前景约束下的抗干扰匹配目标跟踪方法

传统模型匹配跟踪方法没有充分考虑目标与所处图像的关系,尤其在复杂背景下,发生遮挡时易丢失目标.针对上述问题,提出一种前景约束下的抗干扰匹配（Anti-interference matching under foreground constraint,AMFC）目标跟踪方法.该方法首先选取图像帧序列前m帧进行跟踪训练,将每帧图像基于颜色特征分割成若干超像素块,利用均值聚类组建簇集合,并通过该集合建立判别外观模型;然后,采用EM（Expectation maximization）模型建立约束性前景区域,通过基于LK（Lucas-Kanade）光流法框架下的模型匹配寻找最佳匹配块.为了避免前景区域中相似物体的干扰,提出一种抗干扰匹配的决策判定算法提高匹配的准确率;最后,为了对目标的描述更加准确,提出一种新的在线模型更新算法,当目标发生严重遮挡时,在特征集中加入适当特征补偿,使得更新的外观模型更为准确.实验结果表明,该算法克服了目标形变、目标旋转移动、光照变化、部分遮挡、复杂环境的影响,具有跟踪准确和适应性强的特点.     

一种基于仿射变换模型的目标跟踪算法

在图像目标跟踪的应用中,传统方法多采用基于平移运动模型和相关（correlation）类型匹配准则的跟踪算法。该类算法以目标仅发生平移运动为假设前提,难以有效适应目标在图像中通常会发生的缩放、旋转和错切等变化。本文应用了一种基于仿射变换模型的目标跟踪算法。该算法建立起包含六个参数的仿射变换模型,以其描述目标在序列图像中的变化,然后构造适当的匹配误差目标函数,并采用牛顿迭代法求解得到最优的仿射参数。实验结果表明,该算法具有较强的鲁棒性,能够得到较好的跟踪效果。     

连续跟踪状态下基于可分性特征的目标优化分类

针对拥塞复杂监控场景中目标的准确分类问题,提出了一种连续跟踪状态下基于可分性特征的目标优化分类方法。首先对整个场景中所有目标提取简单的颜色、形状和位置特征建立初始目标匹配,利用目标的运动方向及速率预测下帧中优先搜索区域以提高目标匹配效率,减少运算量,并对未建立对应关系的遮挡目标采用外观特征模型进行再匹配。为了提高目标分类的准确率,系统利用连续跟踪状态下目标特征的不间断提取和匹配,根据匹配最大概率决定最优分类结果。通过多种场景的实验结果表明,该方法的分类准确度比未利用连续跟踪信息的方案获得了更好分类准确度,平均达到了97%,有效改善了复杂场景中目标分类精度。     

基于无线传感人脸识别的空间弱小人体目标跟踪方法

针对空间弱小目标跟踪虚警概率高,受噪声影响大等问题,提出基于无线传感人脸识别的空间弱小人体目标跟踪方法。建立基于双向稀疏表示的无线传感人脸识别模型,通过训练图像矩阵,识别图像特征。采用正交匹配追踪法求解无线传感人脸识别模型,通过不断迭代,获取空间弱小人体目标图像的双向稀疏表示。通过粒子滤波观测模型对目标粒子与背景粒子之间的稀疏重构残差差异性进行分析。通过随机估计方法,参考现有的图像数据,更新字典子空间,完成弱小人体目标跟踪。经仿真分析证明：该方法的目标识别率最高为97%;位置跟踪平均误差较低,并且检测概率高,为98%;虚警概率低,为17%。因此,说明该方法能够实现对弱小人体目标的有效跟踪,具备较高的使用价值。     

前景判别的局部模型匹配目标跟踪

目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。     

基于马尔可夫链的动态多目标快速跟踪

针对目标跟踪过程中常见的碰撞遮挡问题,提出一种视频图像序列的多目标快速跟踪方法。该方法基于卡尔曼算法预测目标位置,采用颜色匹配算法进行前后帧目标的快速匹配,建立马尔可夫链模型并结合目标置信度,判断目标所处的状态,以消除碰撞遮挡现象产生的干扰,实现准确快速的目标跟踪。实验结果表明,该方法能在快速多目标跟踪过程中有效解决目标碰撞、遮挡等问题。     

适用于复杂环境下的实时目标跟踪技术

针对复杂环境下目标跟踪过程中目标存在旋转、视角、尺度等变化以及噪声干扰的问题,提出了一种基于尺度不变特征与快速模板匹配相结合的目标跟踪技术;该技术通过分别提取预先存储模板和实时采集图像的尺度不变特征,建立初始模板;采用菱形搜索策略对模板的低分辨率子图和待跟踪图像的低分辨率子图进行快速互相关检测,根据检测结果在该帧高分辨率图像中建立紧凑ROI,在此区域内进行模板匹配,对目标进行精确定位;在目标跟踪的过程中采用自适应模板更新策略,以保证在目标发生变化时跟踪的稳定性;实验结果表明,该技术在稳定性、准确性和实时性等方面均优于传统方法。     

光流引导下机器人抓取目标物角点动态匹配

针对目标物位姿在线估计中的特征点动态匹配问题,以木块作为实验对象,提出了一种光流引导的目标物角点动态匹配方法。使用Yolov2-tiny进行目标物识别,完成目标物定位与分类。在提取区域内完成Shi-Tomasi角点检测,采用LK（Lucas-Kanade）光流对角点跟踪的方法实现角点在相邻两帧图像中的初始匹配,针对光流跟踪中特征点的偏移问题,对跟踪点为中心的11×11邻域进行角点再提纯。实验证明该算法能在视频序列中对目标物角点实时动态地匹配,且角点匹配结果比SIFT和Harris-SIFT方法准确度更高,实时性更好。     

基于二值随机森林的目标跟踪算法

针对压缩跟踪不能适应目标姿态变化导致跟踪失败的问题,提出了一种基于二值随机森林的目标跟踪算法。该算法对实时压缩跟踪算法的特征提取和分类这两个部分作了改进。首先,在梯度图像上进行多尺度滤波,获得目标的高维特征描述,利用一个稀疏矩阵进行压缩,获得表征目标的低维信息;然后,通过比较图像块对的大小,获得二值描述符,利用随机森林构造目标表示方法;最后,计算汉明匹配、寻找汉明距离最小的候选样本作为当前帧目标的状态估计,并在此基础上提取目标的特征来更新目标特征模板。与原算法相比,该算法对旋转、折叠、遮挡等姿态变化的目标跟踪性能更好。     

基于视觉传达的多帧图像特征目标跟踪仿真

针对当前方法提取的多帧图像目标特征精度较差,导致多帧图像特征目标跟踪准确率较低、跟踪时间较长的问题,提出了基于视觉传达的多帧图像特征目标跟踪方法。采用稀疏表示方法采集多帧图像目标特征,利用高斯分布构建图像运动模型,小波分析多帧图像灰度及细节特征,根据灰度投影法提取多帧图像目标特征,并匹配多帧图像特征点,获取多帧图像轮廓轨迹追踪目标,运用图像运动目标状态模型,求解前景轮廓的目标函数权重,实现多帧图像特征目标跟踪。实验结果表明,所提方法提取的多帧图像目标特征精度较好,能够有效降低多帧图像特征目标跟踪时间,提高多帧图像特征目标跟踪准确率。