基于局部敏感直方图的时空上下文跟踪

针对当前目标跟踪算法在目标区域光照剧烈变化、长时间遮挡或者平面内旋转时会发生偏移甚至跟丢这一现象,提出了基于局部敏感直方图的时空上下文跟踪算法.该算法以贝叶斯框架为基础,利用生物视觉特性,结合底层灰度特征,基于局部敏感直方图提取光照不变特征,建立目标与背景的统计相关模型来实现跟踪,使跟踪时偏移较小且不会跟丢目标.在对不同视频序列的实验表明:基于局部敏感直方图的时空上下文算法和多示例学习算法相比,在光照变化、平面内旋转或者遮挡时都表现出比较好的跟踪效果且中心误差较小,具有较强鲁棒性.     

基于局部直方图的多区域目标跟踪算法

为克服光照变化和目标遮挡对运动目标跟踪的影响,提出了一种基于改进的局部敏感直方图的多区域目标跟踪算法。改进了局部敏感直方图并设计了快速算法;将改进的局部敏感直方图作为多区域跟踪算法中的目标建模方式,提高目标建模的准确性且降低提取目标特征的计算复杂度;针对多区域跟踪算法中融合各个区域块的特征相似值的需要,采用基于统计排序和最小二乘估计的参数估计方法计算整个目标块与模板的相似度。实验结果表明该算法能有效应对目标跟踪过程中光照变化、目标形变与遮挡的干扰,实现实时鲁棒的目标跟踪。     

一种基于空间直方图的多特征目标跟踪算法

为提高跟踪算法对光照或背景的大幅度变化和车辆大范围运动的鲁棒性,提出了一种基于空间直方图的多特征目标跟踪算法。算法以自适应权值多特征乘性融合框架为基础,分别建立目标的颜色、边缘和纹理空间直方图,使用Mean Shift迭代,利用各特征空间概率分布图中目标与背景的BH系数,调整特征权值。该算法使跟踪不再过分依赖某一单一特征,实现了复杂背景下目标的准确跟踪。     

基于多特征融合的压缩跟踪算法

压缩跟踪将压缩感知理论引入到目标跟踪领域,较好地实现了跟踪的实时性,但是在复杂环境或遮挡情况下,仅利用分类分数最大值的矩形样本确定目标位置容易产生跟踪漂移,而且该算法没有考虑目标尺度因素。针对这些问题,提出了融合局部中心区域梯度方向直方图和多尺度矩形的多特征压缩跟踪算法,并提出利用多样本矩形平均的方法确定最终的目标位置。实验结果表明：该算法在目标剧烈运动、遮挡或者相似物体干扰的场景下能够有效抑制跟踪漂移,提高了跟踪的准确率和鲁棒性。     

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。     

多颜色直方图自适应组合Mean Shift跟踪

经典Mean Shift跟踪算法使用单一颜色直方图跟踪目标,导致其对目标外观的变化鲁棒性较差。为了解决该问题,提出一种多颜色直方图自适应组合Mean Shift跟踪算法。该算法利用多个视图的颜色核函数直方图的加权组合作为目标模型进行Mean Shift跟踪;为了适应目标外观的变化,利用目标区域对每一颜色直方图的概率图均值和方差的比值评价每一颜色直方图的可靠性,并自适应地计算其组合权值。实验结果表明,与现有Mean Shift跟踪算法相比,提出的跟踪算法对目标的外观变化具有更强的鲁棒性。     

基于改进颜色直方图映射的目标跟踪算法

关于视觉跟踪技术问题与电目标背景颜色相关,针对于运动目标易受到背景颜色的干扰,提出了一种基于改进直方图映射的目标跟踪算法,为了抑止模型中混有背景颜色的干扰,并能准确定位目标.依据初始的目标模型(前景),以及跟踪过程中搜索范围(背景)的颜色直方图按照一定的比例关系建立起目标概率灰度值索引表,将索引表映射到跟踪搜索窗口中,采用meanshift算法在生成的灰度图中快速定位目标位置.实验结果表明,改进的颜色直方图映射算法能够从根本上抑止模型的背景干扰,并且meanshift均值漂移算法能够准确的定位目标.     

基于颜色直方图的EM对象跟踪算法

基于均值漂移运动目标跟踪的迭代算法,简单可靠,可以方便准确的找到一个基于内核的概率密度函数估计目标的位置。但是该算法对目标尺寸形状变化的适应能力比较差,文章提出一个改进的均值漂移算法。新算法同时估计目标的位置和用协方差矩阵来描述的目标的形状,能够处理对象的角度和形状大小发生变化时的跟踪问题,运用新的算法实现以颜色直方图为基础的非刚性目标跟踪算法。实验表明,该改进的算法在不同环境下跟踪目标的鲁棒性很好,尤其对跟踪目标的形状和尺寸的改变,具有很强的适用性。     

基于中心一致性敏感直方图的图像联合分割算法

图像联合分割是计算机视觉领域的一个研究热点。有能力在分割过程中利用相似对象的信息是联合分割相比于其他分割算法的一个优势,与此同时,建立对应对象的相似性也成为了一项具有挑战性的任务。文中为图像联合分割算法提出一个新的中心一致性敏感直方图。传统的图像直方图通过为每个出现在图像中的像素在 该像素的对应灰度级计数器上加一的方式计算得出。与传统的图像直方图不同,中心敏感直方图在每个像素处计算,并且它是为每个出现的像素在其对应的灰度级计数器上加一个浮点数,这个浮点数服从对应像素与计算该直方图位置处的像素之间的空间一致性。因此,该直方图不仅从灰度级角度考虑了像素的分布,而且也将像素的空间相对位置信息考虑在内。基于该中心一致性敏感直方图,文中提出了一种强健的图像联合分割算法,其强健性主要体现在的对处于不同光照条件下和形状发生变化的相似对象进行较好的分割。基于大量的测试数据集对所提出的算法进行验证,实验结果表明,所提方法的分割正确率相比现有技术的平均水平提高了3个百分点左右,尤其当测试数据集中各个前景对象处于不同光照条件下或具有不同形状时效果更佳。     

基于位置敏感哈希的网络视频重复检测

针对当前网络上存在着大量的重复或近似重复的视频问题,提出了一种基于镜头层比较和位置敏感哈希的快速准确的网络视频重复检测方法。通过视频间匹配的镜头数占查询视频总镜头数的比例来判断视频的相似性。除此之外,还利用著名的近似最近邻查找技术——LSH在镜头层来快速查找相似镜头,从而提高检测速度。通过将镜头作为检索单元,把数据库中所有视频的镜头放到一起构建一个新的数据集,将种子(查询)视频的每一个镜头作为一个查询请求,应用基于LSH的近似近邻检索方法,检索出与查询镜头相匹配的所有镜头,最后融合这些返回的结果,得到查询视频的重复或者近似重复的视频集。通过在包含12 790个视频的CC_WEB_VIDEO数据集上的实验结果表明,该方法取得了相比已有方法更好的检测性能。     

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。     

在线多示例学习目标跟踪方法研究

多示例学习是不同于传统机器学习的一种新的学习模式,近年来被应用于图像检索、文本分类等领域。提出一种基于在线学习的多示例学习算法,将其应用于目标跟踪。该算法通过构造一个在线学习的多示例分类器作为检测器,无需制作大量的样本进行离线的训练,只需在第一帧手动选中目标,便可以自动生成正样本和负样本,并在随后的帧序列中,根据跟踪到的目标自动更新分类器,在跟踪器丢失目标或者目标从场景中消失后,它能够重新检测到目标并更新跟踪器,从而有效地支持了跟踪器跟踪目标。实验证明该方法在背景复杂,光线变化,摄像机抖动等复杂条件下,可以很好地跟踪到目标,且对遮挡具有较好的鲁棒性。     

特征加权融合的在线多示例学习跟踪算法

为了能更加准确鲁棒地跟踪目标,提出了特征加权融合的在线多示例学习跟踪算法（WFMIL）。WFMIL在多示例学习框架下分别训练两种特征（Hog和Haar）分类器。在跟踪过程中,通过线性运算融合成一个强分类器,同时在学习过程中对正包中的示例引入权重。实验结果统计表明WFMIL能很好地解决目标漂移问题,并且对目标遮挡、运动突变、光照变化以及运动模糊等具有较好的鲁棒性。     

融合LSH和LoG特征的人脸识别

为了解决人脸识别率受光照变化影响较大的问题,提出一种局部敏感直方图（LSH）和高斯-拉普拉斯（LoG）特征相结合的人脸识别方法。首先,提取人脸图像中的LSH光照不变特征以及LoG边缘细节特征,然后通过计算各特征的标准差确定自适应融合权重,将其进行特征级融合来弥补单一使用LSH特征带来的细节损失,并以此构建更为有效的人脸特征样本集,最后使用稀疏表示算法对样本进行分类识别。在PIE和AR人脸库上的实验表明,所提方法能很好地处理光照问题,而且在训练样本较少的情况下,依然能获得较高的识别率。     

基于1-norm SVM权值学习的多示例目标跟踪

针对复杂场景下目标跟踪存在鲁棒性低,容易发生跟踪漂移的问题,提出一种改进的多示例目标跟踪算法。该算法针对多示例跟踪算法在包概率计算过程中忽略样本间的差异,对所有样本赋予相同权值,造成分类器性能下降及弱分类器选择存在复杂度高的问题,通过1-norm SVM计算各样本对包概率的重要程度,并在弱分类器选择过程采用内积的方法计算包概率的似然函数,从而减小算法的复杂度和计算时间。实验结果表明,该算法在目标发生遮挡、姿势变化、场景光照发生较大变化以及出现相似目标等较强干扰的情况下仍能较好地跟踪目标,具有较强的鲁棒性和抗干扰能力。