改进局部二值模式算法与Camshift结合的目标跟踪方法

为解决视频实景监视系统中因场景光照、阴影及远距离小目标跟踪易丢失问题,提出一种改进局部二值模式(local binary patterns, LBP)算法与Camshift结合的目标跟踪方法。利用LBP算子纹理和颜色对阴影不敏感的特性,采用改进的LBP算子与高斯混合模型结合进行背景建模和目标检测,以抑制阴影的干扰;同时将LBP算子的纹理和颜色融入Camshift算法中,结合Kalman滤波进行目标运动状态的预测,最终实现对监视场景中运动目标的可靠、稳定跟踪。采集行人、车辆及航空器等不同类目标进行实验,验证了本文方法不仅能够稳定、精确地跟踪运动目标,同时可适用于场景雾天低能见度条件下的目标跟踪。     

基于多信息融合的车辆阴影检测与车辆跟踪算法

为了准确检测车辆,提出一种基于颜色、纹理、光照模型相结合的阴影检测算法。根据颜色恒常性完成阴影的初步检测,利用局部二值模式(LBP)纹理不变性和基于光照模型的亮度比值置信区间去除误检阴影像素,最后用区域生长完成阴影边缘像素的恢复,保证车辆阴影检测的准确与完整性。为了保证不同智能监控场景下车辆追踪的准确度和稳定度,提出一种特征与概率相结合的改进的Camshift跟踪算法。研究结果表明:所提出的阴影检测算法与改进的Camshift算法可以提升车辆检测与跟踪的准确性与稳定性。     

多特征联合的尺度和方向自适应meanshift跟踪算法

经典meanshift跟踪算法因其具有计算量小、实时性强等优点而得到广泛应用。但在目标发生缩放、旋转、光照变化以及目标颜色与周围背景颜色难以区分等情况下,经典meanshift算法的鲁棒性不佳,目标定位精度不高,算法稳定性不好。鉴于此,本文提出一种联合颜色和纹理直方图表示的meanshift算法,其中本文用到的局部二值模式LBP是基于分块思想改进的纹理算子,有效地提取边缘和角点等主要目标模式来更加精炼地表示目标;另外,通过有效利用目标候选区域的矩信息,来解决跟踪目标运动中尺度和方向的变化的问题。通过不同场景视频跟踪实验表明,与经典meanshift算法及改进前的联合特征表示方法相比,文中提出的改进算法在上述复杂场景下的目标跟踪具有更高的稳定性和鲁棒性。     

一种改进的颜色粒子滤波目标跟踪算法

为实现运动目标精确跟踪,克服跟踪过程中目标的非线性运动以及由目标形变、遮挡和光照等因素带来的影响,本文提出了一种改进的颜色粒子滤波方法. 算法从提高目标模型描述能力入手,首先对直方图加权函数进行了改进,使模型对区域特征描述更加合理;然后针对颜色直方图特征对光照明敏感、易受环境干扰等缺点,将目标由颜色特征空间映射到对光照稳定、抗几何失真能力强的局部熵特征空间,构建了颜色局部熵观测模型;同时设计了目标模板的自适应更新策略,当目标受到严重干扰的时候动态调节粒子数目. 实验结果表明相比传统的颜色粒子滤波算法,本文算法具有更好的鲁棒性,能够在存在遮挡、光照变化、非线性运动等情况下实现稳定跟踪.      

粒子滤波框架下多特征融合的视频目标跟踪方法

针对单一目标特征在复杂场景下难以实现有效的跟踪问题,提出了一种边缘纹理与颜色特征相融合的新方法。将Sobel算子与局部二值模式算子相结合,得到一种新的边缘纹理SLBP(Sobel Local Binary Pattern)特征提取方法,并与HSV(Hue,Saturation,Value)颜色特征融合应用于粒子滤波框架的视频目标跟踪。实验结果表明:本文提出的SLBP+HSV特征融合方法能够克服视频中光照变化、目标遮挡等复杂背景影响的问题,提高跟踪的精确度。     

一种融合LBP纹理特征的多姿态人脸跟踪方法

提出一种改进的Camshift算法,它融合目标人脸的局部二值模式(LBP)纹理特征的T分量,以及肤色的HSV色彩空间的H分量的统计直方图来生成概率分布图像,实现纹理与肤色特征的有效融合;然后,利用Kalman滤波器来预测目标人脸的运动信息,快速地跟踪到目标人脸.实验表明,在复杂的跟踪条件下,这种算法比原始的仅采用颜色直方图信息的Meanshift和Camshift算法,在跟踪速度和精度上有显著的提高.     

基于ABCshift结合LBP纹理特征的目标跟踪算法

ABCshift算法是利用贝叶斯理论降低相似颜色的概率值,提升目标中非相似颜色的概率值,通过目标中概率值高的颜色跟踪目标,有效解决了目标受颜色干扰跟踪不准确的问题。当目标中的颜色和背景颜色特别相近时或者目标在运动过程中光照发生突变时容易出现跟踪丢失。通过引入跟踪目标的局部二元模式算子(LBP),利用颜色和LBP多特征相结合的改进ABCshift跟踪算法能有效解决以上问题,在目标被相似颜色干扰和光照突变的情况下做了实验,验证了改进算法的鲁棒性。     

改进ViBe算法与Meanshift结合的目标跟踪方法

为解决视频监控系统中因光照变化、相似颜色干扰及快速动目标而导致的目标易丢失问题,提出一种改进ViBe算法与Meanshift结合的目标跟踪方法。首先采用三帧差分和ViBe算法结合进行前景目标提取和检测,以消除鬼影的干扰,利用色度特征和梯度特征相结合的方法来抑制阴影;同时通过将边缘特征融入到Meanshift算法中,引入运动矢量在当前帧中预测下一帧运动目标的位置,实现场面监视环境中运动目标的持续、准确跟踪。通过在监控视频中行人、车辆及飞行器等不同场面目标做实验,验证了本文方法不仅能够持续、准确地跟踪运动目标,并且可适用于场面雾天低能见度条件下的运动目标跟踪。     

自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法

针对现有飞蛾扑火优化算法精度低、全局搜索能力差的问题,提出一种自适应插值飞蛾扑火优化算法,并将其嵌入多特征粒子滤波中优化,构建自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法.首先,在飞蛾的位置更新机制中加入自适应权值,改善所提算法的全局搜索能力.其次,采用改进的插值飞蛾扑火优化算法对采样过程进行优化,结合多特征自适应融合优化粒子滤波车辆跟踪算法,根据最新观测信息不断调整粒子分布,使低权值层粒子向权值较高的区域移动,增强粒子质量,避免样本退化.实验结果表明,本文算法能够有效降低状态预测所需的样本粒子数,提高算法的跟踪性能,在车辆目标发生遮挡、光照、姿态及尺度变化等干扰下仍然能够准确、稳定地跟踪目标车辆.     

基于视觉显著性特征的粒子滤波跟踪算法

针对复杂环境下的运动目标跟踪问题,提出了一种基于视觉显著性特征的粒子滤波跟踪算法.该算法利用显著性检测算法对序列图片进行检测,生成视觉显著图,然后利用二阶自回归模型对目标状态进行预测,再根据中心强化-四周弱化的机制,生成最终显著图.利用视觉显著图中目标区域像素值较大的特点,提取视觉显著性特征,与颜色特征进行自适应融合,从而完成跟踪.实验结果表明,该算法能够有效应对跟踪过程中出现的场景光照变化和目标姿态变化等问题,具有较强的鲁棒性.     

基于HSV颜色特征的多目标视频检测与跟踪算法

针对跟踪多个运动目标交错运动时容易丢失目标的问题,提出了一种基于HSV颜色空间去识别与跟踪不同颜色目标的算法,对光照具有一定的鲁棒性。通过颜色空间转换提取目标原始二值图像,经中值和高斯滤波后,通过亮度检测判断是否对滤波后二值图像进行形态学膨胀;之后对较为精确的目标二值图像进行边缘检测,得到其最小包围矩形框,逐帧检测后绘制各颜色目标对应的运动轨迹,完成多目标的视频跟踪。对比经典Cam-Shift算法,实验表明,在多个目标具有不同颜色特征时,有效解决了视频跟踪中多目标交错运动丢失目标,且对光照敏感的问题,跟踪精度较高。     

基于局部特征和稀疏表示的鲁棒人耳识别方法

作为图像局部特征区域的有效描述方法,局部二值模式是目前对二维图像最有效的纹理分析特征之一。本文提出了基于局部二值模式特征的稀疏表示人耳识别方法。该识别算法首先提取训练人耳图像的局部二值模式特征描述子作为稀疏表示的字典,然后将测试样本的局部二值模式特征描述子表示为字典中所有局部二值模式原子的稀疏线性组合,最后通过求解稀疏表示模型得到稀疏编码系数,根据测试人耳图像的重建误差进行识别。在UND-J2人耳库和USTB人耳库上的实验结果表明,基于局部二值模式特征的稀疏表示人耳识别方法对人耳图像光照变化、姿态变化以及人耳遮挡具有更好的鲁棒性,实现了更高的识别率。     

一种基于卡尔曼滤波的压缩跟踪算法研究

根据道路交通监控视频的特点,采用压缩跟踪(CT)算法进行运动车辆的检测与跟踪。在摄像头变化较大、运动车辆尺度变化和背景变化等情况下,CT算法均具有很强的鲁棒性。但是当车辆被遮挡时,跟踪算法容易失效。为了解决这一问题,提出使用卡尔曼滤波对遮挡的车辆进行轨迹预测。卡尔曼滤波能根据CT算法跟踪目标的轨迹,有效地预测目标遮挡时的轨迹。实验结果表明,本算法不但可以较好地处理跟踪车辆尺寸变化的问题,在车辆丢失或被部分遮挡时,能准确而稳定地跟踪车辆,而且具有很好的实时性,满足了工程应用的需求。     

基于LRP的自适应运动目标检测算法

传统的运动目标检测算法主要基于像素值的统计模型,对于光照突变和噪声极为敏感.为此,提出了一种基于局部比率模式(LRP)的自适应运动目标检测算法.使用LRP描述视频图像序列中像素特征,通过自适应核密度估计对像素特征进行建模,提取出运动目标.实验结果表明,该算法适应光照变化,有良好的检测性能.     

改进的自适应核相关滤波目标跟踪

利用核相关滤波器跟踪框架,提出一种改进的自适应颜色属性的目标跟踪方法.首先,构建循环样本矩阵,引进颜色属性作为特征描述目标;然后,采用流行学习局部线性嵌入(LLE)算法自适应地对特征向量进行降维,得到低维特征空间;最后,根据正则化最小二乘分类器获得目标位置.实验结果表明:文中算法的平均中心位置误差减少了21.29 px;在阈值为20 px时,平均距离精度提高了27.9%,平均跟踪速度为38 帧·s^-1;与传统核相关滤波(KCF)算法相比,文中算法具有良好的光照不敏感性及更高的跟踪精度和鲁棒性.     

基于分布式视频网络的交叉口车辆精确定位方法

为了对交叉口车辆的位置进行准确定位,提出了一种分布式视频网络架构下车辆精确定位方法。在分布式视频网络中每处摄像机架设位置均设有2类摄像机:近景摄像机和远景摄像机。首先在近景摄像机拍摄范围内,对感兴趣区域内车辆进行身份识别,根据车牌照平面与道路平面垂直的约束条件,建立车牌照模型来对车辆精确定位;接着在远景摄像机拍摄范围内,采用融合局部二值模式(LBP)纹理特征的金字塔稀疏光流法实时跟踪车辆上局部特征点,根据特征点运动趋势相似性获得稳态特征点,来对车辆位置估计;最后根据不同摄像机检测结果,采用加权一致性信息融合算法来提高车辆定位精度。实验结果表明:该方法能对交叉口车辆位置进行精确定位。     

融合FLBP和Gabor小波的图像轮廓提取算法

为了解决现有图像边缘提取算法对于局部区域特征提取效果不佳不清晰的问题,提出一种模糊局部二值模式Gabor边缘检测算法(fuzzy local binary-Gabor).该方法首先利用Gabor小波对图像进行第一次处理,降低图像中由于光照变化和噪声对图像产生的影响,再用模糊局部二值算法(模糊数学与局部二值法的结合)将处理过的特征图片进行第二次处理得到相应的轮廓提取特征图.结果证明,该算法确实对目标区域有较好的检测率,得出该算法对于图片轮廓的提取确实有很好的效果.     

基于颜色纹理直方图的meanshift目标跟踪算法

Mean shift算法是一种重要的目标跟踪方法.在充分研究Mean shift算法的基础上,提出一种基于颜色纹理直方图的改进Mean shift跟踪算法.该方法首先计算目标图像区域中基于局部二值模式(local binary pattern,LBP)的主要纹理特征,通过提取主要特征消除背景和噪声等因素的干扰.另一方面,联合颜色和信息建立目标表示模型,可以为目标建模提供更丰富的纹理信息,目标表示更为准确,目标特征更明显区别于目标附近邻域内的背景特征.通过实验表明,改进的跟踪算法能有效提高目标跟踪精度,因此该目标跟踪具有较好的鲁棒性.     

基于多特征融合的目标跟踪算法

针对单一特征的目标跟踪算法鲁棒性较差的情况,利用目标的多种观测信息通过D-S证据理论进行融合跟踪.在粒子滤波的总体框架下,嵌入Mean-Shift算法产生更加逼近真实后验分布的粒子,同时采用颜色和运动边缘特征作为观测模型,有效地避免了单一颜色特征在光照突变、姿态变化以及背景相似情况下的跟踪稳定性较差的问题.实验表明,该...     

一种多特征融合的运动目标检测算法

针对传统的混合高斯背景模型目标检测算法在复杂背景干扰和阴影条件下无法准确检测出目标的问题,提出一种多特征融合的运动目标检测算法.将包含上下文信息的局部二值模式(context local binary patterns,CLBP)纹理特征和HSV颜色特征的色调信息相结合,利用CLBP直方图向量和局部色度向量与高斯背景模型进行匹配实现运动目标检测.结果表明,该算法在满足实时性的前提下,对受阴影、目标遮挡和图像抖动等干扰时的目标检测准确性较高.