融合分支定界的可变形部件模型的行人检测

针对可变形部件模型（DPM）算法在行人检测领域中的检测精度高,但由于在特征提取和行人定位两步中的计算量过大,导致检测速度过慢而不能应用于实时行人检测的问题,提出了一种融合分支定界算法和级联检测算法的可变形部件模型（BBCDPM）算法。首先,选取梯度方向直方图（HOG）特征作为描述人体目标的特征,从而生成特征金字塔;然后,进行可变形部件模型的建模,并使用隐变量支持向量机（LSVM）对模型进行训练;同时,为了提高行人检测的准确度,将传统可变形部件模型算法中的5个部件模型增加到了8个;最后,在利用了级联检测算法简化检测模型的基础上,结合了分支定界算法寻找最大值,排除大量不可能的对象假设,完成对行人目标的定位和检测。在INRIA数据集上进行了实验,结果表明,与传统DPM算法相比,该算法将准确率提高了12个百分点,且大幅提高了行人检测与识别的速度。     

基于三维模型的粒子滤波行人跟踪算法

针对传统行人跟踪算法得到运动轨迹与真实轨迹差异巨大的问题,提出一种基于三维模型的粒子滤波行人跟踪算法.该方法利用摄像机标定信息和图像帧信息建立行人的三维模型,解决图像中目标尺度的变化问题,并得到目标的真实运动轨迹.同时该方法利用双指数预测模型对粒子滤波算法进行优化,以解决短时遮挡问题,同时降低运算复杂度.实验表明,基于三维模型的粒子滤波行人跟踪算法能够较准确地建立行人三维模型,对比标准粒子滤波和KPF算法,能够对行人进行有效跟踪,对短时遮挡和尺度变化有较强的鲁棒性.     

基于改进粒子滤波的移动机器人行人跟踪

移动机器人对行人进行跟踪,是体现机器人智能的一个重要方面,具有广阔的发展前景和应用价值。然而环境的复杂性和行人运动的不确定性给行人的跟踪带来了极大的挑战。为此,在分析粒子滤波框架的基础上,对基本粒子滤波算法进行了两方面改进,提出了适用于移动机器人的行人跟踪方法。一方面在相似性估计阶段结合颜色信息、深度信息和社交力概念,提高了跟踪的精度;另一方面提出了二级粒子的概念,解决了粒子多样性缺失问题,提高了跟踪的准确度。在移动机器人turtlebot和公开数据集IAS-Lab上对改进的粒子滤波、序贯重要性重采样(sequential importance resampling,SIR)粒子滤波和扩展卡尔曼滤波(extended Kalman filter,EKF)算法进行对比,实验结果表明,改进的粒子滤波算法明显优于其他两种算法。     

基于选定区域颜色直方图的粒子滤波行人跟踪算法

针对城市中智能视频监控问题,提出一种基于选定区域RGB直方图的粒子滤波行人跟踪算法.首先实现了Eiji Ota在2011年实现的算法,该算法只能对红色目标进行跟踪,然后对该算法进行改进,改进后能够根据选定区域RGB颜色直方图的粒子滤波算法对行人进行跟踪.自动提取跟踪视频的第一帧,然后在第一帧上选择要跟踪的区域,再计算选...     

融合HOG与颜色特征的粒子滤波行人跟踪算法

针对传统粒子滤波算法颜色特征单一、行人非刚性不稳定等问题,融合简化的HOG特征和加权的颜色直方图,建立了改进的粒子滤波行人跟踪算法,采用图像分块相似度检测,抑制跟踪过程中行人结构、背景结构及遮挡的干扰。实验表明,该算法在背景颜色相似及遮挡情况下,仍能稳定可靠地跟踪行人,具有较高的准确性与鲁棒性。     

基于时间序列模型的粒子滤波行人跟踪算法研究

针对行人运动的随机性导致运动状态模型适应性差和人在行走过程中可能发生短时全部或局部遮挡导致行人跟踪算法精度较低的问题,提出基于时间序列模型的粒子滤波行人跟踪算法;建立了行人运动时间序列模型;给出了基于对视频序列初始帧的检测,确定行人的位置、宽高等作为跟踪先验信息的方法;由先验信息计算加权颜色直方图构建初始粒子群分布,并利用时间序列运动模型预测粒子在下一时刻的状态分布,并更新粒子权值;根据有效粒子的个数判断是否进行重采样;最后由所有粒子的加权和估计行人的运动状态;仿真实验表明:文中提出根据行人的运动轨迹时间序列运动模型可使行人的状态估计更准确,预测误差进一步减小,预测精度得到了提高.     

基于HOG和颜色特征的粒子滤波行人跟踪算法的研究

行人跟踪技术是一种现代摄像预警技术,其能够起到对行人位置和动作的判定,并及时通过报警系统给予使用者相应的提示,能够有效避免过多的交通事故的发生。本文即是针对基于HOG和颜色特征的粒子滤波行人跟踪算法进行研究,对算法理论和算法描述进行分析,并对算法当中的HOG特征、颜色特征以及融合二者的粒子滤波算法进行了分析,同时针对于行人遮挡的检测情况进行了探讨,以期能为相关工作提供参考。     

基于Meanshift和粒子滤波的行人目标跟踪方法

针对粒子滤波跟踪算法计算代价大以及Meanshift跟踪算法容易陷入局部极值等问题,提出一种嵌入均值优化的粒子滤波跟踪算法。该算法根据粒子滤波的运动模型估计目标区域位置,利用Bhattacharyya距离度量粒子区域和目标模型的相似性,并根据相似性来更新粒子权值,使用Meanshift优化算法改善粒子的估计位置,使得这些粒子的候选区域能更加接近目标模板,极大提高了粒子的使用效率。实验结果表明,该算法能够有效进行人的跟踪,处理人的短暂遮挡问题,性能优于粒子滤波算法,有较好的实用性。     

基于稀疏表示的可变形部件模型目标检测

基于可变形部件模型DPM的目标检测算法采用方向梯度直方图HOG进行特征表示,由于HOG无法处理模糊的边界而且忽略了平滑的特征区域,从而影响了DPM算法的性能。为了提高DPM的性能,提出了一种基于稀疏表示的可变形部件模型目标检测的方法。该方法利用稀疏编码构建一种新的特征描述子来取代原可变形部件所使用的方向梯度直方图,新的特征描述子能够描述物体更多的信息,对图像中的噪声不敏感。实验结果表明,该方法在PASCAL VOC 2012数据集上提高了原可变形部件模型算法的精度。     

车辆检测中可变形部件模型的改进与应用

针对可变形部件模型的复杂性使其在检测车辆时速度慢的问题,对可变形部件模型进行了改进。一方面使用加权PCA对可变形部件模型的基础HOG特征进行降维来减少模型参数;另一方面将HOG特征层组合后,使用快速傅里叶变换（FFT）把滤波器与HOG特征层的卷积转换为频域乘积,来降低计算复杂度。仿真实验结果表明,改进的可变形部件模型在进行车辆检测时检测精度和召回率都与原始模型相当,但检测速度大幅提升,在UIUC和BIT两个数据集上的平均耗时分别仅占原始模型平均耗时的29.6%和26.3%。     

基于SUSAN角点和HSV颜色模型的粒子滤波目标跟踪算法

针对传统粒子滤波目标跟踪算法在目标与背景颜色相似情况下目标定位偏差大、易导致丢失目标的缺陷,提出一种基于角点和颜色模型的粒子滤波目标跟踪算法。首先,提出一种改进SUSAN角点检测算法,采用圆形模板邻域内像素灰度值中值代替模板中心像素灰度值作为模板"核"来检测区域目标角点,其改进SUSAN角点算法在继承原有SUSAN算法计算简单、定位准确、具有旋转不变性等特点的同时,具有更好抗噪声性能;其次,利用HSV颜色模型光照不敏锐特性,对检测到的角点建立HSV颜色模型,并将其嵌入到粒子滤波框架中,实现对目标的跟踪。实验结果表明,当背景与目标颜色相近时,该算法能够有效避免背景对目标的干扰,取得了较好的目标跟踪性能。     

基于形变模型的图像分割和非刚性目标的跟踪

本文在活动轮廓的基础上,提出了基于形变模型的图像分割和非刚性目标的跟踪方法.为了克服活动轮廓的一些缺陷,引入了新的与图像特性有关的外部能量和松弛法;将形变模型和光流模型相结合用于非刚性目标跟踪.该方法对噪声不敏感,能准确、可靠地检测物体曲率高的边缘部分,跟踪非刚性运动目标.实验结果验证了该方法的有效性.     

基于粒子滤波器的人体目标跟踪

提出一种非常有效且具有良好鲁棒性的人体目标跟踪算法。由于传统的卡尔曼滤波不能很好地解决非线性、非高斯问题的跟踪,为此提出了一种新型的粒子滤波器跟踪算法。该算法采用加权的粒子集模型表示状态的分布,用迭代运算跟踪状态的变化,从而有效地解决了数据处理的量大和模型出现高维的问题。实验结果证明,该算法对固定摄像机单一背景下人体目标跟踪是快速且有效的。该算法可广泛应用于航空器位置的跟踪、噪声环境通信信号的估计、人体或车辆的跟踪。     

基于粒子滤波和多示例学习的目标跟踪

目标跟踪是计算机视觉领域中研究的热点问题。当前,基于多示例学习的目标跟踪算法引起了较多的关注。在研究多示例学习算法的基础上,针对原始的多示例学习目标跟踪算法中使用运动模型的不足,提出一种改进的基于在线学习的目标跟踪方法。该方法首先根据方向直方图局部特征(HOG特征)来描述目标,然后通过粒子滤波方法对目标位置进行预测,再用基于Boosting的在线多示例学习方法来建立描述目标的模型和分类器,最后在下一帧的图像中利用该分类器来跟踪目标,同时在线更新分类器。通过实验表明,改进的方法可以有效地提高目标跟踪精度和算法的鲁棒性。     

一种基于运动检测的行人多目标跟踪算法

针对固定摄像头下的行人跟踪问题,提出一种基于运动检测的多目标跟踪算法。在运动目标检测中,先利用没有目标出现的视频帧建立背景图像,然后计算背景差并计算差分图像的梯度以提高运动区域的检测能力,最后利用区域合并法得到完整的运动目标区域,并间隔一定的时间更新背景模型。在检测到运动目标后转入跟踪。在跟踪目标时,对于有遮挡和没有遮挡的情况分开处理:若目标之间未发生遮挡,基于目标的中心距和加权的颜色直方图特征进行匹配跟踪;当发生遮挡时,用卡尔曼滤波器预测目标的位置。实验证明,相对于传统的基于背景差法的多目标跟踪,该算法能提取更完整、准确的目标区域,对行人这一非刚性目标能实现较好的跟踪。     

基于灰色系统理论和粒子滤波器的目标跟踪算法

提出一种基于灰色系统理论和粒子滤波的目标跟踪算法,自适应调整搜索范围,并采用交叉熵理论来度量目标模型与粒子确定区域特征模型之间的相似度。先用粒子滤波算法对运动目标状态进行估计,确定目标中心位置,利用历史目标位置状态序列,通过灰色系统理论对下一帧目标状态进行预测;然后对重采样后的粒子的位置和粒子的搜索范围进行修正,采用交叉熵理论来衡量目标与粒子确定区域的特征模型之间的相似度。仿真结果表明,相比传统的粒子滤波算法,新算法具有更好的鲁棒性和跟踪精度。     

基于压缩感知和粒子滤波的改进絮体跟踪算法

针对水处理过程中混凝絮体的跟踪问题,提出一种融合压缩感知与粒子滤波的絮体跟踪算法,即采用压缩感知技术提取絮体的图像特征,并以此进行单帧图像检测,得到检测值;同时通过粒子滤波实现非线性非高斯状态空间模型的絮体位置的最优估计,采用最优估计值和检测值进行数据关联,从而确定各个粒子的航迹以实现对絮体跟踪。实验结果表明该算法实现了絮体的实时跟踪及沉降速度的计算,有效地解决了获取图像特征时运算量大、效率低等问题,保证了跟踪的精度及效率。     

基于颜色和方向梯度特征融合的粒子滤波跟踪算法

提出基于均值偏移的粒子滤波算法。该算法融合了颜色特征和方向梯度特征对人体行为实施跟踪。HSV颜色模型采用带宽自适应的改进策略,有效地实现了对尺度变化目标的跟踪;方向梯度特征的融合,提高了算法在复杂环境中应对光线变化和相似目标遮挡等情况的适应性。针对粒子退化问题,在特征融合的粒子滤波基础上引入具有聚类作用的Mean Shift算法,从而可以用较少数量的粒子达到较好的跟踪效果。仿真实验表明,该算法具有较好的准确性、鲁棒性与实时性。     

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。     

基于SIFT特征和模板更新的粒子滤波目标跟踪算法

传统的粒子滤波算法利用目标的颜色特征对粒子权值进行更新,当背景与目标的颜色分布相似或者目标被遮挡时,易发生误跟踪。尺度不变特征具有较高的独特性,但是仅使用SIFT特征不足以对小目标进行描述。针对这两种情况,提出一种利用SIFT特征和颜色特征建立目标模型,结合粒子滤波实现目标跟踪的新方法。为了防止目标模板的误更新,根据当前帧跟踪结果与SIFT目标模板中特征点的匹配数目决定是否对颜色目标模板进行更新。实验结果表明,当目标被遮挡或者位于有相似颜色的杂乱背景时,提出的方法能有效提高跟踪的精确度。