融合L2范数最小化和压缩Haar-like特征匹配的快速目标跟踪

在贝叶斯推理框架下,基于PCA子空间和L2范数最小化的目标跟踪算法能较好地处理视频场景中多种复杂的外观变化,但在目标出现旋转或姿态变化时易发生跟踪漂移现象。针对这一问题,该文提出一种融合L2范数最小化和压缩Haar-like特征匹配的快速视觉跟踪方法。该方法通过去除规模庞大的方块模板集和简化观测似然度函数降低计算的复杂度;而压缩Haar-like特征匹配技术则增强了算法对目标姿态变化及旋转的鲁棒性。实验结果表明:与目前流行的跟踪方法相比,该方法对严重遮挡、光照突变、快速运动、姿态变化和旋转等干扰均具有较强的鲁棒性,且在多个测试视频上可以达到29帧/s的速度,能满足快速视频跟踪要求。

辅助粒子滤波算法改进的UFastSLAM算法

UFastSLAM算法的重采样过程会带来"粒子耗尽"问题,为提高算法精度和性能,将辅助粒子滤波算法思想引入UFastSLAM算法,提出了解决SLAM问题的方法——辅助UFastSLAM算法.针对UFastSLAM算法的特点,首先,在其建议分布函数的求取过程中引入最近的观测信息,增强采样粒子权值的稳定性;其次,在其重采样过程中引入1次加权和2次加权,增大观测似然度大的粒子比例以缓解粒子退化问题.实验结果证明,辅助UFastSLAM算法在估计精度、一致性等方面都具有很好的性能.

视频动态场景下运动物体的自适应跟踪算法

根据积分思想和粒子滤波理论,提出一种运动物体自适应跟踪算法。建立多特征的跟踪观测模型,采用积分策略对多个特征模型进行自适合融合和更新,通过观测似然度更新粒子滤波所需粒子数量及其分布,并在动态场景下对运动物体进行跟踪。实验结果表明,该算法相对于传统的跟踪算法在跟踪精度和实时性方面有所提高,具有较好的鲁棒性。