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.     

联合Mean-shift与粒子滤波器的实时视频目标跟踪算法及实现

粒子滤波器由于摆脱了高斯分布的约束条件,已经成为一种主流的、面向目标的非线性运动跟踪算法,广泛应用于视频压缩与检索、智能视频监控、智能人机交互等领域,其缺点是计算复杂度高、计算量庞大,无法满足实时应用的需求。针对粒子滤波器在计算量、实时性及粒子退化方面存在的问题,提出了将Mean-shift算法嵌入粒子滤波器,对重要性采样分布进行优化,以较少的采样粒子实现视频目标跟踪。仿真实验结果显示,联合Mean-shift的粒子滤波算法在目标跟踪过程中具有较好的实时性与鲁棒性。     

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.     

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。     

颜色与纹理自适应融合的粒子滤波跟踪算法

针对传统粒子滤波跟踪算法中的目标模型单一、粒子退化等问题,文章提出了一种基于颜色特征与纹理特征自适应融合的粒子滤波跟踪算法,该方法选取颜色特征和纹理特征作为目标的视觉描述子,然后将2种特征的后验概率进行融合,并对目标模板进行自适应更新,进而估计出目标的状态。实验结果表明,该方法能够较好地处理背景光照变化明显、目标物体与背景颜色相近、遮挡、局部形变等干扰因素的影响,准确跟踪及定位运动目标。     

融合视觉与雷达数据的改进粒子滤波车辆目标跟踪

针对视觉跟踪中由于尺寸变化累积误差导致目标丢失的问题,提出一种融合视觉与毫米波雷达数据的改进粒子滤波车辆跟踪算法。首先,引入遗传算法改善标准粒子滤波中的粒子退化与粒子衰退问题,根据退化程度计算动态自适应的遗传交叉概率,并利用高斯分布替代平均分布计算种群适应度。然后,将图像HSV直方图特征与改进粒子滤波算法结合,实现车辆多目标跟踪。最后,通过雷达目标投影点与视觉跟踪框的位置关系实现关联匹配,利用深度信息修正跟踪框的位置与尺寸。实验结果表明,相对于标准粒子滤波,改进的粒子滤波算法可以使平均跟踪准确率与精度分别提高22.1%与21.1%。相对于仅采用视觉跟踪,融合雷达数据的跟踪算法能够使车辆目标跟踪精度再次提高9.2%。     

融合多特征的粒子滤波目标跟踪算法

针对在复杂环境下,利用单个特征不能准确跟踪目标的问题,提出了一种在粒子滤波框架下融合多个特征进行目标跟踪的算法.利用Fisher线性判别原理,从特征集合中抽取能有效判别目标和背景并能保持目标时域一致的特征子集.在粒子滤波框架下,自适应地融合特征子集中的所有特征实现目标跟踪.通过试验证明了该算法在遮挡、环境变化等情况下的健壮性,同时也验证了跟踪结果的精确性.     

基于粒子滤波的机车信号灯跟踪方法

为保障机车行驶安全,由车载高清摄像机获取路况视频并识别信号灯及其颜色状态时,视频中信号灯目标尺度变化大、机车行驶抖动、复杂光环境及光圈自适应调节滞后等因素使得信号灯鲁棒跟踪与识别具有不小难度.针对信号灯跟踪问题,本文提出一种带检测矫正的粒子滤波跟踪方法,该方法在粒子滤波框架下对信号灯进行跟踪,并通过一个在线更新的模板对滤波结果进行检测矫正,以提高跟踪结果的准确性.为提高跟踪算法对光照以及目标尺度变化的适应能力,本文在对信号灯建模时融合了HSV颜色特征与局部二元模式特征.实验结果表明,该方法在较复杂的场景下能够很好地对信号灯进行实时鲁棒的跟踪,并且跟踪结果具有较高的准确性.     

基于Mean-shift的粒子滤波算法在遮挡目标跟踪中的应用

针对Mean-shift及粒子滤波对遮挡问题的处理,结合二者的优势做出有效改进。一般情况下利用改进的均值漂移算法跟踪目标,在目标发生严重遮挡情况下,给出一个遮挡因子,采用改进的粒子滤波算法跟踪目标。算法能够对发生遮挡后的目标进行持续、稳健的跟踪,提高算法在遮挡情况下目标跟踪的鲁棒性。     

用于状态估计的自适应粒子滤波

分析了粒子滤波的性能关键，提出了一种新的自适应粒子滤波算法．该算法采用一种新提议分布，即将UKF（Unscented Kalman Filter）与自适应强跟踪滤波器（STF）相结合．新提议分布通过UKF构造粒子群，而粒子群中的每个粒子中的每个sigma点用STF来更新，它可以在线调节因子而使得算法自适应．非线性状态估计仿真试验证实了改进的粒子滤波算法的有效性．     

提高Mean-shift跟踪算法性能的方法

针对Mean-shift跟踪算法,在目标色彩特征不突出,或受到光照、阴影等影响,或有干扰物体靠近目标时,很容易发生跟踪错误等问题,采用色彩融合模版和位置预测来提高Mean-shift跟踪算法的性能.在对图像的RGB三色进行简单的线性融合的基础上,提出了根据前景和背景直方图的相似度函数去选取目标特征最突出的融合图像的算法,并据此建立3个目标模版.对目标的位置先进行卡尔曼预测,再用Mean-shift算法对3个模板分别进行跟踪,最后融合跟踪结果.实验结果证明,提出的方法能在复杂背景下跟踪目标,并能更好地应付阴影、光线等变化.此外,它能有效地避免相似物体靠近目标或者和目标交错引起的跟踪失败.     

帧差法和Mean-shift相结合的运动目标自动检测与跟踪

传统的Mean-shift算法简单快速,但存在半自动跟踪缺陷,在起始帧需要手动确定搜索窗口来选择目标,且核窗宽固定不变,不能实时地适应目标尺寸大小变化,容易跟丢目标。接合帧差法,首先通过帧差法检测目标,并获取目标窗口和中心,再结合Mean-shift跟踪,并通过设定ρ^(y)相对改变量r来确定目标模板是否需要重新获取,实现Mean-shift算法全自动跟踪,并能适应目标尺寸大小改变的情况。实验表明,该方法跟踪准确,实时性高。     

运动图像跟踪过程中丢帧误差消除技术

为解决传统方法不能自动对跟踪窗口的大小进行调整,造成跟踪定位误差高,无法有效消除丢帧误差的问题,提出一种新的运动图像跟踪过程中丢帧误差消除方法。通过对帧间差分法进行优化,利用每帧获取的背景部分完成背景模型的更新处理,通过当前帧和背景模型的差分获取运动范围。利用优化的Mean-shift法对运动图像进行跟踪处理,采用改进的帧差法对目标边缘进行提取,完成Mean-shift搜索窗口的更新处理,自适应调整跟踪窗口大小。通过适于P帧幅度能量模型对此刻帧与上一帧图像信息的改变程度进行描述,以体现运动图像序列运动分布情况,对运动图像跟踪中的丢帧误差情况进行描述。在此基础上求得运动图像跟踪状态矩阵,完成对丢帧状态参数的处理,将丢帧误差消除,以增强运动图像跟踪质量。结果表明,所提方法误差消除效果好,运动图像跟踪精度高。可见该方法能够对丢帧误差进行有效消除。     

Mean-Shift跟踪算法研究及LabVIEW实现

介绍了Mean-Shift目标跟踪算法的基本原理,针对核函数带宽在跟踪过程中固定不变的问题,给出了改进的Camshift方法,同时,讨论了基于Kalman滤波的目标模型更新算法。利用LabVIEW实现了Mean-Shift目标跟踪算法,实验表明该方法可以对室外场景单个物体和多个物体进行跟踪,可以应用于视频监控领域。     

基于多路径粒子滤波目标跟踪

视觉跟踪是机器人自主导航、智能监控系统的关键技术.在粒子滤波跟踪算法中,设计粒子滤波器时,粒子大小是固定不变的,而目标与镜头之间是相对运动的,目标图像大小可能超出粒子范围,使得跟踪跟踪目标丢失.为了解决了上述问题本文提出了基于小波变换图像的粒子滤波方法.这里做法是在图像中目标上采集粒子,然后采用小波变换的分解算法和重建算法处理目标附近区域图像,再将采集到的粒子分成三部分,分别在原图和两种小波图像中传播.这样可以增强粒子滤波的鲁棒性,提高跟踪精度.     

基于多特征自适应融合的目标跟踪

针对传统的基于单一特征的跟踪方法在复杂场景和光照变化下易导致跟踪失败的缺点,提出了一个基于多特征自适应融合的目标跟踪算法。首先选取具有互补性的目标颜色和纹理特征构造目标的多特征模型;然后根据特征子模型对目标与背景的可分性,对目标特征子模型的权值进行自适应调节;最后利用颜色和纹理特征对所提的算法进行了验证。试验表明同基于单个特征的核函数目标跟踪方法相比具有更好的鲁棒性。     

柑橘果园机器人仿生眼的目标跟踪与定位系统

针对传统柑橘园林机器人云台视野范围小、定位精度低等问题,在仿生眼平台上,提出一种基于连续自适应均值偏移(CAM shift)算法和变结构PID控制器相结合的目标跟踪方法。具体包括效仿人类眼颈的结构特点,设计一个4自由度的仿生眼视觉平台;建立仿生眼的成像模型,提出一种相机外参数自适应标定方法,以解决仿生眼平台外参数会随着相机位姿改变而不断变化的问题;提出基于CAM shift的仿生眼目标跟踪算法,成功实现了对于目标的持续跟踪;为提高仿生眼系统在饱和非线性特性下的动态响应性能,提出采用基于抗饱和(Anti-windup)的变结构自适应PID控制器来设计仿生眼控制系统。以柑橘为研究对象,在设计的仿生眼平台上开展试验。结果表明,本文方法左眼平均中心位置像素误差(CPE)为7.2,右眼CPE6.1,均小于设计所要求的CPE10,且每帧图像处理过程小于0.1s。系统能满足实际应用,具有较高的鲁棒性和准确性。     

基于均值漂移算法的人脸自适应跟踪

采用自适应人脸方向模板和YCbCr自适应肤色模型,提出了一种新的基于均值漂移算法的自适应人脸跟踪方法。与传统的均值漂移跟踪方法相比,当人脸倾斜时或光线变化时,该方法能更精确地描绘出人脸位置。实验结果表明,在基本上不增加计算量的情况下,该方法能对人脸的倾斜和光线的变化进行很好地自适应跟踪。     

融合深度特征和FHOG特征的尺度自适应相关滤波跟踪算法

为了解决核相关滤波跟踪算法在复杂场景下跟踪效果差的问题,提出了一种融合深度特征和尺度自适应的相关滤波目标跟踪算法。首先,通过深度残差网络（ResNet）提取图像中被跟踪区域的深度特征,再提取目标区域方向梯度直方图（FHOG）特征,通过核相关滤波器学习,分别得到多个响应图,并对响应图进行加权融合,得到跟踪目标位置。其次,通过方向梯度直方图（FHOG）特征,训练一个PCA降维的尺度滤波器,实现对目标尺度的估计,使算法对目标尺度发生变化有很好的自适应能力。最后,根据响应图的峰值波动情况改进模型更新策略,引入重新检测机制,降低模型发生漂移概率,提高算法抗遮挡能力,在标准数据集OTB100中与其他7种目标跟踪算法进行比较。结果表明,相比原始KCF算法,改进后的KCF算法精准度提升了29.4%,成功率提升了25.9%。所提算法实现了对跟踪目标位置的精准估计,提高了尺度自适应能力和算法速度,增强了算法抗遮挡能力。[JP]