一种新颖的基于颜色信息的粒子滤波器跟踪算法

传统的基于直方图的粒子滤波器算法常常需要在准确表达颜色分布和计算效率之间做出妥协,从而影响跟踪算法的性能甚至导致跟踪算法失败.针对这一问题,文中提出一种新颖的基于颜色信息的粒子滤波器跟踪算法.该算法采用自适应剖分颜色空间的概率模型,能够用较少的子空间准确地表达目标的颜色分布.文中进一步提出一种推广的积分图像,通过在该积分图像上进行数组索引操作得到每一个子空间的像素数目、均值向量和协方差矩阵,从而能够快速地计算出颜色模型.然而在CPU上计算积分图像十分耗时,为此文中提出一种基于GPU的并行算法快速计算积分图像.该并行算法在显卡的GPU上创建3个线程网格,分别顺序执行3个Kernel函数,依次完成创建原始积分图像以及对它的行和列执行前缀求和算法的任务.同传统的基于直方图的粒子滤波器算法相比,新算法每帧平均跟踪时间显著减少,同时跟踪准确性和鲁棒性都有较大提高.     

基于粒子滤波器的摄像机运动参数估计

针对利用运动矢量估计摄像机运动参数的问题,将运动矢量作为状态,以块的位置作为状态索引,根据区域的局部相关性自适应地确定状态转移方程,以块匹配的平均绝对误差作为状态估计的观测输出,从而建立状态空间模型。基于该模型利用粒子滤波器估计运动矢量,采用重采样技术来消除粒子退化的现象,最后按照运动矢量与摄像机参数的关系模型,借助最小二乘法确定最优的摄像机参数。实验表明,该算法以较少的搜索点可以估计得到具有时空一致性的运动矢量场,进而能估计出反映摄像机真实运动的摄像机运动参数。     

基于遗传粒子滤波器的运动目标实时跟踪

提出一种基于遗传粒子滤波器的运动目标跟踪算法,它将Boosting算法和遗传算法引入粒子滤波器,构建了遗传粒子滤波器．该方法首先利用背景信息和目标信息建立特征分类器,将分类器的输出结果作为粒子滤波系统观测的重要信息,进行粒子权值的计算;并在跟踪过程中不断更新特征分类器,从而自适应地更新粒子的权值．为了提高算法的实时性,将遗传算法引入到粒子滤波器,在保证粒子滤波器精度的前提下,减少粒子数目,从而降低算法的运算时间．实验结果表明,所提算法可以根据背景信息的不同自适应地选择特征,在遮挡、形变及背景干扰等情况下,依然可以很好地对目标进行稳定的实时跟踪．     

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。     

基于统计模型的遗传粒子滤波器人体运动跟踪

提出了一种基于统计模型的遗传粒子滤波器人体运动跟踪算法。引入局域二值模式(LBP)算子提取纹理特征,利用颜色直方图与纹理直方图相似度的加权和表示目标相似度,以有效解决自遮挡对跟踪的影响。利用该统计模型精确表示运动人体轮廓,目标形状可由一可变形状参数确定;采用遗传粒子滤波器作为跟踪算法以提高粒子滤波器的鲁棒性和精度。通过预测更新可变形状参数,再利用统计模型中目标形状与形状可变参数的关系得到图像序列各帧中人体轮廓,有效降低了计算量,从而达到快速而准确的跟踪目的。最后用上述方法进行了实验,验证了该方法的实用性和有效性。     

一种基于HOG和颜色双重特征的粒子滤波跟踪方法

针对传统单一颜色特征的粒子滤波跟踪算法,容易受到背景颜色、光照、目标形变的影响而造成目标跟踪的偏离和丢失的问题,提出结合HOG和颜色双重特征的粒子滤波跟踪算法。该算法利用HOG特征描述目标轮廓和形状的优点,通过加权方法结合颜色特征来提高跟踪算法的精确性和鲁棒性。实验结果表明,提出的方法比传统单一颜色特征的粒子滤波算法具有更好的鲁棒性和精确性。     

综合颜色与梯度方向特征的粒子滤波跟踪

针对标准粒子滤波跟踪在复杂环境和光照变化下的缺陷,提出了融合颜色和梯度方向特征的粒子滤波跟踪算法,以克服单一颜色特征跟踪鲁棒性不高的问题。设计了特征融合的粒子重要性评判模型,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。同时通过目标模式自适应更新模型,提高了算法对复杂变化的自适应能力。实验表明,所提算法能比较可靠地实现复杂场景下的目标跟踪。     

基于自适应粒子滤波器的物体跟踪

利用分类概念及粒子滤波理论,提出了一种基于自适应粒子滤波器的物体跟踪算法。将Boosting算法引入粒子滤波器,构建了自适应粒子滤波器,该方法首先利用背景信息和目标信息建立特征分类器,将分类器的输出结果作为粒子滤波系统观测的重要信息,进行粒子权值的计算,并在跟踪过程中不断更新特征分类器,从而自适应地更新粒子的权值。实验结果表明,该算法可以根据背景信息的不同自适应地选择特征,对于存在遮挡、形变及背景干扰等情况,依然可以很好地对目标进行稳定跟踪。     

融合运动和颜色特征的视频目标粒子滤波跟踪北大核心CSCD

研究可见光的视频运动目标跟踪问题。运用粒子滤波进行视频图像的目标跟踪时,目标特征的选择较为重要。传统的基于颜色特征的粒子滤波跟踪,在背景与目标的颜色分布相同时容易出现目标丢失现象。运动和颜色的融合信息为特征,在包含目标的局部区域内进行光流计算,并定义运动观测为粒子的运动像素数量。在粒子滤波框架下将运动观测融入到重要性抽样函数中,扩大预测样本与观测似然峰值的重叠区域;以运动和颜色的融合信息形成联合观测似然函数,并根据它们单独观测的质量自适应地确定各自权重。实验结果表明,改进的跟踪算法在背景存在颜色干扰时的鲁棒性和目标发生机动时的准确性均有提高。     

运动目标跟踪中"选择性"颜色直方图的研究

分析运动目标跟踪系统中基于传统颜色直方图进行颜色特征描述的不足,提出一种使用"选择性"颜色直方图的新方法.该方法通过建立前景与背景的颜色分布模型,提取"选择性"颜色,利用它调整目标区域内每个像素点的统计权重,建立具有更强区分能力的"选择性"颜色直方图,放大目标与周围环境在颜色分布上差异最大的部分,因而在运动目标跟踪中能更好地把握目标特征.实验数据表明,与传统颜色直方图相比算法具有较强的匹配稳定性,在精确性和适应性上有较大提高.     

基于PF和UKF的水下目标运动估计方法研究

针对无人水下航行器（UUV）目标跟踪控制需求,分别提出了水下目标的粒子滤波（PF）和无迹卡尔曼滤波（UKF）运动估计方法,建立了目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了建立了目标的典型运动模型和非线性随机运动模型,利用前视声呐实测实验数据,完成水下目标运动估计。通过与扩展卡尔曼滤波器（EKF）的目标运动估计对比仿真实验,验证了PF和UKF两种目标运动估计方法的有效性。     

基于SIFT 特征和粒子滤波的目标跟踪方法

现有的基于外观的目标跟踪算法,在光照变化和遮挡的情况下,不能准确跟踪目标．针对这个问题,考 虑到尺度不变特征（SIFT 特征）对于光照变换、尺度变换以及仿射变换的不变性,提出了一种利用SIFT 特征建立 目标模型,结合粒子滤波实现目标跟踪的新方法．在跟踪过程中,根据目标模型和候选目标中SIFT 特征点在时间 窗内的匹配情况,自适应更新目标模型的特征点,使模型能够适应目标外观变化．仿真结果证明了方法在不同环境 下的健壮性．     

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。     

基于特征融合的粒子滤波在红外小目标跟踪中的应用

针对红外图像序列中的小目标跟踪问题,在分析红外小目标特点的基础上,提出了一种基于特征融合的粒子滤波目标跟踪算法。该方法利用粒子滤波支持目标特征融合的优点,提出将灰度特征和分形特征相融合,并将融合后的信息用于粒子权值的计算,从而大大提高了跟踪算法的稳健性。实验结果表明,和传统的粒子滤波算法相比,该算法能够更加准确、有效地跟踪红外序列中的小目标。     

自适应粒子滤波在人体跟踪过程中的应用

人体运动跟踪技术近年来在图像处理与计算机视觉领域引起很多关注,在当前一些重要研究和应用领域有着广泛的需求。在以往跟踪方法的基础上提出了基于决策规则的自适应粒子滤波的无标记运动目标跟踪方法。利用一个带外观模板的人体关节模型,通过学习得到运动模型及基于关节模型的相似性计算,巧妙地利用自适应粒子滤波对运动目标进行实时跟踪,使得在粒子滤波过程中,可以根据实际滤波情况在线调节粒子数。实验表明,提出的算法鲁棒性好,跟踪速度比基于传统粒子滤波的快。     

结合部件分割和粒子滤波的3D人体运动跟踪

尽管随机采样降低了陷入局部极值的风险,但不能保证收敛到全局最优.为此提出了一个将人体部件分割算法嵌入到粒子滤波框架的人体运动跟踪系统.首先使用Condensation算法传播并评估粒子,然后利用基于期望最大化的部件分割算法迭代更新粒子.在迭代过程中,从采样粒子推导的姿态用于部件分割,分割结果用于确定粒子分布,使粒子逐渐接近高似然区域,从而提高找到全局最优的概率并降低采样粒子数.在HumanEva-Ⅱ数据库上的测试结果表明了文中系统的有效性,且对比实验结果也优于Condensation算法和退火粒子滤波.     

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。     

基于粒子滤波与改进水平集的人手跟踪

提出一种基于肤色信息的改进水平集分割算法,给出整个算法的推导和实现过程,实现复杂背景下的精确人手轮廓分割,在进行人手跟踪时,使用粒子滤波对手的位置和大小进行跟踪,并用跟踪结果初始化水平集函数,以此加快轮廓曲线的收敛速度,获得手的轮廓后,对指尖位置进行定位。实验结果表明,该算法能够在复杂背景下实时、准确地跟踪人手轮廓和指尖位置。     

基于多观测模型的粒子滤波头部跟踪算法

粒子滤波在非线性和非高斯问题上具有独特的优越性,但在视频跟踪过程中,其跟踪性能却在很大程度上依赖于观测模型的选择。为了解决被跟踪目标特征状态随时间变化而与粒子观测模型不匹配的问题,提出了一种新的粒子滤波算法,即将被跟踪目标的不同特征状态与粒子观测模型相结合,形成一组具有不同观测模型的粒子,并且在跟踪过程中,对应不同观测模型的粒子根据被跟踪目标所表现的特征线索的变化而相互转换,从而动态刻画了被跟踪目标特征变化的过程。实验结果表明,本算法能够有效处理由于头部旋转而导致跟踪性能下降甚至丢失跟踪目标的问题,提高了跟踪的准确性,并且具有较好的鲁棒性。