改进的均值移位红外目标跟踪

提出了一种改进的均值移位红外目标跟踪算法,该算法融合了基于均值移位的梯度匹配搜索策略与基于特征分类的跟踪算法。以目标与局部背景灰度特征的似然比作为目标区域核直方图的权值,建立了改进的目标表征模型。以Bhattacharyya系数作为相似性度量,在均值移位框架下推导了应用该目标模型下移位向量的表达形式。同时,提出了基于跟踪复杂度估计的目标遮挡情况下的模型更新判别准则。实验结果表明,该算法能够提高目标像素灰度的移位权重,抑制背景干扰,对于低对比度红外目标的跟踪具有稳健的性能,在正确跟踪情况下平均Bhattacharyya系数保持在0.97以上。     

基于均值偏移快速算法的红外目标跟踪

在光电跟踪设备中,传统的嵌入式跟踪器一般采用形心、相关等算法,在复杂背景下或目标受到遮挡时会丢失目标。为了能够使目标跟踪器具有抗遮挡的能力,在嵌入式目标跟踪平台上引入了均值偏移算法。在硬件的设计上,利用FPGA并行运算效率高的特点,设计了基于FPGA的直方图统计计算模块,该模块实时的将每一帧的直方图计算结果存储在SDRAM上,然后利用DSP进行均值偏移的迭代运算,在算法上针对红外图像设计了融合图像位置和像素灰度特征的改进核函数直方图作为目标特征,并提出了改进的快速均值偏移算法使其满足DSP的运算速度要求。实验表明系统在背景复杂和目标受局部遮挡时可以连续跟踪目标。跟踪性能好于传统的以型心为算法的跟踪器。在目标区域大小为64×64像素大小时,平均计算速度为22 ms。该系统和所使用的算法可支持大部分红外相机对目标的实时稳定跟踪。     

一种改进的基于双权值颜色直方图的均值漂移跟踪算法

在实际应用中,当目标与背景的颜色相似时,均值漂移跟踪算法容易产生跟踪漂移现象.本文基于均值漂移算法,首先提出一种背景削弱权值,结合基于核函数的目标中心加权,有效解决由相似背景带来的跟踪干扰.然后提出一种模板更新策略,提高目标在遮挡、光照、形变等干扰下的跟踪鲁棒性.由老虎图像序列实验可知,提出的改进算法具有更好的跟踪效果.     

均值漂移算法在无人机侦察目标图像跟踪中的研究

通过分析均值漂移算法及改进算法在无人机侦察目标图像跟踪中的应用,采用公式法及文献法对其进行研究。研究结果表明基本的均值漂移算法对比较简单的侦察目标图像跟踪有较多的优点,但对于比较复杂的侦察目标图像跟踪需要使用改进的均值漂移算法。该研究对无人机侦察目标图像跟踪有参考依据。     

基于组合带宽均值迁移的快速目标跟踪

为了解决传统均值迁移(Mean shift)目标跟踪算法中跟踪窗口容易收敛至局部概率模式的问题,提出一种基于组合带宽Mean Shift的目标跟踪策略,并建立了一种自适应学习率的over-relaxed优化策略以加速收敛过程。根据目标尺度设定了一组从大到小排列的带宽序列,并依次根据每个带宽进行Mean Shift迭代收敛运算,利用大带宽的平滑作用避开局部概率模式的干扰;依靠小带宽进行精确定位,最终使其收敛到真实目标区域。由于组合带宽Mean Shift会造成一定的额外运算量,为此引入over-relaxed优化策略加速迭代过程。在边界优化算法的收敛条件约束下,根据采用over-re-laxed策略前后相关系数的变化,自适应地调整学习率。实验结果表明,组合带宽Mean Shift能够有效地跟踪快速运动的目标,并且当目标短暂丢失时也有一定的恢复能力;实验采用over-relaxed策略后,收敛次数减少了30%～70%。     

基于均值漂移算法的水下视频目标跟踪

鉴于水下的特殊环境,本文利用均值漂移算法对水下视频中的运动目标进行跟踪.首先对水下视频目标对象和候选目标对象分别建立RGB颜色分布加权直方图模型,将这两个模型进行匹配,匹配度用Bhattacharrya系数来表示,搜索出与目标最匹配的候选目标并且更新目标模型,依此类推,从而在视频序列中实现目标跟踪.仿真实验证明,基于均值漂移算法的目标跟踪能够克服水下视频环境中干扰运动目标跟踪的因素:水波、倒影、气泡、游泳池浮标的遮挡等,进一步与基于Kalman滤波器的水下目标跟踪相比(对比),目标跟踪结果表明本文所用的算法能够对水下这种复杂背景的运动目标进行稳定实时的跟踪.     

一种鲁棒的基于改进Mean-shift的目标跟踪算法

为了克服传统Mean-shift算法在跟踪运动目标时由于背景像素造成的定位偏差和由于遮挡造成的跟踪失效,提出了两点改进措施。第一,根据初始帧目标和背景在颜色分布上的差异,建立对数似然图(log-likelihood image),筛选出目标中与背景可区分性好的颜色特征建立目标模型,并以同样的方法在后续帧建立候选模型。第二,将候选区域划分为若干重叠的子块,分别利用Mean-shift算法对各个子块进行迭代,以与目标区域相应子块最为匹配的子块的所在位置对整个目标重新定位,该方法很好地实现了目标部分遮挡情况下的稳定跟踪;严重遮挡时,采用简单的线性预测,估计下一帧目标可能出现的位置。实验结果表明：改进算法可以准确的进行目标跟踪,对部分遮挡和严重遮挡都有较强的鲁棒性。     

基于均值漂移和粒子滤波相结合的水下运动目标跟踪

泳池是一个变化较大的动态场景,会受到气泡、光照强度和水波等因素的干扰,针对泳池环境的复杂性特点,本文提出一种基于均值漂移和粒子滤波相结合的水下运动目标跟踪算法。首先,结合Mean Shift算法中的核函数原理和目标模型,以RGB颜色直方图为核心建立水下运动目标模型,然后在粒子滤波跟踪水下目标的过程中,利用Mean Shift算法对粒子进行收敛,使粒子的分布更加接近目标的真实位置。仿真试验结果表明,本文提出的算法能够克服水波、阴影、气泡、遮挡等因素的干扰,实现了水下复杂背景下的实时稳定的目标跟踪。     

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。     

基于改进 Mean－shift算法的铲斗目标跟踪

针对挖掘机器人铲斗目标实时跟踪问题,提出了Kalman＋Mean－shift算法的铲斗目标跟踪算法。与Mean－shift算法以及Camshift 算法相比,该算法通过Kalman滤波器对目标位置的预测,解决了跟踪过程中出现干扰时无法跟踪目标的问题。运用OpenCV进行跟踪程序设计,对挖掘机模型的铲斗目标进行跟踪实验,对算法的可行性进行验证。实验结果显示,结合Kalman滤波器的Mean－shift算法能够准确地实施对铲斗目标的跟踪。     

适用于复杂场景的多目标跟踪算法

在视觉目标跟踪应用中,传统算法在光照变化、阴影、遮挡和背景运动等复杂环境下面临着鲁棒性较差的问题。针对上述问题,首先在局部二进制类型(LBP)背景模型基础上,提出了自适应像素距离阈值编码的背景模型(ST-LBSP)克服阴影和光照变化对目标检测的影响;其次,为了克服遮挡、背景运动等问题,计算图像块之间的最小像素距离和图像块和目标历史数据之间的标准化差值平方和距离,依据距离信息对图像块进行整合;同时,对整合后的图像块,计算其光流矢量、区域内差异性和区域间差异性,对图像块进行分割;最后,采用结构化的支持向量机设计多目标跟踪器,实现了鲁棒的视觉跟踪。基于标准数据集的实验结果显示,该方法具有较强的鲁棒性和较高的跟踪精度。     

基于快速运动场景下的目标跟踪改进算法

为解决目标快速运动时跟踪算法出现目标丢失和跟踪精度大幅度下降等问题,在现有的Autotrack算法基础上对其进行改进,提出了一种基于快速运动场景下的目标跟踪算法。引入空间正则权重项w对距离目标中心比较远的样本进行相应的惩罚,调整原本的全局响应变化量并将其作为时间正则项。将空间正则项和时间正则项相结合,并引入目标函数中进...     

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.     

多模式融合的目标跟踪算法

为了解决目标跟踪中运动模型复杂,运动场景多变的情况,提出了一种多模式融合的目标跟踪算法.该算法选取目前广泛应用的mean-shift和粒子滤波算法分别跟踪目标,得到当前目标位置的候选值,并采用加权合成参考函数建立参考模板.然后,以侯选目标位置差异和参考模板为标准,确定目标的正确位置.最后,根据当前帧目标模板和参考模板的距离来决定是否更新模板.实验仿真结果表明,与单一的目标跟踪算法相比,本文算法的平均跟踪误差减小了一倍以上.假如参考模板更新错误,下一帧中仍能以67%的概率正确跟踪目标,连续3次模板更新之后,误更新的模板对目标跟踪的影响可以降低到10%以下,有效地降低了模板更新引起的跟踪错误和跟踪不稳定.     

红外传感器跟踪目标滤波算法探讨

概率数据关联滤波器(PDAF)算法用于杂波环境下时,目标跟踪存在跟踪机动目标能力低,位置误差大,协方差也大等问题;为了解决这些问题,在PDAF算法的基础上,提出了定向概率数据关联滤波器(DPDAF)算法;在不改变PDAF滤波算法的情况下,通过引入目标预测的夹角,在PDAF中增加检测方向,通过修改PDAF的似然函数,从而得到DPDAF算法;最后通过计算机仿真,DPDAF算法跟踪机动目标的能力高于传统的PDAF算法,提高了算法的跟踪性能。     

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.