基于时空上下文和随机森林的人眼跟踪定位算法研究

为了得到人眼跟踪过程中更好的鲁棒性和实时性以及跟踪精度,提出一种基于自适应增强分类算法(AdaBoost)、随机森林(RF)和时空上下文(STC)的重定位跟踪算法。该算法结构分为3层,分别为AdaBoost人脸检测、STC人脸跟踪和RF人眼定位。首先,利用AdaBoost在第一帧识别出人脸,从而提取出人脸窗口。接着,使用时空上下文跟踪算法进行人脸跟踪。然后,联合定向梯度直方图(HOG)算法进行相似度判断,以达到目标丢失后继续跟踪的目的。最后,采用随机森林算法进行人眼定位。实验结果表明,与传统的随机森林人眼跟踪算法相比,该算法在跟踪速度达到原方法的2倍左右,并在跟踪精度和鲁棒性上和原算法相同。基本满足在裸眼3D显示时人脸跟踪和人眼定位的精度高、实时性快、鲁棒性好的要求。     

一种基于梯度和Vibe算法的运动检测算法

针对运动检测算法在动态背景下准确性不高的问题,提出了一种基于梯度图和改进后的Vibe算法相结合的运动检测算法.该算法首先利用Sobel算子计算出梯度图,然后采用Vibe算法与三帧差分法相融合的方法对梯度图进行检测,获取运动目标.该算法改变了传统的以原始图像来构建背景模型的思想,提出了用梯度来构建背景模型,有效地改善了运动检测中的误检问题.实验结果表明,与GMM(高斯混合模型)、Codebook相比,该算法在静态背景和动态背景下实时性和准确性都较好.     

基于局部二值模式的改进时空上下文跟踪算法

基于时空上下文(Spatial-Temporal Context,STC)的跟踪算法与大部分传统算法相比,在实时性方面具有明显的优势.通过实验发现,STC算法存在由变形和遮挡引起的跟踪精度下降问题.针对该问题,提出了一种改进方法,该方法在原STC算法的基础上引入局部二值模式(Local Binary Pattern,LBP)和遮挡检测机制,利用LBP特征来代替灰度特征,当跟踪器检测出目标发生遮挡时,停止分类器参数的更新.对于满足线性运动的目标,利用卡尔曼滤波器对其进行位置预测以解决目标发生遮挡后的定位问题.实验证明,所提出的改进算法能有效提升目标跟踪精度,针对遮挡情况下的目标也展现出较高的鲁棒性.     

融合颜色直方图响应的时空上下文跟踪算法

时空上下文(STC)跟踪算法在特征表达、尺度自适应策略等方面存在缺陷,当出现目标突然形变、局部遮挡或尺度变化等情况时,跟踪器的性能会严重退化。通过对STC算法进行改进,提出了一种融合颜色直方图响应的时空上下文跟踪算法。基于颜色统计的模型对运动模糊和目标形变等影响因素不敏感,和时空上下文模型具有良好的互补性质,在响应层融合后能够提升算法的鲁棒性。此外,采用基于多尺度金字塔模型的尺度搜索策略替换STC算法中原有的尺度估计策略,进行更精准的自适应尺度估计。在大规模公开数据集上的测试结果表明,本文算法在不同影响因素的复杂环境下展现了更为良好的跟踪性能和适应性,并且平均跟踪速度达到134.2帧/秒。     

一种引入预测机制的时空上下文跟踪算法

针对时空上下文(STC)算法在抗遮挡目标跟踪中的不足,提出使用上下文模型相似度作为判别遮挡的条件和改进上下文模型更新方程的修正系数,同时采用预测算法修正搜索区域,构建了一种基于时空上下文跟踪的抗遮挡目标跟踪算法,并通过标准目标跟踪视频库对原算法和改进后算法的跟踪性能进行仿真和对比。实验证明,在原算法的基础上提高了抗遮挡跟踪的鲁棒性,在一些图像序列中跟踪成功率的提高最高可达30%。     

卷积神经网络与时空上下文结合的目标跟踪算法

本文所提算法是一种卷积神经网络与时空上下文结合的目标跟踪算法.将卷积神经网络算法融入时空上下文算法框架下,使得跟踪系统整体的鲁棒性有显著提高.引入Kalman滤波来处理目标被严重遮挡时,跟踪框容易漂移的问题.此外,整个跟踪系统采取由粗到精的双重目标位置定位方式,由时空上下文算法实现目标初定位,由卷积神经网络进行目标位置的精确定位.经实验验证,算法不仅稳定性和鲁棒性较好,而且实时性的条件也基本满足.     

融合感知哈希特征的时空上下文目标跟踪算法

文中提出融合感知哈希特征的时空上下文快速目标跟踪算法,在光照剧烈变化和目标被遮挡情况下能准确地跟踪目标。通过感知哈希特征对目标的位置进行评估,避免时空上下文算法在光照剧烈变化的跟踪漂移问题,并通过更新目标哈希值和时空上下文信息来进行下一次迭代。实验结果表明结合目标时空上下文信息的感知哈希跟踪算法与目前主流跟踪算法相比表现出更快的跟踪速度,并且在复杂背景和被遮挡后表现出较好的鲁棒性。     

改进的Vibe运动目标检测算法

针对传统Vibe运动目标检测算法提取的目标存在Ghost区域、并且在目标有阴影时检测出的前景区域存在阴影的问题,本文提出了一种结合快速初始化背景建模和阴影去除的Vibe运动目标检测算法.首先采用改进的帧差背景建模方法快速初始化背景模型;然后利用Vibe算法找出当前帧内所有可能目标的前景区域;最后引入HSV模型去除前景目标区域中存在的阴影.实验结果表明,本算法可以有效消除Ghost区域,并且很好地去除前景目标区域里存在的阴影.     

多尺度时空上下文目标跟踪

相关滤波器在视觉目标跟踪中得到了广泛应用,针对复杂场景下目标跟踪容易出现跟踪漂移的问题,以及现有多尺度跟踪算法计算量大的问题,本文提出一种实时的多尺度目标跟踪方法.首先由时空上下文模型输出目标位置置信图完成目标定位,再在尺度空间上训练相关滤波器完成目标尺度估计,最后基于目标位置和尺度提出了一种新的时空上下文模型更新机制,避免了模型更新错误.实验表明:该方法在尺度变化、局部遮挡、目标姿态变化等情况下均能完成鲁棒跟踪,跟踪正确率较原始时空上下文跟踪算法提高了38.4%.     

基于TLD框架的上下文目标跟踪算法

提出了一种基于TLD (Tracking-Learning-Detection)框架的上下文目标跟踪算法.在TLD框架中,融入时空上下文跟踪算法,提高跟踪器的鲁棒性和稳定性.引入Kalman滤波来处理目标被严重遮挡时跟踪失效的问题.此外,采用由粗到精的搜索策略进行目标检测,利用帧差法确定运动目标疑似区域,提高检测效率.实验结果表明所提出的算法具有较好的鲁棒性和实时性.     

基于双背景模型的改进Vibe运动目标检测算法

针对传统视觉背景提取法(Visual background extractor,Vibe)不能抑制鬼影和去除阴影干扰的问题,提出一种改进算法.缓存视频前K帧图像,利用随机抽样和改进均值法构建两个背景模型,分别用于前景检测和阴影去除;前景检测环节扩大样本的抽取范围,提高模型可靠度,抑制鬼影;替换虚假样本完成前景检测模型的更新;对所得感兴趣前景区域,结合灰度和LBP纹理特征信息消除阴影.实验结果表明,改进算法能有效抑制鬼影,消除阴影干扰,检测结果更加精确.     

基于Mean Shift的序列图像手势跟踪算法

将Mean Shift算法应用于序列图像中的手势跟踪,利用梯度优化方法实现快速目标定位,能够对非刚性目标实时跟踪,并且对目标的变形、旋转等运动有较好的适用性.实验结果表明,Mean Shift算法在目标姿态变化、光照变化下的跟踪效果较好.     

基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

针对目前一些常用的运动目标跟踪算法存在跟踪精度不高、实时性低、对遮挡问题处理不佳等问题,提出一种粒子群算法与卡尔曼滤波相结合的新的运动目标跟踪方法。利用卡尔曼滤波预测目标中心在下一帧图像中的位置,从而极大减少了搜索范围,并以该位置为中心建立目标搜索区域。然后以目标的灰度统计特征对目标模板和候选区域进行匹配,确保跟踪准确性。为了有效减少搜索匹配次数、提高实时性,利用粒子群算法在搜索区域找到和目标模板最相似的区域,从而找到最优中心位置,并以该位置作为卡尔曼滤波的观测值,进行下一帧跟踪。仿真实验结果表明新算法显著提高了跟踪的实时性、精确性,并对部分遮挡能较好地处理。     

采用时空上下文的抗遮挡实时目标跟踪

针对目标跟踪算法在光照变化、背景干扰、目标形变及遮挡时出现的跟踪稳定性下降甚至失败的问题，提出了一种采用时空上下文的抗遮挡实时目标跟踪算法。首先，在时空上下文模型框架下采用自适应降维的颜色特征构建目标外观模型，提高算法在复杂场景中对目标的辨别能力；然后，联合置信图响应的峰值和峰值旁瓣比对目标跟踪的状态进行评估；接着，利用目标模板之间相关系数的变化进一步判断目标是否被严重遮挡；最后，当目标跟踪出现波动时，降低目标模型更新速度，并通过Kalman滤波修正目标位置，当目标被严重遮挡时，则根据Kalman滤波预测目标位置，同时停止更新目标模型，在脱离遮挡后重新捕获目标并进行跟踪。选取了36组具有多种挑战因素的彩色视频序列测试算法的跟踪性能，并与其他表现优异的目标跟踪算法进行了对比分析。实验结果表明，所提算法具有较强的抗遮挡能力，并且在光照变化、背景干扰和目标形变等不利因素影响下仍具有较好的跟踪鲁棒性，同时能够满足目标跟踪的实时性要求。     

基于双核模型上下文的流形正则相关滤波跟踪算法

为了兼顾算法的跟踪速度与精度,提出了一种基于双核模型上下文的流形正则相关滤波跟踪算法.其中,结合上下文相关框架与相关滤波算法的主模块承担主要跟踪任务,可弥补相关滤波学习模型中余弦窗过滤的背景信息.对上下文相关样本进行流形正则处理,可达到惩罚上下文相关框架、优化主模块模型的目的.辅助模块则结合了核相关滤波算法与卷积特征,...     

基于改进Vibe算法的行人目标检测

针对经典Vibe算法在实际视频图像中,对行人目标检测不够精确,主要存在"鬼影"、光照误检的干扰问题,结合三帧差分算法及LUV均匀色彩空间的特性,提出了一种改进的Vibe算法。该算法首先通过三帧差分对视频进行预处理,获取真实背景,然后结合LUV空间的均匀色彩特性降低对光照的敏感度,最后对空洞填充并获取行人目标的最小外接矩形。实验结果表明,该算法能有效地消除"鬼影"问题,并在光照突变情况下具有良好的鲁棒性,在复杂环境的实时监控视频流中具有理想的行人目标检测效果。     

结合时空上下文信息的相关滤波目标跟踪方法

针对繁杂环境下目标跟踪稳定性差且易受到遮挡发生漂移的问题,提出一种结合时空上下文信息的相关滤波目标跟踪方法.该算法首先从目标和背景区域提取方向梯度直方图特征和颜色直方图特征,加权融合两种特征的相关滤波响应,建立相关滤波跟踪模型;然后利用目标的背景梯度直方图特征,基于贝叶斯框架通过最大化似然函数得到时空上下文辅助模型;最后自适应融合两种模型响应,得到目标估计位置并采用尺度估计方法解决目标尺度变化问题.在OTB-2013公开标准测试集上与基于相关滤波的运动目标跟踪方法进行了实验对比.结果表明,该算法的平均距离精度值和平均重叠精度值都优于其他算法,能够有效缓解跟踪目标由于遮挡、尺度变化、光照等因素造成的跟踪漂移状况的发生.     

基于CUDA加速的Vibe前景检测算法

为了更好地满足视频跟踪领域的实时性问题,文章提出一种基于CUDA加速改进后的Vibe前景检测算法。首先对Vibe算法做前景分析,并对该算法进行GPU并行优化处理。然后,对优化后的算法与原始的Vibe算法,在调节相应的参数的同时,统计对比分析了漏检率和误检率等性能上的差异。实验结果表明,在相同参数的情况下,优化后的算法较原始的算法在速率上提高了近2-3倍。     

基于改进粒子滤波跟踪算法的运动视频跟踪

为了进一步提高目标跟踪的准确率,提出一种基于改进粒子滤波的运动视频跟踪算法。首先,通过高斯混合模型实现动态背景建模,从而降低噪声和局部动态背景的干扰;然后,在RGB颜色直方图分离的基础上,结合粒子滤波和迭代递归实现目标运动检测,提高了前景检测的准确性。仿真试验结果显示,相比典型粒子滤波算法、遗传粒子滤波和DCEM,改进粒子滤波跟踪算法得到的前景目标的轮廓更好,因此运动目标检测精确度更高且处理时间更短。