基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

基于Mean shift和SIFT特征的运动目标跟踪方法

针对传统Mean shift跟踪算法对出现遮挡的运动目标定位不准确的问题,提出一种基于Mean shift和SIFT特征的运动目标跟踪方法。首先,用Mean shift跟踪运动目标;其次,采用SIFT特征算法提取Mean shift跟踪区域的SIFT特征和上一帧目标的SIFT特征进行匹配,得到SIFT跟踪结果;最后,对融合Mean shift跟踪结果和SIFT跟踪结果。实验结果表明：提出的算法能有效跟踪遮挡的运动目标。     

一种面向高斯差分图的压缩感知目标跟踪算法

针对压缩感知目标跟踪算法在目标纹理改变、比例缩放、光照变化剧烈时鲁棒性不足,提出一种面向高斯差分图的实时跟踪算法.首先,构建图像的多尺度空间及其对应的高斯差分图,实现高斯差分图的特征提取并获取压缩感知的输入信号;然后,通过压缩降维,目标邻域遍历,参数更新等过程,计算出面向高斯差分图的后续帧的目标最优跟踪窗;最后,将跟踪窗投影到对应的原始图像上,完成面向视频流的目标跟踪.高斯差分图像是单通道灰度图,具有灰度取值范围小、数值低、结构简单、维数少等特点,增强了特征对纹理改变、比例缩放和光照变化的稳健性,且继承了传统算法的实时性.实验证明,该算法能够快速准确地实现复杂环境下的移动目标跟踪任务.     

基于Kalman预测器的CT多特征加权目标跟踪算法

针对CT的目标跟踪算法,在外界环境光照改变、目标姿态变化及目标发生遮挡时出现跟踪飘移或丢失目标等问题,提出一种基于Kalman预测器的CT多特征加权目标跟踪算法。首先根据跟踪目标特征的稀疏特性,利用随机采样在线更新获取特征的离散样本,引入Online-boosting的多特征加权权值,优化置信图估计,并利用Kalman预测器预测修正跟踪目标区域位置。对三组不同场景图像序列测试结果表明提出的算法能够快速准确地实现复杂环境下的运动目标跟踪任务,有效地增强了目标特征对纹理改变、光照变化和目标遮挡的稳健性,且继承了传统算法的实时性。     

基于SIFT特征的复杂环境下目标跟踪算法研究

为有效地解决复杂背景情况下运动物体有效跟踪问题,利用SIFT特征匹配算法的尺度不变、旋度不变的特性优越性,提出了一种优选的匹配方案.运动目标采用背景减除法分割提取,通过优化的SIFT算法快速地检测特征点,计算出其相应的坐标,并有选择性的更新相应特征点的坐标,然后重复提取运动目标,刷新背景区域,融合多特征信息,更准确地匹配图像中特征点.实验表明,本算法有效改善了光线变化,运动物体发生尺度变换等复杂环境下的目标跟踪效果,具有较强的鲁棒性.     

基于SIFT特征与预测的运动目标检测算法

为了在动态场景下对运动目标进行快速检测,提出一个改进的SIFT特征匹配的检测算法。首先采用SIFT方法提取匹配的特征点;然后为全局运动建立起旋转参数模型,并使用RANSAC方法排除外点的影响,运用最小二乘法求解全局运动参数;最后利用基于残差图像块的更新策略对特征点进行更新。该算法是基于预测的SIFT特征点匹配算法,不仅保持了SIFT方法的优越性能,而且提高了检测目标的速度。与块匹配算法的实验结果对比表明,该算法可以实时准确地检测出运动目标。     

复杂场景中战斗机的鲁棒跟踪算法研究

为进一步适应复杂环境及战斗机自身状态的变化,提高目标跟踪算法的跟踪性能,在TLD算法框架下对其进行改进.首先,将改进了的SIFT特征匹配算法与TLD算法中的光流法相结合,根据战斗机的不同状态及周围环境自适应地选择相应算法,提高算法的鲁棒性和对复杂环境的自适应能力;其次,引入粒子滤波进行优化,实时预测战斗机状态并缩小检测范围,在降低计算难度的同时提高跟踪速度和持续性;最后,设置置信度检测以有效解决误判问题,提高跟踪精度.实验结果表明,当战斗机处于复杂场景或自身状态变化较大时,改进算法取得了优于参考算法的跟踪性能,可以满足长时间鲁棒跟踪的要求.     

基于HOG的实时压缩跟踪研究

压缩跟踪利用压缩感知理论将Harr类特征投影到低位空间中,实现了实时性跟踪。但该方法提取是关于颜色信息的特征,易受光照影响,在光照剧烈变化的场合会跟踪失败。基于此,提出一种基于梯度方向直方图实时压缩跟踪算法。该算法采用HOG特征取代Harr类特征,增强对光照的不敏感性,提高了跟踪鲁棒性。通过不同视频的测试结果表明,文章提出的方法在光照剧烈变化、形变等情况下能准确地跟踪目标,且平均帧率15 frame/s,基本满足实时性要求。     

一种面向高斯差分图的压缩感知目标跟踪算法

传统的压缩感知目标跟踪在目标纹理改变、比例缩放、光照变化剧烈时鲁棒性不足,本文提出一种面向高斯差分图的压缩感知目标跟踪算法。首先,构建原始图像的多尺度空间及其对应的图像高斯差分图,实现高斯差分图的特征提取并获取压缩感知的输入信号;然后,通过压缩降维,目标邻域遍历,参数更新等过程,计算出面向高斯差分图的后续帧的目标最优跟踪窗;最后,将跟踪窗投影到对应的原始图像上,完成面向视频流的目标跟踪。实验证明,高斯差分图像是单通道灰度图,相比较原始视频流的三通道彩色图,具有灰度取值范围小,数值低,结构简单,维数少等特点,增强了特征对纹理改变、比例缩放和光照变化的稳健性,且继承了原始算法的实时性。因此,与传统的压缩感知算法相比,本文算法能快速准确地实现复杂环境下的移动目标跟踪任务,具有更强的鲁棒性。     

一种基于SIFT特征的自适应滤波目标跟踪算法

针对目标跟踪过程中目标尺度伸缩和姿态形状的变化引起的目标丢失,以及使用单个模型跟踪机动目标不够理想,提出一种基于SIFT特征的自适应滤波目标跟踪算法.仿真结果表明,该算法在目标机动时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.     

Robust Visual Tracking with SIFT Features and Fragments Based on Particle Swarm Optimization

We propose a novel approach for visual tracking based on a particle swarm optimization (PSO) framework using SIFT feature points correspondence and multiple fragments in a candidate target region to cope with the problems of partial occlusions, illumination changes, and large motion changes of the tracked target. Firstly, optimal search in the successive frame tracking process is performed by the PSO algorithm, which guides all particles towards the global optima state based on a fitness function. Then, the SIFT feature information is integrated into the iterative results of PSO to acquire a more accurate tracking state. Secondly, we present an effective appearance model updating criterion, which evaluates which fragments in appearance model need updating at each frame. However, the fragments with occluded parts or low quality measure values are not updated. The method for updating appearance model is introduced to improve the tracking performance. Compared with state-of-the-art algorithms, the proposed method can still stably track the target during the course of long-term partial occlusions using superior fragments of tracked target. The experiment results demonstrate the effectiveness of our algorithm in complex environments where the target object undergoes partial occlusions and large changes in pose and illumination.     

An efficient real-time target tracking algorithm using adaptive feature fusion

Visual-based target tracking is easily influenced by multiple factors, such as background clutter, targets’ fast-moving, illumination variation, object shape change, occlusion, etc. These factors influence the tracking accuracy of a target tracking task. To address this issue, an efficient real-time target tracking method based on a low-dimension adaptive feature fusion is proposed to allow us the simultaneous implementation of the high-accuracy and real-time target tracking. First, the adaptive fusion of a histogram of oriented gradient (HOG) feature and color feature is utilized to improve the tracking accuracy. Second, a convolution dimension reduction method applies to the fusion between the HOG feature and color feature to reduce the over-fitting caused by their high-dimension fusions. Third, an average correlation energy estimation method is used to extract the relative confidence adaptive coefficients to ensure tracking accuracy. We experimentally confirm the proposed method on an OTB100 data set. Compared with nine popular target tracking algorithms, the proposed algorithm gains the highest tracking accuracy and success tracking rate. Compared with the traditional Sum of Template and Pixel-wise LEarners (STAPLE) algorithm, the proposed algorithm can obtain a higher success rate and accuracy, improving by 2.3% and 1.9%, respectively. The experimental results also demonstrate that the proposed algorithm can reach the real-time target tracking with 50+fps. The proposed method paves a more promising way for real-time target tracking tasks under a complex environment, such as appearance deformation, illumination change, motion blur, background, similarity, scale change, and occlusion.     

基于Camshift和SIFT线性融合的目标跟踪算法研究

Camshift算法是对MeanShift算法的改进,它可以解决目标尺度缩放、持续跟踪等问题。但是当目标颜色与背景颜色接近或者目标遇到旋转问题时,Camshift算法容易失效。而SIFT算子对旋转、亮度变化保持不变性,对颜色相近也保持一定的稳定性,所以本文提出一种Camshift与SIFT算子线性融合的目标跟踪算法。首先利用Camshift算法来对目标进行初步的跟踪,得到跟踪区域,再利用SIFT特征向量来匹配目标区域与跟踪区域,得到SIFT的匹配和校正结果,再将两种算法的结果进行线性融合,得到最终的跟踪结果。实验结果表明,本文提出的方法可以有效地解决跟踪过程中出现的旋转、颜色相近等问题。     

SIFT特征提取算法的FPGA实时实现

为了在运动目标检测与跟踪系统中能够实时地提取目标的特征点,从而完成图像实时匹配操作,提出了在FPGA实现SIFT特征提取算法。该算法采用SRAM复用技术简化程序,合理设计FPGA各模块结构。此外,该算法采用定点小数来保证算法的精度要求。整个算法在Virtex-5硬件平台上实现,采用verilog语言进行程序的编写和调试。结果分析表明,优化后的SIFT算法能够稳定地在FPGA上实现,同时算法的复杂度得到了降低并达到了精度要求,且具有良好的实时性。     

基于二进制稳健独立基元特征的扩展目标快速检测

在某些扩展目标光电成像中,目标图像缺少局部细节,因此采用复杂的特征检测算法和高维特征描述符,但这种方法不仅存在特征描述区分度弱的问题,而且还存在资源占用多、运算速度慢以及难以实现实时处理的缺点。主解决此问题提出了用加速分段测试提取特征(FAST)检测算法进行角点检测,用二进制稳健独立基元特征（BRIEF）描述符进行目标特征描述的新方法。同时,针对BRIEF描述符缺少方向判别,对目标姿态变化敏感的问题,提出了主方向约束机制,有效地提高了特征点识别的稳定性。将本方法与加速稳健性特征(SURF)和尺度恒定特征变化(SIFT)两种应用广泛的算法进行了比较,结果表明,本方法的运算速度分别达到了SURF的5倍和SIFT的17倍,且识别率与SURF相当,能在不降低特征识别率的基础上,实现目标的快速检测和稳定跟踪。     

基于目标红外特征与SIFT特征相结合的目标识别算法

为了解决传统的SIFT算法存在检测时间长,识别率低等问题,提出了一种基于目标红外特征与SIFT特征相结合的红外图像识别算法,该算法首先通过5个能反映红外目标初步信息且易实现的红外特征量进行初步识别,然后采用SIFT算法进行精确识别。通过三种飞机的红外图实验可以看出,将红外特征量与SIFT特征检测识别方法相结合,识别时间缩短0.06s,识别率有较大提高,达到98%以上。     

融合通道互联空间注意力的Siamese网络跟踪算法

基于Siamese网络的跟踪算法在跟踪精度和速度方面展现出巨大的潜力,然而要使离线训练的模型适应在线跟踪仍然面临着挑战。为了提升复杂场景下算法的特征提取以及判别能力,提出了一种融合通道-互联-空间注意力的Siamese网络实时跟踪算法。首先构建以深度卷积网络VGG-Net-16作为主干网络的Siamese跟踪框架,增加特征提取能力;接着设计通道-互联-空间注意力模块,增强模型的适应能力与判别能力;然后加权融合多层响应图,获取更精准的跟踪结果;最后使用大规模数据集对网络进行端到端的训练,在通用数据集OTB-2015上进行跟踪测试。实验结果表明:与当前主流算法相比,所提算法具有较强的稳健性,能更好地适应目标外观变化、相似物干扰、目标遮挡等复杂场景,在NVIDIA RTX 2060 GPU上,跟踪速度平均达到37FPS,满足实时性要求。     

较大尺度运动下的人体特征点跟踪算法研究

利用光流法可以对视频中运动目标进行特征点跟踪,当目标存在较大尺度运动时,光流法图像一致性假设难以满足,导致特征点跟踪丢失。针对此问题,提出了一种基于Lucas-Kanade(L-K)金字塔光流算法的运动人体特征点跟踪方法。首先,利用帧间差分法得到帧差图像序列,获取行人的运动区域;然后用尺度不变特征变换（SIFT）算法检测选定初始帧中的特征点;最后运用L-K金字塔光流算法跟踪这些特征点在后续帧中的位置。实验结果表明,该算法对较大尺度运动的特征点跟踪有很好的效果,提高了跟踪的准确性。