基于粒子滤波和压缩感知的目标跟踪算法

为了解决目标跟踪过程中出现的目标遮挡和光照变化问题,提出一种基于粒子滤波和压缩感知的目标跟踪算法。算法融合颜色特征和纹理特征来描述目标,增强算法在光照变化和复杂环境下的鲁棒性;利用压缩感知理论对特征进行降维,提高算法实时性;最后,根据粒子滤波原理估计目标状态,得到目标位置。实验结果表明,本算法在有效减少算法运行时间的前提下,能够准确跟踪遮挡和光照变化情况下的目标。     

基于自适应压缩特征选择的实时目标跟踪算法?

针对压缩感知算法中的低维特征对目标重构效果较差的问题,提出基于自适应压缩特征选择的目标跟踪算法。该算法首先提取满足目标重构要求的高维压缩特征,再通过所提出的特征选择方法选择区分度高的低维特征作为目标的外观模型,从而降低计算复杂度。为自适应选择特征,采用一种差分方法控制特征维数,满足实时性要求。实验表明,与其他算法相比,文中算法具有更强的鲁棒性和实时性。     

一种基于改进CAMshift的多特征跟踪算法

针对传统CAMshift跟踪算法在复杂环境中跟踪效果不理想的问题,论文提出融入基于纹理特征的SURF算法与改进CAMshift算法形成多特征融合跟踪算法。通过基于色调分量H和饱和度分量S联合生成目标直方图模板,利用完整的目标颜色信息特征增强算法对复杂环境的适应能力。为进一步提高算法的鲁棒性,利用SURF算法实现跟踪目标的重定位,克服了复杂环境下丢失目标后跟踪问题。实验证明,论文提出的多特征融合算法在保持理想的鲁棒性和准确性的同时,也提高了跟踪的实时性。     

基于改进的颜色和SURF特征的粒子滤波目标跟踪

针对视频中运动目标的准确跟踪问题,提出了一种改进的颜色直方图特征和SURF特征的粒子滤波跟踪算法。采用SURF算法提取特征点,利用分层迭代的KLT算法对特征点进行稳定跟踪。将SURF特征与改进的视觉显著性颜色特征进行乘性融合,作为粒子滤波的观测概率。针对跟踪过程中SURF匹配数下降和不稳定的现象,设计了SURF特征模板集的更新策略。与传统特征的跟踪进行多组对比实验,其结果证明了该方法对光照和遮挡具有很好的鲁棒性,对目标跟踪的准确率更高。     

基于特征在线选择的目标压缩跟踪算法

基于压缩感知理论的压缩跟踪算法能够有效地实现对目标的跟踪, 具有良好的实时性, 但该算法对目标特征没有进行在线选择导致跟踪鲁棒性不高. 本文提出一种基于特征在线选择的目标压缩跟踪算法. 首先, 在目标附近采样得到正负样本集合, 计算样本的多尺度矩形特征, 采用压缩感知中的随机投影矩阵对高维特征投影得到低维压缩域特征, 对压缩域特征进行在线选择提取最优特征, 剔除被污染的样本特征, 使用简单高效的朴素贝叶斯分类模型进行样本判断, 实现对目标的跟踪, 同时对跟踪中目标在摄像头中的尺度变化进行建模, 给出目标尺度变化的定量描述, 实现了适应目标尺度变化的多尺度跟踪. 实验结果表明本文算法具有更好的鲁棒性与更高的跟踪精度, 对目标跟踪中的遮挡、光线突变、尺度变化和非刚性形变等因素具有较好的抗干扰能力, 同时算法复杂度低, 可以满足实时性要求.     

基于SURF和CamShift的物体跟踪方法

CamShift算法是一种常用的跟踪算法,但是它只利用颜色特征来进行目标跟踪,当背景颜色与跟踪目标的颜色相似时会出现跟踪失败的情况。结合SURF设计了一种基于SURF和CamShift算法的创新的跟踪方法。利用反馈机制计算CamShift跟踪窗口与初始窗口的特征相似度以及SURF跟踪窗口与初始窗口的色彩相似度;同时抑制大的位移变化,为两种跟踪算法动态分配位移的权重,以实现对物体的跟踪。测试实验表明,该跟踪方法对不同的物体、在不同的环境下有较好的效果。     

改进的SURF算法及其在目标跟踪中的应用

SURF特征描述子在目标跟踪中得到了有效应用.针对SURF特征描述子运算复杂,难于在嵌入式系统中实时实现的问题,提出了一种改进的SURF特征描述子.对SURF特征描述子的生成过程进行了改进,利用三角特征和对角线特征设计了改进的SURF特征描述子.对不同变化情况下的图片进行了特征点匹配实验,对其性能进行了验证和分析;在DSP中对所提改进SURF特征描述子的快速实现进行了验证,在实验条件下,改进的SURF特征描述子在DSP中的运算速度达到了28f/s,比改进前提高了约47％.最后,基于SURF特征点匹配,设计了目标匹配跟踪策略,对改进SURF特征描述子在目标跟踪中的有效性进行了验证.     

增强现实中基于自然特征的实时跟踪方法

在增强现实系统的复杂场景中,对目标的实时跟踪受到场景中诸多因素的制约,导致实时跟踪方法效率低且不准确,为此提出一种基于自然特征的实时跟踪方法。设计了一种螺旋分割模型,对捕获的图像进行螺旋分割,利用SURF算法在分割子块中提取特征点,并进行匹配。在对目标进行跟踪定位时,利用前一帧来预测当前帧目标出现的位置,以减少SURF算法的扫描区域,加速系统运算效率。实验中分别对场景光线强弱、视点和仿射变化以及目标被部分遮挡等不同情况进行测试,该方法均表现出较高的跟踪效率。     

基于SURF算法的人脸跟踪技术研究

人脸检测与跟踪技术是计算机视觉领域研究课题之一,在军事及民用领域应用广泛.在目标检测算法中,基于特征的方法具有压缩信息量、执行速度快、精度高等优点,成为近年来目标检测领域的研究热点.SIFT算法便是其中之一,但传统的SIFT算法应用于人脸检测过程中有数据量大、计算耗时长,提出了一种基于SURF算法的人脸检测方法,阐述了SURF算法的基本原理,并首先将SURF算法应用于人脸特征检测与跟踪,阐述了人脸跟踪系统设计方法,使用OpenCV技术实现了基于SURF算法的人脸跟踪验证系统.试验结果表明,基于SURF算法的人脸跟踪系统匹配识别效果较好,实时性较好、具有较好鲁棒性.     

基于融合特征的多尺度快速相关滤波跟踪算法

针对复杂场景下目标遮挡和尺度变化所导致的跟踪效果不佳问题,提出一种基于融合特征的多尺度快速相关滤波跟踪算法。首先,对目标的3种特征降维融合构成特征矩阵;其次,采用主成分分析思想实时地提取显著特征,重构特征矩阵,在有效降维的同时训练位置相关滤波器;最后,利用融合特征矩阵训练尺度相关滤波器,从而准确预测目标位置和尺度。实验部分将改进算法与目前流行的相关滤波跟踪算法进行比较,结果表明,改进算法在目标遮挡和尺度变化场景下跟踪精度较高,平均跟踪速度达到52.5 frame/s。