一种基于子空间学习的实时目标跟踪算法

针对当前目标跟踪算法鲁棒性低且运算慢的问题,本文提出了一种基于子空间学习的实时目标跟踪算法。该方法在粒子滤波跟踪框架下,采用增量式PCA子空间学习方法学习一个正交子空间,利用学习到的正交子空间对目标外观进行线性表示;针对目标在遮挡、运动模糊等复杂干扰状态下容易产生跟踪漂移的问题,本文建立了一个将遮挡等复杂因素考虑在内的观测模型和模板更新方案,解决了基于最小均方误差准则的传统观测模型在复杂场景下的跟踪漂移问题。实验结果表明,本文的跟踪方法能够达到很高的跟踪精度,同时也达到了接近实时的跟踪速度。     

基于遗传进化策略的粒子滤波视频目标跟踪

粒子退化问题是影响基于粒子滤波视觉跟踪性能的一个重要因素,为克服这种缺陷,本文将遗传进化策略引入粒子滤波跟踪算法,利用遗传算法的选择策略,根据预定的似然阈值迭代选择每代粒子中次优个体,然后对未选中的粒子实施交叉、变异操作以获得粒子的多样性,从而有效解决了粒子的退化问题.另外,针对跟踪中目标表观变化的问题,本文提出的跟踪算法采用了多模板自适应更新技术以确保跟踪的准确性.实验结果表明,本文提出的跟踪算法能有效地跟踪室内运动目标,并对光照变化、目标姿态变化具有良好的鲁棒性.     

基于粒子滤波的目标跟踪算法浅析

所做的工作是利用粒子滤波理论解决目标跟踪所面临的技术问题。首先介绍粒子滤波中的两种重要算法:贝叶斯理论和蒙特卡罗方法,接着在此基础上详细阐述基于粒子滤波的目标跟踪算法。     

基于混沌粒子滤波的视频目标跟踪

针对复杂场景中目标受光照、自身形变、遮挡等影响,本文以混沌粒子滤波为框架,建立多特征似然模型,进行目标遮挡处理,提出了一种鲁棒性好且抗遮挡性强的混沌粒子滤波跟踪算法.本算法中利用混沌优化搜索优化粒子,很好的克服了退化现象,减少了计算量,在多特征似然模型建立中,对特征选择做了改进,使算法鲁棒性更好,并在算法中添加了遮挡处理.理论数据及实际场景的仿真结果表明,本文提出的算法鲁棒性好且具有较强的抗遮挡能力.     

基于改进粒子滤波算法的水下目标跟踪

针对常规粒子滤波算法粒子数目保持不变的问题,提出了一种可以自适应调整粒子数目的改进算法。该算法将KL距离(Kullback-Leibler Divergence,KLD)引入粒子滤波重采样过程,保证在一定的滤波精度下,可以有效地调整滤波过程中使用的粒子数目,从而实现了滤波过程中粒子数目的自适应。将该算法应用于纯方位水下目标跟踪,仿真结果表明,该方法有效地改善了滤波效果,计算量低,适合于实际应用。     

基于自适应前景分割及粒子滤波的人体运动跟踪

提出了在图像序列中用自适应前景分割及粒子滤波对人体的3-D运动轨迹进行跟踪的方法．首先建立了像素点的高斯模型,并结合图像帧间的差分信息以及灰度分布的先验概率等因素完成了图像中人体的自适应分割．根据所得到的分割结果建立了透视投影下的运动平面跟踪模型．根据投影过程的非线性以及图像中噪声分布的未知性,提出了粒子滤波的跟踪方法,并最终得到了人体运动平面的3-D轨迹．实际人体运动图像序列的实验证明,本文方法能有效地跟踪人体运动的3-D轨迹,并反映出在此跟踪问题上粒子滤波比传统的扩展卡尔曼滤波更具优势．     

基于在线特征选择的粒子滤波跟踪算法

在复杂场景下,传统的粒子滤波跟踪算法较难定位目标.针对此问题,提出了一种基于在线特征选择的粒子滤波跟踪算法.该算法首先在线、自适应地通过Fisher判别准则,从16个不同的颜色特征空间中选择最能区分目标及其邻近背景的1个最佳特征空间,然后在这个最佳特征空间中用基于统计直方图的粒子滤波算法跟踪目标.试验结果表明,该算法鲁棒性和准确性较好,在光照变化.目标自身发生形变和遮挡情况下能够准确地对目标进行跟踪.     

基于空间直方图的多目标粒子滤波跟踪

针对复杂场景中多目标跟踪问题,本文给出了目标的出现与消失、遮挡等模型描述,将其统一到粒子滤波的框架下,提出了一种可以处理目标数可变的多目标跟踪算法.对场景中的目标数建立马尔科夫模型,采用转移概率矩阵描述跟踪过程中目标出现,消失的情况;在状态表示中增加辅助变量,明确目标之间可能的遮挡;采用目标空间直方图建立基于唯一性原则的观测似然函数,通过后验概率分布估计目标数及目标状态.实验结果表明,本文算法能有效地处理跟踪过程中的目标数变化、目标遮挡等问题,实现多目标的正确跟踪.     

改进的粒子滤波目标跟踪算法

针对环境迁移、目标被遮挡或姿态变化较大时传统粒子滤波算法的鲁棒性不强的问题,提出一种改进的粒子滤波目标跟踪算法。建立目标模型时,将目标的HSV颜色特征和Uniform LBP纹理特征进行加权融合;粒子重采样过程中,采用加权随机采样方法,将粒子权值作为重采样的影响因子而非决定因子,以提升粒子多样性,降低粒子衰退对目标跟踪的影响;目标被干扰时,采用卡尔曼滤波对目标位置进行偏移校正,以获取目标正确位置;最后采用模板更新策略对目标模板进行实时更新。实验结果表明：相较于传统粒子滤波算法和CMT算法,本文算法对复杂环境中目标被遮挡和姿态变化的情况下都具有较好的鲁棒性。     

基于粒子滤波的多模态振动信号在线跟踪

针对多模态振动信号的在线监测和跟踪,提出基于随机子空间（SSI）和粒子滤波（PF）算法的仿真振动信号在线监测和跟踪方法。通过SSI算法提取得到振动系统的模态主频和阻尼比,根据振动系统模型模态主频和阻尼比的计算公式,得到系统的状态矩阵和输出矩阵。将计算所得状态矩阵和输出矩阵代入状态方程,利用PF算法进行信号的在线监测和跟踪,实现信号的降噪处理和预测分析。对于大型机械、桥梁等建筑物,对其进行在线监测保障其正常营运对社会经济发展具有深远影响。文中利用SSI算法提取系统的模态参数,进一步构建振动系统的状态矩阵和输出矩阵,并利用PF算法进行信号滤波抑噪和预测,在此基础上可以对结构状态实施在线监测及预警控制,实际大桥斜拉索振动信号测试也表明本文算法可以提供稳定可靠的信号跟踪与预测技术。     

基于自适应特征融合的多尺度相关滤波跟踪

为了减小目标跟踪中目标变形、光照影响、运动模糊以及目标旋转对跟踪效果的影响,在相关滤波KCF基础上,提出了一种基于自适应特征融合的多尺度相关滤波跟踪算法。首先,提取VGG19网络中conv2-2、conv3-4、conv5-4层的特征以及CN特征,并在conv2-2层加入CN特征;然后,将这3个特征分别代替HOG特征进行滤波学习,得到3幅响应图;进而对3幅响应图进行加权融合预测目标位置。最后,在尺度方面引入多尺度相关滤波器进行尺度的确定。该算法比KCF跟踪算法精确度和成功率分别提高了13.6%和11.8%。与现有的其他优异跟踪算法相比,该算法在应对运动模糊、背景杂乱、目标变形、平面旋转方面更具有较好的跟踪效果。     

基于判别字典在线学习的视觉跟踪

提出了一种基于判别字典在线学习的跟踪算法,通过将字典项与标签信息相结合,分类的字典既具有重构性,又具有鉴别性。为了增强模型判别能力,将分类器嵌入到目标表示模型中,依据重构误差和判别分类得分最终确定候选目标。字典学习阶段采用在线字典学习算法同时对字典和分类器进行更新,使模型能够适应目标外观和背景环境的动态变化。实验结果表明,该方法在大量遮挡、快速运动、强光和姿态变化的大部分测试中达到了比较满意的效果。     

一种在线学习的目标跟踪与检测方法

针对现有在线学习跟踪方法缺乏监督机制的缺点,提出一种新的跟踪框架。以随机森林在线学习理论构造分类器作为目标检测器,用SURF特征点匹配方法作为目标跟踪器,跟踪过程中用可靠跟踪的结果形成对检测结果的监督机制,不对低置信度样本或错误样本进行学习,避免了分类器分类精度的逐渐下降,同时在跟踪失败时用目标检测器对目标进行重新捕获,形成跟踪、学习、检测三者有机结合的跟踪框架。对不同视频序列的测试结果表明,本文算法能有效避免目标出现较大外观变化或被大面积遮挡等复杂情况下的跟踪失败问题。     

利用帧间差探测函数模型的运动目标跟踪算法

针对基于模板匹配的目标跟踪算法中,匹配环节在算法中耗费大量的处理时间,使实时性较差的问题,提出了一种基于帧间差探测函数模型的运动目标跟踪算法.算法将"虚拟边缘"引入目标运动事件中,建立了帧间差探测函数模型,设计了几种新的模块用于解决目标跟踪中的方向纠错和实时性问题.实验结果表明,不仅可以有效地对在复杂背景下运动的小目标进行跟踪,而且能够获得相比于块匹配法更好的实时性能.     

基于自适应均值的图像滤波算法

目的为了提高激光三维成像系统中的图像质量,有效滤除图像中噪声,提出一种自适应均值漂移的图像滤波算法。方法在传统算法基础上对均值漂移滤波算法进行改进,选取领域内像素的均方差为控制参量对带宽矩阵h大小进行自适应调控。根据宽带矩阵h的大小,选择合适的像元值参与到计算均值过程中,以提高结果的计算精度。结果实验结果表明改进后的算法能够有效滤除图像中的噪声,提高图像清晰度。结论该算法具有良好的保边去噪特性。     

视频监控中基于在线多核学习的目标再现识别

在非重叠多摄像机或单摄像机视频监控中,识别跟踪目标的再次出现很重要.针对传统支持向量机方法在特征融合方面的缺陷,本文提出了一种新的基于在线多核学习的人体目标再现识别方法.该方法对跟踪目标视频前景图像序列提取具有互补性的视觉单词树直方图和全局颜色直方图二种特征,再采用多核学习方法在线训练人体目标视觉外观,从而得到多核特征融合模型.实验结果表明,该方法能快速训练人体目标外观模型,满足视频监控的实时要求,多核融合模型获得了比单一特征模型和单核支持向量机方法更高的识别性能.