基于分层极限学习机和局部稀疏模型的视觉跟踪算法*

目标跟踪过程中常遇到形变和部分遮挡问题.为了解决该问题,文中提出结合分层极限学习机和自适应结构化局部稀疏外貌模型的视觉跟踪算法.分层极限学习机具有提取鲁棒特征并快速分类的能力.自适应结构化局部稀疏外貌模型可以使跟踪结果更准确,也可以解决部分遮挡问题.在不同视频序列上的性能测试表明文中算法在保持较高跟踪精度的同时,跟踪过程也较稳定.     

基于IFWA-ELM的六维力传感器解耦算法

针对六维力传感器的维间耦合严重影响测量精度的问题，本文提出了一种基于改进烟花算法优化极限学习机（IFWA-ELM）的解耦算法。首先，对烟花算法的爆炸半径、变异算子和选择策略进行改进，形成改进烟花算法（IFWA）。其次，采用改进烟花算法寻找极限学习机的最佳网络参数，解决极限学习机随机生成初始权值和阈值导致网络不稳定、隐含层神经元数量对网络性能影响较大的问题。为了验证算法的解耦性能，本文以应用于4500m深海机械臂的六维力传感器作为研究对象，采用最小二乘法（LS）、BP神经网络（BPNN）、极限学习机（ELM）和IFWA-ELM算法进行解耦实验。实验结果表明：IFWA-ELM算法具有较好的非线性解耦能力，解耦后Ⅰ类误差控制在0.27%以内，Ⅱ类误差控制在0.13%以内，有效提高了六维力传感器的测量精度。     

一种健壮的超像素跟踪算法

在目标跟踪中,传统的超像素跟踪算法在发生遮挡等情况后,会将非目标超像素标记为目标加入到特征空间. 在对候选样本置信度计算中,利用特征空间中最近邻超像素来划定样本中超像素的簇归属会产生错误;而依据的近邻超像素数量过多时,又会造成分类误差的积累. 为解决上述问题,本文提出一种健壮的超像素跟踪算法. 本算法以贝叶斯算法为框架,首先,将前几帧进行超像素切割,提取特征并使用均值漂移聚类算法和基于超像素的外观表示模型进行分类和计算类置信度,放入特征空间中. 其次,根据接下来几帧的平均中心误差确定最佳近邻数目. 最后,在跟踪过程中,对获取帧的指定区域进行超像素切割,提取特征、进行软分类和计算置信度;根据上一帧目标位置进行高斯采样,累加样本内超像素置信度,获得样本置信度;在发生严重遮挡时,不进行滑动窗口更新和外观模型修改,使用当前模型继续跟踪. 与传统的最近邻超像素算法相比,本算法能够有效提升跟踪成功率和降低平均中心误差.     

基于Lévy flight的自适应动态增强烟花算法

为综合解决传统烟花算法爆炸半径可能为零导致资源浪费以及增强烟花算法引入的最小爆炸半径检测机制导致局部搜索能力较弱的问题,针对增强烟花算法提出了两种改进策略：引入自适应动态半径调整策略改进爆炸半径,根据不同阶段的启发式信息,即当前最优烟花距离其他烟花位置的信息,动态调整爆炸半径的大小,来平衡全局和局部搜索能力,该策略可以使算法后期爆炸半径缩小到较小值进行细致的局部搜索;引入具有较强随机性的莱维飞行策略改进爆炸产生火花位置的方式,增强局部搜索的多样性。采用12个标准测试函数及其偏移函数进行实验,相比增强烟花算法,改进后的算法提高了标准函数及其偏移函数的寻优精度,在高维复杂的优化问题上具有较好的收敛能力。     

基于粒子群算法优化极限学习机的无源目标定位算法

为了提高目标定位精度,提出一种基于粒子群算法优化极限学习机的无源目标定位算法。首先通过位置信息场采集目标的相关信息,然后利用极限学习机对位置信息场与目标位置之间的非映射关系进行拟合,同时采用粒子群算法对极限学习机参数进行优化,最后在Matlab 2009平台进行仿真对比实验。结果表明,相对于其他目标定位算法,该算法提高了目标定位的精度,更加适合于复杂环境下的目标定位。     

基于外观模型粒子滤波稳健视觉的跟踪算法

提出了一种基于目标外观模型的粒子滤波跟踪算法,即在粒子滤波跟踪算法中,提出的外观模型作为目标的视觉特征的描述方法来建立目标模板。与常用的颜色直方图不同,提出的外观模型不仅有目标的颜色信息,同时还保留了像素的空间信息。由于自身的持续更新机制,即使在经历长时间的跟踪过程之后,该外观模型仍然能有效的作为当前帧的候选目标的参照模板。基于以上特点,本跟踪算法在目标的大小、方位、旋转角度发生较大变化或背景对前景目标有大面积遮挡的情况下,也能十分稳健的跟踪目标。在多目标的跟踪应用中,本算法结合目标层次划分的技术,能够有效的处理多个目标之间相互遮挡的棘手问题。实验结果证明,与基于颜色直方图的粒子滤波跟踪算法相比,本算法具有更好的鲁棒性。     

基于特征融合的改进LCT跟踪算法

为解决LCT算法在目标形变与快速移动情况下跟踪效果差的问题,提出一种基于特征融合的跟踪算法。在梯度方向直方图特征相关滤波的基础上,提取目标与背景颜色直方图特征,得到颜色特征的目标预测位置。在此基础上,根据跟踪置信度确定特征融合权重,综合考虑梯度特征与颜色特征得到跟踪结果。实验结果证明,与LCT算法相比,该算法的距离精度和重叠精度分别提高了11.5%和21.2%,平均中心位置误差减少了15.3像素。     

基于置信度的加权特征融合相关滤波跟踪

目前机器视觉应用广泛，视频目标跟踪的过程中会遇到各种挑战。为解决单一特征鲁棒性差，模型和尺度更新机制不健全的问题，提出了一种将自适应加权特征融合方法与置信度模型及尺度更新机制相结合的相关滤波目标跟踪算法。算法将互补的梯度和颜色特征进行融合，通过计算各特征滤波响应来决定下一帧在融合特征中各自所占的权重，凸显优势特征，使目标与背景更具区分度。同时引入置信度更新机制，防止模型更新引入遮挡物、相似干扰，提高正确率。最后提出一种新的尺度更新策略，简化冗余代码，使跟踪更精确的同时降低时间代价。实验结果证明，该算法在精度和正确率上都比几种现有相关滤波算法更优，应对相似目标干扰和遮挡情况具有更高鲁棒性。对相关滤波算法进行了改进，加入了特征融合和更新机制，使算法提高了跟踪效果，具有一定的应用价值。     

分块多特征目标描述子的移动机器人目标跟踪

为解决机器人目标跟踪过程中的遮挡和外观改变等问题, 提出一种分块多特征描述子的方法. 该方法将候选样本分块, 提取图像片的深度、颜色、纹理特征来表示目标构造检测器. 结合目标与机器人的运动构造运动卡尔曼滤波器(MEKF) 作为跟踪器. 跟踪过程中根据目标深度信息调整其尺寸, 结合深度特征及图像片外观相似度进行检测并处理遮挡. 实验结果表明, 该算法对目标的尺度变化、光照改变和遮挡现象具有较强的鲁棒性.

     

结合学习率调整的自适应特征融合相关滤波跟踪算法

针对单一特征存在的缺陷和目标快速变化时易跟丢的问题,提出了一种结合学习率调整的自适应特征融合相关滤波跟踪算法。算法采用互补的梯度特征和颜色特征进行特征融合,通过计算滤波响应的大小来决定下一帧在融合特征中各自所占的权重,凸显优势特征,使目标与背景更具区分度。提取目标后需要更新滤波器,为了避免滤波器跟不上目标变化的情况发生,引入学习率调整机制,使滤波器更新速度能够随目标外观变化进行在线调整。因此,相较同类特征融合算法,本算法准确高效,且对于快速形变目标的鲁棒性更强。实验证明,本算法在精度和成功率上都比现有相关滤波算法更优,具有一定的应用价值。