基于人眼优先拟合的AAM人脸特征点跟踪

使用主动外观模型(active appearance model,AAM)对人脸特征点进行跟踪时,当人脸姿态出现大幅度偏转以及初始位置与目标人脸偏离较大时,将导致人脸特征点跟踪失败.针对以上问题,应用支持向量机算法估算出当前人脸的偏转角度并对人脸姿态偏转模型中的参数进行实时更新,有效解决人脸姿态大幅度偏转问题.使用强跟踪卡尔曼滤波算法进行人眼跟踪,将所获取的当前人眼位置坐标与人脸姿态相结合优先对人眼进行特征点拟合,当人眼特征点拟合完成后再对剩余人脸部件特征点进行拟合,提高了人脸特征点跟踪的稳定性与实时性.最后通过实验表明算法在视频人脸特征点跟踪的准确性、实时性和鲁棒性方面具有良好的性能.     

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中，相互作用多模型（IMM）算法是目前公认的最为有效的算法。但到目前为止，LMM估计方法都是建立在卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF）基础上，因而其性能不仅依赖于所采用的模型集，而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器（STF）克服了卡尔曼和扩展卡尔曼的三大缺陷，因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明，基于STF的IMM算法的跟踪性能要优于基于KF和EKF的IMM算法的跟踪性能。     

基于强跟踪滤波器的MACA-MIE 模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展 ACA 模型状态矢量和改进状态噪声协方差调整方法,利用 MIE 和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比 ACA 模型和 MIE,该算法具有更好的机动状态和非机动状态跟踪性能.     

基于改进主动表观模型算法的人脸特征定位

人脸特征点的精确定位一直是人脸图像处理的重要研究内容,特征点定位精确与否直接影响后续工作结果的好坏。在基于反向组合AAM（Active Appearance Models）人脸特征点定位算法的基础上,提出结合特征点局部纹理模型来对AAM初始形状参数做最优化以及对AAM匹配模板升级的改进。改进的算法采用特征点局部纹理模型和AAM全局纹理模型结合的方法来最优化AAM初始形状参数,并在此前提下对AAM匹配模板进行升级,使其更接近待匹配图像的信息。在精确的匹配模板和优化的初始形状参数下,匹配的最终精度会得到提升。实验和理论证明,改进后的算法比传统反向组合AAM算法以及现有改进的PAAM（Progressive AAM）算法以及简单的结合ASM和AAM的改进算法都有更好的特征点定位精度。     

基于强跟踪滤波器的目标运动参数估计方法研究

针对船舶动力定位系统中目标跟踪控制需求,提出了一种基于强跟踪滤波器的目标运动参数估计方法,建立了两种目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了引入渐消因子的强跟踪滤波器进行目标运动状态和参数估计。通过与扩展卡尔曼滤波器的参数估计对比仿真试验,验证了基于强跟踪滤波器的目标运动参数估计方法具有较好的跟踪性能。     

基于强跟踪滤波器的交互式多模型算法

针对传统的EKF-IMM算法鲁棒性较差等问题,提出了一种基于强跟踪滤波器（STF）的交互式多模型算法。该算法通过引入强跟踪滤波器（STF）的渐消因子,实现了对滤波器增益的实时调节,从而提高了系统对机动目标的自适应跟踪能力和跟踪精度。仿真结果表明,在目标不发生机动时,该算法和EKF-IMM算法的跟踪效果相近,在目标发生强机动时,该算法在径向速度和方位角的跟踪精度要优于EKF-IMM算法;提出的算法具有更优的机动目标跟踪性能。     

基于Unscented变换的强跟踪滤波器

针对强跟踪滤波器(STF)存在要求非线性函数连续可微和强非线性时滤波性能不佳等理论局限性,提出一种基于Unscented变换的强跟踪滤波器(UTSTF).UTSTF基于STF的理论框架,采用Unscented变换代替STF中的雅可比矩阵计算:UTSTF兼具STF鲁棒性强、Unscented变换精度高、实现简单的优点,有效克服了STF的理论局限性.仿真实例验证了UTSTF的有效性.     

基于结构化的加权联合特征表观模型的目标跟踪方法

为了解决单目标跟踪中的光照变化、部分遮挡问题,提出了一种结构化的加权联合特征表观模型.该模型将被跟踪的目标图像划分成若干图像块,在每个图像块内计算其颜色特征和纹理特征,将这些特征加权形成特征向量作为目标的表观模型.以该模型为基础,利用贝叶斯理论,提出一种跟踪方法.实验结果表明了该方法的有效性.     

基于强跟踪滤波器的开关变换器故障诊断

Buck变换器又称降压变换器、串联开关稳压电源、三端开关型降压稳压器。广泛用于计算机、家用电器、控制系统和通信系统中的电源几乎都是开关电源,具有超快速负载动态响应、高功率变换效率、高功率密度、低电压、大电流的特性.开关变换器作为它的主要电路,故障率较高,对它故障诊断研究是有意义的。基于强跟踪滤波理论,给出了一种开关变换器电路故障实时诊断的一种方法。该方法以建立一种开关变换器电路状态空间模型为基础,利用强跟踪滤波器对电路状态及元件参数进行估计,当元件参数发生软、硬型故障时,根据强跟踪滤波器对元件参数的跟踪结果及修正的Bayes分类算法,可实时诊断开关变换器电路中的元件故障。仿真结果证明了该方法的有效性。     

非约束环境下人脸特征点的稳定跟踪

为了对人脸特征点进行精确地跟踪,提出一种在线参考表观模型(ORAM)的算法.首先在原主动表观模型(AAM)中加入在线更新的参考模型;然后采用子空间在线自更新机制,利用增量学习方法在线更新AAM的纹理模型和参考模型;在此基础上,基于同步反向合成建立ORAM的特征点拟合算法.为减少跟踪过程产生的累积误差,利用初始稳定跟踪结果建立纹理子空间重置机制,完成人脸特征点跟踪.实验结果表明,ORAM算法无需训练集,在姿态、表情、光照变化的环境下,能够准确、快速地完成人脸跟踪.     

基于MR-AAM双重拟合的人脸特征点定位方法

传统的主动表观模型(AAM)反向组合算法仅进行了单次拟合过程,当初始位置与目标对象偏移过大时,往往会陷入局部最小,难以收敛到正确位置。针对此问题,提出了一种基于多分辨率AAM(MR-AAM)的双重拟合方法,首先在低分辨率模型下进行第一次拟合以确定面部初始位置,然后在高分辨率模型下进行二次拟合。由于能够快速获得较准确的初始位置,进而取得较好的人脸特征标定结果。实验结果表明,所提方法与传统方法相比,在能保证实时的情况下,提高了拟合精度。     

基于主动表观模型的稀疏聚类人脸识别算法

在复杂的非人脸成分干扰以及训练样本过大、训练样本之间相似度较高的条件下,原始稀疏表示分类(SRC)算法识别准确率较低。针对上述问题,提出一种基于主动表观模型的稀疏聚类(CS-AAM)人脸识别算法。首先,利用主动表观模型快速、准确地对人脸特征点进行定位,获取主要人脸信息;然后,对训练样本进行K-means聚类,将相似程度高的图像分为一类,计算聚类中心,将该中心作为原子构造过完备字典并进行稀疏分解;最后,计算稀疏系数和重构残差对人脸图像进行分类、识别。将该算法与最近邻(NN)、支持向量机(SVM)、稀疏表示分类(SRC)、协同表示分类(CRC)人脸识别算法在ORL和Extended Yale B人脸数据库上对不同样本数及不同维数的人脸图像分别进行识别率测试,在相同样本数或相同维数情况下CS-AAM算法识别率均高于其他算法。在ORL人脸库中选取样本数为210时,相同维数条件下CS-AAM算法识别率为95.2%;在Extended Yale B人脸库上选取样本数为600时,CS-AAM算法识别率为96.8%。实验结果表明,该算法能够有效地提高人脸图像的识别准确率。     

A strong tracking nonlinear robust filter for eye tracking

Non-intrusive methods for eye tracking are important for many applications of vision-based human computer interaction. However, due to the high nonlinearity of eye motion, how to ensure the robustness of external interference and accuracy of eye tracking pose the primary obstacle to the integration of eye movements into today’s interfaces. In this paper, we present a strong tracking unscented Kalman filter (ST-UKF) algorithm, aiming to overcome the difficulty in nonlinear eye tracking. In the proposed ST-UKF, the Suboptimal fading factor of strong tracking filtering is introduced to improve robustness and accuracy of eye tracking. Compared with the related Kalman filter for eye tracking, the proposed ST-UKF has potential advantages in robustness and tracking accuracy. The last experimental results show the validity of our method for eye tracking under realistic conditions.     

基于统计模型与Gabor小波的人脸对齐

将基于Gabor小波的人脸特征点跟踪算法与基于统计模型的主动外观模型AAM人脸特征点定位方法结合起来,实现视频中人脸的自动对齐。先利用Gabor小波进行特征点跟踪,其结果作为AAM的初始形状。利用AAM的全局形状和纹理信息作为约束,对Gabor小波的局部跟踪错误进行校正。实验表明,该方法是有效的。     

基于AAM和T型结构的人脸3D姿态估计

在分析已有的人脸姿态估计方法基础上,提出了一种基于主动表观模型(AAM)和T型结构的人脸3D姿态估计方法。对多姿态的人脸样本进行训练,得到多姿态的AAM模板集;利用训练得到的多姿态的AAM模板集进行最佳模板匹配,并对人脸的特征点进行精确定位;用人脸的双眼和嘴部构建T型模型,进行人脸3D姿态的参数估计。实验结果表明,该方法能适应较大的姿态旋转角度,并具有良好的姿态估计精度。     

一种基于预测的实时人脸特征点定位跟踪算法

当前的人脸特征点定位跟踪方法因其计算量大,实时特性欠佳。给出了一种基于改进Viola-Jones算法和Kalman滤波器预测机制的定位及跟踪算法。该算法通过使用改进的Viola-Jones算法对本次人脸特征点进行定位,同时使用Kalman滤波算法对特征点下次出现位置进行预测,缩小了下一帧特征点定位过程中特征点的搜索范围,因而缩短了定位搜索时间。实验结果表明该方法在保证定位准确性和鲁棒性的同时明显增强了算法的实时性。     

基于形状-色彩的改进的Laplacianface人脸识别算法

针对人脸识别算法中普遍存在的鲁棒性不高的问题,提出一种新颖的特征提取手段,使提取的特征相对于图像尺度,人脸姿态等条件具有不变性;同时,将特征提取算法集成至Laplacianface人脸识别算法中,形成一种改进的基于形状-色彩特征的人脸识别算法。实验结果表明算法不仅提高了现有人脸识别算法的准确度,而且在人脸姿态等条件发生变化的情况下仍然能保持较高的识别率,有效提高了算法的鲁棒性。