基于改进Haar-like特征的压缩跟踪算法

针对原始算法特征可能出现的特征无法准确表达目标特性的问题,提出一种改进Haar-like特征的压缩跟踪算法。原始算法利用正负样本训练构造分类器,利用分类器对候选样本判定,得到最高分类器响应样本就是目标。进行重采样以更新分类器为下一帧做准备,对出现的问题,使用了一种新的图像特征来表示目标特性,同时加入一系列策略处理样本,去除那些与目标差异较大的样本,并进行仿真。仿真结果表明:该算法不仅提高了分类器对于正负样本的判别性,也降低了算法的计算复杂度,提高了算法的实时性。

基于在线特征选择的实时压缩跟踪

针对原始压缩跟踪算法无法自适应选择特征易导致目标丢失或者漂移这一现象,提出一种基于在线选择特征的实时压缩跟踪算法。首先,在初始化阶段生成两个互补的投影矩阵,利用该投影矩阵提取特征构造候选特征池。然后,通过特征置信度度量策略实时从候选特征池中选择置信度较高的特征,并融合所选特征对应的置信度构造分类器。最后,利用该分类器对候选样本做二元分类处理,获得最高分类器响应值的样本作为最后跟踪结果;而上一帧跟踪结果用来在线更新特征池和分类器为后续跟踪做准备。本算法在多个公共测试视频序列与原始压缩跟踪算法进行了对比,结果表明其跟踪精度和鲁棒性方面得到了改善,对于320pixel×240pixel大小的视频平均处理帧速为25frame/s,满足实时跟踪要求。

一种基于算法融合的运动目标跟踪算法

视频目标跟踪的重点和难点在于如何快速、准确的匹配目标。针对复杂背景下,单一模式的跟踪算法不能准确跟踪目标的问题,提出了一种基于算法融合的运动目标跟踪方法。该算法综合运用去均值相关跟踪算法(normalized cross correlation,NCC)和均值漂移算法(MeanShift)2种基本模式对输入输入视频进行处理,结果送入Kalman滤波器进行滤波与预测,最后根据最小总均方误差准则进行自适应融合。试验证明,该算法能够较好地实现复杂场景条件下的目标跟踪,提高了跟踪的鲁棒性。

基于二维熵的空中小目标跟踪研究

二维熵是图像分割技术中的一种重要方法。结合空中小目标的特点将二维熵阈值算法应用于空中小目标图像序列中,并求取质心进行跟踪。重新定义了传统二维熵中二维直方图的双轴,并加以讨论。同时用泰勒一阶展开求取公式的近似表达,消除原始算法中大量的对数计算,加快了运行的速度。仿真实验表明,该方法可以有效的跟踪空中运动目标,在工程实际中具有很好的应用价值。

一种改进的快速目标检测算法

提出一种基于视频序列的快速目标检测方法,通过ViBe(visual background extractor)算法对背景像素进行建模。利用视频第1帧完成背景模型的建立,采用无记忆更新方式更新背景模型像素,以此来消除"鬼影",并基于图像形态学和YUV彩色空间来消除阴影对目标检测的干扰,标记出目标。在此基础上,利用图像形态学处理技术对原算法进行改进,并通过实验进行对比,验证了算法的可行性。

基于贝叶斯框架的显著目标检测

图像和视频显著性检测在计算机视觉领域引起了极大的关注,广泛应用于物体分割、可疑物检测、图像检索等领域,在贝叶斯框架下,将人类视觉注意力理论中Bottom-Up模式被动感知与Top-Down模式主动检测按照时间先后顺序结合在一起,并结合像素的"Center-Surround"模型和核密度估计,提出一种能由粗到精逐步感知和获取视场中视觉显著性目标位置及尺度的实时显著目标检测算法,称其为基于贝叶斯框架的显著目标检测.通过在微软MSRA数据集上进行ROC和Precision-Recall测试,证明该算法取得比目前经典算法更好的效果.