采用改进辅助粒子滤波的红外多目标跟踪

结合改进的辅助粒子滤波与马尔科夫随机场,提出一种多目标跟踪算法来跟踪红外场景中的多个目标.依据目标区域的灰度直方图描述目标,使用标准辅助粒子滤波对各目标的采样粒子集进行粗略优化,同时在辅助粒子采样过程中引入Mean-shift算法来提高粒子采样效率,解决多目标跟踪时粒子数量呈指数级增长的问题,并进一步提高算法的实时性.针对多目标跟踪常出现的目标遮挡导致跟踪失败的问题,引入图模型理论,利用马尔科夫随机场来表示多目标跟踪模型,将多目标的跟踪问题转换为图模型的推理问题.实验结果表明,该跟踪算法使用较少粒子便能实现跟踪,跟踪正确率达84％,且能有效解决多目标跟踪时的相互遮挡问题.     

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。     

基于简化的ISPF算法与视听信息融合的目标跟踪

提出了一种适用于视听融合的简化型重要性函数粒子滤波器(ISPF),该算法充分利用视听媒体间的天然时空相关性,基于视听信息的融合实现了特定场景中对说话人的跟踪.将声源定位结果转换为一个具有特殊权重的粒子,以图像彩色信息模板匹配算法作为视觉底层跟踪,通过具有特殊权重的粒子来限制和引导视觉跟踪结果.实验结果表明,文中算法与基于单一信息的目标跟踪相比平均误差降低了约三倍,具有明显的优越性.     

基于压缩感知理论的运动声源识别方法研究

针对于传统的声源识别信号处理过程繁琐复杂问题,提出了一种将压缩感知理论运用到声源识别研究中的方法。根据运动声源的特性研究给出了运动声场的压缩和重建的最佳方法是离散傅里叶变换(DFT)时变信号稀疏化和特征基匹配追踪的方法。通过实验对比分析了运动声场重建的三种不同测试方法即声像仪声源识别、LMS阵列识别以及LMS采集数据进行压缩重构识别,验证了提出方法的可行性。为将来的高速、变速、多点声源的识别研究提供了指导意义。     

无线传感器网络的分布式目标跟踪研究

针对无线传感器网络节点计算能力和能量受限问题,提出一种分布式并行扩展卡尔曼粒子滤波算法.在网络动态分簇模型上,簇头将粒子集划分为多个子集,并分配到簇内各个传感器节点中并行运行,最后在簇头进行信息融合,得到目标状态估计.算法提高了粒子滤波效率,避免单个节点能量过度消耗,均衡了网络能耗.同时,算法利用扩展卡尔曼滤波器来产生粒子滤波的重要性密度函数,使得重要性密度函数抽样样本更加接近后验概率密度产生的样本.仿真结果表明,算法对运动目标能实现较好的预测和跟踪,跟踪精度高,并能有效平衡网络能耗.实验结果说明了提出算法的有效性和可行性.     

单对立色流运动下的抠图跟踪

当目标与周围背景相似性较高,且目标运动形式复杂时,很难精确跟踪目标。针对传统目标跟踪方法因目标外观的不精确建模致使模型退化而产生漂移的问题,提出了一种单对立色流特征下的抠图跟踪方法。首先,根据彩色视频帧包含的丰富颜色信息,将单对立色颜色编码方式与Lo G兴趣点检测器结合,获取颜色兴趣点作为目标表示集合;其次,在目标运动预测阶段,通过估计相邻帧兴趣点的流匹配关系,获得预测帧的前景目标兴趣点估计;最后,利用获得的前景兴趣点估计进行抠图,重新划分当前帧的前背景标记,并对模型进行更新。该算法在Segtrack视频跟踪数据集上进行验证,定性定量分析了跟踪目标快速运动,目标形变和光照干扰下的跟踪效果。实验结果表明该算法可有效提高形变目标跟踪的准确性,优于当前目标跟踪的先进算法。     

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。     

基于视觉的小型四旋翼飞行器跟踪系统研究

针对小型四旋翼飞行器跟踪地面移动目标的问题,提出一种基于视觉的地面移动目标跟踪方法并搭建了基于Linux的飞行实验平台。在跟踪过程中,由搭载的云台相机采集图像数据并使用Open CV库函数对图像数据进行实时处理;通过改进的压缩跟踪算法对图像数据中的目标进行实时的目标跟踪;通过建立的地面移动目标运动模型计算目标的位置状态信息;由ROS平台通过坐标系转换估计四旋翼飞行器运动数据并向飞行器的飞行控制系统发送具体的飞行指令。最后,通过具体的四旋翼飞行器目标跟踪实验来验证此方法的可行性。     

基于多模板回归加权均值漂移的人体目标跟踪

针对移动机器人跟踪人体目标时目标因角度大幅变化引起外观改变造成的跟踪无效,提出了多模板回归加权均值漂移跟踪方法。该方法通过建立目标的多模板模型,应用均值漂移算法实现目标跟踪。首先,根据前一帧均值漂移结果和当前帧头肩粗定位结果确定目标模板集,使其包含目标人体的位姿和角度改变。然后,采用多模板回归加权均值漂移实现目标的精确定位。在多模板均值漂移中引入回归模型实现颜色纹理特征与目标模型相似度之间的映射,从而控制模板数量,保证目标检测的实时性。最后,分别在视频图像和机器人目标跟踪平台上对所提方法进行实验验证。结果显示,图像处理平均时间为86.4s/frame,满足机器人跟踪的实时性要求。该方法解决了目标特征在跟踪过程中发生变化的问题,提高了机器人跟踪时对目标人体特征变化的鲁棒性。     

基于快速运动场景下的目标跟踪改进算法

为解决目标快速运动时跟踪算法出现目标丢失和跟踪精度大幅度下降等问题,在现有的Autotrack算法基础上对其进行改进,提出了一种基于快速运动场景下的目标跟踪算法。引入空间正则权重项w对距离目标中心比较远的样本进行相应的惩罚,调整原本的全局响应变化量并将其作为时间正则项。将空间正则项和时间正则项相结合,并引入目标函数中进行优化。在公开数据集OTB-2013(online object tracking:a benchmark)上对改进后的目标跟踪算法进行实验验证和比较。实验结果表明,改进后的目标跟踪算法在目标快速运动场景下的准确率和成功率分别为76.5%和73.1%,在综合评分上的准确率和成功率分别为82.8%和61.1%。     

基于运动模式在线分类的移动机器人目标跟踪

区别于以往采用固定运动模式的目标跟踪研究,提出一种基于单目视觉传感器的人体运动模式在线识别算法,及基于此算法的人体目标跟踪方法。首先,利用视觉信息检测运动目标,并提取其视觉特征;然后通过单目视觉深度提取算法,获取目标的运动特征;接着将连续几帧的特征变化矢量送入随机森林(RF)进行学习,实现对人体运动模式的在线分类;最后根据分类结果在线选取不同的目标运动模型,并利用近似最优的粒子滤波器实现对目标运动状态的准确估计。实验结果证明了本文提出算法的有效性。     

基于压缩感知的多特征实时跟踪

针对基于压缩感知的目标跟踪算法中存在的特征单一,在目标纹理变化、光照变化较大时跟踪不稳定、易丢失目标的问题,提出了多特征联合的实时跟踪算法。该算法以多个矩阵作为压缩感知中的投影矩阵,将压缩后的数据作为特征来提取出跟踪所需的多种特征。在更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新方法,使得在目标环境变化时跟踪的鲁棒性仍然很高。对不同视频的测试结果表明,提出的方法在目标运动、旋转、纹理变化和光照变化的情况下跟踪准确,在目标大小为70 pixel×100 pixel时平均帧速为23 frame/s,满足实时跟踪的要求。与单一特征的压缩感知算法相比,本算法在目标纹理和光照变化很大的情况下仍能完成稳定的实时跟踪。     

一种复杂背景下运动目标检测与跟踪方法

为了准确快速检测和跟踪运动目标,扩大视频监控系统中摄像机的搜索和跟踪范围,在目标检测部分提出了一种将双向差分相乘法与基于仿射运动模型的匹配差分法相结合的运动目标检测方法;在目标跟踪部分改进Camshift算法,利用目标边缘轮廓信息完成对运动目标的跟踪,最后在基于BF533的网络视觉跟踪监控系统上进行了实验。结果表明,所提方法能够对运动目标进行准确检测和大角度跟踪,在单目摄像机的视频监控系统中具有较高的实用价值。     

应用自适应多测量融合粒子滤波的视场跟踪

针对矿井跟踪视场中由于单一线索对目标特征描述缺乏可分性以及多线索融合策略对场景变化缺乏自适应性导致人员跟踪失效的问题,提出了基于自适应多测量融合粒子滤波的矿井人员跟踪算法。将粒子邻域光流统计信息表征的运动性作为线索建立运动光流直方图模型,并与颜色相融合建立多观测模型。将单观测估计状态粒子区域与融合估计粒子区域的质心距离作为单观测模型贡献率度量因子,定义了观测权值自适应策略,实现了粒子观测模型与跟踪目标状态特征的同步变化;通过建议重采样函数对粒子落入低观测似然时进行有效的采样补偿,增强了跟踪的鲁棒性。实验结果表明,本算法能够有效地解决矿井跟踪视场下(背景复杂)由于场景变换而导致跟踪目标丢失的问题;将本文算法与基于颜色和基于颜色与帧差分融合的粒子滤波算法做状态估计均方误差比较,结果表明,状态估计准确率提高了1.57倍。     

基于Rao-Blackwellizedli粒子滤波的多特征融合多光谱目标自适应跟踪

针对复杂背景下视频目标跟踪的实时性和可靠性问题,提出了基于Rao-Blackwellized粒子滤波的颜色矩形特征和方向边缘信息融合的自适应跟踪算法。该算法采用Rao-Blackwellized粒子滤波提高滤波算法性能,采用积分图像快速计算颜色特征和方向边缘信息,根据跟踪实际情形,利用模糊逻辑自适应调节各特征权值,提高算法的跟踪速度和精度。视频跟踪仿真试验表明该算法是稳健的,能够在复杂的背景下对可见光及红外等运动目标进行有效、可靠的跟踪。     

基于改进粒子滤波的非线性系统故障诊断

粒子滤波在非线性系统的故障诊断中,存在着粒子样本退化和突变状态难以跟踪的问题。为此提出一种基于无迹变换和遗传变异改进的粒子滤波算法,通过无迹变换将粒子转移到高似然区域,遗传算法代替重采样消除粒子多样性退化的问题,再利用对数似然函数和作为评价指标来进行故障诊断。仿真实验结果表明,改进的算法可有效提高滤波精度,在连续搅拌反应器变量发生突变时,能够有效、准确地诊断出故障。     

基于视觉的移动机器人目标跟踪方法

为实现对行人目标进行快速稳定地跟踪并简化机器人系统,提出一种快速判别尺度空间相关滤波目标跟踪算法(fDSST)与卡尔曼滤波结合的跟踪方法,解决了跟踪过程中因遮挡造成的目标坐标信息丢失问题。根据相关滤波响应图的震荡剧烈程度设置遮挡判断标准,利用遮挡判断标准实现fDSST跟踪算法与卡尔曼滤波算法的切换,持续输出目标的位置坐标信息,提升了算法的鲁棒性。移动机器人根据视觉跟踪算法提供的图像坐标,利用基于图像的伺服控制策略完成对目标的跟随任务,简化了移动机器人系统结构。最后将该方法在OTB2013测试集上和移动机器人中进行实验,实验结果表明,该方法对于目标遮挡及尺度变化具有较强的鲁棒性和准确性,同时满足实时性要求。     

卡尔曼滤波在单目相机运动目标定位中的研究*

单目相机运动目标定位是视觉跟踪的基本任务之一,视觉传感器对目标点位置的获取至关重要。根据单目相机针孔模型,将运动目标图像二维坐标,通过几何关系映射为相机坐标系的三维坐标。标定相机高度和旋转参数,在此基础上求得目标位置坐标。当运动目标被遮挡时,以匀变速运动为模型,根据先前位置信息确定加速度和速度,并对加速度进行自适应更新,建立运动目标状态方程,利用卡尔曼滤波算法预测目标位置。以预估位置代替真实位置,继续估计后续运动状态,在预估位置搜索运动目标,实现运动目标遮挡定位跟踪。实验结果表明,该定位方法具有可行性,当运动目标发生遮挡时,能够完成对目标的定位和跟踪。     

基于粒子滤波的壁面爬行机器人位姿跟踪研究

为提高壁面爬行机器人的智能化水平,提出一种利用粒子滤波算法进行机器人位姿跟踪的方法。所述方法在机器人身上安装了发声器,将机器人位姿跟踪问题转换为声源跟踪问题处理。设计了一个声阵列传感器,采用可控波束形成定位技术观测机器人位姿,利用里程计描述机器人的位姿变换动态模型,并最终建立了基于贝叶斯估计的粒子滤波位姿跟踪算法。搭建了实验平台进行现场实验,结果表明该方法可行并有实际应用价值。     

基于源强先验引导的正交匹配追踪声源识别算法

压缩感知理论的出现为采用较少的传声器实现高分辨率声源识别与定位，提供了理论可能和实现途径。因此越来越多的学者将压缩感知方法应用到声源识别领域当中。在已有的诸多压缩感知重构算法中，正交匹配追踪（Orthogonal matching pursuit，OMP）算法具有旁瓣小、分辨率较高、算法过程简单、计算速度快、易于硬件实现等优点，具有广泛的应用潜力。但是OMP算法在实际应用场合中表现出的对低频声源定位效果差，聚焦面网格密集划分时易出现定位偏差的缺点限制了算法的应用范围。为此，通过对OMP算法关键步骤的理论分析，找出OMP算法上述缺陷的理论来源，在此基础上提出一种基于源强先验引导的OMP声源定位算法，该方法在OMP原子筛选过程中引入了源强先验信息，可以较好地克服由相邻声源距离较近或分析频率较低时原子间相关性增强引起的原子选择错误，从而进一步提高了算法的声源定位准确率，拓宽了算法适用的频率范围，在实际中可实现宽频带声源的高分辨率识别与定位。