改进的基于颜色的粒子滤波目标跟踪算法

提出了一种改进的粒子滤波算法,在遮挡情况下,能鲁棒地跟踪运动目标.该方法是把改进的颜色直方图结合到粒子滤波的观测模型中,并提出了一种判断目标遮挡的分块检测遮挡的方法.首先对传统的以核函数赋权值的方法进行改进,把目标中心附近的像素都赋予最大的权值,目标的边缘由于遮挡等原因采用指数分布赋权值;在遮挡检测时,提出了把跟踪窗分为左右两个子部分,分别计算相似性度量的方法,提高了遮挡检测的实时性和准确性;同时,该算法对旋转和尺寸的变化具有鲁棒性.实验结果表明,与基本的粒子滤波算法相比,提出的新算法能更好的处理目标跟踪中的遮挡问题.     

单目视频中无标记的人体运动跟踪

提出一种人体运动跟踪算法,从无关节标记的单目视频中获取人体运动,利用一个带外观模板的人体关节模型,通过学习得到的运动模型及基于外观模型的相似性计算,巧妙地利用粒子滤波的概率密度传播策略鲁棒地跟踪普通单目视频中的人体运动,当出现跟踪丢失时,能在后续序列中自动恢复正确跟踪,且能较好地处理遮挡和自遮挡问题,实验表明,该算法鲁棒性好,跟踪结果令人满意。     

基于混合跟踪模型的室内步行人体3D运动估计

针对步行人体3D运动估计过程中的自遮挡问题, 提出了基于混合跟踪模型的粒子滤波算法. 首先, 利用自遮挡状态检测模型, 将步行人体运动划分为四种自遮挡状态; 其次, 根据混合跟踪模型, 针对不同的自遮挡状态, 算法采用不同的跟踪模型; 最后, 为了估计遮挡状态下的人体运动, 算法提出了基于M-估计的在线训练方法 以训练肢体运动相关系数. 经过实验分析, 算法对处 于自遮挡状态下的人体3D运动估计有着良好的效果, 人体3D运动的估计精度得到了提高.     

基于均值漂移算法和粒子滤波算法的目标跟踪

将均值漂移算法和粒子滤波算法分别做出改进后进行有效结合.在非遮挡和不严重遮挡情况下,采用改进的均值漂移算法,在严重遮挡情况下,采用改进的粒子滤波算法,并在遮挡结束后验证正确的跟踪是否得到恢复.提出有效的分块检测遮挡算法,遮挡期间颜色模板不更新.实验结果表明该算法具有较好的实时性和鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于多区域联合粒子滤波的人体运动跟踪

针对视频人体运动跟踪中的遮挡问题, 提出了一种基于多区域联合粒子滤波器的跟踪方法. 算法把人体划分为多个关键区域, 通过基于多区域无向图的联合运动模型, 构造联合粒子滤波器, 并运用区域关联的观测评估策略对目标状态进行联合预测, 从而完成遮挡情况下目标的跟踪. 实验结果表明, 与基于单区域粒子滤波的跟踪方法相比, 本文提出的算法在具有较长时间部分和全部遮挡的跟踪问题上, 取得了较好的实验结果.     

多线索融合和区域划分的粒子滤波跟踪算法

提出一种多线索动态融合和目标区域划分的粒子滤波视觉跟踪算法。在粒子滤波框架基础上,选取颜色、纹理、边缘线索于目标模型中,采用带权重的乘性融合策略自适应计算粒子权重,并实时更新目标模型。为增强在遮挡时的跟踪能力,采用局部目标而非整个运动目标作为粒子目标模型。实验结果表明,改进后的算法比简单的线索融合、传统的粒子滤波模型选取方法更能鲁棒并实时地跟踪目标。     

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法(KMSEPF)。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。     

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法（KMSEPF）。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。     

基于预测和粒子滤波的运动目标跟踪算法

本文提出了一种改进的基于预测和粒子滤波的运动目标跟踪算法,在预测算法的基础上,结合GVF-SNAKE理论和粒子滤波器,实现了对运动目标的准确跟踪。本算法首先根据预测算法得到目标初始预测轮廓,把初始预测轮廓上的每个蛇点作为一个目标,利用粒子滤波算法对各蛇点分别进行预测,得到各蛇点的最终预测轮廓,从而实现了运动目标的准确跟踪。实验结果表明,本文算法能够对运动目标进行准确的跟踪,并具有较强的抗遮挡能力。     

基于梯度方向直方图特征和粒子滤波算法融合的目标跟踪

基于梯度方向直方图特征的运动目标跟踪算法在遇到目标遮挡或运动过快时容易丢失目标,基于粒子滤波跟踪算法虽有较强的抗遮挡能力,但存在着计算量大、实时性差等问题.针对这些情况,提出一种融合的跟踪方法:正常情况下基于目标梯度方向直方图特征跟踪目标,当候选目标相似度小于设定阈值时,自动切换到粒子滤波跟踪算法.实验结果显示本算法有效地解决了目标遮挡或运动过快时的丢失问题,同时减轻了粒子的退化现象,提高了算法的实时性,并在图像对比度较低情况下能较好的跟踪目标.     

Simultaneous people tracking and motion pattern learning

The field of Human Robot Interaction (HRI) encompasses many difficult challenges as robots need a better understanding of human actions. Human detection and tracking play a major role in such scenarios. One of the main challenges is to track them with long term occlusions due to agile nature of human navigation. However, in general humans do not make random movements. They tend to follow common motion patterns depending on their intentions and environmental/physical constraints. Therefore, knowledge of such common motion patterns could allow a robotic device to robustly track people even with long term occlusions. On the other hand, once a robust tracking is achieved, they can be used to enhance common motion pattern models allowing robots to adapt to new motion patterns that could appear in the environment. Therefore, this paper proposes to learn human motion patterns based on Sampled Hidden Markov Model (SHMM) and simultaneously track people using a particle filter tracker. The proposed simultaneous people tracking and human motion pattern learning has not only improved the tracking robustness compared to more conservative approaches, it has also proven robustness to prolonged occlusions and maintaining identity. Furthermore, the integration of people tracking and on-line SHMM learning have led to improved learning performance. These claims are supported by real world experiments carried out on a robot with suite of sensors including a laser range finder.     

基于深度图像的人体运动姿态跟踪和识别算法

由于人体运动的复杂性,现有基于低质量深度图像的三维立体姿态跟踪和识别 方法的准确性较低、鲁棒性较差。针对低质量深度图像的人体运动姿态和识别问题,本文设 计了一种基于三步搜索算法的人体运动姿态的跟踪和识别方法。该方法首先对获取的深度信 息进行分析,从而判定人体轮廓;然后通过基于深度图像的骨骼跟踪方法跟踪特定骨骼点, 并采用三步搜索算法进行运动估计,跟踪获取人体运动轨迹;最后利用获取的骨骼点坐标实 现人体运动姿态的识别。实验结果表明,该算法克服光照影响的鲁棒性较强,且能有效地提 高人体运动姿态跟踪与识别的准确性。     

基于模型的人体运动跟踪

在计算机视觉领域,人体运动分析的的研究正因其广泛的应用前景而越来越受到研究 重视,对图像序列中的人体运动进行了跟踪是其中的关键技术。由于人体运动的特殊复杂性,已有的研究方法都对人体加上了许多限制条件。     

双目视觉下三维人体运动跟踪算法*

由于人体运动的复杂性,人体运动轨迹的快速改变和人体自遮挡现象经常发生,这给人体运动跟踪带来了很大的困难。针对此问题提出了一种基于三维Kalman滤波器和人体约束的人体运动跟踪算法。该算法首先利用外极线约束和灰度互相关法对二维标记点进行立体匹配,计算各个标记点的三维位置,从而构建得到三维标记点;然后利用三维Kalman滤波器对三维标记点进行跟踪;最后利用人体约束检验和修正跟踪结果。实验结果表明,该算法能有效地对复杂人体动作进行跟踪并能从跟踪错误中正确恢复。     

运动像机下基于粒子滤波的多目标跟踪算法

针对摄像机运动情况下的多目标跟踪问题,提出了基于粒子滤波的跟踪算法.在粒子滤波算法基础上,将二阶自回归过程作为系统状态转移模型,HSV颜色直方图作为观测模型,对视频中多个目标的位置、大小进行跟踪.实验结果表明,该算法能实时正确地跟踪多个目标,并对局部遮挡有较好的鲁棒性,也能在目标短暂消失导致跟踪失败后,在目标重新出现后及时捕获并继续进行跟踪.     

基于改进粒子滤波的井下跟踪算法研究与实现

井下环境复杂多变,射频信号易受到阴影效应、多径衰落等因素的影响。采用传统的粒子滤波跟踪方法误差较大,研究了一种基于改进粒子滤波的井下跟踪算法。初始化阶段利用第一次指纹匹配算法的定位结果来设计初始化概率分布函数;采用核函数法与指纹匹配技术相结合的算法,在采样数据中搜索与目标节点指纹特征相匹配的位置并加权得到位置坐标作为跟踪中的观测值;最后利用粒子滤波将观测值与目标运动状态相融合以跟踪目标运动轨迹。实验结果表明,粒子滤波算法较优化卡尔曼滤波算法更适用于井下跟踪;改进的算法有效增强了跟踪系统的可靠性,提高了跟踪精度,满足了井下的跟踪要求。     

基于概率假设密度的多目标视频跟踪算法

研究目标数变化的多目标视频跟踪问题.首先阐述了概率假设密度(PHD)滤波的基本原理;然后给出序列图像多目标跟踪系统的运动目标检测算法、状态方程、观测方程以及基于高斯混合概率假设密度(GM-PHD)的多目标视频跟踪算法的具体实现.该算法有效解决了新目标出现、目标合并、目标分裂及目标消失等多目标跟踪问题.实验结果表明,该算法在复杂场景下具有较强的鲁棒性,能有效实现目标数变化的多目标视频跟踪.     

多目标跟踪算法的研究与应用

将多目标跟踪算法用于水中絮体颗粒的跟踪,提出了一种代价函数结合改进MHT的算法,对出现异常的絮体颗粒用改进MHT算法跟踪,并通过分析絮体颗粒运动特性修正了改进MHT算法,有效解决了跟踪过程中出现的轨迹交叉、轨迹合并等情况,这样在保证跟踪精度的基础上又提高了跟踪速度;同时,采用跟踪絮体颗粒得到颗粒的沉淀速度信息来评价水处理混凝的效果,自动控制混凝剂的加注,从而达到自来水水质检测和净化的目的。     

彩色图像的实时人脸跟踪方法

本文提出一种彩色图像序列中的人脸跟踪方法。本文所提出的跟踪模式包括失脸肤色模型及运动模型。在人脸肤色模型中，首先将图像的ＲＧＢ空间变换到色度空间，然后利用最大能量坐标和矩表征色度空间的直方图分布。运动模型由运动检测与运动预测构成，以减少搜索区域，提高检测速度。最后，介绍根据上述技术实现的在线人脸跟踪系统。实验结果表明，本文提出的跟踪方法可以在复杂背景中实时地跟踪人脸的自由运动。