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。     

基于点云匹配的AR饰面作业系统跟踪注册方法

针对建筑机器人饰面作业过程中常因视觉遮挡导致作业效率低的问题,使用增强现实解决遮挡并提出一种基于点云匹配的增强现实跟踪注册方法。利用目标模型点云与作业环境点云的匹配进行目标的初始定位;利用改进的相关滤波跟踪算法对目标进行跟踪获取目标位置;基于迭代最近点法对目标位姿进行估计。在跟踪注册过程中加入位姿优化,保证目标位姿估计精度。为了更加准确地跟踪目标位置,提出一种特征融合和尺度自适应的改进相关滤波目标跟踪算法。通过板材安装实验,表明跟踪注册方法精确性、实时性均较好,最小识别误差达到2.88 mm,具有良好的虚实融合效果。     

遮挡条件下多运动车辆跟踪研究

针对SURF算法能够提取到的图像特征点较少的问题,基于保持亮度特性的双直方图均衡算法,通过重构SURF尺度空间提取图像特征。将这种方法与卡尔曼滤波相结合进行目标跟踪,用特征点的中心作为跟踪点;通过卡尔曼滤波预测出运动目标的位置,判断遮挡是否发生;最后,应用该方法进行目标特征向量匹配。实验结果表明,该算法对发生旋转、缩放以及遮挡的多运动目标都可进行稳定跟踪,其跟踪速度比R-SURF算法提高20%;在跟踪速度相当的情况下,跟踪精度要高于卡尔曼滤波跟踪算法。     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

基于CamShift融合局部特征匹配的无人机目标跟踪研究

针对由于CamShift算法跟踪特征单一引起的对颜色相似目标或背景的干扰和对目标遮挡情况较敏感的问题,提出了一种CamShift融合局部特征匹配的无人机目标跟踪算法。实验表明,局部特征匹配算法中BRISK匹配算法在特征检测和特征描述阶段都表现出了较好的性能,融合CamShift算法和BRISK算法的目标跟踪算法在能保证目标跟踪的实时性要求的前提下,改善了CamShift对颜色相似目标或背景的干扰的敏感性,同时增强了对目标遮挡鲁棒性。该方法通过颜色特征和局部特征的共同定位目标,实现了目标的准确跟踪。     

基于二阶非线性投票的多目标跟踪算法*

提出了基于二阶非线性投票的多目标跟踪算法。该算法通过目标匹配得到同一目标在不同帧中的位置,同时利用特征监测来处理目标的遮挡、分裂问题,并实现目标特征的实时更新。在目标匹配过程中,通过对目标前一帧与当前帧的特征相似性进行投票,得到匹配目标。利用视频图像进行实验,结果表明,该方法对噪声、阴影、遮挡、分裂等具有良好的鲁棒性,较好地实现了多目标的跟踪。     

基于轨迹聚类的超市顾客运动跟踪

针对超市等复杂应用环境下的运动目标轨迹跟踪问题,将轨迹聚类运用于目标跟踪中,提出了一种超市顾客运动跟踪方法。该方法对Kanade-Lucas-Tomasi(KLT)算法提取并跟踪得到的特征点轨迹进行预处理,滤除背景和短时特征点以分离出运动目标所在区域的关键特征点;进而采用均值漂移(meanshift)算法进行轨迹聚类,解决了单帧静态特征点聚类时的目标遮挡问题;最后采用运动跟踪匹配算法对前后帧的特征点进行最优匹配,解决了目标出入视频区域以及具有复杂路线时的稳定跟踪问题,得到顾客的完整运动轨迹。实验结果表明,该方法能够在超市入口、生鲜区以及收银台等各种典型超市区域中完成顾客轨迹的运动跟踪,并对顾客部分遮挡、复杂运动轨迹以及异步运动等多种特殊情况具有较高的鲁棒性。     

适用于多目标之间遮挡问题的跟踪算法

多目标在运动中相互遮挡是视频跟踪研究中的难点问题.对此,提出一种新的区域对应和特征匹配相结合的多目标跟踪算法,将遮挡分为融合和分裂两过程.先用区域对应算法判断是否有融合分裂事件发生.对分裂带来的对应问题,用一种新的颜色特征匹配准则计算相似度进行二次跟踪判别.实验结果表明该算法计算速度快,能有效解决多目标的遮挡问题.     

角点匹配与均值漂移相结合实现目标跟踪

提出一种改进的目标跟踪方法。将归一化系数的角点互匹配与Mean-shift相结合。当目标的一部分特征出现在背景中或目标与背景相似度较高时,Mean-shift算法的跟踪性能将会下降。针对这一问题,提出采用颜色特征和角点特征相融合,用归一化的角点互匹配算法,能有效降低误匹配率,提高匹配精度。在某些帧中,由于噪声、遮挡等干扰时,发生角点0匹配,这时采用Mean-shift算法作为临时替代跟踪器,并更新目标模版,以适应目标的旋转运动,当有角点恢复匹配时,重新进行角点匹配跟踪。     

基于特征匹配预估的Mean Shift运动检测与跟踪

针对传统Mean Shift跟踪算法在目标存在背景干扰或遇到遮挡时,目标跟踪不准确的问题,提出了一种基于特征匹配运动检测预估的Mean Shift跟踪方法.采用Harris算法提取跟踪目标特征点进行运动定位检测,通过Kalman滤波器估计每一帧中目标迭代的起始位置,由Mean Shift算法从预估位置开始迭代搜索,最终实现目标跟踪.实验证明:提出的算法能够在遮挡的情况下对目标进行精准的定位检测,有效改善了复杂条件下的跟踪效果,具有较好的鲁棒性.