基于序贯岭回归背景抑制的目标检测算法

复杂背景下的弱小目标检测是空间监视和远程预警中的关键技术之一.针对这一难点问题,提出了一种新的基于自适应序贯岭回归背景抑制算法的目标检测算法.首先,利用岭回归估计原理,建立了自适应序贯岭回归估计算法.然后,利用图像背景空间域的相关性建立了基于序贯岭回归的图像背景抑制算法,并采用双向扫描更新方式加快算法收敛速度.该抑制算法能根据像素邻域灰度自适应调整加权参数.最后,在该抑制算法基础上,结合阈值化技术形成了一种新的弱小目标检测方法.实验证明,该算法能增强目标信噪比和对比度,有效检测到信噪比大于2的弱小目标.     

基于序贯相似度法的多CCD在线检测的研究

为满足在线检测实时性的要求,提出了一种新的图像拼接方法,通过对图像RGB三通道分别计算,并运用序贯相似度找出了匹配图像的对应位置和偏移距离。实验结果表明,该方法检测速度快,精度高,可以满足在线检测的要求。     

空间目标序列图像相关跟踪算法

提出一种用于跟踪空间目标的相关匹配算法。它先对匹配像素用动态阈值分类,若灰度绝对差大于阈值,再使用最小绝对差平方累加和作为相似性度量。同时提出一种新的模板修正策略,即每隔一定帧后对模板求质心,调整质心在模板上的位置。仿真实验结果表明,该算法可以克服图像噪声、局部突变、目标变光对匹配的影响,对目标与背景灰度差在20个灰度级以内的低对比度目标跟踪也有较高的精度和可靠性。实验中可以持续几千帧稳定地跟踪空间目标。结合快速搜索和粗精匹配方式,处理一帧时间在20ms以内。     

基于卡尔曼滤波的多运动目标跟踪算法研究

针对多运动目标跟踪的实时性和鲁棒性问题,本文提出了一种基于卡尔曼滤波的多运动目标跟踪算法,该算法运用卡尔曼滤波预测目标的位置,并以目标的中心点坐标、面积和长宽比特征、一维HSV颜色直方图作为目标的特征对当前帧检测到的目标模板和预测区域内的目标进行匹配。实验证明,该算法可实时、稳定地跟踪复杂场景内的多运动目标,并能够解决目标遮挡问题。     

多特征融合的非线性目标跟踪算法

为克服视频目标跟踪中仅利用单一特征易导致的跟踪失败,提出了一种基于多特征融合的非线性目标跟踪算法.通过灰度直方图来表征目标的总体分布,利用边缘特征来提取目标的高频细节,将两者融合于粒子滤波的概率模型框架中.并提出一种基于半峰宽和贡献度的特征可信度计算方法,动态调节粒子数目,使可信度高的特征拥有较多的粒子.最后,进行了目标跟踪仿真实验,结果表明,该算法具有较强的抗局部遮挡能力,与单特征跟踪算法相比,平均跟踪误差减小了0.5个像素.     

多特征融合的非线性目标跟踪算法

为克服视频目标跟踪中仅利用单一特征易导致的跟踪失败,提出了一种基于多特征融合的非线性目标跟踪算法。通过灰度直方图来表征目标的总体分布,利用边缘特征来提取目标的高频细节,将两者融合于粒子滤波的概率模型框架中。并提出一种基于半峰宽和贡献度的特征可信度计算方法,动态调节粒子数目,使可信度高的特征拥有较多的粒子。最后,进行了目标跟踪仿真实验,结果表明,该算法具有较强的抗局部遮挡能力,与单特征跟踪算法相比,平均跟踪误差减小了0．5个像素。     

多传感器模糊融合跟踪算法

针对集中式融合结构跟踪系统,利用随机逼近算法分析了权值的最优分配原则,提出了一种基于模糊推理的多传感器融合跟踪算法。该算法采用协方差匹配技术,依据滤波新息,动态调整测量噪声方差,使融合系统的均方误差始终最小。同时利用双滤波器结构,根据系统方差,实现滤波器间的动态切换,提出了基于模糊推理的并行双Unscented卡尔曼滤波自适应跟踪算法,增强当前统计模型对弱机动目标的适应能力。针对机动和非机动飞行航路进行了算法仿真,结果表明,在时变测量噪声条件下,采用模糊融合跟踪算法前后的速度均方根误差分别为45.7m/s和36.2m/s, 18.7m/s和9.6m/s,提高了多传感器系统的稳健性和跟踪精度。     

基于贝叶斯推理时空交互式多视角目标跟踪

本文针对多摄像机视频跟踪的应用场景,在贝叶斯推理的框架下,提出了一种具有分布式时空交互计算特点的目标跟踪算法.本文首先利用贝叶斯网络对拓扑确定的多摄像机系统进行建模,并对待估状态(目标位置)高阶联合后验概率密度函数进行时空的递推,最后借助序列蒙特卡洛(粒子滤波)逼近后验概率密度函数,并采用高效的数据传送机制高效求解出跟...     

基于序贯蒙特卡洛法的自相关过程控制

针对参数未知的自相关过程在线质量控制问题,研究了基于序贯蒙特卡洛法(SMC)的过程控制策略。在给出过程状态空间方程模型的基础上,分析了由于参数未知使得运用Kalman滤波求解控制策略时存在的困难;通过设置未知参数的先验分布,运用序贯蒙特卡洛法得到各参数的后验估计,进而获得了使过程损失最小的控制策略。给出了仿真,以分析控制策略的有效性,结果表明所得到的控制策略具有较好的控制效果。     

基于粒子滤波的目标跟踪算法浅析

所做的工作是利用粒子滤波理论解决目标跟踪所面临的技术问题。首先介绍粒子滤波中的两种重要算法:贝叶斯理论和蒙特卡罗方法,接着在此基础上详细阐述基于粒子滤波的目标跟踪算法。     

一种基于粒子滤波的特征融合跟踪算法

针对单纯的基于颜色的跟踪方法在复杂背景下会导致跟踪失败的问题,本文提出一种基于粒子滤波的特征融合跟踪算法。颜色直方图是对目标的全局描述,而方向梯度直方图包含了一定的结构信息,二者可以互为补充,因此本文算法同时用颜色直方图和方向梯度直方图来描述目标,在粒子滤波框架下将目标颜色和梯度信息有机结合,并自适应更新。实验表明,本文算法不仅提高了跟踪精度,而且具有较强的鲁棒性。     

基于局部特征组合的目标跟踪算法

为了克服目前大多数观测模型在小样本空间中鲁棒性不高的弱点,文中在粒子滤波框架下提出基于局部特征组合的粒子滤波视频跟踪算法。局部特征能更有效描述目标模板细节信息,可降低特征匹配中目标形变、光照变化和部分遮挡的影响。该方法借鉴混合高斯模型思想,采用多模式描述有效局部观测信息,这种融合策略更加准确可靠,能够较好地通过最新观测减轻了粒子退化现象,从而提高目标跟踪效率。小样本空间一定程度上降低了粒子数量和计算代价。实验结果表明该算法相比单一特征或一般多特征融合跟踪算法具有优越性,并能实现复杂场景下的目标跟踪。     

基于加权Lucas-Kanade算法的目标跟踪

针对传统的序列图像目标跟踪方法难以适应复杂背景干扰、目标形状变化以及目标位置非规则抖动的问题,提出了一种基于加权Lucas-Kanade算法的目标跟踪新方法.首先引入搜索模板,估计出目标在实时图像中的位置并将其作为加权Lucas-Kanade算法的迭代初始值,然后计算权值函数,利用当前模板和初始模板进行两次跟踪,得到目...     

一种基于小波变换的目标融合跟踪方法

本文在分析小波变换的基础上，将小波分析应用到目标图像的融合跟踪技术上，利用小波的多尺度和多分辨特性，不仅能够获得不同分辨力下的图像序列，进行目标图像融合；还能有效地从信号中提取突变信号。对函数或信号进行多尺度的细化分析。图像边缘用小波变换进行处理和提取并对图像形心进行计算。能够得到较好的轮廓提取效果和形心定位精度，进而说明了小波变换可能成为目标跟踪中较好的数学方法。     

基于帧间差分和运动估计的Camshift目标跟踪算法

针对Camshift算法无法适应目标的高速运动、复杂背景和遮挡的局限性,本文提出结合帧间差分法和运动估计对Camshift算法进行改进.首先在颜色概率分布图计算中通过帧间差分法加入目标运动信息,实现自动初始化跟踪并排除与目标相似背景颜色的干扰.之后在搜索窗传递过程中预测目标的位置,根据跟踪状态对搜索窗进行调整,以实现对高速运动目标的跟踪.实验表明新算法在目标高速运动、遮挡、和同色干扰情况下,仍能进行有效跟踪.     

目标跟踪方法综述

复杂背景下实时目标的跟踪与识别属于自动目标识别（ATR）研究领域，包括对目标的分割、特征提取和目标识别等几个方面。本文将运动背景目标跟踪方法分为基于运动分析和基于图像匹配两大类，综述了几种典型方法的基本原理、基本属性、存在弊端及发展过程；通过各种方法的多方面比较。提出了改进思想，总结了目标跟踪的选择方法；同时针对目标跟踪的一些具体问题。提出了优化措施，最后探讨了目标跟踪方法中有待进一步研究的问题。     

基于ReInspect算法的多目标追踪

为了提高复杂场景下多目标检测的准确性,提出了一种基于ReInspect算法的对于多个运行目标的检测方法.该算法基于OverFeat算法和Faster R-CNN算法的思想,加入LSTM(long short-term memory)循环网络结构用于记录多个目标的特征序列;通过调整LSTM网络特征标签信息,预处理损失函数...     

基于混合相关滤波信息融合再检测的目标跟踪算法

为了减小在目标跟踪过程中目标形变和复杂背景变化对跟踪效果的影响,提出一种基于混合相关滤波信息融合再检测的目标跟踪算法。首先,利用相关滤波算法提取到目标的方向梯度直方图HoG特征,利用颜色模板得到目标的颜色特征,计算两个模板的采样得分;其次,再将两者的特征信息用线性组合的形式进行特征信息融合确定目标位置,跟踪过程中,根据设定的阈值条件选择两个模板采样较大的得分再检测目标的位置;最后,输出所有帧目标位置的结果。与其他的算法进行比较,该算法在应对目标形变和背景杂波方面有较好的跟踪效果。     

基于自适应特征融合的多尺度相关滤波跟踪

为了减小目标跟踪中目标变形、光照影响、运动模糊以及目标旋转对跟踪效果的影响,在相关滤波KCF基础上,提出了一种基于自适应特征融合的多尺度相关滤波跟踪算法。首先,提取VGG19网络中conv2-2、conv3-4、conv5-4层的特征以及CN特征,并在conv2-2层加入CN特征;然后,将这3个特征分别代替HOG特征进行滤波学习,得到3幅响应图;进而对3幅响应图进行加权融合预测目标位置。最后,在尺度方面引入多尺度相关滤波器进行尺度的确定。该算法比KCF跟踪算法精确度和成功率分别提高了13.6%和11.8%。与现有的其他优异跟踪算法相比,该算法在应对运动模糊、背景杂乱、目标变形、平面旋转方面更具有较好的跟踪效果。