自动相关监视目标的跟踪算法研究

为了实现对新航行系统自动相关监视目标的跟踪,通过对机动目标跟踪算法进行分析研究,给出了一种基于高斯和的贝叶斯估计多模型跟踪算法。其主要思想是对多个模型滤波器滤波输出进行加权平均,每个模型滤波器采用推广卡尔曼滤波算法,当需要进行状态预测时,应用卡尔曼滤波理论进行K步迭代递推估计。该算法是解决非线性、非高斯估计问题的一个较好的变结构多模型算法。基于高斯和的贝叶斯估计算法对匀速、匀加速和强机动目标都可以达到良好的跟踪效果。     

基于ADSP-BF561的视频跟踪系统的研究与实现

设计了基于ADSP-BF561的视频跟踪系统,通过控制摄像机姿态实现对运动目标的自动识别和跟踪。系统采用三帧间差分法与图像分割相结合进行目标识别,利用卡尔曼滤波算法进行目标定位,辅以云台运动控制算法完成目标跟踪。经室内测试,该系统能对运动目标进行有效识别与跟踪,且具有一定的实时性及稳定性。     

一种基于UKF的弹道导弹跟踪算法

文章提出了一种基于UKF的弹道导弹跟踪算法—Singer-UKF算法。传统的弹道导弹跟踪算法,利用扩展卡尔曼滤波器进行非线性滤波,取Taylor展开的前两项,可能引入较大的线性化误差,导致跟踪精度不高。文章在分析弹道目标动力学特性的基础上对目标的运动模型采用基于J2校正的Singer模型来描述,并针对非线性的目标量测模型应用不敏卡尔曼滤波算法。将该算法与扩展卡尔曼滤波算法进行蒙特卡罗仿真比较,仿真结果表明该算法的跟踪效果更好。     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

基于DPM和KCF的十字靶标检测与跟踪

为了实现对十字靶标的自动检测与跟踪,建立了十字靶标检测跟踪模型。针对目标检测中运算量大、实时性差、目标跟踪需要人工标定视频初始帧的问题,提出了一种基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法。首先,提取十字样本集的梯度方向直方图(HOG)特征,采用Latent SVM分类器训练特征集,生成十字靶标物体类的DPM模型。然后,通过滑动窗口搜索匹配方法遍历待检测图片。最后,将检测到的结果作为跟踪算法的起始跟踪帧,应用KCF算法快速跟踪目标。当跟踪目标丢失时,暂时停止跟踪,利用DPM模型重新检测定位目标再进行跟踪。实验结果表明:采用DPM模型检测的平均帧率为1 fps,结合DPM和KCF算法,实时检测跟踪的平均帧率为40 fps。采用基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法,实现了目标的自动检测与实时跟踪,且检测速度明显高于传统算法,并且在目标漂移或丢失后自动重新定位并继续跟踪,完成十字靶标的长时间跟踪。     

基于UKF的马尔可夫参数自适应IFIMM算法

给出了一种基于不敏卡尔曼滤波(UKF)的马尔可夫参数自适应的新息滤波器交互式多模型算法,较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波的交互式多模型(IMM)算法和基于UKF的IMM算法更好的稳定性和计算精度,还避免了复杂的Jacobi矩阵运算;该算法结合了马尔可夫参数自适应和新息滤波器技术,实现了马尔可夫转移矩阵的自适应和量测噪声的减小.最后,通过Monte Carlo仿真进一步验证了该方法的正确性和有效性.     

融合机动检测的交互多模型目标跟踪

传统交互多模型算法所采用的基于“软切换”思想的模式概率估计方法 ,大大减少了计算量 ,但同时只能实现对目标的次优跟踪。为了进一步提高跟踪系统的性能 ,文中讨论了一种融合机动检测的IMM跟踪算法 ,通过采用点过程滤波器对机动目标的机动进行实时检测 ,从而获得各模式的当前概率 ,并将其与传统IMM算法相结合 ,实现跟踪系统性能的提高。仿真结果表明 ,该算法具有良好的跟踪性能     

基于粒子滤波器的实时人脸跟踪系统设计

设计实现了基于粒子滤波器的实时人脸跟踪系统。系统以AdaBoost算法为人脸检测基础,以粒子滤波器算法为人脸跟踪基础,基于粒子离散度的控制机制以实现跟踪步长的自适应调整,同时,提出了基于HSV色彩空间的特征提取和匹配算法,以及基于2阶AR模型的人脸运动模型,有效提高了算法的跟踪精度和跟踪速度,并将跟踪结果作为人脸检测模块的反馈信号,增强了检测系统的目标捕获和目标校正能力。     

基于双重扩展卡尔曼滤波器的共轴跟踪技术研究

为了解决光电经纬仪由于机动目标运动模型不准确而引起的跟踪精度下降的问题,采用了单隐层前向神经网络(SLFNs)进行建模,提出了基于状态参数双重扩展卡尔曼滤波估计的共轴跟踪控制技术。仿真与实验结果显示,对83.33sin0.6t的等效正弦目标的速度估计最大误差为0.070 9()/s,跟踪精度为2.42';对旋转周期为4.5 s的光学动态靶标的跟踪精度达到2.96'以内。由此可见,所建立的模型与机动目标实际模型匹配,双重扩展卡尔曼滤波器(DEKF)能快速跟踪和估计状态参数。与传统控制方法相比,提出的方法具有更高的跟踪能力,能有效提高系统的跟踪精度。     

基于IMM—UKF的转弯机动目标跟踪

针对目标作转弯机动时产生运动模式的不确定性和运动模型的非线性问题,提出基于Unscented卡尔曼滤波器的交互多模型算法.该算法采用带有极坐标系速度的转弯模型和二维Singer模型作为模型集,将Unscented卡尔曼滤波取带传统的扩展卡尔曼滤波解决转弯模型的非线性,同时在模型交互时使用Unscented变换取代雅可比矩阵解决目标状态转换时的非线性.通过Monte-carlo仿真表明,与标准交互多模型方法相比,基于Unscented卡尔曼滤波器的跟踪算法具有很好的跟踪性能.     

基于改进Mean Shift算法的细胞追踪方法研究

针对经典Mean Shift算法不能有效追踪快速移动细胞的缺陷,提出了利用Mean Shift和卡尔曼滤波器相结合的方法快速移动细胞进行追踪。算法以卡尔曼滤波器预测出细胞的位置作为Mean Shift算法的初始位置,然后再利用Mean Shift算法追踪得到的细胞位置作为下一帧的卡尔曼滤波器的输入参数。实验结果表明,对于细胞图像的追踪,该方法较经典Mean Shift算法有着更高的准确率。     

基于摄像机运动控制的实时对象检测与跟踪算法

提出了一种基于摄像机运动控制的实时运动对象检测与跟踪算法.该算法首先采用非参数核密度估计方法在复杂的动态背景条件下检测运动对象区域;然后由CamShift算法计算跟踪目标的位置,并采用Kalman滤波预测对象的运动信息来控制摄像机的运动,能够准确地跟踪对象并有效解决了背景中的部分遮挡问题.在SonyRZ25网络摄像机上完成了对象的实时检测与跟踪,对多个室内和室外场景的实验验证了所提出方法的实用性和有效性.     

基于粒子滤波的视频图像目标遮挡算法研究

基于粒子滤波的视频图像目标遮挡算法是当前的一个热门研究领域.在对于视频图像目标跟踪方面,综合运用了多种算法进行检测和跟踪,详细分析光流法、帧间差分法、背景差分法和视频图像目标特征的提取,并在最后对帧间差分的算法进行了改进.通过实验证明,采用基于粒子滤波的视频图像目标遮挡算法能够更加有效地解决对跟踪目标的准确判断.     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。     

一种适用于分布式摄像机网络的SCIWCF算法

本文使用容积卡尔曼滤波器来处理分布式摄像机网络中的目标跟踪问题.平方根容积信息滤波（Square-Root Cubature Information Filter,SCIF）是容积卡尔曼滤波的一种扩展,其具有有效性和可靠性等方面优势,有利于对多源信息进行信息融合.然而当该算法应用于像摄像机网络这种大规模网络时,如果采用一般的集中式处理,中心节点可能会承受较大的计算压力.针对这个问题,本文首先将平方根容积信息滤波器进行了扩展,提出分布式平方根容积信息滤波器,使其能适应大规模网络.另外在摄像机网络中,由于摄像机装置在一个较大的区域内,由于摄像机观测区域有限,目标可能会出现在观察的盲区,这样就会存在某些摄像机的测量数据无效.针对这个问题,本文提出了平方根容积信息加权一致性滤波器（Square-Root Cubature Information Weighted Consensus Filter,SCIWCF）对状态信息和信息矩阵加权,减小这些无效信息在一致性算法的作用,从而提高整体的滤波性能.仿真实验结果表明,本文提出的算法能够在摄像机网络中对目标进行有效跟踪,在估计精度和滤波器稳定性等方面要优于传统的信息滤波.     

一种量测转换的移动外辐射源多站协同跟踪算法

针对移动外辐射源跟踪问题,提出一种融合到达角(Angle of Arrival,AOA)与到达时间差(Time Difference of Arrival,TDOA)观测量的量测转换Kalman滤波(Converted Measurement Kalman Filter,CMKF)算法。首先,采用了一种考虑了传感器位置偏差影响的无源定位算法作为转换非线性的AOA与TDOA观测量至笛卡尔坐标系下观测量的方法,并证明了当AOA与TDOA的测量噪声以及传感器位置偏差都服从高斯分布且噪声强度不大时,该量测转换方法的位置转换误差能达到克拉美罗(Cramér-Rao Lower Bound,CRLB)界;其次,在量测转换的基础上构建了关于移动外辐射源的线性状态空间模型,将非线性的目标跟踪问题转化为线性滤波问题,并最终使用标准Kalman滤波器实时跟踪移动外辐射源位置。仿真结果不仅验证了量测转换精度与理论分析结论吻合,还表明了所提CMKF算法的跟踪精度同时优于扩展Kalman滤波器、无迹滤波器以及粒子滤波器。     

结合匈牙利指派和改进粒子滤波的多目标跟踪算法

使用汽车雷达进行多目标跟踪时,为了提高航迹关联效率并改善非线性场景跟踪效果,提出了结合匈牙利指派和卡尔曼重要性采样的粒子滤波(Particle Filter with Kalman Importance Sampling,PF-KIS)算法。首先,将航迹关联分解为聚类和指派,通过密度聚类筛选并整合有效目标,经过匈牙利指派得到目标和航迹的最佳匹配关系,避免产生多余联合事件,提高关联效率;其次,以卡尔曼滤波的结果作为粒子滤波的先验,使采样粒子分布更合理,提高估计精度,进而改善非线性跟踪能力。实验表明,算法平均航迹关联正确率约为95%;非线性场景误差约为卡尔曼滤波的1/2,有效地改善了非线性场景跟踪能力。     

Moving object detection and tracking from video captured by moving camera

This paper presents an effective method for the detection and tracking of multiple moving objects from a video sequence captured by a moving camera without additional sensors. Moving object detection is relatively difficult for video captured by a moving camera, since camera motion and object motion are mixed. In the proposed method, the feature points in the frames are found and then classified as belonging to foreground or background features. Next, moving object regions are obtained using an integration scheme based on foreground feature points and foreground regions, which are obtained using an image difference scheme. Then, a compensation scheme based on the motion history of the continuous motion contours obtained from three consecutive frames is applied to increase the regions of moving objects. Moving objects are detected using a refinement scheme and a minimum bounding box. Finally, moving object tracking is achieved using a Kalman filter based on the center of gravity of a moving object region in the minimum bounding box. Experimental results show that the proposed method has good performance.     

Dual camera intelligent sensor for high definition 360 degrees surveillance

A novel integrated multi-camera video-sensor (panoramic scene analysis PSA) system is proposed for surveillance applications. In the proposed set-up, an omnidirectional imaging device is used in conjunction with a pan tilt zoom (PTZ) camera leading to an innovative kind of sensor that is able to automatically track at a higher zoom level any moving object within the guarded area. In particular, the catadioptric sensor is calibrated and used in order to track every single moving object within its 360 degree field of view. Omnidirectional image portions are eventually rectified and pan, tilt and zoom parameters of the moving camera are automatically adjusted by the system in order to track detected objects. In addition a co-operative strategy was developed for the selection of the object to be tracked by the PTZ sensor in the case of multiple targets.