基于粒子滤波模型目标跟踪算法研究

本文基于视频图像中目标的基本特征——灰度特征,提出了一种基于粒子滤波模型实现目标跟踪的方法。文中介绍了粒子滤波模型的原理,并且在该原理的基础上,提出了目标跟踪的算法框架。详细闸述了实现该算法具体的流程,给出了视频序列图像的实时仿真结果。基于粒子滤波模型的目标跟踪算法,不但在非线性非高斯状态下,能够对目标进行有效跟踪,还可以消除由光照变化以及部分遮挡造成的影响,具有较强的鲁棒性。     

基于协方差矩阵的运动目标跟踪方法研究

提出了新的运动目标检测和跟踪的方法。首先采用差异累积的方法自适应地更新背景模型,用背景差法进行提取目标。把经过二值化后的视频帧进行分块,设定方块内前景点个数的阈值,接着对方块矩阵进行连通区域合并,从而确定前景点位置。接着提出通过协方差描述算子来跟踪行人的算法。用图像特征的协方差矩阵来表示目标窗口,就可以找到空间特性和统计特性,并在同一个表达式内描述它们之间的关系。通过搜索整个图像找到和当前目标模型的距离最小的区域,得到的最佳匹配区域就是当前帧目标的位置,从而达到跟踪的目的。协方差矩阵将不同形式的特征有效地融合到一起,并且它的维数很小。实验结果表明,算法具有良好的检测效果和实时性能。     

大矩阵压缩特征目标的低秩跟踪算法

针对压缩感知的矩阵低秩稀疏分解目标跟踪算法实时性差的问题,提出一种大矩阵压缩特征目标的低秩跟踪算法。该算法通过将大矩阵分成多个小矩阵的方法构建观测矩阵,进行矩阵低秩稀疏分解,获得各候选目标的误差向量并构建误差矩阵,求解误差矩阵列向量最小1-范数问题得到跟踪结果。为了适应跟踪过程中目标外观信息的变化,基于向量相似度判别有选择地更新字典。在跟踪结果不可信时,利用轨迹修正更新当前帧跟踪结果。通过6个典型视频序列上的对比实验,新算法的实时性是原算法的3倍。实验结果表明,在目标发生部分遮挡、光照变化、快速运动时,所提出的算法能实现目标的鲁棒跟踪。     

基于K-S检验的直方图匹配目标跟踪算法

为了快速准确跟踪运动目标,提出了基于K-S（kolmogorov-smirnov）检验的直方图匹配目标跟踪算法。将直方图信息作为模板,通过Kalman滤波原理预测出目标下一时刻的可能出现位置,以该位置为中心确定一个搜索范围,在搜索范围内判别直方图的相似性并进行模板匹配,在当前图像中跟踪目标。结果表明,基于K-S检验的直方图匹配方法可减小搜索范围,利用Kalman滤波预测目标的位置,在预测位置附近进行模板匹配,可有效减少模板匹配的遍历时间,提高目标实时跟踪效率。     

采用局部线性嵌入的稀疏目标跟踪方法

目标跟踪是从复杂的背景中辨认出运动目标,并且对目标进行准确且连续的追踪。如何在遮挡、形变、背景复杂的条件下鲁棒性跟踪目标仍是亟待解决的问题。针对遮挡和形变问题,提出一种局部线性嵌入(LLE)和稀疏表示的算法来有效的学习外观模板。其中LLE是流形学习的一种典型算法。在该算法中每个点的近邻权值在平移、旋转、伸缩变化下是保持不变的,因此可以用来提取目标的本质特征,发现数据的内在规律。算法首先采用局部线性嵌入提取低维特征,提取后的特征作为基向量与琐碎模板组成稀疏原型,稀疏原型用于模板的更新。算法保持了原有稀疏跟踪方法对遮挡处理的优势,同时对目标形变有较好的稳健性。实验结果表明,跟踪算法比其他7个常用的算法在9个视频序列中有较好的鲁棒性能。     

基于拟蒙特卡洛滤波的改进式粒子滤波目标跟踪算法

单摄像机视觉跟踪过程中,常发生目标被遮挡或背景复杂的情况,此时容易跟丢目标,为了提高跟踪的准确性。从目标表现和背景的不确定性入手,以协方差特征对目标表现以及背景进行建模,应用到到粒子滤波的框架中,优化采样粒子的分布,在估计粒子的权重时,不仅考虑目标的真实状态和可能状态的相似性,还考虑了目标可能的状态和背景的差异.将提出的算法与粒子滤波,均值漂移,基于协方差概率跟踪算法进行比较,通过MATLAB2010编程平台,比较了几种算法的处理速度以及跟踪误差,试验结果表明,提出的算法每秒处理速度为60帧/s,优于上述3种跟踪算法平均误差值也高于另外3种算法。所提出算法在目标存在遮挡和背景较为复杂时,能够保证对目标进行准确,连续的跟踪。     

基于信息融合的运动目标跟踪算法

针对复杂背景下目标遮挡后跟踪不稳定的问题,提出了一种在粒子滤波框架下融合异类信息进行目标跟踪的算法.该方法建立了声源特征模型和颜色特征模型,在此基础上将声音信息和图像的颜色信息融合到粒子滤波跟踪算法中,通过粒子更新策略实现跟踪.实验结果表明与基于单一特征的跟踪算法相比均方误差降低了18.3%.在低信噪比情况下,该算法更...     

结合SURF与Kalman滤波的CAMShift跟踪算法

针对传统的CAMShift目标跟踪算法,在出现颜色干扰,遮挡等复杂背景中容易跟丢的问题,提出了一种结合SURF特征匹配与Kalman滤波的CAMShift跟踪算法。该算法利用CAMShift算法跟踪得到的候选目标与模板目标的色度和梯度方向的综合直方图比较计算得到的Bhattacharyya系数作为判定依据,当系数大于给定阈值时,采用SURF算法对搜索窗口和上一帧跟踪结果进行特征匹配,重新计算目标的大小和位置。同时为了避免目标快速运动时跟踪失败和减少SURF匹配的计算量,利用Kalman滤波对运动目标窗口进行预测更新以确定下一帧搜索窗口的中心位置。实验表明,该算法在图像背景复杂,出现颜色干扰以及部分遮挡时能够稳定跟踪,其跟踪速度与结合SURF的CAMShift算法相比有显著提高。     

基于多特征融合的HL-S工件识别算法

为解决目前工业生产过程中,工件检测技术在复杂环境下特征不清晰且背景复杂情况下识别的不准确等问题,提出了一种多特征融合的HL-S(HOG、LBP特征融合-Softmax分类识别)工件识别算法。首先对获取的图片进行预处理操作,将光照较暗不均匀的图像执行Retinex图像增强,在此操作中使用双边滤波代替高斯滤波;然后进行工件的HOG轮廓特征和LBP纹理特征的提取操作,使用线性融合的方法对处理后的图像进行特征融合;最后,将所有样本数据通过Softmax分类器进行归类判别。实验结果表明,使用该方法进行工件识别,能够提高在光照条件不好情况下的识别率,大大提高了工业生产的效率。     

一种减小线性化误差的滤波跟踪算法

针对雷达目标跟踪数据滤波过程中,不同坐标系下测量数据处理引入量测误差的问题,提出通过估算非线性量测下扩展卡尔曼滤波算法的量测误差,再进行量测误差的有效修正,最后给出了1种减小线性化误差的滤波方程.通过对该滤波算法的仿真验证,该滤波算法增加了与距离有关的修正项,可实时对观测误差协方差矩阵进行计算,抵消了线性化误差的影响,...     

基于特征点检测与光流法的运动目标跟踪算法

为了解决当前运动目标跟踪算法在背景模型复杂和目标特征不明显的情况下,导致算法跟踪能力不足的问题,本文分别从特征点检测与光流法分析的角度出发,提出了基于特征点检测与光流法的运动目标跟踪算法。首先,根据图像梯度矩阵最小特征值,通过仿射变换,精确化特征点帧间匹配,排除伪特征点,达到精准检测运动目标特征点的目的。然后,基于图像像素守恒原理,进行2幅图像间变形评估,建立图像约束方程,进一步精确跟踪运动目标。最后,基于软件开发环境QTCreator实现算法,并系统集成。实验测试结果显示:与当前运动目标跟踪技术相比,本文算法拥有更高的准确性与稳定性。     

基于 SST-SCKF 的运动目标超宽带定位算法研究

使用超宽带(UWB)进行定位过程中,卡尔曼滤波是一种常见的降噪方法,但由于对非线性系统滤波性能差,且定位目标运动轨迹易超出基站布局区域以及受到异常噪声干扰,会影响定位系统的准确性和稳定性。针对这一问题,提出一种对称强跟踪(SST)平方根容积卡尔曼(SCKF)算法,通过引入对称时变渐消因子调节各协方差矩阵,实现改变误差协方差矩阵中多重衰落因子矩阵的工作方式,进而调整滤波增益,计算复杂度虽略有增加,但增强定位模型的适应性与鲁棒性。仿真验证表明,在异常噪声干扰下,改进后的算法(SST-SCKF)相较于SCKF/多重渐消因子的SCKF(ST-ASCKF)算法可有效提高定位准确度,且定位轨迹较于单渐消因子的SCKF算法(STSCKF)更为平滑;利用SST-SCKF算法设计基于UWB技术的定位方案,通过动态模拟实验表明,本文提出的SST-SCKF算法较之SCKF/STSCKF/ST-ASCKF滤波性能更优,为复杂环境噪声下人员UWB定位提供更好的降噪,使定位更为精准。     

基于动态自适应相关滤波的复杂场景目标跟踪算法

为解决目标变化、场景非均匀照明等复杂场景下的目标跟踪问题,提出了一种复杂场景下基于动态自适应相关滤波的目标跟踪算法。该算法首先构造一组几何失真的目标参考图像的版本,然后基于组合滤波器的思想,将构造的适用于每个图的最优模板组合起来;同时为避免下一帧中预先指定目标预期位置的需要,算法采用基于时间序列的预测机制,通过考虑目标的运动学来提高跟踪精度;最后该算法设计了重新初始化机制,在系统发生故障时算法进行重启。仿真结果表明,所提的算法的跟踪精度和跟踪效率上优于现有的算法,从而验证了所提算法的有效性和可行性。     

基于AIMM-SRCKF的机动目标跟踪算法

为了解决交互式多模型(interacting multiple model, IMM)算法在目标机动时模型切换速度迟缓的问题,给出了一种Markov概率转移矩阵在线修正的自适应IMM(adaptive IMM, AIMM)算法,利用IMM子模型中连续两个时刻之间的概率差来调整Markov概率转移矩阵,以提高子模型的切换速度和分配的合理性,同时提高了IMM算法的跟踪精度。其次,将平方根容积卡尔曼滤波(square-root cubature Kalman filter, SRCKF)引入到AIMM算法中,以解决在迭代滤波过程中协方差矩阵出现的非正定的问题,改善了数值稳定性,提出一种适用于机动目标跟踪的AIMM-SRCKF算法,仿真实验结果表明,该算法能提高匹配模型概率,缩短模型切换时间。     

基于AIMM SRCKF的机动目标跟踪算法

为了解决交互式多模型(interacting multiple model, IMM)算法在目标机动时模型切换速度迟缓的问题,给出了一种Markov概率转移矩阵在线修正的自适应IMM(adaptive IMM, AIMM)算法,利用IMM子模型中连续两个时刻之间的概率差来调整Markov概率转移矩阵,以提高子模型的切换速度和分配的合理性,同时提高了IMM算法的跟踪精度。其次,将平方根容积卡尔曼滤波(square root cubature Kalman filter, SRCKF)引入到 AIMM 算法中,以解决在迭代滤波过程中协方差矩阵出现的非正定的问题,改善了数值稳定性,提出一种适用于机动目标跟踪的AIMM SRCKF算法,仿真实验结果表明,该算法能提高匹配模型概率,缩短模型切换时间。     

基于自适应容积卡尔曼滤波算法的电力系统动态谐波状态估计

由于传统的谐波状态估计的参数辨识算法要求噪声的协方差矩阵固定不变,而实际工程中噪声的协方差矩阵是随时间变化的,工程中存在错误的量测数据,导致传统参数辨识算法估计的谐波电流参数的准确度较低。因此,提出自适应容积卡尔曼滤波算法来提高辨识谐波电流参数的准确度。首先,针对时变噪声干扰,采用基于渐消记忆指数加权法的噪声估值器算法生成时变噪声的协方差矩阵;其次,针对错误的量测数据,采用开窗估计算法修正错误的量测数据;然后,将修正的噪声协方差矩阵和量测数据代入容积卡尔曼滤波算法中,对谐波电流参数进行估计;最后,搭建IEEE 13节点系统仿真模型,验证了自适应容积卡尔曼滤波算法在时变噪声干扰及量测数据错误情况下仍可准确地估计谐波电流参数,确保了动态谐波状态估计的准确性。     

基于改进均值建模的自适应三帧差分算法研究

针对实际视频图像中复杂的背景环境（光照变化、有微动物体等）,运动目标检测算法不易提取出完整的运动目标,提出了基于改进均值背景模型的自适应三帧差分算法。该算法利用前k帧建立的均值背景模型作为三帧差分法的中间帧,再采用三帧差分法,并对差分结果选取自适应阈值来二值化,将两个检测出的目标进行“与”运算,最后通过形态学处理、滤波等,获得运动目标的真实位置。最后试验结果表明,提出的算法能够适应比较复杂的背景环境,不易受光照变化或其他微小变化的影响,又能有效克服空洞和边缘丢失的现象,并且检测准确率更高,适用于无人监控环境。