融合CamShift的TLD算法实现人脸跟踪

针对跟踪-学习-检测(Tracking-Learning-Detection,TLD)算法跟踪模块所用金字塔光流法计算量大,跟踪人脸实时性差的问题,提出融合连续自适应均值漂移(Continuously Adaptive Mean Shift,CamShift)的TLD算法提高人脸跟踪效率.改进的TLD算法框架中跟踪模块选用CamShift算法实现目标人脸跟踪,检测模块采用滑动窗法扫描搜索,再使用分类器判断目标是否存在,学习模块根据跟踪模块和检测模块的结果对比评估错误和误差,更新目标模型.将改进的TLD算法分别与CamShift算法和TLD算法进行对比试验,结果表明,融合CamShift的TLD算法实现人脸跟踪效率和准确率均高于原始两种算法,且满足实时性要求.     

一类视频序列中的人脸检测与实时跟踪算法

提出一种新的人脸快速检测与实时跟踪算法,能够对视频序列中的人脸进行快速、准确地检测和跟踪。算法分为开始状态、目标丢失状态的人脸检测和连续状态的目标跟踪。首先预测人脸两眼之间的中心位置,得到人脸的预测位置并对预测位置处的图像进行模板匹配,快速检测出人脸准确位置。然后利用检测出的人脸修正人脸模板,并在检测出的位置、旋转度、缩放比例等条件下,对后面序列图像进行小位置、小角度的快速跟踪。实验采用了多种环境下的大量视频,结果显示该算法能够快速跟踪视频序列中的人脸并具有很高的准确性、鲁棒性。     

智能监控系统中自适应人脸检测跟踪算法改进

针对传统人脸检测跟踪算法在复杂环境中准确率不高,以及在跟踪过程中易受到周围相似色物体干扰、遮挡丢失等问题,提出了一种改进型自适应人脸检测跟踪算法.该算法通过人脸检测(Adaboost)与主动形状建模(ASM)算法相结合,降低了复杂环境中的人脸误检率;通过对运动目标跟踪(Camshift)算法提取H-S二维颜色概率直方图,并结合Kalman滤波器有效解决了相似色干扰及遮挡丢失问题.实验证明,改进型算法不仅在复杂环境中人脸检测率高、抗干扰能力强,且满足实时性的需求,是一种建立实时智能监控系统的实用方法.     

一种检测区域动态更新的目标跟踪算法

TLD(Tracking-Learning-Detection)是针对视频中未知物体的长时间跟踪算法.当目标跟踪受到光照、遮挡和旋转等因素干扰时,TLD算法无法实现视频目标准确跟踪.针对TLD存在的问题,提出了一种改进的TLD动态更新检测区域的目标跟踪算法.采用压缩跟踪作为跟踪模块,并且增加了对压缩跟踪模块和检测模块运行效果的评估,根据评估结果来调整压缩跟踪模块和检测模块所占的权重,更准确预测目标的位置.在每次检测之前根据前一帧目标的位置和目标的历史运动速度选定一个动态更新的检测区域,缩短了检测模块和学习模块的运行时间.通过实验对原始TLD和改进后的TLD进行了对比测试,结果表明,改进后的TLD算法较原始TLD算法具备更高的跟踪成功率和更快的处理速度.     

一种检测区域动态更新的目标跟踪算法

TLD(Tracking-Learning-Detection)是针对视频中未知物体的长时间跟踪算法.当目标跟踪受到光照、遮挡和旋转等因素干扰时,TLD算法无法实现视频目标准确跟踪.针对TLD存在的问题,提出了一种改进的TLD动态更新检测区域的目标跟踪算法.采用压缩跟踪作为跟踪模块,并且增加了对压缩跟踪模块和检测模块运行效果的评估,根据评估结果来调整压缩跟踪模块和检测模块所占的权重,更准确预测目标的位置.在每次检测之前根据前一帧目标的位置和目标的历史运动速度选定一个动态更新的检测区域,缩短了检测模块和学习模块的运行时间.通过实验对原始TLD和改进后的TLD进行了对比测试,结果表明,改进后的TLD算法较原始TLD算法具备更高的跟踪成功率和更快的处理速度.     

融合检测和跟踪的实时人脸跟踪

目的 在实时人脸跟踪过程中,因光照变化、目标被遮挡以及跟踪时间长等因素,导致的误差累积都会影响系统的整体性能。针对这些问题,提出一种融合检测和跟踪技术的方法,其中包含了检测、控制和跟踪3个模块(简称DCT)。方法 在检测模块中,利用AdaBoost算法提取人脸的相关信息,并将信息传递给跟踪模块进行跟踪处理;在跟踪模块中,采用在线随机蕨和SURF(speeded up robust features)算法对目标进行跟踪。同时,在每次检测到目标之后,会通过控制模块对当前跟踪目标准确性进行判断。结果 选取国际标准数据组并与LBP+Camshift+Kalman滤波算法、SEMI算法、TLD(tracking-learning-detection)算法比较,实验结果表明,DCT方法在目标发生尺度较大变化、目标遮挡、旋转、形变以及光照发生变化时都具有良好的跟踪识别效果,DCT方法识别准确率在95%以上,平均误识别率和漏识别率分别为0.86%和0.78%。结论 DCT方法具有消除误差累积,跟踪失败后自动恢复等特点,同时可以消除环境中光照、遮挡和仿射变换的影响并满足系统跟踪的实时性要求,运用于视频人脸跟踪系统中能够提高系统的实时性及鲁棒性。     

一种嵌入式环境下的实时人脸跟踪方法

针对复杂背景和光照变化条件下的人脸跟踪问题,提出了一种适于嵌入式环境的实时人脸跟踪方法。该方法使用帧差法检测出运动区域,在运动区域内进行AdaBoost人脸检测并进而提取人脸特征点,运用距离约束的金字塔形Lucas-Kanade方法跟踪人脸特征点。当特征点丢失较严重时,重新选取特征点进行跟踪。实验结果表明,该方法有较鲁棒的跟踪性能,在嵌入式环境下能够实时跟踪人脸。     

基于多新息Kalman滤波的TLD改进算法

针对跟踪检测学习(tracking learning detection,TLD)跟 踪算法中目标被遮挡后跟踪失败以及跟踪精度不高的问题,本文提出基于多新息Klaman滤波的TLD改进算法,在原始TLD跟踪算法的基础上加入了多新息Klaman滤波算法。改进算法对跟踪目标建模,将TLD跟踪算法 的结果作为系统当前状态的观测值,结合多新息Kalman滤波算法的预测值,最优化检测结果 ,作为当前帧中目标的跟踪位置。通过实验对原始TLD和改进后的TLD算法进行比较,通过在标准测试序列的实验验证,加入多新息Kalman滤波的TLD改进算法与原始TLD算法相比,其跟踪误差更小,而且实现了对跟踪目标被遮挡后 的位置预测。     

基于KCF相似度的TLD目标跟踪算法

研究持续单目标跟踪算法时,TLD的架构是一种值得借鉴的方式,但由于其本身的一些缺陷,当跟踪的目标在出现遮挡、快速移动以及光照变化等复杂情况下,TLD跟踪算法容易发生目标跟丢的情况,并造成误差的逐渐累积。鉴于TLD跟踪算法以中值流跟踪算法作为跟踪器存在局限性,本文提出一种基于KCF相似度的TLD目标跟踪算法(TLD-KCFS)。采用KCF算法对TLD跟踪进行实时监督,通过跟踪结果计算出相似度,利用相似度进行检测模块切换的判断,并结合两种结果调整目标跟踪框。通过对多类型的视频序列进行测试后可知,TLD-KCFS算法在遇到模糊和快速移动、目标遮挡、光照变化等复杂情况时,可以稳定且良好地输出跟踪结果,鲁棒性较好,适用于长时间目标跟踪。     

采用异常值检测及重定位改进的KCF跟踪算法

针对传统核相关滤波器（KCF）跟踪算法受光照变化、严重遮挡和出视野等因素影响,出现目标丢失现象时,跟踪器会将背景信息作为目标继续进行跟踪而不能重新定位目标的问题,在KCF的基础上,引入异常值检测方法作为目标丢失预警机制,同时,提出了目标丢失重检测定位机制。方法对每帧的峰值进行检测,发现异常峰值,则判定目标丢失或即将丢失,预警机制发出警告,停止目标模板更新,启动目标丢失重检测定位机制,在全帧搜索定位目标。实验结果表明,改进的算法精确度为0.751,成功率为0.579,较之传统KCF跟踪算法分别提高了5.77%和12.43%。解决KCF跟踪器在目标丢失后不能重新找回目标继续跟踪的问题,提升了跟踪算法的性能,实现了长期跟踪。