基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

针对目前一些常用的运动目标跟踪算法存在跟踪精度不高、实时性低、对遮挡问题处理不佳等问题,提出一种粒子群算法与卡尔曼滤波相结合的新的运动目标跟踪方法。利用卡尔曼滤波预测目标中心在下一帧图像中的位置,从而极大减少了搜索范围,并以该位置为中心建立目标搜索区域。然后以目标的灰度统计特征对目标模板和候选区域进行匹配,确保跟踪准确性。为了有效减少搜索匹配次数、提高实时性,利用粒子群算法在搜索区域找到和目标模板最相似的区域,从而找到最优中心位置,并以该位置作为卡尔曼滤波的观测值,进行下一帧跟踪。仿真实验结果表明新算法显著提高了跟踪的实时性、精确性,并对部分遮挡能较好地处理。     

基于Opencv的运动目标的检测和跟踪

检测运动物体需要无运动物体的背景图像,所以,首先应用多帧像素平均值法提取了运动视频序列的背景图,从背景图像中分离目标像素,获取目标的质心坐标,并应用质心跟踪法以灰色图像序列为基础,对运动的目标进行实时检测和跟踪。质心跟踪法的目标位置通过质点的中心来确定,该算法计算简单,计算量小,其稳定性与精度主要取决于序列图像的分割及其阀值的确定情况。文中给出了用Opencv实现算法的具体过程和关键代码,并且设计了跟踪运动车辆的控制界面,方便了实时监控。实验结果表明,该方法可以实现视频序列中运动目标的识别,具有实时性、并能给出较好的识别效果。     

基于投影的运动目标跟踪研究

在运动目标跟踪方面,运动目标跟踪算法直接影响着运动目标跟踪的准确性和稳定性,现有的目标跟踪算法大多是基于特征或运动信息的,虽然能够完成对运动目标的可靠跟踪,但是需要处理的数据量大,运算复杂,很难达到实时跟踪的要求。本文首先阐述了跟踪算法中模板相关匹配算法的基本原理,然后跟踪系统的实际需求,详述了投影法快速定位目标跟踪的方法,并给出了投影算法跟踪的实验结果,该算法基本能满足跟踪系统中运算量小和实时性的要求。     

基于鱼眼镜头的运动目标跟踪

针对运动目标在普通镜头下跟踪视角小,以及在复杂背景下容易丢失的问题,提出了一种基于鱼眼镜头的改进Mean-shift算法。首先通过SIFT算法提取运动目标初始帧,利用卡尔曼滤波算法预测下一帧运动目标位置,进而采用改进的Mean-shift算法进行运动目标的跟踪。实验结果表明利用鱼眼镜头配合本文改进的Mean-shift算法具有良好的跟踪效果,与传统的跟踪方法相比具有大广角、实时性、鲁棒性、准确性等特点。     

旋翼无人机视觉跟踪系统

设计实现了一种基于PC104计算平台的旋翼无人机自动目标跟踪系统.该系统由机载视觉子系统、地面站子系统、无线通信子系统3个部分组成.构建了完整的空地、人机交互环路.采用基于背景权重的Mean Shift目标跟踪算法,能够有效减小复杂环境背景对目标跟踪的影响.可靠性高且算法复杂度低.在室内外环境下进行的实验测试结果表明:系统在目标跟踪过程中即使遇到相似目标干扰或大面积遮挡,仍能够准确地自动跟踪目标,利用目标在图像中的位置主动引导数字云台与其保持相同运动方向,使目标尽可能处于相机中心视场范围内,验证了系统的可靠性和实时性.     

基于粒子滤波的运动物体检测跟踪

提出了一种状态空间模型粒子滤波算法,并应用于运动目标的跟踪。该方法基于贝叶斯估计,利用粒子集来表示概率,通过递推的贝叶斯滤波来近似逼近最优化结果,在预设搜索区域用粒子群找到和目标模板最相似的中心位置,并以该位置作为观测值,进行跟踪。仿真实验结果和两种实际条件下效果比较表明该算法在跟踪低常速运动中精准性高,是一种有效的目标跟踪方法。     

基于Camshift的改进人脸跟踪算法

文中利用目标加速度运动位移方程,预测下一时刻目标可能移动的位置,使用预测位置误差方程,估测运动目标搜索范围,并且通过启动多个Camshift跟踪器的方法,改进Camshift算法。仿真实验表明,该方法有效地克服了Camshift算法自身的缺陷,即使是加速运动的目标,也可准确地预测运动目标的位置,并且有效提高了对遮挡目标跟踪和多个人脸目标跟踪的鲁棒性。     

改进的Meanshift运动目标跟踪算法

Meanshift算法在对快速运动的目标进行跟踪时容易丢失目标,并且在目标被遮挡时,也容易造成跟踪失败,跟踪的过程中跟踪框不能随着运动目标的大小变化而变化.提出一种基于Meanshift运动目标跟踪算法的改进算法.该算法基本思想是采用改进的三帧差分法对运动目标区域进行提取,求得跟踪框轮廓,同时用Meanshift算法对运动目标进行跟踪,获得目标最大概率区域,将该区域中心作为跟踪框的中心.跟踪过程中通过巴氏系数判断是否目标被遮挡,若被遮挡则调用Kalman滤波进行预测跟踪.实验结果表明,该算法能够快速、准确地跟踪目标.     

对变形目标的跟踪研究

在目标跟踪过程中,目标在图像中的形状和大小常发生不同程度的变化,为了准确、有效地实现目标跟踪,采用多次迭代的连续自适应平均值移动算法。该算法是一种基于颜色跟踪的算法,根据多次迭代的计算结果,自适应调整图像序列中搜索窗口的大小和位置,从而得到当前图像中的目标中心,实现对运动目标的跟踪。最后分别在不同变形情况下和多个运动目标下进行实验。实验结果表明,当目标发生旋转、大小变化及存在多个目标的情况下,该算法仍能有效地对运动目标进行准确跟踪。     

目标实时跟踪与预测算法研究

实时成像跟踪系统要求对运动目标能够有较快的响应速度,跟踪的响应时间越短,系统的实时性就越好,从而可靠的跟踪系统显得尤为重要。文中在研究了目前常用几种跟踪算法的基础上,提出一种基于目标特征匹配和Kalman预测相结合的跟踪方法,选取目标的灰度直方图信息做为特征匹配模板,使用Kalman滤波器对目标在下一帧图像中可能出现的位置进行预测,在预测范围内进行搜索及模板匹配,实验结果表明,该跟踪算法能够对目标实现稳定可靠的跟踪。     

基于多基地雷达系统的机动目标跟踪算法

针对多基地雷达系统,提出一种基于目标距离和以及速度信息的快速卡尔曼滤波机动目标跟踪算法.将目标位置滤波和速度滤波结合,构成了机动目标滤波的完整形式,从而提高了跟踪精度,最后给出仿真实例并进行相关的讨论.结果表明该方法计算量小,收敛速度快,跟踪精度高,具有一定的实用价值.     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。     

基于自控蝙蝠算法智能优化粒子滤波的机动目标跟踪方法

标准粒子滤波重采样过程中对粒子的直接删除会导致粒子贫化,并且综合性价比不高,难以满足高频段精密跟踪雷达的需求.针对上述问题,本文提出了基于自控蝙蝠算法优化粒子滤波的机动目标跟踪方法.该方法首先在粒子滤波中引入蝙蝠算法,用粒子表征蝙蝠个体,模拟蝙蝠群体搜索猎物的过程,使粒子向高似然区域移动.同时,改进算法将粒子接受新状态的比例作为反馈量,设计了自适应闭环控制策略对算法的全局搜索能力和局部搜索能力进行全程动态控制,使得粒子分布更加合理,从而进一步提高了粒子滤波的精度.最后在分别在基础非线性滤波模型和强机动强干扰目标跟踪模型中对改进算法的性能进行了测试.实验结果表明,改进算法提高了目标跟踪的精度.     

改进的KCF红外空中目标跟踪方法

针对红外空中目标跟踪中遮挡导致的跟丢问题,结合核相关滤波跟踪算法(KCF)无法跟踪尺度的缺点,提出一种基于KCF的红外空中目标跟踪方法。该方法借助KCF估计的目标位置,增加Sobel算子提取目标扩展区域的边缘信息,从而获取目标尺度并进行二次定位。然后,判断目标是否受遮挡或跟丢,采用帧差法重新检测目标,确保目标的持续跟踪。在7个视频序列上对所提的算法进行了实验,结果显示,所提算法能够有效计算尺度,验证了多种环境下跟踪的有效性。平均跟踪速度达到44 f/s,能够满足实时性要求。因此,本文提出的方法对于红外空中目标的跟踪具有一定的实用意义。     

跟踪状态自适应的判别式行人单目标跟踪算法研究北大核心CSCD

本文针对在行人跟踪过程中遇到的背景相似物干扰、行人之间的相互遮挡和背景杂乱等导致跟踪状态不稳定的问题,基于DIMP(learning discriminative model prediction for tracking)跟踪算法,提出了一种跟踪状态自适应的判别式单目标行人跟踪算法。跟踪过程中由分类滤波器和搜索区域进行卷积操作得到响应图,通过响应图判断跟踪状态,跟踪状态分为弱响应状态、多峰强响应状态、单峰强响应状态。针对多峰强响应状态下的干扰物影响,提出在线更新策略,利用激励和抑制损失更新分类滤波器,提高分类滤波器的判别能力。针对多峰强响应和弱响应状态下目标预测不准确的问题,通过偏移量和增添候选框修正目标位置,提高跟踪精度。实验验证提出的算法在行人视频序列上跟踪结果,精度达到了0.978,成功率达到了0.740,在NVIDIA GTX 1650显卡下有30 fps的实时速度。     

星空背景下红外弱小目标的快速检测

为了实时检测天基平台上超远距离成像的星空背景下红外弱小运动目标,提出了一种基于时空域方向滤波和最小二乘预测的算法。首先,介绍了传统的方向滤波及时序上的双向滤波两者的频域理论推导,并经过对比说明了双向滤波的优点。接着,在双向滤波基础上,提出了一种新型方向滤波算法,并分析了新型算法在时耗方面的优势。然后,在分析新型方向滤波算法性能的基础上,说明了基于过门限率的图像分割方法。最后,介绍了最小二乘预测的理论,并给出了相应的跟踪算法。实验结果表明:目标的位置跟踪偏差平均约为1个像素,在图像大小为256×256像素的情况下,20帧图像的检测跟踪时间平均约为1.137 s。检测跟踪效果满足精度要求,检测时间也基本能满足超远距离成像红外系统的实时性要求。     

基于卷积神经网络的响应自适应跟踪

针对目标跟踪中的遮挡、旋转、快速运动、形变等问题,本文提出基于卷积神经网络的响应自适应跟踪算法。首先,通过卷积神经网络提取目标的多层卷积特征,利用粒子滤波算法获取目标的多模板响应图,自适应学习目标的期望响应;然后通过构造目标函数的对偶形式解决多模板联合优化问题,计算多模板情况下每层卷积特征的最优滤波参数;最后通过相关滤波算法计算多层滤波响应,通过响应加权融合的方式计算最终响应图,以此估计目标位置。本文利用OTB-2013数据集中的方法测试我们提出的算法,实验表明该算法的整体成功率和精确度为0.884和0.915。本文算法在距离准确度、成功率和平均跟踪误差方面均优于传统的相关滤波跟踪算法,有一定研究价值。     

基于多特征融合相关滤波的红外目标跟踪

针对红外目标分辨率低、对比度差、信噪比低、纹理信息缺失等特点,提出一种融合多特征的红外目标跟踪算法。利用背景感知相关滤波器生成大量真实样本,对红外目标提取HOG特征和运动特征,通过线性求和方式进行特征融合,更好地发挥各自特征优势,实现对红外目标运动的精准跟踪。另外,提出使用空间加权窗代替传统相关滤波器中的余弦窗,可以更加突出目标的中心位置,同时也能很好地抑制边缘效应。采用VOT-TIR 2016数据集对算法性能进行评估,同时和15种流行算法进行比较。结果表明,本文算法在精确度和成功率上的得分分别为0.751和0.697,在精确度和成功率指标方面分别提高了8.8%和15.4%,具有一定的研究价值。     

基于强跟踪滤波器的抗“飞点”容错滤波

由于雷达数据在获取和传输中受干扰的影响，数据融合中心接收到的雷达测量数据中常常含有“飞点”。这种测量数据中的异常数据对Kalman滤波具有较严重的不利影响。本文利用强跟踪滤波算法，构造容错策略，使之既可以充分利用正常新息(innovations)确保滤波的精度，又可以有效抑制异常新息的不利影响，从而达到对“飞点”数据的容错能力，保持目标跟踪的性能。最后，通过仿真计算验证了该算法的有效性。