基于HOG特征的粒子滤波视频跟踪算法研究

在视频分析处理领域中,特别是在视频监控领域,目标跟踪正在受到越来越多的关注。由于在实际应用中,利用运动摄像机拍摄的视频中,会造成背景的运动和目标尺寸的变化,即使是在固定摄像机拍摄的视频中,也会由于背景环境的复杂,造成目标的丢失和干扰。针对这一问题,为了改善在复杂场景下的目标跟踪效果,提出了结合梯度方向直方图(HOG)和粒子滤波的目标跟踪算法。此方法是通过在传统粒子滤波算法的算法框架下,增加目标跟踪的特征,提高了跟踪的鲁棒性,并根据检测结果确定目标。实验仿真表明,与传统单一特征的粒子滤波算法相比,文中的算法更能准确有效地跟踪复杂背景下的动态目标。     

图像场景识别中深度学习方法综述

场景识别是一种用计算机实现人的视觉功能的技术,它的研究目标是使计算机能够对图像或视频进行处理,自动识别和理解图像和视频中的场景信息。由于场景识别技术拥有广泛的应用前景,因此得到了许多关注。随着大数据时代的来临和深度学习的发展,使用深度学习方法解决场景识别问题已经成为场景识别领域未来的发展方向。文章首先概述介绍了场景识别技术的主要研究内容和发展情况,之后阐述了在图像场景识别中深度学习方法的应用情况,然后介绍了一些在图像场景识别中深度学习方法应用的具体的典型案例,同时给出了这几种方法具体的对比与分析。最后给出了文章的结论,总结了当前图像场景识别中使用深度学习方法的发展情况,并且对未来的发展方向给出了一些展望和建议。     

具有颜色信息的目标边界直线段特征的提取

直线段特征可以给出图像几何形态的重要信息。在视频跟踪的过程中,希望只提取被跟踪目标边界的直线段特征,并且筛选掉背景图像中的直线以及目标中的纹理直线,文中提出在提取的直线段自身属性的基础上附加考虑其两侧的颜色信息变化情况,从而更有效地获得目标的边界直线段特征。     

一种改进的Camshift目标跟踪方法

为了解决单特征在目标跟踪中无法准确描述目标的问题,提出了一种多特征融合的实时目标跟踪方法。该方法将角点特征、轮廓特征融入传统的Camshift算法中,结合原有的颜色特征对目标进行描述。解决了传统算法易受同色物体干扰,抗遮挡性能差等问题。实验结果表明,该方法能够实现对目标的实时跟踪,当目标遮挡的时间较短时能够很好地识别目标,具有较高的鲁棒性。