结合PLS表示与随机梯度的目标优化跟踪

针对实际视觉跟踪中目标表观与前背景的非线性变化,论文提出一种基于偏最小二乘分析(PLS)表示与随机梯度的目标优化跟踪方法。该方法将目标跟踪转化为表示误差与分类损失的联合优化问题。首先,为了提高算法对前背景表观变化的稳定性,利用PLS理论的非线性对目标区域的前背景信息进行表达,并通过空间聚类构造多个线性外观模型来描述目标区域的动态变化,建立带约束条件的表观特征库;然后,提出一种确定性搜索机制,构造联合优化目标函数,使表示误差与分类损失最小化;结合表观建模特点,构建随机梯度分类器,对模型进行增量特征更新,最终实现对目标的稳定准确跟踪。经多场景对比实验验证,该算法能有效应对目标前背景的多种复杂变化。     

结合GLCM与三阶张量建模的在线目标跟踪

为提高目标跟踪算法对多种目标表观变化场景的自适应能力和跟踪精度,论文提出一种结合灰度共生(GLCM)与三阶张量建模的目标优化跟踪算法。该算法首先提取目标区域的灰度信息,通过GLCM的高区分度特征对目标进行二元超分描述,并结合三阶张量理论融合目标区域的多视图信息,建立起目标的三阶张量表观模型。然后利用线性空间理论对表观模型进行双线性展开,通过在线模型特征值描述与双线性空间的增量特征更新,明显降低模型更新时的运算量。跟踪环节,建立二级联合跟踪机制,结合当前时刻信息通过在线权重估计构建动态观测模型,以真实目标视图为基准建立静态观测模型对跟踪估计动态调整,以避免误差累积出现跟踪漂移,最终实现对目标的稳定跟踪。通过与典型算法进行多场景试验对比,表明该算法能够有效应对多种复杂场景下的运动目标跟踪,平均跟踪误差均小于9像素。     

基于偏最小二乘特征表示与分类的联合优化目标跟踪

针对实际视觉跟踪中目标表观与前背景的非线性 变化,提出一种基于偏最小二乘(PLS)表示与 分类联合优化的目标跟踪方法,将目标跟踪转化为表示误差与分类损失的联合优化问 题。首先,为了提高算法对前背景表观变化的稳定性,利用 PLS理论的非线性对目标区域的前背景信息进行表达,并通 过空间聚类构造多个线性外观模型描述目标区域的动态变化,建立带约束条件的表观特征 库;然后,提 出一种确定性搜索机制,构造联合优化目标函数,使表示误差与分类损失最小化;结合表观 建模特点,构 建随机梯度分类器(SGC),对模型进行增量特征更新, 最终实现对目标的稳定准确跟踪。 经 多场景对比实验验证, 本文算法能有效应对目标前背景的多种复杂 变化。     

基于邻域加权与RGB色彩分量的图像匹配算法

为了提高彩色图像的立体匹配精度,结合格式塔心理学和像素的色彩信息,提出了一种基于RGB色彩空间的改进误差绝对值累积匹配算法(SAD).首先,通过相似性和邻近性规则获取邻域窗内的像素权值,并同预先生成的线性查找表相结合来加快权值的计算速度.然后,利用RGB色彩分量的像素分布特点,生成对应的分量权值,来进一步增强匹配代价函数的稳定性.经实验验证表明,改进后的匹配算法较灰度SAD及标准彩色SAD算法在精度上有明显的提高.