动态模型的多尺度自适应跟踪算法

多尺度 (小波)分析具有时、频分析特性 ,把多尺度分析用于融合跟踪领域是一项值得深入研究的课题 .本文根据多尺度分析思想 ,把运动模型的动态系统分析与小波变换方法相结合 ,给出了不同尺度上的节点方差矩阵的一种快速求解方法 .在此基础上提出了一种多尺度自适应融合跟踪方法 .该方法根据目标的运动状态自动调整跟踪尺度 ,从而有效地利用检测数据 ,更准确地刻画出航迹变化 ,弥补了单一尺度的不足 ,实现了对动态目标的跟踪 .     

多特征自适应融合的粒子滤波跟踪算法

针对跟踪过程中目标形态不断变化或部分遮挡导致鲁棒性差的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法.该算法从视觉特征集中选取了描述能力强的2种特征,并将其按照与目标模型的多尺度相似度进行线性融合;为了减小跟踪漂移,通过计算当前目标模型与初始目标模型的多尺度相似度自适应地更新目标模型.大量仿真实验结果表明,文中算法可以鲁棒地跟踪到部分遮挡和形态变化的运动目标.     

基于图像多尺度熵的红外图像匹配跟踪算法

在对图像熵进行分析的基础上,引入图像多尺度熵的概念,定义了图像的多尺度熵及多尺度熵矢量,提出了一种基于区域的匹配跟踪算法—–基于图像多尺度熵的红外图像匹配跟踪算法.首先计算图像的多尺度熵,得到图像多尺度熵矢量;然后利用多尺度熵矢量间的绝对距离(AD)进行匹配跟踪.实验表明,该算法不仅具有稳定、精确的匹配跟踪性能,而且能在目标发生旋转时,较好地匹配跟踪目标,并具有良好的抗几何失真能力.     

图像自适应渐变的多分辨分析算法

给出了一种图像渐变的算法。根据二维多分辨分析(2-DMRA)的系数特征,把初始图像和目标图像分别分解为逼近图像和3个方向的细节图像,依据渐变优化因子选择自适应帧数,结合人类视角系统,生成渐变过程中的渐变序列图像。     

基于多尺度动态模型的自适应跟踪算法

This paper simply introduces multi-scale analysis and target-tracking theory, presents a better solution for Px(t), with theoretical proof of the solution's correctness. Based on multi-scale analytical idea, combing the dynamic system analysis of movement model with wavelet transform method, this paper puts forward a multi-scale self-adap-tive fusion tracking algorithm,and gives the concrete implementing steps of this algorithm, with simulation experi-ment. In the simulation experiment, makes a comparison between the algorithm and the traditional single-scale track-ing method. And the theoretical proof and the experiment results prove the algorithm to be both feasible and effec-tive. This algorithm adjusts tracking scale automatically according the state of model target. And it also can use de-tective data effectively and more accurately portray the variation of track. It avoids the disadvantages of single scaleand realizes the tracking towards dynamic model. Comparing with the traditional single tracking method, this algo-rithm more fits the needs of target tracking and has practical value.     

核相关滤波跟踪算法的尺度自适应改进

针对基于检测的核相关滤波跟踪（CSK）算法难以适应目标尺度变化的问题,提出多尺度核相关滤波分类器以实现尺度自适应目标跟踪。首先,采用多尺度图像构建样本集,训练多尺度核相关滤波分类器,通过分类器对目标的尺度估计实现目标的最佳尺度检测;然后,在最佳尺度下采集样本在线学习更新分类器,实现尺度自适应的目标跟踪。对比实验与分析表明,本文算法在目标跟踪过程中能够正确适应目标的尺度变化,相比CSK算法,偏心距误差减少至其1/5~1/3,能满足复杂场景长时间跟踪的需求。     

自适应目标变化的时空上下文抗遮挡跟踪算法

在传统时空上下文目标跟踪过程中,为了自适应目标尺度变化,以及解决目标跟踪失败的跟踪无法恢复问题,提出了一种自适应目标变化的时空上下文抗遮挡跟踪算法 STC ALD。首先,在初始框采取TLD中值流算法初始化跟踪点,并利用F B误差算法预测下一帧跟踪点位置。其次利用STC算法计算得到目标框并计算其保守相似度, 当超过设定阈值即跟踪有效,将跟踪点与目标框进行运动相似度计算以便进行窗口调整。相反,利用检测器进行检测,对单一聚类框直接输出,而对多个检测聚类框学习其时空上下文模型,利用当前空间模型逐个计算其置信度,输出置信值最大者。最后,进行在线学习更新分类器的相关参数。对不同的测试视频序列进行实验,结果表明,STC ALD算法能够适用于目标尺度变化、遮挡等复杂情景下的跟踪,具有一定的鲁棒性。     

基于多尺度密集连接网络的图像超分辨算法

图像超分辨率旨在通过软件技术从低分辨率图像中获得高分辨率图像.受深层神经网络对非线性关系强大表示启发,提出一种基于多尺度密集连接网络的图像超分辨算法.利用多尺度和密集连接思想设计了两个并行子网络提取图像特征,一个子网络中引人多尺度卷积层以提取低分辨图像的多种特征,另一个子网络则利用密集连接模块加深网络结构尽可能提取丰富的纹理特征,同时还可以避免模型训练过程中梯度消失的问题.最后对两个子网络提取的特征求残差并对其行重构得到高分辨率图像.仿真结果表明,提出的算法无论在客观评价还是视觉效果上均优于其它同类超分辨算法.     

杂波环境中多机动目标自适应跟踪算法

针对多杂波多机动目标环境引起的跟踪误差和实时性问题,提出了一种结合IMMPDA和改进的IMMJPDA的自适应多机动目标跟踪算法,在跟踪过程中根据目标之间的距离来选择IMMPDA和改进的IMMJPDA算法中的一种跟踪方法,其中改进的IMMJPDA算法是根据每个模型产生的关联矩阵取并集产生关联矩阵。自适应多机动目标跟踪算法能在有效地提高跟踪实时性的同时,减小目标机动时位置误差的超调。通过蒙特卡罗仿真表明,算法是有效的。     

人体脸部灰度图像上色的改进算法

采用分块多分辨率上色方法,首先对低分辨率灰度图像上色;然后再对高分辨率图像做颜色变换．基于亮度、邻域信息和空间相关性的相似性测度控制像素的上色．实验结果表明,该算法可以改进脸部图像的上色效果,且提高了上色速度．     

基于粒子滤波的双模图像融合自适应跟踪

针对视频跟踪中仅利用目标的单特征容易导致跟踪失败的问题,提出一种基于粒子滤波的可见光与红外序列图像相融合的自适应目标跟踪算法;该算法在粒子滤波跟踪算法框架下,根据单一信源运动目标序列图像的品质因子,利用自适应加权融合策略重构双模序列图像的特征选择机制,建立了基于自适应融合算法的系统观测概率模型和状态空间层次采样多特征融合跟踪算法,实现了对双模序列图像的融合以及对运动目标的稳健跟踪;跟踪试验结果表明,该算法可以有效实现对运动目标的稳健、准确跟踪。     

一种基于反例样本修剪支持向量机的事件追踪算法

支持向量机（SVM）在各类别样本数目分布不均匀时，样本数量越多其分类误差越小，而样本数量越少其分类误差越大．在分析这种倾向产生原因的基础上，提出了一种基于反例样本修剪支持向量机（NEP—SVM）的事件追踪算法．该算法首先修剪反例样本，根据距离和类标决定一反例样本的取舍，然后使用SVM对新的样本集进行训练以得到分类器，补偿了上述倾向性问题造成的不利影响．另外，由于后验概率对于提高事件追踪的性能至关重要，而传统的支持向量机不提供后验概率，本文通过一个sigmoid函数的参数训练将SVM的输出结果映射成概率．实验结果表明NEP—SVM是有效的．     

基于三次拉格朗日插值的自适应图像缩放

传统的插值算法由于低通滤波效应通常会使目标图像边缘模糊,难以得到满意的视觉效果.为了取得较好的图像缩放质量,提出一种基于三次拉格朗日插值的自适应图像缩放算法.该算法首先计算目标像素点周围三组源像素点的方差,选取方差最小的一组源像素点,然后采用三次拉格朗日插值公式求得目标像素点的灰度值.实验结果表明,本文算法所得的目标图像边缘清晰,且算法复杂度较低,便于硬件实现,可以实现实时图像缩放.     

基于自适应参考模板的相关跟踪算法

目前相关跟踪技术在目标识别领域中应用非常广泛。论文提出了一种基于自适应参考模板的相关跟踪算法,该方法可以根据目标的变化情况自动调整参考模板,对目标进行稳定跟踪,尤其适用于复杂背景条件下的连续帧图像的跟踪。     

一种生物在体荧光成像的自适应分割算法

生物在体荧光成像是新兴分子影像技术中性能高、费用低、前景好的一种成像模态。针对生物在体荧光图像的特点和应用需求,提出一种全新的自适应图像分割算法。通过对荧光图像的归一化处理、连通性操作、感兴趣区域区分实现自适应分割。实验结果表明,该算法能够在弱信号、低信噪比、多光源的情况下得到较理想的分割结果,是一种有效的荧光图像分割算法。     

基于自适应空间正则化的视觉目标跟踪算法

为解决相关滤波类视觉跟踪算法中的边界效应问题,提出一种基于自适应空间正则化的视觉跟踪算法.在经典滤波模型中引入自适应空间正则化项,通过建立正则权重在相邻帧之间的关联,自适应调整当前帧的模型正则化权重,减小边界效应的影响.采用自适应宽高比的尺度估计策略,以及基于颜色直方图相似度的模型更新策略,抑制模型漂移,提高跟踪准确性.实验显示,该算法在UAV123,OTB2013,OTB2015这3个数据集上的跟踪成功率和精确度均高于所有对比的算法,且即使在复杂场景中也能保持良好的跟踪效果.特别是在出现运动模糊和目标在平面内旋转2种情况时,该算法的跟踪成功率较排名第2的算法分别提升了9.72个百分点和9.03个百分点,说明所提出的算法具有较好的适应性.     

多特征带宽自适应Mean Shift目标跟踪算法

在传统均值漂移跟踪算法中,其核函数带宽缺乏较好的自适应调整特性,且易受背景色干扰。为此,提出一种多特征带宽自适应目标跟踪算法。采用颜色和纹理信息创建特征模型,在最优目标位置区域投影,以生成概率密度分布图,通过计算获得目标密度块的长度和宽度,从而自适应调整核函数带宽,用椭圆锁定目标,椭圆形状参数由目标概率密度的矩运算获得。实验结果表明,该算法能够有效适应目标缩放、旋转等复杂运动,并能抵御一定光照变化及背景色干扰影响。     

自适应带宽均值移动算法及目标跟踪

首先提出了一种经典均值移动算法的推广算法,即自适应带宽均值移动算法,进而提出了基于自适应带宽均值移动的二维视频目标跟踪算法（ABMSOT）.前者提出了在带宽自适应情况下均值移动算法求取局部极值的框架步骤,后者可实时跟踪目标的位置、大小和方向.在ABMSOT算法中,目标模型和候选模型采用自适应带宽核函数加权特征直方图描述,目标模型和候选模型的相似性采用Bhattacharyya系数度量;通过迭代两步法搜索到目标最有可能的位置、大小和方向.第一步执行一次均值移动迭代搜索目标位置,第二步计算出最能描述目标区域大小和方向的带宽矩阵.从理论上证明了两个算法的收敛性,并通过实验证明了ABMSOT算法能实时跟踪目标的位置、大小和方向.     

基于目标信息量变化的自调整跟踪算法

针对视频跟踪中的传统Mean-Shift方法不能有效跟踪尺度有明显变化的目标这一问题,将图像信息量度量理论引入到了算法之中,提出了一种自适应窗宽的改进Mean-Shift跟踪算法。该算法利用均值漂移矢量对目标位置进行预测,然后结合目标信息量的变化来自适应的调整跟踪窗的尺度,从而快速稳定的对目标进行定位跟踪。实验结果表明改进算法能较好适应目标的尺度变化,跟踪效果良好。