提出了一种在粒子滤波框架下的结合在线外观模型(online appearance model,OAM)和柱状人头模型(cylinder head model,CHM)的人脸三维运动跟踪方案,具体包括:1)融合多种观测信息来降低OAM的光照敏感性和个体相关性;2)针对OAM适合跟踪局...提出了一种在粒子滤波框架下的结合在线外观模型(online appearance model,OAM)和柱状人头模型(cylinder head model,CHM)的人脸三维运动跟踪方案,具体包括:1)融合多种观测信息来降低OAM的光照敏感性和个体相关性;2)针对OAM适合跟踪局部运动但在大姿态下会跟踪失败的问题,将OAM与适合于大姿态下全局运动跟踪的CHM结合起来,在当前帧将CHM匹配得到的全局运动参数作为OAM匹配的初始值,将OAM匹配得到的人脸运动参数作为下一帧CHM匹配的初始值;3)基于局部优化和改进重采样来改进粒子运动滤波策略.实验表明:该系统在大姿态、表情剧烈变化、遮挡和强光照下能得到较好的跟踪效果,且OAM+CHM的跟踪正确率高于OAM的24%,OAM+CHM的姿态跟踪范围大于OAM的11%.主观实验表明:由跟踪得到的人脸运动参数合成的虚拟人脸具有较高的辨识度.展开更多
针对目标视觉跟踪过程发生的目标漂移和错误匹配问题,提出一种基于SDAE(stacked DAE,堆叠去噪自编码器)网络和在线Deep Boost学习(Online Deep Boost,ODB)策略的多目标视觉跟踪算法.该方法首先在SDAE网络上通过ODB方法学习目标的局部-...针对目标视觉跟踪过程发生的目标漂移和错误匹配问题,提出一种基于SDAE(stacked DAE,堆叠去噪自编码器)网络和在线Deep Boost学习(Online Deep Boost,ODB)策略的多目标视觉跟踪算法.该方法首先在SDAE网络上通过ODB方法学习目标的局部-全局特征.然后根据特征权重结合粒子滤波器和soft-max分类器跟踪目标并对其分类,得到目标最相似的状态值.最后引入时间信息得到目标外观的动态持续时间,在线更新模型以适应目标的外观变化.实验表明,该算法能够有效适应目标外观变化,解决目标漂移现象,多目标准确率MOTP达到97.61%,较同类算法提高2.89%,其鲁棒性、稳定性也有所提高.展开更多
文摘提出了一种在粒子滤波框架下的结合在线外观模型(online appearance model,OAM)和柱状人头模型(cylinder head model,CHM)的人脸三维运动跟踪方案,具体包括:1)融合多种观测信息来降低OAM的光照敏感性和个体相关性;2)针对OAM适合跟踪局部运动但在大姿态下会跟踪失败的问题,将OAM与适合于大姿态下全局运动跟踪的CHM结合起来,在当前帧将CHM匹配得到的全局运动参数作为OAM匹配的初始值,将OAM匹配得到的人脸运动参数作为下一帧CHM匹配的初始值;3)基于局部优化和改进重采样来改进粒子运动滤波策略.实验表明:该系统在大姿态、表情剧烈变化、遮挡和强光照下能得到较好的跟踪效果,且OAM+CHM的跟踪正确率高于OAM的24%,OAM+CHM的姿态跟踪范围大于OAM的11%.主观实验表明:由跟踪得到的人脸运动参数合成的虚拟人脸具有较高的辨识度.
文摘针对目标视觉跟踪过程发生的目标漂移和错误匹配问题,提出一种基于SDAE(stacked DAE,堆叠去噪自编码器)网络和在线Deep Boost学习(Online Deep Boost,ODB)策略的多目标视觉跟踪算法.该方法首先在SDAE网络上通过ODB方法学习目标的局部-全局特征.然后根据特征权重结合粒子滤波器和soft-max分类器跟踪目标并对其分类,得到目标最相似的状态值.最后引入时间信息得到目标外观的动态持续时间,在线更新模型以适应目标的外观变化.实验表明,该算法能够有效适应目标外观变化,解决目标漂移现象,多目标准确率MOTP达到97.61%,较同类算法提高2.89%,其鲁棒性、稳定性也有所提高.
