基于稀疏表达的跟踪方法通常采用基于固定阈值的模板更新策略, 很难适应不断变化的目标外形; 其次, 稀疏表达缺乏描述目标流行结构的能力, 区分背景和目标的能力差. 针对基于固定阈值的模板更新策略的不足, 提出一种多级分层的目标模板字典. 为了改善对背景和目标的区分能力, 提出一种融合多级稀疏表达和度量学习的目标跟踪方法. 实验结果表明了所提出的方法能有效提高跟踪的鲁棒性和精度.
相似文献针对单一颜色特征跟踪性能差的缺点, 提出一种基于联合特征直方图的均值漂移目标跟踪算法. 采用颜色、边缘、运动3 个具有一定互补性的信息进行联合概率跟踪, 以提高目标模型的描述能力; 利用运动信息修正颜色和边缘模型核函数, 用以克服背景颜色、轮廓对跟踪效果的影响; 根据各特征所占权重, 运用自适应融合法生成关联特征直方图, 并将所构建的目标模型融合到mean shift 跟踪框架中, 实现目标跟踪. 实验结果表明, 所提出的算法具有较高的准确性.
相似文献针对单一特征目标跟踪算法鲁棒性较差的问题, 提出一种基于特征可分性和稳定性度量的多特征融合目标跟踪算法. 在粒子滤波框架下, 通过计算不同特征对目标和背景的可区分性和稳定性, 设置重要性权值并自适应选择区分能力强、稳定性好的特征描述目标, 建立多特征融合目标模型. 在状态转移过程中, 给出一种基于特征稳定性度量的选择性模板更新策略, 并进行遮挡处理. 实验结果表明, 所提出的算法能够在复杂场景下鲁棒地跟踪目标.
相似文献针对传统的基于直方图的均值漂移跟踪算法, 当目标出现于复杂跟踪条件时, 因无法显著区分颜色相近的目标或背景而导致跟踪失败的问题, 提出一种基于空间相关背景加权直方图的均值漂移跟踪算法, 并给出了推导过程. 实验结果表明, 该算法通过在目标模型中减少背景显著特征来增强目标定位, 能在遮挡、光照变化等复杂情况下实现有效的目标跟踪, 改善了传统均值漂移算法中模板不能及时更新等方面的局限性.
相似文献为解决机器人目标跟踪过程中的遮挡和外观改变等问题, 提出一种分块多特征描述子的方法. 该方法将候选样本分块, 提取图像片的深度、颜色、纹理特征来表示目标构造检测器. 结合目标与机器人的运动构造运动卡尔曼滤波器(MEKF) 作为跟踪器. 跟踪过程中根据目标深度信息调整其尺寸, 结合深度特征及图像片外观相似度进行检测并处理遮挡. 实验结果表明, 该算法对目标的尺度变化、光照改变和遮挡现象具有较强的鲁棒性.
相似文献多线索融合是解决复杂情况下跟踪问题的有效手段, 为此提出一种基于自适应分块目标模型的多线索融合 粒子滤波跟踪方法. 根据目标颜色分布自适应分块建立目标描述模型, 可提高对目标初始描述的适应性; 采用多线索融合粒子滤波跟踪, 在跟踪过程中能根据子块可靠程度动态调整权重, 提高对剧烈光照变化、目标姿态变化、遮挡等复杂情况的适应性. 实验结果表明, 所提出的跟踪方法在多种复杂情况下能准确有效地跟踪目标.
相似文献为在特征融合中综合利用数据的类别信息和数据结构中所蕴含的自然鉴别信息, 提出一种基于局部稀疏表示和线性鉴别分析的典型相关分析算法. 首先利用局部稀疏表示模型, 以较小的计算复杂度获取局部稀疏重构矩阵; 然后在典型相关分析的框架中实现对局部稀疏结构保持、线性鉴别分析和组合特征相关性的联合优化, 增强了融合特征的鉴别能力. 在人工数据、多特征手写字数据、人脸数据上的实验表明了所提出方法的有效性.
相似文献针对移动传感器网络中的目标跟踪问题, 以及现有控制策略在保持网络拓扑结构连通性和降低能量消耗方面存在的不足, 提出一种基于蜂拥控制的移动传感器网络目标跟踪算法. 首先, 利用网络中部分节点检测目标, 并使用卡尔曼一致性滤波算法估计目标的状态, 在获得比较精确的估计状态的同时降低能量消耗; 然后, 在蜂拥控制下传感器网络始终保持拓扑结构连通性和目标对网络可见, 同时避免节点之间发生碰撞. 仿真结果验证了所提出算法的有效性.
相似文献在自适应带宽均值移动算法的基础上, 引入粒子滤波, 提出一种新的目标跟踪方法. 该方法通过更新带宽矩阵以适应目标尺度的变化; 采用加权和方法融合定位检测结果, 使跟踪不易陷入局部最优状态; 对粒子进行收敛采样, 维持粒子多样性, 减小累积误差; 提出一种目标扩展搜索策略, 用于目标丢失后重新搜索跟踪目标. 实验结果表明, 所提出的跟踪方法在复杂场景中表现出了较好的鲁棒性, 且跟踪轨迹平滑.
相似文献在随机有限集框架下提出了当杂波和漏检存在时基于最优子模式分配距离的多目标联合检测与估计(JDE) 误差界. 此处的JDE 是指同时估计目标个数和存活目标状态. 算例1 展示了该误差界随传感器检测概率和杂波密度的变化趋势; 算例2 利用多假设跟踪, 概率假设密度(PHD) 和势PHD 滤波器对该误差界的有效性进行了验证.
相似文献