摘要：目标跟踪一直以来都是计算机视觉领域中的关键问题,核相关滤波算法(KCF)可避免在时域中进行目标跟踪,通过傅里叶变换将时域的计算转换到频域中进行,可大量简化计算,不但提高了跟踪速度,而且在跟踪精度上也有很大的提升.针对复杂条件下的目标跟踪问题,在确保算法实时性的前提下,在KCF的基础上对其特征、尺度以及模型更新机制进行3处改进:提出一种多特征融合算法,针对每种特征在不同环境下的优势,将其进行融合;提出一种分类树形尺度自适应的算法,通过树形搜索方式对目标尺度的大小进行判断,找到最佳响应位置;提出一种自适应模型更新策略的算法.实验结果表明,在公开数据集OTB-2013中算法整体的跟踪精确度达到87.4%,成功率也达到67.1%,可很好地实现复杂条件的目标跟踪,综合性能在已公开发表的跟踪算法中排名第2.尤其是在尺度变化、目标遮挡和图像模糊情况下,所提出算法的跟踪精确度和成功率排名第1.

摘要：煤矿井下监控视频中的运动目标通常存在较大的尺度变化和形变,导致基于计算机视觉的目标跟踪算法准确率不高,且海量的视频数据导致基于云端的集中式数据处理方式难以满足目标跟踪的实时性要求。针对上述问题,提出了一种基于云边协同的煤矿井下尺度自适应目标跟踪方法。设计了基于深度估计的尺度自适应目标跟踪算法,通过构建深度-尺度估计模型,利用目标深度值估计尺度值,实现尺度自适应目标跟踪,解决了目标尺度变化和形变导致跟踪准确率不高的问题;设计了一种基于云边协同的智能监控系统架构,将尺度自适应目标跟踪算法细粒度划分后的子模块按所需计算资源分别部署在系统的边缘端和云端,通过边缘端和云端的分布式并行处理提高算法运行效率,解决了集中式数据处理方式实时性差的问题。将基于云边协同的煤矿井下尺度自适应目标跟踪方法应用于煤矿井下视频序列,对其跟踪性能和实时性能进行实验验证,结果表明:与核相关滤波(KCF)、判别型尺度空间跟踪(DSST)算法、基于多特征融合的尺度自适应(SAMF)算法3种经典目标跟踪算法相比,基于深度估计的尺度自适应目标跟踪算法在煤矿井下目标出现较大尺度变化和形变时,具有更高的跟踪精度和成功率;与传统的云计算处理方式相比,基于云边协同的尺度自适应目标跟踪算法部署方式使算法总时延降低了32.55%,有效提升了煤矿井下智能监控系统目标跟踪的实时性能。

摘要：现有船舶目标检测算法大部分只是基于传统目标检测算法的优化改进,没有考虑船舶具有尺度长宽比例的外观特性,在多尺度目标检测中出现漏检误检问题。为了解决此问题,在YOLOXs基础上,提出一种尺度适应性感受野的船舶检测方法(SAF-YOLOX)。首先,对主干网络提取的不同特征层通过构建双向特征金字塔进行特征融合,增强每个尺度下的特征描述力;同时,设计自适应特征强化模块,抑制不同尺度的特征融合引入的冗余信息,弱化背景信息;然后在预测时,采用多路并行感受野的检测头,利用具有适应目标大小以及比例的感受野提取目标尺度适应性特征信息进行预测;最后,采用先筛选再分配的收敛感知策略,根据网络的收敛状态动态地分配样本,保证检测速度的同时提高检测精度。实验结果显示,所提方法在大型海事监控数据集SeaShips和MCShips上的平均检测精度分别达到93.21%和92.34%,与传统YOLOXs相比,分别提高了1.01%和1.09%。实验结果证明,所提方法利用尺度适应性感受野能实现多尺度船舶目标的高精度检测。

摘要：为解决目标在形变、遮挡和快速运动时所导致的跟踪失败,在经典TLD算法的框架下,使用尺度自适应均值偏移算法重新设计跟踪器,提出了MS-TLD算法.通过引入颜色直方图特征和尺度自适应,跟踪器能准确跟踪形变和快速运动的目标.设计跟踪-检测反馈机制,通过跟踪器和检测器相互校正,使新算法在目标被遮挡时具有很好的跟踪鲁棒性.采用TB-50标准测试集进行了实验验证与评测,结果表明所提出算法有效克服了由于目标形变、遮挡和快速运动以及背景干扰所导致的跟踪失败,比TLD等4种经典算法具有更好的跟踪准确性和鲁棒性.

摘要：为了解决现有纹理平滑方法不能在抑制纹理的同时保持细窄结构的问题,提出一种基于半高斯梯度算子的尺度自适应纹理滤波算法.首先提出一种具有结构保持和纹理抑制效果的半高斯梯度算子,其幅值能够较好地区分结构和纹理,方向能够较好地反映结构法向;然后基于半高斯梯度的幅值为每个像素估计最优的滤波尺度,并借助高斯滤波得到一幅大部分纹理得到抑制的引导图像;最后在双边滤波的基础上引入基于半高斯梯度方向的滤波方向核,提出一种基于引导图像的三边纹理滤波算法,能够有效地避免图像平滑结果中存在的结构附近毛刺残留现象.大量实验结果证明,该算法可以在抑制纹理的同时保持结构的完整性,尤其是在保持细窄结构以及结构周围的整洁等方面超越了已有的方法.

摘要：核相关滤波(kernel correlation filter,KCF)目标跟踪算法在目标发生尺度变化或受长时间遮挡时无法实现准确跟踪.对此,提出一种融合窗口滤波的抗遮挡尺度自适应的目标跟踪算法.首先,利用快速尺度估计对跟踪目标进行尺度变换;然后,当检测到目标受到遮挡时停止对分类器模型的更新,融合加权窗口滤波器对目标位置进行预测,并利用预测信息修正目标跟踪区域;最后,将所提出算法移植到DJI Guidance视觉平台上并为其设计跟踪实验.实验结果表明,该算法能够有效解决目标尺度变化与目标受遮挡等跟踪问题.

摘要：为解决传统均值漂移跟踪算法难以适应目标的快速性以及尺度变化的问题,提出一种尺度自适应的目标跟踪算法,以HLBP纹理特征(Haar型特性局部二元模式)均值漂移跟踪算法为基础,结合帧差法、最大类间方差法以及形态学处理得到的二值图进行区域生长,确定目标真实大小,更新跟踪框,对搜索结果进行修正。实验结果表明,该算法可以跟踪快速移动的目标,实现尺度自适应,算法复杂度低,有着良好的跟踪性能。

摘要：针对传统KCF跟踪算法在实际场景中存在特征提取不准确、尺度不能自适应以及遮挡适应能力差等问题,对该算法进行了三方面的改进:一是特征融合改进,在FHOG特征和CN特征的基础上,加入边缘特征,提升了目标定位的准确性;二是尺度自适应改进,通过尺度的调整动态改变目标定位搜索框的大小,提高了算法对目标尺度变化的适应性;三是抗遮挡改进,在出现遮挡时,通过遮挡判断和重定位机制,使得算法具有一定的抗遮挡能力,实现了对目标的长时间跟踪。将改进KCF跟踪算法与传统KCF跟踪算法在OTB-50数据集下进行对比测试,结果表明,改进算法的跟踪精确度提升了55.21%,跟踪成功率提升了74.33%。

摘要：针对目标尺度变化问题,提出一种结合关键点匹配算法的多策略尺度自适应算法。提出一种中心—边缘区域比较法判断目标尺度变化情况,依据不同的尺度变化情况采取不同的尺度调整策略;引入SURF关键点匹配算法,对目标与模板进行特征匹配,构建仿射矩阵,自适应调整窗口尺度;提出一种基于关键点匹配的目标重定位方法,克服窗口漂移问题。实验结果表明,该算法具有较好的实时性和尺度自适应性。

摘要：针对常规的相关滤波跟踪算法不能很好地适应目标尺度变化,而基于尺度金字塔的相关滤波跟踪算法虽然取得较高的跟踪精度,却在跟踪速度上大打折扣的问题,提出一种简单快速的自适应目标尺度的相关滤波跟踪算法.首先对目标模板进行对数极坐标变换,把目标的尺度变化转化为位移信号;然后对目标模板变换前后分别提取HOG特征,并建立位移与尺度的滤波模型;最后在相关滤波框架下同步跟踪目标的位移与尺度因子,并将二者融合得到目标跟踪框.实验结果表明,该算法的跟踪精度略低于基于尺度金字塔的相关跟踪算法,而跟踪速度却达到后者的2倍以上.