基于ViBe和粒子滤波的多目标汽车跟踪

针对汽车多目标跟踪,提出了基于自适应阈值ViBe算法和粒子滤波的汽车多目标跟踪方法。通过ViBe算法提取运动车辆前景区域,对每个运动车辆目标创建独立的粒子滤波器,使用Harris算法计算角点数,以初始化粒子数,通过粒子滤波对车辆进行跟踪。该方法经实验验证,鲁棒性较好。     

一种基于改进粒子滤波的多目标跟踪算法

针对复杂背景环境下的多目标跟踪问题,论述了主要的数据关联技术,将目标检测算法与粒子滤波相结合,利用颜色直方图作为观测模型,并利用全领域(GNN)算法进行数据关联.提出一种改进的基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪.该算法对于目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等均有较好的处理效果.     

基于多特征融合的粒子滤波多目标跟踪算法研究

目前,应用于多目标跟踪的BPF算法仍不能很好解决跟踪过程中出现的相似干扰、目标交叉、短时部分遮挡等问题,且在跟踪过程中,粒子集的分配也对整个跟踪存在不良影响。对此,提出一种基于HOG+Adaboost检测和混合粒子滤波(MPF)相结合,并在跟踪过程中为每个新目标相互独立地分配新的粒子集,采用分块—积分直方图和LBP特征相融合作为目标的观测模型的算法。实验结果证明,该算法在实现多目标跟踪的基础上,很好地解决了上述问题,提高了多目标跟踪的鲁棒性。     

复杂背景下感兴趣运动目标的跟踪算法

针对由于复杂背景的干扰而导致不能准确跟踪感兴趣运动目标的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法。首先在HSV颜色空间中得到感兴趣运动目标的加权颜色分布模型,然后利用不变矩特征来消除背景中相似颜色物体和光照变化的干扰,两种特征通过自适应调整权重来更新粒子权值而融合于粒子滤波算法中,从而能够准确和稳定地跟踪运动目标。实验证明,该算法在运动目标平移、姿态变化、遮挡、光照变化及相似颜色干扰等复杂背景下都能够准确地进行跟踪,对背景干扰具有很强的鲁棒性。     

卷积特征多伯努利视频多目标跟踪算法*

基于随机有限集理论的多伯努利滤波方法能够有效处理多目标跟踪中数目未知且时变的问题,但难以适应复杂环境下视频多目标跟踪中目标之间或背景等干扰问题,尤其是目标相互紧邻和被遮挡时,会导致跟踪精度下降,甚至目标漏跟。针对该问题,在多伯努利滤波框架下,深度分析目标的特征信息,引入抗干扰的卷积特征,提出基于卷积特征的多伯努利视频多目标跟踪算法,并在目标状态提取过程中,进一步提出模板更新,使用自适应学习速率进行更新,适应目标的变化,以解决目标紧邻相互干扰的问题。最后,引入粒子标记技术,实现对视频多目标的航迹跟踪。实验结果表明,提出算法能够有效区分复杂环境下的紧邻多目标,且具有较好的跟踪精度。     

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。     

基于纹理和颜色特征的目标跟踪检测算法研究与实现

对运动目标进行跟踪,常采用粒子滤波跟踪算法。本文为了减少相似背景像素点及光照变化对机动目标跟踪的干扰,采用了基于目标纹理特征和颜色特征融合的自适应粒子滤波算法,通过采用了不同的状态转移模型和观测模型,该模型优点在于能够根据不同的实验环境给出相应的实验方案。试验证明,该算法在跟踪的性能和鲁棒性方面的改进。     

一种改进的视频图像检测跟踪算法

针对运动目标在运动过程中的交叉、遮挡等情况,采用自适应阈值的Vibe算法来压缩背景杂波和相关噪声,进而对运动目标进行检测.采用基于Camshift优化的粒子滤波算法对运动目标进行跟踪,该算法在粒子滤波算法的基础上结合Camshift算法的优点,加入当前观测信息,使粒子更好地采样于目标周围,提高了粒子效率,节省了算法时间.实验表明,自适应阈值的Vibe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,而基于Camshift优化的粒子滤波算法能够在目标快速运动、遮挡情况下对目标进行准确跟踪.     

基于全局最小化活动轮廓的多目标检测跟踪

为了在噪声干扰以及目标和背景颜色相近情况下实现多目标跟踪,提出一种基于快速全局最小化的活动轮廓模型的目标检测跟踪算法。该算法结合了基于边缘的活动轮廓模型和基于区域的活动轮廓模型,对能量泛函进行全局最小化来检测目标活动轮廓,用卡尔曼滤波预测目标下一帧的特征信息,然后用改进的最近邻法进行多目标跟踪。对图像序列的实验结果表明该算法能有效地对运动背景下多目标进行跟踪。     

基于自适应粒子滤波器的物体跟踪

利用分类概念及粒子滤波理论,提出了一种基于自适应粒子滤波器的物体跟踪算法。将Boosting算法引入粒子滤波器,构建了自适应粒子滤波器,该方法首先利用背景信息和目标信息建立特征分类器,将分类器的输出结果作为粒子滤波系统观测的重要信息,进行粒子权值的计算,并在跟踪过程中不断更新特征分类器,从而自适应地更新粒子的权值。实验结果表明,该算法可以根据背景信息的不同自适应地选择特征,对于存在遮挡、形变及背景干扰等情况,依然可以很好地对目标进行稳定跟踪。     

基于粒子滤波的双模图像融合自适应跟踪

针对视频跟踪中仅利用目标的单特征容易导致跟踪失败的问题,提出一种基于粒子滤波的可见光与红外序列图像相融合的自适应目标跟踪算法;该算法在粒子滤波跟踪算法框架下,根据单一信源运动目标序列图像的品质因子,利用自适应加权融合策略重构双模序列图像的特征选择机制,建立了基于自适应融合算法的系统观测概率模型和状态空间层次采样多特征融合跟踪算法,实现了对双模序列图像的融合以及对运动目标的稳健跟踪;跟踪试验结果表明,该算法可以有效实现对运动目标的稳健、准确跟踪。     

融入时空显著性的高精度视频稳像算法

为剔除复杂运动前景对视频稳像精度的干扰,同时结合时空显著性在运动目标检测上的独特优势,提出一种融入时空显著性的高精度视频稳像算法。该算法一方面通过时空显著性检测技术识别出运动目标并对其进行剔除;另一方面,采用多网格的运动路径进行运动补偿。具体包括：SURF特征点提取和匹配、时空显著性目标检测、网格划分与运动矢量计算、运动轨迹生成、多路径平滑、运动补偿等环节。实验结果表明,相较于传统的稳像算法,所提算法在稳定度（Stability）指标方面表现突出。对于有大范围运动前景干扰的视频,所提算法比RTVSM（Robust Traffic Video Stabilization Method assisted by foreground feature trajectories）的Stability指标提高了约9.6%;对于有多运动前景干扰的视频,所提算法比Bundled-paths算法的Stability指标提高了约5.8%,充分说明了所提算法对于复杂场景的稳像优势。     

基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。     

基于混合粒子滤波的运动火焰跟踪算法

提出一种基于混合粒子滤波的运动火焰跟踪算法。针对通用粒子滤波算法计算量大的问题,提出了混合粒子滤波,将Mean Shift算法嵌入到粒子滤波中,并用自适应运动模型和目标模型自动更新的策略改善算法性能。基于混合粒子滤波提出了火焰识别和火焰跟踪相结合的运动火焰自动跟踪算法,先火焰识别,再火焰跟踪,且跟踪时,如果估计目标与模型的相似度小于阈值则切换到火焰识别阶段。识别与跟踪的相互切换保证了跟踪结果的正确性。实验结果表明混合粒子滤波具有很好的跟踪效果,与粒子滤波和Mean Shift算法相比,提高了跟踪精度;基于混合粒子滤波的火焰跟踪算法能够跟踪复杂环境下的运动火焰,提供火焰的精确位置。     

混合高斯模型的自适应前景提取

复杂场景下的运动前景提取是计算机视觉研究领域的研究重点。为解决复杂场景中的前景目标提取问题,本文提出一种应用于复杂变化场景中的基于混合高斯模型的自适应前景提取方法。本方法可以对视频帧中每个像素的高斯分布数进行动态控制,并且通过在线EM算法对高斯分布的各参数进行学习,此外每个像素的权值更新速率可根据策略进行调整。实验结果表明本方法对复杂变化场景具有较好的适应性,可有效、快速地提取前景目标,提取结果具有较好的查准率和查全率。     

监控场景中的运动物体提取技术研究

针对监控场景中因存在遮挡而无法有效地提取出完整的运动序列这一问题,提出了一种将ViBe前景检测算法和改进后的粒子滤波跟踪算法相结合的跟踪提取方法。首先用ViBe来提取出场景中所有运动物体的前景轮廓;其次用粒子滤波来检测和跟踪目标物体;最后通过与目标物体的关联轮廓求交运算以及跟踪区域的反馈调节完成对目标物体运动帧序列的提取。当运动物体发生遮挡时,采用将跟踪区域内所检测到的前景轮廓重新加入到目标物体的关联轮廓中以保证后续可以继续用关联轮廓交集来提取。实验结果表明,该方法能够很好地保证提取的质量,并有效地解决了局部遮挡与全局遮挡情况下运动物体完整运动序列的提取。     

基于自适应水平集方法的运动目标跟踪

在对复杂背景条件下的非刚体目标进行跟踪时,水平集方法是一种非常有效的方法。针对水平集的初始化问题,提出了一种自适应初始化的水平集方法。首先采用粒子滤波对目标进行跟踪,得到运动目标的粗外接矩形轮廓;然后以外接矩形轮廓的质心为基础进行水平集曲线演化,求取目标的精确轮廓信息,并将轮廓的提取结果反馈到跟踪框架中;最后,动态更新参考模板,以改进似然函数。实验结果表明,本方法能够适应非刚体目标在运动中的自由变化,使得跟踪更加精确。     

粒子滤波的视频目标跟踪算法研究

目标跟踪是计算机视觉和图像处理的一个重点课题,在视频监控、机器人视觉导航以及智能交通控制中具有广泛的应用前景.通过粒子滤波技术,研究了如何整合颜色特征、前景信息和积分图运算等技术实现视频目标跟踪的粒子滤波算法.在对目标进行分割中采用了混合高斯背景建模方法;同时结合积分直方图的计算方法对颜色特征进行分段统计及相互遮挡的判断,实现基于粒子滤波的目标跟踪算法的优化,解决跟踪中诸如遮挡、光照变化、背景干扰、尺寸变化等难以解决的问题.实验结果表明提出的方法达到了预期目标.