基于深度特征的目标跟踪算法

针对跟踪过程中运动目标的鲁棒性问题,提出了一种基于深度特征的跟踪算法.首先,利用仿射变换对每一帧图像进行归一化处理.然后,利用深度去噪自编码器提取归一化图像的特征.由于提取的特征维数巨大,为了提高计算效率,提出了一种高效的基于稀疏表示的降维方法,通过投影矩阵将高维特征投影到低维空间,进而结合粒子滤波方法完成目标跟踪.最后,将初始帧的目标信息融入到目标表观更新过程中,降低了跟踪过程中目标发生漂移的风险.实验结果表明,所提出的视觉跟踪算法在6段视频序列上获得了较高的准确度,能够在遮挡、光照变化、尺度变化和目标快速运动的条件下稳定地跟踪目标.     

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.     

改进的粒子滤波算法在目标跟踪中的应用

粒子滤波算法中通常采用先验转移概率代替重要性函数,由此重要性密度函数对后验函数的偏差将增大。将小波去噪应用到粒子滤波过程中,降低了偏差,提高了粒子算法的滤波精度,并将该算法应用到目标跟踪的过程中,通过仿真证实该方法能够提高粒子滤波精度。     

无人机视角下的特征匹配引导粒子滤波跟踪算法

粒子滤波(particle filter, PF)算法被广泛应用于视觉目标的跟踪,然而,在无人机视角下,摄像机与画面中的目标同时运动,导致了PF对目标运动状态的预测失效.针对此问题,提出一种面向无人机视角下的改进的粒子滤波跟踪算法——特征匹配引导的粒子滤波跟踪算法.首先,利用相邻两帧图像中目标物体尺度不变特征变换(scale invariant feature transform, SIFT)特征匹配的结果作为初次定位;然后,利用空间加权的HOG特征与PF相结合获取二次定位结果;最后,利用chamfer distance修正跟踪结果的SIFT特征点作为下一帧特征匹配的模板,从而循环产生准确的视频跟踪结果.比较试验表明,该算法有效地改善了传统PF跟踪算法在无人机视角下运动状态预测方程失效的问题,能够较准确地对运动目标进行跟踪.     

基于暗通道去雾的核相关滤波目标跟踪算法

雾霾天气进行目标跟踪时,会出现拍摄到的图像对比度和可见度低的情况,已有的跟踪算法会因为图像特征不明显而出现跟踪漂移甚至导致跟踪失败.针对这一问题,提出一种将核相关滤波与暗通道去雾算法相结合的雾天视频跟踪算法,首先根据目标区域暗通道图的平均灰度值判断是否需要去雾,对需要去雾的图像进行暗通道去雾处理;然后通过核相关滤波对目标进行定位和跟踪;最后根据跟踪结果用去雾后的样本更新分类器.实验结果表明,该算法在大雾情况下可以取得很好的跟踪结果.     

一种基于曲线波的改进自交叉双边滤波方法

针对图像中的高斯型随机噪声去除问题,提出一种改进的自交叉双边滤波算法.带噪图像首先通过预滤波器得到预降噪图像,令其作为参考图像计算灰度测度权重,再在原始带噪图像上运用交叉双边滤波得到最终去噪结果.预滤波器采用曲线波阈值去噪,并以图像子块间相似度代替原始双边滤波器中的单点像素间相似度计算灰度测度权重.仿真实验结果表明,该算法能很好地克服双边滤波和曲线波阈值去噪算法在噪声去除和伪像抑制方面的内在缺陷,进一步提高图像峰值信噪比(PSNR).     

基于增量学习的关节式目标跟踪算法

为实现对关节式目标的稳定跟踪,提出了基于增量学习的关节式目标跟踪算法.该算法应用图割法对目标矩形窗进行前景与背景分割,得到前景图像;然后对前景图像进行快速傅里叶变换,得到傅里叶系数矩阵,进而得到振幅图像,并将振幅图像作为跟踪目标的描述;最后将多个目标描述进行奇异值分解和主元分析,实现对跟踪目标的低维子空间描述.文中在粒子滤波框架下实现了整个跟踪算法.实验结果表明,该算法具有较稳定的关节式目标跟踪效果.     

基于改进粒子滤波的视觉目标跟踪

针对目标跟踪算法在精度和鲁棒性上的要求,提出一种基于改进粒子滤波的视觉目标跟踪算法.首先,建立多种特征来描述目标外观模型,并对各特征分量的加权系数进行自适应调节;然后,利用分类重采样方法解决原始重采样方法中的粒子退化和匮乏问题;最后,提出一种新的模板更新机制,自适应选取运动模板或原始模板.实验结果表明,改进后的算法在具有挑战的跟踪视频序列上实验,具有良好的跟踪精度和鲁棒性,能够应对视频图像分辨率不高、目标转动变化、部分遮挡等复杂条件.     

基于颜色的粒子滤波非刚性目标实时跟踪算法

非刚性目标的跟踪与分析在计算机视觉领域引起了很多学者的关注.基于颜色的粒子滤波实时跟踪算法主要是利用视频图像的颜色直方图信息,综合考虑运动预测和帧间的相似性来确定目标的位置.提出一种改进粒子滤波算法并将其用于基于颜色的非刚性目标的实时跟踪问题中.仿真实验表明,本算法在保证跟踪准确度的同时,可以满足实时跟踪的要求.     

引导滤波和三维块匹配结合的红外图像去噪

针对红外图像存在噪声较大的问题,提出了一种引导滤波和三维块匹配结合的红外图像去噪方法.该方法通过将引导滤波与三维块匹配方法相结合,采用二次联合滤波的策略减轻了三维块匹配去噪方法在平滑区产生明显的“抓痕”现象.通过BM3D (block method of 3-dimension)去噪方法得到初始滤波图像;对噪声图像在低尺度进行BM3D去噪得到比较平滑的引导图像,用引导图像指导初始滤波图像进行二次滤波.仿真结果表明,提出的算法既保持了BM3D去噪算法的优秀性能,且具有更好的视觉效果和更高的峰值信噪比及结构相似度.     

基于极线约束SIFT特征和粒子滤波的目标跟踪算法

针对采用颜色或边缘等特征的目标跟踪算法所存在的跟踪效果不稳定的问题,提出了一种基于极线约束尺度不变特征变换(SIFT)和粒子滤波的目标跟踪方法.该方法采用SIFT特征向量构建目标模型,引入极线约束改善目标匹配精度,采用粒子滤波算法获得SIFT特征向量的候选目标模型,利用似然函数计算目标模型与候选目标模型间的相似性.实验结果表明,该方法可解决目标与背景颜色相似时的跟踪失败问题,且对目标外形与位姿发生变化具有较好的适应能力.     

基于目标模板库的多任务目标持久跟踪

针对长时间跟踪造成的信息丢失问题,提出了一种借鉴人类视觉记忆机制构建目标模板库的算法,该方法能在跟踪中记忆有用目标信息,实现持久稳定的跟踪.首先采用多任务跟踪法把视频序列分成多个子任务进行多线程分块局部跟踪,然后采用模板匹配和特征融合下的粒子滤波先后进行粗略跟踪和精细跟踪;最后把跟踪结果纳入目标模板库中更新跟踪系统.实验表明,此算法具有较好的鲁棒性和稳定性.     

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.     

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]     

粒子滤波算法在视频目标跟踪中的应用

首先介绍粒子滤波的基本理论,然后构建粒子滤波视频目标跟踪系统的状态模型和观测模型,进而根据状态模型和观测模型提出一种基于粒子滤波的视频目标跟踪算法,并通过实际的视频目标跟踪系统对算法进行实验分析,说明粒子滤波算法在视频目标跟踪中的优越性.     

粒子滤波算法重采样门限值研究

目标跟踪算法的目的是对目标进行跟踪,跟踪滤波算法的好坏直接决定了能否及时地跟踪上目标。在粒子滤波算法中,重采样是很重要的一步,很多介绍粒子滤波的文献都提到了在重采样前设置一个采样门限,以此来判断在粒子滤波算法中是否进行重采样。采用实际仿真的方法研究了采样门限取值对跟踪效果包括跟踪时间以及跟踪精度的影响,采用了最经典常用的跟踪模型进行了仿真研究。     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.