采用图像感知哈希的TLD改进算法

为了提高长时间视觉目标跟踪的鲁棒性,提出了一种基于图像感知哈希的TLD改进算法。在改进算法中,跟踪模块使用尺度自适应的KCF跟踪器,检测模块对每个检测窗口提取感知哈希特征,并引入量子遗传算法作为搜索策略加快检测速度。对文中算法在OTB2013的50组视频序列上进行了测试,实验结果表明:其跟踪精度与成功率分别达到了0.784和0.568,较TLD算法分别提高了18.7%和14.2%。并且在处理光照变化、遮挡及目标分辨率低等问题时,文中算法在多数情况下取得了优于参考算法的跟踪性能,表现出良好的跟踪鲁棒性。

基于SSD的改进目标精定位检测算法

目标检测问题是计算机视觉中的热门问题,如何提高目标检测定位精度是检测过程中面临的一个难题。在SSD算法的基础上,通过结合选择性搜索算法,提出了一种提高检测定位精度的方法。该算法首先通过SSD算法框架对图像进行目标初始检测,获得目标粗略位置和目标类别,然后采用一种改进的选择性搜索算法对目标所在区域进行选择性搜索,生成目标边界候选框,最后采用文中提出的边界判断方法得到目标精确位置,完成由粗到精(Coarse-to-Fine)的目标定位检测。文中算法对PASCAL VOC2012数据集中的22 531张图像进行了测试,实验结果显示文中算法检测目标中心位置误差7.6,平均覆盖率90.8%,相比于其他算法,中心位置误差更低,覆盖率更高,能提高目标检测定位精度20%～30%。

基于样本质量估计的空间正则化自适应相关滤波视觉跟踪

相关滤波(CF)方法应用于视觉跟踪领域中效果显著,但是由于边界效应的影响,导致跟踪效果受到限制,针对这一问题,该文提出一种基于样本质量估计的正则化自适应的相关滤波视觉跟踪算法。首先,该算法在滤波器的训练过程中加入空间惩罚项,构建目标与背景的颜色及灰度直方图模板并计算样本质量系数,使得空间正则项根据样本质量系数自适应变化,不同质量的样本受到不同程度的惩罚,减小了边界效应对跟踪的影响;其次,通过对样本质量系数的判定,合理优化跟踪结果及模型更新,提高了跟踪的可靠性和准确性。在OTB2013和OTB2015数据平台上的实验数据表明,与近几年主流的跟踪算法相比,该文算法的成功率均为最高,且与空间正则化相关滤波(SRDCF)算法相比分别提高了9.3%和9.9%。

中西方饮食文化差异

饮食文化是任何国家文化的缩影,而且也是跨国交流中不可或缺的一部分。众所周知,中西方饮食文化截然不同,包括观念,烹饪方法,就餐礼仪等。我们研究中西饮食文化,目的在于加深了解,消除误会,促进文化交流。

采用核相关滤波的快速TLD视觉目标跟踪

目的如何对目标进行快速鲁棒的跟踪一直是计算机视觉的重要研究方向之一,TLD(tracking-learningdetection)算法为这一问题提供了一种有效的解决方法,为了进一步提高TLD算法的跟踪性能,从两个方面对其进行了改进。方法首先在跟踪模块采用尺度自适应的核相关滤波器(KCF)作为跟踪器,考虑到跟踪模块与检测模块相互独立,本文算法使用检测模块对跟踪模块结果的准确性进行判断,并根据判断结果对KCF滤波器模板进行有选择地更新;然后在检测模块,运用光流法对目标位置进行初步预测,依据预测结果动态调整目标检测区域后,再使用分类器对目标进行精确定位。结果为了验证本文算法的优越性,对其进行了两组实验,实验1在OTB2013和Temple Color128这两个平台上对本文算法进行了跟踪性能的测试,其结果表明本文算法在OTB2013上的跟踪精度和成功率分别为0. 761和0. 559,在Temple Color128上的跟踪精度和成功率分别为0. 678和0. 481,且在所有测试视频上的平均跟踪速度达到了27. 92帧/s;实验2将本文算法与其他3种改进算法在随机选取的8组视频上进行了跟踪测试与对比分析,实验结果表明,本文算法具有最小的中心位置误差14. 01、最大的重叠率72. 2%以及最快的跟踪速度26. 23帧/s,展现出良好的跟踪性能。结论本文算法使用KCF跟踪器,提高了算法对遮挡、光照变化和运动模糊等场景的适应能力,使用光流法缩小检测区域,提高了算法的跟踪速度。实验结果表明,本文算法在多数情况下均取得优于参考算法的跟踪性能,在对目标进行长时间跟踪时表现出良好的跟踪鲁棒性。

基于核相关的尺度自适应视觉跟踪

针对视觉跟踪中目标尺度变化对准确跟踪的不利影响,提出一种基于核相关的尺度自适应视觉跟踪算法。首先,通过建立核岭回归模型构建二维核相关定位滤波器,采用融合后的多通道特征对滤波器进行训练,提高目标定位的精度;然后,对目标区域进行多尺度采样,样本缩放后提取其特征,并构造为一维特征,以此构建一维核相关尺度滤波器,估计出目标的最佳尺度。在OTB2013平台上的实验结果表明,与8种当前主流的跟踪算法相比,本文算法的跟踪精度和成功率均有优势。在尺度变化条件下,本文算法在快速准确跟踪的同时,较好地实现了对目标尺度的自适应跟踪。