基于人眼鼻孔特征的眼动跟踪方法

提出了一种基于人眼鼻孔特征跟踪眼动的算法。首先利用Adaboost的层叠式分类器定位人脸、眼睛和鼻子;然后采用梯度Hough变换检测圆的方法精确定位瞳孔虹膜;最后利用几何方法建立椭圆跟踪模型,实现瞳孔的快速跟踪。实验结果表明,该方法定位眼睛嘴角快速准确,同时对眼睛的跟踪具有较好的鲁棒性和实时性。     

联合多特征的自动CamShift跟踪算法

针对CamShift跟踪算法仅采用颜色作特征,易发生跟踪错误等问题,提出了一种基于特征融合的算法。采用改进的背景差分法自动检测目标,目标模型联合了颜色和梯度方向特征,并对特征的可信度进行加权处理,有效解决了CamShift算法在有颜色相近的干扰目标存在情况下跟踪可能失效的问题。实验表明,该算法提高了跟踪的准确性和稳健性。     

基于CamShift的目标跟踪算法

CamShift是一种应用颜色信息的跟踪算法,在跟踪过程中,CamShift利用目标的颜色直方图模型得到每帧图像的颜色投影图,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,从而得到当前图像中目标的尺寸和中心位置.在CamShift算法基础上对搜索窗口进行简单运动预测,并增加二次搜索方法,提高跟踪的稳定性.实验结果表明,在图像背景复杂且目标不规则运动的情形下,仍能有效地跟踪到目标.     

改进的CamShift无人机目标跟踪算法

目前,无人机视频目标跟踪算法在应用方面仍存在一些问题,比如在光照不均、目标发生旋转、目标被遮挡的情况下跟踪效果不佳。因此,本文提出一种结合HLBP特征匹配与Kalman滤波的CamShift跟踪算法。首先通过HLBP算法对目标特征进行提取,获得更准确的纹理特征,进而减小光照变化以及目标旋转对特征提取造成的干扰,其次通过巴氏距离对目标遮挡程度进行判断,最后结合Kalman滤波算法对目标位置进行预测,能够有效解决目标发生遮挡时跟踪效果不佳的问题。实验结果表明,在无人机目标跟踪的实际应用中,改进算法能够有效降低外在干扰对跟踪效果的影响,跟踪精度得到提升。     

眼动仪与视线跟踪技术综述

文章在回顾视线跟踪技术的研究历程基础上,定义了视线跟踪的基本概念和参数。分析了六种主要视线跟踪技术原理,比较了每种技术的优、缺点。介绍了眼动仪硬件设备的研制和发展状况,对比了几种主要的眼动仪性能。最后,探讨了视线跟踪数据的处理软件和方法,并对视线跟踪技术的应用前景进行总结和展望。     

一种快速的非侵入式眼动跟踪方法

针对眼控人机交互系统对实时性要求较高的特点,提出了一种快速、非侵入式的眼动跟踪方法。首先融合CamShift跟踪算法和AdaBoost型目标检测方法快速地分割出眼睛所在矩形区域;然后在第一帧视频图像中精确定位虹膜并建立虹膜模板;最后通过放大或缩小虹膜模板自适应地在后续各帧视频图像中搜索匹配以预测虹膜位置。虹膜中心相对眼角或鼻孔的位移可用于控制鼠标指针在屏幕上移动。在分辨率为640×480的视频上,取得了32帧/秒的跟踪速度,正确率达到95.5%。实验结果表明方法是有效的,可直接应用于眼控人机交互系统。     

基于深度学习的眼动跟踪数据融合算法

针对传统数据融合算法在多场景下的眼动跟踪数据融合效果较差的问题,提出一种新的基于深度学习的眼动跟踪数据融合算法,即Eye-CNN-BLSTM算法.该算法在原始眼动跟踪数据空间位置信息基础上添加新的人工特征;将卷积神经网络(Convolutional Neural Network,CNN)与双向长短时记忆网络(Bi-di...     

基于改进直方图映射和均值移位目标跟踪算法

提出了一种改进直方图映射和均值移位结合的目标跟踪算法，根据目标模型各成分直方图比例系数建立索引表，索引号为颜色值，索引内容为颜色对应的归一化目标模型直方图，在索引表中查询输入图像颜色值构建反映目标出现概率灰度图；均值移位算法在生成灰度图中快速定位目标位置。对比实验结果表明，改进的直方图映射算法从根本上抑止模型背景干扰，均值移位算法准确定位目标；系统能实时准确跟踪运动目标。     

基于眼动跟踪的视频视觉感兴趣区域提取仿真

海量视频中具有显著特征的区域为感兴趣区域。由于视频图像中普遍存在较多单目标特征,轮廓边缘关联性较强,干扰视觉区域的提取。于是提出基于眼动跟踪的视频视觉感兴趣区域提取方法。提前转换原始视频颜色空间,降低色彩影响程度,检测原始视频边缘,利用形态学闭运算填补视频边缘断裂位置并去噪,通过旋转校正处理得到简单完整的视频图像,利用眼动跟踪处理技术提取纹理特征以及亮度显著图,实现视频视觉感兴趣区域提取。实验结果表明,研究方法能够精准提取出视频视觉感兴趣区域,峰值信噪比最高可达1.5dB,验证了该方法的应用精度和图像质量增益均较高。     

眼动跟踪研究进展与展望

眼动跟踪是指自动检测瞳孔中心位置或者识别三维视线方向及注视点的过程, 被广泛应用于人机交互、智能驾驶、人因工程等. 由于不同场景下的光照变化、个体眼球生理构造差异、遮挡、头部姿态多样等原因, 眼动跟踪的研究目前仍然是一个具有挑战性的热点问题. 针对眼动跟踪领域,首先概述眼动跟踪研究内容, 然后分别论述近年来瞳孔中心检测及视线估计领域的国内外研究进展, 综述目前眼动跟踪主要数据集、评价指标及研究成果, 接着介绍眼动跟踪在人机交互、智能驾驶等领域的应用, 最后对眼动跟踪领域的未来发展趋势进行展望.     

基于Mean-Shift和NMI特征的人眼跟踪*

为了减少姿态和光照变化对跟踪造成偏差,并兼顾到实时应用,提出一种级联的二次定位算法用于人眼跟踪。级联的二次定位算法由Mean-Shift迭代的空间定位和NMI特征识别的尺度定位构成。该算法较传统的人眼跟踪算法对姿态和光照变化有更好地适应性和健壮性。实验结果验证了该方法的有效性。     

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD）目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入ViBe模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。     

基于快速鲁棒特征的CamShift跟踪算法

为了解决CamShift算法由于对颜色敏感导致的跟踪效果变差或失效的问题,提出一种基于局部特征匹配的CamShift跟踪算法。采用快速鲁棒特征(SURF)方法在多通道图像的目标区域和搜索区域提取包含图像信息的局部特征点,并利用近似最近邻搜索对特征点进行匹配;使用提纯后的匹配结果得到特征点的位置、尺度及方向信息,对CamShift方法进行约束和更新,以提高跟踪精度和稳定性。实验结果表明,与经典CamShift算法和同类的改进算法相比,该算法能够较好地实现对复杂背景下旋转和放缩运动目标的实时跟踪。     

一种改进的目标监测与跟踪算法

针对MeanShift算法在目标跟踪过程中因核窗宽不变导致目标尺度变化时定位不精确的问题,提出了融入边缘检测的方法计算目标大小,从而实现自适应调整核窗宽的改进算法。当目标丢失和发生遮挡时,结合Kalman滤波器对下一帧中目标位置进行预测,提出改进的跟踪算法,有效提高了跟踪的准确性和鲁棒性     

二进小波与改进的形态学融合的边缘检测算法

针对小波变换边缘检测算法抗噪能力差、图像边缘不连续等缺点,提出一种将二进小波变换与形态学算子融合的边缘检测算法。利用新构造的二进小波滤波器边缘检测算法对含噪图像进行边缘检测,可以保留较多的边缘细节;利用新设计的多结构抗噪形态学算子对含噪图像进行边缘检测,抑制噪声良好;将两种算法得到的边缘结果按一定规则进行融合,利用Laplace算子锐化融合后的图像,得到最终的边缘检测结果。实验结果表明,该融合算法在抑制噪声的同时显示较多的图像细节,检测的图像边缘连续且准确。     

基于Mean Shift算法视频跟踪研究

为改善Mean Shift算法的跟踪性能,分析了Mean Shift算法跟踪局限性,对Mean Shift算法流程进行了改进.Harris特征角点具有对光照、旋转、部分仿射变化以及噪声干扰具有很好的鲁棒性的特性可解决Mean Shift算法在背景过于复杂时的跟踪失败问题.Surf算法则具有对旋转、尺度缩放、亮度变化保持不变性,检测和匹配速度快等优点,能辅助Mean Shift算法在帧速过快情况下解决跟踪失败问题.提出了融合Harris角点和Surf算法的改进型Mean Shift算法.实验表明改进后的算法改善了Mean Shift算法在背景复杂以及帧速过快情况下的跟踪性能.     

驾驶员眼部疲劳视觉检测算法及其ARM+DSP实现

将ARM+DSP技术应用于驾驶员的疲劳检测,使用S3C2440作为核心处理器,利用TMS320DM642作为视频采集处理模块,详细讨论了硬件平台与接口的设计。提出了一种简单有效的基于眼部特征的疲劳驾驶检测算法,结合单目机器视觉实现了驾驶员眼部睁闭状态的有效判定和疲劳驾驶的实时检测。在沪宁高速南京段的实验结果表明,该算法的实时性与精确性可以满足安全行驶的要求。     

基于改进CAMShift的运动目标跟踪算法

针对视频序列图像目标跟踪中Mean Shift算法提取目标颜色特征易受背景影响的问题,首先选取非线性核密度估计方法用来进行运动目标的检测,然后采用CAMShift方法对检测到的目标进行跟踪,并结合非线性核密度估计的检测结果对目标直方图进行自适应更新。还针对目标的遮挡问题给出解决方法。实验结果表明,引入背景减法与CAMShift相结合的策略,能够实现运动目标的自动跟踪,并实现目标直方图的自适应更新。该算法的可靠性能满足实时检测的要求,较好地解决了光照变化、阴影及遮挡等造成的影响。     

多特征融合的Camshift算法及其进一步改进

基于颜色核的Camshift算法可以有效实现简单场景下的目标跟踪,但在光线变化明显或目标与背景颜色相近的场景下易受干扰。为此,采用颜色、边缘梯度、纹理等多个特征自适应融合的方式改进算法,提高算法应对光线变化的能力;并通过修正特征直方图、设置合理搜索范围对算法进行进一步改进,解决相似背景的干扰问题。实验结果显示,在光照变化明显或目标与背景特征相近的场景中,改进的算法与传统算法相比具有更高的跟踪精度。