基于多特征的粒子滤波跟踪算法

为解决基于颜色直方图的粒子滤波跟踪算法容易受到相似背景干扰,提出了一种方法,即通过高斯模型检测目标并提取出粒子窗口内轮廓,把轮廓的成对几何直方图特征和颜色直方图这两个特征相结合融合到粒子滤波跟踪框架中,有效的抑制背景相似干扰。实验结果证明,基于颜色直方图单一特征的粒子滤波跟踪算法相比,本算法是稳定和有效的。     

基于Gabor滤波和特征三角形的驾驶员面部跟踪

文章提出了一种驾驶员面部跟踪的鲁棒、有效的视频图像人脸跟踪算法。该算法根据水平投影曲线获取眼睛、鼻孔和嘴等区域构造特征三角形(包括等腰三角形和直角三角形),再根据刚体约束生成潜在人脸跟踪矩形区域。再采用二维Gabor核函数构造最优滤波器48个,在特征跟踪矩形区域内获取48个人脸特征点。该算法能够在不同尺寸、不同光照、不同姿态和不同表情甚至不同噪音情况下跟踪人脸有效率达97.81%。     

基于粒子滤波的小波特征跟踪方法研究

该文提出了基于粒子滤波的小波特征跟踪方法。粒子滤波基于蒙特卡罗模拟方法来实现递推贝叶斯滤波,是一种实用的后验概率求解方法。文中研究了目标的Gabor小波网络表示,用一定数量的小波构成一个集合来表示目标特征,各小波的参数由优化方法来确定。构建了基于粒子滤波的跟踪框架,每个粒子表示一种Gabor小波网络的可能形式,并计算与当前图像的相似度。粒子权值与相似度成正比,目标状态的后验概率由粒子加权表示。与传统的“峰值”跟踪方法不同,粒子滤波具有“多峰”的跟踪形式。并结合对光照、噪声不敏感的小波表示形式,具有较强的抗局部遮挡能力。     

综合颜色和小波纹理特征的免疫粒子滤波视觉跟踪

针对标准粒子滤波视觉跟踪时的缺陷,尤其是其“样贫”和目标特征不明显等问题,提出了结合小波纹理特征的免疫粒子滤波算法.小波纹理特征的加入,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.同时通过加入免疫优化算法,提高了粒子的多样性,尤其是在发生遮挡时减少了“样贫”的影响.通过实验验证了所提算法的有效性和鲁棒性....     

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．     

基于车尾中轴特征的粒子滤波跟踪算法

为了解决车载视频背景实时变化的情况下车辆检测和跟踪问题,提出了一种基于车尾中轴特征的车辆识别及跟踪算法,其特点在于采用新颖的车尾中轴特征。车尾中轴特征具体为以两盏刹车灯为端点,车牌在端点连线的对称轴上。算法在取得目标区域之后计算其直方图信息,进行粒子滤波器跟踪。最后测试了算法的可行性。     

基于肤色和Gabor纹理的粒子滤波人脸跟踪

基于单一颜色信息的跟踪方法容易受到相似颜色的干扰,应用于复杂场景时存在局限性。为此,提出一种在粒子滤波框架中结合肤色和Gabor纹理信息的人脸跟踪方法。从视频序列中提取目标人脸区域的肤色直方图以及Gabor纹理特征向量,通过这两种观测特征计算粒子集权重,估计系统状态。采用民主融合策略自适应调整观测特征的融合权重,从而增强目标描述的可靠性。同时利用彩色视频中可进行肤色检测和Gabor滤波器组在多尺度、多方向上提取纹理的优势,以及粒子滤波器能够适应非高斯、非线性系统的特点,提高视频人脸区域的跟踪精度。实验结果表明,该方法对于类肤色区域、复杂纹理背景、目标遮挡和快速移动等干扰具有较强的鲁棒性。     

基于多特征的退火粒子滤波视觉目标跟踪算法

提出了一种新的融合多特征的基于改进模拟退火粒子滤波跟踪算法。首先,针对重要性采样粒子滤波算法中重要性抽样密度函数未考虑最近观测值,不能有效逼近真实后验密度函数的问题,通过采用改进的模拟退火(SA)方法优化重要抽样密度函数,并利用不同温度下扰动函数和Metropolis准则克服粒子匮乏缺陷;同时,针对SA方法在粒子滤波视觉跟踪应用上效率不高的缺陷,对经典模拟退火算法进行改进,降低了参数选择的敏感性,保持了原算法全局寻优的优点,提高了算法的速度。     

融合典型纹理特征的粒子滤波目标跟踪方法

针对图像目标跟踪中,跟踪窗口易受噪声扰动所产生的跟踪不稳定问题。创造性地结合多种典型纹理特征和粒子滤波算法,将其应用于实时跟踪领域。选择3种典型的纹理特征,即灰度共生矩阵纹理特征、幅值与方向加权的梯度纹理特征、局部二进制模式纹理特征进行跟踪实验。通过对比实验,在精度与速度两方面测试纹理特征作为跟踪特征的实际效果。作为跟踪中特征的选择,实验结果说明灰度共生矩阵纹理信息在抗扰动与实时处理方面表现出良好的属性特征。     

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。     

基于改进的Mean-shift驾驶员人脸跟踪算法研究

为了实现对驾驶员人脸实时跟踪,提出了一种改进的Mean-shift算法。首先对人脸提取类Haar特征,使用类Haar特征构造弱分类器,然后根据样本的权值分布构造出强分类器,形成人脸检测分类器;由于光照变化等因素的影响,引入红外主动照明模式,通过隔离可见光照,基本上消除了光照变化对人脸检测造成的影响;针对Mean-shift算法在被跟踪目标发生快速移动时容易跟踪失败的缺点,改进了Mean-shift算法：当目标发生快速移动时,采用SSD（Sum of Square Dif-ference）算法进行全局搜索。以实际驾驶员人脸检测与跟踪实验为例进行了大量实验,提出的方法比Mean-shift算法的速度快、准确度高。     

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.     

基于粒子滤波的双模图像融合自适应跟踪

针对视频跟踪中仅利用目标的单特征容易导致跟踪失败的问题,提出一种基于粒子滤波的可见光与红外序列图像相融合的自适应目标跟踪算法;该算法在粒子滤波跟踪算法框架下,根据单一信源运动目标序列图像的品质因子,利用自适应加权融合策略重构双模序列图像的特征选择机制,建立了基于自适应融合算法的系统观测概率模型和状态空间层次采样多特征融合跟踪算法,实现了对双模序列图像的融合以及对运动目标的稳健跟踪;跟踪试验结果表明,该算法可以有效实现对运动目标的稳健、准确跟踪。     

基于彩色Gabor特征的人脸识别技术

提出了一种利用所提取的彩色Gabor特征来提高人脸识别系统性能的方法。首先利用四元数表示彩色信息,考虑到Gabor滤波器具有空间局部性和方向选择性的特点,将其扩展到四元数空间。然后通过人脸图像特征点与Gabor滤波器的卷积来提取特征,这样就将传统的灰度Gabor特征拓展为彩色Gabor特征。最后对于所提取的特征利用PCA降维后送入支持向量机中分类。实验采用彩色FERET人脸库并利用ROC曲线进行交叉检验,结果说明通过提取和利用这种彩色纹理信息能显著提高人脸识别系统性能。     

基于卡尔曼粒子滤波器的人眼跟踪

提出了一种基于卡尔曼粒子滤波器的人眼跟踪算法，该方法利用一种新的二维可变形模板来提取眼睛的精确特征，采用粒子滤波器跟踪人眼。为了进一步提高普通粒子滤波器跟踪的速度和精度，将卡尔曼滤波器引入粒子滤波器中，利用卡尔曼滤波器算法进行采样预测和校正，减少了人眼跟踪中所需的粒子数目，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。     

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。     

基于粒子滤波后验概率分布的多特征融合跟踪

在光照和目标形变等外部条件变化的情况下,仅利用目标的单一特征难以鲁棒的跟踪目标。提出了一种基于粒子滤波后验概率分布的多特征融合跟踪算法,在粒子滤波跟踪框架下,用直方图模型表征目标的颜色和边缘特征,通过两种特征后验概率之间的"协作"与"学习"实现特征融合,各种场景的试验结果比较表明,新的融合跟踪算法比仅用单一特征跟踪、现有的多特征融合算法具有更好的稳定性和鲁棒性,特别是针对环境光照和目标背景变化较大的情况更具有优势。     

基于自学习特征的相关滤波跟踪算法

依靠高效的鉴别回归模型和多线索特征，如方向梯度直方图（HOG）特征和颜色名（CN）特征，相关滤波（CF）跟踪算法取得了优异的跟踪效果。但其弱点是不能应对由表观变化过程中鉴别信息不充分而导致的跟踪失败。针对这一问题，提出了基于自学习特征的相关滤波跟踪算法（SLDCF）。其中，自学习特征探索了相邻帧之间协同表示的特性，能够学习到相邻帧之间的目标变化情况，同时有效减少背景的干扰，以提高滤波器的鉴别性。通过标准视频数据集上的验证对比实验，其跟踪效果优于其余传统的相关滤波跟踪算法，证明了该算法的有效性和鲁棒性。     

一种基于图模型的粒子滤波跟踪方法

针对复杂背景下目标被部分遮挡时的稳定跟踪问题,提出一种基于图模型的粒子滤波跟踪方法。该方法将图模型应用于粒子滤波之中。首先,融合颜色和边缘特征建立目标的观测模型,构建粒子滤波框架。然后,选取目标特征区域,将一个目标分成几个部分,每一部分作为图的一个顶点,建立图模型。最后,将图模型应用于粒子滤波,目标跟踪过程中,图模型中每一个部分的状态信息可以传送给其它部分。实验结果表明,当目标被部分遮挡的情况下,该方法能够估计出遮挡部分的状态,实现稳定的跟踪目标。