基于柔性特征优化的目标稳健跟踪

针对单一特征空间不足以对动态时变环境中跟踪目标进行准确表达的缺点,提出一种基于柔性加权特征的ParticleFilter目标跟踪算法。首先引入“陡峭因子”这一概念对不同特征的跟踪鉴别性能进行客观评估,然后参照当前不同特征的可跟踪性能以加权组合的方式自适应生成当前最优特征,最后将生成的最优特征嵌入到ParticleFilter跟踪构架中完成目标跟踪任务。该算法具备较高的柔性可对任意采用直方图表达的特征进行自适应融合。不同的视频序列实验表明该算法可动态地对异类特征进行有效融合,对复杂场景下的目标进行稳健跟踪。     

基于颜色特征与SIFT特征自适应融合的粒子滤波跟踪算法

针对序列图像中的运动目标在跟踪过程中发生运动模糊以及部分遮挡的问题进行了研究, 提出一种将改进的颜色直方图特征模型与尺度不变特征（SIFT）模型相融合的粒子滤波跟踪算法。采用基于模糊逻辑的方法, 根据当前跟踪环境自适应调节两种特征信息的权重, 从而实现特征信息间的融合, 提高描述目标观测的可靠性。实验结果证明, 该算法优于传统的单特征或采用固定权值的多特征目标跟踪算法。     

引入视觉显著性的多特征融合跟踪

针对大多数目标跟踪算法采用单一特征描述目标,在背景区域出现相似的干扰特征时跟踪精确度较低的问题,提出了一种引入视觉显著性的多特征融合的目标跟踪算法。首先,采用视觉显著性机制处理颜色直方图得到显著性特征,再使用混合特征策略融合显著性特征和BRISK(binary robust invariant scalable keypoints)特征,获取目标前景和背景模型;其次,运用双向光流检测和误差度量提取动态特征,并使用自适应搜索机制提取候选目标区域的静态特征,融合动态特征和静态特征;最后,根据匹配算法估算目标跟踪框的自适应尺度及中心,确定目标在当前帧图像中所处的位置。实验结果表明,该算法能够处理强烈光照变化、目标尺度变化、快速运动及部分遮挡等情况下的目标跟踪问题,并实时稳定地获得单目标跟踪结果。     

机动目标静态多模型算法

目标跟踪是指利用传感器测量对目标运动状态进行估计。该文针对这一问题,首先建立机动目标跟踪模型;然后实现了基于扩展卡尔曼滤波的静态多模型算法,并对静态多模型与GPB1算法进行了比较。     

基于多特征选择及粒子滤波的目标稳健跟踪

研究机器人视觉问题,目标跟踪是当前计算机视觉及图像处理领域研究的热点问题,具有广泛的应用价值.目标建模是目标跟踪中的关键技术,目标模型的好坏直接影响到跟踪算法的性能.在复杂的场景中,尤其是背景与目标区分度较低的情况下采用图像单一特征建模往往无法取得理想的跟踪效果.提出一种多特征选择及粒子滤波的目标跟踪方法,以粒子滤波为跟踪框架,采用颜色和纹理特征对目标进行建模以减弱复杂背景的影响;跟踪过程中,通过对数似然比方法在线选择能区分目标和背景的最佳特征来描述目标,并更新目标模型以适应目标周围背景的变化,并进行仿真.结果表明方法在复杂背景的情况下具有鲁棒性和快速性.     

采用显著性分割与目标检测的形变目标跟踪方法

在跟踪形变目标时,为了克服采用颜色特征分割和学习目标模型而产生跟踪漂移的问题,提出一种基于显著性分割与目标检测的跟踪方法.该方法采用图流形排序方法对超像素进行显著性分割来获得显著、高质量的目标像素,并使用这些像素的颜色和梯度量化值及其与目标中心的相对位置关系来表示目标模型,通过目标模型检测目标中心位置实现跟踪;以全局颜色特征作为漂移约束条件,对由目标持续形变而产生的中心位置漂移进行修正;在跟踪过程中,将跟踪结果作为正样本对显著分割和全局颜色特征进行约束,依据显著分割结果更新目标模型.实验结果表明,文中方法有效地提高了形变目标跟踪的精度和稳定性.     

海面目标的自适应预白化检测前跟踪算法

针对超视距雷达的海面目标检测问题,提出一种基于自适应预白化处理的检测前跟踪（TBD）算法。在目标TBD处理之前,利用海杂波的自回归模型构建白化滤波器进行杂波预白化,在跟踪阶段采用递归贝叶斯算法估计目标运动状态,在检测阶段通过跟踪滤波器的输出构造广义似然比进行似然比检测。不同信噪比下的仿真结果表明,该算法能有效抑制海杂波,检测到低信噪比的目标。．     

基于改进“当前”统计模型的非线性机动目标跟踪算法

＂当前＂统计模型算法对目标加速度极限值及机动频率的依赖性这一缺点,导致该算法在跟踪弱机动目标及高机动目标时,跟踪性能会明显恶化.本文在当前统计（CS）模型的基础上,通过加权一个以残差方差的迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,实现了对＂当前＂统计模型的改进;同时,采用UKF（unscented Kalman filter）对非线性目标进行跟踪滤波,构造出基于改进＂当前＂统计模型的非线性机动目标跟踪算法,仿真结果表明,改进的＂当前＂统计模型不仅保留了＂当前＂统计模型跟踪算法对一般机动目标跟踪精度高的特点,而且对弱机动目标跟踪也具有更优越的性能,大大扩大了机动跟踪范围.     

基于多特征自适应融合的核跟踪方法

提出了一种基于多特征自适应融合的核跟踪框架. 利用目标特征的子模型集合构造了目标的多特征描述, 通过线性加权方法将目标的多个特征集成在核跟踪方法中. 根据各个特征子模型与当前目标及背景的相似性, 提出了一种基于 Fisher 可分性度量的权值自适应更新机制; 同时为了克服模型更新过程中的漂移, 基于子模型的可分性提出了一种选择性更新策略, 实现了在变化场景下的鲁棒跟踪. 基于本文所提多特征跟踪框架, 利用目标的颜色特征与 LBP (Local binary pattern) 纹理特征具体实现了多特征自适应融合的核跟踪方法, 实验验证了本文方法的有效性.     

基于粒子滤波与稀疏表达的目标跟踪方法

针对视频序列图像目标跟踪中的光照变化问题,提出一种在粒子滤波器框架内,基于目标的局部二元模式(LBP)纹理特征,使用稀疏表达进行目标跟踪的方法。当前帧的跟踪粒子由前一帧的跟踪结果按高斯分布来生成。通过解l₁正则化最小二乘方问题,获得每个粒子对应于模板子空间的稀疏表达,确定当前帧图像中的跟踪目标。然后使用粒子滤波器生成下一帧跟踪的粒子分布。在跟踪过程中采用新的动态模板更新策略更新模板空间中的模板。实验结果证明该方法的有效性和先进性。     

一种健壮的超像素跟踪算法

在目标跟踪中,传统的超像素跟踪算法在发生遮挡等情况后,会将非目标超像素标记为目标加入到特征空间. 在对候选样本置信度计算中,利用特征空间中最近邻超像素来划定样本中超像素的簇归属会产生错误;而依据的近邻超像素数量过多时,又会造成分类误差的积累. 为解决上述问题,本文提出一种健壮的超像素跟踪算法. 本算法以贝叶斯算法为框架,首先,将前几帧进行超像素切割,提取特征并使用均值漂移聚类算法和基于超像素的外观表示模型进行分类和计算类置信度,放入特征空间中. 其次,根据接下来几帧的平均中心误差确定最佳近邻数目. 最后,在跟踪过程中,对获取帧的指定区域进行超像素切割,提取特征、进行软分类和计算置信度;根据上一帧目标位置进行高斯采样,累加样本内超像素置信度,获得样本置信度;在发生严重遮挡时,不进行滑动窗口更新和外观模型修改,使用当前模型继续跟踪. 与传统的最近邻超像素算法相比,本算法能够有效提升跟踪成功率和降低平均中心误差.     

Robust speech recognition based on joint model and feature spaceoptimization of hidden Markov models

The hidden Markov model (HMM) inversion algorithm, based on either the gradient search or the Baum-Welch reestimation of input speech features, is proposed and applied to the robust speech recognition tasks under general types of mismatch conditions. This algorithm stems from the gradient-based inversion algorithm of an artificial neural network (ANN) by viewing an HMM as a special type of ANN. Given input speech features s, the forward training of an HMM finds the model parameters lambda subject to an optimization criterion. On the other hand, the inversion of an HMM finds speech features, s, subject to an optimization criterion with given model parameters lambda. The gradient-based HMM inversion and the Baum-Welch HMM inversion algorithms can be successfully integrated with the model space optimization techniques, such as the robust MINIMAX technique, to compensate the mismatch in the joint model and feature space. The joint space mismatch compensation technique achieves better performance than the single space, i.e. either the model space or the feature space alone, mismatch compensation techniques. It is also demonstrated that approximately 10-dB signal-to-noise ratio (SNR) gain is obtained in the low SNR environments when the joint model and feature space mismatch compensation technique is used.     

基于神经网络的机器人手眼无标定平面视觉跟踪

在手眼关系及摄像机模型完全未知的情况下,建立了眼在手上机器人平面视觉跟踪 问题的非线性视觉映射模型,将图像特征空间和机器人工作空间紧密地联系起来.在此基础 上,设计了基于人工神经网络的视觉跟踪控制方案,将视觉跟踪问题转化为图像特征空间中 的定位问题.仿真结果表明该算法能完全消除稳态跟踪误差,具有很强的环境适应性和容错 能力,算法简单,易于实时实现.     

一种基于多特征聚类的粒子滤波跟踪算法

提出了一种基于多特征聚类的粒子滤波目标跟踪算法.针对目标描述特征的多样性、特征分布描述方法的差异性及特征空间结构的任意性,提出将目标模型多特征表示统一在聚类计算框架下.算法利用基于均值移动的特征空间分析方法来自适应地计算任意结构特征空间中的聚类,在聚类的基础上提出了一种高效准确的目标概率密度估计方法来表示目标模型.利用核密度估计相似度量方法计算参考目标与候选目标的距离,作为粒子滤波系统观测的重要信息.提出了改进的粒子传播模型,有效提高粒子利用率.在大量真实序列图像上,使用LUV颜色特征与LBP纹理特征进行了目标跟踪实验.实验结果表明,提出的算法能获得较高的跟踪精度、鲁棒性强且满足实时性要求,与一些其它典型的算法相比,整体跟踪性能更好.     

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。     

视频监控领域基于自适应学习因子与积分通道特征的核相关目标跟踪算法

针对复杂场景下单一特征跟踪算法适应性不强的问题,提出一种基于积分通道特征的核相关目标跟踪算法,该算法利用积分通道特征丰富多样的特征信息与高效的计算效率,将不同通道的特征整合到核相关模型中,可以克服单一通道特征对目标区域描述不足的缺陷。同时,本文也提出了一种自适应学习因子策略,增强了模型的泛化能力。大量的定性定量实验表明本文所提的算法的跟踪性能超过传统的核相关跟踪算法,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。     

再生核Hilbert空间中两阶段稀疏表示目标跟踪算法

在强干扰复杂环境下,有效的特征选择对于目标跟踪模型的可解释性至关重要.针对这一问题,本文基于再生核Hilbert空间(RKHS)理论,对特征空间构建生成式的两阶段稀疏表示(TSSR)模型,从而描述图像样本与字典之间的非线性关系,避免了在字典中引入大量的琐碎模板.在第1阶段,首先建立图像样本与字典在原始低维空间中的关系,然后利用批处理最小二乘算法求得稀疏表示系数的初值,根据观测模型确定初始跟踪位置的分布;在第2阶段,首先利用核方法将原始低维空间映射到高维特征空间,然后提出一种基于核的加速近端梯度算法(KAPG),从而求得字典元素系数的核稀疏表示,最终确定跟踪目标.最后实验结果证明了本文所提出的TSSR方法在面对视角变化和部分遮挡时的有效性.     

A precise approach to tracking dim-small targets using spectral fingerprint features

A precise method for accurately tracking dim-small targets, based on spectral fingerprint is proposed where traditional full color tracking seems impossible. A fingerprint model is presented to adequately extract spectral features. By creating a multidimensional feature space and extending the limited RGB information to the hyperspectral information, the improved precise tracking model based on a nonparametric kernel density estimator is built using the probability histogram of spectral features. A layered particle filter algorithm for spectral tracking is presented to avoid the object jumping abruptly. Finally, experiments are conducted that show that the tracking algorithm with spectral fingerprint features is accurate, fast, and robust. It meets the needs of dim-small target tracking adequately.     

基于改进强跟踪无迹卡尔曼滤波的正交频分复用频偏跟踪和估计算法

针对高速运动环境下多普勒效应导致的载波频偏,建立了正交频分复用(OFDM)动态状态空间模型,提出了基于改进的强跟踪无迹卡尔曼滤波(STUKF)的频偏跟踪和估计算法。该算法将强跟踪滤波思想跟UKF相结合,通过在计算量测预测协方差和互协方差时引入渐消因子,在调整前一时刻频偏估计误差协方差的同时又控制过程噪声协方差,实时调整增益矩阵,增强了对时变频偏的跟踪能力,提高了估计精度。最后分别在非时变和时变频偏模型下对所提算法进行了仿真验证。仿真结果表明,与UKF频偏估计算法相比,所提算法在时变频偏中具有更好的跟踪和估计性能,在相同误码率(BER)下信噪比(SNR)大约有1dB的提升。