基于尺度空间粒子滤波器的多参考#br# 直方图目标跟踪算法

在基于直方图的序列图像目标跟踪算法中,目标的直方图通常都是在跟踪初始化时从目标所在的区域获得,然而单个直方图难以适应跟踪全过程中目标的各种变化。针对事先已知目标几种典型外观的跟踪问题,提出了一种基于粒子滤波器的多直方图尺度空间跟踪算法。利用多个典型直方图的线性加权来表示目标的直方图,根据目标的当前区域估计加权系数,生成下一帧的目标概率分布图,在目标概率分布图上运用尺度空间粒子滤波器,来估计多尺度规范化Laplacian滤波函数的极值,从而实现目标的定位。通过在真实序列上与现有算法的对比,表明了此算法不仅可以适应目标的色彩和明暗变化,而且能更准确地描述目标的大小,显著提高跟踪的精度。     

基于核密度估计尺度空间的目标跟踪算法

为能够准确表示目标颜色分布、适应目标尺寸连续变化,提出了一种新的序列图像目标跟踪算法。该算法首先计算目标区域颜色概率分布的核密度估计函数,然后通过规整化每一帧输入图像像素在此函数上的取值生成目标概率分布图。最后通过检测多尺度规范化Laplacian滤波的极值,实现目标的定位和尺寸描述。与基于直方图的算法比较并结合大量真实序列图像上的实验验证表明,该算法更好地描述了目标颜色特征,提高了跟踪算法的精度。     

基于核密度估计尺度空间的目标跟踪算法

针对Mean Shift跟踪算法使用直方图描述目标颜色特征存在误差以及用试探的方式不能准确描述目标大小变化这2个问题,提出了一种能够准确表示目标颜色分布、适应目标尺寸连续变化的新的序列图像目标跟踪算法。该算法首先计算目标区域颜色概率分布的核密度估计函数,然后通过规整化每一帧输入图像像素在此函数上的取值生成目标概率分布图。最后通过检测多尺度规范化Laplacian滤波的极值,实现目标的定位和尺寸描述。与基于直方图的算法比较并结合大量真实序列图像上的实验验证表明,该算法更好地描述了目标颜色特征,提高了跟踪算法的精度。     

特征自适应的精准目标跟踪算法

提出了一种能够自动选择最优特征、精准描述目标尺寸连续变化的新的序列图像目标跟踪算法.该算法首先计算由RGB分量线性组合而成的区分目标和背景的最优特征,将每一帧榆入图像按照此最优特征转换成目标概率分布图,然后通过检测该图在尺度空间中微分滤波器输出的极值,来决定目标的尺度.最后采用QP_TR信任城算法在尺度空间里和图像平面内快速搜索概率分布图多尺度规范化Laplacian滤波函数的极值,实现了目标的定位,从而完成了跟踪任务.通过与现有算法进行比较,并结合大量真实序列图像进行实验验证,结果表明算法不但能够更准确地描述目标的大小,而且显著提高了跟踪算法的精度.     

基于支持矢量机和信任域的目标跟踪算法

从模式分类的角度看待跟踪问题,将SVM(支持矢量机)方法、信任域算法和尺度空间理论相结合,提出了一种能精确描述目标尺寸连续变化的新的序列图像目标跟踪算法。首先使用SVM算法对像素分类,将每一帧输入图像转换成目标概率分布图,目标区域在概率分布图中呈现为灰度块。然后通过检测该图在尺度空间中微分滤波器输出的极值,来决定这些灰度块的尺度。最后使用QP-TR信任域算法在尺度空间里和图像平面内快速搜索概率分布图多尺度规范化Laplacian滤波函数的极值,实现了目标定位并同时决定了其尺度,从而完成了跟踪任务。通过和现有算法的比较以及在大量真实序列图像上的实验表明,该算法不但能够更准确地描述目标的大小,而且显著提高了跟踪算法的精度。     

基于支持矢量机和信任域的目标跟踪算法

通过使用SVM(支持矢量机)分类器对像素分类进行目标检测,将输入图像转换成可靠的目标概率分布图,然后结合使用性能优良的信任域优化算法,在概率分布图上实现目标定位并确定其尺寸。分类器对像素分类的低错分率为信任域算法提供了更好的基础。通过和现有算法的比较以及在真实序列图像上的实验表明,该算法不但能够更准确地检测到目标,而且在跟踪精度方面有了显著提高。