基于局部稀疏表示的目标跟踪算法

目标跟踪是计算机视觉领域重要的研究方向之一。基于l1最小化稀疏表示的目标跟踪算法跟踪精度高,但是在跟踪部分遮挡目标或当背景中存在与目标相似的干扰物时会发生漂移。这主要是因为算法仅关注目标的整体特征,而忽略了目标局部特征的变化情况。为了解决该问题,提出基于目标外观局部稀疏表示的跟踪算法。首先,对待选样本进行分块,然后利用采集得到的模板对各分块进行稀疏表示并计算重构误差,最后选取累积误差最小的待选样本作为跟踪目标。实验结果表明,该算法在跟踪被部分遮挡的目标时相比l1跟踪算法有更高的准确度。     

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。     

基于增量学习的稀疏表示仿射目标跟踪算法研究

针对传统目标跟踪算法在背景复杂.目标形态和光照条件剧烈变化情况下跟踪效果不佳的问题,提出了一种新的目标跟踪算法.该算法在粒子滤波框架下用仿射变换和Gabor特征表示图像,用模板字典稀疏表示候选目标,并用增量学习算法对模板字典进行更新.试验部分将该算法与其他跟踪算法在Matlab平台上进行比较,试验结果表明该算法具有鲁棒性强、跟踪效果好的优点.     

基于单演特征和概率性协作表示的人脸识别

针对光照、遮挡、姿态、样本数有限等问题对人脸识别的挑战,提出一种融合单演特征和概率性协作表示的人脸识别方法 .概率性协作表示分类方法(ProCRC)相对于稀疏表示分类方法(SRC)和协作表示分类方法(CRC)具有明显的分类优势.但在样本数有限情况下ProCRC方法中样本需更精确地被表示才能获得精确的结果.针对该问题,提出使用单演特征来精确地表示人脸样本.实验结果明表所提出方法能够有效地提高在复杂光照、遮挡、姿态、样本数有限条件下的人脸识别率.     

基于Meanshift采样的辅助变量粒子滤波跟踪算法

针对视频图像运动目标跟踪时的时延问题和目标被遮挡时易丢失的问题,提出了一种基于Meanshift采样的辅助变量粒子滤波跟踪算法。采用AVPF算法作为跟踪算法的主体框架,对每个辅助采样粒子进行Meanshift转移,利用采样粒子确定候选目标区域,对候选目标模型与目标模型进行相似性度量,更新粒子权重,最后估计目标状态。仿真结果显示,本文算法能够有效处理跟踪过程中目标部分被遮挡的问题,具有较好的鲁棒性和较好的实时性。     

基于相关滤波的重检测目标跟踪算法

针对目标跟踪中因严重遮挡、变形、快速运动等因素导致的跟踪失败问题,提出一种基于相关滤波的重检测跟踪算法。首先使用相关滤波算法Staple对目标进行位置估计,然后构造一个检测滤波器对Staple算法跟踪结果进行置信度检测,将检测分数作为跟踪结果的置信度评估结果。若检测分数小于给定阈值,则激活在线SVM分类器对跟踪结果进行重检测。同时用检测滤波器对SVM分类结果进行检测,若检测分数大于Staple跟踪算法检测分数,则采用SVM的跟踪结果。在基准数据集OTB-2013上的实验结果表明,该算法精度达到80.2%,成功率达到60.6%,整体性能优于其它6种对比算法。     

基于HOG特征及稀疏外观模型的目标跟踪

提出一种基于HOG特征结合稀疏外观模型(HOG-SPAM)的目标跟踪算法。提取目标模版和候选目标的HOG特征,HOG特征对图像的几何形变、光照以及阴影变化具有较强的鲁棒性;使用提取的HOG特征构建目标的稀疏外观模型,稀疏外观模型对目标外观变化具有鲁棒性,采用对齐汇聚方法度量候选目标与目标之间的相似性。在多个基准图像序列中,与已有流行方法相比,HOG-SPAM算法在目标外观变化和光照变化情况下有较好的鲁棒性,同时在复杂背景情况下也具有一定鲁棒性。     

浅谈中文垃圾邮件过滤系统的设计与实现

本文的研究目标是设计一个客户端的邮件解决方案,通过使用贝叶斯分类算法构建贝叶斯分类器,实现一个基于最小风险决策的贝叶斯分类方法的垃圾邮件处理系统.该系统主要完成收发邮件、识别垃圾邮件的基本功能,详细阐述了邮件预处理模块和邮件过滤模块的设计与实现.     

一种基于CNN-AE特征提取的目标跟踪方法

针对视觉跟踪中运动目标的鲁棒性问题,提出一种基于卷积神经网络结合稀疏自动编码器的特征提取方法进行图像目标跟踪。该方法首先将大量有标注数据集输入到卷积神经网络进行预训练,然后使用这些卷积特征无监督的训练稀疏自编码器得到稀疏特征,并利用该特征对目标进行描述。最后结合两种经典的跟踪方法,采用Meanshift与卡尔曼滤波对目标进行实时跟踪。结果表明,利用深度学习模型代替以往人工提取特征的方式能够更好地描述目标模型,对光照变化、尺度变化、遮挡等都具有良好的适应性,以及较好的实时性。     

利用朴素贝叶斯分类器的视频分类方法

朴素贝叶斯分类器是分类算法集合中基于贝叶斯理论的一种算法,为了对海量的视频进行分类,提出了一种基于朴素贝叶斯分类器的视频分类方法。首先,对视频进行特征提取,提取纹理、颜色以及亮度三种反映其类别的特征。在提取到视频的颜色、亮度以及纹理特征之后,然后进行基于朴素贝叶斯分类器的视频分类。对于输入的几种特征,采用极大似然估计,直至完成最终的分类。实验结果表明,提出的视频分类方法取得了较为准确的分类结果,对篮球、足球、斯诺克等5个运动项目均取得了90%以上的分类准确性。     

基于方差估计的快速稀疏表示目标跟踪算法研究

针对粒子滤波框架下稀疏表示跟踪算法存在的粒子规模大以及复杂的L1范数最小化计算等问题,提出一种基于方差估计的快速稀疏表示目标跟踪算法。该算法首先在运动估计阶段应用方差估计优化采样粒子的分布;然后利用L2范数代替L1范数对判别目标函数进行稀疏求解计算,并进一步从重构误差的度量形式做出改进来增强L2范数的稀疏性;最后利用在线字典学习(ODL)算法对模板字典进行在线更新。实验结果表明,该算法能够克服干扰实现稳定快速跟踪,提高跟踪效率。     

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。     

Android平台下恶意软件分析与检测

针对Android平台下恶意软件侵扰问题,提出一种基于权限—敏感API特征的加权朴素贝叶斯分类算法的检测方案。首先对Android应用程序中的配置文件进行解析,然后利用Apktool工具对APK文件进行反编译,提取出权限—敏感API特征集,并通过信息增益算法和卡方检验算法过滤冗余数据,最后利用加权朴素贝叶斯分类算法的恶意软件检测模型进行分类判断。实验结果证明,该系统能有效提高分类器的效率和恶意软件的检测率。     

实时视频中多目标遮挡跟踪方法研究

在监控背景固定的情况下,提出了基于目标模型的多目标遮挡跟踪方法。首先建立目标模型,包括颜色、形状及运动特征,然后通过帧间建立的匹配矩阵判定目标是否发生遮挡。当目标发生遮挡时,提出生成"虚目标"进行遮挡目标定位,再通过概率推理方法计算遮挡目标的可见度。实时视频上的实验结果表明,算法能在遮挡时准确跟踪及识别目标。     

基于代价敏感性AdaBoost的皮肤分类器

为解决不同光照条件下皮肤难以检测的问题,提出一种基于代价敏感性CS-AdaBoost算法的皮肤分类器。通过对皮肤像素提取6个基于亮度值的像素特征,并循环选取特征,使用基于CS-AdaBoost算法程序训练最佳弱分类器,通过对所有最佳弱分类器的加权线性组合得到最终的皮肤分类器。由于在算法程序中引入了代价因子θ,使分类结果偏向总错分代价较小,即提高了皮肤样本的分类正确率。使用SDD皮肤数据库评估该皮肤分类器性能,结果表明,该皮肤分类器分类正确率达到了85%,比传统皮肤分类方法提高了5%。     

一种新的红外图像人体检测算法

提出一种新的红外图像人体检测算法并实现。首先采用灰关联分析理论从单幅红外图像中获取边缘轮廓清晰的人体候选区域,然后融合边缘方向梯度直方图特征、区域密度特征及人体形状特征来描述人体候选区域,以提高区域特征的描述准确性,最后使用支持向量机分类器对目标进行分类,在不同的红外图像测试集中进行实验,结果表明,所提出的算法识别效果良好,并具有一定的鲁棒性。     

基于增量的贝叶斯算法在网页文本中的应用

如今文本自动分类技术发展已较为成熟,中文网页的分类也是自动分类技术的应用之一.分类精度依赖于分类算法,贝叶斯算法在网页分类中有很广泛的使用,但它需要大量且已标记的训练集,而获得大量带有类别标注的样本代价很高.本文以中文网页信息增量式的学习作为研究对象,利用网页已验信息处理训练集增量问题,提出一种改进的增量式的贝叶斯分类算法,研究利用未标记的中文网页来提高分类器的性能,并进行相关实验对比和评价.     

STC目标跟踪算法及改进

针对传统的STC目标跟踪算法在刚性形变、多尺度自适应跟踪效果不稳定问题,提出了一种改进的STC目标跟踪算法。结合时空上下文信息特征,利用PCA自适应颜色降维特征建立外观模型,获得先验模型|在频域进行在线学习,建立上下文模型|计算置信图,找到响应分数最大值,预测下一帧位置。为验证算法有效性,在Benchmark库提供的数据集中进行算法测试和分析,结果证明,其在刚性形变、快速运动、遮挡、彩色图像跟踪中有较好的鲁棒性。     

混合Kalman滤波器与Chamshift人脸跟踪算法的研究

文章通过Kalman滤波器预测由Camshift算法检测到的人脸窗1：7在下一帧图像可能出现的位置,进行下一帧图像的人脸跟踪．其中,Kalman滤波器的使用克服了单纯使用Cam-shift跟踪在遮挡或者丢失跟踪物体的不足,可以大大提高人脸跟踪的正确率．     

基于Kalman和Surf的Camshift目标跟踪研究

传统的Camshift运动目标跟踪算法在目标遮挡或背景颜色干扰下,容易陷入局部最大值,造成目标跟踪丢失。针对这一问题,提出了一种结合Kalman滤波及Surf特征提取的改进算法。该算法需在视频序列中手动框选跟踪目标作为目标模板。将传统Camshift算法得到的目标候选区域与目标模板进行直方图对比,得到的巴氏系数若大于设定的阈值则说明目标跟踪丢失。采用Surf算法,在该帧图像中匹配出新的目标候选区域,最终得到候选区域的位置信息更新Kalman滤波。仿真实验表明,改进后的算法在复杂背景下仍然具有良好的跟踪效果。