Probabilistic Tracking of Objects with Adaptive Cue Fusion Mechanism

A tracking method based on adaptive multiple cue fusion mechanism was presented,where particle filter is used to integrate color and edge cues.The fusion mechanism assigns different weights to two cues according to their importance,thus improving the robustness and reliability of the tracking algorithm.Moreover,a multi-part color model is also invoked to deal with the confliction among similar objects.The experimental results on two real image sequences show the tracking algorithm with adaptive fusion mechanism performs well in the presence of complex scenarios such as head rotation,scale change and multiple person occlusions.

高低显著性互补特征引导的跨模态行人重识别

在跨模态行人重识别(VI-ReID)任务中,有效挖掘行人图像中的显著信息并缓解模态间存在的差异是提升模型性能的关键。现有工作主要采用基于注意力的方法来增强模型对行人身体上的鉴别特征的学习。但这种方法仅关注行人最显著的区域,而忽略了行人图像中互补的次关键线索。提出了显著性互补特征指导网络(SCFG-Net)。设计了互补特征显著挖掘(CFSM)模块,用于推理出具有全局信息的行人图像的显著特征和被注意力忽略的次关键线索,并将这些特征进行融合,以提高行人图像特征的丰富性和鉴别性。还设计了跨模态判别特征融合(CDFF)模块,用于缓解模态间的颜色差异。实验结果表明,所提出的方法在两个公开数据集上取得了显著的性能提升。在SYSU-MM01数据集的全搜索单镜头模式下,Rank-1和mAP分别达到了74.4%和70.8%。

基于多特征自适应融合的核跟踪方法

提出了一种基于多特征自适应融合的核跟踪框架.利用目标特征的子模型集合构造了目标的多特征描述,通过线性加权方法将目标的多个特征集成在核跟踪方法中.根据各个特征子模型与当前目标及背景的相似性,提出了一种基于Fisher可分性度量的权值自适应更新机制;同时为了克服模型更新过程中的漂移,基于子模型的可分性提出了一种选择性更新策略,实现了在变化场景下的鲁棒跟踪.基于本文所提多特征跟踪框架,利用目标的颜色特征与LBP(Local binary pattern)纹理特征具体实现了多特征自适应融合的核跟踪方法,实验验证了本文方法的有效性.

基于融合策略自适应的多线索跟踪方法

基于多线索融合的跟踪是跟踪领域近年来的研究热点之一,该文结合两种常用的线索融合方式:乘性融合及加权和融合,提出一种融合策略自适应的鲁棒跟踪方法。该方法使用粒子滤波技术,统计样本的二阶中心矩并求Frobenius范数以表征线索的受噪声污染程度,最后适时切换两种融合策略。实践证明,新的融合策略比传统单一的融合方式更鲁棒。

基于多特征融合的分块采样粒子滤波算法在人体姿态跟踪中的应用

针对单目视频中无标记点的人体姿态跟踪问题,在分块采样粒子滤波算法框架下使用颜色(color)、边缘(edge)和运动(motion)特征相融合构造粒子权值度量函数,并根据肢体间的遮挡情况自适应地选择不同模板和图像特征来进行计算,增加了跟踪过程的鲁棒性,而且成功解决了人体运动中发生的多种形式的自遮挡问题.另外,该方法还提出了一种带约束的2维人体模型,并在此模型基础上使用一种改进的BP算法进行权值的传播,使得在一个关节点上能够同时应用多个人体约束.实验中所用测试视频(室内和室外拍摄)包含复杂背景和运动,实验结果表明该方法具有较强的鲁棒性和较高的跟踪精度.

基于多测量融合的粒子滤波跟踪算法

复杂背景下运动目标的可靠跟踪,是计算机视觉领域中一个极具挑战性的问题。提出了一种融合颜色和纹理信息的粒子滤波跟踪算法,在粒子滤波的测量阶段,使用颜色直方图对目标进行颜色描述,用梯度方向向量对目标进行纹理描述。对这两种信息,分别用Bhattacharyya系数和欧几里德距离比较粒子与参考模板的相似性。为解决目标变化和遮挡问题,采用了模板更新策略。实验结果表明该方法是稳健的,能够在复杂的背景下对运动目标进行有效、可靠的跟踪。

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络（PNN）实现了对图像序列中移动目标——人头的跟踪．由于采用单一特征信息的跟踪算法在复杂环境中往往失效，故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据，并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正．实验结果表明，基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果，且具有简单、跟踪鲁棒性好等特点．

基于序贯蒙特卡罗的多线索目标跟踪算法

颜色直方图对噪声和部分遮挡不敏感,当背景颜色与目标颜色相近时,会影响跟踪效果。本文提出一种有效的基于多线索融合的序贯蒙特卡罗图像序列跟踪方法,采用颜色直方图和边缘直方图与序贯蒙特卡罗算法结合起来进行视频跟踪。颜色直方图和边缘直方图一起构建目标观测似然函数。在序贯蒙特卡罗方法的框架下,采用观测模型函数获取图像序列中目标位置的后验概率分布。实验结果表明,结合图像颜色与边缘特征,在序贯蒙特卡罗的框架下可以取得更为有效和稳健的跟踪效果。

基于模糊逻辑的多特征融合的粒子滤波跟踪算法

传统粒子滤波跟踪方法采用单一的特征信息,存在跟踪精度低、鲁棒性弱的缺点,为此提出了一种基于模糊逻辑的融合颜色和局部二值模式(LBP)的粒子滤波跟踪方法,提高了目标跟踪的精度。提取出能够表征目标的局部二值模式和基于核函数的加权颜色直方图2种信息;并利用模糊逻辑的方法对2种特征进行有效的自适应融合。试验表明,作者提出的算法在复杂环境下能够进行有效的跟踪,具有较强的鲁棒性和准确性。

基于光场成像的多线索融合深度估计方法

在计算机视觉领域,传统的深度估计方法通常基于单个或多个摄像机拍摄的二维图像实现,忽略了光线的方向信息,获取的深度图精确性较差.以Raytrix、Lytro光场相机为代表的新型计算成像设备,能够在一次曝光中同时获取光辐射的空间分布及方向信息,为基于图像的深度估计提供了更多几何依据和线索.近年来,结合微透镜光场相机成像模型的多深度线索融合思想,成为探求深度估计问题的新导向.与基于单一深度线索的深度估计方法相比,当前的多线索融合方法取得了更准确的深度估计效果,然而,尚不能保持对噪声和遮挡的鲁棒性.为此,本文基于光场成像几何提出了一种考虑遮挡并对噪声鲁棒的多线索融合深度估计方法.首先,在借鉴人类视觉多线索优势差异的研究成果基础上,选择对噪声不敏感的聚焦线索和准确度较高的对应线索作为深度估计的依据;接着,针对微透镜光场相机成像模型,剖析聚焦、对应两种深度线索的几何特性,阐明了焦点堆栈轮廓曲线的局部对称性以及EPI图像上直线斜率与深度的比例关系,进一步分析并证明了存在遮挡的情况下,分别由焦点堆栈和中心子孔径图像生成的两类轮廓曲线之间仍存在一致性;随后,基于这些几何特性,构建了考虑遮挡和噪声影响的度量标准;然后,建模深度估计为多标签优化问题,将度量标准构造成最小化能量函数,以图割法求解得最优深度估计.在实验环节,本文首先对模型参数做Ablation分析:单独考虑对称性、一致性、对应线索的其中之一,或组合考虑两种或全部分别进行实验,结果表明综合考虑多种性质时本文方法效果最好.另外,分别在合成光场数据集和真实场景光场数据集上测试本文及相关文献的深度估计方法,实验结果表明本文深度估计方法准确度较高,对遮挡边缘的细节处理有效,且能够保持对噪声的鲁棒性.

一种鲁棒的多特征融合目标跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种新的多特征融合目标跟踪算法,该算法将目标的颜色、纹理、边缘、运动特征统一使用直方图模型进行描述,以降低算法受目标形变和部分遮挡的影响,在Auxiliary粒子滤波框架内将所有特征观测进行概率融合,以突出状态后验分布中目标真实状态对应的峰值,从而有效避免了复杂背景的干扰,并给出了一种有效的融合系数计算方法,使融合结果更加准确可靠。实验结果表明,该算法能同时处理刚性与非刚性目标的跟踪,较单一特征的跟踪算法具有明显的优势,对复杂背景下的跟踪具有较高的鲁棒性。与现有多特征融合算法的比较也证明了本文算法的有效性。

基于多线索融合的抗遮挡目标跟踪算法

根据多线索融合的思想,提出了一种鲁棒的抗遮挡目标跟踪算法.采用基于核密度椭圆的二值形状模板和颜色直方图模板作为跟踪线索,引入目标可视度来评价目标遮挡时颜色线索和形状线索的可信度,自适应地融合两者的信息得到最终观测模型,在粒子滤波器的框架下对目标进行跟踪.实验结果表明,在遮挡情况下,本文算法比传统的基于单一线索的算法有更好的鲁棒性.

基于图像特征分析的物体轮廓提取

对物体的轮廓进行分析提取,是计算机视觉方向的基础问题之一,对其进行研究对于复杂场景的分析理解至关重要。本文对室内场景图像进行研究,基于图像特征进行图像分割,提取物体轮廓。在彩色场景图像全局轮廓后验边界概率(g Pb)提取算法的基础上,加入深度图像信息,对室内场景的彩色、深度(RGB-D)图像中的物体轮廓进行分析。通过多尺度信息融合,计算得到多尺度轮廓后验概率(m Pb)和谱后验概率(s Pb),两后验概率加权综合得到g Pb。而后结合超度量轮廓图与分水岭算法,对基于方向特征变化的g Pb图像融合处理,最终得到清晰的物体轮廓。本文所提方法在通用的RGB-D数据库基础上进行实验。实验结果表明,本文所提出的方法能提取出清晰的室内物体轮廓图。

基于多线索融合的目标跟踪算法及其在DM3730上的实现

研究了一种基于多线索融合的目标跟踪算法并在TIDM3730上实现。该算法结合在线AdaBoost和颜色目标跟踪算法,选用Haar小波和核颜色直方图两种特征类型,利用粒子的状态散度矩阵的行列式对这两种不同类型的特征进行融合,实现了对所选定目标的鲁棒跟踪。分析及实验结果表明,与传统的基于单一特征的目标跟踪方法相比,本算法融合了两种不同类型特征的互补性,在具有挑战性的复杂环境下,例如目标遮挡,旋转以及光照变化等,都有更好的跟踪效果。

面向人体运动视觉跟踪的多线索融合算法

为了跟踪人体的运动轨迹,结合人体运动图像的颜色特征、预测目标位置特征和运动连续性特征,提出一种面向视觉跟踪的多线索融合算法.该算法采用连续自适应均值漂移技术,其中,颜色特征采用色调和饱和度特征、红色信道特征、绿色信道特征以及蓝色信道特征,对于遮挡和位姿的改变实现了较好的鲁棒性;预测目标位置特征利用帧差技术实现;运动连续性特征根据帧间连续性完成.实验结果表明,文中算法比单一线索的算法更加鲁棒,取得了比协作均值漂移跟踪算法更好的跟踪效果,并可以处理目标被部分遮挡、目标环境的颜色饱和度较低等情况.

非重叠多摄像机目标识别方法研究

多摄像机间的目标识别是非重叠多摄像机监控系统中目标持续跟踪的关键。提出一种只依赖于目标外观模型,不依赖于目标的捕获时间和路径限制的目标识别方法。通过提取三个互补的特征建立目标外观模型,这些特征包括全局色彩特征、局部颜色和梯度特征以及全局纹理特征,并通过多特征融合实现目标识别。所提出的方法不仅能用于单幅图像的目标识别,也能用于视频或图像序列的目标识别。通过基于VIPeR数据库和ETHZ数据库实验得到的累计匹配特征(CMC)曲线表明所提出的算法对视角、姿态、遮挡和光照的变化具有一定的鲁棒性,能够达到较高的识别率。

基于数据融合的居民区建筑物重建方法研究

针对美国新奥尔良地区稀疏的LiDAR(Light Detecting and Ranging)点云数据,提出了一种基于LiDAR数据和卫星图像进行融合的居民区建筑物重建方法.该方法利用LiDAR数据点集的边界来定位卫星图像上的感兴趣区域,利用从感兴趣区域中提取的关键提示线来实现屋顶的分割,从而得到属于每个建筑物的屋顶点.然后,基于三角面片的法向量方向信息对其进行聚类,根据法向量之间的关系进行屋顶类型识别,从而实现居民区建筑物的重建.实验表明,该方法在进行居民区建筑物重建时,能达到较高的重建率,且重建所需时间合理,能够满足虚拟现实系统的需要.

基于多线索融合的目标跟踪算法研究

目标跟踪是计算机视觉领域一项核心技术,通用的目标跟踪算法以单线索或简单融合多个线索为主,当背影突然改变时,单一线索或多个线索的简单融合便难以跟踪成功。针对这个问题,在粒子滤波的框架下提出了自适应融合颜色线索和角点线索的跟踪方法,通过判断各个线索的可信程度,自适应给不同线索分配不同的权重,很好地解决了在复杂背景、互相遮挡情况下的跟踪问题。实验证明,采用的自适应多线索融合方法在实际应用中有更强的鲁棒性。

一种新型多特征融合粒子滤波视觉跟踪算法

针对单一视觉信息在动态变化环境下描述目标不够充分、跟踪目标不够稳定的缺点,提出了一种基于粒子滤波框架的新型多特征融合的视觉跟踪算法。采用颜色和形状信息来描述运动模型,通过民主合成策略将两种信息融合在一起,使得跟踪算法能根据当前跟踪形势自适应调整两种信息的权重以期达到最佳的最大似然比,实现信息间的优势互补。在设计粒子滤波跟踪算法时,利用自适应信息融合策略构建似然模型,提高了粒子滤波跟踪算法在复杂场景下的稳健性。实验结果表明,多特征融合跟踪算法不仅能准确、高效地跟踪目标,而且对光照、姿态变化引起的目标表观变化具有良好的鲁棒性。

基于多模式多特征融合粒子滤波视频目标跟踪

本文研究了目标的多特征融合跟踪问题.提出了衡量各特征质量的标量方法,利用粒子权值平方和来表示各特征信息的粒子退化程度,并以此值作为各特征信息质量状况的衡量.该方法能根据跟踪的实际情况判定各分信息粒子质量,并在此基础上提出了多模式融合策略,该策略能依据各分信息的质量变换各融合模式达到跟踪过程中各模式的最优组合.实验结果表明:在对复杂背景视频目标的跟踪中,该算法具有强的鲁棒性,较高的识别精度.