基于颜色特征与SIFT特征自适应融合的粒子滤波跟踪算法

针对序列图像中的运动目标在跟踪过程中发生运动模糊以及部分遮挡的问题进行了研究, 提出一种将改进的颜色直方图特征模型与尺度不变特征（SIFT）模型相融合的粒子滤波跟踪算法。采用基于模糊逻辑的方法, 根据当前跟踪环境自适应调节两种特征信息的权重, 从而实现特征信息间的融合, 提高描述目标观测的可靠性。实验结果证明, 该算法优于传统的单特征或采用固定权值的多特征目标跟踪算法。     

自适应跟踪与多特征融合的目标跟踪算法

Staple算法采用固定权重与学习率的方式,导致其在物体模糊等场景下跟踪精度低.为此,提出一种自适应跟踪与多特征融合的目标跟踪算法(adp-Staple).特征融合与跟踪过程中引入两种不同置信因子提升跟踪精度,特征提取过程引入主成分分析降维技术提升跟踪速度.在OTB-50与OTB-100数据集上进行对比实验,其结果表明,adp-Staple算法较传统Staple算法有更好的跟踪效果,在运动模糊等场景中有更强的鲁棒性.     

基于自适应特征融合的粒子滤波目标跟踪算法

提出了一种基于自适应特征融合的粒子滤波跟踪算法,用于解决传统的粒子滤波跟踪方法在复杂背景下容易跟踪失败的问题。该算法选取颜色特征和边缘特征来描述目标,并通过粒子滤波进行特征融合,根据可靠性因子调整各特征的权值系数;在跟踪过程中,随着目标自身形变,自适应更新目标模板。实验结果表明,在复杂背景下以及受到遮挡时,本算法能够准确稳健地跟踪目标。     

基于深度估计和特征融合的尺度自适应目标跟踪算法

针对核相关滤波目标跟踪算法(KCF)使用单特征来描述所跟踪的目标,在复杂环境下,目标尺 度发生较大变化时,无法准确跟踪目标的问题,提出基于深度估计和特征融合的尺度自适应目标跟踪算法。首 先利用深度神经网络估计视频序列中目标的深度,建立并训练深度-尺度估计模型;在跟踪过程中,融合目标 方向梯度直方图(HOG)特征和 CN (Color Name)特征训练相关滤波器,利用深度估计网络得到目标深度值,并 利用深度-尺度估计模型得到目标的尺度值,从而在目标尺度发生变化时,能够调整目标框大小,实现尺度自 适应的目标跟踪算法。实验结果表明,与经典的 KCF 算法相比,可获得更高的精度,与尺度自适应的判别型 尺度空间跟踪(DSST)算法相比,在尺度变化较大时,跟踪速度更快;在环境复杂、目标被遮挡时,鲁棒性更好。     

融合颜色纹理特征的自适应粒子滤波跟踪算法

针对复杂背景下,尤其是当光照条件发生变化以及目标发生遮挡时容易导致跟踪失败的问题,提出了一种基于自适应多特征融合的粒子滤波目标跟踪算法;该算法将RGB颜色直方图和LBP纹理直方图融合起来建立目标参考模型,并且引入Sigmoid函数动态调整两类子特征粒子的权重;仿真结果表明,该算法能在复杂背景下自适应调整两种子特征权重,以克服其中一种特征失效导致的跟踪失败,而且有效地避免了使用单一特征建模的缺点,能够实现更加准确的跟踪。     

自适应模型更新的多特征融合目标跟踪算法

针对目标在运动过程中存在遮挡、光照变化、背景因素等复杂情况下的跟踪问题,提出了一种多特征融合的跟踪算法;利用背景加权后的联合直方图来描述目标的灰度和纹理特征信息,提出一种多帧加权组合的模板更新策略,对模板特征分布进行自适应更新,基于当前粒子特征信息可信度加权设计了一种自适应特征融合观测模型,并结合到粒子滤波算法中,从而提高了跟踪算法的场景适应能力;实验结果表明;与基于单一特征的算法相比,该算法的适应性更强,能有效跟踪复杂场景下的运动目标.     

自适应特征融合的相关滤波跟踪算法

为提高复杂背景下目标跟踪的鲁棒性,提出一种基于相关滤波的自适应特征融合目标跟踪算法.在HOG特征基础上,增加HSV颜色概率直方图,以此获得准确的位置预测.然后分别训练颜色名和HOG特征,并根据两个响应图的峰值自适应地分配融合系数,进而基于尺度池方法,采用多通道特征实现目标的尺度估计.模型的高置信度更新由两个响应图的平均...     

多特征融合的自适应相关滤波跟踪算法

针对图像目标跟踪问题,为提高跟踪精度,提出了一种多特征融合的自适应相关滤波跟踪算法。算法首先选取HOG和CN两种互补特征,分别训练两个相关滤波跟踪器跟踪图像目标,然后利用提出的响应图置信度计算公式计算两个跟踪器的响应图权重并进行自适应融合做出决策。滤波器更新阶段,算法结合两个特征的响应图置信度与两帧之间的变化率动态调整滤波器学习速率。仿真实验采用跟踪基准数据库（OTB-2013）中的36组彩色视频序列进行实验,对比了流行的相关滤波跟踪算法,结果表明,该算法在平均跟踪精度上优于其他算法,具有一定的应用价值。     

多特征融合的自适应性粒子滤波跟踪算法

为提高粒子滤波视觉目标跟踪算法的实时性与鲁棒性,提出了一种基于多特征融合的自适应性粒子滤波跟踪算法。该算法利用颜色和结构特征表示目标,将两者融合于粒子滤波的框架中,利用融合后的信息计算粒子的权值,以降低算法受目标形变及复杂环境的影响。同时,根据跟踪预测的准确程度动态计算跟踪所需的粒子数目,对采样粒子集进行自适应调整,以提高粒子质量,降低粒子数量,减少算法运算时间。实验结果表明,所提算法对于每帧图像的平均计算时间相对于传统混合跟踪算法缩短了将近一半,而且算法的鲁棒性较强。     

基于SURF特征跟踪的动态手势识别算法

提出了一种基于加速鲁棒特征(SURF)跟踪的动态手势识别算法.其特征在于算法无需预先检测分割人手区域,仅通过跟踪统计相邻帧间匹配SURF特征点的移动主方向来刻画手势运动轨迹.提出采用经时间规整的轨迹方向数据流来建立动态手势模型,利用基于相关分析的数据流聚类方法实现动态手势的识别,大大提高动态手势识别速度.实验使用26个英文字母作为动态手势训练和识别,手势训练集和测试集的识别率分别为87.1%和84.6%,并成功用于实验室自主研制的侦察移动机器人Hunter的运动控制中,证实了该方法的有效性.     

基于粒子滤波与改进水平集的人手跟踪

提出一种基于肤色信息的改进水平集分割算法,给出整个算法的推导和实现过程,实现复杂背景下的精确人手轮廓分割,在进行人手跟踪时,使用粒子滤波对手的位置和大小进行跟踪,并用跟踪结果初始化水平集函数,以此加快轮廓曲线的收敛速度,获得手的轮廓后,对指尖位置进行定位。实验结果表明,该算法能够在复杂背景下实时、准确地跟踪人手轮廓和指尖位置。     

基于不确定性度量的多特征融合跟踪

提出了一种新的基于特征不确定性度量的多特征融合跟踪算法. 首先, 针对粒子滤波跟踪算法中特征鉴别能力较弱且粒子分布相对分散时容易造成目标丢失的事实, 本文定义了一种新的特征不确定度量方法, 该度量可以在线调整不同类型特征对跟踪结果的贡献. 同时, 针对乘性和加性特征融合跟踪算法方法中存在的缺陷, 提出了一种自适应的多特征融合方法, 融合的结果既突出了状态后验分布中目标真实状态对应的峰值, 又对噪声不敏感, 从而提高了目标跟踪的鲁棒性. 各种场景下的实验结果比较表明: 新的融合跟踪算法比单特征跟踪、 乘性融合跟踪和加性融合跟踪有着更好的稳定性和鲁棒性.     

目标跟踪的自适应双重采样粒子滤波算法

针对传统粒子滤波存在的粒子退化、贫化问题及粒子集个数不能自适应改变带来的滤波精度和收敛速度下降的问题,提出一种基于双重采样的自适应粒子滤波算法。该算法首先利用观测新息来确定重采样粒子分布方案,然后在首次重采样基础上,采用粒子交又聚合算法进行二次重采样,提高了粒子的使用效率,避免了由于使用过多粒子而增加计算量的问题。基于DR/GPS的实验仿真结果表明,与传统的PF算法相比,该算法有效提高了滤波精度和稳定性。     

基于均值漂移与粒子滤波的手势跟踪算法研究

基于视觉的手势跟踪技术在虚拟现实、人机交互、视觉监控等领域均有着广阔的应用。本文主要研究用于人机交互的手势跟踪,以颜色特征作为目标的表征方式,并结合MeanShift均值移住提出了一种基于颜色直方图的粒子滤波跟踪方法。仿真实验结果表明,本文研究的方法效果较好,能准确的对序列图中的手势进行跟踪。     

基于修正的卡尔曼滤波自适应跟踪算法

针对卡尔曼滤波对匀速运动目标能有效的跟踪,但是当目标出现转弯时,很难达到跟踪精度的要求,甚至丢失目标的现象.对卡尔曼滤波算法进行了改进,在观测向量中引入了两个加速度误差变量,它们动态地修正状态估计误差从而减少跟踪精度误差,形成了修正的Kalman算法.但是由于状态变量维数增加,使得计算量增加,实时性下降,将卡尔曼滤波算法与修正的卡尔曼滤波算法两种算法相结合,提出了基于修正的卡尔曼滤波自适应跟踪算法.仿真结果表明,具有良好的稳定性和精确度,优于一般的卡尔曼滤波算法.     

基于自适应水平集方法的运动目标跟踪

在对复杂背景条件下的非刚体目标进行跟踪时,水平集方法是一种非常有效的方法。针对水平集的初始化问题,提出了一种自适应初始化的水平集方法。首先采用粒子滤波对目标进行跟踪,得到运动目标的粗外接矩形轮廓;然后以外接矩形轮廓的质心为基础进行水平集曲线演化,求取目标的精确轮廓信息,并将轮廓的提取结果反馈到跟踪框架中;最后,动态更新参考模板,以改进似然函数。实验结果表明,本方法能够适应非刚体目标在运动中的自由变化,使得跟踪更加精确。     

一种基于改进UKF的3D人手跟踪算法

将手指作为基本处理对象,对UKF（unscented Kalman filter）算法进行改进,并利用它对当前手指各关节进行预测;以预测值作为初值,用局部搜索技术对误差较大的关节用改进的UKF算法重新进行预测,直到该手指在像平面上的投影轮廓和图像轮廓之间的距离图满足指定的精度为止．该算法以状态变量量测值的获取作为突破口,解决现有算法中跟踪精度过分依赖于3D人手模型精度的问题．实验结果表明,该算法具有较强的处理局部自遮挡问题能力,对3D人手模型的不精确性也具有更好的鲁棒性．     

一种强跟踪滤波器及其在人手跟踪中的应用

通过对状态预报误差的协方差矩阵的各个分量分别进行控制,设计一种强跟踪扩展卡尔曼跟踪滤波器,并在单目相机环境下利用该滤波器对3D人手运动过程中的突变状态进行跟踪;讨论了3D人手生理模型、运动模型等问题;最后通过大量实验证明了该强跟踪滤波器的有效性.与现有的STEKF滤波器相比,文中的强跟踪滤波器具有更强的跟踪能力.     

基于自适应蝙蝠粒子滤波算法的WSN目标跟踪

为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了自适应蝙蝠粒子滤波的WSN目标跟踪方法。通过自适应的蝙蝠算法的滤波算法优化粒子重采样过程,结合最新的观测值定义粒子的适应度函数,引导粒子整体上向较高的随机区域移动。同时利用动态自适应惯性权重探索新的粒子位置更新为设计机制,引入动态适应惯性权重值, 有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能。实验结果表明,自适应蝙蝠粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高。与BA-PF算法和PF算法相比较,IBAPF 算法的计算时间是最短的,IBA-PF算法的位置和速度的平均平方根误差最小(位置0.0311、0.0202、速度0.0262、0.0101),PF算法的跟踪精度是最低的,而IBA-PF跟踪精度较高,IBA-PF算法被证明具有良好的跟踪性能。