基于粒子滤波的彩色图像跟踪

视频跟踪中的目标检测和目标跟踪通常不能通过一个算法同时完成,而是需要两个计算法则,过程复杂,耗时较多.为了实现序列彩色图像的实时检测与跟踪,本文提出了一种基于粒子滤波的实时目标跟踪算法.以目标有无信息和目标位置信息为变量建立了联合状态向量,利用粒子滤波方法实现目标检测及跟踪.为了减少计算量,在充分考虑跟踪区域各像素权重的条件下,建立基于颜色信息的特征直方图作为观测向量,并用于后验估计.实验表明,本文提出的方法在选择150个粒子的情况下,对于768 pixel×576 pixel大小的彩色图像,能够在14.37 ms内检测并跟踪目标,而且能在目标发生旋转变化和尺度变化时,保持稳定跟踪,证明了该方法具有一定的鲁棒性.     

仿人足球机器人电子罗盘自定位技术研究

在RoboCup仿人足球机器人比赛中,实现机器人自身在球场中的自定位是一项最基本的功能。主要介绍了基于贝叶斯估计的蒙特卡洛粒子滤波算法,说明了仿人足球机器人的运动模型和视觉模型。与传统的只采用视觉传感器数据相比,该方法将电子罗盘信息融合入观测模型并使用融合后的数据更新粒子权重,使机器人在场地中能够准确的定位出自身身体朝向,从而克服了在缺少定位柱和球门柱颜色信息的条件下机器人无法辨别双方球门的问题。实验结果证明了该方法的有效性。     

应用自适应多测量融合粒子滤波的视场跟踪

针对矿井跟踪视场中由于单一线索对目标特征描述缺乏可分性以及多线索融合策略对场景变化缺乏自适应性导致人员跟踪失效的问题,提出了基于自适应多测量融合粒子滤波的矿井人员跟踪算法。将粒子邻域光流统计信息表征的运动性作为线索建立运动光流直方图模型,并与颜色相融合建立多观测模型。将单观测估计状态粒子区域与融合估计粒子区域的质心距离作为单观测模型贡献率度量因子,定义了观测权值自适应策略,实现了粒子观测模型与跟踪目标状态特征的同步变化;通过建议重采样函数对粒子落入低观测似然时进行有效的采样补偿,增强了跟踪的鲁棒性。实验结果表明,本算法能够有效地解决矿井跟踪视场下(背景复杂)由于场景变换而导致跟踪目标丢失的问题;将本文算法与基于颜色和基于颜色与帧差分融合的粒子滤波算法做状态估计均方误差比较,结果表明,状态估计准确率提高了1.57倍。     

基于具有墙角信息的语义地图改进AMCL重定位算法

针对原始自适应蒙特卡洛定位（Adaptive monte carlo localization,AMCL）算法仅利用激光信息存在的缺陷,提出一种基于激光与视觉融合的语义地图进行全局定位,该语义地图融合基于深度学习的目标检测方法提取环境中的墙角语义;利用建立的包含墙角信息的二维语义栅格地图,结合视觉预定位方法及角点周围语义信息表来提高算法全局初始定位的效率和准确性,使得移动机器人可以在少量先验信息和运动的情况下更迅速地实现定位。提出视觉预定位的方法,改进了粒子权重更新方式,再同步结合AMCL算法与环境地图匹配进行精定位。最后通过搭建的移动机器人在不同场景下进行对比试验,验证了该方法的有效性。     

基于Rao-Blackwellizedli粒子滤波的多特征融合多光谱目标自适应跟踪

针对复杂背景下视频目标跟踪的实时性和可靠性问题,提出了基于Rao-Blackwellized粒子滤波的颜色矩形特征和方向边缘信息融合的自适应跟踪算法。该算法采用Rao-Blackwellized粒子滤波提高滤波算法性能,采用积分图像快速计算颜色特征和方向边缘信息,根据跟踪实际情形,利用模糊逻辑自适应调节各特征权值,提高算法的跟踪速度和精度。视频跟踪仿真试验表明该算法是稳健的,能够在复杂的背景下对可见光及红外等运动目标进行有效、可靠的跟踪。     

融合多传感器的自主AGV定位研究

针对依靠单一传感器定位存在定位不精确,甚至定位失败的问题,设计了一种基于扩展卡尔曼滤波器(Extended Kalman Filter,EKF)与动态加权融合法相结合的定位算法.首先,在自适应蒙特卡罗定位(Adaptive Monte Carlo Localiza-tion,AMCL)算法的框架下,通过建立机器人运动模型与传感器观测模型,利用EKF将惯性测量单元(Inertial Measurement Unit,IMU)和编码器的数据进行融合.然后,设计了一种动态加权融合方法,依据方差大小动态分配各融合量的权重,将EKF的融合结果与特征匹配计算得到的视觉里程计信息进行加权融合,从而得到更精确的融合里程计信息.最后,将该融合后的里程计信息作为自适应蒙特卡罗定位的运动控制信息,进行粒子状态更新,从而实现全局定位.试验结果表明,该方法能够有效提高自动导引车(Automatic Guided Vehicle,AGV)的定位性能,动态定位精度能够稳定在较高精度范围.     

基于运动模式在线分类的移动机器人目标跟踪

区别于以往采用固定运动模式的目标跟踪研究,提出一种基于单目视觉传感器的人体运动模式在线识别算法,及基于此算法的人体目标跟踪方法。首先,利用视觉信息检测运动目标,并提取其视觉特征;然后通过单目视觉深度提取算法,获取目标的运动特征;接着将连续几帧的特征变化矢量送入随机森林(RF)进行学习,实现对人体运动模式的在线分类;最后根据分类结果在线选取不同的目标运动模型,并利用近似最优的粒子滤波器实现对目标运动状态的准确估计。实验结果证明了本文提出算法的有效性。     

基于梯度方向-亮度联合空间的红外人体跟踪

针对红外图像中人体成像的特点,提出一种新颖的红外人体跟踪算法.为克服红外图像中人体目标描述信息不足的缺点,该方法首先在梯度方向-亮度二维联合空间中构建人体目标的特征直方图,然后给出了一种最优直方图级数的选择准则对最具鉴别性能的级数进行选择;进而将上述表达模型与粒子滤波相融合,设计了粒子滤波框架下的人体跟踪算法.不同场景中的人体跟踪结果表明,与通用的跟踪算法相比,本文提出的算法具有更高的鲁棒性和稳健性.     

一种基于粒子滤波的联合跟踪与分类算法

针对纯运动学信息联合跟踪与分类问题,提出了一种基于混合无味粒子滤波的联合跟踪与分类算法。在传统粒子滤波联合跟踪与分类算法的基础上,通过采用无味变换,利用多个无味卡尔曼滤波器给出更高质量的粒子建议分布,提高整个算法的性能。理论分析和仿真结果都表明,与传统粒子滤波联合跟踪与分类算法相比,该算法无论在跟踪精度还是在分类正确率上都有明显的提高。     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

多模态特征融合与多任务学习的特种视频分类

特种视频(本文特指暴力视频)的智能分类技术有助于实现网络信息内容安全的智能监控。针对现有特种视频多模态特征融合时未考虑语义一致性等问题,本文提出了一种基于音视频多模态特征融合与多任务学习的特种视频识别方法。首先,提取特种视频的表观信息和运动信息随时空变化的视觉语义特征及音频信息语义特征;然后,构建具有语义保持的共享特征子空间,以实现音视频多种模态特征的融合;最后,提出基于音视频特征的语义一致性度量和特种视频分类的多任务学习特种视频分类理论框架,设计了对应的损失函数,实现了端到端的特种视频智能识别。实验结果表明,本文提出的算法在Violent Flow和MediaEval VSD 2015两个数据集上平均精度分别为97.97%和39.76%,优于已有研究。结果证明了该算法的有效性,有助于提升特种视频监控的智能化水平。     

多传感器信息融合的移动机器人定位算法研究

为有效降低使用单一传感器进行移动机器人定位时的不确定误差,提高机器人定位与建图的准确性和鲁棒性,提出了一种多传感器信息融合的移动机器人定位算法。基于激光RBPF-SLAM算法实现机器人同时定位与路标地图构建,运用图优化理论约束优化蒙特卡洛定位的位姿估计结果;通过双目视觉重建环境的三维点特征,针对视觉信息处理计算量大、跟踪精度不高的问题,研究改进基于ORB的特征点提取与四边形闭环匹配算法;利用因子图模型对激光RBPF-SLAM定位和双目视觉定位进行最大后验概率准则下的信息融合。仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般改进算法更高的定位精度,验证了所提方法的有效性和实用性。     

利用视觉显著性和扰动模型的上下文感知跟踪

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显著性构建目标稀疏显著性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。     

基于相机状态方程多模增广的改进MSCKF算法

针对基于多状态约束卡尔曼滤波(MSCKF)的视觉-惯性里程计算法中相机状态方程增广过程的误差累积问题,提出了一种相机状态方程多模增广方法。该方法首先对视觉特征跟踪状态的稳定性进行判断,然后自动地选择基于视觉图像信息优化求解相机相对位姿参数或基于惯性传感器(IMU)状态递推结果联合相机外参初始化新图像帧相机位姿参数两种途径增广相机的状态方程,解决特征跟踪状态稳定情况下IMU误差的累积问题。实验部分通过EuRo C数据和实际应用数据对算法的性能进行了验证分析,结果表明,改进后的MSCKF算法能够在特征跟踪稳定状态下有效避免IMU误差的累积,进一步融合视觉与惯性系统之间的互补优势,提高载体的定位定向精度和稳定性。     

基于一致性点漂移的智能车视觉目标跟踪方法

针对智能车未知运动下的多目标跟踪问题,提出一种基于一致性点漂移的视觉多目标跟踪方法。 首先利用一致性点漂 移算法构建智能车未知运动模型,得到局部目标状态变换关系;其次建立一种基于外观相似性和运动一致性的自适应特征融合 函数;最后通过匈牙利算法求解轨迹与检测的对应关系,以实现面向智能车的鲁棒数据关联。 实验结果表明,与现有的 5 种主 流目标跟踪方法对比,所提方法在多个指标方面具有更好的效果,相较于结构约束(SCEA)算法,在 KITTI 数据集中较大运动场 景下,所提方法多目标跟踪准确率提高了 6. 3% ,在实拍实验数据下,所提方法多目标跟踪准确率提高了 7. 3% ,证明该算法能 在智能车未知运动下有效的进行多目标跟踪。     

毫米波雷达与视觉传感器信息融合的车辆跟踪

为提高车辆前向防碰撞预警系统对前方道路环境感知的准确性,提出一种毫米波雷达与视觉传感器信息融合的车辆跟踪方法。提出的剔除雷达干扰目标算法缩短了对干扰目标的处理时间;提出的对称检测算法可对雷达目标兴趣区域进行对称检测,减小雷达目标兴趣区域的横向位置误差;提出的KCF-KF组合滤波算法可提高跟踪车辆的精度。实车试验表明,该方法可有效跟踪车辆位置信息,像素坐标系下的X、Y坐标跟踪准确率分别超过97.34%与95.19%。     

基于多阶段关联的多目标跟踪算法

针对现有多目标跟踪算法关联过程中,外观和几何信息利用不充分,同时跟踪对象的邻域间信息交互不足的问题,提出了一种基于多阶段关联的多目标跟踪算法,根据目标之间的不同关联状态,将几何信息和外观信息合理应用于不同关联阶段。算法提出了基于正则化距离交并比(DIoU-Mea)的匹配模块,仅利用几何信息快速将强关联目标匹配。同时基于稀疏图网络(GNN)的关联模块对跟踪对象的邻域建模,促进对象之间的信息交换并提高跟踪精度。基于通道注意力融合特征模型和形状交并比的双校验模块(Double-Revise)进一步细化跟踪结果。所提算法利用不同阶段匹配算法的互补优势,在各阶段合理利用外观和几何信息,过滤掉错误的匹配并识别正确的目标对应关系,在MOT17数据集上进行了验证与测试,其高阶跟踪精度(HOTA)在测试集中达到了64.8%,表明算法具有较好的性能,在密集场景下具有较好的鲁棒性。     

复杂环境下磁弹性微型游泳机器人的路径规划与识别跟踪

磁弹性材料设计的毫米级微型游泳机器人可通过外部均匀磁场实现连续形变来完成游泳动作,通过视觉反馈能提高机器人的路径跟随精度,但在复杂背景下机器人的视觉闭环控制易发生识别错误、跟踪失败等现象。针对上述问题,首先获取复杂环境下的障碍物信息,提出改进RRT*算法(IIC-RRT*)进行路径规划,同时基于环形平滑标签的YOLOv5识别跟踪算法(CSL-YOLOv5),在复杂背景下对微型游泳机器人的中心位置与旋转角度进行实时更新。在此基础上进行微型游泳机器人在障碍物复杂背景下的位置与角度的双闭环伺服控制,试验结果表明,提出的路径规划算法改善了路径生成的效率与平滑性,识别跟踪算法提高了微型游泳机器人的识别稳定性与精确性,为磁控微型游泳机器人在复杂背景下的精确控制提供了新思路。