半监督P-N学习互信息熵图像稳定

本文提出一种半监督P-N学习互信息熵图像稳定算法,构建一种图像稳定-学习框架(Image Stabilization-Learning,ISL)。在互信息熵图像稳定基础上,引入一种半监督P-N学习机制,对运动数据进行推理训练,并通过对训练数据分类;构建分类训练模型,对运动参数进行预测;在此基础之上,通过评估模型更新运动估计参数,实现对抖动视频序列进行在线补偿。本文经采用互信息熵稳定与半监督P-N学习互信息熵图像算法对抖动视频序列测试对比,运动估计稳定失误率降低至1%,进一步提升视频序列高频去抖动能力。

基于P-N学习的高分遥感影像道路半自动提取方法

基于模板匹配的道路跟踪是半自动提取道路的主要方法。然而场景中地物干扰和道路宽度的变化降低了模板匹配的稳定性;另外,道路跟踪失败后缺乏重检测机制,使得道路提取过程中人机交互频繁。针对以上问题,提出了一种基于P-N(positive-negative)学习的高分遥感影像道路半自动提取方法。该方法由道路跟踪、检测和学习构成,关键是采用了P-N学习的策略迭代的训练分类器,通过纠正违反结构约束的样本分类结果来提高分类器性能。实验使用了不同场景下的城区高分遥感影像,与经典的模板匹配和在线学习的道路跟踪方法进行了比较。实验结果表明该方法在道路提取的精度和稳定性方面均有提升。

基于在线增量学习的实时人脸跟踪算法

提出基于在线增量式极端随机森林分类器的实时人脸跟踪算法。算法用在线极端随机森林分类器实现基于检测的跟踪,并结合动态目标框架和P-N学习矫正检测的错误。实验结果表明,该算法能够在不确定背景下对任意人脸实现较长时间段内的稳定快速的实时跟踪,并能有效排除背景等的干扰,效果较好。

基于改进DLT算法的单目标识别跟踪研究

为了提高DLT算法在视频中运动目标物体的跟踪鲁棒性、稳定性、实时性,对DLT算法进行改进。通过中值光流法计算初始位置和预测位置像素点灰度值的欧氏距离;运用一种新的在线学习机制P-N学习,用标记样本训练分类器,修改错误的正负样本,然后通过分类器对未被标注的数据进行标注,依次进行迭代训练;利用误差法和NCC法筛选出跟踪点,根据跟踪点的位置和距离的变化计算出目标框的大小和位置,实现目标跟踪。结果表明,改进后的DLT算法的目标跟踪的鲁棒性增强,能够根据目标框的实际情况获取有效的特征点,减少视频流中的目标过大或过小导致跟丢的情况。

基于TLD的增强现实跟踪注册方法

提出了一种新的增强现实跟踪注册方法。采用跟踪-学习-检测TLD算法,将目标跟踪任务分成跟踪器、学习器和检测器,通过跟踪器和检测器并行对视频流中的图像帧进行跟踪、检测操作,并使用P-N学习算法进行学习和更新,综合这三部分从而确定稳定的目标位置;在所跟踪到目标位置的基础上,使用基于局部SURF算法对目标的特征点进行检测与匹配操作;根据所获得的特征点计算出三维注册参数,完成增强现实系统的跟踪注册。实验结果表明,所提出的方法有效地解决了传统跟踪算法目标跟踪不稳定、易丢失目标和目标检测算法耗时严重、准确度不高等问题,使增强现实系统更稳定、更具鲁棒性。

TLD目标追踪算法研究

文章利用一个二值分类器、P-N分类器来改善未标记的数据的分类。P-N分类器需要利用数据集进行模型的学习,学习过程是通过正样本和负样本的约束,P-N分类器被用于目标检测以及追踪的在线学习。试验表明,利用P-N分类器的学习算法能够从一段未标记的视频序列检测、追踪指定目标。

四旋翼无人机目标跟踪系统设计

四旋翼无人机的地面移动目标跟踪问题涉及图像序列中的目标跟踪和无人机的飞行控制2个方面内容。针对四旋翼无人机跟踪地面移动目标过程中,出现的目标遮挡和目标从相机视野短暂消失又重新进入视野存在的跟踪失败问题,设计了基于粒子滤波结合P-N在线学习的目标跟踪算法。在此基础上,计算得到目标与无人机间的水平位移作为控制输入,设计了位置-姿态的外内环控制器,在保持无人机飞行稳定性的同时确保目标始终位于机载相机所获得的视野中心区域附近,实现对目标的有效跟踪。仿真和实验结果验证了所设计的四旋翼无人机地面目标跟踪系统的有效性。

一种检测范围自适应的目标跟踪算法

为处理目标的消失重现、形变及环境变化等问题,要求跟踪算法有一定的检测与学习能力.针对全局检测方法因冗余检测而造成检测效率低下的问题,在基于P-N学习的跟踪框架的基础上,提出一种自适应生成检测范围的目标跟踪算法.通过引入卡尔曼滤波器(Kalman filter)对目标位置、尺度以及两者的变化速度进行预估,在检测前根据预估信息自适应生成检测范围,提高检测效率.在公开的Co GD数据集上进行实验,结果证明该算法较原始算法在准确度基本不变的基础上,速度得到显著改善.

基于TLD改进框架的视频目标跟踪算法

研究了传统跟踪—学习—检测(Tracking-Learning-Detecting)目标跟踪算法的结构和特点,提出改进思路;虽然TLD算法采用P-N学习机制,在应对长时间跟踪方面有很好的鲁棒性,但是当目标发生严重遮挡、形变,或者场景发生较大的光照、旋转变化时,也会导致跟踪的失败。基于对以上问题的研究,提出TLD改进跟踪算法。改进算法在跟踪模块运用SIFT特征匹配算法来代替原算法中LK光流法,减少了计算的复杂度,提高了算法的环境适应能力。

TLD跟踪在视频测速中的应用

针对基于OpenCV采用的车辆跟踪不够稳定的问题，提出了一种对车辆更有效的跟踪方法，利用TLD跟踪从视频序列检测、跟踪指定目标。P-N学习需要经过正负样本的约束，利用数据进行模型学习来改善未标记的数据的分类。P-N分类器可以被用于在线车辆跟踪学习和车辆检测，可以解决车辆跟踪过程中出现的遮挡。对车辆精确定位后可以计算实时车速。