多通道Haar-like特征多示例学习目标跟踪

目的 提出一种基于多通道Haar-like特征的多示例学习目标跟踪算法,克服了多示例跟踪算法在处理彩色视频时利用信息少和弱特征不能更换的缺点。方法 首先,针对原始多示例学习跟踪算法对彩色视频帧采用单通道信息或将其简单转化为灰度图像进行跟踪会丢失部分特征信息的缺点,提出在RGB三通道上生成位置、大小和通道完全随机的Haar-like特征来更好地表示目标。其次,针对多示例学习跟踪算法中Haar-like弱特征不能更换,难以反映目标自身和外界条件变化的特点,提出在弱分类器选择过程中,用随机生成的新Haar-like特征实时替换部分判别力最弱的Haar-like特征,从而在目标模型中引入新的信息,以适应目标外观的动态变化。结果 对8个具有挑战性的彩色视频序列的实验结果表明,与原始多示例学习跟踪算法、加权多示例学习跟踪算法、基于分布场的跟踪算法相比,提出的方法不仅获得了最小的平均中心误差,而且平均跟踪准确率比上述3种算法分别高52.85%,34.75%和5.71%,在4种算法中获得最优性能。结论 通过将Haar-like特征从RGB三通道随机生成,并将判别力最弱的部分Haar-like弱特征实时更换,显著提升了原始多示例学习跟踪算法对彩色视频的跟踪效果,扩展了其应用前景。     

压缩感知跟踪中的特征选择与目标模型更新

目的 为了增强压缩感知跟踪算法在复杂场景下的性能,本文提出了一种特征选择与目标模型更新的改进跟踪方法。方法 提出的方法包含两方面的改进,一是根据特征的正负类条件概率分布的距离选择能有效区分目标与背景的特征;二是根据当前目标与原始目标的差异自适应更新目标外观模型,使得目标遇到较大遮挡或者姿态频繁改变时目标外观模型不会被错误更新。结果 实验表明,对于十个复杂环境下的经典视频序列,本文提出的基于压缩感知的改进跟踪算法在中心误差、成功率和精确度三个指标上均优于最近三个代表性的跟踪算法。结论 提出的新的特征选择和目标模型更新方法,既增强了压缩感知跟踪算法的鲁棒性,又加快了跟踪速度。     

面向复杂场景的局部分布场跟踪算法

为了增强基于分布场跟踪算法在复杂场景下的性能,提出了一种基于局部分布场的目标跟踪算法.首先将整体目标分布场模型随机分成多个局部分布场;然后基于前景分布场与背景分布场的L1范式距离越大,越能将前景从背景中区分出来的原则,选择若干个具有较好判别性能的局部分布场;最后基于所选择的局部分布场,利用梯度下降法搜索目标.实验结果表明,在复杂场景下,该算法比当前流行的分布场跟踪算法和多示例学习跟踪算法更加鲁棒.     

基于全局搜索的实时分布场目标跟踪方法

提出了一种基于分布场的全局匹配搜索的实时目标跟踪算法,克服了原始分布场的局部搜索和实时性差的局限.采用相关系数代替原始算法的L1范数度量目标分布场与候选区域分布场的距离,有利于运用傅里叶变换,将相关系数从计算复杂度高的时域转换到计算复杂度低的频域来实现,并且能一次算出目标分布场和检测区域所有候选分布场的相似度,从而保证算法的实时性和全局搜索能力,克服稀疏采样方法的随机性和局部结果最优性.实验结果表明,与最近代表性的跟踪算法相比,提出的方法在多个具有挑战性的视频序列中,在平均误差、跟踪速度和成功率上获得了最佳的性能.     

计算视觉核心问题:自然图像先验建模研究综述

视觉先验是计算机视觉的核心问题之一,是认知心理层面、系统神经层面与计算视觉层面研究的交合点,涉及各个层面研究的理解与综合。视觉先验功能模拟方面,以自然图像信息为对象,挖掘自然图像一般性规律并将其数学形式化为可计算的图像模型,为众多图像处理与计算机视觉智能应用提供算法和支撑。本文对自然图像先验建模研究各流派工作进行了全面的剖析,并展示了自然图像先验建模工作在视觉信息增强和编码等方向的前瞻性应用。