动态背景运动目标的快速锁定跟踪算法

为改善动态背景运动目标跟踪的精度和计算性能,提出一种Hu_Fourier特征描述子的目标识别算法和固定模板滑动置信度最佳线性逼近法的目标锁定跟踪算法。依据提出的Hu_Fourier特征描述子,快速准确地提取出识别区域运动目标的轮廓特征,结合加权距离目标识别算法,识别出图像中所有目标,计算目标的质心坐标。利用提出的固定模板滑动置信度准则,结合识别目标的质心,锁定目标,更新目标模板。依据最佳线性逼近法,确定下一帧图像的目标搜索区域。理论分析和实验结果验证了该目标锁定跟踪算法的鲁棒性和有效性。     

基于改进生物启发神经网络的机器人目标搜索方法

针对未知环境下机器人目标搜索的问题,按照机器人能力不同对搜索区域进行划分,目标点在自己运动的过程中会在局部范围内留下信息素并且这些信息素会随着时间的流失而减少,机器人可以探测到这些信息素的多少进而影响机器人下一个搜索位置的选择。本文采用改进生物启发神经网络选取机器人探索范围内活性值最大的点作为下一个搜索位置。为了防止在连续的时间段内多次选择相同的点,引入禁忌搜索,把多次选择相同的点放入禁忌表中,可以有效防止陷入局部最优点。与随机搜索方式和原始的生物启发神经网络进行对比,验证了该方法对动态目标的搜索具有良好的效果。     

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。     

图象中目标的快速搜索算法

随着系统技术的发展,对目标识别跟踪系统的要求正朝着智能化方向发展,即要求系统具有对目标的自动捕获、自动识别和自动跟踪的能力。为此,在利用目标与背景之间的灰度分布特性的基础上,提出了一种在一定的范围内能自动搜索并锁定目标的目标搜索算法。该算法假定搜索过程是在一个较大的区域开始进行的,而目标仅是该区域内一个在灰度上与背景有差别的小区域。由于这个假定是符合实际情况的,因此该搜索算法可以看作是一个简单的主动边界方法,它首先由一个收缩算法逐步缩小搜索区域,再结合图象的梯度信息来搜索目标,最后锁定目标轮廓。该算法在搜索过程中只对少数的控制点进行计算,而且对控制点的初始位置无严格限制,因而可以在含有目标的区域快速完成搜索过程,实验结果表明,该算法对不同大小、不同形状的目标都可以取得很好的搜索结果。     

基于单目视觉的移动机器人测距方法

本文针对多机器人编队过程中的跟踪控制,提出了一种跟踪机器人采用单目视觉技术获取前方被跟踪机器人距离信息的方法.该方法首先对跟踪机器人摄像机进行内参数标定,并在目标机器人背部设置视觉标记.然后系统获取目标机器人的含有视觉标记的单帧图像,预处理此图像,并识别出图像中的视觉标记所在的目标区域,用Hu氏不变矩计算该区域形心.最后推导出单目测距算法,利用图像信息和其它参数可以计算出两机器人之间的距离.实验结果表明,所设计的单目测距系统能得到准确的距离,为跟踪控制提供了重要的反馈信息.     

二值图象边界平滑跟踪的一个算法

开发了一个用于二值图象边界平滑跟踪的一个算法。使用这个算法能去掉或修正某些可能是虚假的干扰点。这些点是二值图象边界一个或一组沿特定链码方向的凸点或凹点。重复地使用这个算法，直到边界不含有这些点。这个算法能有效地使用在二值图象的模式识别与机器人视觉的预处理中。     

煤矿救援机器人环境目标图像识别

针对标准尺度不变特征变换(SIFT)算法存在搜索视觉图像中关键点出现计算冗余和目标识别实时性差的问题,提出了一种改进的SIFT算法,并将其应用到煤矿救援机器人的环境信息感知和目标识别匹配中。该方法以马氏距离代替标准SIFT算法中的欧氏距离,简化了特征点提取,避免了特征点的误匹配。现场试验结果表明,改进后的SIFT算法提高了煤矿救援机器人对煤矿井下环境目标识别的实时性和目标匹配的准确性,为煤矿救援自主移动机器人实现避障、行走做好了视觉前提。     

自适应区域协方差跟踪算法

协方差跟踪算法由于其优秀的特征描述能力在近年获得众多关注,但其全局遍历搜索策略使其仍不够高效。提出一个通用的、自适应的协方差跟踪算法,该算法利用了自适应积分区域计算策略和简单的遮挡检测处理方法,前者远快于积分图像计算并自适应于跟踪目标和跟踪环境,后者用于动态调整搜索窗口的大小。积分图像计算和全局协方差跟踪可以看作所提算法的一种特例。所提算法自然统一了局部搜索策略和全局搜索策略,并可根据跟踪环境(如遮挡、突然偏移)自然切换。所提算法既获得了在正常情况下局部搜索所带来的高效、偏离的健壮性和稳定的轨迹,又获得了在非正常情况下的由更大搜索窗口所带来的遮挡处理和重新识别定位目标的能力。通过在部分视频序列上的实验,所提算法展现出优秀的目标表达能力、更快的跟踪速度和更好的健壮性。     

基于激光雷达机器人的目标人跟踪方法研究

针对机器人的目标人跟踪问题,提出一种利用目标人腿部信息自适应跟踪的方法。该方法利用激光雷达作为环境感知传感器,实时获取环境的二维激光扫描数据;然后采用设计的激光相邻点聚类算法对激光扫描数据进行分割和聚类;再利用人腿圆弧状特征设计的类圆弧人腿形状识别算法从分割的数据中识别腿部数据,获得目标人腿部相对于机器人的位置信息;最后利用Kalman滤波算法对目标人的位置和速度进行跟踪,使机器人能够平稳地跟踪目标人运动。该算法在iRobot机器人平台上进行实验,实验结果验证了算法的有效性。     

核函数带宽自适应的均值漂移目标跟踪算法

针对均值漂移(Mean Shift)算法在跟踪视频目标过程中核函数带宽固定不变的缺陷,提出了一种核函数带宽与目标大小自适应变化的Mean Shift视频目标跟踪算法.用Mean Shift算法搜索到目标,以搜索框中心不变,将搜索窗口扩大,并计算新搜索框的模型及每个像素的核函数权值;通过将每个像素点的核函数权值代替像素值,并利用不变矩计算方法,识别出能框选住目标的椭圆;根据椭圆参数反求新搜索框的大小(核函数带宽)及位置.实验结果表明,该算法能够有效地跟踪大小变化的目标,并且搜索框能较好地与目标大小相适应.     

PTZ自主跟踪中的全景视频生成

提出了一种在单PTZ摄像机自主跟踪过程中生成全景视频的方法。该方法在自主跟踪目标的同时,生成目标在大场景上运动的全景视频,可应用于PTZ摄像机监控场所。该方 法将全景视频看作全景背景图像和当前目标图像的叠加：首先利用Mean Shift跟踪方法逐帧获取目标区域图像并保存;然后利用相邻两帧视频图像的竖直方向投影匹配和Harris角 点匹配结果合成全景背景,与传统的配准方法相比,大大降低了匹配运算的复杂度,使全景背景的生成能够实时进行,并记录每帧图像到背景图像的变换参数;最后逐帧将目标区 域图像变换到背景图像上得到全景视频。本文方法与传统的全景视频生成方法相比,无需人工控制摄像机的转动,也无需手工对齐视频帧,整个过程全部自动完成。     

视频中运动目标的实时检测和跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域，特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出了一种自适应的背景相减法来分割运动物体，为了准确地定位运动车辆的区域，采用差分图像投影和边缘投影相结合的方法来定位车体，同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪，即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆，同时也能实时地定位和跟踪弯道上运动的车辆，从实验结果看，提出的背景更新算法简单，并且运动车辆区域的定位具有很好的鲁棒性，从统计的检测率和运行时间来看，该算法具有很好的检测效果，同时也能满足基于视频的智能交通监控系统的需要。     

背景估计与运动目标检测跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域,特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出一种自适应的背景估计方法来实时获得当前背景图像,从而分割出运动物体。为了准确地定位运动车辆的区域,采用差分图像投影和边缘投影相结合的方法来定位车体,同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪,即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆,同时也能实时地定位和跟踪弯道上运动的车辆,从实验结果看,提出的背景更新算法简单,并且运动车辆区域的定位具有很好的鲁棒性,从统计的检测率和运行时间来看,该算法具有很好的检测效果,同时也能满足基于视频的智能交通监控系统的需要。     

结合相位一致性的度量学习跟踪

目的 目标跟踪在实际应用中通常会遇到一些复杂的情况,如光照变化、目标变形等问题,为提高跟踪的准确性和稳定性,提出了一种基于相位一致性特征的度量学习跟踪方法。方法 首先对目标区域提取相位一致性特征,其次结合集成学习和支持向量机的优点,利用度量学习的思想进行区域的相似性判别,以此来确定目标所在位置。跟踪的同时在线更新目标模型和度量矩阵从而实现自适应性。结果 算法的有效性在有外观、光照变化及遮挡等具有挑战性的视频序列上得到了验证,并与当前几种主流方法进行了跟踪成功率和跟踪误差的定量比较,实验结果显示本文算法在4组视频上的跟踪误差平均为15个像素,跟踪成功率最低的也达到了80%,优于其他算法,具有更好的跟踪准确性和稳定性。结论 本文设计并实现了一种基于度量学习的跟踪新方法,利用较少的训练样本即可学习到有判别力的度量矩阵。该跟踪方法对目标特征的维数没有限制,在高维特征空间的判别中更有优势,具有较好的通用性,在有外观、光照变化及遮挡等复杂情况下,均能获取较为准确和稳定的跟踪效果。     

基于多颜色融合及投影特征的跟踪算法

提出一种基于多颜色空间信息融合和投影向量的目标跟踪算法,用以解决传统camshift不能描述目标的空间信息等缺陷。该算法利用Y、U、V、H等多种颜色分量的统计直方图进行信息融合来描述目标颜色特征,通过水平和垂直投影直方图描述目标的空间位置信息。该算法可以反映跟踪目标的部分空间信息,并具备一定的形变适应性。实验表明,该算法能够较好地改进运动目标的跟踪效果。     

切换滤波方法在深度图像噪声处理中的应用

基于Kinect深度图像的互动投影系统受到多种混合噪声干扰.单一的滤波方法只针对特定噪声,往往难以取得很好的效果,通常要将几种滤波方法联合使用.一般的联合滤波虽然可以保证图像的精确度,但算法复杂度高、耗时较长,影响了互动投影系统的实时性.针对上述矛盾,本文首次将切换系统方法引入到数字图像滤波领域,提出了一种任意切换滤波算法,并将其应用到实际的互动感投影系统中.实验结果表明,切换滤波算法既能很好地去除噪声,又能保证跟踪的实时性,达到了良好的目标跟踪效果,可以广泛应用于各种图像滤波处理系统中.     

Realtime multi-aircraft tracking in aerial scene with deep orientation network

Tracking the aircrafts from an aerial view is very challenging due to large appearance, perspective angle, and orientation variations. The deep-patch orientation network (DON) method was proposed for the multi-ground target tracking system, which is general and can learn the target’s orientation based on the structure information in the training samples. Such approach leverages the performance of tracking-by-detection framework into two aspects: one is to improve the detectability of the targets by using the patch-based model for the target localization in the detection component and the other is to enhance motion characteristics of the individual tracks by incorporating the orientation information as an association metric in the tracking component. Based on the DON structure, you only look once (YOLO) and faster region convolutional neural network (FrRCNN) detection frameworks with simple online and realtime tracking (SORT) tracker are utilized as a case study. The Comparative experiments demonstrate that the overall detection accuracy is improved at the same processing speed of both detection frameworks. Furthermore, the number of Identity switches (IDsw) has reduced about 67% without affecting the computational complexity of the tracking component. Consequently, the presented method is efficient for realtime ground target-tracking scenarios.     

密集特征加权跟踪算法

目的 当前大多数基于Mean-shift的跟踪算法都忽视了目标中密集的特征信息,本文有效利用密集特征信息,来提高跟踪的准确性.方法 在目标模型中,常存在一些颜色特征相对聚集,形成一定大小的特征密集区,这些区域的面积或大或小,对人眼视觉跟踪异常重要.这些区域形成的空间结构信息,可以被利用到目标跟踪.提出一种高效的目标模型,通过计算密集特征区域面积,以及密集区质心到目标中心的距离,构建加权系数,通过该系数,来增加目标中分布相对集中的特征的权值,同时削弱离散特征的权值.同时使用零阶矩和目标模型与候选模型之间的相似度系数,估算目标的面积;再使用预测目标面积补偿法,对目标中因使用背景加权法而权重被削弱的特征区域,进行面积补偿;最后使用估算的目标区域面积以及二阶中心距,估算目标尺度和方向的改变.在跟踪过程中,背景如发生较大变化,则对目标模型进行更新.结果 本文算法具有很好的尺度适应性,跟踪平均准确率在94.6%以上,得到较当前一些先进方法更好的准确度和效率.结论 提出的算法能增加目标模型中不同特征权值间的差异,使得构建的目标模型具有较强区分目标和背景的能力,提高了定位目标的准确性;面积补偿法解决了目标因特征权重被削弱,而导致估算的目标面积小于实际面积的问题.     

前景约束下的抗干扰匹配目标跟踪方法

传统模型匹配跟踪方法没有充分考虑目标与所处图像的关系,尤其在复杂背景下,发生遮挡时易丢失目标.针对上述问题,提出一种前景约束下的抗干扰匹配（Anti-interference matching under foreground constraint,AMFC）目标跟踪方法.该方法首先选取图像帧序列前m帧进行跟踪训练,将每帧图像基于颜色特征分割成若干超像素块,利用均值聚类组建簇集合,并通过该集合建立判别外观模型;然后,采用EM（Expectation maximization）模型建立约束性前景区域,通过基于LK（Lucas-Kanade）光流法框架下的模型匹配寻找最佳匹配块.为了避免前景区域中相似物体的干扰,提出一种抗干扰匹配的决策判定算法提高匹配的准确率;最后,为了对目标的描述更加准确,提出一种新的在线模型更新算法,当目标发生严重遮挡时,在特征集中加入适当特征补偿,使得更新的外观模型更为准确.实验结果表明,该算法克服了目标形变、目标旋转移动、光照变化、部分遮挡、复杂环境的影响,具有跟踪准确和适应性强的特点.     

前景划分下的双向寻优跟踪方法

目的 基于目标模型匹配方法被广泛用于运动物体的检测与跟踪。针对传统模型匹配跟踪方法易受局部遮挡、复杂背景等因素影响的问题,提出一种前景划分下的双向寻优BOTFP （Bidirectional optimization tracking method under foreground partition）跟踪方法。方法 首先,在首帧中人工圈定目标区域,提取目标区域的颜色、纹理特征,建立判别外观模型。然后,利用双向最优相似匹配方法进行目标检测,计算测试图像中的局部特征块与建立的外观模型之间的相似性,从而完成模型匹配过程。为了避免复杂背景和相似物干扰,提出一种前景划分方法约束匹配过程,得到更准确的匹配结果。最后,提出一种在线模型更新算法,引入了距离决策,判断是否发生误匹配,避免前景区域中相似物体的干扰,保证模型对目标的描述更加准确。结果 本文算法与多种优秀的跟踪方法相比,可以达到相同甚至更高的跟踪精度,在Girl、Deer、Football、Lemming、Woman、Bolt、David1、David2、Singer1以及Basketball视频序列下的平均中心误差分别为7.43、14.72、8.17、13.61、24.35、7.89、11.27、13.44、12.18、7.79,跟踪重叠率分别为0.69、0.58、0.71、0.85、0.58、0.78、0.75、0.60、0.74、0.69。与同类方法L1APG （L1 tracker using accelerated proximal gradient approach）,TLD （tracking-learning-detection）,LOT （local orderless tracker）比较,平均跟踪重叠率提升了20%左右。结论 实验结果表明,在前景区域中,利用目标的颜色特征和纹理特征进行双向最有相似匹配,使得本文算法在部分遮挡、目标形变、复杂背景、目标旋转等条件下具有跟踪准确、适应性强的特点。