基于局部稀疏表示的目标跟踪算法

根据局部稀疏表示的特点,文章提出了一种基于局部稀疏表示的目标跟踪算法,该算法利用图像的局部稀疏系数作为训练样本,在贝叶斯分类器的框架下完成跟踪任务。首先,使用字典来提取局部图像块的稀疏系数,作为图像特征;然后通过训练简单的贝叶斯分类器来区分目标与背景;最后使用两步搜索策略对目标进行准确跟踪;此外,该算法还使用了一种能够去除遮挡干扰的鲁棒性更新策略。对比实验结果表明,该算法具有较为稳定的跟踪效果。     

基于生物启发C2特征的在线目标跟踪算法

现有的在线跟踪算法在应对目标复杂形变时易出现跟踪偏差.文中通过寻找鲁棒的特征去刻画目标外观来解决这一问题,即模拟人眼视皮层腹侧通路感知机制,引入具有位置尺度不变性、复杂形状选择特性的C2特征,建立一个基于认知碎片集进行C2特征识别的在线目标跟踪模型,并根据认知碎片在目标识别中所起的作用对其重要性进行评估,依据评估结果实现认知碎片的在线淘汰与更新,同时引入在线目标/背景分类器,对新加入认知碎片记忆池的碎片进行筛选,解决了跟踪到的目标区域中的背景部分参与模型更新可能造成的误差累积问题.仿真实验结果表明:该算法在应对目标复杂形变和严重遮挡时,具有一定的鲁棒性与有效性.     

基于稀疏模型和Gabor小波字典的跟踪算法

基于稀疏表示理论的目标跟踪方法可以通过激活少量神经元完成目标的动态跟踪,但是要求在当前图像背景中的遮挡或者目标物的姿态变化是可以进行稀疏表示的小面积范围.针对这一问题,基于Gabor函数和稀疏理论提出一种强鲁棒性的目标跟踪算法.该算法首先使用目标模板在初始帧中创建Gabor字典,其次使用该字典对候选目标完成稀疏表示,最后通过对Gabor字典的更新完成目标跟踪.实验结果表明了算法的有效性.     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出了一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

基于结构化判别稀疏表示的目标跟踪

针对稀疏表示目标跟踪算法采用整体模板且区分目标与背景的能力差的缺点,该文提出了一种改进算法。采用尺度不变特征变换(SIFT)对目标进行特征提取。采用结构化稀疏表示的外观模型对候选目标进行稀疏表示,得到稀疏系数。通过正负样本设计并训练判别分类器,然后对候选目标进行分类,获得置信值。采用上一帧的跟踪结果对分类器与字典进行更新。对该文算法进行了仿真研究。计算仿真结果中3种测试序列的平均重叠率和平均中心点误差,Deer测试序列的值为0.633 8和9.397 6,Car11测试序列的值为0.677 5和1.943 3,Caviar2测试序列的值为0.753 5和3.838 2。     

基于正则化协同表示的鲁棒PCA人脸识别

针对人脸图像复杂环境变化,提出了一种基于正则化协同表示的鲁棒PCA人脸识别算法。算法首先通过协同表示计算重构样本与测试样本之间的残差,根据残差选取与测试样本临近的训练样本组成新的字典;然后在该字典上通过鲁棒PCA依次进行低秩误差分解,并计算误差矩阵的平滑性、稀疏性;最后联合协同表示的残差以及低秩分解中的平滑性和稀疏性构建判别准则进行人脸图像的分类识别;在ORL、AR等人脸库的实验表明:基于正则化协同表示的鲁棒PCA人脸识别算法不仅能够在复杂环境变化下取得良好的识别性能,而且保持了协同表示的优势,大大减少运行时间。     

基于粒子滤波的机车信号灯跟踪方法

为保障机车行驶安全,由车载高清摄像机获取路况视频并识别信号灯及其颜色状态时,视频中信号灯目标尺度变化大、机车行驶抖动、复杂光环境及光圈自适应调节滞后等因素使得信号灯鲁棒跟踪与识别具有不小难度.针对信号灯跟踪问题,本文提出一种带检测矫正的粒子滤波跟踪方法,该方法在粒子滤波框架下对信号灯进行跟踪,并通过一个在线更新的模板对滤波结果进行检测矫正,以提高跟踪结果的准确性.为提高跟踪算法对光照以及目标尺度变化的适应能力,本文在对信号灯建模时融合了HSV颜色特征与局部二元模式特征.实验结果表明,该方法在较复杂的场景下能够很好地对信号灯进行实时鲁棒的跟踪,并且跟踪结果具有较高的准确性.     

基于特征显著性的均值漂移鲁棒目标跟踪

在均值漂移算法框架下,提出基于目标显著性的特征融合与在线模板更新策略,实现复杂动态环境下的鲁棒跟踪.通过目标区域与背景区域的特征对比定义了特征显著性测度.提出了基于特征显著性的色彩空间选择以及基于Gabor小波稀疏编码的纹理特征提取算法.通过特征显著性加权实现参考直方图模板的初始化,并在此基础上针对遮挡现象与目标自身形变的区别设计了在线模板更新策略.实验结果表明,本文方法与其他跟踪算法相比具有较强的鲁棒性和较高的准确性.
     

一种基于超像素的局部判别式跟踪算法

针对目标在复杂环境下容易受到外界干扰而发生漂移的问题,提出了一种基于超像素的局部判别式跟踪方法.首先,对视频序列前10帧的目标区域进行分割,得到超像素,并利用kmeans方法对其进行聚类以构造初始字典;其次,通过训练样本集来训练线性分类器;然后,为了减少目标发生漂移的可能性,将初始训练的分类器与更新后的分类器线性加权之和定义为似然函数;最后,在粒子滤波的框架下,将似然函数值最大的粒子作为跟踪的结果,每运行U帧更新一次字典和分类器参数,以捕获目标表观的变化.仿真结果表明,所提算法在目标发生遮挡、光照变化的复杂环境下仍然能够跟踪目标.     

基于多特征混合模型的视觉目标跟踪

用单一特征训练跟踪模型进行跟踪鲁棒性较差,为解决这一问题,提出一种多特征表示的混合模型跟踪方法,将生成跟踪模型与判别跟踪模型结合.在生成模型中,利用金字塔结构计算基于颜色的直方图特征表示并以此来计算目标和候选之间的匹配度;判别模型则采用由灰度特征,HOG特征和LBP特征融合训练得到的SVM分类器来判别候选是否为跟踪目标,接着将匹配度和分类结果结合产生对候选的评估,最终评估最高的候选作为跟踪结果同时也用来更新判别模型的训练集.在CVPR2013跟踪数据集上的实验结果表明,该方法能有效克服局部遮挡和背景干扰等问题,实现在复杂背景下的目标跟踪.     

基于有监督显著性检测的目标跟踪

通过构建基于超像素的图作为视觉表示引入超像素间的空间信息.采用基于图模型的流形排序作为显著性检测方法得到第一阶段每个超像素的显著性,判别式表观模型则通过基于中层特征的分类器进行判别并利用空间信息对分类结果进行调整,将流形排序和分类结果结合作为先验信息选择随机游走种子点.结合随机游走得到的第二阶段的显著值和分类结果,最终得到当前帧的置信图.在置信图的基础上,采用积分图方法快速计算得到候选的观测值,将观测值最大的候选作为跟踪结果.在数据集上的实验结果表明,该方法可以有效处理快速运动和形变等问题,从而实现复杂背景下鲁棒的目标跟踪.     

基于非局部稀疏特征的行人检测方法

利用周围邻域信息约束进行加权稀疏表示以达到行人检测的目的.采用Fisher判别字典学习的方法,得到一个能够更好地提取图像的具有更强辨别性稀疏特征的字典,利用图像中周围信息约束,求得该字典表示下的稀疏特征,并根据对当前图像块的稀疏表示残差进行分类.INRIA数据库的实验表明非局部稀疏特征具有明显的区分能力.同时,对行人目标进行邻域约束,能够有效地表示出同目标区域的稀疏特征.     

DSPCA在自适应视频跟踪算法中的应用

为了解决单一固定目标模型在复杂的场景中易产生跟踪漂移问题,提出一种基于DSPCA的自适应粒子滤波跟踪方法,通过稀疏主成分分解(DSPCA)在线获取互补图像集,同时将其按照新的相似度BRS进行自适应融合作为新目标模型。与经典的粒子滤波跟踪算法、视觉分解跟踪算法和多特征自适应融合跟踪算法,与有挑战性较高的场景视频相比,提出的算法在形态、运动快速及严重遮挡的运动场景中,都能鲁棒地跟踪到目标。     

基于多方法集成的目标跟踪算法

在线运动目标跟踪是目前模式识别领域的一个难点问题,目标物体角度、姿态、远近距离变化以及遮挡等给鲁棒在线跟踪算法提出了苛刻的要求,单一算法很难有效处理所有问题.多方法集成是实现鲁棒在线跟踪的一种有效手段,为此提出了一个集成on-line boosting、基于归一化互相关的模板匹配法和粒子群优化算法的自适应目标跟踪算法框架.其中,on-line boosting是基本的跟踪算法;基于归一化互相关的模板匹配法有效避免了on-line boosting过多的错误更新;而基于粒子群优化算法的跟踪策略提高了系统对快速运动、外观变化的适应能力,同时也为模板的更新提供了保障,三种算法形成了有效互补,在稳定性和可塑性之间达到了一种平衡.在不同视频测试序列上的实验结果表明,该算法有效地缓解了自适应性和漂移之间的矛盾,能够实时地完成复杂的跟踪任务.     

基于贝叶斯分类器的实时图像目标识别实验研究简

基于对不完全朴素贝叶斯分类器的分析,提出一种离线训练在线识别的目标图像识别与跟踪实验方法.实验将模板图像与目标实时图像之间的特征匹配问题转换为特征分类问题,并在成像自寻的导引系统上运行.实验结果表明,该方法在保持很高鲁棒性的同时,大幅减少在线目标识别的计算量,具有较强的实时性.     

基于非负稀疏协作模型的目标跟踪算法

目标跟踪是计算机视觉研究领域中一个最基本的问题.为解决在复杂场景下目标跟踪效果不佳的问题,作者搭建了一个基于非负稀疏的协作模型,该模型将非负稀疏表示的产生式模型与全局模板判别式模型相结合,并提出了基于非负稀疏协作模型的目标跟踪算法.首先对每一帧图像使用粒子滤波得到若干个候选框,然后再利用非负稀疏协作模型对每一个候选跟踪框进行评分,根据得分最高判为是跟踪目标的候选框.在多个视频序列上的实验结果表明,所提出的方法可以有效地提高目标跟踪的性能.     

基于圆形采样和稀疏表示模型的鲁棒目标跟踪

为解决基于稀疏表示的跟踪算法在小样本空间中出现模板漂移而在大样本空间中实时性差的问题,提出了一种基于圆形采样的双重稀疏表示目标跟踪算法.该算法对跟踪矩形窗数据进行圆形采样,这不仅保证了目标的灰度和结构信息,而且减少了背景信息干扰.同时对稀疏表示得到的小模板系数引入距离权重判断函数,判断目标样本变化情况,提高模板更新效率.最后引入HOG（histogram of oriented gradient）特征,对稀疏表示得到的多个次优解进行二次稀疏表示,有效解决小样本数量少带来的估计误差.实验结果表明,该算法能够提高小样本空间中目标跟踪的鲁棒性和实时性.      

基于交叉熵稀疏表示的鲁棒视觉跟踪算法

为研究复杂视频环境下目标的有效跟踪问题,在粒子滤波框架下,提出了利用稀疏表示的方法学习有效外观模型的鲁棒视觉跟踪算法.与经典的稀疏跟踪器不同,该方法通过给跟踪目标中被遮挡的像素和奇异值分配较低权值,而给目标像素分配较高权值,有效地解决了跟踪过程遮挡、阴影和噪声问题.为了进一步提高跟踪器的性能,对目标模板集实现动态更新.使用EMD度量了模板集和候选目标的相似性,可进一步改善遮挡问题.将本文提出的算法在复杂的视频序列上与5中流行的跟踪器进行了比较,实验表明,本文提出的算法在性能、精度及鲁棒性方面都显示了优越性.     

一种基于加权核Fisher准则的朴素贝叶斯分类器

利用加权核Fisher准则,给出一种朴素贝叶斯分类器的改进算法。该算法通过寻找使类与类最大分离的最优投影矩阵,将样本数据进行投影变换,再利用朴素贝叶斯分类器对新样本进行分类。将该方法应用于双酚A生产过程在线监测数据集的分类中,仿真结果表明,相比于单纯朴素贝叶斯分类器,该分类算法具有更好的分类性能。