基于改进压缩感知的运动目标跟踪

针对运动目标在被遮挡和目标纹理变化大时会导致跟踪丢失以及跟踪误差大等问题,提出了一种改进的压缩感知（ CS）算法。算法采用设置Sigmoid函数响应阈值,判定是否存在遮挡,以决定是否更新分类器参数,使得目标在遇到较大遮挡时目标模型不会被错误更新;针对特征单一导致跟踪不稳定问题,提出根据设定融合规则进行灰度特征和纹理特征融合的方法,使得两种特征指导跟踪。实验证明：改进后的算法比传统算法跟踪成功率提高了17.84%,平均误差率降低11.59%。     

基于LK光流跟踪法的有效目标点增强跟踪

为了提高基于几何形态的物体跟踪方法的准确率,详细分析了基于几何形态的物体跟踪方法下目标点的正确性,并根据分析的结果 ,在对目标物体采样时选取更容易被跟踪到的目标点,对于跟踪的结果 ,排除由于背景影响产生的无效目标点,从增强有效点和排除无效点这两方面入手,提出了基于LK光流法的有效点增强跟踪算法。实验证明,提出的算法能够更加有效地跟踪物体,尤其是当目标快速运动或者发生形变时,能够有效地减少跟踪目标的中心错误率。     

压缩感知跟踪中的特征选择与目标模型更新

目的 为了增强压缩感知跟踪算法在复杂场景下的性能,本文提出了一种特征选择与目标模型更新的改进跟踪方法。方法 提出的方法包含两方面的改进,一是根据特征的正负类条件概率分布的距离选择能有效区分目标与背景的特征;二是根据当前目标与原始目标的差异自适应更新目标外观模型,使得目标遇到较大遮挡或者姿态频繁改变时目标外观模型不会被错误更新。结果 实验表明,对于十个复杂环境下的经典视频序列,本文提出的基于压缩感知的改进跟踪算法在中心误差、成功率和精确度三个指标上均优于最近三个代表性的跟踪算法。结论 提出的新的特征选择和目标模型更新方法,既增强了压缩感知跟踪算法的鲁棒性,又加快了跟踪速度。     

基于改进压缩跟踪算法的航拍视频目标跟踪系统

针对航拍视频的特性,对经典的压缩跟踪（Compression tracking,CT）算法进行了研究,发现了CT算法在样本采集和分类取样步骤中的不足并进行了相应的改进。采用Kalman滤波器预测目标的运动路径,并将预测结果应用于样本采集,自适应地修改搜索范围。更新了分类器的取样反馈过程,先对分类结果进行判断,评分绝对值低于某一阈值的分类结果不反馈给分类器,有效地保持了分类器的正确性。在改进算法的基础上,开发了基于航拍视频的目标跟踪系统。通过与经典压缩跟踪算法在实际航拍道路视频的测试和对比,验证了本文算法的有效性和实时性。     

压缩感知目标跟踪

视频分析通常在分类或检测等高级任务之前解码并重构视频序列。但是,有时希望只进行视频分析而不暴露敏感信息,例如人员身份。提出了一个能够跟踪目标而不需要重构视频序列的编码方案。根据压缩感知理论,用每帧的少量伪随机投影编码一个视频序列。解码器利用背景消除图像的稀疏性重构前景目标。以粒子滤波器估计的目标位置作为先验知识,可以改进前景目标位置的重构。该编码方案同时具有隐私保护和安全加密功能。     

基于压缩感知的多特征加权目标跟踪算法

针对被跟踪目标运动、纹理或环境变化时, 采用基于压缩感知目标跟踪算法目标易漂移、丢失的问题, 提出了改进的压缩感知目标跟踪算法。通过压缩感知算法提取灰度和纹理特征, 计算特征对样本分类结果并更新特征的权值, 使用加权过的特征寻找目标在下一帧的位置。对不同视频的测试结果表明, 提出的算法在目标运动、纹理或环境变化的情况下跟踪准确, 在目标大小80×120像素时平均帧速为25 fps。与传统的压缩感知跟踪算法和其他跟踪算法相比, 所提出的算法在目标运动、纹理或环境变化时能快速准确地获取跟踪目标, 并具有更强的鲁棒性。     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪.该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,...     

基于特征加权的快速压缩感知跟踪

基于压缩感知的目标跟踪算法具有简单、实时、高效的特点。快速压缩感知目标跟踪算法FCT(Fast Compressive Tracking)生成目标高维特征未考虑不同尺度滤波器生成特征的有效性,目标与候选样本之间的相似性度量仅考虑简单叠加,在目标受到光照、遮挡等外界因素的影响下易使跟踪结果出现偏差。针对这些问题,提出一种基于特征加权的快速压缩感知跟踪算法。该算法根据滤波器尺度,自适应地分配权值,生成目标高维特征。算法将候选样本各维压缩特征分类为目标压缩特征的可能性与贝叶斯分类器输出相乘,作为目标与候选样本之间的相似性度量。实验结果表明,提出的方法在目标受到光照、遮挡等外界因素的影响下具有更强的鲁棒性。     

基于自适应特征融合的压缩感知跟踪算法

针对运动目标外观或背景变化较大时,采用基于压缩感知的跟踪算法由于特征单一易导致漂移、跟踪不稳定甚至丢失目标等问题,提出了改进的基于自适应特征融合的压缩感知跟踪算法。该算法采用两种随机测量矩阵,分别投影V、H空间得到压缩后的纹理和颜色特征,利用在线计算的特征可靠性相对程度来自适应调整特征加权系数,充分利用两类特征的互补性来增强跟踪稳定性。对不同视频的测试结果表明,提出的方法在目标外观、背景环境变化时仍能准确跟踪目标,在目标大小为70像素×100像素时平均帧率为22帧/s,达到实时性。与提取单一特征的原压缩感知算法相比,改进后的方法在目标外观和背景变化时具有更强的鲁棒性。     

融合光流检测与模板匹配的目标跟踪算法

针对传统的目标跟踪算法需要人工选择目标且不能较好地处理目标的尺度变化问题,提出融合光流检测与模板匹配的目标跟踪算法。首先通过结合光流信息与图像分割结果从视频中自动地检测和提取运动目标,实现基于检测的跟踪;当检测跟踪结果不可靠时,再利用模板匹配定位目标位置,实现基于匹配的跟踪;最后,通过自动更新模板,使得跟踪框能够自适应目标的尺度变化。实验结果表明该算法能够在自适应目标尺度变化的同时获得较为稳定的跟踪结果。与其他三种算法相比,所提方法在目标的自动检测提取与尺度自适应方面具有优势。     

基于关键点及光流的平面物体跟踪算法

为提高复杂场景下基于关键点的平面物体跟踪算法的鲁棒性,提出一种融合光流的平面物体跟踪算法.检测目标物体与输入图像的关键点及其对应描述符,由最近邻匹配方法构建目标与图像间关键点匹配集合,通过光流法构建相邻两张图像间关键点的对应关系,将已构建的关键点匹配集合与基于光流的对应关系通过加权平均的策略进行融合,得出修正的关键点匹...     

基于微分光流和粒子滤波的视频运动目标跟踪

针对传统跟踪方法中存在的背景遮挡问题,提出一种基于微分光流的粒子滤波跟踪方法。该方法建立一个用于描述目标的微分光流模型,该模型在每一帧的跟踪处理之前获得更新。使用光流相似函数计算目标与粒子所表示区域的相似度,通过粒子     

基于特征在线选择的目标压缩跟踪算法

基于压缩感知理论的压缩跟踪算法能够有效地实现对目标的跟踪, 具有良好的实时性, 但该算法对目标特征没有进行在线选择导致跟踪鲁棒性不高. 本文提出一种基于特征在线选择的目标压缩跟踪算法. 首先, 在目标附近采样得到正负样本集合, 计算样本的多尺度矩形特征, 采用压缩感知中的随机投影矩阵对高维特征投影得到低维压缩域特征, 对压缩域特征进行在线选择提取最优特征, 剔除被污染的样本特征, 使用简单高效的朴素贝叶斯分类模型进行样本判断, 实现对目标的跟踪, 同时对跟踪中目标在摄像头中的尺度变化进行建模, 给出目标尺度变化的定量描述, 实现了适应目标尺度变化的多尺度跟踪. 实验结果表明本文算法具有更好的鲁棒性与更高的跟踪精度, 对目标跟踪中的遮挡、光线突变、尺度变化和非刚性形变等因素具有较好的抗干扰能力, 同时算法复杂度低, 可以满足实时性要求.     

基于多特征压缩感知的行人监控系统设计

视频中的目标跟踪技术对于公共场合的安全监控有着重要的意义。提出一种新的基于前景的目标检测和跟踪技术,通过对视频帧进行前景提取和阴影消除,将压缩感知的类haar特征与颜色和纹理特征进行融合,并引入检测反馈,从而更好地进行提高目标跟踪的准确率,克服了单特征压缩感知模型带来的局限性。实验表明了基于前景的多特征目标检测跟踪技术比单特征压缩感知模型的更加准确和更具鲁棒性。     

基于深度信息的压缩感知人脸检测跟踪

传统的压缩感知跟踪是基于彩色视频图像序列中的目标跟踪, 但在跟踪过程中可能会受到光照变化和旋转遮挡因素的影响, 从而导致复杂环境下跟踪结果的鲁棒性不足. 为了获得稳定的跟踪结果, 提出了一种基于深度信息的压缩感知人脸检测跟踪算法. 首先, 根据改进的质心分割算法确定首帧深度图中人脸的跟踪位置. 其次, 根据深度信息计算出深度图中每一点对应的平均曲率并形成平均曲率图. 然后, 基于平均曲率图随机提取压缩特征; 最后, 通过压缩降维, 目标邻域搜索, 迭代更新特征模板, 计算出平均曲率图中下一帧人脸的最优跟踪位置, 实现人脸跟踪. 实验结果表明, 将人脸的深度信息和压缩感知特征相结合在光照变化和旋转遮挡情况下具有很好的鲁棒性, 能更好的实现复杂背景下对多姿态人脸的跟踪.     

基于改进光流算法的机器人目标跟踪系统

基于计算机视觉的机器人运动目标检测与跟踪,就是建立起一种机器人视觉与电机驱动相关联的系统。光流算法在此类系统中有着广泛应用,但是求取所需稠密光流场的运算量过大是其明显的缺点。为减少计算时间,提高跟踪系统响应速度,引入均值平滑算法对传统H-S(Horn和Schunck)光流算法进行改进,并在此改进算法基础上建立起目标跟踪系统。通过此系统,机器人可以根据采集到的图像的光流场变化来检测运动目标,再通过对光流场的奇异值分解,对跟踪系统模型所需参数进行估算,并驱动机器人做出相应动作,保持对目标的跟踪,从而使机器人对周围环境变化做出及时、准确的动作。经过实验证明改进后的光流算法有效的减少了计算时间,增强跟踪系统的实时性能。     

一种基于SIFT特征光流的运动目标跟踪算法

针对传统光流跟踪算法计算复杂度高、受噪声影响大的问题,提出了一种基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)和卡尔曼滤波器的特征点光流跟踪算法。首先,利用SIFT算法提取图像中的特征点;然后,根据最小绝对值误差准则对运动目标的特征点进行匹配,建立卡尔曼滤波器方程来计算特征点光流;最后,通过光流特征聚类实现运动目标的识别与跟踪。实验结果表明,算法对自然场景中的运动目标具有良好的跟踪特性,稳定性好,计算量小,易于实现。     

基于深度学习的光学遥感图像目标检测研究进展

光学遥感图像的目标检测 (Optical remote sensing images object detection, ORSIOD) 是航空和卫星图像分析领域的一个基本但具有挑战性的问题, 近年来受到广泛关注. 本文从如下几个方面介绍了基于深度学习的光学遥感图像目标检测的研究现状. 首先对光学遥感图像目标检测的主要难点进行了介绍, 接着对现有基于深度学习的目标检测算法进行概括, 并以光学遥感图像目标检测的难点为驱动分析对比了不同的基于深度学习的光学遥感图像目标检测方法的优缺点, 最后对未来的发展趋势进行了详细的分析.     

分块快速压缩追踪算法

FCT作为一种新的追踪算法,具有简单、高效、实时的优点,但是该算法依旧存在缺点.在FCT中,由于压缩测量矩阵的稀疏性,忽略了样本的空间信息,使得提取的特征不能准确的表征样本;当追踪错误时没有补救措施.本文提出一种改进的快速压缩追踪算法,该方法充分利用样本图像的空间信息,分块提取样本的Haar-like特征;利用目标运动估计法矫正分类错误时追踪到的目标.通过调整压缩测量矩阵中行向量的稀疏度以及朴素贝叶斯分类器的阈值可以实现目标的准确追踪.实验结果表明,与快速压缩追踪算法(FCT)相比,本文改进后的算法,无论是在追踪相似度、追踪成功率还是主观视觉效果上都有所提高.