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。     

红外序列图像目标的高效跟踪

针对Mean shift算法中仅使用灰度特征难于实现对红外序列图像目标准确跟踪的问题,提出了利用边缘-灰度特征相融合的目标跟踪算法.为了实现红外序列图像中目标的高效跟踪,在研究Mean shift灰度特征的基础上,根据红外序列图像的边缘方向信息与灰度信息构建了边缘-灰度目标模型,将此模型应用到目标跟踪算法中,提高了Mean shift算法在红外序列图像目标跟踪过程中的运算能力.实验证明,该方法能够增加灰度直方图对目标模型的描述能力,提高了目标跟踪算法的鲁棒性.     

基于自适应特征融合的均值迁移目标跟踪

提出了一种基于自适应多特征融合的目标跟踪算法.分别利用RGB颜色和LBP纹理特征建立目标模型,通过线性加权将两类目标子特征模型代入目标相似性函数并用均值迁移算法进行目标位置优化计算.在跟踪过程中,引入S igmoid函数动态调整两类子特征权重,并利用子特征相关系数和可靠性指数对目标特征模型选择性自适应更新.实验结果表明,该算法能在跟踪场景和目标外观变化时自适应调整两种子特征权重,避免了特征失效导致的跟踪失败;特征模型选择性更新策略有效抑制了模型漂移.与单一特征和模型直接更新的跟踪方法相比,该算法在复杂跟踪环境更具有鲁棒性,能进行准确稳定的实时跟踪.     

基于多特征与评估模型的红外小目标跟踪算法

针对传统STC(时空上下文)算法的不足,在灰度特征的基础上,加入能表征局部区域灰度值变化程度的LWIE(局部加权灰度信息熵)特征,并利用红外目标与周围背景的局部对比度特征,对当前跟踪的每一个目标建立评估模型,以确定当前跟踪的目标准确有效.实验表明:该算法能准确地跟踪红外小目标,且具有良好的抗干扰性、实时性和鲁棒性.     

制冷系统蒸发器动态过程数学模型模糊辨识

建立制冷系统动态过程数学模型是实现制冷装置优化控制的重要基础.制冷蒸发器是一类过程复杂的两相流动与换热系统,具有明显的非线性和不确定性,其精确的机理模型难以建立.该文通过熵方法和竞争学习算法对输入空间进行聚类,利用递推最小二乘辨识算法(RLS)确定模型的结论参数,实现了蒸发器动态过程数学模型的在线模糊辨识.通过仿真实例,验证了模糊辨识方法对于制冷系统蒸发器在线建模过程的有效性,所建立的模糊规则模型不仅具有较高的辨识精度,同时还具有较为理想的泛化性能和在线跟踪能力.     

一种新的多视角人脸跟踪算法

为了对复杂场景中的多视角旋转人脸进行精确跟踪,提出了一种基于子空间特征模型的多视角人脸跟踪算法.该算法根据不同的人脸姿态建立多个离线人脸模型并自动进行在线学习,同时,针对人脸跟踪提出了新的自适应粒子滤波框架,确定人脸状态.实验结果表明,该算法能够准确跟踪多视角变尺度人脸,并实时分辨人脸姿态,对人脸的旋转、尺度变化以及环境影响不敏感,具有很强的鲁棒性和精确性.     

融合深度特征与梯度特征的红外目标跟踪算法

由于红外序列图像目标与背景的对比度低,图像的边缘模糊并且灰度级动态范围小,采用何种特征描述目标成为跟踪的关键。深度特征和梯度特征是目前大部分跟踪算法采用的主要特征,然而深度特征提取的目标语义信息关注类间分类(Intra-Class),忽略类内差别,容易受到相似背景(Distractor)干扰;梯度特征作为局部区域特征不易受背景干扰,但不能适应目标的剧烈形变。基于这2种特征的互补性,提出一种融合深度特征和梯度特征的红外目标跟踪算法。深度特征与梯度特征被分别用来表征目标的语义信息与局部结构信息,增强了对任意目标的表征能力;利用不同特征建立的跟踪模型进一步提高了跟踪的鲁棒性。通过建立模型互助机制,利用深度特征跟踪模型与梯度特征跟踪模型的互补性,对目标实施了精准的定位。实验中,选取了最新的红外视频跟踪数据库(VOT-TIR2016)用来验证文中算法的有效性,结果表明：和当今主流跟踪算法相比,算法在精确度上获得了3.8％的提升,在成功率上获得了4.3％的提升,能够有效处理跟踪中相似背景与形变的影响。     

UUV海面红外侦察图像自适应归并直方图拉伸增强算法

针对水下无人航行器(underwater unmanned vehicle,UUV)海面红外侦查图像灰度级密集、图像模糊、受海浪干扰强烈的特点,提出了一种自适应归并直方图拉伸增强算法。首先,根据灰度直方图得到灰度级值直方图;然后根据最大类间方差法或大津法算法结合灰度级值直方图实现直方图归并阈值的自适应选取,进而得到图像的归并直方图;最后,实现归并直方图的拉伸增强。该算法有效增强了图像的轮廓边缘,突出了目标特征,使海面波浪具有更清晰的纹理,对灰度范围较窄的模糊图像具有较好的处理效果。     

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

基于在线集成学习的红外点目标跟踪研究

通过研究红外点目标特征,提出了一种基于在线集成学习的红外点目标跟踪算法,在跟踪过程中调整分类器,具有较强的鲁棒性。同时,由于红外点目标只有灰度信息、无纹理、无形状。选择最具辨别红外点目标的MS-LSGM算法计算特征,从而产生稳定的跟踪结果。实验结果证明,在复杂多变的背景下,方法具有较好的鲁棒性,实时性。     

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。     

一种基于优化模板匹配的红外目标跟踪算法

为了在红外环境下进一步提高目标图像在环境变化或受干扰时跟踪的准确性,提出了一种有效的红外目标跟踪方法.该方法基于归一化互相关距离的相似性度量方法,设计了匹配跟踪置信度,并在此基础上实现了基于匹配跟踪置信度加权的自适应模板更新算法.在模板更新方面,提出了自适应阈值调整策略,在目标跟踪过程中根据匹配置信度动态调整阈值,避免了固定阈值对跟踪精度的影响.通过实验证明,算法对环境变化的适应能力和跟踪稳定性方面得到了较大的提高.     

非凸张量多视图子空间聚类

为了探索非凸方法在多视图聚类方面的应用, 本文基于非凸替换函数和子空间学习, 提出非凸张量多视图子空间聚类算法. 该算法不仅对多视图数据进行自表示学习来达到学习低维子空间的目的. 而且采用带有旋转的张量结构对张量的高阶关联进行挖掘. 同时, 使用非凸函数替换以及广义奇异值算子进行张量最小化问题的求解, 从而实现对张量秩的近似. 最后基于联合优化所得关联/仿射矩阵实现聚类操作. 在不同类型的多视图数据集上的大量实验验证了该方法的聚类效果.     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

基于边缘增强模板匹配的PTZ主动目标跟踪系统

为实现对运动目标的动态跟踪,设计了基于PTZ摄像机的主动实时跟踪系统,实现对高关注度目标进行持续跟踪。该系统采用背景建模方法检测当前视野中的运动目标并进行跟踪,针对感兴趣目标采用基于边缘增强模板匹配(EETM)方法进行主动跟踪,并提出了一种简单有效的PTZ摄像机控制方法。采用海康威视球机进行测试,测试结果表明:该系统利用低成本PTZ摄像机可以实现对静态场景和动态场景中目标的检测和跟踪,对感兴趣目标进行主动跟踪,PTZ摄像机控制平稳,能够满足实时性的要求。     

基于类间损失和多视图融合的深度嵌入聚类

针对深度嵌入聚类方法仅考虑类内关系及多视图聚类存在特征表示不足等问题,提出一种基于类间损失和多视图特征融合的深度嵌入聚类方法,该方法在深度嵌入聚类的损失函数中引进一个新的正则项提高类判别性.先通过自动编码器提取多视图数据的特征表示,对不同视图的特征表示进行融合得到公共表示,基于此得到数据的软分配分布和辅助目标分布;再对公共表示和聚类分配进行联合优化得到最终的聚类结果.在多视图数据集上的实验结果表明,该方法能有效提高聚类性能.     

基于最大方差比的图像二值化算法

提出了一种基于最大方差比的图像二值化算法,该方法将图像分成两个类,当类问方差与类内方差的分离度最大时即为最佳阂值.实验表明,该方法能够准确而快速地对图像进行二值化,特别是当对象物和背景的灰度值的差具有一定大小的时候,效果更明显.     

基于概率假设密度滤波的红外弱小目标跟踪

目标数未知或随时间变化是红外弱小目标跟踪技术的一个难题。为解决这个问题,提出了基于概率假设密度滤波的红外弱小目标跟踪算法。从数据关联的角度出发,将目标集看作随机集,利用概率假设密度滤波的数据关联算法实现目标数未知的红外弱小目标的跟踪。实验结果表明,在杂波环境下,概率假设密度滤波可以稳健地跟踪红外弱小目标的目标状态和目标数目。     

A Classifier Using Online Bagging Ensemble Method for Big Data Stream Learning

By combining multiple weak learners with concept drift in the classification of big data stream learning, the ensemble learning can achieve better generalization performance than the single learning approach. In this paper,we present an efficient classifier using the online bagging ensemble method for big data stream learning. In this classifier, we introduce an efficient online resampling mechanism on the training instances, and use a robust coding method based on error-correcting output codes. This is done in order to reduce the effects of correlations between the classifiers and increase the diversity of the ensemble. A dynamic updating model based on classification performance is adopted to reduce the unnecessary updating operations and improve the efficiency of learning.We implement a parallel version of EoBag, which runs faster than the serial version, and results indicate that the classification performance is almost the same as the serial one. Finally, we compare the performance of classification and the usage of resources with other state-of-the-art algorithms using the artificial and the actual data sets, respectively. Results show that the proposed algorithm can obtain better accuracy and more feasible usage of resources for the classification of big data stream.     

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题。采用混合高斯模型对背景图像进行建模,并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新,完成背景模型的重建。与其他方法比较,该方法能够有效地对新背景进行快速的学习和适应,达到动态背景下运动目标实时跟踪的要求。