基于自适应特征融合的多尺度相关滤波跟踪

为了减小目标跟踪中目标变形、光照影响、运动模糊以及目标旋转对跟踪效果的影响,在相关滤波KCF基础上,提出了一种基于自适应特征融合的多尺度相关滤波跟踪算法。首先,提取VGG19网络中conv2-2、conv3-4、conv5-4层的特征以及CN特征,并在conv2-2层加入CN特征;然后,将这3个特征分别代替HOG特征进行滤波学习,得到3幅响应图;进而对3幅响应图进行加权融合预测目标位置。最后,在尺度方面引入多尺度相关滤波器进行尺度的确定。该算法比KCF跟踪算法精确度和成功率分别提高了13.6%和11.8%。与现有的其他优异跟踪算法相比,该算法在应对运动模糊、背景杂乱、目标变形、平面旋转方面更具有较好的跟踪效果。

基于特征融合的行人重识别方法

针对行人重识别中已有方法难以解决行人图像光照、视角变化大的问题,提出了一种基于特征融合的行人重识别方法。首先利用Retinex变换对图像进行预处理;然后将CN特征与原有的颜色和纹理特征融合,并通过区域和块划分的方式提取直方图获得图像特征;最后采用不同的距离学习方法在4个数据集上进行行人重识别。实验结果表明,融合后的特征对行人图像具有更好的表述能力,实现了重识别精度的较大提升,验证了方法的有效性。

基于自适应颜色特征学习的目标跟踪技术

在简要说明基于空时上下文(STC)和基于核函数循环结构(CSK)目标跟踪器的基础上,重点介绍基于颜色特征(CN)的跟踪器,并针对其在目标被遮挡、尺度变化和光照发生变化时易发生跟踪漂移的问题,提出自适应学习速率和自适应高斯核尺度因子两种方法,分别对训练模型的更新和标记进行改进,减少目标模型累积错误,提高跟踪过程准确性。实验中,选取10个视频集,采用3类评价参数对比算法改进前后跟踪效果。实验证明,改进后的算法对遮挡、光照变化和尺度变化等具有较好的鲁棒性,同时将该算法应用在无人机(UAV)视频行人跟踪上,取得了良好效果。

基于多种颜色特征结合的相关滤波器跟踪算法

当被跟踪目标受变形、遮挡、快速和不规则运动等因素的干扰时,基于单一颜色特征的相关滤波器跟踪算法难以实现精准的目标定位。为此,分析基于多通道颜色特征Color Names(CN)的核相关滤波器算法(KCF),结合CN特征与颜色统计特征提出一种改进算法。使用掩模矩阵对CN特征的训练样本进行裁切,以提高真实样本的比例。在此基础上,将CN特征与颜色统计特征用于位置相关滤波器的训练,分别获得目标位置,并对两者进行加权处理,得到最终的目标跟踪结果。实验结果表明,与KCF和benchmark_tracker库中性能较优的算法相比,该算法在目标变形、遮挡等干扰下的跟踪精确度和成功率较高。

激光诱导击穿光谱法在空气中定量测定土壤中氮元素方法的研究-基于CN分子谱线

土壤中氮元素的快速检测在现代农业中有重要意义,传统方法前处理复杂不适合现场快速检测。激光诱导击穿光谱法已被证明可以用来对土壤中的元素进行检测,但对于土壤中的氮元素检测,如何规避大气环境中氮气的影响是不可回避的问题。提出了一种基于激光诱导击穿光谱法的空气中土壤全氮检测方法,通过对不同土壤标准样品的CN(388.3nm)分子特征谱线对比分析并建立了分析模型,结果显示,可以很好地规避大气中氮元素的影响,其检出限小于0.14%。对比于N(746.8nm)处的原子特征峰在空气中和氩气中的分析结果,其优势非常明显。