基于特征融合的复杂场景多目标跟踪算法研究

在复杂地物类型背景条件下,多目标跟踪算法通常表现出目标识别与跟踪能力较差问题,特别在被其它地物遮挡后目标跟踪丢失更严重。提出一种改进的基于多源特征提取与特征融合的多目标跟踪算法。为提高目标在复杂背景下的空间分辨力,充分利用对异类物体判别能力较强的高层特征和针对同类不同物体判别能力较强的浅层特征,提高复杂背景下地物目标的识别能力。同时,为了解决物体被遮挡后导致跟踪算法丢失目标问题,利用滤波器获得追踪目标的空间尺度大小,提高跟踪算法的准确性与可靠性。实验表明,多目标跟踪算法识别目标的准确性可达87.5%,误差在[±2.31%]左右,具有良好的尺度估计效果。     

基于NTSS和压缩感知的人脸跟踪算法

提出基于NTSS和压缩感知的人脸跟踪算法,采用不同的搜索半径和步长双重采样,运用NTSS搜索方法作为目标的检测方法。通过国际标准的人脸数据库AFW和MALF视频序列进行算法的测试,并使用中心距离均值算法对压缩感知算法和基于NTSS压缩感知的人脸跟踪算法进行比对,得出基于NTSS和压缩感知的人脸跟踪算法最大可降低59. 01%的误差;此外NTSS压缩感知人脸跟踪算法在人脸发生遮挡再跟踪、人脸几何变换和在暗光条件下具有较好的鲁棒性。     

改进Haar-like特征联合CamShift算法用于车辆跟踪

提出一种改进的Haar特征获取方法,并结合CamShift算法提取车辆检测信号实现特定车辆实时跟踪。首先利用倾斜45°特征与像素和的商计算信号的Haar特征值;其次利用AdaBoost算法训练样本得到特征信号分类器,构建特征信号样本级联分类器,利用获得的级联分类器对视频信号进行检测;最后将检测结果中的特定车辆外切矩形作为CamShift算法的初始窗口,并对CamShift算法后续跟踪窗口进行检测,以提高检测效率和跟踪实时性。实验表明,该方法对车辆图像信号具有较好的检测效果,对特定车辆跟踪具有较高的实时性。     

基于Adaboost的快速视频人脸检测

使用Haar型特征设计不同尺度弱分类器形式,采用Adaboost算法学习建立瀑布型人脸检测器。并针对视频人脸检测中,人脸旋转导致检测失败的现象,使用CAMSHIFT算法进行人脸跟踪,缩小检测范围,提高算法速度。试验结果表明,所提出的算法有更好的鲁棒性和更快的检测速度。     

融合多特征的压缩感知跟踪算法研究

压缩感知目标跟踪算法由于特征单一,导致在目标纹理变化、光照变化和背景变换较大的情况下,跟踪目标漂移甚至丢失。针对该问题,提出了一种融合多特征的实时目标跟踪算法。该算法首先融合多种特征进行特征提取,解决了特征单一问题,显示了较好的鲁棒性。然后在分类器进行更新时应用加权函数解决分类器权重问题。在OTB 13测试库选取3个测试序列对改进算法进行测试。实验结果表明,改进算法在处理目标外观变换和遮挡变化时显示出了良好的鲁棒性。     

基于稀疏表达特征选择的压缩感知目标跟踪算法

目标跟踪是计算机视觉领域重要研究方向之一。压缩感知跟踪速度快、精度高,但是跟踪被遮挡目标时使用被遮挡的哈尔特征构建分类器,导致分类器性能降低,目标容易丢失。为了解决该问题,提出了根据l1稀疏表示判断哈尔特征是否被遮挡,然后使用未被遮挡的特征构建贝叶斯分类器。首先对每一帧跟踪结果运用稀疏表示提取出未被遮挡特征的集合,在构建贝叶斯分类器时仅使用未被遮挡的特征。然后使用训练好的分类器对下一帧候选样本进行分类,选取具有最大分类响应的候选样本作为跟踪结果。实验结果表明,该算法在跟踪目标部分遮挡时相比CT算法有更高跟踪准确度,算法能够实时得到高效、准确的目标跟踪结果。     

基于矩阵填充理论的R-D算法

当被探测目标存在微动或者部件微动时,目标微动或其微动部件的回波与目标主体的回波叠加在一起,给成像处理带来影响,针对该问题提出一种基于矩阵填充的R-D算法。利用矩阵填充理论中的压缩感知对被干扰、扰动的观测信号进行重构和恢复,降低微多普勒带来的频带影响,从而提高SAR图像对比度。     

用于机器人目标跟踪的压缩感知的改进算法

针对机器人进行目标跟踪时的跟踪算法,对压缩感知在视频目标跟踪中的应用进行了改进,通过对图像进行伽马变换,以平滑图像的明亮程度,使其能够更好适应复杂环境。研究结果表明,改进的算法有效地增加算法的鲁棒性和提高算法的效率。     

基于双树复数小波的快速二步迭代混合范数算法

以双树复数小波基为稀疏基,局部哈达玛矩阵为观测矩阵,在IST算法的基础上提出一种改进的快度二步迭代混合范数算法,目标函数采用混合范数模型,二步迭代加速了目标函数的优化,二步迭代混合范数算法收敛于混合目标函数的最小值。改进的算法重构速度高于IST算法的2.5倍,图像的均方误差减小50%以上。与以DCT为稀疏基、高斯矩阵为观测矩阵、快速二步迭代混合范数算法为重构算法的压缩感知重构系统相比,改进算法的峰值信噪比提高了约1dB,表明改进算法具有更好的图像重构质量和重构速度。     

一种应用于大型综合实验的运动目标识别与跟踪方法

介绍了一种基于NM I特征的目标识别与跟踪算法,与基于图像灰度的跟踪算法相比,该算法利用运动目标的NM I特征值,避免了背景亮度变化对目标识别和跟踪的干扰,具有实时性好、抗干扰性强的特点,适用于复杂背景下的运动目标检测和跟踪。     

基于Haar-Lbp特征和粒子群神经网络的人耳识别

在分析人耳Haar和Lbp特征的基础上,提出了一种基于神经网络和人耳Haar-Lbp特征对人耳进行识别的方法.文中选取了人耳图像的Haar和Lbp双特征值作为神经网络的训练样本,并尝试利用粒子群优化算法与BP结合算法训练网络.仿真结果表明,文中提出的方法取得较好的效果.     

基于特征矩阵的高效数字识别算法

传统的数字识别算法存在识别速度、识别准确率和识别方法复杂度三者无法兼顾的问题,为解决该问题,提出了基于特征矩阵的高效数字识别算法。该算法首先在预处理的基础上获取字符的特征矩阵,然后用特征矩阵对字符的特征横线、竖线等特征进行提取,最后利用结构语句识别的方法实现数字识别。实验结果表明,基于特征矩阵的高效数字识别算法思路简单、速度快,且识别率达97% 以上。     

稀疏长时延水声信道的压缩感知估计(英文)

提出一种基于压缩感知框架下的长时延水声信道估计算法.用传统的自适应算法如最小二乘(LS)算法处理典型的长时延水声信道的估计问题时,会导致其收敛速率下降,即跟踪能力有限,而使用时延多普勒函数则加大了计算量和复杂度.通过训练序列构建一个Toeplitz矩阵作为测量矩阵,将长时延信道估计问题转为压缩感知问题,并利用信道的稀疏结构特性进行稀疏估计.与传统的l1范数或基于指数形式的近似l0范数稀疏恢复策略不同,所提出的是一种新的似l0范数稀算法(简称AL0),该算法通过融合最陡梯度和迭代投影寻优进行求解.仿真与海试数据结果验证了所提算法的优越性.     

一种基于小波压缩感知的藏族壁画图像处理

针对藏族壁画特点在采集图像时采用一种基于小波压缩的感知算法,利用改进的小波变换,分解图像高频分量和低频分量,并进行稀疏变换,达到采样压缩。图像重构利用压缩感知OMP算法重构图像,实验表明,原始图像分块数和随机矩阵不变时,采样率越大,PSNR越小,重构的图像也越清晰,针对藏族壁画算法有效。     

图像二维鉴别特征矩阵融合及人脸识别

二维最大散度差鉴别准则和二维Fisher鉴别准则抽取的特征具有很强的相关性.本文在此基础上,通过对传统的基于向量的典型相关分析方法进行分析改进,提出了一种新的直接基于图像二维鉴别特征矩阵融合的二维典型相关分析方法,并将其应用于人脸识别的特征融合过程中.较基于向量的典型相关分析,该方法计算过程中构造的协方差矩阵维数大幅度减小.这在一定程度上避免了人脸识别中存在的"高维小样本问题",另一方面也使算法的速度明显提高.     

融合共现统计与fhog特征的目标跟踪方法

针对复杂场景目标跟踪过程中难以完全有效利用特征对目标信息进行完备表达的问题,提出了一种融合共现统计与fhog特征的目标跟踪算法。在fDSST跟踪算法的基础上,引入了一种基于图像共现统计的像素滤波模块,利用图像中经常出现的像素值在共现矩阵中的权重较高的特性,与原始跟踪算法中fhog特征进行融合,增加了基于纹理相似性的共现统计信息。将输入跟踪图像映射到嵌入图像中,使得嵌入图像空间中像素值之间的欧氏距离类似于原始空间中的共现统计量,从而得到更优的跟踪结果。在OTB50和OTB100两个跟踪数据集上的实验表明,本文算法相比原算法在跟踪精度和成功率上有所提升,性能较优。     

基于压缩感知的织物疵点分类研究

针对织物疵点图像特征,提出了利用压缩感知提取织物疵点特征数据的方法.为了提取到疵点特征,需利用感知波形对图像的数据矩阵进行感知得到特征数据,同时对分类器进行并联设计,继而通过仿真和实验,检测出疵点类型信息.实验表明,该方法能有效地分类出织物疵点的数据信息.     

MIMO-OFDM 系统中同信道干扰抑制

针对 MIMO-OFDM 系统,提出了一种最大后验概率的信道矩阵和干扰协方差矩阵估计方法,并设计了迭代求解算法。利用所估计的信道矩阵和干扰协方差矩阵,采用 IRC 接收机完成同信道干扰的抑制。利用干扰协方差阵的共轭对称与半正定等特性,提出2种干扰协方差矩阵的处理方案以提高其估计精度。第1种方案将每个子载波上干扰协方差矩阵表征为一系列时域矩阵之和,第2种方案将每个子载波上的干扰协方差矩阵用低阶模型来建模,其中模型阶数通过最小描述长度算法估计。仿真结果表明了所提方案的有效性。     

基于自适应EKF的感应电机无传感器控制

针对传统EKF(TEKF)需要长时间试凑噪声协方差矩阵且噪声特性变化时估算性能下降甚至发散的问题,提出了一种基于极大似然估计准则和有限记忆指数加权的自适应EKF算法（EW-MLE-AEKF）。在使用新息序列进行自适应调整时,系统容易因新息序列的不准确而发散,为此可以利用后验残差序列对噪声协方差矩阵Q和R进行实时调整来提高系统的稳定性。同时在加窗方法的基础上使用了有限内存指数加权算法来提高近期数据的权重,加快了估计的收敛速度。仿真和实验验证了算法在电机系统中的可行性,结果证明该算法避免了噪声矩阵的试凑过程,能够适应噪声的变化,提高了滤波精度且系统稳定性强。     

一种新的基于闪烁噪声的扩展目标跟踪方法

针对闪烁噪声采用高斯分布建模敏感度大的问题,提出一种闪烁噪声下基于变分贝叶斯(VB)的扩展目标跟踪算法。在量测噪声逆协方差未知条件下,该算法首先将量测噪声建模为t分布,继而通过VB近似量测噪声逆协方差、目标状态以及自由度的后验概率密度,最后给出其高斯伽马混合分布实现。仿真实验表明,所提算法可以自适应地跟踪多参数未知情况下的多扩展目标,与传统算法相比具有较高的跟踪精度。