基于FCM聚类的粒子滤波多目标跟踪算法

针对多目标跟踪中相似目标的发散问题和跟踪核函数窗宽固定的缺陷,提出一种基于FCM(fuzzy C-means)聚类的粒子滤波算法.该算法结合经典粒子滤波理论,使用可变椭圆作为粒子区域,在粒子滤波的重要性重采样后,通过Mean-Shift算法获得每个目标的聚类中心,使用FCM聚类算法完成粒子聚类,获得相应目标的粒子子群,最后通过粒子子群估计各目标的最终状态并修正核窗口宽度.实验表明,与传统粒子滤波算法相比,该算法解决了传统粒子滤波的发散问题,减少了粒子数量,能够准确地对多目标进行跟踪,具有很好的鲁棒性和实时性.     

基于跨尺度字典学习的图像盲解卷积算法

在模糊核未知情况下利用模糊图像对清晰图像进行复原称为图像盲解卷积问题,这是一个欠定逆问题,现有的大部分算法通过引入模糊核和清晰图像的先验知识来约束问题的解空间。本文提出了一种基于跨尺度字典学习的图像盲解卷积算法,采用降采样图像训练稀疏表示的字典,并将图像纹理区域在该字典下的稀疏表示作为正则化约束引入盲解卷积目标函数中。图像降采样过程减弱了图像的模糊程度,且图像中存在冗余的跨尺度相似块,利用更清晰的图像块训练字典能够更好地对清晰图像进行稀疏表示,减小稀疏表示误差;同时,由于在纹理区域清晰图像的稀疏表示误差小于模糊图像的稀疏表示误差,在该字典下对图像中的纹理块进行稀疏表示,使重建图像偏向清晰图像。本文的算法在Kohler数据集上复原结果的平均峰值信噪比为29.54 dB。在大量模糊图像上的实验验证了本文的算法能够有效解决大尺寸模糊核的复原,并具有良好的鲁棒性。     

基于字典相干性优化的稀疏分类在发动机空燃比故障识别中的应用

稀疏分类直接把故障样本作为原子会造成分类字典相干性较高,进而影响稀疏分类精度,为此提出一种通过有效降低分类字典相干性来提高稀疏分类效果的优化算法。该方法首先通过传播聚类算法获取分类子字典的代表原子,然后基于极分解和子空间旋转法对子字典进行相干性优化。在某型发动机上的实验结果表明,该算法在低相干性字典上能够对怠速和2000r/min工况下的5种常见空燃比故障进行高精度识别。     

采用改进辅助粒子滤波的红外多目标跟踪

结合改进的辅助粒子滤波与马尔科夫随机场,提出一种多目标跟踪算法来跟踪红外场景中的多个目标.依据目标区域的灰度直方图描述目标,使用标准辅助粒子滤波对各目标的采样粒子集进行粗略优化,同时在辅助粒子采样过程中引入Mean-shift算法来提高粒子采样效率,解决多目标跟踪时粒子数量呈指数级增长的问题,并进一步提高算法的实时性.针对多目标跟踪常出现的目标遮挡导致跟踪失败的问题,引入图模型理论,利用马尔科夫随机场来表示多目标跟踪模型,将多目标的跟踪问题转换为图模型的推理问题.实验结果表明,该跟踪算法使用较少粒子便能实现跟踪,跟踪正确率达84％,且能有效解决多目标跟踪时的相互遮挡问题.     

基于Gabor特征和遮挡字典的带遮挡人耳识别

通过引入遮挡字典来编码图像受遮挡部分,稀疏表示分类方法在带有遮挡情况下的人耳识别中能够取得较好的识别性能。然而,常规的利用单位阵作为遮挡字典的方法会对稀疏模型求解带来很大的计算量。提出了一种基于Gabor特征和Gabor遮挡字典的稀疏表示分类方法。利用图像的Gabor特征构造无遮挡字典,因为这种局部特征在姿态变化或遮挡情况下具有一定的鲁棒性。通过学习算法计算出比单位阵遮挡字典更为合理的Gabor遮挡字典,使得图像中被遮挡部分在遮挡字典上的稀疏编码具有更大的稀疏度。在两个人耳图像库上的实验结果表明,相比已有的基于稀疏表示的人耳识别方法,该方法在遮挡情况下能够取得更好的识别效果;对真实环境中存在头发遮挡的人耳识别,也能够取得较好的识别性能。     

增量深度学习目标跟踪

由于现有目标跟踪算法在复杂环境下易发生目标漂移甚至跟踪丢失,故本文提出了以双重采样粒子滤波为框架,基于增量深度学习的目标跟踪算法。该算法在粒子滤波中引入粒子集规模自适应调整的双重采样来解决粒子衰减及贫化问题,并利用无监督特征学习预训练深度去噪自编码器以克服跟踪中训练样本的不足。将深度去噪自编码器应用到在线跟踪中,使提取的特征集合能够有效表达粒子图像区域。在深度去噪自编码器中添加了增量特征学习方法,得到了更有效的特征集以适应跟踪过程中目标外观变化。该方法还用线性支持向量机对特征集合进行分类,提高对粒子集合的分类精度,以得到更精确的目标位置。在复杂环境下对不同图片序列进行的实验表明:该算法的跟踪综合评价指标为94%、重叠率为74%,平均帧率为13frame/s。与现有的跟踪算法相比,本算法有效地解决目标漂移甚至跟踪丢失问题,并且对遮挡、相似背景、光照变化、外观变化具有更好的鲁棒性及精确度。     

基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法

针对传统K奇异值分解(K-Singular value decomposition, K-SVD)算法在稀疏表示过程中,由于目标信号稀疏度难以确定以及字典原子受噪声干扰大导致稀疏表示效果较差的问题,结合变分模态分解(Variational mode decomposition, VMD)算法,提出了基于VMD与终止准则改进K-SVD字典学习的稀疏表示方法。借助VMD算法剔除信号中的干扰分量,依据相关分析与峭度准则选择最优模态分量;采用终止准则改进的K-SVD字典学习算法对最优分量的特征信息进行学习,优化目标函数与约束条件,在无需设置稀疏度的前提下,构造出准确匹配故障冲击成分的字典;此外,构建一种残差阈值改进的正交匹配追踪算法(OMPerr)实现稀疏重构及微弱故障特征增强。通过仿真及试验信号进行验证,结果表明:基于VMD与改进K-SVD字典学习的稀疏表示方法在字典原子构建、稀疏重构精度以及故障特征增强等方面均优于传统K-SVD稀疏表示方法,可以有效实现微弱故障的诊断。     

多源稀疏优化方法研究及其在齿轮箱复合故障检测中的应用

齿轮箱因其工作环境恶劣,极易出现复合故障,其故障振动信号往往包含多种成分且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难.稀疏分解能够在强背景噪声下有效地提取微弱故障特征,针对传统稀疏分解方法存在信号保真能力欠缺,目标函数非凸导致局部最优解,模型通用性差等问题,基于广义极小极大凹(Generalized minimax concave,GMC)惩罚函数推导构建了具有保凸性的多源稀疏优化目标函数,并利用前向后向分裂(Forward-backwardsplitting,FBS)算法,基于Laplace小波字典,Morlet小波字典与DFT字典分别求解轴承瞬态成分,齿轮瞬态成分,谐波成分的稀疏表示,最终实现各成分的准确提取.仿真信号和试验信号的分析均验证了所提出的模型能够在不需要故障具体数目的先验知识下,准确实现齿轮箱复合故障的信号分解和故障诊断.     

应用于光电目标跟踪的变窗宽核粒子滤波

核函数粒子滤波(KPF)是小噪声动态系统目标跟踪的一种有效方法,核窗宽选择是该方法中核密度估计的核心问题。本文提出了一种基于协方差的变窗宽核粒子滤波算法。该方法首先通过粒子集的协方差矩阵估计粒子的粗略核窗宽和其粗略的后验概率密度,然后调节全局核窗宽获得适用于每一个粒子的精确核窗宽,提高核密度的估计精度;然后,通过迭代寻找后验概率模型,使得粒子集能够在核密度估计后向后验概率密度的真实分布移动,从而提高跟踪精度。通过这种方法生成的新粒子是对后验概率密度的一个更加近似的表达。实验结果表明,在小噪声动态系统中,本文提出的变窗宽核函数粒子滤波在光电目标跟踪的性能和效率(PF的20%粒子数目)上都优于传统的粒子滤波(PF)、UPF(Unscented Particle Filter)以及KPF方法。     

一种用于光电目标跟踪的变窗宽核粒子滤波

核函数粒子滤波(Kernel Particle Filter, KPF) 是小噪声动态系统目标跟踪的一种有效方法,其所采用的核密度估计中一个重要的问题是核窗宽的选择。本文提出了一种基于协方差的变窗宽核粒子滤波算法,该方法首先通过粒子集的协方差矩阵估计粒子的粗略核窗宽和其粗略的后验概率密度,然后调节全局核窗宽获得适用于每一个粒子自身的精确核窗宽,提高核密度的估计精度,通过迭代达到对后验概率模型的寻找,使得粒子能够在核密度估计后向后验概率密度的分布移动,提高跟踪精度。通过这种方法生成的新粒子是对后验概率密度的一个更加近似的表达。实验结果表明,在小噪声动态系统中,本文提出的变窗宽核函数粒子滤波在光电目标跟踪的性能和效率上都优于传统的粒子滤波(Particle Filter,PF)、UPF(Unscented Particle Filter)以及KPF。     

基于加权在线样本更新的目标长时跟踪方法

针对在长时跟踪过程中因丢失视野导致目标跟踪失败的问题,提出了基于加权在线样本更新的目标长时跟踪方法。 首 先,使用 ResNet50 网络提取目标深度特征并增强初始帧样本优化目标模型,提高初始帧样本权重影响;然后,利用目标模型对 测试帧样本进行分类,并采用置信度分值加权在线学习样本以增强样本质量,提升模型的分类效果;其次,使用置信度分值判别 目标状态并跟踪定位目标,目标丢失时使用时空约束搜索在丢失处自适应扩展区域并随机搜索目标,同时利用在线学习快速优 化目标模型,增强其对目标的搜索能力;最后,针对搜索过程设计一种自适应阈值判别方法,充分利用图像背景信息,将目标丢 失时背景置信度分值作为判别阈值,降低搜索过程中相似背景的影响以准确找回目标。 使用 LTB50 数据集进行实验验证,成 功率和跟踪 F-score 分别为 66. 1% 和 64. 4% ,优于其他方法;在四足移动机器人平台上进行真实场景实验,目标完全遮挡和视野 外两种情况下成功率分别为 87. 8% 和 85. 8% ,证明了方法的有效性。     

单对立色流运动下的抠图跟踪

当目标与周围背景相似性较高,且目标运动形式复杂时,很难精确跟踪目标。针对传统目标跟踪方法因目标外观的不精确建模致使模型退化而产生漂移的问题,提出了一种单对立色流特征下的抠图跟踪方法。首先,根据彩色视频帧包含的丰富颜色信息,将单对立色颜色编码方式与Lo G兴趣点检测器结合,获取颜色兴趣点作为目标表示集合;其次,在目标运动预测阶段,通过估计相邻帧兴趣点的流匹配关系,获得预测帧的前景目标兴趣点估计;最后,利用获得的前景兴趣点估计进行抠图,重新划分当前帧的前背景标记,并对模型进行更新。该算法在Segtrack视频跟踪数据集上进行验证,定性定量分析了跟踪目标快速运动,目标形变和光照干扰下的跟踪效果。实验结果表明该算法可有效提高形变目标跟踪的准确性,优于当前目标跟踪的先进算法。     

搜索区域和目标尺度自适应的无人艇海面目标跟踪

海面目标跟踪任务是实现水面无人艇自主化航行、智能化作业的重要基础。相比于普通场景的目标跟踪,海面目标跟踪需要面对目标抖动剧烈及目标尺度变化大等问题。针对海面目标在图像画面中抖动剧烈的问题,本文提出了搜索区域自适应算法,该方法通过对海面场景的分割完成了海天线位置的提取,然后通过海天线运动模型自适应地确定了每帧图像中目标搜索的区域;针对跟踪过程中海面目标尺度变化较大的问题,本文通过分割搜索区域的方法实现了目标尺度变化的自适应跟踪。基于相关滤波跟踪框架并结合上述两种改进策略,在真实的海面目标图像测试序列中,本文算法相比传统的相关滤波算法在跟踪精度上至少提升了26%,有效地解决了目标抖动剧烈和尺度自适应问题,提高了海面目标跟踪任务的精度。     

遮挡环境下采用在线Boosting的目标跟踪

针对被跟踪目标在发生严重遮挡时采用基于自学习方法的在线Boosting算法易导致错误累积而产生“漂移”甚至目标丢失的问题,提出了一种基于子区域分类器的在线Boosting算法.首先,将特征池划分为多个子区域分类器对应的子区域特征池;然后,在跟踪过程中自适应地选取子区域分类器来组成强分类器以剔除被遮挡子区域对目标定位的影响;最后,采用对子区域特征池进行部分更新的方法有效解决了特征在线更新时的错误累积问题.对不同视频序列测试的结果表明,当目标大面积被遮挡时本算法能准确定位目标,目标大小为36 pixel×40 pixel时的处理帧率为15 frame/s.与传统在线Boosting算法相比,本算法对发生严重遮挡的目标仍能进行准确跟踪.     

融合距离信息的红外自适应相关跟踪

研究了在雷达/红外复合制导中如何将雷达的距离信息应用于红外图像序列的目标跟踪。针对目标渐进的图像序列,通过分析图像放大对相关性的影响,制定了一种根据弹目距离确定模板更新周期的模板更新策略。将距离更新、定时更新和基于目标模板缓冲区的模板更新相结合,提出了一种融合距离信息的自适应模板更新算法。以一座大楼为目标,验证了该方法的有效性。结果表明,该方法对目标渐进的图像序列有较强的自适应性,比传统方法大大提高了跟踪精度和跟踪稳定性,对实验中各类图像的跟踪正确率达90%以上。     

动态特征块匹配的背景更新在运动检测的应用

为解决传统监控设备视场小、非智能等缺陷,结合全景成像技术和计算机视觉技术,建立无人环境下外来入侵自动检测系统,从而实现了全景监控视场下运动目标快速准确的检测及跟踪。该技术关键在于如何在复杂的动态背景下有效地提取运动目标,为此提出一种基于动态特征块匹配的自适应背景更新算法。在采用帧间差分与背景差分融合算法检测到目标的基础上,利用目标的矩信息进行跟踪,避免了全景视觉下颜色及轮廓特征缺失的弊端。根据目标的轮廓及位置提取特征块,将视频序列的每一帧图像与初始背景图像进行特征块区域的局部匹配,首先通过分析特征块图像的颜色特征,构建基于区间统计的RGB颜色直方图,提取颜色特征序列。然后通过计算序列相关性来判断该区域是否需要背景更新,从而降低对单个像素更新的冗余计算。实验表明,该更新算法具有较强的鲁棒性和可行性,能够有效提高监控系统的稳定性。     

尺度方向自适应Mean Shift跟踪方法

经典核窗口宽度固定的mean shift跟踪算法不能很好地对尺寸逐渐增大的目标进行有效地跟踪。一些改进的mean shift算法虽然在一定程度上解决目标缩放这个问题,但是对于目标旋转仍然无能为力。在分析尺度空间理论和mean shift 跟踪算法的基础上,提出了一种尺度方向自适应mean shift跟踪算法。实验表明,对于初始帧,本文算法可以较为准确地获得目标最佳描述椭圆;对于后续帧图像,本文的新跟踪算法可以较好地适应目标旋转缩放等复杂运动。     

雨夜条件下的红外可见光视频融合目标跟踪

针对雨夜条件下目标外观特性衰退,造成目标搜索与跟踪过程中难以适应混杂背景干扰及雨滴突变干扰的问题,提出了一种基于背景抑制的红外可见光融合目标跟踪方法。该方法考虑了目标跟踪时间和空间两方面的外观分布特性,采用了多通道成像数据对前景目标进行特征表示,有效抑制了夜间条件下的混杂背景干扰。在目标模型更新过程中,本文通过分析雨滴突变造成的目标表示变化规律,采用突变检测模型,降低了雨滴突变对模型更新的干扰。实验采用了真实环境采集的雨夜条件的红外可见光视频,实验结果说明,本文方法优于现有目标跟踪方法,能够有效提高雨夜条件下的目标跟踪精度。     

适于机载环境对地目标跟踪的粒子滤波设计

为提高机载环境对地面强机动性目标跟踪的鲁棒性,本文以粒子滤波为跟踪框架,研究了它的动态模型与观测模型。针对机载环境的特点与跟踪目标的强机动性,提出了基于Kristan双步动态模型结构的加速度双步动态模型（TSA）。根据Yilmaz等人提出的非对称核函数思想,针对实际工程中目标变化特点与实时性要求,提出利用Snake算法提取目标轮廓,以轮廓信息构造非对称核函数的方法。最后,依据上述方法提出了TSA-AK粒子滤波跟踪算法。利用提出的算法对机载环境对地目标跟踪的视频进行了测试,结果表明,本文算法可实现对大幅度变速运动目标的稳定跟踪,正确跟踪率为98%;对大小为25 pixel×30 pixel的目标的处理帧率为26 frame/s。