基于自适应非参数统计模型的彩色目标跟踪算法研究

针对复杂环境条件下的视觉跟踪问题,提出一种基于自适应非参数统计模型的彩色目标跟踪算法。利用目标和背景之间的强度差别,基于自适应核密度估计模型对运动目标进行了非参数统计建模。为了实现具有较大范围运动目标的跟踪,在充分考虑目标和背景之间的相关性前提下,采用目标特征统计的背景加权直方图对搜索区域进行了扩大。为了提高对环境变化的适应能力,根据目标和环境的变化自适应更新目标特征分布模型。通过对实际图像序列的实验,结果表明该算法能够有效跟踪运动目标,并且平均迭代次数比传统方法减少了37.28%。     

基于直方图比的背景加权的Mean Shift目标跟踪算法

针对Mean Shift跟踪算法目标模型中背景像素所造成的目标跟踪定位的偏差，提出了一种基于直方图比的背景加权的目标表示方法。该方法使用由目标核直方图和背景直方图的对数似然比值推导出的隶属度因子作为权值，通过只对目标模型进行加权变换，而不变换目标候选模型的方法，增强了目标和背景的可分性，有效减少了跟踪过程中背景像素的干扰，提高了目标定位的准确性。 仿真实验结果表明算法的有效性。     

复杂背景灰度图像下的多特征融合运动目标跟踪

为解决低对比度、低信噪比、目标旋转、缩放等非理想状态给跟踪算法的研究带来的诸多困难,本文提出灰度图像多特征融合目标跟踪算法,保证在满足工程实践需要的条件下,能够对目标进行稳定的跟踪。算法首先对灰度图像利用Sobel算子求出梯度特征,将X、Y双方向的梯度特征与灰度特征相融合得到新特征,新特征在核密度函数下对低对比度,目标轮廓形状变化较大的情况有较高的适应性和稳定性,再利用背景建模的方法对提取的运动目标区域进行加权,降低非跟踪目标的权值,最后对融合后的加权特征目标利用改进MeanShift算法进行跟踪。通过大量的实验表明,该算法适应目标和背景的复杂变化,并且具有较强的鲁棒性,基本满足在复杂背景灰度图像下目标跟踪的工程实际需求。     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

基于颜色传递的双波段目标跟踪算法研究

针对复杂背景下Camshift算法容易丢失目标的情况,提出一种基于YCBCR空间将红外与可见光融合图像与彩色参考图像进行颜色传递后,采用Camshift进行目标跟踪的算法。该算法在颜色传递时充分利用双波段图像信息,得到的目标对比度高并且颜色空间较其周围背景突出,增强了目标的颜色概率图,提高了Camshift算法效率。实验表明,通过对可见光图像、经颜色传递后的红外图像以及传统颜色传递方法得到的图像采用相同跟踪算法进行定性分析,在该算法得到的图像中,跟踪窗口中心相对于目标质心仅有3个像素的误差,跟踪精度远远优于对比实验图像的跟踪结果,并且算法的跟踪时间为每帧20.6 ms,达到了实时性的要求。     

多特征融合匹配的多目标跟踪

针对复杂背景的视频图像多目标跟踪遮挡问题,提出了一种多特征融合匹配的多目标跟踪方法。基于自适应高斯混合背景模型重构和更新背景策略,实现当前帧背景减除和多目标检测;采用目标的颜色特征、质心位置、运动速度等特征进行融合匹配跟踪;最后,通过区域辅助判定策略将场景下的目标状态分为目标进入场景、目标退出场景、目标暂消、目标重现、目标融合和分裂5种状态,用质心预测方法和遮挡因子辅助匹配来提高匹配正确率。仿真实验结果表明：采用该方法跟踪同一目标和不同目标的相似度平均值分别为0.949 71和0.505 73,优于单一颜色特征信息匹配;目标遮挡结束后重新匹配相似度为0.972 83,实现了复杂背景下具有表面相似性的多目标实时跟踪。     

基于颜色和空间信息的多特征融合目标跟踪算法

为解决单一特征目标跟踪鲁棒性较差的问题,提出一种基于颜色和空间信息的多特征融合目标跟踪算法。采用一种自适应划分颜色区间的方法提取目标颜色特征,利用空间直方图提取目标颜色的空间分布信息。在粒子滤波框架下将自适应颜色直方图和空间直方图相结合,在特征融合中引入特征不确定性度量方法,自适应调整不同特征对跟踪结果的贡献,提高算法的鲁棒性。仿真实验结果表明,该跟踪算法平均位置最小误差值仅6.967 像素,而单一特征跟踪算法以及传统融合算法的跟踪误差达192.576 像素和199.464像素。说明本文算法在跟踪准确性上优于单一特征跟踪算法及传统融合算法,具有更好的跟踪精度和更高的鲁棒性。     

Background updating and shadow detection based on spatial, color, and texture information of detected objects

Background model updating is a vital process for any background subtraction technique. This paper presents an updating mechanism that can be applied efficiently to any background subtraction technique. This updating mechanism exploits the color and spatial features to characterize each detected object. Spatial and color features are used to classify each detected object as a moving background object, a ghost, or a real moving object. The starting position of each detected object is the cue for updating background images. In addition, this paper presents a hybrid scheme to detect and remove cast shadows based on texture and color features. The robustness of the proposed method and its effectiveness in overcoming challenging problems such as gradual and sudden illumination changes, ghost appearance, non-stationary background objects, the stability of moving objects most of the time, and cast shadows are verified quantitatively and qualitatively.     

基于动态目标建模的粒子滤波视觉跟踪算法

提出一种根据场景变化动态建立目标模型的粒子滤波视觉跟踪算法.该方法首先选择简单且具有互补性的特征描述当前图像,并统一采用直方图法对这些特征进行建模;然后在粒子滤波框架下,根据巴塔恰里亚测度评价各个目标特征和背景特征之间的可区分程度,动态调整特征间的置信度;并对各个特征似然函数的噪音参量进行在线估计和更新,使其似然函数的度量标准达到统一.分析和实验表明,该算法性能优于仅仅采用多特征融合进行粒子滤波视觉跟踪的方法,对摄像机运动、混淆干扰、遮挡及目标外观大小的改变具有更强的鲁棒性.     

一种基于融合反馈的改进粒子滤波行人跟踪算法

针对一般粒子滤波算法容易受到相似背景干扰和遮挡影响的问题,提出一种新的融合反馈的改进粒子滤波跟踪算法。该算法将最近的观测信息融入建议分布函数,便于粒子搜索目标最可能的位置,根据相对位移的变化自适应调整跟踪窗口尺度的变化,降低了计算的复杂度,一定程度上保持了粒子的多样性。实验结果表明:该算法有效地解决了遮挡、相似背景混乱以及目标尺寸变化问题,整体跟踪性能优于粒子滤波算法。     

基于动态特征融合的粒子滤波目标跟踪算法

提出一种基于动态特征融合的粒子滤波目标跟踪算法。选择具有互补性的灰度直方图和梯度直方图特征共同描述目标模型,然后在目标跟踪过程中,根据特征对目标和背景的区分程度动态地调整每个特征的置信度,对目标模型进行在线动态建模和更新,从而提高目标模型描述的准确度,并进一步提高粒子滤波算法的跟踪精度。实验结果表明:在对典型场景下的目标跟踪过程中,提出的算法比单独使用一种特征的粒子滤波算法具有更高的跟踪精度和更稳定可靠的跟踪性能。     

Research of object tracking based on soft feature

To solve the problem that traditional object tracking method had disadvantage of too much time consumed by data process and object lost under complex background, a novel approach to object tracking based on the space spectrum and edge spectrum is proposed and verified experimentally. Analyzing precursor features and study the unity and complementary of space spectrum and edge spectrum, research the extraction technology of moving object based on space spectrum and edge spectrum in order to track and forecast information of the moving object in real time. Experiments show that the proposed approach overcomes the problems of data dependence and object occlusion and achieves good tracking results.     

基于多特征的双模板自适应更新跟踪算法

针对均值漂移算法中采用单一颜色特征以及缺乏必要模板更新方法的缺陷,提出一种基于多特征的双模板自适应更新目标跟踪算法。引入像素点邻域灰度均值差和分层空间信息加强目标特征的鉴别性,再通过对目标与背景区域双模板相似度系数的综合分析,准确地判断跟踪干扰因素的来源,并以当前帧目标区域的相似度系数为权值对目标模板进行加权更新,使得模板更新速度与其目标特征变化相适应的同时抑制模板过更新,较好地解决了模板更新时机和更新速度等问题。仿真结果表明,所提算法在不同跟踪场景下均具有较强的鲁棒性。     

Mean Shift跟踪算法中核函数参数的评估与分析

Mean Shift是一种基于特征的对目标实现快速跟踪的算法,传统的Mean Shift算法由于跟踪中物体的尺度变化会使跟踪偏离目标乃至跟踪失败,并且原有的自适应地对跟踪窗宽的调整,是基于对核窗宽的改变来得到的。在＂固定跟踪窗宽—改变核窗宽＂的基础上对目标进行跟踪,对目标空间定位精度进行了评估与分析,通过实验结果表明改变核函数参数能改善目标跟踪的精度。     

基于注意力和角度间隔损失的高光谱目标跟踪北大核心CSCD

随着计算机技术的发展,基于深度学习的目标跟踪方法已成为计算机视觉领域中重要的研究方向;但跟踪环境的复杂多变使得跟踪算法在背景干扰、颜色相近等问题上仍面临巨大挑战。相比于传统彩色图像,高光谱图像包含丰富的辐射、空间和光谱信息,能够有效提升目标跟踪的准确率。提出了将注意力机制(attention mechanism)和加性角度间隔损失(additive angular margin loss, AAML)相结合的方法来进行针对高光谱图像的目标跟踪。通过融合多域神经网络对不同波段组合进行特征提取,同时设计了融合的注意力机制模型,使得来自不同波段组合之间的相似特征进行整合和强化,在目标背景颜色相近的情况下,网络会更多地注意目标物体,使得跟踪结果更为准确。在此基础上为了使目标和背景的区分更具有判别性,网络使用加性角度间隔损失作为损失函数,在训练过程中可以有效减小同类样本的类内距离,增大正负类样本的类间距离,从而提高网络的准确性和稳定性。实验结果表明,本文方法可使两种跟踪精度评价指标精确率和成功率分别提升1.3%和0.3%,相较于其他方法更具优势。     

A coarse-to-fine kernel matching approach for mean-shift based visual tracking

Mean shift is an efficient pattern match algorithm. It is widely used in visual tracking fields since it need not perform whole search in the image space. It employs gradient optimization method to reduce the time of feature matching and realize rapid object localization, and uses Bhattacharyya coefficient as the similarity measure between object template and candidate template. This thesis presents a mean shift algorithm based on coarse-to-fine search for the best kernel matching. This paper researches for object tracking with large motion area based on mean shift. To realize efficient tracking of such an object, we present a kernel matching method from coarseness to fine. If the motion areas of the object between two frames are very large and they are not overlapped in image space, then the traditional mean shift method can only obtain local optimal value by iterative computing in the old object window area, so the real tracking position cannot be obtained and the object tracking will be disabled. Our proposed algorithm can efficiently use a similarity measure function to realize the rough location of motion object, then use mean shift method to obtain the accurate local optimal value by iterative computing, which successfully realizes object tracking with large motion. Experimental results show its good performance in accuracy and speed when compared with background-weighted histogram algorithm in the literature.     

基于均值偏移的灰度图像分割方法

针对灰度图像分割往往存在的过分割或欠分割问题，提出了一种基于均值偏移的图像分割方法．该方法通过联合像素的空间位置和灰度特征，建立图像的特征矢量，构造基于像素的位置和灰度的改进核函数直方图．采用均值偏移算法搜索图像的特征模式，并以此对图像进行平滑滤波和分割．对以地物为背景的图像分割结果表明，该方法既能抑制具有纹理的大片背景，又能提取出面积较小且轮廓清晰的物体，分割的物体完整且符合人眼视觉，较有效地避免了图像过分割和欠分割的问题．     

基于人眼灰度分布特征的虹膜定位算法

虹膜定位是虹膜识别过程中的重要环节,定位速度和精度决定了整个虹膜识别系统的性能。提出了一种基于人眼灰度分布特征的虹膜定位算法,该算法利用形态学运算实现瞳孔圆心粗定位,采用划分区域求灰度均值隔项差值最大值的方法实现外圆半径的粗定位,并通过分层聚类的方法实现内外边界的精确定位。实验结果表明．与经典的虹膜定位算法如Wildes算法、Daugman算法相比,该算法定位结果更加准确,定位速度大幅度提高。     

成像目标跟踪目标建模技术综述

由目标跟踪的数学模型得出,影响目标跟踪性能的三个主要因素为目标状态转移模型、滤波算法和目标建模技术.对目标建模技术进行了综述和分析,分别从特征选择、特征的统计建模和相似性度量三个方面进行了阐述.以畸变不变性、目标/背景分辨能力作为性能评价手段定性地比较了国内外文献中提出的多种目标表征模型.指出了目标跟踪中目标表征模型自...