结合有向场景运动模式的粒子滤波行人跟踪方法

针对现有行人跟踪算法较少考虑场景运动模式信息的问题,建立一种面向有向场景运动模式的在线学习模型以描述区域行人的共有运动特性,并以此提出了一种新型的粒子滤波行人跟踪算法。通过对行人运动特性的选择性在线统计,探索在非高密度行人跟踪问题中场景模式信息和运动历史信息的运用方式。模型由一个表征行人运动状态相空间局域运动特性的二阶直方图矩阵来描述,并根据每个跟踪单元的加权投票实施更新。通过修正粒子转移后似然概率分布,该算法能够加速粒子向真实的后验分布收敛。通过对两个不同特点的公共数据集视频中的行人进行跟踪实验并与标准的粒子滤波算法结果比较,该算法的平均跟踪误差均低于标准粒子滤波平均跟踪误差的40%,且其运算速度可达6~15帧/s,满足近实时应用帧率。     

利用全局约束霍夫模型的目标跟踪算法

针对目标跟踪中局部特征模型容易受到形变和误匹配等影响造成漂移的问题,提出了一种利用全局特征对霍夫局部模型进行约束的目标跟踪算法。该算法通过检测和提取目标的局部特征,构建了一个基于局部特征投票的概率模型。该模型以局部特征为基本元素,利用广义霍夫变换对局部特征的稳定性进行加权,通过对局部特征的增减维护实现模型的在线更新;将稳定的局部特征作为前景,计算目标全局颜色特征的概率分布,实现简单的柔性目标分割,用于调整局部特征模型并对跟踪进行优化,从而减少形变等问题产生的跟踪误差;局部特征和全局特征相互约束补充,共同完成在线自适应更新。实验结果表明,该算法有效提高了局部特征模型的准确率和稳定性,对部分遮挡和复杂形变的情况表现良好。