基于稀疏正则约束的子空间视觉跟踪

针对子空间表示跟踪算法处理遮挡问题的能力不足,以及稀疏表示跟踪算法无法满足跟踪实时性要求等问题,本文提出一种稀疏正则约束的子空间视觉跟踪算法。该算法结合了子空间表示与稀疏表示的优势,提升了对于遮挡问题的处理能力,并且降低了算法的计算复杂度。首先,该算法利用PCA子空间基向量集、子空间均值以及表示残差对目标进行表示,同时算法采用L2范数作为表示系数以及表示残差的稀疏约束函数。其次,算法采用了一种分步循环迭代的方法求解表示模型的系数与残差。然后,为了保证子空间基向量与空间均值能够持续准确的描述目标在跟踪过程中出现的变化,算法根据经过开运算处理后的表示残差中非零元素的不同比率构建不同的更新模板,并结合增量主成分分析方法在线学习新的基向量与均值。最后,在实验部分,本文将提出算法在10个实验序列上的跟踪结果与8个现今主流跟踪算法进行对比,同时从定性与定量两个方面对实验结果进行分析。本文算法在全部10个实验序列上的平均中心误差为5.3pixel,平均覆盖率为77%,相比于其他算法,本文算法取得了较高的跟踪精度。本文算法具有更好的鲁棒性,并且满足更多场景下的跟踪需求。     

基于自适应标签和稀疏学习相关滤波的红外目标跟踪算法研究

针对背景杂乱、遮挡、热交叉以及目标形变等复杂跟踪场景下目标跟踪算法出现性能严重退化问题,提出一种基于自适 应标签和稀疏学习相关滤波的实时红外单目标跟踪算法。 首先,根据目标响应情况自适应地构造样本标签,通过自适应标签训 练提升相关滤波器的分类能力,抑制干扰区域对跟踪模型的污染。 其次,加入稀疏学习策略,通过目标响应 L1 范数抑制复杂跟 踪场景下目标响应多峰分布,提高跟踪算法的鲁棒性;与基线算法相比,该算法精度和 AUC 分别提升了 19. 3% 和 39. 8% 。 在数 据集 GTOT、RGBT234 和 VOT-2016TIR 上的实验结果表明,该算法对上述复杂跟踪场景具有良好的应对能力,运行速度超过 35 fps,综合性能优于对比跟踪算法。     

多模型融合和重新检测的高精度鲁棒目标跟踪

针对目标跟踪在遮挡和光照变化等复杂场景下容易跟踪失败的问题,提出一种高精度鲁棒的目标跟踪算法。首先,将基于边缘信息的目标模型、基于梯度直方图(HOG)特征的滤波器模型和基于颜色直方图的颜色模型融合为更准确和鲁棒性更强的跟踪模型;然后,提出基于特征分数的双重跟踪可靠性判断依据,检测跟踪结果的可靠性;最后,在跟踪结果可靠性较低时,采用粒子滤波、稀疏表示以及距离约束定位进行重新检测,以实现持续稳定的跟踪。算法在OTB-2015数据集上的平均重叠精度为78. 2%,平均中心位置误差为23. 1 pixel,平均跟踪速率为30. 8 f/s,准确度和鲁棒性优于其他算法。在移动机器人和车辆跟踪平台上进行算法验证,平均重叠精度分别为97. 5%和97. 2%,平均中心位置误差分别为6. 8和12. 6 pixel,平均跟踪速率分别为29. 1和28. 4 f/s,能有效跟踪上述复杂场景的目标,且满足实时要求。     

基于多模型融合和重新检测的高精度鲁棒目标跟踪

针对目标跟踪在遮挡和光照变化等复杂场景下容易跟踪失败的问题,提出一种高精度鲁棒的目标跟踪算法。首先,将基于边缘信息的目标模型、基于梯度直方图(HOG)特征的滤波器模型和基于颜色直方图的颜色模型融合为更准确和鲁棒性更强的跟踪模型;然后,提出基于特征分数的双重跟踪可靠性判断依据,检测跟踪结果的可靠性;最后,在跟踪结果可靠性较低时,采用粒子滤波、稀疏表示以及距离约束定位进行重新检测,以实现持续稳定的跟踪。算法在OTB-2015数据集上的平均重叠精度为78. 2%,平均中心位置误差为23. 1 pixel,平均跟踪速率为30. 8 f/s,准确度和鲁棒性优于其他算法。在移动机器人和车辆跟踪平台上进行算法验证,平均重叠精度分别为97. 5%和97. 2%,平均中心位置误差分别为6. 8和12. 6 pixel,平均跟踪速率分别为29. 1和28. 4 f/s,能有效跟踪上述复杂场景的目标,且满足实时要求。     

结合标准对冲与核函数稀疏分类的目标跟踪

针对经典稀疏分类目标跟踪算法在噪声,遮挡等恶劣环境下精度不高的问题,提出了一种新的目标跟踪算法。该算法在标准对冲框架下结合了核函数稀疏分类方法以及自适应字典更新方法,能够较好地适应类间相似度较高与目标外形变化较大等恶劣情况。核函数技巧能够增强分类器性能,但通用方法求解凸优化问题的效率较低,不能满足目标跟踪问题的实时性要求,故提出用核函数随机坐标下降(KRCD)算法来高效求解稀疏系数,并使用核函数稀疏分类方法(KRCD-SRC)来计算各个粒子的代价值。为了避免模板漂移问题,解释了目标字典和背景字典的在线更新方法。最后,结合标准对冲算法估算目标的状态信息。在使用50个粒子进行跟踪时,本文算法的处理帧率能够达到14frame/s。相比其它几种经典目标跟踪算法,本文算法具有更好的精确性和鲁棒性。     

随机降维映射稀疏表示的电能质量扰动多分类研究

提出一种随机降维映射特征提取与稀疏表示分类相结合的电能质量扰动信号识别方法.首先将扰动信号测试样本表示为训练样本集的过完备字典稀疏线性组合,然后使用随机测量矩阵获取测试样本降维特征量和稀疏表示感知矩阵,应用最小L1范数解决方案求取扰动信号测试样本的稀疏解,由冗余误差最小值确定目标归属类,实现对电能质量扰动的稀疏表示多分类识别.研究表明随机矩阵降维映射特征提取不依赖于电能扰动样本特性,构造简单,运算快速,具有普适性;稀疏表示分类法与支持向量机相比无需组合多个二分类器来实现多分类器.仿真和实验结果表明该方法能有效提取各种电能扰动特征,抗噪声鲁棒性好,在信噪比20dB以上的噪声环境中电能质量扰动分类准确率达95%以上.     

旋翼飞行机器人多机视觉跟踪定位系统及方法

针对旋翼飞行机器人在多机跟踪定位时受遮挡、光照变化等因素的影响,易出现跟踪目标丢失的问题,提出一种改进的分段多目标跟踪定位方法,首先,为克服单一颜色特征不能准确描述目标的不足,设计了按一定的权值系数融合目标的颜色特征和边缘特征来建立似然函数作为目标模板;考虑到粒子滤波算法能解决目标发生遮挡的跟踪问题,然后,利用目标模板与候选目标模板的相似度来实现连续自适应Mean-Shift算法和粒子滤波算法的切换,保障了算法的鲁棒性及实时性。可应用于旋翼飞行机器人完成自主的直线飞行与绕圆飞行任务。     

自适应模板更新和目标重定位的相关滤波器跟踪

针对核相关滤波器在跟踪中因目标快速运动导致的目标易丢失和部分遮挡问题,本文在多特征尺度自适应核相关滤波器(Scale Adaptive with Multiple Features tracker,SAMF)基础上,提出一种融合自适应模板更新和预测目标位置重定位的核相关跟踪算法。采用联合目标移动速度和特征变化的模板更新机制增大对目标快速运动适应性,根据长时滤波器和短时滤波器协作跟踪提出目标位置修正和重定位模型提升跟踪器应对目标部分遮挡的能力。在OTB-2015视频序列集100组序列中与序列集提供的算法进行对比,本算法跟踪精度相比SAMF提升2%。在目标发生快速移动时本文算法具有更好的追踪目标能力,目标重定位也很好地解决了目标部分遮挡问题。     

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。     

稳定分布环境下最小范数滤波算法的神经网络实现

非高斯α-稳定分布可以更好地描述实际应用中遇到的具有较大脉冲特性的随机信号和噪声。传统的最小二乘滤波（L2范数）方法在处理无限方差低阶α-稳定分布噪声滤波问题时就会失去其韧性。选取最小绝对偏差（L1范数）作为新的滤波准则。L1范数求导的非连续性导致其实现起来较困难。为此，提出了一种新的L1范数滤波算法的神经网络实现方法，计算机模拟和分析表明，算法可以全局收敛至精确解。     

浅地层探地雷达目标探测和定位新方法

提出基于模板匹配的探地雷达目标自动探测与定位新方法，和图像分割方法相结合以减少模板匹配的计算量。将雷达图像分割成可能存在目标的区域和背景数据区域，对可能存在目标的区域进行模板匹配计算。模板根据待匹配点的深度生成。如果探测到金属目标则对模板倒相，实现金属目标的准确定位。所提方法包括图像分割、模板生成、匹配算法、金属目标识别和模板倒相算法。对实测数据处理的结果表明，所提方法探测和定位准确、鲁棒性好。     

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。     

基于状态分割的运动目标实时跟踪

针对基于云台的移动式摄像头视频监控系统,为准确、实时地对运动目标实施检测、跟踪,提出了一种基于状态分割思想的运动目标实时跟踪方法。该方法将运动目标检测跟踪过程按摄像头的运动状态分为静止、运动2个阶段。在摄像头静止阶段,采用基于混合高斯模型的背景差法检测运动目标,提取目标的颜色特征信息;在摄像头运动阶段,采用Camshift算法对运动目标进行跟踪。开发了基于 OpenCV 开源库的算法程序。实验结果表明,在目标颜色特征显著的情况下,该方法实现了移动式摄像头对运动目标的精确跟踪,并具有较好的鲁棒性和实时性。      

基于多模板回归加权均值漂移的人体目标跟踪

针对移动机器人跟踪人体目标时目标因角度大幅变化引起外观改变造成的跟踪无效,提出了多模板回归加权均值漂移跟踪方法。该方法通过建立目标的多模板模型,应用均值漂移算法实现目标跟踪。首先,根据前一帧均值漂移结果和当前帧头肩粗定位结果确定目标模板集,使其包含目标人体的位姿和角度改变。然后,采用多模板回归加权均值漂移实现目标的精确定位。在多模板均值漂移中引入回归模型实现颜色纹理特征与目标模型相似度之间的映射,从而控制模板数量,保证目标检测的实时性。最后,分别在视频图像和机器人目标跟踪平台上对所提方法进行实验验证。结果显示,图像处理平均时间为86.4s/frame,满足机器人跟踪的实时性要求。该方法解决了目标特征在跟踪过程中发生变化的问题,提高了机器人跟踪时对目标人体特征变化的鲁棒性。     

基于距离平方模板的快速质心搜索算法

智能识别领域,严格要求系统能快速准确地搜索跟踪目标质心,一个基于欧式模板的快速质心搜索算法得到了广泛应用。但该方法仅能求得近似解,难以求取目标质心的精确坐标。提出一种基于距离平方模板的快速质心搜索算法,并将该算法从二值图像推广到灰度图像的质心搜索。两种算法对同一图像质心搜索结果进行对比,欧式模板算法误差在2%～6%范围内,而距离平方模板算法精度为100%。结果表明:在精确度要求较高的场合,特别是小目标追踪识别时,必须使用距离平方模板进行目标质心的计算。     

一种基于椭圆变形模板的唇动跟踪算法

本文给出了一种新的唇动跟踪算法框架，算法结合目标的形状、运动及彩色信息，综合利用可变形模板、光流、Kalman滤波技术，得到一种快速、鲁棒的跟踪结果。该算法使用多条椭圆弧段构成唇模板，基于彩色YCrCb信息进行光流估计，由于利用模型约束的特征光流技术，故不需加入任何附加的平滑性约束；最后借助扩展Kalman（EKF）滤波器将形状与运动信息有机结合起来，给出有效的融合解，而不必直接计算光流；该算法同时利用光流测量方程给出的误差测度及EKF给出的估计方差对虚假边缘点做出判断与舍弃，提高了算法的鲁棒性。文中还给出了相应的实例。     

一种新的约束识别与求解算法

约束拟合是逆向工程中模型重建的重要一环。其中约束的识别与求解是约束拟合的关键。本文提出了一种新的二维约束识别求解算法,实现了约束识别求解器。首先给出了二维基本图元的规范化表示及其常见约束关系;然后根据约束识别准则,自动识别出基本图元之间的潜在约束关系,并交互地对其进行确认和编辑;最后根据这些约束关系,采用合适的约束表达策略以及有效的优化算法,进行整体的约束求解,实现基本图元之间的同步拟合。大量实验证明了该算法的稳定性和有效性。     

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。