一种新型多特征融合粒子滤波视觉跟踪算法

针对单一视觉信息在动态变化环境下描述目标不够充分、跟踪目标不够稳定的缺点,提出了一种基于粒子滤波框架的新型多特征融合的视觉跟踪算法。采用颜色和形状信息来描述运动模型,通过民主合成策略将两种信息融合在一起,使得跟踪算法能根据当前跟踪形势自适应调整两种信息的权重以期达到最佳的最大似然比,实现信息间的优势互补。在设计粒子滤波跟踪算法时,利用自适应信息融合策略构建似然模型,提高了粒子滤波跟踪算法在复杂场景下的稳健性。实验结果表明,多特征融合跟踪算法不仅能准确、高效地跟踪目标,而且对光照、姿态变化引起的目标表观变化具有良好的鲁棒性。     

基于自适应背景信息的目标跟踪算法

目标跟踪是计算机视觉应用的重要任务,兼顾算法性能和实时性是所有方法的共同目标。通过分析背景信息在目标跟踪的重要作用和影响,提出一种基于自适应背景信息概率密度函数的背景模板表示方法,改进传统核函数跟踪中的相似函数表达。实验表明,该算法在稍增加原有算法复杂度的情况下,抗背景干扰能力大大增强,并能准确跟踪快速运动目标和小目标。     

基于局部不变特征与Camshift复杂环境跟踪技术研究

针对城市道路交通中广泛存在由于车辆形变、雾霾天气、背景噪声以及光照变化、遮挡干扰等复杂环境导致传统方法跟踪失败的问题,提出在连续自适应均值漂移算法的基础上融合HSV颜色模型、局部不变特征的城市道路交通车辆目标跟踪新算法。新算法通过建立基于颜色、灰度的多特征模板,利用统计分析学样本主成分分析降维提高特征匹配的效率,定义并计算加权特征在空间上的分布,使得算法对复杂环境亦能较好的应对,保证跟踪稳定、准确。实验表明新算法识别率高、实时性好,抗环境干扰鲁棒性强。     

基于TLD的动态背景下视觉跟踪技术研究

随着科学技术的不断发展,具有摄像功能的移动设备越来越多,这给动态场景下的视觉跟踪技术开辟了广阔的应用前景.TLD (Tracking-Learning-Detection)算法是一种新颖、高效的长时间视觉跟踪算法.在该算法的基础上对动态场景下的视觉跟踪技术进行研究.首先对TLD算法的主要特点、框架流程进行了总结;然后重点分析了TLD算法综合模块的机制,针对原算法在跟踪过程中出现漂移甚至跟踪失败的问题,对算法综合模块的整合机制提出改进;最后经实验论证,改进算法取得了预期的效果,在不影响运行速度的情况下提高了跟踪的稳定性和识别率.     

一种基于类别的混合型文本特征降维

提出了一种基于特征选择和特征抽取的混合型文本特征降维方法.通过一种改进的优势率方法进行初次特征选择,将文本表示为以类别属性为行向量的矩阵形式;再使用一种改进的最大散度差特征抽取方法进行二次特征抽取.在最大限度减少信息损失的前提下实现了文本特征的二次降维.对中文文本的分类实验结果表明,提出的特征降维方法具有良好的分类效果.     

人脸考勤系统中人脸视觉特征融合跟踪算法

基于人脸考勤系统提出了一种人脸视觉特征融合的跟踪算法,并将其扩展到多人脸跟踪场合.该算法充分利用了人脸的颜色信息和轮廓梯度信息,实现了两种特征的互补.最后,给出了人脸跟踪仿真结果.仿真结果表明,该人脸跟踪算法有效且稳健性较好,能够很好地处理人脸旋转、遮挡等问题,具有很好的应用前景.     

引入全局上下文特征模块的DenseNet孪生网络目标跟踪

近年来,采用孪生网络提取深度特征的方法由于其较好的跟踪精度和速度,成为目标跟踪领域的研究热点之一,但传统的孪生网络并未提取目标较深层特征来保持泛化性能,并且大多数孪生网络只提取局部领域特征,这使得模型对于外观变化是非鲁棒和局部的。针对此,该文提出一种引入全局上下文特征模块的DenseNet孪生网络目标跟踪算法。该文创新性地将DenseNet网络作为孪生网络骨干,采用一种新的密集型特征重用连接网络设计方案,在构建更深层网络的同时减少了层之间的参数量,提高了算法的性能,此外,为应对目标跟踪过程中的外观变化,该文将全局上下文特征模块(GC-Model)嵌入孪生网络分支,提升算法跟踪精度。在VOT2017和OTB50数据集上的实验结果表明,与当前较为主流的算法相比,该文算法在跟踪精度和鲁棒性上有明显优势,在尺度变化、低分辨率、遮挡等情况下具有良好的跟踪效果,且达到实时跟踪要求。

     

基于深度特征表达与学习的视觉跟踪算法研究

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,将深度学习引入视觉跟踪领域,提出一种基于多层卷积滤波特征的目标跟踪算法。该算法利用分层学习得到的主成分分析(PCA)特征向量,对原始图像进行多层卷积滤波,从而提取出图像更深层次的抽象表达,然后利用巴氏距离进行特征相似度匹配估计,进而结合粒子滤波算法实现目标跟踪。结果表明,这种多层卷积滤波提取到的特征能够更好地表达目标,所提跟踪算法对光照变化、遮挡、异面旋转、摄像机抖动都具有很好的不变性,对平面内旋转也具有一定的不变性,在具有此类特点的视频序列上表现出非常好的鲁棒性。     

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.     

基于关键区域特征匹配的视觉跟踪算法

针对视觉跟踪中目标表观的复杂变化问题,提出了一种基于关键区域特征匹配的鲁棒跟踪算法.首先对目标模板进行初始化并通过滤波预测得到目标候选;然后采用自适应标记分水岭算法对目标模板和目标候选进行分割以提取关键区域,并利用像素的空间和频率分布特性对关键区域进行多重特征描述;最后通过关键区域的特征匹配得到目标模板与目标候选的匹配关系,由此确定最终跟踪结果并进行模板更新.对目标发生尺度、遮挡、旋转、光照、姿态、复杂背景以及运动模糊等变化的视频序列进行了仿真测试.实验结果表明,所提算法能够有效处理目标表观的复杂变化问题,尤其对目标的部分遮挡、光照变化以及复杂背景等具有较强的鲁棒性.     

雷达辐射源的脉冲包络特征降维

脉冲包络是雷达辐射源的重要特征,传统上对于包络特征一直没有很好的描述方法,尤其是由于雷达系统无意调制带来的细微特征描述更加困难,导致了脉冲包络特征在信号识别中的应用受到限制。针对此,以无意调制带来的脉冲包络起伏特征作为输入,结合各种降维方法,探讨包络的本征维数和低维表达,保证特征的可靠性,提高后续处理的效率。     

A Novel Simple Visual Tracking Algorithm Based on Hashing and Deep Learning

Deep network has been proven efficient and robust to capture object features in some conditions.It still remains in the stage of classifying or detecting objects.In the field of visual tracking,deep network has not been applied widely.One of the reasons is that its time consuming made the strong method could not meet the speed need of visual tracking.A novel simple tracker is proposed to complete tracking task.A simple six-layer feed-forward backpropagation neural network is applied to capture object features.Nevertheless,this representation is not robust enough when illumination changes or drastic scale changes in dynamic condition.To improve the performance and not to increase much time spent,image perceptual hashing method is employed,which extracts low frequency information of object as its fingerprint to recognize the object from its structure.64-bit characters are calculated by it,and they are utilized to be the bias terms of the neutral network.This leads more significant improvement for performance of extracting sufficient object features.Then we take particle filter to complete the tracking process with the proposed representation.The experimental results demonstrate that the proposed algorithm is efficient and robust compared with the state-of-the-art tracking methods.     

基于样本质量估计的空间正则化自适应相关滤波视觉跟踪

相关滤波(CF)方法应用于视觉跟踪领域中效果显著,但是由于边界效应的影响,导致跟踪效果受到限制,针对这一问题,该文提出一种基于样本质量估计的正则化自适应的相关滤波视觉跟踪算法。首先,该算法在滤波器的训练过程中加入空间惩罚项,构建目标与背景的颜色及灰度直方图模板并计算样本质量系数,使得空间正则项根据样本质量系数自适应变化,不同质量的样本受到不同程度的惩罚,减小了边界效应对跟踪的影响;其次,通过对样本质量系数的判定,合理优化跟踪结果及模型更新,提高了跟踪的可靠性和准确性。在OTB2013和OTB2015数据平台上的实验数据表明,与近几年主流的跟踪算法相比,该文算法的成功率均为最高,且与空间正则化相关滤波(SRDCF)算法相比分别提高了9.3%和9.9%。     

基于单元信息熵矢量特征的图像匹配跟踪算法

由于图像信息熵只与图像中的图像像素点值的数目有关,而与像素点的位置信息无关,即图像信息熵不能很好地反映图像间的形状差异。本文提出了基于单元信息熵矢量特征的图像匹配跟踪算法,解决了熵相同而形状不同的问题,利用单元信息熵矢量间的距离相关性来完成图像的匹配跟踪。因此该算法不仅具有抗噪能力,而且具有良好的抗辐射失真和抗几何失真的能力。仿真试验表明：在辐射失真情况下,该算法具有稳健的匹配跟踪能力。     

基于复杂场景下特征融合与估计的目标跟踪算法

针对图像跟踪过程中的背景干扰、光照条件变化与目标特性漂移等问题,提出一种粒子滤波框架下灰度和纹理特征融合与估计的目标跟踪算法.首先建立基于灰度直方图和边缘梯度直方图的特征集合,以增加目标描述的信息量和稳定性;然后在跟踪过程中依据每个特征对目标与背景的区分度赋予其相应的权值,突出贡献较大的特征,并将该加权系数用于目标和候选目标的相似性度量;最后,为了克服复杂场景对单幅图像中特征可信度的影响,将跟踪的连续性引入权值的自适应调整过程,利用当前帧的特征区分度和前一帧的特征权值对当前帧的特征权值进行估计,从而实现特征权值的在线更新.实验结果表明,通过对特征的融合及其权值的在线估计,实现了复杂场景下的稳定目标跟踪.     

基于正则化的半监督等距映射数据降维方法

针对等距映射(ISOMAP)算法无监督,不能生成显式映射函数等局限性,该文提出一种正则化的半监督等距映射(Reg-SS-ISOMAP)算法。该算法首先利用训练样本的标签样本构建K联通图(K-CG),得到近似样本间测地线距离,并作为矢量特征代替原始数据点;然后通过测地线距离计算核矩阵,用半监督正则化方法代替多维尺度分析(MDS)算法处理矢量特征;最后利用正则化回归模型构建目标函数,得到低维表示的显式映射。算法在多个数据集上进行了比较实验,结果表明,文中提出的算法降维效果稳定,识别率高,显示了算法的有效性。