在复杂场景下，传统的粒子滤波跟踪算法较难定位目标。针对此问题，提出了一种基于在线特征选择的粒子滤波跟踪算法。该算法首先在线、自适应地通过Fisher 判别准则，从16 个不同的颜色特征空间中选择最能区分目标及其邻近背景的1 个最佳特征空间，然后在这个最佳特征空间中用基于统计直方图的粒子滤波算法跟踪目标。试验结果表明，该算法鲁棒性和准确性较好，在光照变化、目标自身发生形变和遮挡情况下能够准确地对目标进行跟踪。
目标跟踪 在线特征选择 Fisher 判别准则 粒子滤波 target tracking online feature selection Fisher discriminating rule particle filter
本文将跟踪看作是二分类问题，提出了一种基于Adaboost 集成学习和快速水平集的轮廓跟踪算法。该方法首先在线地训练一个弱分类器的集合用以区分目标和背景，而通过Adaboost 将集合中的各弱分类器组合成一个强分类器，并用于标定下一帧中的各像素的类别属性，从而确定快速水平集算法的速度函数，然后采用基于动态邻近区域快速水平集来演化目标边界曲线以实现目标的轮廓跟踪。为适应目标和背景的变化，在跟踪过程中在线训练新的弱分类器，而时间相关性则通过更新包含新弱分类器的集合来实现。实验结果表明，在摄像机运动、光照变化、部分遮挡或目标尺度变化等情况下，能实现刚体或非刚体目标的轮廓跟踪。
集成学习 快速水平集 轮廓跟踪 ensemble learning Adaboost Adaboost fast level set contour tracking
针对固定摄像机监控中多运动目标自动分割问题，本文提出了一种基于背景差分和水平集的新方法。首先，该方法通过求解连续三帧图像的对称差分，确定出当前帧中的背景像素点，并对背景像素点的灰度值进行统计，最后选择频率最高的灰度值作为该点背景像素灰度值来重构背景。其次，提出了基于8-邻域搜索的区域生长算法完成连通区域的检测，并通过设置阈值和连通域分析，消除背景块噪声并标定出运动目标区域。最后，对所有运动目标区域块，分别采用无需重新初始化的水平集算法作分割，得到封闭和完整的目标轮廓。实验结果表明，该算法能实现固定摄像机监控中刚体或非刚体的多运动目标的自动检测和轮廓分割。
计算机视觉 背景重构 运动检测 水平集 图像分割 computer vision background reconstruction motion detection level set image segmentation
