DSPCA在自适应视频跟踪算法中的应用

为了解决单一固定目标模型在复杂的场景中易产生跟踪漂移问题,提出一种基于DSPCA的自适应粒子滤波跟踪方法,通过稀疏主成分分解(DSPCA)在线获取互补图像集,同时将其按照新的相似度BRS进行自适应融合作为新目标模型。与经典的粒子滤波跟踪算法、视觉分解跟踪算法和多特征自适应融合跟踪算法,与有挑战性较高的场景视频相比,提出的算法在形态、运动快速及严重遮挡的运动场景中,都能鲁棒地跟踪到目标。     

改进粒子滤波在行人跟踪中的应用

为提高粒子滤波在目标跟踪中的性能,将萤火虫算法(Firefly Algorithm,FA)的优化思想引入粒子滤波,并用自适应差分进化(Self-adaptive Differential Evolution,SaDE)算法代替粒子滤波的重采样,提出一种改进的粒子滤波跟踪算法,并采用新的跟踪特征HSV-iLBP进行跟踪.该算法将FA用于粒子滤波的重要性采样,通过计算迭代来抽取更加有效的粒子,并将粒子滤波的重采样过程看作求解目标函数的最值问题,通过自适应差分进化算法的迭代寻找最优粒子,改善粒子的退化和贫化问题.HSV-iLBP模型由于结合了维数低的HSV颜色特征和iLBP纹理特征,从而在提高跟踪鲁棒性的同时,能有效降低计算复杂度.通过仿真实验,验证了改进算法在行人跟踪上具有更好的精度和速度.     

基于粒子滤波算法的自适应人脸跟踪

当人脸旋转和尺寸变化时,传统的粒子滤波算法不能准确跟踪到人脸.针对这一问题,本文提出了在粒子滤波框架下自适应调整目标跟踪窗口和自适应更新模板的方法.该方法通过计算运动目标区域内粒子到目标中心点的平均距离来自适应调整目标跟踪窗口;且对目标特征模板进行自适应更新.实验结果表明,本算法在人脸旋转和尺寸变化的情况下能够提升跟踪的准确度和精度.     

一种适用于建筑灾难救援系统的目标跟踪方法

在目标跟踪研究中,大量的实验证明粒子滤波算法对于运动轨迹变化复杂的运动目标跟踪效果不理想.基于变率粒子滤波算法(VRPF),以大型建筑灾难救援系统为研究背景,应用无线传感器网络技术,提出了一种自适应变率粒子滤波算法(AVRPF).该算法通过比较某时刻粒子值与测量值的关系自适应地调节采样周期,以提高对复杂运动目标的跟踪精度,尤其当运动轨迹出现大幅度变化时.仿真实验证明了该算法的有效性和实用性.     

交通车辆轮廓跟踪算法研究及其工程应用

针对模式识别在智能交通领域的实际工程应用,提出了一种提取运动车辆轮廓线的精细跟踪算法．首先,通过冗余离散小波变换法提取运动区域,检测出相邻两帧图像内的运动变化从而确定运动对象的存在及其初始位置;其次,以当前帧运动区域为参考,通过改进的mean-shift算法在后续帧中跟踪运动对象的中心位置;最后,以mean—shift跟踪窗口作为目标初始轮廓线,采用自适应水平集法得到目标轮廓,从而精确定位运动对象位置．实验结果表明本文算法能够以轮廓线的方式以较高精确度跟踪运动车辆目标,目前已被市交通局科研单位采纳,具有一定的工程应用前景．     

两阶段混合粒子滤波的目标跟踪

基于粒子滤波的目标跟踪,跟踪的成功率和精度与目标运动速度和算法的粒子数密切相关.较大的粒子数能够跟踪速度更快的目标,同时提高跟踪的精度,但会降低算法的实时性.为了解决这个问题,提出一种两阶段混合粒子滤波算法,在第一阶段中,利用少量粒子基于距离角度模型对目标的位置进行粗略估计.在第二阶段中,利用均值偏移算法对目标位置进行精确估计,同时利用粒子滤波对均值偏移的窗口进行自适应调整.实验表明,提出的两阶段混合粒子滤波算法,不仅能够实时地跟踪尺寸变化的目标,而且能够跟踪运动速度快的目标.     

一种用于运动跟踪的加窗粒子滤波新算法研究

为了提高粒子滤波算法在视频跟踪中的性能,在基本粒子滤波算法的基础上,采用窗口滤波更新粒子集合,根据对目标位置估计的情况动态更新粒子集合大小,得到一种改进的粒子滤波算法--加窗粒子滤波算法.该算法利用估计窗内的混合抽样粒子集描述后验分布,通过对估计窗内具有不同权值的粒子集依据其权值大小进行抽样,并根据当前观测值对抽取的粒子状态进行更新,实现对目标的跟踪.仿真实验结果表明:这种跟踪算法在不影响跟踪精度的情况下,大大减少了计算量,较好地解决了视频目标跟踪这一非线性非高斯状态在线估计问题.     

基于粒子滤波和Mean-shift的自适应目标跟踪方法

目标跟踪技术一直是计算机视觉的核心内容。本文结合粒子滤波与Mean-shift跟踪方法,提出了一种新的自适应目标跟踪方法,通过利用粒子滤波获取目标的初始位置,进而采用Mean-shift跟踪方法,实现目标跟踪的准确定位,同时,通过抑制背景特征分布,更新目标特征分布,从而在跟踪过程中自适应调整目标的模板表示。实验结果表明了本文提出方法的有效性。     

基于视觉显著性的突变运动目标跟踪

针对突变运动下的目标跟踪问题,提出一种基于视觉显著性的粒子滤波跟踪算法.该算法将基于视觉注意机制的视觉显著图引入粒子滤波框架中,根据视觉显著图的显著性区域,按"胜者为王"和"返回抑制"机制进行目标检测,并以检测结果为全局建议分布进行粒子采样,从而完成全局状态空间的搜索,有效地避免了陷入局部极大值.同时,为增强目标区域在视觉显著图中的显著性,将自底向上和自顶向下的计算模型相结合,根据目标模板对各个特征显著图进行自适应权值计算,并按权值融合产生视觉显著图.实验结果表明,针对不同类型的突变运动跟踪场景,该算法均能表现出较好的鲁棒性.     

基于改进“当前”统计模型和AKF的机动目标跟踪

采用"当前"统计模型设计Kalman滤波算法,实现对机动目标的自适应跟踪;并针对"当前"统计模型对机动目标跟踪中存在的缺陷,提出改进的"当前"统计模型,根据滤波估计值对最大加速度进行自适应调整,使得系统噪声方差随着目标运动情况自适应变化;此算法在没有增加任何计算量的基础上有效提高了机动目标的跟踪性能.通过对实际交通视频的仿真实验验证了算法的有效性.