跟踪学习检测算法在动态图像融合目标跟踪中的应用

本文利用跟踪学习检测(Tracking-Learning-Detection,TLD)算法能够对目标进行长期的持续跟踪的优点,对动态图像序列中的目标进行跟踪。采用了目标被遮挡这种困难情形的图像数据库进行了实验。通过对数据库中的可见光、红外和加权平均融合图像序列的目标跟踪,结果表明,TLD能够对目标进行持续跟踪,即使在可见光下跟踪失效也能够通过红外图像的弥补,从而使跟踪效果达到预期的要求。     

基于局部分块和模型更新的视觉跟踪算法

针对目标跟踪过程中的目标表观变化、背景干扰及发生遮挡等问题,该文提出一种基于局部分块和模型更新的视觉跟踪算法。该文采用粗搜索与精搜索相结合的双层搜索方法来提高目标的定位精度。首先,在包含部分背景区域的初始跟踪区域内构建目标模型。然后,利用基于积分直方图的局部穷搜索算法初步确定目标的位置,接着在当前跟踪区域内通过分块学习来精确搜索目标的最终位置。最后,利用创建的模型更新域对目标模型进行更新。该文主要针对分块跟踪中的背景抑制、模型更新等方面进行了研究,实验结果表明该算法对目标表观变化、背景干扰及遮挡情况的处理能力都有所增强。     

基于自适应模型更新的实时跟踪算法

为提高分层卷积特征目标跟踪算法的速度和精度,文中提出了一种基于自适应模型更新的单层卷积特征目标跟踪算法。首先提取Pool4层的多通道的卷积特征对训练样本的类标函数进行调整,在确保跟踪精确度的同时提高了算法的速度。该算法引入了平均峰值能量比,通过比值变化情况反馈目标跟踪的结果,与稀疏模型更新策略相结合,对跟踪器进行自适应更新,提高了算法对遮挡和相似物干扰的鲁棒性。对于目标快速尺度变化问题,文中采用尺度金字塔对尺度进行评估,提高了跟踪器的泛化能力。在OTB2013和OTB2015上测试新算法,实验结果表明,该算法的平均距离精度分别为91.0%和86.8%,平均速度约43 帧/s,局域良好的鲁棒性和实时性。     

基于NSST-DWT-ICSAPCNN的多模态图像融合算法

为了增加融合图像的信息量,结合非下采样剪切波变换（Non-Subsampled Shearlet Transform, NSST）和离散小波变换（Discrete Wavelet Transform, DWT）的互补优势,提出了改进的多模态图像融合方法。采用NSST对两幅源图像进行多尺度、多方向的分解,得到相应的高频子带和低频子带;利用DWT将低频子带进一步分解为低频能量子带和低频细节子带,并利用最大值选择规则融合能量子带;采用改进连接强度的自适应脉冲耦合神经网络（Improved Connection Strength Adaptive Pulse Coupled Neural Network, ICSAPCNN）分别融合细节子带和高频子带,并对能量子带和细节子带进行DWT逆变换,得到融合的低频子带;采用NSST逆变换重构出细节信息丰富的融合图像。实验证明,提出的算法在主观视觉和客观评价方面均优于其他几种算法,且能同时适用于红外与可见光源图像、医学源图像的融合。     

基于梯度方向直方图的融合图像跟踪算法研究

为了提高跟踪精度,本文提出了一种基于梯度方向直方图的融合图像跟踪算法。首先采用帧差法并结合形态学处理获得运动目标大致区域,在此基础上计算目标区域的有向梯度方向直方图(Histgrams of oritented gradients,HOG),利用HOG特征描述目标轮廓和形状的优点生成完整的目标描述,通过在粒子滤波框架下对多个假设状态进行匹配估计,获得目标的最优位置,最后对模板进行更新。实验结果表明,该方法能够获得清晰准确的跟踪结果,能够较好地避免跟踪中的漂移问题,且跟踪精度高。     

基于信息融合的目标图像跟踪

本文通过将图像相关算法和卡尔曼滤波器之间的信息进行融合，得到一种新的目标图像跟踪算法，并对该算法的估值性能进行了深入分析，理论计算和仿真结果表明，该算法较常规相关算法具有更好的鲁棒性和跟踪性能。     

多模态医学图像融合技术概述

介绍多模态医学图像融合的意义和多模态医学图像融合的方式，重点介绍多模态医学图像融合的实现及主要的医学图像配准方法，并讨论了目前的多模态医学图像融合方法中存在的主要问题，直观地从整体上阐述多模态医学图像融合技术。     

基于感受野模型的图像融合算法研究

现实世界中最优的图像融合系统莫过于生物视觉系统.如果能够了解生物视觉的基本原理,建立其数学模型,并能应用于多传感器图像融合实践中,将会对多传感器图像融合技术的发展有很大促进作用.本文以人类视觉的生物机理和感受野的数学模型为基础,提出了一种新颖的基于人眼视觉感受野模型的图像融合算法.这种算法非常适合融合两幅灰度差异较大的异质传感器图像,融合图像在保留两幅原图像中有用信息的同时,还对图像间的差异进行了增强,有助于提高观察者识别目标的速度和准确性.另外,该算法还有一定的去噪功能,计算量很小,可满足实时性要求.     

基于图像融合的双波段目标跟踪算法研究

针对红外和可见光图像各自的特点以及单一传感器在目标跟踪中的缺陷,提出了基于双波段融合图像的目标跟踪算法。该方法对原始图像进行小波分解后,为了满足目标跟踪的稳定性及实时性,重点考虑目标跟踪时需要的边缘等细节信息,采用对低频系数取零,高频系数基于小波系数绝对值取大的融合方法,然后对融合后的图像采用基于Mean shift算法进行目标跟踪。实验结果表明,此算法可以稳定并且实时跟踪目标,通过对单波段采用相同的跟踪算法进行比较,算法在性能上优于单波段的目标跟踪。     

一种基于模型融合的行人跟踪算法

提出了一种基于模型融合的行人跟踪算法。该算法在粒子滤波框架中融合了基于颜色直方图特征的产生式模型以及基于HOG特征的鉴别式模型,并结合离线学习和在线互学习对HOG鉴别式模型进行更新。实验结果表明,该方法能够有效地适应跟踪过程中的光照变化、姿势变化以及部分遮挡。     

基于多线索概率分布图像融合的目标跟踪

为了克服多线索目标跟踪中固定线索权值的不足,提出采用颜色、运动历史、视觉显著性等多种概率分布图像来描述目标的观测信息,通过目标在前一帧的位置确定中心区域和周边区域,并计算不同概率分布图像基于这两个区域的直方图,即中心直方图和周边直方图.每个概率分布图像的置信度由其中心直方图和周边直方图的差异度来描述.根据不同线索的置信度,在线调节当前帧各种概率分布图像在目标位置判断中所占的权重,实现对目标的多线索融合跟踪.实验结果表明,比常用的固定线索权值的融合算法效果更好.     

基于粒子滤波图像帧的视觉跟踪算法研究

研究目标物体的图像准确跟踪定位问题.本文主要针对传统的目标跟踪算法中由于视频图像的复杂性,同时运动突变性的存在,使得运动间的关联性被大幅降低,跟踪结果出现较大偏差,难以准确跟踪视频图像,提出了一种粒子滤波优化图像帧视觉跟踪新技术.算法引入了随机分布的运动突变影响算子,在运动估计过程中作为惩罚因子出现,同时采用粒子滤波视觉目标采样视频图像,从而得到实时的跟踪.实验结果表明,提出的方法避免了传统跟踪算法的延时,能够精确实时定位目标物体.     

基于区域能量比的红外与可见光图像融合方法

目前大部分基于小波变换的图像融合算法只是考虑单个小波系数的独立性或者其邻域的相关性,这样影响了图像融合的结果.针对这一点,提出一种新的基于区域能量比的图像融合算法.实验结果表明该算法能够较好地保留光谱信息和细节信息.     

一种基于特征融合的运动目标跟踪算法

联合目标的灰度特征空间和梯度特征空间,构造了由目标的灰度加权直方图和梯度加权直方图联合表示的目标模型,利用均值平移算法在当前帧中迭代搜索目标位置.实验表明,该方法对于目标和背景灰度相似以及目标被部分遮挡时的跟踪是有效和稳健的.     

一种基于假彩色的像素级多传感器图像融合算法

本文给出了一种基于假彩色的像素级多传感器图像融合算法,并将其用于两幅灰度图像的融合中.这种算法将现有的图像融合技术和彩色显示技术相结合,在灰度融合图像的基础上利用色差来表现原图像与灰度融合图像的细节差异.该算法分为三步:首先,用选择与平均相结合的方法得到两幅原图像的灰度融合图像;接着,求出灰度融合图像与两幅原图像的差异图像;最后,将两幅差异图像和灰度融合图像分别送至R、G、B颜色通道进行显示.比起灰度融合图像,最终得到的彩色融合图像在色彩上更丰富,包含更多的细节,直觉上更容易辨认.     

一种基于模糊理论的雷达与视频融合交通目标跟踪方法

为了解决单传感器在道路监测中存在的局限性以及交通环境多样化等问题,基于模糊集理论的一种目标决策标准对传统的数据融合算法进行改进。该方法利用决策层模糊集理论的多传感器融合算法对交通目标进行跟踪,采用Z型隶属函数用于决策分支的优化。与传统的算法相比,改进后的数据融合算法对雷达航迹冗余、视频干扰和目标分割等问题都有所改善,并且进一步提高了跟踪精度。收集了大量的实际交通数据来验证雷达和视频跟踪算法的有效性,实验结果表明多传感器融合算法优于单传感器的目标跟踪算法。     

基于小波-Contourlet变换的偏振图像融合算法

针对传统图像的信息保留不充分,以及偏振图像妨碍视觉观察、纹理细节不理想等问题,提出了一种基于小波-Contourlet变换(WBCT)的偏振图像融合算法.首先,将预处理过的4幅偏振角度图像,通过Stokes方法得到偏振强度图像和偏振度图像;后采用WBCT变换分解,低频系数采用PCA变换方法进行融合,高频系数通过区域特性能量的融合规则进行融合,最终的偏振融合图像由WBCT逆变换高低系数获得.实验结果表明,在主观视觉上,图像观察舒适性较好;并且,通过选取方法的对比,融合后的图像在客观评价指标上,皆优于选取的方法.     

基于自适应融合规则的多分辨率图像融合算法

针对可见光与红外图像融合,设计了一种基于边缘检测的自适应融合规则.其思路是对小波变换分解后的高频子图像进行边缘检测,对边缘点的融合采用绝对值取大并一致性检验的方法,而对非边缘点的融合采用基于区域方差的融合规则;对低频子图像的融合采用任一原始图像的低频成分.和其他7种融合规则从不同角度进行了对比实验,结果表明该融合规则即保留了可见光图像的边缘信息,又融合了红外图像的高灰度值信息,而且目标和背景的对 比度变得更好.     

基于拉普拉斯金字塔变换的图像融合算法研究

阐述了基于拉普拉斯金字塔变换的图像融合原理和方法：首先对源图像分别进行拉普拉斯金字塔分解,然后对分解后的各层图像采用不同的融合准则进行融合,最后,对融合金字塔做拉普拉斯金字塔反变换得到最终的融合图像。通过对可见光与红外图像的融合结果分析,实验结果表明,该算法能得到具有更多有用信息的高对比度的融合图像。融合效果良好。     

一种基于非采样Contourlet变换的图像融合算法

针对红外与可见光成像传感器的物理特性,提出了一种基于非采样Contourlet变换的红外与可见光图像融合算法。首先对原始图像分别进行非采样Contourlet变换,得到不同尺度与方向下的子带系数。对低频子带系数,采用加权平均的融合规则;对不同尺度与方向下的高频子带系数,采用基于局部区域能量匹配的融合规则。最后经非采样Contourlet逆变换得到融合结果。实验结果表明,该算法可以有效地综合可见光与红外图像中的重要信息,其融合结果较典型的基于塔式分解与基于小波变换的图像融合算法,在主观视觉效果与客观评价指标上均有所改善。