融合颜色与纹理特征的粒子滤波目标跟踪

针对采用单一颜色特征的粒子滤波目标跟踪算法在背景相似、光照变化复杂的场景下会导致跟踪失败的问题,提出一种基于LBP纹理和颜色特征融合的粒子滤波跟踪目标算法。综合加权颜色直方图和LBP纹理直方图进行目标特征描述,建立目标观测模型;同时粒子滤波进行状态预测,利用Bhattacharyya系数进行相似度测量,作为目标区域参考模型更新准则,实现权值更新;最后对权值归一化处理,得到目标位置状态的最终估计。实验结果表明该算法不仅提高了跟踪方法的鲁棒性,而且在目标遮挡、光照变化等干扰下,具有较好的准确性。     

基于加权颜色直方图和粒子滤波的彩色物体跟踪

结合粒子滤波技术,提出一种基于加权颜色直方图的彩色物体跟踪算法．将目标颜色直方图作为目标的颜色模型,同时考虑其大小及像素点的位置对颜色分布的影响,将颜色直方图进行加权处理,使模型对区域特征描述更加合理,利用巴特查理亚距离描述粒子与目标颜色模型的相似性,作为粒子更新权值的有力依据．目标颜色模型的合理建立使得算法的粒子需求量少,计算复杂度降低,利于实现实时跟踪．试验结果验证了该算法的有效性和实用性。     

基于多信息融合自适应粒子滤波的目标跟踪算法

粒子滤波是一种可在非线性和非高斯情况下进行状态估计的有效方法,基于单特征粒子滤波跟踪算法在目标跟踪中的应用及存在的不足,针对颜色信息在光照变化和相似背景务件下存在的缺点,为了仍能对目标进行有效地跟踪,加入纹理信息来表示目标,并给出基于目标的颜色特征和纹理特征多信息融合的自适应粒子滤波算法,使用三种量测模型并给出具体的算法和实验结果,实验证明此方法与仅基于颜色粒子滤波跟踪方法相比,在计算量增加不多的情况下大大改善了跟踪的性能和鲁棒性.     

基于粒子滤波和在线训练支持向量机的目标跟踪新方法

序列图像中运动目标跟踪的有效性和鲁棒性是一个非常富有挑战性的课题。为提高在运动背景条件下视觉目标跟踪的性能,克服复杂环境对跟踪算法准确性的影响,提出了一种基于粒子滤波和在线训练支持向量机的目标跟踪新方法。从目标的特征描述和提取着手,引入了积分直方图快速提取特征的方法,加快粒子滤波器运行速度,满足一定的实时性要求。同时,分析了运动背景条件下具有代表性的跟踪算法的本质和特性,结合目标识别创新性地提出在线训练支持向量机的方法,通过在线识别信息和跟踪信息的融合保证算法具备较强的鲁棒性。实验结果表明,该算法能有效的解决动态背景条件下遮挡、光照变化和运动模糊等复杂情况下,对目标进行准确、有效、近乎实时的跟踪。     

基于粒子滤波和多特征融合的目标跟踪算法

为了克服单纯基于颜色特征的跟踪方法在复杂环境下易导致跟踪失败的缺点,提出了将颜色和结构信息相结合的跟踪方法.利用基于HSV颜色空间的加权颜色直方图表示目标的颜色模型,利用目标的灰度图像建立结构模型,并将两者融合于粒子滤波的框架中,结合的纽带就是粒子权值的计算,同时自适应的调整颜色和结构信息的融合系数.实验表明,该算法的稳定性较高,同时提高了跟踪的精度.     

利用颜色的非刚性物体跟踪方法

提出了一个利用颜色特征实时跟踪非刚性物体的方法.首先.建立了一个颜色分布模型,该模型对部分遮挡具鲁棒性,对放缩和旋转具不变性,且计算简单.对非刚体物体的实时鲁棒跟踪是一个非常有挑战性的课题,本文提出了利用颜色特征实时跟踪非刚体物体的方法.首先,建立了一个颜色分布模型,该模型对部分遮挡具有鲁棒性,对放缩具有不变性,而且计算简单.然后,采用粒子滤波的方法将颜色分布模型集成到一个动态状态估计的概率框架中.为了处理光照变化等引起的外貌变化,进一步引入自适应模型更新过程.同时,本文还讨论了初始化策略用以处理跟踪物体的消失或消失后再出现的情况.     

基于动态贝叶斯网络的多特征目标跟踪

通过将动态贝叶斯网络模型应用到人体目标跟踪中,提出了一种多特征融合跟踪算法。该方法基于动态贝叶斯网络建立状态模型,分别针对形变、遮挡、有干扰三种情况提取运动中人体的颜色和梯度特征,利用粒子滤波方法对颜色特征和梯度特征进行融合。实验表明,提出的多特征跟踪算法能较好地解决复杂环境下的目标跟踪问题,相比传统的利用单一目标特征的跟踪算法具有更好的鲁棒性和准确性。     

基于时间序列模型的粒子滤波行人跟踪算法研究

针对行人运动的随机性导致运动状态模型适应性差和人在行走过程中可能发生短时全部或局部遮挡导致行人跟踪算法精度较低的问题,提出基于时间序列模型的粒子滤波行人跟踪算法;建立了行人运动时间序列模型;给出了基于对视频序列初始帧的检测,确定行人的位置、宽高等作为跟踪先验信息的方法;由先验信息计算加权颜色直方图构建初始粒子群分布,并利用时间序列运动模型预测粒子在下一时刻的状态分布,并更新粒子权值;根据有效粒子的个数判断是否进行重采样;最后由所有粒子的加权和估计行人的运动状态;仿真实验表明:文中提出根据行人的运动轨迹时间序列运动模型可使行人的状态估计更准确,预测误差进一步减小,预测精度得到了提高.     

基于改进Bhattacharyya系数的粒子滤波视觉跟踪算法

基于颜色直方图的粒子滤波跟踪通常采用Bhattacharyya系数(B氏系数)衡量目标与候选区域特征模型之间的相似性.分析说明目标内部区域的B氏系数存在大量的峰值,使得粒子滤波跟踪仅能适应目标收缩,无法适应目标的膨胀.为此,提出了一种改进的B氏系数,从理论上分析说明了该系数具有单峰特性,基于该系数的粒子滤波跟踪能同时适应目标收缩和膨胀.分析和实验结果均表明,基于本文提出的改进B氏系数的粒子滤波跟踪对目标快速膨胀和收缩等形变具有较好的鲁棒性和准确性.     

基于自适应特征融合的粒子滤波目标跟踪算法

提出了一种基于自适应特征融合的粒子滤波跟踪算法,用于解决传统的粒子滤波跟踪方法在复杂背景下容易跟踪失败的问题。该算法选取颜色特征和边缘特征来描述目标,并通过粒子滤波进行特征融合,根据可靠性因子调整各特征的权值系数;在跟踪过程中,随着目标自身形变,自适应更新目标模板。实验结果表明,在复杂背景下以及受到遮挡时,本算法能够准确稳健地跟踪目标。     

运动背景下基于粒子滤波的目标跟踪

粒子滤波方法是一种针对非刚性目标运动跟踪的有效工具。运用基于贝叶斯估计的粒子滤波算法,对复杂的运动背景下目标移动进行跟踪。论述了贝叶斯估计理论,推导粒子滤波过程,并将状态粒子决定的区域所对应的色彩直方图用作测量,与目标参考直方图相比较,得出最佳的后验估计。运用窗口粒子平均方法确定目标的坐标,实现跟踪。算法采用单目标以及多目标序列图象进行跟踪实验,并与均值移动(mean-shift)跟踪算法结果进行比较,证明该跟踪算法更为有效。     

一种提高支持向量机性能的特征选择新方法

利用支持向量机进行模式分类时,特征选择是数据预处理的一项重要内容。有效的特征选择在很大程度上影响着分类器的性能。根据样本各特征分量的均值与方差对分类的影响,提出根据分类权值进行特征选择,以提高支持向量机性能的简便方法,制定了两个具体实施方案。在三个常用数据集上进行了仿真实验,结果验证了方法的有效性。     

基于一种改进粒子群算法的SVM参数选取

支持向量机作为一个新兴的数学建模工具已经被广泛地应用到很多工业控制领域中,其良好的泛化能力和预测精度在很大程度上受到其参数选取的影响.根据智能群体进化模式改进粒子群优化算法.利用模糊C均值聚类算法分类粒子群体,并用子群体最优点取代速度更新公式中的个体历史最优点,并利用该算法搜索支持向量机的最优参数组合.对比仿真实验表明:所提优化算法是支持向量机参数选取的有效算法,在非线性函数估计中体现出优良的性能.     

一种改进的夜间行人检测算法

针对夜间动态背景下的行人检测中分割算法受光照条件影响大、误识别多等问题,提出双阈值分割算法和以多目标跟踪为核心的算法框架。新的分割算法解决了行人亮度分布不均时的分割问题,同时在新的框架下可以综合多帧的处理结果进行综合判断,通过将基于支持向量机的识别算法和多目标跟踪算法的融合,降低了系统的计算量,且比一般的系统具有更高的识别率。     

采用PSO和SVM预测大锻坯内部空洞锻合压下率

预测大型锻件内部空洞锻合时的压下率,目前都是局限于有限元数值模拟和一些复杂的数学公式。提出一种新的预测方法,用SVM回归模型预测空洞闭合的临界压下率。选取几个影响空洞闭合的主要因素作为支持向量机的输入特征,用PSO优化SVM的核参数以提高其精度,结合LIB-SVM工具箱,训练出一个SVM模型。该模型可以快速预测锻坯内部空洞锻合临界压下率,将其预测结果与计算机模拟结果相比较,相关系数几乎达到了85%,具有较好的预测性能。     

基于SVM的公安情报自动分类系统的研究与设计

依据公安情报文本中不同位置的词条对区分文本类别的贡献显著不同的特点,引入位置权重系数,改进了经典的文本特征权重计算方法（TF-IDF）,使文本的权重能够更加全面地反映文本的类别信息。根据公安情报分类系统的需求,设计了基于支持向量机（SVM）的公安情报分类系统,该系统不仅能够实现情报文本的自动分类,而且能够保留在情报文本分类的不同阶段语料的特征信息,为情报信息的进一步加工处理提供支持,同时系统中各模块间采用松耦合的方式衔接,提高了系统的适应性和灵活性。通过实验验证了系统设计的合理性和有效性。     

一种更高效的尿沉渣自动识别算法

提出了一种综合支持向量机（Support Vector Machine,SVM）和模板匹配的尿沉渣识别算法。首先根据面积特征将有形成分粗分成大目标类和小目标类,然后对小目标类中的草酸钙结晶以模板匹配法识别,而红、白细胞采用SVM的方法进行分类,最后对大目标类中的上皮细胞和管型则根据其狭长度加以区分。实验表明,该算法在将尿沉渣识别率提高到96.7%的同时还节约了22.4%的识别时间。     

基于中心距离比值的增量支持向量机

研究了支持向量、中心距离比值、边界向量以及增量学习之间的关系,提出了基于中心距离比值的增量支持向量机。与传统方法相比,基于中心距离比值的增量支持向量机有效的利用了中心距离比值,解决了CDRM+SVM的阈值选取问题;且适合于增量学习;从而在保证了支持向量机的分类能力没有受到影响的前提下提高了支持向量机的训练速度。     

基于感兴趣区梯度方向直方图的行人检测

针对以梯度方向直方图作为人体特征的行人检测存在向量维数较大、检测时间较长的问题,提出基于感兴趣区梯度方向直方图的行人检测方法,分别在头部及四肢等重点区域计算梯度方向直方图,有效地减少了向量维数。实验结果表明,该方法在检测率基本不变的情况下提高了检测速度。     

基于改进粒子群算法的支持向量机

对求解含线性约束优化问题的粒子群算法（LPSO）进行了改进,给出了应用其训练支持向量机（SVM）的方法。改进后的算法在基本PSO惯性权重策略的基础上加入了基于种群收敛速度的自适应扰动,能够较好地调整算法的全局与局部搜索能力之间的平衡。对双螺旋问题的分类实验表明本文提出的方法稳定性好,训练出的SVM具有较高的分类正确率。