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.     

基于窗口的 Surf 目标跟踪

为解决Sift在目标跟踪中实时性不高的问题,提出了基于窗口的Surf目标跟踪方法.相比Sift目标跟踪,快速鲁棒尺度不变Surf在速度上有了一定的提高.为进一步提高算法的实时性,只对视频图像中包含目标的局部窗口提取Surf特征点.利用特征点之间的相对信息,采用仿射变换方法计算跟踪目标窗口的大小,并获得目标的大致位置信息,最后使用Kalman滤波器对窗口大小和位置信息平滑处理.实验结果表明,该方法在提升速度的同时,对目标发生尺寸变化及旋转等情况时能准确地跟踪物体.     

核窗口尺寸和目标模型自适应的均值漂移跟踪

在目标大小、方向和颜色发生变化时,传统的均值漂移算法会因为核窗口大小和方向不能动态改变、目标模型不能及时更新而导致目标跟踪偏移甚至丢失.为此,文中提出了一种新的核窗口大小和方向可自适应调整的均值漂移跟踪算法,并构建了目标模型更新机制.首先利用计算得到的目标凸包拟合椭圆并结合卡尔曼滤波模型得到目标大小和方向的最优估计;然后利用目标大小和方向的估计值调整算法核窗口的大小和方向,修正核权重分布;最后联合目标形状和颜色信息构建一种目标更新机制,及时更新目标模型以适应目标的变化.不同场景下人体、非机动车等非刚体目标的视频序列实验结果表明,文中方法可以对大小、方向和颜色变化明显的目标进行准确、稳定的跟踪.     

基于前景概率函数的目标跟踪

针对不规则目标跟踪中初始窗口内包含背景像素导致特征模板不准确的问题,提出前景概率函数以及基于前景概率函数的目标跟踪算法.首先根据目标所在区域与背景区域的颜色分布建立前景概率函数,并以此计算目标区域中像素的前景概率,削弱背景像素的干扰,得到更准确的目标特征模板.将目标区域像素的前景概率引入均值迁移跟踪框架中,实现目标的迭代定位;在跟踪收敛后重新计算收敛区域中的前景概率分布,根据其反向投影图的尺度变化调整跟踪窗宽;最后利用Bhattacharyya相关系数对目标特征模板进行自适应更新.实验表明,该算法能够有效抑制背景像素的干扰,在目标尺度变化时能够准确调整跟踪窗宽,减少迭代次数,满足实时跟踪的需要.在复杂背景中跟踪性能也始终优于传统的均值迁移跟踪算法.     

一种改进的移动机器人视觉跟踪算法研究

运动物体的实时跟踪是移动机器人视觉的关键技术之一.为了实现对目标快速有效的跟踪,本文提出了一种改进的移动机器人视觉跟踪算法,该算法在mean shift算法的基础上,利用颜色特征作为视觉跟踪依据,并且引入Kalman滤波进行迭代窗口的预测.实验仿真结果表明,本文算法一定程度上消除了光照条件的影响,而且很好的解决了当目标被遮挡时发生目标跟踪偏差或丢失的问题,具有实用价值.     

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.     

基于概率修正的机场场面运动航空器跟踪算法

基于光电设备的航空器识别跟踪是机场场面监视的重要手段。针对机场场面全景视频监视中运动航空器跟踪算法存在的计算效率低、目标丢失等缺点,提出了基于概率修正的场面运动航空器跟踪算法。首先,预先估计出运动航空器目标概率图,降低在搜索区域内搜索目标时的计算量。通过引入干扰项抑制后,降低对真实目标的干扰。其次,在当前搜索区域内滑动窗口依次计算候选窗口是航空器目标的得分,选取得分最高的候选窗口作为新的航空器目标位置。再次,根据航空器目标位置更新概率图。最后,在多个场面监控视频图像序列上进行测试,对比分析了算法对目标周围出现的相似的区域有较好的抵抗力,在跟踪所得目标区域与真实目标区域的重叠面积率方面具有显著优势,验证了算法能够在目标尺度变化较大的情况下较好的实现对运动航空器的连续准确跟踪,能够满足对场面运动航空器跟踪的有效性和稳定性要求。     

基于交通视频序列的多运动目标跟踪算法

针对智能交通领域对自适应多运动目标跟踪的广泛需求,提出一种新型的基于交通视频序列的多目标跟踪算法。通过Marr小波概率核函数生成静态背景,并结合当前帧在B/RDWT(Binary/redundant discrete wavelet transforms)域进行多运动目标识别,同时采用边缘阴影剔除算法去除阴影的干扰。运动跟踪采用SI_P(SIFT-particle)粒子滤波算法,并结合改进的均值漂移(mean-shift)法获得运动目标的准确跟踪窗口。采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低运算的复杂度。算法采用VC++6.0实现,通过实际道路测试,研究结果表明:SI_P粒子滤波算法与传统算法相比,平均时耗只多0.15s,跟踪窗口尺度可自适应变化,并且该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性。     

一种基于Mean Shift和C-V模型的车辆跟踪算法

针对传统Mean Shift算法跟踪窗口固定不变,无法对不断改变尺寸的车辆目标进行有效跟踪的问题,文中根据车辆跟踪的特点,提出一种基于Mean Shift和C-V模型的车辆跟踪算法.首先利用传统Mean Shift得到初始跟踪窗口,然后根据C-V方法所提取的车辆形状信息对跟踪窗口的中心和大小做进一步修正,在跟踪过程中综合利用了目标颜色、形状等信息,同时对传统C-V方法进行改进,采用一种新的初始化水平集函数表达方法.实验结果表明,文中算法在满足实时性要求的同时,大大提高了车辆跟踪精度.     

基于HOG-SVM的改进跟踪-学习-检测算法的目标跟踪方法

对于经典跟踪-学习-检测(TLD)跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化等问题时,会导致算法的跟踪精度和速度降低,计算的复杂度较高,实时性差。针对以上问题,提出一种改进的TLD目标跟踪算法。首先针对检测模块中计算复杂度高的问题,将HOG-SVM结合替换原TLD算法中的2bit BP特征和集成分类器;再针对原算法中跟踪精度低的问题,将KCF跟踪算法替换中值光流法;在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进,解决原算法中实时性差的问题。实验表明,改进后的跟踪算法,在背景环境变化的情况下,跟踪精度和速度都有提高,实时性加强。