一种基于空间直方图的多特征目标跟踪算法

为提高跟踪算法对光照或背景的大幅度变化和车辆大范围运动的鲁棒性,提出了一种基于空间直方图的多特征目标跟踪算法。算法以自适应权值多特征乘性融合框架为基础,分别建立目标的颜色、边缘和纹理空间直方图,使用Mean Shift迭代,利用各特征空间概率分布图中目标与背景的BH系数,调整特征权值。该算法使跟踪不再过分依赖某一单一特征,实现了复杂背景下目标的准确跟踪。     

基于颜色-纹理特征的目标跟踪

针对传统的基于颜色特征目标跟踪算法在一些复杂场景中存在的跟踪不稳定性,提出一种基于颜色 纹理特征的目标跟踪算法;在传统的基于颜色Mean shift的目标跟踪算法中加入纹理特征,在提取目标颜色特征的同时提取目标的纹理特征,并且采取串接原则,在搜索目标新位置时仍然沿用传统的基于颜色的均值漂移跟踪算法,但在每一次迭代过程搜寻目标最佳的位置点即特征相似最大的区域时,利用纹理特征来实现,并且采用八邻域搜索法（候选区域周围扩大八个大小相等的区域）来解决部分遮挡的问题。通过对比实验表明,该算法在复杂场景中表现出的实时性和鲁棒性较好。关键词：     

带特征线约束的Delaunay三角剖分最优算法的研究及实现

为了提高特征线约束的Delaunay三角剖分的速度和功率,从两个方面进行改进;一是生成无约束的Delaunay三角网时,采用进行剖分算法;二是在约束线上插入点时,应用取三角形外接圆与特征线交点的方法。并行剖分算法具有较好的加速性能;“交点”插入算法考虑了特征线的影响域及Delaunay三角形规则的边界条件,在满足全局Delaunay三角剖分的前提下,使插入的点最少,对原有的网格影响最小。     

基于特征颜色空间变换的目标跟踪融合算法

利用LUV色彩空间的特性,提出将RGB色彩空间的目标特征描述转换到LUV色彩空间,从而解决目标表面特征变化造成的目标丢失现象,提高目标跟踪算法的鲁棒性。结合卡尔曼滤波和均值漂移跟踪算法的优点,通过一种判别机制将这两个算法得到的跟踪结果进行融合,提高目标跟踪算法的准确性。通过实验证明了新方法的有效性和准确性。     

基于联合特征直方图的均值漂移目标跟踪算法

针对单一颜色特征跟踪性能差的缺点, 提出一种基于联合特征直方图的均值漂移目标跟踪算法. 采用颜色、边缘、运动3 个具有一定互补性的信息进行联合概率跟踪, 以提高目标模型的描述能力; 利用运动信息修正颜色和边缘模型核函数, 用以克服背景颜色、轮廓对跟踪效果的影响; 根据各特征所占权重, 运用自适应融合法生成关联特征直方图, 并将所构建的目标模型融合到mean shift 跟踪框架中, 实现目标跟踪. 实验结果表明, 所提出的算法具有较高的准确性.

     

基于Mean Shift算法和NMI特征的目标跟踪算法研究

针对传统Mean shift跟踪算法对空中运动目标跟踪效果不理想的问题, 提出了基于Mean shift算法和归一化转动惯量(Normalized moment of inertia, NMI)特征的目标跟踪算法. 算法中引入了目标NMI特征, 建立了基于虚警概率最小原则和相似度二级判决门限的跟踪策略, 对目标模型进行更新. 同时利用卡尔曼滤波, 在目标被遮挡后进行估计预测. 实验表明该算法在空中运动目标存在较大形变、被遮挡等情况下, 能够进行实时、稳定跟踪.     

基于SIFT 特征的目标多自由度mean-shift 跟踪算法

传统的mean-shift跟踪算法不能跟踪目标的旋转、缩放运动,且常常因此造成定位不准.鉴于此,将尺度不变特征变换（SIFT）特征检测融入到mean-shift跟踪过程,提出SIFT特征点的尺度变化与目标的尺度变化成正比,特征点主方向变化与目标旋转角度一致,给出了基于SIFT特征的自适应目标尺度、方向计算方法,且利用带方向、可变带宽的椭圆核改进传统的mean-shift跟踪方法.实验表明,该算法能够较好地跟踪目标的旋转、缩放运动,定位也更准确.     

基于尺度不变特征变换的Mean-Shift目标跟踪

均值漂移(Mean-Shift)目标跟踪算法由于具有快速模板匹配和无参数密度估计等特点,但也存在其固有的缺陷.为了提高该算法的鲁棒性,把目标分成多个区域,对每个区域利用Mean-Shift进行跟踪,迭代次数大于8的放弃迭代.然后利用尺度不变特征变换(SIFT)剔除那些匹配的关键点数目少的子区域.最后,利用匹配关键点数目多的区域得到目标的位置.实验结果表明该方法在目标受遮挡、尺度变化、旋转、环境场景等变化等具有很强的鲁棒性.     

二维几何特征自适应有限元网格生成(一)--几何特征识别

发现二维形体边界均匀离散点集Delaunay三角剖分所具有的4个性质．根据这4个性质所描述的Delaunay三角剖分和形体几何特征之间的关系提出几何特征自动识别方法,并建立网格自适应机制,实现三维形体几何特征和部分力学特性自适应有限元网格自动生成．     

一个基于网格前沿技术的三维实体四面体有限元网格剖分算法

在三维实体有限元网格自动生成过程中,其主要问题是如何生成均匀的网格结点。本文用网格前沿技术逐层生成网格结点,并采用Ｄｅｌａｕｎａｙ 三角剖分技术生成四面体网格单元。最后给出了两个剖分实例。     

三维约束Delaunay三角化的实现

分析了约束Delaunay三角化中存在的边界一致性问题,给出了约束Delaunay三角化的理论依据,重点探讨了三维约束Delaunay三角化的可行性条件和范围,同时,给出了三维有限域约束Delaunay三角化的实现方法及其在石油地质勘探数据和机械零件方面的网格剖分实例.这种算法在复杂对象的科学计算和工程分析中发挥了重要作用.     

基于像素级图像融合的Mean Shift目标跟踪

针对可见光、红外单模图像序列进行Mean Shift目标跟踪时存在的问题,提出了先对可见光、红外图像序列进行像素级动态图像融合,采用加权平均融合和基于区域目标检测的图像序列融合框架,再对融合结果进行Mean Shift目标核函数直方图建模,然后进行匹配跟踪。实验采用了实际图像序列。实验结果表明,针对目标进行跨背景区域的运动,该方法较采用单模图像序列进行跟踪具有更好的鲁棒性,并且满足实时性的要求。     

基于粒子Mean Shift迁移的红外人体目标跟踪算法

提出了一种基于粒子Mean Shift迁移过程的红外人体跟踪方法.算法通过采样粒子迁移和聚类动态建立目标的状态模型和量测模型.在被跟踪区域随机布撒粒子,以各粒子对应像素的亮度作为特征值进行Mean Shift收敛性分析,使用收敛后的粒子集表达目标的当前状态;以状态粒子的坐标位置为特征值对其进行Mean Shift聚类,作为对目标的量测.连续跟踪时,下一帧的采样粒子基于上一帧的量测结果产生.与传统的基于序贯重要性采样的粒子滤波方法相比,算法不需要目标的相似性测度计算,仅用少数粒子即可实现对目标的可靠跟踪.     

基于多尺度特征提取的均值漂移目标跟踪算法

为在图像对比度较低、相似目标过多等情况下较好地实现目标跟踪,提出一种基于多尺度特征提取的均值漂移跟踪算法.前一帧目标区域的特征点经匹配得到后续帧目标区域的特征点,利用所得特征点集的中心坐标修正均值漂移搜索窗位置,以此为约束条件,减小均值漂移迭代产生的偏差.实验结果表明,该算法可以提高跟踪精度、鲁棒性及实时性.     

人脸特征约束点的三维表情合成*

针对目前很多三维表情合成算法计算量大、方法比较复杂、真实感不强的特点,结合人脸分布特征,提出了一种基于Delaunay三角剖分的三维表情合成新算法。该方法通过对人脸特征点集的快速三角剖分避免了病态三角网格,有效提高了合成后人脸表情的真实度,降低了算法复杂度。大量实际人脸表情合成的实验结果表明,该算法通过少量的特征点生成的三维人脸表情更加真实,可有效快捷地合成各种真实的人脸表情。     

基于Delaunay三角网的简单面状要素自动注记

为使地图标注中简单面状要素的自动注记更加美观且高效,提出了一套简单面状要素的注记方案.该方案先用重心法试着将文本标注在重心附近,但当重心法不能将文本标注于多边形内部时,则用改进的Delaunay三角网骨架线法将文本顺着骨架线标注,以适应绝大多数多边形.重心法以O(n)的效率快速标注文本,而改进的三角网建网算法提高了建网效率,保证了骨架线方法的可行性.实验结果表明:该方案注记视觉效果良好,注记效率高.     

平面多边形域的快速约束Delaunay三角化

针对任意平面多边形域,采用增量思想和均匀网格,在局部范围内快速生成约束Delaunay三角形．该方法不会生成区域外的三角形;对存在折线、离散点以及含“洞”的情况不需要特殊处理．实验结果表明,该方法对于随机生成的简单多边形域三角化速度快,平均计算时间呈近似线性．另外,针对文字、工业图案等带状图像的边界多边形,充分利用其近似等宽性优化算法,将其应用于带状图像骨架的快速提取．     

基于空间边缘方向直方图的Mean Shift跟踪算法

传统的基于色彩直方图或空间色彩直方图的Mean Shift跟踪算法,在诸如跟踪目标出现尺度变化的复杂条件下,无法得到准确的跟踪结果。这是因为色彩直方图或空间色彩直方图无法显著区分颜色相近的目标和背景。鉴于此,提出了一种基于空间边缘方向直方图的Mean Shift跟踪算法,使用空间分布和纹理信息作为匹配信息。实验结果表明,该算法能够有效的处理遮挡、光照变化和尺度缩放等复杂情况,对目标进行准确有效的跟踪,改善了传统方法在尺度缩放等方面的局限性。     

基于颜色概率模型的实时手势跟踪算法

本文提出了一种改进的CAMSHIFT算法,实现了对动态手势的实时跟踪。将图像序列通过一个肤色概率查找表转换为肤色概率分布图,结合运动信息和肤色概率分布,初始化一个搜索窗的大小和位置,然后对肤色概率分布图进行迭代运算,定位出手势的位置和大小,根据计算肤色概率分布图中手势区域的2阶矩,最终确定感兴趣区域的长度和宽度
。实验表明,本文提出的算法能实时处理视频图像,避免了错误跟踪,而且跟踪准确精细。     

基于红外和可见光融合的目标跟踪

针对单一图像源下目标跟踪精度不高和当目标存在部分遮挡时目标跟踪丢失的问题,本文提出了一种结合红外图像和可见光图像特征进行融合的方法. 首先在进行目标跟踪时,提取可见光图像的颜色信息作为目标模型的参数,提取红外图像的灰度信息作为目标模型的参数,并分别得到目标位置及其子图. 然后再利用目标子图和目标模型分别进行Bhattacharyya系数的计算,根据权值函数来计算各自系数的权值,最后用Mean Shift算法对加权后的目标进行跟踪. 该方法充分利用了红外图像与可见光图像的优点,提高了目标跟踪的精度,解决了当目标存在部分遮挡时目标跟踪丢失的问题.