矿井视频图像中人员目标匹配与跟踪方法

针对矿井视频图像人员跟踪中光照强度低、光照不均且变化剧烈、目标尺度变化频繁及矿工携带矿灯对目标外观特征影响明显等问题,提出了一种基于压缩感知的实时多尺度人员跟踪方法.基于压缩感知和归一化矩形特征,得到尺度不变压缩特征SICF,该特征被用于实时描述尺度变化的目标.基于SICF建立目标外观模型,并利用朴素贝叶斯分类器识别样本类别,确定样本与目标之间的相似度.为了降低矿灯对目标外观特征的影响,提出利用边缘颜色特征得到各样本置信度,并与SICF外观模型融合共同构建粒子滤波框架的观测模型;结合矿工运动特点和速度信息,利用二阶模型作为运动模型.通过对标准视频库和井下实际采集视频的实验结果表明:本文算法在精度、稳定性及对井下特殊环境的适应性上均优于当前国内外最新算法,平均跟踪帧速达24fps.     

基于自适应多测量融合UPF的矿井人员跟踪算法

针对复杂背景下的矿井跟踪视场由于单一线索对目标缺乏可分性、观测模型可靠度对场景变化缺乏自适应性致使观澍失效、跟踪发散的问题,提出了基于自适应多测量融合UPF的矿井人员跟踪算法.采用UKF产生预测样本,通过融入最新观测的建议分布引导预测样本分布在状态空间的高似然区域,扩大了预测样本与观测似然峰值重叠区域;提出运动光流直方...     

红外图像中快速小目标的均值移位跟踪

为了增强红外图像中快速小目标跟踪的稳健性,提出基于隶属度加权核直方图目标表征模型的改进均值移位跟踪算法．首先分析原始均值移位算法跟踪快速小目标的局部背景干扰问题,融合背景信息提出隶属度加权核直方图目标表征模型．该模型能够提高对于目标的表征能力,抑制局部背景干扰．然后,以Bhattacharyya系数作为相似性度量,在均值移位框架下推导出基于该模型的移位向量,能够有效实现目标的移位跟踪．移位过程中,目标隶属度大的灰度具有高移位权重,反之具有低移位权重．最后,应用模型更新方法克服局部背景的时变性,进一步提高目标跟踪的鲁棒性．实验结果表明,该算法对于红外图像中的快速小目标的具有稳健的跟踪性能．     

基于多示例学习的目标跟踪算法

为提高运动目标跟踪算法的鲁棒性,提出一种基于多示例学习(MIL)框架的跟踪算法。该算法利用类Haar特征构建若干弱分类器,然后级联为多示例学习强分类器,根据目标在视频前一帧中的位置,依据最大熵原理,在当前帧中找出目标可能出现的范围,并利用该强分类器确定其最有可能出现的位置,作为跟踪结果,并且将该位置不同邻域内的图像分别作为正包和负包去更新多示例学习强分类器。实验结果表明,该算法对于运动目标外观有显著变化的情况具有较好的鲁棒性和实时性。     

基于空间颜色模型的目标跟踪方法

为了克服颜色直方图对目标定位不准确的问题,提出了基于空间颜色模型和粒子滤波的目标跟踪方法。结合目标区域的颜色和空间信息,采用空间颜色直方图对目标建模,通过计算候选目标和参考目标空间颜色直方图的Bhattacharyya距离,建立基于空间颜色模型的观测似然函数。实验表明,与基于颜色直方图的跟踪算法相比,新算法提高了跟踪的准确性和鲁棒性。     

基于核密度估计的遮挡人体跟踪

充分利用空间、颜色、运动等信息对图像进行块建模、颜色建模和运动建模.通过混合高斯建模法,将运动人体的前景信息提取出来;基于Epanechnikov核密度梯度估计算法,对存储模型中的人体进行聚类,实现块建模;采用非参数的核密度估计算法和基于高斯分布的运动建模,分别获取颜色密度函数和运动密度函数,并利用颜色密度函数和运动密度函数对当前帧的前景区域进行后验概率估计,以获取后验概率图像,根据对该图像中遮挡人体进行分割以实现人体目标的跟踪.实验结果表明:基于核密度估计的遮挡人体目标跟踪算法有效地解决了遮挡人体目标跟踪问题.     

基于分层粒子滤波的地标检测与跟踪

针对直升机运动平台获得的地标图像序列高噪声且帧间位移大等难点,提出一种改进的局部二值模式向量,利用集成学习算法训练分类器区分地标模式和背景模式.采用分层粒子滤波算法有效地结合纹理和颜色2种特征,将地标检测与跟踪有机地融为一体.该算法首先选择似然值均值作为观测值,并利用均值漂移算法将粒子移到高似然值区域,然后选择颜色直方图作为观测,逐步将粒子移向高权重区域,最后通过聚类算法估计地标数目与位置.实验验证了该算法的有效性和鲁棒性.     

应用粒子群算法的动态目标DOA估计

针对信号源方向时变情况,提出一种新的跟踪方法.该方法利用性能优越的最大似然估计避免了子空间跟踪类方法需要不断重复的协方差矩阵分解.为有效解决最大似然估计巨大计算量的问题,引入粒子群算法并对其进行改进,使其能够自动跟踪目标,把目标锁定在一个很小的搜索范围之内.通过大幅度缩小搜索的范围和运用群智能搜索可以有效降低算法的计算量.仿真结果表明,与子空间类算法相比,该方法具备解相干的能力和较好的跟踪精度,而且能够保证算法的实时性.     

矩阵的低秩稀疏表达在视频目标分割中的研究

提出了一种视频目标跟踪与分割的在线算法。该算法将每帧图像中的超级像素作为一个数据点,根据已知的目标和背景建立模板,当前帧中待分割的目标可以看成已知模板的稀疏线性表达。根据此线性表达的系数可以建立描述当前帧与模板的相似性矩阵,即表达子。由于视频图像的连续性,表达子具有低秩和稀疏的特征。因此通过求解矩阵的低秩稀疏的优化问题可以得到当前帧中所有数据点属于目标的概率分布。为了获得基于像素级的分割结果,通过能量最小框架,并利用图分割的方法最终实现目标的分割。实验结果表明该算法具有良好的分割效果。     

基于视觉灵敏度与DCT系数的显著性检测

提出一种基于人类视觉灵敏度与空间加权离散余弦系数差异度的显著性检测模型.该模型将图像块的离散余弦低频系数作为其特征向量,以取代颜色和亮度等基本特征.每个图像块的显著性不仅计算与其余所有图像块的空间加权特征差异度之和,还用人类视觉灵敏度加权.通过与6种典型的显著性检测模型在3个眼动跟踪数据集上进行对比实验,结果表明,该模型显著性检测性能优于所有对比算法.此外,将该显著性检测模型用于新一代高效率视频编码(high efficiency video coding,HEVC)中也获得了很好的效果.     

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。     

基于字典学习与稀疏表示的非结构化道路分割方法

针对野外环境自主车视觉导航问题,提出了一种新颖的基于字典学习与稀疏表示的道路分割算法。该算法以局部图像小片为处理单元,通过选取典型道路图像学习得到路面图像小片的一组字典,并利用车辆前方的一小块区域作为监督,通过在线字典学习对字典进行实时更新,使路面图像小片可在该字典上精确稀疏表示,而非路面图像小片则不能。因此建立了基于字典学习与稀疏表示的分类框架,利用局部图像小片在字典上的稀疏重构误差进行分类。大量实验结果表明,该算法能够适应多变的非结构化道路环境,且对光照、阴影及水坑等具有较好的鲁棒性。     

稀疏投影在目标跟踪中的应用

探讨了稀疏投影表示法在目标检测跟踪系统中的应用.通过一范数(L1)正则化最小二乘算法实现目标特征在模板矩阵的稀疏投影,并根据投影差值最小的目标特征找到最优跟踪状态估计,最后更新模板矩阵以适应目标变化.该方法将基于贝叶斯框架的状态预测和视频采集模板相结合得到最优跟踪轨迹.实验结果表明,该方法能够达到很好的跟踪效果.     

基于Gabor变换的图像邻域嵌入超分辨率放大

为了改善图像超分辨率放大的效果,提出一种基于Gabor变换的超分辨率放大算法。通过将图像块与多方向、多尺度的Gabor滤波器求卷积,来提取图像块的局部特征;利用欧几里得距离度量标准,为提取了Gabor特征的测试图像块寻找准确的近邻图像块,并通过联合学习高、低分辨率图像块对的方法,求出图像块对之间的关系;将寻找到的近邻图像块进行线性组合,求得所需的高分辨率图像块。实验结果显示,图像的Gabor特征能够帮助测试图像块找到更准确的近邻图像块,从而提高超分辨率算法的性能。     

半监督Hough Forest跟踪算法

针对基于检测的目标跟踪算子存在着目标表观描述的准确性和对跟踪过程的目标表观变化的适应性之间的矛盾,提出一种较为柔性的半监督学习方法：以Hough Forests为基本学习框架,用离线学习的分类器作为先验跟踪算子,并引入基于跟踪过程中用检测得到的object-specific信息和空间一致性信息的随机标签分布,用来生成半监督学习所需要的在线数据样本,对跟踪算子进行修正|分类器的检测和跟踪环节与在线的Hough Forests分类器应用环节类似,但采用了类似粒子滤波的随机采样方式对检测和更新环节进行加速|用匀速运动模型对目标运动进行建模,使跟踪过程中的目标位置预测更加准确.算法在标准跟踪数据集合i-Lids和TUD-campus上与当前流行的目标跟踪算法在线Boosting算法、MILB和Hough Forests跟踪算法进行了比较实验.实验证明：监督Hough Forests分类器提供了解决分类器对目标表观表述的准确性和自适应性矛盾的一种有效机制|整个跟踪算法能够使目标跟踪过程更加快速、鲁棒与准确.     

Research on biomimetic pattern recognition for object adaptive tracking algorithm

A new method for image object recognition and tracking based on Biomimetic Pattern Recognition (BPR), which can automatically change the size of the object, is proposed. To accomplish the learning process of the sample objects with different sizes, an artificial neural network model is used to cover the training sample. The curve fitting method based on the Radial Basis Function (RBF) neural network is presented to approximate the size of the objects in the coverage of the network formed by BPR theory in order to change the size of the object automatically. The Quadratic Minimum Distance algorithm based on the Euclidean distance is applied to search the target in the process of object recognition and tracking. Experimental results and theoretical analysis show that the algorithm proposed in this paper is more effective and robust in object recognition and tracking of video image sequences than the BP neural network.     

基于粒子滤波的目标主动轮廓跟踪算法

传统的粒子滤波方法采用若干维参数定义的简单几何图形给出跟踪结果,不能精确表示现实中具有复杂形状的目标物体。针对这一问题,该文提出基于粒子滤波的主动轮廓算法,用于计算复杂形状目标的轮廓跟踪任务。在目标状态后验分布的模拟样本基础上引入主动轮廓模型,并使用带权粒子定义其能量函数,使得模型的轮廓线向具有重要权重粒子的所在区域演化,并最终收敛到具有最大目标似然的图像区域,从而实现对目标物体的全局运动及局部形态演化的同时估计。精确的目标区域提高了目标模型的更新精度,避免了跟踪中漂移现象的发生。最后,结合真实机场监控验证了该方法在实际复杂场景下的有效性及鲁棒性。     

基于图像块先验的低秩近似和维纳滤波的去噪算法

利用混合高斯模型(gaussian mixture model, GMM)学习自然图像块的纹理结构,提出一种基于图像块先验的低秩近似和维纳滤波的去噪算法。该算法能够同时利用外部图像块的先验结构信息和内部图像的自相似性,对待去噪图像进行分块聚类,并根据每类相似块的数量进行协同滤波。当相似图像块数量较多时,采用低秩近似的方法复原,有效利用图像的内部自相似性;当相似图像块数量较少时,采用维纳滤波,利用先验信息保持图像重要的纹理结构。试验结果表明此方法较适用于弧形边界和角点等存在较少相似块的自然图像,其峰值信噪比(peak signal to noise ratio, PSNR)和视觉效果优于目前部分主流算法。     

冲击噪声背景下的动态DOA跟踪

针对冲击噪声背景下的动态DOA估计问题,提出了一种锁定跟踪思想及其实现公式,并对粒子群算法进行改进,研究了基于最大似然算法的动态DOA估计方法。该方法在避免分数低阶矩矩阵重复分解的同时,有效降低了多维搜索的计算量,并且具有良好的跟踪性能。仿真实验结果表明该方法的有效性。     

基于多特征组合的协方差目标跟踪方法

基于多特征组合的协方差矩阵表征目标的方法,研究用协方差矩阵来描述跟踪的感兴趣区域(ROI),从而提出基于速度预测和前景的协方差目标跟踪方法.因为积分图方法可以加快协方差的计算速度,在提出的协方差跟踪方法中使用了积分图快速算法,进一步提高算法的效率.结合目标速度的预测和前景提取缩小搜索范围,加快了匹配速度,使所提出的协方差目标跟踪方法能更进一步提高跟踪效率和准确性.通过背景强干扰、光照变化和相同颜色遮挡情况下的目标跟踪实验,结果表明基于速度预测和前景的协方差的跟踪方法在复杂场景下跟踪的准确性很高,跟踪的鲁棒性和快速性有明显提高.