利用局部特征联合匹配的非刚体目标跟踪

针对视频序列中非刚体目标的跟踪问题,提出了基于局部特征联合匹配的快速跟踪算法．算法将基于关键点的特征匹配问题转化为求解平衡指派的最优化问题,进而依据整体匹配最优的原则实现特征的联合匹配．跟踪过程为:首先分别提取目标模板和当前搜索区域的局部关键点并进行特征描述;然后依据联合匹配策略确定目标模板关键点在输入帧图像中的匹配结果;最后依据匹配结果确定目标在输入帧图像中的位置和尺度．实验结果表明,该算法对目标的非刚性形变具有较强的鲁棒性,能够适应复杂的背景变化并获得稳定的跟踪结果．     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.     

基于矩特征预测的主动轮廓跟踪算法

提出了一种基于矩特征预测的B样条主动轮廓跟踪算法。在算法的预测阶段，采用卡尔曼滤波器预测图像中运动目标的质心位置及主轴旋转角度，采用这2种矩特征统计量初步确定主动轮廓在当前帧中的位置及姿态。在算法的搜索阶段，采用动态规划方法驱动B样条主动轮廓精确定位目标的边缘。实验表明，这种跟踪算法在数十帧的头部序列图像中能较好地分割及跟踪目标。     

基于局部稀疏表示的模板匹配跟踪算法研究

在目标跟踪过程中,局部稀疏表示跟踪算法(LSRTA)在目标被遮挡面积过大、运动过快或形变量过大等情况下,跟踪过程中会发生目标偏移现象。针对这个问题,在LSRTA算法基础上,融入surf、flann和knn相结合的模板匹配算法,提出了基于局部稀疏表示模板匹配算法(LSRTMTA)以解决目标跟踪偏移问题。在LSRTA算法跟踪过程中,通过不断地计算新模板与当前模板的匹配值来判断是否发生偏移。当目标发生偏移时,停止LSRTA算法的跟踪,通过模板与帧图像之间匹配来重新确定目标位置;当确定目标位置后,再次进行LSRTA算法的跟踪。实验结果表明:该算法不仅保留了LSRTA算法的优点,还具有自动修正目标偏移的功能,改善了跟踪效果,增强了目标跟踪过程的容错性。     

基于颜色纹理特征的均值漂移目标跟踪算法

针对经典均值漂移跟踪算法采用单一的颜色特征对目标进行跟踪检测存在的不足,提出一种将纹理特征与颜色特征相结合的改进均值漂移目标跟踪算法.该算法首次提出特征联合相似度的概念,通过均值漂移算法联合相似度的最大化计算,正确快速地获取新一帧图像跟踪目标的位置.实验结果表明,该算法具有更高的可靠性,同时满足一般目标跟踪任务的实时性要求.     

基于均值漂移的穿墙雷达多目标跟踪

针对穿墙成像雷达中多人体目标跟踪的问题,提出了一种基于均值漂移的多目标图像域跟踪方法。首先,通过基于双轴投影的变尺度模板创建方法进行航迹起始;其次该文利用均值漂移算法进行航迹更新,并对不同幅度像素点的加权处理使得迭代过程能收敛于目标图像中心;最后,结合M/N准则,实现了对航迹的管理。通过对多组实测数据的处理可以看出,该算法具有稳健的跟踪性能。     

基于DM6437的目标跟踪系统设计与实现

将卡尔曼滤波器和均值漂移算法相结合,实现运动目标的实时跟踪.首先采用混合高斯背景模型的方法来进行运动目标的检测,确定运动目标的大小和位置,然后提取运动目标的颜色模型并开始跟踪.在跟踪过程中,先用卡尔曼滤波器对目标在下一帧中的位置进行预测,再用均值漂移法快速迭代得出目标的实际位置,最后更新目标的颜色模型,并开始下一轮跟踪过程.采用高性价比的DM6437芯片设计了运动目标跟踪系统,并对跟踪算法进行了优化.实验结果表明,该系统具有较好的实时性和准确性.     

提高红外经纬仪跟踪弱小目标精度的新算法

为了解决在复杂背景下有效测量弱小运动目标的瓶颈问题,提出了一种将Kalman滤波与模糊理论相结合的小目标跟踪算法.利用Kalman滤波进行目标点的位置预测,在动态搜索范围内寻找匹配目标点进行图像序列分析,并结合模糊理论进行记忆更新来确定目标可能度.通过目标描述、Kalman预测、确定搜索范围、搜索目标和记忆更新等方面的论述,从理论分析和实验结果两方面证明了算法的有效性.跟踪算法通过记忆的缓慢衰减进行运动估计,实现了红外经纬仪对小于20像素的运动弱小目标动态跟踪的连续性和稳定性.     

序列帧间双重匹配的红外点目标跟踪算法

针对海空复杂背景下红外点目标的检测与跟踪,提出了基于图像序列帧间双重匹配的边跟踪边检测算法,并建立了数学模型。它采用标记序列帧M以帧对帧的方式记录输入序列的帧间匹配结果,标记帧T以点对点的方式记录标记序列帧M的帧间匹配结果,统计帧S记录T中各像素的匹配成功次数,输入单帧图像同步输出矩阵T和S分别显示目标运动轨迹和迎头目标检测结果。算法匹配过程不随目标数目或运动状态而改变,且无需提前判断疑似目标位置,有效解决了目标在图像序列中突然丢失或出现被干扰情况下的跟踪,尤其可以对跟踪结果实时地进行目标分离,解决了迎头目标跟踪的难题。仿真和实际工程图像实验结果表明,算法具有较高的可靠性和实时性。     

红外导引头边缘模板匹配跟踪算法研究

实时目标跟踪是当前红外成像导引头图像处理中的关键技术,文章提出了基于特征点邻域的边缘模板匹配目标跟踪算法,该算法从红外图像中获取特征点,以特征点为中心选取参考模板,然后利用边缘检测算法获得边缘点集,最后使用改进的Hausdorff距离测度进行边缘点集的匹配,.从而实现实时目标跟踪.文章深入分析和探讨了模板的选取原则和提高算法实时性的四项措施.仿真实验测试证明,该方法能够很好的解决跟踪点滑动和漂移的问题,并满足实时性要求,跟踪稳定.     

基于改进核相关滤波的长时目标跟踪算法

长时目标跟踪研究在当前的目标跟踪研究领域占有主导地位。在长时目标跟踪过程中,由于目标快速移动和物体遮挡等造成的模板漂移是研究难点。为解决该问题,提出了一种基于改进核相关滤波的长时目标跟踪算法。该算法采用核相关滤波跟踪框架,联合高置信度的模版更新机制和目标重检机制解决模板漂移问题。实验结果表明,本文算法在长时目标跟踪过程中相对于传统算法更加稳定可靠。     

一种新的基于频域的相关跟踪算法

提出了一种定位精度高、运算量小的实时相关跟踪算法．算法通过对目标进行差分尺度空间滤波,提取目标的区域特征,增强了相关匹配峰值强度和抗干扰性;其次,将大规模的相关匹配运算由时域转换到频域进行,从而保证了相关跟踪的实时性;利用加权的目标边缘质心和形心的偏差量后向抑制模板更新时的漂移量,从而减弱模板更新时的模板漂移现象,保证了复杂场景下的目标跟踪．实验表明,算法能够适应在低对比度、复杂场景下的目标跟踪,同时对跟踪过程中摄像头抖动也不敏感．仿真结果表明,该算法运算耗时低,配准峰值强．     

结合注意力与特征融合的目标跟踪

全卷积孪生网络通过相似性学习解决目标跟踪问题,其算法受到了越来越多的关注.为了提取更有判别力的目标特征,提升跟踪的精确度和鲁棒性,提出了一种结合注意力机制与特征融合的目标跟踪模型.首先,将第一帧和当前帧的前一帧结合作为目标模板,利用共享的特征提取网络提取目标模板和当前帧的多个卷积层的特征;然后,对于目标模板的多层卷积特征,结合通道注意力机制处理,提升模板特征的判别力;最后,目标模板的特征与当前帧的特征进行互相关计算,得到响应图,从而获取预测目标在当前帧中的位置和尺度.最终实验结果表明,与几个先进的跟踪模型相比,提出的目标跟踪模型获得了比较有竞争力的性能.     

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.     

基于SURF和Camshift的目标跟踪算法研究

针对动态的目标跟踪算法Camshift在目标发生短时遮挡或者背景有相似颜色干扰时,可能造成目标跟踪失败的问题,提出了一种基于SURF和Camshift的目标跟踪解决方案。使用搜索窗口颜色概率直方图和目标模板的颜色概率直方图的Hellinger距离判定Camshift算法跟踪结果是否准确,当判定为跟踪失败时,利用SURF快速近似最近邻搜索算法进行特征匹配,解决了传统Camshift算法需要手动确定第一帧搜索窗口,背景颜色干扰及短时遮挡后目标定位的问题。实验结果表明,采用该算法能克服传统的Camshift算法的缺陷,有效地跟踪到目标,具有较好的鲁棒性。     

一种自适应的运动目标实时跟踪算法

提出了一种基于均值平移（Mean Shift）和粒子滤波融合的自适应运动目标跟踪算法。该算法在处理来自PTZ (Pan/Tilt/Zoom）摄像机的视频图像时，自适应地更新直方图模板的特征信息，并结合Mean Shift算法来控制粒子滤波中粒子的产生，根据粒子的权值计算目标的位置。测试结果验证了该算法的实用性和有效性。     

一种自适应的运动目标实时跟踪算法

提出了一种基于均值平移（Mean Shift）和粒子滤波融合的自适应运动目标跟踪算法。该算法在处理来自PTZ (Pan/Tilt/Zoom）摄像机的视频图像时，自适应地更新直方图模板的特征信息，并结合Mean Shift算法来控制粒子滤波中粒子的产生，根据粒子的权值计算目标的位置。测试结果验证了该算法的实用性和有效性。     

一种快速人脸目标检测和跟踪算法

以人脸为运动目标,利用图像的YUV模型和颜色检测算法在小范围内搜索,即时获得人脸的模板图像．在对序列图像进行目标搜索时,将金字塔方法和序贯相似匹配方法相结合,并采用粗精结合的两步匹配算法,获得运动目标的准确轨迹．实验证明,与传统的模板匹配算法相比,该算法的计算量大大降低,较大程度地提高了运动目标检测的速度．     

融合运动信息和跟踪评价的高效卷积算子

针对基于方向梯度直方图与颜色命名的高效卷积算子(ECO-HC)算法缺少跟踪质量评价和滤波模板更新监督机制的问题,提出融合运动信息和跟踪评价的高效卷积算子. 将卡尔曼滤波器加入ECO-HC跟踪定位框架对目标执行联合跟踪,设计高置信度判别指标评价ECO-HC对每帧图像的跟踪效果,使用原始跟踪结果和卡尔曼滤波预测值的加权融合值,修正不满足判别指标的跟踪结果. 在滤波模板隔帧更新策略的基础上,加入当前帧跟踪结果质量评价信息,当2个条件同时满足时执行模板更新. 依托公开数据集OTB-2015评估算法性能,结果显示改进算法整体跟踪精确度、成功率和跟踪速率均优于原算法,在运动模糊、低分辨率、离开视野场景中的精确度分别提高3.0%、3.5%和2.8%,成功率分别提高3.8%、2.1%和4.0%. 改进算法在保证实时性的同时,有效提升了复杂场景下的跟踪效果.     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。