基于增量学习的红外目标粒子滤波跟踪方法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等特点,提出了一种基于增量学习目标表观模型和粒子滤波的红外目标跟踪方法。通过在线学习机制,利用增量奇异值分解算法对图像特征空间的基向量进行准确更新,从而建立红外目标的鲁棒表观模型。在此基础上,采用粒子滤波对目标状态进行有效预测,实现了红外目标的有效跟踪。实验结果表明,该方法能有效、准确地跟踪红外图像序列中的运动目标。     

基于空间直方图的海杂波背景下红外目标跟踪

空间直方图融合了目标的灰度分布信息和灰度的空间分布信息,比传统的灰度直方图更具有目标鉴别能力。为实现海杂波背景下稳健跟踪红外目标,本文在基于粒子滤波算法的红外目标跟踪系统框架中,将加权样本集表示红外目标的状态后验概率分布;采用简单的随机漂移模型表示系统状态模型;利用目标区域的空间直方图描述红外目标,其中通过核概率密度估计建立红外目标的灰度分布,然后统计灰度分布的空间信息建立空间直方图;通过空间直方图的相似度定义来建立系统观测概率模型,最终提出一种在海杂波背景下的基于空间直方图的粒子滤波红外目标跟踪算法。实     

共生矩阵保局投影红外人体目标实时跟踪方法

针对红外图像中人体的鲁棒实时跟踪问题,提出了一种新颖的共生矩阵保局投影(COMLPP)方法.为了克服保局投影的红外图像中人体目标信息量不足的弱点,该方法首先构建了训练样本的共生矩阵,然后利用保局投影得到样本目标的共生矩阵保局投影子空间特征的表征向量,最后将上述表征模型与粒子滤波相融合,实现了粒子滤波框架下的人体跟踪算法.利用不同的红外图像数据库进行人体跟踪实验,结果表明:文中提出的方法能够实时有效地跟踪人体目标,并且对有部分遮挡的复杂场景有较强的适应性.     

在线鲁棒判别式字典学习视觉跟踪

传统子空间跟踪较好解决了目标表观变化和遮挡问题,但其仍存在对复杂背景下目标跟踪鲁棒性不足和模型漂移等问题.针对这两个问题,本文首先通过增大背景样本的重构误差和利用L1范数损失函数建立一种在线鲁棒判别式字典学习模型;其次,利用块坐标下降设计了该模型的在线学习算法用于视觉跟踪模板更新;最后,以粒子滤波为框架,结合提出的模板更新方法实现了鲁棒的视觉跟踪.实验结果表明:与IVT(Incremental Visual Tracking)、L1APG(L1-tracker using Accelerated Proximal Gradient)、ONNDL(Online Non-Negative Dictionary Learning)和PCOM(Probability Continuous Outlier Model)等典型跟踪方法相比,本文方法具有较强的鲁棒性和较高的跟踪精度.     

基于多特征相关滤波的红外目标跟踪

为实现在复杂背景和多干扰条件下红外目标的稳 定跟踪,提出一种基于多特征相关滤波的红外目标 跟踪算法。首先综合考虑生物视觉关注特性及目标运动特性,提取目标区域的空间特征和 运动特征,进而融合一种改进的卷积特征,生成多特征权值函数;然后在传统 相关滤波的基础上,引入多特 征权值函数用以表征不同候选区域的重要程度,形成权值相关滤波的红外目标跟踪框架;最 终得到能够表 征目标位置的置信图,从而完成红外目标的鲁棒跟踪。在6组不同条件下红外视频序列上的 实验结果表明, 和经典目标跟踪算法相比,本文方法在复杂背景下的平均跟踪成功率提升15%左右,能够有 效应对相似虚 假目标、遮挡、背景辐射强度变化和探测器晃动等不良因素的影响,适用于复杂背景条件下 的红外目标跟踪。     

基于UPF-BP神经网络的视频跟踪研究

本文提出一种UPF粒子滤波与BP神经网络相结合方法用来跟踪运动背景下的视频多运动目标,该方法可以处理尺寸变换问题,从而可以鲁棒地跟踪目标。这种算法可以把最新的观测考虑进去,跟踪目标既可以是刚性目标,也可以是非刚性目标,并且跟踪算法可以实时实现。     

基于粒子滤波的红外目标跟踪新算法

粒子滤波是一种在非线性和非高斯情形下进行状态估计的有效方法。提出一种基于粒子滤波的红外目标跟踪的新算法。阐述了粒子滤波算法的原理,将粒子滤波引入到红外目标跟踪中。考虑到传统的粒子滤波跟踪算法存在计算量大,误码多的缺点,对传统算法进行了改进。对采样粒子进行优化选择,改进了重采样环节。实验结果表明,改进算法较传统粒子滤波算法能更准确,更有效的跟踪红外目标。     

紧耦合粒子滤波与均值漂移的红外目标跟踪

为了提高复杂背景下红外目标跟踪的准确性和鲁棒 性,提出了紧耦合粒子滤波(PF)与均值漂移(mean shift)的红外目标跟踪方法。在PF框 架下,利用一组5参数集(中心横坐标、中心纵坐标、宽度、高度以及倾斜角)作为状 态变量表 征随机的粒子样本;然后使用自适应均值漂移作为一种迭代模式寻找过程,对随机粒子样本 进行重新分配,使粒子向目标 状态的最大后验核密度估计方向移动,同时利用迭代过程中的Bhattacharyya系数对粒子的 权值进行更新;最后利用重新分配 后的加权粒子集合实现对红外目标的跟踪。实现结果表明,与一般的PF相比,本文方法能有 效减少所需粒子数(N=15),进而降 低跟踪耗时;与现有的PF与均值漂移相结合的方法相比,本文方法在耗费时间 仅增加14%的代价上,使跟踪误差大大降低(约 为原误差的1/3至1/4),准确性和鲁棒性得到显著提高;本文方法能够实现在复杂背景下稳 健准确地跟踪红外目标。     

基于EM的红外扩展目标鲁棒自动跟踪方法

针对红外视频图像的特点,提出了一种基于期望最大化算法的红外扩展目标鲁棒自动跟踪方法.首先利用局部Top-Hat形态学滤波进行背景抑制和去噪,并通过平台直方图技术突出跟踪区域的红外目标灰度信,g-;然后以考虑了像素空间位置信息的高斯加权直方图建立目标的灰度特征模板;最后通过期望最大化迭代计算来估计出各密度分布的最大似然函数的参数集,并由此确定跟踪目标的位置和形状尺寸.实验表明,该方法不仅实现了跟踪窗口随目标尺寸的自适应变化,而且有效克服了红外图像信噪比低的缺点,提高了红外目标实时跟踪的稳健性.     

基于簇相似的多分类器目标跟踪算法

由于跟踪过程中目标和背景的变化,传统的单分类器跟踪算法学习到大量的非目标信息而导致跟踪精度降低.针对该问题,本文提出使用树形结构保存历史分类器.在每一帧,根据树中路径距离选择分类器集对测试样本分类.提出了一种基于簇相似性比较的分类算法.通过建立以方差为尺度的特征空间,比较测试样本到簇中心的距离计算相似度,快速计算出目标样本.实验表明本算法能够在复杂条件下实现对目标的鲁棒跟踪.     

基于多特征自适应融合的分类采样跟踪算法

针对目标跟踪中的场景易变和目标模板不稳定等问 题,提出了一种基于多特征自适应 融合的分类采样跟踪算法。算法利用密集特征信息将目标模板用多个重叠子区域划分,每 个子区域对应一个多特征采样窗口。利用多特征自适应融合构造强可区分性的目标模型,最 大程度地提高各子区域之间的互补性,以增强目标模板的区分能力。在粒子滤波(PF)框架下 , 多特征自适应融合策略提高了目标观测质量,保证跟踪的持续稳定。实验结果表明,本文所 提算法具 有良好的目标跟踪性能,并对动态场景、目标形变及遮挡情况具有较好的跟踪准确性和鲁棒 性。     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

基于增量张量子空间学习的自适应目标跟踪

 传统的基于子空间的跟踪方法易于丢失图像所固有的部分结构和邻域信息,从而降低了目标匹配和跟踪的精度.为此,本文提出了一种增量张量子空间学习算法,用于跟踪目标的建模与模型更新.同时,将该模型与贝叶斯推理相结合,提出一种自适应目标跟踪算法:新方法首先对跟踪目标的外观进行建模,然后利用贝叶斯推理获得目标外观状态参数的最优估计,最后利用最优估计的目标观测更新目标张量子空间.实验结果表明,由于保持了目标外观的结构信息,本文提出的自适应目标跟踪方法具有较强的鲁棒性,在跟踪目标在姿态变化、短时遮挡和光照变化等情况下均可有效地跟踪目标.     

上下文感知相关滤波的红外目标跟踪改进算法

针对在目标跟踪过程中由于红外目标遮挡、快速运动而导致的跟踪失败问题,提出了一种基于上下文感知的相关滤波跟踪算法,在引入目标背景信息的同时改进其算法的更新策略。在训练阶段引入上下文信息,使得相关滤波器具有更好的鉴别性,以应对跟踪过程中出现的快速运动、运动模糊以及遮挡等情况。在模型更新阶段引入一种高置信度模型更新策略,解决了在模型更新过程中由于目标严重遮挡造成的目标丢失或模型污染问题,提升了算法的性能。实验结果表明,与其他相关滤波类算法相比,所提出的算法在精确度和成功率方面分别提升了6.4 %和5.1 %,同时能以较快的速度运行,满足实时性的要求。     

基于粒子分组优化的自适应跟踪算法

针对粒子滤波算法中粒子退化问题,提出一种基于粒子分组优化的自适应跟踪算法。在传统粒子滤波算法的基础上,分别从特征直方图的建立和粒子重采样策略两个角度进行改进。综合考虑目标与背景的特征显著性和相似性两个因素建立比值关系进行量化分析,选取能够最大程度区分前景目标和背景的特征,并以此区分度作为权值确定直方图中所选特征的区间数。通过实时分析粒子间相对空间分布位置,建立一种新的粒子重采样策略,采用复制、线性组合、淘汰等不同形式对粒子的数量和分布位置进行自适应调整,使得粒子性能得到优化。实验仿真结果验证了所提算法的有效性。     

一种基于特征自动选取的跟踪算法

在复杂的环境下,基于单一特征的视觉跟踪算法,往往不能满足实际环境的需要,对此文中提出了一种基于特征自动选取的跟踪方法。考虑到不同特征在不同场景下对目标与背景的区分能力的不同,重新定义了适合跟踪的背景区域,并在此基础上提出了特征自动选取的策略。基于此策略,利用目标的颜色特征和纹理特征,具体实现了特征自动选取的跟踪算法。实验结果证明了该策略的可行性。     

低信噪比双基地MIMO雷达目标角度跟踪算法

研究了低信噪比时双基地MIMO雷达目标跟踪问题,提出了一种基于改进AAJD（Adaptive Asymmetric Joint Diagonalization）的目标跟踪算法.首先,对AAJD算法进行改进,得到与特征值作用相同的变量,从而找出大特征值变量对应的特征矢量,解决了低信噪比时AAJD算法信号子空间扩展问题.其次,在非稳定跟踪状态时消除特征值变量误差积累的影响,得到更加准确的信号子空间,并对ESPRIT算法进行改进,实现收发角度的配对和相邻时刻角度的自动关联.仿真结果表明改进AAJD算法低信噪比时能够实现角度跟踪,且收敛速度和稳定性能明显优于AAJD算法.     

Object tracking using discriminative sparse appearance model

Object tracking based on sparse representation formulates tracking as searching the candidate with minimal reconstruction error in target template subspace. The key problem lies in modeling the target robustly to vary appearances. The appearance model in most sparsity-based trackers has two main problems. The first is that global structural information and local features are insufficiently combined because the appearance is modeled separately by holistic and local sparse representations. The second problem is that the discriminative information between the target and the background is not fully utilized because the background is rarely considered in modeling. In this study, we develop a robust visual tracking algorithm by modeling the target as a model for discriminative sparse appearance. A discriminative dictionary is trained from the local target patches and the background. The patches display the local features while their position distribution implies the global structure of the target. Thus, the learned dictionary can fully represent the target. The incorporation of the background into dictionary learning also enhances its discriminative capability. Upon modeling the target as a sparse coding histogram based on this learned dictionary, our tracker is embedded into a Bayesian state inference framework to locate a target. We also present a model update scheme in which the update rate is adjusted automatically. In conjunction with the update strategy, the proposed tracker can handle occlusion and alleviate drifting. Comparative results on challenging benchmark image sequences show that the tracking method performs favorably against several state-of-the-art algorithms.     

基于样本正交子空间的SAR目标识别方法

利用合成孔径雷达(Synthetic Aperture Radar, SAR)获取的目标像进行识别时,基于子空间的自动目标识别(Automatic Target Recognition, ATR)方法通常是对样本数据的值空间进行操作。当识别相似目标时,由于彼此的值空间存在较大的交集,生成的识别模板的可分性较差。该文提出一种SAR目标ATR方法,该方法将SAR样本数据的正交子空间作为投影空间。因此,不同类目标样本在投影空间的差异性加大,能够明显提高识别效果。实验结果表明,本文方法的识别性能优于其它同类方法。     

Fast and Stable Subspace Tracking

We consider the problem of adaptive subspace tracking, when the rank of the subspace we seek to estimate is assumed to be known. Starting from the data projection method (DPM), which constitutes a simple and reliable means for adaptively estimating and tracking subspaces, we develop a fast and numerically robust implementation of DPM, which comes at a considerably lower computational cost. Most existing schemes track subspaces corresponding either to the largest or to the smallest singular values, while our DPM version can switch from one subspace type to the other with a simple change of sign of its single parameter. The proposed algorithm provides orthonormal vector estimates of the subspace basis that are numerically stable since they do not accumulate roundoff errors. In fact, our scheme constitutes the first numerically stable, low complexity, algorithm for tracking subspaces corresponding to the smallest singular values. Regarding convergence towards orthonormality our scheme exhibits the fastest speed among all other subspace tracking algorithms of similar complexity.