基于局部敏感直方图的压缩跟踪

压缩跟踪在光照发生剧烈变化和目标姿势变化较大时容易出现漂移甚至跟丢现象。针对此缺陷,提出基于局部敏感直方图的压缩跟踪。通过计算局部敏感直方图,提取光照不变特征,联合压缩跟踪中使用的特征得到更优的特征。对不同视频序列的跟踪结果表明,与压缩跟踪和多示例学习跟踪算法相比,提出的算法在目标姿势发生较大变化和光照变化剧烈的情况下能够实现稳定的跟踪,并且满足实时性要求。     

基于局部直方图的多区域目标跟踪算法

为克服光照变化和目标遮挡对运动目标跟踪的影响,提出了一种基于改进的局部敏感直方图的多区域目标跟踪算法。改进了局部敏感直方图并设计了快速算法;将改进的局部敏感直方图作为多区域跟踪算法中的目标建模方式,提高目标建模的准确性且降低提取目标特征的计算复杂度;针对多区域跟踪算法中融合各个区域块的特征相似值的需要,采用基于统计排序和最小二乘估计的参数估计方法计算整个目标块与模板的相似度。实验结果表明该算法能有效应对目标跟踪过程中光照变化、目标形变与遮挡的干扰,实现实时鲁棒的目标跟踪。     

一种基于加权时空上下文的鲁棒视觉跟踪算法

由于光照及外观变化、复杂背景、目标旋转与遮挡等因素的影响, 给实现鲁棒的视觉跟踪带来困难. 有效利用上下文(Context)中包含的有用信息有助于提升上述条件下视觉跟踪的鲁棒性. 时空上下文 (Spatio-temporal context, STC)算法是新近提出的一种基于时空上下文的目标跟踪算法, 它利用目标周围的稠密上下文信息, 取得了良好的跟踪效果. STC的不足是其同等对待整个上下文区域, 没有对上下文做进一步的区分, 减弱了上下文的作用. 本文采用动态分区处理思想, 根据上下文中不同区域与跟踪目标运动相似度大小, 赋予不同权值, 提出了基于加权时空上下文(Weighted spatio-temporal context, WSTC)的鲁棒视觉跟踪算法. 最后在公共数据集上进行的对比实验表明, 本文所提出的算法具有更好的跟踪效果和鲁棒性.     

基于Retinex灰度增强和颜色信息的时空上下文跟踪算法EI北大核心CSCD

针对光照变化下图像局部或整体灰度剧烈变化而容易导致目标跟踪失败的问题,提出一种结合颜色信息和Retinex灰度增强的改进时空上下文算法.首先比较单尺度Retinex算法和多尺度Retinex算法,确定使用多尺度Retinex算法对图像进行灰度增强以减弱光照变化对图像灰度的影响;然后比较各种视觉模型的颜色特征,确定引入基于色相信息的目标模型,并将该模型与多尺度Retinex灰度增强模型相结合作为跟踪的目标模型.实验结果表明,文中算法比原算法在跟踪成功率上有较大提升,在Shaking场景下跟踪成功率为95%,比传统的时空上下文跟踪算法的跟踪成功率提高约24%;相比其他主流算法,该算法在平均跟踪成功率和跟踪精度上的表现也更高、更可靠.     

基于时空上下文的手势跟踪与识别

针对复杂背景下手势运动过程中出现的手势形态变化、遮挡、光照变化等问题,提出了一种基于时空上下文的手势跟踪与识别方法。使用机器学习方法离线训练手势样本分类器,实现对手势的检测和定位;利用时空上下文跟踪算法对动态手势进行跟踪,同时为了避免跟踪过程中出现的漂移、目标丢失等情况,使用手势检测算法对手势位置信息进行实时校准;根据手势运动轨迹对手势运动进行跟踪与识别。实验表明,提出的方法可以实现对手势运动快速、准确、连续识别,满足人机交互的要求。     

加权的超像素级时空上下文目标跟踪

目标跟踪是计算机视觉中的热点问题,而目标运动的复杂背景、光照变换和尺度变化等因素大大的影响着目标跟踪的准确性。总结当前比较热门的几种跟踪算法的优缺点,针对时空上下文算法的不足提出了改进方法：加权的超像素级时空上下文目标跟踪算法（weighted super pixel level spatio-temporal context,WSSTC）。该算法利用像素的特征信息对目标上下文区域进行聚类,形成超像素级区域,并通过时间上下文中超像素块特征的相似性,对空间上下文进行加权处理,建立了超像素级的目标外观模型。实验结果表明,加权的超像素级时空上下文目标跟踪算法在目标跟踪中具有更好的准确性和鲁棒性。     

基于均值漂移算法和时空上下文算法的目标跟踪

在严重遮挡时,时空上下文STC(Spatio-Temporal Context)算法对目标位置的判断是正确的,而均值漂移MS(Mean Shift)算法对目标位置的判断会发生很大幅度的抖动,甚至跟踪错误目标。在遮挡结束后,时空上下文算法很难重新跟踪到正确目标,而均值漂移算法可以重新检测到跟踪目标。结合二者的优缺点,提出基于均值漂移算法和时空上下文算法的目标跟踪算法MSandSTC。该算法主要解决目标被严重遮挡的问题。在许多具有挑战性的数据集上的实验表明所提算法具有较好的实时性和鲁棒性。     

基于时空上下文信息增强的目标跟踪算法

充分利用视频中的时空上下文信息能明显提高目标跟踪性能,但目前大多数基于深度学习的目标跟踪算法仅利用当前帧的特征信息来定位目标,没有利用同一目标在视频前后帧的时空上下文特征信息,导致跟踪目标易受到邻近相似目标的干扰,从而在跟踪定位时会引入一个潜在的累计误差。为了保留时空上下文信息,在SiamMask算法的基础上引入一个短期记忆存储池来存储历史帧特征;同时,提出了外观显著性增强模块（ASBM）,一方面增强跟踪目标的显著性特征,另一方面抑制周围相似目标对目标的干扰。基于此,提出一种基于时空上下文信息增强的目标跟踪算法。在VOT2016、VOT2018、DAVIS-2016和DAVIS-2017等四个数据集上进行实验与分析,结果表明所提出的算法相较于SiamMask算法在VOT2016上的准确率和平均重叠率（EAO）分别提升了4个百分点和2个百分点;在VOT2018上的准确率、鲁棒性和EAO分别提升了3.7个百分点、2.8个百分点和1个百分点;在DAVIS-2016上的区域相似度、轮廓精度指标中的下降率均分别降低了0.2个百分点;在DAVIS-2017上的区域相似度、轮廓精度指标中的下降率分别降低了1.3和0.9个百分点。     

时空上下文抗遮挡视觉跟踪

目的 传统的视觉跟踪方法只考虑了目标本身的特征信息提取,忽略了目标周围稠密的上下文信息。一旦目标本身特征信息提取存在困难,很容易导致跟踪失败。为解决上述问题,提出一种时空上下文抗遮挡视觉跟踪算法（STC-PF）。方法 首先,利用目标与局部区域的时空关系学习时空上下文模型;然后,通过上下文先验模型和学习到的时空上下文模型计算置信图;最后,对时空上下文区域进行分块遮挡判别,若遮挡概率小于设定阈值,计算置信图所得最大概率位置即为目标位置;若遮挡概率大于设定阈值,则目标发生遮挡,通过子块匹配和粒子滤波估计目标位置以及运动轨迹,实现不同程度的抗遮挡跟踪。结果 对测试数据集中的图像序列进行实验,结果表明,STC-PF方法的跟踪成功率提高至80%以上;中心误差小于原算法;同时STC-PF算法在提高抗遮挡能力的前提下,运行速度与原算法相当,高于当前流行算法。结论 STC-PF算法能够适用于光照变化、目标旋转、遮挡等复杂情况下的视觉目标跟踪,具有一定的实时性和高效性,尤其是在目标发生遮挡情况下具有很好的抗遮挡能力和较快的运行速度。     

基于位置敏感哈希的网络视频重复检测

针对当前网络上存在着大量的重复或近似重复的视频问题,提出了一种基于镜头层比较和位置敏感哈希的快速准确的网络视频重复检测方法。通过视频间匹配的镜头数占查询视频总镜头数的比例来判断视频的相似性。除此之外,还利用著名的近似最近邻查找技术——LSH在镜头层来快速查找相似镜头,从而提高检测速度。通过将镜头作为检索单元,把数据库中所有视频的镜头放到一起构建一个新的数据集,将种子(查询)视频的每一个镜头作为一个查询请求,应用基于LSH的近似近邻检索方法,检索出与查询镜头相匹配的所有镜头,最后融合这些返回的结果,得到查询视频的重复或者近似重复的视频集。通过在包含12 790个视频的CC_WEB_VIDEO数据集上的实验结果表明,该方法取得了相比已有方法更好的检测性能。     

基于形状上下文和粒子滤波的多目标跟踪

目标跟踪是计算机视觉领域里研究的热点和难点。提出一种基于形状上下文和粒子滤波的多目标跟踪算法,通过在跟踪过程中融入目标检测信息来处理目标进入与离开场景问题和目标重叠与分离问题。首先,采用自适应增强检测算法对视频区域中的目标进行检测;然后,利用形状上下文特征来建立被跟踪目标的外观模型;最后,利用粒子滤波方法进行粒子的选择和目标的跟踪。实验证明,提出的算法能够有效处理目标进入与离开场景的问题和目标重合与分离的问题,在单一背景和复杂背景下都能进行较为准确的跟踪,还能一定程度上处理部分遮挡问题。     

融合LSH和LoG特征的人脸识别

为了解决人脸识别率受光照变化影响较大的问题,提出一种局部敏感直方图（LSH）和高斯-拉普拉斯（LoG）特征相结合的人脸识别方法。首先,提取人脸图像中的LSH光照不变特征以及LoG边缘细节特征,然后通过计算各特征的标准差确定自适应融合权重,将其进行特征级融合来弥补单一使用LSH特征带来的细节损失,并以此构建更为有效的人脸特征样本集,最后使用稀疏表示算法对样本进行分类识别。在PIE和AR人脸库上的实验表明,所提方法能很好地处理光照问题,而且在训练样本较少的情况下,依然能获得较高的识别率。     

时空运动显著性的目标跟踪

目的 在目标跟踪过程中,运动信息可以预测目标位置,忽视目标的运动信息或者对其运动方式的建模与实际差异较大,均可能导致跟踪失败。针对此问题,考虑到视觉显著性具有将注意快速指向感兴趣目标的特点,将其引入目标跟踪中,提出一种基于时空运动显著性的目标跟踪算法。方法 首先,依据大脑视皮层对运动信息的层次处理机制,建立一种自底向上的时空运动显著性计算模型,即通过3D时空滤波器完成对运动信号的底层编码、最大化汇集算子完成运动特征的局部编码;利用视频前后帧之间的时间关联性,通过时空运动特征的差分完成运动信息的显著性度量,形成时空运动显著图。其次,在粒子滤波基本框架之下,将时空运动显著图与颜色直方图相结合,来衡量不同预测状态与观测状态之间的相关性,从而确定目标的状态,实现目标跟踪。结果 与其他跟踪方法相比,本文方法能够提高目标跟踪的中心位置误差、精度和成功率等指标;在光照变化、背景杂乱、运动模糊、部分遮挡及形变等干扰因素下,仍能够稳定地跟踪目标。此外,将时空运动显著性融入其他跟踪方法,能够改善跟踪效果,进一步验证了运动显著性对于运动目标跟踪的有效性。结论 时空运动显著性可以有效度量目标的运动信息,增强运动显著的目标区域,抑制干扰区域,从而提升跟踪性能。     

基于WiFi的远程目标跟踪系统设计

提出了远程目标跟踪系统的概念并实现一种远程目标跟踪系统.系统主要分为移动机器人端和远程服务器端,主要功能是移动机器人通过USB摄像头采集到实时现场视频,将实时采集到的现场视频从YUV格式硬编码为H.264格式,再通过WiFi传出给远程服务器,服务器将接收到的视频流解码并对指定目标进行跟踪算法处理后控制移动机器人追踪目标.实验结果表明:该系统可以有效实现远程的目标跟踪,验证了该设计的可行性.