基于改进的均值漂移算法的目标跟踪

提出了一种基于目标颜色特征的改进的均值漂移算法，对符合颜色模板的目标点不论其在直方图中的概率大小，都赋予相同的最大权值，使目标最大限度地成为密度极值区，以克服干扰影响，并提出了一种分块检测遮挡算法，遮挡期间不更新颜色模板，以保证遮挡后恢复准确的跟踪。实验结果表明该算法具有较强的鲁棒性，能有效实现复杂场景下的目标跟踪。     

基于均值漂移算法和粒子滤波算法的目标跟踪

将均值漂移算法和粒子滤波算法分别做出改进后进行有效结合.在非遮挡和不严重遮挡情况下,采用改进的均值漂移算法,在严重遮挡情况下,采用改进的粒子滤波算法,并在遮挡结束后验证正确的跟踪是否得到恢复.提出有效的分块检测遮挡算法,遮挡期间颜色模板不更新.实验结果表明该算法具有较好的实时性和鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于均值漂移算法和时空上下文算法的目标跟踪

在严重遮挡时,时空上下文STC(Spatio-Temporal Context)算法对目标位置的判断是正确的,而均值漂移MS(Mean Shift)算法对目标位置的判断会发生很大幅度的抖动,甚至跟踪错误目标。在遮挡结束后,时空上下文算法很难重新跟踪到正确目标,而均值漂移算法可以重新检测到跟踪目标。结合二者的优缺点,提出基于均值漂移算法和时空上下文算法的目标跟踪算法MSandSTC。该算法主要解决目标被严重遮挡的问题。在许多具有挑战性的数据集上的实验表明所提算法具有较好的实时性和鲁棒性。     

基于均值漂移与卡尔曼滤波的目标跟踪算法

均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,在目标受到干扰时容易跟踪失败,而Kalman滤波能够较为准确地预测目标的速度和位置。因此,提出了一种结合均值漂移与Kalman滤波的跟踪算法,使用Kalman滤波对目标运动速度和空间位置进行预测。根据干扰的不同情况,使用不同的比例因子将两算法的跟踪结果线性加权得到目标的最终位置。实验结果表明该算法是可行有效的。     

基于分块稀疏表示的部分遮挡人脸识别

人脸识别利用已有的人脸数据库对给定的人脸图像进行识别,不同光照、不同姿态、部分遮挡情况下的识别问题是其中的热门研究课题。笔者针对人脸图像中的部分遮挡问题,通过AR人脸库对处理过的人脸图像采用分块稀疏表示的方法,在不同训练样本下进行多次实验。实验结果表明,分块稀疏表示对部分遮挡人脸的识别率有较大提升。     

基于均值漂移与卡尔曼预测相结合的视频运动目标跟踪算法

传统的均值漂移算法是基于颜色直方图的迭代跟踪算法,在跟踪目标出现尺度变化的情况下,其跟踪结果往往出现偏差,甚至跟踪失败。鉴于此,提出了一种基于空间边缘方向直方图的均值漂移跟踪算法,使用空间分布和纹理信息作为匹配信息,将卡尔曼预测器融于均值漂移跟踪算法。实验表明,该方法能在尺度缩放等复杂背景下对目标进行准确有效的跟踪。     

基于多特征融合的均值偏移视频目标跟踪算法

为了有效地实现复杂环境下视频目标跟踪，在分析了基于颜色分布的均值偏移跟踪算法的基础上，提出了一种联合空间信息的改进均值偏移算法，此算法是将目标空间位置预测与均值偏移算法定位结果通过加权得到最终目标位置，实验表明，改进算法将目标颜色分布与目标空间运动信息相结合，保证了跟踪效果的稳定性和鲁棒性．     

结构稀疏表示分类目标跟踪算法

为提高目标跟踪算法在复杂条件下的鲁棒性和准确性,研究了一种基于贝叶斯分类的结构稀疏表示目标跟踪算法。首先通过首帧图像获得含有目标与背景模板的稀疏字典和正负样本;然后采用结构稀疏表示的思想对样本进行线性重构,获得其稀疏系数;进而设计一款贝叶斯分类器,分类器通过正负样本的稀疏系数进行训练,并对每个候选目标进行分类,获得其相似度信息;最后采用稀疏表示与增量学习结合的方法对稀疏字典进行更新。将该算法与其他4种先进算法在6组测试视频中进行比较,实验证明了该算法具有更好的性能。     

基于改进的均值漂移和卡尔曼滤波的目标跟踪算法

针对固定搜索窗口均值漂移算法在目标运动速度过快或目标尺度发生变化而导致跟踪失败的问题,提出一种与卡尔曼滤波相结合的自适应窗口跟踪算法。首先用卡尔曼滤波算法对运动目标进行预测及更正,设定感兴趣区域,并利用均值漂移算法确定搜索窗口大小和位置,同时结合Bhattacharyya系数进行目标定位,实现视频中目标跟踪。通过对比分析和实验结果,改进算法对目标尺度发生变形时具有较好的鲁棒性和准确性。     

一种稳健的移动机器人目标跟踪算法

为了有效地实现复杂环境下机器人运动目标跟踪,提出了一种结合卡尔曼滤波和均值漂移的目标跟踪算法.该算法首先通过帧间差法在复杂背景中获取目标模型,以机器人自身一个周期的运动作为卡尔曼滤波器的输入量,以卡尔曼滤波器的估计值作为均值漂移算法的启动点,再利用均值漂移算法得到最终目标位置,最后通过目标遮挡判定来解决遮挡问题.实验表...     

再生核Hilbert空间中两阶段稀疏表示目标跟踪算法

在强干扰复杂环境下,有效的特征选择对于目标跟踪模型的可解释性至关重要.针对这一问题,本文基于再生核Hilbert空间(RKHS)理论,对特征空间构建生成式的两阶段稀疏表示(TSSR)模型,从而描述图像样本与字典之间的非线性关系,避免了在字典中引入大量的琐碎模板.在第1阶段,首先建立图像样本与字典在原始低维空间中的关系,然后利用批处理最小二乘算法求得稀疏表示系数的初值,根据观测模型确定初始跟踪位置的分布;在第2阶段,首先利用核方法将原始低维空间映射到高维特征空间,然后提出一种基于核的加速近端梯度算法(KAPG),从而求得字典元素系数的核稀疏表示,最终确定跟踪目标.最后实验结果证明了本文所提出的TSSR方法在面对视角变化和部分遮挡时的有效性.     

2DPCA与稀疏表示模型的运动目标跟踪法

为了提高目标跟踪的准确性,针对当前目标跟踪算法的光照、遮挡以及姿态变化鲁棒性差等问题,提出了一种二维主成分分析和稀疏表示的目标跟踪算法。采用二维主成分分析和稀疏表示降低数据维数,减少计算复杂度,采用粒子滤波算法跟踪序列图像中的运动目标,采用仿真实验测试算法的性能。仿真结果表明,相对于其他运动目标跟踪算法,该算法可以更准确跟踪视频图像中的运动目标,并对光照和姿态变化具有良好的鲁棒性,对于严重遮挡目标跟踪问题,具有明显的优势。     

基于稀疏表示和特征选择的LK目标跟踪

为了实现复杂场景中的视觉跟踪, 提出了一种以LK（Lucas-Kanade）图像配准算法为框架, 基于稀疏表示的在线特征选择机制。在视频序列的每一帧, 筛选出一些能够很好区分目标及其相邻背景的特征, 从而降低干扰对跟踪的影响。该算法分别构造前景字典和背景字典, 前景字典来自于第一帧的手动标定, 并随着跟踪结果不断更新, 而背景字典则在每一帧重新构造。同时, 一种新的字典更新策略不仅能有效应对目标的外观变化, 而且通过特征选择机制, 能避免在更新过程中引入干扰, 从而克服了漂移现象。 大量的实验结果表明, 该算法能有效应对视角变化、光照变化以及大面积的局部遮挡等挑战。     

基于稀疏编码和岭回归的文本图像复原算法

为解决现有稀疏编码方法在文本图像复原中存在的编码码元表述空间有限和计算时间长的问题,提出了一种基于岭回归的稀疏编码文本图像复原方法。首先,该方法在训练阶段使用样本图像块训练出用于稀疏表达的字典,并根据样本图像块和编码码元之间的欧氏距离对样本图像块进行聚类;其次,在局部流形空间构建低质量文本图像块和清晰文本图像块之间的岭回归,实现对编码码元表述空间的局部多线性扩展和快速计算;最后,在测试阶段搜索和低质量文本图像最相近的编码码元,计算出近似的清晰文本图像块,从而避免计算耗时的低质量文本图像块的稀疏编码。实验结果表明,所提算法在恢复的图像质量上相比现有的基于稀疏编码的算法在峰值信噪比上高0.3~1.1 dB,耗时降低了1~2个数量级,为提高文本图像复原质量和提升算法运算速度提供了一种解决方案。     

判别稀疏表示鲁棒快速视觉跟踪

目的 L1跟踪对局部遮挡具有良好的鲁棒性,但存在易产生模型漂移和计算速度慢的问题。针对这两个问题,该文提出了一种基于判别稀疏表示的视觉跟踪方法。方法 考虑到背景和遮挡信息的干扰,提出了一种判别稀疏表示模型,并基于块坐标优化原理,采用学习迭代收缩阈值算法和软阈值操作设计出了表示模型的快速求解算法。结果 在8组图像序列中,该文方法与现有的4种经典跟踪方法分别在鲁棒性和稀疏表示的计算时间方面进行了比较。在鲁棒性的定性和定量比较实验中,该文方法不仅表现出了对跟踪过程中的多种干扰因素具有良好的适应能力,而且在位置误差阈值从0~50像素的变化过程中,其精度曲线均优于实验中的其他方法;在稀疏表示的计算时间方面,在采用大小为16×16和32×32的模板进行跟踪时,该文算法的时间消耗分别为0.152 s和0.257 s,其时效性明显优于实验中的其他方法。结论 与经典的跟踪方法相比,该文方法能够在克服遮挡、背景干扰和外观改变等诸多不良因素的同时,实现快速目标跟踪。由于该文方法不仅具有较优的稀疏表示计算速度,而且能够克服多种影响跟踪鲁棒性的干扰因素,因此可以将其应用于视频监控和体育竞技等实际场合。     

Fusion tracking in color and infrared images using joint sparse representation

Currently sparse signal reconstruction gains considerable interest and is applied in many fields. In this paper, a similarity induced by joint sparse representation is designed to construct the likelihood function of particle filter tracker so that the color visual spectrum and thermal spectrum images can be fused for object tracking. The proposed fusion scheme performs joint sparse representation calculation on both modalities and the resultant tracking results are fused using min operation on the sparse representation coefficients. In addition, a co-learning approach is proposed to update the reference templates of both modality and enhance the tracking robustness. The proposed fusion scheme outperforms state-of-the-art approaches, and its effectiveness is verified using OTCBVS database.     

判别稀疏表示与在线字典学习的运动目标跟踪

针对传统稀疏表示不能有效区分目标和背景的缺点,提出一种判别稀疏表示算法,这种算法在传统稀疏表示目标函数中加入一个判别函数,大大降低干扰因素对目标跟踪的影响。基于判别稀疏表示和[?1]约束,提出一种在线字典学习算法升级目标模板,有效降低背景信息对目标模板的影响。提取目标梯度方向的直方图（HOG）特征,利用其对光照和形变等复杂环境具有较强鲁棒性的优点,实现对目标更稳定的跟踪。实验结果表明,与现有跟踪方法相比,该算法的跟踪效果更好。     

Downsampling sparse representation and discriminant information aided occluded face recognition

In this paper, a strategy is proposed to deal with a challenging research topic, occluded face recog- nition. Our approach relies on sparse representation on downsampled input image to first locate unoccluded face parts, and then exploits the linear discriminant ability of those pixels to identify the input subject. The advantages and novelties of our method include, 1） since the sparse representation based occlusion detection is conducted on dowsampled image, our algorithm is much faster than classic SRC; 2） the discriminant informa- tion learned from training samples is combined with sparse representation to recognize occluded face for the first time. The verification experiments are conducted on both sinmlated block occlusion images and genuine occluded images.     

基于多尺度特征融合Hessian稀疏编码的图像分类算法

针对传统稀疏编码图像分类算法提取单一类型特征,忽略图像的空间结构信息,特征编码时无法充分利用特征拓扑结构信息的问题,提出了基于多尺度特征融合Hessian稀疏编码的图像分类算法（HSC）。首先,对图像进行空间金字塔多尺度划分;其次,在各个子空间层将方向梯度直方图（HOG）和尺度不变特征转换（SIFT）进行有效的融合;然后,为了充分利用特征的拓扑结构信息,在传统稀疏编码目标函数中引入二阶Hessian能量函数作为正则项;最后,利用支持向量机（SVM）进行分类。在Scene15数据集上的实验结果表明,HSC的准确率比局部约束线性编码（LLC）高了3~5个百分点,比支持区别性字典学习（SDDL）等对比方法高了1~3个百分点;在Caltech101数据集上的耗时实验结果表明,HSC的用时比多核学习稀疏编码（MKLSC）少40%左右。所提HSC可以有效提高图像分类准确率,算法的效率也优于对比算法。