基于空时线索的TLD视频跟踪算法

视频跟踪是计算机视觉领域的研究热点之一,Tracking-Learning-Detection(TLD)是近年来提出的一种有效的视频跟踪框架。针对短时遮挡以及复杂可变背景环境下的目标跟踪问题,提出了一种基于空时线索的TLD视频跟踪算法。在该算法中,采用由局部图像块的多通道特征训练生成的霍夫森林进行检测,通过多个局部图像块引入目标相关的空间位置信息,提高了算法的区分能力;然后,根据图像块对光流跟踪初始位置进行随机化布置并利用空间位置信息对光流跟踪结果进行加权,改善光流跟踪的性能;最后,对光流跟踪输出置信度与霍夫森林检测输出置信度进行自适应空时融合,综合提高目标的跟踪精度。实验结果表明,与原始TLD算法相比,本文算法能够更有效地处理遮挡问题,实现复杂背景环境下的鲁棒目标跟踪。      

基于空时多线索融合的超像素运动目标检测方法

运动目标检测是计算机视觉领域极具挑战性的难题,该文针对这一问题提出一种基于空时多线索融合的超像素运动目标检测方法。首先利用简单线性迭代聚类算法将当前帧分割为超像素集合,根据帧间的像素级时变线索找到当前帧中包含运动信息的前景超像素子块;然后根据运动目标的一致性原则建立前一帧目标模型,结合目标空间线索进一步确定包含运动目标的检测窗口,将目标检测问题转化为目标分割问题,利用密集角点检测将目标从窗口中分割出来。在多个具有挑战性的公开视频序列上同几种流行检测算法的实验对比结果证明了所提算法的有效性和优越性。     

基于模糊隶属关系的Mean Shift图像跟踪改进算法

鉴于Mean Shift算法中核心步骤计算所得的新目标模板中心位置几乎都非整数的问题,该文提出了模糊隶属度的概念,并在此基础上,改进了Mean Shift算法在图像跟踪中的实现步骤。实验表明,该算法计算量小,且能很好的减少原算法中不必要的误差。     

基于三维在线表观模型的粒子滤波目标跟踪算法

提出的基于三维在线表观模型的粒子滤波目 标跟踪算法,以目标的独立特征为基础,分别从空域和时域对目标进行描述,构建目 标的三维表观 模型,并通过多重线性空间理论表达目标表观随时间推移引起的变化,实现模型的在线增 量更新。采用 粒子滤波方法,对每个独立线索分别进行在线权重估计,通过多线索的融合实现动 目标的稳定跟踪。 三维在线表观模型和在线跟踪机制使跟踪模型对目标与背景的在线区分能力得到进一步增强 ,保证了算法 在目标表观变化时的跟踪稳定性。通过多种目标表观复杂变化的场景验证,均取得了良好 跟踪效果。     

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.     

运动目标跟踪算法综述

随着视频监控技术的不断发展和视频监控系统的广泛应用,目标跟踪是近年来一个重要的研究课题,目标跟踪技术是监控系统中最重要、应用范围最广的技术之一,目标跟踪技术的实现依托于目标跟踪算法。运动目标跟踪算法具有广泛的研究价值和挑战性。本文对当前主流的运动目标跟踪算法:Kalman滤波算法、Mean Shift算法、粒子滤波算法等进行了研究,归纳总结了每种跟踪算法的优缺点、适用性和局限性,通过对跟踪算法的分析对运动目标跟踪技术的发展趋势进行了展望。     

基于均值漂移的视频目标跟踪改进算法

改进算法通过计算跟踪窗口颜色直方图的质心来自适应的调整跟踪窗口的尺寸,通过比较跟踪结果和目标的差值确定遮挡情况,并启用粒子滤波算法在整幅图像内搜索目标解决目标的遮挡问题,这种改进算法克服了均值滤波算法不能适应目标尺寸变化和不能解决遮挡问题的缺点.实验证明改进算法具有很强的鲁棒性.     

基于模糊C均值聚类的锦标赛选择机制与多目标优化研究

本文提出了一种用于多目标优化的进化算法--基于模糊C均值聚类的进化算法（A Fuzzy C-Means Clustering Based Evolutionary Algorithm,FCEA）.在算法的迭代过程中,先利用模糊C均值聚类算法寻找种群的分布结构,通过对每一代种群进行模糊划分,获得每个个体隶属于每一类的隶属度,然后本文设计了一种基于隶属度的锦标赛选择算子,用于从整个种群中选择相似个体进行重组,引导算法进行搜索.实验结果表明,基于隶属度的锦标赛选择算子的应用能够提升算法的性能,与MOEA/D-DE、NSGAⅡ、SPEA2、SMS-EMOA等先进的优化算法进行比较的结果表明,FCEA在求解具有复杂Pareto前沿的多目标优化问题（GLT系列）时具有一定的竞争力.     

基于形态匹配聚类的近邻扩展目标跟踪算法

针对传统扩展目标跟踪（Extended Target Tracking, ETT）算法在处理近邻目标时面临的计算效率低下和跟踪不准确的问题,提出了一种形态匹配聚类量测集划分与高斯逆威沙特概率假设密度（Gaussian Inverse Wishart Probability Hypothesis Density, GIW-PHD）滤波器相结合的跟踪处理方法。该方法首先由GIW-PHD滤波器得到预测的目标状态,其次使用DBSCAN(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)算法完成量测集的初步划分,在此基础上利用较高权重的预测分量实现对多个近邻目标混合量测簇的判断,进而使用椭圆形状约束（Elliptic Shape Constraint, ESC）的FCM(Fuzzy C-Means, FCM)算法（ESC-FCM）对混合簇进行二次划分得到更精确的划分结果,最后将划分结果合并后送入GIW-PHD滤波器完成目标状态的更新。仿真结果表明,本文所提量测集划分方法能够充分利用GIW-PHD滤波器预测步获取...     

基于多区域的随机蕨在线目标跟踪算法

原始的随机森林跟踪算法,是以像素点的灰度值作为检测特征,在目标发生遮挡和旋转时,容易产生跟踪漂移,为此本文提出了一种基于多区域融合的随机蕨在线目标跟踪算法.首先将目标候选区域划分为多个子区域,然后采用基于积分图的随机蕨分类器对每个子区域的候选图像块进行分类,在跟踪过程中自适应地融合子区域分类结果以剔除被遮挡子区域对目标跟踪结果的影响,同时更新随机蕨特征和子区域图像块的选择.结合对TLD算法部分模块的改进,通过对不同视频序列进行测试,实验结果显示本文算法在跟踪大小320 pixel×240 pixel的视频序列时,跟踪速度达到20~30 frame/s左右,目标中心位置误差在30 pixels时,算法准确率可达到80%以上.     

基于粒子滤波与多特征融合的视频目标跟踪

提出了一种基于粒子滤波和多特征融合的视频目标跟踪方法.以粒子滤波为跟踪框架,根据颜色跟踪中存在的问题提出将颜色与目标运动信息融合,利用融合后的信息确定粒子的权值.利用重采样策略缓解退化现象对粒子滤波的影响.针对2段不同的视频进行了不同算法的仿真与性能的比较,实验结果表明,本文方法在计算量增加不多的情况下大大改善了跟踪的性能与鲁棒性,尤其当目标与背景颜色相近时仍然能够准确地对目标进行跟踪.     

杂波背景下自适应IMM机动目标跟踪算法

针对杂波背景下多机动目标跟踪问题,提出一种基于时变转移概率交互式多模型(IMM)的模糊数据关联跟踪算法。首先,针对传统IMM算法模型转移概率假设为常数导致模型间过度竞争的问题,基于贝叶斯理论,推导出一种时变模型转移概率IMM算法,增强了优势模型的利用率;其次,针对传统JPDA算法由于聚矩阵拆分而导致的计算组合爆炸问题,利用模糊聚类的方法,直接计算相关波门内候选量测与目标间的关联概率,用概率加权对目标进行状态和协方差的更新。仿真实验表明:算法对不同机动目标的跟踪适应性得到增强,相比传统的JPDA算法,在保证跟踪精度的基础上其时间性能比较优越,是一种较为实用的工程应用算法。     

遗传算法的模糊Kalman滤波用于机动目标跟踪

针对卡尔曼滤波器对机动目标跟踪效果不佳的缺点，提出基于遗传算法的模糊卡尔曼滤波器（GA-based FKF）。它将未知的机动加速度看作附加过程噪声，全部过程噪声的时变方差用模糊系统来估计，并用遗传算法对模糊系统进行优化。最后将该算法与交互多模型方法通过仿真进行了比较。仿真结果表明GA-basedFKF提高了跟踪性能，减小了计算量，是有效可行的。     

机动目标跟踪的一种模糊算法

研究了模糊交互多模型算法（FIMM）和基于当前统计模型（CS）的自适应滤波算法,提出了一种基于当前统计模型的模糊交互多模型算法（CSFIMM）。该算法克服了模糊交互多模型算法精度较低和当前统计模型自适应滤波器方差调整有限的缺点。通过仿真,对所提出的算法和交互多模型（IMM）算法以及FIMM算法在估计精度和计算量两个方面进行了比较。     

基于时空曲线演化的多视频运动对象分割算法

多视频对象由于其运动的复杂性,在分割提取过程中有较大的难度.本文提出了一种基于时空曲线演化的多视频对象自动分割方法,首先根据视频序列帧间(时间域)和帧内(空间域)信息的不同特点,建立基于全局和局部特征的能量模型,并由此导出基于level sets方法的曲线演化方程;然后用视频序列的连继两帧帧差得到初始的视频对象,分别进行时间和空间曲线演化跟踪,提取多个视频对象;当对象因运动而发生相互遮挡现象时,利用基于Bayes最小错误概率决策法则的判断方法,分割遮挡对象和显露对象.实验结果表明,本文提出算法的分割效果在空间准确度上比COST211算法提高30-50%,比最佳的帧差分割算法提高5-10%.     

基于模糊相似度的地面目标跟踪算法研究

研究了基于Dempster-Shafer证据理论和模糊相似度的地面运动目标识别与跟踪问题。应用Dempster-Shafer证据理论对地面运动目标进行身份识别,用目标的类型、速度和数量等属性构造目标的模糊相似度,利用模糊相似度作为目标跟踪的主要依据。详细地分析了地理信息,提出了基于证据推理的地面运动目标识别与跟踪算法,并且用α-β滤波器更新目标位置和速度。经过实际外场试验运行表明,该算法是有效的。     

对手抑制式模糊C-均值算法

从竞争学习的角度提出模糊C-均值算法中隶属度的新解释,并基于隶属度的新解释提出对手抑制式模糊C-均值算法.理论分析和实验表明:对手抑制式模糊C-均值算法提高了模糊C-均值算法的收敛速度.     

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

红外运动目标动态跟踪模糊算法分析

对于红外传感器来说,当距目标很远时,目标在成像平面上仅占一个或几个像素,且接收到的信号很微弱,介绍了红外图像的特点,运动目标Kalman滤波模糊跟踪算法及其步骤．对于这种检测问题的主要技术难点进行了讨论,并利用模糊算法进行了分析,给出了跟踪算法的分析结果。