陈法领 1,2,3,4,5丁庆海 1,6罗海波 1,2,4,5惠斌 1,2,4,5[ ... ]刘云鹏 1,2,4,5
1 中国科学院沈阳自动化研究所，辽宁 沈阳 110016
2 中国科学院机器人与智能制造创新研究院，辽宁 沈阳 110169
3 中国科学院大学，北京 100049
4 中国科学院光电信息处理重点实验室，辽宁 沈阳 110016
5 辽宁省图像处理与视觉计算重点实验室，辽宁 沈阳 110016
6 北京航天恒星科技有限公司，北京 100086
针对目标跟踪算法在光照变化、背景干扰、目标形变及遮挡时出现的跟踪稳定性下降甚至失败的问题，提出了一种采用时空上下文的抗遮挡实时目标跟踪算法。首先，在时空上下文模型框架下采用自适应降维的颜色特征构建目标外观模型，提高算法在复杂场景中对目标的辨别能力；然后，联合置信图响应的峰值和峰值旁瓣比对目标跟踪的状态进行评估；接着，利用目标模板之间相关系数的变化进一步判断目标是否被严重遮挡；最后，当目标跟踪出现波动时，降低目标模型更新速度，并通过Kalman滤波修正目标位置，当目标被严重遮挡时，则根据Kalman滤波预测目标位置，同时停止更新目标模型，在脱离遮挡后重新捕获目标并进行跟踪。选取了36组具有多种挑战因素的彩色视频序列测试算法的跟踪性能，并与其他表现优异的目标跟踪算法进行了对比分析。实验结果表明，所提算法具有较强的抗遮挡能力，并且在光照变化、背景干扰和目标形变等不利因素影响下仍具有较好的跟踪鲁棒性，同时能够满足目标跟踪的实时性要求。
目标跟踪 时空上下文 目标跟踪置信度 遮挡判别 Kalman滤波 target tracking spatio-temporal context target tracking confidence occlusion discrimination Kalman filter 红外与激光工程
2021, 50(1): 20200105
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
1 中国工程物理研究院应用电子学研究所，四川 绵阳 621999
2 中国工程物理研究院高功率微波技术重点实验室，四川 绵阳 621999
针对时空上下文(STC)算法在抗遮挡目标跟踪中的不足，提出使用上下文模型相似度作为判别遮挡的条件和改进上下文模型更新方程的修正系数，同时采用预测算法修正搜索区域，构建了一种基于时空上下文跟踪的抗遮挡目标跟踪算法，并通过标准目标跟踪视频库对原算法和改进后算法的跟踪性能进行仿真和对比。实验证明，在原算法的基础上提高了抗遮挡跟踪的鲁棒性，在一些图像序列中跟踪成功率的提高最高可达30%。
时空上下文 预测算法 抗遮挡 Spatio-Temporal Context prediction algorithm anti-occlusion 太赫兹科学与电子信息学报
2018, 16(5): 879
西安航空学院电子工程学院, 陕西 西安 710077
由于运动目标存在不同程度的遮挡干扰, 严重制约装备精确打击的能力。本文在空时上下文跟踪算法的基础上, 提出了一种基于双模式遮挡检测机制的目标跟踪算法, 该算法充分利用目标及其局部背景的上下文区域信息来预测遮挡状态, 最大限度地提高遮挡预测的响应能力和重捕的精度。首先, 利用双模式遮挡检测机制实现遮挡状态检测; 一旦目标进入完全遮挡, 对目标进行位置预测, 并利用形态学操作提取疑似目标区域, 降低匹配的复杂度; 最后, 采用基于直方图置信度策略对遮挡后的疑似目标区域进行重捕, 实现整个遮挡过程的稳定跟踪。定性定量仿真实验结果表明, 本文提出的目标跟踪算法在实时性, 稳定性和定量指标上具有明显优势, 适合工程应用。
目标跟踪 检测机制 遮挡干扰 空时上下文 重捕置信度 object tracking detection mechanism occlusion interference spatio-temporal context confidence degree
1 电子科技大学 电子科学技术研究院，四川 成都 611731
2 贵州大学 大数据与信息工程学院，贵州 贵阳 550025
3 电子科技大学 光电科学与工程学院，四川 成都 610054
为了得到人眼跟踪过程中更好的鲁棒性和实时性以及跟踪精度，提出一种基于自适应增强分类算法(AdaBoost)、随机森林(RF)和时空上下文(STC)的重定位跟踪算法。该算法结构分为3层，分别为AdaBoost人脸检测、STC人脸跟踪和RF人眼定位。首先，利用AdaBoost在第一帧识别出人脸，从而提取出人脸窗口。接着，使用时空上下文跟踪算法进行人脸跟踪。然后，联合定向梯度直方图(HOG)算法进行相似度判断，以达到目标丢失后继续跟踪的目的。最后，采用随机森林算法进行人眼定位。实验结果表明，与传统的随机森林人眼跟踪算法相比，该算法在跟踪速度达到原方法的2倍左右，并在跟踪精度和鲁棒性上和原算法相同。基本满足在裸眼3D显示时人脸跟踪和人眼定位的精度高、实时性快、鲁棒性好的要求。
级联分类器 随机森林 时空上下文 人脸检测 人眼定位 adaBoost random forest spatio-temporal context face detection human eye location
1 西安电子科技大学 物理与光电工程学院, 西安 710071
2 中国电子科技集团公司 第五十四研究所, 石家庄 050081
为解决传统跟踪算法不能有效区分复杂天空云层背景边缘和红外弱小目标, 从而在跟踪过程中产生“偏移”的问题。在时空上下文原理基础上分析跟踪“偏移”的原因, 引入高斯曲率滤波, 提出一种改进的时空上下文红外弱小目标跟踪算法。该算法首先采用高斯曲率滤波对上下文区域进行预处理, 在保留上下文区域背景边缘的同时剔除高频的红外弱小目标和噪声, 从而获得准确的红外弱小目标置信图, 利用红外弱小目标置信图估计出红外弱小目标位置。采用四组复杂天空背景下的红外弱小目标图像序列进行实验, 并与经典的模板匹配算法、基于粒子滤波的均值漂移算法和快速压缩跟踪算法三种跟踪算法作比较。实验结果表明, 算法在主观视觉和客观评价指标方面均优于其他三种算法, 具有更高的目标跟踪精度与较好的实时性, 可以实现对复杂天空背景下红外弱小目标的有效跟踪。
目标跟踪 红外弱小目标 高斯曲率滤波 时空上下文 傅里叶变换 target tracking infrared dim small target Gaussian curvature filter spatio-temporal context Fourier transform 强激光与粒子束
2018, 30(6): 061002
空军航空大学 航空航天情报系，吉林 长春 130022
本文所提算法是一种卷积神经网络与时空上下文结合的目标跟踪算法。将卷积神经网络算法融入时空上下文算法框架下，使得跟踪系统整体的鲁棒性有显著提高。引入Kalman 滤波来处理目标被严重遮挡时，跟踪框容易漂移的问题。此外，整个跟踪系统采取由粗到精的双重目标位置定位方式，由时空上下文算法实现目标初定位，由卷积神经网络进行目标位置的精确定位。经实验验证，算法不仅稳定性和鲁棒性较好，而且实时性的条件也基本满足。
目标跟踪 时空上下文 卷积神经网络 target tracking spatio temporal context convolution neural network
北方民族大学数学与信息科学学院, 宁夏 银川 750021
相关滤波器在视觉目标跟踪中得到了广泛应用, 针对复杂场景下目标跟踪容易出现跟踪漂移的问题, 以及现有多尺度跟踪算法计算量大的问题, 本文提出一种实时的多尺度目标跟踪方法。首先由时空上下文模型输出目标位置置信图完成目标定位, 再在尺度空间上训练相关滤波器完成目标尺度估计, 最后基于目标位置和尺度提出了一种新的时空上下文模型更新机制, 避免了模型更新错误。实验表明: 该方法在尺度变化、局部遮挡、目标姿态变化等情况下均能完成鲁棒跟踪, 跟踪正确率较原始时空上下文跟踪算法提高了 38.4%。
目标跟踪 时空上下文 多尺度 object tracking spatio-temporal context scale update
中国民航大学 电子信息与自动化学院, 天津 300300
传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性, 故目标被长时间遮挡后, 目标模型容易被错误更新且难以修正。因此, 本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性, 并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征, 在目标被长时间遮挡后也能准确评估更新内容的有效性, 并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明, 改进算法在测试数据集上的跟踪成功率为82%, 中心偏差为8 pixels; 在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升, 实现了目标的可靠跟踪。
目标跟踪 时空上下文跟踪算法 双目标模型 级联分类器 object tracking Spatio-temporal Context (STC) tracking algorithm dual-object model cascade classifier
