基于静态自适应外观模型纠正的目标跟踪算法

针对单目标跟踪过程中难以长期稳定跟踪的问题,提出一种基于静态-自适应外观模型纠正的跟踪算法。首先将跟踪过程中可能遇到的干扰因素分为来自环境和目标本身两类,分别提出静态外观模型和自适应外观模型,静态外观模型用于全局匹配,自适应外观模型用于局部跟踪,静态模型纠正自适应模型的跟踪漂移问题;使用单链接层次聚类算法去除两种模型融合后引入的噪声;针对运动目标消失再出现时难以捕获的问题,使用静态模型进行全局搜索,捕获目标。对于实验中的视频序列,视频序列中目标的中心位置准确率为0.9,计算机每秒能够处理26帧图像。实验结果表明,该跟踪算法框架可以实现长期稳定的跟踪,具有良好的鲁棒性和实时性。     

基于信噪比最大化的目标自适应跟踪

针对采用静态目标表达模型容易导致跟踪失败的缺点,本文提出一种基于自适应特征生成模型的目标跟踪方法。在该方法中,将目标看作为有效跟踪信号,而背景则为随机噪声,在对目标的似然图像进行构建后,采用局部信噪比对当前目标所处特征空间的可跟踪性进行量化比较,选用信噪比最大的表达模型作为当前的特征跟踪模型。基于Mean Shift的目标跟踪实验表明,与采用静态目标表达模型相比,文中的算法具有更好的鲁棒性和可行性。     

一种基于隐马尔可夫模型的目标轨迹跟踪算法

现有的定位算法只表现了目标的静态位置特征, 不能较好地在目标移动情况下跟踪获取目标的运行行为轨迹。针对这一问题, 设计了一种基于隐马尔可夫模型的目标轨迹跟踪算法。该算法根据小区覆盖范围内的地理位置信息和目标用户的移动速度, 建立隐马尔可夫模型; 然后, 基于维特比译码算法对最佳路径和最佳状态概率进行最优化求解, 实现对目标轨迹的跟踪。仿真结果表明, 该算法可以在基站小区分辨率下精确地获取目标轨迹。     

知识辅助的多模型机动目标跟踪算法

多模型机动目标跟踪技术是一种先进的目标跟踪算法。由于目标类型越来越多、运动环境越来越复杂,仅使用位置量测进行目标跟踪变得越来越难以满足应用要求。除位置量测之外,引入目标和环境相关的知识,对多模型算法中的模型集、转移概率矩阵和模型概率这3个关键因素进行自适应调整,可以有效提高机动目标跟踪性能。本文对知识辅助多模型机动目标跟踪算法的原理和方法等进行了分析。按照知识作用的对象（模型集、转移概率矩阵和模型概率）和作用方式（智能法和非智能法）分别介绍了该类算法的原理及其特点,最后对该类算法下一步的研究方向和发展趋势进行了展望。     

基于组合分片模型和粒子滤波的人脸跟踪算法*

针对现有跟踪主流算法对目标机动性、目标遮挡和目标背景干扰综合性能不强的现状,改进算法利用组合分片模型和粒子滤波算法的结合来提升综合性能,提高跟踪算法准确性。改进算法采用粒子滤波算法,同时通过优化组合重采样算法提高算法的跟踪性能。组合分片模型结合水平竖直分片模型和环形分片模型的优点,通过Bhattacharyya系数进行模型相似性度量,高效克服人脸跟踪中遮挡问题和背景干扰问题。实验通过改进算法和对比算法在多变化人脸视频集进行跟踪,证明改进算法提高了对人脸目标的跟踪成功率。针对人脸跟踪中目标机动性、目标遮挡和目标背景干扰问题,通过算法的改进,跟踪效果明显改善、提升了跟踪的成功率,实现了算法对以上三种因素综合性能的提升。     

基于统计模型和GVF-Snake的彩色目标检测与跟踪

为了能使传统监视系统具备目标自动检测与跟踪能力,提出了一种基于统计模型和GVF（gradient vectorflow）-Snake的彩色目标检测与跟踪算法.该算法可用于解决在静态背景下通过彩色视频信息来对运动目标进行自动检测与跟踪的问题,同时可直接给出目标轮廓的数学表示,并可简化后续目标识别算法的设计.该算法首先采用归一化RGB空间与灰度空间相结合的模型取代单一灰度模型来消除阴影对目标检测的影响;接着在此模型的基础上对差分图像进行GMM（Gaussian mixture model）建模,并构造运动边界图像,然后将静态图像轮廓提取算法GVF-Snake引入运动图像中,并通过修改能量项,使其能够跟踪运动目标的轮廓,最后针对Snake初始轮廓需要手工设定的问题,提出一种根据目标区域自动初始化轮廓的方法,为加快GVF-Snake的收敛速度,还采用一阶差分算法来预测下一时刻目标轮廓的位置.实验结果证明,该算法对刚性和非刚性两类目标都有较好的跟踪效果,可应用于智能监视和交通监控等领域.     

基于Camshift反馈码本模型的手抓取物跟踪方法

针对Camshift算法在复杂背景下无法自动跟踪目标的问题,提出一种基于Camshift反馈码本模型的运动目标检测和跟踪算法。该算法首先利用码本模型检测前景目标,然后采用Camshift在颜色概率分布图中跟踪前景区域中的目标,通过窗口尺寸比较和直方图相关性判断来解决自动跟踪,通过窗口位置预测和尺寸扩大来改进下一帧Camshift算法的输入搜索窗口,同时并集操作多个目标处理后的矩形窗口,并将其反馈为下一帧码本模型的图像检测区域。最后将该算法应用于手和目标物的抓取状态判断上,具体过程是在静态背景下利用两个摄像头采集到的图像进行手和目标物的检测和跟踪,通过矩形相交性判断抓取次数,以验证跟踪算法的有效性。实验结果表明,通过信息反馈减小了目标检测和跟踪的搜索区域,提高了算法的实时性,在单摄像头下可提高处理帧频130%。     

基于遮挡检测和时空上下文信息的目标跟踪算法*

基于时空上下文信息的目标跟踪算法利用目标与背景之间的时空关系,在一定程度上解决静态遮挡问题,但当目标出现较大遮挡或快速运动目标被背景中物体遮挡(动态遮挡)时,仍然会出现跟踪不准确或跟丢的情况.基于此种情况,文中提出基于遮挡检测和时空上下文信息的目标跟踪算法.首先利用首帧图像中压缩后的光照不变颜色特征构造并初始化时空上下文模型.然后利用双向轨迹误差对输入的视频帧进行遮挡情况判断.如果相邻帧间目标区域特征点的双向匹配误差小于给定阈值,说明目标未出现严重遮挡或动态遮挡,可以利用时空上下文模型进行准确跟踪.否则利用文中提出的组合分类器对后续帧进行目标检测,直至重新检测到目标,同时对上下文模型和分类器进行在线更新.在多个视频帧序列上的测试表明,文中算法可以较好地解决复杂场景下较严重的静态遮挡和动态遮挡问题.     

基于自适应变结构信息滤波的目标跟踪算法

目前目标跟踪算法采用的交互多模型,大多是通过固定模型之间的切换来完成目标跟踪,这容易出现模型集与目标真实运动不匹配问题,降低目标跟踪的精度。同时,现在大部分观测平台都能提供多传感器量测,这要求跟踪算法能对不同量测信息进行高效数据融合。针对上述问题,提出一种基于自适应变结构多模型和信息滤波的跟踪算法,它由少量模型构成模型集,通过在线更新模型集参数以自适应目标真实运动,采用无迹卡尔曼信息滤波融合多传感器量测信息,实现对目标的跟踪。仿真结果表明,该算法可以有效融合多传感器量测信息,自适应匹配目标真实运动,实现对目标稳定的高精度跟踪。     

一种模糊算法及其在多假设多目标跟踪中的应用

研究了基于模糊交互式多模型算法解决多假设多目标跟踪中的新目标数据相关问题。使用模糊交互式多模型算法处理新目标的数据相关问题,能够提高跟踪精度、时间效率。用隶属度表示每个模型与所跟踪新目标的隶属关系,根据隶属度选择最佳的模型对新目标进行跟踪。仿真结果表明,该方法不仅能够处理新目标的数据相关,同时又能够提高算法的时间效率。     

基于变维交互作用的IMM-CKF算法

为了对非线性情况下的机动目标进行跟踪,提出一种变维交互作用的交互多模型容积卡尔曼滤波(IMM-CKF)算法。该算法结合变维交互作用多模型滤波方法和容积卡尔曼滤波方法,对使用相同维数模型的IMM-CKF算法进行扩展,使其能够应用于更一般的目标跟踪环境。仿真结果表明,该算法的跟踪精度明显高于变维交互作用下的交互多模型不敏卡尔曼滤波(IMM-UKF)算法,验证了该算法的可行性和有效性。     

代谢模型与LK算法结合的目标跟踪研究

针对复杂环境下遮挡和视角变化导致目标跟踪漂移问题,提出一种新的目标代谢模型,并结合LK(Lucas-Kanade)图像配准方法,通过二阶段递进的跟踪方式,实现目标复杂运动状态下的有效跟踪。二阶段分别使用代谢模型中的动态模板和准静态模板进行跟踪,实时更新动态模板的同时,周期性更新准静态模板,利用目标运动信息与模板变化信息之间的关系,实现对目标新旧特征的代谢更新。实验结果表明,该算法有效解决了模型更新带来的跟踪漂移问题,具有较好的鲁棒性和实时性。     

交互式多模型算法的MT-R机器人视觉跟踪

针对机器人的视觉跟踪问题,提出了一种基于交互式多模型算法的视觉跟踪方法。该方法采用HSV颜色模型,通过交互式多模型算法进行滤波估计,获得目标的运动属性。利用交互式多模型算法对目标的位置进行一步或者N步预测,在获得下一帧的观测值后,在预测位置的区域进行目标搜索,可减少搜索区域,节省搜索时间,增加了跟踪的实时性。使用该方法对机器人足球比赛中的红色球进行搜索跟踪。实验结果表明,应用该方法可获得目标的运动属性,能快速搜索到运动目标,并能进行准确跟踪。     

混合高斯模型与CamShift算法结合的台球跟踪方法

传统的CamShift跟踪算法是基于颜色信息的算法,这种算法在背景与目标颜色相近时会出现跟踪不准确的情况,而且不能自动跟踪.针对这两个缺点,本文结合混合高斯模型来对这一跟踪算法进行改进,通过混合高斯模型来实现对运动目标的检测得到目标的轮廓,将图像处理中的形态学变换应用到目标轮廓检测过程中,可以得到更好的检测结果和目标轮廓.对检测的目标再利用CamShift算法进行跟踪,在程序中引入Kalman预测算法,对目标的位置进行估计,提高跟踪的准确性,实验结果表明了这种方法的有效性,实现了对多目标的自动跟踪.     

引入视觉显著性的多特征融合跟踪

针对大多数目标跟踪算法采用单一特征描述目标,在背景区域出现相似的干扰特征时跟踪精确度较低的问题,提出了一种引入视觉显著性的多特征融合的目标跟踪算法。首先,采用视觉显著性机制处理颜色直方图得到显著性特征,再使用混合特征策略融合显著性特征和BRISK(binary robust invariant scalable keypoints)特征,获取目标前景和背景模型;其次,运用双向光流检测和误差度量提取动态特征,并使用自适应搜索机制提取候选目标区域的静态特征,融合动态特征和静态特征;最后,根据匹配算法估算目标跟踪框的自适应尺度及中心,确定目标在当前帧图像中所处的位置。实验结果表明,该算法能够处理强烈光照变化、目标尺度变化、快速运动及部分遮挡等情况下的目标跟踪问题,并实时稳定地获得单目标跟踪结果。     

运动像机下基于粒子滤波的多目标跟踪算法

针对摄像机运动情况下的多目标跟踪问题,提出了基于粒子滤波的跟踪算法.在粒子滤波算法基础上,将二阶自回归过程作为系统状态转移模型,HSV颜色直方图作为观测模型,对视频中多个目标的位置、大小进行跟踪.实验结果表明,该算法能实时正确地跟踪多个目标,并对局部遮挡有较好的鲁棒性,也能在目标短暂消失导致跟踪失败后,在目标重新出现后及时捕获并继续进行跟踪.     

多移动机器人的目标跟踪研究

针对多移动机器人对固定目标和动态目标跟踪问题进行了研究;首先基于l－φ闭环控率对多移动机器人进行刚性编队,建立运动学模型,采用leader-follower协调策略算法,实现了多移动机器人的协调合作;然后采用SURF算法识别目标,通过路径规划实现对固定目标的跟踪以及利用卡尔曼滤波器实现对运动目标的跟踪,设计了基于Backstepping方法的控制器,使多移动机器人能稳定跟踪目标;最后用MATLAB进行仿真;仿真结果表明,所设计的控制器和算法能使多移动机器人的跟踪误差快速收敛于零,适用于多移动机器人对目标的跟踪。     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

基于压缩感知的监控视频多目标自适应跟踪算法

针对压缩感知跟踪算法无法自动识别目标和易积累噪声导致目标丢失的问题,提出一种融合图像预处理的压缩跟踪算法。算法在初始化阶段,采用背景建模和背景差分法实现自动识别目标区域和多目标的判定。随后,使用压缩跟踪算法进行多目标的跟踪。在跟踪过程中,采用更新机制,减少噪声的积累,防止目标丢失。更新背景模型,使算法适应光线变化。算法在监控视频库上进行测试,并与压缩跟踪算法进行了对比,实验结果表明,提出的多目标自适应跟踪算法,在主客观性能方面较同类算法具有显著提高,其跟踪精度和鲁棒性方面得到了改善。     

改进的核相关滤波器目标跟踪算法

针对传统单目标的核相关滤波器(KCF)跟踪算法在目标尺度变化的跟踪中存在的问题,提出了一种基于相关滤波器(CF)和尺度金字塔的多尺度核相关滤波器(SKCF)跟踪算法。首先通过传统KCF跟踪算法中分类器的响应计算当前目标是否受到遮挡,在未受到遮挡的情况下,对当前目标建立尺度金字塔;然后通过相关滤波器求取尺度金字塔的最大响应得到当前目标尺度信息;最后使用新目标图像为训练样本更新目标的外观模型和尺度模型。与核化的结构化输出(Struck)算法、KCF算法、跟踪-学习-检测(TLD)算法和多示例学习(MIL)算法进行对比,实验结果表明,所提出的多尺度核相关滤波器(SKCF)跟踪算法在五种算法中精确度和重合度都取到最高值。所提算法能够广泛应用于目标跟踪领域,对目标进行准确的跟踪。