基于特征子空间的自适应多视角目标跟踪算法

提出了一种新的自适应特征子空间跟踪算法,该算法通过计算跟踪目标的似然来自适应调整模型更新的权重,以减小更新过程中样本误差积累导致的模型漂移.同时,跟踪算法利用多视角贝叶斯理论框架进行多视角的信息融合,并对跟踪模型进行分块处理和更新,以提高跟踪精确度.仿真结果表明,本算法比对比算法的跟踪误差更小,并能够更好地解决目标遮挡和形变等问题,从而得到精确、高效的跟踪结果.     

超宽带定位的AGV定位跟踪算法研究

为了对室内运行的AGV定位跟踪,本文提出一种基于超宽带定位的AGV定位跟踪算法。首先针对3基站TDOA定位方法存在基站附近及其遮挡区域定位错误概率高的问题,本文算法利用目标运动信息辅助降低定位错误概率;其次针对室内环境制约造成机动AGV的跟踪困难问题,本文算法首先对室内环境信息进行描述,采用目标预测位置到障碍物区域的张角作为辅助信息对多模型跟踪算法中模型集进行更新,最后进行状态估计。本文算法将运动先验信息引入到定位方法中,具有定位准确概率高的优点;将环境先验信息引入到跟踪算法,具有错误估计概率低的优点。通过仿真实验证明,本文算法具有较低的跟踪错误概率和较高的定位正确概率,能够有效实现3基站条件下室内运动AGV的定位和跟踪。      

多特征自适应融合的相关滤波目标跟踪算法

本文针对单一特征目标相关滤波算法因光照变化、目标遮挡、低分辨率和运动模糊等导致目标跟踪的稳定性较差的问题,提出了一种将多种特征进行自适应融合的跟踪算法。本文算法在FDSST算法的基础上,自适应融合梯度直方图特征HOG(Histogram of Oriented Gradient)、颜色名特征CN(Color Name)和灰度特征来增强特征的表达能力;提出遮挡判断策略,能够有效的判断跟踪过程中的目标遮挡现象;引入目标重定位机制,在发生目标遮挡或干扰时,能够重新定位目标位置,有效的抑制跟踪漂移现象的产生 。最后,本文选取OTB50和OTB100作为实验数据集,将本文算法和选取的六种主流算法进行性能比较。实验结果表明,本文算法在光照变化、运动模糊和目标遮挡等情况下的表现具有较高的稳定性和准确性;在成功率和跟踪精确度上都优于其他六种算法。      

一种融合遮挡分割的多目标跟踪算法

复杂环境下的多目标视频跟踪是计算机视觉领域的一个难点,有效处理目标间遮挡是解决多目标跟踪问题的关键。提出了一种融合遮挡分割的多目标跟踪算法,计算每个目标的光流速度概率直方图,反映其运动统计信息;综合使用外观、运动、颜色信息构造新的像素距离表达,借助分阶段分类思想及K均值聚类技术进行遮挡分割,得到准确的运动前景像素;在粒子滤波器跟踪框架下,使用概率外观模型进行多目标跟踪,更好地处理动态遮挡问题。实验表明,所提算法解决了复杂环境下的多目标跟踪问题。     

结合时空上下文信息的相关滤波目标跟踪方法

针对繁杂环境下目标跟踪稳定性差且易受到遮挡发生漂移的问题,提出一种结合时空上下文信息的相关滤波目标跟踪方法。该算法首先从目标和背景区域提取方向梯度直方图特征和颜色直方图特征,加权融合两种特征的相关滤波响应,建立相关滤波跟踪模型;然后利用目标的背景梯度直方图特征,基于贝叶斯框架通过最大化似然函数得到时空上下文辅助模型;最后自适应融合两种模型响应,得到目标估计位置并采用尺度估计方法解决目标尺度变化问题。在OTB-2013公开标准测试集上与基于相关滤波的运动目标跟踪方法进行了实验对比。结果表明,该算法的平均距离精度值和平均重叠精度值都优于其他算法,能够有效缓解跟踪目标由于遮挡、尺度变化、光照等因素造成的跟踪漂移状况的发生。     

基于机载光电平台的目标跟踪与轨迹预测算法

针对利用机载光电平台进行"空对空"目标跟踪时,跟踪效果受环境影响较大且全遮挡情况下目标容易跟丢的问题,在传统Cam Shift算法的基础上,提出了一种动态的基于多特征融合与相对Kalman模型的目标跟踪与轨迹预测算法。采用融合颜色、纹理、梯度特征的方式构建目标模板,提高了模型的描述能力;跟踪过程中引入特征模板动态更新环节,保证了算法的长期稳定性;在全遮挡的情况下,利用背景中心点以及飞行目标与该中心点的差值分别构建Kalman模型,并采用二次遮挡判断方法,大大降低了误判和丢帧概率。实验结果表明,所提算法具有较高的准确性、实时性与稳定性。     

基于置信区域内多级动态层表达的类贯序蒙特卡洛视觉跟踪方法

视觉跟踪是智能监控、机器人和视觉导航等领域的核心技术.针对现有类贯序蒙特卡洛跟踪方法复杂度高、实时性差的问题,本文提出了一种融合置信区域内多级动态层表达的跟踪方法,采用更加可靠、有效的粒子模拟状态后验概率.该方法利用检测模块得到目标可能出现的置信区域,根据真实目标尺寸给出一种粒子采样策略,每个粒子代表一级动态层表达,并为每个粒子建立双层运动模型;构建Mean-Shift分块观测模型以引入空间和外观信息,同时根据子块的匹配程度计算粒子权值、检测目标遮挡状态并提出模型更新策略.在公开视频序列上同经典粒子滤波和Mean-Shift等算法的实验对比结果证明了本文算法具有较优的跟踪准确度和实时性.     

分布式无线传感网络的协作目标跟踪策略

基于图像序列的目标跟踪是目标跟踪的重要研究问题之一.由于受图像解析度和跟踪范围限制,单视角跟踪准确性和鲁棒性不足.本文提出了分布式无线传感网络测量环境下的多视角协作融合跟踪方法,并引入了渐进分布式数据融合,采用基于能耗参数和信息有效性参数的综合优化函数动态选择融合节点,规划融合过程,平衡融合精度与网络能耗.通过目标跟踪准确性、网络能耗及传输延时对比实验表明:基于渐进分布式数据融合的协作信号处理方法提高了分布式多视角跟踪的准确性与实时性,减少了网络拥塞,降低了通讯能耗及延时.     

抗遮挡与尺度自适应的长时间目标跟踪算法

针对核相关滤波(KCF)目标跟踪算法在目标发生尺度变化和受到遮挡时无法保证对目标长时间跟踪的问题,提出了一种尺度自适应抗遮挡的长时间目标跟踪算法.首先,将方向梯度直方图(HOG)特征和颜色(CN)特征进行融合并增加一个尺度滤波器用于估计目标的尺度;然后,引入平均峰值相关能量指标(APCE)进行遮挡判断,采用SVM分类器重新检测目标被遮挡后的位置;最后,根据平均峰值相关能量和位置滤波器最大相关响应值选择模型更新策略.选取OTB100和UAV123两个数据集进行实验,结果表明,改进算法能有效地解决目标尺度变化和遮挡等问题,实现对目标的长时间稳定跟踪.     

基于背景建模和动态分块的目标跟踪

MeanShift算法在做目标跟踪时不能解决混乱背景和严重的局部遮挡的问题。因此,本文提出了一种新的目标跟踪算法来解决这两个问题。该算法首先利用最大化后验概率在MeanShift跟踪框架内融入背景信息,然后在跟踪过程中根据候选区域和模板区域的相似度结合空间金字塔技术对目标进行动态分块,使得目标能够克服背景的干扰并保留一定的几何结构信息。实验结果表明,相比于MeanShift算法,新提出的算法能够克服混乱背景和严重的局部遮挡,有效地跟踪目标。     

基于视频的人脸和步态自适应融合身份识别

多生物特征融合的主要目的是利用其互补性来提高系统的识别性能.主要针对行走视频中人脸和步态两个生物特征融合的识别方法进行研究,对多个角度视频下的人脸和步态提出了基于决策层的自适应加权融合方法,实验结果证明该方法的融合识别结果比单一生物识别方法以及最大法则、加权法则等融合算法具有更高的识别率.     

基于当前模型自适应改进的航迹跟踪算法

在航迹跟踪过程中,目标发生转弯、变加速等强机动行为,会导致传统"当前"统计模型的跟踪精度变差,通过提取残差新息序列和测量方差序列中的信息,分别在"当前"统计模型中添加机动频率、最大加速度自适应修正因子,以及在卡尔曼滤波框架中增加协方差自适应因子,改善了该算法对强机动目标跟踪的适应能力。通过改进,该算法即保持了对一般机动目标良好的跟踪特性,又提高了对强机动目标的跟踪性能。通过使用蒙特卡洛模拟仿真验证了改进算法的有效性。     

针对临近空间目标跟踪的自适应AMCKF算法

临近空间飞行器具有机动特性复杂、运动轨迹多阶段性等特点,在目标跟踪的过程中,易出现由于系统模型误差较大导致跟踪精度降低、滤波发散的问题。针对该问题,在容积卡尔曼滤波的过程中加入衰减因子,通过衰减记忆的方法补偿模型误差;同时,提出了一种实时辨识容积卡尔曼滤波衰减因子的方法,达到自适应跟踪的目的。仿真结果表明:衰减记忆容积卡尔曼滤波算法能够很好地解决模型失配问题,自适应算法实时对衰减因子赋值,避免了衰减因子取值的困难,可以达到更好的跟踪效果。     

一种新型多特征融合粒子滤波视觉跟踪算法

针对单一视觉信息在动态变化环境下描述目标不够充分、跟踪目标不够稳定的缺点,提出了一种基于粒子滤波框架的新型多特征融合的视觉跟踪算法。采用颜色和形状信息来描述运动模型,通过民主合成策略将两种信息融合在一起,使得跟踪算法能根据当前跟踪形势自适应调整两种信息的权重以期达到最佳的最大似然比,实现信息间的优势互补。在设计粒子滤波跟踪算法时,利用自适应信息融合策略构建似然模型,提高了粒子滤波跟踪算法在复杂场景下的稳健性。实验结果表明,多特征融合跟踪算法不仅能准确、高效地跟踪目标,而且对光照、姿态变化引起的目标表观变化具有良好的鲁棒性。     

一种多传感器自适应量测迭代更新GM-PHD跟踪算法

针对多传感器观测数据质量不同且未知时,多传感器量测迭代更新高斯混合概率假设密度(GM-PHD)滤波器跟踪算法的结果对更新顺序敏感的问题,该文提出一种多传感器自适应量测迭代更新GM-PHD跟踪算法AIU-GM-PHD。首先基于多传感器融合一致性度量,提出一种用于在线评估各传感器跟踪结果质量的方法;然后对多传感器迭代融合顺序进行优化,最后构建相应的多传感器GM-PHD融合跟踪算法。为了解决多传感器自适应顺序迭代融合无法体现传感器质量差距的问题,提出了一种自适应带权伪量测迭代更新GM-PHD跟踪算法PAIU-GM-PHD。仿真结果表明,与常规多传感器迭代更新GM-PHD跟踪算法相比,所提算法能够获得鲁棒性更好、精度更高的跟踪结果。     

带宽自适应均值偏移红外目标跟踪

提出一种多特征融合和带宽自适应均值偏移跟踪算法。基于M-估计器建立位置和带宽关于完整参数型带宽矩阵的迭代更新公式。分析权值图像的本质,基于灰度和局部标准差建立融合权值图像。通过先前目标模板模型和确定的目标模型的平均值生成当前目标模板模型。在位置向量的迭代公式中,采用扩大的带宽矩阵,确保定位精度。为防止由于背景杂波导致带宽膨胀或者由于目标自我相似导致带宽收缩,引入规范准则。跟踪的视觉结果和评估尺度表明,提出的跟踪算法相比于另外三种尺度自适应均值偏跟踪算法,具有最好的性能。     

多假目标欺骗干扰下组网雷达跟踪技术

针对距离多假目标欺骗干扰下的组网雷达跟踪,提出了一种基于同源量测融合的跟踪技术.该跟踪技术包括同源量测融合、多目标跟踪两部分.同源量测融合相当于对所有量测进行预处理,其关键在于同源量测自适应检验门限的设计.通过该预处理,输入的假目标的量测数目大大减少,且问题简化为单雷达的多目标跟踪.多目标跟踪中,根据航迹优先级顺序依次进行数据关联.该跟踪技术使得组网雷达可以有效剔除假目标,并更精确的跟踪真目标.仿真结果证明了该技术的可行性和有效性.     

用于非线性机动目标跟踪的新型IMM算法

针对在非线性机动目标跟踪中存在的滤波器易发散、机动检测有延迟等问题,把Unscented Kalman Filter(UKF)引进到交互多模型算法(IMM)中,设计了交互多模型UKF滤波器。并利用目标运动模型集概率的相对变化率设计了自适应交互多模型UKF滤波器,最后进行了计算机仿真。蒙特卡罗仿真结果表明,两种滤波算法都具备UKF滤波器精度高、稳定性好、不易发散的优点,同时不需了解目标机动的先验信息,适合于实际应用;并且自适应交互多模型UKF滤波器具有更好的跟踪效果。     

一种基于IMM的自适应跟踪数据率算法

针对交互式多模型(IMM),提出一种自适应跟踪数据率的算法.该算法利用IMM模型更新概率对各模型产生的采样间隔时间进行混合估计,产生系统的自适应采样间隔时间.在保证跟踪精度的基础上,有效地降低了跟踪采样次数.仿真结果表明了方法的有效性.