一种基于TLD改进的视觉跟踪算法

视觉跟踪是当前计算机视觉的热点问题之一。TLD(Tracking Learning Detecting)算法是一种可以在线学习的新颖视觉跟踪算法。针对算法中跟踪器采用的LK光流法无法捕捉大幅度运动目标的问题,引入图像金字塔模型,提出一种采用金字塔光流法的TLD的改进算法,解决了长时间跟踪中出现运动尺度过大时产生孔径的问题。实验结果表明,算法在复杂场景和大运动条件下,可以长时间准确、快速地实现视觉跟踪,具有较强的适应性和有效性。     

基于OpenCV的人脸检测与跟踪方法实现

人脸是视频内容中的重要信息,对人脸的检测与跟踪是智能视频分析的一个重要分支。实现了基于OpenCV的人脸检测与跟踪方法。首先计算视频图像的Haar-like特征,然后利用AdaBoost级联分类器进行人脸检测,最后使用基于颜色的Camshift算法实现人脸跟踪。在VS 2010开发平台上调用OpenCV函数库进行C++编程;并使用MFC框架实现了人脸检测与跟踪方法。仿真实验结果证明方法思路合理、计算复杂度较低、鲁棒性较好。     

基于OpenCV的人脸检测算法研究

介绍了一种开放源代码的计算机视觉类库OpenCv,阐述了该软件的特点及结构,并对其在Visual C++2005开发环境下的配置作了详细的说明.然后提出了一个基于OpenCv的人脸检测算法.实验结果表明,该算法具有识别效果、实时性好,检测速度快的特点.     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

基于改进的随机森林TLD目标跟踪方法

针对TLD算法中采用的随机森林分类器的决策树阈值固定,不能根据目标特征随时调整,影响分类精度和时间开销的问题,引入极端随机森林的思想,提出了基于改进的随机森林TLD目标跟踪方法。该方法用Gini系数度量样本集合的混乱程度,通过比较Gini系数是否超过了给定阈值,判断叶节点何时转变成决策节点进行分裂;再结合TLD算法中的P-N学习框架和在线模型训练更新样本;最终基于改进的TLD算法完成目标跟踪。将本文方法应用于多个视频集进行目标跟踪实验,验证了算法的有效性和稳定性。     

基于遗传算法的人脸跟踪研究

提出了一种快速的、鲁棒的人脸定位及跟踪研究方法，定义了一种新的运动能量表示方法，利用该方法可以很快地检测出图像中的运动区域。在检测到的运动区域内，利用人的头部及面部结构知识确定出人脸区域，再将检测到的人脸区域作为模板，利用遗传算法在新的图像序列中动态地进行模板匹配，以确定人脸在新的图像序列中的位置。实验结果表明，该方法不但检测速度快，而且对光照、人脸姿态、表情及其他噪声具有较强的鲁棒性。     

基于随机蕨丛的长期目标跟踪算法

为了从根本上解决运动目标遮挡、环境光照变化、目标外观变化、目标运动速度过快等复杂情况下的目标跟踪问题,采用了将目标检测与标准的目标跟踪算法相结合的目标跟踪框架,提出了基于双向一致性误差评估的标准跟踪算法,提高了跟踪点的可靠性;采用随机蕨丛算法作为目标检测的主体,很好地解决了目标遮挡、消失等情况导致跟踪失败后无法重新初始化的问题.通过实验验证了所提出的目标跟踪算法能实现目标的长期跟踪,且具有很强的适用性.     

基于快速判别尺度空间的TLD跟踪算法

针对目标跟踪过程中遇到的遮挡、离开视野、平面内旋转、运动模糊等问题,在传统的跟踪学习检测(TLD)算法基础上,提出了fDS-TLD算法.算法采用快速判别尺度空间方法对跟踪模块进行了改进,并在整体框架中加入了遮挡判别机制.跟踪模块的改进使得跟踪器可以更好地跟踪平面内旋转和运动模糊的目标,遮挡判别机制的加入使得目标在被遮挡和离开视野重新回来时具有更好的跟踪效果.采用TB-100测试集进行测试与验证,证明了本文算法与TLD等4种算法相比,对于跟踪过程中发生的遮挡、离开视野、平面内旋转、运动模糊等情况具有更好的跟踪精度和准确度.在现实场景中进行了跟踪实验,证明本文算法具有实时性和实用性.     

基于彩色和投影的人脸检测和跟踪算法

提出了一种基于彩色信息、直方图投影的人脸检测、跟踪算法。该方法适用于对时间要求较高、复杂背景下的运动图像人脸检测。测试结果表明，该方法在保护人脸大量的有用信息的情况下，大大改善了在复杂背景以及光照环境不住情况下的人脸跟踪、识别效果，并具有计算量小的特点。     

基于人脸检测和特征的跟踪方法

在智能视频监控中,常常会发生对同一人脸重复定位的问题．通过分析人脸的非刚体特征和人脸监控视频的特点,提出了一种基于帧间人脸位置匹配的思想和基于颜色直方图的Meanshift算法二者相结合的方法．实验结果表明,提出的方法具有一定的实时性,并能够降低对同一人脸的重复识别率．     

基于改进Adaboost人脸检测算法的研究及DSP实现

在Adaboost人脸检测算法的基础上,通过将所有的特征值排序并构建一个次序表,并使用改进Adaboost权值更新算法和分类误差计算方法,训练分类器并检测样本图像,达到了减少训练分类器耗时、提高检测率和降低误检率的效果.最后在DSP上实现了人脸检测系统,验证了改进系统在实时性能上得到较大的改善.     

基于Adaboost的人脸检测技术

利用OpenCV图像处理软件,选取扩展的Haar like特征,实现了基于Adaboost的人脸检测器.阐述了Ad aboost人脸检测技术的基本原理,深入分析了强分类器的个数及排序对检测器性能的影响,并对3种分类方法得到的分级分类器的检测能力进行了比较,最后给出一种实用的分类方法.实验结果表明,该检测器检测速度快,开发周期短,具有可行性.     

基于Gamma和AdaBoost的人脸检测系统设计

为了有效地实现人脸的检测效果,文章在AdaBoost算法基础上提出一个改进的人脸检测算法．为了有效地消除光照和成像对人脸的影响,该算法将Canny修剪算法和伽马矫正算法进行结合,有效地消除光照和成像设备对人脸的影响．并利用VisualC＋＋和OpenCV等开发工具设计了一个人脸检测系统．本系统采用20×20的人脸图像和背景图像各1000张训练了一个7层的级联分类器,每一层构成的强分类器由一组基于Haar特征的弱分类器构成．该系统通过自选137幅包含人脸和背景的图片对系统进行测试,获得94．72％的正确检测率以及26．42％的误检率．     

一种视频中基于检测的快速人脸跟踪方法

针对背景复杂多变的视频人脸实时跟踪问题,从检测率、漏检率与错检率3个指标出发,通过改进样本选取的方式对训练样本的比例进行优化,得到一种快速人脸检测方法.在对卡尔曼的初始状态进行选取后,运用具有通过调整参数就能对被跟踪的人脸区域进行放大或者缩小功能的卡尔曼滤波方法来选取候选人脸区域,从而减少搜索时间,提高脸部区域检测速度...     

基于随机森林的长期目标跟踪方法

结合正负样本相互作用思想和随机森林算法构建检测器,融合基于LK光流法的跟踪器,提出一种基于TLD(Tracking Learning Detecting)的随机森林长期目标跟踪方法。将该方法与Mean-Shift算法、TLD算法进行对比,结果表明该算法能很好应对目标丢失、遮挡情况,准确率在93%以上。在多种情况下对该方法进行实验验证,可实现刚性物体和非刚性物体在复杂背景下的长时间精确跟踪。     

基于轻量化网络的遮挡人脸检测

为了解决人脸检测中由于目标遮挡、背景复杂导致性能下降以及神经网络模型过大导致难以在低性能设备部署问题,在YOLOv4-Tiny的基础上引入SD(Self-DeConvolution)模块,提出了YOLO-SD-Tiny网络模型.在特征金字塔网络引入拥有更大感受野和更轻量级的SD模块,在部分网络层中采用Mish激活函数,...     

基于遗传算法的人脸跟踪研究

提出了一种快速的、鲁棒的人脸定位及跟踪研究方法 ,定义了一种新的运动能量表示方法 ,利用该方法可以很快地检测出图像中的运动区域。在检测到的运动区域内 ,利用人的头部及面部结构知识确定出人脸区域 ,再将检测到的人脸区域作为模板 ,利用遗传算法在新的图像序列中动态地进行模板匹配 ,以确定人脸在新的图像序列中的位置。实验结果表明 ,该方法不但检测速度快 ,而且对光照、人脸姿态、表情及其他噪声具有较强的鲁棒性     

基于改进TLD的自动目标跟踪方法

视觉跟踪一直是机器视觉研究热点,TLD（tracking-learning-detection）算法是近年来出现的一种高效的视觉跟踪算法,针对TLD算法中Lucas-Kanade（LK）光流法无法有效跟踪物体快速移动和尺度变化的问题,采用金字塔光流法对TLD算法进行改进。并将所跟踪物体形心作为图像定位参考点,提取物体定位信息,通过定位信息运用比例-积分-微分（proportion-integral-derivative,PID）控制算法控制摄像头舵机云台转向,使摄像头快速、灵活、精确地自动跟踪指定物体。通过系统测试,与传统TLD算法对比,采用金字塔光流法改进的TLD目标跟踪算法在跟踪目标发生光照变化、尺度变化等情况时,具有更加优良的跟踪性能,准确将跟踪目标形心位置提供给控制部分,控制算法高效灵活,在获取信息后精确、快速地控制摄像头方位,使其正对跟踪目标。该系统对目标跟踪技术、安防技术、自动瞄准系统具有重大意义。     

视频流下的人脸检测与跟踪

研究了基于AdaBoost算法的人脸检测、级联分类器,讨论了Haar-Like特征及其积分图的计算方法,以及微结构特征的详细定义和表示方式,并给出4种不同矩形特征的计算方法.以色彩直方图为跟踪特征,将基于AdaBoost的人脸检测算法与CamShift跟踪算法进行了有效的结合,并给出视频下的人脸检测与跟踪实验结果.实验结果表明,在尺度变化、角度变化以及有遮挡的情况下都得到了很好的检测、跟踪效果.     

人脸检测与跟踪系统的设计

基于Adaboost人脸检测原理,结合Windows下的Visual C++编程,设计了人脸检测系统.通过MIT人脸库和自建人脸库结合的方法,且对该人脸库进行有效的训练,实现人脸检测功能,提高了检测率和检测速度.利用连续自适应均值移动算法(Continuously Adaptive Mean Shift,Camshift)对人脸进行跟踪,并对Camshift算法进行改进,利用Adaboost人脸检测初始化模板的方法,将检测与跟踪结合起来,有效提高了人脸跟踪效率.