一种面向高斯差分图的压缩感知目标跟踪算法

针对压缩感知目标跟踪算法在目标纹理改变、比例缩放、光照变化剧烈时鲁棒性不足,提出一种面向高斯差分图的实时跟踪算法.首先,构建图像的多尺度空间及其对应的高斯差分图,实现高斯差分图的特征提取并获取压缩感知的输入信号;然后,通过压缩降维,目标邻域遍历,参数更新等过程,计算出面向高斯差分图的后续帧的目标最优跟踪窗;最后,将跟踪窗投影到对应的原始图像上,完成面向视频流的目标跟踪.高斯差分图像是单通道灰度图,具有灰度取值范围小、数值低、结构简单、维数少等特点,增强了特征对纹理改变、比例缩放和光照变化的稳健性,且继承了传统算法的实时性.实验证明,该算法能够快速准确地实现复杂环境下的移动目标跟踪任务.     

遮挡情况下多尺度压缩感知跟踪

针对现有在线学习跟踪算法中目标在线模型更新错误导致跟踪漂移的问题,提出一种在线模型自适应更新的目标跟踪算法:首先利用压缩感知技术的高效性,对多尺度图像特征进行降维,并提取多尺度样本来实现目标尺度自适应更新,再由提取的正负样本低维图像特征训练朴素贝叶斯分类器,利用分类器输出置信度最大处目标样本完成目标跟踪,并依据当前目标置信度来自适应在线模型更新速率,减少了遮挡带来的目标错误更新。实验表明:该方法在尺度变化、局部和全局遮挡、光照变化等情况下均能完成鲁棒跟踪,平均跟踪成功率较原始压缩感知跟踪算法提高了20.3%。     

基于灰度投影变换的改进Mean-shift算法

针对传统的均值漂移算法中核窗宽无法实时适应运动目标大小变化的问题,提出一种改进的Mean-shift跟踪算法。该算法通过对数坐标变换后的目标图像以及候选图像进行灰度投影计算,得到两幅图像的相对位移量,从而计算出窗口缩放因子,以便对核窗宽进行调整。实验证明,该算法可以有效地提高Mean-shift算法跟踪的准确性。     

天基非合作卫星高精度跟踪算法研究

空间非合作目标跟踪技术可以在多方面发挥重要作用,目前效果较好的图像跟踪算法多是基于视频流处理,但是由于面对的工况与航天应用面对工况不同,在跟踪精度、运算速度、预警率和虚警率等要求上不满足空间目标跟踪需求与任务要求,并且运算复杂难以在航天器中实现,不适合天基卫星跟踪。为解决这一问题,一种面向空间应用的卫星目标高精度跟踪算法被提出,该算法以图像相关、曲线拟合、卡尔曼滤波、SURF算法为基础,并将预测、跟踪和矫正过程相融合,最终获得在天基平台中具有可行性的高速稳定跟踪算法。相关实验表明,这种算法可以对平面内自由旋转、0.4~2.1倍尺度内缩放、有光照变化的图像进行连续跟踪,仿真试验平均跟踪误差小于0.9像素且大多数工况下计算速度高于200帧/s,并且算法对图像模糊、高斯噪声以及椒盐噪声都有较好兼容能力,对于实际模型目标跟踪仍有稳定跟踪能力。     

基于自适应分层结构的压缩分布场跟踪算法

为了提高分布场跟踪算法的运算效率,增强其在复杂背景下的鲁棒性,提出基于自适应分层结构的压缩分布场跟踪算法.该方法充分考虑目标区域像素值分布情况,引入k-means算法对首帧标记的目标区域进行聚类分析,根据聚类结果自适应的产生分布场结构.针对分布场模型维数较高的缺点,融合压缩感知方法对分布场进行压缩,降低模型维数,提高算法效率.此外,改变原始分布场跟踪算法采用的局部搜索跟踪策略,利用随机抽样的方式来提高算法跟踪精度.实验结果表明,提出的算法与当前流行的跟踪算法相比,具有更好的表现.     

基于SIFT的数字图像盲检测算法研究

针对图像区域的复制-变换-移动-粘贴篡改,建立了相应的篡改模型,提出了基于SIFT标记图特征向量的盲鉴别算法,能够有效地检测并定位经过旋转、缩放变换的篡改区域,而且能够抵抗高斯模糊、高斯白噪声和JPEG重压缩等后处理。与基于传统SIFT特征向量的检测算法相比,该算法对篡改区域的缩放变换具有更高的鲁棒性。     

基于二维压缩感知和分层特征的图像检索算法

为了保留图像分析时的像素点位置关系及降维处理,把一维压缩感知理论推广到二维,建立了二维可稀疏信号的压缩测量模型,研究了一种二维信号的自适应梯度下降重构AGDR(Adaptive Gradient Descent Recursion)算法,由此提出了一种图像分层特征提取与检索方法.首先对图像在RGB颜色空间上进行网格离散划分,通过分层算子对图像进行分层映射,定义一种基于颜色网格空间的扩展灰度共生矩阵,采用二维测量模型获取图像的分层测量特征、纹理特征与分层颜色统计特征,图像分层测量特征综合反映出图像的颜色及像素点位置的关系,扩展灰度共生矩阵反映纹理特征.其次用AGDR算法计算检索图像之间的原始信号差量及其稀疏值.最后结合两类分层特征差量、稀疏值和颜色统计特征,融合计算图像间整体相似度度量指标.仿真实验表明,应用分层二维压缩感知测量与AGDR算法的图像检索方法在检索时间、查全率和查准率等指标上具有优越性能,为图像检索提供了新思路.     

基于类间方差和离散余弦变换的模板匹配哈希目标跟踪

针对基于离散余弦变换的压缩感知哈希算法在光照变化、目标发生形变或者局部遮挡的情况下难以跟踪的问题,提出了一种基于类间方差和离散余弦变换融合的模板匹配增强哈希算法。该算法是一种运用类间方差阈值分割和离散余弦变换来提取目标不同特征信息,用快速增强差异法生成哈希序列来降低光照影响,用抽屉原理缩短汉明距离的比较时间的自动更新模板的目标跟踪算法。本文算法与传统哈希算法、基于DCT的压缩感知哈希算法在视频David,Girl和CarScale中进行了跟踪实验。实验结果表明,该算法在光照变化、目标形变和局部遮挡的情况下提高了目标的跟踪成功率,具备良好的鲁棒性,满足了实时跟踪的要求。     

基于改进纹理表示和Mean Shift的目标跟踪

本文提出了一种改进的纹理表示方法.首先对视频每帧图像进行平移不变小波变换,可以很好的提取图像的纹理和细节特征,同时能降低光照和噪声的影响,然后通过融合边缘强度来突出图像的纹理特性,把改进的纹理图像替代之前的原始帧图像.通过实验结果表明,基于改进纹理表示的算法是非常有效地,它能极大提高跟踪算法的鲁棒性.     

一种基于图像纹理的模板匹配算法

为了提高实际工程应用中图像匹配算法计算的实时性,增强图像匹配算法对复杂场景跟踪的鲁棒性,提出了一种新的基于图像纹理的模板匹配算法(TTM)。依据邻域内像素灰度变化的趋势分别提取水平、垂直方向二值化的图像纹理矩阵,然后根据定义的一个相似性判别准则,分别度量水平、垂直两个方向二值化图像矩阵之间的相关置信度。最后,通过合成两个方向上的图像匹配置信度结果得到目标配准置信度。实验结果表明,该算法对图像光照变化、目标部分被遮挡等情况具有较好的适应性。     

基于SIFT的压缩跟踪算法

为了克服基于灰度特征信息的跟踪算法在复杂的环境下无法区分目标和背景的缺陷,提出基于SIFT的压缩跟踪算法。该算法采用改进的SIFT特征提取方式,结合压缩感知理论对特征进行有效的降维,以在线多实例学习算法训练分类器,实现在出现目标偏移、姿态变化和光暗变化等情况下对目标实时准确的跟踪。实验结果表明,该算法能够在复杂环境下实现目标的准确实时跟踪。     

Fast Compressive Target Detection for Wireless Video Sensor Nodes

In order to prolong the lifetime of visual target detection and tracking system based on wireless video sensor networks, many efficient methods have been proposed to reduce the energy consumption of the battery-powered video sensor nodes. Focused on reducing the amount of image data for computing, this paper presents a fast compressive method of target detection for video sensor nodes using structured compressive sensing. The major contributions are as follows: Firstly, we construct a novel structured measurement matrix for sampling the image. Secondly, we use an efficient adaptive Gaussian mixture model for real-time background subtraction. Experimental results show that our method can achieve good performance and over two times faster than traditional Gaussian mixture model.     

基于多模型的实时压缩跟踪算法

目标跟踪易受光照、遮挡、尺度、背景及快速运动等因素的影响,还要求较高的实时性。目标跟踪中基于压缩感知的跟踪算法实时性好,但目标外观变化较大时跟踪效果不理想。该文基于压缩感知的框架提出多模型的实时压缩跟踪算法(MMCT),采用压缩感知来降低跟踪过程产生的高维特征,保证实时性能;通过判断前两帧的分类器最大分类分数的差值来选择最合适的模型,提高了定位的准确性;提出新的模型更新策略,按照决策分类器的不同采用固定或动态的学习率,提高了分类精度。MMCT引入的多模型没有增加计算负担,表现出优异的实时性能。实验结果表明,MMCT算法能够很好地适应光照、遮挡、复杂背景及平面旋转的情况。     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。     

基于改进纹理特征的红外目标跟踪算法

针对红外图像背景复杂、杂波干扰严重、相似目标混淆导致的目标跟踪丢失问题,本文提出了一种改进的低维度纹理特征OCS-LBP(Oriented Center Symmetric Local Binary Patterns,即方向中心对称的局部二值模式)。首先,利用此特征可以高效地获取目标图像中每个像素块的梯度方向和幅值信息,提高了跟踪过程的鲁棒性;其次,利用核相关滤波算法结合提取的OCS-LBP特征对目标图像区域进行模型训练;最后,根据训练好的模型检测下一帧图像中目标的具体位置。本文在10组红外视频序列上进行了测试,实验结果表明,本文算法的精确度和成功率相比于第二名算法分别获得了2.9%和9.9%的提升,同时在实验设备上算法的平均跟踪速度相比于第二名算法提升了14.15 frame/s。从实验结果可以看出本文提出的算法在红外目标跟踪上表现出较好的鲁棒性、准确性和实时性,具有一定的研究和实用价值。     

基于多表观特征子模型更新的鲁棒视觉跟踪

在视觉跟踪中,传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题.为改善该性能,提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先建立候选子模型库,然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息,最后将当前帧三种特征直方图信息与候选库中各子模型分别计算加权相似度,更新候选库后与阈值比较,判断是否更新当前子模型.实验结果表明：本文算法能够对特征相应子模型进行有效的选择性更新,与对比算法比较,在多种复杂变化的跟踪条件下,总体上能够具有更好的跟踪鲁棒性.     

基于混合高斯模型与三帧差分的目标检测算法

针对传统目标检测方法中光照变化、复杂背景、阴影等难点,提出了一种结合三帧差分法和混合高斯背景建模的算法,既能很好地适应场景中的光照渐变和背景扰动,又能克服普通帧差法中检测目标不准确,容易产生孔洞及双影现象的问题。同时,采用了一种简易的阴影抑制算法和形态学滤波处理,有效地去除了阴影以及噪声。实验结果表明,该算法易于实现,具有较好地实时性和鲁棒性,能精确地检测出运动目标。     

基于深度特征表达与学习的视觉跟踪算法研究

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,将深度学习引入视觉跟踪领域,提出一种基于多层卷积滤波特征的目标跟踪算法。该算法利用分层学习得到的主成分分析(PCA)特征向量,对原始图像进行多层卷积滤波,从而提取出图像更深层次的抽象表达,然后利用巴氏距离进行特征相似度匹配估计,进而结合粒子滤波算法实现目标跟踪。结果表明,这种多层卷积滤波提取到的特征能够更好地表达目标,所提跟踪算法对光照变化、遮挡、异面旋转、摄像机抖动都具有很好的不变性,对平面内旋转也具有一定的不变性,在具有此类特点的视频序列上表现出非常好的鲁棒性。