一种高效的适用于复杂环境下物体跟踪的级联分类器

传统跟踪算法在复杂环境下容易发生漂移（drift）现象,本文改进了TLD跟踪技术算法提出了基于Sliding-window的局部搜索和全局搜索策略、积分直方图过滤器和随机Haar-like块特征过滤器。首先,采用积分直方图过滤器可以有效地过滤大量非目标子窗口块,从而减少后续过滤器特征匹配数;其次,利用随机Haar-like块特征过滤器能够解决跟踪算法在复杂环境（多物体、部分或较大区域遮挡、快速运动等）跟踪过程易发生漂移而导致跟踪精度的不足。本文结合TLD原始过滤器与新提出的两个过滤器组合而成的级联分类器,通过与主流的跟踪算法实验进行对比表明,级联分类器在稳定的背景或复杂环境的跟踪鲁棒性强、跟踪精度高,并且采用了局部和全局搜索策略提高了计算速度。     

作用于大数据处理的级联分类器泛化设计

针对级联分类器的设计主要集中于分类器组合优化等方面,有关自动化设计研究相对较少。为了简化设计流程,设计一种方法以自动设计具有理想性能的级联分类器。这种方法不需要分别考虑每个可能的级联长度并通过最终数值优化来进一步确定每个级联长度的次优参数,而是向能够设置级联的泛化边界方向来研究,探讨如何简化级联分类器的设计流程,实现自动化设计。     

基于AdaBoost-SVM级联分类器的行人检测

针对实时行人检测中AdaBoost级联分类算法存在的问题,改进AdaBoost级联分类器的训练算法,提出了Ada-Boost-SVM级联分类算法,它结合了AdaBoost和SVM两种算法的优点.对自定义样本集和PET图像库进行行人检测实验,实验中选择固定大小的窗口作为候选区域并利用类Haar矩形特征进行特征提取,通过AdaBoost-SVM级联分类器进行分类.实验结果表明AdaBoost-SVM级联分类器的分类器准确率达到99.5％,误报率低于0.05％,优于AdaBoost级联分类器,训练时间要远远小于SVM分类器.     

复杂背景下具有偏转角度的正面人脸检测

美国的Voila博士提出的基于Haar-like特征的人脸检测算法是一种具有巨大发展潜力的新算法,快速而准确。通过研究,认为这一算法还存在两个有待改进的地方：一是在检测率和误检率之间难以权衡,二是可检测人脸姿态受训练样本制约。对此提出了改进措施,设计了一个可以检测相对于垂直方向有±45°偏转的正面人脸的检测算法,与基于Haar-like特征的人脸检测算法相比,具有更好的鲁棒性和更低的误差率。     

一种改进的AdaBoost人脸检测算法

针对传统AdaBoost算法存在的所需样本数量大、训练时间长、分类器检测费时的问题,提出一种快速样本选择和分类器优化算法.首先,提出一个基于SVM的训练样本选择算法,来提高样本的有效率;其次,提出一种将多个分类器组合成一个新的分类器的算法,减少了分类器的总数,且新生成的分类器比原有多个分类器分类能力更强,提高了检测性能.实验结果表明,算法能够用更少的样本与时间达到与传统方法相同的性能.     

基于快速级联分类器的行人检测方法研究

行人检测是图像处理、计算机视觉等方面研究的重要环节,通常用于视频监控和智能车辆等领域。行人检测图像易受到背景的影响,常用的帧差法及单纯训练分类器法在行人检测中存在着准确率低、分类训练算法复杂、实时性差等问题。首先采用改进型帧差法获取行人运动信息,然后利用直方图坐标对应划分出运动区域,最后通过训练双特征级联分类器对运动区域进行检测识别。实验结果表明,本方法可以有效减少误检和漏检现象,检测时间平均减少了32.77ms,检测准确率平均提高了10%以上,因此本方法有效提高了识别准确率和识别速度。     

基于组合特征和级联分类器的防震锤检测算法

提出一种高压输电线路上的防震锤检测识别算法,算法基于分块的Haar特征、基于区域的LBP特征以及HOG特征一起作为组合特征来检测防震锤。其主要分为5个步骤:预处理待检测图像;改进归一化互相关匹配算法并进行模板匹配,得到防震锤疑似区域样本集;提取防震锤疑似区域的组合特征;对防震锤疑似区域使用级联分类器进行多级分类;统计分类结果。实验结果表明,该算法具有较高的精确率、召回率和准确率。     

人脸检测级联分类器快速训练算法

目前AdaBoost训练算法已被广泛地应用于人脸检测中级联分类器的构建,而AdaBoost算法训练级联分类器的周期却十分漫长.为了减少训练时间,文中提出了一种基于AdaBoost的改进训练算法.该算法通过对弱分类器的阈值选择进行一趟处理来降低运算时间复杂度,并根据AdaBoost训练迭代中只改变样本权值而不更新样本的特点对特征值和排序结果进行缓存来提高训练算法的性能.实验结果表明,该算法大幅提高了人脸检测分类器训练系统的性能,使得分类器的训练时间缩短了60多倍.由于AdaBoost算法的通用性,该改进算法不仅适用于人脸检测,也适合所有进行权值更新迭代训练的Boosting算法.     

基于层叠分类器的快速相关跟踪算法

提出一种基于层叠分类器的快速相关跟踪算法。首先利用目标模板色彩分布信息对原始图像数据进行变换,锐化匹配相似度函数峰值,增强算法在复杂环境下的稳定性;然后提出了用平均灰度差和Harr型特征构造层叠分类器,分层刻画目标模板与搜索窗口在统计特征和局部特征上的相似性,并采用积分图快速计算特征,从而大幅度减少在非最优匹配点上的计算量,且特征计算与模板大小无关。大量实验结果表明,该算法大大降低了相关跟踪的时间复杂度,具有跟踪稳定、实时性强等特点。目前,以该算法为核心的实时目标跟踪系统对图像大小为320×240的视频序列内任意尺寸目标的平均处理速度达到20帧/s。     

利用时空特征编码的单目标跟踪网络

目的 随着深度神经网络的出现,视觉跟踪快速发展,视觉跟踪任务中的视频时空特性,尤其是时序外观一致性(temporal appearance consistency)具有巨大探索空间。本文提出一种新颖简单实用的跟踪算法——时间感知网络(temporal-aware network, TAN),从视频角度出发,对序列的时间特征和空间特征同时编码。方法 TAN内部嵌入了一个新的时间聚合模块(temporal aggregation module, TAM)用来交换和融合多个历史帧的信息,无需任何模型更新策略也能适应目标的外观变化,如形变、旋转等。为了构建简单实用的跟踪算法框架,设计了一种目标估计策略,通过检测目标的4个角点,由对角构成两组候选框,结合目标框选择策略确定最终目标位置,能够有效应对遮挡等困难。通过离线训练,在没有任何模型更新的情况下,本文提出的跟踪器TAN通过完全前向推理(fully feed-forward)实现跟踪。结果 在OTB(online object tracking:a benchmark)50、OTB100、TrackingNet、LaSOT(a high-qua...     

融合视觉显著性再检测的孪生网络无人机目标跟踪算法

针对旋翼飞行器在跟踪过程中目标尺度变化、快速运动、视角变化等问题,本文提出了一种基于MobileNetV2的孪生网络目标跟踪算法,可在无人机机载处理器上实时运行。该算法主要包含目标得分估计模块与目标尺度估计模块两个部分。结合多特征融合的策略,可准确预测出目标位置与目标框IoU,同时以目标框IoU为指导,利用梯度上升法对目标框进行迭代修正,进一步提升预测精度。针对完全遮挡而导致的目标跟丢问题,本文设计了一个基于视觉显著性的目标再检测算法,该算法可实时高效地预测出图像的显著性区域,以指导对目标的再检测,进而恢复跟踪。最后,通过标准无人机跟踪数据集测试与实际无人机跟踪实验,验证了算法的可行性。     

区域损失函数的孪生网络目标跟踪

针对预训练卷积神经网络提取的深度特征空间分辨率低,快速运动造成运动目标空间细节信息丢失等问题,提出用区域损失函数构建孪生网络的目标跟踪,进一步降低深度特征通道之间的冗余性,并减少高层信息丢失。利用线下预训练的VGG-16卷积神经网络提取深度特征,构成初始深度特征空间。通过区域损失函数构建特征和尺度选择网络,根据反向传播的梯度大小进行特征选择。对筛选后的特征进行拼接,融入到孪生网络中匹配跟踪。在OTB-2013、OTB-2015、VOT2016、TempleColor数据集上与其他算法对比。实验结果表明,该算法在快速运动、低分辨率等场景中表现出较好的跟踪精度和鲁棒性。     

Real-Time Feature Matching in Image Sequences for Non-Structured Environments. Applications to Vehicle Guidance

This paper describes an integrated vehicle control system with visual feedback. A general-purpose, low-level feature matching method, able to work in real time without any strict assumptions on the environment structure or camera parameters, generates low-level matching results, which are used as source of data for applications like mobile object tracking, among others. A generalized predictive path-tracking control approach keeps the vehicle on the trajectory defined by the moving target. In the low-level matching process, block-based features (windows) are selected and tracked along a stream of monocular images; least residual square error and similarity between clusters of features are used as constraints to select the right matching pair between multiple candidates. Real-time performance is achieved through optimized algorithms and a parallel DSP-based multiprocessor system implementation. Object detection and tracking is motion-based, and does not require a predefined model of the target. The integrated control system has been tested on the ROMEO-3R experimental vehicle.