旋翼飞行机器人多机视觉跟踪定位系统及方法

针对旋翼飞行机器人在多机跟踪定位时受遮挡、光照变化等因素的影响,易出现跟踪目标丢失的问题,提出一种改进的分段多目标跟踪定位方法,首先,为克服单一颜色特征不能准确描述目标的不足,设计了按一定的权值系数融合目标的颜色特征和边缘特征来建立似然函数作为目标模板;考虑到粒子滤波算法能解决目标发生遮挡的跟踪问题,然后,利用目标模板与候选目标模板的相似度来实现连续自适应Mean-Shift算法和粒子滤波算法的切换,保障了算法的鲁棒性及实时性。可应用于旋翼飞行机器人完成自主的直线飞行与绕圆飞行任务。     

基于FCM聚类的粒子滤波多目标跟踪算法

针对多目标跟踪中相似目标的发散问题和跟踪核函数窗宽固定的缺陷,提出一种基于FCM(fuzzy C-means)聚类的粒子滤波算法.该算法结合经典粒子滤波理论,使用可变椭圆作为粒子区域,在粒子滤波的重要性重采样后,通过Mean-Shift算法获得每个目标的聚类中心,使用FCM聚类算法完成粒子聚类,获得相应目标的粒子子群,最后通过粒子子群估计各目标的最终状态并修正核窗口宽度.实验表明,与传统粒子滤波算法相比,该算法解决了传统粒子滤波的发散问题,减少了粒子数量,能够准确地对多目标进行跟踪,具有很好的鲁棒性和实时性.     

基于双目标模型的时空上下文跟踪算法

传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性,故目标被长时间遮挡后,目标模型容易被错误更新且难以修正。因此,本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性,并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征,在目标被长时间遮挡后也能准确评估更新内容的有效性,并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明,改进算法在测试数据集上的跟踪成功率为82%,中心偏差为8pixels;在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升,实现了目标的可靠跟踪。     

利用视觉显著性和扰动模型的上下文感知跟踪

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显著性构建目标稀疏显著性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。     

基于场景辅助特征的T-S目标跟踪

针对遮挡同时目标附近出现相似目标干扰所导致的错跟问题,本文提出利用场景中辅助特征提升目标跟踪抗遮挡以及抗相似目标干扰性能。首先检测场景强特征及目标附近相似干扰,定义二者为场景辅助特征;其次,建立能够较好描述场景强特征及目标运动规律的动态模型以及相似干扰约束;最后,将场景辅助特征及目标的动态模型以粒子滤波的形式表达,提出T-S跟踪算法。采用SPEVI及OTB100数据库中若干典型测试视频,与近年来6种先进跟踪算法进行对比实验,并采用两种评价体系考量。实验结果表明,本文T-S算法对SPEVI多人脸、红外车辆的跟踪误差分别为24 pixel和8 pixel;对OTB100数据库中8种视频跟踪测试时,在重叠率阈值为0.5时的跟踪成功率为0.51,优于其它对比算法。本文T-S跟踪算法能够较好应对遮挡及相似目标干扰。     

增量深度学习目标跟踪

由于现有目标跟踪算法在复杂环境下易发生目标漂移甚至跟踪丢失,故本文提出了以双重采样粒子滤波为框架,基于增量深度学习的目标跟踪算法。该算法在粒子滤波中引入粒子集规模自适应调整的双重采样来解决粒子衰减及贫化问题,并利用无监督特征学习预训练深度去噪自编码器以克服跟踪中训练样本的不足。将深度去噪自编码器应用到在线跟踪中,使提取的特征集合能够有效表达粒子图像区域。在深度去噪自编码器中添加了增量特征学习方法,得到了更有效的特征集以适应跟踪过程中目标外观变化。该方法还用线性支持向量机对特征集合进行分类,提高对粒子集合的分类精度,以得到更精确的目标位置。在复杂环境下对不同图片序列进行的实验表明:该算法的跟踪综合评价指标为94%、重叠率为74%,平均帧率为13frame/s。与现有的跟踪算法相比,本算法有效地解决目标漂移甚至跟踪丢失问题,并且对遮挡、相似背景、光照变化、外观变化具有更好的鲁棒性及精确度。     

基于双模型的相关滤波跟踪

为解决因边界效应导致相关滤波跟踪算法不够稳健及其不能适应尺度变化的问题,提出了一种基于双模型的相关滤波跟踪算法。将目标跟踪分为位置预测和尺度预测两部分,在位置滤波器模型进行位置预测阶段,先通过对待测样本进行样本增强处理,使得到的样本更符合实际场景。再通过交替方向乘子法进行位置滤波器的迭代求解,最后得到估计的目标位置。在尺度滤波器模型进行尺度预测阶段,通过在估计的目标位置处构建多尺度金字塔来训练尺度滤波器,再求解得到目标的尺度,将双模型得到的结果作为最终的跟踪结果。最后通过引入一个遮挡判据来判断是否更新模型以提高算法的鲁棒性。实验表明,改进算法和经典的相关滤波跟踪算法相比,在跟踪成功率上提高了18%,在跟踪精度上提高了11%。在目标被遮挡、自身尺度变化时,改进算法仍能稳定跟踪。     

基于Camshift和Kalman滤波结合的改进多目标跟踪算法

Camshift算法具有很好的实时性,但是存在遇到大面积与目标颜色相近的背景干扰、目标被严重遮挡时跟踪失效,只能对单目标进行跟踪等问题。针对这些问题,提出了Camshift结合Kalman滤波的改进算法,采用改进算法的跟踪器对每个检测出来的目标进行分别跟踪,从而实现多目标跟踪。实验表明本文提出的改进算法能有效地克服以上问题,并且能达到实时性要求。     

一种改进的交互式多模型粒子滤波算法

在实际的目标跟踪与识别的过程中,机动目标的跟踪不仅受非线性和非高斯现象的影响,而且它所采用的交互式多模型粒子滤波算法还存在着粒子权值退化和重要性密度函数选择的问题,导致跟踪误差较大。针对这一问题,提出了一种交互式的多模型的迭代容积粒子算法。该算法通过融合最新量测值产生更加接近系统的真实值,从而使粒子利用率得到进一步的提高。此外为了解决粒子的多样性减少的问题,还引入了MCMC重采样方法。仿真的结果表明,对于机动目标的跟踪与识别,改进的算法的精度要比IMM-PF算法的精度高、误差小,且通过改进的算法得到的重要性密度函数更加接近系统的后验概率分布。     

融合Mean-shift与粒子滤波改进算法的自适应人脸跟踪

针对人脸跟踪中计算量大以及粒子退化现象,提出了结合Mean-shift与粒子滤波的改进算法。首先根据Mean-shift算法中的"核函数",建立彩色加权直方图的目标模型。再以人脸初始位置采用Mean-shift算法自适应生成新的粒子集合,通过粒子滤波算法进行权值更新和粒子再采样,得到下一帧人脸位置,同时舍弃较小粒子。实验表明该算法提高了跟踪的运算速度和稳定性,并对人脸遮挡和偏移也有一定的改进。     

搜索区域和目标尺度自适应的无人艇海面目标跟踪

海面目标跟踪任务是实现水面无人艇自主化航行、智能化作业的重要基础。相比于普通场景的目标跟踪,海面目标跟踪需要面对目标抖动剧烈及目标尺度变化大等问题。针对海面目标在图像画面中抖动剧烈的问题,本文提出了搜索区域自适应算法,该方法通过对海面场景的分割完成了海天线位置的提取,然后通过海天线运动模型自适应地确定了每帧图像中目标搜索的区域;针对跟踪过程中海面目标尺度变化较大的问题,本文通过分割搜索区域的方法实现了目标尺度变化的自适应跟踪。基于相关滤波跟踪框架并结合上述两种改进策略,在真实的海面目标图像测试序列中,本文算法相比传统的相关滤波算法在跟踪精度上至少提升了26%,有效地解决了目标抖动剧烈和尺度自适应问题,提高了海面目标跟踪任务的精度。     

遮挡环境下基于路侧异源雷达融合的多交通目标鲁棒跟踪方法

多目标跟踪是保障自动驾驶行驶安全与效率的基础,其获取的数据广泛应用于自动驾驶运动规划、驾驶决策等上层应用。传统多目标跟踪方法在遮挡环境下往往存在目标丢失、错位的现象,针对这一问题,本文提出了基于异源雷达融合与遮挡预测模型的鲁棒跟踪方法。首先,基于激光雷达与毫米波雷达的局部观测一致性方程,提出了一种基于多目标运动约束与全局最大匹配的多传感动态自标定算法。其次,针对完全遮挡环境下因观测数据缺失导致的跟踪中断问题,提出了一种基于异构雷达融合无迹卡尔曼滤波与长短期时序神经网络的混合监督目标位置预测方法。通过实验表明,本文提出的方法在完全遮挡环境下可有效补全至少81%断开的多车辆目标轨迹,且相比于最先进的方法,能够实现更为可靠的多交通目标跟踪。     

分布式Unscented粒子滤波跟踪

提出了一种新的分布式粒子跟踪算法,该算法主要考虑传感网络能量受限、通信受限等特性,改善了通常的分布式粒子滤波粒子数目大、节点间信息交换多的弊端,能够用较少的节点计算得到对机动目标更好的跟踪结果,实现了改进的分布式粒子滤波(DUPF).DUPF算法的主要思想是利用Unscented Kalman滤波改进分布式粒子滤波算法形成一个建议分布,用来生成粒子分布,在这个基础上,通过分布式粒子滤波实现目标的在线跟踪.仿真实验表明,和分布式粒子滤波相比,DUPF只需要其25%的粒子数目就能达到同样的跟踪精度,即可用较少的节点和通信消耗,实现高精度的目标跟踪.     

基于斜率约束和回溯搜索的水下多目标跟踪方法

针对复杂水域环境下的多目标跟踪问题,本文提出了一种基于斜率约束和回溯搜索的多目标跟踪方法。首先,基于方位测量数据和水下目标运动学分析,利用门限阈值的方法检测目标。然后,基于传统多假设跟踪算法框架设计一种新的斜率约束和共用量测的假设生成规则。在航迹中断时,通过回溯搜索的方法确定中断起始航迹点,利用容积卡尔曼滤波对中断航迹预测和补偿,同时对假设生成结果减枝,以达到降低算法空间复杂度的目的。试验结果表明:该方案能够实现多目标自动关联跟踪、中断航迹自动预测、自动航迹终止等任务,目标跟踪平均均方根误差0.594 4°,算法平均运行时间0.826 5 s。     

适于机载环境对地目标跟踪的粒子滤波设计

为提高机载环境对地面强机动性目标跟踪的鲁棒性,本文以粒子滤波为跟踪框架,研究了它的动态模型与观测模型。针对机载环境的特点与跟踪目标的强机动性,提出了基于Kristan双步动态模型结构的加速度双步动态模型（TSA）。根据Yilmaz等人提出的非对称核函数思想,针对实际工程中目标变化特点与实时性要求,提出利用Snake算法提取目标轮廓,以轮廓信息构造非对称核函数的方法。最后,依据上述方法提出了TSA-AK粒子滤波跟踪算法。利用提出的算法对机载环境对地目标跟踪的视频进行了测试,结果表明,本文算法可实现对大幅度变速运动目标的稳定跟踪,正确跟踪率为98%;对大小为25 pixel×30 pixel的目标的处理帧率为26 frame/s。     

视频监控系统中的概率模型单目标跟踪框架

针对视频监控的特点与跟踪目标的强机动性,提出了一种新的基于概率模型的目标跟踪框架,从目标表观模型、系统动态模型以及系统观测模型3个方面对当前标准的粒子滤波目标跟踪方法进行了改进。首先,考虑人眼细胞的分布特点,基于人眼分布结构建立目标表观模型来提高跟踪系统抵抗局部遮挡的能力;然后,建立基于自适应目标运动的系统动态模型,提高跟踪算法对快速机动目标的鲁棒性;最后,采用实时更新的系统观测模型,有效避免目标在遇到遮挡、光照变化、剧烈变形等情况下发生的跟踪漂移现象。实验结果表明,本文算法的正确跟踪率可达98%;平均跟踪误差小于6个像元。实验证明本文算法在保证系统跟踪精度要求的同时,具有计算量小、抗干扰能力强等特点。     

海上无人机对运动船舶的长期检测跟踪算法

针对无人机在海上对船舶进行长时跟踪时,由于船身被遮挡及船舶离开视野导致目标跟踪失败的问题,提出了基于 YOLOv5 和 ECO_HC 相结合的海上目标长时检测跟踪算法。 首先,利用感知哈希与峰值比例综合评估跟踪过程的可靠性,目标 丢失时利用 YOLOv5 检测器重新定位目标位置,并初始化跟踪器模型,消除累计错误信息。 其次针对目标在跟踪过程中存在的 旋转变化,利用傅里叶-梅林变换进行旋转参数估计,减少了目标旋转造成的跟踪器性能下降问题。 本文算法在 OTB-100 数据 集上的平均精确度和成功率为 83. 9% 和 76. 7% ;在无人机平台上进行实际海上场景船舶跟踪实验,在完全遮挡及离开视野两种 情况下精确度和成功率分别为为 80. 9% ,60. 4% 和 90. 2% ,48. 3% ,实验表明本文算法可以有效抑制常见海面干扰因素的影响。     

基于粒子滤波的彩色图像跟踪算法的研究

摘 要;在以往的视频跟踪中,目标检测和跟踪常常需要两个计算法则,过程比较复杂,实现耗时较多。为了实现序列彩色图像的实时检测与跟踪,本文以目标有无信息和目标位置信息为变量建立联合状态向量,利用粒子滤波方法实现目标检测及跟踪。此外为了减少计算量并且充分考虑到跟踪区域各像素的权重,建立基于颜色信息的特征直方图作为观测向量,用于后验估计。实验证明本文提出的方法能够在14.37ms内检测并跟踪目标,并且对目标的旋转变化和尺度变化具有一定的鲁棒性