基于混合高斯模型的Mean-Shift模板更新算法

针对基于Mean-Shift目标跟踪算法中遇到的不能对模板进行实时更新的问题,提出一个基于混合高斯背景建模的目标模板更新算法.该算法将目标视为背景,对目标中的每一个像素点利用三个高斯函数对它进行建模,利用每次Mean-Shift跟踪到的目标区域来对先前建立的混合高斯模型进行实时更新,将混合高斯模型得到的目标模板作为下一帧跟踪的目标模板.该算法较好地解决了基于Mean-Shift算法的模板更新问题,实验证明该算法是有效的.     

实用线性混合

你是否还认为线性混合只是初级技巧，甚至是发球业余爱好者才用的技巧呢？你不认为……如果运用得当的话，它可以帮你制作出一些非常有风格的专业作品，McFaul说。     

基于混合线性模型的图像去噪

现有的图像去噪算法大多假设图像为分段平滑信号,通过滤除图像中的振动分量达到去噪的效果.如果将这类方法应用于纹理图像,则会导致图像细节信息的损失.该文针对保留图像细节的问题,提出了基于混合线性模型的去噪方法.新方法不假设图像分段平滑,仅假设图像具有自相似性,利用图像的相似性区分图像信号与噪声.文中使用统计学习的方法对图像区域进行聚类,并得到图像主成份,以主成份作为信号分量重组图像,从而对纹理图像取得很好的去噪效果.     

基于PyMC的线性混合模型及其在印染工业上的应用

理论上通过线性模型,只用染料的浓度配比就可以预测染出何种颜色。但实验表明面料也会影响染色结果。因此本文将面料作为随机效应加入到模型中,构造线性混合模型。本文用机器学习库Py MC实现线性混合模型,并用该模型改进了基于线性回归的预测模型。实验表明线性混合模型优于普通线性回归,同时证明了面料确实会影响染色效果。根据模型的随机效应,还可对面料进行分类。     

仿射模型目标跟踪中的一种模板修正策略

在目标跟踪过程中，由于目标姿态不断变化，因此必须要对跟踪模板进行必要的修正，为了进行这种动态变化目标的跟踪，提出了一种动态更新模板的新方法，该方法是在基于仿射模型跟踪的基础上，首先在跟踪结果序列图象中进行运动目标检测，然后根据检测的结果来判断目标的姿态变化，再由给定的规则来对模板做出相应的修正，实验证明这种方法可以有效地适应目标的变化。     

基于模板模型的实时人体姿态跟踪研究

人体姿态跟踪是分析和识别人类行为的基础,具有广阔的应用范围。针对实时人体姿态跟踪问题,提出一种基于模板模型的人体姿态实时跟踪方法,该方法采用深度摄像头Kinect捕捉测试者的3D数据信息,并使用线性公式联合估计身体的姿态和运动。实验结果表明,该算法实现了实时人体姿态的跟踪,且可根据单个深度图的数据有效地处理明显的遮挡问题。系统设备成本低、结构简单,输出的网格能够准确地适应测试者的运动和身体形态,并随着时间的推移保持相同的拓扑结构。     

线性多变量模型跟踪控制系统的参考模型设计*

酬谢对线性多变量模型跟踪控制系统，研究了参考模设计不当对稳态跟踪性和控制效益的不良影响；确定了参考模型的设计准则，强调参考模型应当与被控制对象的主要外在特性相一致。     

混合目标模型的Mean Shift跟踪算法

但固定目标模型的Mean Shift算法采用直方图进行匹配,而直方图是一种比较弱的目标特征,当背景和目标的颜色分布较相似时其跟踪效果欠佳。针对这一缺点,提出了一种采用混合目标模型的Mean Shift算法。该算法在匹配过程中使用的目标模型包含了初始帧和前一帧的信息,克服了固定目标模型难以对与背景相似目标以及旋转目标进行准确描述的缺点,获得了较好的跟踪效果。     

依赖模板匹配纠错的混合跟踪算法*

经典均值漂移跟踪器(MST)和模板匹配跟踪器(TMT)在性能的许多方面具有强互补性。为利用这种互补性提高跟踪的可靠性,提出了一种混合跟踪算法(HTA)。HTA维持了颜色直方图和亮度模板两种目标模型,并分别以TMT和MST为主、辅跟踪器。当目标被遮挡或周围出现相似颜色模式的干扰物而造成主跟踪器错跟时,算法自动切换到辅跟踪器进行纠错;干扰消失或目标被重新捕获时,可自动切换到主跟踪器。实验结果表明,HTA对复杂跟踪环境适应性强且计算量不大。     

伪线性卡尔曼滤波在目标被动跟踪中的应用

在对目标进行纯方位跟踪时,伪线性卡尔曼滤波算法是一种有效的跟踪滤波方法,该方法可以很好地对目标运动状态进行估计。通过仿真证明了该方法降低了对模型精度的要求,具有较好的稳定性。     

基于在线拓扑模板更新的目标跟踪

目标跟踪是人工智能的研究热点之一。传统方法中,基于颜色直方图的目标跟踪易受背景相似颜色的影响。利用边缘方向直方图（EOH）方法对运动物体进行跟踪时,在复杂背景下其效果也会受到影响。文章对传统跟踪方法进行了改进,提出了一种利用拓扑模板进行跟踪的方法,对目标特征表示、参考模板更新部分做了相应改进。分块拓扑在保留传统跟踪方法对物体微小形变鲁棒性的同时,对被遮挡物体和形变物体有了更好的分辨能力。     

基于自适应参考模板的相关跟踪算法

目前相关跟踪技术在目标识别领域中应用非常广泛。论文提出了一种基于自适应参考模板的相关跟踪算法,该方法可以根据目标的变化情况自动调整参考模板,对目标进行稳定跟踪,尤其适用于复杂背景条件下的连续帧图像的跟踪。     

基于可变模型的目标实时跟踪

为了在图像序列中实现目标的快速定位和实时跟踪,该文提出了一种基于可变模型的快速目标跟踪算法,在已知模型条件下,利用区域模型相关匹配的思想对目标模型进行实时更新,充分利用目标莲续运动过程中目标形状在两个连续帧中变化不大、相邻两帧中目标的速度和位移变化不大的特点,以当前帧目标模型作为下一帧的先验模型;综合运用模型梯度信息、运动信息和模型区域特征匹配的方法来跟踪目标。由于算法综合考虑了目标模型的区域信息和轮廓信息,因此对背景干扰不太敏感。在头部跟踪实验过程中,该文算法跟踪移动目标的实时性和准确性比较好,抗干扰能力较强,基本上可以满足鲁棒性和快速性的要求。     

基于多关联模板匹配的火箭目标跟踪算法

针对火箭目标在复杂场景的跟踪问题,提出一种基于多关联模板匹配的模板匹配策略,通过仿射变换从上帧最优模板中产生多关联模板以自适应火箭目标的大小和姿态改变,提高算法的匹配精度。采用Kalman滤波器对火箭飞行进行轨迹预测。多个火箭飞行录像跟踪实验表明,该算法具有很好的匹配精度与实时性,对火箭目标的状态、大小变化与云层遮挡现象具有较好的鲁棒性。     

三维模板跟踪的基准合成数据集构建及算法评估

三维模板跟踪旨在将预先构建的三维CAD模型与输入图像中的相应目标进行精确配准,在增强现实、机器人等领域具有重要的应用,也是计算机视觉领域的关键问题之一.近年来,三维模板跟踪的准确率和稳定性都得到了持续提升,但仅有少量的工作关注三维模板跟踪数据集的构建.随着深度学习的普及,各领域中大规模数据集的构建越来越被重视,为算法的...     

基于Mean Shift算法和灰度模板匹配的运动目标主动跟踪

该文提出了一种综合Mean Shift算法和灰度模板匹配的主动跟踪算法。该算法利用灰度模板匹配与运动目标在图像的位置无关的特点,在视角和焦距发生变化后用灰度模板进行穷尽搜索,再用匹配结果更新Mean Shift搜索窗口,解决了Mean Shift算法要已知目标区域才能正确跟踪的问题。该算法能在视角和焦距发生变化的情况下能正确的跟踪运动目标并能使被跟踪的运动目标始终保持在图像的中心区域。实验表明,该算法具有较好的可行性。     

高斯混合模型结合加权似然的目标跟踪算法

鉴于高斯混合模型对背景变化快时无法精确检测出目标和目标跟踪的适应性差等瑕疵，提出了基于加权似然跟踪器来改进高斯混合模型实现运动目标跟踪算法。主要引入了自适应高斯混合模型来实时检测运动目标，然后空间加权似然来进行视频中的目标定位，引入加权似然期望值来改进高斯混合模型处理视频中的多尺度、多角度变化的目标跟踪不精准问题。通过VOT 2014 dataset对比实验结果表明提出的基于加权似然跟踪（Weighted Likelihood Tracking，WLT）和改进高斯混合模型（Improved Gaussian Mixture Model，IGMM）的目标跟踪算法较传统高斯混合模型跟踪算法在跟踪的精度有较大提高。在应对多尺度、多角度变化的目标跟踪表现出了较大的优势。     

融合坐标信息与模板更新的孪生网络目标跟踪

应对孪生网络单目标跟踪算法在跟踪中遇到背景杂乱、相似物影响、遮挡等复杂场景的问题导致跟踪系统精度和成功率下降的问题,提出一种融合坐标注意力机制和模板更新的跟踪算法MCUSiamRPN (MobileNet coordinate attention and updating of template SiamRPN).在SiamRPN算法基础上,采用改进的MobileNetV3为特征提取网络,多层特征信息分别送入坐标注意力模块,进行特征融合,丰富语义信息;设计了一种自适应模板更新模块,结合初始模板和当前帧的模板用于估计下一帧的最佳模板更新模板信息.在OTB100和UAV123两个数据集上进行测试,结果显示:相比于基准算法Siam RPN,精度分别提升了5.3%和3.7%;成功率分别提升了3.7%和5.2%,验证了该算法的有效性.     

基于模板匹配技术的运动物体跟踪方法研究

通过视频输入设备动态采集图像帧,然后在模板匹配基本思想的方法上加入改进后的匹配原则和搜索策略,同时结合模板更新技术,计算前后两帧图像中待跟踪物体的坐标,得到偏差数据,接着通过串口把偏差数据发送给下位机,最后根据偏差数据控制步进电机,带动摄像头运动,达到动态跟踪运动物体的目标.