基于改进Camshift和Kalman滤波的目标跟踪算法

在移动目标跟踪过程中,可能会受到种种干扰而导致目标不能有效地被跟踪。为了解决在跟踪运动目标过程中受到外界影响的缺陷,采用了一种Camshift和Kalman滤波结合的目标跟踪算法。算法能有效克服运动目标被遮挡或相似颜色运动目标干扰使目标跟踪丢失的缺陷。实验结果表明:本文提出的算法用于跟踪运动目标具有很好的鲁棒性。     

一种结合Camshift和Kalman滤波的TLD目标跟踪算法

TLD(Tracking-Learning-Detection)跟踪最大的优点是对初始选择的目标进行不断的学习,来获取目标当前的外观特征信息。但其计算量大,当有相似目标出现、目标物被遮挡时,跟踪精确度低、效果差。Camshift算法是基于Meanshift算法形成的可连续自适应的一种算法。Camshift结合Kalman滤波可实现对目标位置的快速查找和对窗口大小的控制功能。将TLD跟踪方法的原始输出数据与改进算法的预测结果结合,再修正当前时刻的状态输出结果。对输出结果加权处理,得到目标的最终准确位置。改进算法既具有TLD算法原有的长期有效跟踪特点,又提高了对目标实时跟踪的准确性,同时对短时遮挡具有预测功能。     

一种基于信息融合的粒子滤波跟踪算法

针对粒子滤波在复杂背景下容易造成跟踪目标丢失的问题,提出一种基于多特征信息融合的粒子滤波算法。该方法同时利用灰度和梯度信息描述目标,有效提高了复杂场景下对目标描述的可靠性;在此基础上,推导出多信息融合的观测似然函数,将两种信息融合在一起,使得融合算法能根据当前跟踪形势自适应调整各信息的加权,实现了信息间的优势互补。实验结果表明,该算法鲁棒性较高,明显提高了跟踪精度。     

基于Camshift改进算法的视频目标跟踪方法

针对Camshift算法在目标跟踪中容易出现错误识别的情况,对Camshift算法加入最优阈值处理;对目标容易跟丢的情况,运用Camshift算法和Kalman滤波结合的方法进行跟踪。基于OpenCV对比了双通道H,S分量加权情况下和单通道H分量情况下的反向投影图跟踪效果,验证了最优阈值下改进Camshift效果,实现了Camshift算法和Kalman滤波实时跟踪。实验结果证明:对Camshift加入优化阈值处理能明显地改进错误识别的情况,加入Kalman滤波器能有效避免目标丢失。     

一种改进的粒子滤波目标跟踪算法*

传统的Condensation跟踪算法使用状态转移分布作为采样粒子的建议分布函数,没有考虑当前的观测值,大量的粒子运算浪费在了那些具有小似然性的区域。针对该问题,提出一种基于Mean Shift以改进建议分布函数的粒子滤波跟踪方法。实验表明,由于有效地利用了当前观测值,改进的算法具有较强的鲁棒性和实时性。     

一种多特征融合的粒子滤波跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种有效的多特征融合跟踪方法,该方法同时结合了颜色和运动边缘特征,并通过粒子滤波方法合理地进行概率融合。实验结果表明,算法能够在一种特征受到背景干扰导致目标鉴别能力丧失时,其它特征仍能稳定可靠地跟踪目标,算法简单,鲁棒性高,能够有效适用于复杂背景下的目标跟踪。     

一种基于视觉注意机制的改进粒子滤波跟踪算法

目标跟踪是计算机视觉研究中的一个重要课题,它是目标行为理解的基础,是图像系统连续准确工作的重要部分。针对单一特征跟踪算法识别准确性不高,特别是在遮挡状况下无法对目标特征进行检测和跟踪的问题,考虑到粒子滤波算法在处理非线性、非高斯跟踪问题上的优越性,提出一种融合颜色、纹理和运动信息等多类特征的改进粒子滤波跟踪算法;并参考人眼的视觉注意机制,根据目标物体在不同场景下对人眼刺激的显著性不同,对目标的各个特征按照显著性强弱排序,并以此对散布粒子进行过滤。与单一特征和多特征目标跟踪算法的对比实验表明,所介绍的算法比基于单一特征的目标跟踪算法具有更高的准确性和鲁棒性,且比多特征跟踪算法的实时性更好。     

基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

一种改进的粒子滤波跟踪算法的研究

粒子滤波是一种基于蒙特卡罗和递推贝叶斯估计的滤波方法,在处理非高斯非线性系统的状态和参数估计方面有独到的优势。但是其庞大的计算量和缓慢的速度限制了其在实时系统中的应用。本文中介绍了粒子滤波基本原理,通过改进权重计算、重采样算法,计算速度得到提高。这种改进的算法在DSP系统中进行目标跟踪仿真,证明其具有速度快、精度高的特点。     

基于改进粒子滤波的机动目标自适应跟踪算法

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布.将此改进粒子滤波算法在"当前"统计模型框架下进行机动目标自适应跟踪.仿真实验验证了该种方法对机动目标的良好自适应跟踪性能.     

基于边缘粒子滤波的目标跟踪算法研究

为了提高目标跟踪过程中粒子滤波结果的精度,将边缘粒子滤波算法应用于目标跟踪。首先将目标运动状态向量划分为线性和非线性两个子向量,然后,采用卡尔曼滤波方法处理线性状态子向量,采用粒子滤波方法处理非线性状态子向量。使用边缘粒子滤波算法和标准粒子滤波算法对目标进行跟踪仿真。仿真结果表明：将边缘粒子滤波算法应用在目标跟踪过程中,能够取得更高的跟踪精度;时间复杂度增加仅6%;在粒子数相对较少的条件下,仍能够保持较好的滤波性能。     

目标跟踪状态估计排序粒子群算法研究

基于视觉的无人机地面目标跟踪状态估计为非线性滤波问题,针对使用一般粒子滤波算法存在粒子退化和计算量大的缺陷问题,提出了一种基于排序的粒子滤波算法,对粒子依误差大小进行排序并计算粒子权重。仿真试验表明,该方法减轻了粒子贫化的影响,提高了状态估计精度。     

移动机器人实时目标跟踪系统设计与实现

针对单目视觉移动机器人目标跟踪的实时性和鲁棒性要求,提出了基于Kalman滤波器的改进Camshift算法检测和定位目标.将Kalman预测值作为目标初始位置,补偿摄像头和目标相对运动导致的目标在图像中的偏移.在系统“跟丢”后判断目标丢失的原因,根据原因自适应拓展搜索窗口作为Cam-shift算法的下一帧初始搜索窗口.为了验证改进算法的有效性,自主研制了一种应用该算法的履带式机器人实时目标跟踪系统.实验结果表明:该系统具有很好的鲁棒性和实时性.     

基于自适应粒子群优化的新型粒子滤波在目标跟踪中的应用

针对基于粒子群优化的粒子滤波(PSO-PF)算法精度不高,实时性差,难以满足雷达机动目标跟踪的需求,提出一种基于动态邻域自适应粒子群优化的粒子滤波(DPSO-PF)算法.该算法可以动态调整粒子邻域环境,其中每个粒子按照邻域的环境和自身的位置信息自适应地调整相互间的邻域粒子数量,使邻域粒子数量更为合理,达到寻优能力与收敛速度的最佳平衡.最后利用不同模型对该算法进行了仿真实验,实验结果表明所提出的算法能够提高雷达机动目标跟踪的实时性和精确性.     

基于粒子滤波的机动目标跟踪

在单机动目标跟踪中,目标的机动情况是未知的,提出的算法用粒子滤波器求加速度的估计,由Kalman滤波得到加速度的重要性概率密度函数。仿真实验结果表明,该算法可较好地跟踪目标状态（包括加速度）的变化。     

一种结合人工免疫的粒子滤波目标跟踪算法

针对传统的粒子滤波跟踪算法存在粒子退化的问题,提出了一种结合人工免疫的粒子滤波跟踪算法。该方法利用免疫学原理,将目标模板特征作为抗原,每个粒子对应区域的特征作为抗体,匹配问题转化为抗原和抗体的亲和力问题,通过克隆的方式保留亲和力大的抗体,采用变异的手段去除亲和力小的抗体,从而使结果快速收敛于全局最优解。抗体的多样性有效解决了传统粒子滤波的退化问题。将该方法应用到目标跟踪技术中,仿真结果表明,粒子集的有效样本得到了明显的提高。     

一种基于改进粒子滤波的多目标跟踪算法

针对复杂背景环境下的多目标跟踪问题,论述了主要的数据关联技术,将目标检测算法与粒子滤波相结合,利用颜色直方图作为观测模型,并利用全领域(GNN)算法进行数据关联.提出一种改进的基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪.该算法对于目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等均有较好的处理效果.     

多特征融合的自适应性粒子滤波跟踪算法

为提高粒子滤波视觉目标跟踪算法的实时性与鲁棒性,提出了一种基于多特征融合的自适应性粒子滤波跟踪算法。该算法利用颜色和结构特征表示目标,将两者融合于粒子滤波的框架中,利用融合后的信息计算粒子的权值,以降低算法受目标形变及复杂环境的影响。同时,根据跟踪预测的准确程度动态计算跟踪所需的粒子数目,对采样粒子集进行自适应调整,以提高粒子质量,降低粒子数量,减少算法运算时间。实验结果表明,所提算法对于每帧图像的平均计算时间相对于传统混合跟踪算法缩短了将近一半,而且算法的鲁棒性较强。     

基于形状上下文和粒子滤波的多目标跟踪

目标跟踪是计算机视觉领域里研究的热点和难点。提出一种基于形状上下文和粒子滤波的多目标跟踪算法,通过在跟踪过程中融入目标检测信息来处理目标进入与离开场景问题和目标重叠与分离问题。首先,采用自适应增强检测算法对视频区域中的目标进行检测;然后,利用形状上下文特征来建立被跟踪目标的外观模型;最后,利用粒子滤波方法进行粒子的选择和目标的跟踪。实验证明,提出的算法能够有效处理目标进入与离开场景的问题和目标重合与分离的问题,在单一背景和复杂背景下都能进行较为准确的跟踪,还能一定程度上处理部分遮挡问题。