基于局部二值模式的改进时空上下文跟踪算法

基于时空上下文(Spatial-Temporal Context,STC)的跟踪算法与大部分传统算法相比,在实时性方面具有明显的优势.通过实验发现,STC算法存在由变形和遮挡引起的跟踪精度下降问题.针对该问题,提出了一种改进方法,该方法在原STC算法的基础上引入局部二值模式(Local Binary Pattern,LBP)和遮挡检测机制,利用LBP特征来代替灰度特征,当跟踪器检测出目标发生遮挡时,停止分类器参数的更新.对于满足线性运动的目标,利用卡尔曼滤波器对其进行位置预测以解决目标发生遮挡后的定位问题.实验证明,所提出的改进算法能有效提升目标跟踪精度,针对遮挡情况下的目标也展现出较高的鲁棒性.     

一种引入预测机制的时空上下文跟踪算法

针对时空上下文(STC)算法在抗遮挡目标跟踪中的不足,提出使用上下文模型相似度作为判别遮挡的条件和改进上下文模型更新方程的修正系数,同时采用预测算法修正搜索区域,构建了一种基于时空上下文跟踪的抗遮挡目标跟踪算法,并通过标准目标跟踪视频库对原算法和改进后算法的跟踪性能进行仿真和对比。实验证明,在原算法的基础上提高了抗遮挡跟踪的鲁棒性,在一些图像序列中跟踪成功率的提高最高可达30%。     

基于嵌入式平台的低时间复杂度目标跟踪算法

针对嵌入式平台往往算力受限的应用背景,提出了一种低时间复杂度的、适用于复杂场景的目标跟踪算法CTSTC算法。算法由自适应更新的时空上下文目标跟踪环节和自适应更新的压缩感知目标辅助定位环节两部分构成,当时空上下文跟踪结果不可靠时,启动压缩感知目标辅助定位环节,如果辅助定位后的结果可靠,则采用辅助定位结果校正时空上下文跟踪环节。算法运行速度与时空上下文算法（STC）接近,I5CPU下测试可达每秒1 577帧,远高于其他常用算法,是一种运算速度极高的目标跟踪算法,但算法在复杂环境下的鲁棒性却有所提升。使用OTB2013数据集进行测试,较STC算法,CTSTC精度提升12.8%,成功率提升27.5%。算法在以DM6437为核心的小型目标跟踪系统上进行测试,可以实现实时稳定跟踪。     

卷积神经网络与时空上下文结合的目标跟踪算法

本文所提算法是一种卷积神经网络与时空上下文结合的目标跟踪算法。将卷积神经网络算法融入时空上下文算法框架下,使得跟踪系统整体的鲁棒性有显著提高。引入Kalman滤波来处理目标被严重遮挡时,跟踪框容易漂移的问题。此外,整个跟踪系统采取由粗到精的双重目标位置定位方式,由时空上下文算法实现目标初定位,由卷积神经网络进行目标位置的精确定位。经实验验证,算法不仅稳定性和鲁棒性较好,而且实时性的条件也基本满足。     

基于AdaBoost算法和人眼定位的动态人脸检测

在快速人脸检测算法中,基于AdaBoost算法的人脸检测算法得到越来越多的认可。然而,该算法在复杂环境下常有误检的情况。为了既快速又能提高检测的准确率,提出了以人眼定位的算法作为辅助的人脸检测算法。首先应用AdaBoost算法检测人脸的位置,然后再利用改进的模板匹配算法对人眼进行快速识别与定位。在人眼检测方面,利用金字塔算法加快了检测速度。实验表明,该方法可减少AdaBoost算法的误检率。     

融合颜色直方图响应的时空上下文跟踪算法

时空上下文(STC)跟踪算法在特征表达、尺度自适应策略等方面存在缺陷,当出现目标突然形变、局部遮挡或尺度变化等情况时,跟踪器的性能会严重退化。通过对STC算法进行改进,提出了一种融合颜色直方图响应的时空上下文跟踪算法。基于颜色统计的模型对运动模糊和目标形变等影响因素不敏感,和时空上下文模型具有良好的互补性质,在响应层融合后能够提升算法的鲁棒性。此外,采用基于多尺度金字塔模型的尺度搜索策略替换STC算法中原有的尺度估计策略,进行更精准的自适应尺度估计。在大规模公开数据集上的测试结果表明,本文算法在不同影响因素的复杂环境下展现了更为良好的跟踪性能和适应性,并且平均跟踪速度达到134.2帧/秒。     

基于Vibe和时空上下文的运动手势跟踪算法

针对时空上下文算法易发生漂移以及在目标跟踪丢失后不能重新找回目标的问题,提出了一种融合Vibe前景检测和时空上下文的运动手势跟踪算法。首先使用时空上下文算法对手势预估计并进行干扰检测,当检测到干扰发生时,使用Vibe算法对时空上下文算法的预估计结果进行校准,并更新目标模型。该方法的优势在于,采用无参数模型的Vibe算法校准手势跟踪全过程。实验采用重叠度成功率和中心偏差作为评价体系,实验结果表明,改进算法比原算法跟踪成功率提高60%。该方法增强了运动手势跟踪效果,提高了时空上下文算法的鲁棒性。     

基于TLD框架的上下文目标跟踪算法

提出了一种基于TLD (Tracking-Learning-Detection)框架的上下文目标跟踪算法.在TLD框架中,融入时空上下文跟踪算法,提高跟踪器的鲁棒性和稳定性.引入Kalman滤波来处理目标被严重遮挡时跟踪失效的问题.此外,采用由粗到精的搜索策略进行目标检测,利用帧差法确定运动目标疑似区域,提高检测效率.实验结果表明所提出的算法具有较好的鲁棒性和实时性.     

基于瞳孔定位的单目测距系统

针对人和机器人在协同工作的过程中,机器人需要对伙伴进行准确的目标定位这个问题,设计了一个以ARM Cotex－A9 i． MX6Q为微处理器处理模块,USB摄像头为采集模块的嵌入式视觉测距系统,实现了单目视觉测距定位。该系统设计大体分为人眼瞳孔定位和单目测距2部分。人眼瞳孔定位通过USB摄像头采集人脸图像,系统对人脸图像进行处理,获取人脸图像中瞳孔的精确位置,获取人脸图像中瞳孔的位置采用Adboost人脸检测算法和灰度投影人眼定位算法;测距采用小孔成像三角形相似原理,根据实际人眼瞳距和图像中人眼瞳距信息计算出目标人物到摄像机镜头间的距离,其中摄像机的内参数标定借助于Matlab工具箱来完成。实验结果表明,该测距定位系统测距精度较高,系统鲁棒性好,具有良好的应用前景。     

一种基于积分投影的人眼定位算法

提出一种基于积分投影的人眼定位算法.该算法首先根据脸部肤色分割出人脸区域,然后再用积分投影函数定位人眼.实验表明,该算法能比较准确地识别出入眼区域并进行定位,且计算量小、处理速度较快、鲁棒性较好,该算法在实践中具有极大的可行性和较高的准确性.     

应用于人脸自动实时跟踪的改进Struck算法

传统的Struck算法在人脸跟踪系统中,需要手动实现初始化且易受环境影响。文中提出一种基于AdaBoost目标自动检测和改进的Struck人脸自动跟踪算法。从图像中提取人脸的Haar特征,采用AdaBoost算法实现人脸的检测,并自动初始化跟踪器,再依据检测得到的相邻帧目标的相似度判定跟踪目标的有效性,采用Struck算法实现人脸的连续跟踪。实验结果表明,改进的算法有效解决了部分遮挡、尺度变化、光照变化等人脸跟踪难题,且具有较高的鲁棒性与准确性。     

Face detection in video based on AdaBoost algorithm and skin model

A real-time method is proposed to detect faces in videos. First it uses frame difference method to extract the motion area. Next the clustering character of skin is used to get the general face area. AdaBoost algorithm is applied to make concrete detection of human face. Finally an improved CamShift algorithm method is used to keep the tracking and improving algorithm speed. The experiments demonstrate the robustness and high speed of the proposed algorithm.     

Design and implementation of a real-time eye tracking system

Driver fatigue severely affects driver's alertness and ability to drive safely. There are vital problems related to drivers fatigue on driving of trains, vehicles and airplanes. Therefore, the driver fatigue research is important. In this paper, we first study the impact of eye locations on face recognition accuracy, with Haar-like feature and AdaBoost classifier, face and eye area can be detected quickly and accurately. In the part of eye tracking, cam-shift based mean-shift algorithm is used to track the eyes. This method could automatically adjust the size of tracking window according to the different posture of driver. The performance of our eye detection method is validated by using image database with more than 6000 pictures. In addition, our real-time eye tracking system has been tested on railway line segment (China). There are 5 train drivers involved in the experiment. The validation shows that our eye detector has an overall 93% eye detection rate.     

基于Android平台的实时人脸检测与跟踪

针对Android智能手机自带人脸检测功能效率低、错误率高的问题,提出了一种将OpenCV移植到Android平台的方法,在运行Android系统的嵌入式平台中使用改进的AdaBoost算法,并结合OpenCV库来实现实时人脸检测与跟踪。实验取得了高达9505%的人脸检测准确率和5013 ms的平均检测速率,在保证检测速度的同时比Android自带的人脸检测更具高效性和实用性。     

视频图像中人脸自动检测与统计算法

针对视频中人脸检测由于成像角度、天气状况、遮挡等因素造成检测准确率偏低以及深度学习模型计算复杂度高的问题,文中提出了一种基于椭圆肤色模型与AdaBoost的人脸检测算法。算法通过选取Haar-like特征作为弱分类器,以裁剪过的CAS_PEAL数据集中的人脸图像作为训练集,利用AdaBoost算法将多个弱分类器组合成一个强分类器,最后将若干强分类器以级联的结构组成最终的分类器模型。为解决将非人脸区域检测为人脸的问题,引入椭圆肤色模型,利用椭圆肤色模型对视频帧进行处理使得图像中与肤色相似的区域进入后续的人脸检测过程以降低误检率。实验结果表明,算法能以平均26 ms(单人脸视频)和平均34 ms(多人脸视频)的检测速度进行实时的人脸检测,且达到了87.2%的检测准确率,具有较大的应用推广价值。     

一种基于AdaBoost人脸检测算法在Android平台的实现

针对Android系统自带的人脸检测算法不能精确地检测人脸,尤其是带眼镜后,根本无法检测到人脸.本文研究了一种基于Android系统下的AdaBoost人脸检测算法.首先介绍了Android平台下的人脸检测体系结构,然后对AdaBoost人脸检测模块,包括特征值与特征值的计算、AdaBoost分类器、开发环境搭建分别进行了说明.最后通过样本创建,以及训练好的分类器进行人脸检测.实验结果表明：由于充分利用AdaBoost人脸检测方法实时性比较强、检测率高,该方法完全满足Android平台下人脸检测的需要.     

基于强跟踪五阶容积卡尔曼滤波的眼睛跟踪算法

非侵入式眼睛跟踪在许多基于视觉的人机交互应用中扮演十分重要的角色,但由于眼睛运动的强非线性,如何确保眼睛跟踪过程中对外界干扰的鲁棒性以及跟踪精确度是其应用的关键问题。为提高眼睛跟踪的鲁棒性和精确度,提出强跟踪五阶容积卡尔曼滤波算法(ST-5thCKF),将强跟踪滤波(STF)次优渐消因子引入具有接近最少容积采样点且保持五阶滤波精确度的五阶容积卡尔曼滤波(5thCKF),获取5thCKF对强非线性良好滤波精确度同时具备STF对外界干扰的鲁棒性。真实条件下的实验结果验证了所提算法在眼睛跟踪中的有效性。