基于支持向量机优化的行人跟踪学习检测方法

提出一种基于SVM(Support Vector Machine)优化的TLD(Track-LearningDetection)行人检测跟踪算法.将行人作为正样本,背景作为负样本,提取出行人的HOG特征并投入线性SVM中进行训练,得到行人检测分类器,并标定出目标区域,实现行人自动识别;然后在TLD算法的基础上对行人进行跟踪和在线学习,估计检测出的正负样本并实时修正检测器在当前帧中的误检,利用相邻帧间特征点配准剔除误配点,同时更新跟踪器数据,以避免后续出现类似错误.实验表明,该算法能够适应遮挡变化且自动识别并稳定跟踪目标行人,较传统跟踪算法具有更强的鲁棒性.     

利用Camshift与TLD框架的多目标视频跟踪算法

由于跟踪器采用的是基于金字塔Lucaks-Kanade光流法,需要在相邻帧之间对目标的运动进行跟踪,运算量较大,因此提出了采用轻量级跟踪算法Camshift作为TLD算法框架中的跟踪器模块,来提高跟踪模块运行效率。而TLD框架的检测器在跟踪器追踪失败时需要检测大量数目的子窗口,因此利用背景差分方法进行前景检测,可以减小检测范围和数目。TLD算法本身是对单目标的长时间跟踪,提出基于多线程机制TLD算法,针对每一个跟踪目标建立相应的线程对其跟踪。经过实验验证,与原算法相比,优化算法使得对多目标实时跟踪性能得到一定提升。     

结合特征点匹配的在线目标跟踪算法

提出一种结合特征点匹配的目标跟踪算法.首先,通过显著区域跟踪方法,解决算法对初始化目标框大小敏感的问题,提高样本选取质量,并降低背景杂波对跟踪器的影响.其次,采用中值流法跟踪和特征点匹配相结合的方法估计目标的尺度变化,并通过层级聚类方法剔除干扰点,解决跟踪器漂移及目标平面旋转跟踪失败等问题.最后,提出一种简单的检测器自适应尺度快速搜索目标方法加快检测速度.结果表明:所提方法有效地提高了TLD目标跟踪算法的跟踪鲁棒性,并在标准数据集上得到了很好的效果.     

基于眼睛状态识别的驾驶员疲劳监测

提出一种基于眼睛状态识别的驾驶员疲劳状态监测算法。在首帧定位人眼并在眼睛区域内提取多个具有互补性的特征,使用粒子滤波算法进行直接跟踪;在后续图像帧中利用CAMShift算法对初始检测到的人脸区域进行实时跟踪,在人脸区域中同步检测眼睛,检测结果用于粒子滤波器的后验确认和修正。在跟踪眼睛的同时检测每帧中的眼睛状态,通过连续帧中的眼睛状态判断出驾驶员精神状态。实验表明:该文算法对人脸旋转和尺度变化、摄像机抖动,以及遮挡的影响均具有较高的鲁棒性。     

基于快速判别尺度空间的TLD跟踪算法

针对目标跟踪过程中遇到的遮挡、离开视野、平面内旋转、运动模糊等问题,在传统的跟踪学习检测(TLD)算法基础上,提出了fDS-TLD算法.算法采用快速判别尺度空间方法对跟踪模块进行了改进,并在整体框架中加入了遮挡判别机制.跟踪模块的改进使得跟踪器可以更好地跟踪平面内旋转和运动模糊的目标,遮挡判别机制的加入使得目标在被遮挡和离开视野重新回来时具有更好的跟踪效果.采用TB-100测试集进行测试与验证,证明了本文算法与TLD等4种算法相比,对于跟踪过程中发生的遮挡、离开视野、平面内旋转、运动模糊等情况具有更好的跟踪精度和准确度.在现实场景中进行了跟踪实验,证明本文算法具有实时性和实用性.     

人脸检测与跟踪系统的设计

基于Adaboost人脸检测原理,结合Windows下的Visual C++编程,设计了人脸检测系统.通过MIT人脸库和自建人脸库结合的方法,且对该人脸库进行有效的训练,实现人脸检测功能,提高了检测率和检测速度.利用连续自适应均值移动算法(Continuously Adaptive Mean Shift,Camshift)对人脸进行跟踪,并对Camshift算法进行改进,利用Adaboost人脸检测初始化模板的方法,将检测与跟踪结合起来,有效提高了人脸跟踪效率.     

一种基于TLD改进的视觉跟踪算法

视觉跟踪是当前计算机视觉的热点问题之一。TLD(Tracking Learning Detecting)算法是一种可以在线学习的新颖视觉跟踪算法。针对算法中跟踪器采用的LK光流法无法捕捉大幅度运动目标的问题,引入图像金字塔模型,提出一种采用金字塔光流法的TLD的改进算法,解决了长时间跟踪中出现运动尺度过大时产生孔径的问题。实验结果表明,算法在复杂场景和大运动条件下,可以长时间准确、快速地实现视觉跟踪,具有较强的适应性和有效性。     

基于随机森林的长期目标跟踪方法

结合正负样本相互作用思想和随机森林算法构建检测器,融合基于LK光流法的跟踪器,提出一种基于TLD(Tracking Learning Detecting)的随机森林长期目标跟踪方法。将该方法与Mean-Shift算法、TLD算法进行对比,结果表明该算法能很好应对目标丢失、遮挡情况,准确率在93%以上。在多种情况下对该方法进行实验验证,可实现刚性物体和非刚性物体在复杂背景下的长时间精确跟踪。     

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.     

基于均值移动和椭圆拟合的人脸跟踪算法

为了解决均值移动跟踪算法对目标的尺度变化自适应能力差的缺点,针对人脸跟踪具体问题,提出了一种基于均值移动和椭圆拟合的人脸跟踪算法.根据当选择较大核窗进行均值移动跟踪时一般可以准确定位目标的事实,以及人脸形状椭圆近似性的特征,利用一个较大核窗的均值移动跟踪器对人脸目标进行粗略定位,在此基础上再用一种高效鲁棒的直接最小二乘椭圆拟合方法来自动调整人脸尺度的大小.实验表明,该改进算法能有效地解决均值移动人脸跟踪中的目标尺度自适应调整问题,其跟踪效果明显优于原均值移动目标跟踪算法.     

基于在线Boosting和LK光流的视频跟踪算法

为了克服现实环境中光照、遮挡、相似物体干扰等因素对在线跟踪算法的影响,提出了一种鲁棒的在线学习视频跟踪算法。该算法结合了半监督Boosting和多实例学习Boosting各自的优点,较好解决了Boosting的漂移现象,同时用Boosting做检测器、金字塔LK光流做跟踪器,二者结合,克服了光流算法在跟踪过程中丢失目标不能继续跟踪的问题。实验证明,基于在线Boosting和LK光流的视频跟踪算法具有较好的鲁棒性,且满足实时性要求。     

基于改进的随机森林TLD目标跟踪方法

针对TLD算法中采用的随机森林分类器的决策树阈值固定,不能根据目标特征随时调整,影响分类精度和时间开销的问题,引入极端随机森林的思想,提出了基于改进的随机森林TLD目标跟踪方法。该方法用Gini系数度量样本集合的混乱程度,通过比较Gini系数是否超过了给定阈值,判断叶节点何时转变成决策节点进行分裂;再结合TLD算法中的P-N学习框架和在线模型训练更新样本;最终基于改进的TLD算法完成目标跟踪。将本文方法应用于多个视频集进行目标跟踪实验,验证了算法的有效性和稳定性。     

一种快速高效的手势跟踪识别方法

为了降低识别复杂度, 提高识别效率, 实现手势的快速高效跟踪, 提出一种分情况检测思想和搜索框概念。首先对图像进行细检测, 得到目标的准确位置, 然后通过粗检测与跟踪相结合的方式进行目标跟踪, 并对跟踪结果进行修正和可信度判断。实验结果显示: 算法对图像手势的平均检测跟踪正确率可以达到 97.36%, 且保证平均漏检率在5%以下, 对各种外界因素具有较好的鲁棒性; 算法对视频图像的处理速度达19.42 帧/秒, 满足人机交互系统中的实时性需求; 与TLD 算法相比, 本算法在处理速度上有数量级的改善, 算法结果的正确率也有明显优势。     

融合人脸与步态周期模式的行人检测

提出多自由度的多核跟踪MeanShift算法,其在运动人体目标与背景图像的颜色信息较为接近时仍能鲁棒地跟踪.将所提出的跟踪算法用于融合人脸与步态周期模式的行人检测新算法,将闭环的控制思想引入到行人检测中,即通过步态周期和相应的跟踪反馈验证的理论方法来解决行人检测中误报率高的问题;还对行人部分轮廓存在遮挡的情况提供行人检测的新思路,即通过检测人脸来确定检测对象是否是行人,以解决当前行人检测算法检测率低的问题.     

一种基于人脸视觉的驾驶疲劳检测的算法

提出了基于人脸视觉技术的驾驶疲劳检测方法．首先利用帧差法检测人脸,然后对脸部进行跟踪．在可靠人脸的基础上,定位眼睛及特征提取,根据疲劳人眼特征和头部状态的疲劳检测来决定是否触发警告．实验证明,可以在自然光情况下,快速实时有效识别出驾驶员疲劳时眼部状态,本算法具有较好鲁棒性．     

基于实时手势识别与跟踪的人机交互实现

为了实现对手势目标的自动识别和连续跟踪,提出了一种手势识别与跟踪算法。首先,通过离线训练手势目标检测器来实现手势目标的自动识别。接着,通过改进的Shi-Tomisi算法,在目标区域提取可靠稳定的特征点。然后,通过KLT跟踪器对特征点进行跟踪。当特征点跟踪成功时,通过求解仿射变换矩阵确定手势目标的新位置;当目标出现遮挡和大尺度旋转时,特征点丢失,此时在KLT跟踪器中加入卡尔曼滤波器来预测手势目标的位置,实现对手势目标的连续跟踪。同时对手势目标可能存在的区域进行估计,缩小检测器的检测范围,提高检测速度。最后,将算法应用于人机交互系统中,实现了机器人的远程控制。实验结果显示,算法在简单背景下的跟踪正确率为99.54%,复杂背景下的跟踪正确率为98.24%。实验结果表明,算法能够快速准确地对手势目标进行检测和跟踪,满足了实时性、连续性以及抗干扰能力强等要求,对于旋转及遮挡均具有较强的鲁棒性,为实现基于手势控制的人机交互提供了一种有效方法。     

基于HOG-SVM的改进跟踪-学习-检测算法目标跟踪方法

对于经典TLD(跟踪-学习-检测)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,本文提出了一种改进的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2bitBP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。     

基于OpenCV的人脸检测与跟踪方法实现

人脸是视频内容中的重要信息,对人脸的检测与跟踪是智能视频分析的一个重要分支。实现了基于OpenCV的人脸检测与跟踪方法。首先计算视频图像的Haar-like特征,然后利用AdaBoost级联分类器进行人脸检测,最后使用基于颜色的Camshift算法实现人脸跟踪。在VS 2010开发平台上调用OpenCV函数库进行C++编程;并使用MFC框架实现了人脸检测与跟踪方法。仿真实验结果证明方法思路合理、计算复杂度较低、鲁棒性较好。     

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。     

一种运动目标检测与跟踪快速算法的研究

运动目标的检测与跟踪是计算机视觉和图像编码研究的主要内容之一,有着广泛的应用领域。而基于光流场的检测与跟踪是其常用的方法之一。本文提出了基于帧间差阈值法和光流场相结合的快速运动目标检测与跟踪算法,计算结果表明该算法简单实用、运算速度快,克服了单纯光流场方法的不足。