基于显著特征区域和条件随机场的目标跟踪

针对目标跟踪中的遮挡问题,提出一种基于局部显著特征区域和条件随机场模型(CRF)的跟踪算法。利用目标区域中的显著特征区域相互之间的空间位置关系以及时间域上相邻区域的影响,并结合各个显著特征区域自身的局部信息建立目标的CRF模型;利用CRF模型对 Mean Shift算法的跟踪结果进行概率推断,融合各个显著特征区域的权重,精确定位运动目标的最终位置。在多个视频序列上的实验结果表明,与改进的 MS算法、粒子滤波算法以及分块跟踪方法相比,文中算法具有较高的跟踪精度;尤其是当目标被遮挡时,该算法具有较好的跟踪鲁棒性。该算法充分利用了显著特征区域自身的局部特征和区域之间的空间结构信息以及各个显著特征区域在时间域上的约束条件,能够实现复杂情况下的运动目标的鲁棒跟踪。     

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。     

基于特征点集群目标跟踪与检测

目标跟踪与检测技术是计算机视觉研究领域一个热点和难点问题,该技术广泛应用在制导、导航、监控等方面。尤其在复杂背景下,准确的跟踪既定目标,在遮挡情况下稳定跟踪,是近年来研究的热点。利用一种特征点集群方法,通过提取特征点方式,以及对目标的运动估计等方式,解决针对地面目标在光线变化、缩放、旋转3个变化量下的跟踪与检测问题。该方法对于地面运动目标的限制较小,同时图像序列中每一帧图像间运动目标的位移量较小。运用本文所提出算法,能够解决针对地面目标在光线变化、缩放以及旋转情况下跟踪与检测的问题。     

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。     

基于特征点的3D人脸姿态跟踪

针对视频序列中的人脸跟踪问题,提出一种单摄像头的人脸3D姿态跟踪方法。利用SIFT特征点匹配算法来得到可靠的帧间特征匹配。将前帧与所选的关键帧特征匹配信息及融入到对当前的姿态估计中,利用SIFT特征点匹配算法来得到可靠的帧间特征匹配。最后通过利用RANSAC随机选取特征点对,并用POSIT和最小化误差组合的3D投影方法以迭代的方式得到精确的当前帧人脸姿态估计。通过多组实验数据对比,表明了该算法在严重遮挡、头部摆动幅度较大、匹配点较少的复杂情况干扰下仍具有鲁棒性,并且解决了3D人脸跟踪的漂移问题,实现对目标人脸的稳定跟踪,对比以往2D跟踪算法在复杂环境下具有明显的改善。     

基于循环相关滤波算法的复杂背景目标跟踪方法研究

为了实现在复杂情况中对特定目标的路线跟踪,主要研究了基于循环相关滤波器的目标跟踪算法,并针对复杂环境情况下影响跟踪性能的条件进行分析比较。该算法是一种基于线性分类器的监督学习算法,通过添加空间正则化分量减少边界效应,提取准确目标。在OTB-50和OTB-100数据集上进行算法验证,实验表明,该算法的跟踪结果优于其他算法,在快速移动、背景杂乱、光照变化、遮挡、移出视线和运动模糊6种复杂情况下跟踪准确度比传统算法均高出0.1以上。     

预测模型与扰动观测算法相结合的MPPT技术

针对外界环境的多变性与随机性,光伏系统输出功率的最大点处总是出现功率震荡现象,增加了实现最大功率跟踪技术的复杂性。为了使光伏系统在外界复杂环境下能够准确跟踪最大功率点,提出了一种预测模型与扰动观测算法相结合的MPPT技术。该算法将扰动观测法与模型预测法相结合,实现了光伏发电系统在外界复杂多变环境情况下的快速跟踪。通过建立系统性能目标函数,评价与估算出未来控制变量的动作,预测出P-U曲线的方向。最后通过Simulink仿真表明了所提方法在外界光照强度发生突变时与单独使用扰动观测法相比较可以同时提高系统的跟踪速度和控制精度。     

基于PSO-PSA的光伏系统最大功率点跟踪技术

为弥补恒定电压法实现最大功率点跟踪时忽略外界条件变化的缺陷,提高其跟踪精度和光伏系统的发电效率,本文提出了基于混合粒子群-模式搜索算法(PSO-PSA)的光伏发电最大功率点跟踪方法。对光伏电池模型进行仿真分析,绘制其在外界条件变化的情况下的输出特性曲线,分析环境变化对最大功率点的影响;通过对比PSO-PSA与粒子群算法,对基准测试函数的求解速度、精度与稳定性,验证本文算法的有效性,进而在不同环境条件下将混合算法优化输出结果与模型输出结果进行对比;将PSO-PSA与光伏阵列结合应用到Boost电路,实现模型动态输出结果与理论计算值匹配,从而实现最大功率点的有效跟踪。结果表明:基于PSO-PSA的光伏系统最大功率点跟踪技术合理,跟踪精度较高,弥补了使用固定电压值时无法适应环境改变而造成能源浪费的不足。     

一种基于算法融合的运动目标跟踪算法

视频目标跟踪的重点和难点在于如何快速、准确的匹配目标.针对复杂背景下,单一模式的跟踪算法不能准确跟踪目标的问题,提出了一种基于算法融合的运动目标跟踪方法.该算法综合运用去均值相关跟踪算法（normalized cross correlation,NCC）和均值漂移算法（MeanShift）2种基本模式对输入输入视频进行处理,结果送入Kalman滤波器进行滤波与预测,最后根据最小总均方误差准则进行自适应融合.试验证明,该算法能够较好地实现复杂场景条件下的目标跟踪,提高了跟踪的鲁棒性.     

基于EM的多目标跟踪算法

为了提高多目标跟踪的鲁棒性,增强目标之间的区别性,使用了一种基于能量最小化(energy minimization,EM)的多目标跟踪算法,不同于现有算法,本算法专注于将多目标跟踪中的复杂问题表示为能量函数的模型,模型中包括了更优的目标区分策略(相似度模型)。通过将每个能量函数成本值对应一个多目标的跟踪轨迹方案,算法将多目标跟踪问题转化为能量最小化的问题。在能量函数模型的优化方法上,算法采用共轭梯度算法和一系列的跳转运动来找到能量最小的值。公开数据集的实验结果证明了本算法的有效性,而且定量分析结果证明了本算法提高了目标与背景、目标之间的相互区别性从而与其他算法相比能获得更好的鲁棒性能。     

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。     

基于改进 KCF 算法和多特征融合的车辆跟踪研究

针对目前车辆跟踪研究算法中,核相关滤波算法(KCF)在复杂背景下存在特征提取单一以及尺度无法自适应的不足,本文提出一种多特征融合的尺度自适应算法。该算法以颜色直方图信息作为颜色特征,将具有更多语义信息的高层卷积特征和拥有较高分辨率的底层卷积特征作为深度特征,并与颜色特征进行自适应特征融合。然后,采用上下文图像对目标背景信息进行约束优化,并通过平均峰值相关能量检测衡量响应置信度,最后利用高置信度的跟踪结果来避免模型易受干扰的问题。通过在OTB100数据集上的实验表明,本文算法的精度分别比其他的主流跟踪算法Staple、SAMF、KCF、TLD、DSST和CSK高出4.9%, 5.7%, 10.2%, 10.3%, 23.4%, 29.7%。     

联合高阶目标感知与相似匹配的目标跟踪算法

视觉目标跟踪算法利用自注意力机制增强上下文联系,但面对复杂场景时,自注意力机制中的相关性易发生失配,为此提出一种联合高阶目标感知与相似匹配的目标跟踪算法。构建高阶目标感知模型,针对自注意力机制中的一阶自注意图,利用坍塌的极化过滤方式进行空间和通道维度的正交化建模,优化内部相关性;同时组合非线性拟合函数避免坍塌引起的信息损失,进而获得高阶自注意图,捕获具有高阶上下文信息的感知特征。通过不同维度分解目标的感知特征来细化匹配区域,抑制背景噪声并约束当前帧的响应图,提高网络的判别力。在OTB100和UAV123基准的实验结果表明,所提算法有更好的跟踪性能,可以有效应对相似干扰等问题。     

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。     

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。