基于压缩跟踪和遗传算法的实时跟踪方法

压缩跟踪算法具有简单、高效、实时的优点,但是由于被跟踪目标尺度变化、形态变化与被遮挡等因素的干扰,跟踪结果容易产生误差。为了减小误差,在原始压缩跟踪算法的基础上,提出一种基于压缩跟踪和遗传算法的运动目标跟踪方法。首先该方法利用原始压缩跟踪算法得到目标可能的位置;然后在该位置周围选定初始搜索区域;最后,利用遗传算法找出最优项作为该帧的跟踪结果。实验证明,该算法较好地解决了目标形态变化和目标被部分被遮挡等问题。

分块快速压缩追踪算法

FCT作为一种新的追踪算法,具有简单、高效、实时的优点,但是该算法依旧存在缺点.在FCT中,由于压缩测量矩阵的稀疏性,忽略了样本的空间信息,使得提取的特征不能准确的表征样本;当追踪错误时没有补救措施.本文提出一种改进的快速压缩追踪算法,该方法充分利用样本图像的空间信息,分块提取样本的Haarlike特征;利用目标运动估计法矫正分类错误时追踪到的目标.通过调整压缩测量矩阵中行向量的稀疏度以及朴素贝叶斯分类器的阈值可以实现目标的准确追踪.实验结果表明,与快速压缩追踪算法(FCT)相比,本文改进后的算法,无论是在追踪相似度、追踪成功率还是主观视觉效果上都有所提高.

基于图像传感器的上下文快速压缩感知算法

针对快速压缩感知算法在目标被遮挡、光照变化较大时存在跟踪不稳定的问题,提出了基于图像传感器的上下文快速压缩感知跟踪(FCT)算法。新算法首先在Haar-like特征中引入时空上下文特征,通过目标周围的空间信息和时间上的递推关系协助估计目标的位置。通过改进的随机测量矩阵同时提取目标的纹理特征和灰度特征,加强了特征的稳定性,提高跟踪的准确性。通过方差分类器预判定候选样本,减少判定的次数,并减少错误的候选样本。改进的FCT算法对光照、旋转、尺度缩放都有良好的不变性,且不易发生跟踪漂移。实验证明:改进的FCT算法优于压缩感知跟踪(CT)算法和FCT算法。