基于在线分级特征选择机制的目标跟踪算法

为了提高在复杂背景、光照突变等因素干扰下视频序列目标跟踪算法的鲁棒性,提出了一种新的基于在线目标特征选择机制的跟踪算法。利用目标颜色信息和梯度方向直方图构造目标特征空间,用G auss混合模型对目标特征集建模,分级选择机制在目标特征集中依据最大化信噪比准则选择最优的特征子集,生成概率权重图像。利用概率权重图像构造观测似然函数,在粒子滤波的框架下,实现目标的跟踪。实验结果表明:该算法可以有效地克服目标旋转、背景复杂、光照突变等因素的干扰。     

基于Snake算法的深度图像人体目标跟踪

基于彩色图像的人体跟踪算法鲁棒性不高的主要原因是对目标进行跟踪时,受到光照变化、复杂背景、物体遮挡等因素的影响.针对此问题本文利用Kinect采集深度图像进行人体目标跟踪.首先在深度图像中通过用户索引检测出人体目标,可方便地去除图像中复杂背景的干扰.然后利用基于角点的自动初始化方法得到人体的轮廓信息,再结合Snake算法实现人体目标跟踪.最后将该算法与基于深度图像的Camshift算法进行对比分析.结果表明,在室内应用Snake算法不受灯光和复杂背景等因素的影响,能对人体目标进行实时跟踪,且比Camshift算法具有更强的抗干扰能力,跟踪更准确.     

复杂背景下的红外小目标图像信息提取

针对红外小目标跟踪测试系统的目标检测、识别和跟踪,存在着目标面积小、形态特征弱化、背景图像复杂等因素而影响目标信息提取的问题,提出了利用图像处理技术方法,对跟踪系统获取的图像进行改善处理.根据跟踪测试原理和复杂背景目标图像特征,研究了基于低通滤 波法的目标图像的预处理算法,目标图像增强,目标图像与背景分离和Sobel边缘检测算法等图像处理技术,从而对红外小目标图像定位.实验结果表明:所采取的图像处理方法可以对复杂背景下的目标信息提取,结合跟踪系统的控制机制,现实远程目标的动态跟踪.     

基于图的流行排序的视觉跟踪

为了克服基于检测的目标跟踪中的模型漂移问题,在基于检测的目标跟踪框架下提出一种新的基于图的流行排序的目标跟踪方法。该方法能够抑制在跟踪过程中目标变形、尺度变化以及遮挡等带来的背景信息的影响。首先,把目标矩形框划分为不重叠的图像块,构造一个k-正则图,即以这些图像块为图结点,构造k-正则图,边权定义为结点之间的底层特征的相似性。其次,为每一个图像块分配一个权重,用于表示该图像块在目标表达中的重要性,以此抑制背景信息的干扰,并通过半监督的方式进行计算。特别初始化一些背景或目标图像块,设其权重为1,其他为0,通过流行排序算法计算所有图像块属于背景或目标的权重。此外,使用多尺度特征金字塔的方法处理跟踪过程中的目标尺度变化,同时提高了初始图像块的可靠性。最后,把所有图像块的底层特征进行加权,连接成一个向量,作为矩形框的特征表达,并使用结构化输出(Struck)算法进行跟踪。在几个公共视频序列上进行了实验,结果表明,研究方法的跟踪性能极大地超过了其他跟踪方法。     

基于ABCshift结合LBP纹理特征的目标跟踪算法

ABCshift算法是利用贝叶斯理论降低相似颜色的概率值,提升目标中非相似颜色的概率值,通过目标中概率值高的颜色跟踪目标,有效解决了目标受颜色干扰跟踪不准确的问题。当目标中的颜色和背景颜色特别相近时或者目标在运动过程中光照发生突变时容易出现跟踪丢失。通过引入跟踪目标的局部二元模式算子(LBP),利用颜色和LBP多特征相结合的改进ABCshift跟踪算法能有效解决以上问题,在目标被相似颜色干扰和光照突变的情况下做了实验,验证了改进算法的鲁棒性。     

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.     

基于特征融合的改进粒子滤波目标跟踪算法

针对复杂背景下单一的颜色特征不能准确跟踪目标的问题,提出了一种改进的目标跟踪算法。该算法利用跟踪目标的颜色特征和运动边缘特征来表示目标。在粒子滤波的框架下融合特征信息从而进行目标跟踪,能够有效地避免单一颜色特征在跟踪过程中受到相似背景、遮挡等问题的干扰。通过与基于单一颜色特征跟踪实验误差数据的分析,实验结果表明该算法在复杂背景以及目标遮挡等情况下能达到较好的目标跟踪效果,实现目标的准确跟踪。     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出了一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

基于视觉显著性和特征点匹配增强的 运动目标跟踪框架

为了解决主流目标跟踪算法在目标遮挡、快速位移和光照变化等不利条件下易发生跟踪不稳定的问题,提出一种视觉显著性和特征点匹配增强的目标跟踪框架,当瞬时跟踪结果经判别达到SURF特征点匹配阈值时,触发跟踪增强机制,提取图像的时域、频域和空域显著性得到综合的显著图,然后执行邻近匹配策略搜索显著图各显著区域以找到目标最可能的存在区域.本文框架是在传统跟踪方法的基础上加入了独立的增强机制,因此并不局限于某一种特定跟踪方法,具有良好的可扩充性和通用性.实验结果表明,该框架能有效克服多种不利因素的带来的干扰,可实现复杂背景下目标的准确跟踪.     

自适应的免疫粒子滤波车辆跟踪算法

针对真实场景中的车辆跟踪问题, 提出一种改进的粒子滤波车辆跟踪算法. 通过免疫重采样框架减少粒子退化, 保证粒子滤波的有效性, 并参照人工免疫算法的思想建立记忆库, 使算法可较长时间地跟踪目标; 利用背景权重直方图和分块判别机制减少因遮挡导致的跟踪偏离, 同时在运动模型和抗体变异过程中加入自适应学习参数, 提高算法的鲁棒性. 实验结果表明, 在光照变化、 运动突变、 目标遮挡等不同条件下, 该算法具有稳定跟踪的能力, 验证了算法的有效性.     

复杂背景下的遥感图像特征识别算法

摘要：针对复杂背景和可变光照下的静态彩色图像人脸检测,提出一种基于多目标优化和蚁群算法的遥感图像特征识别方法。首先将遥感图像特征选择转化成多目标优化问题,然后利用特征子集维数和识别率加权构造了目标函数,最后利用蚁群算法的全局寻优和正负反馈投机实现特征子集搜索,从而找到遥感图像中的最优特征子集,实现准确识别。仿真实验结果表明,算法能够很快的找到最优特征子集,消除无用和冗余特征,降低了特征维数,识别率高。     

一种融合深度信息的视频目标压缩跟踪算法

针对复杂环境下单一特征在跟踪过程中易造成准确率下降和鲁棒性差的问题,提出一种融合深度信息的视频目标压缩跟踪算法。利用压缩感知理论分别提取目标灰度图像和对应深度图像的正负样本压缩特征,通过特征训练弱分类器,利用马氏距离赋予弱分类器权值,加权组合为强分类器,实现目标的多特征融合,视目标跟踪为一个二分类问题,确定目标跟踪结果。使用由粗到细的搜索策略减小计算复杂度。实验结果表明,该算法跟踪目标平均中心位置误差为9. 95像素,平均成功帧率可达96%,算法保持实时性的同时对视频目标运动遭遇的部分遮挡、姿态变化、光照变化以及相似物干扰等情况下的跟踪均具有较好的效果。     

因式分解卷积运算的多尺度目标跟踪算法

针对因受到尺度变化、光照变化、形状变化以及相似目标等因素的干扰,目标跟踪过程出现漂移或算法过拟合现象等问题,提出了一种基于因式分解卷积运算的多尺度卷积运算.采用含有类似anchors机制的深度检测模型SSD,提取不同宽高比尺寸的特征减少漂移情况的出现,利用紧凑的样本集生成模型和优秀的更新策略等优点有效地解决了过拟合问题.结合ECO算法中的因式分解法提高在光照变化、尺度变化、遮挡以及背景杂波等方面跟踪效果.实验结果表明:该目标跟踪算法具有较强的鲁棒性和较高的跟踪成功率.研究结论可以提高目标跟踪算法的精确性、实时性.     

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。     

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.     

基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。     

多模序列图像目标跟踪的特征融合粒子滤波实现

针对图像制导中信息的模糊性和不确定性问题,将多源信息融合技术应用于红外／可见光双模复合成像制导。采用方差比测量的方法将特征选择问题转化为一个两类判别问题,并引入自适应特征选择机制;通过计算目标和背景间不同特征分布直方图对应的似然比,在高维特征空间中选择4个判别性较好的特征区分目标和背景,根据bahattacharyya距离建立跟踪所需的观测似然函数,在粒子滤波的框架下实现了算法对单模序列图像中目标的跟踪;引入跟踪性能品质度量因子和加权融合策略衡量多信源下对目标的跟踪性能,实现对双模序列图像中目标的稳健跟踪,解决了单一信源在特定因素下跟踪性能不理想的缺陷,提高了算法性能。仿真实验结果验证了算法的有效性。     

一种改进的稀疏性算法在目标跟踪中的应用研究

在复杂场景下,目标物部分遮挡或光照变化会引起跟踪算法效率的降低,而全局模板在目标受到遮挡时不能较好地跟踪。本文结合粒子滤波与稀疏表达,提出一种改进的目标跟踪算法。通过提取目标特征集构造过完备模板集,对该模板集采用分块策略进行多尺度分块,从而提取目标的全局和局部特征直方图,对全局及局部特征直方图进行稀疏表达,并结合粒子滤波算法的粒子后验概率来描述当前目标状态,实现对目标的跟踪。仿真实验结果表明:和经典跟踪算法相比,该算法能够在遮挡环境下高鲁棒性对目标地进行跟踪。     

基于颜色和边缘特征CAM Shift目标跟踪算法

针对连续自适应均值漂移(CAM Shift)目标跟踪算法只适用于特定颜色目标跟踪且容易受到光照变化影响和背景色干扰的缺点,提出了一种改进的CAM Shift目标跟踪算法。该算法采用颜色空间三基色权重直方图建立目标模型,并用目标边缘特征增加目标权重。首先通过颜色空间三基色均匀量化获得特征值,建立基于核函数概率密度估计的目标模型;然后用Sobel算子检测目标边缘特征,结合颜色特征,分别赋予不同的权重投影生成概率密度分布图;最后用MeanShift算法迭代寻找目标,并通过矩运算调整跟踪窗口大小和方向。实验结果表明:该算法可以有效跟踪多色彩目标,并能够抵御一定光照变化和大面积同色干扰的影响。