为了获得稳健的近红外光谱模型, 采用变量选择结合模型更新的方法, 以240个红富士苹果为对象, 取得近红外漫透射光谱和糖度数据, 建立偏最小二乘回归模型, 对苹果糖度含量进行预测, 并采用后向区间偏最小二乘法和竞争性自适应重加权算法, 对建模变量进行了选择, 通过将新批次中的一些样品加入到旧批次中重新校准来实现模型更新。结果表明,变量选择可以提高模型性能, 预测决定系数提高到0.7915, 预测均方根误差降低到0.5810, 预测偏差降至0.2627;结合模型更新策略, 可以进一步降低预测均方根误差和预测偏差;仅使用20个样品进行模型更新已经明显改善了模型性能, 预测决定系数提高到0.8506, 预测均方根误差降到0.4358, 预测偏差降到0.1045。这一结果对于多种水果建立稳健的近红外光谱模型是有帮助的。

针对现有视频跟踪算法因目标运动机动性强或非对称刚体目标快速变形等情况导致的目标丢失问题,提出了一种基于相关滤波自适应模型与平均峰值相关能量(APCE)重检机制的视频跟踪算法。自适应模型跟踪算法可根据目标区域的清晰度实时调整模型,有效保证目标跟踪模型的准确性。实验结果表明,将自适应模型跟踪算法融入判别式尺度空间跟踪(DSST)模型中,可增强模型对机动性强或快速变形物体的跟踪效果,在保证跟踪速度的同时,使原始DSST模型的平均精度提高了18.3个百分点,成功率提高了15.2个百分点。此外,将自适应模型跟踪算法与APCE重检机制相结合,可保证跟踪算法的稳定性。

传统的稀疏表示旨在通过字典的线性结合构建跟踪目标的表观模型,忽视了目标的分层结构特征,因此难以处理复杂的跟踪环境。针对该问题,提出一种新颖的基于卷积的稀疏跟踪算法(CSTA)。在目标区域中提取局部图像块作为局部描述子,依据稀疏表示从中选取一组图像块作为固定卷积核与输入的图像进行卷积运算,能够有效保留跟踪目标的层次化结构特征;同时提出一种新的选择性在线模型更新机制,有效避免错误模型更新导致跟踪结果漂移的问题。所提CSTA在公开数据集中与现有稀疏表示算法进行定量、定性的分析比较,结果表明,CSTA的准确度、鲁棒性均优于现有的稀疏跟踪算法。

针对相关滤波器对平面内旋转和尺度变化等跟踪效果不佳的问题,在ECO_HC (efficient convolution operators handcraft)的基础上提出了一种具有旋转特性的尺度自适应相关滤波目标跟踪算法。训练一个旋转和尺度滤波器,采用相位相关算法求得尺度因子和旋转角度;在进行旋转和尺度模型更新时,采取动态自适应更新策略;在位置模型更新阶段,通过融合前序帧的背景信息提高模型的稳定性。实验数据表明,所提方法不仅对平面内旋转和尺度变化有较强的鲁棒性,而且能够达到实时要求。

针对目标尺度变化、遮挡及形变等复杂情况下, 传统核相关滤波器(KCF)效果不理想的问题, 提出了一种基于Radon变换的自适应模型更新KCF滤波跟踪算法。利用运动信息, 通过光流法和帧间差分法预测出目标可能所在的区域, 显著缩小了搜索范围, 提高了算法速度; 利用Radon变换具有对噪声不敏感及矩平移伸缩不变性, 通过矩特征匹配度峰值确定最优尺度, 在减少计算量的同时提高算法精度; 根据模型更新策略中学习率与响应图峰值的非线性关系, 构造抛物型学习率曲线,实现对模型的自适应更新, 即使在目标暂时丢失或出现虚假目标时也保证了算法的跟踪精度。实验结果表明, 提出的算法具有较好的实时性和较高的成功率与精度。

在目标遮挡、光线变化等复杂的跟踪环境下,现有相关滤波跟踪算法无法对目标进行长时间实时稳定跟踪。提出一种基于模型更新与快速重检测的长时跟踪算法。首先,在现有的目标定位与尺度变化的相关滤波跟踪算法基础上搭建长时目标跟踪的框架,提出加入模型监测更新机制,根据最大响应和平均峰响应相关能量值判别进入更新或重检测环节;然后,基于提取描述子特征的重检测方法,将提取特征的比特维数统一降到512进行优化,加快重检测速率。所提算法选取OTB-100中20个有代表性的序列进行测试,成功率评估均值为0.706,精确度评估均值为0.805,平均速度为48.5 frame/s;在自采集的数据集上平均准确率能达到87.65%,能够在尺度变化、遮挡等复杂情况下满足长时跟踪的准确性和实时性要求。

提出一种基于高置信度模型更新策略的多相关滤波器协同跟踪算法。利用卷积网络结构VGG-Net-19提取目标周围区域的多层卷积特征,构造深度滤波器,以自适应的特征融合策略实现目标初定位;建立尺度滤波器以检测目标的尺寸变化;利用主次峰坡度比作为跟踪置信度指标,设计一种高置信度下的模型更新策略;当跟踪置信度不足时,通过EdgeBox方法提取目标候选区域,利用设计的重检测滤波器,确定目标的最终位置。在标准数据集OTB-100和TC-128上的实验结果表明,本文算法取得了较高的跟踪精度,在目标发生遮挡、光线变化、出视野等复杂情况时,算法依旧可以稳健地跟踪。

针对复杂场景下单个特征的稳健性差,以及目标存在背景干扰和目标遮挡时跟踪失败的问题,提出一种基于自适应特征融合和模型更新的相关滤波跟踪算法。该算法在核相关滤波的基础上,通过对不同特征的响应图采用平均峰值-相关能量的方法进行加权求和,实现了响应图层面的自适应特征融合。根据响应图的峰值特性计算自适应权重,以其作为置信度确定模型的更新率,进而设计自适应模型更新方法。实验结果表明,该算法能够很好地适应背景干扰、目标遮挡、旋转运动等复杂场景,与近年来优秀的相关滤波跟踪算法相比,所提算法的平均距离精度比其中最优的算法提高了2.64%,平均重叠精度提高了1.54%。

为了满足在线目标跟踪算法的实时性需求并提高算法的稳健性,提出一种基于高置信度更新策略的相关滤波跟踪算法。在目标区域提取、融合多特征,以构建稳健的外观表达,并利用投影矩阵对特征进行降维,以提高算法的运行效率;通过相关滤波器寻找最大响应值,从而快速定位目标;利用最大响应值和平均峰值相关能量指标,设计了一种高置信度更新策略。结果表明:所提算法在大规模公开数据集上取得了较高的跟踪精度和成功率,平均跟踪速度达到122.3 frame/s。