基于支持矢量机和信任域的目标跟踪算法

从模式分类的角度看待跟踪问题,将SVM(支持矢量机)方法、信任域算法和尺度空间理论相结合,提出了一种能精确描述目标尺寸连续变化的新的序列图像目标跟踪算法。首先使用SVM算法对像素分类,将每一帧输入图像转换成目标概率分布图,目标区域在概率分布图中呈现为灰度块。然后通过检测该图在尺度空间中微分滤波器输出的极值,来决定这些灰度块的尺度。最后使用QP-TR信任域算法在尺度空间里和图像平面内快速搜索概率分布图多尺度规范化Laplacian滤波函数的极值,实现了目标定位并同时决定了其尺度,从而完成了跟踪任务。通过和现有算法的比较以及在大量真实序列图像上的实验表明,该算法不但能够更准确地描述目标的大小,而且显著提高了跟踪算法的精度。     

嵌入尺度可变均值漂移算法的粒子滤波方法

将尺度可变均值漂移算法嵌入到粒子的扩散过程中,引导粒子扩散到后验概率密度函数的高密度区,提出一种嵌入尺度可变均值漂移算法的粒子滤波跟踪方法.利用对数极坐标图像的尺度不变性,在粒子扩散过程中同时进行位置、尺度空间漂移.实验表明,该方法不仅能顺利跟踪非连续尺度变化目标,而且需要更少的粒子数.     

一种尺度和旋转自适应的目标跟踪算法

为了解决目标跟踪中的尺度和旋转问题,提出一种基于尺度不变特征变换(SIFT)和均值漂移的目标跟踪算法.该算法首先检测模板区域和目标区域在尺度空间中的极值点,然后通过拟合三维二次函数精确定位特征点的位置和尺度,接着对目标区域和模板区域的特征点进行匹配,并根据相邻帧之间尺度和角度的连续性,去除误匹配,最后利用正确匹配的特征点中的尺度和角度信息,计算被跟踪目标的尺度和旋转角度.研究结果表明:当被跟踪目标的角度和尺度发生变化时,该算法皆具有较好的跟踪效果.     

基于改进ORB的图像特征点匹配

鉴于ORB算法在特征点匹配时基本不具备尺度不变性,结合SIFT算法思想,提出了改进的ORB算法:SIRB(ORB and SIFT)。首先生成图像的多尺度空间,并在多尺度空间里检测稳定的极值点,使得提取出的特征点具有尺度不变信息;然后使用ORB描述子对特征点进行描述,生成旋转不变性的二进制描述子;最后通过Hamming距离完成对特征点的匹配。实验结果表明,SIRB有效地解决了ORB不具备尺度不变性的缺陷,在图像尺度发生变化时,SIRB算法特征点匹配的平均准确度达到约93.3%,相比于ORB提高了约70.7%;同时SIRB和ORB两种算法的匹配速度大致相当,SIRB保留了原ORB算法的快速优越性,平均匹配速度比SIFT快约63.2倍;将提出的SIRB算法应用到视频目标跟踪系统中,取得了良好的实验效果,具有一定的应用价值。     

一种采用排名机制的分块在线压缩跟踪算法

基于分类学习的目标跟踪在面对环境中光照变化、目标姿态变化以及遮挡等复杂环境下容易出现漂移问题,为此提出一种基于分类器融合的压缩感知目标跟踪算法。使用压缩感知理论分块提取目标压缩特征,根据贝叶斯后验概率对特征进行筛选以构建目标模型,并提出一种二阶段样本搜索方法,通过粗搜索缩小样本的搜索范围,利用基于分类器排名的细搜索方法精确地找到目标的位置。实验表明,该算法与当前主要的算法相比具有较高的跟踪精度,以及良好的鲁棒性和实时性。     

基于变尺度混沌粒子群算法的梯级水电站水库优化调度研究

将混沌和变尺度思想引入粒子群算法中,提出一种变尺度混沌粒子群算法,并将其应用于梯级水电站水库优化调度中.该算法采用混沌初始化粒子的位置和速度;再利用混沌提高了种群的多样性和粒子搜索的遍历性;最后采用变尺度思想,根据搜索进程不断缩小优化变量的搜索空间,来改善PSO算法摆脱局部极值点的能力,提高算法的全局优化能力.计算结果...     

选择性搜索和多深度学习模型融合的目标跟踪

提出一种基于深度学习的多模型(卷积神经网络和卷积深信度网络)融合目标跟踪算法.该算法在提取候选粒子方面,使用选择性搜索和粒子滤波的方法.CVPR2013跟踪评价指标(50个视频序列、30个跟踪算法)验证了:该算法在跟踪中能有效地缓解目标物体由于遮挡、光照变化和尺度变化等因素造成的跟踪丢失情况的发生.     

融合速度特征的压缩感知目标跟踪算法

现有基于快速压缩感知的目标跟踪算法采用固定尺寸的搜索框搜索目标,当遇到目标快速移动时容易超出算法的搜索范围,导致跟踪失败.为解决此问题,提出加入目标位移速度特征的快速压缩感知跟踪算法使得搜索目标的范围自适应变化.新方法的思路是首先利用目标在帧间的位移表示出目标的位移速度,然后将当前帧内的目标位移速度与前几帧的平均速度相比较,再根据目标位移速度变化自适应改变搜索范围,即当目标运动速度保持稳定则保持搜索框尺寸,目标运动速度加快则增大搜索框尺寸,目标运动速度变慢则缩小搜索框尺寸,以适应目标移动速度的变化.在目标快速移动的视频集上的实验结果显示,新方法自适应地改变搜索范围,一直都能跟踪到目标,特别是当现有的压缩感知跟踪算法丢失目标时,新方法仍能比较好地跟踪到目标.     

结合特征点匹配的在线目标跟踪算法

提出一种结合特征点匹配的目标跟踪算法.首先,通过显著区域跟踪方法,解决算法对初始化目标框大小敏感的问题,提高样本选取质量,并降低背景杂波对跟踪器的影响.其次,采用中值流法跟踪和特征点匹配相结合的方法估计目标的尺度变化,并通过层级聚类方法剔除干扰点,解决跟踪器漂移及目标平面旋转跟踪失败等问题.最后,提出一种简单的检测器自适应尺度快速搜索目标方法加快检测速度.结果表明:所提方法有效地提高了TLD目标跟踪算法的跟踪鲁棒性,并在标准数据集上得到了很好的效果.     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

基于压缩感知的在线多示例学习目标追踪

近年来提出的多示例学习算法在一定程度上能够克服模板漂移问题。然而,在线学习需要获取足够多的有用数据才能达到稳定的追踪效果,但是这却增加了算法的复杂度。为了解决这一问题,在压缩感知理论的基础上,运用随机观测的方法对多尺度图像特征进行降维,提取的这些低维特征中包含大量的有用信息。因此,我们提出的算法是先利用压缩感知理论提取目标特征之后,再使用在线多示例学习算法分类器对这些特征进行分类从而实现目标的稳定跟踪。通过对不同的图像序列进行实验,结果表明基于压缩感知的在线多示例学习算法对实时的目标追踪有很好的适应性。     

基于改进RFBNet算法的遥感图像目标检测

针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷, 导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题, 为提高对遥感图像中小目标的检测能力, 提出一种基于RFBNet的改进算法. 该算法以RFBNet为框架, 首先利用自校正卷积取代特征提取网络中的常规卷积, 以扩展感受野丰富输出, 进而强化对弱特征的提取能力; 然后设计多尺度特征融合模块, 丰富浅层特征图的抽象信息; 最后设计稠密预测模块, 提前在较浅层整合上下文信息, 使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息. 将该算法在数据集UCAS_AOD和NWPU VHR-10上进行实验, 平均检测精度分别达83.4%和94.8%. 实验结果表明, 该算法有效提高了遥感图像中目标检测的精度, 且针对遥感图像中的小尺度目标检测问题改善明显.     

相机运动状态下的实时运动目标跟踪算法

提出了一种相机运动状态下的实时运动目标跟踪算法。根据运动目标对光流结果的影响对特征点进行筛选;利用光流法对相机的全局运动进行估计;根据全局运动估计的结果对粒子滤波的运动方程进行修正,选取颜色直方图作为目标的特征模型,实现对移动目标的跟踪。实验结果表明,在相机运动的状态下,能够准确快速跟踪运动目标,可以达到实时性要求,具有非常好的鲁棒性。     

序列全景图像的特征提取与匹配

为了提高SLAM系统特征提取和匹配的稳定性,文章提出了在全景展开图像的多尺度空间上提取特征的方法.该方法首先对全景图像进行基于虚拟柱面的展开和矫正,然后在此基础上为展开图像建立多尺度空间,最后在多尺度空间内通过Harris特征跟踪器来选择候选特征点,并用Laplace公式选择出在尺度空间范围内具有局部最大值的特征点.这些特征点具有尺度、旋转和光照不变性,并且在有限视角变化下也能保持稳定性.实验证明,这种方法比在未展开图像或展开图像的单尺度空间内提取特征更具稳定性.     

基于粒子群算法的多尺度反卷积特征融合的道路提取

研究基于传统FCN算法下的不同比例的多尺度特征融合对于复杂场景下道路提取准确度的提高.针对复杂的航拍道路场景,设计了针对于农田环境下的FROBIT农田道路数据集,并使用全卷积神经网络（FCN）对FROBIT农田道路数据集和Massachusetts城市道路数据集进行道路提取工作.本文基于传统的FCN的网络,对其反卷积方式进行改进,采用粒子群算法（PSO）设计了不同比例的多尺度特征融合.通过将本文提出的Multi-Scale FCN网络与传统的FCN神经网络在FROBIT数据集和Massachusetts道路数据集上进行对比实验,结果表明Multi-Scale FCN网络相比于传统的FCN神经网络在提取精度上得到了提高.      

基于特征融合的改进粒子滤波目标跟踪算法

针对复杂背景下单一的颜色特征不能准确跟踪目标的问题,提出了一种改进的目标跟踪算法。该算法利用跟踪目标的颜色特征和运动边缘特征来表示目标。在粒子滤波的框架下融合特征信息从而进行目标跟踪,能够有效地避免单一颜色特征在跟踪过程中受到相似背景、遮挡等问题的干扰。通过与基于单一颜色特征跟踪实验误差数据的分析,实验结果表明该算法在复杂背景以及目标遮挡等情况下能达到较好的目标跟踪效果,实现目标的准确跟踪。     

基于多分辨率光流和多尺度角点的运动车辆跟踪

针对稀疏光流LK(Lucas-Kanade)算法不能稳定跟踪快速移动目标的局限性,提出了基于小波金字塔的多分辨率光流跟踪算法.算法基于多分辨率思想对原始稀疏光流进行了改进,从而实现了准确跟踪快速移动目标.在特征提取方面,提出了多尺度Harris角点检测方法,较好地解决了传统Harris方法的漏检和角点分布不均匀的缺陷,适合复杂交通场景中运动车辆特征提取.实验表明,当运动车辆旋转、移动以及摄像机变焦时,角点始终稳定可靠,并且跟踪算法能够快速、准确地匹配特征角点,实现了复杂交通场景下对运动车辆目标的实时稳定跟踪.     

基于视觉显著性和特征点匹配增强的 运动目标跟踪框架

为了解决主流目标跟踪算法在目标遮挡、快速位移和光照变化等不利条件下易发生跟踪不稳定的问题,提出一种视觉显著性和特征点匹配增强的目标跟踪框架,当瞬时跟踪结果经判别达到SURF特征点匹配阈值时,触发跟踪增强机制,提取图像的时域、频域和空域显著性得到综合的显著图,然后执行邻近匹配策略搜索显著图各显著区域以找到目标最可能的存在区域.本文框架是在传统跟踪方法的基础上加入了独立的增强机制,因此并不局限于某一种特定跟踪方法,具有良好的可扩充性和通用性.实验结果表明,该框架能有效克服多种不利因素的带来的干扰,可实现复杂背景下目标的准确跟踪.     

基于压缩感知的实时在线目标追踪

在正负样本区域随机抽取了不同尺度下图像的局部二值模式(LBP)特征,将高维的特征信息投射到低秩的压缩域,并据此建立了表观模型.使用一个随机稀疏测量矩阵来压缩前景和背景目标.将追踪问题转化成为了一个使用朴素贝叶斯分类器的二元分类问题.所提方法可以较快速、实时地在线追踪目标,同时解决了目标尺度变化、遮挡问题.     

基于极线约束SIFT特征和粒子滤波的目标跟踪算法

针对采用颜色或边缘等特征的目标跟踪算法所存在的跟踪效果不稳定的问题,提出了一种基于极线约束尺度不变特征变换(SIFT)和粒子滤波的目标跟踪方法.该方法采用SIFT特征向量构建目标模型,引入极线约束改善目标匹配精度,采用粒子滤波算法获得SIFT特征向量的候选目标模型,利用似然函数计算目标模型与候选目标模型间的相似性.实验结果表明,该方法可解决目标与背景颜色相似时的跟踪失败问题,且对目标外形与位姿发生变化具有较好的适应能力.