多技术融合的Mean-Shift目标跟踪算法

在研究经典算法的基础上,提出了一种多技术融合的Mean-Shift目标跟踪算法,有效地解决了经典Mean-Shift跟踪算法存在的缺陷。通过Kalman算法预测估计目标的中心位置,通过分块颜色直方图提取目标区域的空间信息进行,同时采用背景加权和核加权相结合的方式抑制背景像素对目标的干扰。在多个视频数据上的试验结果表明,研究方法有效地克服了经典的Mean-Shift目标跟踪算法对遮挡、背景像素敏感的问题,在复杂环境的背景下对运动目标跟踪更加准确。     

自适应分块颜色直方图的MeanShift跟踪算法

传统颜色直方图的MeanShift(MS)算法只考虑了目标颜色的统计信息,不包含目标的空间信息,当目标颜色与背景颜色相近时,容易导致不准确跟踪或跟踪丢失。针对该问题,提出了一种自适应空间颜色直方图的MeanShift跟踪算法。该算法根据目标对象的最新外接矩形尺寸,确定对象分块方法,根据各块的Bhattacharyya系数值,确定各块的权重系数。其中,自适应分块的颜色直方图包含了自适应分块方法和目标的空间信息;加权Bhattacharyya系数考虑到不同块对整体相似度的不同影响。实验表明,文中算法采用自适应分块方法和加权Bhattacharyya系数法,比传统的MS算法和固定分块的MS算法具有更好的跟踪性能。     

红外图像中快速小目标的均值移位跟踪

为了增强红外图像中快速小目标跟踪的稳健性,提出基于隶属度加权核直方图目标表征模型的改进均值移位跟踪算法．首先分析原始均值移位算法跟踪快速小目标的局部背景干扰问题,融合背景信息提出隶属度加权核直方图目标表征模型．该模型能够提高对于目标的表征能力,抑制局部背景干扰．然后,以Bhattacharyya系数作为相似性度量,在均值移位框架下推导出基于该模型的移位向量,能够有效实现目标的移位跟踪．移位过程中,目标隶属度大的灰度具有高移位权重,反之具有低移位权重．最后,应用模型更新方法克服局部背景的时变性,进一步提高目标跟踪的鲁棒性．实验结果表明,该算法对于红外图像中的快速小目标的具有稳健的跟踪性能．     

适用于目标跟踪的加权增量子空间学习算法

为了克服目标物外观变化给跟踪造成的困难,提出一种基于加权增量子空间学习的目标跟踪算法.该算法构造了一个可在线更新的子空间作为视频中目标物的外观模型,根据概率转移模型预测得到一组图像样本作为目标物在当前帧中可能出现的图像区域;然后将图像样本投影到该低维子空间中估计每个图像样本为目标图像区域的似然度,以具有最高似然度的样本作为目标在当前帧中的图像区域,通过加权增量的方式调整子空间.实验结果表明：相比基于其他增量子空间学习的跟踪算法,该算法能够稳定、准确地对运动目标进行跟踪.     

基于空间颜色模型的目标跟踪方法

为了克服颜色直方图对目标定位不准确的问题,提出了基于空间颜色模型和粒子滤波的目标跟踪方法。结合目标区域的颜色和空间信息,采用空间颜色直方图对目标建模,通过计算候选目标和参考目标空间颜色直方图的Bhattacharyya距离,建立基于空间颜色模型的观测似然函数。实验表明,与基于颜色直方图的跟踪算法相比,新算法提高了跟踪的准确性和鲁棒性。     

一种基于背景加权直方图的Mean-Shift跟踪算法

经典的Mean-Shift算法以颜色直方图为特征进行跟踪,但在视频目标跟踪中没有有效地利用跟踪目标的空间信息,因而当目标快速移动时,目标极易丢失。针对这一问题,提出了一种基于距离目标形心加权直方图的Mean-Shift跟踪算法。距离目标形心加权直方图可有效利用目标在图像中的位置信息,从而能实现复杂背景下的目标跟踪。并分别用改进的基于距离目标形心加权直方图的Mean-Shift跟踪算法和经典的Mean-Shift跟踪算法,对快速运动的目标进行跟踪实验。结果表明,改进的基于距离目标形心加权直方图的Mean-Shift跟踪算法,具有较强的鲁棒性和实时性,能有效实现复杂场景下的目标实时跟踪。     

基于SURF和Camshift的目标跟踪算法研究

针对动态的目标跟踪算法Camshift在目标发生短时遮挡或者背景有相似颜色干扰时,可能造成目标跟踪失败的问题,提出了一种基于SURF和Camshift的目标跟踪解决方案。使用搜索窗口颜色概率直方图和目标模板的颜色概率直方图的Hellinger距离判定Camshift算法跟踪结果是否准确,当判定为跟踪失败时,利用SURF快速近似最近邻搜索算法进行特征匹配,解决了传统Camshift算法需要手动确定第一帧搜索窗口,背景颜色干扰及短时遮挡后目标定位的问题。实验结果表明,采用该算法能克服传统的Camshift算法的缺陷,有效地跟踪到目标,具有较好的鲁棒性。     

基于粒子滤波的移动物体视觉跟踪方法

基于颜色特征的粒子滤波算法已成为移动物体跟踪的热点.提出一种基于加权颜色直方图的粒子滤波跟踪算法,利用Bhattacharyya距离来描述粒子与目标区域颜色模型的相似性.实验结果表明:该方法具有较好的实时性与鲁棒性,可应用在视频监控、小车寻迹等场合.     

基于随机样本的背景建模方法

为了解决目标检测跟踪背景建模所面临的复杂性和提高目标跟踪的响应速度,提出了一种基于随机样本的新的背景建模方法。该方法对每一个像素建立一个背景模型,模型由一系列像素值样本构成,这些样本取自于该像素的历史像素值或其邻域像素值。该像素属于前景目标还是背景通过和模型进行比较来判断。如果像素值属于背景,则用该像素随机替换样本像素值进行模型更新。该算法改进了传统背景建模方法中更新最旧像素值的做法,对背景的光照渐变、突变、动态背景、阴影和噪声都有较强的鲁棒性。实验证明,比较其它背景差技术,本文算法在运算速度和检测正确率方面都具有较好的效果。     

跟踪框自适应的尺度变化目标跟踪算法

为解决尺度变化的目标跟踪问题,借助于对数极坐标变换良好的尺度旋转不变性,提出一种基于椭圆对数极坐标变换域下目标跟踪算法。算法利用一种显著性加权的Mean Shift进行空间定位,进而将目标区域变换到椭圆对数极坐标系下并沿尺度轴进行积分,通过一维的最大相关匹配确定目标的尺度参数。实验结果表明,该算法不仅空间跟踪误差较低,而且能够较稳定地适应目标尺度变化,具有较好的鲁棒性。     

融合颜色和梯度方向直方图的粒子滤波跟踪算法

针对基于单一颜色特征的粒子滤波跟踪算法在复杂环境下会导致跟踪失败的问题,提出了一种融合颜色直方图和梯度方向直方图,形成一种新的综合直方图特征的粒子滤波跟踪算法.颜色直方图是对目标在彩色图像中的全局描述,而梯度方向直方图包含了一定的结构信息,两者可以互为补充.实验结果表明,采用综合直方图特征能够在背景颜色干扰导致目标颜色特征鉴别能力丧失的情况下,仍能稳定可靠地跟踪目标,提高了跟踪精度,具有较强的鲁棒性.     

基于改进SSD模型和自适应滤波算法的水面漂浮物目标检测跟踪方法

水面漂浮物严重破坏河道景观和水生态环境,通过摄像头实施河湖可视化监管以改善河湖面貌,已成为积极落实“河湖长制”政策的重要技术手段。但由于河流环境复杂多样,存在水波扰动、动态光影和强光反射等诸多噪声问题,现有方法难以满足水面漂浮物实际管理需求。本文结合单帧检测与多帧滤波,提出了一种基于深度学习的水面漂浮物目标智能检测跟踪方法。在单帧检测中,删除5*5及以下低分辨率特征图,通过特征求和方式增强76*76高分辨率特征图以提升SSD检测算法在小尺度漂浮物目标的检测精度;在多帧滤波中,基于时空相关性和运动信息构建自适应滤波AF算法框架,计算视频帧中帧与帧之间的关联性,根据漂浮物目标的空间位置的变化幅度自适应删除偏离运动轨迹的漂浮物目标检测结果,以降低漂浮物跟踪漂移;在信息融合阶段,通过特征对比融合检测和滤波信息,实现检测信息和跟踪信息动态互补,并以不同检测跟踪场景数据集进行训练与验证。结果表明：在简单水面场景下中心位置误差为8个像素点时该方法的检测跟踪精度达到100%,成功率面积为0.94,平均速度达到17.27FPS,计算复杂度为7.18Billion;在复杂水面场景下中心位置误差为10个像素点时该方法的跟踪精度和成功率面积分别为93.24%和0.81,平均速度和计算复杂度分别为15.02FPS和8.76Billion,在复杂环境下兼顾了检测跟踪精度和效率。     

用于空间目标动态跟踪的阵列式激光束

设计了一个以256×256像素液晶空间光调制器为激光光束偏转器件的空间目标追踪系统.该系统通过空间光调制器对入射光的纯相位调制来产生动态指向空间目标的二维激光束阵列,以达到对目标的动态跟踪.阵列式光束是通过任意点阵图的相位优化设计方法产生的,该设计方法通过优化算法给出目标图形的优化相位.针对具体运动目标,进行了系统的动态性和偏转角度误差的测试实验,结果表明该追踪系统动态响应时间小于200 m s,偏转角度误差不超过0.032°.采用该方法对空间目标进行扫描跟踪,具有精确、响应快、无机械惯性等特点,在激光寻的、制导以及多目标威胁预警和反击中有重要研究价值.     

一种MPEG-4视频流的运动目标检测算法

为了同时提高MPEG-4视频流中运动目标检测的精度和速度,利用MPEG中已有的运动信息——离散余弦系数和运动矢量,提出了一种用于视频中运动目标检测的算法．该算法首先从MPEG-4压缩流中获取运动矢量,由运动矢量标识出运动区域,在标识出的运动区域上取离散余弦系数并求互帧差的四阶矩得到运动宏块,最后通过区域生长得到运动目标．该算法充分利用了MPEG-4码流中蕴含的运动信息,避免了仅由运动矢量检测运动目标时误差太大的缺点,也避免了计算全部离散余弦系数时的大量加乘法运算,从而可以实时地对视频流中的运动目标进行跟踪．     

相关跟踪算法在水下高速运动体识别中的研究

针对水下高速运动体试验图像背景灰度分布不均、信噪比低、对比度下降明显以及图像效果差等缺点,采用一种基于特征相关系数作为相似性度量准则的相关跟踪方法,克服了传统算法易受图像中噪声、局部遮挡等因素影响的缺点,该算法相对于传统算法计算量降低,提高了系统的运算速度.帧间图像像素变化率快,因此仅仅用某种固定的模板进行相关跟踪容易导致失配甚至失去目标,进而又提出一种行之有效的模板更新方法,使得跟踪算法对环境的适应能力和稳定性得到较大提高.实验结果表明,该算法跟踪精度高、速度快、稳定性好,满足实时性系统的要求.     

基于线性矩阵不等式的智能车轨迹跟踪控制

针对传统的基于精确数学模型的智能车轨迹跟踪控制器跟踪精度低,鲁棒性弱,很难适应复杂多变的驾驶环境等问题,结合线性矩阵不等式(LMI)鲁棒控制具有易于求解、抗干扰能力强等优点,提出基于LMI的智能车轨迹跟踪控制方法. 将车辆侧向动力学状态空间模型进行坐标变换,得到基于跟踪误差的车辆侧向动力学状态空间模型,采用饱和线性轮胎得到车辆侧向动力学多胞型模型;设计LMI反馈控制器,在控制器中引入前馈控制量,以消除侧向位置稳态误差. Carsim和Matlab/Simulink的联合仿真表明,该控制器在保证车辆稳定性的基础上具有较高的跟踪精度,对车速和路面附着系数具有较强的鲁棒性. 与模型预测控制器(MPC)和预瞄驾驶员模型(PDM)控制器进行对比,结果表明,设计的该控制器轨迹跟踪精度更优.     

辐射源机动目标被动式鲁棒跟踪一种算法

为研究只测向目标跟踪系统在观测噪声为ε污染高斯分布背景下的辐射源机动目标鲁棒跟踪问题,提出一种简易而有效的变结构鲁棒跟踪算法。该算法由机动目标快速鲁棒检测器、变结构跟踪器（鲁棒MGEKF／PLKF）以及系统误差补偿等环节组成,能够在ε污染高斯分布背景下快速鲁棒检测和跟踪辐射源机动目标,同时根据系统误差特征可实时补偿系统跟踪误差。仿真结果表明,该算法能够有效解决辐射源机动目标鲁棒跟踪问题。     

基于视频的手势识别中左右手判别研究(改投研究生论坛)

针对基于视频的手势识别中,由于左右手遮挡、背景与肤色相近等原因常常造成的手部分割、双手跟踪错误的问题,介绍了一种手势视频中左右手区分判别方法,通过对双手的区分判别,可以辅助视频中手部分割,同时可以降低由于手部遮挡造成的左右手跟踪错误。该方法首先提取左右手不同情况下训练样本的梯度方向直方图(HOG)特征;然后对手部特征进行主成份分析(PCA),通过去除冗余信息,进而找到描述左手、右手和双手遮挡的3种模式;最后,通过模式匹配实现了左右手判别。实验结果表明,该方法能较好地判别左右手。     

基于L1范数和最小软阈值均方的目标跟踪算法

基于传统稀疏表示的目标跟踪算法无法解决跟踪过程出现的遮挡及运动模糊等问题,提出一种基于L₁范数和最小软阈值均方的目标跟踪算法。首先用主成分分析(principal component analysis, PCA)基向量建模跟踪目标的表观变化,同时对表示系数进行L₁范数约束;其次对误差项采用最小软阈值方法进行显示求解,同时对观测模型的更新上考虑跟踪目标的遮挡因素;最后在贝叶斯框架下搭建目标跟踪算法。在14个具有挑战性的跟踪视频上的试验结果表明:与其他算法相比,本研究能够克服跟踪过程中遮挡、角度变化、尺度变化、光照变化等影响跟踪性能的因素,具有较高的平均覆盖率和较低的平均中心点误差。