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。     

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。     

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。     

一种基于目标先验信息的视觉跟踪算法

针对运动目标跟踪过程中出现的遮挡问题,提出了基于目标先验信息的视觉显著性遮挡目标跟踪算法。在粒子滤波框架下,利用目标先验信息生成视觉显著图,并根据粒子区域颜色特征与目标颜色特征模板之间的相似度来判断遮挡情况。当遮挡发生时,提高特征融合公式中显著性特征的融合权重,从而充分利用目标未被遮挡部分信息来完成跟踪。实验结果表明,利用目标先验信息的目标跟踪算法能显著提升跟踪遮挡目标的鲁棒性。     

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SIFT特征和模板更新的粒子滤波目标跟踪算法

传统的粒子滤波算法利用目标的颜色特征对粒子权值进行更新,当背景与目标的颜色分布相似或者目标被遮挡时,易发生误跟踪。尺度不变特征具有较高的独特性,但是仅使用SIFT特征不足以对小目标进行描述。针对这两种情况,提出一种利用SIFT特征和颜色特征建立目标模型,结合粒子滤波实现目标跟踪的新方法。为了防止目标模板的误更新,根据当前帧跟踪结果与SIFT目标模板中特征点的匹配数目决定是否对颜色目标模板进行更新。实验结果表明,当目标被遮挡或者位于有相似颜色的杂乱背景时,提出的方法能有效提高跟踪的精确度。     

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。     

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。     

基于自适应背景的多特征融合目标跟踪

针对基于单一特征的目标跟踪算法,在复杂情形下,很难准确跟踪目标的问题,提出一种基于自适应背景的多特征融合目标跟踪算法。该算法利用颜色和基于灰度共生矩阵纹理特征表征目标,在粒子滤波的框中,通过分析在不同特征下,粒子空间分布、权值分布,以及特征对背景的区分性,提出一种有效的融合系数计算方法; 根据在跟踪过程中目标外观的变化情况,自适应更新目标模板。在不同场景下的实验结果表明:该算法在不降低实时性的前提下,抗背景干扰能力大幅度提高; 在各种场景下,均具有良好的稳定性和鲁棒性。     

多特征融合与Kalman滤波的CAMShift跟踪算法

针对CAMShift算法在实际应用场景中受颜色和遮挡时跟踪失败的问题,提出一种多特征融合与Kalman滤波的CAMShift目标跟踪算法。多特征融合是在CAMShift算法基础上将边缘、纹理与颜色特征融合在一起,采用改进的Canny算子描述边缘特征,采用统一模式下的N-LBP构造纹理特征,并利用巴氏(Bhattacharyya)系数计算各个特征的自适应融合权值,通过不同特征之间的优势互补,增强特征的表达能力。当跟踪目标无遮挡时,使用CAMShift算法计算目标位置并更新Kalman滤波器参数,有遮挡时,使用Kalman滤波预测当前目标的位置,最后仿真实验表明,本文算法受环境影响小,相比CAMShift算法跟踪误差显著降低。     

一种鲁棒的多特征融合目标跟踪新算法

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。提出了一种新的多特征融合目标跟踪算法,该算法将目标的颜色、纹理、边缘、运动特征统一使用直方图模型进行描述,以降低算法受目标形变和部分遮挡的影响,在Auxiliary粒子滤波框架内将所有特征观测进行概率融合,以突出状态后验分布中目标真实状态对应的峰值,从而有效避免了复杂背景的干扰,并给出了一种有效的融合系数计算方法,使融合结果更加准确可靠。实验结果表明,该算法能同时处理刚性与非刚性目标的跟踪,较单一特征的跟踪算法具有明显的优势,对复杂背景下的跟踪具有较高的鲁棒性。与现有多特征融合算法的比较也证明了本文算法的有效性。     

基于复杂特征融合的改进mean shift目标跟踪

提出一种融合Gabor小波纹理特征与颜色特征的改进mean shift目标跟踪算法.首先,提取移动目标的颜色特征和纹理特征直方图;其次,基于mean shift算法定义融合相似度系数,对特征空间进行融合并得出目标中心位置;再次,通过定义特征自适应系数来融合基于颜色和纹理特征的目标位置;最后,对上述结果进行处理,得到目标最终位置.实验结果表明,该算法在跟踪目标存在变形、噪声、遮挡时能够得到比较理想的跟踪效果.     

特征融合与重定位卷积算子跟踪算法研究

针对卷积操作目标跟踪算法(ECO-HC)在遮挡、背景等干扰问题导致跟踪精度下降的问题,提出了一种自适应特征融合的卷积相关滤波算法,将CN与HOG特征进行加权融合,通过计算各自的响应来确定各自特征在下一帧的权重,将特征各自的优势充分发挥出来.此外,针对目标跟踪失败问题,提出利用形变相似多样性原理,构建目标重定位模块,当出现遮挡、快速移动等复杂情况造成跟踪的可靠性降低时,综合考虑目标响应得分、空间权重得分和形变相似多样性得分来确定目标的最终位置,实现重定位.实验证明,改进后算法与ECO-HC相比,针对目标遮挡、背景干扰等复杂情况,有效地提高了跟踪精度,鲁棒性更强.     

融合HOG与ARMA模型的粒子滤波跟踪

传统的粒子滤波算法在跟踪目标受到相似背景干扰和遮挡或跟踪目标高速运动时,容易造成跟踪误差增大或跟踪失效的影响。针对室外运动目标跟踪的复杂性,提出一种对于干扰适应性较强的融合梯度方向直方图与自回归移动平均(ARMA)模型的粒子滤波跟踪方法。建立ARMA运动模型,用前两帧目标的位姿状态预测目标下一帧的状态,解决目标跟踪的角度变化与部分遮挡问题。实验结果表明,该模型能克服光照突变引发目标色彩突变的问题。     

基于双特征的多模块目标跟踪算法

针对运动目标在受到严重遮挡时难以被精确跟踪的问题,提出一种融合颜色和LBP (local binary pattern)纹理特征的多模块跟踪算法.综合考虑目标与背景的特征显著性和相似性两个因素建立比值关系进行量化分析,选取了能够最大程度区分前景目标和背景的颜色空间特征,并结合LBP纹理特征建立概率分布直方图.利用卡尔曼滤波器预测均值漂移算法的初始迭代位置.引入相似度因子来定义新的遮挡判决准则,自适应采用多模块模型进行跟踪.仿真实验结果表明了该算法的有效性.     

多特征融合的Camshift算法及其进一步改进

基于颜色核的Camshift算法可以有效实现简单场景下的目标跟踪,但在光线变化明显或目标与背景颜色相近的场景下易受干扰。为此,采用颜色、边缘梯度、纹理等多个特征自适应融合的方式改进算法,提高算法应对光线变化的能力;并通过修正特征直方图、设置合理搜索范围对算法进行进一步改进,解决相似背景的干扰问题。实验结果显示,在光照变化明显或目标与背景特征相近的场景中,改进的算法与传统算法相比具有更高的跟踪精度。     

改进协方差矩阵的智能车视觉目标跟踪方法

智能车辆视觉目标具有非线性、噪声分布非高斯性的典型特点，现有算法难以实时估计目标的状态。针对识别物体复杂且多变，很难用完全的特征来描述待识别目标及其背景的不断变化，提出了一种用于融合颜色特征及SURF（Speed-Up Robust Features）特征的协方差矩阵来改进粒子滤波算法，从而提升视觉目标跟踪的实时性，满足智能车辆的要求。首先，对采集的图像进行预处理来获取感兴趣区域。接着，通过融合颜色特征及SURF特征构造范围感兴趣区域（Region Of Interest，ROI）的目标特征协方差矩阵，建立目标状态预测模型及状态观测模型，用于改进粒子滤波算法粒子重采样过程，实现对目标的精确跟踪。最后，将该方法与Mean-shift算法和颜色属性（CN）算法进行对比。实验结果表明，在智能车视觉跟踪过程中对光环境瞬时变化、目标物体存在短时遮挡以及目标物体姿态改变时，该算法在满足智能车辆对实时性要求的前提下，有效提升算法的精确度及鲁棒性。