运动目标识别方法与仿真研究

运动目标识别与跟踪在军事和工业领域具有广泛的应用前景。典型的跟踪方法有相关匹配算法、光流算法、基于运动轮廓算法等。典型的识别方法有：模板匹配目标识别法、基于相似性度量识别法、基于遗传算法目标识别算法等。本文提出了一种基于神经网络的识别与跟踪方法,并研究了运动目标识别与跟踪仿真模型和实现方法。     

微弱运动目标的检测与跟踪识别算法研究

在运动目标检测问题的研究中,针对图像处理中微弱运动目标检测与跟踪识别技术的特点,在简单分析了微弱运动目标检测跟踪的技术难点的基础上,重点对微弱运动目标的检测与跟踪算法展开了研究,为了对弱信号提高检测精度,采用图像预处理、目标特征的选取和目标跟踪三个步骤设计,对微弱运动目标在强噪声背景下的图像检测与跟踪识别算法,用给出具体的改进算法,通过仿真测试结果表明,算法具有较好的目标识别与检测效果,对于进一步提高微弱运行目标的图像检测的研究水平具有一定的借鉴意义。     

复杂背景下视频运动目标跟踪算法研究

随着视频监控技术的进步,运动目标跟踪作为计算机视觉领域的难点问题,具有广阔的发展前景,其采用的算法种类繁多,效果也各有千秋。结合文献资料介绍了目前普遍适用的四种目标跟踪算法,对比分析了其优势和局限性,可以综合采用两种以上算法进行跟踪研究来提高目标跟踪识别的精度和效率。最后归纳总结了目标跟踪算法亟待解决的问题和研究趋势,对未来跟踪算法的发展进行展望。     

一种改进的BP神经网络红外目标识别方法

红外目标的识别是红外跟踪、制导系统和预警系统等的一项核心技术。在红外目标模式识别系统中,对目标的识别效果直接影响到后续的跟踪、定位等过程。基于红外图像的特性分析,采用了一种人工神经网络算法对其进行目标识别,针对传统BP神经网络算法的一些缺陷,增加一个放大因子并自适应的调整学习速率来提高算法训练速度。基于这种改进后的BP算法,对三种军事目标（飞机、轮船、坦克）进行识别,证明算法的有效性。     

机载跟踪器的逃逸目标图像快速识别模型仿真

机载跟踪器进行逃逸目标识别跟踪的过程中,目标往往是高速移动的,为了逃逸跟踪,运动的速度和方向具有较大的突变性,与跟踪器之间会形成较大的跟踪距离差.传统的视觉方法为了弥补这种距离差,通过减少采集图像的样本,以提高跟踪的准确性,但是一旦样本数量过少,将会导致识别跟踪的准确性降低.提出基于高斯分布的动态逃逸目标识别跟踪方法.对跟踪目标图像进行归一化处理,获取与数据库中的样本图像具有同样的尺寸和分辨率的图像.计算动态目标图像的形心,根据高斯分布原理建立动态目标的识别跟踪模型,并对模型中的相关参数进行及时更新,保证了动态目标识别跟踪的及时性和准确性.实验结果表明,利用改进算法能够有效提高动态目标识别跟踪的准确性,缩短了识别跟踪的时间.     

随机边缘特征匹配在运动车辆跟踪算法中的应用

目标跟踪算法中往往需要有效的特征对目标进行跟踪识别。本文提出了随机边缘特征的概念，对其物理意义及匹配算法进行了阐述，并将其应用到运动车辆跟踪算法中。实验结果表明，该算法能够对序列图像中的多个运动车辆进行跟踪识别，对车辆的尺度、视角、光线及运动状态的变化等不利因素有较好的适应性。     

基于Adaboost-CSHG的特定类目标跟踪识别

目标跟踪识别是计算机视觉领域的热点研究对象。首先采用基于Adaboost的目标检测算法,训练得到了特定类目标坦克模型的级联分类器,对图像中的坦克目标完成了 “粗检测”;通过构建类属超图(CSHG)模型,采取Adaboost与CSHG相结合的方式,有效滤除了大量虚警,实现了对坦克目标的“精检测”,同时完成了对目标的跟踪;最后利用基于类属超图的目标识别原理对目标进行识别,实验结果表明该方法在简单背景和复杂背景图像条件下均具有可行性。     

基于轮廓特征点的高精度识别目标方法

为了实现高成功率、高精度和快速识别跟踪目标,提出对基于轮廓特征点的目标精确识别方法。在识别过程中采用了轮廓提取和多边形拟合算法自动搜寻到图像中要识别和跟踪的目标,同时对目标物轮廓的多边形角点进行亚像素分辨率的定位,从而可以利用目标轮廓角点的精确定位来实现对多边形目标的识别与跟踪。试验结果以及特征点亚像素算法分辨率的分析表明,采用这种自动识别与跟踪目标的方法,其精度可以达到0．02像素。     

TLD视频目标跟踪方法改进

TLD(Tracking-Learning-Detection)是Zdenek Kalal提出的一种新跟踪算法.该算法与传统跟踪算法的显著区别在于将传统跟踪算法与检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题.对TLD算法进行改进,在算法检测模块引入基于Meanshift与Kalman的当前帧目标所在区域预估,有效缩小检测模块的检测范围,提高算法实时性及准确性;对原算法方差分类器改进采用颜色特征分类器,提高算法对目标识别性能;对综合模块改进,提高算法目标跟踪成功率.通过实验对改进后的TLD及原TLD进行比较,实验结果表明,改进的TLD算法具有更高的跟踪准确性及更好的跟踪实时性.     

HSV颜色空间特征与Kalman滤波融合的目标跟踪

为了克服噪声、遮挡、背景的改变等对目标识别带来的困难,出现了很多的跟踪算法。提出了一种基于HSV色彩空间的目标跟踪融合算法,即在较短时间内,将目标的运动看作一时不变系统,引入卡尔曼滤波进行参数辨识,使得跟踪系统具有后续状态预测的能力。算法包括均值漂移算法跟踪下利用卡尔曼滤波对后续状态预测和基于卡尔曼滤波状态估计的Bhattacharyya系数分析两个子过程,整个跟踪过程分两个子过程交替执行。对不同的视频序列测试的结果表明,算法能够对目标进行持续、稳健的跟踪。验证了新方法的有效性和准确性。     

基于OpenCV的运动目标定位跟踪系统软件设计

目标定位跟踪技术一直是计算机视觉领域的一个研究热点。为了更好地改进目标跟踪算法的跟踪特性,设计一种基于OpenCV的目标定位跟踪软件系统。通过对Camshifl跟踪算法的研究和改进,以实际的跟踪环境为背景,利用VS2008软件平台和OpenCV库函数,设计一种可以控制云台并实时定位跟踪运动目标的软件系统。实验证明,本系统定位跟踪精确,为运动目标的定位跟踪的研究和应用提供了方便,具有一定的实际意义。     

基于灰度匹配的序列影像的目标跟踪研究与实现研究

为了达到特定目标跟踪的目的,对视频帧进行匹配算法的处理。通过利用灰度匹配的算法在平台上对简单背景下的目标进行跟踪,来显示进行目标基本跟踪过程。对目标坐标系的转换、运算的速度和使用的范围进行讨论。     

基于贝叶斯推理的目标跟踪

该文描述了基于贝叶斯推理的目标跟踪算法，可应用于非线性、非高斯系统中。介绍了贝叶斯跟踪基本概念。讨论了单目标跟踪算法及在不考虑数据关联、考虑数据关联两种情况下的多目标跟踪算法。给出了每种跟踪算法应满足的假设条件及其递归方程。最后，简要介绍了在工程中应用的具体算法。     

非连续轨迹下的公路车辆智能跟踪技术研究

针对运动车辆轨迹跟踪控制中的遮挡问题,研究创新地提出以SVM分类检测器优化STAPLE跟踪算法,以保证在目标退出遮挡时可以重新搜索并定位目标;同时对颜色特征直方图、HOG算法进行了改进,以提高算法特征提取效率;最后选择VOT2016国际标准序列集对优化后的STAPLE跟踪算法进行验证;研究结果显示,改进STAPLE算法能在目标退出遮挡后更为快速地重新捕捉目标位置;改进算法对目标中心的跟踪精度达到了0.81,对目标框的跟踪精度达到了0.89;在目标进入遮挡状态时,改进算法的跟踪精度最高;这次研究提出的STAPLE优化算法表现出较好的跟踪效果,其面对长时遮挡的跟踪能力具有较高的应用价值。     

远程高速弹丸目标运动及红外辐射特性研究与应用

针对光学测量装备在远程高速弹丸目标跟踪测量过程中存在的跟踪测量难题,对弹丸目标的运动特性、红外辐射特性进行了研究分析,采用计算机仿真飞行弹道曲线、飞行表面温度随时间的变化曲线,得到给定条件下目标辐射度随时间的变化曲线,获得了满足试验测量需求的弹丸目标特性;通过仿真测量和半实物仿真测量等方式将研究成果应用于试验工程,在弹丸测量方案制定、装备跟踪性能评估等方面发挥重要作用,提高了试验成功率;研究成果可推广应用于其他类型目标的测试测量试验,具有较好的实用价值.     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

遮挡情况下的视觉目标跟踪方法研究

将目标整体相关匹配算法和目标各子块相关匹配作表决的算法相结合,有效解决了运动目标被遮挡的跟踪问题.目标被遮挡,表现为某些子块被遮挡且匹配错误.对被遮挡的子块使其不参与表决,也不参与整体相关匹配的计算,只利用目标剩余的能代表目标本身属性的未遮挡子块继续跟踪目标.实验结果表明,采用的两种算法互为补充,对解决遮挡情况下目标的视觉跟踪是有效的.     

改进后的TLD视频目标跟踪方法

TLD(tracking-learning-detection)是近期受到广泛关注的一种有效的视频目标跟踪算法.在原始TLD的基础上,对其进行改进,改进包括:在TLD的跟踪器中对其局部跟踪器的布置和局部跟踪器的跟踪成败预测方法进行改进,提高跟踪器的跟踪精度和鲁棒性;在TLD的检测器中引入基于Kalman滤波器的当前帧目标所在区域预估,缩小了检测器的检测范围,提高了检测器处理速度;在TLD的检测器中加入基于马尔可夫模型的方向预测器,增强了检测器对相似目标的辨识能力.通过实验对原始TLD和改进后的TLD进行了比较,实验结果显示改进后的TLD算法较原始TLD算法具备更高的跟踪精度和更快的处理速度,而且增强了对场景中相似目标的辨识能力.     

粒子滤波在机动目标跟踪中的应用

机动目标跟踪问题一直是数据融合领域的难点.本文提出将粒子滤波应用于跟踪机动目标.该算法不仅可解决非线性问题,且对机动目标有很好的跟踪效果.仿真实验结果表明了该滤波器的有效性.