融合颜色和轮廓的粒子滤波人脸跟踪

实际人脸跟踪过程中,光照和姿态的变化、背景颜色干扰等因素都会极大地削弱颜色特征的有效性,从而造成跟踪的不稳定.针对该问题,本文提出了一种以颜色和轮廓分布为线索的粒子滤波人脸跟踪算法.该算法主要有三个方面的特点:第一,在粒子滤波基本框架下,引入新的用直方图描述人脸轮廓的方法,有效解决了光照、人脸旋转、部分遮挡问题对跟踪的影响,并且能及时有效地重新捕获由于大面积遮挡等原因而丢失的目标.同时采用实时调整每帧图像特征点个数,有效提高了跟踪效率.第二,针对背景干扰问题,提出了一种抑制相似背景颜色干扰的方法.第三,本文还提出实时更新模板的方法来提高跟踪的准确性.实验证明本文算法对人脸跟踪具有很好的效果.     

集成轮廓跟踪

本文将跟踪看作是二分类问题,提出了一种基于Adaboost集成学习和快速水平集的轮廓跟踪算法.该方法首先在线地训练一个弱分类器的集合用以区分目标和背景,而通过Adaboost将集合中的各弱分类器组合成一个强分类器,并用于标定下一帧中的各像素的类别属性,从而确定快速水平集算法的速度函数,然后采用基于动态邻近区域快速水平集来演化目标边界曲线以实现目标的轮廓跟踪.为适应目标和背景的变化,在跟踪过程中在线训练新的弱分类器,而时间相关性则通过更新包含新弱分类器的集合来实现.实验结果表明,在摄像机运动、光照变化,部分遮挡或目标尺度变化等情况下,能实现刚体或非刚体目标的轮廓跟踪.     

基于空间直方图的多目标粒子滤波跟踪

针对复杂场景中多目标跟踪问题,本文给出了目标的出现与消失、遮挡等模型描述,将其统一到粒子滤波的框架下,提出了一种可以处理目标数可变的多目标跟踪算法.对场景中的目标数建立马尔科夫模型,采用转移概率矩阵描述跟踪过程中目标出现,消失的情况;在状态表示中增加辅助变量,明确目标之间可能的遮挡;采用目标空间直方图建立基于唯一性原则的观测似然函数,通过后验概率分布估计目标数及目标状态.实验结果表明,本文算法能有效地处理跟踪过程中的目标数变化、目标遮挡等问题,实现多目标的正确跟踪.     

基于演化非对称核函数的均值漂移跟踪算法

针对传统均值漂移跟踪算法中采用的对称核函数模板中包含了较多背景像素点,影响跟踪精确度和稳定性的缺点,在固定非对称核函数的基础上对均值漂移跟踪算法进行了改进,提出了一种基于演化非对称核函数的均值漂移目标跟踪算法。本文算法首先介绍了将非对称核函数模板引用到均值漂移算法框架的关键问题——模板中心——的计算方法;其次将非对称核函数模板的表述和演化有机结合,提出了利用区域相似度的目标轮廓水平集演化算法并阐述了非对称核函数模板的更新策略。实验结果表明,相比现有的方法,本文提出的基于演化非对称核函数模板均值漂移跟踪算法具有更高的准确性和可靠性,同时也能满足一般目标跟踪任务的实时性要求。     

基于均值移动确定性漂移的改进CONDENSATION人脸跟踪

针对视频序列目标跟踪粒子滤波经典CONDENSATION算法用先验转移概率,即采用一阶或二阶AR模型难以有效进行粒子传播的问题,提出了一种改进的CONDENSATION人脸跟踪算法.首先利用高效的均值移动跟踪器以低廉的计算成本初步进行人脸目标跟踪定位,并用此初步跟踪结果来确定CONDENSATION粒子动态传播模型中的确定性漂移部分,然后只需加入一个较小的随机扩散噪声来完成粒子的传播.由于这样所得的粒子点能较为集中地分布在状态的真实区域附近,因而大大提高了粒子的利用效率.人脸跟踪实验表明,该改进算法的性能明显优于原CONDENSATION方法.     

基于在线学习的自适应粒子滤波视频目标跟踪

传统的粒子滤波视觉跟踪算法采用固定模型和大量粒子表征目标后验概率,不能满足复杂条件下的视频目标实时跟踪.为了提高跟踪的鲁棒性和稳定性及计算效率,本文提出将自适应状态演化方程和在线增量学习观测似然模型嵌入到粒子滤波算法;并采用在线自动调整粒子数目的策略,提高粒子滤波视觉跟踪的计算效率.室内外实验结果表明,文中提出的视觉跟踪算法不仅能准确、高效地跟踪序列图像中的运动目标,而且对光照、姿态变化引起的目标表观变化具有良好的鲁棒性.     

基于混沌粒子滤波的视频目标跟踪

针对复杂场景中目标受光照、自身形变、遮挡等影响,本文以混沌粒子滤波为框架,建立多特征似然模型,进行目标遮挡处理,提出了一种鲁棒性好且抗遮挡性强的混沌粒子滤波跟踪算法.本算法中利用混沌优化搜索优化粒子,很好的克服了退化现象,减少了计算量,在多特征似然模型建立中,对特征选择做了改进,使算法鲁棒性更好,并在算法中添加了遮挡处理.理论数据及实际场景的仿真结果表明,本文提出的算法鲁棒性好且具有较强的抗遮挡能力.     

A method for detection of partially occluded faces based on component distance matching degree function

为了较好地解决被部分遮挡的人脸的检测问题,提出一种基于组件距离匹配度函数的人脸检测方法.该算法首先采用基于支持向量机的Adaboost算法即AdaboostSVM算法对输入图像进行人脸各组件的检测,然后根据组件间距离的均值和方差构建组件距离匹配度函数,并提出基于组件距离匹配度函数的组件整合验证算法,在此基础上对被遮挡的组件的位置进行估计,进而实现部分遮挡的人脸的检测与定位.实验结果表明,该方法能够提高部分遮挡的人脸的检测性能与速度,能够在复杂背景下对被部分遮挡的人脸进行较为准确的定位与检测.     

改进的粒子滤波目标跟踪算法

针对环境迁移、目标被遮挡或姿态变化较大时传统粒子滤波算法的鲁棒性不强的问题,提出一种改进的粒子滤波目标跟踪算法。建立目标模型时,将目标的HSV颜色特征和Uniform LBP纹理特征进行加权融合;粒子重采样过程中,采用加权随机采样方法,将粒子权值作为重采样的影响因子而非决定因子,以提升粒子多样性,降低粒子衰退对目标跟踪的影响;目标被干扰时,采用卡尔曼滤波对目标位置进行偏移校正,以获取目标正确位置;最后采用模板更新策略对目标模板进行实时更新。实验结果表明：相较于传统粒子滤波算法和CMT算法,本文算法对复杂环境中目标被遮挡和姿态变化的情况下都具有较好的鲁棒性。     

一种基于子空间学习的实时目标跟踪算法

针对当前目标跟踪算法鲁棒性低且运算慢的问题,本文提出了一种基于子空间学习的实时目标跟踪算法。该方法在粒子滤波跟踪框架下,采用增量式PCA子空间学习方法学习一个正交子空间,利用学习到的正交子空间对目标外观进行线性表示;针对目标在遮挡、运动模糊等复杂干扰状态下容易产生跟踪漂移的问题,本文建立了一个将遮挡等复杂因素考虑在内的观测模型和模板更新方案,解决了基于最小均方误差准则的传统观测模型在复杂场景下的跟踪漂移问题。实验结果表明,本文的跟踪方法能够达到很高的跟踪精度,同时也达到了接近实时的跟踪速度。     

Estimation of contour motion and deformation for nonrigid object tracking

We present an algorithm for nonrigid contour tracking in heavily cluttered background scenes. Based on the properties of nonrigid contour movements, a sequential framework for estimating contour motion and deformation is proposed. We solve the nonrigid contour tracking problem by decomposing it into three subproblems: motion estimation, deformation estimation, and shape regulation. First, we employ a particle filter to estimate the global motion parameters of the affine transform between successive frames. Then we generate a probabilistic deformation map to deform the contour. To improve robustness, multiple cues are used for deformation probability estimation. Finally, we use a shape prior model to constrain the deformed contour. This enables us to retrieve the occluded parts of the contours and accurately track them while allowing shape changes specific to the given object types. Our experiments show that the proposed algorithm significantly improves the tracker performance.     

快速运动目标的Mean shift跟踪算法

针对Mean shift本身的理论缺陷,提出Mean shift和卡尔曼滤波器相结合的快速目标跟踪算法。利用卡尔曼滤波器来获得每帧Mean shift算法的起始位置,然后再利用Mean shift算法得到跟踪位置。在目标出现大比例阻挡情况时,利用卡尔曼残差的计算来关闭和打开卡尔曼滤波器,此时,目标位置的线性预测替代了卡尔曼的作用。试验证明,本算法可以实现对快速运动目标的跟踪,对阻挡也有很好的鲁棒性。     

免疫粒子滤波在声呐图像目标跟踪中的应用

基于前视声呐图像序列,研究并实现了经免疫算法优化的粒子滤波水下目标跟踪。声呐图像分割成二值图后,提取目标的区域形状特征以构建观测模型,设计目标模板自适应更新方法;将免疫算法的克隆与变异思想引入到粒子滤波中以解决粒子退化问题。对两组水下运动物体的跟踪实验表明,即使目标存在一定形变与干扰,文中的免疫粒子滤波算法仍能以较高的精度跟踪到目标真实运动轨迹;相比于传统粒子滤波算法,稳定性也更强。     

多传感器多目标粒子滤波算法

为了能够有效解决非线性、非高斯环境中多传感器多目标跟踪问题,提出了一种基于粒子滤波的多传感器联合概率数据互联粒子滤波算法(MJPDAP)。该算法应用广义S-D分配的规则对每个传感器送来的观测数据进行排列组合以形成等效量测点,并计算所有等效量测点的联合似然函数。在此基础上,结合联合概率数据互联(JPDA)的思想计算各个粒子权值,以获得最终的跟踪结果。仿真结果表明,与单传感器联合概率数据互联粒子滤波算法(SJPDAP)相比,该算法位置跟踪精度能提高20m左右。     

基于局部特征组合的目标跟踪算法

为了克服目前大多数观测模型在小样本空间中鲁棒性不高的弱点,文中在粒子滤波框架下提出基于局部特征组合的粒子滤波视频跟踪算法。局部特征能更有效描述目标模板细节信息,可降低特征匹配中目标形变、光照变化和部分遮挡的影响。该方法借鉴混合高斯模型思想,采用多模式描述有效局部观测信息,这种融合策略更加准确可靠,能够较好地通过最新观测减轻了粒子退化现象,从而提高目标跟踪效率。小样本空间一定程度上降低了粒子数量和计算代价。实验结果表明该算法相比单一特征或一般多特征融合跟踪算法具有优越性,并能实现复杂场景下的目标跟踪。     

基于多特征CamShift优化的粒子滤波跟踪

提出了一种将粒子滤波和CamShift相结合的多特征视觉跟踪方法.通过CamShift对粒子的位置和尺度同时进行优化,使得跟踪窗口能随着目标尺度的大小变化相应调整.同时采用自适应方式将颜色信息和运动信息在CamShift优化的粒子滤波框架下有效结合起来.该方法使用CamShift对粒子传播进行优化,每个粒子都收敛到目标附近,粒子的有效性得到提高.实验结果表明,使用10个粒子的CamShiit优化的粒子滤波的跟踪误差小于100个粒子的传统粒子滤波的跟踪误差.并且由于多特征的使用,目标在受到背景相似物体干扰和场景光线发生显著变化等情况下仍能实现稳定的跟踪.用较少的粒子就能实现稳定的跟踪,减少了计算代价,提高了跟踪的鲁棒性.     

仅有角度观测信息情况下目标机动自适应跟踪算法研究

针对光电目标跟踪问题中纯角度跟踪的特点,提出了纯角度目标的机动自适应跟踪算法.该算法采用机动目标“当前”统计模型描述目标的运动特性,根据强跟踪滤波器的思想通过实时检测滤波器的残差信息确定目标的机动变化情况,进而调整“当前”统计模型中表征目标机动特性的参数(机动频率和随机加速度分布的极值),使得运动模型更加符合目标的机动...