基于改进Camshift与Kalman滤波融合的领航车辆跟踪算法

针对智能车辆在对前方领航车辆进行视觉跟踪时,传统的Camshift算法容易受目标突然变速、相似颜色背景或目标干扰的问题,提出一种基于改进Camshift与Kalman滤波融合的领航车辆跟踪算法。该算法通过提取目标模板的色度、饱和度和Canny边缘梯度幅值3个特征分量,建立三维直方图并对其反向投影进行跟踪,同时采用Bhattachayya系数作为目标跟踪准确性的判别依据。若系数大于设定阈值则判定目标跟踪不准确,此时用局部二值模式(LBP)级联分类器对领航车辆进行检测识别,最后引入Kalman滤波器来预测下一帧领航车辆的位置。实验结果表明,该算法能够在复杂背景下对领航车辆进行实时并有效的跟踪。     

遮挡情况下基于卡尔曼滤波的运动目标跟踪

传统的Camshift算法在跟踪的目标发生遮挡时容易导致跟踪失败,针对这种情况提出将Kalman滤波与Camshift相融合的算法.在运动的跟踪目标出现遮挡的情况下,根据Camshift算法得到的运动目标在上一帧的运动参数,利用卡尔曼滤波对当前帧运动目标的参数进行预测,从而保证了实时跟踪.实验对动态遮挡和静态遮挡两种情...     

基于SIFT和感知哈希改进的CamShift跟踪算法

传统的CamShift仅使用目标的颜色直方图作为特征,因此在相似背景干扰、遮挡、高速运动等情况下容易出现跟踪不准确或丢失跟踪目标的现象。针对上述不足,提出了基于SIFT和感知哈希改进的CamShift跟踪算法。首先,将图像从RGB颜色空间转为HSV颜色空间,分别得出色调和饱和度直方图,并提取图像的边缘梯度直方图进行融合获得目标的融合直方图。其次在CamShift算法框架下得到最优候选目标,若候选目标与目标模板的Bhattacharyya距离大于阈值时,则使用改进的感知哈希算法进行最优候选目标的搜索。然后在下一帧搜索时,在目标和视频序列的高信息熵部分使用SIFT算法进行特征点的提取并匹配从而获取初始搜索窗口,若SIFT算法匹配失败,则使用卡尔曼滤波预测的搜索框作为初始搜索窗口。将该算法首先在OTB-100数据集上和其他常用的跟踪算法进行对比实验,实验结果表明算法能够准确地跟踪目标,跟踪成功率达到了90.1%。将该算法应用于人脸跟踪任务中,并与其他的人脸跟踪算法进行对比实验,实验结果表明该算法具有更好的性能和准确性,跟踪成功率达到了93.5%。     

一种基于特征融合的点特征目标跟踪算法

联合目标的颜色和纹理特征,构造了由目标的颜色和纹理特征联合表示的特征点目标表示模型,利用Mahalanobis距离构造特征点匹配函数,利用自适应kalman滤波(AKF)算法预测特征点在下一帧图像中的位置,通过特征点匹配准确定位目标,达到实时、准确跟踪的目的。实验表明,该方法对于光线变化,目标形状相似以及目标被部分遮挡时的跟踪是有效和稳健的。     

复杂环境下的改进Camshift算法研究

针对Camshift算法要求相邻两帧之间的目标必须具有较大的颜色相似性,对于目标在高速运动情况下和跟踪目标受到遮挡的情况下容易出现目标丢失,并且在目标遇到相似颜色干扰的时候容易受到干扰的问题,提出一种基于加权颜色概率分布,引入局部搜索引导机制,结合kalman滤波预测的改进camshift算法,实验证明,该算法在复杂背景,物体高速运动或遇到遮挡的情况下都有较好的跟踪效果,并且跟踪效率得到的提升。     

基于目标跟踪的交互多模型kalman滤波算法研究

针对运动目标跟踪的过程中,运动轨迹发生改变或运动过程出现目标遮挡时,传统的跟踪算法容易出现跟踪丢失或跟踪效果较差等情况,文章提出了一种基于交互多模型Kalman滤波算法和Meanshift滤波算法的融合方法,对运动目标进行位置预测估计,解决目标遮挡问题,提高目标跟踪精度。实验结果证明,该改进算法能够有效地进行目标定位跟踪,并且具有快速性。     

尺度增大的快速运动目标跟踪的研究与实现

传统核窗宽固定的Mean Shift跟踪算法不能很好地对运动快速、尺寸逐渐增大的目标进行有效的跟踪。提出核窗宽自动选取、基于质心的Mean Shift和卡尔曼滤波相结合的跟踪模型算法。首先,在前一帧中采用运动目标质心作为矩形窗口的中心,利用卡尔曼滤波器预测目标在下一帧的可能位置;其次,计算此帧中质心的位置,并在质心位置处采用Mean Shift迭代,以巴氏系数判断候选目标和参考目标的匹配程度;最后,在目标出现大比例遮挡情况时,利用卡尔曼残差来关闭和打开卡尔曼滤波器。实验表明该算法在目标尺度变化、遮挡等情况下对快速运动的目标能够取得较好的跟踪效果。     

改进Mean Shift目标跟踪算法实现

目标跟踪技术目前具有较好的应用前景，但在嵌入式处理平台中面临着实时性要求高、跟踪场景复杂等情况，加上受成本和嵌入式处理平台算力的限制，其处理效果往往很难满足现实需求，因此目标跟踪等图像处理技术的落地实现是当前研究的热点内容。针对此问题，本文在FPGA平台实现了改进Mean Shift目标跟踪算法，该算法首先通过目标的概率密度分布梯度爬升来寻找目标，然后采用Kalman滤波的预测机制来预估下一帧搜寻计算的位置，从而减少Mean Shift的迭代次数。该算法实现充分利用FPGA能够并行和流水线处理的特点，实现了在1 920×1 080@60 Hz高清视频图像场景下的实时目标跟踪，其中Kalman滤波算法使其在较复杂场景下也能具备一定的抗遮挡干扰的能力。     

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。     

基于彩色图像与深度图像信息融合的改进Camshift算法研究∗

针对传统Camshift算法在目标跟踪过程中会被拥有与目标物体类似颜色分布的背景物体干扰,导致搜索窗口发散或目标丢失的问题,提出了一种基于彩色图像与深度图像信息融合的算法,利用Kinect传感器可同时获取目标区域彩色图像与深度图像的特点,使用光流法在深度图像中对运动目标进行跟踪,通过考虑空间运动关系剔除相似颜色背景可能带来的影响.试验结果证明,该算法可有效跟踪运动目标,并在出现干扰时提高系统的鲁棒性.     

多特征融合与卡尔曼预测的车辆跟踪算法

为了解决道路中背景光照变化和部分遮挡条件下单特征跟踪失败的问题,提出了一种基于多特征融合与卡尔曼预测的车辆跟踪算法。多特征融合包括：跟踪车辆的颜色、边缘、纹理,使用颜色直方图描述颜色分布情况,使用具有旋转不变性的局部二值模式(LBP)描述纹理分布特征,使用改进的Canny算子计算边缘分布信息,建立特征融合函数,利用平均峰值相关能量构造本次跟踪的最佳特征描述。在车辆跟踪过程中相邻两帧之间的特征匹配大于设定阈值时,判定有遮挡,跟踪中断,使用卡尔曼滤波预测当前位置,最后通过不同的实验证明了算法的有效性。     

基于改进SURF算子的彩色图像配准算法

为了解决传统SURF算法存在的问题,提高彩色图像配准的精度和准确率,提出一种双向邻近匹配的彩色图像配准算法。该算法对传统的SURF描述符进行改进,将图像的色彩信息叠加在只包含灰度信息的传统SURF特征描述符上,组成改进的SURF特征描述符,以增强彩色信息对配准的影响,提高配准的准确率;采用FLANN算法搜索匹配点对,并对匹配点对进行双向邻近匹配,以提高搜索效率和匹配精度;利用改进RANSAC算法剔除匹配错误的特征点对,以进一步优化匹配结果。实验结果表明,该算法能够有效地提高彩色图像配准的精度和准确率,具有较好的鲁棒性和图像变换适应性。     

基于特征点的运动汽车跟踪算法研究

设计了一种基于特征点的运动汽车实时跟踪算法.结合自适应卡尔曼滤波(Adaptive Kalman Filter,AKF)算法,提出了一种简单实用的特征点匹配跟踪算法,实验表明该算法既能准确的描述目标,又减少了匹配计算量,从而实现了快速准确地跟踪运动汽车的目的.     

结合YOLOv5和质心匹配的轨迹追踪方法

针对施工场所中目标遮挡引起的安全帽佩戴者的轨迹追踪困难的问题,本文提出了一种结合YOLOv5和质心匹配算法的安全帽佩戴检测及轨迹追踪方法。该方法首先采用YOLOv5网络准确检测未佩戴安全帽的人员,计算其质心坐标;进一步的采用扩展卡尔曼滤波器预测目标位置信息;最后采用基于马氏距离及直方图相关性的质心匹配关联算法,结合预测信息实现了目标遮挡环境中的目标轨迹异常修正,可获得准确的目标轨迹。实验结果表明,本方法有效解决了目标跟踪中由目标遮挡引起的目标互换和丢失等问题,在自建数据集中获得了高于传统算法10%以上的目标跟踪准确度,为智慧工地的发展提供了有力的技术支持。     

基于多特征匹配的轻量化行人跟踪算法研究

行人跟踪是深度学习研究中的热点内容。目前的跟踪算法存在无法满足实时性和因跟踪目标相似度太高、目标间的遮挡、运动不规律造成ID频繁转换的问题。为了提高运行速度,在目标检测阶段使用CNN和transformer相结合的轻量化网络,采用联合检测的方式,共享特征权重,并行计算检测、重识别、人体姿态估计分支,同时调整各个分支卷积通道数。跟踪部分则利用卡尔曼滤波预测的目标运动信息,目标重识别信息,和目标姿态的各个关键点位置信息共同完成目标身份匹配,减少了同一ID的频繁转换。实验部分采用MOT16数据集训练和测试。本算法的多目标跟踪准确度(MOTA)为48.5%,多目标跟踪精确度(MOTP)为78.17%,FPS为20,模型大小为18.4M。实验表明,提出的跟踪算法提高了整体的跟踪性能,实时性和准确性达到了预期要求。     

一致性特征点匹配在目标跟踪中的应用

为了解决运动目标快速跟踪过程的实时性与稳定跟踪问题,提出了一种新的基于局部特征点匹配的KPM(key points matching) 算法,对图像的局部多尺度特征提取与匹配进行研究。首先,应用SURF(speeded up robust features) 算法在跟踪窗口内提取特征点,生成并匹配特征矢量。然后,结合最近邻提纯法与一致提纯法剔除目标区域以外的特征点对,减少误匹配以提高跟踪精度。最后,生成目标仿射变换矩阵,更新目标运动参数。实验结果表明,本文所提出的KPM算法当目标发生大角度旋转和快速缩放,同时发生光照变化时,仍能够实现稳定的跟踪,且满足运动目标实时跟踪稳定可靠、精确度高、抗干扰能力强等指标要求。