基于时空模型的尺度自适应视觉跟踪*

针对视觉跟踪过程中因目标尺度变化跟踪精度低的问题,提出一种基于时空模型的尺度自适应视觉跟踪算法(Spatio-temporal context – scale adaptive,简称STC-SA)。在颜色属性空间下提取目标颜色直方图特征;再通过时空上下文学习获取置信图中概率最大位置;最后利用颜色直方图进行相似度匹配和自适应方法修正跟踪框尺寸以达到最佳的跟踪效果。实验选取Benchmark中五组具有明显尺度变化的图像序列进行测试,STC-SA算法的跟踪成功率最高达到91%,验证了STC-SA算法具有较高的跟踪精度和跟踪实时性。     

基于STC-IMM 结构的自适应多模型跟踪算法

针对机动目标跟踪问题,基于转换时间条件交互多模型(STC-IMM)结构,提出一种转换概率自适应的STC-AIMM算法。该算法根据滤波器收敛时间预设了模型转换时间条件,保证了滤波器对目标后验状态的合理逼近,同时通过模型转换概率的自适应算法实现了模型与目标运动模式的实时最优匹配。理论和仿真分析结果表明：相比交互多模型(IMM)算法和STC-IMM算法,该算法能够发挥滤波器最优性能,实现模型概率的优化分配,对目标不同强度的机动具有良好的适应性、跟踪稳定性和更高的跟踪精度。     

一种尺度自适应的机器人目标跟踪算法

Mean-Shift算法是一种简单高效的目标识别算法,但是不能有效地识别被遮挡的目标和有尺度变化的目标。基于仿射变换,提出了一种尺度自适应的机器人目标跟踪算法。定义了转角点,并根据转角点匹配对目标进行区分,最后通过仿射变换识别出目标的尺度变化。与其它相关算法相比,该算法能有效地识别被跟踪目标的遮挡问题;当被跟踪目标的尺度发生改变时,该算法仍然能准确地对目标进行识别。分析表明,当视屏流中每秒的图像小于25帧并且目标的图像小于2×104个像素时,该算法可以用于目标的实时跟踪。     

基于视频序列的目标检测与跟踪技术研究

针对计算机智能监控环境,文中提出一种改进的基于像素灰度出现概率最大值的背景建立方法,该方法克服了光照变化对背景重建的影响,使得背景建立的时间大大缩短。并采用一种新的自适应背景更新算法获得背景图像以进行目标检测,这种方法较好地克服了IIR法更新速度难以取值的缺点,使得更新速率可以达到自适应的效果;在目标跟踪阶段,使用基于卡尔曼滤波的方法对检测出的运动目标进行跟踪,由于卡尔曼预测可以大大减小特征匹配的搜索范围,因此提高了跟踪的实时性。实验结果表明,该文的算法能够快速有效地获得、更新背景,并且能够实时地对运动目标进行跟踪。     

基于自适应状态转移的混合跟踪算法

为提高粒子滤波视觉目标跟踪算法的准确性和实时性,提出一种基于自适应状态转移的混合跟踪算法。首先采用零阶自适应变化模型来获取目标的可能状态,然后利用均值漂移算法的局部优化特性找到后验概率的最大值。在多峰值情况下由粒子滤波随机产生粒子,用新的粒子集来确定目标的最终位置。实验结果表明,这种改进的算法在保证准确性的同时,降低了系统的计算时间。     

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.     

分层分区域管理的实时图像跟踪算法

为了实现当前屏幕图像特征点与模板图像中对应尺度下部分区域中特征点的快速匹配,解决图像跟踪算法中匹配精度与效率问题,提出一种特征点分层分区域管理的图像跟踪算法.在预处理阶段,对模板图像构造层次表示并对各尺度下的图像进行区域划分,在每个区域内同时提取ORB(oriented FAST and rotated BRIEF)特征点和Harris特征点,由ORB特征描述子计算区域图像的词袋特征向量,由此构建图像特征点的分层分区域管理模式.在实时跟踪阶段,根据摄像机位姿跟踪的情况区分预测跟踪、重定位跟踪和光流跟踪3个分支.在预测跟踪和重定位跟踪中,先快速定位实时图像对应的模板图像的尺度层与区域,再通过实时采集的图像与模板图像中对应尺度下部分区域中特征点的局部匹配,实时地计算摄像机的位置和方向;在光流跟踪过程中对光流算法跟踪点进行实时更新,延长光流算法的运行持续时间.利用公开图像数据库中不同分辨率的模板图像在移动终端上进行实验的结果表明,文中算法性能稳定,匹配误差在1个像素以内;系统运行帧率总体稳定在20~30帧/s.     

基于多尺度MRF图像样本修补稳健算法

为了消除在单尺度条件下进行图像修补过程中,在修复区域产生的累积误差,提出了基于多尺度MRF图像样本修补稳健算法.根据图像包含的尺度特征,应用序贯最大后验概率准则对不同尺度的匹配样本采用不同权重的代价函数,利用大尺度填充信息指导小尺度目标区域的修补,实现图像全局信息与局部信息的有机融合.实验结果表明,多尺度MRF图像样本修补算法能更好抑制修复区域由于累积误差产生的“垃圾物”和马赛克现象,同时保持良好的纹理和结构特征.     

基于QP_TR信任域的序列图像目标跟踪

本文将信任域算法和尺度空间理论相结合,提出了一种能够精确描述目标尺寸连续变化的新的序列图像目标跟踪算法;将信任域算法与灰度模板相结合,提出了一种新的实时目标跟踪算法。在第一种算法中,首先将序列图像按照颜色直方图转换成目标概率分布图,目标区域在概率分布图中呈现为灰度块。然后通过检测该图在尺度空间中微分滤波器输出的极值,来决定这些灰度块的尺度。最后我们使用QP_TR信任域算法在尺度空间里和图像平面内快速搜索概率分布图的多尺度规范化Laplacian滤波函数极值,实现了目标定位并同时决定了其尺度,从而完成了跟踪任务。在第二种算法中,首先记录目标初始模板,在随后每一帧中应用OP_TR信任域算法搜索与该模板最相似的区域,实现目标定位。和现有算法的比较以及在大量真实序列图像上的实验表明,两种算法分别在目标大小描述,跟踪精度上以及运算速度上有了显著提高。     

采用RGB–D时空上下文模型的多目标遮挡跟踪算法

为了提高实时RGB–D目标遮挡跟踪精确度, 解决多目标遮挡跟踪容易发生模型漂移和跟踪丢失等问题, 本 文提出一种基于RGB–D时空上下文模型的多目标遮挡跟踪算法. 首先获取多目标检测定位区域, 再通过目标时空 上下文特征提取, 建立目标时间上下文模型、目标空间上下文模型构成目标RGB–D时空上下文模型; 然后在跟踪器 判别跟踪状态时通过计算时间一致性进行颜色和深度特征自适应融合确定目标在当前帧位置; 最后, 当跟踪器判 别多目标遮挡时引入深度概率, 利用深度概率信息特征进行约束, 通过最大后验概率(MAP)关联模型有效解决目标 遮挡跟踪问题. 在公用数据集clothing store dataset和princeton tracking benchmark dataset上进行定性对比实验和定量 结果分析表明, 本文提出的算法具有良好的遮挡跟踪性能, 能较好解决多目标遮挡跟踪问题, 提高目标遮挡跟踪的 精确性和鲁棒性.     

Posterior probability measure for image matching

Template matching is one of the principle techniques in visual tracking. Various similarity measures have been developed to find the target in an acquired image by matching with a template. However, mismatching or misidentification may sporadically occur due to the influence of the background pixels included in the designated target model. Taking into account the statistical features of a search region, a novel similarity measure is proposed, which can decrease the interference of the background pixels enclosed in the model. It highlights the significant target features and at the same time reduces the influence of the features shared by both the target and the background. It exhibits an excellent monotonic property and a distinct peak-like distribution. This new measure is also demonstrated to have a direct interpretation of posterior probability and is named as posterior probability measure (PPM). The proposed PPM can be obtained through a pixel-wise computation and exhibits suitability for image matching. The pixel-wise computation also enables a fast measure update after a target region has changed, which results in a new adaptive scaling method for tracking a target with a varying size. Experiments show that it provides a higher precision in the localization and a discriminatory power superior to the existing similarity measures, such as Bhattacharyya coefficient, Kullback–Leibler divergence, and normalized cross correlation. The effectiveness of the adaptive scaling method is demonstrated in experiments.     

广义均值移动跟踪算法

CAMSHIFT算法和Comaniciu/Meer算法是均值移动在视频目标跟踪中最为常用的两个基本算法.本文对Bradski和Comaniciu/Meer等人的工作加以推广,给出了广义均值移动跟踪算法.论文采用一个一般形式的相似性度量函数,并推导了其相应的像素权值计算和搜索窗口位置更新公式.新算法基于搜索窗内各像素权值的零阶矩来计算更新其搜索窗口尺寸.然后证明现有的两种基本算法都可以归纳到广义均值移动跟踪算法的统一框架中.对多段视频序列的跟踪实验分析比较了统一框架中3种均值移动算法的跟踪性能.     

复杂背景下的快速机动目标跟踪算法

为了解决复杂背景及大视野场景下跟踪机动目标易丢失和跟踪精度低的难题,提出了一种复杂背景下的快速机动目标检测与跟踪算法.利用帧间差分算法提取图像中的机动目标,在初始帧建立机动目标的颜色直方图模型,将后续输入图像的像素值转化为直方图分布下的概率值;根据与目标模型的相似度,将每个候选区域的像素值作为密度;利用自适应均值漂移算法寻找机动目标的真实位置;利用卡尔曼滤波预测目标位置.实验结果表明:算法能够准确地在复杂背景和大视野场景下快速检测并跟踪机动目标.     

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.     

自适应融合角点特征的Camshift目标跟踪

为了能够实时有效地跟踪运动目标,提出了一种新的自适应融合角点特征和颜色特征的Camshift目标跟踪算法。该算法融合了角点的特征不变性,并采用Mean-Shift算法提供的非参数核密度估计的统计思想,计算各特征的概率密度函数,用Bhattacharyya系数作为相似性度量函数,利用相似性度量值之比自适应地融合角点特征和颜色特征,将得到的新的概率密度分布结合Camshift跟踪算法实现目标跟踪。测试结果表明,该算法比传统的Camshift算法跟踪效果更好,更准确。     

Centroid Iteration algorithm for image tracking

A simple and elegant tracking algorithm called Centroid Iteration algorithm is proposed. It employs a new Background-Weighted similarity measure which can greatly reduce the influence from the pixels shared by the target template and background on localization. Experiments demonstrated the Background-Weighted measure performs much better than the other similarity measures like Kullback–Leibler divergence, Bhattacharyya coefficient and so on. It has been proved that this measure can compute the similarity value contribution of each pixel in the target candidate, based on which, a new target search method called Centroid Iteration is constructed. The convergence of the method has been demonstrated. Theory analysis and visual experiments both validated the new algorithm.     

基于最大后验概率的图像匹配相似性指标研究

图像匹配是视觉跟踪领域中的重要环节，利用巴氏(Bhattacharyya) 系数度量模板与待匹配区域之间的统计特征相似性是图像匹配中最有效的方法之一. 但是由于背景特征的影响，有时应用巴氏指标进行匹配得到的最优解的位置并不一定是目标特征的实际位置，因而在视觉跟踪过程中目标定位可能出现偏差，甚至跟踪错误. 本文提出了一种基于后验概率的图像匹配相似性指标，该指标利用搜索区域的统计特征，能有效抑制待匹配区域特征中背景因素的影响，同时突出了目标特征的权重，与巴氏指标相比明显改善了匹配函数的峰值特性. 这种指标的另一突出优点是计算复杂度很低，容易得到全局最优解.与巴氏系数指标的匹配结果进行的比较表明，本文所提出的匹配指标在复杂背景下具有更强的目标识别与分辨能力