基于自适应特征融合的压缩感知跟踪算法

针对运动目标外观或背景变化较大时,采用基于压缩感知的跟踪算法由于特征单一易导致漂移、跟踪不稳定甚至丢失目标等问题,提出了改进的基于自适应特征融合的压缩感知跟踪算法。该算法采用两种随机测量矩阵,分别投影V、H空间得到压缩后的纹理和颜色特征,利用在线计算的特征可靠性相对程度来自适应调整特征加权系数,充分利用两类特征的互补性来增强跟踪稳定性。对不同视频的测试结果表明,提出的方法在目标外观、背景环境变化时仍能准确跟踪目标,在目标大小为70像素×100像素时平均帧率为22帧/s,达到实时性。与提取单一特征的原压缩感知算法相比,改进后的方法在目标外观和背景变化时具有更强的鲁棒性。     

基于压缩感知的互补特征加权目标跟踪算法

针对基于压缩感知的目标跟踪算法中存在特征单一,在目标纹理或光照变化较大时跟踪不稳定的问题,提出了基于压缩感知的互补特征加权目标跟踪算法。该算法通过两个随机测量矩阵提取出两类互补的纹理特征和灰度均值特征,计算这两类特征对样本的分类结果并更新特征的权值,使用所选取的大权值特征寻找目标在下一帧的位置。在分类器更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新。对不同视频的实验结果表明,提出的算法跟踪准确,且满足实时性的要求。与相关算法相比,新算法在目标纹理或光照变化很大的情况下具有更强的鲁棒性。     

基于压缩感知的长时间实时跟踪技术研究

针对基于压缩感知的跟踪算法在目标发生纹理或光照较大变化或短暂遮挡等复杂情况下,容易发生漂移甚至跟丢的情况,提出一种将长时间跟踪与检测相融合的改进算法。该算法通过引入级联的搜索策略,在目标跟偏或跟丢后,可以快速地重新定位目标的准确位置,有效地减少了漂移发生的次数,很大程度上提高了跟踪的准确性和稳定性。对不同视频序列的测试结果表明,所提出的算法能够在目标发生快速不规则运动以及目标部分或全部被遮挡甚至在完全离开摄像机视野后,依然能够再次准确地检测并实时跟踪目标物体。     

基于粒子滤波和压缩感知的目标跟踪算法

为了解决目标跟踪过程中出现的目标遮挡和光照变化问题,提出一种基于粒子滤波和压缩感知的目标跟踪算法。算法融合颜色特征和纹理特征来描述目标,增强算法在光照变化和复杂环境下的鲁棒性;利用压缩感知理论对特征进行降维,提高算法实时性;最后,根据粒子滤波原理估计目标状态,得到目标位置。实验结果表明,本算法在有效减少算法运行时间的前提下,能够准确跟踪遮挡和光照变化情况下的目标。     

适应目标尺度变化的改进压缩跟踪算法*

基于压缩感知理论对目标Haar-like特征进行降维处理的压缩跟踪算法采用固定大小的跟踪框跟踪目标,在目标尺度发生变化时,容易产生跟踪漂移甚至丢失跟踪目标的现象.为了克服这一缺陷,文中分析Haar-like特征随目标尺度变化的情况,发现在一定变化尺度范围内,跟踪矩形框内目标Haar-like特征值的变化与跟踪矩形框的面积变化呈近似线性关系,在此基础上提出适应目标尺度变化的改进压缩跟踪算法(CTVS).实验表明,CTVS具有较高的尺度自适应能力,能更好地减轻目标跟踪过程中可能出现的遮挡、光照变化、背景混杂、变形等干扰因素的影响,具有较高的鲁棒性和准确性.同时算法计算效率较高,能够达到实时跟踪的目的.     

基于压缩传感的多样本目标跟踪算法

针对实时目标跟踪会产生跟踪不稳定、易漂移、被遮挡就丢失的问题,提出改进的多样本跟踪算法。在压缩传感实时跟踪中,通过增加随机测量矩阵产生新的压缩感知特征,融合多个正负样本。结合boosting学习方法更新特征权值并改进置信图估计,解决目标漂移和丢失问题。实验结果表明,该方法在目标运动、纹理和环境显著变化以及被部分遮挡的情况下,跟踪的鲁棒性依旧很高,能达到稳定、实时的目标跟踪。     

基于SURF的压缩跟踪算法研究

目标跟踪技术作为机器视觉领域中的基础,有着广泛的应用,但其仍然存在许多问题。为了解决目标在光照变化和快速移动场景下跟踪漂移的问题,提出了基于SURF的压缩跟踪算法。首先选择跟踪目标并提取SURF特征,其次采用压缩感知理论对SURF高维特征降维,来减少特征描述的维数和计算时间,最后筛选压缩后的样本特征并训练分类器,来实现对多种复杂场景下目标实时准确跟踪。通过实验与传统的SURF算法和Compressive Tracking(CT)算法的对比,证明该算法不仅大大减少了目标在跟踪的过程中的计算量,其跟踪的实时性和准确性相较于CT算法和SURF算法都有所提高。     

无特定身份背景下的目标跟踪算法仿真

研究追踪对象特征不明显,无特定身份特征的目标准确跟踪问题.无特定身份背景会导致跟踪目标出现时无明显各种特征,需要为其选定特征的跟踪特征.传统的目标跟踪算法在这种环境下采集的跟踪目标灰度特征信息单一,并且缺乏描述目标的信息,直接导致目标跟踪的失败或者带来较大的误差.提出一种改进的无特定身份背景下的目标跟踪方法.对图像进行边缘梯度融合,计算目标图像区域中基于局部二值模式(LBP)的纹理特征模型,通过Mean shift算法来建立目标直方图并实现目标的跟踪.实验结果表明,改进的算法能有效地克服无特定身份背景下的光照变化、多目标干扰的影响,改进的算法取得了较好的目标跟踪精度.     

基于改进压缩感知的运动目标跟踪

针对运动目标在被遮挡和目标纹理变化大时会导致跟踪丢失以及跟踪误差大等问题,提出了一种改进的压缩感知（ CS）算法。算法采用设置Sigmoid函数响应阈值,判定是否存在遮挡,以决定是否更新分类器参数,使得目标在遇到较大遮挡时目标模型不会被错误更新;针对特征单一导致跟踪不稳定问题,提出根据设定融合规则进行灰度特征和纹理特征融合的方法,使得两种特征指导跟踪。实验证明：改进后的算法比传统算法跟踪成功率提高了17.84%,平均误差率降低11.59%。     

一种改进的压缩跟踪算法

针对压缩跟踪算法在跟踪目标过程中,目标快速运动和目标外观尺寸变化较大时引起的跟踪失败问题,提出了改进的压缩跟踪算法。首先,对正负样本的采集做了改进,除了采集正负样本集,还额外采集一个候选样本集,从而减少样本采集带来的误差。其次,借鉴MIL算法思想,利用弱分类器的组合构成强分类器,然后对候选样本进行计算来确定目标,并提出了模型学习率和强分类器更新方法。最后,根据候选样本集为正样本集的概率值来自适应调节跟踪目标窗口的大小。实验表明,改进后的算法能对快速运动和外观变化较大的目标进行准确的跟踪,改进算法比原算法具有更好的鲁棒性。     

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。     

粒子群优化的压缩跟踪算法

目的 针对基于压缩感知理论的跟踪算法跟踪效率不高和难以抗遮挡的问题,提出一种结合压缩感知和粒子群优化的跟踪算法。方法 将粒子群优化算法结合到压缩跟踪算法中,提出了采用粒子群优化的搜索方法替代在确定候选目标时,采用每隔一个像素选取一个候选目标的搜索策略;在目标发生遮挡时,采用粒子群优化的方法进行整幅图全局搜索。结果 20个视频序列数据库的目标跟踪结果表明,本文算法极大地提高了跟踪效率,并有很强的抗目标遮挡和形变的能力从而提高了跟踪的成功率。20个视频数据库进行了定量的分析,平均成功率达到了65.2%,平均中心位置偏差为33.4,平均每秒运行155.5帧。结论 提出的跟踪算法优化了搜索目标的计算次数,提高了算法的运行效率,当在目标发生遮挡时,采用粒子群优化进行全局搜索直到目标重新出现,从而提高了跟踪算法的跟踪成功率,本文算法能适用于不同场景,能够提高智能视频监控系统的智能监控性能。     

在线矩形特征选择的压缩跟踪算法

针对压缩跟踪算法无法选择合适的矩形特征,易出现目标漂移、丢失现象,提出了一种基于在线矩形特征选择的压缩跟踪算法。首先,在初始化阶段生成投影矩阵,利用该投影矩阵提取特征来构造候选特征池,在特征池中使用矩形特征来表示目标特性,并去除与目标差异较大的矩形特征,最后计算分类分数最大的窗口,并将其作为目标窗口,从而实现跟踪。实验结果表明,该算法特征总数量比压缩跟踪算法特征总数量减少了13%,且跟踪精度和鲁棒性方面得到了改善,对于320pixel×240pixel大小的视频平均处理帧速为20frame/s,满足实时性要求。     

基于自适应核窗宽的红外目标跟踪算法

针对传统均值漂移算法无法对对比度低、尺度变化的红外目标进行有效跟踪的问题,提出一种改进MeanShift算法.首先融合灰度和纹理两方面的信息,并分别定义背景灰度和纹理加权系数,实现了目标的准确定位;然后,提出一种基于背景和前景目标相似度的核窗宽选取算法,自动选取窗口缩放比例,得到与目标尺度一致的跟踪窗口.实验结果表明,所提出的算法能够实现对红外目标的跟踪,并且对尺度变化的目标具有较好的适应性.     

基于深度信息的压缩感知人脸检测跟踪

传统的压缩感知跟踪是基于彩色视频图像序列中的目标跟踪, 但在跟踪过程中可能会受到光照变化和旋转遮挡因素的影响, 从而导致复杂环境下跟踪结果的鲁棒性不足. 为了获得稳定的跟踪结果, 提出了一种基于深度信息的压缩感知人脸检测跟踪算法. 首先, 根据改进的质心分割算法确定首帧深度图中人脸的跟踪位置. 其次, 根据深度信息计算出深度图中每一点对应的平均曲率并形成平均曲率图. 然后, 基于平均曲率图随机提取压缩特征; 最后, 通过压缩降维, 目标邻域搜索, 迭代更新特征模板, 计算出平均曲率图中下一帧人脸的最优跟踪位置, 实现人脸跟踪. 实验结果表明, 将人脸的深度信息和压缩感知特征相结合在光照变化和旋转遮挡情况下具有很好的鲁棒性, 能更好的实现复杂背景下对多姿态人脸的跟踪.     

结合特征筛选与二次定位的快速压缩跟踪算法

针对压缩跟踪算法易受遮挡影响和模型更新比较盲目的问题,提出结合特征筛选与二次定位的快速压缩跟踪算法（Fast compressive tracking algorithm combining feature selection with secondary localization,FSSL-CT）.首先,对全局区域划分子区域,从中提取压缩特征,根据正、负样本估计出各个压缩特征在正、负类中的分布; 然后,使用自适应学习率结合正类更新阈值对分类器模型进行更新; 最后,将跟踪分为两个阶段,每个阶段在对应的搜索区域内采集候选样本,并从全部特征中筛选出部分优质特征加权构建分类器,通过分类候选样本最终完成目标跟踪.在8个公共测试序列和4个自制序列中与最近提出的两个代表性算法进行比较,本文算法在大多数测试序列中都具有最高的跟踪成功率和最低的平均中心误差,平均处理速度可以达到3.04毫秒/帧.实验结果表明,本文算法具有更好的抵抗短时遮挡的能力,更高的准确性和鲁棒性,以及良好的实时性.