基于多观测模型的粒子滤波头部跟踪算法

粒子滤波在非线性和非高斯问题上具有独特的优越性,但在视频跟踪过程中,其跟踪性能却在很大程度上依赖于观测模型的选择。为了解决被跟踪目标特征状态随时间变化而与粒子观测模型不匹配的问题,提出了一种新的粒子滤波算法,即将被跟踪目标的不同特征状态与粒子观测模型相结合,形成一组具有不同观测模型的粒子,并且在跟踪过程中,对应不同观测模型的粒子根据被跟踪目标所表现的特征线索的变化而相互转换,从而动态刻画了被跟踪目标特征变化的过程。实验结果表明,本算法能够有效处理由于头部旋转而导致跟踪性能下降甚至丢失跟踪目标的问题,提高了跟踪的准确性,并且具有较好的鲁棒性。     

在线修正的人脸姿态跟踪算法及交互应用

针对人脸在跟踪过程中可能存在大幅度的倾斜、旋转、遮挡以及肤色干扰等问题,提出一种基于在线修正的人脸跟踪算法.该算法当人脸检测失效时,人脸跟踪模块将用于提取目标参数;而在人脸跟踪过程中,为减小由连续跟踪造成的累积误差,利用人脸实时检测机制新检测到的人脸目标参数来修正跟踪模块的参数,包括跟踪窗口的位置和尺度,从而利用了人脸检测和人脸跟踪各自的优点.通过实验,其结果表明,该算法能够精确地跟踪复杂姿态下的人脸目标,并且能够解决肤色干扰和遮挡的问题,具有很好的适应性和鲁棒性.另外,将在线修正的跟踪方法应用于娱乐游戏控制,为人机交互提供了新的方式.     

多窗口目标跟踪算法

目标在复杂环境下运动,特征会受到光照、摄像机角度等因素影响,并且目标可能会被自身其他部分或者场景物体遮挡,为此,提出一种多窗口概念的视频目标跟踪算法,基本思想就是将目标用多个不同的窗口表示,每一个窗口对应一个跟踪器.这些窗口之间可以存在重叠,也可以包含被跟踪目标上下文信息,如在人脸跟踪中,有些跟踪窗口可以包含颈部信息、上衣颜色信息.然后利用这些窗口之间的位置关系以及在后继跟踪过程中的相似度来估计目标的真实位置.通过实验可以看出,提出的多窗口均值移动跟踪算法可以提高系统在遮挡、光照变化等复杂条件下的跟踪性能.     

基于网络环境通用题库系统若干问题研究

分析了网络环境下题库系统的入库试题的基本要求及参数设置分析、对象的链接及嵌入技术、试卷收发机制以及系统的安全控制机制等问题 ,探讨了基于网络环境通用题库系统若干问题的解决方法     

开放式网络不安全因素及对策

论述了计算机网络存在的不安全因素,计算机网络被攻击的方式,探讨厂构筑开放式网络安全体系结构的策略．     

基于直方图插值的均值移动小尺寸目标跟踪算法

小尺寸目标跟踪是视觉跟踪中的难题.该文首先指出了均值移动小尺寸目标跟踪算法中的两个主要问题:算法跟踪中断和丢失跟踪目标.然后,论文给出了相应的解决方法.对传统Parzen窗密度估计法加以改进,并用于对候选目标区域的直方图进行插值处理,较好地解决了算法跟踪中断问题.论文采用Kullback-Leibler距离作为目标模型和候选目标之间的新型相似性度量函数,并推导了其相应的权值和新位置计算公式,提高了算法的跟踪精度.多段视频序列的跟踪实验表明,该文提出的算法可以有效地跟踪小尺寸目标,能够成功跟踪只有6×12个像素的小目标,跟踪精度也有一定提高.     

基于先验知识模板更新的头部跟踪算法

针对被跟踪头部目标特征状态随时间变化而与参考模板不匹配的问题,本文提出一种利用先验知识来指导Mean Shift算法中参考模板更新的策略.该方法根据被跟踪目标不同状态下所呈现出颜色的统计特征信息,采用辅助模板对候选模板中的不同颜色特征进行指导性更新,从而形成一个具有目标先验知识的参考模板,解决了模板更新时机选择的难题.实验结果表明,该算法有效解决了因头部旋转而导致模板不匹配的问题,实现了头部的连续跟踪,取得了很好的跟踪效果,并且提高了跟踪算法的自适应能力.     

形状填充率的物体识别算法

针对经典形状上下文算法对物体关节相对位置变化敏感的缺点,提出一种基于剪影局部形状填充率的物体识别算法.该算法以物体不同的轮廓控制点为圆心,计算不同半径下物体剪影像素所占总像素的比例,即为控制点的局部形状填充率;将不同控制点、不同半径长度所计算的形状填充率数值构成一个特征矩阵,该矩阵反映了物体整个剪影的统计特性.通过不同数据库的实验结果表明,文中算法对物体的细节有很强的描述能力,对物体关节的相对位置不敏感,并且受剪影轮廓控制点数量影响小.     

广义均值移动跟踪算法

CAMSHIFT算法和Comaniciu/Meer算法是均值移动在视频目标跟踪中最为常用的两个基本算法.本文对Bradski和Comaniciu/Meer等人的工作加以推广,给出了广义均值移动跟踪算法.论文采用一个一般形式的相似性度量函数,并推导了其相应的像素权值计算和搜索窗口位置更新公式.新算法基于搜索窗内各像素权值的零阶矩来计算更新其搜索窗口尺寸.然后证明现有的两种基本算法都可以归纳到广义均值移动跟踪算法的统一框架中.对多段视频序列的跟踪实验分析比较了统一框架中3种均值移动算法的跟踪性能.