一种改进的实时压缩跟踪算法

压缩跟踪算法作为一种新的算法,具有简单、高效、实时的优点,但该算法依然存在缺陷。首先,在复杂背景或有遮挡等情况下,容易较快的引进误差;其次,跟踪窗口保持不变,使得不能正确跟踪目标位置且不能准确更新正负样本;最后,搜索样本数目大,导致跟踪速度不理想。针对这些问题,利用前后帧跟踪点的直方图对比来判断遮挡的发生,并自适应的改变更新系数;采用在原算法最优匹配点周围小范围多尺度搜索更优位置的方法,来适应目标尺寸的变化;引入粗精跟踪策略,在不同阶段使用不同数量的子特征集进行匹配,以筛选样本、减少计算量。这些改进避免了算法缺陷导致的跟踪失败,提高了跟踪效率。实验证明,改进后的算法比原算法具有更好的鲁棒性且跟踪速度更快。

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。

结合特征筛选与二次定位的快速压缩跟踪算法

针对压缩跟踪算法易受遮挡影响和模型更新比较盲目的问题,提出结合特征筛选与二次定位的快速压缩跟踪算法(Fast compressive tracking algorithm combining feature selection with secondary localization,FSSL-CT).首先,对全局区域划分子区域,从中提取压缩特征,根据正、负样本估计出各个压缩特征在正、负类中的分布;然后,使用自适应学习率结合正类更新阈值对分类器模型进行更新;最后,将跟踪分为两个阶段,每个阶段在对应的搜索区域内采集候选样本,并从全部特征中筛选出部分优质特征加权构建分类器,通过分类候选样本最终完成目标跟踪.在8个公共测试序列和4个自制序列中与最近提出的两个代表性算法进行比较,本文算法在大多数测试序列中都具有最高的跟踪成功率和最低的平均中心误差,平均处理速度可以达到3.04毫秒/帧.实验结果表明,本文算法具有更好的抵抗短时遮挡的能力,更高的准确性和鲁棒性,以及良好的实时性.

基于边缘异常与压缩跟踪的视频抠像篡改检测

近年来视频的真实性认证成为信息安全领域的一个研究热点。视频的篡改方式多种多样,为了有效判断视频中某个目标的出现是否真实,提出一种视频抠像的篡改检测方法。由于成像设备CFA插值的存在,使得像素存在一定的邻域相关性。为此,提取视频的帧序列,对图像帧进行Sobel边缘检测,计算边缘点4个方向上像素值的偏差来检测边缘点,确定异常边缘点,定位篡改区域,并对篡改区域进行学习,结合压缩跟踪算法快速查找时域上帧的篡改范围,当目标消失跟踪结束之后,在目标出现的最后一帧再次进行异常边缘检测,与最初检测到的异常区域进行对比,查看检测结果是否一致。实验结果表明,该算法大幅提高了检测效率,并且准确率较高。

融合SIFT特征的压缩跟踪算法

本文提出一种新的融合SIFT(尺度不变特征)和压缩特征的目标跟踪算法以解决姿态变换、光照变化、旋转和运动模糊下目标的稳定准确跟踪问题。算法使用压缩特征对目标和背景进行描述,通过在图像帧中采集到的正负样本在线训练和学习SVM(支持向量机)分类器,将跟踪任务构建为一个二类分类问题。使用该分类器对下一帧的目标和背景进行分类,从而获得精确的目标位置和区域。同时,算法使用前后两帧的SIFT特征点之间的对应匹配关系求解目标尺寸变化值,实现模板大小的自适应调整。将算法与其他算法在某些图像序列上的跟踪比较显示,该算法在有效性、正确性和鲁棒性上性能优越。

尺度自适应特征压缩跟踪

为了对复杂环境中的目标进行长时间精确跟踪,提出一种尺度自适应特征压缩跟踪算法。通过结构约束性采样,获取不同位置不同尺度的扫描窗,离线计算不同尺度下的稀疏随机感知矩阵。在线跟踪时利用这些矩阵感知对应尺度的图像采样块,实现特征降维,提高运算速度。利用朴素贝叶斯分类器对降维特征进行判决,在线学习更新分类器参数,找出具有最高分类得分的采样块及其尺度作为新的跟踪结果,实现跟踪位置及尺度的自适应更新。实验结果表明,该算法能适应目标的基本姿态变化及尺度缩放,不依赖于目标初始跟踪区域尺度选取,跟踪结果具有较强的鲁棒性。

基于扩展的Haar-Like特征和LBP特征的人脸压缩跟踪算法

针对传统的压缩跟踪算法采用简单的Haar-Like特征而在遮挡、光照变化、物体形变及背景干扰等情况下易产生目标漂移而导致跟踪失败的问题,提出了一种基于扩展的Haar-Like特征和局部二值模式(LBP)特征相结合的改进压缩跟踪算法,并运用于特定目标即人脸的跟踪。利用扩展的Haar-Like特征搜索目标的粗略位置,应用LBP特征充分表征人脸并进行精确跟踪来定位人脸目标的最佳位置。与简单的Haar-Like特征相比,LBP可以构建更稳定的目标表观模型,并扩展原有的Haar-Like特征,使算法在不同环境干扰下更鲁棒,同时也提高了跟踪算法的精度。实验证明:改进后的人脸压缩跟踪算法比传统的算法性能更优越。

结合特征在线选择与协方差矩阵的压缩跟踪算法

本文从3个方面对原始压缩跟踪算法进行改进,以提高其在复杂场景下的鲁棒性和准确性。首先,提出一种结合特征在线选择的压缩跟踪算法,通过计算相邻两帧同维特征所服从的高斯分布曲线的Hellinger距离来度量特征的置信水平,从特征池中选择置信水平较高的特征,并融合特征的置信水平构造贝叶斯分类器。然后,在压缩跟踪框架下引入协方差矩阵以增强算法对目标的表达能力,把Haar-like特征和协方差矩阵相结合构建目标模型,取最大响应值所对应的候选样本作为跟踪结果。最后,优化分类器参数的更新方式,根据目标模板与跟踪结果的相似度来自适应更新分类器参数。改进算法的平均跟踪成功率比原算法提高了25%,平均跟踪精度比原算法提高了22%。相比于原始压缩跟踪算法,本文算法具有更高的跟踪鲁棒性和准确性。

DSP实现基于改进压缩跟踪算法的目标实时跟踪

为解决目标外形、姿态变化以及被遮挡的难点,对压缩跟踪算法进行改进:以Kalman预测位置为中心,采用由粗到精的搜索策略,快速准确地找到具有最大分类分数的目标位置;根据目标在每一帧最大分类分数的变化规律进行粗判定,再利用目标和模板的相似度进行精判定以判断遮挡的开始;利用Kalman预测器预测目标被遮挡时的位置,利用基于MCD距离的模板匹配检出脱离遮挡后的目标。使用浮点转定点等策略将算法在DSP上优化实现。实验结果表明:跟踪效果稳定,在目标外形、姿态缓慢变化以及被遮挡时能准确地跟踪目标。对640×480像素的视频,跟踪框为64×64像素时,被遮挡目标跟踪速度达到38.5毫秒/帧,满足实时性要求。

基于多特征融合的压缩跟踪算法

压缩跟踪将压缩感知理论引入到目标跟踪领域,较好地实现了跟踪的实时性,但是在复杂环境或遮挡情况下,仅利用分类分数最大值的矩形样本确定目标位置容易产生跟踪漂移,而且该算法没有考虑目标尺度因素。针对这些问题,提出了融合局部中心区域梯度方向直方图和多尺度矩形的多特征压缩跟踪算法,并提出利用多样本矩形平均的方法确定最终的目标位置。实验结果表明:该算法在目标剧烈运动、遮挡或者相似物体干扰的场景下能够有效抑制跟踪漂移,提高了跟踪的准确率和鲁棒性。

一种融合感知哈希的快速压缩跟踪算法

针对快速压缩跟踪算法(FCT)分类器参数更新盲目、目标尺寸固定和未能跟踪目标完全遮挡再出现的问题,提出一种融合感知哈希的快速压缩跟踪算法(Fast compressive tracking algorithm based on perceptual hashing,PH-FCT).首先,使用压缩特性构建目标和背景的贝叶斯分类器,同时生成目标的感知哈希描述子;使用分类器获得下一帧响应值最高的样本,以样本为中心采集不同尺寸区域,计算它们与目标的汉明距离,若最小汉明距离小于阈值,则视当前尺寸区域为目标区域,更新目标信息(目标位置、尺寸和感知哈希描述子)与分类器参数,并标记当前帧检测到目标,否则不更新且标记当前帧未检测到目标.当上一帧被标记为未检测到目标,则当前帧使用全图等间隔采样,样本个数与FCT算法粗采样一致,使用分类器得出响应值最高的样本,再以该样本中心为圆心,半径为5的圆形区域遍历精确采样,得出最有可能是目标的样本,最后通过判断汉明距离决定是否更新参数.实验结果表明,该算法在抗遮挡性、有效性和鲁棒性上优于FCT算法,且拥有较好的目标自找回能力,为目标的快速跟踪提供一种新的方法.

基于CamShift的压缩跟踪方法

针对压缩跟踪算法在目标旋转、尺度变化的情况下,容易出现跟踪漂移和跟踪失败的问题。采用改进的Cam Shift和压缩跟踪算法相结合的方法从不同角度对目标位置进行预测;然后,根据目标大小对跟踪窗口尺度进行自适应调整;最后,利用前后两帧图像的匹配程度自适应更新参数,提高算法的准确性。测试结果表明,所提算法不仅在目标外观变化的情况下具有较好的鲁棒性,而且在目标受到相似色干扰、遮挡和出现运动模糊时,仍能准确实时地跟踪目标。

基于自适应压缩跟踪算法的视觉目标跟踪

针对压缩跟踪算法在目标发生遮挡、快速移动、有相似目标情况存在跟踪漂移的问题,提出了基于卡尔曼滤波的自适应学习压缩跟踪算法.该算法首先利用压缩跟踪算法对目标进行定位,然后根据跟踪结果的置信图对分类器参数自适应更新,当判定目标严重遮挡时,利用卡尔曼滤波进行预测估计.实验结果表明,该算法相比目前先进的算法有更好的跟踪精度和鲁棒性,且算法平均跟踪速度39帧/s,能够满足实时性的要求.

一种改进的压缩跟踪算法

针对压缩跟踪算法在跟踪目标过程中,目标快速运动和目标外观尺寸变化较大时引起的跟踪失败问题,提出了改进的压缩跟踪算法。首先,对正负样本的采集做了改进,除了采集正负样本集,还额外采集一个候选样本集,从而减少样本采集带来的误差。其次,借鉴MIL算法思想,利用弱分类器的组合构成强分类器,然后对候选样本进行计算来确定目标,并提出了模型学习率和强分类器更新方法。最后,根据候选样本集为正样本集的概率值来自适应调节跟踪目标窗口的大小。实验表明,改进后的算法能对快速运动和外观变化较大的目标进行准确的跟踪,改进算法比原算法具有更好的鲁棒性。

在线矩形特征选择的压缩跟踪算法

针对压缩跟踪算法无法选择合适的矩形特征,易出现目标漂移、丢失现象,提出了一种基于在线矩形特征选择的压缩跟踪算法。首先,在初始化阶段生成投影矩阵,利用该投影矩阵提取特征来构造候选特征池,在特征池中使用矩形特征来表示目标特性,并去除与目标差异较大的矩形特征,最后计算分类分数最大的窗口,并将其作为目标窗口,从而实现跟踪。实验结果表明,该算法特征总数量比压缩跟踪算法特征总数量减少了13%,且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20frame/s,满足实时性要求。

一种基于卡尔曼滤波的压缩跟踪算法研究

根据道路交通监控视频的特点,采用压缩跟踪(CT)算法进行运动车辆的检测与跟踪。在摄像头变化较大、运动车辆尺度变化和背景变化等情况下,CT算法均具有很强的鲁棒性。但是当车辆被遮挡时,跟踪算法容易失效。为了解决这一问题,提出使用卡尔曼滤波对遮挡的车辆进行轨迹预测。卡尔曼滤波能根据CT算法跟踪目标的轨迹,有效地预测目标遮挡时的轨迹。实验结果表明,本算法不但可以较好地处理跟踪车辆尺寸变化的问题,在车辆丢失或被部分遮挡时,能准确而稳定地跟踪车辆,而且具有很好的实时性,满足了工程应用的需求。

尺度自适应的压缩跟踪算法

针对原始压缩跟踪使用固定大小的跟踪框来跟踪目标,提出一种尺度自适应的压缩跟踪算法,在原始的压缩跟踪算法的基础上加入粒子滤波方法,利用分类器的响应产生粒子权重,根据粒子权重大小重新采样,从而避免了粒子退化,利用一个2阶的状态转换模型去估计目标的当前位置和尺度大小,使得跟踪算法能适应运动目标的尺度变化。实验结果表明,与原始的压缩跟踪算法相比,该算法在视频流中的跟踪性能得到提升。

基于AdaBoost和压缩跟踪的前方车辆检测方法

为提供准确、实时的前方车辆位置信息,提出了一种基于AdaBoost和压缩跟踪的前方车辆检测方法。首先通过Haar-like特征及AdaBoost算法进行样本训练,获得车辆检测分类器,利用道路纵向测距模型进行感兴趣区域分割和检测窗口多尺度优化以提高检测效率,最后通过压缩跟踪算法增强环境适应性,提高检测准确率。结果表明,该方法在天气良好条件下的平均检测率为93%,每帧耗时26.5 ms,能够为具有避撞功能的车辆智能驾驶系统提供有效决策依据。

尺度自适应的加权压缩跟踪算法

针对压缩跟踪算法中目标尺度不能自适应更新和分类器性能弱的问题,提出一种尺度自适应的加权压缩跟踪算法.首先,提取正负样本的压缩特征,根据两者的巴氏系数对分类器进行加权,分类能力越强的特征在分类器中的权值越大.然后,将候选样本输入贝叶斯分类器,通过分类得到目标位置.最后,根据目标位置求得不同尺度下的样本特征,组成尺度金字塔,将尺度金字塔作为相关滤波器响应的特征输入,将响应值最大的尺度作为当前估计的尺度值.选取6组视频序列测试改进算法,实验结果表明,与传统压缩跟踪算法等4种算法相比,此算法能够解决尺度变化和目标旋转问题,且满足实时性要求.

基于Y通道Haar-like特征的压缩跟踪

针对压缩跟踪(CT)算法中存在特征单一,发生遮挡情况时易丢失目标的问题,提出基于Y通道Haar-like特征的压缩跟踪算法.为了更好地表示目标,该算法基于YUV格式图像的Y通道随机生成位置、大小的Haar-like特征;然后在预测点附近搜索目标位置,最后提出一种遮挡控制策略来缓解短暂遮挡,用卡方统计法去判断是否存在遮挡以及是否需要更新模板参数.对不同视频的测试结表明,该方法在目标存在光照变化、位置移动、遮挡的情况下,均能取得良好的跟踪效果.与原始压缩感知算法相比,本算法降低了目标中心位置的平均误差,减少了因遮挡而导致目标丢失的情况.