基于深度特征的质量感知旋转舰船模板匹配算法

天基高价值目标连续跟踪在态势预警、军事决策等方面有着广泛应用。目前基于遥感视频卫星的跟踪都是单星目标跟踪，由于低轨卫星过顶时间有限，因此难以进行连续跟踪。为了实现跨星接力跟踪，接力卫星在经过非连续时间的目标环境和观察视角变化后需要唯一地匹配出高价值目标，为此，采用卷积神经网络VGG19作为主干网络，提出一种基于深度特征的质量感知旋转舰船模板匹配算法。设计双级特征融合模块，通过融合不同深度的特征信息解决因舰船目标尺寸差异较大导致的匹配不准确问题；针对因环境变化导致的定位不准确问题，引入质量感知模板匹配模块；使用细粒度舰船角度定位模块，利用贝叶斯公式确定舰船方向信息，为跨星连续跟踪提供准确的模板。实验结果表明，该算法提高了舰船目标匹配准确率，相对于QATM、DDIS、SIFT方法，AUC分别提升了9.5、16.0和17.5个百分点，AP75分别提升了21.1、30.5和6.9个百分点，所提算法可以有效提高舰船模板匹配的精度，能够为实现卫星星座跨星连续跟踪提供技术支持。     

并行处理的图象匹配和目标跟踪算法及双处理机实现

本文通过理论和实际的分析，提出一种在以矩不变量为特征的目标跟踪系统中引入并行计算机处理的算法，该算法将目标跟踪过程中的特征提取和模块匹配算法结合起来进行合理划分，使得在每个控制间隔里，两部分交换信息后分别同时计算，从而在任务级上实现并行处理。     

引入轻量级Transformer的无人机视觉跟踪

随着无人机在军事和民用领域的广泛运用,对于高精度、低功耗智能无人机跟踪系统的需求日益增加。针对目标跟踪算法在无人机跟踪场景下很难平衡跟踪精度和跟踪速度的问题,提出一种引入轻量级Transformer的孪生网络无人机目标跟踪算法SiamLT。使用Transformer对AlexNet网络进行改进,在增加最小计算量的情况下捕获全局特征信息。在目标模板与搜索区域匹配方面,联合Transformer和深度互相关运算提出一种二元相关模块,同时捕获目标模板与搜索区域之间的局部相关性和全局依赖关系。在分类回归网络中引入距离交并比,并采用多监督策略训练网络,以获取更准确的目标位置。在UAV123和UAV20L跟踪基准上的实验结果表明,SiamLT算法优于主流的目标跟踪算法,更有效地平衡了跟踪精度和跟踪速度。     

基于VC++6.0的目标识别和跟踪算法验证系统

介绍了基于VC 6．0的目标识别和跟踪算法验证系统。该系统由图像导入、算法选择、单帧处理、多帧处理、AVI视频生成和播放、帮助等六大模块组成，可方便地进行目标识别和跟踪算法的开发，为最终研制实时图像处理系统提供依据。     

交通监控场景中的车辆检测与跟踪算法研究

考虑多目标跟踪过程中存在的实时性和身份跳变问题,提出一种基于检测的多车辆跟踪算法。首先利用Mobilenetv2替换YOLOv3检测算法的主干网络,构建目标检测模块YOLOv3-Mobilenetv2,减少检测算法模型参数,提高检测模块的运行速度;在Mobilenetv2中引入Bottom-up连接,增强多尺度特征图间的信息融合;然后构建基于LSTM的运动模型,解决卡尔曼滤波在非线性系统中产生的预测误差,基于Deepsort跟踪算法,引入LSTM运动模型,形成L-Deepsort跟踪算法;改进L-Deepsort跟踪算法外观匹配策略,提升目标间的关联性;最后融合轻量级目标检测算法YOLOv3-Mobilenetv2与多目标跟踪算法L-Deepsort,形成MYL-Deepsort多车辆跟踪算法,实现多车辆的实时准确跟踪。实验结果表明,该方法在跟踪性能提升的情况下,速度较YOLOv3-Deepsort提高21 frame/s,在TX2平台达到13 frame/s。     

基于运动一致性的视觉多目标跟踪算法

视觉多目标跟踪模块在主动式车载障碍物检测系统中占据关键地位。然而,现有的视觉多目标跟踪算法多依赖离线计算得到的目标检测结果,并未充分考虑这个阶段耗时对实际应用中跟踪效果的影响。因此,本研究首先针对实际应用环境,设计了一个多线程异步的视觉障碍物检测系统框架;随后,提出了一种多特征融合的视觉多目标跟踪算法,该算法以本研究所提出的基于目标运动向量的运动一致性特征指标为基础,结合目标跟踪研究中常用的外观特征和马氏距离等特征,优化级联匹配策略,旨在提升对具有相似外观特征和运动规律的多个目标的跟踪稳定性,同时保证常规场景下目标的稳定跟踪;最后,将所提出的多目标跟踪算法集成于所设计的障碍物检测系统框架中,通过实验分析来验证该算法的有效性。实验结果表明,该算法能较稳定地跟踪实际应用环境下的各类目标,相比参照算法可达到更长时间稳定跟踪的效果。     

CCD测量系统中基于自适应相关算法的动态目标跟踪

相关匹配是目标跟踪和模式识别的一种重要方法。介绍了CCD(电荷耦合器件)误差测量系统的光学原理针对该测量系统实际情况,提出了用相关算法实现目标位置的测量使用自适应相关匹配的方法,实现了对连续视频图像中动态目标的跟踪给出了实验结果,并对算法提出了改进的意见。     

一种基于自适应的目标跟踪算法的实现

在已有的目标跟踪方法基础上,对基本模板匹配算法进行改进,提高了目标跟踪的速度和可靠性,目标跟踪的准确程度和算法的效率有显著的提高.给出了使用自适应模板匹配方法跟踪的试验仿真结果.     

基于显微视觉的微小型零件跟踪系统

微装配过程中的运动目标跟踪是一个新兴的研究方向。构建了一个由CCD相机、显微镜头、电控云台和图像处理模块组建的、针对微小型零件的显微视觉跟踪系统。为克服显微视场范围小的局限性,提出一种基于SIFT特征点的模板匹配和Kalman预测相结合的跟踪算法,通过Kalman预测实现在局部范围内的模板匹配,利用SIFT特征对模板匹配的结果进行校正和更新。实验结果表明：提出的跟踪算法能得到稳定的目标局部特征,并准确地跟踪到目标,对亮度变化、成像模糊等影响因素有较强的适应能力。     

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD）目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入ViBe模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪。该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,将角点检测结果融入到LK光流法中,并对检测到的角点进行运动光流特征提取,最后通过卡尔曼滤波对出现的行人进行预测跟踪,采用匈牙利最优匹配算法实现对运动目标的持续匹配以及对运动目标的跟踪。仿真结果表明,本文提出的方法能够对视频中出现的运动目标进行检测跟踪,具有较好的识别效果,且检测效率得到提高。      

基于DM642的实时运动目标检测系统设计与实现

针对图像数据量大,运动目标检测算法复杂,而在实际应用中又要求实时对图像处理等特点,以DSP器件TMS320DM642为核心搭建了实时运动目标检测系统的硬件平台。为了有效检测出运动目标,提出一种将基于混合高斯模型的背景差分法和三帧差分法相结合的算法。实验表明,该系统能有效检测出运动目标,且满足实时性要求。     

基于改进动态阈值的运动车辆实时快速检测方法*

提出了复杂交通环境下一种新的运动车辆检测方法。基于背景差分获得运动图像,利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测。根据检测结果,采用中值更新方法实现背景图像的实时更新。实验结果表明,这种基于改进动态阈值和自适应背景相结合的快速检测算法可以从复杂交通场景图像序列中快速有效地检测出运动目标,能够很好地满足智能交通监控系统中运动车辆实时检测的要求。     

基于运动检测的远程图像采集系统的设计与实现

文章设计了一种基于运动检测的FPGA远程图像采集与存储系统,并给出了系统整体设计方案和核心的运动检测模块的具体实现方法。该系统主要由图像采集模块,运动检测模块,图像存储模块以及网络接入模块组成。该设计在FPGA多媒体开发平台EP2C70的基础上添加基于LAN91C111的网络接入模块来实现,利用Verilog语言在该平台上具体实现运动检测算法。试验证明该系统可以快速并智能化采集图像信息,快速的检测异常运动物体,采集的图像信息被实时存储或者通过网络接入模块实现远程传输。     

基于改进高斯混合模型的实时运动目标检测与跟踪*

为提高运动目标检测与跟踪的可靠性,提出了一种基于改进高斯混合模型的实时运动目标检测与跟踪算法。该算法建立可自动调节分布数目的高斯混合背景模型,通过背景减除获取前景图像;利用目标相邻帧的连续性分割运动目标;在此基础上将传统的颜色直方图模型进行改进,提高目标颜色分布的可信度,进而根据目标的位置、大小和颜色构造运动目标全局匹配相似度函数,实时完成运动目标检测与跟踪。利用大量的监控视频数据进行验证,结果表明,与传统的检测跟踪算法相比,该算法减少了计算量,提高了复杂背景情况下运动目标检测与跟踪的可靠性。     

户外环境下抗遮挡的运动目标跟踪方法

针对户外环境光线和气候条件多变以及目标间相互遮挡对目标检测和跟踪的影响,提出了一种基于改进的高斯混合模型方法来检测运动目标,并消除噪声和阴影;同时采用基于Kalman滤波器的预测模型和最大后验概率目标匹配相结合的方法来实现目标的连续跟踪。实验表明,该方法能实现目标的稳定跟踪,且能够处理目标相互遮挡的情况,计算复杂度较低,基本满足实时应用的需求。     

仿生复眼式全景探测及跟踪策略

为解决传统相机不能在全景范围内快速连续跟踪运动物体的弊端,本文提出一种仿生复眼式全景探测思想,以及配套的跟踪策略。在硬件方面,采用多个子眼相机进行全景实时探测,中心采用一个大孔径主眼相机,并且将其安装于云台上面,通过云台控制器接收的不同指令码进行精确定位。在软件方面,本文采用自动加窗采集的思想,对于运动区域的图像进行多层窗口采集,非运动区域则减少窗口层数,然后将采集的图像进行高斯运动目标检测,而检测方法本文在重叠区采用了仿生复眼的侧抑制算法,得到了比较清晰的运动目标轮廓。按照上述软硬件思想本文搭建了实际实验装置,并且进行了重复性实验。由于实时探测特点,以及加窗采集和侧抑制算法的结合,相比传统相机的跟踪效果,在视场和灵敏度上得到了很大的提高。     

基于改进运动历史图像的多运动目标实时跟踪

提出了一种利用视频图像对运动目标进行实时检测与跟踪的新方法.该方法利用基于改进的时间片的运动历史图像(tMHI)的灰度阶梯轮廓方法对多个运动目标进行检测,通过卡尔曼滤波器对多目标进行跟踪,并得到了各个运动目标的轨迹曲线,进而实现了对视频图像中多目标的跟踪.同时,该方法对多个目标的遮挡问题获得了明显的改善效果.实验结果表明,该方法能够对复杂场景下的多个目标进行有效的识别和准确的跟踪,系统的实时性强,识别率高,而且该方法对于复杂视频监视系统场景中的光照变化、雨雾等干扰具有较强的稳健性.     

六足机器人动态目标检测与跟踪系统研究

动态目标检测与目标跟踪是图像领域的热点研究问题,为研究其在移动机器人领域的应用价值,设计了六足机器人动态目标检测与跟踪系统。针对非刚体运动目标容易被检测为多个分散区域的问题提出区域合并算法,并通过对称匹配、自适应外点滤除对运动背景进行精确补偿,最终基于背景补偿法实现对运动目标的精确检测。研究了基于KCF（Kernel Correlation Filter）的目标跟踪算法在六足机器人平台上的应用,设计了自适应跟踪算法实现六足机器人对运动目标的角度跟踪。将运动目标检测及跟踪算法应用于六足机器人系统。实验表明,在六足机器人移动过程中,系统可对运动目标进行精确检测与跟踪。     

Real-time abandoned and stolen object detection based on spatio-temporal features in crowded scenes

Abandoned and stolen object detection is a challenging task due to occlusion, changes in lighting, large perspective distortion, and the similarity in appearance of different people. This paper presents real-time detection methods of abandoned and stolen objects in a complex video. The adaptive background modeling method is applied to stable tracking and the ghost image removing. To detect abandoned and stolen objects, the methods determine spatio-temporal relationship between moving people and suspicious drops. The space first detection method measures the distance between a moving object and a non-moving object in spatial change analysis. The time first detection method conducts temporal change analysis and then spatial change analysis. The potential abandoned object is classified as a definite abandoned or stolen object by two-level detection approach. The time-to-live timer is applied by adjusting several key parameters on each camera and environment. In experiments, we show the experimental results to evaluate our proposed methods using benchmark datasets.