基于偏最小二乘分析的双模粒子滤波目标跟踪

针对在复杂背景下,基于主成分分析(PCA)的目标跟踪方法准确率较低的问题,使用偏最小二乘分析,提出一种双模粒子滤波的跟踪算法.首先采用偏最小二乘分析对目标区域建模,作为观测模型;然后利用仿射变换描述目标的形变过程,分别在李群及其切向量空间上建立双模的动态模型;最后结合特征空间更新策略,使用粒子滤波实现目标跟踪.实验表明,所提出的算法能够有效滤除背景噪声,跟踪结果稳定且准确.     

基于双边滤波的协方差目标跟踪算法

现有的使用协方差建模的目标跟踪方法在目标形变或是光照变化较大的情况下,达不到理想的跟踪效果。在分析目前协方差建模目标跟踪方法缺点的基础上,提出一种融合双边滤波的协方差目标跟踪算法。首先,将待跟踪图像进行双边滤波,提取滤波后的图像特征构建协方差特征矩阵作为跟踪模板。其次,由于协方差矩阵为对称正定流形,服从对数-欧几里德黎曼度量。在此度量下,构建了目标协方差矩阵相似性度量和模板更新策略。各种条件下的实验结果表明,新构建的基于双边滤波的协方差特征矩阵对目标形变和光照变化有更好的适应性。     

动态异构特征融合的水下图像增强算法

针对水下图像细节模糊和色彩失真严重的问题,提出一种基于编码解码结构的动态异构特征融合水下图像增强网络.首先,设计异构特征融合模块,将不同级别与不同层次的特征进行融合,提升网络对细节信息和语义信息的整体感知能力;然后,设计新型特征注意力机制,改进传统通道注意力机制,并将改进后的通道注意力与像素注意力机制加入异构特征融合过程,加强网络提取不同浑浊度像素特征的能力;接着,设计动态特征增强模块,自适应扩展感受野以提升网络对图像畸变景物的适应力和模型转换能力,加强网络对感兴趣区域的学习;最后,设计色彩损失函数,并联合最小化绝对误差损失与结构相似性损失,在保持图像纹理的基础上纠正色偏.实验结果表明,所提出算法可有效提升网络的特征提取能力,降低水下图像的雾度效应,提升图像的清晰度和色彩饱和度.     

基于深度学习的客流量统计方法

针对目标快速移动和遮挡情况导致的客流统计存在误差的问题,设计目标的检测、跟踪、进门行为判断等策略,提出基于深度学习的餐饮业客流统计方法.首先,通过多数据集对YOLOv3-tiny模型进行训练,实现对于小目标的准确检测;进而设计多通道特征融合的目标跟踪算法,完成目标快速移动情况下的稳定跟踪;最后设计目标进门行为的判断方法,通过重叠率对目标的进门行为进行判断,实现对进门客流量的准确统计.最终通过实验验证,客流量统计的平均准确率达到93.5%.     

具有融合罚约束的低秩结构化稀疏表示目标跟踪算法

现有的低秩稀疏表示目标跟踪算法在目标突然运动和严重遮挡等情况下,经常出现跟踪漂移现象.为此,提出一种具有融合罚约束的低秩结构化稀疏表示目标跟踪算法.首先,利用混合${L_{1,2     

基于Grassmann流形和投影群的目标跟踪

针对现有的基于线性空间的目标跟踪方法对于跟踪经历大幅度非平面位姿变化的目标容易发生跟踪偏移的问题,利用李群空间的非线性特性,提出了基于Grassmann流形和投影变换群(SL(3)群)的双模视频目标跟踪算法。运用Grassmann流形状态空间的内蕴几何特性,建立目标表观模型,采用SL(3)群建立目标的几何形变模型,将目标的状态变化看作是流形上的点沿着测地线移动,设计双模粒子滤波算法完成目标跟踪。基于流形上的测地线距离度量提出目标特征空间更新策略,确保特征空间的准确性。实验结果表明,该算法对目标在经历大幅度非平面的几何形变、光照变化及部分遮挡情况下,都能够实现稳定的跟踪。     

基于Grassmann流形的谱聚类分析算法

在标准谱聚类分析算法中,基于欧氏空间的度量不能完全反映数据集合复杂的空间分布特性,导致聚类结果不够准确。而使用流形空间能够更准确的描述数据之间的几何结构关系。在基于规范化拉普拉斯矩阵的谱聚类算法基础上,研究Grassmann流形的光滑曲面的空间表达方式,应用适合度量数据点之间距离的特性,提出基于Grassmann距离度量的改进的谱聚类分析算法,在流形空间上分析待聚类数据点之间的相似性。实验结果表明,该算法不仅能够对分布在相同或不同子空间上的数据进行有效聚类,而且能够对具有复杂几何结构的数据集合进行分析,在流形空间上进行有效聚类。     

基于深度谱卷积神经网络的高效视觉目标跟踪算法

提出了一种基于深度频谱卷积神经网络的视觉目标跟踪算法。该算法在深度模型训练阶段采用谱池化替代深度卷积神经网络中的最大池化过程,用贝叶斯分类器替代softmax损失层计算最大分类值,并将其整合到深度神经网络跟踪框架中,通过新网络计算输入正负样本的概率分布预测目标位置。该算法充分利用谱池化在频域下降维到任意维度且计算高效的优点,克服了最大池化采样造成大量空间信息丢失的不足,提升了计算速度。在权威多场景视频标准测试库上对所提算法进行验证,结果验证了该算法兼顾了效率和跟踪精度,有效提高跟踪器的性能,在相同测试条件下,文中算法性能优于同类对比算法。     

动态视角下自主目标识别与跟踪

针对动态视角下由于相机高频率晃动导致的常用目标识别及跟踪算法准确率较低的问题,提出了一种基于Canny和GrabCut的自适应窗口式目标跟踪算法。首先使用加速稳健特征（SURF）算法学习图片库并记忆图片特征,设计基于SURF算法的记忆库目标识别算法;然后,对上述目标区域采用GrabCut的自适应优化算法进行感兴趣区域分割,实现目标粗略跟踪;最后,设计基于Canny算法的窗口式算法进行目标精确追踪。实验结果表明,所设计的算法能快速地识别目标、精确地勾勒出其轮廓并且稳定跟踪目标,相比其他算法,算法在实时性和精确性方面有显著提高。     

基于双相关滤波器的多通道尺度自适应目标跟踪

针对目标跟踪中尺度变化和表观剧烈变化导致的目标跟踪不稳定问题,设计了多通道特征融合的尺度估计策略,提出了基于双相关滤波器的多通道尺度自适应目标跟踪算法。考虑到CN特征对姿态及尺度不敏感,以及HOG特征对光照变化和目标移动都有着较好稳定性,将CN、HOG以及灰度特征进行了特征融合,提升了对于目标表观变化的跟踪鲁棒性。在保证误差风险最小的前提下使用岭回归进行滤波器求解,同时建立了尺度滤波器实现了目标的多尺度判断,使得目标发生尺度变化时能保持稳定的跟踪。使用TB-100数据集在多场景下对算法进行性能测试,证明该算法在目标表观变化、尺度变换、背景干扰等情况下有良好的跟踪效果。