使用多视图L1跟踪器的三维人体运动恢复

近年来从视频中恢复三维人体运动的研究发展很快,其中大部分方法是基于前景轮廓的。提出了一种基于纹理信息的三维人体运动恢复方法,并给出了一个鲁棒、自适应的跟踪器模型。该模型基于L1跟踪器,并将其扩展到多个视图中,使用分层搜索来跟踪人体的各个部位。它可以寻找在模板子空间里重构误差最小的跟踪目标,将每个视图的重构误差作为衡量人体三维姿态与图像拟合的可能性函数。整个算法在退火粒子滤波的框架下进行。为了提高跟踪准度,在纹理模板更新过程中使用了两种方法:用人体的三维模型来检测自遮挡;根据模板系数检测计算错误的跟踪结果。综合这两种检测器,可以防止遮挡后和计算错误的跟踪结果加入到纹理模板中。在HumanEva-Ⅱ测试集上的实验表明,该算法能够得到较好的结果。

基于Haar-like特征的实时L1-跟踪算法

稀疏表示技术已成功应用于视觉跟踪,但是仍然存在跟踪算法效率低的问题。提出一种基于Haar-like特征的视频跟踪算法,该算法是基于粒子滤波框架的L1-跟踪算法,其特点是运用Haar-like特征及特征块的思想对完备基进行重新构造。将正负小模板由单个像素改为像素块,降低稀疏表示中过完备基的维数,大幅减少稀疏矩阵的计算量;同时,在保证跟踪质量的前提下适当减少目标模板数量,减少稀疏计算的次数,并控制模板更新频率。实验结果表明,所提算法能大幅提高跟踪的实时性,同时很好地解决了跟踪问题中的短时间遮挡、目标物体的形变以及光照变化等问题。

基于深度学习的鲁棒性视觉跟踪方法

传统的视觉跟踪方法(如L1等)大多直接使用视频序列各帧内的像素级特征进行建模,而没有考虑到各图像块内部的深层视觉特征信息.在现实世界的固定摄像头视频监控场景中,通常可以找到一块区域,该区域中目标物体具有清晰、易于分辨的表观.因此,文中在各视频场景内事先选定一块可以清晰分辨目标表观的参考区域用以构造训练样本,并构建了一个两路对称且权值共享的深度卷积神经网络.该深度网络使得参考区域外目标的输出特征尽可能与参考区域内目标的输出特征相似,以获得参考区域内目标良好表征的特性.经过训练后的深度卷积神经网络模型具有增强目标可识别性的特点,可以应用在使用浅层特征的跟踪系统(如L1等)中以提高其鲁棒性.文中在L1跟踪系统的框架下使用训练好的深度网络提取目标候选的特征进行稀疏表示,从而获得了跟踪过程中应对遮挡、光照变化等问题的鲁棒性.文中在25个行人视频中与当前国际上流行的9种方法对比,结果显示文中提出的方法的平均重叠率比次优的方法高0.11,平均中心位置误差比次优的方法低1.0.

基于稀疏度约束与动态组结构稀疏编码的鲁棒视觉跟踪

目标编码系数的稀疏性使得L1跟踪成为解决遮挡目标跟踪的有效方法之一,但是现有稀疏编码算法没有利用L1跟踪中编码系数的特殊稀疏结构.本文基于目标模板系数稀疏度约束要求和小模板系数的空间连续性结构,利用块坐标优化原理提出一种两阶段稀疏编码算法用于视觉跟踪.在第一阶段,该算法利用正交匹配追踪求解具有约束稀疏度的目标模板系数,在第二阶段,该算法利用动态组稀疏编码求解具有空间连续性的小模板系数.在粒子滤波框架下,利用提出的稀疏编码算法实现了鲁棒的视觉跟踪.实验结果表明本文提出的跟踪方法比现有跟踪方法具有更强的鲁棒性和较高的跟踪精度.

基于编码迁移的快速鲁棒视觉跟踪

L1跟踪表示模型的稀疏性约束,使其对局部遮挡具有良好的鲁棒性,但同时也造成了跟踪速度慢的问题。针对此问题,该文提出使用编码迁移方法进行视觉跟踪。该方法利用低分辨率字典计算候选目标表示系数,并使用高分辨率字典构造观测似然,有效地减小了跟踪过程中的计算量。为了提高编码迁移的精度和字典适应背景干扰的能力,提出一种在线鲁棒判别式联合字典学习模型用于字典更新。实验结果表明所提方法具有良好的鲁棒性和较快的跟踪速度。

面向视频目标的快速稀疏编码跟踪算法

关于稀疏编码的研究在最近几年成为许多研究领域的焦点,已有学者将其引入视频目标跟踪问题中。在贝叶斯推理框架下,基于l1-跟踪子能较好地处理目标物在视频场景中的各种复杂变化,达到较为鲁棒的跟踪效果,但算法复杂度高,很难进行实时跟踪。对原始l1-跟踪子在稀疏编码的过完备基构造,对目标物出现各种复杂变化的处理方式以及目标物模板的更新这三个方面进行了改进,设计了无需更新目标模板的高速跟踪方法;并通过大量比较实验,验证了该方法的跟踪精度与原始l1-跟踪子相似,但跟踪效率远高于l1-跟踪子,达到了实时跟踪的效果。

一种改进的稀疏编码视频跟踪算法

最近几年,信号的稀疏表示在图像处理、人脸识别、纹理分类等领域得到了广泛的应用.在粒子滤波框架下,视频跟踪问题被看作是使用若干个目标模板来稀疏化线性表示候选区域的过程,并使用"小模板"来处理目标物在视频场景中出现的各种复杂变化,这种算法过程简单,但效率很低.提出一种改进方法,使用下采样方式降低稀疏编码的复杂度,并设计了性能良好的稀疏系数向量融合方法.实验表明,该算法在对跟踪精度几乎没有影响的前提下,大大提升了算法的效率.

基于在线鲁棒判别式字典学习的视觉跟踪

基于稀疏表示与字典学习的视觉跟踪较好地解决了目标遮挡和表观变化问题,但是其存在模型漂移和复杂背景下鲁棒性差的问题。针对这两个问题,本文利用L1损失函数和最小化背景样本在目标模板上的投影提出一种在线鲁棒判别式字典学习模型,并用块坐标下降设计了该模型的在线学习算法用于L1跟踪模板更新。以粒子滤波为框架,利用提出的字典学习实现了视觉跟踪方法。实验结果表明:本文跟踪方法比现有跟踪方法具有更强的鲁棒性和较高的跟踪精度。

全翼布局无人机滑跑轨迹跟踪方法研究

以全翼布局无人机为研究对象,针对其滑跑过程中跟踪直线轨迹的问题,通过仿真和试验对比了L1轨迹跟踪法、追踪法和矢量场轨迹跟踪法的控制效果。首先,详细介绍了不同轨迹跟踪方法的原理与结构,并针对它们未考虑速度的问题进行了改进,简化了参数调整的复杂程度。然后,仿真分析了三种轨迹跟踪方法在不同速度和不同初始角度条件下对全翼布局无人机的控制效果。最后,通过试验测试了三种轨迹跟踪方法在实际使用过程中的控制效果。仿真和试验结果均表明,相比于其他两种轨迹跟踪方法,矢量场轨迹跟踪方法具有更好的控制效果,完全能够满足全翼布局无人机的控制需求。