结合水平集和粒子滤波的人脸轮廓跟踪

针对视频序列中的人脸轮廓跟踪问题,提出了一种将改进水平集方法引入到粒子滤波框架中的轮廓跟踪算法.此算法使用零水平集函数对人脸轮廓进行表示,通过水平集函数的演化对人脸轮廓进行逼近.为了解决人脸遮挡问题,将形状先验加入到演化过程中来约束曲线的演化.算法在粒子滤波的框架下可以同时跟踪人脸区域的仿射运动和人脸轮廓的形变.实验结果表明,所提出的'方法可以对人脸轮廓进行精确的跟踪,并对外界的光照变化,背景干扰,人脸部分遮挡有较强的鲁棒性.     

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.     

基于遗传算法的粒子滤波跟踪算法

针对粒子滤波跟踪算法中粒子多样性退化问题,将改进的遗传算法应用到粒子重采样中,改善了样本的多样性.在改进的遗传算法中,使用了多项式重采样进行优选复制;以特定区间的随机数做交换率进行样本交叉繁殖;使用了马尔可夫链蒙特卡罗移动加高斯白噪声做样本变异繁殖并使用快速MH 抽样算法选取样本.改进后的粒子滤波跟踪算法不但保持了较高的运算效率,而且还较好地提高了跟踪的稳定性.试验表明,改进后的粒子滤波跟踪算法目标跟踪更加稳定,目标定位更加准确.     

基于视觉显著性的灰色粒子滤波跟踪方法

针对传统的粒子滤波算法在目标运动状态突然改变时(如突然加速、减速或者转弯等)容易发生目标丢失的问题,提出了一种基于视觉显著性的灰色粒子滤波跟踪算法。该算法根据灰度预测模型来预测产生建议分布,实现对粒子的繁殖和传播,同时根据调节因子的优化计算,对灰度预测模型的待定系数进行自适应调节,并通过局部显著性检测对低相似度粒子进行快速筛除提高跟踪精度和计算效率。实验结果表明,该跟踪算法能够有效提升粒子滤波的目标跟踪能力。     

一种基于动态分层更新的多特征融合跟踪方法

针对单一特征的目标跟踪算法和传统的模型更新策略的不足,本文提出一种均值迁移和粒子滤波相结合的多特征融合跟踪方法.该方法通过均值迁移对粒子传播进行优化,根据粒子权值的分布情况自动调节各个特征的融合权值,实现了多特征的有效综合,通过建立目标模型的动态分层更新策略,有效保留了目标和场景的变化信息.实验结果表明,该方法对目标外...     

基于高斯粒子滤波的当前统计模型跟踪算法

对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法.     

一种基于改进卡尔曼滤波的camshift目标跟踪算法

针对目标跟踪中的突变问题,本文提出一种基于改进卡尔曼预测的camshift(continuously adaptivemean shift)跟踪算法.本算法首先使用一种新的目标颜色模型,对传统目标模型进行改进,提高了目标跟踪的准确性和稳定性;同时为了更有效的预测目标位置,对卡尔曼滤波的一步预测值进行改进,并将修改后的卡尔曼预测算法融入camshift算法中,跟踪中增加采样率.实验表明,与传统camshift算法相比,该算法能够处理目标运动中发生突变的情况,实现对运动目标高精度的跟踪.     

一种改进的自适应重采样粒子滤波算法

针对粒子滤波跟踪算法中重采样所引起的粒子多样性缺失问题,提出了一种自适应粒子滤波重采样方法。首先将粒子权值进行分类,中等权值粒子保持不变,大、小权值粒子进行权值优化组合,其次对优化组合后的小部分粒子进行系统重采样。最后对粒子的权值及粒子的复制次数分别进行比较运算。试验结果表明,改进后的粒子滤波算法不仅提高了机动目标跟踪的运算效率,而且还有效提高了跟踪的稳定性,目标跟踪更加准确。     

多特征融合的非线性目标跟踪算法

为克服视频目标跟踪中仅利用单一特征易导致的跟踪失败,提出了一种基于多特征融合的非线性目标跟踪算法.通过灰度直方图来表征目标的总体分布,利用边缘特征来提取目标的高频细节,将两者融合于粒子滤波的概率模型框架中.并提出一种基于半峰宽和贡献度的特征可信度计算方法,动态调节粒子数目,使可信度高的特征拥有较多的粒子.最后,进行了目标跟踪仿真实验,结果表明,该算法具有较强的抗局部遮挡能力,与单特征跟踪算法相比,平均跟踪误差减小了0.5个像素.     

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。