基于图像对数极坐标变换的多分辨率相关匹配算法

常规的图像相关匹配算法通常只具有平移不变性，而不具有尺度和旋转不变性，这就给存在尺度和旋转变化图像间的匹配问题设置了障碍。针对这一问题，提出了一种基于图像对数极坐标变换的相关匹配算法，并融入了高斯金字塔多分辨率机制以提高算法的效率。由于对数极坐标变换具有尺度和旋转不变性，因此该方法能够较好地克服传统图像匹配算法的缺陷，不仅可以完成存在更一般运动的图像间的匹配，而且在匹配的同时还可以对图像的尺度和旋转变化量进行估计。     

利用团块模型进行目标跟踪

提出了一种基于局部特征的目标跟踪算法．通过多尺度分析方法,根据颜色和空间上的相似性将目标分割为多个区域,每个区域由一个团块表示,团块包含了该区域所有像素的颜色均值、形状和位置．根据团块特征构造目标的外观模型,定义团块的匹配准则,通过团块匹配进行目标跟踪．由于目标模型是基于局部特征的,并且包含目标的全局空间结构,因此该算法在局部遮挡和目标尺度变化的情况下,依然能够进行准确地跟踪．实验表明该算法能够有效实现复杂场景下的目标跟踪,性能优于Mean-shift算法．     

尺度自适应结构输出目标跟踪算法

针对目标尺度明显变化时采用固定尺度的结构输出目标跟踪算法容易出现跟踪失败的问题,提出一种改进的尺度自适应目标跟踪算法。新算法在传统结构输出跟踪算法基础上,将目标运动信息引入候选样本采集过程,通过自举滤波器的状态转移模型预测目标的当前位置和尺度,生成一组多尺度候选样本集,避免了固定尺度的密集均匀采样,实现尺度自适应的同时降低了算法的计算量。实验结果表明,所提算法在目标发生明显尺度变化、部分遮挡以及旋转等情况下具有较高的鲁棒性,且实时性相比于传统结构输出跟踪算法明显提高。     

基于图像矩信息的CamShift视觉跟踪方法

为了适应视觉跟踪过程中目标形态的变化,使用核密度估计对视频序列中的运动目标进行色彩分布建模,运用CamShift算法进行跟踪,并结合图像矩信息确定目标区域.采用全局更新策略对目标色彩分布模型进行实时更新,进一步提高了跟踪的准确性.实验结果表明,该方法对目标在平移、旋转、局部遮挡等不同运动条件下均可实现稳定的跟踪,克服了尺度变化对跟踪带来的影响,是一种鲁棒性较强的跟踪算法.     

飞蛾扑火优化的尺度比例感知空间长期跟踪器

针对无人机长期跟踪过程中尺度变换导致目标丢失和跟踪精度低的问题,提出了一种基于飞蛾扑火优化(moth-flame optimization, MFO)的尺度比例感知空间长期跟踪器。首先,设计了高斯初始化以代替飞蛾扑火优化算法的随机初始化策略,降低优化算法在跟踪过程中的计算复杂度,减少算力浪费;其次,结合快速梯度直方图特征,构建了改进的飞蛾扑火优化跟踪器;然后,为了解决无人机航拍长期跟踪中目标尺度变化的问题,设计了一种自适应尺度变换的判别尺度空间跟踪(discriminative scale space tracking, DSST)算法,进一步提出了一种尺度比例感知空间跟踪器,解决了尺度滤波器中因长宽比固定而导致的跟踪漂移;同时,分析了滤波器响应峰值在各背景下的变化情况,提出了一种能反映环境变化下跟踪置信度的指标,并通过置信度将MFO优化跟踪框架与尺度比例感知空间跟踪器相结合,解决了尺度变化与长期跟踪目标丢失的问题;最后,在无人机长期跟踪数据集上开展了性能验证。结果表明：提出的算法可有效防止漂移现象的发生,提升跟踪效率;与目前跟踪领域中12种同类文献算法进行对比可知,提出的算法精度较高...     

分层特征移动机器人行人跟踪

利用行人头肩或者颜色特征,实现行人外层初定位;在初定位区域上,应用改进的尺度不变特征变换(SIFT)特征匹配实现对目标的精确定位.根据SIFT特征确定目标尺寸,解决行人尺度变化问题;将SIFT特征模板库更新机制引入特征保留优先级,解决行人短暂遮挡和形变的问题.为解决传统Cam-Shift算法的椭圆核函数自适应问题,将SIFT特征尺度变化与Epanechnikov函数融合,构成自适应带宽核函数,克服背景对目标的干扰.外层粗定位结果限制了Harris算子的检测范围,提高了SIFT特征匹配的实时性.实验结果证明,所提出移动机器人行人跟踪算法可以在目标尺度变化、短暂遮挡以及形变情况下实现行人跟踪.     

基于灰度共生的多线索目标联合优化跟踪

为了提高跟踪算法对多种目标表观变化场景的自适应能力与跟踪精度,提出一种基于灰度共生的多线索目标联合优化跟踪算法。该算法首先提取目标灰度信息,通过灰度共生的高区分度特征对目标进行二元超分描述,结合三阶张量理论融合目标区域的多视图信息,建立起目标的三维在线表观模型,然后利用线性空间理论对表观模型进行双线性展开,通过双线性空间的增量学习更新,降低模型更新时的运算量。通过二级联合跟踪机制对跟踪估计进行动态调整,以避免误差累积出现跟踪漂移。与典型算法进行多场景试验对比,表明该算法能有效地应对多种复杂场景下的运动目标跟踪。     

核窗宽自适应的均值偏移跟踪算法

针对固定窗宽的均值偏移算法对逐渐变大的运动目标跟踪不准确的问题,提出了一种窗宽自适应的均值偏移跟踪算法。先对当前帧进行均值偏移跟踪,再通过后向跟踪使跟踪窗口中心与目标形心匹配,利用巴氏系数最大化对窗宽进行±10％的修正,使跟踪窗口的尺度自适应变化。实验结果表明：该算法提高了跟踪精度,增强了跟踪稳定性,保证了跟踪的实时性。     

一种基于改进RT-MDNet的全景视频目标跟踪算法

为了解决全景视频目标跟踪过程中,由于光照条件变化、相似背景干扰、目标运动时产生的形变和尺度变化等因素的影响,在跟踪中会出现目标漂移、目标丢失等情况,进而导致目标跟踪算法成功率低,鲁棒性差等问题,提出一种基于长短期记忆网络和改进Real-Time MDNet网络的全景视频目标跟踪方法.算法首先采用浅层卷积神经网络提取特征,并利用自适应的RoIAlign减少特征提取过程中的像素损耗,而后运用目标特征在线更新最后一个全连接层的权重,在全连接层中实现前景背景分离并提取出目标区域,然后通过长短期记忆网络自适应地选取目标框的尺度,最终输出目标位置信息.实验结果表明:单目算法应用在全景数据集时,难以适应全景中的尺度变化和背景变化,改进算法利用3层长短期记忆网络构建的尺度预测模块,可以有效地应对全景数据存在的尺度变化和目标形变问题,在保持较好的跟踪精度的同时,可以有效地应对目标跟踪中出现的小目标、目标遮挡、多目标交叉运动的情况,获得更好的视觉效果和更高的重叠率得分.     

基于L1范数和最小软阈值均方的目标跟踪算法

基于传统稀疏表示的目标跟踪算法无法解决跟踪过程出现的遮挡及运动模糊等问题,提出一种基于L₁范数和最小软阈值均方的目标跟踪算法。首先用主成分分析(principal component analysis, PCA)基向量建模跟踪目标的表观变化,同时对表示系数进行L₁范数约束;其次对误差项采用最小软阈值方法进行显示求解,同时对观测模型的更新上考虑跟踪目标的遮挡因素;最后在贝叶斯框架下搭建目标跟踪算法。在14个具有挑战性的跟踪视频上的试验结果表明:与其他算法相比,本研究能够克服跟踪过程中遮挡、角度变化、尺度变化、光照变化等影响跟踪性能的因素,具有较高的平均覆盖率和较低的平均中心点误差。     

Two-level searching tracking algorithm based on fast Fourier transform

In order to solve the problems of appearance change, scale and rotation change in the visual tracking, a two-level searching tracking algorithm based on Fast Fourier Transform(FFT)is proposed. It achieves two-level searching by establishing the object's kernel ridge regression model in the Cartesian coordinates and log-polar coordinates, respectively, and the efficiency can be improved by transforming the operation into the frequency domain based on FFT. First, the kernel ridge regression model is constructed in the Cartesian coordinate and the object's center position is obtained by the exhaustive search method based on the circular structure matrix. Then, it transforms the object area to the log-polar coordinates and searches the shift using the kernel ridge regression model in the log-polar coordinates. Finally, the object's state is calculated according to the searching results and the object's model is updated. Experimental results indicate that the proposed algorithm not only can obtain a distinct improvement in coping with the appearance change, scale and rotation change, but also have a high tracking efficiency.     

Research on visual object tracking by fusing dynamic and static features

Traditionally, most tracking algorithms only use the single static feature or single dynamic feature to model the object. The static feature based model can not describe the object's dynamic characteristics and is difficult to adapt to the changing object with a background cluster, abrupt movement and rotations. While the classical optical flow is able to describe local dynamic characteristics, it has aperture issues. Therefore, we present a new tracking method based on fusing the dynamic and static features adaptively: the dynamic feature is extracted by the bidirectional optical flow and error metric adaptively, and is fused with the static feature by the fusion weight efficiently. The fusion weight based covariance is constructed to evaluate error ellipse which describes the object's scale and orientation exactly; the weight assignment parameter is updated by an on-line parameter updating mechanism, which balances the dynamic feature and static feature and ensures the tracking adaptation to the object's velocity and scene changes. Experiments show that the proposed algorithm can achieve better tracking results compared with the related algorithms, on the occasions when the object moves abruptly and rotates with a background cluster.     

基于矩阵加权多模型融合的认知跟踪波形设计

针对机动目标状态跟踪问题,认知雷达能够调整发射端波形来获取持续、稳健目标跟踪信息.本文基于矩阵加权多模型融合思想引入一种新的面向机动目标跟踪的认知雷达自适应波形设计方法(Adaptive waveform design method based on Matrix-weighted Interacting Multiple Model,AMIMM).首先,利用多模型思路对机动目标状态进行建模,并考虑各模型目标状态估计及其误差协方差矩阵中元素间相关性,以矩阵加权融合方式代替传统概率加权方式,进而构造基于矩阵加权多模型信息融合的跟踪算法框架;然后,以多模型状态融合后的状态估计误差协方差矩阵为基准,利用特征值分解(Eigen Value Decomposition,EVD)技术求取融合后状态估计误差协方差矩阵对应椭圆参数;最后,通过分数阶傅里叶变换(fractional Fourier transform,FrFT)来旋转雷达量测误差椭圆,使得量测误差椭圆与融合后目标状态估计误差椭圆正交,从而获得下一时刻认知波形参数,实现波形自适应捷变.仿真实验表明,与当前流行多种算法相比,本文所提算法能够进一步提高机动目标跟踪精度和稳健性.     

Visual object tracking with the adaptive scale based on AGMM point sets matching

A visual object tracking method with the adaptive scale based on AGMM(Asymmetrical Gauss Mixture Models) point sets matching is proposed aimed at adaptively following the object's scale changes, which often cause tracking failure. As the feature point set in the last frame is considered as the GMM centroids and the feature point set in the current frame represents the data respectively, AGMM fuses the feature information and spatial information; by comparing the similarity between data and GMM centroids, we match the point sets between two adjacent frames and obtain the reliable feature points in the current frame; the degree of dispersion between points in the point set accurately reflects the size of the object scale and by using affine transformation, the proportion of the two point sets is computed to estimate the position and scale of the bounding box in the current frame accurately and effectively. Experimental results demonstrate that the method is adaptive to scale change and has advantage in illumination variation and color similar target tracking.     

基于Fourier-Mellin变换的红外图像配准

该文针对一种新的基于相位相关的图像配准方法,在需要配准的两幅图像中心选取同样大小的区域,在对数极坐标的表示下,这两个区域图像的互功率谱经傅里叶反变换后是一个二维脉冲信号.首先可以利用相位相关法求得旋转角度和缩放因子,然后根据上一步求得的结果再次利用相位相关法求出两个方向上的平移参数,至此可以获得图像的配准参数.对Fou...     

Hough变换在几何特征检测中的应用

介绍了Hough变换原理,研究了Hough变换的点线对偶特性,分析了应用Hough变换检测平行线段的角度及平行线段之间距离的原理,提出了应用Hough变换检测三角形、菱形孔径及椭圆长短轴长度的方法.计算机模拟检测结果表明,Hough变换在由直线段组成的目标检测方面具有独特的性能,它将检测目标从目标空间转换到参数空间,避免了在目标空间检测时的目标分类、目标编码等复杂运算,使得被测参数的测量变得简单易行.这一研究结果可广泛应用于纤维、孔径等自动测量中.     

适用于目标跟踪的加权增量子空间学习算法

为了克服目标物外观变化给跟踪造成的困难,提出一种基于加权增量子空间学习的目标跟踪算法.该算法构造了一个可在线更新的子空间作为视频中目标物的外观模型,根据概率转移模型预测得到一组图像样本作为目标物在当前帧中可能出现的图像区域;然后将图像样本投影到该低维子空间中估计每个图像样本为目标图像区域的似然度,以具有最高似然度的样本作为目标在当前帧中的图像区域,通过加权增量的方式调整子空间.实验结果表明：相比基于其他增量子空间学习的跟踪算法,该算法能够稳定、准确地对运动目标进行跟踪.     

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换（SIFT）算法的精度和稳定性都不够,而加速鲁棒特性（SURF）算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFF算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。     

基于Hough变换的亚像素椭圆检测

提出了一种Hough变换的亚像素椭圆检测方法.通过惯量椭圆匹配法将椭圆参数缩小到一个极小的变化范围内,然后再通过Hough变换法实现亚像素椭圆检测.