复杂背景下感兴趣运动目标的跟踪算法

针对由于复杂背景的干扰而导致不能准确跟踪感兴趣运动目标的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法。首先在HSV颜色空间中得到感兴趣运动目标的加权颜色分布模型,然后利用不变矩特征来消除背景中相似颜色物体和光照变化的干扰,两种特征通过自适应调整权重来更新粒子权值而融合于粒子滤波算法中,从而能够准确和稳定地跟踪运动目标。实验证明,该算法在运动目标平移、姿态变化、遮挡、光照变化及相似颜色干扰等复杂背景下都能够准确地进行跟踪,对背景干扰具有很强的鲁棒性。     

基于自适应特征融合的粒子滤波目标跟踪算法

提出了一种基于自适应特征融合的粒子滤波跟踪算法,用于解决传统的粒子滤波跟踪方法在复杂背景下容易跟踪失败的问题。该算法选取颜色特征和边缘特征来描述目标,并通过粒子滤波进行特征融合,根据可靠性因子调整各特征的权值系数;在跟踪过程中,随着目标自身形变,自适应更新目标模板。实验结果表明,在复杂背景下以及受到遮挡时,本算法能够准确稳健地跟踪目标。     

基于颜色和方向梯度特征融合的粒子滤波跟踪算法

提出基于均值偏移的粒子滤波算法。该算法融合了颜色特征和方向梯度特征对人体行为实施跟踪。HSV颜色模型采用带宽自适应的改进策略,有效地实现了对尺度变化目标的跟踪;方向梯度特征的融合,提高了算法在复杂环境中应对光线变化和相似目标遮挡等情况的适应性。针对粒子退化问题,在特征融合的粒子滤波基础上引入具有聚类作用的Mean Shift算法,从而可以用较少数量的粒子达到较好的跟踪效果。仿真实验表明,该算法具有较好的准确性、鲁棒性与实时性。     

基于多线索自适应融合的抗遮挡目标跟踪算法

针对在复杂背景下,特别当目标与背景颜色相似、目标被遮挡时容易导致跟踪失败的问题,采用颜色与纹理两种互补特征融合的粒子滤波算法,同时提出一种融合策略自适应的抗遮挡跟踪方法,当遮挡发生时,适时切换融合策略,并在粒子滤波框架内嵌入mean-shift算法,克服了粒子退化现象。实验结果表明,该算法具有较强的抗遮挡能力,能够跟踪复杂背景下的目标。     

基于多信息融合自适应粒子滤波的目标跟踪算法

粒子滤波是一种可在非线性和非高斯情况下进行状态估计的有效方法,基于单特征粒子滤波跟踪算法在目标跟踪中的应用及存在的不足,针对颜色信息在光照变化和相似背景务件下存在的缺点,为了仍能对目标进行有效地跟踪,加入纹理信息来表示目标,并给出基于目标的颜色特征和纹理特征多信息融合的自适应粒子滤波算法,使用三种量测模型并给出具体的算法和实验结果,实验证明此方法与仅基于颜色粒子滤波跟踪方法相比,在计算量增加不多的情况下大大改善了跟踪的性能和鲁棒性.     

基于纹理和颜色特征的目标跟踪检测算法研究与实现

对运动目标进行跟踪,常采用粒子滤波跟踪算法。本文为了减少相似背景像素点及光照变化对机动目标跟踪的干扰,采用了基于目标纹理特征和颜色特征融合的自适应粒子滤波算法,通过采用了不同的状态转移模型和观测模型,该模型优点在于能够根据不同的实验环境给出相应的实验方案。试验证明,该算法在跟踪的性能和鲁棒性方面的改进。     

特征融合和聚类核函数平滑采样优化的粒子滤波目标跟踪方法

针对复杂场景下的目标跟踪问题,提出了一种改进的粒子滤波目标跟踪方法。利用背景加权后的联合直方图描述目标灰度和梯度特征信息,在粒子滤波算法的框架下,设计了一种自适应特征融合观测模型来适应场景的不断变化;同时针对传统粒子滤波算法存在的粒子退化问题,提出了一种基于聚类核函数平滑采样的方法。理论仿真和实际场景的实验结果表明,该算法适应性更强,精度更高,能有效跟踪复杂场景下的运动目标。     

基于粒子滤波和多特征融合的目标跟踪算法

为了克服单纯基于颜色特征的跟踪方法在复杂环境下易导致跟踪失败的缺点,提出了将颜色和结构信息相结合的跟踪方法.利用基于HSV颜色空间的加权颜色直方图表示目标的颜色模型,利用目标的灰度图像建立结构模型,并将两者融合于粒子滤波的框架中,结合的纽带就是粒子权值的计算,同时自适应的调整颜色和结构信息的融合系数.实验表明,该算法的稳定性较高,同时提高了跟踪的精度.     

融合颜色与纹理特征的粒子滤波目标跟踪

针对采用单一颜色特征的粒子滤波目标跟踪算法在背景相似、光照变化复杂的场景下会导致跟踪失败的问题,提出一种基于LBP纹理和颜色特征融合的粒子滤波跟踪目标算法。综合加权颜色直方图和LBP纹理直方图进行目标特征描述,建立目标观测模型;同时粒子滤波进行状态预测,利用Bhattacharyya系数进行相似度测量,作为目标区域参考模型更新准则,实现权值更新;最后对权值归一化处理,得到目标位置状态的最终估计。实验结果表明该算法不仅提高了跟踪方法的鲁棒性,而且在目标遮挡、光照变化等干扰下,具有较好的准确性。     

融合颜色纹理特征的自适应粒子滤波跟踪算法

针对复杂背景下,尤其是当光照条件发生变化以及目标发生遮挡时容易导致跟踪失败的问题,提出了一种基于自适应多特征融合的粒子滤波目标跟踪算法;该算法将RGB颜色直方图和LBP纹理直方图融合起来建立目标参考模型,并且引入Sigmoid函数动态调整两类子特征粒子的权重;仿真结果表明,该算法能在复杂背景下自适应调整两种子特征权重,以克服其中一种特征失效导致的跟踪失败,而且有效地避免了使用单一特征建模的缺点,能够实现更加准确的跟踪。     

综合颜色和小波纹理特征的免疫粒子滤波视觉跟踪

针对标准粒子滤波视觉跟踪时的缺陷,尤其是其“样贫”和目标特征不明显等问题,提出了结合小波纹理特征的免疫粒子滤波算法.小波纹理特征的加入,使得单纯依靠颜色特征不能很好适应环境变化的情况得到了改善.同时通过加入免疫优化算法,提高了粒子的多样性,尤其是在发生遮挡时减少了“样贫”的影响.通过实验验证了所提算法的有效性和鲁棒性....     

基于多特征融合的粒子滤波算法研究

传统的粒子滤波跟踪算法只依靠单一的颜色特征作为跟踪依据。在复杂背景或者遮挡物颜色与跟踪目标接近时传统的粒子滤波算法很容易造成跟踪目标丢失。针对该问题,提出一种基于多特征融合的粒子滤波算法,该算法按一定的权值系数利用目标的颜色特征和边缘特征来构建似然函数作为跟踪目标的跟踪依据,克服了依靠单一颜色特征跟踪目标的跟踪算法的不足。实验结果表明,多特征融合后的跟踪算法有较好的跟踪性能。     

基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.     

基于混合粒子滤波和稀疏表示的目标跟踪算法

针对图像序列中的运动目标在跟踪过程中易受到光照等复杂环境、外观变化及部分遮挡影响的问题,提出基于全局信息和局部信息的混合粒子滤波算法.将目标的局部二元模式纹理特征引入粒子滤波算法,通过稀疏编码目标子块,充分利用目标的局部空间信息,并结合全局信息以确定当前帧中目标的位置.在跟踪过程中实时更新模板,这在一定程度上提高算法的鲁棒性.实验表明在目标处于复杂环境中算法能达到较理想的跟踪效果.     

一种新型非线性滤波的多特征融合跟踪算法

为有效解决非线性系统的状态估计问题,提出一种新型非线性滤波算法。该算法通过在积分卡尔曼滤波中引入修正因子,对积分点进行优化重组,并采用修正后的积分卡尔曼滤波产生优选建议分布函数,较好地克服了粒子退化现象。在新算法的框架内,利用颜色和运动边缘特征作为观测模型进行视频目标跟踪,并通过D-S证据理论的方法进行权值融合,较好地克服了单一颜色特征在姿态改变、相似背景遮挡等情况下跟踪稳定性较差的问题。实验表明本方法对复杂条件下的目标跟踪问题在保持较强鲁棒性的同时,跟踪精度提升了近32%。     

利用多特征混沌粒子滤波的视觉目标跟踪方法

随着摄像终端的增多以及自动视频分析需求量的增大,针对视频序列中存在突然运动、遮挡、运动模糊等干扰因素时传统视觉目标跟踪方法很难获得鲁棒性高、精确稳定的目标跟踪的问题,提出了利用多特征混沌粒子滤波的视觉目标跟踪方法。首先,基于非线性动力学预测进行混沌建模,利用混沌映射的梯度优化函数来搜索状态空间以找到参考轨迹;然后设计了一种用于视觉跟踪的混沌粒子滤波器,并改进运动表观模型,引入颜色、纹理和深度的特征完善滤波器的性能;最后,将多特征混沌粒子滤波器与其他视觉目标跟踪方法应用于VOT17和TB 数据集进行对比分析,以论证该方法的准确性。结果表明,提出的多特征混沌粒子滤波方法显著减少了粒子数量、搜索空间和滤波器发散,其精度高出其他方法约10%,在突然运动、遮挡和运动模糊等情况下整体性能优于其他几种对比方法。     

多线索融合和区域划分的粒子滤波跟踪算法

提出一种多线索动态融合和目标区域划分的粒子滤波视觉跟踪算法。在粒子滤波框架基础上,选取颜色、纹理、边缘线索于目标模型中,采用带权重的乘性融合策略自适应计算粒子权重,并实时更新目标模型。为增强在遮挡时的跟踪能力,采用局部目标而非整个运动目标作为粒子目标模型。实验结果表明,改进后的算法比简单的线索融合、传统的粒子滤波模型选取方法更能鲁棒并实时地跟踪目标。     

在线特征选择的目标跟踪*

为提高目标与背景对比度低、相似物体干扰等复杂环境下目标跟踪的效果,提出将在线学习选择最优颜色特征嵌入跟踪算法中,以改善跟踪的稳定性。以当前时刻目标的区域为目标区域,利用卡尔曼滤波预测目标的下一时刻位置,在卡尔曼滤波预测的位置为中心取某一区域作为背景区域进行在线特征选择作为下一时刻的跟踪特征,以卡尔曼滤波预测的位置为初始位置利用Mean-shift搜索目标位置,此位置作为量测进行卡尔曼滤波校正。通过实验表明,该方法在目标与背景的对比度低、相似物体干扰等复杂环境下极大地改善了跟踪的稳定性。