多特征融合的自适应性粒子滤波跟踪算法

为提高粒子滤波视觉目标跟踪算法的实时性与鲁棒性,提出了一种基于多特征融合的自适应性粒子滤波跟踪算法。该算法利用颜色和结构特征表示目标,将两者融合于粒子滤波的框架中,利用融合后的信息计算粒子的权值,以降低算法受目标形变及复杂环境的影响。同时,根据跟踪预测的准确程度动态计算跟踪所需的粒子数目,对采样粒子集进行自适应调整,以提高粒子质量,降低粒子数量,减少算法运算时间。实验结果表明,所提算法对于每帧图像的平均计算时间相对于传统混合跟踪算法缩短了将近一半,而且算法的鲁棒性较强。     

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。     

一种多特征融合的粒子滤波跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种有效的多特征融合跟踪方法,该方法同时结合了颜色和运动边缘特征,并通过粒子滤波方法合理地进行概率融合。实验结果表明,算法能够在一种特征受到背景干扰导致目标鉴别能力丧失时,其它特征仍能稳定可靠地跟踪目标,算法简单,鲁棒性高,能够有效适用于复杂背景下的目标跟踪。     

基于粒子滤波的移动机器人目标追踪控制改进算法

针对移动机器人目标追踪控制问题,以三轮全向移动智能足球机器人为研究对象,结合图像区域分割技术建立机器人运动模型和测量模型,提出基于高斯和粒子滤波的移动机器人目标追踪改进算法应用于足球机器人比赛环境。该算法将高斯和滤波中的并行扩展卡尔曼滤波用并行高斯粒子滤波代替,充分考虑当前时刻观测量对状态分布的影响,提高系统精度的同时降低滤波过程中使用的粒子数目,减轻系统计算量;仿真结果表明,该算法有效的减少足球机器人目标追踪过程中的误差和修正时间,特别是目标物体曲线行驶时,可以有效的将x轴与y轴方向的误差控制在一个较稳定的范围内,提高系统的稳定度。     

一种融合粒子滤波的多特征特定行人追踪方法

针对特定行人目标跟踪,提出了一种融合粒子滤波的多特征特定行人检测追踪方法。该方法借鉴空间金字塔匹配模型将行人在空间上进行划分,然后融合颜色特征和局部三值模式（LTP）纹理特征,提取目标行人各子区域信息,最后结合粒子滤波来综合判断目标行人的位置。实验结果显示,本文方法能够有效区分目标与背景,同时在目标行人被遮挡的情况下,算法能够有效跟踪。      

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.     

基于颜色特征与SIFT特征自适应融合的粒子滤波跟踪算法

针对序列图像中的运动目标在跟踪过程中发生运动模糊以及部分遮挡的问题进行了研究, 提出一种将改进的颜色直方图特征模型与尺度不变特征（SIFT）模型相融合的粒子滤波跟踪算法。采用基于模糊逻辑的方法, 根据当前跟踪环境自适应调节两种特征信息的权重, 从而实现特征信息间的融合, 提高描述目标观测的可靠性。实验结果证明, 该算法优于传统的单特征或采用固定权值的多特征目标跟踪算法。     

基于粒子滤波的多特征融合视频行人跟踪算法

针对车载视频行人跟踪问题,提出一种基于粒子滤波框架下的多特征融合跟踪算法。为克服车载视频中行人运动与摄像机运动产生的非线性和非高斯性,采用基于蒙特卡罗抽样的粒子滤波跟踪算法,使用一阶自回归动态模型预测目标状态,观测模型自适应加权融合的4种互补性特征。实验结果表明,与没有粒子滤波和多特征融合的跟踪算法相比,在相同精确率水平上,该算法的召回率提高20%以上。     

多特征融合的鲁棒粒子滤波跟踪算法

为克服基于单一特征的跟踪方法在复杂环境和光照变化下易导致跟踪失败的缺点,提出了一种基于多特征融合的粒子滤波跟踪算法。通过基于HSV的多块颜色直方图来表征目标的总体分布,而方向梯度直方图又包含了一定的结构信息,两者互为补充,将两者融合于粒子滤波的框架中。同时,自适应更新融合权重、模板和噪声分布参数,动态调节粒子数目,在环境干扰较大(如遮挡)时,分配较多的粒子。实验结果表明,算法鲁棒性较高,同时提高了跟踪的精度。     

基于粒子滤波和Galerkin法的改进目标跟踪算法

在粒子滤波框架下,估计的准确性受到建议分布选取的影响很大。传统的粒子滤波通常采用系统转移概率作为建议分布,但传统的建议分布选取方法由于没有考虑新的观测信息,因此不能产生准确的估计值。为此采用一种叫做Galerkin法的数学工具去构造建议分布,依据该方法构造的建议分布相对传统的方法提高了粒子滤波估计的准确性。同时,在新的跟踪算法框架中,将颜色模型和形状模型进行自适应的融合,并提出了一种新的模型更新方法,提高了目标跟踪的稳定性。实验结果证明了该跟踪算法的有效性。     

自适应多特征融合相关滤波目标跟踪

目的 针对现实场景中跟踪目标背景复杂、光照变化、快速运动、旋转等问题,提出自适应多特征融合的相关滤波跟踪算法。方法 提取目标的HOG（histogram of oriented gradients）特征和利用卷积神经网络提取高、低层卷积特征,借助一种自适应阈值分割方法评估每种特征的有效性,得到特征融合的权重比。根据权重系数融合每种特征的响应图,并据此得到目标的新估计位置,利用尺度相关滤波器计算目标尺度,得到目标尺度完成跟踪。结果 在OTB（object tracking benchmark）-2013公开数据集上进行实验,在对多特征融合进行分析的基础上,测试了本文算法在11种不同属性下的跟踪性能,并与当前流行的7种算法进行对比分析。结果表明,本文算法的成功率和精确度均排名第1,相较于基准算法DSST （discriminative scale space tracking）跟踪精确度提高了4%,成功率提高了6%。在复杂场景下比其他主流算法更具有鲁棒性。结论 本文算法以DSST相关滤波跟踪器为基准算法,借助自适应阈值分割方法评估每种特征的有效性,自适应融合两层卷积特征和HOG特征,使得判别性越强的单一特征融合权重越大,较好表达了目标的外观模型,在背景复杂、目标消失、光照变化、快速运动、旋转等场景下表现出较强的跟踪准确性。     

多特征融合的自适应相关滤波跟踪算法

针对图像目标跟踪问题,为提高跟踪精度,提出了一种多特征融合的自适应相关滤波跟踪算法。算法首先选取HOG和CN两种互补特征,分别训练两个相关滤波跟踪器跟踪图像目标,然后利用提出的响应图置信度计算公式计算两个跟踪器的响应图权重并进行自适应融合做出决策。滤波器更新阶段,算法结合两个特征的响应图置信度与两帧之间的变化率动态调整滤波器学习速率。仿真实验采用跟踪基准数据库（OTB-2013）中的36组彩色视频序列进行实验,对比了流行的相关滤波跟踪算法,结果表明,该算法在平均跟踪精度上优于其他算法,具有一定的应用价值。     

一种基于信息融合的粒子滤波跟踪算法

针对粒子滤波在复杂背景下容易造成跟踪目标丢失的问题,提出一种基于多特征信息融合的粒子滤波算法。该方法同时利用灰度和梯度信息描述目标,有效提高了复杂场景下对目标描述的可靠性;在此基础上,推导出多信息融合的观测似然函数,将两种信息融合在一起,使得融合算法能根据当前跟踪形势自适应调整各信息的加权,实现了信息间的优势互补。实验结果表明,该算法鲁棒性较高,明显提高了跟踪精度。     

一种改进的基于Camshift的粒子滤波实时目标跟踪算法

为了能够快速和准确地跟踪运动目标,提出了一种改进的基于Camshift的粒子滤波算法。在粒子滤波框架下,首先对传统目标模型进行改进,提出一种新的融合目标颜色信息和运动信息的模型,以增强目标跟踪的稳健性和准确性;同时为了提高跟踪的效率,将一种改进的Camshift算法嵌入到粒子滤波中,用来重新分配随机粒子样本,使之向目标状态的最大后验概率密度方向移动。实验结果表明,与传统的粒子滤波算法或Camshift算法相比,该方法能有效处理目标快速运动或背景存在强干扰等情况,实现对目标快速和稳健的跟踪。     

一种改进的粒子滤波目标跟踪算法*

传统的Condensation跟踪算法使用状态转移分布作为采样粒子的建议分布函数,没有考虑当前的观测值,大量的粒子运算浪费在了那些具有小似然性的区域。针对该问题,提出一种基于Mean Shift以改进建议分布函数的粒子滤波跟踪方法。实验表明,由于有效地利用了当前观测值,改进的算法具有较强的鲁棒性和实时性。     

基于多特征融合的头部跟踪方法研究*

为有效解决头部跟踪鲁棒性较差的问题,利用头部的多种观测信息通过ＤＳ证据理论进行融合跟踪。 在粒子滤波的总体框架下,嵌入ＭｅａｎＳｈｉｆｔ算法产生更加逼近真实后验分布的粒子,同时采用颜色和人体头部椭圆轮廓的最大梯度距离测度（ＤＭＧ）作为观测模型,有效避免了单一颜色特征在光照突变、姿态变化、距离较远以及背景相似情况下的跟踪稳定性较差的问题。实验表明该方法对于复杂条件下的人体头部跟踪问题具有较强的鲁棒性。