计算机视觉中引⼈瞩⽬且快速发展的领域,主要⽤于获取运动⽬标的位置、姿态、轨迹等基本运动信息,是理解服务对象或对⽬标实施控制的前提和基础。
其涉及许多具有挑战性的研究热点并常和其他计算机视觉问题结合出现,如导航制导、事件检测、⾏为识别、视频监控、⾃动驾驶、移动机器⼈等[1-4]。
虽然跟踪⽅法取得了长⾜进展,但由于遮挡、⽬标的平⾯内/外旋转、快速运动、模糊、光照及变形等因素的存在使其仍然是⾮常具有挑战性的⼯作。
近年来,基于相关滤波器CF(Correlation Filter)的跟踪⽅法得到了极⼤关注[5-9]。
CF 最⼤的优点是计算效率⾼,这归结于其假设训练数据的循环结构,因为⽬标和候选区域能在频域进⾏表⽰并通过快速傅⾥叶变换(FFT)操作。
Bolme [6]等⾸次将CF 应⽤于跟踪提出MOSSE 算法,其利⽤FFT 的快速性使跟踪速度达到了600-700fps 。
瑞典林雪平⼤学的Martin Danelljan 在2016年ECCV 上提出的相关滤波器跟踪算法C -COT [7]取得了VOT2016竞赛冠军,2017年其提出的改进算法ECO [8]在取得⾮常好的精度和鲁棒性的同时,显著提⾼运算速度⾄C-COT 的6倍之多。
基于CF 的跟踪算法如此优秀,已然成为研究热点。
近年和相关滤波有关的论⽂层出不穷,很有必要对这些论⽂及相关滤波的发展等进⾏⼀个归纳和总结,以推动该⽅向的发展。
⽂献[9]虽已做过综述并取得了⼀定效果,但有两点不⾜:(1)过多介绍现有⼏种⽅法的具体细节,没有对更多⽂献进⾏对⽐分析;(2)缺乏对基于相关滤波器跟踪⽅法的分类对⽐分析。
基于此,本⽂的不同基⾦项⽬:陕西理⼯⼤学科研项⽬资助(SLGKY16-03)基于相关滤波器的⽬标跟踪⽅法综述?马晓虹1,尹向雷2(1.陕西理⼯⼤学电⼯电⼦实验中⼼,陕西汉中723000;2.陕西理⼯⼤学电⽓⼯程学院,陕西汉中723000)摘要:⽬标跟踪是计算机视觉中的重要组成部分,⼴泛应⽤于军事、医学、安防、⾃动驾驶等领域。
基于尺度自适应和遮挡重定位机制的kcf改进算法
KCF（Kernelized Correlation Filters）是一种在计算机视觉领域广泛使用的跟踪算法。
然而，KCF算法在处理目标尺度变化和遮挡问题时存在一定的挑战。
为了解决这些问题，我们提出了一种基于尺度自适应和遮挡重定位机制的KCF改进算法。
首先，我们引入了一个自适应尺度机制来处理目标尺度变化的问题。
在传统的KCF算法中，跟踪框的大小是固定的，这使得算法在目标尺度变化时容易失效。
为了解决这个问题，我们根据目标的运动信息和周围环境的特征，动态调整跟踪框的大小，以适应目标尺度的变化。
具体来说，我们使用一个滑动窗口来检测目标的运动信息，并根据窗口内目标的特征计算出一个自适应的尺度因子。
然后，我们将这个尺度因子应用于KCF算法中的滤波器，以调整滤波器的大小和响应范围。
其次，我们引入了一个遮挡重定位机制来处理目标遮挡的问题。
当目标被其他物体遮挡时，KCF算法可能会出现跟踪失败的情况。
为了解决这个问题，我们采用了一种基于背景减除的方法来检测遮挡。
具体来说，我们使用一个背景减除器来计算出前景图像和背景图像的差异，并根据差异的大小来判断目标是否被遮挡。
如果目标被遮挡，我们将会重新定位跟踪框的位置，以避免遮挡对跟踪结果的影响。
在实现上，我们使用OpenCV库进行算法的开发和测试。
我们首先对输入的视频帧进行预处理，包括灰度化和滤波等操作。
然后，我们根据预处理后的图像计算出目标的位置和尺度信息，并根据这些信息初始化KCF算法的滤波器和跟踪框。
在每一帧中，我们使用KCF 算法计算出目标的响应图，并根据响应图和自适应尺度因子调整跟踪框的位置和大小。
同时，我们使用背景减除器检测遮挡情况，并根据遮挡情况重新定位跟踪框的位置。
最后，我们将跟踪结果输出到控制台或保存到文件中。
实验结果表明，我们的改进算法在处理目标尺度变化和遮挡问题时具有更好的性能。
在多个标准数据集上的测试结果表明，我们的算法在大多数情况下都能够准确地跟踪目标，并且在处理目标尺度变化和遮挡问题时具有更高的鲁棒性。
遮挡及尺度变化条件下目标跟踪方法研究
遮挡及尺度变化条件下目标跟踪方法研究视觉目标跟踪技术是计算机视觉一个研究热点,在智能监控、人机交互、智能交通、无人机等领域有着广泛的应用。
随着计算机技术的发展,研究人员提出了许多优秀的理论和跟踪算法,提高了跟踪的准确性和鲁棒性。
然而在实际跟踪场景中,由于目标受到遮挡及尺度变化等因素的影响,往往导致跟踪漂移,最后致使跟踪精度下降甚至跟踪失败。
本文在粒子滤波和核相关滤波跟踪算法的基础上,依次从抗遮挡的粒子滤波算法改进、分块核相关滤波的尺度自适应估计及模型更新优化三个方面进行了研究,具体内容如下:1.研究遮挡情况下粒子滤波稳健跟踪方法。
针对遮挡情况下粒子滤波因粒子贫化问题导致的目标跟踪精度下降问题,提出了一种抗遮挡的鸡群优化粒子滤波目标跟踪方法。
首先将鸡群算法融入粒子的采样阶段,即将粒子权值作为适应度来确定粒子的种类及关系,通过不同类型粒子的移动机制来完成位置更新,然后引入线性递减权重和全局最优学习策略解决算法存在的局部最优问题,并选择似然函数值最大的区域作为目标位置,最后结合模板更新来继续遮挡情况下的跟踪。
2.研究基于核相关滤波的子块联合估计尺度自适应的跟踪框架。
针对核相关滤波跟踪算法抗干扰能力不强,易受到遮挡及尺度变化等外界因素干扰造成的跟踪精度下降问题,提出了一种分块策略改进的尺度自适应核相关滤波跟踪方法。
首先根据跟踪框的几何特性对目标进行自适应二分块,并采用核相关滤波对各子块执行独立跟踪得到对应的响应图,然后计算子块的权值和相对于目标整体的偏移向量来对目标位置进行估计,最后采用尺度因子对候选目标的整体尺度进行最优估计。
3.研究核相关滤波框架下模型更新优化方法。
针对遮挡及尺度变化场景下,核相关滤波算法模板更新过程中易将遮挡等噪声信息引入模板导致的模板漂移问题,本文在分块策略改进的尺度自适应核相关滤波跟踪框架的基础上,提出了一种联合响应峰值和平均峰值相关能量判定的遮挡检测方法。
首先计算子块的响应峰值和平均峰值相关能量两个指标值,然后结合对应的阈值判定结果作为模板更新的判据,实现模板的自适应更新。
改进的kcf目标跟踪算法研究
华中科技大学硕士学位论文摘要随着人工智能的兴起，计算机视觉领域近年来得到快速的发展。
作为计算机视觉领域研究的核心之一，视觉目标跟踪已经广泛应用于许多领域。
由于其应用领域十分广泛，应用场景也变得更加复杂。
尺度变化、遮挡、旋转、复杂背景、低分辨率等因素的存在给视觉目标跟踪带来了的挑战。
基于核相关滤波的KCF(Kernelized Correlation Filters)跟踪算法自问世以来受到了广泛的关注。
本文基于KCF跟踪算法，针对KCF跟踪算法的不足提出了一些改进方法。
针对KCF跟踪算法不能自适应目标尺度的变化，本文提出了SMIKCF(Scale-Adaptive Multiple-Feature Improved-Template-Update KCF)跟踪算法。
SMIKCF在KCF算法的基础上，加入一个尺度估计滤波器；提取样本的HOG((Histogram of Oriented Gradient))特征和CN(Color Name)特征，并把两个特征相融合；利用APCE判据改进位置估计滤波器模型的更新方式。
针对KCF算法在目标发生遮挡时容易出现目标丢失的情况，本文提出了AOKCF(Anti-Occlusion KCF)跟踪算法。
AOKCF在KCF算法的基础上，利用APCE 进行跟踪可靠性检测；加入检测模块，在检测到跟踪结果不可靠时，启动检测模块对目标进行检测，并使用位置滤波器进行目标识别，当识别出目标时，更新目标位置以及位置滤波器，否则直接进入下一帧，继续采用检测模块进行检测。
本文实验数据来源于Visual Tracker Benchmark。
采用OPE(One-Pass Evaluation)的评估方式，在Benchmark的50个测试视频序列上进行实验，来评估算法的性能。
实验表明，本文提出的方法能够有效地解决相关问题，提高跟踪算法的性能。
关键词：目标跟踪核相关滤波尺度自适应遮挡华中科技大学硕士学位论文ABSTRACTWith growing of artificial intelligence, computer vision has been rapid development in recent years. Visual target tracking is one of the most important part of computer vision research, with widely used in many fields. The application situation is becoming more and more complicated due to the wide application fields. The existence of scale changes, occlusion, rotation, complex background, low resolution and other factors has brought higher challenges to visual target tracking. KCF (Kernelized Correlation Filters) tracking algorithm has been widely concerned since it was proposed. Based on the KCF tracking algorithm, this paper proposed improved methods for the shortcoming of KCF tracking algorithm.Firstly, the SMIKCF(Scale-Adaptive Multiple-Feature Improved-Template-Update KCF) tracking algorithm is proposed in this paper to solve the problem that the KCF tracking algorithm can not adapt to the target scale. On the basis of KCF algorithm, SMIKCF adds a scale estimation filter, and combines HOG characteristics and CN characteristics, using the APCE criterion to improve the updating method of the position estimation filter model.Secondly, the AOKCF(Anti-Occlusion KCF) tracking algorithm is proposed to solve the problem of occlusion. AOKCF tracking algorithm is based on KCF tracking algorithm. APCE criterion is used to check the reliability of tracking results. When the tracking result is unreliable, add detection module to detect the target, and then use the position filter to the target recognition. If the target is recognized, then update the target position and the position filter module. Otherwise, go directly to the next frame.The experimental datas are from Visual Tracker Benchmark. Experiments were performed on Benchmark's 50 test video sequences and use the OPE (One-Pass Evaluation) evaluation method to evaluate the performance of the algorithm.华中科技大学硕士学位论文Experimental results show that the proposed method can effectively solve the related problems and improve the performance of the tracking algorithm.Keywords: Object tracking Kernelized correlation filters Scale adaptive Occlusion华中科技大学硕士学位论文目录摘要 (I)Abstract (II)目录 (IV)1 绪论 (1)1.1研究背景与意义 (1)1.2国内外研究概况 (1)1.3论文的主要研究内容 (4)1.4主要组织结构 (4)2 KCF跟踪算法介绍 (6)2.1引言 (6)2.2相关滤波器 (6)2.3核相关滤波器 (9)2.4本章小结 (17)3 改进的尺度自适应KCF跟踪算法研究 (18)3.1引言 (18)3.2尺度估计 (19)3.3多特征融合 (22)3.4模型更新策略改进 (22)3.5算法整体框架 (24)华中科技大学硕士学位论文3.6实验结果与分析 (25)3.7本章小结 (40)4 抗遮挡KCF跟踪算法研究 (41)4.1引言 (41)4.2跟踪可靠性检测 (43)4.3重检测算法研究 (43)4.4算法整体框架 (47)4.5实验结果与分析 (48)4.6本章小结 (60)5 总结与展望 (61)5.1全文总结 (61)5.2课题展望 (62)致谢 (63)参考文献 (64)附录1 攻读学位期间发表论文与参与课题 (70)华中科技大学硕士学位论文1 绪论1.1 研究背景与意义人工智能的飞速发展使得计算机视觉备受关注，作为计算机视觉领域研究的核心之一，视觉目标跟踪已经广泛应用于许多领域[1]。
融合DSST和KCF的尺度自适应跟踪算法
融合DSST和KCF的尺度自适应跟踪算法胡云层; 路红; 杨晨; 花湘; 彭俊【期刊名称】《《计算机工程与设计》》【年(卷),期】2019(040)012【总页数】6页(P3563-3568)【关键词】核相关滤波; 目标跟踪; 判别型尺度空间跟踪; 尺度变化; 实时性【作者】胡云层; 路红; 杨晨; 花湘; 彭俊【作者单位】南京工程学院自动化学院江苏南京211167【正文语种】中文【中图分类】TP391.410 引言近些年来，基于相关滤波器的目标跟踪算法开始崛起，由于其高效的计算效率，正逐渐显示出优越的性能[1,2]。
文献[3]在引入了循环矩阵和核的概念，采用梯度方向直方图(histogram of oriented gradients，HOG)特征，并将单通道转化为多通道，提出了核相关滤波器(kernelized correlation filters，KCF)目标跟踪算法，极大提高了跟踪精度。
而KCF算法由于主要致力于目标位置估计性能的提高，在目标尺度发生较大变化时易发生跟踪漂移。
针对该问题，文献[4]提出了判别尺度空间跟踪(discriminative scale space tracking，DSST)，有效提高了尺度自适应性能，但该跟踪算法的计算速度较低，难以满足跟踪系统的实时性要求。
为了提高跟踪系统的综合性能，本文将DSST算法的尺度滤波器融入到KCF算法中，首先用KCF算法循环移位产生的样本训练得到尺度滤波器，确定新一帧目标位置，然后用DSST尺度滤波器提取不同尺度的特征，由最大的响应值确定当前目标尺度。
并重新设计一个提取训练集的模块，将DSST的尺度滤波器每次更新的尺度变化传递到下一帧的KCF算法中，用更新后的目标尺度提取训练集。
既实现了目标尺度自适应，又能在保证跟踪速度的前提下提高跟踪精度。
1 KCF和DSST算法原理1.1 KCF算法原理KCF算法通过循环偏移从目标周围大小为m×n的图像块x中，构建出滤波器的训练样本集xi(i∈{0,…,m-1}×{0,…,n-1}) 和相对应的标签yi。
基于边缘检测的抗遮挡相关滤波跟踪算法
基于边缘检测的抗遮挡相关滤波跟踪算法唐艺北方工业大学 北京 100144摘要：无人机跟踪目标因其便利性得到越来越多的关注。
基于相关滤波算法利用边缘检测优化样本质量，并在边缘检测打分环节加入平滑约束项，增加了候选框包含目标的准确度，达到降低计算复杂度、提高跟踪鲁棒性的效果。
利用自适应多特征融合增强特征表达能力，提高目标跟踪精准度。
引入遮挡判断机制和自适应更新学习率，减少遮挡对滤波模板的影响，提高目标跟踪成功率。
通过在OTB-2015和UAV123数据集上的实验进行定性定量的评估，论证了所研究算法相较于其他跟踪算法具有一定的优越性。
关键词：无人机 目标追踪 相关滤波 多特征融合 边缘检测中图分类号：TN713;TP391.41;TG441.7文献标识码：A 文章编号：1672-3791(2024)05-0057-04 The Anti-Occlusion Correlation Filtering Tracking AlgorithmBased on Edge DetectionTANG YiNorth China University of Technology, Beijing, 100144 ChinaAbstract: For its convenience, tracking targets with unmanned aerial vehicles is getting more and more attention. Based on the correlation filtering algorithm, the quality of samples is optimized by edge detection, and smoothing constraints are added to the edge detection scoring link, which increases the accuracy of targets included in candi⁃date boxes, and achieves the effects of reducing computational complexity and improving tracking robustness. Adap⁃tive multi-feature fusion is used to enhance the feature expression capability, which improves the accuracy of target tracking. The occlusion detection mechanism and the adaptive updating learning rate are introduced to reduce the impact of occlusion on filtering templates, which improves the success rate of target tracking. Qualitative evaluation and quantitative evaluation are conducted through experiments on OTB-2015 and UAV123 datasets, which dem⁃onstrates the superiority of the studied algorithm over other tracking algorithms.Key Words: Unmanned aerial vehicle; Target tracking; Correlation filtering; Multi-feature fusion; Edge detection近年来，无人机成为热点话题，具有不同用途的无人机频繁出现在大众视野。
基于ELM和核相关滤波器的自适应目标跟踪算法
环境中依然存在很多需要被解决的挑战性问题，主要包括
目标遮挡、快速运动和尺度变化等情况导致的目标跟踪失
败，尤其是在目标快速运动情况下，传统的相关滤波算法都
是以上一帧的目标位置来确定当前帧的目标搜索区域，但
是当目标的运动速度过快而超出了搜索区域，就会导致跟
踪失败。
基于上 述 分 析，本 文 提 出 基 于 极 限 学 习 机 ( extreme
表示 wi 和 xj 的内积。单隐含层神经网络学习的目标是使
得输出的误差最小，即存在 wi ，xj 和 bi 使得
L
∑ βi g( wi ·xj + bi ) = tj ，j = 1，2，…，N
( 2)
i =1
式( 6) 即为 ELM 模型，用矩阵表示为
H·β = T
( 3)
式中 H 为隐含层节点的输出，β 为输出权重，T 为期望输
收稿日期: 2018—05—24 * 基金项目: 国家自然科学基金资助项目( 51305467) ; 湖南省自然科学基金资助项目( 12JJ4050，2016JJ4117)
110
传感器与微系统
第 38 卷
feature fusion，FAKCF) 算法。
尽管上述的跟踪算法已取得较好的跟踪效果，但现实
( histogram of oriented gradient，HOG) 特征，通过 KCF 计算每
个搜索区域的响应图，最后所有响应图中的最大响应值对
应的坐标及其尺度即为当前帧的目标位置 pt 和尺度 st。 2． 3 模型自适应更新
正确定位目标。基于历史的目标位置信息，本文采用了一种 学习速度快、泛化性能好的 ELM［14］方法来预测目标位置。
假设有 N 个任意样本( xj ，tj ) ，j = 1，2，…，N，其中 xj = ［xj1 ，xj2 ，…，xjn］T ∈Ｒn ，tj = ［tj1 ，tj2 ，…，tjm］T ∈Ｒm ，那么对于 一个有 L 个隐层节点的单隐含层神经网络可以表示为
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
尺度自适应的核相关滤波跟踪器
作者：李麒骥李磊民黄玉清
来源：《计算机应用》2016年第12期
摘要：为了解决核相关滤波（KCF）跟踪器中目标尺度固定的问题，提出了一种尺度自适应的跟踪方法。
首先利用Lucas-Kanade光流法跟踪相邻视频帧之间特征点的运动，引入前向后向跟踪方法保留可信特征点；其次将可信点用于尺度变化估计；然后将尺度估计应用到可调高斯窗上；最后运用前向后向跟踪算法来判断目标是否处于被遮挡状态，修改了模板更新策略。
解决了核跟踪滤波器中目标尺度固定的限制，使得跟踪器更具鲁棒性与准确性。
在目标跟踪视频集上测试算法效果。
实验结果表明，所提算法在成功率图与精确度图排名上均优于原KCF、TLD、Struck算法。
与原方法相比，改进后的方法能更好地适用于有尺度变化与遮挡的跟踪。
关键词：视觉目标跟踪；相关滤波器；尺度自适应
中图分类号： TP391.4
文献标志码：A
文章编号：1001-9081（2016）12-3385-04。