一种基于加权时空上下文的鲁棒视觉跟踪算法

由于光照及外观变化、复杂背景、目标旋转与遮挡等因素的影响, 给实现鲁棒的视觉跟踪带来困难. 有效利用上下文(Context)中包含的有用信息有助于提升上述条件下视觉跟踪的鲁棒性. 时空上下文 (Spatio-temporal context, STC)算法是新近提出的一种基于时空上下文的目标跟踪算法, 它利用目标周围的稠密上下文信息, 取得了良好的跟踪效果. STC的不足是其同等对待整个上下文区域, 没有对上下文做进一步的区分, 减弱了上下文的作用. 本文采用动态分区处理思想, 根据上下文中不同区域与跟踪目标运动相似度大小, 赋予不同权值, 提出了基于加权时空上下文(Weighted spatio-temporal context, WSTC)的鲁棒视觉跟踪算法. 最后在公共数据集上进行的对比实验表明, 本文所提出的算法具有更好的跟踪效果和鲁棒性.     

基于均值漂移算法和时空上下文算法的目标跟踪

在严重遮挡时,时空上下文STC(Spatio-Temporal Context)算法对目标位置的判断是正确的,而均值漂移MS(Mean Shift)算法对目标位置的判断会发生很大幅度的抖动,甚至跟踪错误目标。在遮挡结束后,时空上下文算法很难重新跟踪到正确目标,而均值漂移算法可以重新检测到跟踪目标。结合二者的优缺点,提出基于均值漂移算法和时空上下文算法的目标跟踪算法MSandSTC。该算法主要解决目标被严重遮挡的问题。在许多具有挑战性的数据集上的实验表明所提算法具有较好的实时性和鲁棒性。     

基于时空上下文的手势跟踪与识别

针对复杂背景下手势运动过程中出现的手势形态变化、遮挡、光照变化等问题,提出了一种基于时空上下文的手势跟踪与识别方法。使用机器学习方法离线训练手势样本分类器,实现对手势的检测和定位;利用时空上下文跟踪算法对动态手势进行跟踪,同时为了避免跟踪过程中出现的漂移、目标丢失等情况,使用手势检测算法对手势位置信息进行实时校准;根据手势运动轨迹对手势运动进行跟踪与识别。实验表明,提出的方法可以实现对手势运动快速、准确、连续识别,满足人机交互的要求。     

加权的超像素级时空上下文目标跟踪

目标跟踪是计算机视觉中的热点问题,而目标运动的复杂背景、光照变换和尺度变化等因素大大的影响着目标跟踪的准确性。总结当前比较热门的几种跟踪算法的优缺点,针对时空上下文算法的不足提出了改进方法：加权的超像素级时空上下文目标跟踪算法（weighted super pixel level spatio-temporal context,WSSTC）。该算法利用像素的特征信息对目标上下文区域进行聚类,形成超像素级区域,并通过时间上下文中超像素块特征的相似性,对空间上下文进行加权处理,建立了超像素级的目标外观模型。实验结果表明,加权的超像素级时空上下文目标跟踪算法在目标跟踪中具有更好的准确性和鲁棒性。     

基于卡尔曼滤波的移动机器人运动目标跟踪

提出了一种基于卡尔曼滤波的运动目标快速跟踪算法。针对复杂背景下彩色运动目标跟踪问题,采用基于颜色特征和形状特征相结合的方法进行目标识别。利用卡尔曼滤波器的预测功能,预测运动目标在下一帧中的位置,将图像全局搜索问题转换为局部搜索,提高了系统的实时性。实验结果表明:该算法满足移动机器人运动控制的实时性要求,实现了对运动目标的快速跟踪。     

小型嵌入式平台实时目标跟踪算法的研究与实现

针对高实时性要求、低计算能力的小型嵌入式平台的应用背景,本文提出一种低时间复杂度、高鲁棒性的目标跟踪算法。首先,构建基于时空上下文贝叶斯概率模型的跟踪算法架构,然后提出低时间复杂度的灰度特征尺度池策略实现尺度自适应更新,最后利用基于置信图最大似然概率的目标模型更新策略来提高抗遮挡性能。利用基准数据集OTB2013对本文算法进行测试,跟踪精度为58.9%,成功率为51.3%,优于时间复杂度相近的STC(Spatio-Temporal Context)和CSK(Circulant Structure with Kernels)算法。搭建以DSP为核心的小型目标跟踪平台对算法进行测试,可实现对视场中目标的实时稳定跟踪。当目标波门为64×64 Pixel时,稳定跟踪帧率可达42 frame/s,能够满足实时性和工程实用性的应用需求。     

移动机器人运动目标跟踪系统设计

利用SONYEV-D31摄像机和自主研发的摄像机控制模块,构建了一套主动视觉子系统,并将该子系统应用于RIRA-Ⅱ型移动机器人上,实现了移动机器人运动目标自动跟踪功能。RIRA-Ⅱ移动机器人采用了由一组分布式行为模块和集中命令仲裁器组成的基于行为的分布式控制体系结构。各行为模块基于领域知识通过反应方式产生投票,由仲裁器产生动作指令,机器人完成相应的动作。在设置了障碍、窄通道以及模拟墙体的复杂环境下进行运动目标跟踪实验,实验表明运动目标跟踪系统运行可靠,具有较高的鲁棒性。     

基于激光传感器的移动机器人运动目标跟踪

针对室外环境下移动机器人基于激光传感器对运动目标的实时跟踪问题进行了研究。利用激光传感器检测运动目标,对均值滤波与中值滤波处理后的激光扫描点进行数据对比后,提出一种递推型中值均值混合滤波方法,用以减少激光扫描数据孤点并提高扫描返回值的准确性。设计了目标检测视窗提前剔除与被检测目标无关的障碍数据;设计利用激光扫描点在物体表面连续的特性,在检测视窗内完成对激光数据点的分类。提出以跟踪过程中机器人与目标之间的距离信息作为跟踪算法的评价标准,使用卡尔曼滤波跟踪算法和平滑接近图算法有效实现了机器人对运动目标的平稳自主跟踪。     

基于Retinex灰度增强和颜色信息的时空上下文跟踪算法EI北大核心CSCD

针对光照变化下图像局部或整体灰度剧烈变化而容易导致目标跟踪失败的问题,提出一种结合颜色信息和Retinex灰度增强的改进时空上下文算法.首先比较单尺度Retinex算法和多尺度Retinex算法,确定使用多尺度Retinex算法对图像进行灰度增强以减弱光照变化对图像灰度的影响;然后比较各种视觉模型的颜色特征,确定引入基于色相信息的目标模型,并将该模型与多尺度Retinex灰度增强模型相结合作为跟踪的目标模型.实验结果表明,文中算法比原算法在跟踪成功率上有较大提升,在Shaking场景下跟踪成功率为95%,比传统的时空上下文跟踪算法的跟踪成功率提高约24%;相比其他主流算法,该算法在平均跟踪成功率和跟踪精度上的表现也更高、更可靠.     

基于关联规则挖掘的全向轮移动机器人目标跟踪控制系统设计

为保证全向轮机器人在移动过程中所捕获到的目标对象能够完全符合理想目标设定条件,准确追踪目标节点的运动行为,设计基于关联规则挖掘的全向轮移动机器人目标跟踪控制系统;根据CAN主控框架的部署形式,按需连接核心管控电路与I/O跟踪模块;分别以转向控制器、速度控制器为例,完善全向轮控制结构的物理作用能力,实现机器人目标跟踪控制系统的硬件设计;在此基础上,定义频繁项集合,按照具体的关联规则特征描述结果,确定挖掘程序指令的执行能力,得到准确的关联离散度指标计算结果,实现控制系统的关联规则挖掘,再联合相关硬件设备结构,完成基于关联规则挖掘的全向轮移动机器人目标跟踪控制系统设计;分析对比实验结果可知,随着关联规则挖掘控制系统的应用,全向轮机器人在移动过程中所捕获到的目标对象能够将理想目标完全包含在内,机器人目标跟踪结果准确,可以辅助全向轮移动机器人更加准确地追踪目标节点的运动行为,符合实际应用需求。     

改进STC和SURF特征联合优化的目标跟踪算法

针对传统时空上下文目标跟踪(STC)算法中目标窗口不能适应目标尺度变化,导致对目标针对性不强等问题,提出改进STC和SURF特征联合优化的目标跟踪算法(STC-SURF)。首先利用加速稳健(SURF)特征算法对相邻的2帧图像提取特征点并进行匹配,再通过随机抽样一致(RANSAC)算法消除误匹配,提高匹配精度。进而根据2帧图像中匹配特征点的变化对目标窗口进行调整。最终对STC算法中模型的更新方式进行优化以提高跟踪结果的准确性。实验结果表明,STC-SURF算法能够适应目标尺度变化,并且其目标跟踪成功率优于TLD算法和传统STC算法的。     

基于图像轮廓检测的航天器目标跟踪控制系统设计

目前研究的航天器目标跟踪控制系统控制有效率低,追踪图像与实际目标不同,准确率低;基于图像轮廓检测设计了一种新的航天器目标跟踪控制系统,根据系统硬件的不同性能与结构进行模块式划分,同时将图像轮廓检测数据准则添加入中心管理系统中,时刻保证数据的检测安全系数处于系统操作允许范围内;调整原有的软件结构状态,采集航天器轮廓图像并提取轮廓信息,选用适当的图像轮廓检测阈值,集中检验跟踪目标的运动方向,调控方向数据,以此降低图像的像素变化程度,得到准确的航天器目标跟踪控制结果;实验结果表明基于图像轮廓检测的航天器目标跟踪控制系统控制有效率达到了84%,跟踪目标更加准确。     

基于时空显著性的双核KCF目标跟踪算法

传统的核相关滤波器跟踪算法(KCF)在模板更新上容易出现跟踪误差累计,从而导致目标跟踪过程中出现跟踪漂移问题。针对该问题,提出了一种时空显著性的双核KCF目标跟踪的方法。该算法引入了一种时空显著性方法来搜索目标区域的显著特征和姿态稳定的局部区域。利用该局部区域对跟踪过程中产生的累计误差有较低的敏感度特性,能够减少跟踪过程中的累计误差。然后再结合原目标和显著区域建立一个双核跟踪机制,在跟踪过程中不断对原目标跟踪结果进行微调,降低跟踪累计误差。此外,针对快速运动的目标相邻帧偏移量较大的问题,提出了一种锚点预测机制,使得跟踪锚点与目标位置更接近,能够更准确地跟踪到目标。在大型公共数据上测试的实验结果表明,提出的算法在光照、遮挡、变形、快速运动、旋转以及背景杂波等复杂情况下,均具有较强的适应性。     

基于窄带物联网的巡检机器人目标跟踪控制系统设计

目前研究的巡检机器人目标跟踪控制系统存在目标位置误差大、目标跟踪控制效果差、采集的图像模糊等问题。为了解决上述问题,基于窄带物联网的巡检机器人目标跟踪控制系统。系统硬件以窄带物联网无线通信模块为基础,优化设计了Zigbee压力采集器、中央控制器和STM32主控电路,实现了巡检机器人目标跟踪控制系统的数据信息集中调度。Zigbee压力采集器主要由XBee控制模块、压力传感器两部分组成,同时设计了供电电路、晶振电路和复位电路,通过系统硬件,实现了对巡检机器人的跟踪、控制和监控,为系统提供了硬件支持。软件方面给出了系统的控制流程,设计了Zigee组网程序、嵌入式视觉处理程序和巡检机器人自主导航程序。实验结果表明,基于窄带物联网的巡检机器人目标跟踪控制系统目标位置误差较小、控制效果较好、图像更加清晰。     

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中，相互作用多模型（IMM）算法是目前公认的最为有效的算法。但到目前为止，LMM估计方法都是建立在卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF）基础上，因而其性能不仅依赖于所采用的模型集，而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器（STF）克服了卡尔曼和扩展卡尔曼的三大缺陷，因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明，基于STF的IMM算法的跟踪性能要优于基于KF和EKF的IMM算法的跟踪性能。     

双目视觉模型移动目标跟踪系统

为了使机器人能够对目标进行自主智能的跟踪,基于仿生学原理建立双目视觉模型,设计出四自由度的仿人眼颈跟踪系统,通过上位机与下位机的配合以及2台摄像机与4台直流电机,实现双目视觉移动目标跟踪系统.该系统通过双目摄像机对目标进行图像采集,由PC机对目标进行特征提取以及一系列处理后计算出目标的移动范围,将目标移动数据传输至下位机后通过PID控制算法平滑控制直流电机的运转方向与运转速度,从而对移动目标实现良好的跟踪性能.     

基于无线传感器网络的战场目标跟踪

基于无线传感器网络,对目标定位跟踪应用进行了研究。在对目标定位跟踪时,如何既保证跟踪精度又能有效降低能量消耗,针对这个问题,提出了一种简便的加权坐标质心定位方法,通过对目标的定位,给出了一种基于测量信息的跟踪方法,方法实现简单。性能分析表明:提出的定位跟踪方法能有效地降低能量消耗,延长节点和网络寿命,基本可以满足战场目标跟踪需求。     

基于PN学习的雷达目标鲁棒跟踪算法

传统雷达目标跟踪算法在强杂波环境下跟踪时会产生大量虚警估计的情况,单独跟踪或检测算法都不能对干扰杂波进行有效滤除.针对这个问题,在传统概率假设密度滤波器(PHD)算法的基础上,提出一种联合检测-跟踪-学习的目标鲁棒跟踪算法,即PN-PHD,引入属性检测器,将检测跟踪结果一起送入PN学习器,通过PN学习迭代更新检测器,并修正PHD算法的跟踪估计,以此实现在强杂波环境目标鲁棒跟踪的要求.仿真实验结果表明:PN-PHD滤波算法与传统跟踪算法相比,在强杂波环境下有效地提高了目标跟踪准确性和跟踪精度,同时也弥补了PHD算法在提供目标航迹信息方面的不足.