结合Camshift和Kalman预测的运动目标跟踪

针对单一的CamShift跟踪算法在目标发生遮挡时非常容易致使跟踪目标失败的问题,本文提出了一种基于CamShift和Kalman预测的跟踪算法。首先,采用帧间差分阈值法来快速、精确地检测和提取出运动目标;然后,通过在CamShift算法中使用运动目标的颜色特征,在图像序列中找到运动目标的所在位置和大小;最后,使用Kalman滤波预测目标的位置,进而有效地解决了背景中大面积相同颜色的干扰和目标部分被遮挡等问题。用无线遥控车完成了运动目标的跟踪实验,实验证明结合CamShift算法和Kalman预测滤波能实时、准确地跟踪目标。     

视频序列中基于均值漂移的运动目标跟踪的研究

随着数字图像处理与计算机视觉技术的发展,运动目标跟踪检测在监控安保、机械避障与遥感图斑自动识别等领域被广泛应用。本文基于均值漂移算法,探究复杂条件下的运动目标跟踪问题,并针对该算法存在的优势与不足进行了深入分析,通过引入自适应原理与Kalman滤波算法,降低在均值漂移运算时迭代次数,实现短暂遮挡情况下的组合式运动目标跟踪。     

交互式多模型算法在机器人目标跟踪中的应用

将交互式多模型(IMM)算法应用于视觉伺服机器人对机动目标的跟踪。使用匀速运动(CV)和匀加速运动(CA)模型表示目标的两种运动状态,利用马尔可夫链进行模型切换,根据目标前一时刻的状态和当前的观测值,预测目标当前的状态。在Matlab上对IMM滤波算法和Kalman滤波算法进行了仿真实验研究,结果表明,不管目标处于何种运动状态,IMM算法估计量的误差均值都比Kalman滤波算法的误差均值小,尤以目标作机动运动时更为突出,证明了应用IMM算法可以提高跟踪机动目标的精度。     

多特征融合与Kalman滤波的CAMShift跟踪算法

针对CAMShift算法在实际应用场景中受颜色和遮挡时跟踪失败的问题,提出一种多特征融合与Kalman滤波的CAMShift目标跟踪算法。多特征融合是在CAMShift算法基础上将边缘、纹理与颜色特征融合在一起,采用改进的Canny算子描述边缘特征,采用统一模式下的N-LBP构造纹理特征,并利用巴氏(Bhattacharyya)系数计算各个特征的自适应融合权值,通过不同特征之间的优势互补,增强特征的表达能力。当跟踪目标无遮挡时,使用CAMShift算法计算目标位置并更新Kalman滤波器参数,有遮挡时,使用Kalman滤波预测当前目标的位置,最后仿真实验表明,本文算法受环境影响小,相比CAMShift算法跟踪误差显著降低。     

改进的CamShift无人机目标跟踪算法

目前,无人机视频目标跟踪算法在应用方面仍存在一些问题,比如在光照不均、目标发生旋转、目标被遮挡的情况下跟踪效果不佳。因此,本文提出一种结合HLBP特征匹配与Kalman滤波的CamShift跟踪算法。首先通过HLBP算法对目标特征进行提取,获得更准确的纹理特征,进而减小光照变化以及目标旋转对特征提取造成的干扰,其次通过巴氏距离对目标遮挡程度进行判断,最后结合Kalman滤波算法对目标位置进行预测,能够有效解决目标发生遮挡时跟踪效果不佳的问题。实验结果表明,在无人机目标跟踪的实际应用中,改进算法能够有效降低外在干扰对跟踪效果的影响,跟踪精度得到提升。     

融合YOLO检测与均值漂移的目标跟踪算法

针对视频目标跟踪算法中物体快速移动以及均值漂移算法误差累积造成的目标漂移问题,提出了一种融合YOLO（You Only Look Once）与均值漂移的目标跟踪算法。采用图像增强机制对视频帧进行预处理,在保持图像信息的同时去除光照强度的干扰;为了降低YOLO算法的计算复杂度,使用二分类器区分目标和背景进行物体的快速检测。根据目标物体的位置信息,使用均值漂移处理后续图像序列,并对目标物体进行检测更新,避免物体快速移动造成目标漂移问题,从而进行有效的检测跟踪。实验结果表明,该算法与DLT（Deep Learning Tracker）算法相比,运算效率提高了12.56%,跟踪精度提高了10.2%,能够较好地适应物体快速移动,具有较强的鲁棒性和实时性。     

一种改进的TLD算法

针对跟踪算法目标遮挡后易出现跟踪漂移的问题,提出了一种跟踪学习检测（TLD）算法与Kalman滤波相结合的手势跟踪方法.在跟踪器跟踪成功后,加入识别窗的方法进行遮挡判定.产生遮挡后目标模型不再更新,学习器不再更新集合分类器.若是部分遮挡,则由TLD学习器处理;若是严重遮挡,则改由Kalman滤波算法预测目标的运动轨迹.该方法在保留TLD算法长期稳定跟踪、适应摄像机快速运动与复杂背景等优点的基础上,改善了目标遮挡后易出现跟踪漂移的问题.实验表明：提出的改进TLD算法比其他常见跟踪方法具有更加优异的性能.     

基于两步跟踪算法的海关车辆监控研究*

针对实时性和鲁棒性要求比较高的海关卡口车辆视频监控问题,提出了一种基于改进的均值漂移算法和粒子滤波算法的两步跟踪算法。对海关车辆监控的目标图像采用YCbCr颜色空间建立初始帧目标模型,利用改进后的均值漂移算法找出候选目标,在跟踪相似度小于设定的阈值时再利用改进后的粒子滤波算法进行后续的跟踪。通过实验分析,验证了提出的算法既能保证均值漂移算法跟踪的实时性,也能保证粒子滤波算法跟踪的鲁棒性,具有较好的应用价值。     

一种适用于离岗检测的目标跟踪算法

提出一种改进的适用于智能安防领域中离岗检测的目标跟踪算法,该算法结合均值漂移算法和粒子滤波算法的优点,先使用均值漂移算法对目标进行预跟踪,然后在此基础上使用粒子滤波对目标精确定位,在保证了跟踪准确率的前提下缩短了算法的计算时间。此外,针对监控视频大多分辨率低,目标辨识度不高等特点,在本文中,原始视频流的灰度信息和纹理信息被作为待跟踪目标的特征。实验结果证明,采用该混合特征的目标跟踪算法比其他同类算法在目标跟踪的准确率和实时性上具有更好的表现,能够适应更广泛的视频场景。     

光电跟踪系统传感器延迟及控制算法研究

为克服使用光电传感器成像时必须容忍的积累光子时间,以及图像信号处理算法较大的计算量带来的传感器纯延迟对目标跟踪随动系统造成的带宽限制,研究了Matlab/Simulink环境下纯延迟系统的仿真问题,根据开环剪切频率与延迟时间的关系设计了PI控制器,并提出了新型Kalman滤波控制器.通过Bode图比较和仿真实例比较可知:新型Kalman滤波控制器采用Kalman一步递推和多步预测以及由目标位置预测信号得到速度预测信号的方法是可行的.     

基于Tiny-YOLOV3的无人机地面目标跟踪算法设计

为了提高四旋翼无人机对地面目标跟踪的稳定性和跟踪精度,提出了一种结合Tiny-YOLOV3和卡尔曼滤波的跟踪算法;首先分析了Tiny-YOLOV3的原理和网络结构,并基于Tiny-YOLOV3的目标检测结果,结合无人机状态和目标的几何关系建立了目标跟踪系统的数学模型;接着对目标相对运动关系进行分析,建立目标的运动学模型,考虑到目标检测结果受干扰影响较大,应用卡尔曼滤波器实现对目标轨迹的滤波和预测,进而提升目标跟踪的精度;最后根据经过卡尔曼滤波后的目标轨迹信息设计无人机控制律,在轨迹控制的同时引入对无人机偏航角的控制,从而实现无人机对目标的稳定跟踪;仿真结果表明无人机对目标的位置跟踪精度在0.5 m以内,速度跟踪误差在0.2 m/s以内,偏航角跟踪误差在3°以内,跟踪效果良好,从而论证了所提算法的有效性。     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.该算法先采用转换量测容积卡尔曼滤波器和位置量测对目标状态进行估计,再利用经典容积卡尔曼滤波器对新构造的伪多普勒量测进行量测更新以实现目标跟踪.通过对所提算法的性能分析验证该算法的一致性和收敛性.仿真结果表明,该算法与其他跟踪算法相比,具有更高的跟踪精度.     

基于卡尔曼滤波与感知哈希技术的模板匹配跟踪算法

为解决传统模板匹配跟踪算法计算复杂度高且在目标形变、光照变化、遮挡等情况下容易发生跟踪漂移的问题,本文提出一种融合卡尔曼滤波、图像感知哈希与模板匹配的跟踪算法。本算法采用感知哈希技术提取目标的哈希值作为模板进行匹配,采用卡尔曼滤波预测下一帧中候选目标的搜索区域,然后,结合模板的哈希序值和目标位置变化信息设计新的匹配准则进行模板匹配,最后根据匹配结果,采用自适应模板更新策略和跟踪策略对目标进行跟踪。试验结果表明,本算法在目标形变、光照变化以及遮挡情况下具有一定的鲁棒性,且能满足实时跟踪的要求。     

GPS动态定位中卡尔曼滤波模型的建立及其强跟踪算法研究

提出一种改进的强跟踪卡尔曼滤波算法,应用于GPS动态定位滤波中获得明显效果。首先建立了一种新的GPS动态定位滤波模型,该模型与以往采用的非线性卡尔曼滤波模型相比,具有模型简单、实时性好的特点。为了进一步提高滤波器的动态性能,改进了文献[1]中的强跟踪滤波算法,大大提高了滤波器的跟踪能力。     

检测区域动态调整的TLD目标跟踪算法

针对经典跟踪-学习-检测(TLD)目标跟踪算法由于检测区域过大而导致的检测时间过长及对相似目标跟踪处理效果不理想的问题,提出一种检测区域可动态自适应调整的方法——TLD-DO。该方法利用两次Kalman滤波加速度矫正预测的检测区域优化算法DKF,通过缩小TLD检测器检测范围,以达到在跟踪精度略有提升的情况下提高跟踪速度的目的;同时此方法可排除画面内相似目标的干扰,提高在含有相似目标的复杂背景下目标跟踪的准确性。实验结果表明:TLD-DO算法在处理不同视频与跟踪目标时,检测速度有1.31~3.19倍提升;对含有相似目标干扰情况下,跟踪效果明显优于原TLD算法;对目标抖动及失真情况有较高的鲁棒性。     

基于高斯和SCKF 的姿态角辅助三维目标跟踪

首先, 根据目标运动与姿态角的关系, 分析目标在偏航角和俯仰角下的速度变化, 进而推导出姿态角辅助三维目标跟踪模型; 然后, 针对姿态角量测非高斯情况, 在分析均方根容积卡尔曼滤波的基础上, 提出新的高斯和均方根容积卡尔曼滤波算法, 以提高非线性非高斯的处理能力; 最后, 结合不同运动模式下姿态角分量的特点, 建立姿态角分量不同的跟踪模型, 通过模型切换实现对姿态角机动的跟踪. 仿真结果验证了所提出跟踪模型和滤波算法的正确性和有效性.     

Square-root unscented Kalman filtering-based localization and tracking in the Internet of Things

The Internet of Things (IoT), which is usually established over architectures of wireless sensor networks, provides an actual platform for various applications of personal and ubiquitous computing. Recently, moving target localization and tracking in an IoT environment have been paid more and more attention. This paper proposes a square-root unscented Kalman filtering (SR-UKF)-based algorithm to discover real-time location of a moving target in an IoT environment where there exist quantities of sensors. The data generated from wireless sensor nodes of the IoT make contributions to localization and tracking of the moving target. First, a least-square (LS) criterion-based mathematical model is proposed for localization initialization in an IoT scenario. Next, we employ an SR-UKF idea for the further localization and tracking. By using the data coming from sensor nodes near the target, real-time location of the moving target can be estimated by implementation of SR-UKF in an iterative fashion so as to achieve target status tracking. Simulation results show that the proposed algorithm achieves good performance in estimation of both position and velocity of the target with either uniform linear motion or variable-speed curve motion. Compared with some existing conventional extended Kalman filtering (EKF) or UKF-based methods, the proposed algorithm shows lower location/velocity estimation error under the same computational complexity, which demonstrates its potential significance in ubiquitous computing applications for an IoT environment.     

复杂背景下的快速机动目标跟踪算法

为了解决复杂背景及大视野场景下跟踪机动目标易丢失和跟踪精度低的难题,提出了一种复杂背景下的快速机动目标检测与跟踪算法.利用帧间差分算法提取图像中的机动目标,在初始帧建立机动目标的颜色直方图模型,将后续输入图像的像素值转化为直方图分布下的概率值;根据与目标模型的相似度,将每个候选区域的像素值作为密度;利用自适应均值漂移算法寻找机动目标的真实位置;利用卡尔曼滤波预测目标位置.实验结果表明:算法能够准确地在复杂背景和大视野场景下快速检测并跟踪机动目标.     

改进扩展卡尔曼滤波算法的目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出了一种基于改进扩展卡尔曼滤波的目标跟踪算法。构建时间差和信号到达方向的观测方程,利用几何和代数关系化简得到伪线性模型,通过改进卡尔曼滤波算法对目标运动轨迹进行跟踪,采用仿真实验对算法性能进行测试。结果表明,相对于传统扩展卡尔曼滤波算法,在相同条件下,该算法不仅提高了目标跟踪精度,而且使目标跟踪结果更加稳定。     

基于双目视觉的水下动态目标识别与定位方法研究

针对动态水下目标跟踪定位过程需要良好的实时性与鲁棒性问题,提出一种基于双目视觉的水下动态目标定位方法;利用快速引导滤波提取水下图像的光照分量,构造了一种改进的二维伽马函数,并对其参数利用光照分量的分布特性进行调整,实现了对水下不同环境图像下的亮度自适应校正处理;利用卡尔曼滤波预估下一时刻目标的位置,将预测空间作为ROI区域进行图像校正,极大降低了算法的运行时间;在HSV空间对目标进行掩膜提取,识别之后通过双目定位算法对目标进行准确定位;经过水箱试验验证,与多尺度高斯函数、双边滤波等算法相比,该方法在运行速度上有着显著的提高,达到了35FPS,在定位过程中有着较高定位精度,在方向的平均相对误差为(3.59%,3.35%,1.42%);结果表明,该算法可以满足水下动态目标跟踪定位的实时性与鲁棒性要求。