一种目标轮廓跟踪的UPF方法

针对通用目标轮廓跟踪中CONDENSATION粒子算法的不足,提出一种轮廓跟踪的Unscented Particle Filter（UPF）方法。通过将Unscented卡尔曼滤波器与粒子滤波的结合,并实时考虑观测值,可以精确地、实时地跟踪目标区域。通过人脸跟踪结果表明,该方法对背景干扰具有很强的鲁棒性。     

基于粒子滤波的多区域辨识性建模跟踪算法

为使跟踪算法中的目标模型不被相同特征的背景像素所干扰,在粒子滤波的框架下引入多区域辨识性建模机制,提出1种新的鲁棒的目标跟踪算法。提出的算法侧重能够辨识前景与背景的最有效信息,把目标物体划分为多个子区域。通过统计子区域与背景类别的类内/类间特性选择出最具信息量的子区域。在选出的目标区域基础上,提出的算法以贝叶斯的方式同时考虑图像信息及空间信息,建立具有辨识性的目标表观模型,并在粒子滤波的更新阶段用以估量目标的所在区域。在一系列具有挑战性的视频序列上的实验结果证明了,在许多复杂场景下,提出的方法与传统的粒子滤波跟踪器相比的鲁棒性以及有效性。     

基于粒子滤波的移动物体视觉跟踪方法

基于颜色特征的粒子滤波算法已成为移动物体跟踪的热点.提出一种基于加权颜色直方图的粒子滤波跟踪算法,利用Bhattacharyya距离来描述粒子与目标区域颜色模型的相似性.实验结果表明:该方法具有较好的实时性与鲁棒性,可应用在视频监控、小车寻迹等场合.     

一种基于双向鉴别信息的粒子滤波跟踪方法

为提高对复杂背景下目标的跟踪精度,提出一种基于双向鉴别信息的粒子滤波目标跟踪方法。首先在视频图像序列的第一帧中,同时给目标和背景建立模型。然后以粒子滤波为跟踪框架,对每个粒子进行操作时,采用基于扩展的局部不变特征分别描述目标区域和背景区域。最终通过目标和背景的双向鉴别信息,获取目标的跟踪结果。实验结果表明,此方法在不需要太多数目粒子的条件下依然可以达到很好的跟踪效果。     

基于混合特征的运动目标跟踪方法

为了应对运动目标跟踪任务中目标的尺度、光照变化和形变等情况,提出了一种基于混合特征的运动目标跟踪方法--SoH-DLT,综合考虑了运动目标的轮廓特征和细节特征.在粒子滤波跟踪过程中引入方向直方图描述目标轮廓特征,保证与目标最相似的粒子在尺度、光照变化和形变的情况下仍能获得较高的置信度,并作为跟踪结果输出.结合深度学习获得的高层特征和具有尺度不变性的加速鲁棒特征计算粒子权重,提高了复杂运动场景下目标跟踪的准确度,强化了SoH-DLT方法对尺度变化运动目标跟踪的鲁棒性.实验结果表明,SoH-DLT与其他方法相比获得了更好的跟踪效果.     

基于概率图模型目标建模的视觉跟踪算法

提出了一种视觉跟踪任务中基于局部特征和概率图模型的目标建模方法,将目标表示为一组具有仿射不变性的区域特征,并通过概率图模型描述特征之间的空间约束关系。在目标跟踪过程中,首先在空域上利用信任传播算法,推断概率图模型中各个特征的状态,然后根据推断的结果设计改进的重要性采样函数,采用粒子滤波算法在时间域上对目标进行跟踪。为了适应目标在运动中的变化,模型根据特征的稳定程度自适应地进行更新。实验结果表明,该方法具有较强的鲁棒性,能够有效实现复杂场景下的目标跟踪。     

基于分布匹配的主动轮廓模型及其图像分割算法

针对运动目标跟踪的快速性和鲁棒性要求,提出了基于分布匹配的主动轮廓模型,该模型将模板和候选区域的分布匹配标准——相对熵(即Kullback-Leibler距离)作为主动轮廓的外部能量,使用目标和背景全图像的匹配,克服了跟踪过程中噪声的影响。同时根据匹配力构建帧内和帧间的运动向量,加快了序列图像分割速度。相比于现有的基于边缘、块匹配、区域匹配的主动轮廓模型,该模型具有更好的噪声鲁棒性及在跟踪过程中容忍目标旋转和较大位移的能力。实验验证了该模型的有效性。     

SNAKE初始模型及其改进算法的研究

SNAKE模型主要应用在医学图像，运动跟踪，形状识别等领域．文中阐述了在视频摄像中运动物体轮廓跟踪的方法及其改进算法．首先由用户在感兴趣的物体附近指定其初始轮廓，随后该轮廓曲线会进化并锁住物体的边缘．一旦初始轮廓获得之后，后继帧中该物体的运动轨迹即奇被跟踪且不需要用户再输入任何参数．     

一种快速红外人体轮廓跟踪算法

为实现红外图像序列中人体轮廓的精确跟踪,提出了一种基于快速水平集的新算法.首先,在目标区域及其邻近背景区域带上,而不是在整个图像平面上,采用模式分类中的最近邻决策思想来构建快速水平集算法的速度函数;然后,采用基于动态邻近区域的快速水平集来演化目标边界曲线以实现目标的轮廓跟踪.实验结果表明,该算法能适应目标尺度的变化、目标的分裂或合并,并获得人体的精确轮廓.     

自适应气球力主动轮廓的图像分割

集成图像的先验信息到模型中是改善主动轮廓模型分割复杂背景图像性能的一种重要方法．采用统计方法确定目标区域，根据区域自适应地决定主动轮廓模型气球力的方向，对测地线主动轮廓模型进行改进．结果表明：主动轮廓曲线的收敛仅依赖图像梯度这一局部性质的情形被改变，主动轮廓曲线的收缩或扩张和目标区域联系起来．图像分割实验说明改进的模型能较好地对带噪声且为弱边缘的人工合成图像、医学超声图像得到理想的目标边缘轮廓．自适应气球力主动轮廓分割图像能提高在图像弱边缘处的定位能力和精确度，减少对噪声的敏感性，加快曲线收敛到目标边界的速度．     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法.在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪.算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计...     

基于均值偏移粒子滤波的自适应跟踪

针对视频中运动人体的跟踪,提出了一种基于均值偏移粒子滤波的自适应跟踪算法。该算法首先对所要跟踪的人体目标进行分块,并选择与周围环境颜色相似度最小的块模板作为跟踪区域;然后使用基于均值偏移的粒子滤波方法进行跟踪,并设计了自适应更新块模板尺度的方法;最后在粒子滤波的状态估计阶段后,加入自适应观测模型,根据块模板尺度的变化情况,自适应地选择高斯噪声方差和粒子数目。实验证明,在出现遮挡或人体运动方向改变的情况下,本文算法的跟踪效果比传统均值偏移粒子滤波更好。     

基于矩特征预测的主动轮廓跟踪算法

提出了一种基于矩特征预测的B样条主动轮廓跟踪算法。在算法的预测阶段，采用卡尔曼滤波器预测图像中运动目标的质心位置及主轴旋转角度，采用这2种矩特征统计量初步确定主动轮廓在当前帧中的位置及姿态。在算法的搜索阶段，采用动态规划方法驱动B样条主动轮廓精确定位目标的边缘。实验表明，这种跟踪算法在数十帧的头部序列图像中能较好地分割及跟踪目标。     

基于改进的粒子滤波的视觉跟踪算法

通过对基于粒子滤波算法的运动目标跟踪技术进行研究,并针对粒子滤波算法的退化现象做出了两方面的调整。第一,对粒子滤波的重采样阶段做出了改进,在粒子上添加一个微小的高斯干扰,使得重采样的粒子分布发生变化,同时使采样枯竭得到了抑制;第二,经过一段时间的跟踪后,将跟踪目标重新初始化,继续跟踪,使得跟踪结果更加完善。通过自适应调整跟踪目标的窗口,使其大小改变,背景中的颜色尽量没有与跟踪目标相同的颜色。实验结果表明。这种改进过的粒子滤波算法能够在复杂的情况下进行跟踪,并且跟踪性能优于Meanshift方法。     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。     

均值漂移优化的粒子滤波目标跟踪方法

为了实现粒子集的有效传播,克服粒子滤波跟踪时的退化问题,提出尺度和方向自适应的均值移动优化粒子滤波目标跟踪算法.用改进的均值移动作为一种优化机制对粒子进行传播,使粒子能够有效分散和聚类,有效解决退化问题.最后将该方法应用到真实图像序列中,实验表明算法在性能和效率上有明显提高.     

基于区域合并与轮廓模型的图像序列人物轮廓分割

为解决受图像背景复杂度影响,分水岭算法较难高精度实现图像序列中人物轮廓的分割与追踪这一问题,提出了利用颜色空间转换的区域合并实现目标轮廓区域的划分、并基于人物头部轮廓信息生成人物领域轮廓模型的方法。通过对人物领域边界线生成的初步轮廓模型进行高斯函数的卷积运算,生成形态轮廓模型的有效对象模板,实现图像序列的人物领域中不依靠序列差分和移动向量亦能在图像序列中追踪移动对象。基于颜色空间转换的区域合并和轮廓模型算法,可满足视频背景变动并且背景复杂的情况下对图像序列中的人物轮廓进行有效分割。实验结果验证了本算法的有效性与鲁棒性,可有效而稳定实现图像序列中人物轮廓的分割。     

基于支持向量机粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在的粒子退化问题,提出了一种新的基于支持向量机的粒子滤波目标跟踪算法。该算法利用滤波过程中的预测粒子集及其权值,使用支持向量机估计出系统状态的后验概率密度,再根据该概率密度重采样更新粒子集,以提高粒子的多样性,从而克服粒子的退化现象。仿真结果表明,该算法能显著增加有效粒子的数量,其目标跟踪精度优于马尔可夫链蒙特卡罗移动方法以及正则粒子滤波算法。